道路识别（精选6篇）
道路识别 篇1
随着信息采集技术的发展与信号处理方法的多样化, 机器视觉技术得到长足发展。机器视觉技术是一种用机器代替人眼来作测量和判断的技术。机器视觉技术的引入, 使得智能车辆技术逐渐成为研究热点[1]。通过数字图像获取环境信息, 进而对车辆进行控制是实现车辆智能化的重要途径。道路边界的识别技术是获取环境信息的重要手段之一[2]。文献[3]对道路嫌疑点进行道路约束判定并采用霍夫变换进行拟合, 提高了识别的鲁棒性;文献[4]依据道路边界的先验知识与预测知识进行道路边界的识别;文献[5]依据自然边界不易受到污染的现象提出了依据自然边界进行道路边缘检测方法;文献[6]提出了小块统计目标函数, 剔除了不规则纹理噪声, 提高了识别的准确性;文献[7]引入蚁群算法, 利用信息素的正反馈作用, 确定道路边界模型的参数, 从而进行边缘识别;文献[8]依据DS证据理论, 利用局部区域提取方向、道路边界梯度与灰度3个特征进行道路边界识别, 从而提升算法对不同光照的适应性。上述文献中采用的识别算法较繁琐, 对单幅图像中道路边缘的识别准确性有所提高, 但会对算法实时性有影响。为在保证识别准确性的同时提高实时性, 简化了道路边界模型与识别算法。因为道路识别技术会在汽车行驶过程中一直开启, 只要剔除突变误差, 依然可以保证算法的可行性。
1 道路边界模型
为了描述道路的三维信息, 需要对道路模型给予约束假设。一般道路边界满足连续性、平行性与平面性。具体的说, 道路不能发生突变;道路的两个边界互相平行;汽车前方视野内的道路处于同一平面内。由于道路法规的限制, 道路曲率很小, 所以从道路的宏观特征出发, 直线模型能够模拟道路的边缘。
在道路平面上, 设LL和LR为道路左右边界
根据道路边界的平行性假设, 有
在图像平面上, 设LL和LR为道路左右边界
图1和图2为道路平面与图像平面的摄像机投影模型, 其反映了两者之间的映射关系。在图1中, 汽车行驶方向为Y轴;平面ABJUDK是道路区域;平面ABJCDK是摄像机拍摄到的区域;交点O是镜头中心点;虚线OG是光轴;交点O在道路区域上的垂直投影为点I, 其位于线UE上。在图2中, 小写字母代表的点线面对应于图1中大写字母代表的点线面。在道路平面ABCD上, 设任一点P的坐标为 (xP, yP) ;则对应于图像平面abcd上的p点的坐标为 (xP, yP) 。则在单目视觉系统中, 图像坐标与路面坐标之间的映射关系为
式中, h是镜头中心的安装高度;γ0是摄像机的俯仰角;α0是镜头垂直视场角的1/2;β0是镜头水平视场角的1/2;H是图像的高度;W是图像的宽度。
根据道路的边界模型, 可以推出应用于车辆导航的参考直线LN
上述各表达式的联合即为直线道路边界模型。
2 道路边界识别
道路边界的识别主要分为道路边界粗提取和道路边缘判定。
2.1 道路边界粗提取
为消除干扰, 增强边缘信息, 并为后续道路边缘判定提供较好的条件, 需对原始图像进行道路边界的粗提取处理;其主要包含灰度化, 直方图均衡化, 滤波处理, 边缘增强和二值化处理。
在能够反映彩色图像3通道信息的前提下, 为了提升运算速度, 可采用灰度图像来代替[5]。根据人眼对3个通道的敏感度, 采用加权平均法即可将RGB彩色图像转化为较合理的灰度图像
有些图像的灰度直方图聚集在局部领域, 为了增强图像的对比度, 可采用直方图均衡化处理。其以图像各灰度级概率的累积分布函数作为变换函数, 将原图像映射为一幅灰度级分布较均匀的图像[6]。其中累积分布函数的表达式为
式中, rj是直方图均衡化前的图像归一化灰度级, 取值范围在0~1之间;nj是直方图均衡化前的图像中出现第k级灰度级的像素个数;k的取值范围为0~L-1的整数值;n是图像中的像素点总数;rk是直方图均衡化后的图像的归一化灰度级, 取值范围在0~1之间;T是变换关系式;pr (rj) 是直方图均衡化前的图像取第k级灰度值的概率。
为保护道路边界不使其模糊, 可采用中值滤波这种非线性处理技术消除噪声。并能较好地抑制随机点状的噪声
式中, Neighbourhood (x, y) 是像素点f (x, y) 的邻域。
为了有效地消除图像中背景信息同时抑制噪声, 可采用一阶差分的Sobel算子来完成边缘增强, 从而突出道路边缘信息[7]。道路的边缘部分与道路其他部分在像素灰度值上有一定的差异, 离散Sobel算子能够很好地得到边缘梯度方向的信息
则梯度值的大小与方向为
为避免图像中背景的边界也被突出出来并提高计算速度与实时性, 只采用水平Sobel算子Sx进行边缘增强即可
二值化处理能在边缘增强后的图像上去除大量的背景信息[8];二值化处理中阈值的选取可采用基于矩特征的方法。类分离函数的定义为
式中, k是分割阈值;h (i) 对应于灰度直方图。
