- 文献综述（或调研报告）：
陈政宏[1]等在综合分析以不同检测对象为目标的检测技术方法的基础上，给出了环境视觉感知研究的主要内容，讨论了研究涉及的关键技术：车道检测技术、车辆检测技术、行人检测技术、交通标志检测技术，并对每种检测技术各子技术的优点和不足之处进行了分析。在总结全文的基础上，提出未来智能驾驶中环境视觉感知技术的主要发展趋势包括：基于多特征融合的环境视觉感知技术的发展；复杂环境下多种环境感知技术的融合应用；三维图像在图像处理方面的应用；改进的卷积神经网络（ＣＮＮ）方法在图像处理方面的应用。
于泳[2]针对智能车车道信息感知及基于增量地图的车道信息建模技术进行了深入研究。通过视觉和定位感知技术获取车道级信息,其中包括车辆定位信息、车道线信息和交通标识信息,并应用增量数字地图技术进行车道级信息的融合和建模,通过增量更新提高数字地图的时效性和准确性,以便于更加高效地指导智能车的行驶。
胡房武[3]以“飞思卡尔”智能车竞赛为研究背景,讨论了智能车系统的设计,在对智能车硬件电路进行设计的基础上,对智能车自主行驶的决策系统以及控制算法进行研究。重点介绍道路图像信息的获取、处理和识别,在此基础上采用合理且有效的控制算法对智能车进行控制,使其快速而且准确的对道路信息进行捕捉。在得到道路图像后,通过有效的图像处理算法对原始图像进行处理,得到最后所需要的目标图像,然后对其进行道路信息的分析和路况信息的提取,最后通过处理去识别各种路径。此外,还针对数字摄像头0V6620的图像输出和单片机XS128采集速度不匹配的问题,设计出来了图像采集硬件电路,达到了准确采集图像的目地,有助于本文更加深入的研究智能车的图像采集。对转向采用PD进行控制,而速度则采用PID和棒棒来组合进行控制,使速度控制能够达到稳定性和快速性的要求,最终实现智能车的自主行驶。
王春阳[4]针对安全偏离预警辅助驾驶与无人驾驶的方向，特别是偏离预警辅助驾驶与无人驾驶的前提是准确识别车道，包括结构化车道和非结构车道近15年车道检测方法分析其现状、存在的问题与发展趋势进行了仔细综述。
石林军[5]等提出一种通用环境的车道线提取方法;从原始RGB图像的每个颜色通道获取信息开始,获得鲁棒性很好的灰度化图像;采用一种多约束下的Hough变换提取特征线,接着在提取的线段基础上用概率表决程序估计消失点,接着用消失点约束车道线候选线;最后对剩下的特征线K-mean聚类;由试验结果表明,这种方法提取车道线鲁棒性很好,检测精度高,识别率97%以上,并处理时间较短,实时性好。
方睿[6]简要分析了现阶段基于视觉的车道线检测技术的发展背景,解释了车道线模型的本质,分别介绍了常见的四类车道线模型,然后阐述了三种车道线检测分析方法和三种应用场景,指出车道线检测技术的根本困难在于模型的简单性不足以描述出场景的复杂性,并给出了发展建议。
沈超[7]提出了一种分层结构的微缩智能车硬件系统,该系统能够为基于机器视觉的车道线检测与交通标志检测提供硬件支持。其次,提出了一种基于RANSAC样条拟合的最优车道线检测算法。在微缩平台下,通过逆透视变换将车道线图像转变成鸟瞰图,降低车道线检测的难度;然后使用LBP算子和霍夫变换检测出车道线的边缘;最后采用RANSAC算法结合样条拟合对车道线进行最优拟合。该算法在微缩平台下能够有效的提取车道线,为微缩智能车自主驾驶提供了有力保障。最后,提出了基于二叉树支持向量机的交通标志分层检测算法。通过对微缩智能车硬件平台升级和视觉感知算法的改进,最终实现了基于视觉感知的微缩智能车的基本功能,能够有效的检测仿真环境下车道线与交通标志,为无人驾驶智能车的实车测试奠定了实验基础。
参考文献
[1]陈政宏,李爱娟,邱绪云,袁文长,葛庆英.智能车环境视觉感知及其关键技术研究现状[J].河北科技大学学报,2019,40(01):15-23.
