基于視覺的車道線識別算法研究優(yōu)秀畢業(yè)論文

《基于視覺的車道線識別算法研究優(yōu)秀畢業(yè)論文》由會員分享，可在線閱讀，更多相關《基于視覺的車道線識別算法研究優(yōu)秀畢業(yè)論文（73頁珍藏版）》請在裝配圖網上搜索。

1、畢業(yè)設計開題報告 Research on Algorithms of Vision-based Lane Recognition 基于視覺的車道線識別算法研究 題 目 基于視覺的車道線識別算法研究 學生姓名 學號 班級 電 班 專業(yè) 自動化 一、本課題的研究背景、國內外研究現狀 隨著城市化的發(fā)展和汽車的普及，交通環(huán)境日趨惡劣，交通擁擠加劇，交通事故頻發(fā)，交通 問題已經成為全球范圍內人們普遍關注的社會問題?；?21 世紀信息和計算機技術的高速發(fā)展， 對待道路交通問題上，人們越來越傾向于依靠高科技尋求解決之路，世界各國都競相開展智能車 路系統(tǒng)和智能交通系統(tǒng)。隨之，智能車輛導航的概念應運而生。在車

2、輛視覺導航系統(tǒng)中最為關鍵 的技術就是計算機視覺，計算機視覺的主要任務是完成道路的識別和跟蹤。國內外許多學者對視 覺導航進行了研究，有試圖用雙目或多目視覺完成導航任務，但面臨的最大難點是不能較好的解 決多目視覺系統(tǒng)的匹配問題且設備的成本較高；也有致力于單視目視覺技術的研究，但其方法缺 少實時性；有嘗試用三維重建的方法識別車道線，但由于其算法復雜度高難以滿足實時性的要求。 提高算法實時性和魯棒性是目前急需解決的問題。 二、主要工作和所采用的方法、手段 根據對車道線識別算法的要求，研究幾種算法的實時性和魯棒性，并且用軟件編程，仿真算 法在道路圖像中的檢測效果，在眾多算法的研究中，提出具有一定實時性和

3、魯棒性的識別算法。 并用語言實現該算法，得到仿真結果。 在算法選定中，通過對比實驗仿真的結果，可以看出用彩色通道提取法灰度化道路圖像更能 增強車道標記線的白色部分，融合瀝青路面區(qū)域信息和車道線邊緣信息獲取車道線像素點，具有 克服虛假邊界的優(yōu)點。最后，通過簡化車道線模型，提出直線型車道線模型假設，并用 hough 變 換及其改進算法和中值截距法提取車道線，分別通過 MATLAB 仿真得到實驗結果。 三、預期達到的結果 通過對算法的研究,預期提出的最優(yōu)算法在結構化道路的情況下能夠檢測出車道線，同時具 有一定的實時性和魯棒性。 指導教師簽字 時 間 2009 年 3 月 10 日 摘 要 目前，許多

4、國家有計劃地開展了視覺導航系統(tǒng)的研究，其中道路檢測是視覺導 航系統(tǒng)的重要組成部分,檢測的精度直接關系到智能車輛行駛的安全性，因此備受關 注。本設計研究基于視覺的道路識別算法。首先分析了已有的圖像預處理算法，并 根據本設計中圖像處理的具體要求，選取了合適的圖像預處理算法。提出對獲得的 彩色圖像，采用彩色通道提取法使其灰度化更能增強車道標記線的白色部分；根據 車道線傾斜的特征，自定義差分模板處理灰度化后的圖像，得到車道線的邊緣；為 了提高道路識別的實時性和抗干擾能力，論文提出了區(qū)域生長法，選取合適的種子 點生長出路面區(qū)域。然后，根據邊緣和區(qū)域信息所表示的道路邊界線，應該在空間 上占據相同或相近的位

5、置，論文提出用融合邊緣和路面區(qū)域兩種信息獲取車道線像 素點。在獲取車道線像素點后，論文采用直線道路模型假設作為約束條件，分別用 hough 變換及其改進算法和中值截距算法提取車道線，并用 MATLAB 對算法進行了 仿真，得出了改進后的 hough 變換在車道線檢測上具有較好的實時性和魯棒性的結 論。 關鍵詞：圖像預處理 彩色通道提取 區(qū)域生長 改進的 hough 變換 Abstract Recent the research on Visual navigation systems have been developed in many countries. And a lane-detec

6、tion system is an important component of many visual navigation systems. There has been active research on the lane-detection, because it closely relates to the safety of intelligent vehicles. In this thesis, the road positioning algorithms based on image are researched. At first, the current algori

7、thms of image preprocessing are analyzed. By the specific requirements of the image processing in this thesis, the appropriate algorithm is chosen. For example, in order to get a greylevel image from a colour one, we introduced a method called getting from multicolor channel. As the result, the whit

8、e line on the road image can be intensified stronger than the other ways. Then given the features of road line, a difference cyclostyle is defined to extract the edge. At the same, in order to improve the real-time performance of roads and anti-jamming capability, regional growth ways is introduced,

9、 through it we can chose a proper seed to get a regional road image. Then edge extraction and integration of regional growth way is used to identify the road edge according to marginal and regional information should occupy space in the same or similar position. After getting the road line points, s

10、traight road model is considered as the constraints and three algorithms, such as hough transform, improved hough transform algorithm and median of the intercepts algorithm, are established for linear feature extraction. Then there is a comparsion between their advantages and disadvantages by using

11、MATLAB. Finally, a conclusion is drawed that the improved hough transform algorithm can improve the real-time performance of roads better and its robust is also prior to them. Key words: Image preprocessing Getting from multicolor channel Regional growth way Improved hough transform 目 錄 第 1 章 緒論 .1

12、1.1 課題研究的背景和意義 .1 1.2 國內外研究現狀 .2 1.3 論文的研究內容 .2 第 2 章 單目視覺系統(tǒng) .4 2.1 引言 .4 2.2 單目視覺導航系統(tǒng)成像模型 .4 2.3 本章小結 .6 第 3 章 道路圖像預處理 .7 3.1 引言 .7 3.2 道路圖像灰度化 .7 3.2.1 常用的灰度化方法 .7 3.2.2 彩色通道提取灰度化 .9 3.3 圖像灰度變換 .10 3.3.1 圖像灰度線性變換 .11 3.3.2 圖像灰度非線性變換 .11 3.3.3 基于直方圖的灰度變換 .12 3.4 圖像濾波 .14 3.4.1 線性平滑濾波 .14 3.4.2 非線性平

