雨雪天非结构化道路识别算法研究

针对雨天雪天气采集到的非结构化道路的一种识别算法。该文针对雨雪天气的特殊性利用HSV空间中的H空间进行模糊增强,使用最大类间差分方法自动选取阈值进行道路和非道路的粗分,使用形态学和斑块消去法进行图像的降噪,得到细分图像,最后使用边缘检测得到道路边缘。     

基于机器视觉的非结构化道路检测算法研究

提出了一种提高非结构化道路边缘检测实时性和准确性的算法。该算法中首先对原始道路图像进行中值滤波,抑制随机噪声,并选择基于双峰法的多阈值Otsu方法进行图像分割,使分割效果和分割时间得到优化。通过Canny算子进行初次边缘检测,然后,采用数学形态学修正,从而得到完整、清晰的道路边缘图像。仿真结果表明:该非结构化道路检测方法具有良好的实时性和准确性。     

伪彩色空间完全非结构化道路检测方法

完全非结构化道路检测是智能车辆自主行驶所面临的关键技术难题,解决该问题可以增强智能车辆的环境适应能力。以实时道路图像的真彩色信息为研究对象,提出一种三次样条曲线模型和分块子区生长模型相结合的完全非结构化道路检测算法。该算法运用三次样条曲线插值实现了真彩色空间到伪彩色空间的映射,采用主次伪色调和纹理信息相结合的子区生长方法,实现了完全非结构化道路检测。实地图像测试和对比试验表明,该算法对道路区域检测准确性高,对受到阴影、水迹等影响的道路区域具有较强抗干扰能力,实时性好。     

基于梯形模型和支撑向量机的非结构化道路检测

在H.Jeong的梯形模型的基础上,提出了基于梯形模型和支撑向量机——SVM（Support Vector Machine）的道路检测算法。算法先对视频中提取的图像帧进行预处理,然后采用Kalman滤波及EM算法进行处理,接着用SVM得到道路检测结果,并进行滤波处理得到最终的检测结果。由于算法采用了比BP（Back Propagation）网络具有更好的分类识别效果的SVM,所以比采用BP网络的H.Jeong等人提出的模型具有更好的检测效果。该算法在预处理部分采用脉冲耦合神经网络即（PCNN-Pulse Coupled Neural Network）消除道路上的阴影,减少了光照变化对最终检测结果的不利影响。实验表明,与H.Jeong的梯形及BP算法相比,道路的检测效果更好。     

基于Haar纹理的非结构化道路消失点检测

由于非结构化道路缺乏明显的车道标识线或车道边界,使得其检测面临很大困难.利用非结构化道路的消失点作为约束,可以显著提高非结构化道路的检测性能.但基于多尺度多方向Gabor纹理的消失点检测方法存在计算量较大的问题,并且背景干扰也常会使得现有的消失点投票方法出现大的误检.为此提出一种基于类Haar特征的非结构化道路纹理快速提取方法,该方法利用设计的实部及虚部矩形模板,通过积分图技术实现了纹理特征的快速复响应;并在此基础上,提出利用正交校正及多样性投票方法,实现非结构化道路消失点的检测.在各种非结构化道路下比较了本文算法与现有两种最新的非结构化道路消失点检测算法,实验结果表明本文算法可以显著提高非结构化道路消失点的检测性能.     

点云空间与反射强度融合的非结构化道路可行驶区域检测

可行驶区域检测旨在检测和提取智能车辆在道路上可行进的区域, 目前主流的检测方法主要基于三维激光雷达的空间特征实现, 难以处理路面边缘无清晰空间特征的非结构化道路. 为此, 本文提出了一种基于点云空间和反射强度融合的非结构化道路可行驶区域检测方法. 首先, 通过融合反射强度因子改进了基于空间特征的柱坐标系检测模型; 然后, 使用强度和降维空间检测对检测精度较低的环形检测模型进行优化, 并将其与柱坐标系检测模型联合使用以提高方法检测准确率; 最后, 在自录实际道路数据集上进行对比实验. 实验结果表明本文方法显著提高了非结构化道路可行驶区域检测的成功率与精确率, 在结构化道路上也具有良好效果.     

