毕业设计
基视觉车道线识算法研究
Research on Algorithms of Visionbased
Lane Recognition
2009 届 电气电子工程 分院
专 业 动化
学 号
学生姓名
指导教师
日期暂添
完成日期 2009年 X 月 X 日
毕业设计成绩单
学生姓名
学号
班级
专业
动化
毕业设计题目
基视觉车道线识算法研究
指导教师姓名
指导教师职称
讲师
评 定 成 绩
指导教师
分
评阅
分
答辩组组长
分
成绩：
院长签字：
年 月 日
学生姓名
刘元元
学号
20051773
班级
电05022班
专业
动化
毕业设计题目
基视觉车道线识算法研究
指导教师姓名
石彦辉
指导教师职称
讲师
评 定 成 绩
指导教师
分
评阅
分
答辩组组长
分
成绩：
院长签字：
年 月 日
毕业设计务书
题 目
基视觉车道线识算法研究
学生姓名
学号
班级
专业
动化
承担指导务单位
电气电子工程分院
导师
姓名
导师
职称
讲师
容
利MATLAB车道线识算法进行仿真研究仿真结果中提出具定实时性鲁棒性识算法
二基求
1研究车道线识中种算法
2软件编程找出优算法
3算法具定实时性鲁棒性
三研究方法
1车道图预处理算法灰度化滤波
2正确获取车道线素区域生长法
3基模型假设车道线提取算法
四应收集资料参考文献
1MATLAB图形图处理图分析数字图处理等书籍
2道路识算法相关网资料
五 进度计划
1第1周—第3周 收集资料完成开题报告
2第4周—第8周 初步确定算法
3第9周—第13周 软件编程MATLAB调试仿真完成文
4第14周—第15周 整理文准备答辩
教研室签字
时 间
2009年X3月X2日
日期毕业设计开题报告
题 目
基视觉车道线识算法研究
学生姓名
学号
班级
专业
动化
课题研究背景国外研究现状
着城市化发展汽车普交通环境日趋恶劣交通拥挤加剧交通事频发交通问题已成全球范围普遍关注社会问题基21世纪信息计算机技术高速发展道路交通问题越越倾高科技术寻求解决路世界国竞相开展智车路系统智交通系统智车辆导航概念应运生车辆视觉导航系统中关键技术计算机视觉计算机视觉务完成道路识踪国外许学者视觉导航进行研究试图双目目视觉完成导航务面难点较解决目视觉系统视目匹配问题设备成较高致力单视目视觉技术研究方法缺少实时性尝试三维重建方法识车道线算法复杂度高难满足实时性求提高算法实时性鲁棒性目前急需解决问题
工作采方法手段
根车道线识算法求研究种算法实时性鲁棒性软件编程仿真算法道路图中检测效果众算法研究中提出具定实时性鲁棒性识算法语言实现该算法仿真结果
算法选定中通实验仿真结果出彩色通道提取法灰度化道路图更增强车道标记线白色部分融合沥青路面区域信息车道线边缘信息获取车道线素点具克服虚假边界优点通简化车道线模型提出直线型车道线模型假设hough变换改进算法中值截距法提取车道线通实验仿真结果分通MATLAB仿真实验结果
预期达结果
通算法研究预期提出优算法结构化道路情况够检测出车道线时具定实时性鲁棒性
指导教师签字
时 间
2009 年33月1010日
摘
目前许国家计划开展视觉导航系统研究中道路检测视觉导航系统重组成部分检测精度直接关系智车辆行驶安全性备倍受关注文设计研究基视觉道路识算法首先分析已图预处理算法根设计中图处理具体求选取合适图预处理算法提出获彩色图采彩色通道提取法灰度化更增强车道标记线白色部分根车道线倾斜特征定义差分模板处理灰度化图车道线边缘提高道路识实时性抗干扰力文提出区域生长法选取合适种子点生长出路面区域然根边缘区域信息表示道路边界线应该空间占相相位置文提出融合边缘路面区域两种信息获取车道线素点获取车道线素点文采直线道路模型假设作约束条件分hough变换改进算法中值截距算法提取车道线MATLAB算法进行仿真出改进hough变换车道线检测具较实时性鲁棒性结
关键词： 图预处理 彩色通道提取 区域生长 改进hough变换
Abstract
Recent the research on Visual navigation systems have been developed in many countries And a lanedetection system is an important component of many visual navigation systems There has been active research on the lanedetection because it closely relates to the safety of intelligent vehicles In this thesis the road positioning algorithms based on image are researched At first the current algorithms of image preprocessing are analyzed By the specific requirements of the image processing in this thesis the appropriate algorithm is chosen For example in order to get a greylevel image from a colour one we introduced a method called getting from multicolor channel As the result the white line on the road image can be intensified stronger than the other ways Then given the features of road line a difference cyclostyle is defined to extract the edge At the same in order to improve the realtime performance of roads and antijamming capability regional growth ways is introduced through it we can chose a proper seed to get a regional road image Then edge extraction and integration of regional growth way is used to identify the road edge according to marginal and regional information should occupy space in the same or similar position After getting the road line points straight road model is considered as the constraints and three algorithms such as hough transform improved hough transform algorithm and median of the intercepts algorithm are established for linear feature extraction Then there is a comparsion between their advantages and disadvantages by using MATLAB Finally a conclusion is drawed that the improved hough transform algorithm can improve the realtime performance of roads better and its robust is also prior to them
Key words Iimage preprocessing Ggetting from multicolor channel
Rregional growth way Iimproved hough transform
目 录
第1章 绪 1
11 课题研究背景意义 1
12 国外研究现状 2
13 文研究容 2
第2章 单目视觉系统 4
21 引言 4
22 单目视觉导航系统成模型 4
23 章结 6
第3章 道路图预处理 7
31 引言 7
32 道路图灰度化 7
321 常灰度化方法 7
322 彩色通道提取灰度化 9
33 图灰度变换 10
331 图灰度线性变换 11
332 图灰度非线性变换 11
333 基直方图灰度变换 12
34 图滤波 14
341 线性滑滤波 14
342 非线性滑滤波 15
35 图边缘增强 17
351 图梯度边缘检测算子 17
352 定义差分算子 20
353 加入噪声图检测实验 21
36 章结 22
第4章 道路边缘识 24
41 引言 24
42 道路检测方法简介 24
43 边缘区域相结合道路检测方法 25
431 区域生长法基概念 25
432 融合两种信息提取仿真实验 28
44 基模型道路识 29
441 道路模型假设 29
442 道路图特征直线提取 30
4421 传统霍夫变换提取直线 30
4422 机霍夫变换提取直线 32
4423 中值截距法提取车道线 34
45 算法较 36
46 机霍夫变换提取直线检验 37
47 章结 43
第5章 结展 44
参考文献 45
致谢 46
附录 47
第1章 绪
11 课题研究背景意义
着城市化发展汽车普交通环境日趋恶劣交通拥挤加剧交通事频发交通问题已成全球范围普遍关注社会问题年解决交通问题世界国竞相开展智车路系统智交通系统等领域研究智系统发展改善交通环境状况提高车辆行驶安全性性减少驾驶员素造成交通事等开辟广阔前景智车辆导航(Intelligent Vehicle Guidance)概念应运生基视觉智车辆导航追溯19世纪70年代初期移动机器研究时硬件水较低图处理计算量非常研究者精力耗费硬件台设计实现测试着计算机硬件水飞速发展该问题解决智车辆导航诸复杂具挑战性务中受重视基视觉道路检测问题
理分析道路检测中获道路环境三维信息需采双目目立体视觉系统[1]双目目立体视觉系统实际应中需计算量双目目立体视觉系统视觉匹配问题难解决智车辆较高速度图处理速度般情况高目前微处理器计算力完全满足实时性求 目前双目目立体视觉系统适合较高速度智车辆视觉导航中应前智车辆视觉系统获取道路面二维路径信息道路中车辆障碍物信息通视觉系统 激光雷达测距仪避障传感器系统进行信息融合极提高信息获取性单目视觉系统然够满足较高速度情况视觉导航求实际世界范围数智车辆视觉导航系统采单目视觉获取道路环境信息单目目视觉导航系统中关键技术计算机视觉计算机视觉务完成道路识踪信息采集处理实时性行驶程控制鲁棒性运行决策行性高求求设计系统必须理算法予强支持针计算机视觉部分实时高效图处理算法
基视觉车道线识研究意义实现智车辆机器导航提高驾驶安全性改善交通环境驾驶舒适性识技术车辆路径偏离预警系统部分车辆偏离车道造成事避免驾驶员预警系统样具重意义次识技术提高智巡航控制中踪引导车辆精度识技术广泛应公路码头仓库等动运输系统中实现车辆运输动化
12 国外研究现状
目前止国外智车辆例外机器视觉作重感知方式基计算机视觉系统导航技术具价格低廉结构简单方便传感器进行数融合等优点利机器视觉识公路车道线实现导航现阶段智车辆常方法该方法实际系统证明效外部环境感知方式道路识视觉导航关键技术较复杂性挑战性备受关注
部分学者致力目视觉技术解决问题德国学者利立体视觉方法提高系统鲁棒性目视觉中存法回避难题图匹配准实时性问题日通前图参考图间素迅速匹配解决巨运算量实时处理困难时许学者试图单目技术实现道路检测目前已取丰富成果中法国学者提出种视觉方法仅利台摄机路面信息够正确踪路标路标情况道路该方法图中提取出道路边缘特征定位机器车道位置采车道统计模型进行精确匹配结果较准确美国采单目摄机通图序列测取道路环境信息
目前基视觉导航智车辆[2]中较成效：美国Carnegie Mellon University 研制Navlab系列智车识踪S形曲线道路行车线均速度达885kmh日丰田公司1993年研制智车安装23 英寸CCD 镜头普通高速公路实验车速60kmh德国UBM学研制装4彩色CCD构成双目视觉系统踪车道白线避障动超车法国帕斯卡学雪铁龙技术中心合作研究Peugeot智车判引导线否漏检丢失车速达130kmh清华学研制THMR智车辆系统集成二维彩色摄机GPS超声等传感器系统完成白线踪路标识道路识等务吉林学智车辆课题组研制视觉导航智车辆实现路面铺设条带状路标视觉识车辆导航功
13 文研究容
智车辆公路高速行驶视觉系统作重感知手段时图识外界信息中扮演着重角色通图提取车道线目前许算法例素扫描模板匹配霍夫变换边缘踪等常车道线边缘素提取方法中素扫描普遍采种提取方法具灵活高效抗干扰力强特点
研究算法道路图应程中图预处理关重首先图预处理算法图灰度化图滤波图边缘增强等MATLAB进行仿真较处理结果预处理方法影响检测实时性正确性中更利彩色图提供车道标记线沥青路面色彩信息设计彩色通道提取法灰度化图实际情况复杂变遇雨雪天气加入椒盐噪声模拟实际情况种常滤波模板处理图处理图现清晰度效果中选出优滤波方法般获道路图中包含信息车道线路面两种信息车道线作图中种边缘根边缘属性差分算子边缘检测出通常见差分检测算子定义差分算子较出者更增强车道线标记部分图边缘增强仅车道线增强许树木行车辆等增强增加许虚假边界获更准确车道线边界设计融合边缘区域信息方法定位车道线适应二值化图较出前者克服虚假边界力更强建立提取车道线模型关键部分设计假设结构化道路智车辆仅采集前方远处道路图提出直线型车道线模型该模型计算量定程度适应车辆高速行驶程中实时性求基直线型车道线假设图中提取特征直线时hough变换改进算法中值截距法进行提取通较改进hough变换——机hough变换实时性图进行检测定程度机hough变换鲁棒性符合求
第2章 单目视觉系统
21 引言
准确识道路环境视觉导航系统理应获车辆前方道路三维信息包括车辆道路位置关系道路中障碍物信息正确理解三维世界环境理应该采双目者目视觉系统立体视觉角度解决环境重建问题现研究结果直接通图进行三维恢复获取环境信息方面困难：首先计算量巨次匹配点寻找困难外遮挡问题例左右视野部分场景匹配左右视野环境光户外环境基素视野景物深度恢复困难重重立体视觉研究者数简化利素影响样双目者目视觉系统需计算量较目前计算机计算力足满足车辆导航系统实时性求双目者目视觉系统般复杂未知环境低速行驶智车辆双目者目视觉系统会提高系统成道路检测说需获道路方车辆道路位置关系没必定完全理解整三维世界环境目前基视觉导航智车辆采单目视觉系统完成道路检测踪采目视觉系统完成道路障碍物检测采单目视觉系统检测道路时三维世界环境转换图二维信息转换程中损失三维环境中深度信息程逆通常单目视觉系统中获道路三维信息提出合理假设道路坦假设道路边缘连续性假设道路模型假设等国外实验情况采合理假设单目视觉系统进行道路检测行
22 单目视觉导航系统成模型
图中素实际道路区域点应关系必须知道二维图信息三维世界信息关系模型单目视觉系统损失三维世界中深度信息程逆实际应中根需作假设已知定信息二维图中估计出三维道路信息具体做法：假设车辆前方道路坦设定摄机安装位置固定(安装高度俯视角偏离角)摄机固参数常数(摄机焦距孔径张角)道路检测程中需道路延伸方车辆偏移距离需道路三维信息完全恢复假设满足实际需摄机成模型中常简单线性模型——针孔模型[3]面摄机成模型进行简介绍
(21)
摄机成实质三维道路场景信息变换成二维图信息变换三维空间(3D)二维空间(2D)映射式(21)：
表示述种映射关系透视投影针孔成模型[15]似解释透视投影成模型特点场景光线均通投影中心应透视中心图21(a)中投影中心垂直图面直线摄机光轴 世界坐标系图面坐标系f摄机焦距关系知世界坐标系中点投影中心点图面坐标系中投影点出成倒立避免种倒立图现假定图面位 Z 轴正半轴投影中心 垂直距离焦距 f 处时点投影中心点图面坐标系中投影点图21(b)示出位点点间投影完全相时正立投影图种现象计算机视觉中称视网膜成
(a) 透视投影倒立成图 (b) 透视投影倒立成图
图21(b)示 出位点点间投影完全相时正立投影图种现象计算机视觉中称视网膜成
(b) 透视投影正立成图
(a) 透视投影倒立成图
图21 透视投影图
种成模型简单计算量作假设适应实际情况设计文单视目成针孔模型作二维图信息三维世界信息关系模型
图21(a)图21(b)均点图面投影点映射关系图中关系透视投影方程式(22)示：
(22)
世界坐标系中点图面投影点映射关系式(23)示：
(23)
23 章结
章简单介绍两种道路信息获方法采双目目视觉系统采单目视觉系统单视目系统实时性系统成优前者目前常单视目导航系统三维世界坐标二维图坐标方法中简讨单目视觉系统中简单常成模型——针孔模型实际应中假设已知定信息存该模型应车道线识中行
第3章 道路图预处理
31 引言
智车辆视觉系统完成图采集需获取图进行种处理识视觉系统图生成采样量化传输变换等程中CCD传感器噪声机气湍流光学系统失真等原会造成CCD 摄机成质量降低外车辆行驶时视觉系统道路环境间存相运动输出图质量会降低常产生运动模糊等现象改善视觉系统图质量需突出道路图中信息消环境信息干扰需原始图进行图预处理操作
图预处理指特定需突出幅图某信息时削弱某需信息处理方法目处理图某种特定应原始图更便机器图理解分析
32 道路图灰度化
部分道路图通彩色COMS图传感器采集原始图彩色图中颜色模型RGB模型图中颜色通红(Red)蓝(Green)绿(Blue)三种基颜色例混合RGB模型中果RGB时彩色表示种灰度颜色中RGB值灰度值灰度图素需字节存放灰度值般白色灰度值定义255黑色灰度值定义0黑白间明亮度均匀划分256等级道路图提取车道线程中算法没利图彩色信息灰度化然灰度化图避免丢失信息灰度图处理存放方式出速度相较快彩色图处理分三分量处理见速度相较慢彩色图转换灰度图面常四种方法[34]进行简介介绍
321 常灰度化方法
(1)分量法
彩色图中三分量亮度分作三灰度图灰度值式(31)示根需选取种灰度图
(31)
中转换灰度图处灰度值
(2)值法
彩色图中三分量亮度值作灰度图灰度值式(32)示
(32)
(3)均值法
彩色图中三分量亮度求均灰度图式(33)示
(33)
(4)加权均法
根重性指标三分量权值进行加权均眼绿色敏感度高蓝色敏感度低式(34)RGB三分量进行加权均亮度较合理灰度图
(34)
MATLAB分量法值法均值法加权均法四种常灰度化方法幅道路图进行仿真结果
图31图32：
图31 三分量法灰度化
图32 图灰度化较
通图32图灰度化结果出：处理道路图时均值灰度化彩色图效果差图部分区域路面灰度化道路标记线弱化感觉差原选图色彩差选色彩差明显图出加权均法混合更符合类视觉灰度值篇幅限里图说明
通方法介绍出灰度化方法没更利彩色图提供色彩信息致通方法没考虑图特征设计设计采面种彩色通道提取[54]方法
322 彩色通道提取灰度化
彩色通道提取目根车道标志线色彩信息提取定颜色通道形成突出车道标志线块状结构灰度图车道标志线般黄色白色路面沥青表面彩色图中车道标志线点成RG通道颜色值相B通道沥青表面成灰色RGB三通道颜色较均相较试图通提取RG通道方法突出车道标志线块状结构行
提取通道合成灰度图RG通道颜色值相加具体RG通道颜色值定阈值素点直接取灰度值255低阈值素点弱化灰度图中素值取(R+G)2综述变换原理式(35)：
(23)
式中C表示——阈值
RG分——表示素颜色值Red分量Green分量
G——素颜色值Green分量
式(35)中出RG通道颜色值较车道边缘点灰度图中灰度值强化RG通道颜色值较沥青路面灰度值弱化R+G处理车道边界强化灰度图阈值C选取目前没固定方法设计文做法车辆采集图方取块条形区域搜索B通道相素点计算出均(R+G)2值该值作整图处理时阈值整图尤远方车道线增强MATLAB彩色通道提取法道路图进行仿真图33：
图33 彩色通道提取灰度化
图33中出车道边缘部分灰度图中效增强255表示灰度图中白色图中车道标记部分基染成白色起增强边界作设计选彩色通道提取方法灰度化道路图
33 图灰度变换
道路图灰度化灰度值通常集中某范围图动态范围加图度扩展清晰度提高特征明显进行图灰度变换[6]必灰度变换线性变换非线性变换
331 图灰度线性变换
首先介绍线性变换线性单值函数图中素点做线性扩展效改善图视觉效果增强度计算复杂度低易实现基原理式(36)：令原始图灰度范围[ab]线性变换图灰度范围[a＇b＇]间存列关系：
(36)
外种情况图中部分素灰度值[ab]范围少部分素ab 区间时做式(37)示变换：
(37)
种两端截取式变换灰度级a 灰度级b 素强行压缩a＇b＇显然样会造成部分信息丢失时某种特殊应种牺牲值道路图部分信息路面预见灰度值集中某区间进行该变换具实际意义道路图处理中压缩区间范围确定性没解决该方法进步研究重点
332 图灰度非线性变换
图灰度非线性变换：原始图灰度范围[ab]通然数变换区间 [a＇b＇] 式(38)求图：
(38)
变换扩展输入图中低灰度区域度压缩高灰度值道路图部分信息路面灰度值集中相较高范围采种方法处理道路图时预见效果较差灰度变换法图度增强结果MATLAB仿真图34：
图34 灰度线性变换
通例出然灰度线性变换增强图度道路图增强效果明显根图(34)道路图灰度直方图特点出灰度值集中分布范围广0255灰度级范围均应素存直方图均衡化预见图度够较程度增强面简介介绍直方图变换[7]
333 基直方图灰度变换
直方图表达幅图灰度级分布情况统计图表示出具某灰度素数表示素图具体位置直方图横坐标灰度般r 表示数字图信号直方图坐标某灰度值 素数数字图式(39)式(310)示关系：
(39)
(310)
中式中——图第级灰度值
——图中第级灰度素数
k——图应总灰度级数
直方图均衡化[1]技术通变换原图直方图调整坦直方图然均衡直方图校正原图增加图灰度值动态范围达增强图整体度效果直方图均衡化增强直方图极值附亮度度减少极值附度变换函数式(311)：
(311)
中变换函数变换函数需满足2条件：
(1)
(2)
证明r累积分布函数满足述两条件r分布转换s均匀分布MATLAB仿真直方图均衡化技术图35：
图35 直方图均衡化
通例发现图灰度值变换概率分布化均匀分布(直方图中明显体现)图度增强观评价出变换突出原图细节具更边缘检测效果设计采直方图均衡化技术增强图度
34 图滤波
幅未处理原始图存着定程度噪声干扰噪声会恶化图质量图模糊甚淹没需检测特征图分析带困难进行进步边缘检测图分割特征提取模式识等处理前采适方法量减少噪声干扰显非常重道路图滤波[8]两类方法：类方法图空间域图进行种滤波处理空域处理法类方法空间域图 正交变换傅立叶变换频率域变换图 频率域进行种滤波处理频率域处理图然变换图空间域形成处理图频域处理法显然频域处理法附加图正交变换正变换反变换数量较二维道路图需较存运算时间较长满足视觉系统实时处理求设计采空间域图滤波处理方法面常种空域滤波算法进行介绍
341 线性滑滤波
图滑滤波处理分线性滤波非线性滤波线性滤波方法提出较早具较完备理基础针线性滤波处理设计文尝试均值滤波[1]均值滤波图进行局部均值运算 素值局部邻域值均值置换式(312)：
(312)
式中——邻域称滤波窗口
——邻域中素点数
窗口水垂直两方必须奇数否图会产生偏移均值滤波器通卷积模板等权值卷积运算实现设计文采模板进行滤波较
该算法麻点噪声方面较效区分效信号噪声信号噪声图细节时削弱改善邻域均法中图细节模糊问题提出改进方法选择均法加权均法选择均法灰度值相接素进行均加权均法灰度值特殊程度确定应素权值模板中权值相数学表达式式(313)：
