【正文】 采用遍歷的方法得到使類間方差最大的閾值T,即為所求。在平面直角坐標系中，一條直線可以用方程來表示，其中和是參數(shù),分別是斜率和截距。它通過最小化誤差的平方和尋找數(shù)據(jù)的最佳匹配函數(shù)。我們自然而然便能對圓檢測算法加以改進以適應橢圓的檢測。當然，也要感謝學校提供給我們的便利的學習條件，特別是圖書館提供給我們的便利的查閱資料的條件，讓我接觸到了許多有用的資料。int is_ellipse(CvSeq *)。//大津法閾值分割 cvThreshold(src,src,LOW_THRESH,HIGH_THRESH,CV_THRESH_OTSU)。contours,sizeof(CvContour),CV_RETR_EXTERNAL,CV_CHAIN_APPROX_SIMPLE,cvPoint(0,0))。 CvPoint *p = (CvPoint *)cvGetSeqElem(seq,n)。 if ( == ) = 1。 py = p1x * / () + / ()。//在曲線上選三個點 CvPoint *p1 = (CvPoint *)cvGetSeqElem(contours,pos1)。 CvPoint cp1_2 = get_center(*p1,*p2)。 CvPoint CENTER。 = p1x + 80。amp。 return distance。 CvPoint *p4 = (CvPoint *)cvGetSeqElem(contours,ran_pos)。 points_distance(*last_join1,CENTER) = MAXDISTANCE amp。cp2_3,join_center2_3)。 tangent3) join1_3 = get_join(p1,*tangent1,p3,*tangent3)。} int is_ellipse(CvSeq *contours){ if (contourstotal = 50) return 0。 } else return NULL。 resultb = 。 cvWaitKey(0)。i++) { CvPoint *endpoints = (CvPoint *)cvGetSeqElem(lines,i)。 } storage = cvCreateMemStorage(0)。Line get_line_func(CvPoint p1,CvPoint p2)。景老師嚴謹?shù)膶W風、教書育人的敬業(yè)精神和對事業(yè)的執(zhí)著追求，對我影響至深，是我受益匪淺。雖然最小二乘法能比較方便的得出圓上一點的切線，但要知道其正確性與點的樣本大小有很大關系，如果樣本太小，則計算誤差變大，很可能得不到正確的結果，若樣本太大，則計算量也將隨之增大，所以樣本大小的選取是一個不可忽視的問題。對于圓，有如下性質：圓上一點的法線必過圓心。對圖（28）中圖像進行Canny邊緣檢測效果如圖（29）所示： 圖29 Canny算子邊緣檢測效果圖 Sobel算子和Canny算子的比較Sobel算子通過對圖像進行卷積運算，算法簡單且計算速度相對較快，缺點是Sobel算子并沒有將圖像的主題與背景嚴格地區(qū)分開來，換言之就是Sobel算子并沒有基于圖像灰度進行處理，由于Sobel算子并沒有嚴格地模擬人的視覺生理特征，所以提取的圖像輪廓有時并不能令人滿意。因此,使類間方差最大的分割意味著錯分概率最小。除了視覺上質量下降，噪聲同樣可能掩蓋重要的圖像細節(jié)，因此，在對采集到的原始圖像做進一步的處理時，需要對圖像進行必要的濾波降噪處理。雙白虛線:劃于路口時作為減速讓行線。論文中主要分以下部分對車道線識別算法進行分析和描述：第2章：介紹了車道線的基本知識，分析討論了車道線預處理的過程和用到的相關算法；第3章：具體分析霍夫變換算法，并根據(jù)圓和橢圓的性質對霍夫變換算法進行改進第4章：在對所使用的算法和車道線特征進行分析綜合的基礎上，使用C語言結合OpenCV圖像處理庫編寫程序實現(xiàn)算法，并對算法進行驗證，得到最終的車道線識別結果。 國內外研究現(xiàn)狀在過去幾十年中，國內外許多專家學者在車道線識別和跟蹤系統(tǒng)方面已經(jīng)做出了很多積極有意義的探索。最后使用OpenCV圖像處理庫編寫程序，證明了新算法的正確性，得到了理想的結果。隨后又對探測飛船發(fā)回的近十萬張照片進行更為復雜的圖像處理，以致獲得了月球的地形圖、彩色圖及全景鑲嵌圖，獲得了非凡的成果，為人類登月創(chuàng)舉奠定了堅實的基礎，也推動了數(shù)字圖像處理這門學科的誕生。SCARF系統(tǒng)：該系統(tǒng)利用雙目視覺原理，在圖像中設置的梯形窗口內，利用霍夫變換來估計車道線可能出現(xiàn)的ROI區(qū)域，然后反投影到真實的道路平面，通過控制車輛的方向沿著ROI中心線方向行駛來確保車輛不會偏離車道線。