货运车辆车道偏离预警系统研究 (2).docx

《货运车辆车道偏离预警系统研究 (2).docx》由会员分享，可在线阅读，更多相关《货运车辆车道偏离预警系统研究 (2).docx（31页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、山东交通学院毕业设计（论文）货运车辆车道偏离预警系统研究曲磊（山东交通学院 汽车工程学院 汽运172 ）摘 要车道偏离预警系统( LDWS )是智能汽车与安全驾驶系统的重要组成部分,当驾驶员所所驾驶的车辆发生了一定程度上的偏离或者车辆行驶的路径发生了一定程度上的偏离时,车辆的车道偏离预警系统可以通过发出信号的方式来及时的提示并警告货运车辆驾驶员,减少或者有效避免因为一定的车道偏离而可能引发的交通事故。文章通过对货运车辆道路安全现状的分析阐述了货运车辆车道偏离预警系统研究的意义，介绍了货运车辆车道偏离预警技术国内外现状以及货运车辆车道偏离预警系统的组成、结构和工作流程。对车道偏离预警系统的图像处

2、理和各种算法进行了进一步的研究。关键字：货运车辆，车道偏离预警系统，图像处理，车道线检测，偏离预警算法IAbstractThe Lane Departure Warning System (LDWS) is an important part of the smart car and safe driving system. When the vehicle driven by the driver deviates to a certain extent or the path of the vehicle deviates to a certain extent, the vehicles

3、 The lane departure warning system can prompt and warn drivers of freight vehicles in time by sending signals, reducing or effectively avoiding traffic accidents that may be caused by a certain lane departure. The article explains the significance of the research on the lane departure early warning

4、system of freight vehicles through the analysis of the current situation of the road safety of freight vehicles, introduces the current situation of the lane departure early warning technology of freight vehicles at home and abroad, and the composition, structure and work process of the lane departu

5、re early warning system of freight vehicles. The image processing and various algorithms of the lane departure warning system are further studied. Key words: Freight vehicle, Lane departure warning system,Image Processing,Lane detection, Departure warning algorithmI目 录1前言11.1课题研究的背景与意义11.2国内外研究现状21.

6、2.1国外研究现状21.2.2国内研究现状31.3研究内容42货运车辆运输安全现状及车道偏离预警系统组成52.1货运车辆运输安全现状52.1.1公路货运现状52.1.2货运车辆安全现状62.1.3影响货运车辆道路运输安全的原因62.2车道偏离预警系统组成72.2.1信息采集模块82.2.2偏离决策算法模块92.2.3人机交互模块93道路图像的预处理103.1感兴趣区域选取103.2彩色图像灰度化113.3道路图像增强133.4图像边缘检测153.5图像二值化处理164车道线检测与车道偏离预警算法174.1车道线检测174.1.1确定车道线模型174.1.2 Hough变换检测184.2车道偏离

7、预警算法194.2.1 CCP算法194.2.2 TLC算法204.2.3 FOD算法214.2.4 KBIRS算法225货运车辆的车道偏离预警系统22结 论23致 谢24参考文献24III1前言1.1课题研究的背景与意义随着世界经济的进步和飞速发展,全球对于汽车的认识和普及程度也是愈来越高,公路的建设和轨道交通运输业得到了蓬勃发展,汽车的实际使用率愈来越高,逐渐地成为现代人们的日常生活中必须不可或缺的一种交通工具,汽车的应用与发展极大地改变了现代人们的生活方式和观念,给现代人们的生活带来无尽的便利,不仅大大提高了人们的物质生活水平而且对于人类乃至社会的推和经济发展作出重大贡献。然而，在汽车和

8、运输业的快速发展过程中，随着车辆数量的增加，伴随的交通事故的发生率也在增加，并且交通事故每年造成了不可预测的经济损失和伤害。交通事故已成为世界关注的主要问题。全球交通事故的统计分析表明，在美国和欧洲国家的交通事故中，有80至90的交通事故是由驾驶员造成的。根据美国联邦道路管理局的估计显示，2002年美国所有致命交通事故中有44与车辆行驶偏离有关。当然，根据交通部的统计，我国的交通状况并不乐观，大约有50的车祸是由偏离正常驾驶路线的汽车引起的。随着技术的不断进步，人们逐渐意识到车道偏离的危险。车道偏离是驾驶员驾驶车辆离开当前车道或被驾驶车辆的一部分超出车道线的情况。车道偏离的原因很多，驾驶员长时