(313)
式中表示——应素需加权值根需进行修正处理图均灰度值变模板中系数1然种改进方法定程度改善细节模糊问题模板中权值确定道路图样性复杂性没固定算法具局限性
342 非线性滑滤波
理实验证明然线性滤波具良抑制噪声力图滑会造成图中细节信息损失处理图产生模糊设计文尝试采非线性滑滤波处理方法—中值滤波[1]中值滤波种非线性图滤波方法1971年JWJukey提出首先应维信号处理技术中 二维图处理技术采中值滤波基思想素点邻域灰度值中值代该素点灰度值该方法脉噪声椒盐噪声时保留图边缘细节定条件克服线性滤波带图细节模糊问题时实际运算程中需图统计特征计算带少方便数学表示式(314)：
(314)
式中——前点邻域
MATLAB加入椒盐噪声图应滑滤波法噪进行仿真图36：
图36 滑滤波
图36 滑滤波
MATLAB加入椒盐噪声图应中值滤波法噪进行仿真图37：
图37 中值滤波
滤波方法滑滤波法选择均滑滤波法中值滤波法分
MATLAB进行较仿真结果图38示：
图38 滤波较
通出滑滤波道路图细节变模糊改进选择均法滑滤波滤波图改善针道路图灰度值相接概念明确化具定模糊性需进步研究中值滤波出图边缘保护作噪声时较保留边缘锐度图细节显然方法较适合课题求续处理中提取物体边缘特征噪时较保留边缘锐度图细节难贵实际应中窗口选择适宜图37中出着窗口扩破坏图某细节仿真结果中选择模板中值滤波宜
35 图边缘增强
道路图滤波识车道线讲存量信息般白色标记车道线路面言较强边缘体现灰度纹理结构等信息道路图边缘种类致分两种[9]：种阶跃性边缘两边素灰度值明显种屋顶状边缘位灰度值增加减少转折点CCD摄机传感器具低频特性图中边缘灰度值变化瞬间跨越定距离图39分出两种边缘示意图相应阶方导数二阶方导数
理想信号 实际信号 阶导数 二阶导数
图39 9 两种常见边缘阶导数二阶导数
基边缘导数特点微分算子检测出通常阶二阶导数检测边缘里公式编写名行？
种边缘检测算子特点梯度基础首先介绍图梯度概念
351 图梯度边缘检测算子
梯度算子[7]阶导数算子幅副图梯度定义量式(315)：
(315)
幅值式(316)：
(316)
该量方角式(317)：
(317)
数字图离散性计算时常差分代微分计算方便常区域模板图卷积似计算梯度值采模板计算[6]时产生边缘检测算子设图模板邻域图310示：
图310 图邻域
边缘检测算子图311示模板似计算图偏导数：
1
0
0
1
0
1
1
0
图311 边缘检测算子
边缘检测算子图312示模板似计算图偏导数：
1
0
1
2
0
2
1
0
1
1
2
1
0
0
0
1
2
1
图312 边缘检测算子
边缘检测算子图313示模板似计算图偏导数：
1
0
1
1
0
1
1
0
1
1
1
1
0
0
0
1
1
1
图313 边缘检测算子
边缘检测算子二阶导数算子标量方需模板行进行二阶导数微分计算时常两模板图314：
1
1
1
1
8
1
1
1
1
0
1
0
1
4
1
0
1
0
图314 边缘检测算子
考察边缘检测算子应发现应出现领域求纳三条准：检测结果边缘定位精度边缘低响应次数根三条准出三条准表达式MATLAB中集成述边缘检测算子函数仿真边缘检测图图315：
图315 传统差分算子检测
试验实验结果出：边缘检测算子边缘检测算子具非性检测45°45度道路线方面定优势边缘检测算子计算相简单图处理车道线出现断点现象考虑算子利水垂直两方梯度阈值检测道路边缘道路图中车道线水方约成45°角135°角许学者提出针车道线方模板设计差分算子面介绍两种定义差分模板
352 定义差分算子
针道路图中车道标志线具左右倾斜特征果设计针该方差分算子预见算子更增强车道线位置选两差分算子[910]式(318)式(319)：
(318)
(319)
定义差分算子灰度图进行边缘增强MATLAB进行仿真实验结果图316：
图316 定义差分算子边缘增强
图316出车道线标记模板检测增强尤远处车道线效果更明显车道线加强时意味着素点增需进步细化处理考虑种实际情况课题选第定义模板式318示
353 加入噪声图检测实验
前面实验较种差分算子外加噪声情况道路图边缘检测结果实际应中系统采集图数情况已噪声污染图进行噪处理会噪声残留干扰算子抗扰性选取算子关键考察方面通常实际道路识中遇雨雪等恶劣气候条件情况系统采集图视野中常量雨雪颗粒严重影响道路图中特征曲线提取种噪声模型中椒盐噪声模拟雨雪颗粒图质量造成影响[58]通实验较种差分算子椒盐噪声污染道路图边缘检测力具实际意义
加入椒盐噪声图常差分检测算子进行边缘检测MATLAB进行仿真结果图317：
图317 加噪声传统差分算子检测
实验结果中出加入椒盐噪声种差分算子检测产生影响中边缘检测算子产生断点边缘检测算子边缘检测算子检测效果较理想边缘较完整通外加噪声图加入椒盐噪声图实验结果表明种情况边缘检测算子边缘检测算子检测效果较边缘检测算子噪声情况产生较断点定位准确
边缘检测算子定义差分算子噪声干扰情况边缘检测结果MATLAB进行仿真结果图318：
图318 加入噪声边缘检测
结果中出椒盐噪声影响定义差分算子检测效果较车道边界特征明显没出现断点等现象考虑种情况选第种式(318)示定义差分算子作道路图边缘检测算子适合
36 章结
章介绍进行道路识前准备工作面章节基础讨图预处理问题设计文研究道路检测系统中道路检测技术行驶程采集图道路坦者素视觉系统会产生振动松动等确定素采集图质量会受影响增强道路图识性降低道路检测算法复杂性利道路边界正确识精确定位需采集道路图进行预处理提高图质量
图处理算法中没种算法适处理类图种算法定针性局限性实际研究程中找种效图处理方法需作广泛实验根前视觉导航系统需算法加必改进适合视觉系统优算法课题道路图预处理包括图灰度化处理均衡化处理滤波处理边缘增强处理续道路图分割道路标志识提供条件
研究诸预处理图算法中针设计提供图算法身优点采彩色通道提取法灰度化道路图直方图均衡化技术增强度噪声图3*3中值模板滤波定义差分算子边缘检测
第4章 道路边缘识
41 引言
视觉导航诸复杂具挑战性务中受重视道路识(road following)包括道路检测道路追踪两部分道路检测视觉导航研究中核心问题视觉导航发展水重标志检测包括道路定位行驶物相道路边界位置判断驶出道路区域性等道路追踪整幅道路图进行全面处理利前次道路检测车道信息实现道路快速检测定位样进步提高系统实时性文时间限设计道路检测部分进行仿真实验目前道路检测技术单目双目目视觉系统分
章算法没立体视觉角度解决道路环境重建问题现研究结果直接通图进行三维恢复获取环境信息困难：首先计算量巨次匹配点寻找困难外遮挡问题立体视觉研究者数简化利素影响实际影响素导致环境深恢复错误尤光线环境较复杂户外基素点进行三维重构方式进行视觉导航适较简单环境环境较复杂户外环境数没采取图进行基素三维恢复方式采单目视觉系统
章单目视觉系统针孔成模型进行道路检测检测般路面利道路边缘区域两种方法结合MATLAB进行仿真实验
42 道路检测方法简介
现道路检测算法[11]三种：
(1)基彩色图分割方法种方法利彩色图中RGB彩色空间原理根道路RedGreenBlue三彩色分量周围非路面环境输入彩色图进行路面非路面二值划分种方法更适没车道线非标准车道基RGB彩色图分割方法道路非道路分类标准充分提出基HSG图分割方法中Betkel等提出图色彩HSG表达提供道路非道路更效分类准中色度H饱度S分量行道树天空致表达整路面影响具高亮特征汽车尾灯交通信号车道标志道路边界等需灰度级G分量识
(2)基灰度图车道线检测踪算法目前车道线检测踪流方法充分利车道线提供灰度信息进行导航非常适等级较高公路时类方法突出问题需解决车道线车辆遮挡时需准确估计遮挡部分车道线树木桥梁建筑物车辆等产生阴影路面灰度值产生影响进检测造成干扰等问题
(3)神网络方法智车辆导航研究中采工神网络种典型方法通实际景物中驾驶车辆训练神网络种方法非结构化道路踪缺点知道车道线位置车道线关许辅助功法实现等级较高公路时效率低
参考年关文献前基视觉道路检测技术两方研究：方侧重研究道路边缘信息方侧重研究路面区域信息根分析知边缘区域物体两互补特性获取边缘信息时容易分分割合导致丢失添加图边界通区域信息补偿边部分确定性文中提出边缘边界区域边界进行综合分析准确道路边界
43 边缘区域相结合道路检测方法
边缘增强处理图316中仅道路边缘信息信息树木行等轮廓线增强轮廓图中形成许假边界克服假边界干扰设计文采区域生长[113]方法道路图路面区域信息根路面区域信息定义差分算子提取边缘信息定位车道线边界种方法优点噪声太敏感强阴影体正确路面描述面首先简介区域生长法
431 区域生长法基概念
区域生长基思想具相似性质素点集合起构成区域具体先需分割区域找种子素作生长起点然种子素周围邻域中种子素相相似性质素根某种事先确定生长相似准判定合种子素区域中直没满足条件素包括进样区域长成中生长准常图灰度纹理彩色等信息通述分析知区域生长法处理道路图时两问题非常关键
区域生长关键选择合适生长相似准生长准会影响区域生长程目前区域生长法处理道路图中采灰度差准区域生长方法图素基单位进行操作基区域灰度差方法步骤：
(1)图进行逐行扫描找出尚没属素
(2)该素中心检查邻域素邻域中素逐较果灰度差预先设定阈值合
(3)新合素中心检查新素邻域直区域进步扩张
(4)继续扫描直发现没属素结束整生长程
二区域生长程中选取种子点关键般根图特点确定先验知识图利先验知识果没助生长准素进行相应计算设计文根算法实现目选择种子点区域核心应满足三求：
(1)必须道路区域 距道路边界定距离
(2)灰度周围灰度较均匀便生长出较区域
(3)灰度应反映道路区域亮度分布
根述求选择恰种子点道路图理解中作样合理假设[113]距离车辆正前方范围定路面种假设绝数情况成立旦前提成立标志着车辆距离危险区域太表明前面导航失败种前提进行视觉辅助导航时根范围取样特征推导出整视野空间中道路信息理想情况仅仅赖种子点信息正确推出整道路区域通算法理解设计文区域生长法路面区域算法：
(1)选取灰度图方条形范围处灰度值中间位置素种子点
(2)滑模板处理灰度化图邻域均化灰度图
(3)根邻域均化灰度图中灰度值灰度图中灰度值差设定阈值邻域均化灰度图中灰度值种子点处灰度值差设定阈值两准生长出道路路面区域
算法中出准阈值选取生长出图影响选取值检测出图含虚假边缘选取值车道线出现漏检现象实验仿真结果 两阈值选取目前没合适选择方法设计实验程中阈值取70阈值取90时定义差分模板取028生长出路面区域理想实现该值适应选取研究生长区域法重方利区域生长法识道路边界仿真结果图41：
图41 利区域生长法路面区域
阈值选取述值时仿真结果图42(中阈值取50阈值取70)：
图42 利区域生长法路面区域
阈值选取述值时仿真结果图43(中阈值取90阈值取110)：
图43 利区域生长法路面区域
仿真结果中出选取值检测出图含虚假边缘选取值车道线出现漏检现象实现阈值适应选取研究重中重
432 融合两种信息提取仿真实验
述程处理两组信息区域信息边缘信息两种信息进行融合真实边界存信息源设计文提出述算法计算真实道路边缘已边缘信息区域信息根空间应该出现相相位置计算两组信息中相应位置离散点间距离
设边缘边界中连续边缘边界线段线段离散边缘点组成区域边界中连续区域边界线段线段离散边界点组成推出理出样两组信息中线段作离散点处理根式(41)：
(41)
中设定距离选取路面边界复杂性没固定方法实验中检测出车道边界更准确MATLAB融合边缘区域两种信息定位道路边界进行仿真结果图44：
图44 4 融合两种信息检测图
通图44出利边缘信息区域信息检测道路边界定程度克服虚假边界干扰更准确车道线边缘突出该方法优点里介绍种动态双阈值二值化[1012]方法样两幅图(灰度图边缘检测图）)处理中阈值称灰度阈值阈值称边缘阈值边缘图中灰度值边缘阈值时原始道路图中灰度值灰度阈值素纳入车道线素集合中余素纳入非车道线集合中选取灰度阈值时帧图中车辆前方段长条区域进行采样该段区域中般会存障碍物 阴影水迹干扰敏感 较准确反映出原始图道路灰度值两种方法检测结果MATLAB仿真图45
图45 区域生长法检测图适应二值化检测图
图45中出：适应二值化图样定程度克服虚假边界干扰整体效果融合区域法差尤稍远处虚假边界基设计文融合区域法检测边缘阈值选取设计针预处理图调节参数没达适应需改进作图处理种新方法值深入研究
44 基模型道路识
现实生活中道路千差万道路检测非常复杂模式识问题目前存通视觉道路检测系统满足般应情况适简化道路场景助解决实际问题道路形状假设种效简化道路模型方法
441 道路模型假设
识原始图中包含丰富景物细节树木绿化带行车辆阴影遮挡物等图处理边界图图45中观察容区域边界形成稠密形状异区域边界集合边界宽窄素点宽连成片独立亮区中道路边界组断断续续接线状排列边界区域集合种形状特征出发设想建立种基形状道路边界模型够边界区开设计文道路边界形状入手定义模型国外许研究员运方法中回旋曲线作道路形状模型项式曲线作道路形状模型直线作道路形状模型等中直线道路模型[1513]简单模型假设减计算复杂度提高系统性设计文采直线道路模型高速公路曲率[5]般较高速行驶时系统前方太远处采集图采直线道路模型般满足求里道路做假设：
(1)道路结构化道路具明显车道标线者边界道路宽度基变颜色边缘等信息检测
(2)道路水者高度变化服严格数学模型
442 道路图特征直线提取
众直线提取方法中霍夫变换常方法优点算法稳定抗噪性缺点计算量存储空间太十年研究中采取种方法霍夫变换进行改进设计文通霍夫变换改进方法中种提取直线中值截距法提取特征直线进行仿真实验找中优方法
4421 传统霍夫变换提取直线
针述假设车道模型首先介绍霍夫变换提取车道线方法[142]霍夫变换图处理中图中识形状基方法应广泛改进算法基霍夫变换黑白图中检测直线直角坐标系中直线方程 表示中kb参数分斜率截距直线点表示方程参数kb面条直线样图xy面前景素点应参数面条直线实际应中形式直线方程没办法表示xc形式直线(时候直线斜率穷)实际应中采参数方程pxcos(theta)+ysin(theta)代表直线离原点法线距离theta该法线轴角度样图面点应参数ptheta面条曲线知图空间中线点应参数空间里相交线反参数空间中相交点曲线图空间里线点应点线偶性根点线偶性定图空间边缘点通hough变换确定连接点方程hough变换图空间中直线检测问题转换参数空间里点检测问题通参数空间里进行简单累加统计完成检测务
总结霍夫变换基思想：首先初始化块缓区应参数面数置0然图前景点hough transform遍历theta(根区域选择)）计算出值应参数数组中加1找参数面点位置位置应原图直线参数
传统hough变换流程图图46：
设定直线长度阈值直线变换极坐标参数
根参数图标出直线
结 束
前素点做hough变换
应数组p行theta列加
预处理图
图46 hough 变换流程图
设定直线长度阈值直线变换极坐标参数
根参数图标出直线
结 束
预处理图
前素点做hough变换
应数组p行theta列加
图46 hough 变换流程图
编程时参数ptheta量化成许格点代入theta量化值算出p值(量化)落某格便该格计数器加1全部点变换格进行检验计数值格应线(ptheta)值作直线拟合参数计数值格般反映非线点丢弃直线长度阈值选取道路图真实车道边界关实验实验中取36应传统hough变换提取特征直线仿真图47
图47 7 传统hough变换提取直线
课题左车道线进行检测右车道线样适根已检测出左车道线根定约束条件距离连续性等检测出车道线hough变换检测直线原理出算法中计算量边缘点众情况样计算量非常怕目前改进算法设计研究改进机hough变换法
4422 机霍夫变换提取直线
设计提出种改进hough变换——机hough变换[153]传统hough变换种映射边缘点映射成参数空间条曲线机hough变换采取映射方式机选取n素决定n曲线参数核心算法：
(1)建立二值化边缘图
(2)中机选取素点
(3)果两点满足预定义距离约束回Step2否继续Step4
(4)两点坐标代入直线方程解参数()
(5)参数空间中参数点()累加
(6)继续第二步
基算法理解设计提出种新算法流程图图48：
结 束
找图方第左车道线素点
取该点距离约束前景素点素点
两点坐标带入直线方程解参数
参数值累加
找值标记该参数应直线
预处理图
结 束
图48 改进hough变换流程图
MATLAB机hough变换法传统hough变换提取特征直线实验仿真结果图49：
预处理图
图48 8 改进hough变换流程图
结 束
找图方第左车道线素点
取该点距离约束前景素点素点
两点坐标带入直线方程解参数
参数值累加
找值标记该参数应直线
预处理图
结 束
MATLAB机hough变换法传统hough变换提取特征直线实验仿真结果图49：
图49 9 传统hough变换改进算法较
例出改进hough变换传统hough变换检测直线型左车道线时精度相改进算法实时性提高35倍更利车辆高速行驶设计改进hough变换研究种算法——中值截距法[16]
4423 中值截距法提取车道线
透视投影基原理知路面投影图基位整图象半面车道线分左右两部分左车道线例遍历图片左半部分N点定义图左角坐标原点条直线截距表示设定左车道线方程式(42)：
(42)
中分直线轴截距该直线斜率
基原理：意选取图2点两点做条直线分计算出轴截距式(43)：
(43)
点相应做作出条直线点处条直线做条两组截距值分取截距中值式(44)令
(44)
做条两组截距值分取截距值令
整集合中值估计直线方程该组数拟直线取值时果集合数奇数直接取集合中间元素作中值截距集合数偶数时取中间两数值均值作中值截距
基算法理解设计新定义坐标原点(基点点间坐标关系相关系)）图左角理解坐标原点图直线写成截距形式样先找图方第左(右）)车道线素点计算前景素点斜率取中值作中值截距设计算法流程图图410示：
图410 0 中值截距算法流程图
结 束
记图方第左车道线素点p
计算距离约束前景素点截距
点
取截距中值
根中值计算斜率
图标记该直线
预处理图
图410 0 中值截距算法流程图
结 束
记图方第左车道线素点p
计算距离约束前景素点截距
点
取截距中值
根中值计算斜率
图标记该直线
预处理图
MATLAB仿真中值截距法提取特征直线图411
图411 1 中值截距提取车道线
图411中出中值截距检测出左车道线进行延长算法出非车道线素点影响较面三种算法较提出优算法
45 算法较
首先智车辆高速公路行驶求检测算法应具快速性三种检测算法处理幅图49图411实时性表41：
表41 三种算法实时性较
方法
hough变换
改进hough变换
中值截距法
实验1
01720
00310
00790
实验2
01720
00320
00780
实验3
01710
00310
00760
实验4
01724
00320
00780
均时间(s)
01718
00315
00780
注：实验台计算机实验室4025号机
表41中出改进算法实时性传统算法提高35倍具定优势车辆高速行驶情况实时性求相高中值截距实时性处两者间检测车道线长度进行选择里实时性外算法鲁棒性道路检测中忽视问题首先阈值阈值适变化检测算法鲁棒性实验仿真图412图413：
图412 阈值变化hough变换改进算法检测图
图413 阈值变化中值截距检测图
图412413中出阈值变化时区域生长法获道路边界信息出现漏检虚假边界现象致hough变换中值截距提取特征曲线出现偏差改进hough变换算法检测精度基受影响见鲁棒性较处理该图实时性鲁棒性提出改进hough变换算法更符合道路检测求
46 机霍夫变换提取直线检验
然算法较中设计提出机hough变换提取特征直线具优越性实时性鲁棒性道路图复杂性样性针幅图处理结果理应该定结更利说明该方法优越性面图次检验算法性非常必图预处理算法某参数会适调整参数没达适应例图414中阈值取15阈值取180时定义差分模板取02MATLAB进行仿真实验结果图414图415：
图414 传统hough变换改进算法较
15阈值取180时定义差分模板取02MATLAB仿真实验结果图414图415：
图414 传统hough变换改进算法较
图415 5 中值截距提取车道线
实验结果中出三种方法检测车道线效果精度长度稍区实际情况影响智车辆行驶素检测实时性表42：
表42 三种算法实时性较
方法
hough变换
改进hough变换
中值截距法
实验1
01630
00320
00470
实验2
01560
00320
00469
实验3
01560
00310
00470
实验4
01570
00330
00470
均时间(s)
01580
00320
00470
注：实验台计算机实验室4025号机
表42中出改进算法实时性确实具定优势阈值变化时hough变换实时性低里令两种算法进行较图416：
图416 6 阈值变化改进hough变换中值截距法检测图
图416中出中值截距法检测精度较改进hough变换确实易受阈值影响考虑实际情况中车体前方存阴影时量避开阴影道路检测结果选取种子点区域适图方移动样种子点选取具某种确定性面幅带阴影图说明种子点选取具确定性时算法检测精度影响首先MATLAB获取该图道路边界检测图图417：
图417 道路边界检测图
图416 道路边界检测图
改进hough变换提取检测图中特征直线实验仿真图418：
图417 改进hough变换提取特征直线
图418 改进hough变换提取特征直线
中值截距提取检测图中特征直线实验仿真图41719：
图418 中值截距提取特征直线
注：中阈值取4025阈值取19820时定义差分模板取02种子点seedxround(x0)seedyround(y2)
图419 中值截距提取特征直线
图出方存阴影许实际情况中车体前方出现阴影常见选取种子点时考虑避开阴影种子点处区域适移种子点seedxround(x10)seedyround(y2变化时)时计算机帧图连续处理实验结果出现图420图421示结果：
图420 种子点变化改进hough变换提取特征直线
图 420 种子点变化中值截距提取特征直线
图421 种子点变化中值截距提取特征直线
实验结果出中值截距检测左车道线前方出现偏离现象改进hough变换没变换综合种情况考虑改进hough变换实时性鲁棒性优两种算法提出改进hough变换算法更适合车道线检测面实验出改进hough变换算法检测车道线长度中值截距法检测长度出现曲率较车道线时检测长度算法检测精度占优势检测长度算法出现误检曲率车道线图MATLAB进行实验仿真结果图422图423：
图422 曲率较时三种算法提取特征直线
图423 曲率较时三种算法提取特征直线
图422图423中出中值截距法提取曲率车道线精度较差改进hough变换算法检测精度改进hough变换检测长度传统hough变换算法结合实际情况转弯时智车辆速度会改进hough变换算法实时性满足文求前提选取改进hough变换提取车道线合适
47 章结
章针预处理图获车道线素点提取直线型车道线问题进行研究获取车道线素点程中采融合区域边缘信息检测车道线素突出该方法优点适应二值化图做实验仿真结果中出融合区域边缘两种信息检测车道线边界前者更克服存虚假边界车道线形状提出直线模型假设该模型计算量更适合车辆高速行驶结构化高速公路曲率般较直线模型定般情况适提取图中特征直线车道线研究重点设计文幅道路图基直线型车道模型假设基础应传统hough变换改进hough变换中值截距算法提取标记车道线仿真结果出改进hough变换实时性更高提出优算法设计文选取外两幅图算法鲁棒性实时性做较提出改进hough变换定程度更适合车道图中提取直线
第5章 结展
然设计文研究取定进展定程度解决前方道路识算法鲁棒性实时性间问题时间知识水限制目前研究程度离实际工程应差距存许问题研究进步展设想方面：
