1、-. z基于圖像處理的車道線識別算法研究摘要為了提高車道線識別算法的實時性和準確性，提出了一種基于改良Hough變換的車道線檢測方法。在車道線的預處理階段，首先確定圖像中的感興趣區域，然后對圖像進展平滑處理、自適應閾值分割、邊緣檢測，從而減少了后期的處理數據量，排除了大局部的干擾因素。在車道線的識別階段，根據圓和橢圓的性質，對傳統的霍夫變換進展改良，極大減小了在檢測圓和橢圓時的計算量，并提高了檢測的準確性。最后使用OpenCV圖像處理庫編寫程序，證明了新算法的正確性，得到了理想的結果。關鍵詞：車道線識別橢圓檢測霍夫變換 Study on Lane Mark Identification Alg

2、orithm Based on Image ProcessingAbstractIn order to improve the real-time and accuracy of lane recognition algorithm, presents a method of lane detection based on improved Hough transform. The preprocessing stage in the lane line, first determine the image of the region of interest, and then smoothi

3、ng, adaptive threshold segmentation, edge detection of image, thereby reducing the amount of data processing stage, most of the interference factors. The recognition phase in the lane line, according to the nature of the circle and ellipse, improvement of the Hof transform to the traditional, greatl

4、y reduces the amount of putation in the detection of circle and ellipse, and improve the accuracy of detection. Finally, the use of OpenCV image processing library program, proved the correctness of the new algorithm, and the desired result.Key Words：lane mark identification；ellipse detection；hough

5、transform目錄 TOC o 1-3 h z u HYPERLINK l _Toc390002680摘要 PAGEREF _Toc390002680 h IHYPERLINK l _Toc390002683Abstract PAGEREF _Toc390002683 h IIHYPERLINK l _Toc390002684目錄 PAGEREF _Toc390002684 h IIIHYPERLINK l _Toc390002685第1章緒論 PAGEREF _Toc390002685 h 1HYPERLINK l _Toc3900026861.1研究背景 PAGEREF _Toc390

6、002686 h 1HYPERLINK l _Toc3900026872.1國外研究現狀 PAGEREF _Toc390002687 h 2HYPERLINK l _Toc390002688國外研究現狀 PAGEREF _Toc390002688 h 2HYPERLINK l _Toc390002689國研究現狀 PAGEREF _Toc390002689 h 3HYPERLINK l _Toc3900026903.1論文主要容 PAGEREF _Toc390002690 h 3HYPERLINK l _Toc390002691第2章車道線的預處理 PAGEREF _Toc390002691

7、h 5HYPERLINK l _Toc3900026922.1認識車道線 PAGEREF _Toc390002692 h 5HYPERLINK l _Toc390002693車道線的根本分類 PAGEREF _Toc390002693 h 5HYPERLINK l _Toc390002694車道線的標劃區分 PAGEREF _Toc390002694 h 6HYPERLINK l _Toc390002695車道線的根本形狀 PAGEREF _Toc390002695 h 6HYPERLINK l _Toc3900026962.2感興趣區域 PAGEREF _Toc390002696 h 6HY

8、PERLINK l _Toc3900026972.3平滑濾波 PAGEREF _Toc390002697 h 7HYPERLINK l _Toc390002698均值濾波 PAGEREF _Toc390002698 h 7HYPERLINK l _Toc390002699中值濾波 PAGEREF _Toc390002699 h 8HYPERLINK l _Toc390002700高斯濾波 PAGEREF _Toc390002700 h 9HYPERLINK l _Toc390002701平滑濾波總結 PAGEREF _Toc390002701 h 10HYPERLINK l _Toc39000

9、27022.4二值化 PAGEREF _Toc390002702 h 10HYPERLINK l _Toc390002703二值化的根本概念 PAGEREF _Toc390002703 h 10HYPERLINK l _Toc390002704大津法自適應閾值分割 PAGEREF _Toc390002704 h 10HYPERLINK l _Toc3900027052.5邊緣提取 PAGEREF _Toc390002705 h 11HYPERLINK l _Toc390002706算子 PAGEREF _Toc390002706 h 12HYPERLINK l _Toc390002707算子

10、PAGEREF _Toc390002707 h 13HYPERLINK l _Toc390002708算子和Canny算子的比擬 PAGEREF _Toc390002708 h 14HYPERLINK l _Toc390002709第3章Hough變換直線和橢圓的檢測 PAGEREF _Toc390002709 h 15HYPERLINK l _Toc3900027103.1Hough變換直線檢測 PAGEREF _Toc390002710 h 15HYPERLINK l _Toc390002711變換直線檢測的根本原理 PAGEREF _Toc390002711 h 15HYPERLINK

11、l _Toc390002712變換的缺陷和改良 PAGEREF _Toc390002712 h 16HYPERLINK l _Toc3900027133.2Hough變換圓檢測 PAGEREF _Toc390002713 h 17HYPERLINK l _Toc390002714Hough變換圓檢測的根本原理 PAGEREF _Toc390002714 h 17HYPERLINK l _Toc390002715對hough變換圓檢測算法的改良 PAGEREF _Toc390002715 h 18HYPERLINK l _Toc390002716最小二乘法求曲線上一點的切線 PAGEREF _T

