无人驾驶车辆视觉导航中几种典型道路场景的识别方法研究 (2)

菜单

致谢 29

参考文献 .. 30

1 引言 1.1 课题研究的背景及意义 1.1.1 研究背景改革开放以来，尤其是近十年来，我国的城市交通取得了显著的进步，人们的生活水平有了较大的提高，汽车的数量大幅增多。据有关部门的统计，截至 2012 年，我国的汽车保有量已达到 12313万辆。汽车在给人们日常出行带来便利的同时，也给城市交通增加了负担，此外，更给交通安全带来了很大的隐患。据公安部门的统计，2011 年全国共接报涉及人员伤亡的道路交通事故 210812 起，共造成 62387 人死亡，损失金额数十亿元[1]。在这样的背景下，对智能车辆的研究显得格外的重要。
1.1.2 研究目的道路场景识别是智能车辆自主导航系统的重要组成部分之一。道路有两类,包括：结构化道路和非结构化道路。结构化道路大多指柏油路，水泥路以及一些结构化较好的道路，这类一般具有明显的车道线和道路边界。对道路检测与识别，在这类中可以转化为对车道线或道路边界的识别与检测，所以比较容易实现。非结构化道路指结构化程度较低的道路,包括:砂石路、泥土路等.这类道路没有清晰的车道线和道路边界,再加上受到植被和积水的影响,道路区域和非道路区域难以区分[2]。本文研究目的是设计出一个道路场景识别系统。该系统能够对获取的道路场景（柏油路、水泥路、砂石路等）做出及时、准确地判断，方便司机出行，源]自{751·~论\文}网·www.751com.cn/ 缓解城市交通压力，减少交通事故的发生。
1．2 国内外研究现状道路场景识别技术是智能车辆的关键技术。而无人自主车辆视觉导航的研究一直是国内外研究的热点和关注的重要话题。自上世纪 70 年代开始，欧美等发达国家开始进行智能车辆的研究。大致可以分为二个阶段:军事用途、城市环境。在军事用途方面，早在上世纪 80年代初期，美国就已经对研究自动陆地智能车辆进行重金资助。进入21世纪，为促进智能车辆的研发，从 04 年起，美国国防部高级研究项目局(DARPA)开始举办机器车挑战大赛[3]。这大赛极大的激励智能车辆技术交流与创新。相比西方国家，我国在智能车辆的研究起点较晚，但发展很快，具有很大的发展空间。目前国内已有多所大学和研究所开展了类似方面的研究，其中国防科大，清华大学等高校走在研究的前列。例如吉林大学研制的 JLUIV系列试验车，清华大学研制的 THMR-V 西安交通大学研制的 Springrobot 试验车以及国防科技大学研制的CITAVT-IV等。
1．3 课题的研究内容本文研究的是道路场景的识别和检测，着重是在外界环境下对道路材质的分类和判断。它是通过安装在车辆上的摄像头来获取车外的道路场景，将得到的道路场景的图片送到计算机中，通过计算机来完成道路的快速识别和检测。道路处在外界环境下，受到多方面的干扰，主要有两个方面：（1）天气环境影响。由于晴天、阴天、雨天等不同天气下，图像所获得的光照条件是不同的，对相同道路所获取的图像质量也是各有差异的。（2）道路边界两侧环境影响。对于同一条道路，道路边界外两侧却不一定一样，可能是植被、路标、路灯等交替出现，所以这是区分结构化道路和非结构化道路的重要部分。在上述的复杂的自然状况下，如何快速，准确地识别道路成为本课题研究的重点和难点。为了克服上面两个不利影响，本文主要从以下几个方面进行研究：（1）图像的区域选取。本文在摄像头所获取的图像中固定截取车前的一部分道路区域，并把它们作为研究对象。（2）图像的特征提取。颜色特征提取在图像识别的研究领域应用最为广泛，为了克服光照的不利影响，同时提高算法的效率，本文在RGB颜色空间下，对图像分别绘制出RGB三色的直方图，实现道路场景的定位。（3）特征的选取和学习。为了提高道路识别效果，减少程序的运行时间。本文基于BP神经网络模型，将以 RGB颜色空间特征量归一化后串成一维数组作为 BP神经网络的输入向量。（4）图像的的分类和识别。对于截取的道路区域，道路区域以材质分类，经过BP 神经网络学习后，调整各层权值，收敛误差界值 e 达到本文所需要求。测试时，通过分类界限来评价识别效果对选中图像进行检测与识别。测试完成后，统计测试样本的识别率。