基于动态图像的道路检测技术分析.docVIP

基于动态图像的道路检测技术分析 　　【摘要】随着我国科技的进步和经济的发展，人民生活水平日益提高，相应的对道路交通的发展要求也逐年攀升。目前，许多国家都在致力于道路基础设施改善的研究，以此来完善现有的交通现状。本文通过介绍动态图像的相关概念，说明道路检测技术的现状、存在问题以及发展趋势，从而作出基于动态图像的道路检测技术分析。 　　【关键词】动态图像；道路检测；图像预处理 　　道路检测和障碍物追踪共同组成道路追踪，而现实中的道路被分为结构化道路和非结构化道路，其中非结构化道路具有分道线标志不明显、道路边界不清晰an于动态图像对道路检测技术进行研究。 　　一、道路检测技术的现状 　　道路被分为结构化道路和非结构化道路，在实际情况中，通常采用不同的道路检测技术进行处理。道路检测的目的是为了能够准确获取车道线、道路边界等信息，规定汽车的可行驶区域，从而保证车辆行驶安全。 　　1.结构化道路和非结构化道路的检测技术 　　结构化道路指的是高速公路、城市要道等具有明显分道线标志和道路边界的道路。因此，结构化道路的检测就可以被看作是分道线和道路边界的检测。由于现实中的道路情况天差地别，所以并不存在固定统一的道路检测系统，但是随着科学技术水平的进步，国内外的智能车辆系统都采用了一些有利于问题简化的假设性方法，比如道路形状假设、宽度假设以及兴趣区域假设、路面先验知识假设。 　　所谓非结构化道路就是城市非主干车道、乡村道路等没有明显分道线标志和道路边界的道路，如田间小路等。由于非结构化道路具有上述问题，再加上受各种恶劣气候环境的影响，因此常常遇到因为不清晰的分道线和道路边界而引起的检测困难。 　　其中，结构化道路可以被归纳为对分道线和道路边界的问题的检测，其技术已经日渐成熟，而非结构化道路因其特殊性，相关的道路检测技术仍处于研究阶段。 　　2.现存的道路检测算法 　　2.1 基于彩色图像的分割方法 　　运用RGB的彩色成像原理，通过对输入的道路图像的每个彩色像素点所在特定空间位置所对应的红、绿、蓝三个分量与周围环境的差别，对道路和非道路的部分进行图像的二值化划分。由于此种检测方法在划分过程中的作用不是很理想，因此又开发了基于HSG的图像分割方法，以此弥补过去彩色图像分割方法的缺憾。 　　2.2神经网络方法 　　神经网络方法是适用于智能车辆导航研究的有效方法。神经网络系统采用三层前向网络，分别为输入层、隐层和输出层。这种方法不仅可用于智能车辆导航的研究，而且可以作为非结构性道路的跟踪方法。但是此种方法对分道线位置的获取产生一定的困难性，无法有效应用于等级较高的道路。 　　2.3基于灰度图像的车道检测与跟踪算法 　　基于灰度图像的车道检测与跟踪算法可以有效应用于等级较高的道路，充分获取分道线信息，可以说是当今世界最主流的道路检测方法。但是，此种方法依然存在一些显著问题，如由建筑等物体产生的阴影对路面灰度值的影响问题，或者较难准确估计被其他车辆挡住的分道线部分。 　　2.4神经模糊技术方法 　　神经模糊技术也是被用来研究人工智能系统的方法，这点与神经网络方法的出发点相同，两者结合可以扬长避短，使信息的获取与加工更加便捷。但是，利用神经模糊技术来研究人工智能的工作尚不成熟。 　　二、图像预处理的应用 　　1.动态图像 　　动态图像是指由摄像机记录的一系列不间断图像构成的视频图像。数字图像是根据不间断的模拟图像采样和量化得到的，其基本单位是像素，而图像就是像素的集合。 　　图像处理技术有模拟图像处理和数字图像处理两种。模拟图像处理主要是运用光学和电子进行处理，其优势是速度快，时效性强，但是精度较差。数字图像处理的原理是将不间断的模拟图像转换成分散的数字图像，在预先设定的程序下，进行各种图像处理。 　　为提高图像处理的实效性，道路图像的处理需要先进行图像灰度化，也就是说把提供的彩色图像换化为黑白图像，然后将灰度化的图像进行二值化，以此减少计算机的运算量。 　　2.图像预处理 　　在实际运用中，由于各种原因常常造成图像质量的下降，对结果的获取造成很大影响。因此，在对图像进行分析之前，必须通过图像预处理对图像进行调整。图像预处理的意义在于降低道路检测方法的繁杂性，增强道路图像的信息的可信度，以此提高道路图像的质量。其主要方法有图像增强和图像复原两种。 　　图像增强是指将图像中作用较大的的特点有选择的增强，而弱化一些不必要的特点。图像增强又包括空域法和频域法两类，其中空域法对图像中的每个色素点都进行处理，而频域法则是在图像的某个像素变换区域内，对图像进行处理。图像复原需要先确立一个“降质模型”，再通过这个模型，对图像进行回复处理。 　　三、道路区域的分割与道路边界的识别 　　1、道路区域和非道路区域的