路面情况千变万化拍摄图复杂变设计设计中算法相关处理面面俱特道路边缘复杂变时道路存较障碍物时者道路特殊原部边缘强度外部时等等种情况出现预料结果设计设计提出观点研究容进步深入设计处理方法够全面没道路区域生长法做深层次研究果生长准种子点选够理想出结果会糟实现动态选取课题进步研究方
设计识直线道路边界实现弧形道路边界识建立曲线道路边界模型进行曲线道路识进步研究工作重点
设计许阈值选取着适应方改进获检测图程中融合两种信息需约束条件实现适应阈值化课题研究重方
设计识方法车道标记线基清晰情况车辆坡坡标记线褪色时出现意想结果然引入更更新技术补充道路检测系统中模式识特征提取工神网络学建立道路模板库等技术
总道路检测需断补充完善课题需更新技术新思想融入中新技术新思想源源断充实进程智视觉导航种理念种模型走实程
参考文献
[1] 蒋杰．新型智车辆视觉系统图处理技术研究[C]．硕士学位文吉林学2003 6~7．
[2] 董．高速汽车偏离预警系统算法研究[C]．博士文吉林学20044~5．
[3] 王驰．基单视目视觉道路检测算法研究[C]．硕士学位文长春理工学200817~25．
[14] 姚敏等． 数字图处理[M]．北京：机械工业出版社2006．
[5] Xin Li XiaoCao Yao Yi L Murphy A realtime vehicle detection and tracking system in outdoor traffic scenes[C] Proceedings of the 17th International Conference on Pattern Recognition 2004 23~26
[62] 周金萍编著． 图形图处理应实例[M]．北京：科学出版社2003．
[37] 张兆礼． 现图处理技术MATLAB实现[M]．北京：民邮电出版社2001．
[8] ZuWhan kim Robust lane Detection and Tracking in Challenging Scenarios[J]in IEEE 20089
[9] 孔祥编著．图分析[M]．北京：科学出版设2005．
[10] 李兵张鹏飞．基增强转移网络室外移动机器道路图理解[J]．中国图象图形学报VOL9200430~32．
[11] 杨正帅．基视觉道路识技术移动机器导航中应研究[C]．硕士学位文南京理工学200742~45．
[12] 李皓丁东花．种基扫描线车道线识算法[J]．200412~13． [4] Xin Li XiaoCao Yao Yi L Murphy A realtime vehicle detection and tracking system in outdoor traffic scenes[C] Proceedings of the 17th International Conference on Pattern Recognition 2004
[13] 胡斌克忠．基分段直线模型ATN车道识方法[J]．200640(10)：15~18．
[14] 虞吴惠思等．图中快速检测直线行算法[J]．200640(12)：7~8．
[15] 赵颖王书茂等．基改进hough变换公路快速检测算法[J]．200611(3)：21~23．[5] 李兵张鹏飞 基增强转移网络室外移动机器道路图理解[J]中国图象图形学报 VOL92004
[6] 孔祥编著 图分析北京：科学出版设2005
[167] 刘丹编著． 计算机图处理数学算法基础[M]．北京：国防工业出版社2005．
致 谢[8] ZuWhan kim Robust lane Detection and Tracking in Challenging Scenarios[J] in IEEE 20089
[9] 李皓丁东花 种基扫描线车道线识算法[B]2004
[10] 胡斌克忠 基分段直线模型ATN车道识方法[T]200640(10)
[11] 虞吴惠思等 图中快速检测直线行算法200640(12)
[12] 赵颖王书茂等 基改进hough变换公路快速检测算法[DB]200611(3)
[13] 杨正帅 基视觉道路识技术移动机器导航中应研究[c]硕士学位文南京理工学2007
[14] 蒋杰 新型智车辆视觉系统图处理技术研究[c]硕士学位文吉林学2003
[15] 董 高速汽车偏离预警系统算法研究[c]博士文吉林学2004
[16] 王驰 基单视目视觉道路检测算法研究[c]硕士学位文长春理工学200
文工作石彦辉老师悉心指导完成石老师严谨学风教书育敬业精神事业执着追求影响深终生受益课题研究程中帮助软件图选取相关参考资料节省时间算法选取设计石老师提出宝贵意见石老师表示诚挚感谢致意
文完成然离开老师帮助指导感谢电气分院工程楼实验老师相关领导毕业设计程中免费开放机房供查询资料带方便尤期实验室老师理解支持延长实验室开放时间时感谢实验室学严格求创造良学环境
感谢室友学软件安装帮助外关心关注朋友
附 录
实验中部分程序：
clc
读图灰度图rg
Aimread(＇w516jpg＇)
[r c d]size(A)
r2gzeros(rc)
redzeros(rc)
greenzeros(rc)
bluezeros(rc)
rgzeros(rc)
for i1r
for j1c
red(ij)A(ij1)提取图红色分量
green(ij)A(ij2)提取图绿色分量
blue(ij)A(ij3)提取图蓝色分量
end
end
for i1r
for j1c
rg(ij)05*red(ij)+05*green(ij)
end
end
rguint8(rg)
for i1r
for j1c
if rg(ij)>178
rg(ij)255
end
end
end
figure
subplot(221)imshow(A)title(＇原图＇) 显示原图
subplot(222)imshow(rg)title(＇彩色通道提取法灰度图＇)
figure
r2grg
ir2g输入灰度变换图
subplot(221)imshow(i)title(＇原图＇)
subplot(223)imhist(i)显示直方图
h1histeq(i)
subplot(222)imshow(h1)title(＇直方图均衡化图＇)
subplot(224)imhist(h1)
ih1直方图均衡化图
jimnoise(i＇salt & pepper＇002)
k1medfilt2(j)
figure
subplot(121)imshow(j)title(＇添加椒盐噪声图＇)
subplot(122)imshow(k1)title(＇3*3模板中值滤波＇)
clc
r2g
figure
subplot(221)imshow(r2g)
title(＇原图＇)
W_H1[2 3 0选定义差分模板增强左车道标记线
3 0 3
0 3 2]
W_V1[ 0 3 2选定义差分模板增强右车道标记线
3 0 3
2 3 0]
T 028 the threshold in the 2value
I r2g read the image
[heightwidth] size(I)
I1 double(I)
I3 double(I)
I4 double(I)
I2 zeros(height+2width+2) put the image＇s data into a bigger array to void the edge
I2(2height+12width+1) I1
for i2height+1 move the window and calculate the grads
for j2width+1
sum3 0 方模板算子
sum4 0
for m11
for n11
sum3 sum3 + W_H1(m + 2n + 2) * I2(i + mj + n)
end
end
for m11
for n11
sum4 sum4 + W_V1(m + 2n + 2) * I2(i + mj + n)
end
end
grey1 abs(sum3) + abs(sum4)
I3(i1j1) grey1
end
end
big max(max(I3)) 化
small min(min(I3))
for i1height
for j1width
I3(ij) (I3(ij)small)(big small) 化
if(I3(ij) > T)
I3(ij) 1 二值化
else
I3(ij) 0
end
end
end
subplot(222)
imshow(I3)title(＇slsr算子处理图＇)
figuresubplot(221)imshow(A)title(＇原图＇)
ggbwmorph(I3＇thin＇inf)
subplot(222)imshow(gg)title(＇细化图＇)
I rg
[xy]size(I)
[heightwidth] size(I)
seedxround(x)
seedyround(y2)
grI(seedxseedy)
W_H [ 1 1 1 the model in the horizon direction
1 1 1
1 1 1]
I1 double(I)
I2 zeros(height+2width+2) put the image＇s data into a bigger array to void the edge
I2(2height+12width+1) I1
for i2height+1 move the window and calculate the grads
for j2width+1
sum1 0 the cumulus
for m11
for n11
sum1 sum1 + W_H(m + 2n + 2) * I2(i + mj + n)
end
end
greysum19
I1(i1j1) grey
end
end
I1uint8(I1)邻域均化灰度图
subplot(222)imshow(I1)title(＇区域生长路面区域图＇)
[xy]size(I1)
I2zeros(xy)
Idouble(I)
I1double(I1)
for i1x
for j1y
if abs(I1(ij)I(ij))<70&abs(I(seedxseedy)I1(ij)<90)
I2(ij)1
end
end
end
subplot(223)
imshow(I2)title(＇区域生长路面区域图＇)
I4zeros(xy)
for iround(5)x4
for j5y4
if gg(ij)1
for mi4i+4
for nj4j+4
if I2(mn)0&sqrt((im)^2+(jn^2))<2
I4(ij)1
end
end
end
end
end
end
subplot(224)
imshow(I4)title(＇检测图＇)
窗口显示原图区域生长路面区域图
figuresubplot(221)imshow(A)title(＇原图＇)
subplot(222)
imshow(I2)title(＇区域生长路面区域图＇)
clc
figure
t0clock
提取特征直线
ffI4subplot(221)imshow(ff)title(＇检测图＇)
提取特征直线
[xy]size(ff)
rho_maxfloor(sqrt(x^2+y^2))+1 原图数组坐标算出ρ值
取整数部分加1
值作ρθ坐标系ρ值
rho_max1max(rho_max180)
accarrayzeros(rho_max1180) 定义ρθ坐标系数组初值0
θ值180度
Theta[0pi180180*pi180] 定义θ数组确定θ取值范围181
Theta[0pi180180*pi180]
coscos(Theta)
sinsin(Theta)
for m1round(y3)
for nround(x3)x
if ff(nm)1
for k1180
θ值代入hough变换方程求ρ值
rho(n*cos(Theta(k)))+(m*sin(Theta(k)))
ρ值ρ值半作ρ坐标值(数组坐标）样做
防止ρ值出现负数
rho_intround(abs(rho2+rho_max2))
ρθ坐标(数组）中标识点计数累加存第ρ行θ列
accarray(rho_intk)accarray(rho_intk)+1
end
end
end
end
subplot(222)colormap(hot) gray
imagesc(accarray)title(＇hough变换图＇)
xlabel(＇＼theta＇) ylabel(＇＼rho＇)
利hough变换提取直线
k11 存储数组计数器
for rho_n1rho_max hough变换数组中搜索
for theta_m1180
if accarray(rho_ntheta_m)>36
设定直线值
case_accarray_n(k1)rho_n 存储搜索出数组标
case_accarray_m(k1)theta_m
k1k1+1
end
end
end
点构成直线提取出输出图数组I_out
I_outzeros(xy)
for nround(x3)x
for m1round(y3)
if ff(nm)
for k1180
rho(n*cos(Theta(k)))+(m*sin(Theta(k)))
rho_intround(rho2+rho_max2)
找符合点输出
for a1k11
if rho_intcase_accarray_n(a)&kcase_accarray_m(a)
I_out(nm)1
end
end
end
end
end
end
subplot(223)imshow(I_out)title(＇利典hough变换提取图＇)
time etime(clock t0)
end
求长直线
maxaccaccarray(11)
for ii1rho_max1
for jj1180
if accarray(iijj)>maxaccrho行theta列
maxaccaccarray(iijj)
rhomaxii记录长直线参数rho值
thetamaxjj记录长直线参数theta值
end
end
end
rhomax显示rho值
thetamax显示theta值
Theta(thetamax)
II_outzeros(xy)
k1
for n1round(x)
for m1round(y)
if ff(nm)1
rho(n* cos( Theta(thetamax)))+(m* sin( Theta(thetamax)))
rho_intround(abs(rho2+rho_max2))
if rho_int rhomax
II_out(nm)1找素点角度Theta(thetamax)变换等长直线变换rho值点
end
end
end
end
subplot(224)
imshow(I4)hold on
[xxyy]size(II_out)
[xbyb]find(II_out)
x1xb(1)
lastxlength(xb)
xendxb(lastx)
y1yb(1)
lastylength(yb)
yendyb(lasty)找起始点
hold on
line( [y1yend] [x1xend]＇linewidth＇3)title(＇根hough做标记线＇)
clc
t0clock
ffI4输入检测图
[xy]size(ff)
a1zeros(x1)
b1zeros(y1)
k1
for i1x
for j1round(y2)
if ff(ij)1
a1(k)i
b1(k)j
kk+1
end
end
end
mlength(a1)
a2max(a1)
h1
for i1m
if a1(i)a2
jiaobiao(h)i
hh+1
end
end
b1b1(jiaobiao)
b11max(b1)
ff(a1b1)选中车道线第素点
k1
for iround(1)round(x)
for j1round(y2 )
if ff(ij)1&i~a2&j~b11
kkb(k)(b11j)(a2i)
bbc(k)b11kkb(k)*a2
kk+1
end
end
end
thetaatan(1kkb)
theta1 theta+pi
roibbc*sin(theta)
roi1 roi+abs(roi)
maxthetamax( theta1)
maxroimax(roi1)
accumzeros(round(maxtheta)+1round( maxroi)+1)
for i1length(theta)
thetaintround( maxtheta2+theta1(i)2)
roiintround( maxroi2+roi1(i)2)+1
accum(thetaintroiint)accum( thetaintroiint)+1
end
pmax(max(accum))出现峰值处累加器值
for i1length(theta)
thetaintround( maxtheta2+theta1(i)2)
roiintround( maxroi2+roi1(i)2)+1
if accum(thetaintroiint)p
jii
end
end
k1
m1
for iround(x2)x
for j1round(y2)
if ff(ij)1&i~a2&j~b11
kk(k)(b11j)(a2i)
bb(k)b11kk(k)*a2
theta(k)atan(1kk(k))
if theta(k) theta(ji)
xji(m)i
yji(m)j
mm+1
end
kk+1
end
end
end
xjimedian(xji)
yjimedian(yji)
ji
theta(ji)
imshow(I4)hold on
line( [yjib11] [xjia2]＇linewidth＇3)title(＇根改进hough做标记线＇)
time etime(clock t0)
figure
subplot(221)imshow(A)title(＇原图＇)
subplot(222)imshow(I4)title(＇检测图＇)
subplot(223)imshow(I4)hold on
line( [y1yend] [x1xend]＇linewidth＇3)title(＇根hough做标记线＇)
subplot(224)imshow(I4)hold on
line( [yjib11] [xjia2]＇linewidth＇3)title(＇根改进hough做标记线＇)
中值截输入检测图
t0clock
clc
I_outI4
ffI4
[xy]size(ff)
za1zeros(x1)
zb1zeros(y1)
k1
for i1x
for j1round(y2)
if ff(ij)1
za1(k)i
zb1(k)j
kk+1
end
end
end
mlength(za1)
za2max(za1)
h1
for i1m
if za1(i)za2
jiaobiao(h)i
hh+1
end
end
jiaobiaomax(jiaobiao)
zb1zb1(jiaobiao)
zb2max(zb1)
za2
zb2
ff(za2zb2)选中车道线第素点
[xy]size(I_out)
azeros(x*y1)
bzeros(x*y1)
[xindexyindex]find(I_out)
lengthylength(yindex)
numberzeros(lengthy1)
k1
for i1lengthy
symyindex(i)
for jilengthy
if sym yindex(j)
number(k) number(k)+1
end
end
kk+1
end
if 3 display (＇图没垂直车道线＇)判断垂直车道线
dis1
else
display (＇图垂直车道线＇)
dis0
end
中值截距法
if dis1
k1
for iround(1)round(2*x3)
for j1round(y2)
if I_out(ij)
for mi+1i+2
for nj+1j+2
if I_out(mn)
a(k)(m*ji*n)(jn)
b(k)(i*nm*j)(im)
kk+1
end
end
end
end
end
end
a
b
a1median(a)
b1median(b)
b1abs(b1)
kkb1a1
ff(za2zb2)选中车道线第素点
kk中值截距法求出斜率
yxia1abs(round(zb2(za21)*kk))
yxia2abs(yxia1)x
figure
imshow(I_out)hold on
hold on
yxia72
line( [yxia1zb2][1za2]＇linewidth＇3)
line( [72zb2][1za2]＇linewidth＇1)
za2
zb2
end
time etime(clock t0)
figure
subplot(221)imshow(A)title(＇原图＇)
subplot(222)imshow(I_out)hold on
line( [yxia1zb2][1za2]＇linewidth＇3)title(＇中值截距法求出斜率＇)
英文参考文献翻译：
Due to a realtime constraint and thenslow processor speedthe lane markings have been detected based on simple gradient changesand much of the older work has presented results on straight roads or highways with clear the lane markings or with an absence of obstacles on the road
