一种基于直线模型的车道线识别算法研究*

为了更好地满足车道标志线识别算法的实时性和鲁棒性要求,提出了一种新的、有效的车道标志线识别算法。将图像灰度化后,采用中值滤波去除图像采集过程中引入的噪声,应用方向可调滤波器进行边缘提取,在提取过程中对原图像进行感兴趣区域划分并采用边缘分布函数法确定方向可调滤波器的初始方向角。提出使用基于梯度加权的霍夫变换对车道标志线进行识别,通过建立梯形感兴趣区域的方法实现对车道标志线的实时跟踪,并对多段实地采集的视频进行实验测试。结果表明:基于方向可调滤波器与梯度加权的霍夫变换相结合的车道标志线识别方法,简化了对车道标志线信息特征参量的估计;不仅大大缩减了算法的执行时间,而且使算法的鲁棒性得到很大的提高。     

基于图像处理的小麦品种分类研究

籽粒的外观特征是区别不同小麦品种的重要标志,对小麦的选育工作具有重要的参考价值.首先采用中值滤波和迭代式阈值法对采集到的4类小麦共468粒样本图像进行处理和分割;然后针对每类小麦,提取了其6个颜色特征、5个形态特征和5个纹理特征等共16个参数;最后通过构建神经网络比较了仅使用颜色和形态特征作为网络输入以及3类特征共同作用时的分类效果.试验结果表明:仅使用颜色、形态两方面的11个特征参数时,小麦样本的识别率为87.6%;当增加5个纹理特征时,样本的识别准确率达到93.13%,可有效识别出4类小麦样本.     

一种阴影及破损车道线识别方法研究

为了满足车道线识别算法在车道线存在阴影遮挡、破损及污迹覆盖情况下的适应能力,提出了一种新的、有效的识别算法。将原始道路图像灰度化后,采用中值滤波去除图像采集过程中引入的噪声。利用对称局部阈值分割算法对去噪后车道线进行特征提取;并将提取结果与经典分割算法进行对比分析。基于提取出的车道线特征点的分布规律,提出应用改进的RANSAC算法进行车道线识别。分别对在普通公路和高速公路上所采集的视频图像进行实验测试,结果表明,当车道线严重破损、完全被阴影遮挡以及被大面积污迹覆盖的情况,识别算法都能准确地将其识别。     

基于优化神经网络的小麦品种分类研究

为提高基于图像处理的小麦品种识别的准确率,首先选取L8998、内乡188、9023、优展1号、豫麦47、周麦12等6个品种作为研究对象,对采集到的小麦颗粒图像进行中值滤波后采用迭代式阈值法分割图像,提取出颜色、形态和纹理3方面共16个特征,然后通过构建神经网络研究了小麦品种的识别准确率与品种数量之间的关系.最后,为避免网络因达到局部最优而停止训练,利用MIV算法计算了各输入特征参数对分类结果的平均影响值,进而使用遗传算法对网络结构进行了优化.结果表明,随着小麦品种的增加,分类的准确率逐步下降,当待识别的小麦种类增加到6类时,优化后的神经网络的样本识别准确率从81.3％增加至85.6％,有效提高了小麦品种分类的准确性.