【正文】 型權重和為 1 的前提下將這些剩下的權重取相等的值。為了加快初始化速度，可按簡單的方法來得到權重。均值和方差可以取前 N 幀圖像中車道線斜率的均值和方差，如式 44 和 45 所示： 10 =01= Nii KN? ? （ 44） 2100=01= ( )Nii KN??? （ 45） 其中 iK 為第 i 幀圖像中的車道線斜率?；旌细咚鼓Ｐ褪菃胃咚鼓Ｐ偷臄U展，該方法分為三個階段：背景模型的建立、背景模型的判定和背景模型的更新 [14,15]。 對于這樣一個復雜的背景模型，用單一的模型來描述可能誤差較大，也不能很好地反應車道線斜率的變化。但實際情況下，環(huán)境變化較快，背景并不是靜止的，常用多個高斯模型來描述。當 ? 取值較小時，模型更新速度慢，需要很長時間才能適應環(huán)境的變化；當 ? 取值較大時，模型更新速度快，但是容易引入噪聲 [12,13]。在車道線檢測之后，依照一定的更新規(guī)則更新車道線的斜率，而不匹配的車道線仍保留原值，模型更新的快慢由更新率 ? 來表示。當概率 p(x)i T(T 為設定的閾值 )時，則判斷該車道線為就得的真實車道線，否則認為該車道線檢測錯誤。設道路圖像中每個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。 單高斯背景建模 單高斯模型是圖像處理中背景提取常用的處理方法，適用于背景單一不變的場合。根據這一結論，當前車道線位置的存在范圍是可以估計的。高斯混合模型對道路圖像中車道線進行實時檢測保持，可以有效的解決車道大范圍的變向、路面不平引起的抖動等因素的影響。根據低通濾波原理，我們根據公式 32 和 33 調整這兩個參數： ( t + 1) = ( t ) + ( 1 ) X ( t )Xp??? (32) ( t + 1) = ( t ) + ( 1 ) W ( t )Wq??? (33) 其中 p(t) 和 (t)q 為上一幀圖像中車道線的位置， ? 為參數更新常數。 對圖像建立 直角坐標系，坐標原點在圖像中心，則距離坐標原點 X 寬度的左右兩側分別有一個寬度為 W 的矩形區(qū)域。 動態(tài)感興趣區(qū)域 ROI 的建立 車道線信息一般在圖像的下半部分，或者攝像頭視角區(qū)域的下半部分。要提高 Hough 變換的計算速度，可以減小邊緣點個數、減小 ? 變換范圍。 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，增加車道線檢測的準確率。所以在對圖像進行處理和 Hough 變換時，只用考慮極角 約束區(qū)域。本文采用改進的 Hough 變換，改進后的變換計算量大大減少，檢測效果也很好。 圖 31： Hough變換圖 如圖 31所示，直角坐標空間上的一點轉換到極坐標空間上，則是一條正弦曲線，直角坐標空間上的同一條直線上的各點在極坐標空間對應的曲線均相交于一點。 鑒于上述方法很難確定斜率 (k)的取值范圍，如果斜率 k取值太細，計算量大，反過來 k取值太粗的話，又會造成所求直線的準確率不夠。 一般的直線用斜率 k和截距 b來表示，即以方程 y=kx+b表示。它將 圖像空間中的直線映射到參數空間的一個點，然后對該點進行累計投票，這樣便可得到參數空間中的峰值。 Hough 變換最大的缺點就是計算量復雜 [10,11]?；?Hough 變換的車道線檢測是目前應用最為廣泛的車道識別方法之一， 它完成 從圖像中識別 特定的 幾何形狀 。同時，車道線檢測確定了障礙物檢測的搜索范圍，為后續(xù)的目 標檢測提供了較大的方便。 Canny 算子 是高斯函數的一階微分 ， 能在噪聲抑制和邊緣檢測之間取得較好的平衡 。道路圖像中的車道線邊緣是車道線和路面之間像素灰度有屋頂變化或階躍變化的像素集合，是車道線的基本特征之一。邊緣提取方法分為兩類：一類是基于圖像邊緣擬合算子的提取方法；另一類是基于微分算子求得圖像邊緣，濾波器模板在這類算法中大量使用。 連通域標記處理后的 二值 圖像如 23 所示： 圖 23： 連通域標記處理后的二值圖像 10 圖像的邊緣提取 圖像的邊緣是圖像的基本特征，常存在于目標與背景之間。 3． 如果此點八鄰域中的左上有點，上右都有點，則標記此點為這兩個中的最小的標記點，并修改大標記為小標記。 如果都沒有點，則表示一個新的區(qū)域的開始。 3． 如果此點四鄰域中的最左有點，最上都有點，則標記此點為這兩個中的最小的標記點，并修改大標記為小標記 。 