论文部分内容阅读
智能车辆的自主导航系统,是一个集视频采集、道路检测、辅助驾驶等多种技术于一体的综合系统。其中,道路检测是自主导航系统的关键技术之一,采集的视频图像是自主导航系统感知外界环境进行道路检测的重要来源。本文主要针对车辆行驶过程中采集到的视频进行道路检测。实际的道路往往可以分为结构化道路和非结构化道路两种。结构化道路具有明显车道线和边界,可根据车道线或者道路边界来识别；非结构化道路一般无车道线或者边界线不清晰,又因阴影或水迹的影响,识别起来比结构化道路困难。本文主要对非结构化道路进行道路检测。支撑向量机(SVM-Support Vector Machine)是目前理论上最好的分类器,本文在H.Jeong等提出的梯形模型的方法[1]的基础上,采用SVM进行道路检测。主要工作有以下几个部分组成：1.提出了基于梯形模型和支撑向量机的道路检测方法。算法先对视频中提取的图像帧进行预处理——用PCNN(Pulse Coupled Neural Network)阴影去除方法消除道路上的阴影,然后用卡尔曼滤波及EM(Expectation Maximization)算法进行处理,接着用SVM得到道路的检测结果,再进行后期处理,最终得到道路的边缘,从而实现了道路边缘的检测。实验表明,本部分的方法比H.Jeong等提出的基于梯形模型及BP(Back-Propagation)网络的方法达到了更好的道路检测效果。2.针对不同特征的道路,提出了一种采用模糊支撑向量机的面向模型的道路检测方法,即基于梯形模型和模糊支撑向量机(FSVM)的方法,进一步将非结构化道路简单的分为直道和弯道,设计出相应的最优分界面——不同的支持向量机。然后,根据隶属度函数选择进入相应的支撑向量机进行道路检测。实验表明,本部分方法的道路检测效果比第一部分有所改进,同时,对不同道路具有更好的泛化特性。3.针对基于梯形模型和FSVM的方法涵盖的非结构化道路有限、且易出现误判的情况,提出了基于梯形模型和Ada-SVM的道路检测方法。Ada-SVM算法通过使用变化着的参数σ试图更好地训练SVM学习器,从而达到提高分类器的分类精度的目的,形成最终的分类器,再用最终的分类器进行道路检测。实验表明,本部分的方法比H.Jeong的方法及本文中的前面两种道路检测方法效果都好,泛化能力也比较高。