基于支持向量机的非结构化道路检测

摘要：机器视觉检测非结构化道路边缘的难点在于路面像素与非路面像素特征差异复杂,本文使用支持向量机分类算法实现了非结构化道路的边缘检测。算法引入感兴趣区域来消除环境噪声,并通过交叉验证方法优化了算法参数,最后在支持向量机的分类结果上使用霍夫变换提取道路边缘。Matlab实验证明算法具有很好的准确性和鲁棒性。     

基于形状先验和在线鉴别性分析的道路检测

基于视觉道路检测是无人车视觉导航和高级驾驶员辅助系统的关键技术,本文提出了一种基于道路形状先验和在线鉴别性分析的道路检测方法. 该方法利用已标记道路图像样本,训练得到道路形状字典,进而使用稀疏表示方法识别道路形状类型;通过道路形状的识别,获得准确的道路形状先验信息,从而得到非路区域和道路区域在颜色空间上的分布;基于这两类分布,进一步引入鉴别性在线选择方法寻找最大鉴别颜色通道图像,该通道图像能易于分割出道路区域,从而实现了一种基于鉴别性分析的道路检测方法. 在标准库和自建库上的实验表明本文方法能有效提高道路检测的准确性和鲁棒性.      

基于改进区域生长和小波变换的非结构化道路检测

针对在复杂场景的非结构化道路中,由于众多的环境干扰因素从而不能准确检测车道线的问题,提出了一种基于改进区域生长法和小波变换相结合的非结构化道路检测算法。根据大多数情况下道路区域在车载摄像头的正下前方及道路区域与道路两旁背景灰度值的一定差异,来有效地选取区域生长的种子点及生长原则进行区域生长道路初分割。同时结合基于小波变换的边缘检测来修正由于初分割道路受复杂环境导致道路检测不准确的情况。实验结果表明,该算法能够较准确地检测出受光照等因素影响的道路区域,且具有较高的准确性。     

运动目标识别与跟踪的模板匹配算法改进及仿真研究

针对传统模板匹配算法存在运算量大,以及干扰物中有部分区域和目标形状相同时识别率差的问题,改进传统的模板匹配算法,并在MATLAB6.5环境下,应用改进的新算法对简单背景中的运动目标进行计算机识别与跟踪仿真.新算法先对识别区域进行扫描点检测,判断该点是否满足要求再进行模板匹配运算;当某些干扰物体中某部分区域与目标模板相同时,采用自动模板更新的方法进行区分.仿真实验结果表明,改进的模板匹配算法大大减少模板匹配的运算量,并且可以有效地排除干扰物体对目标识别的干扰.     

基于类Haar纹理的非结构化道路消失点检测

在非结构化道路识别算法的研究中,因其在复杂道路环境下表现出较强的鲁棒性,基于纹理特征的道路消失点检测成为了学术研究的重点。因此,为了能够准确的检测出非结构化道路中的消失点,提出一种基于类Haar纹理的非结构化道路图像消失点的检测方法,即首先设计多尺度多方向的类Haar纹理的实部与虚部模板,利用积分图技术以及垂直投影法快速计算出图像像素的纹理主方向,再采用改进的局部软投票法选出分数最大的点作为初始消失点,最后通过现有两种不同的消失点检测方法与提出的算法进行对比实验。实验结果表明提出的算法可以显著提高非结构化道路消失点的检测性能。由此得出该方法具有良好的实时性、准确性和鲁棒性。     

一种高分辨率遥感影像城区道路网提取方法

提出一种高分辨率影像城区道路自动提取新方法.该方法首先引用经典的Mean-Shift算法实现道路图像的初步分割,再合并灰度相似的区域,依据直方图准则选取合适的阈值进行二值化分割；然后,引入形状因子(面积、长宽比等)去除混杂在图像中与道路形状特征不相似的区域；对于仍然与道路相连的非道路区域,构造多方向形态学滤波的方法剔除,提取独立的道路区域,最后连接断裂的道路线,实现道路网的提取,并对多幅高分辨率城区影像进行试验.研究结果表明:该方法能很好地实现从复杂环境中提取道路网,特别是对直线型道路的提取精度更高.     

环形向量非局部SAR图像降噪算法

提出一种基于环形向量的非局部SAR图像降噪算法.根据像素点的主方向提取环形向量,计算环形向量各自的特征向量.基于特征向量计算相似度权重,该方法的时间复杂度明显优于NL-Means的矩形模板匹配算法,且相似点匹配具有旋转不变性.通过仿真实验验证了该算法的计算速度和旋转不变性能,匹配效果明显优于NL-Means,降噪结果的峰值信噪比和结构相似度优于BM3D、BLS-GSM等主流降噪算法.     

向量空间彩色图像的Canny边缘检测

针对Canny算法检测边缘的准确性,提出了基于Canny算法的彩色图像边缘检测方法.根据Canny算法的特性,用近似高斯函数的滤波器平滑图像;利用梯度模板计算图像的向量梯度及方向角,并依据方向角对梯度图像进行非极大值抑制;计算高、低两个阈值,基于8邻域连接边缘点.实验结果证明,该方法继承了canny的性能,并充分利用了彩色信患,能较好地检测出彩色图像边缘.     

一种改进的边界法向量叠加疑似肺结节提取

对边界法向量叠加法进行改进,提出一种基于局部形状约束和自适应设定法向量大小的边界法向量叠加疑似肺结节提取方法.首先用自适应阈值方法对肺实质图像进行分割,得到初始ROI区域;然后判断初始ROI区域边界点的局部凸凹性特征,对满足凸性特征的边界点计算法向量方向,并且自适应设定法向量的大小,将初始ROI区域的边界点法向量叠加;最后对局部最大叠加值进行选择,可以检测出不同大小的圆形疑似肺结节.边界法向量叠加前使用局部凸凹性特征约束,能减少法向量叠加计算量;自适应设定法向量大小能克服检测固定大小肺结节的局限性.实验结果表明,改进算法可以较好地检测疑似肺结节区域,对不同大小的肺结节都有很好的适用性.     

多层感知器自监督在线学习非结构化道路识别

针对智能车辆非结构化道路识别中存在的环境自适应性和在线学习算法实时性问题,提出了一种结合多线程技术和多层感知器自监督在线学习技术的道路识别算法. 通过识别结果在线自动更新训练集,并利用评估函数判断是否触发重训分类器,确保当前分类器对行驶道路环境的有效识别. 同时,算法中道路图像采集、分类器训练、训练集更新、分类器识别等计算操作分别在各自线程中实现,利用信号量对数据流进行同步互斥,优化计算资源,充分利用了多层感知器分类计算快的特点,并克服其训练耗时问题. 实际道路检测实验结果表明,算法具有较好的自适应性及实时性,能够满足智能车辆非结构化道路导航需求.