四鄰域標記算法： 1． 判斷此點四鄰域中的最左，最上有沒有點，如果都沒有點，則表示一個新的區(qū)域的開始。連通域標記就是把連續(xù)區(qū)域作同一個標記，常見的算法有四鄰域標記算法和八鄰域標記算法 [9]?？梢缘玫酱蠼蛩惴?(OTSU)計算最佳閾值 T 的公式： ? ? ? ? ? ?m i n 200a r g m a x ( )m a Xg t g B gT d ist u t u t w t w t??? ? ? 在min maxg t g中窮舉每一個 t 值，使得 dist 取得最大值的 t 即為要求的閾值。 假設圖像的目標和背景的分割閾值為 T，且前景像素點數占圖像的比例為 1? ，其平均灰度為 1? ；背景像素點占圖像的比例為 2? ，平均灰度為 2? ；圖像的平均灰度記為 ? ，類間方差記為 g 。當一些背景區(qū)域錯誤劃分為目標或者一些目標區(qū)域錯誤劃成背景時，背景和 目標的差別就會變小。 在圖像中，方差是灰度分布是否均勻的度量之一。 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者大津展之于 1979 年提出，又稱大津算法 (OTSU)。 簡單的閾值分割 閾值分割是基于區(qū)域的圖像分割技術，其基本原理是：設定不同的閾值，把像素點分 成 若干類。為了提取出感興趣的車道線區(qū)域，提高車道線檢測的實時性和準確性，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。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識線的損傷和孤立 等噪聲有較好的濾波效果。 中值濾波是一種在去除噪聲的同時又能保護目標邊界信息，不使其邊緣變得模糊的非線性處理技術。頻域濾波需要將信號從空間域轉換到頻率域，計算量很大，很難滿足系統(tǒng)的實時性要求。 圖像去噪中的濾波技術 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雜度，需要對采集到的圖像進行濾波處理，去除圖像中的噪聲。 本文中道路圖像預處理方法主要包括：彩色道路圖像轉換為灰度圖像；對灰度圖像進行濾波，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?，F(xiàn)實 圖像預處理方法中，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。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度，障礙物遮擋和攝像頭抖動等各種因素的影響。 車行道檢測軟件以 MFC 作為軟件開發(fā)平臺，結合多線程技術和模塊化設計，實現(xiàn)了車行道的檢測要求，檢測過程以 OPENCV庫為基礎，調用相應的接口程序。進入“十五”一會后，國家將智能交通系統(tǒng) (ITS)及關鍵技術的研究與應用列為重點攻關項目，隨著我國科學技術與經濟的逐步發(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]。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) 應用。 國內研發(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的提示。隨著我國經濟和生活水平的不斷提高，同時汽車數量不斷的增加， 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。日本三菱汽車公司提出和設計 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)，并將其結合駕駛員行為習慣來實現(xiàn)偏離預警 [5]。德國 Daimlerchrysler 公司的車道線預警系統(tǒng)利用后視鏡上兩個攝像頭實時 監(jiān)測當前車道與鄰近車道之間的距離來判斷車輛是否偏離車道。 美國 Iteris 公司研制的 AutoVue 預警系統(tǒng)是由攝像機，計算機硬件系統(tǒng)以及軟件系統(tǒng)共同組成的集成單元。采集到的信息通過數字轉換器轉化并輸入到移動處理中心。該系統(tǒng)主要由以下幾個部分組成：多功能彩色攝像機、嵌入式移動處理中心、數字轉換器以及其它外 部設備。