車道識別與交通標(biāo)志識別.ppt

車道保持與交通標(biāo)志識別技術(shù),自144 孫 思 雨,交通標(biāo)志檢測：特征提?。ㄟ吘?，顏色，形狀，LBP) 交通標(biāo)志識別：神經(jīng)網(wǎng)絡(luò),車道特征檢測：邊緣提取，二值化 車道線檢測：霍夫變換,研究內(nèi)容,（LBP指局部二值模式）,研究了汽車輔助駕駛系統(tǒng)中的計(jì)算機(jī)視覺問題.一方面,用小波變換對高速公路上的道路邊緣進(jìn)行檢測;另一方面,利用灰度以及幾何特征實(shí)時跟蹤和檢測車道邊緣,通過建立道路邊緣模型,采用數(shù)據(jù)擬合的方法確定邊界軌跡方程,從而估算出公路的延伸方向,實(shí)現(xiàn)汽車的自動防偏,并為解決汽車智能輔助駕駛系統(tǒng)的避障問題提供了有力的保證.,二值化 分割算法是數(shù)字圖像處理中非常經(jīng)典的課題,有 著眾多可供選擇的算法。最常見的有按像素或處理過像素的灰度值進(jìn)行分割、利用邊緣進(jìn)行分割、區(qū)域生長等方法。二值化處理是一種灰度處理算法,對于給定的閾值,程序?qū)⒒叶却笥诮o定閾值的點(diǎn)變成白點(diǎn),另外的點(diǎn)變?yōu)楹邳c(diǎn),經(jīng)處理后圖像變?yōu)橹挥泻诎锥亩祱D像。 邊緣檢測 邊緣檢測是一種突出圖像邊緣削弱邊緣以外圖像區(qū)域,突出圖像輪廓的方法。它可以在保留關(guān)于物體邊界有用的結(jié)構(gòu)信息的同時極大地降低處理的數(shù)據(jù)量,從而簡化圖像的分析過程。邊緣兩邊相鄰區(qū)域中 的灰度相對地均勻,只是在通過邊緣時灰度發(fā)生突變,對于灰度圖像,邊緣是灰度不連續(xù)的結(jié)果。對這種不連續(xù)的灰度級變化最有用的兩個特征是灰度的變化率和方向,它們分別以梯度的變化率和方向來表示。,車道標(biāo)識線的準(zhǔn)確檢測是實(shí)現(xiàn)車輛自動導(dǎo)航和車輛安全輔助駕駛的首 要問題，為了得到較理想的車道的標(biāo)線邊緣利用車道的邊緣特征對車道圖像進(jìn)行二值化和形態(tài)學(xué)處理，對車道區(qū)域?qū)崿F(xiàn)準(zhǔn)確的邊緣檢測，最后利用Hough變換 定位出車道標(biāo)識線，完成對車道標(biāo)識線的識別。實(shí)驗(yàn)表明，該方法能實(shí)現(xiàn)對復(fù)雜環(huán)境下車道標(biāo)識線的準(zhǔn)確識別，具有較好的魯棒性和可靠性。,車道特征檢測,提出了根據(jù)高斯分布模型的自適應(yīng)閾值分割方法,使用了基于形態(tài)學(xué)變換的二值圖優(yōu)化算法得到車道線邊緣圖.改進(jìn)了概率霍夫變換,使其更能滿足實(shí)際情況,從而換檢測出車道線.實(shí)驗(yàn)表明了該方法可以有效檢測出車道線,并且速度上得到了極大的提高.,原理 霍夫變換(Hough Transform) 霍夫變換是圖像處理中從圖像中識別幾何形狀的基本方法之一，應(yīng)用很廣泛，也有很多改進(jìn)算法。主要用來從圖像中分離出具有某種相同特征的幾何形狀（如，直線，圓等）。最基本的霍夫變換是從黑白圖像中檢測直線(線段)。,MATLAB實(shí)現(xiàn)霍夫變換,車道線檢測,目前常用的車道線檢測技術(shù)是利用道路線的識別來實(shí)現(xiàn)道路的檢測,采用直線或曲線的道路模型, 這種方法具有簡單實(shí)用, 能適應(yīng)高速共路結(jié)構(gòu)化環(huán)境的特點(diǎn), 而且具有比較快的圖像處理速度和較好的實(shí)時性.在經(jīng)過圖像預(yù)處理將車道線分割出來之后, 需要將車道線在圖像中的直線方程擬合出來, 目前常用的擬合方法有最小二乘法和霍夫變換. 霍夫(Ho ug h)直線變換是利用點(diǎn)線的對偶性來實(shí)現(xiàn)的, .通過Ho ug h 直線變換求出參數(shù)時需要三次循環(huán), 這樣對于大量數(shù)據(jù)或者對實(shí)時性要求很強(qiáng)的系統(tǒng)來說基本上是不可取的.,概率霍夫變換與普通霍夫變換比較,灰度化效果,統(tǒng)計(jì)窗口,統(tǒng)計(jì)窗口內(nèi)的直方圖分布,二值圖像,膨脹操作效果,腐蝕操作效果,膨脹圖與腐蝕圖的差,概率霍夫變換效果,我們對左邊道路選擇最右邊的車道線, 對右邊道路選擇最左邊的車道線, 得到最終的當(dāng)前車道線。