Many commercial lanedetection systems are availabe and show good performance in many challenging road and illumination conditionns howeverthey do not provide lanecurvature information but just lane positions to deliver robust resultsalthough lane positions are sufficient for some applicationssuch as lanedeparture warningthere are other applications which require lanecurvature informationFor examplea collisionwarning system can generate false alarms when the lane curvature is not knownas an alternative to a visionbased approachone may use a globalpositioning system with a geographic information systemhoweverthe GPS has a limitation on the spatial and temporal resolutionand detailed information is often missing or not updated frequently in GISfor exampleit is important to detect the road curvature at an offramp because it can generate a falsecollision warningbut most GPSbased systems suffer from even discriminating whether the vehicle entered an offramp or notRecent efforts deal with cured roadsand robust detection results on challenging imagessuch as distracting shadows or a leading vehiclehave been reportedsome of them work in realtimeand some do notSample road images are showedmany of the previous algorithms simply look for horizontal intensity bumps to detect lane markingswhich shows reasonably good performance in many casesbut it cannot distinguish false intensity bumps caused by leading vehicles and road markingtexture from weak lane markingsfor exampleworn yellow markings often have similar grayscale intensity to the road pixelsin additionwe sometimes need to deal with a poor image qualityfor examplewhen we need to postprocess an MPEG dataTo deal with such problemswe apply machine learingwe applied various classifiers to the lanemarkingdetection task and present a comparative analysissince the size of the lane marking changes dramatically with respect to its distance from the carwe need to normalized them to apply a standard classifierthereforewe first rectify the original imagewhen we assume that the ground is flatwe can apply a plane homography to find an image rectificationOnce we have a rectified imagea lanemarking classfier is applied on a small image patch around each and every pixelA typical width of the lane marking on the rectified images are about three pixelsthereforeraw pixel values of a 9*3 window were used as inputs(total 27 features for a grayscale image and 81 RGB values for a color image)to find a suitable classfication algorithmwe tested various classifiers
Once possible lanemarking pixels are detectedthey are grouped into uniform cubicspline curves of two to four control pointssplines are smooth piecewise polynomial functionsand they are widely used in representing curvesvarious simple representations have been proposedand we use a cubic spline among themin a cubicspline representationa point p on a curve between the and control points is represented as
Where
Where the parameters are uniquely determined by the control points so that the curve is smooth is the control points is the control pointsand a cubicspline curve enables fast fittingbecause the control points are actually on the cure We use this property to apply a RANSAC algorithm A RANSAC algorithm is a robust Fitting algorithm that has successfully been applied to various computervision problemsInWangetalused a Bspline curve to represent a curved road In a Bspline representation control points reside outside of the curve and its fitting procedure requires a significant number of iterations On the other hand the uniform cubicspline fitting is much faster but it may result in irregular curves when the spacing between the control points are not even However such irregular curves can be filtered out by applying a RANSAC technique while still maintaining the computation manageable We also impose additional constraints to the cubic spline to prevent unreasonable hypotheses from being formed and the maximum curvature should be smaller than 005 Our RANSAC fitting procedure is as follows First lanemarking points are grouped into line segments Since the lanemarking detection result is noisywe apply Gaussian smoothing followed by nonmaxima suppression to remove noise Then we follow a linegroupin g approach proposed in to generate line segments as shown in Fig The next step is to generate hypotheses Each hypothesis is generated from a random set of one two or three line segments First for each hypothesis it is Randomly determined whether to use two three or four control points A spline curve with two control points represents a line three for an approximate arc and four for a more complex curve Increasing numbers of control points increases the representational power but at the same time it decreases the robustness of the fitting The use of a RANSAC algorithm makes it easier to handle this trade off because many hypotheses of various numbers of control points are generated and then evaluated by a single scoring function(presentedinSectionIVB) which can handle this trade off A straight line of two control points is generated from a random set of one or two line segments Whereas a singleline segment is sufficient to make a straightline hypothesis we also use a pair of line segment for robust fittingNote that we still Need hypotheses from single line segments because sometimes only one line segment is detected for a lane boundary for example for solid lane markingsAn approximate arc of three control points is generated from a random set of two line segments and a more complicated hypothesis of four control points is generated from a random set of three line segments For robust hypothes is generation some constraints were imposed For example the first(nearest) line segment should be close enough fore xample within 15m to the vehicle In addition the two near by line segments should be on a common arc of a reasonable curvature within a small error bound The first(nearest) control point is forced to be on the bottom of the rectified image Its position is computed by extrapolating the fitted arc of the first two line segments The last control point is set to the end point of the farthest line segment It is important to force the control points in the middle to be evenly spaced because uneven spacing of control points makes the uniform spline fitting unstable Thereforethe rest of the control points are chosen from the end center points of the line segments where the spacings are as even as possible
In our implementation atmost 100 random hypotheses are generated for each frame Once hypotheses are generated and validated an Overlap analysis is performed The hypotheses are evaluated based on thei rlanemarking support and a curve penalty scores Details on the above scores are presented in Section IVB As a result a small number of nonoverlapping (but may partially be overlapping) hypotheses are finally selected Another set of hypotheses are generated by applying a tracking algorithm Our tracking algorithm is based on a particlefiltering technique Other tracking techniques such as Kalman filtering or active contours SNAKE) can also be used within this framework However we chose a particlefiltering algorithm over the Kalman filter to prevent the result from being biased too much on the predicted vehicle motion but to give more weight to the image evidence Due to vehicle’s vibration including pitch change the motion of the lane boundaries in world(vehicle) coordinates is not smooth enough to be properly modeled by a Kalman filter Active contours (such as the one used in) may provide a good tracking result but it requires too much computation as compared to the proposed particlefiltering algorithm
We present a realtime lanedetectionandtracking systemWhich is distinguished from the previous ones in the following ways
1) It uses more sophisticated lanemarkingdetectional gorithm to deal with challenging situations such as worn lane markings and distracting objectsmarkings for example ataninter section and on a road surface
2) It detects the leftand rightlane boundaries separately whereas most of the previous work uses a fixedwidth lane model As a result it can handle challenging scenarios such as merging or splitting lane sandonand offramp seffectively
3) It combines lane detection and tracking into a single Probabilistic framework thatcan effectively deal with Lane changes emerging ending merging orsplitting lanes Much previous work has focused on lane tracking And usually uses a timeconsuming detection algorithm To initialize the trackingWe introduce a fast and robust lanedetection algorithm that can be applied in every frame in realtime
Our algorithm follows thehypothesize and verifyparadigm In the hypothesizestep lower level features are grouped into many higher level feature hypotheses and they are filtered in the verify step to reduce the complexity of the higher level grouping
受实时性限制加微处理器处理速度慢般仅仅考虑梯度值变化检测车道标记线前许研究工作直线型道路高速公路没障碍物情况取定成
目前许车道检测系统障碍物明均条件取效果然算法定位车道曲线位置出车道曲线具体信息然某情况车道线位置信息应系统已足够例：车道线偏离预警系统系统讲需车道线具体信息少例智车辆防撞预警系统车道曲线具体信息知道情况产生错误预警信号然做作基视觉导航补充全球定位系统结合空间信息系统出车道曲线具体信息然全球定位系统解决空间时间问题局限性细节信息常丢失时更新例：坡情况检测出车道线具体信息重具体信息知道化产生错误防撞信号数GPS系统车辆坡坡时工作情况差目前更研究障碍物图弯路识车道检测鲁棒性例：障碍物移动阴影前方移动车辆目前研究满足实时性求满足满足里提供车道图样许前算法仅仅找水灰度峰值检测车道标记线许时候显示检测效果该方法区分前方车辆阴影失色车道线标记线引起错误灰度值例：褪色黄色标记线真正车道线素点相灰度值外时需处理质量差受损车道图例：继需继处理MPEG数时解决问题应机器学方法种分类器提取车道线标记线种分类器做分析较车道线标记线图尺寸着车距离远机变化需标准分类器统化旦校正图素点分类器幅校正图典型车道线标记约占三素点幅9*3原始图作输入灰度图占27灰度值彩色图占81种色值找佳分类器种分类器做实验
旦车道线素点检测表示成24点控制统标准三次方函数样条光滑项式函数提出种表达式里选三次方约束函数三次方约束表达式中曲线点P第i第(i+1）控制点间表示：
中：
参考控制点唯确定参数曲线滑第i参考控制点 第i+1参考控制点t范围[01]里立方曲线拟合相快参考控制点实际曲线利特性应RANSAC算法RANSAC算法鲁棒性强拟合算法已成功应解决种机器视觉问题文献中王B样条曲线代表弯曲车道线B样条曲线表达式中参考控制点般曲线外部需严格标准化拟合步骤方面立方次曲线拟合速度较快参考控制点间区域滑情况产生规拟合曲线然种规拟合曲线通应RANSAC技术滤掉然时间开销附加约束条件避免形成种合理假设提出RANSAC拟合步骤：首先道路标记线分成直线段车道线检测结果会受噪声干扰先高斯滤波然述直线分类器处理图产生分段直线接假设假设123条直线段构成组合中机产生首先种假设234参考控制点机产生两控制点曲线代表条直线三控制点致代表弧形四控制点代表更复杂曲线控制点数目少增加函数次数复杂性时减少提高拟合鲁棒性应RANSAC算法容易处理种函数次数问题种参考控制点种假设产生记分函数种假设情况进行估计解决问题12直线段机产生两点控制条直线条直线段产生条直线型假设已足够组直线段做产生该假设条件目增加拟合鲁棒性注意需仅条直线段图产生假设时候仅条直线道路图边缘检测出例块状车道标记线图中2条直线段机产生3点控制弧线3条直线段图中机产生4点控制更复杂假设产生鲁棒性假设需提出约束条件例第条直线段应该距离车体较距离例离车15米外两条邻直线段定误差容许范围应该行弧线第参考控制点应该控制校正图底部位置通推算两条直线段拟合成弧焦点确定参考控制点应该控制远直线段端点选择第三参考控制点位置形成滑空间重第3参考控制点滑性标准拟合曲线稳定剩参考点选择需直线段端点中心位置样形成点空间会滑继试验中框架约100种机假设产生旦假设产生证明种循环分析程产生种假设根基车道线素支持度加估计种评分系统具体介绍第5章种假设选中外通离子滤波器产生假设基离子滤波技术追踪车道线追踪技术例Kalman滤波追踪车道线选择离子滤波独优越性避免赖预测车辆移动现图车辆移动车体坐标系车道线Kalman滤波例移动SNAKE算法产生追踪效果相设计文提出离子滤波计算量
提出实时性车道线检测追踪系统方面车道线检测工作：
1利更复杂车道线算法梯度灰度差处理挑战性情况例褪色车道线分散物体标记线例车道换道处
2单独检测左右两条车道线许前工作固定宽度车道模型高效处理车道线丢失出现车道坡情况
3结合检测追踪特点高效处理车道线出现消失裂开换色等情况许前工作更工作车道线检测通常基计时检测算法初始化追踪条件介绍种快速具鲁棒性车道线检测算法够时应工作框架中
算法遵循假设检验样种范例假设阶段少量低级特征点分进高级具体特征中检验阶段减少高级特征分类复杂性根定条件进步滤
文档香网(httpswwwxiangdangnet)户传
《香当网》用户分享的内容，不代表《香当网》观点或立场，请自行判断内容的真实性和可靠性！