9、间驾驶车辆时，精神分散，疲劳，嗜睡和注意力不集中是产生车道偏离的主要原因。1这种现象在经常进行长途运输的货车司机中尤为普遍。在大型货运车辆中，因车道偏离而引起的交通事故更为频繁，据不完全统计，在大型货运车辆中，多达97%的交通事故是由于驾驶员疲劳或注意力不集中和疏忽所致。货运车辆也是出现车道偏离现象最严重的车型之一。因此，车道偏离警告系统（LDWS）对于货运车辆尤为重要。图1-1 LDWS组成研究表明，为车辆配备有效的车道偏离系统可以迅速有效地及时提醒处在疲劳、困倦或注意力不集中的驾驶员，甚至可以在紧急情况下有针对性的对车辆采取一定的制动手段。减少并防止车道偏离事故发生，以保持车辆的正常行驶。

10、1.2国内外研究现状1.2.1国外研究现状国外车道偏离系统技术相对成熟，在日常生活中得到广泛应用，其技术水平比中国先进。当前，车道偏离警告系统的所有商业产品都是基于视觉的系统，其中包括美国卡内梅隆大学机器人研究所开发的AURORA系统、由德国的Daimler Chrysler公司和美国Iteris公司联合推出的AutoVue系统、Mobileye公司研制的Mobileye_AWS系统和日本三菱汽车公司研发的DSS系统等。（1） AURORA系统AURORA系统于1997年在美国卡内梅隆大学机器人实验室成功开发，该系统由一台彩色摄像机（带广角镜），一个数字转换器和一个数字处理工作站组成。是基于车

11、辆的俯视系统中最具有代表性的系统。2该系统的处理算法主要由三部分组成：基于视觉的车道标记识别和跟踪，车辆横向位置估计以及车道偏离警告。该系统可以通过安装在车辆一侧的彩色摄像机检测出距离其1.5m-1.6m的车道标识和车道线。以这种方式，实现了车道识别和跟踪，车辆位置估计和发出车辆警告功能，如图1-2。图1-2 AURORA系统（2） AutoVue系统由克莱勒斯集团和Iteris联合开发的AutoVue系统包括以紧凑的结构安装在车辆挡风玻璃后方的摄像头、道路标记识别和跟踪软件、立体声音响，小型显示单元和控制单元。该系统计算车辆与车道之间的距离，并将其与设置的阈值进行比较，以做出预警决策并通过车

12、载音频发送警报消息。该系统具有很强的环境适应性和抗干扰功能，并在美国和欧洲国家得到积极推广。图1-3AutoVue系统工作示意图及其产品（3） Mobil eye_AWS系统2004年，Mobil eye公司开发了Mobil eye_AWS系统，该系统使用前置摄像头监视车道标记以及车身与道路边界之间的距离，并计算车辆侧方向通过车道线所需的时间，进行车道偏离警告判断。与其他系统相比，AWS系统的优势在于AWS系统可以当车辆在的道路行驶没有检测到车道线时，可以通过道路的边界对车道线进行预测并给出预警，同时AWS系统采用的警告阈值能够适应不同驾驶员的驾驶风格。3（4） DSS系统（Driver Su

13、pport System）1998年，日本三菱汽车公司提出了设计和开发并于第二年应用于模型车的DSS系统。它由安装在车辆后视镜中的小型CCD摄像头模块、用于采集驾驶员驾驶行为和车辆状态的传感器模块以及视觉、听觉报警装置模块组成。原理是通过CCD摄像机识别车道，计算曲率半径，偏移量和横摆角，通过传感器检测车辆的横摆角速度，并通过控制器计算车辆轨迹的偏差，确定车辆与车道线之间的距离，其相对距离用于确定车辆是否已偏离。当车辆离开车道时，DSS系统会通过视觉和听觉警告消息以及方向盘振动来警告驾驶员。 DSS系统的优势在于它可以产生转向扭矩，以帮助驾驶员调整驾驶条件。但是，扭矩不会影响驾驶员的车辆控制，

