基于边缘检测的智能车辆的路径图像识别.ppt

单击此处编辑母版标题样式,单击此处编辑母版文本样式,第二级,第三级,第四级,第五级,*,基于边缘检测的智能车辆的路径图像识别,电信,074,班 李自信,201,1,.,0,5,.25,第一章,绪论,1.1 引言,1.2 智能车辆的研究意义,1.3 智能车辆的研究热点,1.4 智能车辆的关键技术简介,1.5,智能车辆的研究现状,智能车辆的简介,智能车辆指的是利用多种传感器和智能公路技术实现的汽车自动驾驶。它集中运用了计算机、现代传感、通讯、人工智能及自动控制等技术。智能车辆的主要特点是以技术弥补人为因素的缺陷，使得即便在很复杂的道路情况下，也能自动地操纵和驾驶车辆绕开障碍物行驶。,智能车辆研究现状,关于智能车辆的研究国外起步较早。,所以技术比较成熟，2010年10月28日，欧洲无人驾驶智能汽车行驶13000公里成功抵达上海世博园充分说明智能车辆技术已越来越成熟。,在国内，这方面研究工作的单位主要有国防科技大学、清华大学、吉林大学、北京理工大学、中科院沈阳自动化研究所等。,第二章 智能车辆的视觉路径导航原理,2.1 视觉导航的硬件基础,2.2 视觉导航的软件基础,2.3 基于视觉的智能车辆的路径导航,视觉导航的硬件基础,在机器视觉应用系统中,用到很多技术,但关键技术主要体现在光源照明、光学镜头、摄像机,(CCD),、图像采集卡、图像信号处理以及执行机构等。,照明是影响机器视觉系统输入的重要因素，它直接影响输入数据的质量和应用效果。摄像机及图像采集卡质量的好坏直接关系到路径图像质量的好坏，同时也影响着以后对图像滤波的成败。,视觉导航的软件基础,软件主要是对路径图像的处理，主要有图像的数字化、滤波及二值化。,数字化示意图如下图：,视觉导航的软件基础,对图像进行数字化后得到的最终结果是一个二维整数矩阵，这样，对数字图像的各种处理就可以变成对矩阵的各种运算。,图像的二值化处理就是将图像上的像素点的灰度值设置为,0,或,255,，二值化有利于图像的进一步处理，使图像变得简单，而且数据量减小，能凸显出感兴趣的目标的轮廓。,基于视觉的智能车辆的路径导航,基于视觉的路径导航基本原理是：假设智能车辆在较平坦的路面上行驶，通过对包含路面条状导航路径和背景的图像进行处理，便可识别出导航路径的边缘位置，从而可以得到路径的中心线；,根据此中心线的位置来判断车体与导航路径的相对位置关系（导航参数），从而进行跟踪控制。,智能车辆路径导航直线模型,模型如下图，它将智能车辆视觉传感器获得的导航路径视为一条直线，通过图像识别算法识别该路径并得到其中心线,y=kx+b,。然后得到智能车辆相对于导航路径的导航参数，即角度偏差 和位置偏差 。,视觉智能车辆路径导航原理示意图,角度偏差和位置偏差构成的向量,X,为控制器输入；控制器根据跟踪控制算法输出控制指令，使智能车辆状态,S,发生变化；角度偏差和位置偏差相应地发生变化，其更新后的数值经视觉传感器和图像处理后得到，作为输入量再次进入控制器。,第三章 路径图像的滤波,3.1,滤波的概念,3.2,图像滤波的方法,滤波,由于车辆周围道路环境的不确定性，导致获得的路径图像中会存在很多的噪声。所以要对路径图像中的路径进行识别工作前必须先对图像进行滤波。,滤波方法,图像的滤波方法有很多，常用的有线性滤波器和非线性滤波器。采用线性滤波如邻域平滑滤波，对受到噪声污染而退化的图像复原，在很多情况下是有效的。但大多数线性滤波器具有低通特性，去除噪声的同时也使图像的边缘变模糊了。而另一种非线性滤波器如中值滤波，在一定程度上可以克服线性滤波器所带来的图像模糊问题，在滤除噪声的同时，较好地保留了图像的边缘信息。,邻域平滑滤波,邻域平滑是一种在图像空间中借助模板进行模板操作的滤波技术。模板即如下图所示有点类似于矩阵的式子，大小有,3,3,、,5,5,、,9,9,等。带星号的数据表示该元素为中心元素，即这个元素是将要处理的元素。,上图所示的运算为图中的一个像素的灰度值和它周围邻近,8,个像素的灰度值相加，然后将求得的平均值作为滤波后新图像中该像素的灰度值。,邻域平滑滤波,下面即为邻域滤波的实例：,中值滤波,中值滤波是非线性滤波中最为典型的滤波技术。其原理是,:,取某种结构的二维滑动模板，将板内图像像素扫描后按照像素值的大小进行排序，生成单调上升（或下降）的为二维数据序列。通常窗内像素数为奇数,以便有一个中间像素。若窗内像素数为偶数时,则中间值取中间两像素的平均值。二维中值滤波输出为,g,（,x,y,）,=medf(x-k,y-1),(k,1 W),其中,f(x,y),，,g(x,y),分别为原始图像和处理后图像。,W,为二维模板，通常为,2,2,，,3,3,区域，也可以是不同的的形状，如线状，圆形，十字形，圆环形等。,中值滤波,下面即为以,3*3,、,5*5,为模板的中值滤波实例：,第四章 智能车辆的路径识别的边缘检测,4.1,边缘检测的概述,4.2,边缘检测的几种方法,4.3,几种常用的边缘检测微分算子,4.4,几种算子的检测结果对比分析,边缘概述,图像的边缘检测是所有基于边界分割方法的最基本的处理。图像边缘是指其周围像素灰度变化不连续的那些像素的集合，边缘广泛存在于物体与背景之间、物体与物体之间，图像边缘的确定与提取对整个图像的场景的识别与理解是非常重要的。,边缘检测的微分算子,通过梯度算子可以增强边缘信息，这对图像边缘检测起到了重要作用。用于图像边缘的梯度算子常用的有,Robert,算子、,Sobel,算子、,Prewitt,算子、,Kirsch,算子、,LOG,（,Laplacian-Gauss,）算子、,Canny(,坎尼,),算子等。,几种算子的检测结果对比分析,对下图中的的原始图像进行中值滤波后再进行图像边缘特征的提取结果如下：,几种算子的检测结果对比分析,又如对下图中原始图像进行均值滤波后再进行边缘提取结果如下图：,从以上两个例子可以看出,在相同的参数设置条件下，Canny算子能够提取更多的边缘信息。而Roberts算子提取的边缘较粗,边缘定位不准确,比较细的边缘可能会忽略。Sobel算子和Prewitt算子对边缘的定位就准确了一些,Canny算子对边缘提取的结果明显优于前三种算子,特别是提取的边缘比较完整,位置比较准确,能够检测出图像较细的边缘部分，更容易保留路径的边缘信息,。,上述介绍的几种经典的边缘提取算子共同的优点是计算简单、成熟、速度快,缺点是对噪声的干扰都比较敏感。但在经过一些改进之后,仍然有相当大的应用潜力。,谢谢各位评委老师！,请各位老师对论文的不足之处批评指正！,