应用单层小波包近似压缩感知的道路理解

针对室外自主移动机器人道路理解中遇到的阴影、裂纹等奇异信号造成的视觉算法不鲁棒问题,以及导航图像实时处理时遇到的大数据难题,提出了单层小波包近似压缩感知(SLWPCS)概念,并给出了其实现方法,与基于自适应遗传算法的图像分割法相结合,构建出一套实时道路理解算法系统.通过粗测各级小波包分解后的近似道路图像,确定出不影响"路-非路"二分类的最佳尺度空间;在最佳尺度空间中采用sym8小波对道路图像进行小波包分解,采用压缩感知矩阵对除斜线方向外的高频系数进行降维处理,并采用OMP算法重构高频系数,再与低频系数一起重构原图像;用灰度类间最大方差和类内最小方差构造适应度函数,对各帧道路图像进行最佳阈值自适应分割,确定出道路边界.采用轮式自主移动机器人作为研究平台,在实际道路和CMU提供的机器人道路视频中进行算法实验,结果表明,文中方法能够在具有阴影、裂纹、光照度变化的条件下鲁棒分割出道路边界,满足系统实时性要求.     

快速鲁棒核空间模糊聚类分割

目的 传统模糊C-均值聚类应用于图像分割仅考虑像素本身的聚类问题,无法克服噪声干扰对图像分割结果的影响,不利于受到噪声干扰的工业图像、医学影像和高分遥感影像等进行目标提取、识别和解译。嵌入像素空间邻域信息或局部信息的鲁棒模糊C-均值聚类分割算法是近年来图像分割理论研究中的热点课题。为此,针对现有的鲁棒核空间模糊聚类算法非常耗时且抑制噪声能力弱、不适合强噪声干扰下大幅面图像快速分割等问题,提出一种快速鲁棒核空间模糊聚类分割算法。方法 利用待分割图像中像素邻域的灰度信息和空间位置等信息构建线性加权滤波图像,对其进行鲁棒核空间模糊聚类。为了进一步提高算法实时性,引入当前聚类像素与其邻域像素均值所对应的2维直方图信息,构造一种基于2维直方图的鲁棒核空间模糊聚类快速分割最优化数学模型,采用拉格朗日乘子法获得图像分割的像素聚类迭代表达式。结果 对大幅面图像添加一定强度的高斯、椒盐以及混合噪声,以及未加噪标准图像的分割测试结果表明,本文算法比基于邻域空间约束的核模糊C-均值聚类等算法的峰值信噪比至少提高1.5 dB,误分率降低约5%,聚类性能评价的划分系数提高约10%,运行速度比核模糊C-均值聚类和基于邻域空间约束的鲁棒核模糊C-均值聚类算法至少提高30%,与1维直方图核空间模糊C-均值聚类算法具有相当的时间开销,所得分割结果具有较好的主观视觉效果。结论 通过理论分析和实验验证,本文算法相比现有空间邻域信息约束的鲁棒核空间模糊聚类等算法具有更强的抗噪鲁棒性、更优的分割性能和实时性,对大幅面遥感、医学等影像快速解译具有积极的促进作用,能更好地满足实时性要求较高场合的图像分割需要。     

局部区域拟合的快速水平集图像分割方法

目的 由于灰度不均匀图像在不同目标区域的灰度分布存在严重的重叠,对其进行分割仍然是一个难题;同时,图像中的噪声严重降低了图像分割的准确性。因此,传统水平集方法无法鲁棒、精确、快速地对具有灰度不均匀性和噪声的图像进行分割。针对这一问题,提出一种基于局部区域信息的快速水平集图像分割方法。方法 灰度不均匀图像通常被描述为一个分段常数图像乘以一个缓慢变化的偏移场。首先,通过一个经过微调的多尺度均值滤波器来估计图像的偏移场,并对图像进行预处理以减轻图像的不均匀性;然后,利用基于偏移场校正的方法和基于局部区域信息拟合的方法分别构建能量项,并利用演化曲线轮廓内外图像灰度分布的重叠程度,构建权重函数自适应调整两个能量项之间的权重;最后,引入全方差规则项对水平集进行约束,增强了数值计算的稳定性和对噪声的鲁棒性,并通过加性算子分裂策略实现水平集快速演化。结果 在具有不同灰度不均匀性和噪声图像上的分割结果表明,所提方法不但对初始轮廓的位置、灰度不均匀性和各种噪声具有较强的鲁棒性,而且具有高达94.5%的分割精度和较高的分割效率,与传统水平集方法相比分割精度至少提高了20.6%,分割效率是LIC（local intensity clustering）模型的9倍;结论 本文提出一种基于局部区域信息的快速水平集图像分割方法。实验结果表明,与传统水平集方法相比具有较高的分割精度和分割效率,可以很好地应用于具有灰度不均匀和噪声的医学、红外和自然图像等的分割。     