14、并且可以提高驾驶安全系数并减少车道偏离事故的发生。除了上述介绍的四个常见的车道偏离预警系统外，还有日本丰田公司研发的STAR系统、由德国Kun Zhao等人在2012年提出的多车道跟踪系统和土耳其的 Burak Benligiray 等人提出基于消失点的车道标识线检测方法。在各个国家的车道偏离预警系统的研制过程中，是Iteris、Mobileye两家公司一直在研发过程中起着重要作用。目前应用最成功、最普遍的则是AURORA系统。1.2.2国内研究现状与西方先进国家的车道偏离系统的发展相比，由于我国的智能汽车起步较晚，因此在中国和发达国家的车道偏离警告系统领域的研发仍存在一定差异。但是，近年来，

15、随着我国汽车工业的发展和汽车安全技术的不断发展，我国在车道偏离系统的研究上取得了重要的成就。（1） JLUIV系列车道偏离预警系统.JLUIV系列车道偏离预警系统是由吉林大学智能车辆研究小组开发的。该系统由嵌入式微型计算机，摄像机，图像采集卡，显示设备和扬声器组成。该系统使用摄像头获取车辆前方的道路信息以及车辆与车道之间的距离，并比较车辆的预期驾驶轨迹以做出判断。如果存在车道偏离的风险，系统会通过声音或抖动提醒驾驶员，以便驾驶员可以及时更改当前的驾驶状况。图1-4吉林大学JUTIV系列智能车辆（2） 国防科技大学国防科学大学自动化实验室开发的车道偏离警告系统，使用单目机器视觉检测车道并开发了C

16、ITAVT系列车辆自动驾驶系统，利用Sable算子提取车道边缘并使用Hough变换进行拟合车道在提高车辆的环境适应性的同时，还提高了系统的鲁棒性。系统将车辆通过车道的预期时间与设置的时间进行比较，同时用声音提醒驾驶员。（3） 基于DSP的车道偏离预警系统由东南大学研制开发的基于DSP的嵌入式车道偏离预警系统是基于单目视觉的前视系统，其主要由模/数转化及解码电路模块、缓冲电路模块、媒体处理器DSP电路模块、编码及数/摸转换电路模块等模块组成。4该系统通过车载摄像头收集被跟踪车道线的模拟信号，经过解码输送到媒体处理器DSP的视频接口，紧接着由视频处理模块进行车道特征值的提取，最后再将处理后的视频信

17、号送编码及数/模转换电路输出显示。（4） 清华大学THMR系统清华大学实验室在车道偏离预警系统研发方面也做了大量工作，其计算机系研发的THMR系统采用视觉传感器和车辆动态参数采集传感器，由计算机程序进行图像处理和偏离决策判断。 1.3研究内容车道偏离预警系统技术的研究属于汽车智能化系统中的研究范围，属于车辆主动安全驾驶领域，该系统主要针对驾驶员在驾驶车辆时容易疏忽大意或疲劳驾驶而发生偏离正常行驶车道的现象。采用机器视觉技术，以实现具有高准确率高精度的产品为目的，力求能够为智能车辆安全性能方面作出积极的贡献。 本课题只要针对车道偏离预警系统的图像预处理与预警算法进行研究与分析，首先将对比分析国内

18、外研究现状，掌握最新技术。其次是对货运车辆车道偏离预警系统的图像预处理、车道线检测、偏离预警算法进行分析最终得出货运车辆车道偏离系统的技术要求。 图1-5车道偏离预警系统流程图2货运车辆运输安全现状及车道偏离预警系统组成2.1货运车辆运输安全现状2.1.1公路货运现状在我国经济迅速发展的情况下，我国的居民消费支出快速增长、数字化电商等领域迅猛发展，我国的公路货物运输行业的发展规模和速度快速上升。公路运输作为我国最主要的货物运输流通方式，2019年我国公路运输货运量首次突破416亿吨，货物周转量接近8亿吨公里，货运车辆保有量达到1300万辆。我国已然成为全球最大的公路货物运输市场。图2-1 20

19、19各省货物运输量 然而，在我国货运市场的规模不断扩张的同时，安全风险也居高不下，一直困扰着运输行业的发展。随着货物运输行业的发展，货运车辆的不断增多会对环境带来严重的污染，国内公路货物运输车辆事故也不断增多，这些事故不仅大量的人员伤亡和财产损失，而且会对社会产生不良影响。2.1.2货运车辆安全现状近年来，全国各地先后发生多起涉及营运货车的重特大道路交通事故，给人民群众生命财产造成了重大损失，造生了恶劣的社会影响。因此党的十九大提出了建设交通强国的战略目标。强调安全是交通强国建设的基本前提，非常有必要进一步提升营运货车安全性能，保障道路货物运输安全与高效。2018年，交通部制定发布了全新的交通

