【正文】 )。,39。imwrite(H,39。)。,39。%青色表示最長(zhǎng)線段imwrite(SFST45,39。cyan39。color39。LineWidth39。 xy_long=xy。%確定最長(zhǎng)線段 len=norm(lines(k).point1lines(k).point2)。red39。Color39。LineWidth39。x39。)。,39。,2,39。,39。%繪制線段端點(diǎn) plot(xy(1,1),xy(1,2),39。green39。Color39。lineWidth39。lines(k).point2]。max_len=0。,)。,300,39。%在Hough矩陣中標(biāo)出峰值位置lines=houghlines(SFST45,theta,rho,p,39。red39。color39。s39。y=rho(p(:,1))。,ceil(*max(H(:))))。p=houghpeaks(H,4,39。axis on,axis normal,hold on。\rho39。\theta(degrees)39。)。title(39。fit39。InitialMagnification39。YData39。XData39。)。,39。,rho,39。,theta,39。imshow(imadjust(mat2gray(H)),[],39。,。,39。 [H,theta,rho]=hough(SFST45,39。45度+135度邊緣檢測(cè)39。 subplot(2,1,1)。)A = A(230:752,:)。title(39。A(:,1:2) = 0。A(1:2,:) = 0。A=uint8(w+k)。k=uint8(abs(k)/10)。0 1 2]。%使用指定45度a45=[2 1 0。w=uint8(abs(w)/10)。2 1 0]。%使用指定135度b45=[0 1 2。I=rgb2gray(RGB)。39。在今后的日子里，我一定會(huì)更加努力以報(bào)答他們對(duì)我的養(yǎng)育之恩。感謝我的舍友許峰，感謝你在生活上給予我的照顧和幫助，令我的本科生生活增加色彩。在我即將畢業(yè)，走入社會(huì)之際，由衷的感謝王海老師的教誨。如果沒有王海導(dǎo)師的悉心指導(dǎo)，我很難順利完成相關(guān)知識(shí)的學(xué)習(xí)與論文的完成。首先，我要感謝我畢設(shè)期間給了我很多幫助的導(dǎo)師，王海老師。轉(zhuǎn)眼見，三年的研究生生涯即將接近尾聲。 (5) 本文所提出的車道線檢測(cè)的算法理論上能實(shí)現(xiàn)正確判斷，但仍需要進(jìn)行大量的實(shí)驗(yàn)驗(yàn)證，在不斷總結(jié)的基礎(chǔ)上對(duì)算法進(jìn)一步的改進(jìn)，不斷提高道路檢測(cè)和識(shí)別的魯棒性和精確性。 (3)當(dāng)車道線受損嚴(yán)重時(shí)，致使車道線模糊，不易檢測(cè)出車道線的準(zhǔn)確位置，這就需要能有算法根據(jù)路面情況判別車道線的位置。 (2) 對(duì)于道路出現(xiàn)的極端情況比如強(qiáng)光照造成的陰影、雨雪天氣等都會(huì)影響攝像機(jī)拍攝道路圖片的質(zhì)量。2. 論文需要改進(jìn)的地方及對(duì)后續(xù)工作的展望 由于個(gè)人能力及現(xiàn)有條件和研究時(shí)間的限制，且本文提出的算法是針對(duì)高速公路這樣的結(jié)構(gòu)化道路圖像，檢測(cè)的也是最簡(jiǎn)單的直線模型的車道線，路面情況相對(duì)來說比較清晰，取得了一定的研究成果。 (3)最后，對(duì)車道線檢測(cè)的研究。為了能檢測(cè)出效果較好的車道線，結(jié)合道路圖像的特點(diǎn)，對(duì)實(shí)際采集的道路圖像進(jìn)行了預(yù)處理，即彩色圖像灰度化和圖像平滑。本文的具體工作如下： (1)首先，對(duì)國內(nèi)道路交通狀況以及對(duì)國內(nèi)外智能車輛的發(fā)展概況，進(jìn)行調(diào)查分析研究，結(jié)合國內(nèi)外車道線檢測(cè)的研究狀況，提出了課題的研究背景和主要內(nèi)容。結(jié) 論1. 論文的主要研究工作 車道偏離預(yù)警技術(shù)是車輛安全輔助駕駛系統(tǒng)的研究方向之一，其中車道線的檢測(cè)與識(shí)別是車道偏離預(yù)警技術(shù)重要的研究?jī)?nèi)容，本文對(duì)基于邊緣檢測(cè)和Hough變換的車道線檢測(cè)進(jìn)行了深入研究。