【正文】 .............. 19 線程的同步 .............................................................................................. 20 Win32 對多線程的支持 ........................................................................... 20 OpenCV的圖像預(yù)處理實(shí)現(xiàn) .......................................................................... 22 圖像的讀取和顯示 ................................................................................. 22 預(yù)處理的實(shí)現(xiàn) ......................................................................................... 23 高斯混合在車道線檢測中的實(shí)現(xiàn) ................................................................ 25 計算車道線夾角 ............................................................................................. 28 第 6 章 總結(jié) ................................................................................................................. 30 參考文獻(xiàn) ......................................................................................................................... 31 致 謝 ......................................................................................................................... 33 附錄：程序代碼 ............................................................................................................. 34 1 第 1 章 緒論 課題研究的 背景 和意義 隨著我國經(jīng)濟(jì)的不斷發(fā)展和科學(xué)技術(shù)的不斷進(jìn)步以及生活水 平的不斷提高，汽車正逐步成為大眾的交通工具。根據(jù)德國研究機(jī)構(gòu)最新研究結(jié)果顯示，全球汽車保有量接近 10 億，到 2020 年還將增加 20%。隨著汽車的不斷普及以及汽車行車速度的不斷提高，交通事故的數(shù)量也隨之上升。每年的交通事故給國家的經(jīng)濟(jì)，人民的生命和財產(chǎn)造成了巨大的損失。隨著交通安全問題日益嚴(yán)重，交通安全己經(jīng)成為人類必須認(rèn)真對待的重大問題。 據(jù)世界衛(wèi)生組織報告，每年全球死于車禍的人數(shù)達(dá)到 120 萬人，另有大概 5000萬人每年在交通事故中受傷。根據(jù)我國交通部統(tǒng)計，我國每年因交通事故而死亡的人數(shù)在 10萬左右，占全球交通 事故死亡人數(shù)的五分之一，位居世界第一。 2020年 1 月 9日交通部通報，當(dāng)年全國一共發(fā)生交通事故 238351起，其中造成 67759人死亡，另有275125 人受傷，直接經(jīng)濟(jì)損失 億元。