论文部分内容阅读
目前随着汽车的普及,汽车在给人们带来方便的同时也带来了潜在的威胁,人们逐渐开始关注汽车的安全问题。为改善汽车行驶过程中的安全性,国内外学者针对汽车的安全辅助驾驶问题进行了大量的研究。随着机器视觉、数字图像处理、模式识别等技术的发展,基于视觉的车道线识别作为安全辅助驾驶的一个重要组成部分,逐渐成为了科研人员研究的一个热点问题。视觉传感器导航对于光照变化比较敏感,当光线过强或者过弱时容易造成车道边缘模糊、提取的特征点过少,从而导致车道线识别的失败。本文针对单目视觉多路况条件下的车道线识别算法问题,围绕其有效性、实时性和适应性等方面展开研究。在提高车道线识别的适应性方面,本文考虑了光照变化和气候条件的影响,分别在强光照、弱光照、夜间、雪天、标准路况五种模式下进行实验研究,并将道路分为直道和弯道两种情况,分别采用直线模型和曲线模型拟合车道线,从算法的有效性和实时性方面进行了对比验证。本文围绕了上述问题进行了以下几方面的工作:(1)采用了朴素贝叶斯分类和BP神经网络分类的方法对道路图像模式进行识别。对于不同路况下的道路图像所需的图像处理方法有所不同,应将采集到的道路图像进行分类。先通过基于经验的特征选取方法,提取图像中天空和路面的部分灰度和方差作为特征向量;然后采用了基于概率学统计的朴素贝叶斯算法进行分类,考虑到BP神经网络对于解决非线性问题的优势,并采用了BP神经网络的方法进行分类;最后从算法的识别率和实时性两方面对两类方法进行了对比。(2)对于强光照、夜间等非标准路况下的道路图像,分别采用了直方图均衡化增强、线性变换增强、同态系统增强三种方法加强图像对比度。对于非标准路况下的图像,因车道线与路面的对比度偏低,容易造成车道线识别错误,通过图像增强的方法提高对比度,改善图像质量。分别采用了直方图均衡化增强、线性变换增强、同态系统增强三种方法进行图像增强,以便有效提取特征点。(3)图像边缘检测和特征点跟踪搜索。为提取车道特征点,首先进行边缘检测,分别采用了Roberts算子、Prewitt算子、Sobel算子、LOG算子检测图像边缘,并对比四种算子的检测效果;然后采用定向边界跟踪的方法搜索特征点,从而滤除干扰边缘信息。(4)采用了改进的Hough变换和RANSAC算法辨识模型参数,拟合直道标志线。由于图像中的车道线倾角受到一定范围的约束,文中采用了改进的Hough变换法和RANSAC算法辨识直线模型参数,拟合直道标志线,并从识别效果和实时性方面对比两种算法。(5)分别建立抛物线模型和B样条曲线模型拟合弯道标志线。针对弯道路况,分别建立了抛物线模型和B样条曲线模型,并应用了粒子群优化算法辨识抛物线模型参数,应用离散二进制粒子群算法优化B样条曲线中的控制点个数,并通过实验对比两种模型的拟合效果。