自動駕駛輔助系統(tǒng)中基于視覺的車道檢測和跟蹤框架研究.pdf

1、對增加道路安全和減少交通事故的迫切需求促使高級駕駛輔助系統(tǒng)(ADAS)技術的快速發(fā)展。如強制安全帶的使用率，降低限速，安全氣囊和側振動帶等一系列更嚴格的車輛安全要有，則有助于減少事故和死亡人數(shù)。
　　車道感知和道路檢測是至關重要的，其中的一些應用，如車道偏離警告系統(tǒng)(LDWS)和車道保持系統(tǒng)，能夠體現(xiàn)它們的重要性。ADAS是一種用于例如車道偏離警告系統(tǒng)，其任務是為四級提高即(將)變道的安全性。因此，一個強大的和高效率的車道探測系統(tǒng)

2、是實現(xiàn)這種任務的關鍵。顯然自動車道檢測對自動交通和安全駕駛來說是至關重要的，但是它在復雜的路況、光照變化和視圖變化情況下是一項非常具有挑戰(zhàn)性的任務。
　　本文的目的是介紹，開發(fā)和分析一個能夠利用車輛上的攝像頭自動準確判斷和識別路面和車道的視覺系統(tǒng)。本文主要是利用圖像處理技術的形成一個單一的朝向前方的攝像頭車道檢測的方法。本文提出的框架能夠運用合適的算法對結構化和非結構化等不同類型的道路進行檢測。對于結構化的道路，可以利用穩(wěn)健特征提

3、取和跟蹤方法進行車道檢測。實驗結果證明了算法在復雜車道標記估計和非結構化路面檢測的穩(wěn)定性。
　　最后，我們通過本研究的幾個較有價值的創(chuàng)新點，討論的今后的研究研究方向以及對本文進行總結。
　　基于視覺的通道檢測是自動車輛輔助系統(tǒng)的重要組成部分，因為車道在安全和高效旅游中非常重要。本文介紹了幾種用于道路/通道檢測的方法，每種方法和算法都有自己的優(yōu)缺點。本文結尾，在可用的硬件和該領域的環(huán)境下選擇實現(xiàn)合適的結果。建立一個可以準確地估

4、計車道的幾何形狀和具有應用價值的陸上旅行的道路網(wǎng)絡的系統(tǒng)，并且可以集成到全自動車輛或車輛安全系統(tǒng)中。到目前為止，許多研究人員已經(jīng)開發(fā)出不同條件下的許多不同算法，使得智能交通系統(tǒng)更加強大和可靠。
　　無論光照和道路狀況變化的另一種高效車道檢測和跟蹤算法在第2章中描述。在這章中，為了在夜間道路和白天場景中檢測過程的穩(wěn)健性，本文使用了基于適應性和自然的圖像增強技術的方法。車道檢測方法包括了車道標線提取方法、車道模型擬合和車道跟蹤，所有這

5、些在本章進行詳細的描述。該算法已經(jīng)在白天和晚上收集的數(shù)據(jù)集上進行了測試，證明其魯棒性。無論道路的光照情況，在現(xiàn)實世界中增加駕駛員的安全是至關重要的。
　　并非所有道路的類型具有設計清晰和可見車道標線的結構。以城市道路為例，有完全沒有車道標線的道路。然而，為智能運輸系統(tǒng)設計的算法可以處理在現(xiàn)實環(huán)境中發(fā)生的這種情形。在第3章中，介紹了非結構化道路檢測中的改進陰影檢測去除技術。在道路檢測中，陰影是一個關鍵問題，因為陰影邊界可能被錯誤地識

6、別或簡單地阻礙道路檢測進程導致較高的誤檢測率。首先，使用歸一化方差指數(shù)和基于Otsu的閾值法檢測陰影。在圖像的預處理步驟進行陰影去除之后，估計道路的光照不變和計算道路概率圖，來決定每個像素是否屬于路表面。最后，進行了大量的實驗表明了該方法的有效性。
　　后來我們介紹了用改進的均值漂移分割和動態(tài)區(qū)域合并的方法對非結構化道路邊界檢測的總體框架。在本章中，展示了檢測非結構化道路的不同方法。該方法是基于均值漂移分割和區(qū)域合并。輸入道路圖像

7、是采用改進的均值漂移分割技術的分割圖，該技術可以把場景分成區(qū)域。最終的分割由均值漂移分割算法分割的區(qū)域自動合并得到。這是通過使用一種新穎基于區(qū)域合并的最大相似性技術得到的，從而確保了自適應和魯棒的合并過程，且在不設置相似度閾值需要的提前下有效地提取出道路區(qū)域。如果所有與Q的相鄰區(qū)域之間的相似性最高為R，區(qū)域R被合并到鄰近區(qū)域Q。還使用不同類型的非結構化道路圖像進行了定性和定量實驗還表明了該技術的性能和效率。
　　車道偏離預警系統(tǒng)的

8、實現(xiàn)是第5章的主要部分。先進駕駛輔助系統(tǒng)在很大程度上依賴于車道線檢測，即車道偏離預警系統(tǒng)。它描述了用于估計檢測車輛任一側上離車道標記的距離過程。本文使用真實世界的數(shù)據(jù)（視頻剪輯）意味著結果可以實施在線車道偏離警示系統(tǒng)中。
　　在本論文中提出的所有算法和結果的角度來看，毫無疑問的我們已經(jīng)開發(fā)了在不同場景的車道或道路檢測中更加穩(wěn)健的啟發(fā)式算法。我們的方法降低了復雜性，嚴格基于視覺，沒有使用其他傳感器的任何數(shù)據(jù)，也容易在任何嘈雜的環(huán)境中

9、實現(xiàn)。然而，介紹的算法仍然有改進的空間。這是我在該領域未來的工作和研究中的建議。
　　至于未來可能的工作，我們建議通過引入例如提前特征選擇和分類，改進的車道跟蹤算法，新的軟件工具箱等進行可能的提高。本論文中，提出了一些最新的車道線檢測算法。然而，仍然有余地進一步提高研究工作，從而提出更好的改進和魯棒性的算法。
　　首先，該算法已經(jīng)在不同的編程平臺上實現(xiàn)，如基于OpenCV，Matlab與C/C++。將來的一個任務是(將)這些

10、算法變換成高速算法和滿足實時應用需求于一身的軟件開發(fā)環(huán)境。
　　本文使用的車道跟蹤算法具有粒子或卡爾曼濾波適應問題的所有好處，但也有一些缺點。離群點的檢測和消除，這可能是車道標線，也可能會導致估計發(fā)散。在這種情況下，多假設跟蹤器(將)非常適用于處理這些情況。
　　相位一致性與Sobel算子，Canny算子，harr等相比被證明是一個更好的邊緣過濾器，可以作為未來增強算法來提取道路特征。
　　即使在車道線檢測的主題中，還

11、是有很多工作要做。例如特征選擇，在某些情況下仍然具有較高的假正率和錯過了許多重要的車道標線。包括褪色車道涂料，侵蝕路緣石，和道路上其他車輛的存在遮擋了車道標線。一種改進的或未來的研究方向可能考慮車道沒有標記或其他車輛阻礙或天氣狀況（雪，水等），特別是在交通繁忙的情況下車輛可能自發(fā)組織成車道等情況。
　　至于車道偏離檢測與預警，基于圖像采集系統(tǒng)的雙攝像頭研究可以重點對車輛位置進一步探討，以獲得更有意義的信息也幫助避免圖像采集過程中可