基于机器视觉的露天矿无人卡车道路边缘识别关键技术研究
发布时间：2021-11-24 01:33
随着计算机技术的快速发展,矿区机械智能化必将是智慧矿山的发展方向之一。在露天矿区等相对封闭领域,道路检测是无人驾驶卡车感知矿区环境以及完成各种任务的前提,道路边缘检测是核心环节。本文针对矿区复杂环境下道路边缘模糊,识别率低等问题,对图像处理技术在矿区非结构化道路边缘识别与监测进行深入研究。本文的主要工作如下:（1）基于露天矿区道路图像在HSV颜色空间内的特征分析,以降低光照影响和系统计算冗余为主要目的,在HSV颜色特征空间内,对道路图像进行预处理。在此基础上,提出基于Retinex理论的图像增强算法,有效地突出了边缘细节,为后续的实验进行打下了基础。（2）针对矿区非结构化道路边缘形状多变的特点,提出了基于道路左右边缘分割的拟合方法。构建的直线、弯道和直线-抛物线3种拟合模型。最后,利用改进的kalman滤波对道路图像进行跟踪检测,降低了噪声对实验的干扰。（3）基于MATLAB平台,分析论文所提出的道路边缘检测、边缘拟合以及边缘跟踪算法处理不同类型的露天矿区道路图像的实施效果,并采用边缘连续性、边缘品质因数以及算法综合测量值等3种评价指标对算法的应用进行客观评价,分析本文算法对于非结构化...
【文章来源】：西安建筑科技大学陕西省
【文章页数】：61 页
【学位级别】：硕士
【部分图文】：
各分量效果图
西安建筑科技大学硕士学位论文27式中：当取最大值时，取得最优阈值T.如图所示，通过Otsu算法可以很好地分割道路图像。3.4矿区道路类型识别本文将所研究的矿区道路形状主要分为直道、左弯道和右弯道3种弯道。如下图所示：图3.2道路类型图Fig3.2Roadareatypedrawing上图为经图像分割之后的局部放大图，从图中可以看出，直道和弯道的区域特征有明显差异，不同道路的类型之间存在以下差别：直道（图左）非道路区域（黑色部分）与可行区域（白色部分）之间的分界线近似直线；与直道相比，左右弯道的道路方向会发生改变；利用所提取的道路边缘区域的斜率变换来区分左右弯道。右弯道的道路区域右边缘线的斜率绝对值从下到上逐渐变大，而左边缘线的斜率绝对值从下到上逐渐变小；左弯道的左右边缘线斜率绝对值变化正好与右弯道相反，其右边缘线的斜率绝对值从下到上逐渐变小，左边缘线的斜率绝对值从下到上逐渐变大。利用以上区别可判断所研究道路的形状。本文使用4邻域对分割后的二值化图像进行道路的识别，进而确定道路走向。本文通过分离左右边缘来确定道路形状，首先，确定最小y值的边缘，确定边缘的左坐标L与右坐标R。为有效消除二值化图像中的干扰信息，降低误判率，以图像边缘中的单元块为搜索目标来确定左右边缘中边缘像素点的x位置。从L处开始搜索时，采用向下向左的原则，如果搜索出的单元像素点坐标在右边，保持上一个x值不变。从R处开始搜索时，采用向下向右的原则，如果搜索出的单元像素点坐标在左边，保持上一个x值不变。提取出的左右坐标点如图3.3所示。
西安建筑科技大学硕士学位论文28图3.3坐标点示意图Fig3.3Schematicdiagramofcoordinatepoints然后，根据所提取的左右边缘坐标点，将图像均分为上下两部分，通过点与点之间的关系，分别计算出上下两部分的平均斜率变换值K上与K下，并利用公式（3-17）和公式（3-18）来判断边缘方向（n为图像像素数量）。1/K-1/K/21/K-1/K/21/K-1/K/2nnn上下下上上下直道左边缘左弯道右弯道（3-17）1/K-1/K/21/K-1/K/21/K-1/K/2nnn上下下上上下直道右边缘右弯道左弯道（3-18）最后，根据判断结果确定道路形状。当左右边缘的判断结果相同时，道路形状可确定。左右边缘的判断结果有一个是直道而另一个是弯道时，一般取弯道。当左右边缘的判断结果中没有直道，结果不一样时，进行重新判定。3.5本章小结本章中所提出的道路检测算法旨在通过对矿区道路边缘线的检测，提高卡车在矿区行驶过程中的安全性和稳定性，拓展视觉导航在无人驾驶矿卡中的应用。通过分析不同环境HSV空间矿区图像的特征，提出一种基于HSV颜色空间的矿区道路边缘检测方法：针对矿区道路光照、阴影、水迹等边缘检测中普遍存在的不确定因素，在HSV颜色空间内利用半小波阈值滤波对三分量图像进行降噪处理，有效地降低光照、阴影等因素造成的影响。针对矿区道路边缘模糊，边缘退化等问题，提出一种基于融合策略的局部图像对比度自适应调整的方法，对V分量和S分量进行增强处理，获取融合后的灰度图像。最后利用增强后的二值化道路图像分析判定道路类型，为下一步的研究打下了基矗