钢板表面低对比度微小缺陷图像增强和分割

目的 环境干扰及光学元件不稳定等因素往往会造成钢板表面图像照度不均,钢板表面的微小缺陷具有图像灰度不均、对比度低、形态微小等特点,给后续图像分析和缺陷识别带来因难。为此,提出一种钢板表面低对比度微小缺陷图像增强和分割算法,以消除照度不均并突出缺陷信息,从而有效分割缺陷目标。方法 采用小波-同态滤波算法进行图像增强处理,即先利用小波变换对图像进行分解,再基于同态滤波对小波低频系数进行图像灰度修正,同时对高频系数进行高通滤波,然后将处理后的小波低频系数和高频系数进行重构得到增强的图像,从而达到消除照度不均、增强缺陷细节信息的目的。最后利用最大类间方差法（Otsu法）确定自适应阈值提供给Canny算子进行边缘检测。结果 采用本文算法对钢板表面多类型低对比度表面微小缺陷进行研究,有效消除了光照不均;单一的Otsu阈值分割和Canny算子难以有效检测这些缺陷,而本文Otsu-Canny算法的正确检测率达96%。结论 采用小波-同态滤波进行图像增强处理后,再利用Otsu-Canny算法对钢板表面多类型、低对比度的微小缺陷进行边缘检测取得了良好效果。     

肺实质CT图像细化分割

目的 由于肺部CT图像中各组织结构复杂、灰度分布不均匀,造成肺实质部分难以准确分割和提取。为了提高肺实质分割的准确率,本文提出了一种基于超像素的细化分割与模糊C均值聚类相结合的自动分割算法。方法 该算法充分利用肺部CT图像的灰度、纹理特征,同时为了正确标记超像素的分类,引入一种空间邻域信息来增强空间约束进而有效地解决灰度不均匀的问题,它能够对肺实质进行分割并除去其周围的主血管,然后利用形态学知识去除肺部的分支血管。结果 在临床患有四类疾病的患者CT图像数据集上采用改进的图像特征,使得肺实质分割的准确率提高了0.8%。同时,算法准确率提高到99.46%。结论 实验结果表明,本文算法能够实现肺部CT图像肺实质的自动细化分割,结果准确适用。该算法鲁棒性好、速度快,是一种精确有效的自动肺实质分割方法。     

综合边界和纹理信息的合成孔径雷达图像目标分割

目的 针对传统Grab Cut算法需要人工交互操作,无法实现合成孔径雷达（SAR）图像的自动分割,且方式单一（仅利用边界或纹理信息中的一种）的问题,提出一种综合利用边界和纹理信息的改进Grab Cut算法,实现对SAR图像目标的自动分割。方法 首先将其他格式的彩色或灰度SAR图像转化为24 bit的位图,采用图形理论对整幅SAR图像建模,根据最大流算法找到描述图的能量函数最小的割集,从而分割出目标区域;然后采用中值滤波抑制相干噪声;最后通过邻域生长算法滤除图像斑点和小目标的干扰,从而达到目标边界的连接,实现自动对SAR图像中的目标进行分割。结果 在64位Window 7环境下采用MATLAB R2014处理平台,对楼房、车库、大树、汽车群等4幅分辨率不同的SAR图像进行目标分割实验,特征目标被自动分割出来,耗时分别为1.69 s、1.58 s、1.84 s和3.09 s,相比Mean-shift和Otsu算法,平均计算效率分别提升150%和3%,并且图像中的背景杂波、目标阴影和干扰小目标均被有效去除。结论 综合利用边界和纹理信息能够有效抑制相干噪声,去除图像斑点和小目标的干扰,从而达到目标边界的连接,实现对SAR图像目标的自动分割。实验结果表明,本文算法可以满足工程化应用要求,自适应性强,分割精度高,且具有较好的鲁棒性。     

