作者背景

基于机器视觉的高速车道标志线检测算法的研究_李晗

    东北大学车辆工程硕士学位论文
    2006年
    【GB/T 7714】李晗. 基于机器视觉的高速车道标志线检测算法的研究[D]. 东北大学, 2006. DOI:10.7666/d.y852642.`

论文结构一览

预处理

灰度化

【亮点】模式判别 选择日间模式还是夜间模式：

在每个检测周期开始时,首先判断采用日间模式还是夜间模式工作。摄像机视野中的上半部分为天空背景,天空亮度可以显著区分日间和夜间环境。由于天空的颜色为蓝离,日间天空的蓝色分量饱和度最高,算法只分析彩色图像的蓝色分量”提取一块固定一的天空区域(位于图像中上部),计算区域内像素的平均亮度。若该值低于指定阈值1,且整帧图像中亮度高于200的像素点个数(因夜间车尾灯的亮度较高)超过阈值2,则采用夜间模式,否则采用日间模式。

采用符合人类视觉的灰度值 0.30R,0.59G,0.11B
通过直方图均衡化增强图像对比度

在光线比较暗的情况下拍摄的图像,用人眼很难辨别出来它是什么样子的,经过直方图均衡化后许多细节可以很容易的看清楚”但是直方图均衡化在增加反差的同时也增加了图像的可视粒度.
进行了空域和频域滤波的各种方法的实验

二值化（通过阈值分割实现）

• 直方图方法（包括p一分位数法、双峰法、直方图凹面分析法）
• 最大类间方差（Ostu）
• 最大熵法
• 【亮点】本文采用最小误差法得到最佳阈值
• 【亮点】二值化道路图像修正：形态学滤波

特征提取

　边缘检测

做了几种边缘检测效果的比较

• Roberts算子
• Sobel算子
• Prewitt算子
• Kriseh算子
• Guass一Laplace算子

车道提取

反透视变换

基于反透视变化图像的车道识别技术

首先对图像进行二值化,然后根据反透视原理对图像进行重构(remap重映射),从而使原来的透视图变成了俯视图,分道线由交叉变成了平行,这样再采用一定的算法对俯视图中的分道线进行搜索,最后对搜索到的分道线反变换回到原始图,或者直接以俯视图为依据对障碍物进行检测”对俯视图分道线进行检测的算法有采用蚂蚁智能体(ant agent)、模板匹配法等。算法的难点是对摄像头的标定,找到合适有效的反透视变换函数,而且可能会丢失有用信息,弯道和有坡度情况下反透视变换会造成很大的畸变。

区域生长法

先在图像下半部分检测分道线的起点作为区域生长的种子点,然后按自己设定的增长准则进行生长”区域生长的种子点的确定,可以通过历史数据(即前一时刻分割得到的分道线区域)或经验数据,以及分道线像素本身的灰度值特征来选择。生长准则的确定是一大难点,因为道路图像中的分道线灰度值并不均匀。当分道线为虚线段时,还需要开发寻找下一段分道线起点的算法。

Hough变换

此算法一般是先对图像进行边缘分割,然后以边缘点作为样本点,进行Hough变换寻找分道线。算法的优点是有很好的抗干扰性,很容易检测图像中的性线形目标,而且可以实现多车道检测”但是算法需要开辟额外的Hough变换空间,目前大多数研究者集中在对直线模型的检测研究,对于弯道检测需要寻找更好的分道线模型,Hough变换检测算法不是很理想。

模板检测法
文献公路汽车视觉导航中的运动目标检测与跟踪

本文采用基于图像恢复的车道标志线提取算法
基于特征：车道标志线为等宽的矩形区域
具体算法没看太明白。。

参数拟合

最小二乘法