二值化处理中的最佳分割阈值T是使类分离函数δ (k) 为最大时的灰度值。综上所述, 道路边界粗提取的具体步骤为:
Step1对原始图像进行灰度化处理, 同时进行中值滤波处理。
Step2对灰度图进行直方图均衡化处理。
Step3对均衡化后的图像进行水平Sobel算子边缘增强。
Step4对边缘增强后的图像进行二值化处理。
在Step1中, 若图像质量较好, 可以不进行中值滤波处理;在Step3中, 若已知路边界的大致区域, 可采取对特定角度的边缘检测, 从而提高边缘检测的计算速度;在Step4中, 当图像光照不均匀时, 可将图像分为若干组子区域, 并分别对每一子区域内的图像进行最佳阈值判定, 从而实现对整幅图像采取不同阈值分割的技术, 最终达到增强算法可靠性的目的。
图4所示为道路边界粗提取的结果图。可看出滤波后的灰度图效果较好, 并能反应出彩色图像的信息;直方图均衡化后的结果与灰度图相比, 在对比度上有了明显的增强;边缘加强后的图像与直方图均衡化后的图像相比, 突出了图像中的边缘部分, 特别是道路边缘部分;二值图中, 道路与背景的灰度值上有区别, 边缘界限明显。
2.2 道路边缘判定
在图像进行道路边界粗提取后, 粗边界除了包含目标边缘即道路边缘以外, 还掺杂着行人、树木、楼宇等边缘。为了在这些干扰边界中准确判定出道路边缘这个目标, 需要进行特征审判。边界邻域的灰度平均值与边界区域的方差可作为裁决依据。
机器视觉技术中对平均值与方差特征定义为
式中, m2为分块中的像素点个数;O为偏移量;i为序号; (r, c) 为方块中中心像素点的坐标。
设图像边缘中的任一小方块灰度平均值为m, 方差为σ2。其中道路边缘区域中的方块需满足一定的关系
式中, CP为N个方阵的协方差, 表达式为
其中, 的表达式为
采用距离公式为道路边界判定函数;它定义为各小块Pi (m, σ2) 之间的距离Di
若距离Di小于设定的阈值t, 则认为该小块的中心像素点是道路边缘中的一点。则道路边缘判定的具体步骤为:
Step1提取出二值图像中的边缘曲线。
Step2计算图像边缘曲线上小方阵的平均值m和方差σ2, 即Pi (m, σ2) 。
Step3计算两个小方块之间的距离Di。
Step4判定Di与阈值t的大小, 若Di<t, 则标记为道路边界。
Step5统计边缘曲线上道路边界点的个数与该曲线所穿过的小方块数之比, 比值最大的边缘曲线就是道路边缘。
Step6对判定为道路边缘曲线上的边界点集合进行遴选, 剔除出误差较大点后, 应用最小二乘法来拟合出车道线的边缘线。
图5所示为完成道路边缘识别并经过直线拟合后的结果图。从图中的两条线位置可看出, 此算法准确识别出了道路的边缘部分。
3 结束语
采取单目视觉图像进行了道路边缘检测算法的研究。为简化道路模型, 提出了道路边界直线模型。同时将整个识别算法分为粗提取与精提取两部分。粗提取中引入直方图均衡化克服光照影响, 通过边缘增强提高识别准确性;精提取中结合道路边缘模型, 依据在复杂环境下对边缘邻域特征识别的效果依然较好, 替换掉繁琐的智能识别, 提升处理速度, 进而提高保证算法实时性所允许的汽车行驶最大速度。
摘要：为了能为汽车实时提供前方道路信息, 文中建立了直线道路边界模型, 并提出了道路边缘识别算法。通过灰度化、直方图均衡化、滤波, 边缘增强与二值化的处理粗略得到图像的边缘, 再利用道路边界的邻域特征从图像边缘中识别出道路边界。仿真结果表明, 该算法能准确识别出道路的边缘。
关键词：机器视觉,智能车辆,直线模型,道路边界,边界识别
参考文献
[1]张玲新, 季本山.基于AIS的近海水上智能交通系统[J].电子科技, 2012, 25 (8) :104-106.
[2]余天洪, 王荣本, 顾柏园, 等.基于机器视觉的智能车辆前方道路边界及车道标识识别方法综述[J].公路交通科技, 2006, 23 (1) :139-142.
[3]陈军, 徐友春, 赵明, 等.基于随机Hough变换的道路边界识别算法研究[J].中国图象图形学报, 2009, 14 (5) :905-911.
[4]徐杰, 李晓虎, 王荣本, 等.车辆自主导航中的道路边界识别算法[J].中国图象图形学报:A辑, 2004, 8 (6) :674-678.
[5]徐友春, 王荣本, 李克强, 等.一种基于直线模型的道路识别算法研究[J].中国图象图形学报:A辑, 2004, 9 (7) :858-864.
[6]马雷, 于福莹, 李昊.基于灰度图像的复杂环境下智能车辆道路边界识别[J].汽车工程, 2010 (4) :351-355.
[7]马雷, 武波涛, 李昊.基于蚁群算法的弯曲道路边界的识别[J].兵工学报, 2009 (9) :1236-1241.
[8]马雷, 臧俊杰, 张润生, 等.基于DS证据理论的不同光照条件下道路边界识别[J].汽车工程, 2011 (8) :707-712.