13、滑濾波 .15 3.5 圖像邊緣增強 .17 3.5.1 圖像的梯度和邊緣檢測算子 .17 3.5.2 自定義差分算子 .20 3.5.3 加入噪聲圖像檢測實驗 .21 3.6 本章小結 .22 第 4 章 道路邊緣的識別 .24 4.1 引言 .24 4.2 道路檢測方法簡介 .24 4.3 邊緣與區(qū)域相結合的道路檢測方法 .25 4.3.1 區(qū)域生長法的基本概念 .25 4.3.2 融合兩種信息提取的仿真實驗 .28 4.4 基于模型的道路識別 .29 4.4.1 道路模型假設 .29 4.4.2 道路圖像特征直線提取 .30 4.4.2.1 傳統(tǒng)霍夫變換提取直線 .30 4.4.2.2

14、隨機霍夫變換提取直線 .32 4.4.2.3 中值截距法提取車道線 .34 4.5 算法比較 .36 4.6 隨機霍夫變換提取直線的檢驗 .37 4.7 本章小結 .43 第 5 章 結論和展望 .44 參考文獻 .45 致謝 .46 附錄 .47 1 第 1 章 緒論 1.1 課題研究的背景和意義 隨著城市化的發(fā)展和汽車的普及，交通環(huán)境日趨惡劣，交通擁擠加劇，交通事 故頻發(fā)，交通問題已經成為全球范圍內人們普遍關注的社會問題。近年來，為解決 交通問題世界各國都競相開展智能車路系統(tǒng)和智能交通系統(tǒng)等領域的研究。智能系 統(tǒng)的發(fā)展為改善交通環(huán)境狀況，提高車輛行駛的安全性與可靠性，減少駕駛員人為 因素造

15、成的交通事故等開辟了廣闊的前景。隨之，智能車輛導航(Intelligent Vehicle Guidance)的概念應運而生?；谝曈X的智能車輛導航可追溯到 19 世紀 70 年代初期 的移動機器人研究，但由于當時的硬件水平還比較低，而圖像處理的計算量非常大， 研究者的精力也就過多地耗費在硬件平臺的設計、實現和測試上。但隨著計算機硬 件水平的飛速發(fā)展，該問題得到了很好的解決。在智能車輛導航諸多復雜且具有挑 戰(zhàn)性的任務中，最受重視之一的是基于視覺的道路檢測問題。 從理論上分析，在道路檢測中，要獲得道路環(huán)境的三維信息，需要采用雙目或 多目立體視覺系統(tǒng) 1。但是，雙目或多目立體視覺系統(tǒng)在實際應用中所

16、需計算量很 大，而且雙目或多目立體視覺系統(tǒng)在視覺匹配問題上很難解決，而智能車輛在較高 速度下的圖像處理速度比一般情況下要高，目前的微處理器計算能力還不能完全滿 足其實時性的要求，所以目前雙目或多目立體視覺系統(tǒng)還不適合在較高速度下智能 車輛視覺導航中應用。當前，智能車輛視覺系統(tǒng)主要是獲取道路平面的二維路徑信 息，而道路中的其它車輛和障礙物信息可以通過視覺系統(tǒng)、激光雷達測距儀及避障 傳感器系統(tǒng)進行信息融合得到。這就極大的提高了信息獲取的可靠性，所以單目視 覺系統(tǒng)仍然能夠滿足較高速度情況下視覺導航的要求。實際上，世界范圍內大多數 智能車輛視覺導航系統(tǒng)都采用單目視覺來獲取道路環(huán)境信息。在單目或多目視覺

17、導 航系統(tǒng)中最為關鍵的技術就是計算機視覺。計算機視覺的主要任務是完成道路的識 別和跟蹤，對于信息采集處理的實時性、行駛過程控制的魯棒性以及自主運行決策 的可行性都有很高的要求。這些要求就使所設計的系統(tǒng)必須在理論算法上給予強大 的支持，針對計算機視覺部分就是要有實時高效的圖像處理算法。 對基于視覺的車道線識別研究意義在于能實現智能車輛乃至機器人的自主導航， 提高駕駛的安全性，改善交通環(huán)境和駕駛的舒適性。識別技術用于車輛的路徑偏離 預警系統(tǒng)，大部分由于車輛偏離車道造成的事故可以避免。用于駕駛員預警系統(tǒng)同 樣具有重要意義。其次，識別技術可以用來提高智能巡航控制中跟蹤引導車輛的精 2 度。最后，識別技

18、術可廣泛應用于公路、碼頭、倉庫等的自動運輸系統(tǒng)中，實現車 輛運輸的自動化。 1.2 國內外研究現狀 目前為止，國內外智能車輛無一例外地使用機器視覺作為其重要的感知方式， 基于計算機視覺系統(tǒng)的導航技術具有價格低廉、結構簡單、方便與其他傳感器進行 數據融合等優(yōu)點，所以利用機器視覺識別公路上的車道線實現自主導航是現階段智 能車輛常用的方法。該方法己經被實際系統(tǒng)證明是最有效的外部環(huán)境感知方式，道 路的識別是視覺導航的關鍵技術，因其較大的復雜性和挑戰(zhàn)性而備受關注。 一部分學者致力于用多目視覺技術來解決這個問題。德國學者利用立體視覺方 法來提高系統(tǒng)的魯棒性，可是，多目視覺中存在一個無法回避的難題是圖像匹配

19、的 實時性問題。日本通過當前圖像與參考圖像之間像素的迅速匹配，解決了巨大運算 量的實時處理的困難。與此同時，許多學者試圖用單目技術來實現道路檢測，而且 目前也已經取得了豐富的成果。其中法國學者提出一種視覺方法，僅利用一臺攝像 機得到路面的信息，就能夠正確地跟蹤有路標和無路標情況下的道路。該方法從圖 像中提取出道路的邊緣特征，定位機器所在車道的位置，再采用車道的統(tǒng)計模型進 行精確匹配，結果較為準確。美國也采用單目攝像機，通過圖像序列測取道路環(huán)境 的信息。 目前基于視覺導航的智能車輛 2中比較有成效的是：美國 Carnegie Mellon University 研制的 Navlab 系列智能車，

20、可識別和跟蹤 S 形曲線和道路行車線，平均 速度達到 88.5km/h；日本豐田公司 1993 年研制的智能車，安裝了 2/3 英寸 CCD 鏡 頭，普通高速公路上的實驗車速為 60km/h；德國的 UBM 大學研制了裝有 4 個彩色 CCD 構成雙目視覺系統(tǒng)跟蹤車道白線、避障和自動超車；法國帕斯卡大學與雪鐵龍 技術中心合作研究的 Peugeot 智能車，能判別引導線是否漏檢或丟失，車速達 130km/h；清華大學研制的 THMR 智能車輛系統(tǒng)集成了二維彩色攝像機、GPS 、超 聲等傳感器，系統(tǒng)可完成白線跟蹤、路標識別、道路識別等任務；吉林大學智能車 輛課題組研制的視覺導航的智能車輛實現了對路

