基于视觉的道路图像处理与车道线检测研究

摘要

随着科技的发展，汽车行业正在大步迈向智能驾驶时代，道路识别和路径跟踪是智能驾驶的基础，也是高级辅助驾驶系统(ADAS)的主要组成部分。本文围绕结构化道路识别展开研究，旨在提出一种快速、准确、鲁棒性高的车道线检测方法。本文针对智能汽车的道路识别问题做了以下研究：　　基于视觉的道路识别技术主要包括：图像预处理、感兴趣区域选择、车道线特征点识别、车道线的拟合与跟踪等四个方面。　　对于传感器采集的真实道路图像，本文利用图像的灰度转化减小图像的计算量；采用图像增强处理突出图像中的边缘部分；然后利用局部 OTSU 算法对图像中的车道线边缘和噪声进行分割，并用开运算与闭运算对初始车道线边缘进行形态学处理，完成道路图像的预处理。　　图像的感兴趣区域(ROI)选择是提高道路识别的实时性和准确性的关键技术之一，本文利用仿射变换将车道图像转化为鸟瞰图，根据鸟瞰图中的道路特征，运用一种基于横纵向安全视野的动态感兴趣区域(DROI)选择方法，利用上一帧的车道线方程和车速数据，求解道路边缘上各点的曲率以及最大安全距离，通过像素与实际距离的转化，实现当前时刻DROI的准确选择。　　本文根据车道线的设计特征，利用基于 DROI 全局搜索和改进霍夫变换的方法识别车道线特征点，其中霍夫变换对于曲率小的直线道路检测效果较好，DROI全局搜索方法则适用于任何道路。为规避图像中远离车道线区域噪声的影响，对DROI全局搜索的方向及范围进行合理约束。然后利用卡方分布表方法消除特征点集合中的异常点，提高了检测的准确性。本文利用一次和二次插值方法分别对直线和曲线部分的间断点进行插值。为了实现车道特征点与数学方程快速精确的匹配，本文通过极坐标方程对车道线进行拟合，并取得良好的拟合效果。　　最后利用本文方法对 Caltech 经典车道数据集进行测试，取得平均正检率99.21%的结果，与国内外其他主流方法相比本文方法更有优势。为了对本文方法的鲁棒性进一步验证，本文对5683帧条件更为复杂的真实道路图片序列进行测试，最终取得了正检率99.07%的良好检测效果。

目录

1 绪 论

1.1.1研究背景

1.1.2智能车技术的发展历程

1.1.3智能车的发展趋势

1.1.4现阶段无人驾驶技术

1.2车道检测国内外研究现状

1.2.1感兴趣区域研究现状

1.2.2车道模型研究现状

1.2.3车道线检测方法研究现状

1.3课题的研究目标

1.4.1主要研究内容

1.4.2论文的章节安排

2 基于道路识别研究的图像预处理

2.1引言

2.2.1彩色图像简介

2.2.2 RGB模型

2.2.3 CMY,CMYK模型

2.2.4 HSI模型

2.3图像RGB转灰度处理

① RGB 图像

② 灰度图也称亮像

2.4图像增强处理

2.5基于阈值的图像分割

2.5.1基于OTSU方法的图像分割

2.5.2基于局部OTSU的图像分割

2.6二值化图像中基本形态学运算

2.6.1膨胀运算与腐蚀运算

2.6.2开运算与闭运算

2.7本章小结

3 基于安全视野的动态感兴趣区域设计

3.1 引言

3.2 道路条件的基本假设

3.3 ROI区域定义及研究现状

3.4.1鸟瞰图变换

3.4.2 ROI纵向边界的设计

3.5基于道路曲率的ROI区域的横向约束

3.6综合条件下的ROI区域选取优化

3.7本章小结

4 车道线检测与跟踪

4.1引言

4.2车道线检测的基本流程

4.3基于改进霍夫变换的车道线检测研究

4.3.1边缘检测原理

4.3.2霍夫变换直线检测

4.3.3霍夫变换直线检测的应用

4.4基于DROI全局搜索方法的车道线识别

4.4.1 DROI全局搜索方法检测道路原理与起始点设计

4.4.2检测道路过程中的特殊点分析

4.4.3卡方分布表方法除异常点与间断点插值

4.4.4车道线特征点跟踪

4.4.5车道线拟合

4.5本章小结

5 实验研究与对比分析

5.1 实验条件与算法实现

5.2.1车道检测效果评价指标

5.2.2检测结果对比分析

5.3各种特殊条件下的车道线检测

5.4 本章小结

6 结论与展望

6.1结论

6.2展望

参考文献

附录

A 作者在攻读硕士学位期间发表的学术论文

B 作者在攻读硕士学位期间参与的科研项目

C 学位论文数据集

致谢