20、运输行业标准营运货车安全技术条件第1部分：载货汽车(JT/T1178.1-2018)，在标准中规定了载货汽车的整车、制动系统、安全防护、载荷布置标识与系固点、报警与提示等安全技术要求和试验方法。在监管标准、安全法规政策不断完善的背景下，近年来中国公路货运事故数量已得到有效控制，但整体事故风险依然高发。据调查数据平台显示，2019年我国的百万公里事故数为3.7起；然而据美国交通运输部的统计，早在2014年，美国公路货运百万公里事故数已经降到0.1起左右。与此同时，根据行业专家访谈，中国卡车司机死亡率常年在1左右，与发达市场相比，我国公路货运行业安全管理提升依然任重道远。2.1.3影响货运车辆道路

21、运输安全的原因影响货运车辆道路运输安全的原因是多方面的，司机不当驾驶行为和设备盲区是导致事故发生的主要因素：根据调查分析，公路货运事故中来自司机的因素占比为37%，来自设备盲区的因素占比为35%，这两个是是导致风险发生最核心的两个因素。司机因素，激进驾驶行为导致的事故数量最高：在司机原因导致的事故中，激进驾驶行为占比接近80%，包含路口超速、车速过快、过快转弯、超车剐蹭、未保持安全距离等。除此之外，疲劳驾驶为第二大因素，导致的事故占比为15%。数据显示，装备盲区是导致货运事故的主要原因之一；大部分车队由于辅助设备装载率低，因此驾驶过程中的盲区也会导致事故的高发，主要为右侧盲区（占比42%）和倒

22、车盲区（占比32%）。因此车道偏离预警系统对于货运车辆在驾驶中的安全性的提高尤为重要。图2-2 事故原因占比2.2车道偏离预警系统组成车道偏离预警系统一般由三大部分组成：信息采集模块、偏离决策算法模块和人机互换模块。其车道偏离原理如图3-1（b）所示（a）基本组成（b）基本原理图图2-3车道偏离预警系统2.2.1信息采集模块（1）信息采集模块组成车道偏离系统的信息采集模块的主要包括行车环境的感知和车辆运行状态参数的采集。信息采集模块主要作用是检测行驶车辆在车道中所在的位置、车道线的几何结构以及行驶车辆周围其他车辆和道路上行人的活动状况的检测；其中交通标志和交通信号也属于信息采集模块的功用范围。

23、车辆动力学参数主要通过车身传感器采集获取。目前行车环境的感知主要通过传感器实现，主要包括雷达、红外线、基于机器视觉传感器和基于道路磁体感知传感器。它们都有各自的优缺点：基于道路磁体感知传感器需要在道路上预设磁体，再对道路结构进行改造，确定车辆的横向位置，需要基于完善的智能交通系统技术设施，但其也有工程造价高工期长的缺点。雷达、红外线传感器虽然应用简单，但是其容易受到外界环境的影响，扫面速度慢，不利于车道偏离预警系统的应用。利用机器视觉是目前车道偏离预警系统常用的信息采集方法，其信息采集还需要用到关于车辆运行状态参数的传感，如感知车辆转向盘转角、转向信号灯、制动等控制器件的传感器，其流程如图3-

24、2所示。图2-4信息采集流程（2）信息采集的影响因素信息采集中车道线检测和跟踪可能会受到多种因素的影响：光照的变化：室外光照度随着时间变化而变化，天气状况不同，同一场地的光照度也不同。智能车辆运用机器视觉采集路面信息过程中，光照度对视觉系统正常工作或多或少造成影响。阴影的存在：公路旁的树木、基础设施、道路上行驶的车辆等受到光线照设所产生的阴影会改变图像的纹理，在进行车道边缘线拟合过程中难以消除这些干扰。前方障碍物影响：前方车辆以及路面凸起凹陷、部分路面施工均会影响车道线的可见性，会部分或全部遮挡车道标线，造成车道线特征点不连续。非结构化道路：如乡镇道路车道没有完善的标识线和明显的物理边界，甚至

