本文針對雨天交通場景中車道線因為雨條紋干擾,難以被檢測到的問題提出了基于稀疏表示與低秩表示的圖像去雨算法,使輸出圖像能接近晴天時的清晰度。這兩種算法在提高車道線檢測的準確率、降低誤檢率和漏檢率三方面有重要的影響。本文利用形態學成分分析法(MCA)分離出圖像中包含的不同的形態特征。數據表明,MCA對于將圖像分解為紋理和片狀光滑部分或用于圖形復原應用非常有用。而經典算法利用圖像去雨點的具體過程為,雙邊濾波器將圖片分為高頻以及低頻成分,高頻成分中包含了背景信息以及噪音,因此可以通過提取圖像HOG特征并且通過稀疏矩陣編碼(sparse coding)以及字典學習可得到高頻圖像字典。如前文曾提及要對高頻字典進行分類,在此使用的方法是K-Means最近鄰算法,得到分類后的結果為幾何字典以及雨點成分的字典,恢復幾何字典為圖像,其后與之前儲藏的低頻成分相加,即可得到目標圖像。通過利用兩種算法對圖像進行預處理,與不作任何處理直接進行車道線檢測對比,本文發現,經過算法對圖像預處理的車道線檢測準確率更高,適用的交通場景更廣。

【文章頁數】：71 頁

【學位級別】：碩士

【文章目錄】：
摘要
ABSTRACT
第一章 緒論
    1.1 引言
    1.2 本文研究的意義
    1.3 當前研究不足
    1.4 本文的研究內容
    1.5 本文的結構安排
第二章 圖像去雨以及車道線檢測的相關理論
    2.1 雨點的成像原理
        2.1.1 雨的物理特性
        2.1.2 雨圖像的成像模型
    2.2 基于視頻的去雨算法
        2.2.1 基于時域特征的去雨算法
        2.2.2 基于頻域特征的去雨算法
        2.2.3 基于顏色特征的去雨算法
        2.2.4 基于深度學習的圖像去雨算法
        2.2.5 國內視頻去雨算法研究現狀
    2.3 基于單幅圖像的去雨算法
    2.4 基于圖像分解的單幅圖像去雨算法[7]
    2.5 車道線檢測HOUGH變換算法
        2.5.1 透視變換
        2.5.2 顏色選擇,灰度圖,高斯模糊以及canny算子
        2.5.3 霍夫轉換
    2.6 本章小結
第三章 基于稀疏表示的單幅圖像去雨改進算法
    3.1 算法簡介
    3.2 算法原理
        3.2.1 圖像分解
        3.2.2 稀疏表示
        3.2.3 字典學習
    3.3 本文算法
        3.3.1 圖像恢復時的高頻幾何分量計算
        3.3.2 字典學習后的二次分類
        3.3.3 算法框圖與步驟
        3.3.4 注意事項
    3.4 實驗結果與分析
    3.5 本章小結
第四章 基于低秩表示的單幅圖像去雨算法
    4.1 低秩表示簡介
        4.1.1 從稀疏表示到低秩表示
        4.1.2 低秩矩陣恢復
    4.2 算法原理
        4.2.1 整體框架
        4.2.2 算法步驟
        4.2.3 注意事項
    4.3 實驗結果分析
    4.4 本章小結
第五章 車道線檢測
    5.1 實驗平臺與測試數據集
    5.2 本文算法流程
    5.3 車道檢測實驗結果與分析
        5.3.1 檢測效果的評價標準
        5.3.2 車道線識別效果
    5.4 本章小結
第六章 總結與展望
    6.1 論文總結
    6.2 論文特色及創新點
    6.3 展望
參考文獻
攻讀碩士學位期間取得的研究成果
致謝
附件



本文編號：4001611