论文部分内容阅读
在中国每年大约有超过200,000人死于车祸,多达90%的事故是由司机的失误引起的[1]。自动驾驶有助于减少人类因素造成的交通事故。在结构化道路中如何按照道路交通法规正确行驶是自动驾驶技术的挑战之一,而按照交通法规正确行驶的前提就是进行道路交通标线的检测,例如:如何检测直行指示标线和转弯指示标线、掉头和禁止掉头标线,车道线等线型目标以及禁止停车等几何线型目标等。现有的基于道路模型、基于视觉注意机制和基于学习的目标检测和识别方法存在检测精度不高、鲁棒性差等不足;并且传统的道路检测主要针对车道线和路侧交通标志的检测,鲜少有针对路面交通标线的检测和识别。基于此,论文首先分析道路交通标线及显著性相关原理。其次在充分利用道路交通标线多种特征的基础上,提出基于视觉注意机制的道路交通标线检测方法对道路交通标线进行检测;针对样本的不平衡权重分布以及训练集的异常值问题,本文提出视觉感知结合学习的道路交通标线识别方法对道路交通标线进行识别。最后在结构化道路环境下,基于本文数据集论文对算法进行测试及验证。论文的研究内容及主要创新成果包括以下几个方面:(1)提出一种基于视觉注意机制的道路交通标线检测方法。首先,在利用颜色特征向量和轮廓特征向量建立空间上下文显著特征的基础上,建立一种基于上下文信息的道路交通标线层次显著性检测模型;其次,采用余弦相似性度量的方法融合多层显著性特征,得到道路交通标线的显著图;最后,利用滑动窗口和非极大值抑制的方法对道路交通标线进行粗定位。(2)提出一种视觉感知结合学习的道路交通标线识别方法。在分析多分类Real AdaBoost算法的基础上,针对样本的不平衡权重分布以及训练集的异常值问题,本文提出一种异常值鲁棒的MR_AdaBoost算法,并结合HOG特征训练分类器。通过分类器论文完成测试图像的道路交通标线识别。(3)在结构化道路环境下进行算法测试及验证。论文采用国际公开的评价指标DET、ROC、MAE和PR曲线对算法的性能进行评估。算法测试结果表明,论文算法与几种主流的显著性检测算法相比,基于视觉注意机制的道路交通标线检测算法在MAE和PR曲线方面具有较好的表现。视觉感知结合学习的道路交通标线识别方法在多分类结果中达到90%以上的识别精度,并且具有较高的真阳性率和较低的假阳性率。