论文部分内容阅读
车道的检测与识别是汽车辅助驾驶技术的一个重要子问题,在诸如车道偏离预警系统、车辆防碰撞系统等方面发挥着必不可少的作用。目前已有大量基于视觉的车辆辅助驾驶技术的研究理论公诸于世,且有一些产品化的应用随着车辆装置推向市场。但是由于车道检测和识别需要应对各种路况环境差异,如天气的变化导致的能见度不同、黄昏或夜间环境、车道场景的变化(隧道,街区)、背景对象及其动态变化导致的阴影,以及其它光照条件的变化,这些都不同程度地降低路况视频或图像的质量,从而加大车道检测与识别的难度。所以,研究能够应对和适应复杂场景的车道检测与识别技术具有重要意义。本文研究基于视觉的车道检测与识别,并侧重于复杂光照条件下的研究。我们将以装载在车辆上的前视CCD摄像头采集到的路况图像为测试数据,针对测试图像作了光照和噪声方面的预处理,然后对灰度图像分别研究包括水平线、消失点、三维场景布局和道路几何特点等在内的上下文三维特征,并讨论连续图像序列间的相关性特点。最后,融合这些特征信息,组建一套基于单目视觉的车道检测和与识别系统。对各种光照条件下路况数据的测试实验表明,融合了多种三维特征的系统效果良好,具有较高的准确性、鲁棒性和实时性。本文的研究工作主要有以下几点:(1)研究了一种纵向灰度跃变搜索方法用于车道线检测与设别的感兴趣区域(ROI),有效滤除了大块背景区域,很大程度地降低了背景对象的干扰。(2)研究了一种结合霍夫变换和随机抽样一致算法(RANSAC)进行车道检测与识别的方法,该方法能够剔除车道线拟合过程中的大部分“离群”数据点。(3)研究了一种加权滑动平均法对输入数据进行时间序列分析的方法,通过灵活控制算法参数,降低了由各种背景对象的动态变化造成的干扰作用。(4)本文在车道特征检测和车道识别的处理过程中,研究了通过融合多种低层特征等上下文三维信息以支撑最终的识别输出的方法。