21、面鋪設的條帶狀路標的視覺識別以 及車輛自主導航的功能。 1.3 論文的研究內容 當智能車輛在公路高速行駛，視覺系統(tǒng)作為最重要的感知手段之一時，圖像在 識別外界信息中扮演著重要角色，如何通過圖像提取車道線，目前有許多算法，例 3 如像素掃描、模板匹配、霍夫變換和邊緣跟蹤等常用的車道線邊緣像素提取方法， 其中像素掃描是普遍采用的一種提取方法，具有靈活、高效、抗干擾能力強的特點。 在研究不同的算法在道路圖像的應用過程中，圖像的預處理至關重要。首先對 一些圖像的預處理算法，如圖像灰度化、圖像濾波、圖像邊緣增強等，用 MATLAB 進行仿真，比較它們的處理結果。因為不同的預處理方法影響檢測的實時性和正確

22、 性，其中為了更多的利用彩色圖像提供的車道標記線和瀝青路面色彩的信息，本設 計用彩色通道提取法得到灰度化圖像。由于實際情況復雜多變，如遇到雨、雪天氣， 因此加入椒鹽噪聲模擬實際情況，并用各種常用的濾波模板處理圖像。從處理后圖 像再現清晰度的效果中，選出最優(yōu)的濾波方法。一般獲得的道路圖像中包含的信息 都有車道線和路面兩種信息，而由于車道線作為圖像中的一種邊緣，根據邊緣的屬 性，可以用差分算子將邊緣檢測出來。通過對常見的差分檢測算子和自定義的差分 算子比較，可以看出后者更能增強車道線標記部分。在圖像邊緣增強后，不僅車道 線得到了增強，許多樹木、行人、車輛等也得到了增強，由此增加了許多虛假的邊 界。

23、為獲得更準確的車道線邊界，本設計用融合邊緣和區(qū)域信息的方法定位車道線， 并且與自適應二值化圖像比較，可以看出前者克服虛假邊界的能力更強。最后，建 立并提取車道線模型是最為關鍵的部分，本設計假設在結構化道路上，智能車輛僅 采集的是前方不遠處的道路圖像，提出直線型車道線模型，而且該模型計算量小， 在一定程度上能適應車輛在高速行駛過程中對實時性的要求。基于直線型車道線的 假設，在圖像中提取特征直線時，用 hough 變換及其改進的算法和中值截距法進行 提取。通過比較，改進的 hough 變換隨機 hough 變換實時性最好，并且對其它 圖像進行檢測，一定程度上隨機 hough 變換的魯棒性也符合要求

24、。 4 第 2 章 單目視覺系統(tǒng) 2.1 引言 為了準確識別道路環(huán)境，視覺導航系統(tǒng)理應獲得車輛前方道路的三維信息，包 括車輛與道路的位置關系和道路中障礙物信息。要正確的理解三維世界環(huán)境，理論 上應該采用雙目或者多目視覺系統(tǒng)，但從立體視覺的角度來解決環(huán)境重建問題，因 為從現有的研究結果來看，直接通過對圖像進行三維恢復獲取環(huán)境信息有以下幾個 方面的困難：首先，計算量巨大。其次，匹配點尋找困難。另外，遮擋問題。例如, 左右視野的部分場景不匹配、左右視野環(huán)境光的不同都使得戶外環(huán)境下的基于像素 的視野景物深度恢復困難重重，如今的立體視覺研究者多數簡化了這些不利因素的 影響。即使這樣，雙目或者多目視覺系統(tǒng)

25、需要的計算量仍是比較大的，目前計算機 的計算能力還不足以滿足車輛導航系統(tǒng)的實時性要求，因此雙目或者多目視覺系統(tǒng) 一般用于復雜、未知環(huán)境下低速行駛的智能車輛，并且雙目或者多目視覺系統(tǒng)也會 提高系統(tǒng)成本。對于道路檢測來說，需要獲得道路方向和車輛與道路的位置關系， 也沒有必要一定要完全理解整個三維世界環(huán)境。目前基于視覺導航的智能車輛多采 用單目視覺系統(tǒng)完成道路檢測及跟蹤，而采用多目視覺系統(tǒng)完成道路上的障礙物檢 測。當采用單目視覺系統(tǒng)檢測道路時，由于從三維的世界環(huán)境轉換到圖像的二維信 息，在這個轉換過程中，損失了三維環(huán)境中的深度信息，而且這個過程是不可逆的。 通常為了從單目視覺系統(tǒng)中獲得道路的三維信息

26、，對此提出了一些合理的假設，如 道路平坦假設、道路邊緣連續(xù)性假設、道路模型假設等。從國內外實驗情況來看， 采用了一些合理假設后，單目視覺系統(tǒng)進行道路檢測是可行的。 2.2 單目視覺導航系統(tǒng)成像模型 為了得到圖像中的像素和實際道路區(qū)域點的對應關系，必須知道二維圖像信息 和三維世界信息的關系模型。由于單目視覺系統(tǒng)損失了三維世界中的深度信息，這 個過程是不可逆的，在實際應用中，根據需要作了一些假設和已知一定的信息，從 而從二維圖像中估計出三維的道路信息。具體的做法如下：假設車輛前方的道路是 平坦的,設定攝像機的安裝位置固定(安裝的高度、俯視角、偏離角)，攝像機的固有 參數為常數(攝像機焦距、孔徑張角

27、)。由于在道路檢測的過程中，只需要得到道路 延伸方向、車輛的偏移距離，并不需要將道路的三維信息完全恢復，以上的假設是 5 可以滿足實際需要的。在攝像機成像幾何模型中最常用最簡單的是線性模型針 孔模型 3。下面就攝像機成像模型進行介紹。 攝像機成像的實質是將三維道路場景信息變換成二維圖像信息，這個變換可以 用一個從三維空間(3D) 到二維空間 (2D)的映射如式 (2-1)：),(,:23 yxzRf 來表示。上述的這種映射關系可以用透視投影針孔成像模型來近似解釋。透視投影 成像模型的特點是所有來自場景的光線均通過一個投影中心，它對應于透視的中心。 圖 2-1(a)中經過投影中心 o且垂直于圖像

