【正文】 ................................................................... 7 常用的灰度化方法 ............................................................................................ 7 彩色通道提取灰度化 ........................................................................................ 9 圖像灰度變換 ......................................................................................................... 10 圖像灰度線性變換 .......................................................................................... 11 圖像灰度非線性變換 ...................................................................................... 11 基于直方圖的灰度變換 .................................................................................. 12 圖像濾波 ................................................................................................................. 14 線性平滑濾波 .................................................................................................. 14 非線性平滑濾波 .............................................................................................. 15 圖像邊緣增強(qiáng) ......................................................................................................... 17 圖像的梯度和邊緣檢測(cè)算子 .......................................................................... 17 自定義差分 算子 .............................................................................................. 20 加入噪聲圖像檢測(cè)實(shí)驗(yàn) .................................................................................. 21 本章小結(jié) ................................................................................................................. 22 第 4 章 道路邊緣的識(shí)別 ................................................................................................. 24 引言 ......................................................................................................................... 24 道路檢測(cè)方法簡(jiǎn)介 ................................................................................................. 24 邊緣與區(qū)域相結(jié)合的道路檢測(cè)方法 ..................................................................... 25 區(qū)域生長(zhǎng)法的基本概念 .................................................................................. 25 融合兩種信息提取的仿真實(shí)驗(yàn) ...................................................................... 28 基于模型的道路識(shí)別 ............................................................................................. 29 道路模型假設(shè) .................................................................................................. 29 道路圖像特征直線提取 .................................................................................. 30 傳統(tǒng)霍夫變換提取直線 ............................................................................ 30 隨機(jī)霍夫變換提取直線 ............................................................................ 32 中值截距法提取車道線 ............................................................................ 34 算法比較 ................................................................................................................. 36 隨機(jī)霍夫變換提取直線的檢驗(yàn) ............................................................................. 37 本章小結(jié) ................................................................................................................. 43 第 5 章 結(jié)論和展望 ......................................................................................................... 44 參考文獻(xiàn) ............................................................................................................................. 