基于機(jī)器視覺(jué)的快速車(chē)道線辨識(shí)研究.pdf

1、車(chē)道線智能識(shí)別是智能安全駕駛領(lǐng)域非常重要與基本的技術(shù)組成部分?；跈C(jī)器視覺(jué)的車(chē)道線智能識(shí)別技術(shù)通過(guò)車(chē)載攝像機(jī)捕捉道路圖像,利用算法對(duì)圖像中的車(chē)道線進(jìn)行智能識(shí)別,提醒駕駛員車(chē)輛偏離車(chē)道的情況,避免危險(xiǎn)。本文將圍繞基于機(jī)器視覺(jué)的車(chē)道線智能識(shí)別技術(shù)進(jìn)行深入研究,在現(xiàn)有車(chē)道線智能識(shí)別技術(shù)的基礎(chǔ)上,同構(gòu)算法改進(jìn),實(shí)現(xiàn)適用于嵌入式運(yùn)算平臺(tái)的車(chē)道線識(shí)別算法,可以實(shí)時(shí)、快速地識(shí)別道路上的車(chē)道線,識(shí)別率高達(dá)88.7％,該算法在基于ATOM處理器的華碩嵌入

2、式設(shè)備上達(dá)到23.2幀/秒的圖像處理處理,較好地滿足智能駕駛系統(tǒng)對(duì)算法運(yùn)算速度的實(shí)時(shí)性要求。
　　論文介紹課題中用于采集實(shí)際道路圖像的視覺(jué)傳感器等設(shè)備。并分析機(jī)器視覺(jué)技術(shù)中常用的圖像預(yù)處理手段,包括圖像灰度化和逆透視映射。
　　在車(chē)道線邊緣檢測(cè)方面,論文比較了圖像處理中常見(jiàn)的邊緣檢測(cè)算法,其中包括利用一階微分算子逼近灰度變化梯度值,如Roberts算子、Sobel算子,還包括基于信噪比最大原理檢測(cè)圖像邊緣的Canny算子。為

3、了提高車(chē)道線輪廓的檢測(cè)率和檢測(cè)速度,論文結(jié)合車(chē)道線實(shí)際色彩、形狀特征,制定了基于局部極值提取的車(chē)道線輪廓檢測(cè)算法。通過(guò)試驗(yàn)測(cè)試對(duì)本文提出的車(chē)道線檢測(cè)方法和現(xiàn)有算法進(jìn)行邊緣檢測(cè)率、運(yùn)算復(fù)雜度以及引入非車(chē)道線邊緣像素?cái)?shù)量方面的比較,結(jié)果顯示本文算法能有效檢測(cè)車(chē)道線邊緣,并且具有運(yùn)算速度快,引入非車(chē)道線像素少的優(yōu)點(diǎn)。
　　在車(chē)道線建模識(shí)別方面,本文分析現(xiàn)有車(chē)道線識(shí)別算法中常用的基于直線模型的Hough變換和基于三次B樣條曲線模型的隨機(jī)采

4、樣一致算法。在傳統(tǒng)算法基礎(chǔ)上,論文針對(duì)車(chē)道線的幾何形狀特征,開(kāi)發(fā)車(chē)道線幾何模型的匹配算法,利用車(chē)道線元素之間相互重疊的特點(diǎn),進(jìn)行匹配。通過(guò)車(chē)道線建模與匹配算法的模型近似程度、運(yùn)算復(fù)雜度的分析,表明本文提出的車(chē)道線幾何模型運(yùn)算復(fù)雜度低,并且具備檢測(cè)各種形態(tài)車(chē)道線的能力。
　　驗(yàn)證試驗(yàn)中,本文采集多方測(cè)試圖像,對(duì)本課題組提出的車(chē)道線智能識(shí)別算法與其他以往算法進(jìn)行性能對(duì)比。通過(guò)手動(dòng)標(biāo)注圖像中車(chē)道線位置,統(tǒng)計(jì)車(chē)道線識(shí)別算法的識(shí)別率與運(yùn)算速

5、度。驗(yàn)證本文算法在識(shí)別率、魯棒性、普適性和運(yùn)算速度上相對(duì)于以往車(chē)道線識(shí)別算法的性能優(yōu)勢(shì)。
　　嵌入式移植試驗(yàn)中,本文算法分別移植到基于ARM架構(gòu)與ATOM架構(gòu)的嵌入式平臺(tái),根據(jù)硬件特點(diǎn)進(jìn)行優(yōu)化。試驗(yàn)結(jié)果表明本文算法在OMAP4430平臺(tái)上運(yùn)算速度達(dá)到12.9幀/秒,在華碩MiniMax平臺(tái)上達(dá)到23.2幀/秒。經(jīng)討論分析,論證了本文算法在以上兩款平臺(tái)的移植方案能夠滿足智能駕駛系統(tǒng)中對(duì)車(chē)道線識(shí)別算法的速度要求。并且,通過(guò)與其他算法的