基于图像分析的道路检测方法研究

论文总字数：44723字

摘 要

基于图像分析的道路检测是自主驾驶、障碍物检测等很多实际应用中的重要环节。随着计算机视觉等技术的发展，对道路检测算法的研究取得了很多的进展，它们中的一部分已经被成功应用在无人汽车的自主驾驶之中。然而，目前的道路检测方法面临着诸多挑战，比如复杂的道路场景、路面的阴影干扰、不稳定的光照条件等。这些挑战促使人们致力于研究出更加有效和鲁棒的道路检测方法。

现有的道路检测方法主要由基于色彩特征和基于几何模型这两类组成，它们有着各自的优势和不足；基于色彩特征的方法适用于非结构化道路的检测中，基于几何模型的方法适用于结构化道路的检测中。鉴于此，本文提出了一种基于分区域聚类的道路检测方法，它能同时适用于结构化道路和非结构化道路的检测之中。该方法首先从图像中选取若干条水平直线，通过计算并分析它们之间的归一化相关性（NCC）确定道路水平消失线的位置。接着，将消失线以下的图像区域在垂直方向上等分为若干区域，提取每个区域中像素点的灰度特征和HSV特征，并对其使用DP（Density-Peak）算法进行聚类。聚类完成后，记录下每个类簇的大小和平均灰度，根据相邻区域中的同一个类别享有相似的大小和平均灰度这条基本假设自动识别出道路类。为了减少道路图像中阴影等噪声的影响，本文提出一种HSV空间下基于最大熵的路面阴影抑制方法，这为提高道路检测的准确性发挥了至关重要的作用。本文提出的能对受阴影影响严重、场景复杂的道路图像有很好的检测效果。通过对网络图片、KITTI竞赛图片、after-rain连续图片、阴天南京实景图片这四个数据库中道路图像测试结果的评估和对比，本文提出的方法显示出了很好的有效性和鲁棒性。

关键词：图像处理、无人驾驶汽车、道路检测、消失线检测、归一化相关性、聚类、DP算法、图片分割、道路类自动识别、MATLAB界面设计

image based road detection method

Abstract

Image based road detection is a vital task for many real-world applications such as autonomous driving and obstacle detection. With the development of computer vision, the research on road detection algorithms has achieved much progress. Some of them have been utilized in autonomous driving successfully. However, current methods are still facing many challenges, for example, complex road scenes, interference of shadows on road surface, unstable lighting conditions, etc.. These challenges urge researchers to find out more effective and robust road detection methods.

Current methods for road detection can be classified into feature-based and model-based. Feature based methods are often used in unstructured road detection while model-based ones are suitable for structured road detection. In consideration of this, this paper proposes a clustering based road detection method, which can be used in both structured and unstructured road detection. First, select several lines from the image and find the position of horizon line by computing and analyzing normalized cross correlation (NCC) between lines. Then divide the image below horizon line into several parts and extract gray feature and HSV feature of each part. DP clustering algorithm is then performed to obtain several clusters and take down the size and average gray value of every cluster. Road class is automatically recognized based on the assumption that same-labelled clusters in two adjacent parts share similar sizes and average gray values. In order to eliminate the negative influences of road shadows, this paper also proposes an entropy-based shadow-restraint method in HSV color space, which plays a key role in improving the accuracy of road detection. The method proposed in this paper can detect both structured and unstructured roads and it also performs well in strong shadows and complex road scenes. By evaluating and comparing the detection results from four databases (Internet Images, KITTI Competition Image, After-Rain Image and Nanjing Cloudy Scene Image), our method shows good effectiveness and robustness.

KEYWORDS: Image Processing, Driverless car, Road Detection, Horizon Line Detection, NCC, Clustering, DP Algorithm, Image Division, Automatical Recognition of Road Class, MATLAB Interface Design.

目录

摘要 I

Abstract II

第1章 绪论 1

1.1 研究背景和意义 1

1.2 国内外研究现状 2

1.3 论文的研究工作 5

1.3.2 论文的研究内容 5

1.3.3 论文的内容安排 6

第2章 基于NCC的道路消失线检测 7

2.1 引言 7

2.2 道路消失线检测方法 8

2.2.1 基于消失点的方法 8

2.2.2 基于差异最大化的方法 8

2.3 本文方法 9

2.3.1 HSV空间下的图像重构 9

2.3.2 基于NCC的道路消失线检测 11

2.3.3 实验结果与分析 14

2.4 本章小结 15

第3章 聚类算法 16

3.1 引言 16

3.2 K均值聚类 16

3.3 DBSCAN 17

3.3.1 基本概念 17

3.3.2 算法流程 19

3.4 基于密度峰值和距离的聚类算法 19

3.4.1 聚类中心 20

3.4.2 算法流程 21

3.5 聚类算法实验比较与分析 24

3.6 本章小结 26

第4章 基于分区域聚类的道路检测 27

4.1 引言 27

4.2 图像预处理 27

4.2.1 图像灰度化 27

4.2.2 图像滤波 28

4.3 特征提取 29

4.3.1 灰度特征 29

4.3.2 HSV特征 30

4.4 分区域聚类 30

4.4.1 聚类中心 30

4.4.2 分区域聚类 32

4.5 道路检测 33

4.5.1 基本假设 33

4.5.2 基于曼哈顿距离的相似性测度 33

4.5.3 实验结果 34

4.6 本章小结 35

第5章 基于最大熵的路面阴影抑制方法 36

5.1 引言 36

5.2 基于最大熵的路面阴影抑制 36

5.2.1 图像预处理 36

5.2.2 熵值计算与图像重构 37

5.2.3 灰度重构 39

5.2.4 改进措施 40

5.2.5 实验结果与分析 42

5.3 本章小结 42

第6章 实验结果与分析 44

6.1 实验数据集 44

6.2 评估方法 45

6.2.1 查全率 45

6.2.2 准确率 45

6.2.3 F值 45

6.3 实验设置与步骤 45

6.3.1 实验设置 45

6.3.2 实验步骤 46

6.4 实验结果与分析 46

6.5 本章小结 51

第7章 总结与展望 52

7.1 本文主要工作 52

7.2 展望 52

参考文献 54

致谢 57

剩余内容已隐藏，请支付后下载全文，论文总字数：44723字