无人驾驶系统中复杂动态环境下的显著性目标的识别.doc

毕业设计
题目无人驾驶系统中复杂动态
环境下显著性目标的识别
学院机械工程学院
专业机械工程及其自动化
班级工程0701
学生李训文
学号 20070407030
指导教师王玉增
二〇一一年五月三十日
1 前言
背景
机动车辆作为社会发展与科技进步的产物,为人类的文明进步和社会经济的发展做出了不可磨灭的贡献。然而,汽车在给人类带来方便生活的同时,也给人们带来了大量的问题,例如交通安全、经常性的交通拥挤和环境污染问题等。交通事故给国家和人民的生命财产带来了巨大损失。根据统计资料表明,全世界道路交通事故的总数大约占安全事故的90%左右,所造成的伤亡人数占所有安全事故伤亡人数的80%以上。在人类的非正常死亡之中,道路交通事故作为“第一杀手”实至名归。为了解决全球社会共同面临的交通问题,美国、欧洲、日本等发达国家已经逐步采用高新技术改造现有的道路交通系统和管理体系以替代传统的修建更多的道路、扩展路网规模,并投入了大量的人力和物力以开展智能交通系统的研究。
交通标志识别系统作为无人驾驶系统的一个非常重要的子系统,也是难点之一,对其深入研究有助于提高机动车驾驶的安全性和舒适性,对智能交通系统和智能车的研究具有重要意义。另外,自然场景下的交通标志识别也是基于视觉的目标识别的一个特例,交通标志的识别技术可自然地推广到军用或民用的无人驾驶车的研究中,因而,对其深入研究也具有重要的价值。
无人驾驶系统中复杂动态环境下显著性目标的识别主要是研究交通标志识别,交通标志识别是通过安装在车辆上的摄像机或照相机录取或摄取户外自然场景图像,然后经过相应的的检测与分类算法对其进行分类理解和分析,它比一般的简单的目标识别更具挑战性,原因在于自然场景中存在各种各样的因素会影响到交通标志的检测效果和分类精度。
国内外研究现状
目前,国内虽然在智能交通系统和高级辅助驾驶系统方面作了初步的研究,也取得了一些成绩和进步。但是,由于我国在智能交通系统和智能汽车方面的研究起步比外国晚了几十年,研究的深度和广度远远不及国外发达国家的水平。

交通标志由特定的颜色、形状以及内部图形组成,因而,大部分交通标志检测算法一般都是基于颜色和形状的信息来检测交通标志。接下来对这两类检测算方法分别进行阐述。
(1)基于颜色信息的检测算法:颜色作为交通标志的主要特征之一,有很多算法都是具有大小、视角不变性和可分离性的特点。通过对特征颜色进行分割,可以删除大片非显著区域,大大增强了
系统的实时性。根据检测算法所采用的彩色空间,基于颜色的检测算法又可分为以下四类:RGB彩色空间的阈值分割算法、HIS彩色空间的阈值分割算法、 HSV彩色空间的阈值分割算法和CIE彩色空间的阈值分割算法[20]。
(2)基于形状特征的检测算法:尽管颜色信息具有大小和视角不变性和较强的可分离性,但是由于多变的自然环境的和天气的变化莫测,导致交通标志的颜色信息不稳定强度增加,给基于颜色的标志检测增加了很大的困难[20]。因此基于交通标志几何形状的特征一般不受光照影响特点,许多学者参与研究了基于几何形状的检测算法。

交通标志的分类理解和识别是交通标志识别问题的最终目标。目前,世界上已有很多的交通标志分类算法,大致可分为统计分类方法、神经网络分类方法、句法存分类和集成分类方法等[20]。

在学术方面,通过对这种显著性目标识别算法的研究,使用实时录像和识别作为智能车辆系统的信息获取手段,再结合交通和计算规则的决策和智能自动控制技术等多种先进技术的综合应用,对于无人驾驶系统的研究有着探索性的意义。无人驾驶系统所涉及到的其他技术包括图像处理、数据融合等多方面,是一项综合性极高的工程。
人类的视觉具有选择性注意的特性,我们能够从复杂、未知场景中不受复杂背景影响而快速准确地检测到我们所需要的显著目标。但在机器视觉技术和自动目标识别等领域,基于视觉注意显著图的生成方式到目前为止还没有形成统一模型。同时由于显著区域的检测在自适应压缩,图像检索和目标检测等领域中有着广泛的应用价值,因此,显著目标区域检测得到国内外众多学者的广泛和深切关注。
目前打多数人所使用的显著目标提取算法都是从低级视觉出发的,这是因为高级视觉计算模型需要学****大规模的和图像数据库有关的理论和知识,计算量大而且不具有通用性。目前现有的而且受大家欢迎的低级视觉模型主要依赖像素与像素之间的相互对比,因而缺乏利用显著目标的自身所具有的特征进行分析理解。因此,本论文依据显著目标是紧凑、显眼和完整的思路,提出一种基于局部复杂度和目标空间分布特性的自动视觉注意显著目标自动提取算法。首先根据局部区域与其多个尺度的邻域