文件名称：车道线检测研究-visual c#基于组件的开发
文件大小：4.33MB
文件格式：PDF
更新时间：2024-07-20 10:05:28
模型预测算法 无人驾驶 路径识别与跟踪
2.4 车道线检测研究 当输入道路图像进行一系列预处理后，随后进行图像识别的关键部分车道线 检测，其中包括感兴趣区域的提取，边缘检测，霍夫直线检测，逆透视变换等操 作，使车道线在图像中得到提取并转换到鸟瞰图中，方便在后续处理中提取车道 信息并作车道方程拟合处理。 2.4.1 兴趣区域提取 在图像处理过程中往往存在着大量干扰信息，例如天空和道路两侧与车道线 无关的图像信息，若不对这些干扰进行剔除将导致计算量的增大，影响车道线检 测的实时性。为剔除这些无用信息的区域，通常在图像中选取感兴趣区域(region of interest，ROI)，将这个区域作为图像处理的重点。利用 ROI 圈定感兴趣区域，可 以减少计算时间，增加精度。例如在 Halcon，OpenCV，Matlab 等机器视觉软件上 或图像处理过程中通常使用方框、圆、椭圆。 现今较为常用的兴趣区域提取方法为，先对图像进行边缘检测和直线检测， 并得到消失点（Vanish point），选取图像消失点以下部分作为兴趣区域，如文献[An Improved Lane Boundaries Detection Based on Dynamic ROI]，其结论显示能够缩短 路径检测的时间，提高实时性。由于首先对图像进行了边缘检测、直线检测和消 失点的计算，因此这种方法不仅是对兴趣区域进行了计算，同时也对非兴趣区域 进行了相关计算。因此该方法仍然有改进的余地，针对本文提出基于纵向测速的 动态兴趣区域提取方法[57-59]。 已知当汽车纵向行驶速度越高，驾驶员对前方道路信息需求量越大；同样， 汽车横向速度越高时，对左右车道环境信息量需求也越大。因此可以推论出，兴 趣区域的大小与车辆纵、横向速度密切相关。由于驾驶员对横向车道信息更为敏 感，当车道线曲率较大时，若对横向车道信息进行筛选容易造成近视场信息的丢 失。因此针对本文提供的原始车道图像，只根据纵向速度的变化作动态兴趣区域 提取。因此本文提出的动态 ROI 原理示意图如图 2.5 所示。 万方数据