12、oc390002716 h 18HYPERLINK l _Toc3900027173.3Hough變換橢圓檢測 PAGEREF _Toc390002717 h 19HYPERLINK l _Toc390002718第4章車道線的識別 PAGEREF _Toc390002718 h 22HYPERLINK l _Toc390002719結論 PAGEREF _Toc390002719 h 25HYPERLINK l _Toc390002720參考文獻： PAGEREF _Toc390002720 h 26HYPERLINK l _Toc390002721致 PAGEREF _Toc3900027

13、21 h 28HYPERLINK l _Toc390002722附錄1 PAGEREF _Toc390002722 h 29-. z緒論研究背景車道線的識別是圖像處理和交通智能化領域的一個重要分支，特別是近年來，隨著只能汽車、自動識別的開展和應用，車道線識別的研究得到了長足的開展，并且會在未來隨著人們對識別精度、速度的要求越來越高，車道線識別領域的研究將會愈發熾熱，可以說這是一個方興未艾的研究領域。車道線識別的研究成果很大程度上得益與數字圖象處理和計算機技術的開展。數字圖像處理最早出現于20世紀50年代，當時的電子計算機已經開展到一定水平，人們開場利用計算機來處理圖形和圖像信息。數字圖像處理作

14、為一門學科大約形成于20世紀60年代初期。早期的圖像處理的目的是改善圖像的質量，它以人為對象，以改善人的視覺效果為目的。圖像處理中，輸入的是質量低的圖像，輸出的是改善質量后的圖像，常用的圖像處理方法有圖像增強、復原、編碼、壓縮等。首次獲得實際成功應用的是美國噴氣推進實驗室JPL。他們對航天探測器徘徊者7號在1964年發回的幾千月球照片使用了圖像處理技術，如幾何校正、灰度變換、去除噪聲等方法進展處理，并考慮了太陽位置和月球環境的影響，由計算機成功地繪制出月球外表地圖，獲得了巨大的成功。隨后又對探測飛船發回的近十萬照片進展更為復雜的圖像處理，以致獲得了月球的地形圖、彩色圖及全景鑲嵌圖，獲得了非凡的

15、成果，為人類登月創舉奠定了堅實的根底，也推動了數字圖像處理這門學科的誕生。在以后的宇航空間技術，如對火星、土星等星球的探測研究中，數字圖像處理技術都發揮了巨大的作用。隨著圖像處理技術的深入開展，從70年代中期開場，隨著計算機技術和人工智能、思維科學研究的迅速開展，數字圖像處理向更高、更深層次開展。人們已開場研究如何用計算機系統解釋圖像，實現類似人類視覺系統理解外部世界，這被稱為圖像理解或計算機視覺。很多國家，特別是興旺國家投入更多的人力、物力到這項研究，取得了不少重要的研究成果。其中代表性的成果是70年代末MIT的Marr提出的視覺計算理論，這個理論成為計算機視覺領域其后十多年的主導思想。圖像

16、理解雖然在理論方法研究上已取得不小的進展，但它本身是一個比擬難的研究領域，存在不少困難，因人類本身對自己的視覺過程還了解甚少，因此計算機視覺是一個有待人們進一步探索的新領域。國外研究現狀在過去幾十年中，國外許多專家學者在車道線識別和跟蹤系統方面已經做出了很多積極有意義的探索。國外一些關于智能車輛輔助駕駛系統的研究成果已經比擬成熟，有些已經投入到商業化應用中，相對國外的研究水平，國的研究起步比擬晚，但是開展速度比擬快，相信在未來的幾年里，國的一些研究成果應該能夠快速跟上國際版步伐，逐漸開展完善起自己的應用體系，盡快的投入到實際生產應用中。國外研究現狀國外一些關于車道線識別的研究成果已經比擬成熟，

17、目前，有些方法已經投入到了實際的商業化應用中。其中，具有代表性的系統主要由：意大利帕爾瑪大學開發的GOLD系統20；美國密歇根州立大學人工智能實驗室開發的LOIS系統；美國卡基梅隆大學開發的RALPH系統；美國卡基梅隆大學機器人學院NavLab實驗室和Vision&Autonomous System Center聯合開發的SCARF系統和ALVINN系統。GOLD系統：該系統采用立體視覺技術，根據目前車道線的油漆顏色特征來定位車道線所處位置，但是立體視覺技術面臨圖像匹配以及運行時間長等問題，因而該系統有設計了并行SIMD硬件構造來滿足實時性要求。LOIS系統：該系統利用一種可變型的道路模板技術

18、，將道路的彎曲度和智能車輛在行駛過程中所處道路的位置問題轉換成多維參數空間的最優化問題，通過得到的最優解來解決車道偏離預警中出現的問題。RALPH系統：該系統首先根據車輛速度的變化情況，建立了與之相對應的一系列梯形窗口，通過對梯形窗口的視頻圖像通過逆透視變換來確定道路的彎曲度，然后計算智能車輛偏離車道中心線的距離，判斷車道線偏離情況，最后通過跟蹤逆透視變換得到的道路平行線，從而實現道路車道線的追蹤。該系統在實驗開場的時候進展了道路構造化假設，在很大程度上提高了車道線檢測識別的魯棒性。SCARF系統：該系統利用雙目視覺原理，在圖像中設置的梯形窗口，利用霍夫變換來估計車道線可能出現的ROI區域，然

