面向城市道路的车道线检测算法研究

发布时间：2021-11-13 04:43

　　目前,无人驾驶已经成为人工智能领域的研究热点之一。而高级驾驶辅助系统（ADAS）的研究,对于无人驾驶的实现具有重要的意义。传统的车道线检测算法,通常仅对单一的目标场景进行识别,且需要人工设置相应的参数进行特征提取。但是,面对城市道路的复杂环境,车道线的检测往往同时受到光照、阴影遮挡等多种因素的影响,使得传统算法的鲁棒性不强。因此,本文针对这一缺陷对城市道路场景下的车道线检测进行了研究,主要的贡献如下:（1）对双车道线进行检测。提出了一种基于线性判别分析（LDA）的灰度化算法进行特征提取,和一种基于增加了混沌扰动的粒子群（PSO）算法进行车道线拟合。首先将高维的RGB（红蓝绿）彩色图像通过最佳鉴别向量投影到低维的子空间,进而实现图像的灰度化;然后通过混沌粒子群（CPSO）算法根据车道线特征,遍历粒子取值范围内的空间,寻找适应度函数最大的解;最后根据最优解来获得直线的参数。实验结果表明,算法能够实现各种道路情况下的车道线检测功能,验证了其具有良好的鲁棒性。（2）对多车道线进行检测。首先,提出了一种基于FCN（全卷积网络）的改进模型进行车道线特征提取,该神经网络可以实现像素级的车道线图像分类... 

【文章来源】：河南工业大学河南省

【文章页数】：71 页

【学位级别】：硕士

【部分图文】：

ROI区域的确定滤波器的选取

LDA训练图示例

第二章基于混沌粒子群的双车道线检测16(a)左车道线特征(b)右车道线特征图10边长为3×3的车道线像素特征对于左车道线来说，正常情况下图(a)特征比较明显，对于右车道线来说图(b)特征比较明显。根据以上特征，可以得出适应度函数表达式：111J,1，左车道线，右车道线naainbbinnMiTikbMiTi(2.20)式中，k,b为直线参数，α、β为像素块两个参数差值相应的权系数。n为有效像素点的个数，这里取阈值为20，当n小于20时，认为该线不是车道线，函数值J(k,b)取0。将每个粒子的适应度值与Pbest的值进行比较，如果大于该值，那么就更新Pbest。将此次迭代后的Gbest与上一次迭代后的Gbest进行比较。若此次得到的值更大，则更新Gbest；否则，停滞计数器次数加1，如果次数达到了T次，触发外在干预，由混沌扰动更新Pbest的取值。Step4：确认下一次粒子将要移动的方向和速度：11122*DTDTDTDTkdkdkdkdgdkdVkVarPXarPX(2.21)11DTDTDTkdkdkdXXV(2.22)其中，kd=1,2,...,D,a1、a2为粒子的加速度,r是一个随机数，取值范围是[0，1],k为粒子的速度对下一次更新的影响值。从式(2.21)可以得到，影响粒子速度的因素有三个：惯性权数k，个体极值Pbest，全体极值Gbest。Step5：判断迭代次数是否达到DTMax,若没有继续执行Step3。否则，输出最优的直线的参数信息。在原图像上根据最优解得到的直线模型参数，拟合车道线。

【参考文献】：
期刊论文
[1]基于改进简单图像统计算法的车道线识别[J]. 段建民,张云飞,郑榜贵.  计算机工程与设计. 2018(03)
[2]一种基于混沌映射的快速图像加密算法优化[J]. 乔建平,邓联文,贺君,廖聪维.  激光技术. 2017(06)
[3]面向复杂道路环境的车道线快速检测方法[J]. 程文冬,沈云波,魏庆媛.  机械设计与制造. 2017(11)
[4]基于聚类算法的车道线检测方法[J]. 蔡英凤,高力,陈龙,袁江,陈军.  江苏大学学报(自然科学版). 2017(06)
[5]复杂环境下道路车道线识别算法的研究[J]. 曹月花,罗文广,蓝红莉,赵晓东.  现代电子技术. 2017(14)
[6]基于多尺度重采样的车道线检测[J]. 付黎明,李必军,叶雨同.  电子技术应用. 2017(04)
[7]基于动态感兴趣区域的光照无关车道线检测算法[J]. 鱼兆伟,吴晓波,沈林.  计算机工程. 2017(02)
[8]基于Canny算子和Hough变换的夜间车道线检测[J]. 李亚娣,黄海波,李相鹏,陈立国.  科学技术与工程. 2016(31)
[9]基于改进Retinex算法的雾霾天气车道线识别[J]. 周劲草,魏朗,刘永涛,张在吉,田顺.  东北师大学报(自然科学版). 2016(03)
[10]基于TopHat分割和曲线模型的三车道检测方法[J]. 段建民,战宇辰,刘冠宇.  北京工业大学学报. 2016(08)

硕士论文
[1]车道偏离预警中车道线识别算法研究[D]. 狄帅.河南工业大学 2013



本文编号：3492345