道路识别 篇2
当今社会交通已经非常发达, 而道路交通仍占主导地位。MATLAB利用图像处理工具箱, 并结合其强大的数据处理能力, 我们可不必关心图像文件的格式、读写、显示等细节, 而把精力集中在算法研究上, 大大提高了工作效率。而且, 在测试这些算法时既可方便地得到统计数据, 又可得到直观图示。
二、交通标志识别关键技术研究
1. 交通标志的类型。
目前, 不同国家执行的交通标志标准不尽相同, 考虑到研究的适用性, 对本文而言基于目前国内现行的交通标志国家标准———《道路交通标志和标线GB5768-1999》。由该标准可知:交通标志一般安置在固定位置的固定高度之处, 它们的形状、彩色、图样都是依照国家标准而设计。另外, 从交通标志的国家标准以及实际交通标准识别实验中, 还可以获得以下的先验知识。考虑到标准中的指路标志包含较多汉字, 标志库数量较大, 本文禁令交通标志作为研究的重点。
2. 识别框架。
由模式识别的一般理论可知, 典型的模式识别系统原理, 如图1所示。数据采集和预处理的目的是为了得到比较满意的图像, 要解决交通标志图像的实时采集和图像的复原问题;特征提取和选择要解决待识别对象的固有的、本质的及重要的特征的量测以及尽量减少特征矢量的维数等问题。分类识别要根据对象的知识以及分类识别的理论和方法, 将待识对象进行分类和理解, 在交通标志识别中, 要解决交通标志的分类和理解问题。
3. 预处理技术。
交通标志图像的预处理主要涉及两个方面:一是对交通标志特征颜色的分割;二是对交通标志图像质量的提高。这两方面对于交通标志的正确识别具有非常最重要的意义。下面对目前交通标志识别系统所涉及的彩色图像分割技术和图像复原技术加以分析。
4. 特征提取与选择技术。
特征提取是模式识别领域的一个比较关键的问题, 因为后面的分类器是直接用所选取的特征进行分类的。特征选取的好坏对于一个模式识别系统的识别效果有重要的影响。
三、基于颜色和形状特征的交通标志识别
1. 色度直方图。
①L*a*b*彩色空间与图像的颜色不变量。为了获取一个独立于观察点的量化的图像颜色描述符, 需要一种颜色特征, 在事先考虑到阴影、遮蔽以及高亮度等因素的影响下, 它仍能独立于对象表面的形状和观察的角度。人们已经发现, 对于Phong和Torrance Sparrow的反射模型, 颜色的色度 (hue) 是一个独立于观察点的颜色特征。由于彩色空间L*a*b*具有感知上的均匀性, 它与人们对彩色的视觉感知非常接近, 并且具有欧氏距离度量 (Euclidean metric) 。因此, 用L*a*b*彩色模型来计算色度。②色度直方图。给定一幅图像f, 图像大小为m*n。设f中坐标 (I, j) 处像素的颜色为c, 即c=f (i, j) , C为颜色集, 则图像的颜色直方图定义为:
设图像f中坐标 (i, j) 处的色度值为h*, 即hk=f (i, j) , H={h1, h2, …, hq}为色度集, q为色度的量化等级数, 则图像f的色度直方图定义为:
由于当象素颜色的饱和度很小时, 其色度将变得不稳定, 因此在采用色度直方图方法时, 图像中那些饱和度小于给定阀值t (如t=15) 的象素将被剔除掉, 这些象素不参与直方图的计算。
2. Radon变换。Hough变换广泛应用于模式分析与识别以及自动直线检测领域, 而Radon变换与Hough变换密切相关, 因此可以使用Radon变换来实现一定形式的Hough变换。Radon变换计算图像在指定方向上的投影。二维函数f (x, y) 的投影是某一方向上的线积分。如f (x, y) 在垂直方向上的线积分就是它在x轴上的投影对于一幅图像, 通过在若干个方向上计算其投影就可以得到一个二维数组 (该数组通常以图像形式显示) 。
设f (x, y) 为一图像, 则radon变换定义为:
其中g (s, θ) 是f (x, y) 在θ方向上的投影。
四、基于颜色和形状特征的MATLAB程序的界面 (如图2)
算法如下:
首先将pic由rgb颜色空间转变为lab颜色空间lab_pic, 然后根据红、黄、蓝对应的a、b值的范围提取感兴趣的区域, 然后用imfill函数填充区域。用bwareaopen函数去掉面积太小的区域, 即少于图像像素的0.006倍的区域。
然后用regionprops函数对提取的二值图像进行分析。
STATS.Bounding Box (3) , STATS.Bounding Box (4) 分别为包围该形状的最小矩形的长、宽。
STATS.Extent是同时在区域和其最小边界矩形中的像素比例, 因此圆形就是STATS.Bounding Box (3) =STATS.Bounding Box (4) 且0.6<STATS.Extent<0.9。
然后用imcrop函数对满足条件的区域进行分割。
对分割后的图像进行分析, 得到它的颜色直方图Ht和形状直方图R2。
五、结论
交通标志的识别研究是一个极具潜力的研究领域, 作为智能交通系统研究中的一个子系统, 它的研究能促进整个智能交通系统的水平, 为其他子系统提供更多和更准确的有关交通的信息。特别是随着城市化的进展以及汽车的普及, 机动车数量、出行人数的大量增加, 交通管理日益重要, 交通标志的识别能为交通管理提供更为有效的技术手段, 从而提高交通管理水平, 而且它的研究对推动军用和民用无人驾驶车的研究具有重要的作用, 对提高汽车的智能化水平以及促进我国汽车工业的信息化改造有巨大的作用。
摘要：本文介绍用MATLAB强大的计算功能和各种功能齐全的函数, 图像工具箱来进行道路交通标志的识别。介绍基于LAB颜色模型的颜色特征提取和基于radon变换的形状特征的提取, 并根据上述两个特征进行交通标志识别的MATLAB的程序设计进行介绍。
关键词：MATLAB,lab,radon,特征融合,道路交通标志
参考文献
[1]吴振远.科学计算实验指导书——基于MATLAB数值分析[M].武汉:中国地质大学出版社, 2010.
[2]史峰, 王辉, 胡斐, 郁磊.MATLAB智能算法30个案例分析[M].北京航空航天大学出版社, 2011.
