论文部分内容阅读
车道线识别与跟踪是智能车导航中的关键技术之一,基于机器视觉的车道线识别与跟踪已成为研究热点。本文针对快速路中不同视野(远视野和近视野)和不同车道类型(实线和虚线)的复杂情况,以检测出车道线内侧边缘为目的,开展了车道线识别与跟踪算法及其实现的研究,包括道路图像预处理,车道线模型建立,车道线识别,和车道线跟踪。取得的成果如下: 1.道路图像预处理包括灰度化、滤波、对比度增强和二值化等处理。其中灰度化采用加权平均灰度化算法进行实现,滤波采用中值滤波算法进行实现,对比度增强采用灰度拉伸对比度增强算法进行实现,二值化基于Otsu算法进行实现。通过反复实验,发现基于Otsu算法的自适应二值化处理在远视野道路图像中可以获得满意的效果,但在近视野道路图像中易失效。因此,进一步采用了目标区域补偿策略进行了改进研究。首先,分别针对图像上半部分和下半部分进行目标区域补偿。其次,分别针对各自的感兴趣区域基于Otsu算法进行自适应二值化处理。最后,将上半部分和下半部分道路图像的二值化效果进行融合得到最终的二值化图像。 2.根据快速路的车道线多为直线线型且实时性要求较高的特点,对左右车道线分别建立了直线车道线模型,明确了车道线识别与跟踪的目的就是确定左右车道线的斜率和截距。车道线识别采用应用广泛的Hough变换进行实现。考虑如果不经筛选地将二值化后所有的白点都进行Hough变换,会增加Hough变换的计算及存储量、容易造成虚线误检、无法明确左右车道线的内侧边缘信息,研究中增加了特征点筛选环节。特征点筛选采用自下而上从中间到两边的搜索策略。左右车道线分别包含初始特征点和其他特征点筛选两个阶段。最后,通过分析感兴趣区域的类别及车道线跟踪的方法,对左右车道线分别建立了极角感兴趣区域,并基于卡尔曼滤波法实现了车道线的跟踪。 3.为了验证本文算法的有效性,在实验室搭建了微型智能交通平台,对车道线识别与跟踪系统的软硬件均进行了实现。为了进一步验证本文算法在真实道路环境中的有效性,采集若干段快速路上的车载视频进行了实验。实验结果表明,本文算法在不同视野,不同车道类型及检测车道线内侧边缘方面均具有一定的借鉴性。