论文部分内容阅读
随着科技的迅速发展,车载智能系统在机器视觉领域占据着越来越重要的位置,道路场景的分析与理解作为车载智能系统的重要内容自然成为了研究的热点。场景理解是基于图像分析的更深层次的物体识别,前人已经对场景理解技术进行了许多探索,并且取得了许多令人鼓舞的成绩。目前场景理解技术主要使用于智能机器人、智能车辆等设备中,通常基于视频流或全景图进行理解和分析,针对单幅道路图像进行的研究相对较少。在道路场景中,由于道路形状不固定,颜色不一致并且易受光照和噪声影响等特点加剧了对其进行理解的难度,因此如何基于单幅道路图像进行场景理解是一个极具挑战的问题。本文围绕场景理解的一些关键技术进行了探索性的研究,包括图像分割技术、道路消失点检测技术、道路边界识别技术和相对深度估计技术等。在图像分割领域中,我们介绍了通过阈值进行图像分割的方法、基于边缘的图像分割方法和采用聚类手段进行图像分割的方法;在消失点检测领域中,我们详细的介绍了基于纹理特征的消失点检测方法,并提出了改进方案,使其能够正确的检测道路的远消失点;在道路边界识别方面,我们介绍了基于特征和基于模型的道路检测方法,并提出了基于道路边缘和消失点的道路边界检测方法;在深度估计方面,我们介绍了深度估计的相关知识,并阐述了基于图像分割结果的深度估计方法。为了实现对道路场景图像的分割和理解,首先我们通过高斯混合模型对图像进行聚类,并提出了一种获得聚类中心的方案,在分类图像上,我们利用边缘作为约束进行区域增长,得到天空区域图和道路区域图;然后我们基于道路区域利用纹理方向直方图对候选消失点的选择范围进行限定,再利用基于纹理特征的消失点检测方法提取远消失点;在得到道路消失点位置之后,我们基于道路边缘图像和消失点位置使用双曲线模型对道路边界进行拟合;最后我们基于区域提取结果和道路边界对图像进行深度估计,得到包含天空、道路和背景的深度图像。通过实验证明,本文提出的算法适用于较为复杂的道路场景,能够正确的对道路和天空区域进行提取,可以准确的获取消失点的位置和正确提取道路边界的曲线模型,具有良好的鲁棒性,并提供了基于道路延伸趋势的深度估计方法。