非结构化道路下无人车的机器视觉导航研究

摘要

随着社会文明的发展和科学技术的进步，交通安全与交通便利等问题得到了广泛的关注。近年来，随着人工智能技术有了巨大的进步，很多国家和地区开始研究无人驾驶技术。外部环境具有复杂性和多样性等特点，对无人车的性能提出了更高的要求。机器视觉导航技术具有成本低、适应性强等特点，受到了国内外广大学者的高度重视。为了提高路径识别的实时性、稳定性和适应性，为无人车的自主控制提供有力的依据，本文详细介绍了基于机器视觉的路径识别算法。
　　本文首先介绍了无人驾驶技术的背景和意义，阐述了国内外研究现状，具体分析了无人车的主要组成部分，并介绍了本文使用的无人车平台。
　　其次，介绍了图像的一些预处理方法，包括灰度变换、直方图均衡、颜色空间变换、边缘提取等。并提出了一种结合分水岭算法、边缘提取、区域合并等思想的图像分割方法。使用分水岭算法处理灰度图像，将灰度图像过分割为多个小区域;再根据边缘信息所在位置对这些小区域进行初步区域合并;最后利用最小生成树思想，结合色调、亮度等信息合并剩余区域。
　　接着讲述了图像的特征提取方法，图像特征主要有两类:颜色特征和纹理特征。这两种特征都是全局特征，描述了图像中物体表面的性质。
　　最后结合图像的特征向量，提出了基于支持向量机的路径识别方法。从输入图像的像素中提取特征向量，并建立动态训练样本库;计算支持向量机分类器的参数，在训练和分类中逐步提升支持向量机分类器的性能;形态学操作，减少误分类。最终将图像分为两类:道路区域和非道路区域。

目录

声明

摘要

第1章 绪论

1．1 课题背景

1．1．1 无人车的研究意义

1．1．2 国内外现状和发展动态

1．2 无人车总体构成

1．3 本文主要工作

第二章 无人车平台

2．1 无人车硬件平台

2．2 无人车软件平台

2．3 本章小结

第三章 视觉图像处理研究

3．1 数字图像的获取

3．2 图像预处理

3．2．1 灰度变换

3．2．2 图像滤波

3．3 边缘提取

3．3．1 梯度算子

3．3．2 Roberts算子

3．3．3 Sobel算子

3．3．4 Laplacian算子

3．3．5 Canny算子

3．3．6 几种算子的比较

3．4 图像分割算法

3．4．1 基于阈值的分割方法

3．4．2 基于边缘的分割方法

3．4．3 基于区域的分割方法

3．4．4 mean shift分割算法

3．5 本文图像分割算法

3．5．1 分水岭算法

3．5．2 改进的区域生长算法

3．5．3 路径识别试验

3．6 本章小结

第四章 图像特征提取

4．1 直线特征提取

4．2 图像特征

4．2．1 基于颜色的特征提取

4．2．2 基于纹理的特征提取

4．2．3 Gabor变换

4．2．3 灰度共生矩阵

4．3 灰度共生矩阵提取纹理特征

4．3．1 纹理信息分析

4．3．2 灰度共生矩阵分析纹理特征

4．4 本章小结

第五章 基于支持向量机的路径识别

5．1 支持向量机理论

5．1．1 线性分类器

5．1．2 函数间隔与几何间隔

5．1．3 最大间隔分类器

5．2 基于支持向量机的可行区域提取

5．2．1 基于支持向量机的路径识别算法的基本组成部分

5．2．2 基于支持向量机的路径识别理论的关键部分

5．2．3 结果

5．3 本章小结

第六章 总结与展望

6．1 结论

6．2 展望

参考文献

个人简历发表的学术论文与研究成果

致谢