鲁棒空间约束的模糊聚类图像分割

目的 为进一步提高分割精度,在模糊聚类的基础上引入统计信息,提出一种鲁棒型空间约束的模糊聚类分割算法。方法 基于局部空间信息的先验概率与后验概率,提出一种新型空间约束项,并通过卷积操作提高运行效率;进而引入负对数联合概率作为测度函数,进一步提高算法对于各像素点所属类别的甄别能力;同时将测度函数与空间约束项整合至目标函数中,通过迭代更新各参数达到最小化目标函数的目的。结果 对于合成图像的实验结果表明,本文算法对于噪声类型和噪声强度具有较强的鲁棒性;对于彩色图像的实验结果表明,在适当的特征描述符的辅助下,本文算法也能够获得令人满意的分割结果和较高的分割精度。结论 本文算法克服了现有算法的缺陷,进一步提升了图像的分割精度。其适用于分割带噪声图像,且在适当纹理特征的辅助下分割彩色图像,与同类算法的比较实验结果验证了本文算法的有效性。     

小邻域统计信息核磁共振医学图像分割模型

目的 提出局部统计信息测地线活动轮廓图像分割方法。方法 该方法采用高斯分布拟合图像局部灰度统计特征信息,构造了方向性驱动项。在此基础上,建立了局部统计信息测地线能量泛函。通过极小化该泛函,来驱动演化曲线有序地向目标边界逼近,最后,整个分割过程采用二值水平集方法实现。结果 本文方法降低了灰度不均匀信息影响,达到提取感兴趣区域轮廓目的,提高算法效率和稳定性。结论 实验结果表明,该方法可以快速准确地分割医学感兴趣目标边界。     

利用层间相关性的岩心CT图像半自动分割方法

目的 由于岩心CT图像分辨率不高,目标边界较为模糊,无法完全自动化地对岩心CT图像的目标分割和提取。为保证效果,在分割过程中往往需要进行人为干预。但作为3维重建的岩心CT图像,图像数据规模较大,达到成百上千帧。如果对每一帧都进行人为干预,工作量将会很大。针对这种情况提出一种在保证分割效果的前提下只需进行少量人为干预的高效实用的分割方法。方法 先对CT图像中的某一帧设定分割阈值,利用CT图像层间相关性对相邻帧自动计算合适的分割阈值,从而分割出整个CT图中的目标。并根据需要,选定其中分割效果较好的一帧,其他帧根据此帧进行自动区域生长修复,从而更加完善分割效果。还可以手工修复其中一帧中的目标,其余帧的所有相关目标将会自动进行识别和修复。结果 通过对多组不同数据规模和分辨率的岩心CT图像进行实验测试,使用本文方法均可达到期望的分割效果,并且分割速度较大津分割法提高近1倍,与固定阈值分割方法速度相当。结论 岩心CT图像分割方法充分利用图像层间相关性,可快速有效地批量提取具有连续性的序列图像中的目标。     

智能车辆导航系统中的实时道路检测

采用基于统计迭代阈值的图像分割和道路模型规范化,提出了一种新的检测准非结构化道路边界的算法.该算法中首先利用道路图像的局部特性和全局特性,使用统计迭代的方法求出全局阈值,将图像二值化,准确、鲁棒地提取出感兴趣区域;然后使用Sobel算子初步标示道路边界;最后依据建立的道路模型,对道路边界规范化,进一步完善检测结果.实验数据表明,算法在复杂路况下,能够自动、快速、准确地检测出准非结构化道路边界,实现车辆的防偏预报.     

