文献综述PPT

文献综述Visio-spatialRoadBoundaryDetectionforUnmarkedUrbanandRuralRoadsSource:用矢量空间道路边界检测法检测没有标示线的城乡道路structureofthesisAbstractPreviousworkIntroductionMethodEvaluationConclusionandfutureworkReferencesAbstract通常先进的高级辅助驾驶系统通过标记的车道线来判断道路的行驶区域。然而很多城乡道路没有或者很少的车道线标记。因此，本文提出了一种矢量空间法来检测没有车道线的城乡道路。基本的原理是利用SPRAYfeature（空间光线特点）—结合视觉和空间像素信息的特点对道路边界临近情况进行分类，将路面区域划分：内部道路边界附近（IBV），外部道路边界附近（OBV），剩余的部分为（RA）。左边道路按照以下顺序OBV←IBV←RA，右边道路按照以下顺序RA←IBV←OBV。因此，可以用横向边界过渡模式来进行推理道路边界线和边界线的方向。本文已经实现了在没有标记的城乡道路检测的评估。结果表明系统可以有效地检测道路边界如：路边石，公路边线的软地。3用单色相机图像实现道路边界检测和跟踪作者：Strygulec，Mueller，Meuter，Nunn，Ghosh，WoehlerinFUSION,2013,1车道识别在乡村道路作者：Franke,Loose,andKnoeppel、inProc.IEEEIntelligentVehiclesSymp.,20075以相机为基础检测和分类公路边软地和护栏作者：Seibert,Hahnel,Tewes,andRojasinProc.IEEEIntelligentVehiclesSymp.,20134融合视频和雷达的水流地面的道路边界线检测Janda,Pangerl,Lang,FuchsIEEEIntelligentVehiclesSymp.,20132基于马尔可夫随机域的道路精确检测和自主跟踪学习Guo,Mita,andMcAllester,IEEE20126结合视觉和空间信息的单眼地形的探测Fritsch,Kuehnl,Kummert,IEEE2014非结构化道路调研previouswork1.运用图像纹理、颜色、边缘特征作为参数来实现未标记车道线的行驶区域识别。通过一个微粒过滤器的装置完成优化[2]。2.交替优化算法，提高所提出的系统的鲁棒性和准确性[9]。3.用边界回旋曲线道路模型来描述道路形状，该模型的参数通过粒子滤波器来估计和跟踪，使用浓缩算法，仅仅使用纹理特征分类器。该算法有良好的可靠性[1]。4.融合图像和雷达数据来检测道路边界[6]。5用图像数据信息检测区分出道路边软地和护栏，一种方法是本地化边境使用基于纹理的区域分类，第二种方法是一种结构运动来提高结构的识别，使用该算法成功率很高[3]。6.在本文中，引入一个新的分层两阶段的方式学习道路场景的空间布局。第一阶段使用空间光线的功能，分类道路的外观，边界外观和车道标线的外观，二阶段训练不同类型的道路地形，并允许与场景中的空间布局捕捉当地的视觉属性在一起[11]。Introduction基于视觉的道路标志线检测是先进驾驶辅助系统（ADAS）的重要信息来源。先进的ADAS可以通过标志线或者高架道路分隔符推论出实际的道路。然而，由于路面的多样性和存在相似性，因此检测出道路边界面临着巨大的挑战。本文的研究已经成功的检测出农村公路边上的软地，通过从本地图片中局部提取纹理[1]和颜色以及边缘特征的方式来检测出可行驶和非行驶区域[2][3]。在此之前。由于，车辆运行时地表面会改变，因此专家就提出了一种可以实时性的适应当前路表面的模型[2][4][5]。另外，在城市高度的视觉场景，如墙、灰色的车、灰色的人行横道和道路颜色相似。在这些地方仅基于视觉表面的分析有很大的瑕疵。需要通过相机和其他传感器数据的融合来检测高障碍物[6]。还有一些方法是基于立体视觉检测物体高度[7][8][9]和甚至高精度的地图信息[10]，但是很多路边石由于物理高度不够很难被检测出。总之，之前都不能很好地检测出道路信息。为了克服以上的缺点本文提出了一种量化的方法检测未被标识的道路边界。SPRAYfeature[11][12][13]功能可以通过对图像的实时处理可以捕捉视觉和空间的特征。也可以通过整合空间的背景，区分出视觉上相似但是空间不同的路面。本文的创新即通过横向边界过渡模式对路面进行分类。systemarchitecture.Spatialclassificationoftheboundaryvicinity本文创新点是训练一个分类器能够区分出可行驶的区域和非行驶区域，然后即可抑制在非行驶区域行驶。GentleBoost算法用决策树自动获取路面多种类型的分类。普遍用二元问题和多层问题的讨论。除此自外还运用SPRATfeature实现镜面对称的方法。获得了一个更通用的边界附近分类器。即左边道路检测同样适用于右边道路。Boundaryextraction边界提取分为两步：第一步：通过横向边界过渡模式确定左右边界，为了得到做准确的边界提出了一种过滤器评分方式，用S表示得分，分数越高说明边界线越精确。在分数计算过程中应用了多个过滤器操作。分别表示三个滤波器操作分别表示三个滤波器内核ODVIDVRAFFF,,第二步：用Hought变换[14]从候选中提取道路边界线，下图为三个典型的场景，红色的表示提取出来的边界线。Filteringlateralboundarypositionsusingpartiallinearregression为了使得到的边界线更加平滑，本文运用了局部线性回归方法。