基于交叉视觉皮质模型的军用机器人道路识别

发布时间：2022-02-22 18:14

　　针对地面作战军用机器人非结构化道路识别,提出一种改进的具有生物学背景的交叉视觉皮质模型（ICM）方法,将非结构化道路分分割为道路区域和非道路区域。首先将非结构化道路图像从RGB颜色空间变换到HSI空间模型,并对HIS三个分量图像进行了快速中值滤波及直方图均衡化等预处理。然后对预处理后的图像通过改进的交叉视觉皮质模型（ICM）进行道路分割。并采用二维最小Tsallis交叉熵作为分割准则,可自动地确定分割阈值以及循环迭代次数,避免了人为干预,提高了分割速度。通过实验分析,上述方法具有与传统的图像分割算法相比,具有精度高、适应性强、分割速度快、分割质量接近最佳的特点。 

【文章来源】：计算机仿真. 2020,37(10)北大核心

【文章页数】：5 页

【部分图文】：

ICM神经元架构图

可计算出图像的G-A二维直方图,它是一个L×L的矩阵,如图2所示。假设向量(s,t)为阈值向量,则该阈值向量将二维直方图矩阵分割为1,2,3,4区域。其中1和2代表背景或目标,3和4代表边界点或噪声点。因为边界点与噪声点所占比例比较小,可以认为离对角线比较远的分量近似为0,即

实验中采用地面作战机器人如图3所示,建立LT-ICM标准模型,设定参数f=0.9, g=0.8,h=25,迭代次数N=50,初始阈值θ=255。令Dmin,θbest, Nmin为二维最小Tsallis交叉熵准则的LT-ICM下的最小交叉熵值、最优阈值、最小迭代次数。选取了一些典型的非结构化道路图像进行分割,并与传统的最大类间方差法(OTSU)和最大熵法分割结果作对比,结果如图4所示。为了验证本文算法性能,分别采用传统的最大类间方差法(OTSU)与最大熵法作为对比,如表1所示,分别对典型的非结构化道路图像进行分割处理。

【参考文献】：
期刊论文
[1]移动机器人路径规划算法综述[J]. 霍凤财,迟金,黄梓健,任璐,孙勤江,陈建玲.  吉林大学学报(信息科学版). 2018(06)
[2]基于RGB熵和改进区域生长的非结构化道路识别方法[J]. 吴骅跃,段里仁.  吉林大学学报(工学版). 2019(03)
[3]基于多算法融合的复杂非结构化道路识别[J]. 黄妙华,黎洲,吴益鹏.  数字制造科学. 2017(04)
[4]基于交叉皮质模型的单幅图像阴影检测算法[J]. 李成,孙路,田润澜,毕笃彦.  自动化学报. 2014(12)
[5]基于交叉视觉皮质模型的图像快速分割新算法[J]. 朱孝政.  电子设计工程. 2013(08)
[6]基于交叉视觉皮质模型的非结构化道路检测算法[J]. 高庆吉,张磊.  电子学报. 2011(10)
[7]基于混沌弹性粒子群优化与基于分解的二维交叉熵阈值分割[J]. 吴一全,张晓杰,吴诗婳.  上海交通大学学报. 2011(03)
[8]一种新的图像分割算法[J]. 徐建军,高山,毕笃彦,陈游.  西安电子科技大学学报. 2011(01)
[9]改进的Otsu算法在图像分割中的应用[J]. 胡敏,李梅,汪荣贵.  电子测量与仪器学报. 2010(05)
[10]基于二维最小Tsallis交叉熵的图像阈值分割方法[J]. 唐英干,邸秋艳,赵立兴,关新平,刘福才.  物理学报. 2009(01)

硕士论文
[1]军用无人驾驶车辆非结构化道路识别方法研究[D]. 刘子辉.吉林大学 2007



本文编号：3639974