一种基于学习向量量化神经网络的图象分割方法

基于视觉传感器实现道路信息的理解是目前移动机器人自主导航的重要研究方向,其中道路图象的正确分割是提取有效路径信息的关键。该文针对复杂、干扰因素多的室外环境下传统方法难以实现道路图象正确分割的问题,提出了一种基于LV Q神经网络的道路图象分割方法。该方法通过选取道路图象的归一化色彩分量为特征向量,应用基于LV Q学习算法的神经网络分类器进行道路与非道路识别;为解决环境噪声对神经网络输出的影响,本文设计了串行级联式四阶形态滤波器实现对神经网络输出的分割图象的滤波处理。通过对实测图象进行分割处理验证了该方法的有效性和鲁棒性,可用于室外环境下机器人的实时视觉导航控制。     

基于增强转移网络（ATN）的室外移动机器人道路图像理解

道路图像理解是室外移动机器人视觉导航自主驾驶研究中的一个关键技术 ,由于基于视觉导航的室外移动机器人自主驾驶时 ,对实时性和鲁棒性要求很高 ,因此 ,为了满足室外移动机器人自主驾驶的实时性和鲁棒性要求 ,将人工智能研究句法分析中的一个形式体系——增强转移网络 (ATN )成功地应用于室外移动机器人的道路理解中 ,进而提出了基于 ATN的室外移动机器人道路图像理解算法 ,该算法在统一的 ATN构建思想指导下 ,针对不同的道路情况 ,不仅可以灵活地构建出不同的道理理解 ATN网络 ,还可达到本质上的统一及应用上的灵活。经实验检验 ,该算法在满足系统要求的鲁棒性条件下 ,具有非常高的实时性 ,即能充分地满足自主移动机器人高速自主导航的需要     

移动机器人导航系统中的车道线检测方法及实现

针对室外移动机器人GPS与惯性导航不足之处,在GPS与惯性导航基础上,提出了采用视觉检测方法实时识别路面的车道线信息,对移动机器人进行辅助定位。在传统的Canny边缘检测算子基础上,提出了使用改进型小波阀值算法与Canny边缘检测算子进行融合处理,其基本原理是先使用改进型小波阀值算法,代替传统的高斯滤波器进行平滑和降噪处理,然后再使用Canny边缘检测算子提取边缘特征。最后使用matlab软件对采集到的路面视频信息进行处理,计算出移动机器人相对于路面车道线的偏转角度和偏离距离。实验发现12000帧图像中有仅有892帧图像检测失败,成功率达到92.6%,取得较好效果。为移动机器人的室外自主移动提供有力支撑。     

基于迁移学习的移动机器人单帧图像坡度检测算法

针对未知环境下移动机器人平稳上坡控制对坡度感知精度的要求,本文提出了一种基于迁移学习的移动机器人单帧图像坡度检测算法。利用室内图像标准数据集训练深度卷积神经场?全连接超像素池化网络(deep convolutional neural field-fully connected superpixel pooling network, DCNF-FCSP)并获得室内单帧图像深度估计网络模型;将DCNF-FCSP模型中前5个图像特征提取层的网络参数迁移至室外图像深度估计网络中;固定室外图像深度估计网络中图像特征提取部分的网络参数,利用室外图像数据集对剩余5层的网络参数进行训练,从而得到室外单帧图像深度估计网络;将其应用在移动机器人坡度检测中,根据单帧斜坡图像估计出斜坡角度。标准数据集和实际场景的深度估计和坡度检测实验表明:本文所提出的基于迁移学习的移动机器人单帧图像坡度检测算法能够仅根据移动机器人车载相机采集的单帧斜坡RGB图像就可估计出精确的斜坡角度,满足移动机器人在未知环境中对坡度感知精度的要求。     

THMR-V道路检测算法设计

道路检测是室外移动机器人尤其是智能汽车研究领域的一个重要课题。本文介绍了多功能室外移动机器人THMR-V的道路检测算法,共分为两个部分。结构化道路,采用的是多窗口双阈值法。虽然在该领域已经有许多能够自主驾驶的系统,但很少能有像THMR-V达到150km/h;非结构化道路,采用的则是基于数学形态学的区域分割法。文中详细介绍了算法的实现。     