[3]杨淑莹, 张桦.群体智能与仿生计算:Matlab技术实现[M].北京:电子工业出版社, 2012.
[4]邓书斌.ENVI遥感图像处理方法[M].北京:科学出版社, 2010.
道路识别 篇3
世界上有众多的视觉障碍人群, 导盲设备对于提高其生活质量具有很大的帮助。基于视觉的导盲设备, 主要是通过安装在设备上的摄像头来实时采集路况图像, 然后对其进行分析, 从而做出预警和提示。斑马线是道路中一种重要的标志, 文章对其检测和识别方法进行了研究。
2 斑马线边缘提取
2.1 高斯滤波
从摄像头获取的原始图像一般都存在噪声, 对于后续的边缘提取会造成影响。因此, 需要对其平滑处理。高斯滤波器是一种利用邻域平均的思想对图像进行平滑的方法。它的特点是在对邻域内像素灰度进行平滑时, 赋予不同位置像素不同的权值, 越是靠近邻域中心位置其权值越高。这样的好处是在滤除噪声的同时又较好的保存了图像的边缘信息。有利于后续的边缘提取。
2.2 Canny边缘检测
Canny边缘检测的基本原理是首先使用高斯滤波器平滑图像, 再用一阶偏导的有限差分来计算梯度的幅值和方向, 然后对梯度幅值进行非极大值抑制, 最后用双阈值法来检测和连接边缘。阈值分为上限阈值和下限阈值, Canny推荐其比例为2:1到3:1之间[1]。
实际中斑马线总是会受到污染, 斑马线整体比较暗或内部会有黑斑存在。因此, 在阈值选取时, 要尽可能提取出斑马线的边缘, 还要尽可能降低斑马线内部污斑被提取出的比例。文献[2]应用Canny算法对斑马线检测进行了研究, 但没有论述其阈值的选取。文献[3]的自适应阈值选取方法提取出了过多的细节边缘, 不适用于斑马线的边缘提取。
文章采用了一种通过计算道路的灰度直方图, 根据直方图的特点确定Canny算法双阈值的方法。这里需要注意的是灰度计算像素要选择在斑马线区域内, 如图1 (a) 所示。直方图的横轴表示灰度值, 纵轴表示像素数。文章从测试的50张图片中选取了有代表性的列于表1。表1中所用的图片斑马线污染大多都比较严重, 即使在白天高峰灰度值也在150以下。表1中图片4的斑马线比较干净, 并且是在晚上路灯比较亮时拍摄。经验证高峰灰度值在150以上时对Canny阈值的要求不是很严格, 双阈值分别为60、120和80、160时对边缘提取效果差别不大, 为尽可能排除干扰可选择后者。对于图1 (a) 两种阈值的边缘检测效果如图2 (a) 和图2 (b) 所示。当环境较亮时, 如果高峰阈值超过在100到150之间, Canny算子的阈值可设为60、120。当环境较暗时如果高峰灰度值在100以下, 高低峰灰度值差大于25时, 阈值可设为30、60, 高低峰灰度值差在25以下阈值设为20、40。其中, 表1中12号图测试15、35为最佳阈值, 为简化起见也可以20、40计算。实验表明直方图的高峰低峰灰度值差越小, 即斑马线和道路颜色越接近, 对阈值的变化越敏感。光线越好高峰灰度值越高对阈值变化越不敏感。在实验中还存在灰度直方图出现单峰的情况, 说明斑马线污染较严重, 此时以较低的阈值也可检测出部分直线, 但会影响识别的正确率。
对于表1中的图片6的原图和Canny边缘检测效果如图3 (a) 和图3 (b) 所示。表1中的图片11的原图和边缘检测效果如图4 (a) 和图4 (b) 所示。
2.3 Hough直线提取
在边缘检测后, 文章采用Hough变换提取直线。Hough变换的原理是利用图像空间与参数空间的对应关系, 将图像空间的具有一定关系的像素进行聚类, 利用某一解析形式转化到参数空间, 通过在参数空间进行简单的累加统计来完成检测任务[1]。在应用Hough变换直线提取时, 同一条边缘上会检测到很多直线段。为便于后续处理, 要对属于一条边缘的线段进行归并。在极坐标系中每条直线都可由与其垂直的ρ和θ角来唯一确定, 如图5所示。因此文章根据直线间ρ和θ的差值小于某阈值的特征将直线归并。图2 (b) 的直线提取结果如图6所示, 每条直线上只有一个起始序号和一个结束序号, 表明直线归并成功。图3 (b) 和图4 (b) 的直线提取结果如图7和图8所示。
3斑马线识别
图6的直线信息如表2所示, 斑马线特征比较明显, 即为一组平行直线, 斑马线宽度、间距递减, 且黑白相间, 由于人身高确定, 斑马线间距也可以基本确定。根据这些信息就可以有效识别出斑马线, 并和其它道路标志相区分。如图9列举了一种易形成干扰的道路标志。可以根据其平行直线数量、间距、位置信息进行区分。
另外, 斑马线的长度和宽度边缘不一定都是垂直的。因此只依据斑马线的斜率判断行人是否偏离斑马线并不可靠, 还要加入对斑马线的左右边缘的判断, 以保证行人行走在斑马线范围内。
4 结束语
文章选取的图片大小为640*480, 并利用了Open CV函数库进行编程实验, 结果表明对于受污染的斑马线也有很高的识别率。实际环境中斑马线的情况千差万别, 有时获得一个最佳的Canny算法双阈值及获得比较好的直线提取效果比较困难。但只要斑马线比较完整, 基本会获得一组直线边缘, 即使有少量误提直线也可以正确识别斑马线。但如果斑马线污染严重、缺失较多或有强光照射时会出现直线丢失或误提直线过多的情况, 可能会导致识别失败。
参考文献
[1]Gary Bradski, Adrian Kaehler.学习Open CV (中文版) [M].于仕琪, 刘瑞祯, 译.北京:清华大学出版社, 2009.