45 致謝 ..................................................................................................................................... 46 附錄 ..................................................................................................................................... 47 石家莊鐵道學(xué)院畢業(yè)設(shè)計(jì) 1 第 1 章 緒論 課題研究的背景和意義 隨著城市化的發(fā)展和汽車的普及 ， 交通環(huán)境日趨惡劣 ， 交通擁擠加劇，交通事故頻發(fā)，交通問題已經(jīng)成為全球范圍內(nèi)人們普遍關(guān)注的社會(huì)問題。近年來，為解決交通 問題世界各國(guó)都競(jìng)相開展智能車路系統(tǒng)和智能交通系統(tǒng)等領(lǐng)域的研究。智能系統(tǒng)的發(fā)展為改善交通環(huán)境狀況，提高車輛行駛的安全性與可靠性，減少駕駛員人為因素造成的交通事故等開辟了廣闊的前景。隨之，智能車輛導(dǎo)航 (Intelligent Vehicle Guidance)的概念應(yīng)運(yùn)而生 。 基于視覺的智能車輛導(dǎo)航可追溯到 19 世紀(jì) 70 年代初期的移動(dòng)機(jī)器人研究，但由于當(dāng)時(shí)的硬件水平還比較低，而圖像處理的計(jì)算量非常大，研究者的精力也就過多地耗費(fèi)在硬件平臺(tái)的設(shè)計(jì)、實(shí)現(xiàn)和測(cè)試上。但隨著計(jì)算機(jī)硬件水平的飛速發(fā)展，該問題得到了很好的解決 。在智能車輛導(dǎo)航諸多復(fù)雜且具有挑戰(zhàn)性的任務(wù)中，最受重視之一的是基于視覺的道路檢測(cè)問題 。 從理論上分析，在道路檢測(cè)中，要獲得道路環(huán)境的三維信息，需要采用雙目或多目立體視覺系統(tǒng) [1]。但是，雙目或多目立體視覺系統(tǒng)在實(shí)際應(yīng)用中所需計(jì)算量很大，而且雙目或多目立體視覺系統(tǒng)在視覺匹配問題上很難解決 ， 而智能車輛在較高速度下的圖像處理速度比一般情況下要高，目前的微處理器計(jì)算能力還不能完全滿足其實(shí)時(shí)性的要求 ， 所以目前雙目或多目立體視覺系統(tǒng)還不適合在較高速度下智能車輛視覺導(dǎo)航中應(yīng)用。當(dāng)前，智能車輛視覺系統(tǒng)主要是獲取道路平 面的二維路徑信息，而道路中的其它車輛和障礙物信息可以通過視覺系統(tǒng) 、 激光雷達(dá)測(cè)距儀及避障傳感器系統(tǒng)進(jìn)行信息融合得到 。 這就極大的提高了信息獲取的可靠性，所以單目視覺系統(tǒng)仍然能夠滿足較高速度情況下視覺導(dǎo)航的要求。實(shí)際上，世界范圍內(nèi)大多數(shù)智能車輛視覺導(dǎo)航系統(tǒng)都采用單目視覺來獲取道路環(huán)境信息。 在單目或多目視覺導(dǎo)航系統(tǒng)中最為關(guān)鍵的技術(shù)就是計(jì)算機(jī)視覺 。 計(jì)算機(jī)視覺的主要任務(wù)是完成道路的識(shí)別和跟蹤 ， 對(duì)于信息采集處理的實(shí)時(shí)性、行駛過程控制的魯棒性以及自主運(yùn)行決策的可行性都有很高的要求。這些要求就使所設(shè)計(jì)的系統(tǒng)必須在理 論算法上給予強(qiáng)大的支持，針對(duì)計(jì)算機(jī)視覺部分就是要有實(shí)時(shí)高效的圖像處理算法。 對(duì)基于視覺的車道線識(shí)別研究意義在于能實(shí)現(xiàn)智能車輛乃至機(jī)器人的自主導(dǎo)航，提高駕駛的安全性，改善交通環(huán)境和駕駛的舒適性。識(shí)別技術(shù)用于車輛的路徑偏離預(yù)警系統(tǒng) ， 大部分由于車輛偏離車道造成的事故可以避免。用于駕駛員預(yù)警系統(tǒng)同樣具有重要意義。其次，識(shí)別技術(shù)可以用來提高智能巡航控制中跟蹤引導(dǎo)車輛石家莊鐵道學(xué)院畢業(yè)設(shè)計(jì) 2 的精度。最后，識(shí)別技術(shù)可廣泛應(yīng)用于公路、碼頭、倉庫等的自動(dòng)運(yùn)輸系統(tǒng) 中 ，實(shí)現(xiàn)車輛運(yùn)輸?shù)淖詣?dòng)化。 國(guó)內(nèi)外研究現(xiàn)狀 目前為止 ， 國(guó)內(nèi)外智能車輛無一例 外地使用機(jī)器視覺作為其重要的感知方式 ，基于計(jì)算機(jī)視覺系統(tǒng)的導(dǎo)航技術(shù)具有價(jià)格低廉 、 結(jié)構(gòu)簡(jiǎn)單 、 方便與其他傳感器進(jìn)行數(shù)據(jù)融合等優(yōu)點(diǎn) ， 所以利用機(jī)器視覺識(shí)別公路上的車道線實(shí)現(xiàn)自主導(dǎo)航是現(xiàn)階段智能車輛常用的方法。該方法己經(jīng)被實(shí)際系統(tǒng)證明是最有效的外部環(huán)境感知方式 ， 道路的識(shí)別是視覺導(dǎo)航的關(guān)鍵技術(shù) ， 因其較大的復(fù)雜性和挑戰(zhàn)性而備受關(guān)注。 一部分學(xué)者致力于用多目視覺技術(shù)來解決這個(gè)問題。德國(guó)學(xué)者利用立體視覺方法來提高系統(tǒng)的魯棒性，可是 ， 多目視覺中存在一個(gè)無法回避的難題是圖像 匹 配 的實(shí)時(shí)性問題。日本通過當(dāng)前圖像與參 考圖像之間像素的迅速匹配 ， 解決了巨大運(yùn)算量的實(shí)時(shí)處理的困難。與此同時(shí) ， 許多學(xué)者試圖用單目技術(shù)來實(shí)現(xiàn)道路檢測(cè) ， 而且目前也 已 經(jīng)取得了豐富的成果。其中法國(guó)學(xué)者提出一種視覺方法，僅利用一臺(tái)攝像機(jī)得到路面的信息 ， 就能夠正確地跟蹤有路標(biāo)和無路標(biāo)情況下的道路 。 該方法從圖像中提取出道路的邊緣特征 ， 定位機(jī)器所在車道的位置 ， 再采用車道的統(tǒng)計(jì)模型進(jìn)行精確匹配 ， 結(jié)果較為準(zhǔn)確。美國(guó)也采用單目攝像機(jī) ， 通過圖像序列測(cè)取 道路環(huán)境的 信息。 目前基于視覺導(dǎo)航的智能車輛 [2]中比較有成效的是：美國(guó) Carnegie Mellon University 研制的 Navlab 系列智能車，可識(shí)別和跟蹤 S 形曲線和道路行車線，平均速度達(dá)到 ；日本豐田公司 1993 年研制的智能車，安裝了 2/3 英寸 CCD 鏡頭，普通高速公路上的實(shí)驗(yàn)車速為 60km/h；德國(guó)的 UBM 大學(xué)研制了裝有 4 個(gè)彩色CCD 構(gòu)成雙目視覺系統(tǒng)跟蹤車道白線、避障和自動(dòng)超車；法國(guó)帕斯卡大學(xué)與雪鐵龍技術(shù)中心合作研究的 Peugeot 智能車，能判別引導(dǎo)線是否漏檢或丟失，車速達(dá)130km/h；清華大學(xué)研制的 THMR 智能車輛系統(tǒng)集成了二維彩色攝像機(jī)、 GPS、超聲等傳感器，系統(tǒng)可完 成白線跟蹤、路標(biāo)識(shí)別、道路識(shí)別等任務(wù)；吉林大學(xué)智能車輛課題組研制的視覺導(dǎo)航的智能車輛實(shí)現(xiàn)了對(duì)路面鋪設(shè)的條帶狀路標(biāo)的視覺識(shí)別以及車輛自主導(dǎo)航的功能。 論文的研究?jī)?nèi)容 當(dāng)智能車輛在公路高速行駛，視覺系統(tǒng)