1. 研究目的与意义（文献综述）

现今随着汽车的普及，人们的日常生活已与汽车密不可分，汽车在给人们带来方便的同时也带来了潜在的威胁。为改善汽车行驶过程中的安全性，国内外学者针对汽车的安全辅助驾驶问题进行了大量的研究，车道线的检测系统就是汽车辅助驾驶系统的一部分。

随着机器视觉、数字图像处理、模式识别等技术的发展，基于贝叶斯网的车道线识别作为安全辅助驾驶的一个重要组成部分，逐渐成为了科研人员研究的一个热点问题。根据不同道路图像模式下的灰度特点，提取图像特征，设计合理的分类器以保证提取的图像能够精确的划分模式类别，常用的分类器有贝叶斯分类、fisher分类、神经网络分类、模糊分类、支持向量机分类等，本文采用了基于概率统计的朴素贝叶斯分类的方法进行车道线识别及预测的研究。而目前车道识别方法主要分为两类，基于图像特征的方法和基于模型的方法。基于图像特征识别的原理是利用了车道标志线边缘与道路图像周围路况之间特征的差异，通常的特征差异有图像的纹理、边缘几何形状、边界的连续性、感兴趣区域的灰度值及对比度等，可以使用阈值分割等方法提取图像特征，算法简单易实现；模型匹配的原理是针对结构化道路的几何特征，建立相应的车道线模型，辨识道路模型参数，进而识别出车道标志线。由于图像特征法的局限性，在实际应用中一般将图像特征法和模型匹配法相结合，问题的关键是寻找出与车道线匹配的最佳模型。

2. 研究的基本内容与方案

车道线的识别是在车道偏离预警中的基础性识别问题，采用hough变换方法，在识别中存在易受环境以及道路条件的限制出现丢失问题。所以本论文在贝叶斯概率网络的基础上，研究基于道路通行条件下的基于贝叶斯网络的车道线识别，预测车道线的行进方向，针对车道线丢失等问题进行研究。

一个图像分类系统由3部分组成：图像信息的获取，信息的加工和提取特征，最后判断分类，系统框图如图所示。

车道线识别对于道路周围环境的光照、天气比较敏感，在非标准路况下提取到的道路图像对比度偏低会给后续的车道线识别增加一定的难度，因此首先将获得的道路图像进行分类，然后再采用图像预处理方法提高道路图像的质量。图像分类在车道线识别中的作用，如图所示：

3. 研究计划与安排

1-3周 查阅中、英文资料，完成开题报告，完成不少于2万字符的英文翻译任务；

4-8周 学习相关算法及相应综述表示方法；

9-16周 完成贝叶斯概率网络的构造及训练和识别；

4. 参考文献（12篇以上）

[1]韦唯. 基于单目视觉的车道线识别方法研究[d].吉林大学,2015.

[2]郭靖. 基于机器视觉的车辆辅助驾驶系统关键问题研究[d].北京工业大学,2013.

[3]carrie pritt，bayesclassifiers for imbalanced traffic accidents datasets.accident analysisamp; prevention, volume 88, march 2016, pages 37-51v