车辆行驶环境感知是自动驾驶领域的重点和难点问题,其中车道线检测是车辆行驶环境感知的基础。针对不同实例车道线难以区分、现有区分算法时间复杂度高、不同行驶场景需人为调整超参数等问题,提出了一种三分支车道线实例分割算法,并对分割结果进行自适应聚类以拟合不同实例车道线。针对车载摄像头获取的图像数据不均衡特点,用基于三分视野法的Tversky Loss函数对卷积神经网络进行训练。针对车道线大曲率半径的特点,以高次项权重作为最小二乘法正则项拟合车道线。在TuSimple数据集上的测试结果表明,本算法对实例车道线的识别准确率为96.23%,相比LaneNet,本算法的时间消耗减少了23.67%,且对不同车辆行驶场景都有较好的检测效果。

在图像处理领域, 基于稀疏表示理论的图像超分辨力算法、高低分辨力字典与稀疏编码之间的映射关系是其中的 2个关键环节。由于丰富多样的图像类型, 单一字典并不能很好地表示图像。而在稀疏编码之间的映射关系上, 严格相等的约束关系也限制了图像重建的效果。针对上述两个方面, 采用包容性更强的多个字典与约束条件更为宽松的全耦合稀疏关系进行图像的超分辨力重建。在图像非局部自相似性的基础上, 进行多次自适应聚类; 挑选出最优的聚类, 通过全耦合稀疏学习的图像超分辨力算法, 得到多个字典; 最后, 对输入的低分辨力图像进行分类重建, 得到高分辨力图片。实验结果表明, 在图像 Leaves,Barbara,Room上, 本文的聚类算法比原全耦合稀疏学习算法在峰值信噪比 (PSNR)上分别提升了 0.51 dB,0.21 dB,0.15 dB。

针对机器人随机箱体抓取过程中场景分割困难的问题, 提出一种基于改进欧氏聚类的散乱工件点云分割方法。采用直通滤波法和迭代半径滤波法进行预处理, 得到去除干扰点后的散乱工件点云; 通过基于法线夹角的边缘检测去除点云中的边缘点, 并使相互碰撞的工件在空间上产生分离; 采用改进的搜索半径自适应欧氏聚类进行点云分割, 得到多个工件点云子集, 基于距离约束将去除的边缘点补齐到点云子集之中, 从而完成点云分割。此外, 线下模板点云注册为分割参数的选取提供依据, 从而保证了分割结果的准确性, 提高了分割速度。结果表明：基于改进欧氏聚类的散乱工件点云分割方法能够准确地分割出感兴趣的工件, 分割时间约为696 ms, 满足了工业机器人抓取的实时性要求。

针对多光谱图像压缩算法现存的时空复杂度高、 光谱特性利用不充分等问题, 研究了多光谱图像的谱间稀疏等价表示及其聚类实现途径, 进而设计了一种基于谱间自适应聚类和小波变换的多光谱图像压缩算法。 算法利用吸引力传播聚类产生多光谱图像的谱间稀疏等价表示、 在低复杂度下去除图像的谱间冗余, 使用二维小波变换去除稀疏表示成分的空间冗余, 采用分层树集合分割排序算法（SPIHT）进行压缩编码, 并通过误差补偿机制提高多光谱图像重建质量。 实验表明, 该算法在保证较低时间和空间复杂度的基础上, 较SPIHT等同类经典压缩算法, 在相同的压缩比下, 明显提高了重建图像的峰值信噪比, 是一种通用有效的多光谱图像压缩算法。