基于机器视觉路面状态识别关键技术研究

论文摘要

本文采用数码照像机作为前端成像系统,通过对所获取反射图像进行特征提取和分析,对高速公路表面气象状态信息进行监测和识别。针对基于机器视觉的路面状态识别的关键技术与方法,进行了深入研究,研制出摄像型路面状态传感器,为高速公路路面环境提供安全保障;为减少由于光源色温变化带来的光照变化对路面图像识别的影响,提出基于监督颜色恒常性的亮度调整方法,提高了图像的正确识别率;对颜色特征参数提取方法进行研究,并提出基于自适应BP网络的路面图像颜色特征识别方法,提高了路面图像的正确识别率;深入研究纹理特征参数提取方法,结合小波包变换和隐马尔可夫模型的优点,提出WPHMT路面状态识别方法,解决了路面状态难以建模的问题。通过从实际路面环境中获取的图像数据进行验证,证明了所提出算法的鲁棒性和可行性。应用本文所提出的WPHMT识别方法,可提高路面状态的正确识别率8.6%;引入颜色特征参数,采用自适应BP神经网络实现对路面状态的识别,并取得不低于前一种方法的正确识别率。

论文目录

• 内容提要
• 第1章 绪论
• 1.1 课题研究背景
• 1.2 国内外气象交通研究与应用
• 1.2.1 RWIS研究历史回顾
• 1.2.2 RWIS的发展趋势
• 1.2.3 我国RWIS研究现状
• 1.3 路面状态传感器研究现状
• 1.3.1 路面状态简介
• 1.3.2 国内外路面状态监测和识别技术的研究现状
• 1.3.3 选题的意义
• 1.3.4 存在的主要问题分析
• 1.4 本文研究的主要内容
• 第2章 路面状态传感器基础理论
• 2.1 引言
• 2.2 道路表面的光谱特性
• 2.3 关于图像颜色特征的基础理论
• 2.3.1 RGB颜色模型空间
• 2.3.2 HIS颜色模型空间
• 2.4 关于图像纹理特征的基础理论
• 2.4.1 基于空间分布的纹理模型
• 2.4.2 基于频域变换的纹理模型
• 2.5 图像识别与马尔可夫随机场
• 2.5.1 图像识别的方法
• 2.5.2 Markov随机场
• 2.6 本章小结
• 第3章 基于颜色恒常性图像亮度校正算法研究
• 3.1 引言
• 3.2 影响图像颜色失真的主要因素
• 3.2.1 光源对颜色失真的影响
• 3.2.2 图像采集设备对颜色失真的影响
• 3.2.3 显示设备对颜色失真的影响
• 3.3 人类视觉颜色恒常性及颜色校正方法
• 3.3.1 人类视觉颜色恒常性
• 3.3.2 颜色校正方法
• 3.3.3 常用的光照预处理计算方法
• 3.4 改进的监督颜色恒常性算法（ISCCIA）
• 3.4.1 监督颜色恒常性算法的研究现状
• 3.4.2 基于监督颜色恒常性的亮度校正算法
• 3.4.3 监督颜色恒常性算法（ISCCIA）的实现
• 3.5 实验结果与分析
• 3.5.1 ISCCIA算法的对比实验
• 3.5.2 ISCCIA算法的验证实验
• 3.6 本章小结
• 第4章 路面图像颜色特征研究
• 4.1 引言
• 4.2 路面图像的获取
• 4.3 路面图像颜色空间分析
• 4.3.1 路面图像RGB模型空间特征
• 4.3.2 路面图像色度坐标r、g、b值分析
• 4.3.3 路面图像HIS模型空间颜色特征
• 4.4 颜色特征的实验分析
• 4.4.1 RGB特征值与路面状态的相关分析
• 4.4.2 HIS特征值与路面状态间的相关分析
• 4.5 本章小结
• 第5章 路面图像纹理特征研究
• 5.1 引言
• 5.2 基于空间分布的路面纹理共生矩阵特性分析
• 5.2.1 距离差分取值对纹理特征参数值的影响
• 5.2.2 方向取值对纹理特征参数值影响
• 5.2.3 纹理特征参数的相关分析
• 5.2.4 路面图像纹理特征参数筛选
• 5.3 应用小波包分析提取路面纹理特征
• 5.3.1 小波二进正交分解
• 5.3.2 基于小波分量的能量分布
• 5.3.3 基于小波能量特征参数的路面纹理分析
• 5.4 基于小波包熵特征参数的提取方法描述
• 5.5 实验结果与分析
• 5.5.1 小波熵特征函数的可分性实验
• 5.5.2 小波包特征提取方法与灰度共现矩阵方法的对比
• 5.6 本章小结
• 第6章 基于小波域 HMT模型路面状态识别方法
• 6.1 引言
• 6.3 隐马尔可夫模型
• 6.3.1 隐马尔可夫模型原理
• 6.3.2 HMM建模的优点
• 6.3.3 HMM的三个典型的基本问题
• 6.4 小波域 HMM的建模原理
• 6.4.1 小波域的HMT的概率图模型
• 6.4.2 小波域HMT模型的建立
• 6.4.3 小波系数的“捆绑”
• 6.5 小波域HMT模型的训练
• 6.5.1 HMT的EM算法的思想
• 6.5.2 WPHMT的EM算法描述
• 6.5.3 单个小波树的E步骤
• 6.5.4 多个小波树的E步骤
• 6.5.5 M步骤
• 6.6 WPHMT的识别算法描述
• 6.7 实验结果与分析
• 6.7.1 图像识别窗口大小对识别的影响实验
• 6.7.2 WPHMT识别方法对比试验
• 6.8 本章小结
• 第7章 基于颜色模型和神经网络路面状态识别方法
• 7.1 引言
• 7.2 标准BP网络结构及算法
• 7.2.1 标准BP网络结构
• 7.2.2 BP神经网络的学习过程
• 7.2.3 初始权值的优化选择
• 7.2.4 隐层数和隐层结点的选择
• 7.2.5 BP神经网络的学习算法及其局限性
• 7.3 改进的自适应BP算法描述
• 7.4 实验结果与分析
• 7.5 本章小结
• 第8章 全文总结
• 8.1 主要研究成果
• 8.2 下一步研究工作
• 参考文献
• 作者攻博期间发表的学术论文与参与项目
• 致谢
• 中文摘要
• Abstract