基于视觉与地图的车道信息检测方法

发布时间：2020-06-09 07:11

【摘要】：无人驾驶技术是最近几年研究的热点之一,其中车道检测是无人驾驶技术中的关键,也是无人驾驶的先决条件。城市道路是无人驾驶技术的重要应用场景,但是城市道路场景信息复杂,道路类型以及车道标志繁杂多样,给车道信息检测带来了挑战。本文围绕行车安全信息主题,针对车道环境深度获取以及当前车辆行驶车道检测这两个关键问题展开研究。本文的研究内容主要为以下几个方面。(1)采用双目视觉系统获取车道深度,提出了一种基于双分量模型的立体匹配算法(SM-DCM)。该方法是根据纹理特征将图像分解为两个独立成分的图像Outlier和Inlier,分别为只含有细小纹理如小树、电线杆、信号杆、地面遗弃物等图像与含有大片道路、车辆、建筑等大尺寸面状区域的图像。根据两种纹理特性设计了不同的匹配算法,分别进行立体匹配,最后对结果进行融合,获得准确的车道场景深度信息。试验结果表明,本方法能得到行车环境中精细的深度图,对细小和大面纹理都有很好的检测效果。(2)利用预先设计好的道路地图与视频图像匹配求解车道区域。首先将相机拍摄前视图像按照姿态参数估计值进行IPM变换,得到与地图投影差较小的顶视图。为提高地图与图像匹配的鲁棒性,设计了顶视图车道线增强算法;提出了组映射方式进行地图车道线与相机图像车道线的点点关联方法,用对应点对建立映射方程。利用RANSAC原理求解目标方程,获取地图与相机顶视图之间的投影变换参数;更新姿态参数值,重复该过程直到算法收敛。最后将地图按照该参数进行变换后叠加到前视图像中,即可标识出车道区域。(3)提出了行车路径已知条件下的车道检测方法。借助公开电子地图或测绘图建立行车路径地图,利用位置信息将相机拍摄图片和路径地图信息建立关联;设计了简单有效的方法将矢量路径信息和对应的相机图像进行融合;研究了基于深度卷积神经网络的分割模型,对融合后的数据样本进行训练,应用训练出的模型可以有效的检测车道。对比试验验证了本方法能够充分利用行车路径先验知识,相比单纯视觉检测方法,本方法对转弯、行人路口等多种场景下的车道都有更好的检测效果。
【图文】：

模型图,双目视觉,模型图,相机

图 2-1 双目视觉模型图线长度 T 和相机焦距 f 以及像点的坐标有如下×= ×= 标之差就为视差记为 d，即有：=××=××机像元大小。知，当双目视觉系统搭建好后，即基线 T 和相离只与物体在两个相机成像后的图像中的视差 d 成反比关系。物体距离相机越近，视

顶视,相机,前视,位置关系

从上面的公式可以看出，，IPM 过程主要与相机与地面之间的距离 H 和俯仰角度相关。相机经过标定，获得相机的安装高度以及相机的俯仰角 IPM 能将图像坐标系下的横纵坐标转化为世界坐标系下的横纵坐标。.2 前视图和顶视图变换汽车行驶的时候拍摄的路面图都是前视图，前视图中的信息丰富，不仅的天空，房屋以及车辆等信息，而且前视图受相机成像的透视变换影响中平行的车道线在前视图像中变成了相交线。为了消除这种透视的影响了减少车道区域以外的信息干扰车道检测，需要将前视图转换为顶视图图也被称为鸟瞰图，相当于是相机垂直向下拍摄物体。物体在顶视图中过程，可以认为物体平面和像平面只是仿射变换而没有透视变换，所以顶视图像，能够消除前视图像带来的透视影响。在世界坐标系下的侧视面中，前视图和顶视图的相机位置的关系如图 2-4 所示。
【学位授予单位】：武汉理工大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：TP391.41;U463.6

【相似文献】