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時性 [4]。 許多國家的學者已經提出了多種車道標識線檢測方法， 他們利用不同的道路模型和不同的邊緣提取技術來實現(xiàn)車道線的檢測，并利用 Kalman 濾波技術、高斯混合模型 (GMM)，動態(tài)感興趣區(qū)域 (ROI)等方法 進行車道線的預測跟蹤。比如美國卡內梅隆大學 (CMU)研發(fā)的 AURORA 系統(tǒng)，這也是所有系統(tǒng)中最具代表性的。歐洲智能交通是整個系統(tǒng)研發(fā)的先驅，緊隨其后的是日本和美國。 國內外的研究現(xiàn)狀 車行線的檢測是智能交通中重要而基礎的組成部分，它不僅可以為車輛的導航提供參照和依據，還可以應用于運動目標的檢測，比如車輛檢測。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)測車輛行進的實時情況。針對以上問題，各國都加強了在車輛安全保障技術領域的研究。智能車輛可分為自主導航和安全保障兩個方面。雖然目前國內沒有該方 面的統(tǒng)計數據，但因車輛偏離行駛車道而造成的交通事故也屢見不鮮。 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量約占所有交通事故的三分之一左右。 2020年 1 月 9日交通部通報，當年全國一共發(fā)生交通事故 238351起，其中造成 67759人死亡，另有275125 人受傷，直接經濟損失 億元。 據世界衛(wèi)生組織報告，每年全球死于車禍的人數達到 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家的經濟，人民的生命和財產造成了巨大的損失。根據德國研究機構最新研究結果顯示，全球汽車保有量接近 10 億，到 2020 年還將增加 20%。s economy and the continuous progress of science and technology as well as the continuous improvement of living standards, the car is gradually being a public transport. With the growing popularity of the automobile, as well as the continuous improvement of automobile traffic speed, the number of traffic accidents also increased. Annual traffic accidents caused huge losses to the national economy and people39。 第三 、 對檢測出來的車道線建立高斯混合模型，從而預測以后車道線檢測的可靠性，并將檢測結果與高斯混合模型的預測結果結合得到最接近真實情況的結果。本文主要研究的內容有： 第一 、 對采集的道路圖像進行預處理，主要包括圖像的濾波、圖像的閾值分割，聯(lián)通域標記，邊緣提取等操作。當車輛發(fā)生偏離時，能夠提醒駕駛員及時調整車輛的狀態(tài)，從而避免交通事故的發(fā)生。 在車道偏離預警系統(tǒng)中，整個系統(tǒng)的關鍵是車道線的正確提取與識別。每年的交通事故給國家的經濟，人民的生命和財產造成了巨大的損失。 \ 2020 屆畢業(yè)生 畢業(yè)設計說明書 題 目 : 基于圖像的車道線檢測與跟蹤系統(tǒng) 院系名稱： 信息學院 專業(yè)班級： 計科 0905班 學生姓名： 王曌盟 學 號： 202048140505 指導教師： 于俊偉 教師職稱： 講師 2020 年 5 月 28 日 基于 圖像的車道線檢測與跟蹤 系統(tǒng) 摘 要 隨著我國經濟的不斷發(fā)展和科學技術的不斷進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。隨 著汽車的不斷普及以及汽車行車速度的不斷提高，交通事故的數量也隨之上升。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量約占所有交通事故的三分之一