【参考文献】：
期刊论文
[1]基于二维熵与自适应模板的非结构化道路检测[J]. 牛牧原,张春阳,林晓,程远燊. 电子设计工程. 2019(05)
[2]基于方向纹理的非结构化道路消失点检测研究[J]. 黄俊,侯北平,董霏,吴颖东,刘宇,王建铭. 图学学报. 2019(01)
[3]基于改进Canny算法的道路标线自动识别及定位[J]. 罗文婷,李中轶,李林,甘宏,郭建钢. 西南交通大学学报. 2018(06)
[4]基于RGB熵和改进区域生长的非结构化道路识别方法[J]. 吴骅跃,段里仁. 吉林大学学报(工学版). 2019(03)
[5]Advances in Vision-Based Lane Detection:Algorithms,Integration,Assessment,and Perspectives on ACP-Based Parallel Vision[J]. Yang Xing,Chen Lv,Long Chen,Huaji Wang,Hong Wang,Dongpu Cao,Efstathios Velenis,Fei-Yue Wang. IEEE/CAA Journal of Automatica Sinica. 2018(03)
[6]结合HSV空间的水面图像特征水岸线检测[J]. 彭明阳,王建华,闻祥鑫,丛晓奕. 中国图象图形学报. 2018(04)
[7]改进基于HSV空间的阴影检测算法[J]. 杨春德,郭帅. 计算机工程与设计. 2018(01)
[8]基于PCA-SVM准则改进区域生长的非结构化道路识别[J]. 王新晴,孟凡杰,吕高旺,任国亭. 计算机应用. 2017(06)
[9]国家金属资源安全研究回顾与展望[J]. 王昶,宋慧玲,左绿水,黄健柏. 资源科学. 2017(05)
[10]改进的帧差法在空间运动目标检测中的应用[J]. 王恩旺,王恩达. 天文研究与技术. 2016(03)
本文编号：3515026
【文章来源】：西安建筑科技大学陕西省
【文章页数】：61 页
【学位级别】：硕士
【部分图文】：
各分量效果图
西安建筑科技大学硕士学位论文27式中：当取最大值时，取得最优阈值T.如图所示，通过Otsu算法可以很好地分割道路图像。3.4矿区道路类型识别本文将所研究的矿区道路形状主要分为直道、左弯道和右弯道3种弯道。如下图所示：图3.2道路类型图Fig3.2Roadareatypedrawing上图为经图像分割之后的局部放大图，从图中可以看出，直道和弯道的区域特征有明显差异，不同道路的类型之间存在以下差别：直道（图左）非道路区域（黑色部分）与可行区域（白色部分）之间的分界线近似直线；与直道相比，左右弯道的道路方向会发生改变；利用所提取的道路边缘区域的斜率变换来区分左右弯道。右弯道的道路区域右边缘线的斜率绝对值从下到上逐渐变大，而左边缘线的斜率绝对值从下到上逐渐变小；左弯道的左右边缘线斜率绝对值变化正好与右弯道相反，其右边缘线的斜率绝对值从下到上逐渐变小，左边缘线的斜率绝对值从下到上逐渐变大。利用以上区别可判断所研究道路的形状。本文使用4邻域对分割后的二值化图像进行道路的识别，进而确定道路走向。本文通过分离左右边缘来确定道路形状，首先，确定最小y值的边缘，确定边缘的左坐标L与右坐标R。为有效消除二值化图像中的干扰信息，降低误判率，以图像边缘中的单元块为搜索目标来确定左右边缘中边缘像素点的x位置。从L处开始搜索时，采用向下向左的原则，如果搜索出的单元像素点坐标在右边，保持上一个x值不变。从R处开始搜索时，采用向下向右的原则，如果搜索出的单元像素点坐标在左边，保持上一个x值不变。提取出的左右坐标点如图3.3所示。
