论文部分内容阅读
随着汽车产业的快速发展,汽车给人带来便捷的同时也带来了潜在的危险,汽车安全问题已成为国际关注话题。智能车辆辅助驾驶系统作为汽车领域研究热点,可以有效的改善行车过程中的车辆安全,减少交通事故发生。基于视觉的车道线的准确识别是智能车辆辅助驾驶系统的重要部分,在自适应巡航系统、车道线偏离预警系统及车道保持系统中,均起着关键作用,只有准确识别了车道线位置,当车辆发生偏移时,系统便进行预警提醒,提示驾驶员立即修正或自动调整驾驶行为,从而保证行车安全。因此,本文基于视觉信息,针对智能车辆辅助驾驶系统前方车道线及本车道内的前方车辆目标进行识别研究。(1)对道路图像进行预处理。首先对道路图像进行了感兴趣区域提取,取图像下1/2区域作为感兴趣区域;然后分析分量法、最大值法、平均法、加权平均法几种图像灰度化处理方法,采用加权平均法对道路图像灰度化;其次实现了均值滤波、中值滤波,采用改进中值滤波法完成预处理图像的滤波操作;运用大津法对图像进行二值化,提取车道线轮廓信息;最后比较三种边缘检测算子,采用Canny算子进行图像的边缘提取。(2)针对车道线进行识别研究。考虑到霍夫变换可能只识别一侧的车道线,对霍夫变换进行极径极角约束改进,可以准确的检测出左右车道线的位置。通过平移检测出的左右位置直线,建立包含完整车道线信息的上下边界,从而确定车道线特征点提取范围。利用车道线宽度限定条件和颜色跃变特征在车道线约束范围内提取车道线特征点。最后用最小二乘法对符合车道线宽度限定条件和颜色跃变特征的特征点进行拟合,从而得到识别后的车道线。实验结果表明,本文车道线识别算法可以很好的识别出直道、弯道和虚实车道线。(3)基于HOG特征与SVM的本车道内前方车辆识别。主要包括车辆可能存在区域的确定及基于HOG特征与SVM的车辆识别验证两部分。考虑算法计算速度的影响,确定了本车道线内车辆可能存在的搜索区域,针对该区域,基于车底阴影特征进行二值化处理及腐蚀、膨胀形态学操作,确定车辆存在的假设区域。构建了车辆样本库,对库中车辆样本和非车辆样本HOG特征提取训练SVM模型,得到测试准确率达98%的模型。最后统计了车辆存在假设区域的HOG特征,将该特征输入到SVM模型中,验证是否为车辆。结果表明本文采用的基于车底阴影的HOG特征和SVM本车道前方车辆目标识别方法能够很好的识别出车辆目标。