基于主元神经网络的非结构化道路跟踪

在概率的框架内,基于主元神经网络,提出了一种新的蒙特卡罗道路跟踪技术,用于自主陆地车辆在非结构化道路上的导航．使用直线道路模型表示道路边缘,并对其状态利用二阶自回归模型进行预测;在HSV彩色空间将颜色信息和局部空间特征相结合,利用主元神经网络提取主成分;根据道路边缘窗的统计特性,利用粒子滤波器进行道路状态的估计．实验结果表明,该方法能够鲁棒地进行非结构化道路跟踪．     

基于特征模型的非结构化道路跟踪算法研究

鉴于室外自主移动机器人视觉导航的应用需求,提出一种提高非结构化道路跟踪准确性和鲁棒性的算法。首先,利用局部二值模式LBP的纹理特征和颜色特征建立道路区域的H-S-LBP特征模型,利用特征模型对视频序列图像进行反向投影,将图像分割为道路区域和背景区域。同时,采用卡尔曼滤波器更新道路特征模型。通过反向投影与特征模型更新的交替完成,实现非结构化道路跟踪。实际应用表明,提出的算法能够准确跟踪视频图像中道路区域,对复杂多变的室外环境适应性较强,道路边缘处区分度较高,满足实时性要求。     

一种实时鲁棒的非结构化道路检测算法*

针对智能导航系统中的非结构化道路检测问题,提出一种分块分段混合高斯模型和B样条曲线模型相结合(block-segment Gaussian mixture and B-spline model,BSGMM_BS)的非结构化道路检测算法。该算法利用待处理图像的彩色信息对道路区域和非道路区域进行混合高斯建模,利用分块分段方法提取道路边界点,最后使用最小二乘法求解B样条曲线最优控制点,完成对道路双边界的拟合。实地测试和对比实验表明,该算法实时性好,对阴影、光照变化等影响具有较强的抗干扰性。     

基于方向纹理的非结构化道路消失点检测研究

随着车辆智能化的快速推进,道路的自动检测起着越来越重要的作用;但非结构 化道路由于道路标识和边界线不明显,导致检测存在困难。将非结构化道路的消失点作为约束 进行检测,可以大幅度提高检测性能,针对现有的非结构化道路消失点检测方法普遍存在计算 时间长、实时性差等缺点,为提高运算效率,提出了基于局部方向模式(LDP)纹理特征的消失 点检测方法。在计算 LDP 特征基础上,利用 Kirsch 掩模得到像素点的 4 方向响应幅值,并通 过幅值校正减少检测误差;对校正后的响应幅值进行计算得到纹理主方向;使用局部自适应软 投票方法进行投票,选取道路消失点,实现消失点检测。实验结果表明,该方法的速度更快, 且能够准确检测出非结构化道路的消失点。     

基于遗传算法和数学形态学的道路识别方法

随着将智能车辆适用环境拓展到乡村道路、荒漠、越野环境等非结构道路,机器视觉导航的难度进一步加大,成为当今人们研究的重点。文章针对智能车辆行驶的复杂道路环境提出一种新的道路检测与识别的算法。该算法采用了遗传算法对道路图像进行分割,并在此基础上对已分割图像进行数学形态学处理,然后利用canny算子进行道路边缘检测,最终得到准确清晰的道路边界信息。实验结果表明,该方法可以有效地分割出道路区域,对多种复杂路况具有良好的适应性。     

基于数学形态学的道路提取

利用遥感图像进行道路提取已经有了一些研究,如图像分割,基于知识的道路特征识别和数学形态学等,但尚有许多问题需要解决,设计了一种基于数学形态学的遥感图像道路提取算法。该算法首先将遥感图像二值化,然后进行噪声滤除、形态学边缘检测与边缘连接。通过采用ETM+遥感图像进行实验表明,该算法与传统的边缘检测与边缘闭合的算法相比,具有更好的抗噪能力,且精度较高,具有一定的现实意义。     