19、后反投影到真實的道路平面，通過控制車輛的方向沿著ROI中心線方向行駛來確保車輛不會偏離車道線。ALVINN系統：采用基于BP神經網絡的方法，通過對不同天氣狀況下的車道線特征進展訓練，來得到一個參數訓練模型，從而根據訓練得到的參數模型來預測不同天氣狀況下的車道線位置。國研究現狀今年來，我國在該領域也做了一些積極的探索和研究，但是與其他興旺國家相比起步比擬晚，因此，國在該領域的研究和探索還存在一定的改良空間。國的研究成果主要有以下幾個：清華大學計算機智能技術與系統國家重點實驗室研制的THMR系統：該工程采用的道路模型是直線模型，利用多窗口的雙閾值二值化進展特征提取，在后續處理中采用增強轉移網絡來完

20、成，在算法實時性方面做得比擬好，但由于道路模型首先，因此只能對直線車道進展檢測和識別。工業大學研制的JUTIV系統：該工程采用3D盤旋曲線為道路模型，用最大類方差方法來設定閾值提取道路邊緣，利用隨即采用的LmedSquare方法進展車道線曲線擬合，同時結合了駕駛員穩態預瞄原理，建立了車道線擬合的預測區域，并進一步利用多傳感器信息融合技術對復雜環境下的車道線檢測識別與跟蹤等關鍵技術做了系統研究。論文主要容一種車道線識別方法，包括以下步驟：從在繪有不同車道標志圖案 的車道上行駛的汽車中,通過圖像傳 感器拍攝汽車前方視野; 從上 述步驟中拍攝的圖像中選取汽車左、右車道邊界的數據，通過將對所述選取的車

21、道邊界數據進展處理，完成車道線的識別，確定車輛所在區域的車道線類型。論文中主要分以下局部對車道線識別算法進展分析和描述：第2章：介紹了車道線的根本知識，分析討論了車道線預處理的過程和用到的相關算法；第3章：具體分析霍夫變換算法，并根據圓和橢圓的性質對霍夫變換算法進展改良第4章：在對所使用的算法和車道線特征進展分析綜合的根底上，使用C語言結合OpenCV圖像處理庫編寫程序實現算法，并對算法進展驗證，得到最終的車道線識別結果。車道線的預處理預處理是車道線識別過程中一個十分重要的一環。良好的預處理能使排除各種干擾，使運算量大大下降，大大提高車道線識別的實時性和準確性，反之，則不僅會使識別效率降低，甚

22、至導致得到錯誤的結果。預處理的過程主要分為車道線的設置感興趣區域、平滑濾波、閾值分割、邊緣檢測。本章首先簡要介紹車道線的根本知識，然后對感興趣區域的原理和應用進展分析，并針對車道線的具體特征和要得到的目標選擇適宜的預處理方法，進而對每種預處理過程中的算法進展分析討論，得出適合的預處理算法。認識車道線車道線的根本分類車道分界限是用來分隔同方向行駛的交通流的交通標志線，凡同方向車行道有兩條或兩條以上車道時,均應劃車道分界限。車道分界限有兩種,即車道分界虛線和導向車道分界實線。車道分界虛線,在保證平安的原則下,準許車輛越線超車或變更車道行駛;導向車道分界實線,不準車輛越線或變更車道。圖2-1所示為各

23、種車道線：圖2-1 各種車道線車道線的標劃區分白色虛線:劃于路段中時,用以分隔同向行駛的交通流或作為行車平安距離識別線;劃于路口時,用以引導車輛行進;白色實線:劃于路段中時,用以分隔同向行駛的機動車和非機動車或指示車行道線;劃于路口時,用作導向車道線或停車線;黃色虛線:劃于路段中時,用以分隔對向行駛的交通流,劃于路側或緣石上時,用以制止車輛長時在路邊停放。黃色實線:劃于路段中時,用以分隔對向行駛的交通流;劃于路側或緣石上時,用以制止車輛長時或臨時在路邊停放。雙白虛線:劃于路口時作為減速讓行線;劃于路段中時,作為行車方向隨時間改變之可變車道線;雙黃實線:劃于路段中時,用以分隔對向行駛的交通流;黃

24、色虛實線:劃于路段中時,用以分隔對向行駛的交通流。黃色實線一側制止車輛超車、跨越或回轉,黃色虛線一側在保證平安的情況下準許車輛超車、跨越或回轉;雙白實線:劃于路口時,作為停車讓行線。車道線的根本形狀通過對各種車道線的比擬，我們可以法線，車道線根本分為兩種形狀：直線和圓，其他的形狀還包括三角形等，但它們的根本組成元素仍然是直線，所以我們同樣能對其運用直線的方式處理。但是必須注意的是，由于圖像采集設備與道路之間有一定的傾角，所以道路中的圓出現在圖像中時將會變為橢圓。通過將根本的識別目標固定在直線和橢圓的圍中，我們便將車道識別的問題抽象為直線和橢圓的識別，研究方向進一步固定。感興趣區域感興趣區域簡稱