该内容是文档的文本内容，更好的格式请下载文档
基视觉车道线识算法研究
Research on Algorithms of Visionbased
Lane Recognition
2009 届 电气电子工程 分院
专 业 动化
学 号
学生姓名
指导教师
日期暂添
完成日期 2009年 X 月 X 日
毕业设计成绩单
学生姓名
学号
班级
专业
动化
毕业设计题目
基视觉车道线识算法研究
指导教师姓名
指导教师职称
讲师
评 定 成 绩
指导教师
分
评阅
分
答辩组组长
分
成绩：
院长签字：
年 月 日
学生姓名
刘元元
学号
20051773
班级
电05022班
专业
动化
毕业设计题目
基视觉车道线识算法研究
指导教师姓名
石彦辉
指导教师职称
讲师
评 定 成 绩
指导教师
分
评阅
分
答辩组组长
分
成绩：
院长签字：
年 月 日
毕业设计务书
题 目
基视觉车道线识算法研究
学生姓名
学号
班级
专业
动化
承担指导务单位
电气电子工程分院
导师
姓名
导师
职称
讲师
容
利MATLAB车道线识算法进行仿真研究仿真结果中提出具定实时性鲁棒性识算法
二基求
1研究车道线识中种算法
2软件编程找出优算法
3算法具定实时性鲁棒性
三研究方法
1车道图预处理算法灰度化滤波
2正确获取车道线素区域生长法
3基模型假设车道线提取算法
四应收集资料参考文献
1MATLAB图形图处理图分析数字图处理等书籍
2道路识算法相关网资料
五 进度计划
1第1周—第3周 收集资料完成开题报告
2第4周—第8周 初步确定算法
3第9周—第13周 软件编程MATLAB调试仿真完成文
4第14周—第15周 整理文准备答辩
教研室签字
时 间
2009年X3月X2日
日期毕业设计开题报告
题 目
基视觉车道线识算法研究
学生姓名
学号
班级
专业
动化
课题研究背景国外研究现状
着城市化发展汽车普交通环境日趋恶劣交通拥挤加剧交通事频发交通问题已成全球范围普遍关注社会问题基21世纪信息计算机技术高速发展道路交通问题越越倾高科技术寻求解决路世界国竞相开展智车路系统智交通系统智车辆导航概念应运生车辆视觉导航系统中关键技术计算机视觉计算机视觉务完成道路识踪国外许学者视觉导航进行研究试图双目目视觉完成导航务面难点较解决目视觉系统视目匹配问题设备成较高致力单视目视觉技术研究方法缺少实时性尝试三维重建方法识车道线算法复杂度高难满足实时性求提高算法实时性鲁棒性目前急需解决问题
工作采方法手段
根车道线识算法求研究种算法实时性鲁棒性软件编程仿真算法道路图中检测效果众算法研究中提出具定实时性鲁棒性识算法语言实现该算法仿真结果
算法选定中通实验仿真结果出彩色通道提取法灰度化道路图更增强车道标记线白色部分融合沥青路面区域信息车道线边缘信息获取车道线素点具克服虚假边界优点通简化车道线模型提出直线型车道线模型假设hough变换改进算法中值截距法提取车道线通实验仿真结果分通MATLAB仿真实验结果
预期达结果
通算法研究预期提出优算法结构化道路情况够检测出车道线时具定实时性鲁棒性
指导教师签字
时 间
2009 年33月1010日
摘
目前许国家计划开展视觉导航系统研究中道路检测视觉导航系统重组成部分检测精度直接关系智车辆行驶安全性备倍受关注文设计研究基视觉道路识算法首先分析已图预处理算法根设计中图处理具体求选取合适图预处理算法提出获彩色图采彩色通道提取法灰度化更增强车道标记线白色部分根车道线倾斜特征定义差分模板处理灰度化图车道线边缘提高道路识实时性抗干扰力文提出区域生长法选取合适种子点生长出路面区域然根边缘区域信息表示道路边界线应该空间占相相位置文提出融合边缘路面区域两种信息获取车道线素点获取车道线素点文采直线道路模型假设作约束条件分hough变换改进算法中值截距算法提取车道线MATLAB算法进行仿真出改进hough变换车道线检测具较实时性鲁棒性结
关键词： 图预处理 彩色通道提取 区域生长 改进hough变换
Abstract
Recent the research on Visual navigation systems have been developed in many countries And a lanedetection system is an important component of many visual navigation systems There has been active research on the lanedetection because it closely relates to the safety of intelligent vehicles In this thesis the road positioning algorithms based on image are researched At first the current algorithms of image preprocessing are analyzed By the specific requirements of the image processing in this thesis the appropriate algorithm is chosen For example in order to get a greylevel image from a colour one we introduced a method called getting from multicolor channel As the result the white line on the road image can be intensified stronger than the other ways Then given the features of road line a difference cyclostyle is defined to extract the edge At the same in order to improve the realtime performance of roads and antijamming capability regional growth ways is introduced through it we can chose a proper seed to get a regional road image Then edge extraction and integration of regional growth way is used to identify the road edge according to marginal and regional information should occupy space in the same or similar position After getting the road line points straight road model is considered as the constraints and three algorithms such as hough transform improved hough transform algorithm and median of the intercepts algorithm are established for linear feature extraction Then there is a comparsion between their advantages and disadvantages by using MATLAB Finally a conclusion is drawed that the improved hough transform algorithm can improve the realtime performance of roads better and its robust is also prior to them
Key words Iimage preprocessing Ggetting from multicolor channel
Rregional growth way Iimproved hough transform
目 录
第1章 绪 1
11 课题研究背景意义 1
12 国外研究现状 2
13 文研究容 2
第2章 单目视觉系统 4
21 引言 4
22 单目视觉导航系统成模型 4
23 章结 6
第3章 道路图预处理 7
31 引言 7
32 道路图灰度化 7
321 常灰度化方法 7
322 彩色通道提取灰度化 9
33 图灰度变换 10
331 图灰度线性变换 11
332 图灰度非线性变换 11
333 基直方图灰度变换 12
34 图滤波 14
341 线性滑滤波 14
342 非线性滑滤波 15
35 图边缘增强 17
351 图梯度边缘检测算子 17
352 定义差分算子 20
353 加入噪声图检测实验 21
36 章结 22
第4章 道路边缘识 24
41 引言 24
42 道路检测方法简介 24
43 边缘区域相结合道路检测方法 25
431 区域生长法基概念 25
432 融合两种信息提取仿真实验 28
44 基模型道路识 29
441 道路模型假设 29
442 道路图特征直线提取 30
4421 传统霍夫变换提取直线 30
4422 机霍夫变换提取直线 32
4423 中值截距法提取车道线 34
45 算法较 36
46 机霍夫变换提取直线检验 37
47 章结 43
第5章 结展 44
参考文献 45
致谢 46
附录 47
第1章 绪
11 课题研究背景意义
着城市化发展汽车普交通环境日趋恶劣交通拥挤加剧交通事频发交通问题已成全球范围普遍关注社会问题年解决交通问题世界国竞相开展智车路系统智交通系统等领域研究智系统发展改善交通环境状况提高车辆行驶安全性性减少驾驶员素造成交通事等开辟广阔前景智车辆导航(Intelligent Vehicle Guidance)概念应运生基视觉智车辆导航追溯19世纪70年代初期移动机器研究时硬件水较低图处理计算量非常研究者精力耗费硬件台设计实现测试着计算机硬件水飞速发展该问题解决智车辆导航诸复杂具挑战性务中受重视基视觉道路检测问题
理分析道路检测中获道路环境三维信息需采双目目立体视觉系统[1]双目目立体视觉系统实际应中需计算量双目目立体视觉系统视觉匹配问题难解决智车辆较高速度图处理速度般情况高目前微处理器计算力完全满足实时性求 目前双目目立体视觉系统适合较高速度智车辆视觉导航中应前智车辆视觉系统获取道路面二维路径信息道路中车辆障碍物信息通视觉系统 激光雷达测距仪避障传感器系统进行信息融合极提高信息获取性单目视觉系统然够满足较高速度情况视觉导航求实际世界范围数智车辆视觉导航系统采单目视觉获取道路环境信息单目目视觉导航系统中关键技术计算机视觉计算机视觉务完成道路识踪信息采集处理实时性行驶程控制鲁棒性运行决策行性高求求设计系统必须理算法予强支持针计算机视觉部分实时高效图处理算法
基视觉车道线识研究意义实现智车辆机器导航提高驾驶安全性改善交通环境驾驶舒适性识技术车辆路径偏离预警系统部分车辆偏离车道造成事避免驾驶员预警系统样具重意义次识技术提高智巡航控制中踪引导车辆精度识技术广泛应公路码头仓库等动运输系统中实现车辆运输动化
12 国外研究现状
目前止国外智车辆例外机器视觉作重感知方式基计算机视觉系统导航技术具价格低廉结构简单方便传感器进行数融合等优点利机器视觉识公路车道线实现导航现阶段智车辆常方法该方法实际系统证明效外部环境感知方式道路识视觉导航关键技术较复杂性挑战性备受关注
部分学者致力目视觉技术解决问题德国学者利立体视觉方法提高系统鲁棒性目视觉中存法回避难题图匹配准实时性问题日通前图参考图间素迅速匹配解决巨运算量实时处理困难时许学者试图单目技术实现道路检测目前已取丰富成果中法国学者提出种视觉方法仅利台摄机路面信息够正确踪路标路标情况道路该方法图中提取出道路边缘特征定位机器车道位置采车道统计模型进行精确匹配结果较准确美国采单目摄机通图序列测取道路环境信息
目前基视觉导航智车辆[2]中较成效：美国Carnegie Mellon University 研制Navlab系列智车识踪S形曲线道路行车线均速度达885kmh日丰田公司1993年研制智车安装23 英寸CCD 镜头普通高速公路实验车速60kmh德国UBM学研制装4彩色CCD构成双目视觉系统踪车道白线避障动超车法国帕斯卡学雪铁龙技术中心合作研究Peugeot智车判引导线否漏检丢失车速达130kmh清华学研制THMR智车辆系统集成二维彩色摄机GPS超声等传感器系统完成白线踪路标识道路识等务吉林学智车辆课题组研制视觉导航智车辆实现路面铺设条带状路标视觉识车辆导航功
13 文研究容
智车辆公路高速行驶视觉系统作重感知手段时图识外界信息中扮演着重角色通图提取车道线目前许算法例素扫描模板匹配霍夫变换边缘踪等常车道线边缘素提取方法中素扫描普遍采种提取方法具灵活高效抗干扰力强特点
研究算法道路图应程中图预处理关重首先图预处理算法图灰度化图滤波图边缘增强等MATLAB进行仿真较处理结果预处理方法影响检测实时性正确性中更利彩色图提供车道标记线沥青路面色彩信息设计彩色通道提取法灰度化图实际情况复杂变遇雨雪天气加入椒盐噪声模拟实际情况种常滤波模板处理图处理图现清晰度效果中选出优滤波方法般获道路图中包含信息车道线路面两种信息车道线作图中种边缘根边缘属性差分算子边缘检测出通常见差分检测算子定义差分算子较出者更增强车道线标记部分图边缘增强仅车道线增强许树木行车辆等增强增加许虚假边界获更准确车道线边界设计融合边缘区域信息方法定位车道线适应二值化图较出前者克服虚假边界力更强建立提取车道线模型关键部分设计假设结构化道路智车辆仅采集前方远处道路图提出直线型车道线模型该模型计算量定程度适应车辆高速行驶程中实时性求基直线型车道线假设图中提取特征直线时hough变换改进算法中值截距法进行提取通较改进hough变换——机hough变换实时性图进行检测定程度机hough变换鲁棒性符合求
第2章 单目视觉系统
21 引言
准确识道路环境视觉导航系统理应获车辆前方道路三维信息包括车辆道路位置关系道路中障碍物信息正确理解三维世界环境理应该采双目者目视觉系统立体视觉角度解决环境重建问题现研究结果直接通图进行三维恢复获取环境信息方面困难：首先计算量巨次匹配点寻找困难外遮挡问题例左右视野部分场景匹配左右视野环境光户外环境基素视野景物深度恢复困难重重立体视觉研究者数简化利素影响样双目者目视觉系统需计算量较目前计算机计算力足满足车辆导航系统实时性求双目者目视觉系统般复杂未知环境低速行驶智车辆双目者目视觉系统会提高系统成道路检测说需获道路方车辆道路位置关系没必定完全理解整三维世界环境目前基视觉导航智车辆采单目视觉系统完成道路检测踪采目视觉系统完成道路障碍物检测采单目视觉系统检测道路时三维世界环境转换图二维信息转换程中损失三维环境中深度信息程逆通常单目视觉系统中获道路三维信息提出合理假设道路坦假设道路边缘连续性假设道路模型假设等国外实验情况采合理假设单目视觉系统进行道路检测行
22 单目视觉导航系统成模型
图中素实际道路区域点应关系必须知道二维图信息三维世界信息关系模型单目视觉系统损失三维世界中深度信息程逆实际应中根需作假设已知定信息二维图中估计出三维道路信息具体做法：假设车辆前方道路坦设定摄机安装位置固定(安装高度俯视角偏离角)摄机固参数常数(摄机焦距孔径张角)道路检测程中需道路延伸方车辆偏移距离需道路三维信息完全恢复假设满足实际需摄机成模型中常简单线性模型——针孔模型[3]面摄机成模型进行简介绍
(21)
摄机成实质三维道路场景信息变换成二维图信息变换三维空间(3D)二维空间(2D)映射式(21)：
表示述种映射关系透视投影针孔成模型[15]似解释透视投影成模型特点场景光线均通投影中心应透视中心图21(a)中投影中心垂直图面直线摄机光轴 世界坐标系图面坐标系f摄机焦距关系知世界坐标系中点投影中心点图面坐标系中投影点出成倒立避免种倒立图现假定图面位 Z 轴正半轴投影中心 垂直距离焦距 f 处时点投影中心点图面坐标系中投影点图21(b)示出位点点间投影完全相时正立投影图种现象计算机视觉中称视网膜成
(a) 透视投影倒立成图 (b) 透视投影倒立成图
图21(b)示 出位点点间投影完全相时正立投影图种现象计算机视觉中称视网膜成
(b) 透视投影正立成图
(a) 透视投影倒立成图
图21 透视投影图
种成模型简单计算量作假设适应实际情况设计文单视目成针孔模型作二维图信息三维世界信息关系模型
图21(a)图21(b)均点图面投影点映射关系图中关系透视投影方程式(22)示：
(22)
世界坐标系中点图面投影点映射关系式(23)示：
(23)
23 章结
章简单介绍两种道路信息获方法采双目目视觉系统采单目视觉系统单视目系统实时性系统成优前者目前常单视目导航系统三维世界坐标二维图坐标方法中简讨单目视觉系统中简单常成模型——针孔模型实际应中假设已知定信息存该模型应车道线识中行
第3章 道路图预处理
31 引言
智车辆视觉系统完成图采集需获取图进行种处理识视觉系统图生成采样量化传输变换等程中CCD传感器噪声机气湍流光学系统失真等原会造成CCD 摄机成质量降低外车辆行驶时视觉系统道路环境间存相运动输出图质量会降低常产生运动模糊等现象改善视觉系统图质量需突出道路图中信息消环境信息干扰需原始图进行图预处理操作
图预处理指特定需突出幅图某信息时削弱某需信息处理方法目处理图某种特定应原始图更便机器图理解分析
32 道路图灰度化
部分道路图通彩色COMS图传感器采集原始图彩色图中颜色模型RGB模型图中颜色通红(Red)蓝(Green)绿(Blue)三种基颜色例混合RGB模型中果RGB时彩色表示种灰度颜色中RGB值灰度值灰度图素需字节存放灰度值般白色灰度值定义255黑色灰度值定义0黑白间明亮度均匀划分256等级道路图提取车道线程中算法没利图彩色信息灰度化然灰度化图避免丢失信息灰度图处理存放方式出速度相较快彩色图处理分三分量处理见速度相较慢彩色图转换灰度图面常四种方法[34]进行简介介绍
321 常灰度化方法
(1)分量法
彩色图中三分量亮度分作三灰度图灰度值式(31)示根需选取种灰度图
(31)
中转换灰度图处灰度值
(2)值法
彩色图中三分量亮度值作灰度图灰度值式(32)示
(32)
(3)均值法
彩色图中三分量亮度求均灰度图式(33)示
(33)
(4)加权均法
根重性指标三分量权值进行加权均眼绿色敏感度高蓝色敏感度低式(34)RGB三分量进行加权均亮度较合理灰度图
(34)
MATLAB分量法值法均值法加权均法四种常灰度化方法幅道路图进行仿真结果
图31图32：
图31 三分量法灰度化
图32 图灰度化较
通图32图灰度化结果出：处理道路图时均值灰度化彩色图效果差图部分区域路面灰度化道路标记线弱化感觉差原选图色彩差选色彩差明显图出加权均法混合更符合类视觉灰度值篇幅限里图说明
通方法介绍出灰度化方法没更利彩色图提供色彩信息致通方法没考虑图特征设计设计采面种彩色通道提取[54]方法
322 彩色通道提取灰度化
彩色通道提取目根车道标志线色彩信息提取定颜色通道形成突出车道标志线块状结构灰度图车道标志线般黄色白色路面沥青表面彩色图中车道标志线点成RG通道颜色值相B通道沥青表面成灰色RGB三通道颜色较均相较试图通提取RG通道方法突出车道标志线块状结构行
提取通道合成灰度图RG通道颜色值相加具体RG通道颜色值定阈值素点直接取灰度值255低阈值素点弱化灰度图中素值取(R+G)2综述变换原理式(35)：
(23)
式中C表示——阈值
RG分——表示素颜色值Red分量Green分量
G——素颜色值Green分量
式(35)中出RG通道颜色值较车道边缘点灰度图中灰度值强化RG通道颜色值较沥青路面灰度值弱化R+G处理车道边界强化灰度图阈值C选取目前没固定方法设计文做法车辆采集图方取块条形区域搜索B通道相素点计算出均(R+G)2值该值作整图处理时阈值整图尤远方车道线增强MATLAB彩色通道提取法道路图进行仿真图33：
图33 彩色通道提取灰度化
图33中出车道边缘部分灰度图中效增强255表示灰度图中白色图中车道标记部分基染成白色起增强边界作设计选彩色通道提取方法灰度化道路图
33 图灰度变换
道路图灰度化灰度值通常集中某范围图动态范围加图度扩展清晰度提高特征明显进行图灰度变换[6]必灰度变换线性变换非线性变换
331 图灰度线性变换
首先介绍线性变换线性单值函数图中素点做线性扩展效改善图视觉效果增强度计算复杂度低易实现基原理式(36)：令原始图灰度范围[ab]线性变换图灰度范围[a＇b＇]间存列关系：
(36)
外种情况图中部分素灰度值[ab]范围少部分素ab 区间时做式(37)示变换：
(37)
种两端截取式变换灰度级a 灰度级b 素强行压缩a＇b＇显然样会造成部分信息丢失时某种特殊应种牺牲值道路图部分信息路面预见灰度值集中某区间进行该变换具实际意义道路图处理中压缩区间范围确定性没解决该方法进步研究重点
332 图灰度非线性变换
图灰度非线性变换：原始图灰度范围[ab]通然数变换区间 [a＇b＇] 式(38)求图：
(38)
变换扩展输入图中低灰度区域度压缩高灰度值道路图部分信息路面灰度值集中相较高范围采种方法处理道路图时预见效果较差灰度变换法图度增强结果MATLAB仿真图34：
图34 灰度线性变换
通例出然灰度线性变换增强图度道路图增强效果明显根图(34)道路图灰度直方图特点出灰度值集中分布范围广0255灰度级范围均应素存直方图均衡化预见图度够较程度增强面简介介绍直方图变换[7]
333 基直方图灰度变换
直方图表达幅图灰度级分布情况统计图表示出具某灰度素数表示素图具体位置直方图横坐标灰度般r 表示数字图信号直方图坐标某灰度值 素数数字图式(39)式(310)示关系：
(39)
(310)
中式中——图第级灰度值
——图中第级灰度素数
k——图应总灰度级数
直方图均衡化[1]技术通变换原图直方图调整坦直方图然均衡直方图校正原图增加图灰度值动态范围达增强图整体度效果直方图均衡化增强直方图极值附亮度度减少极值附度变换函数式(311)：
(311)
中变换函数变换函数需满足2条件：
(1)
(2)
证明r累积分布函数满足述两条件r分布转换s均匀分布MATLAB仿真直方图均衡化技术图35：
图35 直方图均衡化
通例发现图灰度值变换概率分布化均匀分布(直方图中明显体现)图度增强观评价出变换突出原图细节具更边缘检测效果设计采直方图均衡化技术增强图度
34 图滤波
幅未处理原始图存着定程度噪声干扰噪声会恶化图质量图模糊甚淹没需检测特征图分析带困难进行进步边缘检测图分割特征提取模式识等处理前采适方法量减少噪声干扰显非常重道路图滤波[8]两类方法：类方法图空间域图进行种滤波处理空域处理法类方法空间域图 正交变换傅立叶变换频率域变换图 频率域进行种滤波处理频率域处理图然变换图空间域形成处理图频域处理法显然频域处理法附加图正交变换正变换反变换数量较二维道路图需较存运算时间较长满足视觉系统实时处理求设计采空间域图滤波处理方法面常种空域滤波算法进行介绍
341 线性滑滤波
图滑滤波处理分线性滤波非线性滤波线性滤波方法提出较早具较完备理基础针线性滤波处理设计文尝试均值滤波[1]均值滤波图进行局部均值运算 素值局部邻域值均值置换式(312)：
(312)
式中——邻域称滤波窗口
——邻域中素点数
窗口水垂直两方必须奇数否图会产生偏移均值滤波器通卷积模板等权值卷积运算实现设计文采模板进行滤波较
