基于单目视觉的结构化道路车道线识别和SAE算法的车道偏离检测研究

摘要

随着机动车保有量的快速增加和道路工程基础设施的建设，道路交通运输给人们的生活和出行带来了很大的便利，但由此引发的道路交通事故却成为全球安全问题之一。我国汽车保有量约占世界的2％～3％，但是交通事故死亡人数却占世界的22％左右，是世界上交通事故比较严重的国家之一。纵观交通事故形成的原因，车辆没有保持在合适的车道行驶或驶离当前车道是已知的驾驶人因素导致交通事故原因的第二位。统计表明，如果在潜在的交通事故发生前提前1s，给驾驶人发出车辆偏离当前车道的预警，则可避免90％以上交通事故的发生。
　　本文对道路图像预处理（灰度化、滤波去噪、二值化）、车道线检测、车道线跟踪以及车道偏离检测相关技术进行了研究。首先，基于单目视觉采集车辆在高速公路或类似于高速公路的结构化道路上行驶的图像，采用图像预处理技术（加权平均法灰度化图像、FIR滤波对灰度图像滤波去噪、最大类间方差法二值化滤波去噪图像、基于消失点检测设定动态感兴趣区域ROI）处理行车道路图像，得到车道线凸显的ROI区域。然后，提出利用极角极径约束的Hough变换基于分段直线模型进行车道线检测，采用匹配算法进行车道线跟踪，识别率达到96.69％，实时处理时间是每帧20ms左右，能很好的检测出高速公路车道线，也能满足实时性的要求。此外本文还研究了采用人工鱼群算法进行车道线识别和拟合的方法。最后，提出一种车道偏离检测方法，根据车道线检测和匹配跟踪的结果，以车辆横向偏移(LO)、车道线斜率和截距作为特征输入，采用栈式自编码(SAE)神经网络来搭建车道偏离检测分类器模型，实验确定最佳参数设置和隐藏层结构，得到最高识别率分类器进行车道偏离检测并进行分类，最后进行了大量的实验，并与其他六种分类器(NFT、LO模型、S函数、SAE-DN、SVM-LS、SVM-NL)进行比较，验证了SAE算法分类器的有效性和优越性。

目录

声明

摘要

第1章 绪论

1．1 研究背景和意义

1．1．1 研究背景

1．1．2 研究意义

1．2 车道线检测研究现状

1．2．1 国外研究现状

1．2．2 国内研究现状

1．2．3 研究总结

1．3 车道线跟踪研究现状

1．3．1 国外研究现状

1．3．2 国内研究现状

1．3．3 研究总结

1．4 车道偏离检测研究现状

1．4．1 国外研究现状

1．4．2 国内研究现状

1．4．3 研究总结

1．5 本文结构框架与研究内容

第2章 基于单目视觉的图像预处理

2．1 引言

2．1．1 图像采集

2．1．2 RGB颜色空间

2．2 道路图像灰度化

2．2．1 几类方法比较

2．2．2 选用加权平均法

2．3 灰度图像滤波去噪

2．3．1 几类方法比较

2．3．2 选用FIR滤波

2．4 去噪图像二值化

2．4．1 二值化方法

2．4．2 选用最大类间方差法

2．5 消失点检测设定动态感兴趣区域

2．6 本章小结

第3章 结构化道路车道线检测

3．1 引言

3．2 分段直线模型

3．3 极角极径约束的Hough变换

3．4 基于分段直线模型的车道线检测

3．5 抛物线模型

3．6 人工鱼群算法

3．7 基于人工鱼群算法的车道线识别

3．7．1 目标函数确定

3．7．2 参数初始化

3．7．3 人工鱼群算法识别车道线

3．7．4 实验与分析

3．8 两种车道线识别方法比较

3．9 本章小结

第4章 结构化道路车道线匹配跟踪

4．1 引言

4．2 几类车道线跟踪算法简介

4．2．1 粒子滤波算法

4．2．2 Kalman滤波算法

4．2．3 人工鱼群算法

4．3 基于匹配算法的车道线跟踪

4．4 实验结果与分析

4．5 本章小结

5．1 引言

5．2 特征输入提取

5．2．1 车道线斜率和截距

5．2．2 横向偏移

5．3 SAE算法

5．3．1 SAE算法

5．3．2 反向传导过程

5．4 基于SAE算法的车道偏离检测

5．4．1 参数设置

5．4．2 确定隐藏层结构

5．4．3 偏离检测过程

5．5 实验结果与分析

5．5．1 没有微调

5．5．2 与其他分类器比较

5．5．3 SAE算法实验结果

5．6 本章小结

第6章 总结与展望

6．1 总结

6．2 展望

参考文献

致谢