智能网联汽车先进驾驶辅助系统技术应用（微课版）课件 第4章 车道保持辅助系统

任务4.1车道保持辅助系统技术任务导入任务导入在高速公路上长途驾驶时，通常车速较快，在遇到复杂路况比如弯道时，需要驾驶员反应迅速，同时在弯道的路况中驾驶员不能很好地了解弯道后的路况。。这样既提高了安全性，也减轻了驾驶员的驾驶负担。这样的技术就是ADAS的车道保持辅助系统。。这时如果车辆可以自动驾驶，使自车始终保持在当前道路中间行驶，遇到弯路时可以自行调整行车方向。任务导入汽车在行驶过程中经常会有因为驾驶员注意力不集中、驾驶过程中接打电话或长时间疲劳驾驶引起的车辆在行驶中偏离车道的状况，高级驾驶辅助系统中的车道保持辅助系统能很好地解决车道偏离问题，有效减少因车道偏离引起的交通事故，缓解驾驶员疲劳。车道保持辅助系统的基本概念车道保持辅助系统（Lanekeepingassist，LKA）是高级驾驶辅助系统中的一个功能，该系统能识别出自车偏离原本车道的趋势并发出警报提醒驾驶员，执行操作使自车保持在原车道行驶。车道保持辅助系统的组成自适应巡航控制系统主要组成：信息采集单元控制单元执行单元信息采集单元是车道保持辅助系统中获得信息的部分，主要由环境感知传感器构成，其作用是获取当前自车行驶道路的车道线信息，并将这些信息传递给控制单元。目前LKA系统的环境感知传感器一般是摄像头，将摄像头安装在车辆前方。控制单元是车道保持辅助系统的大脑中枢，对信息采集单元传送的信息进行处理，当检测到自车偏离原车道趋势时控制单元会向执行单元发出警告命令，当检测到自车行驶路线已经偏离原车道时控制单元会向执行单元发出介入干预的命令，将自车拉回原车道行驶。执行单元是车道保持辅助系统中最终采取措施的部分，执行单元接收到控制单元发出的命令，当接收到警告命令时，执行单元通过发出蜂鸣声、方向盘震动、驾驶员座椅震动等方式向驾驶员发出车道线偏离报警。当接收到LKA系统介入干预车辆行驶的命令时，执行单元通过转向系统自动纠正行驶方向，使车辆回归原车道行驶。车道保持辅助系统的工作原理车道保持辅助系统是在车辆前方安装摄像头，通过摄像头实时获取车道信息，将获取的车道信息和自车位置信息发送给控制单元。控制单元通过获取的信息确定自车位置，通过车道线识别技术和特定算法，分析出车辆行驶路线是否有发生偏离原道路的趋势，或者已经发生偏离并将命令发送给执行单元。当有偏离趋势时，执行单元收到命令发出警告，警示驾驶员。如驾驶员仍然没有采取措施，自车已经发生偏离，执行单元会执行回正操作，调整方向盘角度使车辆回归原车道行驶；发生偏离时如驾驶员开启转向灯则LKA系统不会介入干预，系统认为是驾驶员正在转向；如驾驶员没有开启转向灯，在LKA系统介入干预时驾驶员操作方向盘仍可以强行变道。

图4.1车道保持辅助系统工作流程车道保持辅助系统的应用实例

一汽大众车道保持辅助系统工作需要满足车速达到65km/h且车道线清晰的情况下方可开启。系统开启时可在多功能显示屏设置中选择此功能如图4.4所示，此时仪表盘中显示在车道标识的指示灯转为绿色、信息显示栏中的车道线变亮。图4.4一汽大众汽车多功能显示屏图4.5

