文 献 综 述
- 概述
道路检测是实现自动驾驶、辅助驾驶和自主导航等机器视觉应用中的关键技术之一，能够作为高层次场景理解的预处理步骤，为智能驾驶系统的路径规划和车辆控制提供道路信息，近年来一直是计算机视觉研究领域的热点。由于现实场景特别是城市道路场景的道路结构和外观具有多样性，另外存在物体遮挡、阴影和光照变化等复杂因素的影响，以及系统实时性的要求，道路检测仍然是一个具有挑战的问题．
现有的道路检测方法大致可分为两类：一类是使用场景的结构化特征来检测道路。另一类方法是通过图像分割或分类的技术来检测道路．
- 正文
2.1使用场景的结构化特征检测道路
这些方法需要较好的道路结构和标志，比如道路中的车道线、标志线和转向标志等．在不满足这些条件时算法效果较差．基于道路消失点检测道路区域的方法对环境光照变化和道路类型具有鲁棒性，但在道路结构不明显和存在遮挡时性能有大幅下降．
2.1.1结合场景结构信息和全连接CRF的道路检测方法
针对现有方法容易受道路结构完整性和阴影遮挡影响的问题，提出了一种新的道路检测方法，结合场景结构特征和图像外观特征的优点。首先对道路场景图像提取结构信息，包括消失点的检测和三维结构布局的估计；然后利用这两种结构信息，结合图像外观特征，建立全连接CRF模型；最后通过求解模型判断像素点是否属于道路区域．
实验对比结果表明：采用结构信息和全连接CRF能够有效提高道路检测的效果，对阴影和遮挡等复杂道路环境具有鲁棒性。后续可以考虑采用更快的消失点检测方法以提高算法整体的精度和效率。
2.2通过图像分割或分类的技术来检测道路
传统的做法是利用颜色和纹理等图像外观特征对像素进行分类，这种做法没有考虑像素之间关系，难以适应复杂的场景，且运算复杂度较高．近年来一些场景理解方法将检测、分割和识别等任务整合在单一过程中，对道路的检测也取得了较好的结果．这类方法首先对图像进行分割得到超像素块，对超像素提取特征进行分类，采用马尔科夫随机场或条件随机场，这类概率图模型方法来保持类别的一致性，得到超像素的类标．这类方法对非结构化的道路检测效果较好，但是对道路阴影非常敏感.
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
