基于機器視覺的車道線在線識別系統(tǒng)設(shè)計

李 夢

（安徽信息工程學(xué)院機械工程學(xué)院，安徽蕪湖241000）

隨著無人駕駛技術(shù)的不斷發(fā)展，車道線的檢測與跟蹤逐漸成為研究熱點，很多學(xué)者都提出了車道線識別與跟蹤算法。莊博陽等［1］根據(jù)連續(xù)視頻幀之間的時間相關(guān)性，利用光流對車輛前方背景的相對移動進行了檢測，結(jié)果表明分辨率為（1 280×720）像素的圖像的處理速度為24.81幀/s。王其東等［2］基于近視野車道直線信息與雙曲線擬合方法，對彎道車道線進行了識別和尋優(yōu)，實驗結(jié)果表明：對分辨率為（640×480）像素的圖像中車道線的平均識別率達(dá)91%以上，雨霧天氣下車道線的識別率達(dá)84.5%以上。蔡英鳳等［3］通過計算興趣區(qū)域（region of interest，ROI）灰度各向結(jié)構(gòu)張量的旋度，選擇變化趨勢最大的像素點作為特征點，利用霍夫變換（Hough transform，HT）來識別車道線，識別準(zhǔn)確率達(dá)94.72%以上。段建民等［4］提出了一種基于改進簡單圖像統(tǒng)計閾值算法的車道線識別算法，利用興趣區(qū)域來確定車道線的相對位置，結(jié)果表明該方法對單車道的識別準(zhǔn)確率可達(dá)96.40%。王超等［5］利用霍夫變換和最小距離法求解預(yù)定區(qū)域內(nèi)的消失點，并建立了梯形興趣區(qū)域，通過垂直分割圖像和搜索車道線位置來進行車道線識別，結(jié)果表明車道線的平均識別準(zhǔn)確率達(dá)94.70%以上。曹月花等［6］通過改進SUSAN（smallest univalue segment assimilating nucleus，最小單值段同化核）算子對夜間昏暗道路進行邊緣增強，以降低環(huán)境噪聲的干擾；同時利用反射模型消除道路積水中光反射的影響，以提高識別準(zhǔn)確率。陳無畏等［7］提出利用投票機制檢測兩側(cè)車道線遠(yuǎn)方匯聚消失點，根據(jù)梯度方向投影計數(shù)獲得車道線上的邊緣點，并對置信度高的2個點進行直線擬合，實現(xiàn)車道線識別。……