车道识别与交通标志识别

车道保持与交通标志识别技术

自144

孙思雨交通标志检测：特征提取（边缘，颜色，形状，LBP)交通标志识别：神经网络车道特征检测：边缘提取，二值化车道线检测：霍夫变换研究内容（LBP指局部二值模式）研究了汽车辅助驾驶系统中的计算机视觉问题.一方面,用小波变换对高速公路上的道路边缘进行检测;另一方面,利用灰度以及几何特征实时跟踪和检测车道边缘,通过建立道路边缘模型,采用数据拟合的方法确定边界轨迹方程,从而估算出公路的延伸方向,实现汽车的自动防偏,并为解决汽车智能辅助驾驶系统的避障问题提供了有力的保证.二值化

分割算法是数字图像处理中非常经典的课题,有着众多可供选择的算法。最常见的有按像素或处理过像素的灰度值进行分割、利用边缘进行分割、区域生长等方法。二值化处理是一种灰度处理算法,对于给定的阈值,程序将灰度大于给定阈值的点变成白点,另外的点变为黑点,经处理后图像变为只有黑白二色的二值图像。边缘检测边缘检测是一种突出图像边缘削弱边缘以外图像区域,突出图像轮廓的方法。它可以在保留关于物体边界有用的结构信息的同时极大地降低处理的数据量,从而简化图像的分析过程。边缘两边相邻区域中的灰度相对地均匀,只是在通过边缘时灰度发生突变,对于灰度图像,边缘是灰度不连续的结果。对这种不连续的灰度级变化最有用的两个特征是灰度的变化率和方向,它们分别以梯度的变化率和方向来表示。车道标识线的准确检测是实现车辆自动导航和车辆安全辅助驾驶的首要问题，为了得到较理想的车道的标线边缘．利用车道的边缘特征对车道图像进行二值化和形态学处理，对车道区域实现准确的边缘检测，最后利用Hough变换定位出车道标识线，完成对车道标识线的识别。实验表明，该方法能实现对复杂环境下车道标识线的准确识别，具有较好的鲁棒性和可靠性。

车道特征检测提出了根据高斯分布模型的自适应阈值分割方法,使用了基于形态学变换的二值图优化算法得到车道线边缘图.改进了概率霍夫变换,使其更能满足实际情况,从而换检测出车道线.实验表明了该方法可以有效检测出车道线,并且速度上得到了极大的提高.

原理

霍夫变换(HoughTransform)霍夫变换是图像处理中从图像中识别几何形状的基本方法之一，应用很广泛，也有很多改进算法。主要用来从图像中分离出具有某种相同特征的几何形状（如，直线，圆等）。最基本的霍夫变换是从黑白图像中检测直线(线段)。

MATLAB实现霍夫变换车道线检测

目前常用的车道线检测技术是利用道路线的识别来实现道路的检测,采用直线或曲线的道路模型,这种方法具有简单实用,能适应高速共路结构化环境的特点,而且具有比较快的图像处理速度和较好的实时性.在经过图像预处理将车道线分割出来之后,需要将车道线在图像中的直线方程拟合出来,目前常用的拟合方法有最小二乘法和霍夫变换.

霍夫(Hough)直线变换是利用点线的对偶性来实现的,.通过Hough直线变换求出参数时需要三次循环,这样对于大量数据或者对实时性要求很强的系统来说基本上是不可取的.概率霍夫变换与普通霍夫变换比较灰度化效果统计窗口统计窗口内的直方图分布二值图像膨胀操作效果腐蚀操作效果膨胀图与腐蚀图的差概率霍夫变换效果我们对左边道路选择最右边的车道线,对右边道路选择最左边的车道线,得到最终的当前车道线。交通标志识别系统是智能交通系统与先进辅助驾驶系统的重要组成部分，提高交通标志检测与识别算法的准确率和实时性是走向实际应用进程中需要解决的关键问题。算法的准确率是交通标志识别研究中一个十分重要的因素，错误的识别结果不仅不能起到辅助驾驶作用，还会导致严重的安全事故。而算法的实时性决定了研究成果能否转化为具有实际应用价值的产品。在汽车数量日益增加、交通安全事故居高不下，要求不断提升汽车的驾驶智能化的现实压力面前，开展以实时应用为目标的交通标志检测与识别技术研究，对于增加驾驶安全具有重大的意义。

交通标志检测是进行交通标志分类的前提，同时还压缩了计算目标的空间，减少后续特征提取算法的运算量，还可以获得更高的识别准确率。在图像的特征提取领域，常见的特征提取与选择方法有：

PCA主成分分析法

Gabor特征提取算法

SIFT特征提取算法

SURF特征提取算法

Haar小波特征提取算法/类Haar小波特征提取算法不变矩特征提取算法