28、平面的直線為攝像機光軸 o， xyz為世 界坐標系， xyo為圖像平面坐標系，f 為攝像機焦距。由幾何關系可知，世界坐標 系中的點 p經投影中心 點在圖像平面坐標系中的投影點為 p，可以看出其成像是 倒立的。為了避免這種倒立圖像，現在假定圖像平面位于 Z軸正半軸且與投影中心 的垂直距離為焦距 f處，此時點 p經投影中心 o點在圖像平面坐標系中的投影點 為 ，如圖 2-1(b)所示，可以看出 位于點 和點 之間，其投影大小與 p完全相 同，但是此時為正立的投影圖像，這種現象在計算機視覺中也稱為視網膜成像。 (a) 透視投影倒立成像圖 (b) 透視投影倒立成像圖 圖 2-1 透視投影圖像 由于這種

29、成像模型最簡單，計算量小，在作了一些假設之后，適應于實際情況， 因此本設計將單視目成像的針孔模型作為二維圖像信息和三維世界信息的關系模型。 由圖 2-1(a)或圖 2-1(b)均可以得到 ),(zyxp點與其在圖像平面上的投影點),(yxp 或 ),(的映射關系，由圖中幾何關系可以得到透視投影方程式(2-2)所示： ZfYX (2-1) (2-2) 6 即世界坐標系中 ),(zyxp點與其在圖像平面上投影點 ),(yxp或 ),(的映射關系 如式(2-3)所示： YZfyXfx 2.3 本章小結 本章簡單介紹了兩種道路信息的獲得方法，即采用雙目或多目視覺系統(tǒng)和采用 單目視覺系統(tǒng)。由于單視目系統(tǒng)

30、在實時性，系統(tǒng)成本上優(yōu)于前者，所以目前常用的 是單視目導航系統(tǒng)。從三維世界坐標得到二維圖像坐標的方法中，簡要討論了單目 視覺系統(tǒng)中最簡單、常用的成像幾何模型針孔模型，由于在實際應用中，一些 假設和已知一定信息的存在，該模型應用在車道線識別中是可行的。 (2-3) 7 第 3 章 道路圖像預處理 3.1 引言 智能車輛視覺系統(tǒng)完成圖像采集后，需要對獲取的圖像進行各種處理與識別。 而視覺系統(tǒng)在圖像的生成、采樣、量化、傳輸、變換等過程中，由于 CCD 傳感器的 噪聲、隨機大氣湍流、光學系統(tǒng)的失真等原因會造成 CCD 攝像機成像質量的降低。 另外，由于車輛行駛時視覺系統(tǒng)與道路環(huán)境之間存在相對運動，輸出

31、圖像的質量也 會降低，常產生運動模糊等現象。為了改善視覺系統(tǒng)圖像的質量，需要突出道路圖 像中的有用信息并盡可能消除其它環(huán)境信息的干擾，因此需要對原始圖像進行圖像 的預處理操作。 圖像預處理是指按特定的需要突出一幅圖像的某些信息，同時，削弱或去除某 些不需要的信息的處理方法。其目的是使處理后的圖像對于某種特定的應用，比原 始圖像更便于人和機器對圖像的理解和分析。 3.2 道路圖像灰度化 大部分道路圖像是通過彩色 COMS 圖像傳感器采集的，原始圖像為彩色圖像。 其中顏色模型為 RGB 模型，圖像中的任何顏色都是通過紅(Red)、藍(Green)、綠 (Blue)三種基本顏色按照不同的比例混合得到

32、的。在 RGB 模型中，如果 R=G=B 時， 則彩色表示一種灰度顏色，其中 R=G=B 的值叫灰度值。因此，灰度圖像每個像素 只需一個字節(jié)存放灰度值，一般將白色的灰度值定義為 255，黑色的灰度值定義為 0，而由黑到白之間的明亮度均勻的劃分為 256 個等級。在道路圖像提取車道線過程 中，很多算法沒有利用圖像的彩色信息而是將其灰度化。雖然，灰度化圖像無可避 免的丟失一些信息，但是對灰度圖像的處理，從其存放方式可以看出速度相對較快。 而對彩色圖像的處理，就是分別對三個分量處理，可見速度相對較慢。于是將彩色 圖像轉換為灰度圖像，下面就常用的四種方法 4進行介紹。 3.2.1 常用的灰度化方法 (

33、1)分量法 將彩色圖像中三個分量的亮度分別作為三個灰度圖像的灰度值如式(3-1)所示， 可根據需要選取一種灰度圖像。 8 圖 3-1 三分量法灰度化 ),(),(),(),(),(),( 321 jiBjifjiGjifjiRjif 其中 32),(kjifk為轉換后的灰度圖像在 處的灰度值。 (2)最大值法 將彩色圖像中三個分量亮度的最大值，作為灰度圖像的灰度值如式(3-2)所示。 ),(,),(max),( jiBGjiRjif (3)平均值法 將彩色圖像中三個分量的亮度求平均，得到一個灰度圖像如式(3-3)所示。 3/),(,),(),( jiBjijiRjif (4)加權平均法 根據重

34、要性及其它指標，將三個分量以不同的權值進行加權平均。由于人眼對 綠色的敏感度最高，對藍色敏感度最低，因此，按式(3-4)對 RGB 三分量進行加權平 均能得到亮度較合理的灰度圖像。 ),(1.0),(59.0),(3.),( jiBjiGjiRjif 用 MATLAB 對分量法、最大值法、平均值法、加權平均法四種常用灰度化方 法，對一幅道路圖像進行仿真，結果如圖 3-1、圖 3-2： (3-1) (3-3) (3-2) (3-4) 9 通過圖 3-2 圖像灰度化的結果可以看出：在處理道路圖像時，平均值灰度化彩 色圖像效果最差，因為圖像大部分區(qū)域是路面，灰度化后，道路標記線被弱化。其 它看來，感

35、覺差別不大，原因在于所選圖像的色彩差別不是很大，選用色彩差別明 顯的圖像，可以看出加權平均法混合后可以得到更符合人類視覺的灰度值。由于篇 幅有限，這里不再用其它圖像說明。 通過方法的介紹可以看出，以上的灰度化方法，并沒有更多的利用彩色圖像提 供的色彩信息，而是大致通用的一些方法，沒有考慮到圖像的特征。本設計采用的 是下面一種彩色通道提取 5的方法。 3.2.2 彩色通道提取灰度化 彩色通道提取的主要目的是根據車道標志線的色彩信息，提取一定的顏色通道， 形成突出車道標志線塊狀結構的灰度圖像。車道標志線一般為黃色或白色，而路面 多為瀝青表面。在彩色圖像中車道標志線上的點成像后，其 R 和 G 通道