25、车道宽度也可能随时发生变化。其他方面:车道标识线模糊不清，车道线涂层由于自然风化与路面背景的对比度差、路面上由于车辆维修滴漏的油污形成的纹理或者由于摄像机造成的图像质量过差等。2.2.2偏离决策算法模块偏离预警决策算法是车道偏离预警系统的关键，与预警系统性能好坏紧密相关。车道偏离预警系统的性能指标主要体现在系统警告的时间，应该具有预警性，不能过早也不能过迟，过早报警使驾驶员感到紧张，也有可能报警失效;过迟又会导致留给驾驶员反应时间过短，起不到预警作用;并且误报率不能过高，否则会影响驾驶员对预警系统的信任度。目前对车道偏离预警系统的预警决策算法有很多种。总的说来，基本上都是以车辆跨越车道线的时间

26、、横向偏离速度或者横向偏离距离作为评价指标。常见的有：（1） 基于车辆当前位置的预警算法（2） 基于将来偏差的预警算法（3） 基于道路场景感知的预警算法（4） 基于车辆跨越车道时间的预警算法2.2.3人机交互模块人机交互模式中包括显示部分、按键部分以及声音报警部分。（1）按键部分 驾驶员可以开启并选择驾驶辅助系统的功能，也是接收辅助驾驶信息的主要途径。操作按钮应方便驾驶员使用，并且易于操作。（2）显示部分车辆界面显示内容要简介明了，使驾驶员容易理解，第一时间了解车辆信息。（3）声音报警部分扬声器发出的报警声音既能起到提醒驾驶员的作用，又不能过于刺耳，使驾驶员感到烦躁，影响驾驶心情。3道路图像的

27、预处理在车辆的实际行驶过程中，摄像头是固定在快速前进的车辆上，会受到路面许多因素的干扰而影响图像检测的结果，导致采集图像含有噪音或明暗不一。为了提高图像的准确与清晰性，提高系统的性能与准确性，就需要用到图像预处理技术，将车道线“剥离”出来。图像预处理是基于机器视觉系统的首要步骤，是车道检测和车道偏离预警系统的重要组成部分之一，其主要作用是消除外界产生的噪声对系统生成图像的影响，从而有效的突出和增强图像中所需要的主要信息，减少数据处理量，提高系统的效率和准确性。图像预处理的主要包括：彩色图像灰度化、灰度拉伸、边缘增强与边缘检测、图像分割、图像二值化、滤波等等。图3-1预处理流程图3.1感兴趣区域

28、选取基于机器视觉的车道偏离预警系统主要依靠安装在车辆前端的摄像头获取，道路信息由于采用摄像机拍摄的车辆前方道路信息时，必然会将天空、道路两侧的树木以及车道两边的护栏拍摄上，在这种情况下，如果直接对所拍摄到的道路图像信息进行处理，会大大降低处理效率，甚至影响处理结果的准确性。5为了减少图像处理的计算量，缩小车道线搜索的范围，提高系统的实时性，针对这种情况，合理划分出存在检测目标的区域，缩小要处理的范围将会降低车道线处理过程中的计算量，提高后续检测过程的检测效率。通过对获取道路图像的分析，划分出了车道检测的感兴趣区域。图3-2感兴趣区域提取本文中车道检测的感兴趣区域包含静态感兴趣区域和动态感兴趣区

29、域。其中静态感兴趣区域是指在车道检测的初始阶段，并不能确定车道线的具体位置，然而获取的道路图像像上方包含的信息大部分为天空、建筑等无关信息，并且图像上部的亮度明显高于图像下部的道路部分，给图像分割带来很大麻烦，所以将图像上部直接切割掉，可以根据实际情况下选取适当的比例进行切割。动态感兴趣区域是指在已经检测到车道线的情况下，根据图像序列中前一帧图像检测到的车道线的位置，预先判断下一帧图像中车道线所在的大概位置，给下一帧图像的车道线检测提供一个范围，这个范围相比于初始检测阶段已大大缩小。由于车辆在高速公路上行驶速度较高，动态的预测车道线检测的感兴趣区域无疑大大的提高了车道线检测的实时性。3.2彩色

30、图像灰度化系统采集的图像为彩色图像，即有红色、绿色、蓝色三通道构成的图像，直接对采集到的图像进行处理时需要对每个像素点的三个颜色分量信息进行处理，需要处理的量很大。为了保证检测的效率，进行相关处理之前，需要降低所要处理的信息量。在实际检测中，采集到的图像一般是彩色的，而且多为RGB图像，这会导致图像的信息量太大，从而会导致检测时计算量过大，降低图像处理的效率，影响检测的实时性。而灰度图像是RGB的一种特殊的彩色图像，其中RGB的值就叫做灰度值。本文首先将彩色的道路图像转换为灰度图像，然后再对道路的灰度图像进行各种处理。6彩色图像常用的灰度化方法有：分量法、最大值法、平均值法、加权平均法等。（1