该算法麻点噪声方面较效区分效信号噪声信号噪声图细节时削弱改善邻域均法中图细节模糊问题提出改进方法选择均法加权均法选择均法灰度值相接素进行均加权均法灰度值特殊程度确定应素权值模板中权值相数学表达式式(313)：
(313)
式中表示——应素需加权值根需进行修正处理图均灰度值变模板中系数1然种改进方法定程度改善细节模糊问题模板中权值确定道路图样性复杂性没固定算法具局限性
342 非线性滑滤波
理实验证明然线性滤波具良抑制噪声力图滑会造成图中细节信息损失处理图产生模糊设计文尝试采非线性滑滤波处理方法—中值滤波[1]中值滤波种非线性图滤波方法1971年JWJukey提出首先应维信号处理技术中 二维图处理技术采中值滤波基思想素点邻域灰度值中值代该素点灰度值该方法脉噪声椒盐噪声时保留图边缘细节定条件克服线性滤波带图细节模糊问题时实际运算程中需图统计特征计算带少方便数学表示式(314)：
(314)
式中——前点邻域
MATLAB加入椒盐噪声图应滑滤波法噪进行仿真图36：
图36 滑滤波
图36 滑滤波
MATLAB加入椒盐噪声图应中值滤波法噪进行仿真图37：
图37 中值滤波
滤波方法滑滤波法选择均滑滤波法中值滤波法分
MATLAB进行较仿真结果图38示：
图38 滤波较
通出滑滤波道路图细节变模糊改进选择均法滑滤波滤波图改善针道路图灰度值相接概念明确化具定模糊性需进步研究中值滤波出图边缘保护作噪声时较保留边缘锐度图细节显然方法较适合课题求续处理中提取物体边缘特征噪时较保留边缘锐度图细节难贵实际应中窗口选择适宜图37中出着窗口扩破坏图某细节仿真结果中选择模板中值滤波宜
35 图边缘增强
道路图滤波识车道线讲存量信息般白色标记车道线路面言较强边缘体现灰度纹理结构等信息道路图边缘种类致分两种[9]：种阶跃性边缘两边素灰度值明显种屋顶状边缘位灰度值增加减少转折点CCD摄机传感器具低频特性图中边缘灰度值变化瞬间跨越定距离图39分出两种边缘示意图相应阶方导数二阶方导数
理想信号 实际信号 阶导数 二阶导数
图39 9 两种常见边缘阶导数二阶导数
基边缘导数特点微分算子检测出通常阶二阶导数检测边缘里公式编写名行？
种边缘检测算子特点梯度基础首先介绍图梯度概念
351 图梯度边缘检测算子
梯度算子[7]阶导数算子幅副图梯度定义量式(315)：
(315)
幅值式(316)：
(316)
该量方角式(317)：
(317)
数字图离散性计算时常差分代微分计算方便常区域模板图卷积似计算梯度值采模板计算[6]时产生边缘检测算子设图模板邻域图310示：
图310 图邻域
边缘检测算子图311示模板似计算图偏导数：
1
0
0
1
0
1
1
0
图311 边缘检测算子
边缘检测算子图312示模板似计算图偏导数：
1
0
1
2
0
2
1
0
1
1
2
1
0
0
0
1
2
1
图312 边缘检测算子
边缘检测算子图313示模板似计算图偏导数：
1
0
1
1
0
1
1
0
1
1
1
1
0
0
0
1
1
1
图313 边缘检测算子
边缘检测算子二阶导数算子标量方需模板行进行二阶导数微分计算时常两模板图314：
1
1
1
1
8
1
1
1
1
0
1
0
1
4
1
0
1
0
图314 边缘检测算子
考察边缘检测算子应发现应出现领域求纳三条准：检测结果边缘定位精度边缘低响应次数根三条准出三条准表达式MATLAB中集成述边缘检测算子函数仿真边缘检测图图315：
图315 传统差分算子检测
试验实验结果出：边缘检测算子边缘检测算子具非性检测45°45度道路线方面定优势边缘检测算子计算相简单图处理车道线出现断点现象考虑算子利水垂直两方梯度阈值检测道路边缘道路图中车道线水方约成45°角135°角许学者提出针车道线方模板设计差分算子面介绍两种定义差分模板
352 定义差分算子
针道路图中车道标志线具左右倾斜特征果设计针该方差分算子预见算子更增强车道线位置选两差分算子[910]式(318)式(319)：
(318)
(319)
定义差分算子灰度图进行边缘增强MATLAB进行仿真实验结果图316：
图316 定义差分算子边缘增强
图316出车道线标记模板检测增强尤远处车道线效果更明显车道线加强时意味着素点增需进步细化处理考虑种实际情况课题选第定义模板式318示
353 加入噪声图检测实验
前面实验较种差分算子外加噪声情况道路图边缘检测结果实际应中系统采集图数情况已噪声污染图进行噪处理会噪声残留干扰算子抗扰性选取算子关键考察方面通常实际道路识中遇雨雪等恶劣气候条件情况系统采集图视野中常量雨雪颗粒严重影响道路图中特征曲线提取种噪声模型中椒盐噪声模拟雨雪颗粒图质量造成影响[58]通实验较种差分算子椒盐噪声污染道路图边缘检测力具实际意义
加入椒盐噪声图常差分检测算子进行边缘检测MATLAB进行仿真结果图317：
图317 加噪声传统差分算子检测
实验结果中出加入椒盐噪声种差分算子检测产生影响中边缘检测算子产生断点边缘检测算子边缘检测算子检测效果较理想边缘较完整通外加噪声图加入椒盐噪声图实验结果表明种情况边缘检测算子边缘检测算子检测效果较边缘检测算子噪声情况产生较断点定位准确
边缘检测算子定义差分算子噪声干扰情况边缘检测结果MATLAB进行仿真结果图318：
图318 加入噪声边缘检测
结果中出椒盐噪声影响定义差分算子检测效果较车道边界特征明显没出现断点等现象考虑种情况选第种式(318)示定义差分算子作道路图边缘检测算子适合
36 章结
章介绍进行道路识前准备工作面章节基础讨图预处理问题设计文研究道路检测系统中道路检测技术行驶程采集图道路坦者素视觉系统会产生振动松动等确定素采集图质量会受影响增强道路图识性降低道路检测算法复杂性利道路边界正确识精确定位需采集道路图进行预处理提高图质量
图处理算法中没种算法适处理类图种算法定针性局限性实际研究程中找种效图处理方法需作广泛实验根前视觉导航系统需算法加必改进适合视觉系统优算法课题道路图预处理包括图灰度化处理均衡化处理滤波处理边缘增强处理续道路图分割道路标志识提供条件
研究诸预处理图算法中针设计提供图算法身优点采彩色通道提取法灰度化道路图直方图均衡化技术增强度噪声图3*3中值模板滤波定义差分算子边缘检测
第4章 道路边缘识
41 引言
视觉导航诸复杂具挑战性务中受重视道路识(road following)包括道路检测道路追踪两部分道路检测视觉导航研究中核心问题视觉导航发展水重标志检测包括道路定位行驶物相道路边界位置判断驶出道路区域性等道路追踪整幅道路图进行全面处理利前次道路检测车道信息实现道路快速检测定位样进步提高系统实时性文时间限设计道路检测部分进行仿真实验目前道路检测技术单目双目目视觉系统分
章算法没立体视觉角度解决道路环境重建问题现研究结果直接通图进行三维恢复获取环境信息困难：首先计算量巨次匹配点寻找困难外遮挡问题立体视觉研究者数简化利素影响实际影响素导致环境深恢复错误尤光线环境较复杂户外基素点进行三维重构方式进行视觉导航适较简单环境环境较复杂户外环境数没采取图进行基素三维恢复方式采单目视觉系统
章单目视觉系统针孔成模型进行道路检测检测般路面利道路边缘区域两种方法结合MATLAB进行仿真实验
42 道路检测方法简介
现道路检测算法[11]三种：
(1)基彩色图分割方法种方法利彩色图中RGB彩色空间原理根道路RedGreenBlue三彩色分量周围非路面环境输入彩色图进行路面非路面二值划分种方法更适没车道线非标准车道基RGB彩色图分割方法道路非道路分类标准充分提出基HSG图分割方法中Betkel等提出图色彩HSG表达提供道路非道路更效分类准中色度H饱度S分量行道树天空致表达整路面影响具高亮特征汽车尾灯交通信号车道标志道路边界等需灰度级G分量识
(2)基灰度图车道线检测踪算法目前车道线检测踪流方法充分利车道线提供灰度信息进行导航非常适等级较高公路时类方法突出问题需解决车道线车辆遮挡时需准确估计遮挡部分车道线树木桥梁建筑物车辆等产生阴影路面灰度值产生影响进检测造成干扰等问题
(3)神网络方法智车辆导航研究中采工神网络种典型方法通实际景物中驾驶车辆训练神网络种方法非结构化道路踪缺点知道车道线位置车道线关许辅助功法实现等级较高公路时效率低
参考年关文献前基视觉道路检测技术两方研究：方侧重研究道路边缘信息方侧重研究路面区域信息根分析知边缘区域物体两互补特性获取边缘信息时容易分分割合导致丢失添加图边界通区域信息补偿边部分确定性文中提出边缘边界区域边界进行综合分析准确道路边界
43 边缘区域相结合道路检测方法
边缘增强处理图316中仅道路边缘信息信息树木行等轮廓线增强轮廓图中形成许假边界克服假边界干扰设计文采区域生长[113]方法道路图路面区域信息根路面区域信息定义差分算子提取边缘信息定位车道线边界种方法优点噪声太敏感强阴影体正确路面描述面首先简介区域生长法
431 区域生长法基概念
区域生长基思想具相似性质素点集合起构成区域具体先需分割区域找种子素作生长起点然种子素周围邻域中种子素相相似性质素根某种事先确定生长相似准判定合种子素区域中直没满足条件素包括进样区域长成中生长准常图灰度纹理彩色等信息通述分析知区域生长法处理道路图时两问题非常关键
区域生长关键选择合适生长相似准生长准会影响区域生长程目前区域生长法处理道路图中采灰度差准区域生长方法图素基单位进行操作基区域灰度差方法步骤：
(1)图进行逐行扫描找出尚没属素
(2)该素中心检查邻域素邻域中素逐较果灰度差预先设定阈值合
(3)新合素中心检查新素邻域直区域进步扩张
(4)继续扫描直发现没属素结束整生长程
二区域生长程中选取种子点关键般根图特点确定先验知识图利先验知识果没助生长准素进行相应计算设计文根算法实现目选择种子点区域核心应满足三求：
(1)必须道路区域 距道路边界定距离
(2)灰度周围灰度较均匀便生长出较区域
(3)灰度应反映道路区域亮度分布
根述求选择恰种子点道路图理解中作样合理假设[113]距离车辆正前方范围定路面种假设绝数情况成立旦前提成立标志着车辆距离危险区域太表明前面导航失败种前提进行视觉辅助导航时根范围取样特征推导出整视野空间中道路信息理想情况仅仅赖种子点信息正确推出整道路区域通算法理解设计文区域生长法路面区域算法：
(1)选取灰度图方条形范围处灰度值中间位置素种子点
(2)滑模板处理灰度化图邻域均化灰度图
(3)根邻域均化灰度图中灰度值灰度图中灰度值差设定阈值邻域均化灰度图中灰度值种子点处灰度值差设定阈值两准生长出道路路面区域
算法中出准阈值选取生长出图影响选取值检测出图含虚假边缘选取值车道线出现漏检现象实验仿真结果 两阈值选取目前没合适选择方法设计实验程中阈值取70阈值取90时定义差分模板取028生长出路面区域理想实现该值适应选取研究生长区域法重方利区域生长法识道路边界仿真结果图41：
图41 利区域生长法路面区域
阈值选取述值时仿真结果图42(中阈值取50阈值取70)：
图42 利区域生长法路面区域
阈值选取述值时仿真结果图43(中阈值取90阈值取110)：
图43 利区域生长法路面区域
仿真结果中出选取值检测出图含虚假边缘选取值车道线出现漏检现象实现阈值适应选取研究重中重
432 融合两种信息提取仿真实验
述程处理两组信息区域信息边缘信息两种信息进行融合真实边界存信息源设计文提出述算法计算真实道路边缘已边缘信息区域信息根空间应该出现相相位置计算两组信息中相应位置离散点间距离
设边缘边界中连续边缘边界线段线段离散边缘点组成区域边界中连续区域边界线段线段离散边界点组成推出理出样两组信息中线段作离散点处理根式(41)：
(41)
中设定距离选取路面边界复杂性没固定方法实验中检测出车道边界更准确MATLAB融合边缘区域两种信息定位道路边界进行仿真结果图44：
图44 4 融合两种信息检测图
通图44出利边缘信息区域信息检测道路边界定程度克服虚假边界干扰更准确车道线边缘突出该方法优点里介绍种动态双阈值二值化[1012]方法样两幅图(灰度图边缘检测图）)处理中阈值称灰度阈值阈值称边缘阈值边缘图中灰度值边缘阈值时原始道路图中灰度值灰度阈值素纳入车道线素集合中余素纳入非车道线集合中选取灰度阈值时帧图中车辆前方段长条区域进行采样该段区域中般会存障碍物 阴影水迹干扰敏感 较准确反映出原始图道路灰度值两种方法检测结果MATLAB仿真图45
图45 区域生长法检测图适应二值化检测图
图45中出：适应二值化图样定程度克服虚假边界干扰整体效果融合区域法差尤稍远处虚假边界基设计文融合区域法检测边缘阈值选取设计针预处理图调节参数没达适应需改进作图处理种新方法值深入研究
44 基模型道路识
现实生活中道路千差万道路检测非常复杂模式识问题目前存通视觉道路检测系统满足般应情况适简化道路场景助解决实际问题道路形状假设种效简化道路模型方法
441 道路模型假设
识原始图中包含丰富景物细节树木绿化带行车辆阴影遮挡物等图处理边界图图45中观察容区域边界形成稠密形状异区域边界集合边界宽窄素点宽连成片独立亮区中道路边界组断断续续接线状排列边界区域集合种形状特征出发设想建立种基形状道路边界模型够边界区开设计文道路边界形状入手定义模型国外许研究员运方法中回旋曲线作道路形状模型项式曲线作道路形状模型直线作道路形状模型等中直线道路模型[1513]简单模型假设减计算复杂度提高系统性设计文采直线道路模型高速公路曲率[5]般较高速行驶时系统前方太远处采集图采直线道路模型般满足求里道路做假设：
(1)道路结构化道路具明显车道标线者边界道路宽度基变颜色边缘等信息检测
(2)道路水者高度变化服严格数学模型
442 道路图特征直线提取
众直线提取方法中霍夫变换常方法优点算法稳定抗噪性缺点计算量存储空间太十年研究中采取种方法霍夫变换进行改进设计文通霍夫变换改进方法中种提取直线中值截距法提取特征直线进行仿真实验找中优方法
4421 传统霍夫变换提取直线
针述假设车道模型首先介绍霍夫变换提取车道线方法[142]霍夫变换图处理中图中识形状基方法应广泛改进算法基霍夫变换黑白图中检测直线直角坐标系中直线方程 表示中kb参数分斜率截距直线点表示方程参数kb面条直线样图xy面前景素点应参数面条直线实际应中形式直线方程没办法表示xc形式直线(时候直线斜率穷)实际应中采参数方程pxcos(theta)+ysin(theta)代表直线离原点法线距离theta该法线轴角度样图面点应参数ptheta面条曲线知图空间中线点应参数空间里相交线反参数空间中相交点曲线图空间里线点应点线偶性根点线偶性定图空间边缘点通hough变换确定连接点方程hough变换图空间中直线检测问题转换参数空间里点检测问题通参数空间里进行简单累加统计完成检测务
总结霍夫变换基思想：首先初始化块缓区应参数面数置0然图前景点hough transform遍历theta(根区域选择)）计算出值应参数数组中加1找参数面点位置位置应原图直线参数
传统hough变换流程图图46：
设定直线长度阈值直线变换极坐标参数
根参数图标出直线
结 束
前素点做hough变换
应数组p行theta列加
预处理图
图46 hough 变换流程图
设定直线长度阈值直线变换极坐标参数
根参数图标出直线
结 束
预处理图
前素点做hough变换
应数组p行theta列加
图46 hough 变换流程图
编程时参数ptheta量化成许格点代入theta量化值算出p值(量化)落某格便该格计数器加1全部点变换格进行检验计数值格应线(ptheta)值作直线拟合参数计数值格般反映非线点丢弃直线长度阈值选取道路图真实车道边界关实验实验中取36应传统hough变换提取特征直线仿真图47
图47 7 传统hough变换提取直线
课题左车道线进行检测右车道线样适根已检测出左车道线根定约束条件距离连续性等检测出车道线hough变换检测直线原理出算法中计算量边缘点众情况样计算量非常怕目前改进算法设计研究改进机hough变换法
4422 机霍夫变换提取直线
设计提出种改进hough变换——机hough变换[153]传统hough变换种映射边缘点映射成参数空间条曲线机hough变换采取映射方式机选取n素决定n曲线参数核心算法：
(1)建立二值化边缘图
(2)中机选取素点
(3)果两点满足预定义距离约束回Step2否继续Step4
(4)两点坐标代入直线方程解参数()
(5)参数空间中参数点()累加
(6)继续第二步
基算法理解设计提出种新算法流程图图48：
结 束
找图方第左车道线素点
取该点距离约束前景素点素点
两点坐标带入直线方程解参数
参数值累加
找值标记该参数应直线
预处理图
结 束
图48 改进hough变换流程图
MATLAB机hough变换法传统hough变换提取特征直线实验仿真结果图49：
预处理图
图48 8 改进hough变换流程图
结 束
找图方第左车道线素点
取该点距离约束前景素点素点
两点坐标带入直线方程解参数
参数值累加
找值标记该参数应直线
预处理图
结 束
MATLAB机hough变换法传统hough变换提取特征直线实验仿真结果图49：
图49 9 传统hough变换改进算法较
例出改进hough变换传统hough变换检测直线型左车道线时精度相改进算法实时性提高35倍更利车辆高速行驶设计改进hough变换研究种算法——中值截距法[16]
4423 中值截距法提取车道线
透视投影基原理知路面投影图基位整图象半面车道线分左右两部分左车道线例遍历图片左半部分N点定义图左角坐标原点条直线截距表示设定左车道线方程式(42)：
(42)
中分直线轴截距该直线斜率
基原理：意选取图2点两点做条直线分计算出轴截距式(43)：
(43)
点相应做作出条直线点处条直线做条两组截距值分取截距中值式(44)令
(44)
做条两组截距值分取截距值令
整集合中值估计直线方程该组数拟直线取值时果集合数奇数直接取集合中间元素作中值截距集合数偶数时取中间两数值均值作中值截距
基算法理解设计新定义坐标原点(基点点间坐标关系相关系)）图左角理解坐标原点图直线写成截距形式样先找图方第左(右）)车道线素点计算前景素点斜率取中值作中值截距设计算法流程图图410示：
图410 0 中值截距算法流程图
结 束
记图方第左车道线素点p
计算距离约束前景素点截距
点
取截距中值
根中值计算斜率
图标记该直线
预处理图
图410 0 中值截距算法流程图
结 束
记图方第左车道线素点p
计算距离约束前景素点截距
点
取截距中值
根中值计算斜率
图标记该直线
预处理图
MATLAB仿真中值截距法提取特征直线图411
图411 1 中值截距提取车道线
图411中出中值截距检测出左车道线进行延长算法出非车道线素点影响较面三种算法较提出优算法
45 算法较
首先智车辆高速公路行驶求检测算法应具快速性三种检测算法处理幅图49图411实时性表41：
表41 三种算法实时性较
方法
hough变换
改进hough变换
中值截距法
实验1
01720
00310
00790
实验2
01720
00320
00780
实验3
01710
00310
00760
实验4
01724
00320
00780
均时间(s)
01718
00315
00780
注：实验台计算机实验室4025号机
表41中出改进算法实时性传统算法提高35倍具定优势车辆高速行驶情况实时性求相高中值截距实时性处两者间检测车道线长度进行选择里实时性外算法鲁棒性道路检测中忽视问题首先阈值阈值适变化检测算法鲁棒性实验仿真图412图413：
图412 阈值变化hough变换改进算法检测图
图413 阈值变化中值截距检测图
图412413中出阈值变化时区域生长法获道路边界信息出现漏检虚假边界现象致hough变换中值截距提取特征曲线出现偏差改进hough变换算法检测精度基受影响见鲁棒性较处理该图实时性鲁棒性提出改进hough变换算法更符合道路检测求
46 机霍夫变换提取直线检验
然算法较中设计提出机hough变换提取特征直线具优越性实时性鲁棒性道路图复杂性样性针幅图处理结果理应该定结更利说明该方法优越性面图次检验算法性非常必图预处理算法某参数会适调整参数没达适应例图414中阈值取15阈值取180时定义差分模板取02MATLAB进行仿真实验结果图414图415：
图414 传统hough变换改进算法较
15阈值取180时定义差分模板取02MATLAB仿真实验结果图414图415：
图414 传统hough变换改进算法较
图415 5 中值截距提取车道线
实验结果中出三种方法检测车道线效果精度长度稍区实际情况影响智车辆行驶素检测实时性表42：
表42 三种算法实时性较
方法
hough变换
改进hough变换
中值截距法
实验1
01630
00320
00470
实验2
01560
00320
00469
实验3
01560
00310
00470
实验4
01570
00330
00470
均时间(s)
01580
00320
00470
注：实验台计算机实验室4025号机
表42中出改进算法实时性确实具定优势阈值变化时hough变换实时性低里令两种算法进行较图416：
图416 6 阈值变化改进hough变换中值截距法检测图
图416中出中值截距法检测精度较改进hough变换确实易受阈值影响考虑实际情况中车体前方存阴影时量避开阴影道路检测结果选取种子点区域适图方移动样种子点选取具某种确定性面幅带阴影图说明种子点选取具确定性时算法检测精度影响首先MATLAB获取该图道路边界检测图图417：
图417 道路边界检测图
图416 道路边界检测图
改进hough变换提取检测图中特征直线实验仿真图418：
图417 改进hough变换提取特征直线
图418 改进hough变换提取特征直线
中值截距提取检测图中特征直线实验仿真图41719：
图418 中值截距提取特征直线
注：中阈值取4025阈值取19820时定义差分模板取02种子点seedxround(x0)seedyround(y2)
图419 中值截距提取特征直线
图出方存阴影许实际情况中车体前方出现阴影常见选取种子点时考虑避开阴影种子点处区域适移种子点seedxround(x10)seedyround(y2变化时)时计算机帧图连续处理实验结果出现图420图421示结果：
图420 种子点变化改进hough变换提取特征直线
图 420 种子点变化中值截距提取特征直线
图421 种子点变化中值截距提取特征直线
实验结果出中值截距检测左车道线前方出现偏离现象改进hough变换没变换综合种情况考虑改进hough变换实时性鲁棒性优两种算法提出改进hough变换算法更适合车道线检测面实验出改进hough变换算法检测车道线长度中值截距法检测长度出现曲率较车道线时检测长度算法检测精度占优势检测长度算法出现误检曲率车道线图MATLAB进行实验仿真结果图422图423：
图422 曲率较时三种算法提取特征直线
图423 曲率较时三种算法提取特征直线
图422图423中出中值截距法提取曲率车道线精度较差改进hough变换算法检测精度改进hough变换检测长度传统hough变换算法结合实际情况转弯时智车辆速度会改进hough变换算法实时性满足文求前提选取改进hough变换提取车道线合适
47 章结
章针预处理图获车道线素点提取直线型车道线问题进行研究获取车道线素点程中采融合区域边缘信息检测车道线素突出该方法优点适应二值化图做实验仿真结果中出融合区域边缘两种信息检测车道线边界前者更克服存虚假边界车道线形状提出直线模型假设该模型计算量更适合车辆高速行驶结构化高速公路曲率般较直线模型定般情况适提取图中特征直线车道线研究重点设计文幅道路图基直线型车道模型假设基础应传统hough变换改进hough变换中值截距算法提取标记车道线仿真结果出改进hough变换实时性更高提出优算法设计文选取外两幅图算法鲁棒性实时性做较提出改进hough变换定程度更适合车道图中提取直线
第5章 结展
然设计文研究取定进展定程度解决前方道路识算法鲁棒性实时性间问题时间知识水限制目前研究程度离实际工程应差距存许问题研究进步展设想方面：
