1. 2 研究现状道路标线检测作为智能驾驶技术的热门话题，一直以来都是各国智能驾驶研究领域的核心内容之一。尽管这一课题需要考虑的复杂情况多种多样，但是研究人员在这一课题上已经取得不少的研究成果。文献[4]使用了多项式曲线来表示道路结构。以此为基础，提出了一套标志线的检测算法。该文献的算法首先要利用图像估算出道路宽度，再利用各个标志线的模板对标志线进行跟踪，最后引入道路模型的拟合对跟踪结果修正。文献[5]提出使用感兴趣区域的方法来解决实际道路上的复杂环境问题。通过逆透视变换得到图像逆透视效果。对于马路中央的斑马线，基于斑马线的形状特征，采取水平投影的方法进行检测。文献[6]首先分别识别出图像中的白色和黄色信息。方法是双阈值的麦克斯韦颜色三角模型。然后得出待检区域信息，分析其是否为目标标线。该文献区分黄色和白色标线的方法，可以有效的提高算法的准确度。文献[7]使用了基于 HSI 色彩空间的阈值分割算法，将 RGB 像素信息转换为 HSI像素信息后再进行二值化操作。提出双极性的概念，可以排除部分干扰。提出了部分道路标线的检测算法。文献[8]介绍了一种道路标线检测算法以及其在 FPGA 系统上的实现。该文献以Hough变换检测直线的原理为基础，针对道路标线检测的具体应用，对 Hough 变换进行了相应的改进简化，并在FPGA 处理器上实现了该算法。国内虽然在道路标线检测方面的研究起步比较晚，但是也已经取得不少的成果。在国外也有很多先进的道路标线检测算法。文献[9]详细比较了可用于道路标线检测的硬件设备和软件信息，通过对比，提出了一套图像预处理、特征提取、道路/车道模型拟合、瞬时整合的算法，提高了道路标线检测的准确率。文献[10]介绍了美国卡内基梅隆大学所研究的一种道路标线检测系统。这套算法结构庞大，不利于实时处理图像，但是这套算法有很好的鲁棒性。在道路标线污损的情况下，该算法依然有很好的表现。文献[11]提出的道路标线识别算法，先扫描图像每行的标志边缘，然后用Randon变换找出最可能构成包围标志的两条直线。该方法也使用了逆透视变换，但是该方法也不能做到很好的实时性。总体而言，我国在道路标线的相关研究领域，由于起步晚，技术水平相之于国外有明显的不足。但是随着我国越来越多的研究机构将人力、物力投入其中，我国在道路标线检测领域的发展速度也进一步加快，相信在不久的将来我国必能有成熟的道路标线检测技术。
1．3 研究内容本文所研究的人行横道线检测是道路标线检测的一部分。单目摄像机在汽车上的运用十分广泛，最常见的使用方式就是作为行车记录仪。道路标线检测的第一步就是要获取汽车前方的道路图像，而获取方式就可以是安装在汽车前方的单目摄像机。从单目摄像机获取的原始图像信息量大，但是其中有很大比重的无用信息[12]。这些无用信息在拖慢处理速度的同时，也会降低算法的正确度。所以，首先要实现图像的预处理流程，强化目标信息，淡化背景信息，流程包括图像的灰度化、滤波和增强。然后对此图像使用逆透视变换算法，从而得到一幅固定大小的原始图像的逆透视变换灰度图。逆透视变换图像所表示的实际距离范围就是道路上感兴趣区域的大小[13]。之后对图像进行二值化操作，在二值化过程中，引入双极性的概念，进一步排除干扰信息，从而得到最后用于检测的二值化图像。理想的处理效果下，在这幅图像中，所有的道路标线信息呈白色，路面信息呈黑色。经过上述步骤之后，接着便是检测图像中的人行横道线的相关信息。人行横道线区域是黑白相间的规则矩形条纹，从中可以提取出很多用来区别人行横道线和其它道路标线的特征信息。在待检测的图像上检索这些特征信息，设定相应的阈值。对最终符合条件的区域，可以判定为人行横道线区域，得出相关信息。这些信息便可用于指导智能车自主驾驶。本文中的开发工作都是在win 8.1操作系统中使用java语言的开发工具EclipseKepler完成的。 Java API 中包含了用于处理图像的类 BufferImage，利用这个类，可以实现一些简单的图像操作，例如图像的输入输出、图像宽和高的获取、图像像素值的输入和输出等。这些是利用 Java 进行图像操作的基础[14][15][16]。因为整个算法过程都是在对图像的像素值进行处理，所以方法间可以使用数组存取像素值来传递信息，而不用图像来传递信息，这样可以避免多次的get 和set 图像像素值的操作，提高处理效率。 人行横道线检测算法设计与实现(2):http://www.youerw.com/jisuanji/lunwen_41595.html