基于单目视觉的机动车道路检测和跟踪研究

发布时间：2019-09-09 16:01

【摘要】：道路检测和跟踪在智能交通、无人驾驶和驾驶员安全辅助等系统中都具有重要的作用。机动车道路可以分为结构化与非结构化道路。结构化道路具有结构化的人工印刷道路标志线;非结构化道路则不存在类似的道路标志线。本文使用计算机视觉技术对单目摄像机采集到的图像序列中的道路进行检测,针对不同的道路状况分别提出三种不同的方法来完成道路的检测和跟踪,这些方法可以概括为：第一,提出基于形状约束的GrabCut算法用于道路区域的分割。该方法首先使用高斯混合模型对道路区域进行建模,然后使用GrabCut算法完成道路区域的分割。在GrabCut算法的每次迭代过程中添加道路的形状约束,并使用约束后的检测结果对道路区域的高斯混合模型参数进行更新。高斯混合模型的使用可以更加准确的描述道路区域的颜色分布,取得更加准确的道路分割效果；同时由于道路形状约束的引入,可以减少GrabCut算法的迭代次数。而在确定道路区域形状的过程中,基于自适应均值漂移算法的局部最大值检测算法被用于霍夫空间中局部最大值的检测。第二,提出基于TLD框架的结构化道路检测和跟踪算法。针对结构化道路,本文提出了基于机器学习的道路标志线分类方法。通过对道路标志线的特点的研究,分别提出了laneHAAR特征、laneHOG特征和laneCOMB特征用于道路标志线的描述。同时选用级联分类器的结构进行待测图像的预测从而可以满足道路检测实时性的要求。为了解决长时间跟踪中道路标志线的变化,本文采用TLD框架对道路标志线模型进行在线训练和更新。PN学习结合道路标志线的对称性、宽度以及颜色信息作为正负约束对检测得到的道路标志线样本进行二次筛选,用于道路标志线模型的在线训练。在道路跟踪中,通过帧间预测可以减少分类器的检测样本的数量,进而提高检测算法的效率。第三,提出基于平行主动轮廓模型的道路检测算法和基于卡尔曼滤波器的道路跟踪算法。平行主动轮廓模型把结构化和非结构化道路纳入统一的算法框架进行处理。本文首先通过移除传统主动轮廓模型中循环矩阵的首尾约束,并且引入拉伸力来获得开环轮廓模型;然后为了把平行性约束引入开环主动轮廓模型中,逆透视映射变换被用来恢复道路左右边沿的平行性结构信息。在此基础上,为了使主动轮廓模型可以在梯度比较小的道路中心区域获得足够的外部能量函数,在主动轮廓模型中加入扩张力,从而可以把两条平行主动轮廓模型往道路的左右两边推挤,使其最终收敛到道路的左右边界。本文还通过利用道路区域的连续性,使用齐次马尔科夫链对道路场景序列中道路模型进行建模,从而可以使用参数预测算法对后续帧中的平行主动轮廓模型的初始参数进行预测；同时使用卡尔曼滤波器对道路检测算法的检测噪声进行建模,用以减小错误的检测结果的影响。
【图文】：

图 1 3 无人驾驶汽车典型项目（从上到下，从左到右依次是：NavLab-11，奥迪，意大利ARGO，谷歌，雷克萨斯，国防科大的红旗 3）最早的无人驾驶汽车是由通用汽车公司在 1939 年世界博览会上推出的 BelGeddes [12]，它由埋藏在道路上的电路供电并且通过无线电进行控制。而直到1979 年，真正意义上基于视觉的无人驾驶汽车才在日本研制成功 [13]。美国DARPA 挑战赛 [14] 为全球的智能车辆研究人员提供了一个国际交流和竞技的平台，该项目中比较突出的智能系统有来自 Stanford 的 Stanly 智能车 [15] 以及来自 CMU 的 BOSS 智能车系统 [16]。在用于高速公路自主导航的智能车项目中具有代表性的有：美国 CMU 的 NavLab-5 系统 [17]、德国联邦国防大学的VaMP 系统 [18] 以及意大利帕尔玛大学的 ARGO 系统 [19]。在这些项目中，激光传感器和视觉传感器都作为重要的外部环境感知系统被广泛的使用。我国在地面智能车领域的研究起步比较晚，其中包括清华大学的 THMR-V 系统、中国第一台无人自主车辆 ATB-1 以及其后续型号 ATB-2、ATB-3，国防科技大学

