58、动态视觉感知与时空模型解析

动态视觉感知与时空模型解析

1. 道路分叉检测与特征聚合

在动态视觉感知中，道路分叉的检测是一个重要任务。以三角形算法检测道路分叉为例，当检测到道路分叉时，系统会指示出现了两条独立的车道。此时，系统会命令在下一次搜索时设置新的搜索条带，一组向左（保持水平方向），另一组向右，大致平行于旧的右侧道路边界但向右偏移。此后，每条车道将作为一个独立的对象进行跟踪，并进行特定的参数调整。

在特征聚合方面，如果仅处理边缘特征，可能会遇到组合爆炸问题。从图像中提取的特征与数据库中对象部分之间的对应问题，在仅考虑边缘特征时通常难以解决。但当考虑相邻的灰度或颜色值时，问题会变得容易很多。例如，在K(C)RONOS中，将边缘模板在边缘位置的一个字段的平均灰度值作为结果的一个组成部分返回给解释过程，这样可以对图像中均匀区域的所有相邻边缘特征进行分组。此外，“良好邻域”的属性，如共线性、平滑曲率、特征分组的适当长度比或平行方向等，有助于在假设实例化过程中减少对应问题。三角形算法可以为感兴趣区域中更广泛的均匀区域提供信息。

在跟踪过程中，一旦找到形状和运动的良好模型，情况会大大改善。此时，可以预测特征的出现，并以最优方式选择特征提取算法的参数（如掩码大小和方向）。估计过程中的方差可以指示预测的不确定性，利用这一点可以限制搜索范围，提高效率。如果图像中的特征过于接近（例如1 - 3个像素），且可能产生混淆，则应完全丢弃这些特征，因为错误的特征对应是跟踪过程中误差的主要来源。

对于新检测到的对象，通常基于单张图像并行测试过多的对象假设是没有意义的。由于扰动会在不同图像之间变化，并且动态移动的对象会系统地改变外观条件，因此通常尽早开始跟踪最可能的假设是有利的。如果计算能力允许，可以并行启动几个