路面情况千变万化拍摄图复杂变设计设计中算法相关处理面面俱特道路边缘复杂变时道路存较障碍物时者道路特殊原部边缘强度外部时等等种情况出现预料结果设计设计提出观点研究容进步深入设计处理方法够全面没道路区域生长法做深层次研究果生长准种子点选够理想出结果会糟实现动态选取课题进步研究方
设计识直线道路边界实现弧形道路边界识建立曲线道路边界模型进行曲线道路识进步研究工作重点
设计许阈值选取着适应方改进获检测图程中融合两种信息需约束条件实现适应阈值化课题研究重方
设计识方法车道标记线基清晰情况车辆坡坡标记线褪色时出现意想结果然引入更更新技术补充道路检测系统中模式识特征提取工神网络学建立道路模板库等技术
总道路检测需断补充完善课题需更新技术新思想融入中新技术新思想源源断充实进程智视觉导航种理念种模型走实程
参考文献
[1] 蒋杰．新型智车辆视觉系统图处理技术研究[C]．硕士学位文吉林学2003 6~7．
[2] 董．高速汽车偏离预警系统算法研究[C]．博士文吉林学20044~5．
[3] 王驰．基单视目视觉道路检测算法研究[C]．硕士学位文长春理工学200817~25．
[14] 姚敏等． 数字图处理[M]．北京：机械工业出版社2006．
[5] Xin Li XiaoCao Yao Yi L Murphy A realtime vehicle detection and tracking system in outdoor traffic scenes[C] Proceedings of the 17th International Conference on Pattern Recognition 2004 23~26
[62] 周金萍编著． 图形图处理应实例[M]．北京：科学出版社2003．
[37] 张兆礼． 现图处理技术MATLAB实现[M]．北京：民邮电出版社2001．
[8] ZuWhan kim Robust lane Detection and Tracking in Challenging Scenarios[J]in IEEE 20089
[9] 孔祥编著．图分析[M]．北京：科学出版设2005．
[10] 李兵张鹏飞．基增强转移网络室外移动机器道路图理解[J]．中国图象图形学报VOL9200430~32．
[11] 杨正帅．基视觉道路识技术移动机器导航中应研究[C]．硕士学位文南京理工学200742~45．
[12] 李皓丁东花．种基扫描线车道线识算法[J]．200412~13． [4] Xin Li XiaoCao Yao Yi L Murphy A realtime vehicle detection and tracking system in outdoor traffic scenes[C] Proceedings of the 17th International Conference on Pattern Recognition 2004
[13] 胡斌克忠．基分段直线模型ATN车道识方法[J]．200640(10)：15~18．
[14] 虞吴惠思等．图中快速检测直线行算法[J]．200640(12)：7~8．
[15] 赵颖王书茂等．基改进hough变换公路快速检测算法[J]．200611(3)：21~23．[5] 李兵张鹏飞 基增强转移网络室外移动机器道路图理解[J]中国图象图形学报 VOL92004
[6] 孔祥编著 图分析北京：科学出版设2005
[167] 刘丹编著． 计算机图处理数学算法基础[M]．北京：国防工业出版社2005．
致 谢[8] ZuWhan kim Robust lane Detection and Tracking in Challenging Scenarios[J] in IEEE 20089
[9] 李皓丁东花 种基扫描线车道线识算法[B]2004
[10] 胡斌克忠 基分段直线模型ATN车道识方法[T]200640(10)
[11] 虞吴惠思等 图中快速检测直线行算法200640(12)
[12] 赵颖王书茂等 基改进hough变换公路快速检测算法[DB]200611(3)
[13] 杨正帅 基视觉道路识技术移动机器导航中应研究[c]硕士学位文南京理工学2007
[14] 蒋杰 新型智车辆视觉系统图处理技术研究[c]硕士学位文吉林学2003
[15] 董 高速汽车偏离预警系统算法研究[c]博士文吉林学2004
[16] 王驰 基单视目视觉道路检测算法研究[c]硕士学位文长春理工学200
文工作石彦辉老师悉心指导完成石老师严谨学风教书育敬业精神事业执着追求影响深终生受益课题研究程中帮助软件图选取相关参考资料节省时间算法选取设计石老师提出宝贵意见石老师表示诚挚感谢致意
文完成然离开老师帮助指导感谢电气分院工程楼实验老师相关领导毕业设计程中免费开放机房供查询资料带方便尤期实验室老师理解支持延长实验室开放时间时感谢实验室学严格求创造良学环境
感谢室友学软件安装帮助外关心关注朋友
附 录
实验中部分程序：
clc
读图灰度图rg
Aimread(＇w516jpg＇)
[r c d]size(A)
r2gzeros(rc)
redzeros(rc)
greenzeros(rc)
bluezeros(rc)
rgzeros(rc)
for i1r
for j1c
red(ij)A(ij1)提取图红色分量
green(ij)A(ij2)提取图绿色分量
blue(ij)A(ij3)提取图蓝色分量
end
end
for i1r
for j1c
rg(ij)05*red(ij)+05*green(ij)
end
end
rguint8(rg)
for i1r
for j1c
if rg(ij)>178
rg(ij)255
end
end
end
figure
subplot(221)imshow(A)title(＇原图＇) 显示原图
subplot(222)imshow(rg)title(＇彩色通道提取法灰度图＇)
figure
r2grg
ir2g输入灰度变换图
subplot(221)imshow(i)title(＇原图＇)
subplot(223)imhist(i)显示直方图
h1histeq(i)
subplot(222)imshow(h1)title(＇直方图均衡化图＇)
subplot(224)imhist(h1)
ih1直方图均衡化图
jimnoise(i＇salt & pepper＇002)
k1medfilt2(j)
figure
subplot(121)imshow(j)title(＇添加椒盐噪声图＇)
subplot(122)imshow(k1)title(＇3*3模板中值滤波＇)
clc
r2g
figure
subplot(221)imshow(r2g)
title(＇原图＇)
W_H1[2 3 0选定义差分模板增强左车道标记线
3 0 3
0 3 2]
W_V1[ 0 3 2选定义差分模板增强右车道标记线
3 0 3
2 3 0]
T 028 the threshold in the 2value
I r2g read the image
[heightwidth] size(I)
I1 double(I)
I3 double(I)
I4 double(I)
I2 zeros(height+2width+2) put the image＇s data into a bigger array to void the edge
I2(2height+12width+1) I1
for i2height+1 move the window and calculate the grads
for j2width+1
sum3 0 方模板算子
sum4 0
for m11
for n11
sum3 sum3 + W_H1(m + 2n + 2) * I2(i + mj + n)
end
end
for m11
for n11
sum4 sum4 + W_V1(m + 2n + 2) * I2(i + mj + n)
end
end
grey1 abs(sum3) + abs(sum4)
I3(i1j1) grey1
end
end
big max(max(I3)) 化
small min(min(I3))
for i1height
for j1width
I3(ij) (I3(ij)small)(big small) 化
if(I3(ij) > T)
I3(ij) 1 二值化
else
I3(ij) 0
end
end
end
subplot(222)
imshow(I3)title(＇slsr算子处理图＇)
figuresubplot(221)imshow(A)title(＇原图＇)
ggbwmorph(I3＇thin＇inf)
subplot(222)imshow(gg)title(＇细化图＇)
I rg
[xy]size(I)
[heightwidth] size(I)
seedxround(x)
seedyround(y2)
grI(seedxseedy)
W_H [ 1 1 1 the model in the horizon direction
1 1 1
1 1 1]
I1 double(I)
I2 zeros(height+2width+2) put the image＇s data into a bigger array to void the edge
I2(2height+12width+1) I1
for i2height+1 move the window and calculate the grads
for j2width+1
sum1 0 the cumulus
for m11
for n11
sum1 sum1 + W_H(m + 2n + 2) * I2(i + mj + n)
end
end
greysum19
I1(i1j1) grey
end
end
I1uint8(I1)邻域均化灰度图
subplot(222)imshow(I1)title(＇区域生长路面区域图＇)
[xy]size(I1)
I2zeros(xy)
Idouble(I)
I1double(I1)
for i1x
for j1y
if abs(I1(ij)I(ij))<70&abs(I(seedxseedy)I1(ij)<90)
I2(ij)1
end
end
end
subplot(223)
imshow(I2)title(＇区域生长路面区域图＇)
I4zeros(xy)
for iround(5)x4
for j5y4
if gg(ij)1
for mi4i+4
for nj4j+4
if I2(mn)0&sqrt((im)^2+(jn^2))<2
I4(ij)1
end
end
end
end
end
end
subplot(224)
imshow(I4)title(＇检测图＇)
窗口显示原图区域生长路面区域图
figuresubplot(221)imshow(A)title(＇原图＇)
subplot(222)
imshow(I2)title(＇区域生长路面区域图＇)
clc
figure
t0clock
提取特征直线
ffI4subplot(221)imshow(ff)title(＇检测图＇)
提取特征直线
[xy]size(ff)
rho_maxfloor(sqrt(x^2+y^2))+1 原图数组坐标算出ρ值
取整数部分加1
值作ρθ坐标系ρ值
rho_max1max(rho_max180)
accarrayzeros(rho_max1180) 定义ρθ坐标系数组初值0
θ值180度
Theta[0pi180180*pi180] 定义θ数组确定θ取值范围181
Theta[0pi180180*pi180]
coscos(Theta)
sinsin(Theta)
for m1round(y3)
for nround(x3)x
if ff(nm)1
for k1180
θ值代入hough变换方程求ρ值
rho(n*cos(Theta(k)))+(m*sin(Theta(k)))
ρ值ρ值半作ρ坐标值(数组坐标）样做
防止ρ值出现负数
rho_intround(abs(rho2+rho_max2))
ρθ坐标(数组）中标识点计数累加存第ρ行θ列
accarray(rho_intk)accarray(rho_intk)+1
end
end
end
end
subplot(222)colormap(hot) gray
imagesc(accarray)title(＇hough变换图＇)
xlabel(＇＼theta＇) ylabel(＇＼rho＇)
利hough变换提取直线
k11 存储数组计数器
for rho_n1rho_max hough变换数组中搜索
for theta_m1180
if accarray(rho_ntheta_m)>36
设定直线值
case_accarray_n(k1)rho_n 存储搜索出数组标
case_accarray_m(k1)theta_m
k1k1+1
end
end
end
点构成直线提取出输出图数组I_out
I_outzeros(xy)
for nround(x3)x
for m1round(y3)
if ff(nm)
for k1180
rho(n*cos(Theta(k)))+(m*sin(Theta(k)))
rho_intround(rho2+rho_max2)
找符合点输出
for a1k11
if rho_intcase_accarray_n(a)&kcase_accarray_m(a)
I_out(nm)1
end
end
end
end
end
end
subplot(223)imshow(I_out)title(＇利典hough变换提取图＇)
time etime(clock t0)
end
求长直线
maxaccaccarray(11)
for ii1rho_max1
for jj1180
if accarray(iijj)>maxaccrho行theta列
maxaccaccarray(iijj)
rhomaxii记录长直线参数rho值
thetamaxjj记录长直线参数theta值
end
end
end
rhomax显示rho值
thetamax显示theta值
Theta(thetamax)
II_outzeros(xy)
k1
for n1round(x)
for m1round(y)
if ff(nm)1
rho(n* cos( Theta(thetamax)))+(m* sin( Theta(thetamax)))
rho_intround(abs(rho2+rho_max2))
if rho_int rhomax
II_out(nm)1找素点角度Theta(thetamax)变换等长直线变换rho值点
end
end
end
end
subplot(224)
imshow(I4)hold on
[xxyy]size(II_out)
[xbyb]find(II_out)
x1xb(1)
lastxlength(xb)
xendxb(lastx)
y1yb(1)
lastylength(yb)
yendyb(lasty)找起始点
hold on
line( [y1yend] [x1xend]＇linewidth＇3)title(＇根hough做标记线＇)
clc
t0clock
ffI4输入检测图
[xy]size(ff)
a1zeros(x1)
b1zeros(y1)
k1
for i1x
for j1round(y2)
if ff(ij)1
a1(k)i
b1(k)j
kk+1
end
end
end
mlength(a1)
a2max(a1)
h1
for i1m
if a1(i)a2
jiaobiao(h)i
hh+1
end
end
b1b1(jiaobiao)
b11max(b1)
ff(a1b1)选中车道线第素点
k1
for iround(1)round(x)
for j1round(y2 )
if ff(ij)1&i~a2&j~b11
kkb(k)(b11j)(a2i)
bbc(k)b11kkb(k)*a2
kk+1
end
end
end
thetaatan(1kkb)
theta1 theta+pi
roibbc*sin(theta)
roi1 roi+abs(roi)
maxthetamax( theta1)
maxroimax(roi1)
accumzeros(round(maxtheta)+1round( maxroi)+1)
for i1length(theta)
thetaintround( maxtheta2+theta1(i)2)
roiintround( maxroi2+roi1(i)2)+1
accum(thetaintroiint)accum( thetaintroiint)+1
end
pmax(max(accum))出现峰值处累加器值
for i1length(theta)
thetaintround( maxtheta2+theta1(i)2)
roiintround( maxroi2+roi1(i)2)+1
if accum(thetaintroiint)p
jii
end
end
k1
m1
for iround(x2)x
for j1round(y2)
if ff(ij)1&i~a2&j~b11
kk(k)(b11j)(a2i)
bb(k)b11kk(k)*a2
theta(k)atan(1kk(k))
if theta(k) theta(ji)
xji(m)i
yji(m)j
mm+1
end
kk+1
end
end
end
xjimedian(xji)
yjimedian(yji)
ji
theta(ji)
imshow(I4)hold on
line( [yjib11] [xjia2]＇linewidth＇3)title(＇根改进hough做标记线＇)
time etime(clock t0)
figure
subplot(221)imshow(A)title(＇原图＇)
subplot(222)imshow(I4)title(＇检测图＇)
subplot(223)imshow(I4)hold on
line( [y1yend] [x1xend]＇linewidth＇3)title(＇根hough做标记线＇)
subplot(224)imshow(I4)hold on
line( [yjib11] [xjia2]＇linewidth＇3)title(＇根改进hough做标记线＇)
中值截输入检测图
t0clock
clc
I_outI4
ffI4
[xy]size(ff)
za1zeros(x1)
zb1zeros(y1)
k1
for i1x
for j1round(y2)
if ff(ij)1
za1(k)i
zb1(k)j
kk+1
end
end
end
mlength(za1)
za2max(za1)
h1
for i1m
if za1(i)za2
jiaobiao(h)i
hh+1
end
end
jiaobiaomax(jiaobiao)
zb1zb1(jiaobiao)
zb2max(zb1)
za2
zb2
ff(za2zb2)选中车道线第素点
[xy]size(I_out)
azeros(x*y1)
bzeros(x*y1)
[xindexyindex]find(I_out)
lengthylength(yindex)
numberzeros(lengthy1)
k1
for i1lengthy
symyindex(i)
for jilengthy
if sym yindex(j)
number(k) number(k)+1
end
end
kk+1
end
if 3
dis1
else
display (＇图垂直车道线＇)
dis0
end
中值截距法
if dis1
k1
for iround(1)round(2*x3)
for j1round(y2)
if I_out(ij)
for mi+1i+2
for nj+1j+2
if I_out(mn)
a(k)(m*ji*n)(jn)
b(k)(i*nm*j)(im)
kk+1
end
end
end
end
end
end
a
b
a1median(a)
b1median(b)
b1abs(b1)
kkb1a1
ff(za2zb2)选中车道线第素点
kk中值截距法求出斜率
yxia1abs(round(zb2(za21)*kk))
yxia2abs(yxia1)x
figure
imshow(I_out)hold on
hold on
yxia72
line( [yxia1zb2][1za2]＇linewidth＇3)
line( [72zb2][1za2]＇linewidth＇1)
za2
zb2
end
time etime(clock t0)
figure
subplot(221)imshow(A)title(＇原图＇)
subplot(222)imshow(I_out)hold on
line( [yxia1zb2][1za2]＇linewidth＇3)title(＇中值截距法求出斜率＇)
英文参考文献翻译：
Due to a realtime constraint and thenslow processor speedthe lane markings have been detected based on simple gradient changesand much of the older work has presented results on straight roads or highways with clear the lane markings or with an absence of obstacles on the road