鑒于本課題研究的是快速車道所以選擇了基于灰度圖像的車道識(shí)別方法，同時(shí)，借鑒前人的研究和經(jīng)驗(yàn)選擇Hough變換來檢測(cè)車道線?；贖ough變換的車道線檢測(cè)算法處理過程如圖42所示：原始圖像 圖像預(yù)處理 邊緣檢測(cè) 標(biāo)識(shí)車道線 車道線提取 Hough變換 圖42車道線檢測(cè)流程在這里，我們把邊緣檢測(cè)出來的圖像進(jìn)行Hough變換得到車道線在極坐標(biāo)系下的參數(shù)，然后再把這些參數(shù)繪制成下圖43：圖43從圖中我們可以統(tǒng)計(jì)出這些曲線的重疊情況，然后根據(jù)統(tǒng)計(jì)值進(jìn)行判斷直線所在位置，并在原圖中對(duì)直線進(jìn)行標(biāo)識(shí)。本文設(shè)置一個(gè)閾值 L，當(dāng)檢測(cè)出一條直線時(shí)，將其長(zhǎng)度與閾值 L 作比較，當(dāng)直線長(zhǎng)度大于 L 時(shí)，則認(rèn)為是一條車道線，并保存直線的斜率、截距、起點(diǎn)和終點(diǎn)四個(gè)元素，并作標(biāo)記；小于閾值 L 時(shí)，則舍棄。(2)道路是結(jié)構(gòu)化道路，即具有良好視覺效果的白線導(dǎo)航，周圍無障礙物，道路寬度基本一致、有明顯的車道標(biāo)示線或邊界、路面平坦的道路環(huán)境，可以依據(jù)邊緣、顏色等信息來檢測(cè)。合理采用道路模型假設(shè)可以有效提高道路識(shí)別算法的快速性和魯棒性。為了減小算法的復(fù)雜度，提高系統(tǒng)的運(yùn)行速度，本文采用直線道路模型。因此，本文從車道邊界的形狀特征入手來建立模型，國內(nèi)外很多研究人員都基于這種思想而建立模型，其中有使用多項(xiàng)式曲線作為道路的形狀模型、回旋曲線作為道路的形狀模型以及直線作為道路的形狀模型等。但是圖像中的車道邊界則由一些連續(xù)或斷續(xù)的近似直線的邊界區(qū)域組成的集合。 Hough變換提取車道線 由于車載攝像機(jī)拍攝的道路圖像中含有大量的景物細(xì)節(jié)，比如行人、陰影、綠化帶、樹木、車輛、其它遮擋物等。依據(jù)點(diǎn)線的對(duì)偶規(guī)則，當(dāng)給定道路圖像中的一些邊緣點(diǎn)，就可以通過 Hough 變換確定連接這些邊緣點(diǎn)的直線。由此可見，(c)所示。所以實(shí)際應(yīng)用中，經(jīng)常采用參數(shù)方程： (11)這樣就可以克服這些局限性了，其中代表直線到原點(diǎn)的法線距離，為該法線對(duì)應(yīng) x軸的角度。那么方程在參數(shù)平面上是一條直線，由此可見，圖像空間中的像素點(diǎn)可以通過參數(shù)空間中的直線來表示，即平面上的一個(gè)像素點(diǎn)就對(duì)應(yīng)到平面上的一條直線。Hough 直線變換其原理是利用點(diǎn)線的對(duì)偶性來實(shí)現(xiàn)的，如下圖所示: (a)圖像空間 （b）參數(shù)空間 （c）坐標(biāo)系變換的對(duì)應(yīng)關(guān)系在直角坐標(biāo)系中如圖(a)所示，直線的方程可以用來表示，其中和是圖像空間中的參數(shù)，分別是直線的斜率和截距。Hough 變換的實(shí)質(zhì)是將圖像空間內(nèi)具有一定關(guān)系的像元進(jìn)行聚類，尋找能把這些像元用某一解析形式聯(lián)系起來的參數(shù)空間累積對(duì)應(yīng)點(diǎn)。由于具有一些明顯優(yōu)點(diǎn)和可貴性質(zhì)，它引起了許多國內(nèi)外學(xué)者和工程技術(shù)人員的普遍關(guān)注。Hough 變換[13]于 1962 年由 Paul Hough 提出，并在美國作為專利被發(fā)表。 基于Hough變換的車道線檢測(cè) Hough變換原理在車道線直線提取算法中，Hough 變換是最常用的方法之一，且快速車道基本上是直線,彎道較少,適合采用Hough變換檢測(cè)車道線。它的主要優(yōu)點(diǎn)是受噪聲和曲線間斷的影響較小。根據(jù)分析，可以得知當(dāng)前基于灰度圖像的車道線檢測(cè)與識(shí)別算法主要采用 Hough 變換的方法。