[2]陆丰麒, 陈健, 郭语, 等.一种应用于导盲机器人的斑马线识别方法[J].数字技术与应用, 2014 (4) :124-125.
道路识别 篇4
关键词：智能驾驶,路权雷达图,改进的MPC方法
智能驾驶技术从根本上改变了传统的“人-车-路”闭环系统中的车辆驾驶方式, 将驾驶员从疲劳驾驶中解放出来, 利用先进的传感器以及信息技术控制车辆行驶, 让驾驶活动中常规、持久、低级、重复的操作自动完成, 能够极大地提高交通系统的效率和安全, 提高人类移动生活的品质, 具有广泛的社会应用价值。其中, 车道线识别技术作为智能驾驶的重要组成部分, 自上世纪80年代以来就受到了一定的关注。实现车道线识别的方法种类繁多, 从单目视觉到立体视觉, , 从使用简单的单目处理算子, 到用复杂的概率组方法。然而很多研究都仅针对高速公路/城际快速路, 而城市道路环境的车道线识别则要难得多, 主要体现在以下方面:城市道路车流量密集, 路上行车、路边泊车对车道线识别影响较大;高速公路车道线相对清晰, 而城市道路车道线磨损较为严重;城市道路地面各类标识复杂, 道路边缘形状相对不规则……这些问题都增加了城市环境下的车道线识别的难度。
针对城市道路车道线识别的难题, 本文提出了一种相对简单快速、鲁棒有效的车道线识别算法。
1 城市道路的车道线识别算法
1.1 逆透视映射 (IPM)
本文车道线识别算法的第一步是进行逆透视映射, 将车载摄像头得到的图像转换成行驶道路的俯视图。这样做有以下好处:
(1) 避免了由于车载摄像头安装位置的不同造成的图像视角差距, 经过逆透视映射 (IPM) 之后的车道线大体是竖直而平行的。
(2) 经过IPM后, 在识别过程中可以仅关注图像的部分区域, 可以有效降低算法的计算复杂度, 提高实时性。
应用这两种变换, 我们可以得到一个有关输入图像的感兴趣区域。
1.2 高斯核分类器与二值化
经过IPM转换后, 我们对图像进行两次空间高斯核过滤。竖直方向使用平滑高斯, 由以下高斯核函数给出:
其中, σy根据识别道路线的长度需求给出。水平方向上的分类使用高斯函数的二阶导, 具体公式如下:
其中, σx根据期望的线宽调节而来。
图1最左侧为所用卷积核, 中间为图像卷积后的结果, 右侧为二值化后的结果。从图中可以看出, 这样的分类器刚好被调节到对较暗背景下的明亮竖直白线最敏感, 这也正是我们对车道线形式的基本期望。我们仅保留了原图像q%的分数值, 而所有小于阈值的部分将被全部舍弃。在本次实验中, q的取值为97.5.但是与此同时, 为了保证算法的鲁棒性, 在二值化之后, 我们同时也会将近似竖直的线保留下来, 在接下来的步骤中使用。
1.3 车道线检测
经过二值化后, 我们利用以下两种技术进行车道线检测:
(1) 使用简化的Hough变换找出图像中线的数量。
(2) 使用RANSAC曲线拟合鲁棒地拟合曲[4]。
简化的hough变换先得到二值化后图像中每一栏的车道线value值的加和, 这个用高斯分类器平滑这个加和, 找出最大值, 以确定目标线段的可能位置。接下来, 将可能的线段以像素级精度拟合成抛物线, 最后, 在得到的线段中, 去除一部分距离过近的线段, 以去除同一条线的多余响应。
完成此步骤后, 即可开始对得到的候选车道线进行RANSAC拟合。对上面每一条检测到的线段, 我们定义一个兴趣窗口, 并在此窗口中执行RANSAC程序。
对上面得到的候选车道线, 我们在其所在原图位置设置一个窗口, 并在此窗口中执行曲线拟合算法。本实验中采用的拟合工具为3次贝兹曲线 (Bezier spline) , 其具体定义如下:
算法1描述了RANSAC曲线拟合的算法。其基本函数如下:
(1) get Random Sample () :本函数从进入RANSAC步骤的感兴趣区域中随机选取样点, 利用加权抽样的方法, 其权重与样本点坐标有关。
则P可由其广义逆矩阵计算出来:
(3) compute Spline Score () :在本函数中, 选取各点到拟合曲线的法向距离来评价拟合结果的好坏, 将得分记录。
2 实验结果及分析
2.1 实验数据来源
我们在车顶安装高清摄像头, 实车采集了北京园博园大道21400余张图片 (相机采集周期60ms, 平均车速40km/h) 。
2.2 实验结果及分析
我们对21400张图片进行实车实时处理, 其流程如图2所示,
得到原图 (a) 后, 先对其做逆透视映射, 得到IPM图 (b) , 再对IPM图做滤波和二值化, 识别车道线, 使用RANSAC拟合出车道线方程, 并显示出来, 如图2c所示。21400张图片处理结果如表1所示:
3 结语
(1) 实验结果证明本方法可以达到实时识别, 且具有良好效果。
(2) 总正确率达到88.5%, 说明本算法基本可用, 但是作为单一导航仍存在较大风险, 主要原因在于本算法未加入帧间关联与跟踪, 因此与带有跟踪的算法相比仍有一定差距。
道路识别 篇5
关键词：道路施工,安全生产,模糊综合评价
一．引言。
随着经济的迅速发展与城市化进程的加快，我国城市道路与公路的数量在持续增长，但由于道路施工存在着工期长、流动性大、工程量大、工序复杂等特点，使其在施工期间存在许多安全问题，施工现场的安全管理状况不容乐观。
二．道路施工企业安全生产评价标准。
20世纪80年代，安全系统工程引入我国，受到许多大中型企业和行业管理部门的高度重视。通过翻译、消化、吸收国外安全检查表和安全检查方法，我国企业开始应用简单的安全分析、评价方法，如安全检查表、事故树分析、故障类型及影响分析、事件树分析、预先危险性分析、危险可操作性研究、作业环境危险评价方法等。在许多企业，安全检查表和事故树分析方法己应用于生产班组和操作岗位。许多行业和地方政府有关部门制定了安全检查表和安全评价标准。