25、為ROIregion of interest是將圖像中的重要區域進展標記，隨后的各種算法和分析將主要針對ROI。這樣做的好處是不僅使處理的數據量變少，而且也排除了非重點區域的潛在干擾。觀察采集到的圖像，如下圖，我們可以發現，圖像中的上部是天空和較遠處的信息，這一局部信息是不需要的，而且可能會對處理結果造成干擾。所以，在圖像的處理中我們應當適中選取ROI，對于以后的處理有莫大裨益。如圖2-2所示，其中下部較暗的區域即為我們的感興趣區域：圖2-2 感興趣區域平滑濾波各類圖像處理系統在圖像的采集、獲取、傳送和轉換(如成像、復制掃描、傳輸以及顯示等)過程中，均處在復雜的環境中，光照、電磁多變，所有的圖

26、像均不同程度地被可見或不可見的噪聲干擾。噪聲源包括電子噪聲、光子噪聲、斑點噪聲和量化噪聲。如果信噪比低于一定的水平，噪聲逐漸變成可見的顆粒形狀，導致圖像質量的下降。除了視覺上質量下降，噪聲同樣可能掩蓋重要的圖像細節，因此，在對采集到的原始圖像做進一步的處理時，需要對圖像進展必要的濾波降噪處理。均值濾波均值濾波是典型的線性濾波算法，它是指在圖像上對目標像素給一個模板，該模板包括了其周圍的臨近像素，模板大小一般為33、55、或77 ，用其臨近區域像素值的均值來替代目標像素。均值濾波的原理如圖2-3所示，其中a)圖中1-8為像素點的臨近區域，b)圖為的權系數矩陣：ab)圖2-3 均值濾波原理均值濾波

27、方法如公式2-1所示：2-1均值濾波具有算法簡單，計算速度快的優點，但它的缺點也很明顯：降低噪聲的同時使圖像產生模糊，特別是景物的邊緣和細節局部。中值濾波中值濾波是一種非線性數字濾波器技術，經常用于去除圖像或者其它信號中的噪聲。中值濾波的思想是將一個像素替換為其臨近區域的所有像素的中值，臨近區域一般選以此像素為中心的奇數大小的窗口，常用的為33、55、77等。中值濾波的計算方法如公式2-2所示：2-2中值濾波法對消除椒鹽噪聲非常有效，在光學測量條紋圖象的相位分析處理方法中有特殊作用，但在條紋中心分析方法中作用不大.中值濾波在圖像處理中,常用于保護邊緣信息,是經典的平滑噪聲的方法。圖2-4為中值

28、濾波效果圖：圖2-4 中值濾波效果圖高斯濾波高斯濾波是一種線性平滑濾波，適用于消除高斯噪聲，廣泛應用于圖像處理的減噪過程。通俗的講，高斯濾波就是對整幅圖像進展加權平均的過程，每一個像素點的值，都由其本身和鄰域的其他像素值經過加權平均后得到。高斯濾波的思想是：用一個模板或稱卷積、掩模掃描圖像中的每一個像素，用模板確定的鄰域像素的加權平均灰度值去替代模板中心像素點的值。高斯濾波的效果圖如圖2-5所示：圖2-5 高斯濾波效果圖平滑濾波總結通過比擬以上三種濾波方法，可以看出三者的區別和適用圍。均值濾波算法簡單，但會造成圖像的模糊，中值濾波對椒鹽噪聲有非常好的去除效果，并且能夠保存邊緣信息，高斯濾波則對

29、高斯噪聲具有很好的處理效果。圖像邊緣的信息對于本論文中的車道線識別算法有重要作用，所以在選擇濾波算法上應優先選用中值濾波和高斯濾波。二值化二值化的根本概念圖像的二值化就是將一副灰度圖像轉換為二值圖像，例如設定一個閾值K，像素值小于K的置為0，反之則置為255，如公式2-3所示：2-3大津法自適應閾值分割雖然通過給定一個閾值能實現圖像的二值化，但在很多時候并不能給出一個適宜的閾值，為了解決這個問題，人們提出了許多自適應的閾值分割方法，以適應不同灰度分布的圖像，其中應用廣泛的有大津法自適應閾值等。大津法也叫最大類間方差法，是一種自適應的閾值確定的方法,簡稱OTSU。它是按圖像的灰度特性,將圖像分成

30、背景和目標2局部。背景和目標之間的類間方差越大,說明構成圖像的2局部的差異越大,當局部目標錯分為背景或局部背景錯分為目標都會導致2局部差異變小。因此,使類間方差最大的分割意味著錯分概率最小。對于圖像,前景(即目標)和背景的分割閾值記作T,屬于前景的像素點數占整幅圖像的比例記為,其平均灰度;背景像素點數占整幅圖像的比例為,其平均灰度為。圖像的總平均灰度記為,類間方差記為。假設圖像的背景較暗,并且圖像的大小為,圖像中像素的灰度值小于閾值T的像素個數記作,像素灰度大于閾值T的像素個數記作,則有2-42-52-62-72-82-9經計算后,得到等價公式2-10:2-10采用遍歷的方法得到使類間方差最大

