论文部分内容阅读
近年来,汽车保有量随着经济的繁荣不断增加,因车道偏离、汽车碰撞导致的交通安全事故也随之增长。为了减少这些事故造成的人员伤亡和财产损失,汽车生产商和研究机构都加大了对车辆安全预警系统的研究投入,基于视觉传感器的前方信息检测和安全预警系统因为其造价低廉、信息丰富直观的优点而得到国内外研究者的青睐。本文结合北京工业大学BJUT-IV智能车平台和视觉传感器,对基于机器视觉的道路和车辆检测技术进行了研究,包括图像坐标系与路面坐标系之间的坐标变换、图像预处理、车道线检测、车辆检测、车道偏离及碰撞预警方法。本文完成的主要工作如下:1)介绍了BJUT-IV智能车平台的软硬件系统和视觉传感器的选型,并根据视觉传感器的成像模型对图像坐标系与路面坐标系之间的坐标变换进行了研究。2)针对车辆前方环境特点对智能车的车载摄像机采集的原始图像进行图像预处理。根据道路信息的组成,截取车道线感兴趣区以去除无关信息。针对道路环境,采用加权平均法进行灰度化处理。对图像进行双边滤波降噪以抑制噪声。3)针对车道线检测过程中阈值分割算法在存在车辆、道路围栏、树木阴影和道路泛白等干扰因素时难以取得理想的效果的问题,提出了一种基于改进简单图像统计(Simple Image Statistics,SIS)阈值分割和改进顺序随机抽样一致性(Random Sample Consensus,RANSAC)相结合的车道线检测算法。首先根据车道线与背景的灰度差改进了SIS阈值分割算法,与最大类间方差法和Bernsen法等常见的阈值分割算法相比,该算法在复杂环境中适应性更好。其次,在车道线检测阶段构建车道线模型并将车道线模型简化为双曲线模型,然后采用改进的顺序RANSAC算法拟合车道线,与传统的RANSAC方法相比准确率高。最后根据两边的车道线模型进行模型配对,通过选取最多支持数据点的组合确定车道线,该方法可以根据车道线数量自动调整车道线感兴趣区的数量。4)提出了基于车底阴影和Haar特征的车辆检测方法。针对Haar特征和级联分类器难以满足实时性要求的问题,利用车底阴影和周围环境的灰度差异分割阴影区域,然后对图像进行形态学处理,最后将包含所有阴影区域的外接矩形作为车辆感兴趣区并利用Haar特征和级联分类器在感兴趣区内进行车辆检测。实验结果表明该方法在不降低召回率和准确率的前提下提高了算法的实时性。5)提出了在路面坐标系下根据车道线的位置估计车辆位置的方法,并根据车辆与车道线之间的距离进行车道偏离预警。然后对路面坐标系下车辆与前方车辆之间距离的计算方法进行了研究,并根据距离信息为车辆提供碰撞预警。最后,根据课题工作编写了基于MFC的测试软件并验证算法的实用性。