文摘

越野汽车智能车辆是一个重要的应用程序对网络技术应用于交通领域,和前面的障碍识别方法是越野智能车辆的关键技术。本文基于智能数据聚合物联网应用的范例的启发,我们主要研究感知技术在汽车网络通过使用图像数据和一个健壮的特性对称而且探测器(冲浪)。通过考虑对称和图像数据聚合,我们发现数据聚合的能力提供全球信息网络的车辆系统。之后,我们已经构建了实验平台,实验结果表明,该方法比尺度不变特征变换算法在这种情况下,可以满足水的检测精度和实时要求。这水的方法是有效的图像检测与伟大的对称越野智能车辆,同时也提供了有用的参考环境感知技术和智能数据聚合启发范式用于未来互联网的车辆,智能车辆和交通安全应用程序。

1。介绍

越野智能车辆领域的具有重要价值的国防安全,野生救援,地质调查,等等。在智能车辆自主导航和安全驾驶辅助系统,负面障碍的检测中间距离影响车辆通过能力,和水面积的负面障碍之一。视觉图像处理最重要的职责之一是识别两个图像之间的对应或两个对象在一个图像。及其应用包括对象或手势识别、特征检索、环境感知与建模、图像恢复、对象跟踪,工业检查。为了可靠地完成这些任务,它是非常重要的检测重复性高的特征点在两幅图像,即使在各种照明条件和几何转换。尺度不变特征变换(SIFT)通常是适应表示这些特征点(1]。筛选提供了这些优势:一是部分照明变化和仿射畸变不变,另一个是不变的规模和方向。然而,缺点是速度慢的在线处理结果不同的高斯(狗)过滤器的应用程序。冲浪规模不变的能力是由湾et al。2),每一对特征点可以表示为构建冲浪探测器。这种方法适用于图像的卷积积分图像,可以提高计算速度和比较特征点。然而,它不能检测对称双特征点。实际上,各种对称对象存在于自然场景和许多人为的身体,如镜面反射、动物和水果,家具,汽车,和建筑物。本文主要研究越野智能车辆的前面水识别和反射分析(3,4]。

水检测是关键的重要组成部分环境感知车辆自动导航或安全驾驶辅助系统。准确的水在视频图像检测和位置对于有利环境感知是必要的。小水体无反射相对容易探测。然而,它仍然是巨大的挑战与地形识别一些大型水体反射。实际上,存在一些重要的外观变化反射颜色,大小和形状。在这个研究领域,主要包括以下几个方面,包括传统功能,感知信息,数学模型,物联网(物联网)。许多不同的方法对这些变化的问题,提出采用各种特性和学习方法识别整个水体(5- - - - - -10]。最相关的技术使用天空反射的颜色信息来检测水域。Lakshmi Ratan使用亮度和纹理特征来检测水没有反射区域采用立体视觉信息(11- - - - - -16]。隐马尔科夫模型是用来区分车辆在路上。然而,运动特性并不有利于一些静态图像。在相关文章中,提出了各种类型的探测器或描述符(17- - - - - -21]。他们中的大多数采用角落作为当地特色,因为他们以灰色或彩色高梯度。因为他们是同盟的变体和尺度转换,哈里斯和金卢卡斯预角落探测器没有广泛使用。为了解决这个问题,兴趣点检测的自动选择。海赛矩阵规模适应和用于创建一个尺度不变特征检测器,这取决于拉普拉斯算子矩阵决定规模(22,23]。提出了一种旋转不变描述符筛选通过近似高斯分布的拉普拉斯算子矩阵。提高匹配效率,主成分分析(PCA),并没有独特的筛选和功能计算速度放缓。

近年来,物联网已导致爆炸性的数据几乎在每个工程领域的发展。与此同时,大数据成为具有强烈的现代信息技术的进步,它获得了相关性在社会的很多领域。因此,提出了智能数据聚合的概念,这是一种新的策略实现物联网大数据的生态系统。数据聚合指的选择、分析和相关数据的分类,最后获得人们想要的结果。因此,互联网的车辆(IoV)是一个典型的代表。IoV是一个巨大的网络车辆位置、速度和路线,和图像信息。所以,数据聚合的能力为IoV提供全球信息系统(24- - - - - -27]。本文基于智能数据聚合物联网应用的范例的启发,我们主要研究感知技术在车辆使用图像数据网络。我们发现一些可能的对称点健壮的特性采用对称而且探测器;然后我们确定匹配对,提取特征点。之后,我们已经构建了实验平台,实验结果表明,该方法比尺度不变特征变换算法在这种情况下,可以满足水的检测精度和实时要求。因此,这个越野智能车辆研究工作很重要,未来的物联网,和安全驾驶辅助系统的应用。