31、的閾值T,即為所求。大津法閾值分割如圖2-6所示：圖2-6 大津法自適應閾值分割邊緣提取圖象的邊緣是指圖象局部區域亮度變化顯著的局部，該區域的灰度剖面一般可以看作是一個階躍，既從一個灰度值在很小的緩沖區域急劇變化到另一個灰度相差較大的灰度值。圖象的邊緣局部集中了圖象的大局部信息，圖象邊緣確實定與提取對于整個圖象場景的識別與理解是非常重要的，同時也是圖象分割所依賴的重要特征，邊緣檢測主要是圖象的灰度變化的度量、檢測和定位。Sobel算子Sobel算子主要用作邊緣檢測。在技術上，它是一離散性差分算子，用來運算圖像亮度函數的梯度之近似值。在圖像的任何一點使用此算子，將會產生對應的梯度矢量或是其法矢量

32、。Sobel算子包含兩個的矩陣，如圖2-7所示，用這兩個矩陣與圖像進展卷積，便可分別得到橫向及縱向的亮度差分近似值。如果以A代表原始圖像，G*及Gy分別代表經橫向及縱向邊緣檢測的圖像，其計算方法如公式2-11和2-12:2-112-12圖像的每一個像素的橫向及縱向梯度值可用公式2-13來計算梯度的大小。2-13通常，也使用一個近似計算的公式2-14來提高計算速度：2-14可用以下公式計算梯度方向：2-15如果角度等于零，即代表圖像該處擁有縱向邊緣，左方較右方暗。Sobel算子邊緣提取效果如圖2-8所示,a)圖為源圖像，b)圖為*方向邊緣檢測結果，c)圖為Y方向邊緣檢測結果c)b)a)圖2-8

33、Sobel算子邊緣檢測效果圖Canny算子Canny邊緣檢測算子是一個多級邊緣檢測算法，它的目標為實現最優的邊緣檢測算法。Canny算子的處理過程分為幾個步驟，首先要對輸入圖像進展高斯平滑處理，然后使用一個二維一階導數算子作用與平滑處理后的圖像，用于突出圖像中高一空間導數的圖像區域，這樣我們就從原始圖像生成了圖像中每個點亮度梯度圖以及亮度梯度的方向。隨后Canny跟蹤這些亮度梯度并且保存局部最大值而把其他值設為0，即非極大值抑制，最后使用雙閾值算法檢測和連接邊緣。對圖2-8中圖像進展Canny邊緣檢測效果如圖2-9所示：圖2-9 Canny算子邊緣檢測效果圖Sobel算子和Canny算子的比擬

34、Sobel算子通過對圖像進展卷積運算，算法簡單且計算速度相對較快，缺點是Sobel算子并沒有將圖像的主題與背景嚴格地區分開來，換言之就是Sobel算子并沒有基于圖像灰度進展處理，由于Sobel算子并沒有嚴格地模擬人的視覺生理特征，所以提取的圖像輪廓有時并不能令人滿意。算子是一個具有濾波增強檢測的多階段的優化算子，在進展處理前，Canny算子先利用高斯平滑濾波器來平滑圖像以除去噪聲，Canny分割算法采用一階偏導的有限差分來計算梯度幅值和方向，在處理過程中，Canny算子還將經過一個非極大值抑制的過程，最后Canny算子還采用兩個閾值來連接邊緣。可以看出Canny算子的處理過程比擬復雜，但它的處

35、理結果是比擬好的。Hough變換直線和橢圓的檢測Hough變換直線檢測Hough變換直線檢測的根本原理Hough變換的核心思想是將圖像空間轉化到參數空間進展分析。在平面直角坐標系中，一條直線可以用方程來表示，其中和是參數,分別是斜率和截距。過*一點的所有直線的參數都會滿足方程,即點確定了一族直線。方程在參數平面上是一條直線。這樣,圖像平面上的一個前景像素點就對應到參數平面上的一條直線，同理，直線上的其他點也對應一條參數空間的直線，最終，在參數空間中的這些直線將會交于一點，很顯然，這個點就是。但是方程無法表示這樣的直線斜率無窮大，所以在實際應用中使用直線的法線式方程來表示直線：此時，圖像空間中的

36、一點將對應參數空間的一條正弦曲線，這樣圖像空間中的一條直線就對應參數空間中的一點。如圖3-1所示：圖3-1 直線上點在參數空間的映射圖3-2為霍夫變換直線檢測的效果已設置感興趣區域：圖3-2 霍夫變換直線檢測Hough變換的缺陷和改良Hough變換具有顯而易見的優點，但它也有一些不可無視的缺點：1、運算量大。傳統的Hough變換需要對每個點進展計算，不僅運算量大，而且會產生大量冗余數據，并且運用Hough變換進展圓或其他圖像的檢測時，由于參數的增多如圓需要3個參數，計算量將會急劇增加，所以，Hough變換的實時性不高；2、雖然Hough變換能得到直線的參數方程，但它無法確定直線的起止點，即無法

