基于车道线和多特征的前方车辆检测研究.docVIP

基于车道线和多特征的前方车辆检测研究 　　摘要：为了解决在单目视觉车辆系统中存在的虚假干扰对象和可靠性低的问题，本文提出了将车道线和多特征结合的前方车辆检测的研究方法。本文中将采用基于hough变换的道路区域分割算法，通过进一步筛选，排除大部分干扰。接着提出将车底阴影暗影和多特征结合的检测算法。实验结果表明，在不同交通情况情况下，车辆检测目标的正确率大幅提高，能够有效检测前方车辆。 　　?P键词：车辆检测；hough变换；阴影筛选 　　中图分类号：TP391 文献标识码：A 文章编号：1009-3044（2018）12-0206-03 　　Abstract：In order to solve the problem of false interference objects and low reliability in monocular vision vehicle systems，This paper presents a method for the front vehicle detection ： combine lane line and multi-feature.In this paper， I will use road segmentation algorithm based on hough transform.Use further screening to eliminate most of the interference.Then I will propose a detection algorithm that combines shadow shadow and multi-feature.Experimental results show that the correct rate of vehicle detection target is greatly improved in the case of different traffic conditions，and it can effectively detect the front of the vehicle. 　　Key words：vehicle detection；hough transform；shadow screening 　　在智能汽车技术中，高级驾驶辅助系统是环境感知的重要组成部分。而作为高级驾驶辅助系统中的研究重点，前车检测是本文要主要研究的部分[1]。目前，对前方车辆的检测方法常用的有以下三种：模型[2]、光流[3]和特征[4]。基于模型的检测由于受到车型的多样性和车辆行驶过程中不同姿态的影响，很难建立统一的模型。基于光流的检测容易在其他车辆和本车相对速度过小的情景下发生误检。因此本文采取基于特征的检测方法。基于车辆特征的检测一般利用车辆边界或者车辆形状特征。但是直接利用上述一种特征检测，容易受到天气、树木或者路边障碍物的影响，产生漏检或误检。因此，本文将采取结合车辆多特征的检测方式。本文通过先检测车道线，确定车辆所在的大致范围，对图形进行分割，去除背景干扰。再利用均值方差检测出前方车辆的阴影，对车辆进行粗定位，然后结合车辆左右边缘特征实现对车辆的进一步定位，最后利用车辆的车轮灰度特征精确定位车辆所在位置。 　　1 车道线检测 　　1.1 图像预处理 　　一般情况下，我们所获取的图像是彩色图像，不对图像进行处理而直接进行检测，会加大算法的复杂度和工作量，且由于图像在成像的过程中会产生噪声干扰，降低图像质量，影响车辆检测。因此，在车辆检测前，要先处理原图像。 　　（1）图像灰度化：图像灰度化通常有最大值法、平均法和加权平均法[5]，本文采取加权平均法，根据人眼对红、绿、蓝三色的不同敏感，将权重分别设为0.3，0.59，0.11，如公式（1）所示： 　　（2）图像去噪：本文采取中值滤波的方法，对图像进行去噪处理，数学表达式为公式（2）所示： 　　1.2 感兴趣区域提取 　　感兴趣区域是根据实验所需来粗略估测要跟踪目标的区域，从而能够减小搜索范围，减小算法计算量。由于拍摄的图像上方大多数为天空、建筑或者其他多余背景，因此本文中设置图像2/3及以下区域为感兴趣区域。 　　1.3 图像边缘检测 　　图像的边缘信息是图像的分析和人类视觉区分不同物体或者区分不同区域的重要特征属性。通过对图像的边缘检测，图像中的非边缘处的像素点可被排除，这样一来，降低了Hough变换的运算量，增加了直线检测的准确性。边缘检测常用的算子有Roberts算子、Sobel算子和Canny算子[6]。Roberts算子原理上是利用对角方向的像素差来检测边缘，数学表达式为公式（3）所示： 　　式中，需要为公式选择合适的