APP下载

智能车辆视觉系统中车道线与车辆识别技术研究

2024-05-18石峥嵘

新疆有色金属 2024年1期
关键词:光流法车道灰度

石峥嵘

(吉利学院汽车工程学院,四川成都 641423)

0 引言

随着交通运输业的快速发展,交通安全问题也愈发严重,各国因交通事故频发也是造成了巨大的生命财产损失。与此同时,诸如安全气囊、安全车身的应用等被动安全技术的研发虽起到了一定的缓解作用,但面对重大交通事故,这些被动安全应用就显得收效甚微,因而也有研究人员提出了汽车主动安全技术,旨在从根本上减少交通事故的发生。

1 基于智能车辆视觉的汽车主动安全技术概述

1.1 基于视觉的车道线检测

基于视觉的车道线识别是目前智能车辆辅助驾驶系统研究的主要方向。具体而言,通过对车道线标识的有效识别,可以帮助驾驶员始终将车辆保持在车道线范围内进行运行,一旦因某些因素导致汽车偏离车道,系统将迅速发出预警,以此实现智能驾驶。

1.2 基于视觉的前方车辆识别

基于视觉的前方车辆识别技术主要是为了减少车辆碰撞事故的发生,因而该技术也逐渐成为辅助智能驾驶的重要内容,就目前而言,车辆识别技术可以分为两方面内容,分别是基于特征的识别方法以及基于机器学习的识别方法。其中基于特征的车辆检测主要是借助已有的知识经验,利用车辆的一般特征进行识别,诸如车辆颜色、轮廓等基本信息,该识别算法较为简易,容易实施应用,但缺点也较为明显,即环境变化适应性差,无法在复杂路况下准确进行车辆识别。

2 基于光流法的车道识别算法研究

2.1 基于光流法的车道识别算法简述

对于本文所介绍的基于光流算法的车道线识别方法而言,其整个过程可以分为如下几步操作:第一,借助光流法对车道线范围进行动态评估,以加快车道线识别的速度;第二,检测道路边缘基本特征;第三,采用多项式拟合等方法进行车道线识别;第四,检测车道线种类并将之标注于车道原始图像之中。对于该车道线识别算法而言,其较以往的车道线算法在检测范围及检测实时性能方面有着突出优势。

2.2 图像多重二值化算法

图像多重二值化算法算子处理包含如下内容:分别是Sobel 算子水平方向灰度化、幅值灰度化、梯度方向灰度化以及HSL 空间中的S 通道灰度化。HSL 易于理解,属于一种色彩评估方面的标准,其包含色相(H)、饱和度(S)、亮度(L)三个层面的色彩信息,因而简称为HSL 色彩空间。经过上述灰度化处理之后,也可以通过加权方法以获取相应的灰度图,在此基础上借助多重二值化算法便可以处理得到相应的图像。

2.3 应用光流法动态确定感兴趣区域

结合上述分析可知,本文所研究的车道线识别算法应用了多种算子,因而在应用中实时性较差,这就导致车辆驾驶模拟场景下车道线识别速度较慢,因而下述主要借助光流法对车道范围线进行预估分析,在此过程中则要确定并调控感兴趣区域,整体上都是为了有效增强车道线的识别性能。

在了解了光流法基本原理的基础上,可以进行深入分析使用光流法动态的选择感兴趣区域的具体操作。简言之便是借助如下的计算过程进行分析,对应的计算公式见式(1):

利用上述计算式所求解的背景图像位置矢量对车道线进行计算,在感兴趣区域上进行相应的处理操作,包括车道线像素点查找、二值化计算处理等,经处理过后便可获取预估效果图。

2.4 车道线种类识别

对于车道线种类识别而言,最为主要的是对图像中像素信息的处理分析,具体而言,需要分别计算车道两侧像素点直方图,在此基础上借助统计方差便可初步区分车道线中的虚实线。此外,也可以通过BRG 通道来求解图像像素点的均值,据此则可以进一步区分车道线,即黄色、白色车道线的划分。

3 基于深度神经网络的车辆识别方法研究

3.1 深度神经网络法及卷积神经网络模型分析

就早期的神经网络模型而言,主要是模拟人类神经元结构,旨在模仿大脑运行基本机制。神经网络的兴起源自于上世纪80 年代末,主要是因分布式只是表达及神经网络反向传播算法的提出而备受关注。随着计算机技术的快速发展,神经网络也迎来了发展高潮,当前其也是在图像识别、语言处理等多个领域都得到了广泛应用。

3.2 车辆识别及网络结构优化

此处提出一种自动设计神经网络方法以优化车辆识别网络结构,该方法的应用使得机器学习更容易应用,无需进行大量的知识储备就可以得到良好的神经网络框架,且涵盖了大量的数据处理及分析算法,因而各方面优势都较为显著。

3.3 基于深度神经网络的车辆识别算法效果分析

对于车辆识别算法的实际效果而言,主要是借助TensorFlow深度学习框架进行计算,并在测试过程中使用KITTI 数据进行了集中训练。具体是在训练过程使用14 层神经网络作为初始网络,训练后则得到了54 层卷积神经网络,算法的准确率为83.80%,计算用时为50.36ms。相较于其他算法,基于深度神经网络的车辆识别算法在准确率方面较高,但由于该算法结构复杂,虽然识别效果较好,但同样也在一定程度上增加了计算时耗。在由该算法所生成的神经网络在数据集上的车辆识别效果可知,其在模拟测试中的车辆识别效果良好,能够较为准确的显示与前方车辆的距离。

4 结束语

本文就智能车辆视觉系统中车道线及车辆识别技术展开深入的研究探讨,在简述车道线及车辆识别技术的基础上,分别对车道线识别方法及车辆识别算法展开具体的研究,并提出基于光流法确定动态感兴趣区域以加快车道线识别,基于卷积神经网络的车辆识别算法。通过具体的应用分析,可知两种算法均有着较好的应用测试效果,能够帮助驾驶员较好的避免交通事故。后续有关该方面的研究仍将不断深入,诸如曲线拟合车道线的研究、更为复杂路况下车道线及车辆识别算法的改进等,都是未来研究的主要方向。

猜你喜欢

光流法车道灰度
采用改进导重法的拓扑结构灰度单元过滤技术
北斗+手机实现车道级导航应用
避免跟车闯红灯的地面车道线
基于灰度拉伸的图像水位识别方法研究
浅谈MTC车道改造
基于最大加权投影求解的彩色图像灰度化对比度保留算法
基于背景分类的监控视频中的运动目标检测算法综述
Matlab下视频处理系统设计与实现
权重系数自适应光流法运动目标检测
基于灰度线性建模的亚像素图像抖动量计算