圖（21）所示為各種車道線： 圖21 各種車道線 車道線的標劃區(qū)分白色虛線:劃于路段中時,用以分隔同向行駛的交通流或作為行車安全距離識別線。 感興趣區(qū)域感興趣區(qū)域簡稱為ROI（region of interest）是將圖像中的重要區(qū)域進行標記，隨后的各種算法和分析將主要針對ROI。高斯濾波的效果圖如圖25所示： 圖25 高斯濾波效果圖 平滑濾波總結通過比較以上三種濾波方法，可以看出三者的區(qū)別和適用范圍。在圖像的任何一點使用此算子，將會產(chǎn)生對應的梯度矢量或是其法矢量。如圖（31）所示： 圖31 直線上點在參數(shù)空間的映射圖（32）為霍夫變換直線檢測的效果（已設置感興趣區(qū)域）： 圖32 霍夫變換直線檢測 Hough變換的缺陷和改進Hough變換具有顯而易見的優(yōu)點，但它也有一些不可忽視的缺點：運算量大。令 （31）當最小時，分別對和求偏導，令這兩個偏導數(shù)等于0： （32） （33）兩個偏導數(shù)等于0，即得： （34） （35）將和的結果代入原直線方程，即得擬合所得的直線方程為：nXkYXXXnYXYXnYiiiiiiii229。相比傳統(tǒng)的識別算法，本論文中的算法經(jīng)過優(yōu)化處理，提高了識別的準確性；算法的實時性好，特別是經(jīng)過對Hough變換等算法的一定的改進，大大減少了計算量，提高了計算速度；算法能檢測多種車道線，適應范圍廣；算法結構清晰，魯棒性好，方便擴展和改進；當然，在實際的應用中也發(fā)現(xiàn)了一些問題，主要有：對于復雜路況和天氣條件欠佳時，算法的適應性還不夠高；對于一些現(xiàn)實中存在的干擾因素如馬路沿等，不能進行有效的排除。CvSeq *contours。 } src = cvCreateImage(cvGetSize(img),IPL_DEPTH_8U,1)。 cvCopy(temp,src,0)。 cvDrawContours(out,contours,BLUE,GREEN,LOW_THRESH,2,8,cvPoint(0,0))。i++) { CvPoint *temp = (CvPoint *)cvGetSeqElem(seq,i)。 } return result。 py = p2x * / () + / ()。 Line *tangent3 = get_tangent(contours,pos3)。 if (join1_3) join_center1_3 = get_line_func(*join1_3,cp1_3)。 last_join3) CENTER = cvPoint((last_join1x+last_join2x+last_join3x) / 3,(last_join1y+last_join2y+last_join3y) / 3)。 = (int)(80 * tangent2a + p2y)。cp1_2,join_center1_2,amp。 if (points_distance(*last_join1,CENTER) = MAXDISTANCE) return 1。 CvPoint p_temp。amp。 CvPoint *last_join1 = get_join(amp。//三條切線的交點 if (tangent1 amp。 } else return NULL。 if ( != 1 amp。 sum_of_x += (double)tempx。 cvRectangle(out,cvPoint(0,(int)outheight / 3),cvPoint(outwidth,outheight),GREEN,2,8,0)。//hough直線檢測 lines=cvHoughLines2(src,storage,CV_HOUGH_PROBABILISTIC,CV_PI / 180,5,10,5)。 out = cvCreateImage(cvGetSize(img),imgdepth,3)。 float b。對于未來，隨著人工智能、機器學習等的不斷發(fā)展，將這些技術應用于車道識別中，必將能極大的提高車道線識別的精確性和適應性，并且伴隨著智能汽車的進一步發(fā)展，新的技術不斷得到應用，車道線的識別技術一定會迎來一個大的發(fā)展。229。針對以上缺陷，需要對Hough變換進行一定的改進，以更好地完成期望的工作：對圖像進行合適的預處理，盡力排除噪聲點的干擾；對圖像進行邊緣提取、區(qū)域分割等，提取出有用的信息，再根據(jù)統(tǒng)計學的一些原理來應用Hough變換，減少Hough變換的運算量對于Hough變換以上缺陷中的第二點，可以設計特殊的數(shù)據(jù)結構記錄Hough變換過程中的數(shù)據(jù)，從而解決探測直線等起止點的問題。如果以A代表原始圖像，Gx及Gy分別代表經(jīng)橫向及縱向邊緣檢測的圖像，其計算方法如公式（211）和（212）: （211） （212）圖像的每一個像素的橫向及縱向梯