西安建筑科技大学硕士学位论文28图3.3坐标点示意图Fig3.3Schematicdiagramofcoordinatepoints然后，根据所提取的左右边缘坐标点，将图像均分为上下两部分，通过点与点之间的关系，分别计算出上下两部分的平均斜率变换值K上与K下，并利用公式（3-17）和公式（3-18）来判断边缘方向（n为图像像素数量）。1/K-1/K/21/K-1/K/21/K-1/K/2nnn上下下上上下直道左边缘左弯道右弯道（3-17）1/K-1/K/21/K-1/K/21/K-1/K/2nnn上下下上上下直道右边缘右弯道左弯道（3-18）最后，根据判断结果确定道路形状。当左右边缘的判断结果相同时，道路形状可确定。左右边缘的判断结果有一个是直道而另一个是弯道时，一般取弯道。当左右边缘的判断结果中没有直道，结果不一样时，进行重新判定。3.5本章小结本章中所提出的道路检测算法旨在通过对矿区道路边缘线的检测，提高卡车在矿区行驶过程中的安全性和稳定性，拓展视觉导航在无人驾驶矿卡中的应用。通过分析不同环境HSV空间矿区图像的特征，提出一种基于HSV颜色空间的矿区道路边缘检测方法：针对矿区道路光照、阴影、水迹等边缘检测中普遍存在的不确定因素，在HSV颜色空间内利用半小波阈值滤波对三分量图像进行降噪处理，有效地降低光照、阴影等因素造成的影响。针对矿区道路边缘模糊，边缘退化等问题，提出一种基于融合策略的局部图像对比度自适应调整的方法，对V分量和S分量进行增强处理，获取融合后的灰度图像。最后利用增强后的二值化道路图像分析判定道路类型，为下一步的研究打下了基矗
【参考文献】：
期刊论文
[1]基于二维熵与自适应模板的非结构化道路检测[J]. 牛牧原,张春阳,林晓,程远燊. 电子设计工程. 2019(05)
[2]基于方向纹理的非结构化道路消失点检测研究[J]. 黄俊,侯北平,董霏,吴颖东,刘宇,王建铭. 图学学报. 2019(01)
[3]基于改进Canny算法的道路标线自动识别及定位[J]. 罗文婷,李中轶,李林,甘宏,郭建钢. 西南交通大学学报. 2018(06)
[4]基于RGB熵和改进区域生长的非结构化道路识别方法[J]. 吴骅跃,段里仁. 吉林大学学报(工学版). 2019(03)
[5]Advances in Vision-Based Lane Detection:Algorithms,Integration,Assessment,and Perspectives on ACP-Based Parallel Vision[J]. Yang Xing,Chen Lv,Long Chen,Huaji Wang,Hong Wang,Dongpu Cao,Efstathios Velenis,Fei-Yue Wang. IEEE/CAA Journal of Automatica Sinica. 2018(03)
[6]结合HSV空间的水面图像特征水岸线检测[J]. 彭明阳,王建华,闻祥鑫,丛晓奕. 中国图象图形学报. 2018(04)
[7]改进基于HSV空间的阴影检测算法[J]. 杨春德,郭帅. 计算机工程与设计. 2018(01)
[8]基于PCA-SVM准则改进区域生长的非结构化道路识别[J]. 王新晴,孟凡杰,吕高旺,任国亭. 计算机应用. 2017(06)
[9]国家金属资源安全研究回顾与展望[J]. 王昶,宋慧玲,左绿水,黄健柏. 资源科学. 2017(05)
[10]改进的帧差法在空间运动目标检测中的应用[J]. 王恩旺,王恩达. 天文研究与技术. 2016(03)
本文编号：3515026
本文链接：https://www.wllwen.com/kejilunwen/shengwushengchang/3515026.html
最近更新
教材专著
