基于行车视频的交通标志识别技术研究 计算机科学和技术专业.docxVIP

1 绪论 1.1研究背景与意义 1.1.1研究背景 在现代社会，随着汽车工业技术和经济的飞速发展，世界上汽车的数量也在迅速增加。汽车的普及给人们带来了舒适，但也造成了大量的交通事故的出现，每年度超过125万人会因交通事故而死亡。其中以个人原因造成的事故又占到了总事故中的70%。在先进的智能车辆技术中，道路视觉检测是一个重要的组成部分。而在近年来各种类型的传感器被广泛用于车道线检测技术，主要包括激光雷达、雷达、全球定位系统设备（GPS）、单、多目摄像机等[1]。与此同时，随着深度学习这一概念的提及，在对车道线检测方面也有了更加深层次的应用。通过行车视频的图像来完成交通标线的识别，不仅在传统基于特征的方法上有了更高的准确性还能够为以后无人驾驶的智能交通行驶奠定一个坚固的基础，同时还能提高行车视频的利用效率，极大程度上提高智慧城市产业的发展，为日后解决随意变道问题提出一种新的解决方案。 1.1.2研究意义 因人为原因发生的道路交通事故，其中约有半数是因为车辆脱轨而造成。调查显示，有23%的驾驶者一个月内至少在方向盘上睡着一次，66%的卡车司机曾在驾驶过程中打瞌睡[2]，这无疑大大增加了交通事故发生的可能性。在交通部发布的《营运客车安全技术条件》中，明确规定了车长超过9m的运营客车必须要符合营运车辆的危险预警技术要求，安装JT/T883 LDWS，从而避免车辆会在车道上产生偏航的现象，同时，客车还必须安装AEBS来保证车辆的紧急制动。不难看出，完善的车道线检测技术系统能够有效的减少司机因为自身因素引起的偏离车道行驶，进而也大大降低了事故的发生几率。 目前，无人驾驶车辆技术还属于半成熟阶段，而车道线检测的准确性也和日后无人驾驶车辆行驶的安全性息息相关。我们可以将无人驾驶的车辆看作是一台包含了感知、规划、决策和控制的多感知传感器的模拟人脑行为的移动机器设备。而在上述技术当中，对环境的感知技术则是所有技术的基础。只有当面对各种负责的道路状况，环境信息都能提供较高的准确性和鲁棒性，才能确保其他部分的技术安全准确的执行，从而保证车辆的行驶安全。这将融合各种传感器获得的信息，以获得完整的道路信息。驾驶员面临的主要问题是车辆周围障碍物的有效识别、交通标志的识别和道路路线的识别。因为车道线检测涉及的内容颇多，本文主要通过行车视频获得的影像，针对基于卷积神经网络（CNN）的深度学习算法研究来识别交通标线中的虚实线。 而对于交通标线的检测，目前比较主流的方法还是基于视觉的检测方法。通过视觉传感器结合图像处理的方法，将原本的于实际偏差较大的图像转换成鸟瞰图。因为本文主要讨论的是虚实线的识别，所以即使在图像处理过程中失去了颜色特征，但是图形特征十分明显，容易区分虚线和实线。不仅于此，将由远到近的车载摄像头画面转化成与实际相符的平行且宽度相等的鸟瞰图，再去除冗余的干扰信息后也十分方便且受周围环境等因素影响较小，进而能够有效的完成识别。 单目视觉传感器是目前应用最广泛的传感器，具有成本低、信息量大等特点。而交通标线具有标准颜色、宽度和形状等视觉特性。然而，现有的算法系统并不是很稳定，准确度在恶劣天气条件和复杂条件下的时候还达不到需要的检测标准。但是相较于单目视觉，立体视觉的成像基准线也很难得到，激光雷达的造价成本高昂且不适合批量使用在汽车设备上，GPSGIS信号不稳定，容易受到环境遮挡屏蔽和电磁干扰的影响。因此不难看出，基于视觉的车道线检测对于道路交通安全具有重要的意义，也为实例中由后车检测前车是否违法变道奠定基础。 1.2国内外研究现状 道路交通标线，是一种在道路上进行安装、规划的标志，标线内容包含线条、文字、图案、箭头以及实体路标、立面标记、轮廓灯众多交通设施，其主要目的是为了给道路行驶的驾驶员传递信息，从而做到指引、警告的作用 [3]。车道线是划分同方向交通流的边界线，主要有虚线、实线、黄虚线、黄实线、双虚线、双实线、双白实线、双黄线等表示不同的含义，并且交通标线检测技术就是使用图像处理方法来检测目标图像的位置，进而完成识别。随着车道线检测研究的逐步深入，在检测的准确性和鲁棒性上都有了显著的提高，检测速度相较于之前也明显加快，但是于人工识别相比，机器识别还是存在着明显的不足，在实际应用中仍然由有许多技术难题还急需要解决。主要因为车辆行进过程中，不同的场景所获得的图像也呈现很多的变化，例如在高速公路中，车道标志明显，道路保持良好，进而获取到图像信息的可遇见性和有序性更强。但是在一些城市道路中，由于道路的弯曲，行人等障碍物的走动道路周边的一些绿植建筑的投影等，这都会给车道线检测带来困难。而且车道线检测现在面临的主要问题就是图像逆光严重，不同的路面材料获取的图片质量不同和不同的坡度等。 目前可以将国内外文献中提到的方法归纳为通过特征描述的、基于模型本身的和通过深