这是本文的研究主题。部分2简要调查几个步骤的特征点检测。部分3提出了如何构建新的特征点描述符。部分4提供了实验结果的检测。部分5相关的结论和未来的工作。

2。基于对称特征点探测器冲浪

2.1。物联网与大数据聚合IoV系统

车联网是物联网的典型应用领域使用。物联网的大数据的发展潜力IoV特别相关的物理车辆应用程序,如道路安全、交通效率、和自动驾驶。物联网概念的出现之前,车辆在智能交通系统(ITS)的中心。近年来随着汽车的发展,智能汽车已经逐渐成为一个研究热点。汽车智能技术已成为汽车技术发展的主要方向。它极大地提高了汽车安全,它也在改变人们的旅行和驾驶习惯。汽车智能技术包括主动安全技术、驾驶技术、援助和无人驾驶汽车技术。根据环境使用的分类,智能汽车可以分为城市智能汽车和越野智能车辆。实际上,越野智能车辆是IoV及其系统的一部分。通过提供不同的数据,如图像数据在IoV,环境数据和驾驶行为数据,和物联网智能数据聚合,有用的信息,人们希望可以直接回到IoV系统。 That is to say, the data transmission of off-road intelligent vehicles is an inspired paradigm of IoT applications [2,28- - - - - -36]。

目前,大多数学者主要关注关于IoV大数据的新分析方法,信息传输和接收车辆车辆互连技术,和优化数据聚合方法。IoV及其应用程序的系统,主要用于图像数据和环境数据收集。车辆智能技术的发展,它的研究主要集中在车辆实时状态信息。图1是物联网应用的智能数据聚合启发范式。在本文中,我们主要考虑对称性和越野智能车辆图像数据聚合。

基于城市可持续发展需求和新一代信息技术应用,物联网成为人的未来模式。随着城市化进程的深化,促进城市发展方式应该改变了物联网原理设计。例如,使用物联网技术的快速发展,特别是无线传感器网络的研究和应用,合作车辆基础设施系统。智能交通、交通安全、智能车辆和辅助驾驶的前沿方向领域的物联网在交通运输和车辆工程。他们已经成为一个关键的研究学科得到了世界上所有国家和被认为是有效的在改善道路交通可靠性和安全性,减少环境污染。同时,合作车辆基础设施系统是基于无线通信、传感器检测,获得vehicle-road信息和其他技术,通过vehicle-road信息交换和共享,实现智能协作和合作车辆和基础设施、车辆和车辆,以优化系统资源的使用,改善道路交通安全,缓慢。根据不同的功能,无人驾驶车辆的关键技术可以分为三个模块:环境感知模块、规划决策模块、运动控制模块。这三个部分相互配合。环境感知模块负责理解外部世界和路径为规划决策提供必要的信息;规划决策模块将运动指令发送给运动控制模块根据感知信息计算; and the motion control module manipulates various control mechanisms of the vehicle according to the instructions issued by the planning decision-making module such as steering wheel, brake, and accelerator. At present, in order to realize the automatic driving of intelligent vehicle far away from structured road and accomplish related tasks, named as the off-road intelligent vehicle, the most challenging technical problem must be solved to realize the reliable perception of the environment. Obstacle detection and recognition is an important part of the field of environmental perception technology. Unmanned vehicles must understand the geometric characteristics of rocks, slopes, trees, reefs, pits, and other materials, as well as the nongeometric characteristics of vegetation, air turbidity, water, and mud, in order to cope freely in outdoor complex terrain environment.

作为一个典型的物联网技术的应用场景,vehicle-road合作是智能交通和智能车辆的核心技术。Vehicle-road协作是采用先进的无线通信和新一代信息技术,实现全面动态车辆和道路之间的实时信息交换,并执行车辆主动安全控制和道路协同管理的基础上全职动态交通信息收集和整合,以便充分发挥人员和车辆之间的有效合作,保证交通安全,提高交通效率,并形成一个安全、高效、环保的道路交通系统。

2.2。创建整体形象

整体形象的一个重要概念冲浪算法中提琴和琼斯(24,25,28),而它会大大提高特征点检测的速度。坐(价值x,y点(的)x,y)积分图像代表像素灰度值的总和,而这些像素躺在一个矩形钢丝从原始图像的左上角点(x,y)。它可以由以下公式计算:

获得的积分图像遍历整个图像。考虑一个长方形有四个角点 , , ,和 ,作为显示在图2。像素灰度值的总和是由下列公式计算:

2.3。创建海赛矩阵

为了得到一个积分的图像,冲浪采用海赛矩阵近似。海赛矩阵可用于描述当地的曲率计算二阶偏导数。自积分图像是用来近似二阶高斯导数,冲浪更高效提取兴趣点。假设两个变量为一个连续函数的函数值 用 。H代表了海赛矩阵由以下公式计算:

矩阵的行列式H是由以下公式计算:

不难将这一理论应用到一个图像,而不是一个连续函数。首先,函数值 取而代之的是图像的像素值吗 。下一步是把标准二阶高斯函数作为过滤器,然后利用卷积核来计算偏导数。因此,海赛矩阵的每个元素可以通过构造卷积计算内核x,y,x- - - - - -y方向。海赛矩阵H表示通过使用一个函数,包括空间 和规模根据以下公式(2,28]: 在这里, 指的是二阶高斯导数卷积 ,类似的表达和 。卷积面具用于实际计算过程如图3。

湾提出一个盒子过滤器来简化高斯函数的拉普拉斯算子矩阵,并表示各自的内核。 和 是近似用盒子过滤器(2]。我们称这些为和如图4。

之后,海赛矩阵的歧视可以定义由以下公式: 在哪里 指卷积的结果框过滤和图像之间的操作 和费森尤斯公司是常态。系数采用平衡黑森行列式和减少近似和真实值之间的误差。兴趣点可以提取后找到这个函数的局部极大值在所有尺度空间的图像。

2.4。构建尺度空间

构建尺度空间时,后续层反复使用高斯滤波器平滑和图像大小是不同的。然而,上网方法只是过滤不同大小和原始图像是没有改变37]。在[28),作者提出了冲浪,冲浪算法用于检测车辆对称。对于我们的论文,我们使用冲浪算法来检测水对称。冲浪规模空间之间的差异和传统结构如图5。

规模空间分隔成许多个八度一系列不同尺度层组成。建设更大的过滤器时,最重要的是定义规模增加的规则,和必须考虑的因素。叶大小近似过滤器的过滤器长度的三分之一。因为只有一个中心像素是必要的,尺寸必须增加同样在这个位置。连续过滤器之间,最小的叶大小达到2和最小的步长是6,如图6。

从最小的步长是6第一个八度,对应大小的过滤器 。对于其他八度,湾提出这一事实过滤器尺寸与公差算术级数 和公差随着的增加八度序号。例如,如果 在第二个八度 在第三个八度;打个比方,海浪滤波器金字塔终于建成。图7说明了滤波器长度不同的八度。

2.5。特征点定位

海赛矩阵处理后,可以局部特征点根据海赛矩阵的行列式。首先,设置一个阈值,然后删除所有低于预定阈值的值。只有强值作为兴趣点。nonmaximal抑制用于得到一系列的兴趣点的候选人。每个像素相对于其他小区26分,由8点本地规模空间,9上八度,和9在降低八度。nonmaximal抑制步骤见图8。

3所示。建筑的特征点描述符

3.1。初步聚类分析和计算的主要取向

同时,基于物联网的智能数据聚合启发范式应用程序和以前的研究成果,聚类分析表明,图像数据k需要选择点作为初始聚类中心。在此基础上,从每个样本的距离计算集群中心,和最近的样本分为集群中心。出于这个原因,为了提高分类效率在以后的阶段,本文首先进行聚类分析的数据。特别是,它是用来区分地区不互相交叉。聚类算法的工作原理如图9。

3.2。计算的主要方向

然后,每个功能点的主要取向可以实现图像旋转不变性。确定方向,x反应和y反应可以计算通过使用哈雾模板,特征点为中心的圆内,使用为半径。图10说明了Haar小波。然后,利用高斯x-responses和y-responses加权。的加权响应Haar小波可以用向量空间表示。为了选择的主导方向,一个部门是一个角度 和旋转原点。每个组件添加到响应产生新的向量在每个位置。主要方向是由最大向量(38- - - - - -41]。这个过程见图10和11。

3.3。创建对称冲浪描述符

我们需要构建一个方形窗口大小为了提取海浪描述符。这个窗口是定期分成 区,在每个子区域2σHaar小波计算25个采样点,经常分布。因此, 计算。在这里,和指 - - - - - -小波响应和 - - - - - -小波响应,分别。每一个向量长度是 。整个过程如图12。

最初的冲浪生齿的缺点是不擅长匹配对称点。弥补不足,对称点之间,冲浪描述符需要导出的一些关系。谢长廷提出了对称冲浪探测器(37];方法的细节可以在[28]。我们使用这种方法提出的在28)来匹配对称点。不同于(28),我们主要研究水由对称冲浪检测器检测。图13显示特征点检测的结果。每一对对称点可以成功匹配。

