1. 研究目的与意义（文献综述）

1.1 研究目的及意义

随着社会经济的发展，科学技术不断突破，各种交通工具更新换代，其中汽车是人们日常使用最频繁的交通工具。在21世纪，随着人们生活水平的不断提高，私人汽车的数量日益增加，机动车和驾驶人保持高位增长。汽车的发展再给我们生活带来极大的便利的同时也伴随着风险和事故。除了汽车尾气排放给大气造成的严重污染外，最引起社会关注的就是频发的交通事故。引发交通事故的原因多种多样，有的是受天气的影响，有的是驾驶员自身的疏忽，由于人为因素导致的交通事故占主要方面，而这些事故中大部分是可以通过主动或被动的安全系统预先防止的。既然驾驶员失误百出，汽车制造商们当然要集中精力设计能确保汽车安全的系统。为了提高行车安全，研究人员致力于辅助行车安全的驾驶系统，世界各国政府大力推动无人驾驶技术的发展，使得道路交通行驶日趋智能化，有效地降低交通事故发生率。

据调查统计50%的交通事故都与车辆偏离正常行驶方向有关，因此在对智能辅助驾驶系统的研究中，对行车途中车道线的检测识别是最为基本而且非常关键的技术环节。对车身周围复杂环境的感知是实现辅助驾驶或者无人驾驶进行规划决策的前提条件，车道线检测是智能汽车对环境理解的重要组成部分，对于无人驾驶，车道线检测作用是路径规划和决策，实现车辆智能检测出可行车道，最终实现全智能的无人驾驶。对于辅助驾驶，车道线检测的主要作用是车道偏离预警。基于机器视觉的车道线检测利用计算机视觉相关技术从获得的实时视频图片中处理识别出目标车道线，定位出安全正确的行车方向和可行驶区域，规避风险。实现车道线的检测为基于视觉的智能车辆导航和自动驾驶提供条件，再与其他的辅助驾驶技术相结合，最后实现更加有效的安全保障系统，减少相关的人员财产损失。

2. 研究的基本内容与方案

本文针对道路图像中车道线的检测问题，研究一种结合改进hough变换和最小二乘法的车道识别方法。对采集到的道路图像进行灰度化、滤波等预处理，提取其中的感兴趣区域，根据车道线边缘点实现车道线边缘轮廓、几何形状等相关信息的提取，获取车道线的位置和走向趋势，使用改进的hough变换进行车道线的粗检测，粗检测后若有满足条件的车道线，则使用最小二乘法进行精准拟合。车道识别算法对边界点进行连接，使边缘点组合成有意义的边缘，即拟合出满足识别要求的车道线。

图2-1车道线检测流程图

如图2-1车道线检测流程图所示，首先获得一帧待检测的视觉图像，该原始道路图像含有大量的噪点，直接会影响后续的车道线检测精度。原始图像需要经过图像的预处理，去除无用噪点，保留图像中的有效信息以得到清晰的车道线轮廓。图像预处理包括对图像进行灰度化，图像增强处理以及图像二值化等。经过预处理后的图像可以进行感兴趣区域的划分，感兴趣区域的划分决定后续算法处理数据量的大小，有效地划分感兴趣区域可以减少图像处理的区域，提高算法实时性，去除背景的干扰信息。下一步对图像进行边缘检测通过边缘增强处理来强化车道线的边缘特征，突出车道线轮廓信息。边缘检测的实质是采用某种算法来提取出图像中对象与背景间的交界线，边缘检测有多种算子例如canny边缘算子，roberts边缘算子等供对比选择。经过边缘检测后的图像就可以通过hough变换进行车道线的粗检测，提供车道线的边缘点集。hough变换是图像处理技术中从图像中识别几何图形的基本方法之一，它通过投票算法来检测具有特定形状的物体。经hough变换粗检测后若有满足条件的车道线，则使用最小二乘法进行精准拟合。最小二乘法基于整体逼近的效果，对图中离散点进行直线拟合，求取误差距离使得整体误差平方和最小，得到最优的直线方程，无限逼近实际的直线位置。

3. 研究计划与安排

第1－4周：查阅相关文献资料，明确研究内容，了解研究所需理论基础。确定方案，完成开题报告。

第5－6周：熟悉掌握基本理论，完成英文资料的翻译，熟悉相关工具软件的使用。

第7－9周： 实现道路图像的预处理以及样本库的搭建。

4. 参考文献（12篇以上）

[1] ronghui z , haiwei w , xi z , et al. lane detection algorithm at night based-on distribution feature of boundary dots for vehicle active safety[j]. information technology journal, 2012, 11(5):642-646.

[2] fang h, jia r, jia-peng l u. segmentation of full vision images based on colour and texture features[j]. transactions of beijing institute of technology, 2010, 30(8):935-939.

[3] he y, hong w, bo z. color based road detection in urban traffic scenes[c]// intelligent transportation systems. 2003.

[4] yoo h, yang u, sohn k. gradient-enhancing conversion for illumination-robust lane detection[j]. ieee transactions on intelligent transportation systems, 2013, 14(3):1083-1094.