基于边缘检测的数学形态学方法研究

阐述了用于图像边缘检测的数学形态学方法，在图像边缘检测的预处理。边缘提取、以及边缘连接等方面均可采用数学形态学来实现，并用实验证明数学形态学用于边缘检测有其独有的优点。     

基于边缘检测的数学形态学方法研究

阐述了用于图像边缘检测的数学形态学方法,在图像边缘检测的预处理、边缘提取、以及边缘连接等方面均可采用数学形态学来实现,并用实验证明数学形态学用于边缘检测有其独有的优点.     

基于柔性数学形态学的医学图像边缘提取

医学图像边缘提取,尤其是病灶部位的边缘提取,是医学图像处理中非常重要的预处理步骤,边缘提取的质量决定了图像的最终处理结果。人们一般习惯于用微分算子和梯度形态学算子提取边缘,但这类算子都不能很好地滤除噪声,也不能提取边缘细节。文章在阐述了数学形态学一般原理与方法及柔性数学形态学原理与性质的基础上,将柔性数学形态学用于左肺上叶周围型肺癌CT图像边缘提取。实验结果表明,这一方法比微分算子和形态学边缘梯度算子更能有效地滤除噪声并将肺部轮廓和肿瘤的大小与边缘准确地提取出来。     

形态学在道路图像边界检测中的应用

在道路图像边缘检测中,为实时、有效地从获取图像中提取出路面边界,研究了一种结合数学形态学的道路图像边界检测算法。形态学是一种从集合的角度来刻画和分析图像的图像处理和分析理论,其算子的性能主要以几何方式进行刻画,更适合于视觉信息的处理和分析。对采集到的原始道路图像经由图像预处理、道路边缘检测后,应用特殊结构元素对得到的二值图像进行形态学处理。保障有用信息比例的同时,去除了大量冗余和干扰信息,减少了边缘信息总量,减轻了后续运算的压力。最后采用Hough变换对腐蚀后图像进行处理,以实现道路边界的精准定位。和未采用腐蚀运算而直接对初始边缘检测后图像进行Hough变换的效果相比,能精准、有效地提取出道路边界线,并且大大地提高了算法的实时性。     

数学形态学在边缘检测中的教学方法

数学形态学具有完备的数学理论体系,提供了一种基于图像几何特征的信息提取方法。在数字图像处理教学中,探索了数学形态学理论在边缘检测中的教学方法,并取得了较好的教学效果。     

基于分形和数学形态学的图像边缘检测方法

图像处理是视觉测量方法必需的技术,图像处理结果的好坏直接影响到了测量的质量。其中,边缘检测是重要的一步。视觉测量不仅需要较好地检测到边缘,还需要边缘尽可能是连续的。该文提出了一种基于分形理论和数学形态学的边缘检测方法。该方法利用分形理论中离散分数布朗随机场来抑制噪声得到按分形维分布的灰度图像,采用数学形态学检测连续的特征边缘。试验表明,采用该方法比经典的边缘检测算子能够更好地达到视觉测量的要求。     

噪声图像形态边缘检测的改进算法

研究了数学形态学在图像边缘检测中的具体应用，针对脉冲噪声污染的图像，深入分析了已有的抗噪型形态学差分算子的优缺点，结合对多方位形态学结构元素在边缘检测中应用的研究，提出了一种改进算法。实验表明，改进算法可以很好地去除噪声，同时较好地检测出图像边缘，改进效果明显。     

噪声图像形态边缘检测的改进算法

研究了数学形态学在图像边缘检测中的具体应用,针对脉冲噪声污染的图像,深入分析了已有的抗噪型形态学差分算子的优缺点,结合对多方位形态学结构元素在边缘检测中应用的研究,提出了一种改进算法。实验表明,改进算法可以很好地去除噪声,同时较好地检测出图像边缘,改进效果明显。