建设部于2003年底发布了行业标准《施工企业安全生产评价标准》。该评价标准内容包括施工企业安全生产条件、安全生产业绩单项评价，以及施工企业的安全生产能力综合评价。如图1所示。
《施工企业安全生产评价标准》借鉴了国外发达国家建设工程安全管理的成熟做法，全面总结了我国建设工程安全管理的实践经验，是加强企业安全生产基础工作的重要途径，是提高企业安全生产管理水平的有效手段，是落实企业安全生产责任主体地位的具体体现。
《施工企业安全生产评价标准》的贯彻执行，是促进施工企业建立自我约束、持续改进机制的好方法，是施工企业具体落实《建筑法》、《安全生产法》中有关施工企业安全生产条件的重要途径，建立施工企业安全生产科学的评价制度，将有助于改善企业安全生产条件、提高企业安全生产管理水平。
三．道路施工安全管理的模糊综合评价方法
1 棋糊评价的可行性。
模糊评价对多种模糊因素所影响的事物或现象进行总的评价，又称模糊综合评判，它是利用模糊数学的基本理论一隶属度来将模糊信息定量化，通过合理地选择因素域值，利用传统数学方法对多因素进行定量评价，从而得出科学地评价结论的一种方法。进行安全模糊评价首先要建立影响评价因素集，并对各因素赋予相应的权数。然后由评价者对各因素进行评价，从而得出评价矩阵。最后由相应的权数与评价矩阵形成系统评价矩阵，由此求出系统总得分，再对照确定安全等级。
客观事物的不确定性有两大类，一类是事物对象是明确的，但出现的规律不确定:另一类是事物对象本身不明确，如年轻、年老、严重、不严重等这一类程度上的差别没有截然的分界线。后一类对象的不确定性是与分类的不确定有关，即一个对象是否属于某一类，可以是也可以不是，所以首先要对集合的概念加以推广，引入模糊集合的概念。一个元素X可.以属于A集合，也可以不属于A集合，引入隶属度一隶属函数这一概念，就导出了模糊数学的概念。
"安全"与"危险"之间没有明显的分界线，即安全与危险之间存在着一种中间过渡的状态。这种中间状态具有亦此亦彼的性质，也就是通常所说的模糊性。而模糊数学用"隶属度"来刻画这种模糊性，以达到定量精确的目的。模糊综合评价就是以模糊数学为基础，应用关系合成原理，将一些边界不清，不易定量的因素定量化、进行综合评价的一种方法。模糊综合评判法给出了一个数学模型，与概率、统计的方法是不同的，它是对多因素、多层次的复杂问题评判效果比较好的方法，也是别的数学分支和模型难以代替的方法，其适用性也比较广。从图1施工企业安全生产评价标准构成来看，用模糊综合评价方法来评价道路施工安全是可行的。首先，道路施上安全评价涉及因素众多，且权重各异，比如道路施工环境安全，特别是组织管理与安全制度，更是难以量化，只能用"安全"、"较安全"、"危险"等等级概念来描述，具有较强的模糊性。其次，某些因素受外界环境的影响较大，具有偶然性，如安全防护设施失效等，往往没有规律性，难以预测。另外，对于机械设备质量的评价是具有模糊性的，因为影响机械设备的某些因素是模糊的。由于主观原因，人们对某些影响因素的褒贬程度不尽相同，很难直接用统计学的方法确定这些因素的具体判断值。因此如何对模糊信息资料进行量化处理和综合评价就显得尤为重要。为此，利用模糊综合评价原理对道路施工安全性进行评价有其科学性和实用价值。但是有时需要考虑的因素很多，因素间还可能分属不同的层次，这时就需要在每一层上对要解决的问题进行评价。
总之，模糊评价是利用模糊数学的基本理论一隶属度来将模糊信息定量化，它合理地选择因素域值，再利用传统数学方法对多因素进行定量评价，从而科学地得出评价结论的一种方法，因其不会忽略因素在程度上的差异，用来评价道路施工安全性完全可行的。
2 模糊缤合评价方法的优缺点。
从模糊综合评价的特点可以看出，它具有其他方法所不具备的缺点，这主要表现为:
(1) 模糊综合评价结果本身是一个向量，而不是一个单点值，并且这个向量是一个模糊子集，较为准确地刻画了对象本身的模糊状况，模糊综合评价结果经进一步加工，又可提供一系列的参考综合信息。
(2) 模糊综合评价从层次角度分析复杂对象。一方面，符合复杂系统的状况，有利于最大限度地客观描述被评价对象;另一方面，还有利于尽可能准确地确定权数。被评价对象越是复杂，结构层次越多，应用多级模糊综合评价的效果就越理想。
(3) 模糊综合评价方法以适用性较强，它既可用于主观因素的综合评价，又.可以用于客观因素的综合评价。特别是在主观因素的综合评价中，同于主观因素的模糊性很大，使用模糊综合评价可以发挥模糊方法的优势，计价效果优于其他方法。
(4) 模糊综合评价的权数属于估价权数 (估价权数是从评价者的角度认定各评价因素重要程度如何而确定的权数) ，因此是可以调整的，这种定权方法适用性较强。
以上是模糊综合评价方法的优点，但也有其自身的局限性，比如:
首先，模糊综合评价过程中，不能解决评价因素间的相关性所造成的评价信息重复的问题。因此，在进行模糊综合评价前，需要尽量把相关程度较大的因素删除，以保证评价结果的准确性。另一方面，如果评价因素考虑的不够充分，有可能影响评价结果的区分度。
其次，在模糊综合评价中，指标的权重不是在评价过程中伴随产生的，这样人为定权重有较大的灵活性，一定程度上反映了指标本身对被评价对象的重要程度，但人的主观性较大，与客观实际可能会有偏差。
结束语
建筑施工企业有必要针对施工期间安全事故居高不下的情况，运用系统安全工程的理论与方法，对建筑企业的危险因素进行深入分析，对施工期间的安全问题进行科学的预测与评价，建立企业的安全管理体系，培育企业的安全文化，完善企业安全生产投入机制，以达到进一步预防和降低事故的发生。
参考文献
[1]田宝霞, 郑双忠, 吴弯.企业安全性评价模糊数学方法研究.工业安全与环保.2003年3月第29卷第3期.
