一种恶劣气候下车辆图像分割算法的研究与实现

论文摘要

在车载目标物识别系统中,图像分割能对车载摄像机所获取的图像序列进行处理,输出要检测的目标物的外接矩形区域,即感兴趣区域(Region of interest, ROI),并交付对象识别模块做进一步的判断(车或者其它)。本文在前人研究的基础上,提出并实现了恶劣环境下后方目标物的图像分割算法。本文通过分析和总结现有的恶劣气候下车辆图像分割算法的优缺点,提出了一种新的恶劣气候下的车辆分割算法。该方法通过分析大量的恶劣气候下车辆区域图像的特征,研究若干图像增强方法的实现原理,总结恶劣气候条件下车辆区域的共性,提出了适合后续算法处理的图像增强方法。为了使车辆边缘轮廓变得更清晰,更利于后续算法的实施,本文基于人眼视觉的特点,提出了粗粒度的二值图生成算法,在提高识别率的同时算法性能也得到了大幅度提升。文中详细介绍了算法中用到的阴影图、垂直边缘图等关键图像的生成算法并提出一种很好的阈值自适应方法,在此基础上提出了鲁棒性较好的车辆图像分割和定位算法。在文章的最后给出了改进后的算法和现有算法在执行性能、识别率和误识别率方面的对比。本文所提出的算法已经实现并应用于东软股份有限公司汽车电子先行技术研究中心的车辆识别引擎中。算法在不同道路环境和天气情况的评估条件下,都能对车载摄像机拍摄的图像序列中的车辆进行很好地识别。实验结果证明了本文提出的算法具有较强的鲁棒性和适用性。通过在实际道路上的实验,该算法在识别率和实时性方面都达到了很好的效果。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 课题背景
• 1.1.1 智能交通系统（ITS）
• 1.1.2 辅助驾驶系统（DAS）
• 1.2 车辆图像识别的发展现状及存在问题
• 1.2.1 国内的发展现状
• 1.2.2 国外的发展现状
• 1.2.3 目前研究存在的问题
• 1.3 本课题的目的和意义
• 1.4 本文的主要工作
• 1.4.1 研究内容
• 1.4.2 本文的组织结构
• 第二章 常用的车辆图像分割算法
• 2.1 引言
• 2.2 图像分割的定义
• 2.3 常用的车辆图像分割方法
• 2.3.1 基于车底阴影模式的车辆图像分割
• 2.3.2 基于垂直与水平边缘模式的车辆图像分割
• 2.3.3 基于角点模式的车辆图像分割
• 2.4 本章小节
• 第三章 恶劣气候下车辆图像分割算法的提出
• 3.1 引言
• 3.2 基于阴影和垂直边缘的粗粒度分割算法的提出
• 3.2.1 车辆图像的特征模式
• 3.2.2 关于阴影和垂直边缘提取的研究
• 3.2.3 基于阴影和垂直边缘的粗粒度分割算法的提出
• 3.3 综合考虑各种气候条件的灰度图生成
• 3.3.1 直方图变换
• 3.3.2 基于人眼视觉的粗粒度灰度图的生成
• 3.3.3 基于人眼视觉的粒度把握
• 3.4 图像二值化处理
• 3.4.1 车辆轮廓二值图的生成
• 3.4.2 二值化中的阈值自适应
• 3.5 车辆图像区域的分割与定位
• 3.5.1 车辆图像区域的分割
• 3.5.2 图像中含有车辆区域的对称轴的确定
• 3.5.3 车辆图像区域的定位
• 3.6 本章小结
• 第四章 车辆图像分割算法的实现
• 4.1 引言
• 4.2 算法的整体流程
• 4.2.1 灰度图处理模块
• 4.2.2 轮廓图生成模块
• 4.2.3 车辆图像分割模块
• 4.2.4 车辆图像定位模块
• 4.3 算法优化
• 4.4 本章小结
• 第五章 算法评估
• 5.1 算法的实现平台
• 5.2 算法评估体系
• 5.2.1 评估数据
• 5.2.2 评估方法
• 5.3 算法运行结果
• 第六章 结束语
• 6.1 总结
• 6.2 进一步工作
• 6.3 展望
• 参考文献
• 附录
• 致谢