基于机器视觉的复杂环境下车道线检测方法研究

摘要

智能驾驶技术是未来汽车发展的必然趋势，环境感知是智能驾驶的基础，车道线检测是环境感知的一个部分。在复杂环境下，基于视觉的车道线检测存在车道线目标难以提取、虚线弯道拟合准确率低等问题。针对这些问题，本文进行了以下三个方面的研究： 首先，本文提出了复杂环境下的车道线目标提取方法。在提取出道路图像感兴趣区域并对其进行颜色空间转换之后，针对复杂环境下的车道线目标难以提取的问题，在车道线初始检测阶段，提出基于方向梯度直方图和支持向量机的分窗口阈值分割算法；在车道线跟踪阶段，提出基于最大类间方差法的多次阈值分割算法对车道线目标进行提取。实验结果表明，与传统阈值分割算法相比，本文提出的阈值分割方法在复杂环境下的分割效果更好，适应性更强。 其次，本文提出了基于车道宽度匹配的自适应车道线检测算法。在提取出车道线特征点并过滤其中的噪点之后，提出基于最小二乘法的分段自适应曲线拟合算法，实现了根据车道线特征点分布对不同场景下车道线的自适应拟合。针对车道线缺失以及虚线拟合的问题，提出车道宽度匹配算法，根据车道宽度特性对车道线检测结果进行优化。实验结果表明，本文提出的车道线拟合算法实时性较高，且与其他曲线拟合算法相比拟合更加准确，同时具有更强的适应性。 最后，提出基于动态感兴趣区域的车道线跟踪方法。根据车载相机采集的道路图像相邻帧的相似性，提取出动态车道线跟踪区域，提高了算法的鲁棒性。实验结果表明，本文所提出的车道线检测算法在复杂环境下实时性达到17ms，综合准确率达到94%以上。 本文提出的基于视觉的复杂环境下车道线检测算法，能够适用于较为复杂的道路环境，对车道线检测技术以及智能车环境感知技术的发展具有一定的理论意义与实用价值。

目录

声明

第1章 引言

1.1 研究背景与意义

1.2 国内外研究现状

1.3 研究内容与研究方法

第2章 道路图像采集与预处理

2.1 相机成像模型构建

2.2 道路图像感兴趣区域提取

2.3 道路图像颜色空间转换

2.4 复杂环境道路场景分析

2.5 本章小结

第3章 复杂环境下的车道线目标提取方法研究

3.1 复杂环境下阈值分割算法分析

3.2 基于HOG特征与SVM的分窗口车道线目标提取

3.2.1 方向梯度直方图特征

3.2.2 支持向量机模型

3.2.3 分窗口阈值分割算法

3.3 基于多次阈值分割算法的车道线目标提取

3.4 本章小结

第4章 基于车道宽度匹配算法的自适应车道线检测

4.1 候选车道线特征点提取

4.1.1 基于边缘检测的车道线特征提取

4.1.2 基于行扫描的车道线特征提取

4.2 候选车道线特征点过滤

4.2.1 基于逆透视变换的噪点过滤

4.2.2 基于坐标变换的噪点过滤

4.3 基于最小二乘法的自适应车道线拟合算法

4.3.1 最小二乘曲线拟合

4.3.2 自适应车道线拟合

4.4 基于车道宽度匹配算法的车道线检测

4.4.1 车道宽度分析

4.4.2 宽度匹配算法

4.5 本章小结

第5章 车道线跟踪及实验结果分析

5.1 车道线跟踪

5.1.1 基于卡尔曼滤波算法的车道线跟踪

5.1.2 基于动态ROI的感兴趣区域跟踪

5.2 复杂环境下车道线目标提取实验及分析

5.3 复杂环境下车道线检测算法测试

5.4 本章小结

第6章 结论

6.1 研究总结

6.2 研究展望

致谢

参考文献

攻读学位期间获得与论文相关的科研成果