結(jié)合特征與模型的啟發(fā)式非結(jié)構(gòu)化道路檢測算法研究.pdf

1、視聽覺信息的認知計算是信息科學(xué)、生命科學(xué)和數(shù)理科學(xué)的交叉學(xué)科，其發(fā)展水平反映了國家信息服務(wù)及相關(guān)產(chǎn)業(yè)的綜合實力。無人駕駛技術(shù)是視聽覺信息處理基礎(chǔ)理論研究、視聽覺認知相關(guān)的腦—機接口等關(guān)鍵技術(shù)的集成，也是國家視聽覺信息處理領(lǐng)域的整體研究實力的體現(xiàn)。其中，基于計算機視覺的道路檢測技術(shù)，是無人駕駛汽車智能導(dǎo)航系統(tǒng)的核心技術(shù)之一。道路檢測算法的實時性、對陰影、光照變化的魯棒性、對復(fù)雜道路環(huán)境的適應(yīng)能力及抗干擾能力都直接影響著無人駕駛技術(shù)的發(fā)展與

2、應(yīng)用，因而成為了國內(nèi)外專家學(xué)者的研究重點。
　　 現(xiàn)實中的道路可以分為結(jié)構(gòu)化道路和非結(jié)構(gòu)化道路，目前，由于非結(jié)構(gòu)化道路路面環(huán)境較為復(fù)雜、路面特征易受天氣、光照變化的干擾等客觀原因，精確、實時的非結(jié)構(gòu)化道路檢測仍然是一個富于挑戰(zhàn)性的問題。在已有的非結(jié)構(gòu)化道路檢測算法的研究中，基于特征的道路檢測算法魯棒性較強，但存在算法復(fù)雜度過高、環(huán)境適應(yīng)能力不足的問題;基于模型的道路檢測算法實時性較好，但仍然存在對陰影、光照變化的魯棒性較差的問題

3、。本文針對當(dāng)前已有算法的缺點，提出了一種結(jié)合特征與模型的啟發(fā)式非結(jié)構(gòu)化道路檢測算法，提升了算法對復(fù)雜環(huán)境的適應(yīng)能力、抗干擾能力與執(zhí)行速度，主要工作如下:
　　 在現(xiàn)有結(jié)合特征與模型的道路檢測算法研究的基礎(chǔ)上，針對圖像分割過程中存在的對于噪聲、陰影等的魯棒性不足的缺點，改進了基于多層神經(jīng)網(wǎng)絡(luò)的道路分割方法，采用了分塊分類的方法并設(shè)計了基于隸屬概率的判決結(jié)果修正策略，達到了提升算法對抗陰影與光照變化、隨機噪聲、干擾物的魯棒性的目的。

4、
　　 針對道路邊界擬合過程中存在的擬合結(jié)果易受噪聲干擾，在復(fù)雜場景中檢測效果變差的缺點，提出了一種啟發(fā)式道路邊界擬合的方法。該方法采用條件概率密度傳播算法對道路消失點進行跟蹤與預(yù)測，并將道路消失點的預(yù)測結(jié)果融入道路邊界擬合過程，達到了增強算法穩(wěn)定性與魯棒性的目的。
　　 針對無人駕駛汽車的實時性需求，采用GPU對算法進行加速處理并進行優(yōu)化，設(shè)計了一種GPU與CPU異步加速的優(yōu)化策略，降低了算法的處理時間消耗。