基于视觉的车道线识别算法研究优秀毕业论文

基于视觉的车道线识别算法研究优秀毕业论文内容摘要：

作为最重要的感知手段之一时，图像在识别外界信息中扮演着重要角色，如何通过图像提取车道线，目前有许多算法 ， 例石家庄铁道学院毕业设计 3 如像素扫描、模板匹配、霍夫变换和边缘跟踪等常用的车道线边缘像素提取方法，其中像素扫描是普遍采用的一种提取方法，具有灵活、高效、抗干扰能力强的特点。 在研究不同的算法在道路图像的应用过程中，图像的预处 理至关重要。 首先对一些图像 的 预处理算法，如图像灰度化、图像滤波、图像边缘增强等，用 MATLAB进行仿真，比较它们的处理结果。 因为 不同的预处理方法影响检测的实时性和正确性，其中为了更多的利用彩色图像提供的车道标记线和沥青路面色彩的信息，本设计用彩色通道提取法得到灰度化图像。 由于实际情况复杂多变，如遇到雨、雪天气，因此加入椒盐噪声模拟实际情况 ，并 用各种常用的滤波模板处理图像。 从处理后图像再现清晰度的效果中，选出最优的滤波方法。 一般获得的道路图像中包含的信息都有车道线和路面两种信息，而由于车道线作为图像中的一种 边缘，根据边缘的属性，可以用差分算子将边缘检测出来。 通过对常见的差分检测算子和自定义的差分算子比较，可以看出后者更能增强车道线标记部分。 在图像边缘增强后，不仅车道线得到了增强，许多树木、行人、车辆等也得到了增强，由此增加了许多虚假的边界。 为获得更准确的车道线边界，本设计用融合边缘和区域信息的方法定位车道线，并且与自适应二值化图像比较，可以 看 出前者克服虚假边界的能力更强。 最后，建立并提取车道线模型是最为关键的部分，本设计假设在结构化道路上，智能车辆仅采集的是前方不远处的道路图像，提出直线型车道线模型，而且 该模型计算量小，在一定程度上能适应车辆在高速行驶过程中对实时性的要求。 基于直线型车道线的假设，在图像中提取特征直线时，用 hough 变换及其改进的算法和中值截距法进行提取。 通过比较，改进的 hough 变换 ——随机 hough 变换实时性最好，并且对其它图像进行检测，一定程度上随机 hough 变换的鲁棒性也符合要求。 石家庄铁道学院毕业设计 4 第 2 章 单目视觉系统 引言 为了准确识别道路环境 ， 视觉导航系统理应获得车辆前方道路的三维信息 ， 包括车辆与道路的位置关系和道路中障碍物信息。 要正确的理解三维世界环境 ， 理论上应该采用双目或者 多目视觉系统 ， 但从立体视觉的角度来解决环境重建问题 ， 因为从现有的研究结果来看 ， 直接通过对图像进行三维恢复获取环境信息有以下几个方面的困难：首先 ， 计算量巨大。 其次 ， 匹配点寻找困难。 另外 ， 遮挡问题。 例如 ,左右视野的部分场景不匹配 、 左右视野环境光的不同都使得户外环境下的基于像素的视野景物深度恢复困难重重 ， 如今的立体视觉研究者多数简化了这些不利因素的影响。 即使这样，双目或者多目视觉系统需要的计算量仍是比较大 的 ， 目前计算机的计算能力还不足以满足车辆导航系统的实时性要求 ， 因此双目或者多目视觉系统一 般用于复杂、未知环境下低速行驶的智能车辆，并且双目或者多目视觉系统也会提高系统成本。 对于道路检测来说 ， 需要获得道路方向和车辆与道路的位置关系 ，也没有必要一定要完全理解整个三维世界环境。 目前基于视觉导航的智能车辆多采用单目视觉系统完成道路检测及跟踪 ， 而采用多目视觉系统完成道路上的障碍物检测。 当采用单目视觉系统检测道路时 ， 由于从三维的世界环境转换到图像的二维信息 ， 在这个转换过程中 ， 损失了三维环境中的深度信息 ， 而且这个过程是不可逆的。 通常为了从单目视觉系统中获得道路的三维信息 ， 对此提出了一些合 理的假设 ， 如道路平坦假设 、 道路边缘连续性假设 、 道路模型假设等。 从国内外实验情况来看 ，采用了一些合理假设后 ， 单目视觉系统进行道路检测是可行的。 单目视觉导航系统成像模型 为了得到图像中的像素和实际道路区域点的对应关系 ， 必须知道二维图像信息和三维世界信息的关系模型。 由于单目视觉系统损失了三维世界中的深度信息 ， 这个过程是不可逆的 ， 在实际应用中 ， 根据需要作了一些假设和已知一定的信息 ， 从而从二维图像中估计出三维的道路信息。 