基于彩色立体视觉的障碍物快速检测方法

Real-time obstacle detection method is a key technique for machine vision based mobile robot and au-tonomous land vehicle navigation in unstructured environments. In this paper o considering the real-time requirement for stereo matching algorithm, an adaptive color segmentation method for possible obstacle region detection is first developed based on the color feature, and a simple region based stereo matching algorithm of binocular vision for realobstacle recognition is also introduced. Obstacle detection is implemented by combining the road color adaptive seg-mentation method and region based stereovision method. Lots of experiment results show that the proposed approachcan detect obstacle quickly and effectively, and this algorithm is particularly suited for road environments in which the road is relatively flat and of roughly the same color.     

Real-time monocular image-based path detection

In this work, we present a new real-time image-based monocular path detection method. It does not require camera calibration and works on semi-structured outdoor paths. The core of the method is based on segmenting images and classifying each super-pixel to infer a contour of navigable space. This method allows a mobile robot equipped with a monocular camera to follow different naturally delimited paths. The contour shape can be used to calculate the forward and steering speed of the robot. To achieve real-time computation necessary for on-board execution in mobile robots, the image segmentation is implemented on a low-power embedded GPU. The validity of our approach has been verified with an image dataset of various outdoor paths as well as with a real mobile robot.     

Real-time model based geometric reasoning for vision-guided navigation

This paper describes results of a real-time model based geometric reasoning module for autonomous vision-guided road following. Vision-guided road following requires extracting road boundaries from images in real time to guide the navigation of autonomous vehicles on a roadway. The detected road region boundary is error prone due to imperfect image segmentation. To achieve robust system performance, a geometric reasoning module that uses spatial and temporal constraints to perform model based reasoning is used. Local geometric supports for each road edge segment are collected and recorded and a global consistency checking is performed to obtain a consistent interpretation of the raw data. Cases involving incomplete sensor data, curved roads where only one side of the road is visible, and incorrect segmentation due to shadows, road patches, or unusual road conditions, can usually be detected and corrected. The image segmentation results are what the vision system sees. The geometric reasoning results are what the vision system perceives. This reasoning module has been integrated into a road following system which is capable of supporting autonomous robot road following at 24 km/hr.     

Cloud‐based Real‐time Outsourcing Localization for a Ground Mobile Robot in Large‐scale Outdoor Environments

Cloud robotics is the application of cloud computing concepts to robotic systems. It utilizes modern cloud computing infrastructure to distribute computing resources and datasets. Cloud‐based real‐time outsourcing localization architecture is proposed in this paper to allow a ground mobile robot to identify its location relative to a road network map and reference images in the cloud. An update of the road network map is executed in the cloud, as is the extraction of the robot‐terrain inclination (RTI) model as well as reference image matching. A particle filter with a network‐delay‐compensation localization algorithm is executed on the mobile robot based on the local RTI model and the recognized location both of which are sent from the cloud. The proposed methods are tested in different challenging outdoor scenarios with a ground mobile robot equipped with minimal onboard hardware, where the longest trajectory was 13.1 km. Experimental results show that this method could be applicable to large‐scale outdoor environments for autonomous robots in real time.     

基于二维熵和轮廓特征的非结构化道路检测

针对非结构化道路场景复杂干扰因素较多、检测困难的问题,提出了一种基于轮廓特征和二维最大熵的道路检测算法。采用融合色彩特征不变量的二次二维最大熵分割算法对道路图像进行分割;利用边界跟踪算法提取分割图像的轮廓特征,根据道路区域的位置和几何特性选取最大轮廓;通过改进Mid-to-side算法进行边缘点搜索,用三阶道路模型重建道路边界,并对道路方向进行判断。实验结果表明,所提算法与传统算法相比,对三类不同场景下非结构化道路的检测准确率可提高25%左右,具有较强抗阴影干扰的能力,并能有效识别道路方向。