英语原文共 11 页，剩余内容已隐藏，支付完成后下载完整资料
基于特征驱动方法的自动实时道路标记识别
Alireza·Kheyrollahi·TobyP. Breckon
收稿日期：2009年12月1日/修订：2010年5月10 /接受：2010 6月20日/网上发布时间：2010年8月13日
copy;施普林格出版社2010
摘要
道路标线的自动识别是自动化视觉领域的关键问题，支持城市道路自动驾驶和其他的驾驶辅助设备如环境检测导航系统。 我们在这里提出了基于这个问题的方法，通过一个新的逆转远景图和多级二值化的方法对稳定的道路标线进行特征提取。经训练的分类与基于规则的后处理结合，以便于传送实时的所要求的道路标识信息。 该方法在一定范围内的灯光，天气和路面状况成功运行。
关键词：计算机视觉 移动机器人 道路标记识别 消失点检测 智能汽车
1引言
在过去的20年里，自主驾驶和道路智能一直是许多计算机视觉研究者关注的焦点。虽然在开发一个可以执行某种形式的自主驾驶的车辆方面取得了显著成就，但进展缓慢，因为速度、安全和实时复杂的道路情况。一个人类的驱动程序集的道路和周围的不断和大量的视觉信息。我们的大脑非常有效地分析这些信息,迅速回应一个适当的行动。计算机视觉系统能够显示一个类似的能力,它必须包括各种检测能力,每个学科重要的研究活动。
虽然工作在车道检测和跟踪是重要的，在道路标志识别是有限没有报道工作的实时道路文本识别文献。而道路标志（包括箭头）和文字识别是一个相对简单的人类的任务，自动检测将是非常有用的，也许是必要的在某些情况下的自主车或在一个日益复杂的情境意识帮助司机前道环境。
在这里，我们提出了一个多步处理管道的道路标记和文本的鲁棒识别。第一个图像帧从一个板上的摄像头捕获和预处理，以消除透视图通过逆透视映射效应（IPM）自动消失点驱动（VP）的检测。去除角度的多层次的阈值的方法提取后的效果路面上的物体与路面形成鲜明对比。这些对象被简化的轮廓表示，通过对人工神经网络（ANN）分类器的识别条件。这每一个符号（即符号级别）的结果，分类处理后，无论是驱动程序的显示或潜在的使用由一个自主驾驶决策引擎。这种方法是不在各种驾驶，照明和道路条件下实时操作。
2以前的工作
在这方面的工作是有限的，我们简要回顾了这方面的主要开创性作品。
沙博尼耶等人。报告一个标记识别的过程，它依赖于找到延伸的线用水平扫描线，然后利用Radon变换中找到最可能的两线构成的START和直线标记结束。箭的识别是基于比较的左、右投影直线标记鉴定。在这项工作中没有透视校正是在识别过程之前完成，并导致性能不是实时。
Rebut等人。描述了一个广泛的方法recognis四类箭头和线性标记。他们最初使用Hough变换的线性标记检测和箭头指针模板找到定位这个箭头标志。当标记的对象是位于路面的傅里叶描述子来提取关键特征的K-近邻（K-NN）分类器用于网络连接信号识别。训练是使用一个数据库的样本箭头标记的图像与进一步的样本创建的噪声的有限的初始数据集。一个傅里叶特征描述子°稀土元素34导致了整体的全局检测误差为6%，但一个显着的误报率为30%。再次是不能达到实时处理离线进行，在岗位分析裂解应用设置。
对这一话题最近的工作遵循类似的基于形状的方法，这里提出的不过是局限于道路上的箭头识别和使用有限的特征集驱动分类不适合于复杂的alpha;-数字字符序列，在退化的质量条件下，考虑在这里。其他最近的工作的特征识别方法是重新良好的自动化提取样本的辉煌道路符号对齐（按种子的特征识别方法。不同的方法来应对这种变化在IN-SITU对车辆运行在不同环境条件下，并没有解决这些问题。检测率（一个小的孤立的道路上只与那些符号）在这里，但取得不考虑复杂的序列识别中存在的符号的提取和道路位置相关的噪声。
相比之下，我们的方法使用一系列的功能，包括不变的空间的时刻，直方图投影和归一化角测量是实时一个受过训练的神经网络的输入我的符号识别。这种方法提供了一个显着较低的误报率，在一个更大的一组符号类的实时性能范围内的符号类（6个道路箭头类型和17个阿尔法数字字符）比在现场之前的工作。此外，它有利于在这两个不同的道路，照明和质量控制复杂的多字形序列的识别地。
图1 时间过滤的精明的边缘检测器输出。上标准的边缘检测输出。较低的时间过滤的结果精明的边缘图像序列
3透视图像校正