具体的做法如下：假设车辆前方的道路是平坦的 ,设定摄像机的安装位置 固定 (安装的高度、俯视角、偏离角 )， 摄像机的固有参数为常数 (摄像机焦距、孔径张角 )。 由于在道路检测的过程中 ， 只需要得到道路延伸方向、车辆的偏移距离 ， 并不需要将道路的三维信息完全恢复 ， 以上的假设是石家庄铁道学院毕业设计 5 可以满足实际需要的。 在摄像机成像几何模型中最常用最简单的是线性模型 —— 针孔模型 [3]。 下面就摄像机成像模型进行 介 绍。 摄像机成像的实质是将三维道路场景信息变换成二维图像信息 ， 这个变换可以用一个从三维空间 (3D)到二维空间 (2D)的映射如式 (21)：   ),(,: 23 yxzyxRRf  来表示。 上述的这种映射关系可以用透视投影针孔成像模型 来近似解释。 透视投影成像模型的特点是所有来自场景的光线均通过一个投影中心，它对应于透视的中心。 图 21(a)中经过投影中心 o 且垂直于图像平面的直线为摄像机光轴 39。 oo ， xyzo为世界坐标系， xyo39。 为图像平面坐标系， f 为摄像机焦距。 由几何关系可 知，世界坐标系中的点 p 经投影中心 o 点在图像平面坐标系中的投影点为 39。 p ，可以看出其成像是倒立的。 为了避免这种倒立图像，现在假定图像平面位于 Z 轴正半轴且与投影中心 o 的垂直距离为焦距 f 处，此时点 p 经 投影中心 o 点在图像平面坐标系中的投影点为 39。 39。 p ， 如图 21(b)所示，可以看出 39。 39。 p 位于点 p 和点 o 之间，其投影大小与 39。 p完全相同，但是此时为正立的投影图像，这种现象在计算机视觉中也称 为视网膜成像。 (a) 透视投影倒立成像图 (b) 透视投影倒立成像图 图 21 透视投影图像 由于这种成像模型最简单，计算量小，在作了一些假设之后，适应于实际情况，因此本 设计 将单视目成像的针孔模型作为 二维图像信息和三维世界信息的关系模型。 由图 21(a)或图 21(b)均可以得到 ),( zyxp 点与其在图像平面上的投影点),(39。 yxp 或 ),(39。 39。 yxp 的映射关系，由图中几何关系可以得到透视投影方程式 (22)所示 ： ZfYyXx  (21) (22) 石家庄铁道学院毕业设计 6 即世界坐标系中 ),( zyxp 点与其在图像平面上投影点 ),(39。 yxp 或 ),(39。 39。 yxp 的映射关系如式 (23)所示： YZfyXZfx  本章小结 本章简单介绍了两种道路信息的获得方法，即采用双目或 多目视觉系统和采用单目视觉系统。 由于单视目系统在实时性， 系统 成本上优于前者，所以 目前常用的是单视目导航系统。 从三维世界坐标得到二维图像坐标的方法中，简要讨论了单目视觉系统中最简单、常用的成像几何模型 —— 针孔模型，由于在实际应用中，一些假设和已知一定信息的存在，该模型应用在车道线识别中是可行的。 (23) 石家庄铁道学院毕业设计 7 第 3 章 道路图像预处理 引言 智能车辆视觉系统完成图像采集后，需要对获取的图像进行各种处理与识别。 而视觉系统在图像的生成、采样、量化、传输、变换等过程中，由于 CCD 传感器的噪声、随机大气湍流、光学 系统的失真等原因会造成 CCD 摄像机成像质量的降低。 另外，由于车辆行驶时视觉系统与道路环境之间存在相对运动，输出图像的质量也会降低，常产生运动模糊等现象。 为了改善视觉系统图像的质量，需要突出道路图像中的有用信息并尽可能消除其它环境信息的干扰，因此需要对原始图像进行图像的预处理操作。 图像预处理是指按特定的需要突出一幅图像的某些信息，同时，削弱或去除某些不需要的信息的处理方法。 其目的是使处理后的图像对于某种特定的应用，比原始图像更便于人和机器对图像的理解和分析。 道路图像灰度化 大部分道路图像是 通过彩色 COMS 图像传感器采集的，原始图像为彩色图像。 其中颜色模型为 RGB 模型，图像中的任何颜色都是通过红 (Red)、蓝 (Green)、绿 (Blue)三种基本颜色按照不同的比例混合得到的。 在 RGB 模型中，如果 R=G=B 时，则彩色表示一种灰度颜色，其中 R=G=B 的值叫灰度值。 因此，灰度图像每个像素只需一个字节存放灰度值，一般将白色的灰度值定义为 255，黑色的灰度值定义为 0，而由黑到白之间的明亮度均匀的划分为 256 个等级。 