[发明专利]一种自适应视觉辅助驾驶装置

说明书

技术领域

本发明涉及汽车辅助驾驶，特别是涉及一种自适应视觉辅助驾驶装置。

技术背景

随着信息和控制技术的快速发展，汽车辅助驾驶技术逐渐被汽车厂家和用户所接受。汽车辅助驾驶可以帮助驾驶员减轻疲劳，提高安全性能，具有明显的实用价值。基于视觉的车道线跟踪汽车辅助驾驶装置，已经逐渐成为高端汽车品牌的标准配置。通过对视频图像分析，确定汽车和车道线的相对位置和取向，并以此对汽车的转向进行实时控制和补偿，实现在驾驶员监控之下的有限自动驾驶。汽车辅助驾驶装置的实用价值在高等级公路上的长途汽车驾驶过程中，最为突出。

视觉辅助驾驶装置一般包含3个主要模块：（1）视频采集模块；（2）图像分析模块；（3）转向调整反馈模块。其中图像分析模块担负着识别车道线的任务，是视觉辅助驾驶装置的核心技术。目前采用的车道线识别方法主要有4种：（1）采用Sobel算子、Canny算子等边缘检测算子对原始图像进行处理，在车道线边界处给出较高的处理值，从而判断出边界的位置，并从边界信息得到车道线的位置（参见中国专利CN102303609A和美国专利US4970653）；（2）直接或者在应用边缘检测算子之后采用霍夫变换（Hough Transform），计算出图像中存在的直线，并由此得到车道线的位置（参见中国专利CN102303609A和CN201712600U，美国专利US5790403）；（3）采用模板匹配的方法，沿着不同角度寻找边界，并由此得到车道线的位置（参见中国专利CN101804813A，美国专利US5398292，US4970653）。（4）先对灰度图像进行二值化处理，通过选择恰当的二值化阈值，使车道线和路面图像分离成二值图像，进而搜索车道线的位置（参见中国专利CN101016052A和CN101016052A）。

边缘检测是图像识别的基础性问题，有着很长的研究历史（章毓晋，《图像工程（中册）图像分析》第二版）。在复杂环境下的稳定和准确图像识别是图像识别技术的终极目标。实践证明，单纯的图像二值化和边缘检测方法很难适应各种复杂环境，而基于模型的图像分割方法结合识别目标的特征对图像二值化和边缘检测过程进行约束，在很多应用上取得了很好的效果（Robert Hanek，Model-Based Image Segmentation Using local Self-Adapting Separation Criteria，Lecture Notes in Computer Science Volume2191,2001：1-8）。基于模型的图像分割方法虽然图像分割效果较好，但是计算量很大，不适于实时视频的图像分析，特别是在计算资源严重受限制的车载平台上。

郑新钱等人（郑新钱等，基于FPGA的视觉导航小车设计与实现，厦门大学学报自然科学版，2012，2）提出了一种新颖的自适应图像二值化与轨道识别方法；把图像二值化与轨道识别宽度结合起来，通过轨道识别宽度反馈二值化阈值。基于这种自适应识别方法的单轨道视觉导航模型小车，在多种光照和路面情况下取得了较好的导航效果。

对图像进行矩形波卷积，形成坡形导航线边界，以形成二值化的导航线宽度与二值化阈值之间的关联是郑新钱等人提出的算法的关键。该算法只能在一条宽度在30个像素以上的导航线上实现，而视觉辅助驾驶装置需要识别两条很细的车道线（一般只有3-5个像素宽）。所以，郑新钱等人提出的自适应轨道识别算法无法直接在视觉辅助驾驶装置上应用。

除了应对复杂光照和复杂路面条件，根据车道线走向规划合理的汽车行驶路线也是视觉辅助驾驶装置的一个重要技术环节。车道线导引的经典方法是E.D.Dickmanns等人提出的基于曲率的车辆引导算法（A Curvature-based Scheme for Improving Road Vehicle Guidance by Computer Vision,SPIE Vol.727Mobile Robots，1986：161-168）。该方法对任意形态的车道线及相应的透视效应做了精确的处理，但是因为需要求解微分方程组，所以很多实际实现的视觉辅助驾驶装置往往采用自己设计的近似方法，以简化数据处理数量（美国专利US5163002，US5301115，US5390118）。很多视觉辅助驾驶装置采用霍夫直线变换识别车道线，所以只能对直道，或者弯道的直道部分进行识别和处理。这类视觉辅助驾驶装置只能做远场或者近场的直线行车路线规划（美国专利US5790403）。