补充
<style>p{text-indent:2em}</style>
文献综述
概述
车载的驾驶辅助系统一般有两类,一类是驾驶员疲劳检测系统,另一类是环境感知事故预警系统。前者能够通过保证驾驶员注意力间接预防事故,而不能主动地对道路环境变化进行预警。而后者则能够积极探测环境变化,并在危险情形下对驾驶员发出警告,如果连接了控制系统还可以主动地进行对应的事故避免响应如紧急刹车。在驾驶辅助系统发展向无人驾驶系统发展过程中,前者会逐渐被淘汰,而后者始终是研究重点。
车辆环境感知可以采用多种传感器,由于驾驶员获得的道路信息80%以上都来自于视觉,基于摄像头的视觉感知成为了研究热点。尽管双摄像头可以提供立体信息,更接近人类视觉特征,车辆视觉感知系统相关的多数研究仍是基于单一摄像头的。单个摄像头意味着更少的成本,解决了多数研究由于设备的昂贵难以量产的尴尬,为相关智能设备的商业化提供了可能。驾驶辅助系统的领头企业——Mobileye历时10余载研发的C2-270驾驶辅助设备就是使用单摄像头的典型案例。
基于图像的智能车辆环境感知系统的主要研究内容如下图所示:
![](https://cloud.githubusercontent.com/assets/6234266/6632223/88c8af00-c96d-11e4-9166-deee8ceda787.png)
结构化道路检测
结构化道路指的是边缘比较规则,路面平坦,有明显的车道线及其它人工标记的行车道路,如高速公路、城市干道等。结构化道路的检测步骤大致如下:
- 车道线检测
- 车道线特征提取
- 道路建模
结构化道路检测主要用于车道偏离预警系统,同时也是自动驾驶中不可或缺的一步。第一步需要明确图像中的点是否属于车道线,得到一个二值的特征图;第二步通过特征图匹配直线或曲线等形状,并提取出建模所需的特征值;第三步根据所得的特征值建立道路模型,从而得到车道线的空间坐标位置和曲率半径等信息。
车道线检测技术主要分为车道线分离和跟踪两部分。由于摄像头采集的相邻帧图像间的车道线在空间上具有连续性,因此往往仅在初始时和丢失车道线的情形下进行重新检测标定,其他情况只是根据以前图像的车道线位置进行跟踪。
车道线分离的一般步骤如下:
- 图像预处理
- 感兴趣区域划分
- 筛选车道线
- 后处理
当然也有其他办法,如文献提出了一种基于色彩空间的车道线提取办法。
天气因素(阴晴雨雪)、行驶路段因素(隧道桥洞)、时间因素(早中晚)、传感器因素(摄像头积灰或输出有噪点)等造成了图像的多变性,图像预处理的工作就是过滤各种因素带来的差异,如中值滤波可以有效地消除椒盐噪声、直方图均衡化可以在夜晚图像整体偏暗时增强图像的对比度等等。
对于只需要对局部图像进行处理的情形,划分感兴趣区域(ROI)是是十分必要的。由于车道线集中在图像的下半部分,因此我们对图像上半部分不感兴趣,通过减少算法处理的范围可以大大提高算法的效率。
筛选车道线通过车道线的各种特征的差异进行划分。如边缘特征图、DLD特征图、阈值特征图,最后对各个特征图进行图像与运算,得到满足所有条件的最终的特征图。其中,图像轮廓特征包含了很多图像信息,因此边缘提取是研究的热点,相关的方法有很多,如。。。。文献提出了一种新的适用于车道线检测的边缘提取算法。
发展趋势
尽管人眼是通过双眼获取立体信息,但双目视觉的算法复杂度较高,并不适合机器来完成。雷达可以精确地获取距离信息,可以为摄像头检测到的像素直接地附加上位置信息,方便了后续算法的处理,因此智能车辆环境感知系统中多传感器的融合是一大趋势,而前面提到的Mobileye公司的C2-270,就采用了基于雷达视觉融合的车辆探测,这对于前方车辆的距离标定提供了极大的方便,并使得前车防撞预警更加的准确。
后处理
为了在得到较全的车道线和过滤更多的其他物体之间权衡,筛选得到的特征图可能还是不理想,因此有时需要后处理,如连通性检测,封闭性检测等,从而过滤得到更清晰的特征图。