智能图象理解系统和ALV二维视觉理解系统研究

摘要

计算机视觉问题至今仍是个难题，建立在旧框架上的研究受到挫折，建立在新方法上的研究还未能形成新的气候。在这种时候，研究智能化的，即基于知识的视觉系统有一定的现实意义，至少可以解决不少现实问题。研究表明，在视觉系统中使用知识，可以获得减小不确定性，提出了一个独具一格的基于知识的视觉系统框架，探讨了在计算机视觉系统中使用知识的途径，并且在其中使用了一种基于消息传送的黑板推理调度机制，克服了传统家系统方法直接应用带来的一些问题。计算机视觉系统要求能够解决实际问题，而很多视觉任务要求系统有实时处理的能力。为了探讨在当前条件下使用什么方法可获得最佳实时方案，论文的第四章对视觉系统的实时实现进行了系统的研究，分析和比较了三种主要的算法加速方法，即基于多DSP处理器加速方法、基于面向算法的硬件加速方法和基于高效能多CPU通用计算机方法，特别是深入研究针对通用计算机的算法优化和算法加速的各种途径，提出了高性能通过计算机再加上一块专用图象数据通道硬件卡，用于解决中等难度实时视觉处理问题的解决方案。这种方案在在性能、速度和代价上都具有一定的优势，可做为大部分实时视觉系统首选的方案。论文的大部分工作是结合ALV二视觉系统进行的。ALV(地面自主车)在过去的二十多年内一直是前沿研究的一个热点。但是由于ALV面临的环境复杂而难以预测，所以对视觉系统性能要求极高。针对这种要求，论文全面地研究了ALV二维视觉算法，着重采用多信息融合使用有关景物的知识，构建了一个基于知识的道路景物理解系统KRUS，检测和结构化道路车道白线跟踪等其他一些方法。这些算法集成到一起，可构成一个完整的多功能道路景物理解系统。ALV的进一步研究是

目录

文摘

英文文摘

第一章序言

1.1计算机视觉基本方法和问题

1.2本文的研究背景、内容和完成的工作

第二章基于知识的计算机视觉系统

2.1基于知识的计算机视觉系统综述

2.1.1系统基本情况

2.1.2几个典型的基于知识的计算机视觉系统

2.1.3基于知识的视觉系统的基本内容

2.2一个基于知识的视觉系统框架

2.2.1系统的总体构成

2.2.2系统主要部分具体内容

2.2.3基于消息传送的黑板调度机制

2.2.4系统开发辅助工具和知识库描述语言

2.2.5基本目标的实现或实现方法

2.3本章小结

第三章ALV视觉系统算法研究

3.1 ALV系统概述

3.1.1 ALV发展状况

3.1.2 ALV系统的组成和关键技术

3.1.3 ALV研究的难点

3.2 ALV二维视觉系统算法回顾

3.2.1路边提取的区域方法

3.2.2路边提取的边沿方法

3.2.3 ALV中的神经网络方法

3.3一个自适应彩色道路分割算法

3.3.1算法基本思想

3.3.2算法实现

3.3.3实验结果与问题讨论

3.4道路图象边缘检测方法

3.4.1边缘检测理论基础

3.4.2道路边缘检测算子的选取

3.4.3边缘线条的提取

3.4.4实验结果

3.5一个基于知识的道路图象理解系统KRUS

3.5.1系统设计思想

3.5.2系统道路识别算法

3.5.3实验结果

3.6 ALV视觉系统其他算法简介

3.6.1障碍物检测算法简介

3.6.2道路车道白线的检测

3.7本章小结

第四章计算机视觉系统的实时实现

4.1微处理器发展现状概述

4.2面向算法的硬件加速模块

4.3基于DSP多处理器的加速模块

4.3.1 TMS320C40处理器简介

4.3.2由C40处理器组成并行加速模块

4.3.3 C40硬件加速模块的意义和不足

4.4利用通用微机系统实现实时视觉系统方案

4.4.1计算机的多层存储结构

4.4.2 MMX技术概述

4.4.3利用算法优化及MMX技术加速图象处理基本算法

4.4.4通用微机的多处理器协调工作

4.4.5图象的实时监视

4.4.6 PCI总线接口技术应用

4.5本章小节

第五章新一代ALV二维视觉系统规划

5.1新一代ALV二维视觉系统概况和特色

5.2数据通道-图象输入输出模块

5.2.1设计思想

5.2.2系统实现

5.3对新一代ALV二维视觉系统算法和软件开发的几点建议

5.4本章小节

致谢

本文和研究工作主要参考文献

作者在攻读博士学位阶段录用的论文