基干改进最小二乘法车道线检测方法.docVIP

基于改进的最小二乘法的车道线检测方法 　　[摘 要]为了提高行驶过程中车道线检测与车道线偏离预警的实时性与可靠性，提出一种基于改进的最小二乘法的车道线检测方法。首先获取感兴趣的下半部分进行灰度变换；采用基于最大类间交叉熵的自适应阈值Canny算子进行边缘检测；其次利用改进的最小二乘法拟合车道线。实验结果表明，基于改进的最小二乘法的车道线检测方法对环境的适应性强，能够在多种环境下快速地进行车道线提取，检测结果清晰明了且精度较高，提高了车道线偏离预警的实时性与可靠性 [关键词]车道线检测；最大类间交叉熵；Canny算子；最小二乘法 中图分类号：TG333.2 文献标识码：A 文章编号：1009-914X（2016）16-0018-01 0 前言 随着机动化进程的加快，机动车保有量迅速增长，与此同时，道路交通事故发生率却高居不下，交通安全问题日益突出。经调查发现，注意力分散及不安全驾驶是导致交通事故的主要原因之一。目前，车辆安全辅助驾驶系统已成为当前交通领域的研究热点[1]，车道线检测技术作为主要研究内容之一，受到许多学者的关注 目前，国内外关于车道线检测的方法有很多，大致可分为两类：基于特征的车道线检测方法和基于模型的车道线检测方法 （1）基于特征的车道线检测方法主要利用图像特征（如边缘，颜色，纹理方向），采用阈值分割、区域生长或图像分类等技术对车道线进行提取，计算较为简单。文献[2]通过提取图像边缘并对图像进行形态学运算，利用车道线的宽度特征将可能的车道线边缘点构造成车道线。Hunjae Yoo等人采用梯度增强算法，通过转换得到车道梯度最大的灰度图像，该方法可适用各种照明和道路场景[3]。Hsu-Yung Cheng等人分析公路路面标志的颜色分布，对RGB图像各个颜色通道进行线性操作，进而对车道线区域进行分割提取[4]。但基于特征的方法多适用于光照好且路面干净的道路图像，抗噪声能力弱 （2）基于模型的车道线检测方法主要利用道路先验知识，采用特点的曲线参数，将车道线检测的过程简化为计算模型参数的过程。文献[5]提出基于路面的3D模型，并结合Hough变换与分段曲线拟合方法，提取车道线轮廓。基于模型的方法能更为准确获得道路描述对路面干扰具有很好的鲁棒性，但模型的选择和求解是关键问题 上述车道线检测方法中，各有各的适用性，并没有很好的兼容性，且对于复杂及模糊车道线的检测实时性要求不高。因此，本文提出一种基于改进的最小二乘法的道线检测方法 1 预处理 首先，通过安装在车辆内的摄像机得到原始道路图像，由于摄像机安装角度问题，图像中存在一定的干扰因素。为了提高处理效率，选取图像的下半部分进行预处理，将原始图像转为灰度图像，如图1.1： 2 基于最大类间交叉熵的车道线提取自适应阈值Canny边缘检测 2.1 最大类间交叉熵的计算 将图像分成目标和背景两大类，假设目标和背景的灰度条件服从正态分布，先验概率公式如下式所示： 式中表示k等于1，2时灰度m的概率密度；k=1，2时分别代表目标类和背景类；和分别为目标类的均值和方差，而和分别为背景类的均值和方差 由贝叶斯概率公式可得到后验概率的公式，又可以基于像素点的后验概率的类间交叉熵公式可获得类间差，最后通过计算得到最优分割阈值 2.2 自适应Canny算子 传统 Canny算法对高阈值和低阈值的选取是人为设定的，从而使得边缘的连续性和伪边缘之间存在着矛盾：对于一组固定的高低阈值，对某一幅图像可能有很好的效果，但是对另外一幅图像就可能产生不理想的结果。因此，它不具有自适应能力，自动化程度低。基于最大类间交叉熵的方法得到最优阈值，令其等于传统Canny算法中的高阈值，然后利用高阈值一般为低阈值2倍的关系求出低阈值 3 改进的最小二乘法线性拟合 本文采用改进的最小二乘法拟合直线，最小二乘法的基本思想是使已知数据点到拟合函数的距离平方和最小，本文增加了数据相关系数r，r是衡量一组测量数据xi，yi线性相关程度的统计指标，从而去除误差大的数据，保留有价值的数据，进行二次最小二乘拟合，并且得到的斜率a和截距b是唯一的，提高了拟合车道线的速率 4 结语 本文提出一种基于改进的最小二乘法的车道线检测方法，对于有干扰线或遮挡物、模糊的车道线图像以及夜晚车道线图像，可以快速准确地检测到车道线，且检测效果清晰明了，在一定程度上提高了车道线检测的实时性和可靠性。相对于其他文献中的方法，本文提出的方法适用于多种环境，具有良好的鲁棒性。但本文检测的车道线均为直线车道线，对于曲线车道线的检测还存在着一定的不足，未来的研究以检测曲线车道线为主，并融合直线车道线检测技术，实现直线与曲线车道线检测的一体化 参考文献：