表 統(tǒng)計了我國 4 年來的交通事故數(shù)量和經(jīng)濟(jì)損失 [1]。 表 ： 交通事故統(tǒng)計情況 由于疲勞駕駛和注意力不集中，引起車輛偏離車道線從而造成交通事故的數(shù)量約占所有交通事故的三分之一左右。國外研究機(jī)構(gòu)分析研究顯示，五分之一的駕駛司機(jī)都經(jīng)歷過因偏離行車道而引發(fā)的交通事故。雖然目前國內(nèi)沒有該方 面的統(tǒng)計數(shù)據(jù)，但因車輛偏離行駛車道而造成的交通事故也屢見不鮮。 智能交通系統(tǒng) (ITS)得到了各個發(fā)達(dá)國家的重視，智能車輛的研究應(yīng)用是的重要組成部分，其中車輛行道線的檢測與跟蹤作為智能交通系統(tǒng)的重要部分得到了高度的 2 重視，吸引著越來越多的研究機(jī)構(gòu)和汽車生產(chǎn)廠商的興趣。智能車輛可分為自主導(dǎo)航和安全保障兩個方面。由于車輛的自主導(dǎo)航應(yīng)用依賴于完整的 ITS 系統(tǒng)的建立，短期內(nèi)難以全面實(shí)施并普及，而安全保障技術(shù)可以短期內(nèi)應(yīng)用在駕駛員輔助駕駛系統(tǒng)中并取得較好的實(shí)驗效果，從而為解決因駕駛員主觀因素而發(fā)生的交通事故提供了有力的技 術(shù)支持。針對以上問題，各國都加強(qiáng)了在車輛安全保障技術(shù)領(lǐng)域的研究。 在車道偏離預(yù)警系統(tǒng)中，整個系統(tǒng)的關(guān)鍵是車道線的正確提取與識別。車道線的提取主要完成從圖像中檢測并識別出車道線，并且確定車輛在道路上的安全可行區(qū)域和定位車道線相對于車輛的位置，以便監(jiān)測車輛行進(jìn)的實(shí)時情況。當(dāng)車輛發(fā)生偏離時，能夠提醒駕駛員及時調(diào)整車輛的狀態(tài)，從而避免交通事故的發(fā)生 [2,3]。 國內(nèi)外的研究現(xiàn)狀 車行線的檢測是智能交通中重要而基礎(chǔ)的組成部分，它不僅可以為車輛的導(dǎo)航提供參照和依據(jù)，還可以應(yīng)用于運(yùn)動目標(biāo)的檢測，比如車輛檢測。目 前，很多國家對開發(fā)車輛偏離車道線的預(yù)警系統(tǒng)高度重視，并進(jìn)行了深入的研究。歐洲智能交通是整個系統(tǒng)研發(fā)的先驅(qū)，緊隨其后的是日本和美國。這些國家都己經(jīng)成功研制出一些各具特色的車道偏離預(yù)警系統(tǒng)。比如美國卡內(nèi)梅隆大學(xué) (CMU)研發(fā)的 AURORA 系統(tǒng)，這也是所有系統(tǒng)中最具代表性的。我國在此領(lǐng)域的研究較晚，但也有一定的成果了。 許多國家的學(xué)者已經(jīng)提出了多種車道標(biāo)識線檢測方法， 他們利用不同的道路模型和不同的邊緣提取技術(shù)來實(shí)現(xiàn)車道線的檢測，并利用 Kalman 濾波技術(shù)、高斯混合模型 (GMM)，動態(tài)感興趣區(qū)域 (ROI)等方法 進(jìn)行車道線的預(yù)測跟蹤。由于光照和天氣的變化對攝像頭采集的圖像會產(chǎn)生較大的影響，且單一的圖像處理和邊緣提取算法都有其適用的范圍，很難找到可以適應(yīng)各種環(huán)境的普適算法，在一定程度上影響了車道行駛線識別的魯棒性。此外，基于 Hough 變換的直線提取方法是整個檢測過程中最為耗時的一部分，影響了車道線檢測的實(shí)時性 [4]。 3 國外研究和應(yīng)用現(xiàn)狀 AURORA 系統(tǒng)是由美國卡內(nèi)基梅隆大學(xué) (CMU)機(jī)器人實(shí)驗室于 1997 年研制的。該系統(tǒng)主要由以下幾個部分組成：多功能彩色攝像機(jī)、嵌入式移動處理中心、數(shù)字轉(zhuǎn)換器以及其它外 部設(shè)備。由于多功能彩色攝像機(jī)安裝在車廂的一側(cè)，因此它可以采集— 。采集到的信息通過數(shù)字轉(zhuǎn)換器轉(zhuǎn)化并輸入到移動處理中心。嵌入式移動處理中心具有車道偏離報警、行道線檢測以及車輛橫向位置估計的功能。 