论文部分内容阅读
先进辅助驾驶系统是智能交通的一个重要组成部分,对于减少交通事故、降低人员伤害、提高公路运输能力都有着极为重要的意义。因感知方式与人类视觉相似且成本较低,机器视觉技术被广泛的应用于各类先进辅助驾驶系统。本文以先进辅助驾驶系统中的若干关键技术问题为研究对象,研究并提出了基于机器视觉技术的解决方法,为先进驾驶辅助系统提供了更加全面、及时和准确的行车环境信息。论文围绕车道线检测、前方车辆检测与识别及交通标志识别等先进辅助驾驶系统中的关键技术问题展开研究,主要研究内容及成果包括：(1)研究了车载摄像机的内部参数与外部参数标定方法。使用了平面靶标方法在离线状态下对车载摄像机的内部参数进行标定。借助图像中车道线消失点的位置以及车道线斜率关系,提出了车载摄像机外部参数在线调整处理方法,从而避免了对所有摄像机内外参数进行标定的复杂过程。(2)提出了基于双向窗口特征提取技术的车道线检测算法。采用边缘分布函数(EDF)和Hough变换技术初步确定车道线直线部分在图像中的位置。提出的双向窗口特征提取技术,提高了车道线检测的准确性和适用性,能够准确的提取直线和曲线车道线的特征点,在与同类算法的比较中取得了较好的检测结果。在检测出的特征点的基础上,选用了直线与双曲线结合的模型对车道线进行拟合。(3)研究了同车道的前方车辆检测与识别问题。借助车道线约束条件与车道线内灰度统计方法确定前方车辆候选区域。创新性的提出了垂直对称HOG描述算子,其更适用于描述车辆等对称物体的特征,而且比经典的HOG向量维数更少,可以有效降低后继机器学习的复杂程度。提出了基于垂直对称HOG和极限学习机的车辆识别方法,能够在消耗较少计算学习代价的条件下取得良好的车辆分类效果。(4)研究了交通标志识别技术。在交通标志检测阶段,利用了交通标志的颜色特征,使用多尺度滑动窗口技术对图像中的交通标志候选区域进行提取。在交通标志分类阶段,充分利用交通标志的形状特征,分别提出形状特征向量、灰度HOG特征向量和彩色HOG特征向量等图像特征描述方式。最后,选用SVM分类器实现了交通标志的大类粗分类和小类细分类。实验结果证明,本文提出的基于SVM逐级分类的交通标志分类算法可以获得良好的识别精度。