没有合适的资源?快使用搜索试试~ 我知道了~
资源推荐
资源详情
资源评论
基于单目视觉的车道偏离预警算法研究基于单目视觉的车道偏离预警算法研究
随着科技的发展,智能交通已成为当前的研究热点,自适应巡航是智能交通主要应用之一,而车道偏离预警在
主动安全、自适应巡航中起着关键性的作用。因此,提出一种基于视频的车道偏离预警算法。把检测到的车道
线的ROI分割为两个子区域,两个子区域分别应用霍夫变换寻找左右车道线。分割的方法可以提高车道线检测的
计算速度。
摘要:随着科技的发展,智能交通已成为当前的研究热点,自适应巡航是智能交通主要应用之一,而车道偏离预警在主动安
全、自适应巡航中起着关键性的作用。因此,提出一种基于视频的车道偏离预警算法。把检测到的车道线的ROI分割为两个子
区域,两个子区域分别应用霍夫变换寻找左右车道线。分割的方法可以提高车道线检测的计算速度。综合车辆驾驶状态、驾驶
环境等相关影响因素,基于混合高斯隐型马尔科夫模型建立了驾驶人换道意图识别模型,以提高驾驶员换道意图辨别的准确率
与灵敏度。
0引言
在高速公路上,由于车道偏离引起的交通事故在总交通事故数量中占了很大一部分比重。在科技不断进步的今天,发展与应用
驾驶员辅助系统(包括安全车距预警、车道偏离预警[12]、疲劳驾驶检测、变道辅助系统、自适应巡航等)引起了高度的
重视。
本文主要针对车道偏离预警展开研究,比较经典的预测车道偏离的方法有跨道时间(TLC)[3]与跨道距离(DLC) ,但这两个
方法都只考虑了车与路,误警率、虚警率比较高,容易使驾驶员分心。
国内外学者在驾驶员意图识别、换道行为等方面展开了一定的研究[45],如模糊推理、神经网络、认知模型、动态贝叶斯
网络等,但大多数是基于模拟器的仿真或采用不能描述随时间变化的特征信号[6],所以在真实驾车环境下误警率及虚警率
比较高,因此本文采用HMM模型并综合考虑自车与周围车辆的动力学关系,如横向速度、偏向角、角速度等动力学特征,进
行驾驶员驾驶意图识别,进而降低车道偏离预警的虚警率。
1兴趣区域分割
1.1兴趣区域
兴趣区域的选择是影响车道线检测算法计算复杂度的关键因素,在车道线检测的图片当中只有40%左右的ROI是有效的车道线
区域,车辆前部遮挡、天空、车道周边环境占了大部分,如图1所示。ROI的选取可以减少计算复杂度,提高算法的实时性,
因此本文只针对ROI应用车道线检测算法,并针对该区域计算出用于驾驶员换道意图预测的特征参数。
通过将ROI区域(图1)划分为左、右两个子区域,并且分别实施霍夫变换[7],检测左右车道线标记。如图2所示,霍夫变
换的中间点初始位于W/2(W是ROI区域的宽),根据检测到的左右标线边界不断的改变中间点(图2中细实线)的位置。
1.2车道线提取与跟踪
车道线检测是决定车道偏离预警算法实时性与鲁棒性的关键因素之一。在近视端,车道线可近似为直线,因此本算法是基于上
文所述ROI区域进行霍夫变换的,获取车道线位置,并利用卡尔曼滤波器进行跟踪。
由于高速公路车道线分为4车道、6车道不等,因此本文假设视频中车道线数目最多为12条,建立12组卡尔曼跟踪模型。每个
滤波器定义对应的计数向量,在跟踪的过程中,如果检测结果与预测输出值匹配,将检测结果作为滤波器的观测值输入,并将
对应的计数位加1,反之输出预测结果作为观测值,并将计数自减1。设定一定阈值,当连续不匹配次数占对应滤波器总迭代
次数的比率大于阈值,则重新跟踪。算法流程图如3所示。
2混合高斯隐型马尔科夫模型
驾驶员驾驶意图是一系列不能直接观察到的内部状态,但是它可以通过观察自车与周围驾驶环境的相对状态来推测,如横向车
速、转向角、角速度、相对运动状态等,而且此刻的状态与前一刻状态和采取的动作有关。隐形马尔科夫链(HMM)[8]不仅
可以描述随着时间变化的观察信号,还能推测驾驶员的驾驶意图。
HMM是一个双重随机过程,其中之一是Markov链,它描述了状态之间的转移,另一个随机过程描述状态和观测序列之间的统
计关系,如图4所示。
本文选取的观察值为连续信号,并将观测矢量的PDF(概率分布函数)拟合称为混合高斯概率密度函数,避免矢量化时信息丢
失和减少误差,因此本文选择混合高斯隐型马尔科夫链来识别驾驶员的驾驶意图。
3实验结果
资源评论
weixin_38608866
- 粉丝: 7
- 资源: 915
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功