36、的顏色值相 對大于 B 通道，而瀝青表面的成像以灰色為主，其 RGB 三通道的顏色比較平均而 且相對較小。因此試圖通過提取 R、G 通道的方法突出車道標志線的塊狀結構是可 行的。 為了從提取的通道合成灰度圖像，在此將R、G通道的顏色值相加。具體是 R、G通道顏色值之和在一定的閾值之上的像素點直接取灰度最大值255。而低于這 個閾值的像素點，則被弱化。其在灰度圖像中的像素值取(R+G)/2。綜上所述，其變 換原理如式(3-5)： 圖 3-2 圖像灰度化比較 10 otherwisGRCifgray2/)(/)(5 式中，C 閾值； R像素顏色值的Red分量； G像素顏色值的Green分量。 從式

37、(3-5)中可以看出，對于R、G通道顏色值較大的車道邊緣點在灰度圖像中其 灰度值得到強化。而對于R、G通道顏色值較小的瀝青路面其灰度值將被弱化。從而 經過R+G處理后，得到的是車道邊界強化的灰度圖像。對于閾值C的選取，目前沒 有固定的方法，本設計的做法是，在車輛采集到的圖像下方取一塊條形區(qū)域，搜索 B通道相對大的像素點，并計算出它們平均的(R+G)/2值，把該值作為整個圖像處理 時的閾值，使整個圖像尤其是遠方的車道線得到增強。用MATLAB 對彩色通道提取 法對道路圖像進行仿真如圖3-3： 圖3-3 彩色通道提取灰度化 從圖3-3 中可以看出，車道邊緣部分在灰度圖像中得到了有效的增強，由于25

38、5 表示灰度圖像中的白色，因此圖中車道標記部分基本都被染成了白色，起到了增強 邊界的作用。本設計選用彩色通道提取的方法灰度化道路圖像。 3.3 圖像灰度變換 道路圖像灰度化后，灰度值通常只是集中在某個范圍，為使圖像的動態(tài)范圍加大， 圖像對比度擴展，清晰度提高，特征明顯，進行圖像灰度變換 6是必要的?；叶茸?換可以是線性變換，也可以是非線性變換。 3.3.1 圖像灰度線性變換 (2-3) 11 首先，介紹線性變換。使用一個線性單值函數，對圖像中的每個像素點做線性 擴展，將有效的改善圖像的視覺效果，增強對比度，而且計算復雜度低，易于實現。 基本原理如式(3-6)：令原始圖像 ),(jif的灰度范圍

39、為 a,b，線性變換后的圖像),(jif 的灰度范圍為 a,b， 和 之間存在下列關系： ),(),( ajifabjif 另外一種情況，圖像中大部分像素的灰度值在a,b范圍內，少部分像素在小于 a 和大于 b 的區(qū)間。此時，可以做如式(3-7) 所示的變換： bjifajifbjifajif ),(,)(,),( 這種兩端“截取式”的變換使小于灰度級 a 和大于灰度級 b 的像素強行壓縮為 a和 b，顯然這樣將會造成一部分信息的丟失。不過，有時為了某種特殊的應用，這 種“犧牲”是值得的。道路圖像的大部分信息是路面，可以預見灰度值集中在某個 區(qū)間，進行該變換是具有實際意義的。但是在道路圖像處理

40、中，壓縮區(qū)間范圍的不 確定性，沒有得到很好的解決，因此該方法是今后進一步研究的重點。 3.3.2 圖像灰度非線性變換 圖像灰度非線性變換：原始圖像 ),(jif的灰度范圍是a,b，可以通過自然對數 變換到區(qū)間a,b上如式(3-8)，從而求得圖像 ,jif： )ln,(lnl),( aabajif 這一變換擴展了輸入圖像的中低灰度區(qū)域的對比度，而壓縮了高灰度值。由于 道路圖像大部分信息是路面，其灰度值主要集中在相對較高的范圍內，所以采用此 種方法，在處理道路圖像時可以預見效果是比較差的?；叶茸儞Q法圖像對比度增強 的結果用 MATLAB 仿真如圖 3-4： (3-8) (3-7) (3-6) 12

41、 通過此例可以看出雖然灰度線性變換可以增強圖像的對比度，但是對于一些道 路圖像增強效果是不明顯的。根據圖3-4道路圖像灰度直方圖的特點可以看出灰度值 是集中分布但范圍廣，從0-255灰度級范圍內均有對應的像素存在。因此若對直方圖 均衡化，可以預見圖像對比度能夠得到較大程度的增強。下面介紹直方圖變換 7。 3.3.3 基于直方圖的灰度變換 直方圖是表達一幅圖像灰度級分布情況的統(tǒng)計圖，表示出具有某一灰度的像素 數，并不表示像素在圖像的具體位置。直方圖的橫坐標是灰度，一般用 r表示，對 于數字圖像信號，直方圖的縱坐標是某一灰度值 ir的像素個數 in。對于數字圖像有 如式(3-9) 、式(3-10)

42、所示關系： nrpiii)( 110kii 式中， ir圖像的第 i級灰度值；n 圖像中第 級灰度的像素個數；k 圖像對應的總灰度級數。 直方圖均衡化技術是通過變換將原圖像的直方圖調整為平坦的直方圖，然后用 此均衡的直方圖校正原圖像，增加圖像灰度值的動態(tài)范圍，從而達到增強圖像整體 對比度的效果。直方圖均衡化增強了靠近直方圖極大值附近的亮度的對比度，減少 了極小值附近的對比度。變換函數如式(3-11)： 圖 3-4 灰度線性變換 (3-9) (3-10) 13 1,0,)()(00i kjrpnrTSjijiii 其中 rTS),(是變換函數。由于變換函數需要滿足 2 個條件： (1) 范 圍

43、內 是 個 單 調 函 數 。在 10k (2) 。有對 -)(rT 可以證明 r 的累積分布函數滿足上述兩個條件，能將 r 的分布轉換為 s 的均勻 分布。用 MATLAB 仿真直方圖均衡化技術如圖 3-5： 通過此例可以發(fā)現，圖像的灰度值在變換后概率分布由于得到了歸一化均勻分 布(在直方圖中有明顯的體現)，圖像的對比度得到了增強。在主觀評價上，可以看 出經過變換之后突出了原圖像的細節(jié)，將使其具有更好的邊緣檢測效果。因此本設 計采用直方圖均衡化技術增強圖像的對比度。 圖 3-5 直方圖均衡化 (3-11) 14 3.4 圖像濾波 任何一幅未經處理的原始圖像，都存在著一定程度的噪聲干擾。噪聲會

