论文部分内容阅读
近年来,为减少道路交通事故,保障行车安全,汽车的智能辅助驾驶技术成为研究热点。车道线检测与跟踪技术作为智能辅助驾驶的关键技术之一,通过实时检测车道线,为驾驶员提供车道线偏离预警服务。车道线检测是在车载摄像机实时采集的道路图像上,提取其中的车道线。车道线跟踪是根据前一帧检测到的车道信息预测后一帧车道线的位置。论文以高速公路上的车道线为研究对象,利用机器视觉传感器采集道路图像,融合机器学习和传统图像处理算法来检测与跟踪多个实际道路数据集中的车道线。论文的主要工作及创新之处如下:(1)基于聚类与几何约束的车道线检测。采用传统图像分析技术,通过霍夫变换检测出每一条车道区域内的所有直线,然后利用K-means将属于同一车道区域上的直线归为一类,最后综合相同类别直线信息拟合车道线。该算法简单清晰,计算成本低;(2)基于卷积神经网络与连通域约束的车道线检测。为解决传统算法难以克服复杂交通道路环境干扰的缺点,提出了用于检测车道特征的卷积神经网络Tiny-LaneNet,并结合连通域约束和最小二乘法对车道特征点进行分类和车道线拟合,有效提高了车道线检测的抗干扰能力,实验结果表明平均检测精度与传统算法相比提高了2.23%;(3)基于卡尔曼滤波与LSTM的车道线跟踪研究。在车道线检测卷积神经网络基础上,利用道路图像序列的前后车道线的空间连续性,构建基于卡尔曼滤波或LSTM的车道线跟踪模型,有效解决了因车道线模糊不清或被周围车辆遮挡导致的部分车道线检测失败的问题。实验结果表明,使用跟踪比未使用跟踪的平均检测精度提高了1.32%。本论文所提出的算法在西安交通大学交通场景数据集(TSD-max)、图森自动驾驶数据集(TuSimple Benchmark)、百度Apollo自动驾驶数据集(ApolloScape)和自采集道路图像数据集上进行了大量实验,实验结果表明,本论文提出的算法可有效地检测与跟踪车道线,具备良好的泛化能力和检测精度。