论文部分内容阅读
道路提取是无人驾驶视觉导航中的一个关键技术。由视觉传感器可以获取丰富的环境信息,并且具有环境感知潜力大、成本低等优势,因而基于视觉的道路提取成为无人车领域的研究热点。然而,真实的道路场景十分复杂,这使得基于视觉的道路提取成为一个非常具有挑战性的问题。本文以无人驾驶汽车视觉导航为应用背景,充分利用道路消失点、道路主边沿、道路形状、超像素块等结构信息,围绕复杂场景下基于视觉的道路提取问题展开研究,完成的主要工作如下:1、提出了一种基于多种群遗传算法(MPGA)的快速道路消失点提取方法。针对目前道路消失点提取算法运算速度较慢的问题,该方法使用基于多种群遗传算法(MPGA)的候选消失点选择策略,对候选消失点进行启发式的搜索,大大减少了候选消失点投票值的计算次数,从而提高消失点的提取速度。同时,针对提高道路消失点提取精度问题,该方法将候选消失点和投票点之间的方向偏差信息和距离信息同时融入到消失点提取中,提高了消失点提取的精度,为后续的道路提取打下基础;2、提出了一种适用于复杂道路场景的GrowCut种子点选择算法。针对道路场景中出现的阴影和遮挡物影响道路分割的问题,该算法使用道路消失点信息划分聚类区域,然后使用聚类算法在道路和背景区域自动选择GrowCut种子点。该方法能够自动避开道路中的遮挡物和颜色纹理差别较大的区域,为使用GrowCut进行道路提取打下基础;3、提出了基于GrowCut的道路提取方法。该方法在超像素层上使用GrowCut算法框架进行道路提取,同时,使用光照不变特征和颜色特征来度量超像素之间的距离,提高了GrowCut算法在道路提取上的稳定性;4、提出了一种使用高层信息对道路区域进行优化的方法。该方法在条件随机场框架下同时引入了道路消失点和道路形状先验两种高层信息,以引导道路提取按照正确的方向进行,并提高了道路提取的稳定性。为了验证所提出算法,本文进行了大量的对比实验评估了算法的平均性能、尺度不变性、噪声敏感性和雾气敏感性。实验结果表明,本文所提出的道路提取方法具有较好的综合性能,对复杂的道路场景具有较强的适应能力。