[2]闰善郁.事故树的模糊分析方法研究.大连铁道学院学报.1997年3月第18卷第1期.
道路识别 篇6
目前,全国公路交通随着快速增长的汽车数量呈现出秩序紊乱、疏导压力骤增的状况,高速路超速、超重现象比比皆是,事故频发。市区交通车辆拥塞常态化。为加强路面交通管理,路政、交通管理部门纷纷采用增加人力、警力、安装先进检测设备等手段来强化交通管制与疏导,如:采用感应线圈测速、雷达测速、视频测速、激光测速等多种测速系统对违章行为进行监督。但是,各种应用技术的局限性也影响其广泛的应用,雷达检测技术成熟,但测量精度低;感应线圈需要安装在地下且维护工作量大,激光测速测速精度高,可是受天气影响大且价格昂贵视,视频测速安装维修方便,测量精度高而且可以提供多种交通资料越来越受到人们的重视。但这些测速方法依靠的还是要投入大批警力,并且这些治理方法无法全面、实时、有效地实现路面交通监控。射频技术与压电电缆的综合应用为解决交通管理问题提供了非常好的前景,无线射频识别是二十世纪90年代兴起的一项非接触的自动识别技术。它利用射频信号通过空间藕合实现无接触的信息传递,并通过所传递的信息达到识别目的。它与条形码技术、磁卡技术、光学符号识别等技术相比较具有精度高、防水、防磁、耐高温、存储数据容量大、存储信息更改自如、抗干扰强、操作快捷等许多优点。已被广泛应用于商业自动化、工业自动化、交通运输控制管理等众多领域。融合传感器技术,可将重量信号、速度信号通过RFID卷标(安装在机动车上),与公路沿线布置的多个读写器构成监控网络,不仅可实现对机动车超速、超重的全程实时监测而且可实现市区交通违章自动记录并语音通知驾驶员,预防交通事故的发生等作用。
1 RFID应用技术体系
RFID应用技术体系包括RFID标签和读写器两个部分,RFID标签可以分为有源、无源和半有源三种;按照工作频率的不同,RFID标签可以分为超高频(UHF)、微波频率(MW)、低频(LF)和高频(HF)四种。其中,具有远距离识别和低成本特点的当属UHF标签,它容易实现规模化量产,作为智能交通管理系统中重要的一次元件能够很好地与计算机系统结合并快速处理相关的信息,由此构成完整的RFID应用体系。RFID标签是将多个功能模块集成在芯片中实现与读写器的通信。芯片存储了多种信息,如车主姓名、车辆型号、车牌号等,芯片外围需配合以天线与电源,可以设置识别码和身份验证标志等。读写器基本上由发射单元、接收单元、信号处理控制单元和电源组成,又称作收发器。
2 系统设计
RFID射频识别电子标签的架构可选用比较成熟的nd2401+AT89C51组对,由于nrf2401芯片使用2.4 GHz全球开放频段,频道数达到125个,能很好地满足调频及多频需要,数据吞吐量较大,速率在1 Mbit/s,且外围元件不多,一般连入一个晶振和一个电阻即可实现射频电路设计,工作频率和发射功率等全部工作参数均可通过软件来进行设置,电源电压较小,范围在1.9 V~3.6 V之间,该芯片的内部设有稳压电路,因此,不论使用DC电源还是DC开关电源,均能达到稳定的通信质量和效果,利用软件可在芯片上设置40b地址,当收到本机地址时才会将数据输出,有关协议和CRC纠错硬件电路均内置在芯片里。
AT89C51是一种8位单片机,具有低功耗高性能的特点,内嵌一个4 K字节的Flash可编擦除只读存储器,它采用了高密度非易失性存储器技术和CMOS工艺,由ALU、专用寄存器组、定时控制部件等组成的央处理器,其调用、跳转、判断的能力较为强大并具有丰富的数据传输功能,还有提供存放中间结果、常用参数寄存器等功能。为方便高频(工作频率为13.56MHz)RIDF标签贴附在机动车表面,感应器线圈不能绕制,而要采用腐蚀或者印刷的方式制作成天线。当接通和断开感应器上的负载电阻时,读写器天线上的电压就会发生变化,从而可以利用远距离感应器对天线电压进行振幅调制。负载电压的接通和断开则可以通过数据来进行控制,迅捷地将数据从感应器传输到读写器。限重路段可通过设置路面压力应变区段,当路面压力超限时,压电电缆感应器发出超载信号的同时,读卡器采集超载车辆信息,传入交通监控系统进行处理。RFID标签模块采用有源标签。由车载电源供电。读卡器模块位于路口,可采用32位微处理器,将识别的信息通过RS-485总线发送至路口的交通信号控制机,也可通过网口将信息直传监控中心的管理计算机,每一个十字路口可安装多台读卡器,至少安装4台读卡器,使其位于道路右侧,为防止读卡器出现误读,可将(至少)4台读卡器放置在彼此距离较远的安全位置上。当采集到的机动车速度超过限速值如60KM/H(市区)或120KM/H或载重超限时,该超限数据送到AT89C51的串口缓冲器中被RIDF标签采集后可无线传送给联网的读写器和控制中心,从而实现对机动车的分布式全程实时监测。
