文献综述概述.pptVIP

文献综述 Visio-spatial Road Boundary Detectionfor Unmarked Urban and Rural Roads Source: 用矢量空间道路边界检测法检测没有标示线的城乡道路 structure of thesis Abstract Previous work Introduction Method Evaluation Conclusion and future work References Abstract 通常先进的高级辅助驾驶系统通过标记的车道线来判断道路的行驶区域。然而很多城乡道路没有或者很少的车道线标记。因此，本文提出了一种矢量空间法来检测没有车道线的城乡道路。 基本的原理是利用SPRAY feature（空间光线特点）—结合视觉和空间像素信息的特点对道路边界临近情况进行分类，将路面区域划分：内部道路边界附近（IBV），外部道路边界附近（OBV），剩余的部分为（RA）。左边道路按照以下顺序 OBV ← IBV ← RA，右边道路按照以下顺序 RA ← IBV ← OBV。因此，可以用横向边界过渡模式来进行推理道路边界线和边界线的方向。 本文已经实现了在没有标记的城乡道路检测的评估。结果表明系统可以有效地检测道路边界如：路边石，公路边线的软地。 3用单色相机图像实现道路边界检测和跟踪 作者：Strygulec，Mueller，Meuter，Nunn，Ghosh，Woehler in FUSION, 2013, 1车道识别在乡村道路 作者：Franke,Loose, and Knoeppel、in Proc.IEEEIntelligent Vehicles Symp., 2007 5以相机为基础检测和分类公路边软地和护栏 作者：Seibert, Hahnel, Tewes, and Rojas in Proc. IEEE Intelligent Vehicles Symp., 2013 4融合视频和雷达的水流地面的道路边界线检测 Janda, Pangerl, Lang, Fuchs IEEE Intelligent Vehicles Symp., 2013 2基于马尔可夫随机域的道路精确检测和自主跟踪学习 Guo, Mita, and McAllester, IEEE 2012 6结合视觉和空间信息的单眼 地形的探测 Fritsch, Kuehnl, Kummert, IEEE 2014 非结构化道路调研 previous work 1.运用图像纹理、颜色、边缘特征作为参数来实现未标记车道线的行驶区域识别。通过一个微粒过滤器的装置完成优化[2]。 2.交替优化算法，提高所提出的系统的鲁棒性和准确性[9]。 3.用边界回旋曲线道路模型来描述道路形状，该模型的参数通过粒子滤波器来估计和跟踪，使用浓缩算法，仅仅使用纹理特征分类器。该算法有良好的可靠性[1]。 4.融合图像和雷达数据来检测道路边界[6]。 5用图像数据信息检测区分出道路边软地和护栏，一种方法是本地化边境使用基于纹理的区域分类，第二种方法是一种结构运动来提高结构的识别，使用该算法成功率很高[3]。 6.在本文中，引入一个新的分层两阶段的方式学习道路场景的空间布局。第一阶段使用空间光线的功能，分类道路的外观，边界外观和车道标线的外观，二阶段训练不同类型的道路地形，并允许与场景中的空间布局捕捉当地的视觉属性在一起[11]。 Introduction 基于视觉的道路标志线检测是先进驾驶辅助系统（ADAS）的重要信息来源。先进的ADAS可以通过标志线或者高架道路分隔符推论出实际的道路。然而，由于路面的多样性和存在相似性，因此检测出道路边界面临着巨大的挑战。 本文的研究已经成功的检测出农村公路边上的软地，通过从本地图片中局部提取纹理[1]和颜色以及边缘特征的方式来检测出可行驶和非行驶区域[2][3]。在此之前。由于，车辆运行时地表面会改变，因此专家就提出了一种可以实时性的适应当前路表面的模型[2][4][5]。另外，在城市高度的视觉场景，如墙、灰色的车、灰色的人行横道和道路颜色相似。在这些地方仅基于视觉表面的分析有很大的瑕疵。需要通过相机和其他传感器数据的融合来检测高障碍物[6]。还有一些方法是基于立体视觉检测物体高度[7][8][9]和甚至高精度的地图信息[10]，但是很多路边石由于物理高度不够很难被检测出。总之，之前都不能很好地检测出道路信息。 为了克服以上的缺点本文提出了一种量化的方法检测未被标识的道路边界。SPRAY feature[11][12][13] 功能可以通过对图像的实时处理可以捕捉视