基于偏振成像的低能见度车路环境目标感知.docVIP

基于偏振成像的低能见度车路环境目标感知 　　摘要：在对低能见度环境下车路环境目标检测时，传统的算法效果不理想。针对这一问题，本文提出了基于偏振成像的低能见度车路环境目标感知算法。通过建立低能见度环境去雾模型，在此基础上对图像完成去雾后进行基于小波变换的图像融合算法，得到车路环境目标感知图像。此算法对图像的进一步处理以及检测目标信息有着重要的意义。 　　关键词：偏振成像；低能见度；目标感知； 　　2.3基于小波变换的图像融合 　　基于小波变换的图像融合是在人眼在对图像处理时，通常将图像在不同的频率中进行处理这一理论基础上进行，从而更加符合人眼的识别习惯。本文中，在对图像进行基于小波变换的融合过程中，主要完成对偏振度图像、偏振角图像、低能见度去雾后的目标场景强度图像等图像的融合。 　　基于小波变换的图像融合实现方法：首先，将要进行融合的图像进行简单的预处理，如对图像进行配准、滤波等，之后将每幅图像基于小波分解原理分解到不同的频率通道下，在对应的频率通道下根据预设的融合系数进行图像的深度融合，最后基于小波反变换，完成图像的重构，得到融合后的图像。 　　2.4 环境目标感知算法步骤 　　综上所述，提出低能见度环境下车路环境的目标感知算法的具体实现步骤为： 　　（1）获取不同偏振角度下的偏振图像； 　　（2）对获取的图像预处理，配准，滤波，归一化； 　　（3）计算Stokes矢量参数； 　　（4）根据计算到的Stokes矢量参数，计算得到偏振度和偏振角图像； 　　（5）根据与偏振片相互垂直及平行的偏振图像估计无穷远处大气光强度，得到去雾后的目标场景强度图像，对图像进行基于小波塔式分解； 　　（6）将偏振度和偏振角图像基于能量融合，对融合后的图像基于小波塔式分解； 　　（7）将前两部分解后的图像在对应的频率通道下进行融合； 　　（8）对融合后的图像进行重构，得到融合后的图像； 　　在上述步骤下，即可得到基于偏振成像的低能见度环境下的车路环境目标感知图像。 　　3 实验结果 　　实验中通过获取不同偏振角图像，采用本文提出的基于偏振成像的低能见度环境下的车路环境目标感知算法得到实验结果如图2所示。图（a）、图（b）、图（c）分别为分别取0o，60o，120o情况下的偏振图，图（d）为偏振度图，图（e）为偏振角图，图（f）经处理后得到的环境目标感知图像。由图可知，本文提出的算法对低能见度环境下车路环境目标的感知有较好效果。 　　图2 实验结果 　　4 结论 　　针对已有的低能见度环境下的车路环境目标感知算法的不足，本文提出的基于偏振成像的低能见度环境下的车路环境目标感知算法对低能见度环境下车路环境目标的识别有较好的效果，对图像的进一步处理以及检测目标信息有着重要的意义。 　　参考文献： 　　[1]龚进峰等道路环境感知与预警系统的研究[J].汽车工程.2010，32（4）328-332. 　　[2]马雷等基于灰度图像的复杂环境下智能车辆道路边界识别[J]. 汽车工程.2010，32（4）351-355. 　　[3]袁夏一种基于激光雷达的路面提取算法[J]. 中国图像图形学报.2009，14（10）2035-2041. 　　[4]Esteban J， Starr A， Willetts R， et a1. A review of data fusion models and architectures： Towards engineering guidelines [J]. Neural Computing and Applications， 2005， 14（4）： 273-281 　　[5]Gregor R， Lutzeler M， Pellkofer M， et al. Ems-Vision： A Perceptual System for Autonomous Vehicles [J]. In： IEEE Intelligent Vehicles Symposium. Dearborn， 2000，52-57 　　[6]张小刚，唐美玲，陈华，汤红忠.一种结合双区域滤波和图像融合的单幅图像去雾算法[J].自动化学报，2014，40（8）：1733-1739 　　[7]SCHECHNERY，NARASIMHAN S，NAYARS. Polarization based vision through haze[J]Applied Optics，2003，42（ 3） ： 511 -525. 　　[8]张晶晶等基于暗原色先验原理的偏振图像浓雾去除算法[J].计算机应用.2015，35（12）3576-3580. 　　[9]HE K，SUN J， TANG X. Single im