31、）分量法首先分别将RGB三个分量的值作为图像的灰度值，从而得到彩色图像的三个灰度图像；然后根据需求选取其中一个灰度图作为原来的彩色图像的灰度图像。分量法算法方程如下： f1(i,j)=R（i,j）,f2(i,j)=G(i,j),f3(i,j)=B(i,j) （3.1）其中 R(i,j),G(i,j),B(i,j)为在像素点(x,j)处的 R、G、B 分量，fK(i, j) (K=1，2，3)为转换后像素点（i,j)处的灰度值。（2）最大值法使R,G,B的值为三个值中最大的一个，即 R=G=B=max(R,G,B) （3.2）从上式中可以看出，采用最大值法会提高灰度图像的整体亮度（3）平均值法根

32、据R,G,B的值相加求出平均值，即 R=G=B=(R，G，B)3 （3.3）相对于最大值法，平均值法得到的灰度图像整体较为柔和。（4）加权平均值法加权平均法是根据应用背景和颜色分量重要性的不同，将 RGB 三个分量的灰度值进行加权，将得到的加权平均值作为彩色图像的灰度值，完成灰度化过程。具体实现过程如下： f (i,j) =W1R(i,j)+ W2G(i,j)+ W3B(i,j)=1+2+3 （3.4）其中 WK(K=1，2，3)为RGB三个分量对应的权值，由于人眼对绿色最为敏感，对蓝色最不敏感，所以权值最好满足：W2 W1 W3 ，从而获得的灰度图像更适合人或者人工智能的识别。 （a） 原图

33、 （b）灰度化图像图3-3图像灰度化结果3.3道路图像增强图像增强是图像预处理的重要组成部分。图像增强主要是为了突出图像中感兴趣的部分，弱化或者去除图像中不需要的信息和内容，从而得到更适合分析和识别处理的图像。7图像的滤波是指在图像空间中借助于模板来对图像某一部分的邻域进行操作，滤除无用信息，以达到增强图像质量的过程。图像增强根据其处理域的不同可分为:频率域的增强算法和空间域的增强算法。前者是将图像经过傅里叶变换转换到频率域，利用空间转换的特有性质对图像进行处理，处理后再将图像变换到空间域还原。该方法需要两次空间转换，计算过程繁琐，不适合实时性要求高的系统。基于空间域的增强算法直接在图像所处的

34、二维空间进行处理，方法直接简便，计算量小，满足本系统的设计要求。所以一般采用空域滤波技术。基于空间域的增强算法又可分为点运算法和邻域运算法。点运算算法通常是通过灰度级校正、灰度变换和直方图修正等手段，使图像成像均匀或达到对比度扩展的效果。邻域算法有平滑和图像锐化。本文重点介绍了常用的图像滤波增强算法:直方图均衡化、局部均值法、中值滤波法。（1） 直方图均衡化直方图表示的是数字图像中灰度分布的统计关系，直方图均衡化(Histogram Equalization)实质上是对图像中各个灰度级的像元值进行某种程度的非线性拉伸，使一定灰度范围内象元值的数量大致相等，目的是降低图像中灰度分布的差异度。这样

35、，原来直方图中峰顶部分的对比度得到增强，而谷底部分的对比度降低，输出图像的直方图是一个较平坦的分段直方图。图4.4所示为直方图均衡化的示意图，通过对原始图像的像素灰度做某种映射变换，将随机分布的直方图变换为均匀分布的直方图，这就意味着图像灰度的动态范围得到了增加，提高了图像的对比度。8 图3-4直方图均衡化示意图设变量r代表图像中像素灰度级，首先进行归一化处理,令0rk1,其中r =0表示黑色，r=1表示白色。对于一幅给定的图像来说，每个像素的灰度值在0，1之间的任一值得概率是随机的。在数字图像中，灰度值是离散的，图像灰度级的分布用概率密度函数Pr(r)来表示，用rk代表离散灰度级，用Pr(r