44、惡化圖 像質量，使圖像模糊，甚至淹沒需要檢測的特征，給圖像的分析帶來困難。在進行 進一步的邊緣檢測、圖像分割、特征提取、模式識別等處理之前，采用適當的方法 盡量減少噪聲的干擾就顯的非常重要的。道路圖像濾波 8主要有兩大類方法：一類 方法是在圖像空間域對圖像進行各種濾波處理，即空域處理法；另一類方法是把空 間域圖像 ),(yxf經過正交變換，如經過傅立葉變換，得到頻率域的變換圖像 ),(vuF， 在頻率域進行各種濾波處理后得到頻率域處理圖像 ),(yxG。然后再變換到圖像的空 間域，形成處理后的圖像,即頻域處理法。顯然，頻域處理法附加了圖像正交變換的 正變換和反變換，對于數據量較大的二維道路圖像

45、需要較大的內存，且運算時間也 較長，不能滿足視覺系統(tǒng)實時處理的要求。因此，本設計采用空間域圖像濾波處理 方法。下面就常用的幾種空域濾波算法進行介紹。 3.4.1 線性平滑濾波 圖像平滑濾波處理分為線性濾波與非線性濾波，線性濾波方法提出較早且具有 較完備的理論基礎。針對線性濾波處理，本設計主要嘗試了均值濾波、均值濾波是 對圖像進行局部均值運算，每一個像素值用其局部鄰域內所有值的均值置換如式(3- 12)，即： syxfMyxg,),(1),( 式中， S濾波窗口；M 鄰域 中的像素點數。 窗口在水平和垂直兩個方向上都必須為奇數，否則圖像會產生偏移。均值濾波 器可以通過卷積模板的等權值卷積運算來實

46、現，本設計采用了 3、 5、 7、9 模板進行濾波比較。該算法在去除麻點噪聲方面比較有效，但它不能區(qū)分有效 信號和噪聲信號，噪聲和圖像細節(jié)同時被削弱。為了改善鄰域平均法中圖像細節(jié)模 糊問題，提出了一些改進方法，如選擇平均法和加權平均法，選擇平均法只對灰度 值相同或接近的像素進行平均，加權平均法則按照灰度值的特殊程度來確定對應像 素的權值，模板中的權值并不相同，其數學表達式如式(3-13)： ),(),),( ynxmfywnmgNyMx (3-12) (3-13) 15 式中， ),(yxw對應像素需要加權的值?？梢愿鶕枰M行修正，為了使處理后 的圖像的平均灰度值不變，模板中的各個系數之和為

47、 1。雖然這種改進方法，可以 在一定程度上改善細節(jié)模糊的問題，但是模板中的權值的確定，由于道路圖像的多 樣性，復雜性而沒有固定的算法，因此具有很大的局限性。 3.4.2 非線性平滑濾波 理論和實驗證明，雖然線性濾波具有良好的抑制噪聲能力，但是對圖像平滑會 造成圖像中的細節(jié)信息損失，從而使處理后的圖像產生模糊。所以本設計也嘗試了 采用非線性平滑濾波處理的方法中值濾波，中值濾波是一種非線性的圖像濾波方 法，它于 1971 年由 J.W.Jukey 提出的，并首先應用于一維信號處理技術中，后來被 二維圖像處理技術所采用。中值濾波的基本思想是用像素點鄰域灰度值的中值來代 替該像素點的灰度值，該方法在去

48、除脈沖噪聲、椒鹽噪聲的同時又能保留圖像邊緣 細節(jié)，在一定條件下可以克服線性濾波所帶來的圖像細節(jié)模糊問題，同時在實際運 算過程中并不需要圖像的統(tǒng)計特征，也給計算帶來不少方便，數學表示為式(3-14)： ),(),(yxfSmedianyxf 式中， ),(yxfS當前點的鄰域。 用 MATLAB 對加入椒鹽噪聲的圖像應用平滑濾波法去噪，進行 仿真如圖 3-6： (3-14) 16 用 MATLAB 對加入椒鹽噪聲的圖像應用中值濾波法去噪，進行 仿真如圖 3-7： 對不同的濾波方法，如平滑濾波法、選擇平均平滑濾波法、中值濾波法，分別 用 MATLAB 進行仿真，結果如圖 3-8 所示： 通過對比可

49、以看出，平滑濾波的道路圖像細節(jié)變得模糊，使用改進的選擇平均 法平滑濾波，使濾波圖像得到了改善，但是針對不同道路圖像灰度值相同或接近的 概念不能明確化，具有一定的模糊性，需要進一步研究。而中值濾波，可以看出對 圖 3-6 平滑濾波 圖 3-7 中值濾波 圖 3-8 濾波比較 17 圖像邊緣有保護作用，且去噪聲的同時可以較好地保留邊緣的銳度和圖像的細節(jié)。 顯然,這一方法是比較適合本課題要求的,因為在后續(xù)的處理中我們將要提取物體的 邊緣特征,所以在去噪的同時較好地保留邊緣的銳度和圖像細節(jié)是難能可貴的。但在 實際應用中，窗口大小選擇要適宜，因為從圖 3-7 中可以看出，隨著窗口的擴大， 也可能破壞了圖

50、像的某些細節(jié)，從仿真結果中以選擇 3模板中值濾波為宜。 3.5 圖像邊緣增強 道路圖像濾波后，對要識別車道線來講仍存在大量的無用信息。一般有白色標 記的車道線對路面而言有較強的邊緣，體現在灰度或紋理結構等信息。道路圖像的 邊緣種類大致可以分為兩種 9：一種是階躍性邊緣，兩邊的像素灰度值有明顯的不 同，另一種是屋頂狀邊緣，它位于灰度值從增加到減少的轉折點。由于 CCD 攝像機 傳感器具有低頻特性,所以圖像中的邊緣灰度值的變化不是瞬間的,而是跨越一定距 離的，圖 3-9 分別給出了這兩種邊緣的示意圖及相應的一階方向導數和二階方向導 數。 圖 3-9 兩種常見邊緣一階導數和二階導數 基于邊緣導數的特

51、點，可以用微分算子檢測出來，通常用一階或二階導數來檢 測邊緣。如 算 子 等算 子 和算 子 、算 子 、算 子 、 CanyLogewitSoblRobertsPr ,這幾種 邊緣檢測算子的共同特點都是以梯度為基礎的，首先介紹圖像梯度的概念。 3.5.1 圖像的梯度和邊緣檢測算子 梯度算子 7是一階導數算子。對于一幅圖像 ),(yxf，它的梯度定義為一個向量 如式(3-15) ： 理想信號 實際信號 一階導數 二階導數 18 yfxfGyxfyx),( 其幅值如式(3-16)： 2/12)()yxfmag 該向量的方向角為式(3-17)： )arctn(),(xyGy 數字圖像的離散性，計算

