论文部分内容阅读
目前在汽车保有量增长的同时随之带来了更多的交通事故。交通事故的高发让政府发布更多的法律法规,迫使汽车行业不断在技术革新上加大投资力度。当前关于安全的技术的研究主要集中在主动安全、被动安全、智能驾驶辅助系统和智能网联汽车等技术上。智能系统是车辆根据车载传感器在感知周围环境的基础上控制车辆相关系统做出转向或制动或加速等的一系列操作。这样的一系列活动都是建立在车辆对于环境正确的感知上。在环境感知中车道内的车道线信息提取是一个十分重要的环节,精确而实时的检测车道线是该领域中的一个重点和难点。本文主要针对结构化道路进行车道线识别,根据结构化道路的一些特征以及其复杂的环境条件,从算法的实时性、检测的精确性和对各种工况环境的适应性上下手,提出了一些解决方案。本文主要的研究方法和研究内容包含以下几个方面:(1)收集关于车道线识别相关的论文,对国内外车道线检测算法和车道线跟踪算法的研究现状进行了分析。了解目前车道线识别中各种传感器和算法的优缺点,从中找到车道线识别算法中所面临的问题。(2)研究基于相机成像原理逆透视变换以及相机标定。根据小孔相机成像原理,将采样得到的图像进行逆透视变换得到鸟瞰图。为了保证逆变换和变换的可行性,求取消失点坐标。为了保证采样图像的质量,对透镜的畸变采用模板法进行标定。(3)研究基于随机抽样一致性算法(RANSAC)的贝塞尔曲线形车道线拟合。在图像预处理阶段采用高斯分离滤波器提高平行车辆行进方向信号信噪比,与此同时该滤波器还能够有效降低计算量。二值化引进局部阈值方法将车道线像素点与非车道像素点进行分离。在二值化图像中寻找疑似车道线的区域并在区域中采用RANSAC拟合三阶贝赛尔曲线。并对拟合的车道线长度和线条弯曲程度进行评估。(4)研究结合卡尔曼滤波噪声分析的车道线跟踪算法。采用卡尔曼滤波跟踪算法对贝塞尔曲线4个控制点进行跟踪。为了实现更精确的跟踪,本文对卡尔曼滤波过程噪声和测量噪声采用试验方法进行提取。本文最后采用试验方法和对比法对算法进行评估。通过实车在结构化道路上行驶采集实时车道线数据对本文算法进行评估。另外,将本文算法与其它算法在相同评价标准下进行评估。评估结果表明:(1)经过逆透视变换后的图像配合使用高斯分离滤波器和局部阈值处理方法使得二值化以后的图像拥有较高的信噪比。(2)卡尔曼滤波器车道线跟踪算法的实时车道跟踪帧率可以达到29.1帧每秒,各种工况下平均跟踪准确度可以达到86.8%,有很好的实时性和精确度。