LKA系统关闭并报警感谢ThankYou任务4.2车道线检测应用实践任务导入任务导入车道线检测主要应用于自动驾驶，可以实现车辆横向运动的主动安全功能和控制功能。车道线检测可以确定当前车辆与车道的位置关系，在车辆偏离车道时，系统不仅可以通过声音、触觉等方式来提醒驾驶员，并且主动控制方向盘，纠正车辆的横向位置，将车辆纠偏回车道内，从而避免横向的碰撞或其他风险。本次实训将采用传统的方法实现车道线检测，重点介绍核心技术。车道线检测技术的相关知识常见的车道线检测的方法大致可以分为三类：传统方法利用传统图像处理技术从摄像机拍摄的图像中提取车道线特征。传统图像处理与深度学习相结合的方法深度学习提取的特征信息不能直接使用，采用传统图像处理的方式对直线特征点进行聚类与拟合。端到端的深度学习的方法直接从输入图像中学习到车道线特征，无需复杂的预处理、手工特征提取和后处理，并结合车道线的各种几何先验知识，设计损失函数监督网络训练，提高车道线检测的鲁棒性和准确性。这节我们主要介绍如何用简单的传统方法实现车道线检测项目，详细阐述了传统车道线检测的流程并对霍夫变换的思想及Canny边缘检测流程进行了概述。车道线检测的原理车道线检测可以理解为边缘检测，传统的边缘检测算法本质上就是一种滤波算法。图像滤波的作用就是在尽量保留图像细节特征的条件下对目标图像的噪声进行抑制，其处理效果的好坏将直接影响到后续图像处理和分析的有效性和可靠性。边缘检测主要应用于一些数据信息的处理，提取想要的目标，剔除一些不相关的干扰及无用信息，通过更少的数据信息量获取更多关注的信息。Canny算子的认知Canny边缘检测算法是JohnF.Canny于1986年开发出来的一个多级边缘检测算法，此算法被很多人认为是边缘检测的最优算法，相对其他边缘检测算法来说其识别图像边缘的准确度要高很多，Canny算子具有以下特性：低错误率：标识出尽可能多的实际边缘，同时尽可能的减少噪声产生的误报；高定位性：标识出的边缘要与图像中的实际边缘尽可能接近；最小响应：图像中的边缘只能标识一次。Canny检测的步骤如下。1．对原始图像进行灰度化2．高斯滤波3．计算图像梯度4．非极大值抑制5．使用上下阀值来检测边缘霍夫变换的认知霍夫变换（Hough）是一种特征检测，被广泛应用在图像分析、计算机视觉以及数位影像处理。经典的霍夫变换是检测图片中的直线，也能够识别其他形状，例如圆形、椭圆形。任务实施——搭建车道线检测实训环境任务清单：完成Python+PyCharm环境配置方法。完成OpenCV库和NumPy库的安装。在项目二中已经讲解在Windows系统下，Python+PyCharm环境配置方法以及OpenCV库的安装，在项目三中也讲解了NumPy库的安装，这里不过多赘述。任务实施——车道线检测任务清单：Canny边缘检测手动分割路面区域霍夫变换得到车道线获取车道线并叠加到原始图像中4.2.6

Canny边缘检测首先思考一下边缘是什么？边缘就是灰度值变化较大的的像素点的集合。一道黑边，一道白边中间就是边缘。我们需要做的就是把图像灰度化处理后变化最大的保留下来，除去其他的，这样可以剔除掉一大部分的点。4.2.6

Canny边缘检测4.2.6

Canny边缘检测Canny边缘检测部分代码前后对比如图4.8所示：4.2.7手动分割路面区域以原始的图片建立直角坐标系，指定三角形的3个顶点，保留三角形区域中的边缘线条，去除其他多余的线条。手动分割路面区域部分代码前后对比如图4.9所示。4.2.8霍夫变换得到车道线霍夫变换的作用就是检测图片中的直线。霍夫变换处理部分代码前后对比如图4.10所示。4.2.9获取车道线并叠加到原始图像中这一步是将彩色图像与我们上一步绘制的车道线图像进行比例的融合。