52、 yxG和 時，常用差分來代替微分，為計算方便，常用 小區(qū)域模板和圖像卷積來近似計算梯度值。采用不同的模板計算 yxG和 時可以產生 不同的邊緣檢測算子。設圖像的模板鄰域如圖 3-10 所示：1Z23456789 圖 3-10 圖像的鄰域Roberts 邊緣檢測算子用如圖 3-11 所示模板，來近似計算圖像 ),(yxf對 和 的 偏導數： 1 0 0 -1 59ZGx0 -11 0 68ZGy 圖 3-11 Roberts邊緣檢測算子Sobel 邊緣檢測算子用如圖 3-12 所示模板，來近似計算圖像 ),(yxf對 和 的偏 導數： -1 -2 -1 0 0 0 1 2 1 )()( 329

53、87ZZGx -1 0 1 -2 0 2 -1 0 1 )()(74963ZZGy (3-15) (3-17) (3-16) 19 圖 3-12 Sobel邊緣檢測算子 ewitPr邊緣檢測算子用如圖 3-13 所示模板，來近似計算圖像 ),(yxf對 和 的 偏導數： )()( 321987 ZZGx )()(741963ZZGy 圖 3-13 ewitPr邊緣檢測算子Log 邊緣檢測算子是二階導數算子，它是一個標量，無方向的，因而只需一個 模板就行了。在進行二階導數微分計算時，常用的兩個模板如圖 3-14： 圖 3-14 Log邊緣檢測算子Cany 考察了以往邊緣檢測算子的應用，發(fā)現盡管這

54、些應用出現在不同的領域， 但都有一些共同的要求，歸納為三條準則：好的檢測結果，好的邊緣定位精度，對 同一個邊緣有低的響應次數。根據這三條準則， Cany給出了三條準則的表達式， MATLAB 中集成了上述邊緣檢測算子函數，仿真邊緣檢測圖像如圖 3-15： -1 0 1 -1 0 1 -1 0 1 -1 -1 -1 0 0 0 1 1 1 1 1 1 1 -8 1 1 1 1 0 1 0 1 -4 1 0 1 0 20 圖 3-15 傳統(tǒng)差分算子檢測 由實驗結果可以看出： ewitPr邊緣檢測算子和 Sobel邊緣檢測算子因具有非各 向同性而在檢測 45的道路線方面有一定優(yōu)勢。 Rrts邊緣檢測

55、算子計算相對簡 單，但圖像處理后，車道線出現斷點現象?？紤]到 l算子是利用水平和垂直兩個 方向的梯度閾值來檢測道路邊緣的，而道路圖像中車道線與水平方向約成 45和 135，因此許多學者提出了針對車道線方向的模板，自設計差分算子。下面介紹兩 種自定義的差分模板。 3.5.2 自定義差分算子 針對道路圖像中車道標志線具有向左和向右傾斜的特征，如果設計針對該方向 的差分算子，可以預見比 Sobel算子更能增強車道線的位置。選用的兩個差分算子 10如 式(3-18) 、式(3-19)： 032230rl SS 1121 用自定義的差分算子對灰度圖像進行邊緣增強，并用 MATLAB 進行仿真，實 驗結果

56、如圖 3-16： (3-19) (3-18) 21 圖 3-16 自定義差分算子邊緣增強 從圖 3-16 可以看出車道線標記在模板 21SSrl、和、 檢測下得到了增強，尤其 對于遠處的車道線效果更明顯，但是車道線加強的同時，意味著像素點的增多，需 要進一步細化處理?？紤]到各種實際情況，本課題選用第一個自定義模板如式 3-18 所示。 3.5.3 加入噪聲圖像檢測實驗 前面的實驗比較的是幾種差分算子在無外加噪聲的情況下對道路圖像的邊緣檢 測結果，但在實際應用中，系統(tǒng)采集到的圖像多數情況下是已經被噪聲污染的圖像， 在進行去噪處理后也會有噪聲的殘留干擾，所以算子的抗擾性也是選取算子關鍵考 察的方面

57、。通常在實際道路識別中，遇到雨、雪等惡劣氣候條件的情況下，系統(tǒng)采 集到的圖像視野中經常有大量的雨雪顆粒，嚴重影響對道路圖像中特征曲線的提取。 在各種噪聲模型中，椒鹽噪聲可以很好地模擬雨、雪顆粒對圖像質量造成的影響 8， 因此通過實驗比較各種差分算子對椒鹽噪聲污染后的道路圖像的邊緣檢測能力具有 實際意義。 對加入椒鹽噪聲的圖像，用常用的差分檢測算子進行邊緣檢測，并用 MATLAB 進行仿真，結果如圖 3-17： 22 圖 3-17 加噪聲后傳統(tǒng)差分算子檢測 從實驗結果中可以看出加入椒鹽噪聲對幾種差分算子檢測都產生了的影響。其 中 Roberts邊緣檢測算子產生了斷點； ewitPr邊緣檢測算子和

58、 Sobel邊緣檢測算子的 檢測效果較為理想,邊緣較為完整；通過無外加噪聲圖像、加入椒鹽噪聲圖像的實驗 結果表明在這幾種情況下， itr邊緣檢測算子和 l邊緣檢測算子的檢測效果 較好， erts邊緣檢測算子在有噪聲情況下產生較多的斷點,定位不準確。 對比 Sobl邊緣檢測算子和自定義差分算子在有噪聲干擾的情況下的邊緣檢測結 果，用 MATLAB 進行仿真，結果如圖 3-18： 23 圖 3-18 加入噪聲后的邊緣檢測 從結果中可以看出，在椒鹽噪聲的影響下，自定義差分算子的檢測效果較好， 車道邊界特征明顯，沒有出現斷點現象?？紤]各種情況后，選用第一種如式(3-18)所 示自定義差分算子作為道路圖

59、像邊緣檢測算子最適合。 3.6 本章小結 本章主要介紹了進行道路識別前的準備工作,是后面章節(jié)的基礎。主要討論了圖 像的預處理問題。本設計研究的道路檢測系統(tǒng)中的道路檢測技術,行駛過程采集到的 圖像,由于道路不平坦、或者其它因素,視覺系統(tǒng)會產生振動、松動等不確定因素,使 采集到的圖像質量受到影響。為了增強道路圖像的識別可靠性,降低道路檢測算法的 復雜性,有利于道路邊界的正確識別和精確定位,需要對采集到的道路圖像進行預處 理,以提高圖像的質量。 在所有的圖像處理算法中,沒有哪一種算法可以適用于處理各類圖像。每一種算 法都有一定的針對性和局限性。在實際研究過程中,為了找到各種有效的圖像處理方 法,需要

