非结构化道路环境理解ppt课件

1、非构造化道路图像了解非构造化道路图像了解一一.道路图像了解综述道路图像了解综述道路检测道路检测延续帧道路检测延续帧道路检测道路偏离检测道路偏离检测道路识别与跟踪道路识别与跟踪1.道路检测1.1 基于特征的方法基于特征的方法1.1.1 道路区域检测道路区域检测 1.1.2 道路边缘检测道路边缘检测1.2 基于模型的方法基于模型的方法1.2.1 建立道路模型建立道路模型 1.2.2 提取车道线像素提取车道线像素 1.2.3 拟合车道模型拟合车道模型 1.1 基于特征的方法基于特征的方法基于特征的方法不需求道路的几何构造信息, 主要利用图像中道路区域的颜色、纹理、边缘等低级特征从图像中检测出路区域或

2、路边缘。1.1.1 道路区域检测 灰度直方图 聚类的方法 用颜色特征检测道路 纹理特征 概率 道路区域检测可以看成是一个图像分割问题。图像预处置：选定感兴趣区域, 消除噪声，边缘加强边缘抽取：常用的边缘算子包括Canny、Roberts、Laplace、Prewitt、Sobel等算子二值化:阈值的选取Hough变换可以得到延续的道路直线1.1.2 道路边缘检测1.2 基于模型的方法1)建立道路模型对道路外形的假设2)提取车道线像素边缘检测、哈夫变换、模板匹配3)拟合车道模型直接拟合、哈夫变换和似然函数方法。2.延续帧道路检测 将图像处置限制在上一帧图像的结果的邻域可以显著提高道路检测的速度,

3、 降低对硬件的要求, 满足实时性要求。感兴趣区域上帧边缘k邻域作为下次边缘检测的区域在感兴趣区域进展边缘检测3.道路偏离检测 道路偏离检测是在道路检测的根底上, 不仅给出道路信息, 还要给出车辆偏离道路中心的信息。基于偏移间隔的方法： 车体中心与道路中心的准确偏移间隔基于偏移角度的方法： 车辆行进的方向偏离车道线方向4.道路识别与跟踪 道路识别与跟踪系统建立在道路模型、运动学模型和动力学模型的根底上, 系统不仅要给出道路参数, 还要给出车辆相对于道路的位置信息和运动信息。道路识别与跟踪常用的方法：卡尔曼滤波、粒子滤波二二.非构造化道路图像了解非构造化道路图像了解构造化：高速公路、城市道路非构造

4、化：越野环境、乡村道路非构造化环境了解更具挑战性：道路外形不规那么没有明确的边缘光照、景物、天气复杂多变 外形的不规那么，边缘的模糊，决议了非构造化环境了解只能采用-基于特征的区域检测方法非构造化环境地形分类 基于颜色特征的地形分类 基于纹理特征的地形分类 颜色纹理特征交融 自动学习1.基于颜色特征的地形分类基于颜色特征的地形分类Manduchi提出一种方法，采用大量且多样化的特征数据来训练，以消除光照所产生的影响。运用高斯混合模型进展分类。该算法可以消除光照阴影的影响但是对50米以外的场景，会有错误的分类Buluswar等人提出运用多变量决策树来学习不同的地形所占据的RGB颜色空间区域。随后

5、，Manduchi又提出了一种仅用一个典型光源下的地形图像来训练模型的方法。运用典型光源下的每一类颜色统计的知识来预测在新场景下的光照类型。已有人证明，错误分类不能仅仅依托颜色特征而被去掉。2.基于纹理特征的地形分类基于纹理特征的地形分类Castano提出了一种基于纹理特征的地形分类方法，运用基于多尺度-多方向的Gabor滤波器组提取的特征基于Garbor纹理特征的分类效果普通，但是涉及到大量的滤波，对于计算具有较高的要求。a.原图b.手动标志c.混合高斯模型d.直方图模型另外，还有其它的基于纹理特征的道路图像了解算法： 基于小波变换 基于离散余弦变换(DCT) 基于灰度共生矩阵3.颜色纹理特

6、征交融颜色纹理特征交融由于运用单一的特征对地形分类无法获得令人称心的结果。Shi等人提出颜色特征与纹理特征结合的方法。基于高斯混合模型的非构造复杂环境地形分类3.1 特征提取颜色特征：采用YIQ颜色空间 计算每个特征窗口的颜色平均值及协方差，得到9维颜色特征向量每幅图像分割成无重叠的16*16 大小的子图像，称为特征窗口纹理特征： 对特征窗口先进展离散余弦变换。 在每个区域内按下式计算能量值，选择N=4可得到 13维的特征向量，对于一个2N*2N的特征窗口将颜色特征与纹理特征合并，可得到22维的颜色纹理特征。GMM：类条件似然密度模型的参数是由高斯分布的均值向量和协方差矩阵决议的。普通采用迭代

7、方法，建立训练数据的最大似然方程，然后采用EM算法对类参数进展评价一种分类战略一种分类战略选定任一特征窗口，与周围邻域的8个特征窗口可以构成一个33的小矩形。设每个小窗口属于最大类条件似然概率这一类。经过GMM求出每个特征窗口属于某一地形类别的最大类条件概率密度。对于9个特征窗口，选择属于类别k (k=1,2,.T)的个数Jk及类条件似然概率Pj，j=1,2, Jk。其中J1 + J2 + Jk =9。然后计算属于各个类别k的平均类条件概率kJjjkkPJP11假设kiPPik,那么，当前中心窗口就归为k类。除了GMM+颜色纹理特征算法，还有SVM+颜色纹理特征等方法，也能得到较为称心的结果。

8、4. 面向可通行区域分类的自动学习算法面向可通行区域分类的自动学习算法有监视学习的方法，需求大量有标志的样本作为训练样本。然而在实践情况中，对大量样本进展人工标志是极其繁琐和费时的。自动学习正是为有大量未标志样本效力的，它能自动决议哪些样本需求标志，以用较少的标志样本到达良好的学习效果。Dima首先将自动学惯用于可通行区域分类中，挑选最有“兴趣的1020幅图像交由专家标志。Tong提出交互式SVM自动学习算法，即SVMactive。初始化初始化L用用L训练训练SVM分类器分类器用用SVM去分类去分类U能否符合要求能否符合要求终了终了是是选择间隔超平面最近的样本交选择间隔超平面最近的样本交由专家

9、标志由专家标志否否L是空集，U包含一切未标志样本SVMactive的原理图KSVMactive:为理处理样本数不平衡问题，采用SVM超平面位置校正算法，根据上次迭代中专家标志与当前SVM分类结果的差值，调整本次迭代过程中超平面的位置。在超平面附近，聚集大量类似程度很高的样本，SVMactive的方法是：按间隔超平面最近的样本交由专家标志的方法，效率较低。KSVMactive采用非监视的K均值聚类选取最有代表性的样本。聚类中选择的样本需求满足三个条件：1.样本与SVM超平面间隔要近2.样本间的类似程度要高3.与已标志样本的类似性程序要低)()(1 ()()(ioutiiniixSimxSimxDisxScore具有最小得分值的样本被以为最有代表性的样本，选出交由专家标志。KSVMactive的原理图L是空集，U包含一切未标志样本用用SVM去分类去分类U超平面位置校正超平面位置校正重新分类重新分类U能否符合要能否符合要求求终了终了是是聚类选出最有代表性的样聚类选出最有代表性的样本交由专家标志本交由专家标志否否初始化初始化L用用L训练训练SVM分类器分类器运用三种不同方法