作为一个预处理阶段，我们的特征提取方法，我们首先进行透视校正从车辆安装，向前面对相机（如图2）获得的图像上。这是每通过一次性的消失点标定过程中形成（VP）的检测和随后的逆透视映射（IPM）。
图2 IPM变换应用于道路图像的例子
3.1个消失点检测
一个消失点是一个点的角度来看，平行线收敛。传统的二维图像基本上是三维世界的二维平面（图像平面）的变换。以下一个经典的针孔相机模型[ 23 ]平行线（如道路边缘）在三维场景出现在一点相遇在2D图像依赖摄像机的角度和镜头的特点[ 8,23 ]。例简单的是在图1所示的道路边显示（上）。
在一般情况下，图像，说明这样的角度（即透视图像）可以有多达三个这样的消失点位于图像边界，外部的边界（外部）或在无穷远（即距离内的图像，称为无限的消失point-e.g.图2左）。消失点接近中心的形象，其显性消失点，是常用的透视校正道路场景中的图像通过摄像机标定。在这个过程中的第一阶段是在图像的VPS的检测。
经典的副总裁检测的基础上检测到的图像到一个单位高斯领域内检测到的映射到一个单位的高斯领域的巴纳德[ 8 ]。每一行创建与球体上的一个环圈最大累积量，这些环圈的交叉区域定义波多黎各点位置。由不同的作者和9–边界的能力进一步发展，外部的和无限的VP检测Mak这是一种流行的方法。
然而，最近的研究表明，这样的高斯球技术，虽然简化到一个有界无界问题的搜索空间，可以产生虚假和虚假的结果，尤其是在目前噪声和纹理CE。另一种，更普遍的做法是一个极空间使用蓄电池作为中谷最初描述。每一点可以在极地空间表示E用正弦信号，这一改进使用误差最小化的正弦曲线，发现收敛。在Hough空间直线聚类也被提出作为一种替代方法，即REG ULAR Hough直线检测然后聚类线段候选人灭点。
在这项工作中，我们用这一方法，还采用了经典的Hough变换在检测VP的初始阶段的一个变种。Canny边缘检测性能输出形成一个缩小的（320times;240）和高斯平滑的图像送入颞滤波器定义如下：
从公式1，这时空滤波器TT在时间t经营超过一个给定的校准序列的一些图片我。FI是处理后的图像帧的时间我和N是数累积帧我们生成一个累积的边输出，它。这个输出，TT，然后归一化之前基于Hough检测线的进一步处理。如图1所示，这个时间过滤会减弱边缘波动的情况，与噪声（树木、阴影等，在图1上所示）在任何给定的框架和增强边缘，恒定的N帧如道路标志，一我们希望对副总裁检测的边界（图1）。一个短序列的帧，容易获得在25赫兹从一个现代化的视频源，在一个短距离的巷道给出了一个适当的稳定的基因这么多帧时间的方法是适用的。
这个输出TT然后用直线边缘特征，VP的检测，使用传统的Hough变换方法在每一帧的基础上，在先前的帧。最大检测L线提取每一帧基于Hough空间累加值线F排除后会在定位阈值LT的垂直或水平。
从这组L线（这里用L = 60），然后我们发现所有可能的线对的交叉点。然后将这些点集群，基于二维图像空间k-NN聚类方法电子（在这里使用钾= 3的最大存在的3副总裁的形象）。每个群集，然后给出一个合适的分数如下：
分数对于一个给定的集群U计算为曼哈顿所有交叉点的距离之和，（xi，yi），在集群中的消失点的前一帧（XC，YC），计算与使用相同的过程与TT Tminus;框架1（公式2）。曼哈顿距离发现经验提供更稳定的结果在降低计算成本比标准欧氏空间乙酰胆碱。在没有可用的副总裁，一个任意的点（如（0，0））使用。一个简单的平均分数从获奖的聚类方法是用来确定最终的可以帧的第二日期消失点。这导致VP进一步平均VP前一帧minus;1 T。
这个整体的VP检测过程收敛到正确的消失点大约在100帧（即4秒视频@ 25 fps）作为一次性计算昂贵的校准过程，佛一个给定的车辆相机安装。检测到的VP是用来驱动的逆透视映射（IPM）的车载摄像机图像。
3.2逆透视映射
正如前面所提到的，在二维图像的透视效果，介绍了文物，可能会干扰成功的特征提取和识别。这个问题特别流行n例地面平面物体出现在一个sim;45–90◦角度的摄像机的图像平面。这是在图2（左）的速度限制符号（40）在巷道上车前摄像头。
这种有效的观点是可以克服的，虽然不完全，运用逆透视使用一种称为逆透视映射变换技术（IPM）[ 24 ]。的应用IPM需要六个参数[ 5 ]：（1）alpha;相机的焦距，（2）从地平面的高度H的相机，（3）从公路D中相机的距离，（4）摄像机的垂直位置沿道路轴线L（5）（6）theta;俯仰角、偏航角gamma;。
