基于機器視覺的道路線識別算法研究.pdf

1、自上世紀八十年代以來，基于機器視覺的自主導航已成為了智能車輛駕駛技術(shù)研究領(lǐng)域的主要方向。車道線識別技術(shù)是自主導航的關(guān)鍵技術(shù)之一，國內(nèi)外專家學者在這一技術(shù)研究領(lǐng)域做了很多研究，目的是提高識別的魯棒性和實時性。本文針對較為復雜的道路情況下車道線識別率低、擬合不準確的問題，在保證整個系統(tǒng)實時性的前提下，按照感興趣區(qū)域劃分、圖像預(yù)處理、邊緣檢測、識別與跟蹤的脈絡(luò)進行如下研究，以提高識別的魯棒性。
　　文中首先介紹課題研究的背景和意義，并對

2、國內(nèi)外的研究進行了分析，明確它們存在的問題。其次，對采集的道路圖像進行灰度化，再利用垂直灰度均值分布進行初始感興趣區(qū)域分割。預(yù)處理階段分別介紹了圖像平滑、增強和邊緣檢測二值化處理的方法，深入研究了強弱光照下的路面灰度圖像處理，并對各種邊緣檢測算子進行了實驗比較，接著設(shè)計改進Otsu算法提高了車道線識別度。車道線邊緣檢測階段是對車道線的進一步提取，針對噪聲對車道線邊緣識別的干擾問題，重點提出了分區(qū)域識別邊緣角度并加以排除的方法去除異常邊緣

3、線，并對去噪后的邊緣線進行了補償。車道線識別和跟蹤階段，分析了傳統(tǒng)的直線檢測和彎道檢測方法，并著重對概率Hough變換及RANSAC算法做了改進研究，針對模型靈活性的要求，提出了直線-拋物線型的車道線模型，并設(shè)計了模型區(qū)域分配的方法以解決曲線道路出現(xiàn)位置不定的情況，再利用最小二乘法求出車道線模型的參數(shù)。實驗表明，這種方法面對模型不定的結(jié)構(gòu)化道路具有較好的魯棒性。最后，對得到的初始車道線圖像根據(jù)其直線模型的斜率與截距，利用Kalman濾波