【正文】 Detection and Tracking System for Intelligent Vehicles, Washington DC,2020 32 [17].John lmmerk. Some Remark son the Straight Line Hough Transform. Pattern Recognition Letters,1998 [18]． Zeng Zhi Hong. Lane Detection and Car Tracking on the Highway .2020 33 致 謝 本論文是在于俊偉老師的悉心指導(dǎo)下完成的。基于改進(jìn)的混合高斯模型的運(yùn)動(dòng)目標(biāo)檢測(cè)算法 。 } 計(jì)算車道線夾角 設(shè)直線 l l2 的斜率存在，分別為 k k2， l1 與 l2 的夾角為 θ，則 tanθ=∣ (k2 k1） /(1+ k1k2） ∣ 。 continue。 float rho = line[0]。 然后將預(yù)估的車道線斜率與混合高斯模型中的車道線斜率對(duì)比，如果兩者相差在一定閾值范圍內(nèi)，則將預(yù)估的車道線確定為檢測(cè)的車道線 ，并用 預(yù)估車道線斜率來更新高斯混合模型的參數(shù) ；否則，舍棄當(dāng)前的預(yù)估的車道線，而采用高斯混合模型中的車道線。上述就是整個(gè)預(yù)處理的 步驟。OpenCV提供了大量圖像處理的基本數(shù)據(jù)結(jié)構(gòu)和相關(guān)函數(shù)， 實(shí)現(xiàn)了圖像處理和計(jì)算機(jī)視覺方面的很多通用算法。 該函數(shù) 在 進(jìn)程空間 中 創(chuàng)建一個(gè)新的線程，并返回線程的句柄，其中各參數(shù)說明如下： 21 lpThreadAttributes：指向一個(gè) SECURITY_ATTRIBUTES 結(jié)構(gòu)的指針 ，該結(jié)構(gòu)決定了線程的安全屬性； dwStackSize：指定了線程的堆棧深度，一般設(shè)置為 0； lpStartAddress：表示新線程開始執(zhí)行時(shí)代碼所在函數(shù)的地址，即線程的起始地址。 線程和 進(jìn)程 的區(qū)別在于 ，進(jìn)程是系統(tǒng)分配資源的最小單位，而線程則是系統(tǒng)運(yùn)行的最小單位。這樣求取均值和方差的方法需要統(tǒng)計(jì)前 N 17 幀圖像中車道線的斜率，初始化速度與選取的 N 有關(guān)， N 選擇太小不能很好的得到均值和方差的真實(shí)值， N 選取太大需要耗費(fèi)大量的時(shí)間。本文利用它為左右兩條車道線分別建立了單高斯分布表示的模型，車道線的斜率理論上符合均值為 ? 和標(biāo)準(zhǔn)差為 ? 的高斯分布，且每一條車道線的分布是獨(dú)立的。如圖 32所示圖像的極角約束區(qū)域。 圖像經(jīng)過預(yù)處理后，車道線的檢測(cè)便成為我們要解決的主要問題。 9 2． 如果此點(diǎn)四鄰域中的最左有點(diǎn)，最上沒有點(diǎn)，則標(biāo)記此點(diǎn)為最左點(diǎn)的值；如果此點(diǎn)四鄰域中的最左沒有點(diǎn)，最上有點(diǎn)，則標(biāo)記此點(diǎn)為最上點(diǎn)的值。圖像分割即為選擇一個(gè)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]。對(duì)采集的道路圖像在檢測(cè)之前進(jìn)行預(yù)處理可以提高車道線的檢測(cè)率。該系統(tǒng)通過機(jī)器視覺實(shí)時(shí)檢測(cè)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(shí)能夠發(fā)出警報(bào)。當(dāng)車輛發(fā)生偏離時(shí)，能夠提醒駕駛員及時(shí)調(diào)整車輛的狀態(tài)，從而避免交通事故的發(fā)生 [2,3]。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。 \ 2020 屆畢業(yè)生 畢業(yè)設(shè)計(jì)說明書 題 目 : 基于圖像的車道線檢測(cè)與跟蹤系統(tǒng) 院系名稱： 信息學(xué)院 專業(yè)班級(jí)： 計(jì)科 0905班 學(xué)生姓名： 王曌盟 學(xué) 號(hào)： 202048140505 指導(dǎo)教師： 于俊偉 教師職稱： 講師 2020 年 5 月 28 日 基于 圖像的車道線檢測(cè)與跟蹤 系統(tǒng) 摘 要 隨著我國(guó)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。每年的交通事故給國(guó)家的經(jīng)濟(jì)，人民的生命和財(cái)產(chǎn)造成了巨大的損失。 國(guó)內(nèi)外的研究現(xiàn)狀 車行線的檢測(cè)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(dòng)目標(biāo)的檢測(cè)，比如車輛檢測(cè)。德國(guó) Daimlerchrysler 公司的車道線預(yù)警系統(tǒng)利用后視鏡上兩個(gè)攝像頭實(shí)時(shí) 監(jiān)測(cè)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?，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。 簡(jiǎn)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。 3． 如果此點(diǎn)四鄰域中的最左有點(diǎn)，最上都有點(diǎn)，則標(biāo)記此點(diǎn)為這兩個(gè)中的最小的標(biāo)記點(diǎn)，并修改大標(biāo)記為小標(biāo)記 ?；?Hough 變換的車道線檢測(cè)是目前應(yīng)用最為廣泛的車道識(shí)別方法之一， 它完成 從圖像中識(shí)別 特定的 幾何形狀 。 13 圖 32： 極角約束區(qū)域 極角約束區(qū)域的建立，可以大大減少噪聲直線的信號(hào)，增加車道線檢測(cè)的準(zhǔn)確率。設(shè)道路圖像中每個(gè)車道線符合的單高斯模型如公式 41： 22( x )21p ( x ) = 2i e???? (41) 其中， xi 表示第 i 條車道線的斜率。為了加快初始化速度，可按簡(jiǎn)單的方法來得到權(quán)重。 子進(jìn)程和 父進(jìn)程 有 其獨(dú)立的 數(shù)據(jù)空間 和 代碼 空間， 而線程 之間 則共享數(shù)據(jù)空間 ， 每個(gè)線程有自己的執(zhí)行 堆棧 和 程序計(jì)數(shù)器 。 ThreadFunc： 是線程函數(shù)名； lpParameter： 線程執(zhí)行時(shí) ， 傳送參數(shù)； dwCreationFlags：控制線程創(chuàng)建的標(biāo)志 。 圖像的讀取和顯示 OpenCV 中的圖像都以 IplImage 格式保存，該結(jié)構(gòu)包括的主要成員有圖像的通道數(shù)、圖像選擇的坐標(biāo)原則、圖像的寬度、圖像的高度等。 