(a) (b) (c)图 2 2 (a) 原始图像；(b) 仿射变化结果；(c) 逆透视映射结果然可以使用分块插值的方法获得比较近似的场景恢复图像，但是需要复杂的标定方法。在本文中，我们使用逆透视映射进行道路结构信息的恢复。逆透视映射是一种单一摄像机下不同投影视角下不同投影平面的相互转化，，如图 2 3所示。而在道路识别中，我们期望与把摄像机与路面成夹角（仰俯角）一般小于90 度，变为与路面垂直的鸟瞰图。因为鸟瞰图是摄像机垂直拍摄道路场景，所以该图保留了道路两边的平行性信息。我们对道路边沿的检测可以在通过逆透视映射变换后的鸟瞰图上进行，从而可以方便添加平行性约束。逆透视映射变换有以下特点：1) 场景中平行于地面的物体其外形特征保留，只是大小发生变化。
【学位授予单位】：上海交通大学
【学位级别】：博士
【学位授予年份】：2015
【分类号】：U495;TP391.41

【相似文献】

相关期刊论文 前10条

1 侯德鑫;曹丽;;一种基于视频图像的道路检测方法[J];仪器仪表学报;2006年S1期

2 陈勇彬;;道路检测技术现存问题及解决策略分析[J];科技创新与应用;2014年10期

3 高丽萍;;浅谈道路检测技术[J];科技视界;2014年25期

4 蒋有功;五轮仪道路检测探讨[J];实用测试技术;1994年02期

5 林丽群;肖俊;;结合先验知识和图像特征的道路提取方法[J];计算机工程与应用;2011年33期

6 彭建和;;道路检测技术现存问题及解决策略分析[J];城市建筑;2013年12期

7 李书晓;常红星;;新的航空图像道路检测与跟踪算法[J];北京航空航天大学学报;2007年04期

8 吕俊瑞;;基于无人机沙漠图像的道路检测[J];科学技术与工程;2013年19期

9 游峰;徐建闽;温富海;曾培彬;冼文杰;;基于边界点分布特征的夜间道路检测算法研究[J];交通信息与安全;2011年04期

10 夏庭锴;杨明;杨汝清;;基于2层粒子滤波的智能车辆道路检测[J];上海交通大学学报;2009年12期

相关会议论文 前2条

1 杨唐文;王敏杰;秦勇;;融合图像边缘和区域特征的道路检测算法[A];2013年中国智能自动化学术会议论文集（第三分册）[C];2013年

2 高庆吉;孙沫丽;司夏岩;罗其俊;;一种基于视觉信息的非结构化道路检测算法[A];计算机技术与应用进展·2007——全国第18届计算机技术与应用（CACIS）学术会议论文集[C];2007年

相关博士学位论文 前1条

1 李向阳;基于单目视觉的机动车道路检测和跟踪研究[D];上海交通大学;2015年

相关硕士学位论文 前10条

1 黄勇飞;基于视觉的道路检测技术研究[D];华南理工大学;2015年

2 史媛;高分辨率遥感影像的道路检测研究[D];南京理工大学;2015年

3 周莉;基于GNSS与视觉的道路检测与避障技术[D];电子科技大学;2015年

4 赵海洋;高层结构信息引导下的道路分割方法研究[D];国防科学技术大学;2013年

5 何振;面向道路场景理解的迭代图割算法[D];国防科学技术大学;2013年

6 杨智杰;辅助驾驶中的道路检测技术研究[D];西安电子科技大学;2015年

7 何明;基于惯性基准的道路几何线形检测方法[D];湖北工业大学;2016年

8 郝志帅;复杂环境的道路检测技术研究[D];南京理工大学;2009年

9 王驰;基于单目视觉的道路检测算法的研究[D];长春理工大学;2008年

10 张玉颖;基于梯形模型及支撑向量机的非结构化道路检测[D];复旦大学;2010年

本文编号：2533704