37、確定直線是否是連續的；3、圖像中的噪聲點會對Hough變換的結果產生較大的影響。針對以上缺陷，需要對Hough變換進展一定的改良，以更好地完成期望的工作：1、對圖像進展適宜的預處理，盡力排除噪聲點的干擾；2、對圖像進展邊緣提取、區域分割等，提取出有用的信息，再根據統計學的一些原理來應用Hough變換，減少Hough變換的運算量3、對于Hough變換以上缺陷中的第二點，可以設計特殊的數據構造記錄Hough變換過程中的數據，從而解決探測直線等起止點的問題。Hough變換圓檢測Hough變換圓檢測的根本原理Hough變換直線檢測中是將圖像空間中的一條直線映射為參數空間中的一個點，對圓的檢測同樣如此，

38、這也是Hough變換的核心思想所在。但是直線檢測需要兩個參數，而圓檢測需要三個參數為圓心坐標，r為圓的半徑。在平面直角坐標系中，圓用方程來表示，將圓上的一點映射到參數空間，對應的方程為由于圓的半徑r不確定，所以參數空間是一個三維空間，每一點在參數空間映射為一個圓錐，如圖3-3所示：圖3-3 圓上一點在參數空間的映射因此，Hough變換圓檢測的計算量會是相當大的，這是傳統Hough變換最大的缺陷之一。對hough變換圓檢測算法的改良由于傳統的Hough變換圓檢測算法計算量太大，所以需要對其進展改良以增強其實時性。對于圓，有如下性質：圓上一點的法線必過圓心。根據這一性質，隨機選取圓上假設干各點，求

39、得其法線，法線的交點便是圓心，進而也可以很容易地計算出圓的半徑。則如何求一個點的法線呢？對于圖像中的一個點，其法線方向便是其梯度變換最大的方向，且法線與切線呈垂直關系，則我們可以先求一點的切線，進而得到這一點的法線。最小二乘法求曲線上一點的切線最小二乘法又稱最小平方法是一種數學優化技術。它通過最小化誤差的平方和尋找數據的最正確匹配函數。利用最小二乘法可以簡便地求得未知的數據，并使得這些求得的數據與實際數據之間誤差的平方和為最小。最小二乘法還可用于曲線擬合等初中應用領域。假設圖像中存在處于一條直線附近的幾個點，則設這條直線的方程為：為直線斜率，為截距。為求得和，根據最小二乘法原理，將實測值與的離

40、差的平方和最小作為最優判據。令3-1當最小時，分別對和求偏導，令這兩個偏導數等于0：3-23-3兩個偏導數等于0，即得：3-43-5將和的結果代入原直線方程，即得擬合所得的直線方程為：n*kY*nY*Y*nYiiiiiiii22)(同樣，在圖像中圓上*一點的切線方程也可用同樣的方法求得。雖然最小二乘法能比擬方便的得出圓上一點的切線，但要知道其正確性與點的樣本大小有很大關系，如果樣本太小，則計算誤差變大，很可能得不到正確的結果，假設樣本太大，則計算量也將隨之增大，所以樣本大小的選取是一個不可無視的問題。圖3-4展示了根據最小二乘法原理得到的曲線上一點的切線：圖3-4 最小二乘法得到曲線上一點的切

41、線Hough變換橢圓檢測根據前面的分析，道路車道線經過圖像采集設備采集后，其原本的圓將會變化為橢圓，所以我們更應該關注橢圓的檢測。根據Hough變換圓檢測的算法，進一步討論橢圓的檢測，由于橢圓上一點的法線并不過橢圓的中心，所以上面的圓檢測算法不能直接用于橢圓的檢測，需要進一步的改良。根據橢圓的性質：橢圓上兩點法線的交點與這兩點中點所確定的直線過橢圓中心。我們自然而然便能對圓檢測算法加以改良以適應橢圓的檢測。橢圓檢測的過程描述為：第一步：在目標圖形上選取隨機的三個點分別記為、和，并求得他們各自的切線，分別記為、和他們兩兩間的中點，分別記為、和即為和的中點；第二步：找到這三條切線兩兩相交的交點，分

42、別記為、和即為和的交點，以此類推；第三步：將對應的交點與中點連接，即與、與、與，將得到的直線分別記為、和；第四步：求得這三條連線兩兩相交的交點，根據一定的距離準則，判斷這三點是否足夠接近，如果足夠接近，說明此時的形狀可能是一個橢圓，否則則說明不是；第五步：在目標圖形上另選一點，求其切線，并將其與其他三點中的一點重新配對，得到兩切線交點與中點的直線方程；第六步：根據同樣的距離準則，判斷新得到的直線與其他直線的交點是否足夠接近，如果是，則目標圖形是一個橢圓，如果不是，則說明目標圖形不是橢圓。圖3-5為根據此方法對橢圓進展檢測的結果：圖3-5 橢圓檢測由圖可以看出，該方法能正確的檢測出圖像中的橢圓，