預(yù)處理的程序?qū)崿F(xiàn)如下所示： /*********************圖像預(yù)處理 邊緣提取和形態(tài)學(xué)處理 ****************/ cvCvtColor(pdlgpFrame, pImg_tmp1, CV_BGR2GRAY)。這樣，避免了車道線檢測(cè)的具備過程。 float theta = line[1]。 } if (num == 0) { det_slope[num++] = slope。 根據(jù)給定的節(jié)點(diǎn)，計(jì)算夾角信息，示意圖如下。 哈爾濱工程 大學(xué) 。于老師淵博的專業(yè)知識(shí)，嚴(yán)謹(jǐn)?shù)闹螌W(xué)態(tài)度，精益求精的工作作風(fēng)，毀人不倦的高尚師德，嚴(yán)以律己、寬以待人的崇高風(fēng)范，樸實(shí)無華、平易近人的人格魅力對(duì)我影響 深遠(yuǎn)。 LineImg=cvCreateImage(cvSize(PreProcessImgwidth,PreProcessImgheight),IPL_DEPTH_8U,3)。 。 if (pdlgm_flagprocess == TRUE) { /*****************圖像預(yù)處理 邊緣提取和形態(tài)學(xué)處理 ************/ cvCvtColor(pdlgpFrame, pImg_tmp1, CV_BGR2GRAY)。本論文從選題到完成，都是在于老師的指導(dǎo)下完成的，凝聚了我的努力和于老師的心血。劉輝 。 根據(jù)向量?jī)?nèi)積，得到計(jì)算公式為： theta1=acosd(dot([x1x2,y1y2],[x3x2,y3y2])/(norm([x1x2,y1y2])*norm([x1x2,y3y2])))。 i++。 double b = sin(theta)。 CvSeq* lines = 0。 //雙邊濾波 cvCopy(pImg_tmp2, pdlgpImg_filter)。 //讀取圖像 DrawPicToHDC(pFrame, IDC_STATIC_PICSHOW)。 DWORD SuspendThread(HANDLE hThread)。 在 MFC 中，通常使 用下面四種方式來實(shí)現(xiàn)多線程的同步： 1。 有的方法選擇第一幀圖像中的車道線斜率作為初始值，并對(duì)該高斯模型設(shè)定較大的權(quán)重，剩下的高斯模型均值取零，權(quán)重在所有高斯模型權(quán)重和為 1 的前提下將這些剩下的權(quán)重取相等的值。當(dāng)概率 p(x)i T(T 為設(shè)定的閾值 )時(shí)，則判斷該車道線為就得的真實(shí)車道線，否則認(rèn)為該車道線檢測(cè)錯(cuò)誤。要提高 Hough 變換的計(jì)算速度，可以減小邊緣點(diǎn)個(gè)數(shù)、減小 ? 變換范圍。 Hough 變換最大的缺點(diǎn)就是計(jì)算量復(fù)雜 [10,11]。 如果都沒有點(diǎn)，則表示一個(gè)新的區(qū)域的開始。 7 基于最大類間方差法 (OTSU)的圖像分割 最大類間方差法由日本學(xué)者大津展之于 1979 年提出，又稱大津算法 (OTSU)。 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(duì)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(duì)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。日本三菱汽車公司提出和設(shè)計(jì) 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]。歐洲智能交通是整個(gè)系統(tǒng)研發(fā)的先驅(qū)，緊隨其后的是日本和美國(guó)。 據(jù)世界衛(wèi)生組織報(bào)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。每年的交通事故給國(guó)家的經(jīng)濟(jì)，人民的生命和財(cái)產(chǎn)造成了巨大的損失。s lives and the vehicle deviates from the lane line resulting in the number of traffic accidents accounted for about onethird of all traffic accidents due to driver fatigue and inattention. In the lane departure warning system, the key to the whole system is the extraction and recognition of the right of the lane line. Lane line extraction pleted to detect and identify the lane line from the image, and determines the feasible region of the vehicle on a road safety and positioning of the lane line position relative to the vehicle, in order to monitor the vehicles traveling in realtime situation. When the vehicle deviates able to alert the driver to adjust the state of the vehicles in a timely manner, so as to avoid traffic accidents. The paper presents an implementation of the lane mark in the image recognition, to draw the plete information of the lane mark and the image processing method of detecting the angle between two lane line. This paper studies the content: First, on the acquisition of road image preprocessing, including image filtering, image thresholding segmentation the Uni domain mark, edge extraction operation. Second, given the lane detection algorithm, to plete the detection of the lane line based on the region of interest and Hough transform. Detected lane lines to establish Gaussian mixture model in order to predict the reliability of the lane detection after, and the test results and the predicted results of the Gaussian mixture model bined the results of the closest to the real situat