彩色图像信息的提取与分析在道路识别中的应用

摘要

视觉信息是交通环境中的主要信息，因而光学导航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。道路识别技术是光学导航技术的基本功能，同时也是最核心的功能。通过道路识别技术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当中。
　　论文首先介绍了国内外智能车辆的发展状况以及道路识别技术在智能车辆中的应用、发展与现状，详细讨论了智能车辆系统中的道路检测与识别问题。论文以恶劣的路况及大面积光照不均现象为切入点，立足于对获取的道路图像中彩色信息的挖掘，对不同的道路结构分别进行了较为深入的分析和研究。
　　文章的算法采用了一种均匀的颜色空间——CIE L*a*b*，对该颜色空间的均匀性进行了仔细的分析。与此同时，从空间亮度分量与颜色分量不相关的特点及色差理论出发，对彩色道路图像进行了分析。将道路按道路结构划分为结构化道路、部分结构化道路及非结构化道路三类，分别针对三种道路的特点讨论了三种识别算法：
　　结构化道路具有标准化的特点，本文利用其标准化的道路标识，给出了一种基于颜色特征的道路标识检测算法，算法对传统的道路标识检测方法进行了改进，具有识别准确率高，算法鲁棒性好的特点。
　　利用部分结构化道路其道路边界相对规则的特点，本文改进了一种基于颜色识别的CGS（Color Grads Sobel）算子，并将其应用于道路识别当中。通过该算子识别出图像的彩色边缘后，利用Hough变换能够较为准确的识别出道路边缘。改进后的算子检测速度大为提高，同时利用最大类间方差法消除了图像中大量的弱边缘，图像分割的质量较高，效果明显。
　　非结构化道路的识别一直是道路检测算法中的难点，本文基于非结构化道路中道路区域颜色为渐变或者是不变的基本假设，在利用颜色空间的基础上改进了传统的区域生长算法，并利用形态学滤波的后续处理从而能够较好的标识出非结构化道路的路面区域。该算法对于大面积阴影、光照不均及道路泥泞等现象带来的干扰具有极强的抑制作用，对路面区域识别准确。
　　本文算法能够很好的解决光照不均、大面积水渍等干扰带来的强烈影响。与普通的灰度图像识别算法相比较，在准确度及鲁棒性上有较大的优势。为智能车辆及智能机器人的研究提供了有力的保障。

目录

封面

中文摘要

英文摘要

目录

1 绪论

1.1 引言

1.2 智能车辆系统中机器视觉的研究范围

1.3 国内外研究现状与课题意义

1.4 本文研究的目的和研究内容

1.5 论文内容安排

2 颜色空间与彩色图像信息初步提取

2.1 颜色空间的简单介绍

2.2 CIE L*a*b* 颜色模型

2.3 L*a*b*颜色空间中色差的表示

2.4 本章小结

3 城市结构化道路的检测方法

3.1 城市结构化道路检测方法的发展现状

3.2 基于道路标识颜色特征的道路识别方法

3.3 本章小结

4 部分结构化道路的检测方法

4.1 彩色图像算法流程

4.2 边缘增强技术

4.3 图像分割

4.4 Hough变换简述

4.5 实验结果与分析

4.6 本章小结

5 非结构化道路的检测方法研究

5.1 非结构化道路特点及算法假设

5.2 算法流程及图像预处理

5.3 区域生长算法

5.4 形态学滤波处理

6 结论与展望

致谢

参考文献