基于机器视觉的车道偏离预警系统关键算法研究

【摘要】：随着汽车成为我们日常生活中必不可少的出行交通工具,道路交通事故也越来越成为日益严重的社会问题。为了提升车辆的行车安全性,基于机器视觉的汽车辅助驾驶系统已成为当前智能车的研究热点,基于机器视觉的LDWS(Lane Departure Warning System,LDWS)是其中的重要一项内容。基于机器视觉的LDWS可以对车辆即将偏离出正常车道行驶时提前发出预警信息,能够大大减少车辆偏离车道所造成的严重交通事故的发生。车道线检测算法和车道偏离预警模型是基于机器视觉的LDWS中最关键的算法,本文主要研究工作内容如下:首先,在对车载摄像头采集到的图像进行图像预处理步骤中,采用加权平均法灰度化和固定目标检测距离的ROI选取方式,减少图像数据处理量,运用中值滤波对图像滤波降噪处理,由于车道线特征提取过程中易受复杂光照影响导致检测准确率低的问题,对采集来的图像设计了光照分类,并采用线性增强算法和直方图锥形拉伸算法分别对弱光照和强光照环境下的图像进行了图像增强。其次,在车道线检测中,在图像二值化阶段提出一种新的阈值分割算法,采用全局阈值结合局部参照阈值得到新的阈值对图像进行二值化处理可以有效提高算法对不同道路环境的适应性,然后采用Canny算子对车道线边缘特征提取,针对Canny算子中高低阈值不好确定的问题,使用迭代法确定Canny算子中的高低阈值,最后采用改进的Hough变换对车道线进行拟合,得到了车道线在图中的位置信息。然后,在车道偏离预警判断中,先设计了合理的基于Kalman滤波器的跟踪策略,接着结合本文的实际情况提出一种基于图像坐标系的车辆横向距离与车道线夹角差值的偏离预警判断算法,根据车辆横向距离与车道线夹角差值的变化,对车辆是否偏离进行判断,提高了预警准确性。最后,对车道线算法检验采用包含不同光照和道路场景下的三个数据集进行实验研究,实验结果表明:不同光照和道路环境下车道线综合识别率为95.61%,平均单帧检测时间为34.51ms;对车道偏离预警判断采用了包含2200帧道路行驶视频进行实验研究,车道偏离预警的准确率为94.92%。实验结果表明本文算法能在不同光照和道路环境下快速准确地识别出车道线并实现偏离预警。本文通过对基于机器视觉的LDWS中车道线检测和车道偏离预警模型两部分关键算法的研究,为基于机器视觉的LDWS研究提供了思路,具有一定的理论和应用价值。