论文部分内容阅读
汽车保有量的增加导致交通事故频发,先进的辅助驾驶系统成为了现今科研领域的一大研究热点,其中基于视觉的车道线检测和车辆检测是该领域中的核心研究方向。然而,现有检测算法在实际车道环境的应用中存在着较为明显的问题:光照环境的变化容易干扰算法检测效果,车道线检测模型单一不具有普适性,算法的时间复杂度较大使其应用局限于有较好处理性能但体积大、功耗高的计算平台。针对以上问题,本文基于高性能的异构嵌入式平台Jetson TK1对辅助驾驶系统中的车道线检测及车辆检测方法进行了研究与实现:(1)给出一种可应对复杂光照条件的自适应车道线检测的方法:首先通过灰度世界法对图像进行白平衡处理,消除环境光照的影响;再由灰度分布统计结合分离式纵向灰度搜索,动态划分车道图像的感兴趣区域,并基于灰度直方图和车道环境假设,确定Canny算法的高低阈值,实现自适应的车道线边缘检测;其次,使用概率Hough变换检测出车道线的特征点,结合随机抽样一致性算法(RANSAC)和模糊重叠空间,精确拟合出车道线:之后,使用Kalman滤波跟踪车道线检测结果,修正少数误检和漏检的情况;最后,通过JetsonTK1提供的图像处理库OpenCV4Tegra对车道线检测中的部分算法进行加速,使整个车道线检测方法在640*480大小图像上的处理时间小于30ms,具有了一定的实时性。(2)分析了基于扩展Haar-like特征和Adaboost级联分类器的目标检测算法,并使用OpenCV结合大规模的车辆正负样本数据,训练出一个级联分类器,最后将算法在JetsonTK1上使用GPU进行加速,使其在保证检测准确率的同时,可以实时地检测车道上的车辆目标。(3)整合车道线和车辆的检测数据,建立车道预警模型,可以实现车道偏离预警和前车驾驶行为判断,再使用多线程编程模型合理分配检测任务,最后通过Qt最新的界面构建技术Qt Quick,搭建友好的车道检测图形用户界面,实时反馈出当前车道上的信息,并对危险状况作出提示。本文在Jetson TK1上实现的基于视觉的先进辅助驾驶系统,不仅有较好的检测效果和实时性,还具有一定的应用价值。