美國 Iteris 公司研制的 AutoVue 預(yù)警系統(tǒng)是由攝像機(jī)，計算機(jī)硬件系統(tǒng)以及軟件系統(tǒng)共同組成的集成單元。該系統(tǒng)通過機(jī)器視覺實(shí)時檢測道路標(biāo)記線并和車輛的速度信息進(jìn)行融合，當(dāng)車輛偏離安全駕駛車道線時能夠發(fā)出警報。德國 Daimlerchrysler 公司的車道線預(yù)警系統(tǒng)利用后視鏡上兩個攝像頭實(shí)時 監(jiān)測當(dāng)前車道與鄰近車道之間的距離來判斷車輛是否偏離車道。荷蘭 Mobileye公司研制的 Mobileye_AWS系統(tǒng)利用安裝在擋風(fēng)玻璃上的攝像機(jī)監(jiān)測車道標(biāo)識線。日本三菱汽車公司提出和設(shè)計 055 系統(tǒng)，該系統(tǒng)利用角度傳感器和加速度傳感器獲得車輛狀態(tài)，并將其結(jié)合駕駛員行為習(xí)慣來實(shí)現(xiàn)偏離預(yù)警 [5]。 國內(nèi)研究現(xiàn)狀 我國因研究較晚，同時由于基礎(chǔ)設(shè)施和經(jīng)濟(jì)的多方面限制，車道線檢測系統(tǒng)的研究相對于發(fā)達(dá)國家有一定的差距，到目前為止，還沒有商業(yè)化的產(chǎn)品問世。隨著我國經(jīng)濟(jì)和生活水平的不斷提高，同時汽車數(shù)量不斷的增加， 一些研究所、高校和公司意識到車道線檢測系統(tǒng)對于安全駕駛的重要性，并逐步開始研究車道線檢測。具有代表性的車道線檢測系統(tǒng)有吉林大學(xué)的 JLUVA1 系統(tǒng)、東南大學(xué)的基于 DSP 的報警系統(tǒng)、清華大學(xué)智能技術(shù)與系統(tǒng)國家重點(diǎn)實(shí)驗室“移動機(jī)器人課題組”研制的THMRV智能車。 國內(nèi)研發(fā)的這些系統(tǒng)使用攝像頭拍攝道路圖像，然后采用機(jī)載處理器處理圖像，獲得道路信息，從而判斷車輛是否發(fā)生偏離，并對駕駛員給予相應(yīng)的提示。這些系統(tǒng) 4 仍然是實(shí)驗階段，沒有大規(guī)模的商業(yè)運(yùn)用。隨著市場發(fā)展的需求不斷增加，車道線檢測系統(tǒng)必將大量投入商業(yè) 應(yīng)用。 雖然我國的智能交通系統(tǒng)研究起步較晚，但是己經(jīng)從上世紀(jì) 90 年代開始關(guān)注國際上智能交通系統(tǒng) (ITS)的發(fā)展，交通部將智能交通系統(tǒng) (ITS)列入“九五”科技發(fā)展計劃和 2020 年長期規(guī)劃中。進(jìn)入“十五”一會后，國家將智能交通系統(tǒng) (ITS)及關(guān)鍵技術(shù)的研究與應(yīng)用列為重點(diǎn)攻關(guān)項目，隨著我國科學(xué)技術(shù)與經(jīng)濟(jì)的逐步發(fā)展，智能交通系統(tǒng) (ITS)必在不久的未來得到飛速的發(fā)展 [6]。 本文研究內(nèi)容和組織結(jié)構(gòu) 本 文 主要實(shí)現(xiàn)對圖像中的車道線進(jìn)行識別，識別的車道線包括實(shí)線和虛線，最終得出完整的車道線信息，并將其用直線標(biāo)記 出來，同時把檢測出來的這兩條線的夾角大致求出。 車行道檢測軟件以 MFC 作為軟件開發(fā)平臺，結(jié)合多線程技術(shù)和模塊化設(shè)計，實(shí)現(xiàn)了車行道的檢測要求，檢測過程以 OPENCV庫為基礎(chǔ)，調(diào)用相應(yīng)的接口程序。 