36、)代表Pr（r），并使下式成立： Pr（rk）=nkn （3.5）其中，0rk1，k=0，1，2，n-1。式中nk为图像中出现rk这种灰度的像素数，n是图像中的总的像素个数，而nkn就是概率论中的频数，图像进行直方图均衡化的函数表达式为： Si=T（ri）=i=0k1nin （3.6）式中k为灰度级数。相应的反变换为： ri=T1(Si) （3.7）（2） 局部均值法在一副含有噪声的图像中： gx,y=fx,y+nx,y （3.8）fx,y为未受噪音干扰的原始图像，nx,y为噪声，gx,y为受到干扰后的图像。局部平均值法就是对含有噪声的图像gx,y的每个像素点邻域内点集所有像素的平均值。设gx

37、,y为滤波后所得到的平滑图像，S为点x,y的邻域点集，其中M为S内的总点数，则： gx,y=1Mi,jSgi,j=1Mi,jSfi,j+1Mi,jSni,j （3.9）在局部平均值法中有两个基本假设：一个是图像是许多灰度恒定的小块组成的；另一个假设是图像上的噪音是加性的，其均值等于零，并且与图像信号无关。在第一个假设的根据下，上式中的第一项十分接近于fx,y。在平滑后的噪声方差为 D1Mi,jSni,j=1M2i,jSDni,j=1Mn2 （3.10）由此可见平滑后的噪声方差为处理前的1M，而且简单布局平均会导致图像模糊，图像的细节被削弱，特别是边缘轮廓变得不清晰。为了改变这种情况，可以采取选

38、择平均值法和加权平均值法。（3）中值滤波法中值滤波是对窗内数据进行排序，取排序后中间项所对应的值，这样脉冲噪声就不起作用，不影响中值结果。所以，中值滤波在有随机脉冲噪声影响的情况下，能较好地保护原始信号。中值滤波器选取一个移动窗口，这个移动窗口含有奇数个像素，在图像中依次从左到右、从上到下逐行移动，选取窗口内所有像素的灰度中值代替窗口中心像素的灰度值，中值滤波器的输出为: f（x，y）=medianSf(x,y) （3.11）中值滤波法的具体实现步骤为：(1) 选定一个(2N+2)(2N+1)的中值滤波窗口，以步长2像素沿着图像进行移动(N决定了选取窗口的大小)；(2) 每次移动后，对窗口内的

39、像素进行排序，找出中值像素，并设为(2N+2)(2N+1)2+1；(3) 对窗口内剩下的2N+1个像素做类似处理，得到中值指针；(4) 对第一个窗口的前列元素重复(2)、(3)，得到第二个窗口中值；(5) 从行到列，对整个图像从(1)到(4)至结束。3.4图像边缘检测对图像进行边缘增强主要是为了突出车道线的轮廓，使车道线信息更加清晰，同时也有助于提高总体检测的准确性。当车辆在公路上正常行驶时，虽然进行了滤波处理，但获取的车辆行驶图像一般仍有较强的边缘，为了获得车道线的边界，上述处理后需要进一步进行边缘检测，可以通过边缘提取的方法进行相关的边缘检测。现有的边缘提取方法有很多，包括Sobel算法、

40、Laplace算法、Canny算法f等，每种算法都有其特性，适用于不同的场景中。Sobel算子适用于精度要求不高的场景，因为 Sobel 算子是通过近似计算得到导数，得到的结果精度不高，所以不适合精度很高的处理；Laplace算子使用之前需要对图像进行平滑化处理，因为这种算子会受到噪声的影响，而且不可以分辨边缘方向，所以缺点较为明显；Canny算子需要设置两个阈值，用来确定像素梯度的上下限，以此达到组合边缘点像素的目的。由于Sobel 算子在空间上的实现较为容易，并且可以很好地处理灰度渐变和噪声较多的图像，从处理效率角度出发，所以本文将主要介绍Sobel边缘检测算子。Sobel边缘检测算子本质

41、上是一种局部的梯度幅度运算，具体操作方法为选取一个像素点周围3*3邻域内的像素点的灰度做加权平均，如果改点处于极值状态，则判断改点为边缘点。该算子利用两个卷积核g1(x,y)和g2(x,y)与原图像f(x, y)进行卷积运算而得到的。其数学表达式为：S(x,y)=MAXm=1Mn=1Nf(m,n)g1(im,jn),m=1Mn=1Nf(m,n)g2(im,jn)用差分代替一阶偏导，算子的计算方法如下：xf(x,y)=f(x1,y+1)+2f(x,y+1)+f(x+1,y+1)f(x1,y1)+2f(x,y1)+f(x+1,y1)yf(x,y)=f(x1,y1)+2f(x1,y)+f(x1,y+