43、說明了此方法的正確性和可靠性。車道線的識別綜合分析前面章節中的處理過程和算法，總結出車道線識別的流程，如圖4-1所示：圖4-1 車道線識別流程圖在Linu*平臺上，使用C語言和Gtk+結合OpenCV圖像處理庫編寫程序，進展車道線的識別，如圖4-2所示：圖4-2 車道線識別程序界面車道線的識別結果如圖4-3所示：圖4-3 車道線的識別結果從識別的結果可以看出，算法能對車道線進展準確的識別，到達了預期的目的和理想的效果。結論從以上的算法分析和實驗結果，可以看出，本論文中的算法能對車道線較好較準確的進展識別，算法的主要優點有：1、算法的準確性高。相比傳統的識別算法，本論文中的算法經過優化處理，提高

44、了識別的準確性；2、算法的實時性好，特別是經過對Hough變換等算法的一定的改良，大大減少了計算量，提高了計算速度；3、算法能檢測多種車道線，適應圍廣；4、算法構造清晰，魯棒性好，方便擴展和改良；當然，在實際的應用中也發現了一些問題，主要有：1、對于復雜路況和天氣條件欠佳時，算法的適應性還不夠高；2、對于一些現實中存在的干擾因素如馬路沿等，不能進展有效的排除。這些存在的問題，也指出了下一階段改良的方向和思路，以后的時間里還有更多的工作要做。對于未來，隨著人工智能、機器學習等的不斷開展，將這些技術應用于車道識別中，必將能極大的提高車道線識別的準確性和適應性，并且伴隨著智能汽車的進一步開展，新的技

45、術不斷得到應用，車道線的識別技術一定會迎來一個大的開展。特別是國，隨著中國的科技水平不斷提高，市場需要持續增大，對于車道線的自動識別的需求也將更加迫切。所以未來是光明的，但更需要我們腳踏實地，不斷取得新的突破。參考文獻：1魯曼,蔡自興,儀.道路區域分割的車道線檢測方法J.智能系統學報,2010,5(6):505-5092金輝,吳樂林,慧巖,龔建偉 .構造化道路車道線識別的一種改良算法J.理工大學學報,2007,27(6):502-5053朱桂英,瑞林 .基于Hough變換的圓檢測方法J.計算機工程與設計,2008,29(6)4郭磊,王建強,克強.基于點集優化和干擾點模糊化的車道線識別J.中國機

46、械工程,18(15):1872-18765喜寧,段建民,高德芝,榜貴.基于改良Hough變換的車道線檢測技術J.計算機測量與控制,2010,18(2):292-2986莫建文,楷,順嵐.基于擴散性搜索區域的車道線檢測與跟蹤算法J.電子科技大學學報,2011,31(6):464-4687王曉云,王永忠.基于線性雙曲線模型的車道線檢測算法J.電子科技大學學報,2010,30(6):64-678*巖,雷濤.基于形態學方法的車道線檢測算法研究J.鐵道學報,2009,31(1):107-1109開懷,王海潁,輯濤.一種基于Hough變換的圓和矩形的快速檢測方法J.中國圖像圖形學報,2010,15(1):

47、110-11510段汝嬌,偉,黃松嶺,稱建業.一種基于改良Hough變換的直線快速檢測算法J.儀器儀表學報,2010,31(12):2774-278011假設皓,丁冬花.一種基于掃描線的車道線識別算法J.微計算機信息,2008,24(6):244-24612富強,姍姍,朱文紅,志鵬.一種基于視覺的車道線檢測與跟蹤算法J,2010,38(2):223-22913黃永林,葉玉堂,鎮龍,喬鬧生.一種新的快速Hough變換圓檢測方法J,2010,24(9):837-84114洪波,王強,*曉蓉,真誠,湯井田.用改良的Hough變換檢測交通標志圖像的直線特征J,2009,17(5):1111-11181

48、5K ast rinaki V , Zervakis M , K alait zakis K . A survey of video pr oces sing t echniques f or t raf fi c appli cat ions J .Image and programming f or V is ion put ing, 2003, 21( 1) : 359. 16Lee J W. A machin e vi sion s yst em f or lane depart u re det ect ion J . C om put er V ision Image U nder

49、st , 2002, 86 17Isard M A , Blake. Condensat ion con diti on al den sit y propagat ion f or vi sual track ing J . Int ern at ional Journal of puter Vision,1998,29(1):5 18Adrian Kaehler, Dr. Gary Rost Bradski.Learnint OpenCVM.ORELILY,200819D.Pomerleau,RALPH:Rapidly Adapting Lateral Position Handler,P

50、roc.IEEE Symposium on Intelligent Vehicles,Detroit,USA,1995:506-51120M.Bertozzi and A.Broggi.GOLD:A Parallel Real Time Stereo Vision System for Generic Obstacle and Lane Detection,IEEE Trans.On Image Proc.1998,7(1):62-8121You Feng.Intelligent vehicle automatically change the way and automatic contro

