基于支持向量机的非结构化道路检测_王晓彬.pdf

11 36 2011 12 科 学 技 术 与 工 程 Vol. 11 No. 36 Dec． 2011 第 卷 第 期 年 月 167 1— 1815 (2011)36-9106-04 Science Technology and Engineering  2011 Sci. Tech. Engrg. 基于支持向量机的非结构化道路检测 1 1 2 王晓彬 马 戎 付维平 ( 1 ， 7 10072 ; 2 ， 7 10077 ) 西北工业大学自动化学院 西安 西安辰飞电气有限公司 西安 。 摘 要 机器视觉检测非结构化道路边缘的难点在于路面像素与非路面像素特征差异复杂 使用支持向量机分类算法实现 。 ， 。 了非结构化道路的边缘检测 算法引入感兴趣区域来消除环境噪声 并通过交叉验证方法优化了算法参数 最后在支持向 量机的分类结果上使用霍夫变换提取道路边缘。Matlab 实验证明算法具有很好的准确性和鲁棒性。 关键词 支持向量机 非结构化道路 感兴趣区域 霍夫变换 中图法分类号 U47 1. 15 ; 文献标志码 A 智能车辆(Intelligent Vehicle)是指可以利用各 种传感技术获取车体自身和车外环境的状态信息， 、 ， 经过智能算法对其进行分析 融合处理 并依赖此 。 信息进行智能驾驶信息的新兴车辆 以图像处理 ， 为手段的机器视觉在智能车辆中有着重要地位 主 、 要体现在构建机器视觉辅助导航系统 机器视觉自 、 适应导航系统 车辆的自主启停系统以及换道超车 ［1］ 辅助系统等方面 。机器视觉导航的重要途径通 ， ， 过图像检测以提取道路边缘 基于这一热点领域 本文将感兴趣区域(ROI)分割方法和支持向量机 (SVM) ， 分类算法相结合 提出了一种针对非结构化 ， Matlab 道路的机器视觉边缘检测算法 并在 环境中 。 1 验证了算法的准确性和可靠性 算法流程如图 所示。 1 SVM 图 基于 的非结构化道路检测算法流程 固定; 1 感兴趣区域分割 2) 。 ( 两幅连续图像有较大的相关性 道路边缘识别中的 ROI 分割基本是根据以上 图像处理中的ROI 分割都依赖于具体的处理 ， 两个命题为思路延伸出两种基本的分割方法 分