1绪论
1.1研究背景与研究意义
据统计，世界上每年至少有上百万的人因车祸丧生。而这些事故中大约有90%是由于驾驶员的疏忽造成的。因此近年来高端的驾驶辅助系统越来越受到研宄者的关注，这种系统不仅可以在危险状况下对司机发出及时的预警，还能积极的参与到正常的驾驶决策中去。由于一些公司的积极参与，这些系统已经逐步集成到车辆上并且发挥了实际的效用，并且更多的功能也在陆续添加进去。在未来，这种驾驶辅助系统会朝着更复杂化的趋势发展，甚至有可能达到全自动的水平。感知问题是研发这种系统的最大瓶颈，主要包含车道线的检测和障碍物的检测等方面。对于车道线的检测这一类问题，直观上看来并不是那么困难。假设在高速公路场景下，不要求做车道线跟踪或者图像坐标到世界坐标系的转换，那么仅仅检测出车道线还算容易，用一个基于霍夫变换的简单算法就可以解决90%的问题。但我们不要因此而低估了设计一个实用系统的难度，在这方面仍然需要更深入的研发工作，主要体现在以下三个方面：理论研究与实际应用的巨大差距、极高的可靠性要求以及日趋多样化的现实场景。
..........
1.2道路和车道线检测综述
1.2.1研究现状
如前文中所述，很多种传感器都能在不同的场景下检测出车道线。这一部分，我们将以传感器的类型为划分基准，重点讨论在这些不同领域车道线检测所取得的一些硏究方法和成果。
(1)单目视觉。
单目视觉，即只用一个摄像头作为传感器，是车道线检测中最常使用的手段。在所有己发表的文献中，车道线的检测都考虑了最前方的主车道线，因此，一般用于车道线检测的摄像头都安装在车辆前端的正中间。额定的分辨率可由式子Np = Cd/w计算得出。其中，Np为水平方向像素点个数，C为摄像头的视场半径，w= 0.1 m为单个车道线的宽度。这道等式所包含的假设是车道线在图像中即使只占有1个像素点的宽度时也能被检测到。例如800像素点宽的分辨率以及46度的安装俯仰角可检测到100m外的车道线。
.........
2双摄像头视觉系统的构建2.1双摄像头视觉系统的设计
2.1.1无人驾驶车视觉系统简介
绪论中已经提到，视觉方法是目前车道线检测领域的主流方法，在纯视觉方法领域就有单目视觉和立体视觉两大分支。我们知道，基于单目视觉的算法效率一般会比较高，但也会有较高的错误率，而且由于单目视觉的视角范围有限，并不能充分的检测出无人车两旁的道路状况，因此可靠性不高。立体视觉虽然能解决部分单目视觉的难题，由于需耍视觉融合和视差计算等技术，必然会带来庞大的计算量，不仅降低了系统的实性，也无形中增加了硬件的消耗成本。
我们实验室早期也是采用基于单目视觉的感知系统,只安装了一个摄像头在无人车前方车顶的位置，并让其处在车的巾轴线上，如图2.1所示。经过在校园场景中的反复试验，发现单目视觉系统仅能处理70%以上的含车道线的场景，伹对基于闭路控制系统的无人车来讲，这样的识別精度还是不够的。而且在一些特殊场景下，例如无人车靠近中间双黄线行驶时，两边的白色车道线基本出现在图像靠上方的位置了，由于视差的原因，该位置像素精度很低，而且信息量很杂，非常不利于车道线的检测。
........
2.2系统标定
虽然我们采用的是双摄像头视觉系统，但由于在算法层面并未进行任何数据或图像的融合，每个摄像头仍是相对独立的个体，因而进行标定工作时，沿用单目视觉的标定方法就可以了。
2.2.1摄像机模型
要研究摄像机的标定问题，首先需对摄像机成像模型有一定的了解，本小节将以最简单的模型一一针孔模型为例，对摄像机成像原理做基本的介绍。
针孔模型，又叫小孔成像模型。如图2.1所示，在这个模型中，打在物体上的反射光通过小孔投射到成像的图像平面上。这里假设所有的距离都是事先通过精确计算确定的，也就是说小孔到成像平面的距离刚好能使右侧图像清晰的呈现在成像平面上，这时，我们把小孔到成像平面的距离叫做这个成像系统的焦距。
.......