4所示。实验结果和分析

根据研究的需求,我们建立了智能车辆的研究平台,称为DLUT-IV。DLUT-IV是一个完全与传感器智能地面车辆定位和映射,实时工业个人电脑,和线控功能29日]。所有的计算机和传感器系统和通信协议如图14传感器有不同的通信协议;车载通信是通过可以执行的,以太网,RS232, 1394火线。这辆车是1.5米宽,4.8米长。它的重量约1450公斤,可容纳4人。实验速度是20公里/小时。这个平台的详细信息可以在找到35]。图15显示了我们的实验平台,智能车辆与激光和视觉系统。

为了验证算法的有效性,我们倾向于使用离线测试。根据前面的聚合分析,物联网应用程序的搜索效率大大加速。测试的准确性对称冲浪描述符,我们选择一些完全对称的蝴蝶标本图像测试图片和一些水。数据16和17说明不同的图像的结果。测试结果表明,在处理几乎完全对称的图片,上网可以维持较高的成功匹配率。结果如下所示:(一)完全对称特性的图像数据很少存在于自然。(b)即使在静水条件下,原始对象的细节不能完全呈现在反射,所以特征提取、描述和匹配特征点变得困难。(c)尽管冲浪描述符具有旋转不变性的图像特征检测旋转并不意味着翻转。地方特色的翻转图像与原始图像有很强的相关性,和冲浪描述符的安排也不能完全表达的相关性如图18。而这些算法的性能表所示1。

与我们的研究工作的深入,我们发现它是越野智能车辆很难仅仅依靠图像信息来检测前的障碍。同时,水区域对称在整个图像的中心坐标。到目前为止,我们已经试图确定水域将实时激光数据后在车前面。如图19算法的流程图已经初步实施。然而,我们发现很难保证识别的可靠性和健壮性障碍越野环境中对象是一个障碍时只依赖一个特性。本文的方法有一定的参考价值,但它不能完全识别车辆的水域和可靠。基于数据融合、机器学习、智能数据聚合,如何提高识别率仍是下一步研究工作的重点。

5。结论和未来的研究

越野车辆智能机器人是一个重要的话题在互联网领域的车辆,安全驾驶辅助系统,车辆主动安全。水灾害检测是最难的之一,在越野环境中车辆自主导航的关键问题。这是一个巨大的挑战与地形特征识别一些大型水体反射。水反射一般分为两种情况:(1)地形特征反射和(2)天空反射,nonreflection区域。本文只是基于智能分析功能水的反射区数据聚合物联网应用的范例的启发,和实际地形和反射区域的水是对称的。反射的区域,建议提取兴趣点和构建描述符冲浪。然后,特征点之间的匹配实际图像及其反射图像在水里。在这之后,可以发现基于水线对称性质。

是高效的实时检测和完全准确的得到水边缘即使在水的倒影。对称反射图像的属性最终符合的镜面反射。非常重要的是要上网申请,然后提取特征点匹配对。传统方法,对称的冲浪探测器可能改善其效率。它能满足水的高精度检测和实时的要求,速度比尺度不变特征变换(筛选)算法。实验结果表明,该方法是有效的水图像的对称。在正常照明条件下,该方法具有适应性的智能车辆在越野环境下。

在这篇文章中,如果我们只采用对称的冲浪和图像数据,这节中描述也有一些缺陷4。本文仍然是一个初步研究工作,这是一个初步的研究考虑对称和图像数据聚合。在未来的工作中,第一个目标是改善我们的新方法的可行性来克服上述问题。此外,车车通信和车辆排控制在未来将成为我们研究的焦点。在我们未来的工作中,有三个型号的车辆排控制,超车模型、换道模型和车辆模型。此外,越野环境下,车辆和车辆排稳定控制也是一个非常有趣的研究内容。因此,低成本的多传感器技术的不断发展,激光的数据信息,视野,和雷达需要不断融合。在融合之前,数据需要汇总和分析,以方便车辆网络的客户应用程序。同时,冗余设计的智能舰队,聚类分析的数据也是一个重要的要求,满足实时适应性。最后,水检测研究在不同光照条件仍在努力,我们将继续在这个领域做更多的研究工作。 So, this work gives a reference to intelligent vehicle autonomous navigation’s perception under cross-country environment, and this is the first and tentative step work by considering symmetry and image data aggregation. It also gives a reference to safety driving assist system and vehicle active safety [42,43]。

数据可用性

使用的数据来支持本研究的发现可以从相应的作者。

的利益冲突

作者宣称没有利益冲突有关这篇文章的出版。

确认

这部分工作是由中国国家自然科学基金(51808151和51808151)和基础研究基金为广东通信理工(20181014)。