基于对称性特征的障碍物检测

基于对称性特征的障碍物检测,基于数字图像处理的障碍物识别,matlab,数字图像处理

基于对称性特征的障碍物检测

摘要:着重阐述基于机器视觉的前方车辆障碍物检测方法。首先根据公路上前方车辆的先验特征模型,建立障碍物探测的感兴趣区,以缩小搜索区域;随后提出一种新的对称变换算子,用于检测障碍物车辆的对称轴,并确定障碍物车辆的矩形轮廓。为进一步提高障碍物检测的实时性,采用递归模板匹配法对障碍物进行跟踪。试验表明上述方法是有效的。

关键词: 障碍物; 检测; 对称性

一、概述

探测障碍物和预测危险是智能车辆不可缺少的重要功能。对前方车辆进行实时自动探测和识别对于保持安全车距、防止发生碰撞事故具有十分重要的意义, 也是安全行驶的前提条件。

通常,人们对待识别和定位的目标都具有先验知识,人类视觉系统之所以能识别和分辨千差万别的目标,也是长期积累先验知识或者说是训练学习的结果。

本文在较广泛地调研文献的基础上，对图像识别系统进行了较为全面的综述，并以较为大量文字和具体的实例，通过使用常用的仿真语言和软件对基于数字图像处理的障碍物的识别进行了研究。第一部分通过中值滤波、梯度法锐化和边缘检测进行处理后，将目标图像与背景图像差分；第二部分再进行形态学膨胀、最小外接矩形特征计算后，在分割的基础上选择需要提取的特征，对某些参数进行测量后，根据测量结果做分类和识别，通过对标记区域计算质心进行定位识别，最后通过MATLAB软件对其进行了仿真,获得了较理想的识别结果。

二、基于对称性特征的障碍物检测

障碍物的检测识别作为图像识别的重要内容，利用计算机对获得的图像进行分析和提取其中的目标信息，达到识别障碍物的目的。由于受距离、复杂环境及技术条件的限制，拍摄的图像一般都较复杂，这为置于背景下目标的提取及识别带来了较大的困难。通过对图像识别系统的学习和分析，本章利用图像识别的技术达到对障碍物的识别的主要目的，以路面及路面车辆的图像为例，在正常光照条件下进行识别。

基于对称性特征的障碍物检测,基于数字图像处理的障碍物识别,matlab,数字图像处理

1 灰度化

图像灰度化就是使彩色的R，G，B分量值相等的过程。由于R，G，B的取值范围是[0，255]，所以灰度的级别只有256级，即灰度图像仅能表现256种颜色（灰度）。

最大值法：使R，G，B的值等于3值中最大的一个，即

R=G=B=max(R，G,，B)

显然，最大值法会形成亮度很高的灰度图像。

其中，，分别为R，G，B的权值。取不同的值，加权平均值法就形成不同的灰度图像。由于人眼对绿色的敏感度最高，红色次之，对蓝色最低，因此使将得到比较合理的灰度图像。实验和理论推导证明，当=0.30，=0.59，=0.11时，即当R=0.30R + 0.59G + 0.11B 时，能得到最合理的灰度图像。MATLAB中，RGB模式的图像进行灰度化处理时，调用函数语句为：

I=imread('*.bmp');

J=rgb2gray(I);

即可实现对彩色图像的灰度化处理，为后续工作做好准备。

2 背景差分

目标分割要对图像进行差分处理，以获得目标区域，克服噪声影响。背景差分即是将当前图像与背景图像的对应像素值相减，再对差值取绝对值后输出，得到包含有目标信息的图像。背景差分需要设定一个阈值，将亮度大于阈值的点作为目标点，反之作为背景点，从而得到目标区域，这种方法适合用来在背景图像较为稳定的情况下检测目标。

阈值选取方法分为固定阈值和自适应阈值。固定阈值是一个常数，当图像使用固定阈值得不到有效分割时，就使用自适应阈值进行处理。自适应阈值是图像灰度值的函数，随图像灰度值分布的不同而调整，适用于亮度不均的图像。

本文选取的图像是静态的，背景图像是直接获取的，所以选用固定阈值。经过分析背景图像的灰度值，阈值T=0.2。

在背景差分时，为了应对非道路部分的变化（如光照缓慢变化、路旁树枝的摇动、草地上出现行人等），由于实际场景中这些变化不一定会单独出现，所以单高斯模型无法应对这样的背景变化，所以选用高斯混合模型对背景图像进行更新，以应对背景场景出现的干扰，保证差分后图像只出现待识别的目标图像。

基于对称性特征的障碍物检测,基于数字图像处理的障碍物识别,matlab,数字图像处理

高斯混合模型使用K（一般为3~5）个高斯模型来表征图像中各个像素点的特征，统计图像中相同像素点的最近t帧值，从而得到下一像素点值在当前帧的概率密度函数：

(3.7) 式

式中，表示该像素点颜色值的R、G、B分量；权值；i=1, 2, … , k。k个高斯分布总是按照优先级(i=1, 2, … , k)从高到低的次序排列[5]。

对某像素点的每个样本更新点，判断其与已存在的K个高斯分布进行匹配，若满足条件，则与该分布匹配。若不匹配，则增加新高斯分布或者用新高斯分布代替最小的分布。新的高斯分布以作为均值。

其中。高斯模型更新完毕之后，重新排列优先级，取前B个高斯分布生成背景：

该模型中有两个重要参数和H，其中1/ 表示训练P()的最大样本空间中的 …… 此处隐藏：5364字，全部文档内容请下载后查看。喜欢就下载吧 ……