【摘要】：為解決汽車駕駛安全問題,基于視覺的輔助駕駛系統(tǒng)成為選擇,其中基于視覺的車道線檢測(cè)技術(shù)對(duì)光照變化敏感。本文研究了基于顯著圖的對(duì)光照不敏感的車道線檢測(cè)算法,論文主要工作包括:(1)提出對(duì)光照變化不敏感的車道線顯著圖生成方法�；谲嚨琅c車道線高對(duì)比度設(shè)定,計(jì)算每個(gè)像素與亮度低于該像素的其他像素之間的顏色距離之和作為顯著值,生成高亮度優(yōu)先的亮度對(duì)比度初級(jí)顯著圖。基于不同光照下磨損車道線像素呈現(xiàn)類高斯形狀的先驗(yàn)分布,采用加入車道線寬度先驗(yàn)知識(shí)的一維高斯核逐行進(jìn)行相關(guān)性計(jì)算生成中級(jí)顯著圖。由于初級(jí)顯著圖對(duì)道路背景像素有著很好的抑制作用,而中級(jí)顯著圖會(huì)放大噪聲和展寬車道線,以初級(jí)顯著圖作為掩膜與中級(jí)顯著圖相乘,得到融合顯著圖。(2)提出凸殼邊界信息輔助的車道線定位方法以及特征點(diǎn)生長(zhǎng)模型。由于各車道線分布的離散性,利用顯著圖建立每條車道線的凸殼邊界信息,生成最小外接矩形提取車道線候選區(qū)域縮小檢測(cè)范圍,并利用外接矩形的大小、長(zhǎng)寬比以及中軸方向進(jìn)行去噪。在光照不均勻時(shí),獲取的候選車道線區(qū)域并不完整,在最小外接矩形范圍內(nèi)提取車道線種子特征點(diǎn),利用區(qū)域峰值和邊緣結(jié)合特征生長(zhǎng)車道線特征點(diǎn)。(3)采用偏離度約束條件下的自適應(yīng)直線-拋物線擬合模型。提取的車道線特征點(diǎn)包含噪聲,因此提出模型偏離度計(jì)算規(guī)則去噪,即利用點(diǎn)到曲線的距離約束來判斷擬合點(diǎn)是否屬于擬合曲線,并計(jì)算不屬于擬合曲線的擬合點(diǎn)比率作為偏離度。為提升彎道擬合的契合度,設(shè)置偏離度閾值,采用回溯法與二分法自適應(yīng)地找到直線部分與曲線部分的最佳分界點(diǎn),再分別用直線模型和曲線模型擬合。在本文研究工作基礎(chǔ)上,實(shí)現(xiàn)了基于顯著圖的光照魯棒性車道線檢測(cè)算法,準(zhǔn)確率為92%,檢測(cè)速度為每秒42.5幀。
【學(xué)位授予單位】：華南理工大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2018
【分類號(hào)】：TP391.41;U463.6
【圖文】：

華南理工大學(xué)工程碩士學(xué)位論文 ( ) = ( ( ) ( )) (2-7)( )( ) = ( ) ( ) (2-8)其中， 為信號(hào) ( )的長(zhǎng)度�？紤]到道路光照的不均勻性，為了保證局部區(qū)域像素的對(duì)比度，在計(jì)算顯著值時(shí) ( )減去 鄰域內(nèi)的均值，采用下式計(jì)算互相關(guān)：( )( ) = ( ( ) ( ) ) ( ) (2-9)由于車道線的對(duì)稱性，取( )( )作為像素點(diǎn)的顯著值來生成顯著圖，減少計(jì)算量。

12圖 2-5 瑞利分布函數(shù)與高斯分布函數(shù)互相關(guān)對(duì)比圖 2-3（b）和 2-3（c），在道路圖像每一行像素中，區(qū)域峰分布類似于高斯分布函數(shù)。理想情況下，車道線像素分布類似方波信號(hào)；實(shí)際情況中，由于光照影響以及磨損情況，車道線像素分布也可能類似瑞利分布函數(shù)；如圖 2-4 與圖 2-5，從互相關(guān)計(jì)

【參考文獻(xiàn)】

相關(guān)期刊論文 前2條

1 景慧昀;韓琦;牛夏牧;;顯著區(qū)域檢測(cè)算法綜述[J];智能計(jì)算機(jī)與應(yīng)用;2014年01期

2 楊喜寧;段建民;高德芝;鄭榜貴;;基于改進(jìn)Hough變換的車道線檢測(cè)技術(shù)[J];計(jì)算機(jī)測(cè)量與控制;2010年02期

相關(guān)博士學(xué)位論文 前1條

1 覃文軍;基于視覺信息的手勢(shì)識(shí)別算法與模型研究[D];東北大學(xué);2010年

相關(guān)碩士學(xué)位論文 前7條

1 成劍;基于機(jī)器視覺的道路線識(shí)別算法研究[D];南京理工大學(xué);2017年

2 蔡兵;基于機(jī)器視覺的霧天環(huán)境下車道線識(shí)別技術(shù)研究[D];重慶郵電大學(xué);2016年

3 宮小虎;基于RANSAC拋物線擬合的實(shí)時(shí)車道線檢測(cè)和類型識(shí)別算法[D];吉林大學(xué);2016年

4 韋唯;基于單目視覺的車道線識(shí)別方法研究[D];吉林大學(xué);2015年

5 隋欣;基于視覺顯著性的車輛目標(biāo)檢測(cè)算法研究[D];東南大學(xué);2015年

6 劉國榮;基于圖像的車道線檢測(cè)與跟蹤算法研究[D];湖南大學(xué);2014年

7 虎亞玲;基于視覺顯著性的交通標(biāo)志檢測(cè)與識(shí)別方法研究[D];蘭州理工大學(xué);2012年

本文編號(hào)：2723367