本 文 擬采用的技術(shù)和圖像處理流程 ，以及章節(jié)結(jié)構(gòu) 大致如下： 第一章緒論介紹了本課題的研究背景和意義、對車道線檢測技術(shù)的發(fā)展歷程和應(yīng)用做了詳細(xì)的闡述； 第二章介紹了道路圖像的預(yù)處理技術(shù)， 主要包括圖像的濾波、圖像的閾值分割，聯(lián)通域標(biāo)記，邊緣提取等操作 ； 第三章介紹了車道線檢測方法， 給出了基于感興趣區(qū)域和 Hough變換的車道檢 測算法，完成對車道線的檢測 ； 第四章給出了車道線跟蹤方法， 對檢測出來的車道線建立高斯混合模型，從而預(yù)測以后車道線檢測的可靠性，并將檢測結(jié)果與高斯混合模型的預(yù)測結(jié)果結(jié)合得到最接近真實(shí)情況的結(jié)果 ； 第五章給出了車道線檢測算法的實(shí)現(xiàn)； 5 第 2 章 道路圖像預(yù)處理方法研究 圖像在采集和傳輸?shù)倪^程中，圖像質(zhì)量必然會有一定的程度的降低，比如噪聲的增加等。本文研究的車道線檢測，其道路圖像在采集過程中受到外界光照強(qiáng)度，障礙物遮擋和攝像頭抖動等各種因素的影響。對采集的道路圖像在檢測之前進(jìn)行預(yù)處理可以提高車道線的檢測率?，F(xiàn)實(shí) 圖像預(yù)處理方法中，沒有哪一種算法可以適用于所有圖像，每一種算法都有自己的適用環(huán)境和局限性。因此在實(shí)際應(yīng)用中，需要結(jié)合外界環(huán)境因素，做大量實(shí)驗，并結(jié)合實(shí)際系統(tǒng)的需要，選取適合該系統(tǒng)的算法。 本文中道路圖像預(yù)處理方法主要包括：彩色道路圖像轉(zhuǎn)換為灰度圖像；對灰度圖像進(jìn)行濾波，提高信噪比，衰減或者消除外界的干擾；然后對圖像進(jìn)行閾值分割，并二值化圖像，將行道線感興趣的區(qū)域從道路圖像中分割出來，便于下一步行道線的提取。最后提取出車道線的邊緣圖像。 圖像去噪中的濾波技術(shù) 為了提高圖像中車道線信息的可識別性，降低 車道線識別算法的復(fù)雜度，需要對采集到的圖像進(jìn)行濾波處理，去除圖像中的噪聲。圖像去噪處理多采用平滑技術(shù)，主要包括頻域濾波和空域濾波兩大類。頻域濾波需要將信號從空間域轉(zhuǎn)換到頻率域，計算量很大，很難滿足系統(tǒng)的實(shí)時性要求?？沼驗V波是在空間域內(nèi)對圖像像素的灰度值進(jìn)行處理，是常用的濾波算法，一般常用的空間域濾波方法有：中值濾波。 中值濾波是一種在去除噪聲的同時又能保護(hù)目標(biāo)邊界信息，不使其邊緣變得模糊的非線性處理技術(shù)。 它將每一 像素 點(diǎn)的 灰度值 設(shè)置為該點(diǎn)某鄰域窗口內(nèi)的所有像素點(diǎn)灰度值的 中值 。所以其對 汽車抖動引起的邊緣毛刺，以及汽車剎車對車道標(biāo)識線的損傷和孤立 等噪聲有較好的濾波效果。中值濾波的數(shù)學(xué)表達(dá)式如式 21所示： ? ? ? ?? ?, f i jf i j m e d ia n S? (21) 其中， (i , j)Sf 是當(dāng)前點(diǎn) (i , j)f 的鄰域。 圖像的絕大部分能量一般位于信號的低頻部分，噪聲位于高頻部分，而圖像中的 6 一些邊緣和細(xì)節(jié)信息也位于高頻部分，采用中值濾波的好處就是既濾除高頻的噪聲干擾，又能很好的保留邊緣信息。道路圖像經(jīng)過灰度變化和濾波后的圖像如圖 21所示： 圖 21： 原始圖和灰度化中值濾波后的圖像 圖像分割的算法研究 道路圖像經(jīng)過 濾波處理后，包含大量的背景干擾信號。為了提取出感興趣的車道線區(qū)域，提高車道線檢測的實(shí)時性和準(zhǔn)確性，需要從道路圖像中將車道線區(qū)域分割出來，即所謂的圖像分割處理。圖像分割即為選擇一個合理的閾值，將圖像劃分為目標(biāo)區(qū)域和背景區(qū)域 [6,7]。 簡單的閾值分割 閾值分割是基于區(qū)域的圖像分割技術(shù)，其基本原理是：設(shè)定不同的閾值，把像素點(diǎn)分 成 若干類。 假設(shè) 原始圖像 的像素值 為 f(x， y)，按照一定的準(zhǔn)則找到 閾值 T，將圖像分割為兩部分，分割后的圖像 像素值 為 ? ? ? ?? ???? ??? .,1 .,0, tyxf tyxfyxg （ 22） 當(dāng)圖像中某點(diǎn)灰度值大于閾值 T 時，則把該點(diǎn)置 為 255（白色），反之則置為 0（黑色） 。 7 基于最大類間方差法 (OTSU)的圖像分割 最大類間方差法由