,交通標(biāo)志識別系統(tǒng)是智能交通系統(tǒng)與先進(jìn)輔助駕駛系統(tǒng)的重要組成部分，提高交通標(biāo)志檢測與識別算法的準(zhǔn)確率和實(shí)時性是走向?qū)嶋H應(yīng)用進(jìn)程中需要解決的關(guān)鍵問題。算法的準(zhǔn)確率是交通標(biāo)志識別研究中一個十分重要的因素，錯誤的識別結(jié)果不僅不能起到輔助駕駛作用，還會導(dǎo)致嚴(yán)重的安全事故。而算法的實(shí)時性決定了研究成果能否轉(zhuǎn)化為具有實(shí)際應(yīng)用價值的產(chǎn)品。在汽車數(shù)量日益增加、交通安全事故居高不下，要求不斷提升汽車的駕駛智能化的現(xiàn)實(shí)壓力面前，開展以實(shí)時應(yīng)用為目標(biāo)的交通標(biāo)志檢測與識別技術(shù)研究，對于增加駕駛安全具有重大的意義。,交通標(biāo)志檢測是進(jìn)行交通標(biāo)志分類的前提，同時還壓縮了計(jì)算目標(biāo)的空間，減少后續(xù)特征提取算法的運(yùn)算量，還可以獲得更高的識別準(zhǔn)確率。 在圖像的特征提取領(lǐng)域，常見的特征提取與選擇方法有： PCA 主成分分析法 Gabor 特征提取算法 SIFT 特征提取算法 SURF 特征提取算法 Haar 小波特征提取算法/類Haar 小波特征提取算法 不變矩特征提取算法 直方圖特征提取算法 交通標(biāo)志識別 交通標(biāo)志分類與識別方法主要有：基于各種距離的模板匹配識別方法，基于大量數(shù)據(jù)樣本的機(jī)器學(xué)習(xí)識別方法以及基于粒子群算法、遺傳算法等智能算法的識別方法。,交通標(biāo)志識別一般包括檢測和識別兩部分。檢測一般是利用交通標(biāo)志的形狀和顏色特征,從自然場景中把交通標(biāo)志提取出來。識別是把檢測出來的交通標(biāo)志的內(nèi)容識別出來。交通標(biāo)志識別在規(guī)范交通行為、確保安全駕駛等方面具有重要的意義。 交通標(biāo)志通常處于室外復(fù)雜的環(huán)境條件下,識別的過程中容易受環(huán)境光照、方向旋轉(zhuǎn)的影響。,禁止標(biāo)志,警告標(biāo)志,指示標(biāo)志,根據(jù)交通標(biāo)志的顏色與形狀的確定關(guān)系，我們可以對三種不同作用交通標(biāo)志做進(jìn)一 步的分類，并且把顏色形狀分類的結(jié)果作為先驗(yàn)知識用于交通標(biāo)志的檢測與識別中去。,神經(jīng)網(wǎng)絡(luò)分類器由兩層網(wǎng)絡(luò)聯(lián)結(jié)而 成,前層網(wǎng)絡(luò)由單個BP網(wǎng)絡(luò)完成交通標(biāo)志的粗分工作,后層由3個BP網(wǎng)絡(luò)將粗分結(jié)果分別進(jìn)行細(xì)分,完成識別任務(wù)。此設(shè)計(jì)結(jié)構(gòu)與傳統(tǒng)的單層分類器相比,在訓(xùn) 練速度和識別正確率方面都有較大的提高;顯然,這與神經(jīng)網(wǎng)絡(luò)在解決小規(guī)模問題時正確率高、訓(xùn)練速度快相符合。同時,增加新的訓(xùn)練樣本時,只要對相應(yīng)網(wǎng)絡(luò)進(jìn) 行訓(xùn)練即可,而不必對整個網(wǎng)絡(luò)進(jìn)行重新訓(xùn)練。,神經(jīng)網(wǎng)絡(luò)是模擬人腦神經(jīng)細(xì)胞元的網(wǎng)絡(luò)結(jié)構(gòu)，是由大量神經(jīng)元相互連接而成的非線性動態(tài)系統(tǒng)。不同于傳統(tǒng)的模式分類方法，神經(jīng)網(wǎng)絡(luò)所提取的特征并無明顯的物理含義，而是將其存儲于各個神經(jīng)元的連接之中。此外，神經(jīng)網(wǎng)絡(luò)還是一種非常有效的非線性分類器，為解決復(fù)雜分類問題提供了一種可能的解決方式。 神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)主要從其連接方式上說，分為層狀和網(wǎng)狀兩大類。 前饋網(wǎng)絡(luò)：具有分層的結(jié)果，通常包括輸入層、隱層和輸