论文部分内容阅读
百年来,车辆带来诸多便利的同时,因为疲劳驾驶或人工操作失误人工操作失误而造成的交通事故不计其数,产生了巨大社会伤痛和巨额经济损失,人们憧憬着无人自主驾驶车辆带来社会生活进步。同时,作为汽车产业和人工智能发展必然趋势,无人自主驾驶不仅能为汽车产业带来巨大市场利益,而且是人工智能一定要征服的高峰。近年来,越来越多无人驾驶出租车、摆渡车、移动零售车出现在城市道路,公园广场等常见生活场景。
车道线作为道路主要组成部分,车道线检测技术毋庸置疑也十分重要,是自动驾驶系统不可或缺的核心技术之一。在一些标记不清晰,有其它道路标识,或光照不足的路面,现有车道线检测算法仍无法完整清晰地提取全部车道线。但上述这些情况在实际道路环境中时有发生,对于自动驾驶或辅助驾驶安全性有很大威胁。随着神经网络飞速发展,虽然已有一些神经网络在车道线检测上展示了令人印象深刻的效果,但神经网络检测结果好坏绝大部分依赖于对大量不同场景车道线图像进行标注,然后输入神经网络中训练。虽然神经网络可以准确检测训练场景中车道线,但对于未训练场景难以取得满意效果,这是神经网络根本问题。与单车道线检测相比而言,对车辆前方全部车道线进行检测,更加有助于确定本车和周围车辆的准确方位。使智能驾驶系统除了车道保持功能,还可以实现自主变道和自主超车,为完全自动驾驶提供关键技术支持和充分道路信息。
本文提出了一种全新多车道线检测算法,以检测本车前方道路全部车道线。不同于常见的霍夫变换检测车道线,本文算法使用几何矩提取每段车道线质心并计算倾角,然后拟合全部车道线段质心得到更精确车道线。本文也提出了一种基于几何矩和卡尔曼滤波器的多车道线追踪算法,以极少的计算量和超高的准确率,实现了后续道路图像中多车道线精准快速提取。此外,针对道路图像中车道线分布特点,本文提出了一种基于经典算法的局部最优二值化算法,在多种复杂环境中取得了很好的二值化效果,实用性极强。为了证明本文算法优越性和实用性,将本文算法与一些最新提出的基于神经网络和非神经网络的多车道线检测算法,进行了详细比较。实验结果证明本文算法在多个挑战性道路场景中,均取得了很高检测准确率和检测速率。最后将本文算法应用于自主开发的自动行驶小车中,在白天和夜间,本文算法均能快速准确提供小车前方多车道线信息,使小车可以在设定好的道路上实现平稳自动行驶。
车道线作为道路主要组成部分,车道线检测技术毋庸置疑也十分重要,是自动驾驶系统不可或缺的核心技术之一。在一些标记不清晰,有其它道路标识,或光照不足的路面,现有车道线检测算法仍无法完整清晰地提取全部车道线。但上述这些情况在实际道路环境中时有发生,对于自动驾驶或辅助驾驶安全性有很大威胁。随着神经网络飞速发展,虽然已有一些神经网络在车道线检测上展示了令人印象深刻的效果,但神经网络检测结果好坏绝大部分依赖于对大量不同场景车道线图像进行标注,然后输入神经网络中训练。虽然神经网络可以准确检测训练场景中车道线,但对于未训练场景难以取得满意效果,这是神经网络根本问题。与单车道线检测相比而言,对车辆前方全部车道线进行检测,更加有助于确定本车和周围车辆的准确方位。使智能驾驶系统除了车道保持功能,还可以实现自主变道和自主超车,为完全自动驾驶提供关键技术支持和充分道路信息。
本文提出了一种全新多车道线检测算法,以检测本车前方道路全部车道线。不同于常见的霍夫变换检测车道线,本文算法使用几何矩提取每段车道线质心并计算倾角,然后拟合全部车道线段质心得到更精确车道线。本文也提出了一种基于几何矩和卡尔曼滤波器的多车道线追踪算法,以极少的计算量和超高的准确率,实现了后续道路图像中多车道线精准快速提取。此外,针对道路图像中车道线分布特点,本文提出了一种基于经典算法的局部最优二值化算法,在多种复杂环境中取得了很好的二值化效果,实用性极强。为了证明本文算法优越性和实用性,将本文算法与一些最新提出的基于神经网络和非神经网络的多车道线检测算法,进行了详细比较。实验结果证明本文算法在多个挑战性道路场景中,均取得了很高检测准确率和检测速率。最后将本文算法应用于自主开发的自动行驶小车中,在白天和夜间,本文算法均能快速准确提供小车前方多车道线信息,使小车可以在设定好的道路上实现平稳自动行驶。