基于DS证据理论不同光照条件下道路边界识别方法

论文摘要

在智能车辆和安全辅助驾驶技术中,对前方道路边界的识别是最重要的研究内容。当前基于单目机器视觉技术所设计的算法可以实现白天复杂工况下弯曲路径的识别。相对于需对图像进行预处理的传统识别方法具有较高的可靠性和实时性。然而,却存在以下三点不足:第一对于灰度特征的选取采用全局特征,此特征易受光照条件的影响;第二没有提取道路的方向性特征,且梯度及灰度特征的分辨率仅有四种;第三目标函数的建立采用模式识别中线性分类器,虽然形式简单易于实现,但可靠性有待进一步提高。对于不同光照条件下的道路识别,本文提出基于DS证据理论不同光照条件下道路边界识别方法。首先,提取出受全局灰度和图像噪声影响较小的道路边界局部梯度特征、局部灰度特征和方向特征,将梯度及灰度特征的分辨率扩充为14种;其次,通过DS证据理论,将道路边界三个特征和有效统计单元所占比重进行有效信息融合,使得目标函数可以准确地拟合曲线的总体质量;再次,在大量实验样本和光强信息的基础上,设定不同光照条件下的道路边界检验阈值选取范围;最后,应用蚁群算法以目标函数为指导,利用信息素的正反馈从而尽快地确定道路边界。以TMS320DM642为硬件开发平台设计道路边界识别系统。通过对代码进行应用层优化,内联函数优化和数据打包等处理,使系统实现了较高的实时性,为系统的产业化提供了良好的硬件平台。将不同光照道路边界识别系统应用于实车进行实验,实验证明本文所设计的方法能够在不同光照条件下准确地拟合道路边界并且具有较高的实时性。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 智能车辆概述
• 1.2 智能车辆机器视觉技术的国内外研究现状
• 1.3 本课题研究的意义、主要内容
• 第2章 不同光照条件下道路边界识别
• 2.1 传统识别方法中预处理过程及结果分析
• 2.1.1 图像预处理过程
• 2.1.2 图像预处理效果及分析
• 2.2 图像获取与道路边界模型建立
• 2.3 道路边界特征分析
• 2.4 道路边界特征提取
• 2.4.1 特征单元选取
• 2.4.2 道路边界局部特征选取
• 2.5 目标函数中统计单元的选取
• 2.6 DS 证据理论
• 2.7 目标函数的建立
• 2.8 检验阈值的选取
• 2.9 蚁群算法在道路识别中的应用
• 2.9.1 蚁群算法概述
• 2.9.2 节点和路径的生成
• 2.9.3 信息素的设置与更新原则
• 2.9.4 蚂蚁爬行路径的选择
• 2.9.5 用蚁群算法优化抛物线参数的步骤
• 2.10 本章小结
• 第3章 基于DSP 道路边界识别系统开发与优化
• 3.1 TMS320DM642 基本介绍
• 3.1.1 TMS320DM642 CPU 结构
• 3.1.2 CPU 的数据通路
• 3.1.3 TMS320DM642 集成外设
• 3.2 系统设计
• 3.2.1 系统硬件设计
• 3.2.2 TMS320DM642 视频驱动
• 3.2.3 嵌入式操作系统设计
• 3.2.4 系统的程序设计
• 3.3 程序优化
• 3.3.1 应用层优化
• 3.3.2 代码层优化
• 3.3.3 汇编代码级优化
• 3.4 实验结果
• 3.5 本章小结
• 第4章 不同光照道路边界识别实验
• 4.1 试验所用设备
• 4.1.1 光学CCD 摄像机
• 4.1.2 摄像机镜头
• 4.1.3 TMS320DM642 DSP 处理器
• 4.1.4 光强传感器
• 4.1.5 红外灯
• 4.2 实验过程
• 4.3 本章小结
• 结论
• 参考文献
• 攻读硕士学位期间承担的科研任务与主要成果
• 致谢
• 作者简介