51、l method of overtakingD.JiLin university.2005:44-4622Guan *in.High-speed car lane departure warning system algorithms.Jilin university Phd.paper.2004:12-23致本論文的工作實在景文博教師的悉心指導下完成的。景教師嚴謹的學風、教書育人的敬業精神和對事業的執著追求，對我影響至深，是我受益匪淺。在算法的研究過程中，景教師給了我特別大的幫助，如算法的選擇、圖像的選取和相關的參考資料等，節省了我很多時間，也讓我的理論知識得到了極大的提高。在此。我向景教師

52、表達我最誠摯的感和致意！同時，也感Debian Linu*和OpenCV社區給我提供的幫助，對于OpenCV編程環境的搭建以及OpenCV在Linu*操作系統上的應用，他們給我提供了許多珍貴的意見，在此，為他們樂于分享、樂于助人的精神獻上我深深地感。當然，也要感學校提供應我們的便利的學習條件，特別是圖書館提供應我們的便利的查閱資料的條件，讓我接觸到了許多有用的資料。最后，感我的朋友們，在我迷惑不解時和我討論問題幫我找到思路，他們的支持和幫助！附錄1車道線識別程序源代碼，編譯要求：Linu* Kernel2.6或以上，Glibc2.13或以上，OpenCV2.1或以上，Gcc4.7或以上版本。#

53、include #include #include #include #include #include #define RED cvScalar(0,0,255,0)#define GREEN cvScalar(0,255,0,0)#define BLUE cvScalar(255,0,0,0)#define ROI cvRect(0,(int)src-height / 3,src-width,src-height)#define LOW_THRESH 80#define HIGH_THRESH 255#define MA*DISTANCE 10/img為加載的源圖像，src為處理過程中所用

54、的灰度圖像/temp為臨時需要時的中轉圖像，out為最后輸出的三通道圖像IplImage *img,*src,*temp,*out;CvMemStorage *storage;CvSeq *lines;CvSeq *contours;typedef structfloat a;float b;float c;int is_vertical;Line;Line *get_tangent(CvSeq *seq,int n);Line get_line_func(CvPoint p1,CvPoint p2);CvPoint *get_join(CvPoint *p1,Line l1,CvPoint

55、*p2,Line l2);CvPoint get_center(CvPoint p1,CvPoint p2);double points_distance(CvPoint p1,CvPoint p2);int is_ellipse(CvSeq *);int main(int argc,char *argv)/圖像的加載過程if (argc != 2)puts(Usage : ./mark filename);e*it(1);if (img = cvLoadImage(argv1,CV_LOAD_IMAGE_UNCHANGED) = NULL)printf(can not load image

56、%s.n,argv1);e*it(1);src = cvCreateImage(cvGetSize(img),IPL_DEPTH_8U,1);temp = cvCreateImage(cvGetSize(img),IPL_DEPTH_8U,1);out = cvCreateImage(cvGetSize(img),img-depth,3);if (img-nChannels = 3)cvCvtColor(img,src,CV_RGB2GRAY);cvCopy(img,out,NULL);elsecvCopy(img,src,0);cvCvtColor(img,out,CV_GRAY2RGB);

57、storage = cvCreateMemStorage(0);/設置ROIcvSetImageROI(src,ROI);/濾波cvSmooth(src,src,CV_MEDIAN,5,5,0,0);cvSmooth(src,src,CV_GAUSSIAN,5,5,0,0);/大津法閾值分割cvThreshold(src,src,LOW_THRESH,HIGH_THRESH,CV_THRESH_OTSU);/邊緣檢測cvSetImageROI(temp,ROI);cvCanny(src,temp,LOW_THRESH,HIGH_THRESH,3);cvResetImageROI(src);cv

58、ResetImageROI(temp);cvCopy(temp,src,0);cvSetImageROI(src,ROI);/hough直線檢測lines=cvHoughLines2(src,storage,CV_HOUGH_PROBABILISTIC,0.5,CV_PI / 180,5,10,5);/繪制檢測到的直線int i;cvSetImageROI(out,ROI);for (i = 0;i total;i+)CvPoint *endpoints = (CvPoint *)cvGetSeqElem(lines,i);cvLine(out,endpoints0,endpoints1,RE

59、D,2,8,0);/邊緣提取int sum_of_area = 0;sum_of_area=cvFindContours(src,storage,&contours,sizeof(CvContour),CV_RETR_E*TERNAL,CV_CHAIN_APPRO*_SIMPLE,cvPoint(0,0);for (i = 0;i h_ne*t,i+)if (contours-total height / 3),cvPoint(out-width,out-height),GREEN,2,8,0);cvNamedWindow(IMG,0);cvNamedWindow(OUT,0);cvShowI

60、mage(IMG,img);cvShowImage(OUT,out);cvWaitKey(0);return 0;Line *get_tangent(CvSeq *seq,int n)Line *result = (Line *)malloc(sizeof(Line);if (n = seq-total | n 4) return (Line *)NULL;CvPoint *p = (CvPoint *)cvGetSeqElem(seq,n);double sum_of_*y = 0.0,sum_of_* = 0.0,sum_of_y = 0.0,sum_of_*2 = 0.0;int i;f