把度量空间分为多个范围如图。这种线性回归可用到所有的道路边界线上。Evaluation城市道路评估结果：农村道路评估结果：Conclusionandfuturework这篇文章提出了一种不需要车道标记就能检测道路边缘的方法。这种是一种不仅靠当地的视觉外观，而且依靠空间布局的体征来检测环境的融合方法。这种基于单眼纯视觉方法已经在城市道路、没有标记的乡村道路、具有视觉挑战的道路和各种标记的道路上运行了。未来，我们将对实时性和时间积分结果近一步研究。从自主驾驶和辅助驾驶中获得的每个图像平均绝对误差和标准差控制在一个很小的范围内（最高40米）References[1]S.Strygulec,D.Mueller,M.Meuter,C.Nunn,S.Ghosh,andC.Woehler,“Roadboundarydetectionandtrackingusingmonochromecameraimages,”inFUSION,2013,pp.864–870.[2]U.Franke,H.Loose,andC.Knoeppel,“Lanerecognitiononcountryroads,”inProc.IEEEIntelligentVehiclesSymp.,2007,pp.99–104.[3]A.Seibert,M.Hahnel,A.Tewes,andR.Rojas,“Camerabaseddetectionandclassificationofsoftshoulders,curbsandguardrails,”inProc.IEEEIntelligentVehiclesSymp.,2013,pp.853–858.[4]T.Michalke,R.Kastner,J.Fritsch,andC.Goerick,“Agenerictemporalintegrationapproachforenhancingfeature-basedroad-detectionsystems,”inProc.IEEEIntelligentTransportationSystems,2008,pp.657–663.[5]J.Alvarez,T.Gevers,Y.LeCun,andA.L´opez,“Roadscenesegmenta-´tionfromasingleimage,”inComputerVision–ECCV2012.Springer,2012,pp.376–389.[6]F.Janda,S.Pangerl,E.Lang,andE.Fuchs,“Roadboundarydetectionforrun-offroadpreventionbasedonthefusionofvideoandradar,”inProc.IEEEIntelligentVehiclesSymp.,2013,pp.1173–1178.[7]D.PfeifferandU.Franke,“Efficientrepresentationoftrafficscenesbymeansofdynamicstixels,”inProc.IEEEIntelligentVehiclesSymp.,2010,pp.217–224.[8]R.DanescuandS.Nedevschi,“Newresultsinstereovisionbasedlanetracking,”inProc.IEEEIntelligentVehiclesSymp.,2011,pp.230–235.[9]C.Guo,S.Mita,andD.McAllester,“Robustroaddetectionandtrackinginchallengingscenariosbasedonmarkovrandomfieldswithunsupervisedlearning,”IEEETransactionsonIntelligentTransportationSystems,vol.13,no.3,pp.1338–1354,2012.[10]M.Enzweiler,P.Greiner,C.Knoppel,andU.Franke,“Towardsmulticueurbancurbrecognition,”inProc.IEEEIntelligentVehiclesSymp.,2013,pp.902–907.[11]J.Fritsch,T.Kuehnl,andF.Kummert,“Monocularroadterraindetectionbycombiningvisualandspatialinformation,”IEEETransactionsonIntelligentTransportationSystems,vol.PP,no.99,pp.1–11,2014.[12]T.Kuehnl,F.Kummert,andJ.Fritsch,“Visualego-vehiclelaneassignmentusingspatialrayfeatures,”inProc.IEEEIntelligentVehiclesSymp.,2013,pp.1101–1106.[13]T.Kuehnl,“Roadterraindetectionforadvanceddriverassistancesystems,”Ph.D.dissertation,BielefeldUniversity,Bielefeld,2013.[Online].Available:[14]D.Ballard,“Generalizingthehoughtransformtodetectarbitraryshapes,”Patternrecognition,vol.13,no.2,pp.111–122,1981..谢谢