在人工智能领域随着机器学习、机器视觉与图像处理的一步又一步深入，研究方向越来越多元化发展，“基于道路场景的障碍物分析”也是比较重要的一个方向，在民用军用以及科研领域等都发挥的非常出色。例如导盲杖与无人驾驶技术近几年在民用方向得到的发展，军用机器人完成侦查任务，搜救以及营救任务时都是道路场景障碍物分析的一种实践，同时在科研方向，有了机器人代替工作人员到一些危险的地方勘探与反馈现场状况，都给予了科研事项非常大的帮助。
障碍物分析过程我们可以由人本身的行为来模拟，人眼从看到障碍物到大脑分析障碍物类型到大脑反馈给身体应该做如何行动和变化去规避绕过障碍物，相应的我们要让机器自主完成这些行为动作，除去让机器能通过摄像头看见道路场景以外，更重要的应该是机器如何去识别当前障碍物类型以及如何对此类型的障碍物做出比较好的应对措施。此时我们需要通过机器学习让机器有自主分析的一个过程，训练机器的“大脑”，让它做出最佳抉择。
在训练机器大脑过程中有许多种方法可以完成，例如SVM（支持向量机）分类器 特征提取算法、正/负障碍物检测、传感器避障检测法、微分算子边缘检测、基子对称性特征的障碍物检测算法、聚类算法等等，此处以SVM 特征提取算法为主进行描述。
首先完成图像采集、图像预处理与图像分割等基本的操作；而后对分割出的图像进行滤波降噪以及边缘增强；完成基本的图像处理工作以后，对分割出的障碍物图片进行特征提取，障碍物识别中的特征提取过程，目前在图像识别领域中较为常用的有SIFT、SURF与HOG等特征提取算法；最后就是障碍物识别与分类器的设计，SVM算法在训练与识别过程中较之传统人工神经网络算法所具有一些优势。
现有的大部分障碍物检测与识别设备，在不同场景下的通用性与鲁棒性较差，无法广泛推广。其原因是受到使用环境的制约，在背景环境不同的情况下，无法准确识别同一类物体，因此可以用一种基于优化后的GrabCut算法去除图像中无关背景区域，分割出障碍物本身，从而减少不同环境时对识别系统的影响。基于视觉的识别方法又分为单目视觉、双目（多目）视觉等研究领域。双目视觉也被称为立体视觉，其能够探测物体的深度以及距离信息，因此具有获得物体的立体信息的优点，但基于双目视觉的障碍物识别方法，其算法复杂度较高，且当两个视觉传感器的共同视野范围小时，易出现多义性等缺点；而基于单目视觉的检测算法，实现简单，可直接利用摄像头等传感器所采集到图像中的二维信息，如形状、颜色、纹理等特征信息，再利用图像分割算法，将目标区域也就是障碍物与背景区域分割出来，即可完成障碍物的检测。
图像滤波去噪选择中值滤波，因为此方法在去除噪声的同时能够较好地保留障碍物的边缘轮廓信息的特点，对图像进行去噪处理。接下来进行锐化处理，在障碍物识别中，系统对障碍物进行识别分类就是以不同类别障碍物所表现出的特征不同为依据的。一般在识别领域中应用较为广泛的特征包括颜色、纹理、边缘等特征。而图像的锐化处理是对原始图像中的纹理、边缘等细节特征进行增强，经过锐化后的图像，其边缘部分得到增强，邻域像素之间的变化也将更为尖锐，梯度信息也将更为清晰，对后续图像前景与背景的准确分割十分有利。完成基本的图像处理以后对图像分割提取，因为图像中并非所有的物体都是障碍物，应该分割提取出所需物体的信息即可，目前比较常见的传统图像分割算法有：阈值分割法、模板匹配法、边缘检测法及基于聚类的方法。GrabCut是一种具有分割精度高、交互量少且适用于复杂背景情况下的交互式图像分割算法。该算法在对Graphcuts算法完成改进的基础上，引入了迭代估计的思想并融合了传统经典分割算法中的边缘信息，从而在减少用户交互量的同时取得较高的分割精度。
目前，在数字图像处理领域中，使用较为普遍的几种特征提取方法有SIFT、SURF、以及HOG等特征提取方法。HOG算法特征提取用时最短，因此在对大量图像集合进行特征提取时可以节省大量时间。而且由于其通过单元划分的方式，对单元内部邻域像素间的梯度变化进行统计，能够很好的获取物体局部与边缘信息，使得基于该算法的识别系统易于根据物体局部特征实现障碍物的准确区分，故考虑到系统实时性与应用领域等方面的特点，故以HOG为例。HOG特征，也被称为方向梯度直方图特征（Histogram of Oriente Gradient, HOG），它是一种在机器视觉和图像处理等研究领域中被广泛应用且对物体特征进行检测的描述子。它是通过计算并统计图像中局部区域内的梯度方向直方图来对图像特征进行表征的。随着对机器学习研究的不断深入，以及算法的不断改进与优化，逐渐形成了以提取图像局部区域内的梯度方向直方图为特征，利用支持向量机（Support Vector Machine，SVM）设计分类器对HOG特征进行训练，从而被应用于行人检测与体态识别体系结构中HOG是基于图像几何形状、边缘信息的特征提取算法，其核心本质是图像中所检测到的、局部物体轮廓，是能够由光强梯度或者边缘方向的分布所描述的。因此即使在没有图像相关梯度和边缘位置精确信息的情况下，也能利用局部梯度大小和边缘信息将图像局部外观和形状特征化。其实现方法是通过将整幅待测图像分割成小的连接区域（Cell），每个Cell可以生成一个方向梯度直方图或者像素的边缘方向，这些直方图的组合即可构成HOG特征描述子。为改善特征提取的准确率，局部直方图可以通过计算图像中一个较大区域(Block)的光强作为测量值，然后用这个测量值归一化这个Block中的所有Cells。这个归一化过程完成了更好的照射、阴影不变性。与其他描述子相比，HOG得到的描述子保持了几何和光学转化不变性（除物体方向改变外）。
支持向量机（SVM），与其他传统机器学习方法的区别在于其能够给出精确的学习效果，以及求解所需样本数的问题，相比与传统机器学习方法更具有指导性与原则性，而且SVM处理过程与样本维数无关，可以处理VC维（Vapnik Chervonenkis Dimension，VC维）较高的问题。
[1] 陈冠宇. 基于机器视觉的障碍物识别算法的研究[D]. 贵州大学, 2017.
[2] 林辉. 基于车载多激光雷达的地图构建与障碍物检测[D]. 浙江大学，2017.
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
