基于双目视觉的障碍物识别研究.
相关主题
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
换，并与另一幅图像内相同特征点比较，确定是
否存在障碍物。
• 缺点：经验值并不适用于所有背景；通过几个特 征点的变换寻找目标的方法，不利于小目标或多 目标识。
• 3.首先检测车道和车辆轮廓，并组成一定的骨架
结构，然后在立体图像中寻找类似的结构来判定
目标。
• 缺点：仅适用于同类型目标的识别。
3 算法的对比分析
4.2 算法设计
• 1.利用立体视觉匹配技术建立视差图，并对该视
差图进行了改进以便减少误匹配。
• 2.对改进的视差图，沿图像坐标系中的V坐标轴方
向(纵坐标)，由上至下逐行扫描，累加具有相同
视差值的像素点的个数，由此建立一幅V方向上 的视差图。
• 3.在此视差图中，采用基于灰度图像中的直线提取
方法，从v方向视差图中，提取出一些直线信息。
1.利用神经网络分别提取立体图像对中的边缘，然后
进行边缘匹配，最后通过场景重建提取目标。
优点：简化了逐像素匹配过程，仅对边缘匹配，
可准确识别距离摄像机近的目标。
缺点：远离摄像机或目标部分残缺时，出现错误
识别。
• 2.首先划分目标区和非目标区，然后利用反透视
原理，对图像对中一幅图像的几个特征点进行变
• 4.通常，代表障碍物的直线一般是竖直的。可将障 碍物从背景中提取出来。
5.算法的实现
• 1. V一视差图的生成 计算左图所有像素相对右图同名点的水平视差， 并以每个像素点的视差作为该点对应的新灰度值， 即可形成浓密视差图像(ul,vl,Δp)。
• 利用视差图内包含的三维信息，累加视差图像每 一行上具有相同水平视差的像素个数，count 1， 并以(ΔP，vl)为新的像素坐标，以count1为对应 于该像素的灰度值，这样就形成了高度和原图像 一致的新图像的V视差图像。
THE END THANK YOU!
水平线。 • 2.根据同一目标上的点视差值相近的原理，以每 一个障碍物垂线为中心在水平方向延伸进行搜索， 就可以最终锁定障碍物所在区域。
6 结论
• 结合道路检测方法，去除冗余信息，能够准确有效地找到 障碍物位置并进行标示。 优点：
1.摒弃了假设道路一直为水平的约束。
2.对道路环境要求不高。 3. 客观因素的影响下具有较好的鲁棒性，适用于城镇一般交 通状况下。 缺点：目前处于试验阶段，不能运用实际的车辆预警系统中。
息，达到提前预警的目的。
• 对智能驾驶系统和机器人导航的进一步开发有
重大的意义。
2 国内外研究现状
• 基于立体视觉的障碍物检测是目前障碍物检测中 最常用的方法。 • 1.首先使用两个或多个摄像机从不同视角同时获 取场景图像; • 2.通过图像匹配发现障碍物并得到图像间的视差; • 3.根据障碍物在图像中的位置、视差以及摄像机 标定参数计算出障碍物的实际距离。
2.障碍物目标的识别
• 通过引入Hough变换或直线拟合等其它算法提取v
一视差图像中的线段，即可确定路面和障碍物面Biblioteka Baidu
在图像中的准确位置。
• 而且路面和障碍物面的交点即为障碍物的触地点。
垂直的直线段高度代表障碍物的高度。
宽度可以通过2种方法得到:
• 1.对前面得到的浓密视差图进行U方向的视差计算
得到U视差图，从而得到一条代表障碍物宽度的
存在一个共同的问题：
• 1.一般只适用于简单背景，并且对阴影、光照、
反光等天气变化造成的背景变化很敏感。
• 2.有些在分析中还要一些不切实际的假设。例如:
假设路面保持水平、假设车型满足某种条件等。
4.1算法的提出
• 采用基于双目视觉识别技术，并含有复杂背
景图像的目标识别算法—v视差图法来识别
障碍物。
基于双目视觉的障碍物识别研究
组 长：郇宝贵 小组成员：王朋辉 侯帅格 杨琳 查婷婷 马靖然 张瑾
基于双目视觉的障碍物识别研究
• • • • • •
研究的目的意义 国内外研究现状 算法的对比分析 算法的提出和设计 算法的实现 结论
1. 研究的目的意义
