高级辅助驾驶中的车道线检测研究

摘要

近年来，高级驾驶辅助系统（Advanced Driver Assistant System，ADAS）成为国内外研究的热点，其中的车道线检测技术，作为该系统得以实现的关键技术也受到各国的广泛关注。本文以车道线的实时追踪和检测作为研究目标，综合考虑车道线检测的准确性与实时性，结合实际应用场景，提出了基于RANSAC(Random Sample Consensus)算法的车道线检测算法和基于几何特征改进的车道线检测算法。本文的主要贡献如下:
　　(1)基于RANSAC算法的车道线检测研究
　　提出一种基于RANSAC算法的车道线检测算法，对图像进行预处理后利用随机抽样一致性算法，通过迭代的方式从一组包含离群的被观测数据中估算出车道线的数学模型，并利用该数学模型检测车道线。实验结果表明，此算法在高速路等简单场景下能更加鲁棒的检测出车道线。
　　(2)图像二值化的研究
　　提出一种局部自适应二值化方法，与全局二值化和局部二值化方法相比，局部自适应二值化方法在车道线检测中能保留更多的车道线信息。实验结果表明，自适应的二值化方法增强了车道线的识别效果，降低了车道线的漏检率，适用于复杂真实场景下的车道线检测研究。
　　(3)基于几何特征改进的车道线检测研究
　　提出一种基于几何特征改进的车道线检测算法，首先利用边界跟踪算法对车道线轮廓进行提取，然后加入车道线轮廓的面积、长宽比、角度以及距离等几何特征元素进行筛选，将最终筛选出来的轮廓进行直线拟合，划定出车辆的可行驶区域。实验结果表明，此算法能进一步降低车道线误检的概率，同时不降低算法的实时性，达到同时兼顾准确性和实时性的目的。

目录

声明

致谢

摘要

1 绪论

1．1．1 研究背景

1．1．2 研究意义

1．2 国内外研究现状

1．3 主要研究内容及论文结构

1．3．1 主要研究内容

1．3．2 论文结构

2 典型的车道线检测与跟踪算法

2．1 典型的车道线检测算法

2．2 边界跟踪算法

2．2．1 基本概念和符号

2．2．2 用于拓扑分析的边界跟踪算法

2．2．3 仅提取最外边界的边界跟踪算法

2．3 本章小结

3 基于RANSAC算法的车道线检测研究

3．1 算法流程图

3．2 图像灰度化

3．3 滤波

3．3．1 相关操作

3．3．2 卷积操作

3．4 多级图像阈值OTSU方法

3．5 RANSAC算法

3．6 实验结果

3．6．1 结果展示

3．6．2 算法性能

3．7 本章小结

4 基于几何特征改进的车道线检测研究

4．1 算法流程图

4．2 图像预处理

4．2．1 图像灰度化、滤波

4．2．2 图像二值化

4．3 轮廓提取及筛选

4．4 车道线拟合及可行驶区域的划定

4．5 算法改进前后结果对比

4．5．1 结果展示

4．5．2 算法性能

4．6 本章小结

5．1 总结

5．2 展望

参考文献

作者简历及攻读硕士学位期间取得的研究成果

学位论文数据集