检索结果-南通市图书馆

检索条件"主题词=视觉激光数据融合"

共 2 条记录，以下是1-10 订阅

全选清除本页清除全部题录导出标记到"检索档案"

详细简洁

排序：

基于视觉激光数据融合的非结构化道路检测

基于视觉激光数据融合的非结构化道路检测

引用

作者：徐文浩大连理工大学

学位级别：硕士

无人驾驶车要实现自主导航,需要从多传感器数据中实时获取可量化的道路区域信息。针对高速公路等结构化道路环境已经有很多实用的检测方法。与之相比,由于非结构化道路边界模糊,路面形态多样,更易受季节、天气等因素影响,使得该种环境... 详细信息

无人驾驶车要实现自主导航,需要从多传感器数据中实时获取可量化的道路区域信息。针对高速公路等结构化道路环境已经有很多实用的检测方法。与之相比,由于非结构化道路边界模糊,路面形态多样,更易受季节、天气等因素影响,使得该种环境下的可靠道路检测成为保障无人车长期稳定运行的关键。针对非结构化道路检测的问题,本文设计了一种由安装视角高低不同的两个单目摄像机构成的视觉系统。其中高视角摄像机可以覆盖前方较远区域,研究中可采用Gabor滤波算法检测并追踪道路消失点,从而实现道路延伸方向的估计。考虑车载激光的有效观测范围,将低视角摄像机的覆盖区域设定为车前九米范围内的道路区域。为了平衡分割精度与计算复杂度,采用超像素分割算法将低视角摄像机采集的图像划分成200个超像素块,然后利用支持向量机完成超像素块分类,并通过形态学处理提升道路分类效果。由于行人、车辆等物体不具备稳定的分类特征,基于单目视觉的分类算法无法保证无人车自主导航的可靠性。本文以视觉激光联合标定结果为基础,提出了一种可将视觉检测结果呈现于三维激光数据的建模方法,不仅可通过激光测距数据的几何特性对视觉检测结果进行校正,并可完成道路边界在车体坐标系下的三维描述,从而实现了道路检测与导航的无缝集成。利用自主构建的道路环境数据库进行上述检测算法有效性和实用性的验证。该数据库由非结构化道路环境中超过10000帧图像及对应的激光数据构成,数据跨越了春、夏、秋三个季节,包括晴天、阴天及雨后三种天气状况,并涵盖强光照、阴影等不同因素。实验中发现当遇到雨后等较极端环境状况时,上述算法分类精度会急剧下降,这是由于测试道路特征与训练样本特征差异过大造成的。为了解决上述问题,本文提出了一种基于在线学习的非结构化道路检测方法,采用了从测试数据中实时获取新样本用于分类器在线更新这种策略,从而提升了无人车对环境变化的适应能力。对改进的在线学习算法进行实验验证,实验结果及数据分析表明该方法检测精度和实用性均能满足无人车面向校园非结构化环境自主导航的实际需求。

关键词：非结构化道路检测在线学习形态学处理视觉激光数据融合

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于在线Adaboost集成学习算法的室外道路检测

基于在线Adaboost集成学习算法的室外道路检测

引用

作者：杜勇志大连理工大学

学位级别：硕士

道路区域的准确感知是智能移动机器人进行室外工作非常重要的前提条件之一。一般来说,道路可分为结构化和非结构化两种。由于前者具有清晰的边缘信息和人造车道标记等原因,用于检测结构化道路的算法取得了不错的进展,然而这些方法在非... 详细信息

道路区域的准确感知是智能移动机器人进行室外工作非常重要的前提条件之一。一般来说,道路可分为结构化和非结构化两种。由于前者具有清晰的边缘信息和人造车道标记等原因,用于检测结构化道路的算法取得了不错的进展,然而这些方法在非结构化道路的检测上并不适用。这主要是因为非结构化道路具有以下特点:如模糊的道路边界,各种道路类型,粗糙的路面和成像条件(不断变化的照明和天气条件能够使相同的场景变成各种不同的颜色和纹理信息)等,这些原因使得非结构化道路的检测具有更大的难度和更高的挑战。针对上述问题,本文提出了一种基于在线学习的室外道路检测方法。要完成复杂场景下的道路检测任务,关键是要设计一个能够适应道路多变的学习算法,本文所提出算法生成的在线分类器能够适应道路的变化,在路况发生变化的时候能够及时地更新分类器的训练样本从保证了分类器的适应性。本方法的核心思想是通过构建一个离线的道路样本集,在道路检测的过程中计算相邻图像的相似度,根据相似度计算结果判断是否更新在线样本池中的正样本,其中在线样本池是用来训练每次更新的分类器,正样本更新来源就是所构建的离线道路样本集。为了保证算法的准确率和实效性,本文中采用了Adaboost集成学习算法,弱分类器选用的为朴素贝叶斯分类器,相似度计算部分用到的是基于颜色直方图的巴氏距离相似度计算方法。本文通过实验室自己构建的DLUT图像数据集和Sowerby公共图像数据集对算法进行了实验验证,实验结果和数据表明本文所提出的算法有很高的检测精度和实用性。考虑到大多数的移动机器人都配备激光传感器,为了进一步提高道路检测精度,同时让道路检测结果直接用于指导移动机器人的行驶,因此尝试着将视觉数据和激光数据标定到一起,这样空间上一点不仅具有图像特征还具有点云特征。将两种特征融和起来用于分类器的训练,道路样本和非道路样本特征表述就更加丰富因此更容易区分。最后还可以将道路检测结果直接映射到三维激光数据上,从而实现了移动机器人室外道路检测与导航的有效结合。

关键词： Adaboost算法在线学习室外道路检测视觉激光数据融合

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

全选清除本页清除全部题录导出标记到“检索档案”

共1页 << < 1 > >>

回到顶部

执行限定条件

欢迎您,

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

请选择保存的检索档案：

请选择收藏分类：

通借通还

欢迎您,

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：