• 城市复杂的路况背景下，利用双目视觉目标识 别技术，来进行车辆前方障碍物的自动识别， 为驾驶员或无人驾驶车辆提供潜在的障碍物信
否存在障碍物。
• 缺点：经验值并不适用于所有背景；通过几个特 征点的变换寻找目标的方法，不利于小目标或多 目标识。
• 3.首先检测车道和车辆轮廓，并组成一定的骨架
结构，然后在立体图像中寻找类似的结构来判定
目标。
• 缺点：仅适用于同类型目标的识别。
3 算法的对比分析
4.2 算法设计
• 1.利用立体视觉匹配技术建立视差图，并对该视
差图进行了改进以便减少误匹配。
• 2.对改进的视差图，沿图像坐标系中的V坐标轴方
向(纵坐标)，由上至下逐行扫描，累加具有相同
视差值的像素点的个数，由此建立一幅V方向上 的视差图。
• 3.在此视差图中，采用基于灰度图像中的直线提取
方法，从v方向视差图中，提取出一些直线信息。
1.利用神经网络分别提取立体图像对中的边缘，然后
进行边缘匹配，最后通过场景重建提取目标。
优点：简化了逐像素匹配过程，仅对边缘匹配，
可准确识别距离摄像机近的目标。
缺点：远离摄像机或目标部分残缺时，出现错误
识别。
• 2.首先划分目标区和非目标区，然后利用反透视
原理，对图像对中一幅图像的几个特征点进行变
• 4.通常，代表障碍物的直线一般是竖直的。可将障 碍物从背景中提取出来。
5.算法的实现
• 1. V一视差图的生成 计算左图所有像素相对右图同名点的水平视差， 并以每个像素点的视差作为该点对应的新灰度值， 即可形成浓密视差图像(ul,vl,Δp)。
• 利用视差图内包含的三维信息，累加视差图像每 一行上具有相同水平视差的像素个数，count 1， 并以(ΔP，vl)为新的像素坐标，以count1为对应 于该像素的灰度值，这样就形成了高度和原图像 一致的新图像的V视差图像。
THE END THANK YOU!
水平线。 • 2.根据同一目标上的点视差值相近的原理，以每 一个障碍物垂线为中心在水平方向延伸进行搜索， 就可以最终锁定障碍物所在区域。
6 结论
• 结合道路检测方法，去除冗余信息，能够准确有效地找到 障碍物位置并进行标示。 优点：
1.摒弃了假设道路一直为水平的约束。
2.对道路环境要求不高。 3. 客观因素的影响下具有较好的鲁棒性，适用于城镇一般交 通状况下。 缺点：目前处于试验阶段，不能运用实际的车辆预警系统中。
息，达到提前预警的目的。
• 对智能驾驶系统和机器人导航的进一步开发有
重大的意义。
2 国内外研究现状
• 基于立体视觉的障碍物检测是目前障碍物检测中 最常用的方法。 • 1.首先使用两个或多个摄像机从不同视角同时获 取场景图像; • 2.通过图像匹配发现障碍物并得到图像间的视差; • 3.根据障碍物在图像中的位置、视差以及摄像机 标定参数计算出障碍物的实际距离。
2.障碍物目标的识别
• 通过引入Hough变换或直线拟合等其它算法提取v
一视差图像中的线段，即可确定路面和障碍物面Biblioteka Baidu
在图像中的准确位置。
• 而且路面和障碍物面的交点即为障碍物的触地点。
垂直的直线段高度代表障碍物的高度。
宽度可以通过2种方法得到:
• 1.对前面得到的浓密视差图进行U方向的视差计算
得到U视差图，从而得到一条代表障碍物宽度的
存在一个共同的问题：
• 1.一般只适用于简单背景，并且对阴影、光照、
反光等天气变化造成的背景变化很敏感。
• 2.有些在分析中还要一些不切实际的假设。例如:
假设路面保持水平、假设车型满足某种条件等。
4.1算法的提出
• 采用基于双目视觉识别技术，并含有复杂背
景图像的目标识别算法—v视差图法来识别
障碍物。
基于双目视觉的障碍物识别研究
组 长：郇宝贵 小组成员：王朋辉 侯帅格 杨琳 查婷婷 马靖然 张瑾
基于双目视觉的障碍物识别研究
• • • • • •
研究的目的意义 国内外研究现状 算法的对比分析 算法的提出和设计 算法的实现 结论
1. 研究的目的意义
• 城市复杂的路况背景下，利用双目视觉目标识 别技术，来进行车辆前方障碍物的自动识别， 为驾驶员或无人驾驶车辆提供潜在的障碍物信