虽然前四个参数是可以获得的经验从车载摄像头的安装，最后的偏航和俯仰角参数检索通过消失点（副总裁，YVP）的识别在现有的检测运动通过公式3 [ 5 ]。
IPM变换[ 24 ]然后映射点（U，V）的车辆摄像机的图像（维度[M].）点（x，y）到道路平面（公式4）。这映射到道路平面的图像的像素（Z总是零，扁平式4）可以以平面的角度来提取图像的角度失真效果删除[ 24 ]。
所需的映射（公式4）虽然计算昂贵只需要计算一次给定的一组校准消失点。然后，它可以被存储为使用，作为一个实时映射，为所有后续的图像帧车载摄像机。
这种逆映射变换的一个例子示在图2中，我们看到了一个从车辆上的图像帧摄像机（图2，左）转化为逆透视巷道地平面图（图2）基于消失点检测的概述—要是。如图2所示，图中所示的道路标志变换后的图像有明显影响的视角—在原来的部分删除。这个映射的图像是更可行的一个输入，构建一个强大的道路标记提取方法。
4路标记提取
道路标志提取包括二值化（即基于阈值的提取方法的研究的IPM变换应用于方便路面基于轮廓的字形隔离。
在极端的存在下实现强大的阈值光和影的变化是一个经典的形象挑战处一直困扰着早期作品[5,6]。众多噪声源（阴影，太阳/前照灯/路灯反射，道路表面残屑和衰变过程的干涉。布洛基[ 5 ]提出了一种图像增强方法
图3选择四个阈值p = 0.02和q = 0.17 256本累积直方图
4.1自适应图像阈值
在一般的一个氮值自适应全局阈值方法是用于创建单独的二元图像，用于后续形状隔离。归一化累积直方图[ 17 ]由此产生的IPM变换图像（灰度）是用于建立这些阈值。一个上下博尔—感兴趣的范围，在这个直方图中建立百分偏移的归一化累积—对直方图的最大值（1）。这个范围是在直方图是同样分为Nminus;1分—通过创建阈值的范围。这里，为道路场景，我们使用4和四个阈值从三个子—范围。例如，如果磷= 0.02和0.17（第二和第十七百分位）然后我们选择累积阈值值= { 0.02，0.07，0.12，0.17 }（为4），然后找到对应的图像像素值阈值为最低指数（我）累积直方图（喜）值较大大于或等于1minus;K.
如图3所示为0.02和0.17（第二和第十七百分位）相应的上下阈值下降247和254，中间的阈值（第七和第十二百分位）落在equidis—252和250的位置距离指数。总的来说，这个算法—基于累积法的研究方法--边界隔离IPM变换图像的二进制图像内的像素值分布，对应于不同的形状特征，分离，因此可以提取。
剩下的一个问题是，IPM图像分布会发生变化基本上取决于压力基准/缺失的图像帧中的任何道路标记的大小。使用固定值对磷和Q导致虚假检测假阳性符号由于低门限在一定条件下。这是处理的灰度图像的整体平均强度框架，AVG（图像），和P和Q在每一帧的基础上为I = C标度（我/平均值（我的法师）），常数C设置经验C = 128位灰度图像I = { p，q }。
一般发现在明亮的阳光下最具挑战性的符号的提取条件。图4（右）我们看到阈值使用所提出的方法在这种情况的一个例子生理盐水。四二进制图像的产生（图4，左）我们看到箭雕文很容易变得不连接，但在所有的（如图4所示，最左边的）。一种多层次自适应阈值法acilitates鲁棒连接符号提取即使在极端的照明变化和噪声的存在（如阴影图4，右）。
总体而言，该方法具有良好的鲁棒性，实时的方法从道路表面的雕文提取的道路表面，在白天和夜间驾驶条件下，在很宽的光照条件。
图4在极端照明下自适应阈值的变化
图5形状隔离post-adaptive阈值的例子
4.2形隔离
从这些二进制图像，一组连接的图像轮廓的提取采用回溯的方法[ 17 ]模拟出前成多边形形状表示使用道格拉斯–peuke[ 18 ]的衍生物。这是对所有四个版本的路面图像，从早期的IPM跨形成多层次自适应阈值分割的结果。
图5显示了一些封闭轮廓的音型从这些图像中提取用于不同类型道路标记符号的例子。左侧（图5），我们看到了IPM的输入图像在右边我们展示了简化多边形形状从二进制阈值保持应用于IPM输入四级提取。值得注意的是，提取的轮廓的复杂度变化显着。
4.3形状后处理 剩余内容已隐藏，支付完成后下载完整资料
资料编号：[147197]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