在道路图像提取车道线过程中，很多算法没有利用图像的彩色信息而是将其灰度化。 虽然，灰度化图像 无可避免的丢失一些信息，但是对灰度图像的处理，从其存放方式可以看出速度相对较快。 而对彩色图像的处理，就是分别对三个分量处理，可见速度相对较慢。 于是将彩色图像转换为灰度图像，下面就常用的四种方法 [4]进行 介绍。 常用的灰度化方法 (1)分量法 将彩色图像中三个分量的亮度分别作为三个灰度图像的灰度 值 如式 (31)所示，可根据 需要选取一种灰度图像。 石家庄铁道学院毕业设计 8 图 31 三分量法灰度化 ),(),(),(),(),(),( 321 jiBjifjiGjifjiRjif  其中 )3,2,1(),( kjifk 为转换后的灰度 图像在 ),( ji 处的灰度值。 (2)最大值法 将彩色图像中三个分量亮度的最大值 ， 作为灰度图像的灰度值如式 (32)所示。  ),(),(),(m a x),( jiBjiGjiRjif  (3)平均值法 将彩色图像中三个分量的亮度求平均 ， 得到一个灰度图像如式 (33)所示。   3/),(),(),(),( jiBjiGjiRjif  (4)加权平均法 根据重要性及其它指标，将三个分量以不同的权值进行加权平均。 由于人眼对绿色的敏感 度 最高，对蓝色敏感 度 最低，因此，按式 (34)对 RGB 三分量进 行加权平均 能得到亮度较合理的灰度图像。 ),(),(),(),( jiBjiGjiRjif  用 MATLAB 对 分量法、最大值法、平均值法、加权平均法四种常用灰度化方法 ， 对一幅道路图像进行 仿真 ， 结果 如图 3图 32： (31) (33) (32) (34) 石家庄铁道学院毕业设计 9 通过图 32 图像灰度化的结果可以看出：在处 理道路图像时，平均值灰度化彩色图像效果最差，因为图像大部分区域是路面，灰度化后，道路标记线被弱化。 其它看来，感觉差别不大，原因在于所选图像的色彩差别不是很大，选用色彩差 别明显的图像，可以看出加权平均法混合后可以得到更符合人类视觉的灰度值。 由于篇幅有限，这里不再用其它图像说明。 通过方法的介绍可以看出 ， 以上的灰度化方法 ， 并没有更多的利用彩色图像提供的色彩信息，而是大致通用的一些方法，没有考虑到图像的特征。 本 设计 采用的是下面一种彩色 通道提取 [5]的方法。 彩色通道提取灰度化 彩色通道提取的主要目的是根据车道标志线的色彩信息，提取一定的颜色通道，形成突出车道标志线块状结构的灰度图像。 车道标志线一般为黄色或白色，而路面多为沥青表面。 在彩色图像中车道标志线上的 点成像后 ， 其 R 和 G 通道的颜色值相对大于 B 通道，而沥青表面的成像以灰色为主，其 RGB 三通道的颜色比较平均而且相对较小。 因此试图通过提取 R、 G 通道的方法突出车道标志线的块状结构是可行的。 为了从提取的通道合成灰度图像，在此将 R、 G通道的颜色值相加。 具体是 R、 G通道颜色值之和在一定的阈值之上的像素点直接取灰度最大值 255。 而低于这个阈值的像素点 ， 则被弱化。 其在灰度图像中的像素值取 (R+G)/2。 综上所述，其变换原理图 32 图像灰度化比较 石家庄铁道学院毕业设计 10    ot he r w is eGR CGRifgr ay 2/)( 2/)(255如式 (35)： 式中 ， C—— 阈值 ； R—— 像素颜色值的 Red分量 ； G—— 像素颜色值的 Green分量。 从 式 (35)中可以看出， 对于 R、 G通道颜色值较大的车道边缘点在灰度图像中其灰度值得到强化。 而对于 R、 G通道颜色值较小的沥青路面其灰度值将被弱化。 从而经过 R+G处理后，得到的是车道边界强化的灰度图像。 对于阈值 C的选取，目前没有固定的方法，本 设计 的做法是，在车辆采集到的图像下方取一块条形区域，搜索 B通道相对大的像素点 ， 并计算出它们平均的 (R+G)/2值，把该值作为整个图像处理时的阈值，使整个图像尤其是远方的车道线得到增强。 用 MATLAB对彩色通 道提取法对道路图像进行仿真如图 33： 图 33 彩色通道提取灰度化 从图 33中可以看出，车道边缘部分在灰度图像中得到了有效的增强，由于 255。