论文部分内容阅读
道路检测的主要目的是理解和分析由传感器获取的不同交通道路场景的图像信息,是为了能够确保车辆能够行驶在可行驶区域上的重要手段,为智能交通给人们带来便利的实现做基石,而道路图像的分割是道路检测的首要环节。图像分割通过实现共享一定的相似属性,将图像中有意义的、感兴趣的区域提取出来,该区域与其它区域之间一般会呈现较明显的特征差异,从而为后续分割工作提供有价值的信息。在现实生活中,交通道路因含有车道标识线、道路形状、障碍物等信息也具有其自身的复杂性,使得传统的道路分割方法大多局限于灰度图像,并且存在边界丢失、模糊等质量问题。因此,借助机器学习的方法来理解道路路况信息,实现道路图像分割是不错的选择。本文尝试在自然图像上使用超像素算法,发挥其保留精确边界的特质;在此基础上,又研究了关于特征选择和分类问题,改进道路图像的分割效果。本文主要进行了以下两方面的研究工作:(1)针对传统的以像素为单位的图像分割方法,提出基于超像素的区域生长算法。基于超像素的分割算法是一个更自然的、且具有语义特征的学习方向。选择在CIELAB颜色空间计算像素之间的近似程度,利用SLIC超像素算法生成大小均等数目可控的超像素块,获得超像素块边缘信息图,解决基于像素方法分割不精确的问题。然后再以边缘像素进行多种子点区域生长,规范生长规则,克服不能得到封闭边界的缺陷,最终得到一个或多个纹理目标区域的道路图像分割。(2)整合了先聚类后分类的浅层机器学习模型思想,提出一种基于超像素和随机森林的算法。使用SLIC超像素生成方法对图像进行聚类,获得图像局部特征子区域,改进以同质超像素为基本的特征表达。然后选用优于单分类器的集成分类器随机森林方法进行分类,优化其训练样本选择参数,提升边界贴合度与完整度,更好地对纹理平缓和纹理较为剧烈的区域提升分割精度。