针对隧道内不均匀光线引起的无人驾驶汽车视觉感知难题,提出采用主动式红外与可见光相融合的增强方法。通过补充图像纹理和细节信息,改善隧道内光线波动对无人驾驶的影响。首先,利用导向滤波对图像进行去噪处理,并通过对比度受限的自适...针对隧道内不均匀光线引起的无人驾驶汽车视觉感知难题,提出采用主动式红外与可见光相融合的增强方法。通过补充图像纹理和细节信息,改善隧道内光线波动对无人驾驶的影响。首先,利用导向滤波对图像进行去噪处理,并通过对比度受限的自适应直方图均衡化对不同照度下的视觉信息进行增强;其次,对增强后的红外与可见光图像利用非下采样轮廓波方法进行分解,将区域能量自适应加权平均和卷积稀疏表示的融合规则分别应用于低频基础和细节部分,对高频细节分量应用显著性融合规则;最后进行重构得到融合图像。实验结果表明:基于卷积稀CSR-RE算法(convolutional sparse representation and region energy adaptive Weighting)对比DLF(deep learning framework)算法平均时间减少了0.05 s,相较于基于稀疏表示的融合方法MI(mutual information)值提升了1.5,SF(spatial frequency)值最高提升了0.51,整体性能优于其他算法。展开更多
文摘针对隧道内不均匀光线引起的无人驾驶汽车视觉感知难题,提出采用主动式红外与可见光相融合的增强方法。通过补充图像纹理和细节信息,改善隧道内光线波动对无人驾驶的影响。首先,利用导向滤波对图像进行去噪处理,并通过对比度受限的自适应直方图均衡化对不同照度下的视觉信息进行增强;其次,对增强后的红外与可见光图像利用非下采样轮廓波方法进行分解,将区域能量自适应加权平均和卷积稀疏表示的融合规则分别应用于低频基础和细节部分,对高频细节分量应用显著性融合规则;最后进行重构得到融合图像。实验结果表明:基于卷积稀CSR-RE算法(convolutional sparse representation and region energy adaptive Weighting)对比DLF(deep learning framework)算法平均时间减少了0.05 s,相较于基于稀疏表示的融合方法MI(mutual information)值提升了1.5,SF(spatial frequency)值最高提升了0.51,整体性能优于其他算法。