RFID射频识别交通管理系统可以根据被管理对象状况灵活构建,从功能上满足不同的机动车监控要求,一般由如下子系统构成:
1)交通违章检测子系统
由RFID阅读器、车辆过往检测单元、交通信号灯状态检测单元和用于在通过交通信号灯状态检测单元判定当前交通信号灯处于红灯状态且通过车辆过往检测单元,检测到有车辆经过时判定该车辆违章并控制RFID阅读器读取该车辆RFID身份标签的控制单元。这样构成的检测装置可在车辆闯红灯时有效获取车辆身份信息,并抓拍现场画面以提供有效证据,以及回传RFID身份标签和现场画面,解决现有闯红灯摄像装置图片模糊等问题。如图1所示。
2)超速检测子系统
系统包括测速单元和记录单元,即射频识别标签、射频识别读取器、信息传输单元、监控中心计算机系统;射频识别标签存储车辆的信息,并贴附在机动车辆上;由射频识别读取器完成对车辆的识别、车辆信息的读取、违规车辆信息的记录;射频识别读取器与信息传输单元连接并通过信息传输单元发送和接收信息;信息传输单元采用有线连接通讯技术或无线通讯技术,将信息发送到监控中心的计算机系统,或将监控中心发送的命令传送给射频识别读取器进行相应的操作;监控中心计算机系统存储射频识别读取器发送来的信息并做相应处理,同时发送控制射频识别读取器的指令。如图2所示。
3)超载检测子系统
压电薄膜交通传感器检测,经过传感器的轮胎,会对压电薄膜产生压力形变,输出一个与所收压力成正比的模拟信号,其输出的周期与轮胎经过传感器上的时间相同。每一个轮胎碾压传感器时,传感器就会即时产生一个新的电子脉冲。利用压电薄膜传感器对行驶车辆称重的检测原理是对受力产生的信号积分。可采用电感线圈+压电传感器的方案,既可测得轴数又可测得车数,两个传感器之间的距离L一般取3米,或短于3米(也可根据需要确定)。动态称重系统同时具备识别单、双轮胎的能力,即通过斜埋压电电缆3就可解决这个问题。Φ一般取30°~50°。对经过车辆通过身份识别后,读取压力传感器数据,将身份数据与载重数据送入上位机进行超载检测,应用压电电缆进行动态超载检测的布置如图3所示。
3 系统设计及运行应考虑的问题
在系统设计时,应采用有源RFID标签来标识车辆,因有源RFID标签具有投入成本低、可靠性高,维护简便、定位精确等优点,安装实施简单。无须对(市区)原有红绿灯设备进行拆卸,只需在车辆上安装粘贴相应的电子标签,而在原来有红绿灯基础上安装RFID读写设备及调整信号灯控制器软件即可实行。
由于道路的情况复杂,很容易对标签的微波信号进行反射与衍射,为防止同一RFID卡号被多个读卡器读取到,从而导致对请求信号的误判,可通过软件设定一旦读到RFID标签信号,则后续读卡器在规定时间内(如30秒)对此RFID卡号进行屏蔽,这样可以避免同一ID号被一条道路上两台读卡器读到后造成对信息的误判。而对多个信号的识别本着时间优先的原则进行处理。数据采集及处理流程如图4所示。
4 结束语
本文对一种集机动车超速、超载监测与市区交通路口违章监控功能于一体的路面交通管理系统的构成做了分析,认为该系统能够完成对机动车行驶车速、超载、违章信号的采集、无线传输及处理,当机动车的实际行驶速度、载重超过限定值,或是交通路口违章时,系统能及时发现、及时处理,该系统进一步的完善应用,将会为严肃交通秩序,强化交通管理提供一种有效的管理手段,具有良好的产业化前景和推广价值。
摘要：本文介绍了一种由基于射频识别技术的芯片与微控制器组成的射频标签与读卡器系统。文中阐述了系统的设计,包括标签模块,读卡器模块,通信模块,以及各种主要单元模块的功能和工作过程。并将这一系统应用于实际的道路交通,对于强化交通管理、维护交通秩序能发挥良好的作用。
关键词：射频识别,交通违章,速度检测,超载检测
参考文献
[1]宋廷强,沈剑良,曲英杰.一种RFID电子标签的数字部分设计[J].青岛科技大学学报(自然科学版),2008(1).
[2]赵子轩,方科,等.基于射频识别技术的车辆路口通行系统设计[J].电子测量技术,2008.09.
[3]马连博,苏卫星,等.基于嵌入式Linux和RFID技术的电子看板设计[J].计算机应用,2007(z2).
[4]游峰.智能车辆自动换道与自动超车方法的研究[D].长春:吉林大学,2005.