3基于双摄像头系统的结构化道路检测.......18
3.1结构化人工道路的特点......18
3.2图像预处理.......19
3.3车道线提取.......23
4基于双视觉系统的城市道路检测系统实现.......27
4.1结构化道路检测整体流程.......27
4.2双视觉融合效果及特性分析.......37
4基于双视觉系统的城市道路检测系统实现
4.1结构化道路检测整体流程
4.1.1系统架构
上图为车道线检测系统的整体架构，分为四个模块：图像预处理、特征提取、模型拟合及后处理部分。在这个系统中，图像预处理模块的主要功能是将采集到的图像进行一定的变换和滤波，使得更利于后面特征的提取。特征提取模块的功能是借助一定的算法，提取出经过预处理后的图像中的直线特征，并将这些直线作为候选车道线。模型拟合模块的功能是利用预设车道线之间宽度的横向模型以及前几组检测出的车道线的位置信息，筛选出最符合条件的直线特征，将其作为最终检测到的车道线。后处理模块则是利用摄像机的相关参数将直线在图像坐标中的位置信息变换到世界坐标系下，得到车'道线相对于无人车的位置，便于进行导航决策。
.........
结 论
本文所完成的工作是无人驾驶车野外环境探索的一部分，主要研究了结构化道路的检测方法，是无人车定位和导航的基础。结构化道路检测的关键是对车道线的检测，本文相关的研究主要完成了以下几点工作：
(1)针对以往基于视觉的检测系统的局限性，尤其是检测视角的局限性，提出了基于双视觉系统的检测架构。该部分工作同时包括双视觉系统的安装、标定以及图像采集程序的开发等模块。经实践证明，双视觉系统在一定程度上扩宽了视野范围，为道路检测提供了更丰富的信息，算法得出的结果因此更可靠。
(2)由于处理的是连续帧的图片，本文通过对历史检测结果的合理分析，提出了基于IPM图像的车道线预测机制，由实验数据可以看到，我们提出的预测机制能有效的淘汰偏离较大的直线特征，在缩短算法时间的同时还提高了检测系统的可靠性。
(3)针对结构化道路的特点，并利用已知车道宽度等信息，我们建立了清晰的车道横向模型，该模型能较好的利用相邻两条车道线平行的状态，并结合特征权值等信息，从众多候选特征中筛选出最终的车道线。
(4)由于我们是对两个摄像机采集到的图像分别用同一套算法进行了处理，最后阶段还需要对两组检测结果进行融合，这里我们对双摄像头的使用策略进行了探讨，提出了基本的数据融合的方法，并在实践中对两个摄像头的结果偏差进行了检测。
利用自主研发的无人驾驶车，我们选取校园内的道路对算法进行测试，实验表明基于双摄像头视觉系统的算法对单对640X480分辨率图像的识别只需177ms，基本满足项目中实时性的要求。但仍然还有以下地方值得继续研宄：
(1)就本文提出的算法而言，目前只是对双摄像头分别检测出的最终结果进行了融合，事实上这并没有充分的发挥双视觉系统的优势。可以考虑在图像处理的前期将两个摄像头分别采集到的图像进行融合处理，例如在逆投影变换之后，对两幅IPM图像进行融合，这样基本能保证同一幅图片中至少出现两条车道线，很有利于横向模型的拟合。
(2)就整体无人车实验平台而言，除了搭载视觉传感器之外，还有激光，GPS以及里程计等先进的传感器，多传感器的融合已经成为一种趋势，我们完全可以考虑将视觉传感器和里程计进行融合来更有效的进行道路检测。
参考文献（略）