摘 要

现代科技发展越来越快，智能驾驶、无人驾驶等词汇开始进入人们的视野，而对于智能驾驶来说，准确检测和识别车道线是其中至关重要的一环，尤其在高速智能车辆的导航方面。对车道线的准确识别可以避免行驶偏离等问题，从而减少一些交通事故的发生。

本文提出了一种传统的基于计算机视觉的车道线检测算法。首先对图像进行预处理，包括高斯滤波处理、灰度化，然后进行Canny边缘检测和颜色阈值过滤对图像进行处理以得到清晰的车道线边缘，再接着进行透视变换，由于投影问题所处理的图像的车道线通常是在中心趋向于相交，透视变换可以把趋于相交的两条线转换为平行的两条线。再通过滑动窗多项式拟合来拟合车道线，最后便可以通过拟合车道线得到的像素坐标来得到曲线方程以及曲线即车道线的曲率。通过对几种不同条件下的车道线检测与识别实验，可以证明该算法能准确识别车道线，且具有良好的适应性。

关键词：计算机视觉；阈值过滤；透视变换；滑动窗多项式拟合

Abstract

With the rapid development of modern science and technology, intelligent driving, driverless and other words begin to enter people's vision. For intelligent driving, accurate detection and recognition of lane line is one of the most important parts, especially in the navigation of high-speed intelligent vehicles. The accurate identification of lane line can avoid driving deviation and other problems, so as to reduce the occurrence of some traffic accidents.

This paper presents a traditional lane detection algorithm based on computer vision. Firstly, the image is preprocessed, including Gaussian filtering and graying, then Canny edge detection and color threshold filtering are used to process the image to get clear lane edge, then the Perspective transformation is carried out. Because the lane lines of the image processed by the projection problem tend to intersect in the center, the Perspective transformation can convert the two lines that tend to intersect into two parallel lines. Next we use the Sliding window polynomial fitting to fit the lane line. Finally, the curve equation and curvature of lane line can be obtained by fitting the pixel coordinates of lane line. Through the lane line detection and recognition experiments under several different conditions, it can be proved that the algorithm can accurately identify lane lines and has good adaptability.

Keywords: Computer Vision; Threshold filtering; Perspective transformation; Sliding window polynomial fitting

目录

摘要 I

Abstract II

第一章 绪论 1

1.1研究背景及意义 1

1.2国内外研究现状 1

1.2.1国外研究现状 1

1.2.2国内研究现状 2

1.3本文研究内容 3

1.4论文章节安排 4

第二章 图像预处理 6

2.1图像灰度化 6

2.2图像二值化及边缘检测 7

2.2.1高斯滤波 8

2.2.2常用的边缘检测算子 9

2.2.3基于Canny算子的边缘检测 12

2.3基于颜色通道分离的阈值过滤 15

2.3.1 HLS颜色空间 15

2.3.2 Lab颜色空间 16

2.3.3 LUV颜色空间 17

2.4透视变换 18

2.5本章小结 21

第三章 车道线检测与拟合 22

3.1查找车道线像素位置 22

3.2拟合车道线 25

3.2.1滑动窗多项式拟合 25

3.2.2最小二乘法 28

3.3曲率与偏离中心距离计算 30

3.3.1车道线曲率计算 30

3.3.2偏离道路中心距离计算 31

3.4本章小结 31

第四章 车道线检测实验 32

4.1实验环境及流程 32

4.2实验相关参数设置 32

4.3实验结果分析 33

4.3.正常车道 34

4.3.2路面破损车道 37

4.4本章小结 40

第五章 总结 41

参考文献 42

致谢 44

第一章 绪论

研究背景及意义

近年来，我国汽车销量逐步上涨，汽车普及后成为了一种基础的代步工具。正因为汽车数量的高速增长，随之而来的就是大量的问题，比如交通事故、环境污染和交通堵塞等。

大量的交通事故都是由于汽车偏离车道所造成的，尤其是在高速公路上，在驾驶员未意识到危险来临的一瞬间，可能就会酿成一次惨剧。为了提高驾驶的安全性、减小交通事故的发生频率，智能驾驶开始走进人们的视野，如何准确的检测到车道线以及判断车辆偏离的距离对于这项技术来说显得极为重要。

车道线检测不仅对智能驾驶很重要，也是无人驾驶技术的关键推动因素。随着各类技术的蓬勃发展，汽车无人驾驶技术也正在被越来越多的人关注，这也是近年来的研究热点和攻关难题。从多方面的实验可以了解到，无人驾驶技术能够实现的前提就是对车道的准确检测，即正确识别和检测出交通道路上的各种复杂的车道线，并计算出有关参数，如车辆偏离车道中心的距离和车道线的曲率半径等等，系统再自动地将利用计算机视觉处理后的正确车道线的信息传送给无人驾驶汽车控制系统，从而做出正确的判断来实现无人驾驶。

国内外研究现状

1.2.1国外研究现状

近三十年间，随着计算机视觉、人机交互技术的快速兴起，智能驾驶，无人驾驶都有了更深入的发展，对车道线的检测研究也显得尤为重要。

T.T Tran 等人^[1]提出了一种基于 HSI 颜色模型的自适应方法来检测车道标记。 首先，他们将基于 RGB 的图像转换为其基于 HSI 的图像。 但是，通过更改从 RGB 彩色图像计算强度分量的方式，改进了 HSI 彩色模型。 通过在 HIS 颜色空间中观察道路场景的彩色图像，他们利用了有限的颜色范围。 因此，在此方法中使用了 H， S 和 I 成分。 所提出的方法可以准确标记车道标记的位置。