车道检测与跟踪

                               车道检测与跟踪

   读了车道检测这个论文，我理解了利用matlab对车道识别算法进行仿真研究，从仿真的结果中提出具有一定实时性鲁棒性的识别方法。车道检测是智能车辆发展的智能因素。近年来对这项目的研究都是针对特定的环境和道路状况给出了不同的解决方案。近年来,自主驾驶技术受到研究者们的普遍关注,车道线的提取是自主驾驶系统的重要组成部分.车道线的提取就是从车载摄像头获得的视频图像中,根据车道线的颜色,形状和纹理等特征,将车道线与背景进行分离,从而获得车道线的走向,车辆相对于车道线的位置等信息.从国内外研究现状来 车辆检测的目标是车道形状，包括宽度、曲率等几何参数，车辆在车道中的位置，包括横向偏移量，车辆与道路的夹角。车道检测与跟踪一般分为以下几个部分：车辆、道路、相机模型道路特征提取道路参数计算，如曲率,车道跟踪。

    在现代道路设计中，道路有比较固定的设计模型，因此，对于高速公路等道路类型，车道的几何模型可以以固定的形式表示。车道弧长、曲率、偏航角、横向偏移量构成车辆与车道几何模型的要素。车道一般由直线、圆弧和缓和曲线构成，缓和曲线通常是不同曲率的圆弧或直线的连接过渡，其曲率均匀变化，螺旋曲线是缓和曲线常用形式。

     车道检测的基本要求是：研究车道线识别中的几种算法，软件编程找出最优的算法具有一定的实时性和鲁棒性.道路上车道标志的检测是道路特征检测的关键部分，并且已有很多算法，但道路场景太多，单一的算法还是无法适用所有的场景。 一般跟踪的作用就是预测下一帧图像内道路特征的位置，在一个较小的范围内检测道路特征，提高效率。若预测范围内没有检测到道路特征，则采用估计或上一帧特征的位置，若连续几帧都没有检测到道路特征，则启动全图像道路特征检测。提出了一种新颖的适用于自主驾驶系统的车道线检测与跟踪算法.该算法采用了广义曲线的车道线参数模型,能同时适应弯道和直道的检测.该检测算法最突出的贡献在于,没有仅仅使用单一方法求解各个参数,而是根据各参数的不同精度要求,分别使用自适应随机霍夫变换方法和禁忌搜索算法计算车道线模型中的各个参数,这样既准确计算车道线模型中的参数,也兼顾了车载系统的实时性要求.此外,为了提高算法的实时性,引入了多解析度的策略,以降低整个流程的时耗.最后,为了满足自主驾驶系统对稳定性的需求,还提出了一种基于粒子滤波器的跟踪算法.通过不同场景下进行的实验,充分表明提出的车道线检测与跟踪算法具有良好的鲁棒性和实时性,同时对不同的光照条件也有较好的适应性。

车道线区域检测法的核心思想是将图像中的所 有像素点标记为车道线点和非车道线点两类. 可以 作为分类依据的称为特征量. 它是采用了色彩空间特征进行车道线的识别的 。由于车道 线区域的纹理比其他区域要平滑 ,它便采用纹 理特征作为分类标准. 特征驱动法是通过基于图像 的边缘检测从而将所提取的边缘组织成符合车道线 形状特征的结构. 它通过对图像进行边缘提取 和形态学的运算 ,利用车道线的宽度特征 ,将可能的 车道线边缘点构造成车道线。 它使用的本体匹 配算法利用的则是频率特征 ,通过对似然概率的估 计 ,得到最符合条件的车道线.。车道线跟踪算法：车道线的跟踪算法可以改进检测的速度 ,同时 提高检测的精度. 为了减小图像上各种因素的干扰 , 本文使用了基于粒子滤波器的跟踪算法. 所谓粒子，是形容尺度极小的滤波器 ，可认为是一个代表了目 标状态中的一个点所谓滤波 ,是指可以“滤出”目标 的当前状态 ,在估计理论中也指由当前和以前的观 测值来估计目标当前的状态. 粒子滤波方法的使用 非常灵活 ,容易实现 ,具有并行结构 ，相当实用.。

基于Matlab的图像处理技术已经成为一种通用的工程设计方法,本文介绍了项目的研究进度,运用多种边缘检测算子对图像进行预处理,并比较其不同效果,通过优化的Hough变换,增强了车道线识别的精确性和适应性。

采用Hough变换法对进行Prewitt算子 运算后的图片进行处理,利用 提取Hough变换后参数平面上的峰值点, 并用函数提取图像中的直线。可 以看出图片中提取出的直线有很多,其中 包括因周围车辆、建筑、树木等非车道标识 线所产生的直线,由于它们普遍比车道短, 传统的hough变换建立两个坐标系分别提 取两条最长的直线从而达到识别左右两条 车道标识线的效果。对于有些图像并 不适用并且标识线本身有宽度,传统方法 就无法完整地识别出车道线。因此,本文提 出进行hough变换建立坐标系后,对图中提 取的所有直线按其长度进行重新排列,选 取其中最长的6条,从而完整地识别出所有 车道标识线信息。为了满足无人驾驶车在高速公路行驶的实时性和鲁棒性要求,提出了一种基于道路区域分割的车道线检测方法.该方法分道路区域分割和车道线检测2个阶段.在道路区域分割阶段,首先提取的道路颜色值,然后在二值边缘图像中搜索连通域,通过将连通域的颜色特征值与道路颜色特征值比较来快速定位道路区域,并将这一区域划定为车道线检测的感兴趣区域.车道线检测阶段则使用改进的概率Hough变换方法提取车道线点,并使用最小二乘法对车道线点集进行拟合,获得车道线模型的参数.实验证明该方法相比传统的利用标准Hough变换算法准确率提升23%,有效地排除了道路区域外的直线像素干扰,具备较好的鲁棒性和实时性.

   基于边缘检测的常用算法有：Sobel, DOG, LOG, Steerable Filter等。每种算法都有各自的优缺点。这里不再描述。由基本算法处理后得到道路的特征图像，这里以边缘为例，需要进一步分析其特性，去除干扰，保留符合车道特征的边缘。如平行性、宽度等结构特征。如果这些结构特征分析做的好，也可以弥补基本算法的不足。其他检测方法： 双阈值特征检测：原图像、梯度图像分别有各自的阈值，分割出车道标志特征，当某点的灰度和梯度值分别大于各自的阈值时，才被选取为车道的特征点，这个方法会去掉一些阴影等干扰。

小结：理解了车道检测和跟踪技术，论文采用直线道路模型假设作为约束条件，分别用hough变换其改进算法和中值截距算法提取车道线。并用matlab对算法进行了仿真。得出了改进后的hough变换在车道线检测上有比较好的实时性和鲁棒性的结论。