42、1)f(x+1,y1)+2f(x+1,y)+f(x+1,y+1)Sobel 算子垂直方向和水平方向的模板如下所示，分别可以检测水平和垂直方向的边缘。实际应用中，对每一个像素点都用这两个卷积核进行卷积，取最大值作为输出，得到的是一幅能够体现边缘幅度的图像。图3-5 边缘算子Sobel算子对噪声具有平滑作用，对边缘方向信息的判断较为准确，当对边缘定位精度要求不是很高时，是一种较为常用的边缘检测方法。3.5图像二值化处理在边缘检测之后,图像仍有较多的无关信息,为了进一步消除这些无关信息，需要进行二值化处理。二值化是通过用灰度变换来研究的一种方法，通过设定的阈值，把图像按照像素值的大小分为两部分，分别

43、是比阈值大的像素集合和比阈值小的像素集合。通过这种方法，可以将图像分为两部分，分别是目标部分和背景部分,这样可以极大地减少无关因素的干扰。9但这种方法需要设置合适的阈值，过大或者过小都不合适，并且会影响处理的速度，当阈值过大时，会使车道特征点减少，当阈值过小时，会将无关因素划分到车道线边缘里，所以设置阈值时有很高的要求。选取的阈值需要满足一大目的:将背景和目标物分离。为了设置切合的阈值，学者们进行了深入的探究,将阈值选取的方法分为全局阈值法和局部阈值法两大类。具体内容如下：(1） 全局阈值法全局阈值法是通过固定的阈值对图像进行分割,通过比较像素的灰度值与阈值，将其确定为背景色和前景色。为了达到

44、自动化和实时性的目的，通常由计算法、边缘算子法。每种算法确定阈值的方法不同:平均灰度值法对图像中全部像素的灰度值的取平均数并以此作为阈值；最大类间方差法在对直方图分类的基础上，统计各类像素点数和灰度平均值，计算类间方差，把达到两类类间方差最大的灰度值定为阈值；边缘算子法通过各种算子进行加强或者减弱灰度级别来确定阈值。(2） 局部阈值法局部阈值法是指通过像素灰度值和像素周围区域的灰度特性来确定阈值的方法，具体处理流程为:首先将图像分为多个区域，然后在每个区域上使用整体阈值法，最终构成整个图像的局部阈值法。但是，为保证灰度的连续分布的特征，在使用局部阈值法进行确定阈值之前，需要先使用平滑技术来消除

45、灰度的不连续性。由于最大类间方差法计算方便、运算速率快，符合实时性要求，所以本文选取最大类间方差法来确定最佳阈值。最大类间方差法是求出背景和前景的最大类间方差，类间方差越大，两部分的差别就越大。4车道线检测与车道偏离预警算法本文前面介绍了对车道偏离系统图像的采集以及图像的预处理，在经过预处理之后，图像的准确性与清晰度得到提高。偏离系统的最终目的是对车道中的具体位置进行判断。因此，在经过预处理的图像剥离出车道线后还需要进行车道线检测和建立车道偏离预警模型，并最终完成车道偏离判断预警。4.1车道线检测车道检测是一个重要的步骤，在现有研究中，车道偏离预警系统对道路信息的获取主要是通过单目视觉实现的。

46、检测车道线的方法包括IPM算法、B样条曲线、抛物线模型拟合、Hough变换等，但目前Hough变换是最为常用的方法。10本文主要介绍Hough变换进行车道线检测。4.1.1确定车道线模型车道线模型是对道路的形状进行分析得到的，通过计算模型的参数来预测车道线的位置。车道线模型可以大致分为直线模型和曲线模型两种。（1）直线模型车道线检测直线模型的表达式为： y=kx+b （4.1）在上表达式中，x代表图像中的横坐标，y代表纵坐标，k代表斜率，b代表截距。直线模型的基本原理是：通过计算直线模型的相关参数，约束道路边界线的检测,因此其检测准确性十分高。直线模型也是表示道路形状中最容易理解、计算量最小的道路模型。（2）曲线模型曲线模型主要的适用环境是道路的实际弯