MATLAB车道识别与交通标志识别

MATLAB车道识别与交通标志识别

研究内容

车道特征检测：边缘提取，二值化车道线检测：霍夫变换

交通标志检测：特征提取（边缘，颜色，形状，LBP) 交通标志识别：神经网络（ LBP 指局部二值模式）

研究了汽车辅助驾驶系统中的计算机视觉问题 . 一方面 , 用小波变换对高速公路上的道路边缘进行检测 ; 另一方面 , 利用灰度以及几何特征实时跟踪和检测车道边缘 , 通过建立道路边缘模型 , 采用数据拟合的方法确定边界轨迹方程 , 从而估算出公路的延伸方向 , 实现汽车的自动防偏 , 并为解决汽车智能辅助驾驶系统的避障问题提供了有力的保证。

二值化

分割算法是数字图像处理中非常经典的课题 , 有 着众多可供选择的算法。最常见的有按像素或处理过像素的灰度值进行分割、利用边缘进行分割、区域生长等方法。二值化处理是一种灰度处理算法 , 对于给定的阈值 ,

程序将灰度大于给定阈值的点变成白点 , 另外的点变为黑点 , 经处理后图像变为只有黑白二色的二值图像。

边缘检测

边缘检测是一种突出图像边缘削弱边缘以外图像区域 , 突出图像轮廓的方法。它可以在保留关于物体边界有用的结构信息的同时极大地降低处理的数据量 , 从而简化图像的分析过程。边缘两边相邻区域中 的灰度相对地均匀 , 只是在通过边缘时灰度发生突变 , 对于灰度图像 , 边缘是灰度不连续的结果。对这种不连续的灰度级变化最有用的两个特征是灰度的变化率和方向 , 它们分别以梯度的变化率和方向来表示。

车道标识线的准确检测是实现车辆自动导航和车辆安全辅助驾驶的首 要问题，为了得到较理想的车道的标线边缘．利用车道的边缘特征 对车道图像进行二值化和形态学处理，对车道区域实现准确的边缘检测，最后利用 Hough 变换 定位出车道标识线，完成对车道标识线的识别。实验表明，该方法能实现对复杂环境 下车道标识线的准确识别，具有较好的鲁棒性和可靠性。

车道特征检测

提出了根据高斯分布模型的自适应阈值分割方法 , 使用了基于形态学变换的二值图优化算法得到车道线边缘图 . 改进了概率霍夫变换 , 使其更能满足实际情况 , 从而换检测出车道线 . 实验表明了该方法可以有效检测出车道线 , 并且速度上得到了极大的提高 .

原理

霍夫变换 (Hough Transform) 霍夫变换是图像处理中从图像中识别几何形状的基本方法之一，应用很广泛，也有很多改进算法。主要用来从图像中分离出具有某种相同特征的几何形状（如，直线，圆等）。最基本的霍夫变换是从黑白图像中检测直线 ( 线段) 。

车道线检测

MATLAB 实现霍夫变换

目前常用的车道线检测技术是利用道路线的识别来实现道路的检测, 采用直线或曲线的道路模型 , 这种方法具有简单实用 , 能适应高速共路结构化环境的特点 , 而且具有比较快的图像处理速度和较好的实时性 . 在经过图像预处理将车道线分割出来之后 , 需要将车道线在图像中的直线方程拟合出来 , 目前常用的拟合方法有最小二乘法和霍夫变换 .

霍夫 (Ho ug h) 直线变换是利用点线的对偶性来实现的 , . 通过 Ho ug h 直线变换求出参数时需要三次循环 , 这样对于大量数据或者对实时性要求很强的系统来说基本上是不可取的 .

概率霍夫变换与普通霍夫变换比较

灰度化效果 统计窗口

统计窗口内的直方图分布

二值图像 膨胀操作效果 腐蚀操作效果

我们对左边道路选择最右边的车道线 , 对右边道路选择最左边的车道线 , 得到最终的当前车道线。

膨胀图与腐蚀图的差 概率霍夫变换效果

交通标志识别系统是智能交通系统与先进辅助驾驶系统的重要组成部分，提高交通标志检测与识别算法的准确率和实时性是走向实际应用进程中需要解决的关键问题。算法的准确率是交通标志识别研究中一个十分重要的因素，错误的识别结果不仅不能起到辅助驾驶作用，还会导致严重的安全事故。而算法的实时性决定了研究成果能否转化为具有实际应用价值的产品。在汽车数量日益增加、交通安全事故居高不下，要求不断提升汽车的驾驶智能化的现实压力面前，开展以实时应用为目标

的交通标志检测与识别技术研究，对于增加驾驶安全具有重大的意义。

交通标志检测是进行交通标志分类的前提，同时还压缩了计算目标的空间，减少后续特征提取算法的运算量，还可以获得更高的识别准确率。

在图像的特征提取领域，常见的特征提取与选择方法有：

PCA 主成分分析法Gabor 特征提取算法SIFT 特征提取算法SURF 特征提取算法

Haar 小波特征提取算法 / 类Haar 小波特征提取算法

不变矩特征提取算法

直方图特征提取算法

交通标志识别

交通标志分类与识别方法主要有：基于各种距离的模板匹配识别方法，基于大量数据样本的机器学习识别方法以及基于粒子群算法、遗传算法等智能算法的识别方法。

交通标志识别一般包括检测和识别两部分。检测一般是利用交通标志的形状和颜色特征 , 从自然场景中把交通标志提取出来。识别是把检测出来的交通标志的内容识别出来。交通标志识别在规范交通行为、确保安全驾驶等方面具有重要的意义。 交通标志通常处于室外复杂的环境条件下 , 识别的过程中容易受环境光照、方向旋转的影响。

禁止标志 警告标志

指示标志

根据交通标志的颜色与形状的确定关系，我们可以对三种不同作用交通标志做进一

步的分类，并且把颜色形状 分类的结果作为先验知识用于交通标志的检测与识别中去。

神经网络分类器由两层网络联结而 成, 前层网络由单个 BP 网络完成交通标志的粗分工作 , 后层由 3 个 BP 网络将粗分结果分别进行细分 , 完成识别任务。此设计结构与传统的单层分类器相比, 在训 练速度和识别正确率方面都有较大的提高 ; 显然 , 这与神经网络在解决小规模问题时正确率高、训练速度快相符合。同时 , 增加新的训练样本时 , 只要对相应网络进 行训练即可 , 而不必对整个网络进行重新训练。

神经网络是模拟人脑神经细胞元的网络结构，是由大量神经元相互连接而成的非线性动态系统。不同于传统的模式分类方法，神经网络所提取的特征并无明显的物理含义，而是将其存储于各个神经元的连接之中。此外，神经网络还是一种非常有效的非线性分类器，为解决复杂分类问题提供了一种可能的解决方式。

神经网络的结构主要从其连接方式上说，分为层状和网状两大类。前馈网络：具有分层的结果，通常包括输入层、隐层和输出层。 反馈网络：从输出层到输入层有反馈的网络成为反馈网络。

混合型网络：将同一层的神经元之间有相互连接的网络结构，成为混合型网络。

通过车道特征检测、车道线检测。交通标志检测和交通标志识别对车道线和交通标志的辨别，可以提高 汽车辅助驾驶，提高了行车安全。