基于视觉的车道线识别算法研究论文.docVIP

基于视觉的车道线识别算法研究毕业论文 目 录 第1章 绪论 1 1.1 课题研究的背景和意义 1 1.2 国内外研究现状 2 1.3 论文的研究内容 2 第2章 单目视觉系统 4 2.1 引言 4 2.2 单目视觉导航系统成像模型 4 2.3 本章小结 6 第3章 道路图像预处理 7 3.1 引言 7 3.2 道路图像灰度化 7 3.2.1 常用的灰度化方法 7 3.2.2 彩色通道提取灰度化 9 3.3 图像灰度变换 10 3.3.1 图像灰度线性变换 11 3.3.2 图像灰度非线性变换 11 3.3.3 基于直方图的灰度变换 12 3.4 图像滤波 14 3.4.1 线性平滑滤波 14 3.4.2 非线性平滑滤波 15 3.5 图像边缘增强 17 3.5.1 图像的梯度和边缘检测算子 17 3.5.2 自定义差分算子 20 3.5.3 加入噪声图像检测实验 21 3.6 本章小结 22 第4章 道路边缘的识别 24 4.1 引言 24 4.2 道路检测方法简介 24 4.3 边缘与区域相结合的道路检测方法 25 4.3.1 区域生长法的基本概念 25 4.3.2 融合两种信息提取的仿真实验 28 4.4 基于模型的道路识别 29 4.4.1 道路模型假设 29 4.4.2 道路图像特征直线提取 30 4.4.2.1 传统霍夫变换提取直线 30 4.4.2.2 随机霍夫变换提取直线 32 4.4.2.3 中值截距法提取车道线 34 4.5 算法比较 36 4.6 随机霍夫变换提取直线的检验 37 4.7 本章小结 43 第5章 结论和展望 44 参考文献 45 致谢 46 附录 47 随着城市化的发展和汽车的普及交通环境日趋恶劣交通拥挤加剧，交通事故频发，交通问题已经成为全球范围内人们普遍关注的社会问题。近年来，为解决交通问题世界各国都竞相开展智能车路系统和智能交通系统等领域的研究。智能系统的发展为改善交通环境状况，提高车辆行驶的安全性与可靠性，减少驾驶员人为因素造成的交通事故等开辟了广阔的前景。随之，智能车辆导航(Intelligent Vehicle Guidance)的概念应运而生基于视觉的智能车辆导航可追溯到19世纪70年代初期的移动机器人研究，但由于当时的硬件水平还比较低，而图像处理的计算量非常大，研究者的精力也就过多地耗费在硬件平台的设计、实现和测试上。但随着计算机硬件水平的飞速发展，该问题得到了很好的解决。在智能车辆导航诸多复杂且具有挑战性的任务中，最受重视之一的是基于视觉的道路检测问题。 从理论上分析，在道路检测中，要获得道路环境的三维信息，需要采用双目或多目立体视觉系统。但是，双目或多目立体视觉系统在实际应用中所需计算量很大，而且双目或多目立体视觉系统在视觉匹配问题上很难解决而智能车辆在较高速度下的图像处理速度比一般情况下要高，目前的微处理器计算能力还不能完全满足其实时性的要求所以目前双目或多目立体视觉系统还不适合在较高速度下智能车辆视觉导航中应用。当前，智能车辆视觉系统主要是获取道路平面的二维路径信息，而道路中的其它车辆和障碍物信息可以通过视觉系统激光雷达测距仪及避障传感器系统进行信息融合得到这就极大的提高了信息获取的可靠性，所以单目视觉系统仍然能够满足较高速度情况下视觉导航的要求。实际上，世界范围内大多数智能车辆视觉导航系统都采用单目视觉来获取道路环境信息。在单目或多目视觉导航系统中最为关键的技术就是计算机视觉计算机视觉的主要任务是完成道路的识别和跟踪对于信息采集处理的实时性、行驶过程控制的鲁棒性以及自主运行决策的可行性都有很高的要求。这些要求就使所设计的系统必须在理论算法上给予强大的支持，针对计算机视觉部分就是要有实时高效的图像处理算法。 对基于视觉的车道线识别研究意义在于能实现智能车辆乃至机器人的自主导航，提高驾驶的安全性，改善交通环境和驾驶的舒适性。识别技术用于车辆的路径偏离预警系统大部分由于车辆偏离车道造成的事故可以避免。用于驾驶员预警系统同样具有重要意义。其次，识别技术可以用来提高智能巡航控制中跟踪引导车辆的精度。最后，识别技术可广泛应用于公路、码头、仓库等的自动运输系统，实现车辆运输的自动化。 目前为止国内外智能车辆无一例外地使用机器视觉作为其重要的感知方式基于计算机视觉系统的导航技术具有价格低廉结构简单方便与其他传感器进行数据融合等优点所以利用机器视觉识别公路上的车道线实现自主导航是现阶段智能车辆常用的方法。该方法己经被实际系统证明是最有效的外部环境感知方式道路的识别是视觉导航的关键技术因其较大的复杂性和挑战性而备受关注。 一部分学者致力于用多目视觉技术来解决这个问题。德国学者利用立体视觉方法来提高系统的