60、作廣泛的實驗。根據當前視覺導航系統(tǒng)的需要,對算法加以必要的改進,從而 可以得到適合本視覺系統(tǒng)的最優(yōu)算法。本課題道路圖像預處理包括圖像的灰度化處 理、均衡化處理、濾波處理、邊緣增強處理。為后續(xù)道路圖像的分割和道路標志的 識別提供了很好的條件。 在研究的諸多預處理圖像算法中，針對本設計提供的圖像和算法自身的優(yōu)點， 采用彩色通道提取法灰度化道路圖像，直方圖均衡化技術增強對比度，對噪聲圖像 24 用 3中值模板濾波，自定義差分算子邊緣檢測。 25 第 4 章 道路邊緣的識別 4.1 引言 在視覺導航諸多復雜且具有挑戰(zhàn)性的任務中,最受重視的是道路識別(road following),它包括道路檢測和道路

61、追蹤兩個部分。道路檢測是視覺導航研究中的核 心問題之一,也是視覺導航發(fā)展水平的重要標志之一。檢測包括道路定位，行駛物相 對道路邊界的位置，判斷駛出道路區(qū)域的可能性等，道路追蹤不再對整幅道路圖像 進行全面的處理,只是利用前一次道路檢測得到的車道信息,實現對道路的快速檢測 定位,這樣可以進一步提高系統(tǒng)的實時性。由于論文時間有限，本設計只對道路檢測 部分進行了仿真實驗。目前，道路檢測技術有單目和雙目或多目視覺系統(tǒng)之分。 本章算法沒有從立體視覺的角度來解決道路環(huán)境重建問題,因為從現有的研究結 果來看,直接通過對圖像進行三維恢復獲取環(huán)境信息有很多的困難：首先,計算量巨 大。其次,匹配點尋找困難。另外,遮

62、擋問題。如今的立體視覺研究者多數簡化了這 些不利因素的影響,但是就實際影響來看,任何一個因素都可能導致環(huán)境深恢復的錯 誤,尤其是在光線環(huán)境比較復雜的戶外。這就使得基于像素點進行三維重構的方式進 行視覺導航只適用于比較簡單的環(huán)境。而對于環(huán)境較為復雜的戶外環(huán)境,多數沒有采 取對圖像進行基于像素的三維恢復的方式，而是采用單目視覺系統(tǒng)。 本章將在單目視覺系統(tǒng)針孔成像的模型下進行道路的檢測,由于檢測的是一般路 面，因此主要利用了道路的邊緣和區(qū)域兩種方法的結合。并用 MATLAB 進行了仿 真實驗。 4.2 道路檢測方法簡介 現有的道路檢測算法 11主要有以下三種： (1)基于彩色圖像的分割方法。這種方法

63、是利用彩色圖像中 RGB 彩色空間原理, 根據道路在 Red,Green,Blue 三個彩色分量上與周圍非路面環(huán)境的不同 ,對輸入的彩 色圖像進行路面和非路面的二值劃分,這種方法更適用于沒有車道線的非標準車道。 但是基于 RGB 的彩色圖像分割方法對道路與非道路的分類標準并不是很充分,于是 人們又提出了基于 HSG 的圖像分割方法。其中 Betkel 等人提出圖像色彩的 HSG 表 達能提供對道路與非道路更有效的分類準則,其中的色度 H 和飽和度 S 分量對人行 道、樹和天空有一致的表達,并且去除了不平整路面的影響。而一些具有高亮特征的 26 如汽車尾燈、交通信號、車道標志及道路邊界等需要用灰

64、度級 G 分量來識別。 (2)基于灰度圖像的車道線檢測與跟蹤算法。這是目前車道線檢測與跟蹤的主流 方法，它可以充分利用車道線提供的灰度信息進行自主導航,非常適用于等級較高的 公路。同時這類方法有一些突出的問題需要解決,如當車道線被其它車輛遮擋時,需 要準確估計被遮擋的部分車道線。還有由樹木、橋梁、建筑物及其它車輛等產生的 陰影對路面灰度值產生的影響進而對檢測造成干擾等問題。 (3)神經網絡方法。在智能車輛導航研究中,采用人工神經網絡是一種很典型的 方法。通過在實際景物中駕駛車輛來訓練神經網絡,這種方法可以用于非結構化道路 跟蹤,但是它也有一個很大缺點即不知道車道線的位置,因而與車道線有關的許多

65、輔 助功能無法實現,當用于等級較高公路時,效率低下。 參考近年來有關文獻，當前基于視覺的道路檢測技術主要有以下兩個方向的研 究：一個方向是側重于研究道路邊緣信息，另一個方向是側重于研究路面區(qū)域信息。 根據分析，可以得知邊緣和區(qū)域是物體的兩個互補特性，因為獲取邊緣信息時容易 過分分割或合并，而導致丟失或添加圖像邊界，可以通過區(qū)域信息來補償邊沿的部 分不確定性，因此文中提出對邊緣邊界和區(qū)域邊界進行綜合分析,以得到準確的道路 邊界。 4.3 邊緣與區(qū)域相結合的道路檢測方法 經過邊緣增強處理后，從圖 3-16 中可以看到不僅道路邊緣信息,其它信息如樹 木、行人等輪廓線也得到增強，這些輪廓在圖像中形成了

66、許多的假邊界。為了克服 假邊界的干擾,本設計采用區(qū)域生長 11的方法,得到道路圖像的路面區(qū)域信息。根據 路面的區(qū)域信息和自定義差分算子提取的邊緣信息定位車道線邊界，這種方法的優(yōu) 點是對噪聲不太敏感,即使在強陰影下也能得到大體正確的路面描述。下面首先簡介 區(qū)域生長法。 4.3.1 區(qū)域生長法的基本概念 區(qū)域生長的基本思想是將具有相似性質的像素點集合起來構成區(qū)域，具體先對 每個需要分割的區(qū)域找一個種子像素作為生長的起點,然后將種子像素周圍鄰域中與 種子像素有相同或相似性質的像素根據某種事先確定的生長或相似準則來判定合并 到種子像素所在的區(qū)域中，直到再沒有滿足條件的像素可被包括進來，這樣一個區(qū) 域就長成了。其中生長準則常用的是圖像的灰度、紋理、彩色等信息。通過上述分 析可知，在用區(qū)域生長法處理道路圖像時，有以下兩個問題是非常關鍵的。 27 一、區(qū)域生長的一個關鍵是選擇合適的生長或相似準則，使用不同的生長準則 會影響區(qū)域生長的過程，目前，區(qū)域生長法在處理道路圖像中大多采用灰度差準則。 區(qū)域生長方法將圖像以像素為基本單位來進行操作，基于區(qū)域灰度差的方法，主要 有如下步驟： (1)對圖像進行逐行掃