Many commercial lanedetection systems are availabe and show good performance in many challenging road and illumination conditionns howeverthey do not provide lanecurvature information but just lane positions to deliver robust resultsalthough lane positions are sufficient for some applicationssuch as lanedeparture warningthere are other applications which require lanecurvature informationFor examplea collisionwarning system can generate false alarms when the lane curvature is not knownas an alternative to a visionbased approachone may use a globalpositioning system with a geographic information systemhoweverthe GPS has a limitation on the spatial and temporal resolutionand detailed information is often missing or not updated frequently in GISfor exampleit is important to detect the road curvature at an offramp because it can generate a falsecollision warningbut most GPSbased systems suffer from even discriminating whether the vehicle entered an offramp or notRecent efforts deal with cured roadsand robust detection results on challenging imagessuch as distracting shadows or a leading vehiclehave been reportedsome of them work in realtimeand some do notSample road images are showedmany of the previous algorithms simply look for horizontal intensity bumps to detect lane markingswhich shows reasonably good performance in many casesbut it cannot distinguish false intensity bumps caused by leading vehicles and road markingtexture from weak lane markingsfor exampleworn yellow markings often have similar grayscale intensity to the road pixelsin additionwe sometimes need to deal with a poor image qualityfor examplewhen we need to postprocess an MPEG dataTo deal with such problemswe apply machine learingwe applied various classifiers to the lanemarkingdetection task and present a comparative analysissince the size of the lane marking changes dramatically with respect to its distance from the carwe need to normalized them to apply a standard classifierthereforewe first rectify the original imagewhen we assume that the ground is flatwe can apply a plane homography to find an image rectificationOnce we have a rectified imagea lanemarking classfier is applied on a small image patch around each and every pixelA typical width of the lane marking on the rectified images are about three pixelsthereforeraw pixel values of a 9*3 window were used as inputs(total 27 features for a grayscale image and 81 RGB values for a color image)to find a suitable classfication algorithmwe tested various classifiers
Once possible lanemarking pixels are detectedthey are grouped into uniform cubicspline curves of two to four control pointssplines are smooth piecewise polynomial functionsand they are widely used in representing curvesvarious simple representations have been proposedand we use a cubic spline among themin a cubicspline representationa point p on a curve between the and control points is represented as
Where
Where the parameters are uniquely determined by the control points so that the curve is smooth is the control points is the control pointsand a cubicspline curve enables fast fittingbecause the control points are actually on the cure We use this property to apply a RANSAC algorithm A RANSAC algorithm is a robust Fitting algorithm that has successfully been applied to various computervision problemsInWangetalused a Bspline curve to represent a curved road In a Bspline representation control points reside outside of the curve and its fitting procedure requires a significant number of iterations On the other hand the uniform cubicspline fitting is much faster but it may result in irregular curves when the spacing between the control points are not even However such irregular curves can be filtered out by applying a RANSAC technique while still maintaining the computation manageable We also impose additional constraints to the cubic spline to prevent unreasonable hypotheses from being formed and the maximum curvature should be smaller than 005 Our RANSAC fitting procedure is as follows First lanemarking points are grouped into line segments Since the lanemarking detection result is noisywe apply Gaussian smoothing followed by nonmaxima suppression to remove noise Then we follow a linegroupin g approach proposed in to generate line segments as shown in Fig The next step is to generate hypotheses Each hypothesis is generated from a random set of one two or three line segments First for each hypothesis it is Randomly determined whether to use two three or four control points A spline curve with two control points represents a line three for an approximate arc and four for a more complex curve Increasing numbers of control points increases the representational power but at the same time it decreases the robustness of the fitting The use of a RANSAC algorithm makes it easier to handle this trade off because many hypotheses of various numbers of control points are generated and then evaluated by a single scoring function(presentedinSectionIVB) which can handle this trade off A straight line of two control points is generated from a random set of one or two line segments Whereas a singleline segment is sufficient to make a straightline hypothesis we also use a pair of line segment for robust fittingNote that we still Need hypotheses from single line segments because sometimes only one line segment is detected for a lane boundary for example for solid lane markingsAn approximate arc of three control points is generated from a random set of two line segments and a more complicated hypothesis of four control points is generated from a random set of three line segments For robust hypothes is generation some constraints were imposed For example the first(nearest) line segment should be close enough fore xample within 15m to the vehicle In addition the two near by line segments should be on a common arc of a reasonable curvature within a small error bound The first(nearest) control point is forced to be on the bottom of the rectified image Its position is computed by extrapolating the fitted arc of the first two line segments The last control point is set to the end point of the farthest line segment It is important to force the control points in the middle to be evenly spaced because uneven spacing of control points makes the uniform spline fitting unstable Thereforethe rest of the control points are chosen from the end center points of the line segments where the spacings are as even as possible
In our implementation atmost 100 random hypotheses are generated for each frame Once hypotheses are generated and validated an Overlap analysis is performed The hypotheses are evaluated based on thei rlanemarking support and a curve penalty scores Details on the above scores are presented in Section IVB As a result a small number of nonoverlapping (but may partially be overlapping) hypotheses are finally selected Another set of hypotheses are generated by applying a tracking algorithm Our tracking algorithm is based on a particlefiltering technique Other tracking techniques such as Kalman filtering or active contours SNAKE) can also be used within this framework However we chose a particlefiltering algorithm over the Kalman filter to prevent the result from being biased too much on the predicted vehicle motion but to give more weight to the image evidence Due to vehicle’s vibration including pitch change the motion of the lane boundaries in world(vehicle) coordinates is not smooth enough to be properly modeled by a Kalman filter Active contours (such as the one used in) may provide a good tracking result but it requires too much computation as compared to the proposed particlefiltering algorithm
We present a realtime lanedetectionandtracking systemWhich is distinguished from the previous ones in the following ways
1) It uses more sophisticated lanemarkingdetectional gorithm to deal with challenging situations such as worn lane markings and distracting objectsmarkings for example ataninter section and on a road surface
2) It detects the leftand rightlane boundaries separately whereas most of the previous work uses a fixedwidth lane model As a result it can handle challenging scenarios such as merging or splitting lane sandonand offramp seffectively
3) It combines lane detection and tracking into a single Probabilistic framework thatcan effectively deal with Lane changes emerging ending merging orsplitting lanes Much previous work has focused on lane tracking And usually uses a timeconsuming detection algorithm To initialize the trackingWe introduce a fast and robust lanedetection algorithm that can be applied in every frame in realtime
Our algorithm follows thehypothesize and verifyparadigm In the hypothesizestep lower level features are grouped into many higher level feature hypotheses and they are filtered in the verify step to reduce the complexity of the higher level grouping
受实时性限制加微处理器处理速度慢般仅仅考虑梯度值变化检测车道标记线前许研究工作直线型道路高速公路没障碍物情况取定成
目前许车道检测系统障碍物明均条件取效果然算法定位车道曲线位置出车道曲线具体信息然某情况车道线位置信息应系统已足够例：车道线偏离预警系统系统讲需车道线具体信息少例智车辆防撞预警系统车道曲线具体信息知道情况产生错误预警信号然做作基视觉导航补充全球定位系统结合空间信息系统出车道曲线具体信息然全球定位系统解决空间时间问题局限性细节信息常丢失时更新例：坡情况检测出车道线具体信息重具体信息知道化产生错误防撞信号数GPS系统车辆坡坡时工作情况差目前更研究障碍物图弯路识车道检测鲁棒性例：障碍物移动阴影前方移动车辆目前研究满足实时性求满足满足里提供车道图样许前算法仅仅找水灰度峰值检测车道标记线许时候显示检测效果该方法区分前方车辆阴影失色车道线标记线引起错误灰度值例：褪色黄色标记线真正车道线素点相灰度值外时需处理质量差受损车道图例：继需继处理MPEG数时解决问题应机器学方法种分类器提取车道线标记线种分类器做分析较车道线标记线图尺寸着车距离远机变化需标准分类器统化旦校正图素点分类器幅校正图典型车道线标记约占三素点幅9*3原始图作输入灰度图占27灰度值彩色图占81种色值找佳分类器种分类器做实验
旦车道线素点检测表示成24点控制统标准三次方函数样条光滑项式函数提出种表达式里选三次方约束函数三次方约束表达式中曲线点P第i第(i+1）控制点间表示：
中：
参考控制点唯确定参数曲线滑第i参考控制点 第i+1参考控制点t范围[01]里立方曲线拟合相快参考控制点实际曲线利特性应RANSAC算法RANSAC算法鲁棒性强拟合算法已成功应解决种机器视觉问题文献中王B样条曲线代表弯曲车道线B样条曲线表达式中参考控制点般曲线外部需严格标准化拟合步骤方面立方次曲线拟合速度较快参考控制点间区域滑情况产生规拟合曲线然种规拟合曲线通应RANSAC技术滤掉然时间开销附加约束条件避免形成种合理假设提出RANSAC拟合步骤：首先道路标记线分成直线段车道线检测结果会受噪声干扰先高斯滤波然述直线分类器处理图产生分段直线接假设假设123条直线段构成组合中机产生首先种假设234参考控制点机产生两控制点曲线代表条直线三控制点致代表弧形四控制点代表更复杂曲线控制点数目少增加函数次数复杂性时减少提高拟合鲁棒性应RANSAC算法容易处理种函数次数问题种参考控制点种假设产生记分函数种假设情况进行估计解决问题12直线段机产生两点控制条直线条直线段产生条直线型假设已足够组直线段做产生该假设条件目增加拟合鲁棒性注意需仅条直线段图产生假设时候仅条直线道路图边缘检测出例块状车道标记线图中2条直线段机产生3点控制弧线3条直线段图中机产生4点控制更复杂假设产生鲁棒性假设需提出约束条件例第条直线段应该距离车体较距离例离车15米外两条邻直线段定误差容许范围应该行弧线第参考控制点应该控制校正图底部位置通推算两条直线段拟合成弧焦点确定参考控制点应该控制远直线段端点选择第三参考控制点位置形成滑空间重第3参考控制点滑性标准拟合曲线稳定剩参考点选择需直线段端点中心位置样形成点空间会滑继试验中框架约100种机假设产生旦假设产生证明种循环分析程产生种假设根基车道线素支持度加估计种评分系统具体介绍第5章种假设选中外通离子滤波器产生假设基离子滤波技术追踪车道线追踪技术例Kalman滤波追踪车道线选择离子滤波独优越性避免赖预测车辆移动现图车辆移动车体坐标系车道线Kalman滤波例移动SNAKE算法产生追踪效果相设计文提出离子滤波计算量
提出实时性车道线检测追踪系统方面车道线检测工作：
1利更复杂车道线算法梯度灰度差处理挑战性情况例褪色车道线分散物体标记线例车道换道处
2单独检测左右两条车道线许前工作固定宽度车道模型高效处理车道线丢失出现车道坡情况
3结合检测追踪特点高效处理车道线出现消失裂开换色等情况许前工作更工作车道线检测通常基计时检测算法初始化追踪条件介绍种快速具鲁棒性车道线检测算法够时应工作框架中
算法遵循假设检验样种范例假设阶段少量低级特征点分进高级具体特征中检验阶段减少高级特征分类复杂性根定条件进步滤
文档香网(httpswwwxiangdangnet)户传
《香当网》用户分享的内容，不代表《香当网》观点或立场，请自行判断内容的真实性和可靠性！
该内容是文档的文本内容，更好的格式请下载文档