基于激光雷达深度信息以及图像纹理信息车辆局部环境判别算法.docVIP

基于激光雷达深度信息以及图像纹理信息车辆局部环境判别算法 　　[摘 要] 对与车辆在行驶过程中的安全性分析体系中，对于智能化的障碍提示系统一直都是人们所研究的话题，对于安全并且合理的规划路线是对于车辆定位系统的一次技术革新。在本文中，我们就在一种激光的作用下，借助雷达的显示技术来对车辆中的局部环境进行辨别方面的算法研究，可以得到相关的图像纹理分析资料，同时还能在对于车辆的动力方面提供建立模型的依据。同时在模型建立中适当的增加视频的检测手段，利用数学矩阵的方式在CCD成像中将图像的设置更改为设定的参数。将图像的小波转换技术运用在图像的纹理分析房中，最终在两种图像检测的方式中得到对于车辆局部信息最为完整的数据指标。 　　[关键词] CCD成像； 激光雷达； 图像纹理； 车辆局部； 判别算法 　　一 引言 　　在现实的行车环境中，对于行车的路线都是在路径规划的前提下进行的，根据需要，对于在行车的局部环境下，车辆在前方路面的预测方面做到判别可以起到躲避危险的效果。由于在实际的侦测当中，前面的路况较为复杂，使用单一的接受装置很难在最短的时间内做出障碍信息判断，需要在多维度立体的结构模型中，根据环境地形来对D-S进行攀比恩，并且利用摄像机对于纹理的情况整合出矩阵方程。此外，再对于CCD成像的管理中，对于车辆的局部进行特征分析，提取出工作状态的描述空间。 　　在文章中，还对对于使用在矩阵范围内的车辆检测模型的探索，包括在模型参数的背景下车辆的存在性检测和车辆速度的检测，运用二值的数学算法，了解车辆在抑制车灯和造成阴影部分的干扰处理方式，最终实现车辆信息的整体检测。 　　二 激光雷达深度信息的结构模式 　　在车辆局部环境的分析模型中，主要是由三个部分组成，这三个部分也是独立的模块体，分别是：雷达探测模块、图像采集处理模块、系统纹理分析模块。在对于实验的过程中，为了达到获取纹理信息方便的目的，在建立各个模块的构造中，算法是将实际情况与模拟情况相互连接最为有效的方式，在实验中假设车辆的动力特性，将车辆作为一个整体来考虑，在外部环境正常的情况下，车身会出现阴影。对于机械的反应速度来分析，一般控制在120ms以内，调试其他的传感装置相关性归零。系统的结构形成如下图所示： 　　在为了得到最为准确的外环境路面结构，在雷达识别中安装有多角度的片层数据采集器，以重新构建的车辆行径有效区域来划分实际的地形区间，最终形成车辆环境的三维图像。 　　根据雷达探测的周期性标示方式，在360个点的坐标基础上形成三维与二维的转换过程，并将复杂的地形资料转变为较为简单的地形数据，并融入了矩阵的距离计算，在单元体栅格的区域内获得矩阵。这也为后期在对长度和速度的信息处理以及纹理的分析中形成一体化的模式。根据不同的系统P×N的矩阵分析中，转换数字坐标之后形成合理的环境评价区间，在区间的设定中加上路面障碍的资料，通过指导因子的高程变化来最终得到车辆行径的安全路线和危险区域。 　　三 车辆图像纹理算法分析 　　在对于车辆图像纹理的研究中，关键因素是对于图像的特征值进行分析，在了解数据图像中的具体信息，比如对于道路中的斜坡、深坑以及对于行车造成影响的路面进行分析研究，提取适当的路面信息用在模式的建构当中，这对于图像纹理分析起到了很大的帮助，同时在手机纹理识别的动态因子方面也是很有作用的。具体的操作可根据车辆局部的特征进行图像的收集，并在灰度的处理中得到辨别能力较强的图像文件，根据直方图的计算方式 ，得到均分过的均分图像，结合雷达信息中的最大、最小值范围，在阀值的计算中加上最大方差的数据值。其中对于图像有较大的ISO值，导致的图像噪点，可以适当的采取一定的图像处理方式来将噪点进行剔除。最后在得到了信息量最大的边缘数据参数后将所有的图像信息进行输出。 　　在辨别方式的计算中，为了得到最为准确的计算数据，在灰度变换的过程中，要包邮原先的数据资料，这样才能在后期的直方图处理中形成较为良好的图像数据。对于数据图像在有障碍的区域当中的提取过程，对于图像为标示障碍的特点，使用阀值的计算方式是最为有效的。同时在使用最大方差的计算中，可以对于不同路面情况采集的数据图像的像素进行判别。对于不同的目标值进行距离的最大化，以r作为阀值的计算质变，在不同的区域内形成不同的像素区间，结合原先的激光雷达指标数据，可以得到最终的灰度值。在图三中我们可以看出，存在有阀值的分割，分割的目的在将图像的噪点尽可能的减少，保证图像受到外部干扰的情况最小化，也能在最优的范围区间中对于定位区域的障碍分析。 　　四 辨别法的矩阵分析 　　由于二值化过程是逐线进行的，因此可以实现车辆的实时分割。 　　将线阵CCD视场按照近景摄像机视场划分成5个逻辑车道（对应于被监控的3个物理车道），每个逻辑车道包含若干