基于图像的车辆行道线检测与跟踪保持

论文摘要

随着科技的进步和社会的发展,汽车的人均占有量迅速增加,随之带来的交通安全问题也得到了全世界的关注。据调查可知,目前很多交通事故是由于司机疲劳驾驶或者醉驾导致车辆偏离当前行驶的车道所致。故行道线的检测与跟踪技术是智能车辆辅助驾驶技术的一个重要问题。本文是围绕基于图像的车辆行道线的检测与跟踪展开研究的。1.本文研究并实现了一种基于亮度估计和多阈值的行道线分割方法。针对摄像机会使得图像近处亮远处暗的成像特点,本文利用均值滤波对道路图像进行亮度估计,然后把原灰度图像和均值滤波后的图像进行差分,从而突出行道线区域。为了适应各种气候条件、光照等复杂路况的条件,本文采用了多阈值方案,对得到的差图像进行二值化,避免单一定阈值可能带来的分割效果不佳的后果。2.本文研究了基于消失点估计和条件约束的行道线感兴趣区域处理,实现了基于游程长度（Running-Length, RL）的干扰消除方法和固定宽度范围的细化方法。文中首先根据消失点确定行道线感兴趣区域（ROI）。然后,结合行道线的结构特点,利用游程长度和固定细化方法消除了一些诸如高速公路两边的护栏、前方车辆等干扰,便于下一步操作。3.本文研究并实现了基于加权Hough变换和空间约束的行道线选取工作。为了使得提取的结果更为准确,本文采用基于加权的Hough变换方法求得多条候选行道线,然后基于空间约束的条件进行行道线的选取,构造评价函数完成最终左右行道线的检测。4.本文最后采用卡尔曼滤波来进行行道线的跟踪保持。该方法可以有效的根据跟踪的情况自动调整感兴趣区域,使行道线的提取时间大大缩短,实时性和鲁棒性得以进一步提高。经过大量的实验表明本文的算法有效,能很好的检测出行道线,具有很好的鲁棒性和有效性,同时对智能交通领域的研究也有一定的借鉴意义。

论文目录

• 摘要
• Abstract
• 1 绪论
• 1.1 引言
• 1.1.1 课题研究的背景
• 1.1.2 课题研究的意义
• 1.2 课题研究的现状
• 1.2.1 国外研究现状
• 1.2.2 国内研究现状
• 1.3 本文的项目来源及要求
• 1.4 本文的研究内容及章节安排
• 2 一种基于亮度估计和多阈值的行道线分割方法
• 2.1 引言
• 2.2 行道线图像灰度化
• 2.3 道路图像边缘检测
• 2.3.1 常用的边缘检测算子
• 2.3.2 各种边缘检测试验结果比较和分析
• 2.4 基于亮度估计的行道线边缘检测
• 2.4.1 常用的图像平滑方法
• 2.4.2 差分图像
• 2.5 基于多阈值的行道线分割
• 2.5.1 常用的行道线分割方法
• 2.5.2 基于最大类间方差法（OTSU）的图像分割
• 2.5.3 基于多阈值的行道线分割方法
• 2.6 本章小结
• 3 基于消失点估计和条件约束的行道线感兴趣区域处理
• 3.1 引言
• 3.2 消失点的定义
• 3.3 消失点的数学计算模型
• 3.4 基于条件约束的行道线区域处理
• 3.4.1 基于RL的干扰消除
• 3.4.2 固定宽度范围的行道线区域细化
• 3.5 实验处理结果与分析
• 3.6 本章小结
• 4 基于加权Hough变换和空间约束的行道线选取
• 4.1 引言
• 4.2 传统的Hough变换
• 4.2.1 Hough变换原理
• 4.2.2 行道线图像坐标系建立
• 4.3 基于加权的Hough变换
• 4.4 基于空间约束的行道线选取
• 4.4.1 空间约束判断条件
• 4.4.2 空间约束实验结果与分析
• 4.5 本章小结
• 5 基于卡尔曼滤波的行道线保持
• 5.1 引言
• 5.2 卡尔曼滤波基本理论
• 5.3 基于卡尔曼滤波的行道线保持方法
• 5.4 卡尔曼滤波保持行道线的实验结果
• 5.4.1 基于卡尔曼滤波保持行道线的算法
• 5.4.2 基于卡尔曼滤波的行道线跟踪实验结果
• 5.5 本章小结
• 6 实验结果分析与总结
• 6.1 实验环境简介
• 6.2 整体算法流程
• 6.3 实验结果及相关分析
• 6.3.1 晴天道路图像实验结果图
• 6.3.2 雨天道路图像实验结果图
• 6.3.3 夜晚道路图像实验结果图
• 6.3.4 强光照道路图像实验结果图
• 6.3.5 复杂路况道路图像实验结果图
• 6.3.6 各种环境下的实验结果及分析
• 6.4 主要研究成果
• 6.5 后续工作建议
• 致谢
• 参考文献
• 附录