當(dāng)然這種方法也有一些亟待解決的問題，就是當(dāng)車道線被樹陰、道路兩旁的建筑物、橋梁、隧道或其他車輛遮擋時(shí)，這些情況都會(huì)對(duì)道路圖像的灰度值產(chǎn)生影響，進(jìn)而可能對(duì)檢測(cè)和識(shí)別結(jié)果產(chǎn)生影響，這些問題都是今后考慮的重要方面。圖像分割注重對(duì)圖像中的目標(biāo)進(jìn)行檢測(cè)和測(cè)量，通過對(duì)圖像的分割、目標(biāo)特征的提取，可將經(jīng)初步圖像處理的圖像特征向量提取出來，在車道檢測(cè)中，該方法在基于 RGB 彩色空間原理基礎(chǔ)上，依據(jù)車道圖像在 R，G，B 三個(gè)基本分量與車道周圍環(huán)境分量的不同，對(duì)車道圖像進(jìn)行道路路面和非路面的劃分，該方法非常適合沒有車道標(biāo)識(shí)線的道路。(2)基于彩色圖像分割的方法：彩色圖像分割是數(shù)字圖像處理領(lǐng)域一類非常重要的圖像分析技術(shù)，在對(duì)圖像的研究和應(yīng)用中，根據(jù)不同領(lǐng)域的不同需要，在某一領(lǐng)域往往僅對(duì)原始圖像中的某些部分感興趣。目前很多神經(jīng)網(wǎng)絡(luò)算法是基于像素進(jìn)行圖像識(shí)別的。 道路圖像檢測(cè)的常用方法目前常用的道路圖像檢測(cè)和識(shí)別算法有以下幾種[12]：(1)模擬神經(jīng)網(wǎng)絡(luò)方法：神經(jīng)網(wǎng)絡(luò)在圖像識(shí)別中的應(yīng)用按處理數(shù)據(jù)類型大致可以分為兩類：—類是基于像素?cái)?shù)據(jù)的神經(jīng)網(wǎng)絡(luò)算法；另一類是基于特征數(shù)據(jù)的神經(jīng)網(wǎng)絡(luò)算法即特征空間的聚類識(shí)別算法。這對(duì)于外界環(huán)境多變的高速公路顯然是不合適的，因此，本文采用基于單目視覺的方法對(duì)車道圖像進(jìn)行分析研究。但從研究問題的實(shí)際看來，任何一個(gè)影響最終結(jié)果的因素都應(yīng)該加以考慮，因?yàn)檫@些因素都可能帶來最終結(jié)果的巨大偏差，尤其是在環(huán)境因素復(fù)雜多變的高速路上。本章沒有從三維視覺的角度來實(shí)現(xiàn)車道線檢測(cè)和道路環(huán)境分析，因?yàn)閺乃惴ǖ目尚行詠砜?，算法?fù)雜，相應(yīng)特征點(diǎn)查找困難，另外就是存在遮擋的問題。車道線檢測(cè)主要包括車道定位，車道線相對(duì)于周圍環(huán)境特征提取以及對(duì)感興趣車道的提取等。車道檢測(cè)與識(shí)別是車道偏離預(yù)警系統(tǒng)研究的核心問題之一，其研究水平也是智能駕駛系統(tǒng)發(fā)展的重要標(biāo)志。最后選擇了快速、方便、實(shí)用的邊緣檢測(cè)算子——自定義差分算子，并在實(shí)際應(yīng)用中取得了較好的效果，為后面的圖像處理做好了準(zhǔn)備并且節(jié)省了時(shí)間。左右卷積核分別如下圖所示：左卷積核和右卷積核自定義差分算子邊緣檢測(cè)圖如下：自定義差分算子邊緣檢測(cè)圖 本章小結(jié)在這一章節(jié)中，本文主要介紹了車道線檢測(cè)系統(tǒng)中所使用的圖像預(yù)處理技術(shù)。對(duì)平滑處理后的圖像用這兩個(gè)差分算子對(duì)道路圖像做微分計(jì)算，就得到了道路圖像的邊緣。和 135176。在處理的過程中，Canny 算法將經(jīng)過一個(gè)非極大值抑制的過程，最后連接邊緣是通過 Canny 算法采用兩個(gè)閾值來實(shí)現(xiàn)的[11]，下圖為Canny邊緣檢測(cè)圖。一個(gè)邊緣的一階導(dǎo)數(shù)在邊界處存在向上的階躍。增強(qiáng)邊緣就是將鄰域或者局部強(qiáng)度值有顯著變化的點(diǎn)突出出來，通過計(jì)算梯度幅值來完成。在實(shí)際工程應(yīng)用中，人們往往采用低通濾波器來實(shí)現(xiàn)。Canny 算法在進(jìn)行處理前，為去除噪聲，首先利用高斯平滑濾波器來平滑圖像。將多個(gè)響應(yīng)降低為單個(gè)邊緣響應(yīng)。實(shí)際邊緣與檢測(cè)到的邊緣位置之間的偏差最小。不丟失重要的邊緣，不應(yīng)有虛假的邊緣。Canny 算子[8]是一種比較理想的邊緣分割算子，從以下的三個(gè)標(biāo)準(zhǔn)意義來說，Canny 邊緣檢測(cè)算子對(duì)受到白噪聲影響的階躍型[9]邊緣是最優(yōu)的