基于双目视觉的车道识别与目标车辆识别技术研究

摘要

社会高速发展，道路交通系统不断涌现的诸多问题，使得智能交通系统(ITS)得到了广泛的关注和研究。智能车辆是ITS的重要组成部分，本文根据Marr的视觉三层次理论，从理解车辆行驶环境的角度出发，运用双目立体视觉技术对车辆行驶中环境进行检测，以获取当前的车道及目标车辆信息。主要对处理算法进行了深入研究包括：车道线识别、目标车辆识别、目标车辆的特征提取和特征匹配。主要研究内容如下： ⑴研究了一种结合形态学的车道线检测方法。采用45°和135°方向模板Sobel算子对获取图像进行边缘检测。边缘检测后，以提高车道线提取算法的实时性和可靠性为目标，根据车道线成像的方向性，选取特殊结构元素对边缘图像进行形态学处理，保障真实车道线边缘信息比例的同时有效地降低了边缘信息总量，很大程度上降低了后续Hough变换提取车道线的运算压力。整体上提高了算法的实时性和可靠性。 ⑵研究了一种实用的车辆识别和车辆特征提取方法。根据车辆底部阴影这一稳定特征，研究了一种基于HLS模型灰度图像的阈值分割方法，较传统基于YUV模型灰度图像的阈值分割。采用该法，分割结果对阈值的变化有更强的适应性。SUSAN是一种非常稳定的特征提取算法，确定目标车辆后采用该法可以准确、有效地提取出车辆特征角点。 ⑶研究了一种基于SAD(Sum of Absolute Differences)相似测度的多约束特征匹配算法。采用SAD法作为相似测度，实时性好。匹配前结合基本约束条件，可减少匹配时的搜索空间，有利于系统的实时性；匹配过程中以像素点Census变换后的汉明码距离作为匹配约束条件，提高了系统的可靠性；初始匹配完成后采用视差梯度约束去除伪匹配。经标准图像和实际采集的道路图像验证，和经典SAD法相比，该法有更好的可靠性。 ⑷通过对汽车自动驾驶双目视觉关键技术的研究，可有效检测当前车道线及目标车辆。为了验证系统效果，开发了仿真及实车实验平台，通过大量的实验对系统的关键技术及整体性能进行了测试。结果表明，系统在不同光照、天气、道路条件下具有良好的适应性，具备较好的抗干扰能力。

目录

文摘

英文文摘

声明

第1章绪论

1.1引言

1.2智能车辆研究现状

1.2.1智能车辆国外研究现状

1.2.2智能车辆国内研究现状

1.3立体视觉综述

1.3.1 Marr视觉理论

1.3.2双目立体视觉三维测量原理

1.3.3智能车辆双目立体视觉研究存在的问题

1.4本课题的来源及主要研究内容

1.4.1课题来源及系统总体方案设计

1.4.2论文主要内容和论文结构

第2章结合形态学的车道线检测

2.1车道线及车道线成像模型

2.1.1车道线模型

2.1.2车道线成像模型

2.2图像预处理

2.2.1彩色图像灰度化

2.2.2图像滤波

2.3道路图像的边缘检测

2.4边缘图像的形态学处理

2.4.1形态学基本原理

2.4.2基于形态学的道路边缘图像处理方法

2.5 Hough变换提取车道线

2.6本章小结

第3章 目标车辆检测及特征提取

3.1目标车辆的检测

3.1.1建立目标车辆搜索感兴趣区

3.1.2基于HLS灰度图像的阈值分割

3.1.3目标车辆的进一步验证

3.2基于自适应阈值SUSAN算法的角点特征提取

3.2.1特征提取算法概述

3.2.2 SUSAN算法基本原理

3.2.3SUSAN算法中灰度差阈值的自适应提取方法

3.3本章小结

第4章 目标车辆的角点特征匹配

4.1基本匹配约束

4.2匹配相关测度函数

4.3目标车辆的角点特征匹配

4.3.1基于汉明码距离的匹配约束

4.3.2基于视差梯度约束的匹配去伪

4.3.3角点特征匹配

4.4本章小结

第5章 系统实验平台及系统性能验证

5.1系统实验平台的搭建

5.2摄像机标定

5.2.1摄像机模型

5.2.2摄像机标定原理

5.2.3摄像机标定实验

5.2.4考虑到畸变的目标车辆纵向距离获取

5.3系统性能验证

5.3.1不同工况下车道线的识别

5.4本章小结

结论与展望

1、工作总结

2、存在的不足及研究工作展望

参考文献

附录

攻读硕士学位期间发表的学术论文

致谢