论文部分内容阅读
随着人工智能的发展,越来越多的企业开始涉足无人驾驶领域。目前,国内外对结构化道路检测的理论研究已经相当成熟,研制的无人驾驶汽车也均选择在高速公路或者结构化程度较高的城市道路上进行路测。而非结构化道路由于环境的复杂性,目前的研究大部分还处于实验室阶段,尚不能满足智能车辆实用化的要求。智能驾驶主要分为道路识别、障碍物检测和交通标志检测三个部分,本论文提出了一种基于机器视觉的非结构化道路检测方法,它主要侧重于道路识别部分。该方法主要分为对静态图像进行预处理、分割、边沿识别三个部分,本论文针对这三个部分均做了深入研究。在图像预处理阶段:首先将RGB图像转换到HSI彩色空间,在该空间中只有色度和饱和度分量包含图像的色彩信息,然后使用中值滤波算法去除图像噪声。为了减小图像的尺寸,在色度分量中使用归一化互相关法预测道路终点的位置,并将终点线以下的色度和饱和度分量保存为同等大小的子图像。在图像的分割、融合阶段:利用二维最小Tsallis交叉熵法在色度、饱和度子图中分别求取最佳阈值并进行分割。通过分析道路的特征信息,本论文采用逻辑运算的方法对分割后的二值图像进行融合降维。在融合后的二值图像中,道路区域大部分为白色,非道路区域大部分为黑色。而且相较于灰度图像的一维OTSU、二维OTSU法以及彩色图像的二维OTSU法,二维最小Tsallis交叉熵法的分割效果要更好一些。在道路边沿的识别阶段:首先使用形态学操作对融合后的二值图像进行轮廓平滑,提高二值图像的质量。然后根据曲线拟合的原理将道路图像分成数段,利用改进后的双折线法对融合后的非结构化道路图像进行边沿识别。在最终的识别效果图中,道路边界围成的白色区域为车辆的可通行区域。与常用的Hough线检测结果相比,双折线法通用性更强。选取沥青、水泥、土路三种不同材质,以及阴影较多和有弯道的道路图像进行实验,仿真实验表明该方法具备可行性。本论文使用MATLAB语言编写算法,并且完成了上位机界面的设计。创新之处在于选择使用图像的彩色信息进行直接处理,提取有用的信息,而传统的方法需要先将彩色图像转换为灰度图。为了减少后续求熵的计算量,论文中引入了归一化互相关法,在色度分量中使用该方法可以预测道路终点的位置,从而进一步减小图像的尺寸。