论文部分内容阅读
视觉信息是交通环境中的主要信息,因而机器视觉技术是智能车辆系统(IVS,Intelligent Vehicle System)中不可缺少的组成部分,具有巨大的潜在应用价值。用机器视觉方法对交通环境信息进行提取和识别,获得的结果能够直接用于智能车辆的辅助驾驶或自动导航中。论文首先介绍了智能车辆在国内外的发展情况,并介绍了各大公司及其研究机构在智能车辆开发方面的成果和产品。介绍了机器视觉在辅助导航系统、自适应巡航控制系统、自动走或停辅助系统、交通信号识别系统和辅助换道系统等智能车辆中的应用。最后介绍了上个世纪80年代以来机器视觉算法的发展状况。论文讨论了几种常用的计算复杂度较小、计算量较小的图像增强算法对道路图像的处理效果。通过实验结果的比较,发现对于道路识别系统采集到的图像,采用直方图均衡化变换的方式处理图像效果较好,对于道路识别有一定程度影响的雨雪条件下的雨雪颗粒采用椒盐噪声对其进行模拟,发现采用二次一维中值滤波的效果较好,可以得到和二维中值滤波相近的结果。分析、比较了6种经典的微分算子检测边缘算子:Roberts算子、Sobel算子、Prewitt算子、拉普拉斯算子、Canny算子及LoG算子。得出结论为,在计算量和计算复杂度上,LoG算子和Canny算子都是比前面几种一阶微分算子复杂很多,计算量也较大。道路图像边缘检测的效果的比较可以看出Sobel算子不仅计算量小,算法简单,而且对噪声条件下的图像检测效果都比较令人满意,受噪声影响比较小,检测结果的边缘比较连续,定位也比较准确,误判点较少。论文提出了结构化道路图像模型,采用道路边缘搜索算法,对道路图像的边缘进行提取,采用结构化道路检测与识别算法。对于车道线的搜索采用了动态预测四边形检测区域,然后对搜索的特征点采用鲁棒的直线拟合方法。从而识别出道路图像标志线的边界。由于算法是基于结构特征与统计特征的,所以在实际应用中具有较强的鲁棒性。