交通运输信息技术论文.doc

交通运输信息技术论文 1、智能驾驶系统（无人驾驶）系统 1.1.系统目标 （1）机器视觉系统能够自动适应环境光线变化，特别要能够适应汽车经过桥洞时的光线变化； （2）机器视觉系统能够实时识别车道，识别频率不低于25Hz； （3）机器视觉系统能够实时识别前方车辆型障碍，识别频率不低于20Hz，相对距离误差小于2m； （4）在高速公路上，能实现无人驾驶自动巡航功能，车速不低于120km/h； （5）能够实现危险报警和自动紧急制动。 1.2.需求分析 回顾汽车发展的百年历史，不难发现其控制方式从未发生过根本性改变，即由人观察道路并驾驶车辆，形成“路一人一车”的闭环交通系统。随着交通需求的增加，这种传统车辆控制方式的局限性日益明显，例如安全性低(交通事故)和效率低(交通堵塞)。最新调查表明，95％的交通事故是由人为因素造成，交通堵塞也大都与驾驶员不严格遵守交通规则有关。如果要从根本上解决这一问题，就需要将“人”从交通控制系统中请出来，形成“车一路”闭环交通系统，从而提高安全性和系统效率。这种新型车辆控制方法的核心，就是实现车辆的无人自动驾驶。不同于人工驾驶的一般道路车辆的结构，无人驾驶车辆为了适应无人驾驶的需要，尤其独特的机械结构。 1.3. 系统原理图 1.4. 设备的功能 机器视觉系统是智能车辆中最重要的系统。可以实现道路识别与跟踪、前方车道内障碍的识别和跟踪。 1.5. “采集”—“处理”—“传输”—“网络”—“控制” （一）图像采集 机器视觉系统对图像的要求较高，光线过强或过暗都会严重影响道路识别的效果。目前的摄像机动态范围较小，使得道路识别系统只有在良好的光照条件下才能得到较好的效果，在正午或傍晚时，往往不能识别道路。系统采用的是德国Basler公司的CMOS摄像机，这种摄像机的特点是图像采集速度从5～100f/s连续可变，通过软件可对相机快门、亮度、增益及色彩进行调节，这种调节可以实时进行，这就使机器视觉系统在光线急剧变化的环境中能够通过改变成像的相关参数来获得良好的图像。 系统对成像参数的调节原理是：每采集一幅图像，对图像中9个部分的5000个像素进行分析，求出其平均值和一阶差分和。平均值代表图像的亮度，一阶差分和代表图像的清晰度。这实际上是一个二元优化的过程。如果这2个参数不能满足要求，则调节摄像机的快门、亮度和增益值。具体做法是，首先调节摄像机快门，当一阶差分值满足要求时，再对亮度进行调节，当平均值满足要求时，就完成了图像的实时调节。如果调节效果不能达到目标，还要对增益进行调节，一般来说，采用这3个参数进行调节就可以达到较好的效果。 在实际应用中，最大的问题会出现在车辆高速驶进和驶出桥洞的过程中，对图像灰度值变化情况的预测分析可以使摄像机参数的配置更好地适应光线变化，从而可以提供一个清晰的道路图像。目前系统的光照适应的调节速度在0.1～0.3s之间，还需要进一步提高，理想情况应该小于0.05s。 （二）道路识别 车道识别算法通常包括以下几个步骤：首先进行图像预处理，然后二值化，最后进行识别。其中关键技术是车道线阈值的确定和约束条件的综合应用。 车道线阈值计算通常采用固定阈值、整体自适应阈值和局部可变阈值。固定阈值根据统计方法得到一个车道线灰度值，这种方法只适用于光照均匀且强度不变的天气情况；整体自适应阈值方法可以适应不同光照变化情况，但它要求图像的灰度值整体变化，当图像出现局部灰度值变化时，这种阈值二值化的效果并不理想。局部自适应阈值算法一般采用图像中每行一个阈值，这样，对于不同图像中垂直亮度变化明显的情况会得到较好的结果，但对于图 像中水平方向上阈值变化明显的情况则无能为力。对于渐变光线，图像的灰度有规则地由高变低或由低变高，可采用sobel算子有效消除这种影响。 但这种方式仍然需要一个差分后的阈值，且在阳光较强的情况下，容易受到电线杆之类的较长的阴影的干扰。 阈值确定后即可得到二值图像。由于二值化图像中还存在着较多的干扰点，需要采用适当的算法来去掉干扰点。在ARGO、THMR系统中，算法从二值化图像的底部开始逐行地进行水平扫描，并将非零点连成链。当发现一个非零点时，如果该点与最近的线段极值点的距离小于一个给定的阈值，就认为该点是属于这条线段，否则就以该点为起点开始一条新的线段。由于道路标志线通常并不连续，因而需要采用一些特定的道路模型（如直线、曲线等）进行延伸，这样就可以填充间隔使间断线连续。这种算法适应性有限，需要比较严格的车道标志线，鲁棒性不高。 随着计算机速度的提高，现在对车道识别越来越多采用重映射算法。其特点在于利用图像和路面映射算法得到道路图像的俯视图，然后在俯视图像中利用上述步骤对车道进行识别。这种算法可以更好地利用车道的约束条件，因而在计算机速度足够快的情况下，会具有较好的效果。 系统从直接道