论文部分内容阅读
道路追踪主要包括道路检测和障碍物检测两个组成部分,实际的道路往往可以分为结构化道路和非结构化道路两类。由于结构化道路形状规则,已经进行了很多次的研究,所以本文主要针对非结构化道路进行研究。与结构化道路具有明显的分道线标志、清晰的道路边界以及均匀的特征分布的特点不同,非结构化道路具有形状不规则、没有分道线标志、路面容易存在破损和裂痕、颜色或纹理特征不均匀、以及光影、水渍的影响严重等问题。本文从道路分割和边界识别入手进行了研究。主要内容包括:
⑴对道路区域进行分割,从而把道路检测问题转化为图像分割问题。图像分割是指按照一定的相似性准则将图像分成几个有意义、互不重叠的区域。阈值法由于计算简单而被广泛应用到图像分割中。虽然Otsu方法在道路检测实验中体现出良好的性能,能够有效抑制路面缺损、灰度不均、光影、水渍对检测结果影响,具有较好的实用性、鲁棒性和实时性,但是分割效果不理想,所以对Otsu算法进行了改进,用改进的Otsu法对图像进行多次划分,然后借助于路面参考区域的信息合并属于路面的区域,从而提高道路区域划分的精度。
⑵通过道路边界的识别把道路检测问题转化为边缘检测问题。首先对原始动态图像进行边缘提取,然后用Otsu法分割的二值图像对Canny算子提取的边缘图像进行滤波,最后利用Hough变换和最小二乘法对边缘图像按深度优先原则进行曲线拟合,提取道路图像若干主曲线,利用选定的道路边界细化出精确的道路区域。
⑶实验结果表明,在对原始的动态图像进行预处理后,使用改进的Otsu法进行阈值分割,在分割的过程中引进了模糊粗糙集的概念,并且将分割后的二值图像对Canny算子提取的边缘图像进行滤波,消除复杂背景或路面光影产生的部分边缘,最后利用Hough变换和最小二乘法对图像进行曲线拟合。同原始处理方法相比较,使用改进后的算法处理图像,不仅提高了算法的自适应性能,也使复杂环境下道路识别的精确性和鲁棒性得到了优化,能满足实际的应用需求。