论文部分内容阅读
弯道检测是智能交通系统领域研究的重要方面。基于道路模型的弯道检测方法需要建立弯道曲线模型、拟合弯道车道线,但是一种弯道模型不适合所有不同形状的弯道,而且曲线模型复杂,计算量大,往往不能满足弯道检测算法对准确率和实时性的要求。本文采用机器学习方法来实现不同天气状况下弯道的自动检测。机器学习方法是在学习已有样本数据的基础上,获得样本数据中存在的隐含规律,然后利用此规律对未知样本数据进行预测和判断。与道路模型方法相比,这种方法只需利用弯道图像中的隐含规律,不需要建立弯道模型。本文的弯道检测算法采用支持向量机(SVM)、AdaBoost(Adaptive Boosting)算法及塔式梯度直方图(PHOG)特征对不同天气状况下的弯道进行检测。SVM是以统计学习理论和结构化风险最小化原理为基础,巧妙的利用核函数在特征空间解决非线性问题。AdaBoost算法是在提升方法的基础上发展起来的,通过加权一系列弱分类算法获得最终的强学习算法。塔式梯度直方图特征是一种能够表示图像的整体形状、局部形状以及局部形状间的空间关系的形状描述算法,具有一定的抗旋转能力和较强的抗噪性能。本文自建图像库包含理想天气及不同程度雨、雪、雾天气状况下的左右弯道,同时左右弯道依据一定的准则分别细分为4类。在此图库基础上,采用SVM和AdaBoost算法对不同天气状况下的弯道分别进行检测。实验结果表明SVM和AdaBoost算法的检测准确率分别达到了90%、77.5%以上,SVM的鲁棒性能优于AdaBoost算法。随着雨雪雾的增大,弯道检测准确率随之降低,同时与雨雪天气下的检测结果相比,雾天弯道检测准确率整体较低。基于雾天检测准确率低的问题,本文采用暗原色先验方法对弯道图像去雾,实验结果表明雾天弯道检测准确率有不同程度的提高。