1.1研究的目的及意义

随着公路交通的飞速发展和大中城市人口的急剧膨胀，交通事故特别是恶性交通事故呈不断上升趋势，交通安全越来越受到人们的广泛关注，鉴于交通事故带来的巨大损失，智能辅助驾驶系统和自动驾驶汽车技术成为了当今交通领域和汽车工业界的研究热点，它也是计算机视觉应用的一个重要方向。视觉系统是智能车辆的关键部分，其中车道线识别算法的研究是智能车辆辅助导航的核心部分。为了满足智能驾驶的实际需要，车道线识别算法必须保证具有很好的可靠性、实时性和鲁棒性。

1.2国内外的研究现状分析

目前，研究人员已经提出了很多基于视觉的车道标志线识别算法。早期的一些算法主要利用车道线固定而明显的颜色特征提取出具有某种特殊颜色的目标; 然后通过对车道建模，根据其特殊的几何特征、尺寸特征、形状特征进行第二次提取; 最后利用 Hough 变换得到车道线。但它只适用于结构化道路，当道路标志线模糊或外界环境多变复杂时就存在较大问题。近年来一些新的算法采用回旋曲线识别道路标志线、神经网络、基于变形模板的方法等。分析这些算法的性能发现，或者因为计算量大而引发实时性问题，或者因为前期处理算法不佳，使得检测到的车道标志线或含有伪车道线，或丢失要检测的车道线。由于基于视觉的道路识别方法易受光照、雨天、阴影、石灰路岩和噪声影响，致使道路识别算法存在鲁棒性很低、计算量较大的问题。因此，已有算法的实验环境大多选在高速公路上( 车道标志线清晰、环境单一、不受自然边缘的影响) ，且外界环境良好( 无强光、路面无阴影、无路灯等) ; 而针对强光照射、雨天积水、夜间行车等复杂环境，一些研究者针对具体情况给出具体的算法，但均存在鲁棒性差的问题。

现今，国内外学者提出的车道线检测算法主要可以分为 2 类: 基于模型法和基于特征法。基于模型的方法主要是通过提取的车道线特征点与车道线几何模型进行匹配提取车道线 基于特征的方法主要是通过车道线边缘点的梯度、方向和灰度等一些低级特征来检测车道线用扫描线提取线元的中点和 Hough 变换提取车道线，该方法能满足实时性要求，但在光照变化、车辆干扰等条件下鲁棒性很低。Aly基于Hough 变换统计特征点灰度直方图，在直线约束框中进行RANSAC 验证提取车道线，能满足实时性要求，对于直车道具有很好的鲁棒性，但是对于弯车道和车道污损等条件下鲁棒性降低。

Beamlet 变换是 1999 年由美国斯坦福大学的Donoho 等首次提出的，利用 Beamlet 变换对图像进行分析的方法能够在多尺度和多分辨率下对图像线性信息进行较好地分析和表达。研究人员利用 Beamlet变换检测图像边缘，连贯性很好，但是抗噪性差且计算量大。而利用Beamlet变换提取遥感图像线特征，抗噪性好，直线定位准确，但是计算量大。将Beamlet变换用于提取车道线，计算量大和抗噪性能差是必须克服的缺陷。故需要通过简化 Beamlet 词典和快速提取 Beamlet基来减少Beamlet变换的计算量。

2. 研究的基本内容与方案

（1）基本内容

1.查阅相关资料掌握Beamlet算法及变换，了解数字图像，模式识别等相关知识；

2.针对车道线识别，作出基于Beamlet的优化车道线识别算法可行性分析方案；