1. 研究目的与意义
1. 研究背景
随着科技的不断发展，无人驾驶技术已不再是遥不可及的技术，这项技术理念也已经渐渐普及到我们的生活中。无人驾驶技术是汽车行业未来重要的发现趋势，当然在这研发过程中还存在着许多问题需要迫切解决，所以无人驾驶技术是一个值得深入研究的课题，其中尤为重要的是研究无人驾驶道路检测技术，这也是保障无人驾驶的关键。在行驶过程中，如果不能正确检测车道两边的实识状况将会影响驾驶安全。也正是因为这项技术需要很高的精确性和准确性所以成本也很高，很难在这社会上大面积使用。
无人驾驶技术和高级驾驶辅助系统功能实现都离不开道路检测技术。道路检测技术是通过相机、激光雷达等传感器获取车辆周边的环境信息，确定道路区域，为车辆提供局部导航信息的技术。只有实现对道路图像的正确处理，才能保证无人车的行驶安全。在对道路图像处理的过程中，需要用到各种图像处理算法。通过这些算法，可以实现对道路环境的正确感知，并作出及时处理。除了人们安全意识的提高、道路环境的改善外，新技术的应用也对降低
2. 研究内容与预期目标
1. 研究内容
本课题主要研究无人驾驶汽车通过图像对周边环境进行检测。无人驾驶汽车依靠人工智能、视觉计算、雷达、监控装置和定位系统协同合作，让电脑可以在没有任何人类主动的操作下，自动安全地操作机动车辆。无人驾驶技术的实现离不开道路检测技术。道路检测就是在汽车行驶时通过前方的摄像头采集图片，通过OpenCV对图片进行处理，标出车道线然后作为汽车自动驾驶时的安全行驶范围。主要内容将通过道路图像预处理算法：通过视觉系统采取道路图像；道路图像边缘检测算法：通过OpenCV自带函数实现边缘检测；道路检测与识别算法：使用Hough变换检测图像的车道线。
3. 研究方法与步骤
1. 研究方法
基于OpenCV的道路车道检测。 采用了边缘检测法先检测出绘图图像的边缘，再hough直线拟合，拟合出图中的直线。根据栅格扫描的方式进行逐行扫秒，把得到的交点，和道路中间的灰度小块进行块匹配，因为道路的分道线和道路的颜色是不一样的，根据块匹配区分该点是在分道线上还是在道路上，统计得到中心点左右两侧最匹配的两条直线，作为检测到的道路车道。
通过深度学习进行图像的道路检测，使用已有的TuSimple数据集对图像进行处理。深度学习在自动提取图像的显著特征方面性能比较优秀。TuSimple数据集在对图像检测是不会将图片中所有车道检测出来而是检测主干道及其两侧的车道并通过不同的颜色来区分。
4. 参考文献
[1] 赵超易. 基于机器视觉的无人车道路检测算法研究[D].海南大学,2021.
[2] 陆良波. 基于机器视觉的道路检测技术研究[D].武汉理工大学,2019.
[3] 赵丽君. 基于深度学习的无人驾驶道路车辆检测与分类研究[D].中南林业科技大学,2020.
5. 工作计划
[1] 2022.01.05 —— 2022.01.10 查阅资料，熟悉课题，撰写开题报告
[2] 2022.01.11 —— 2022.01.20 概要设计
[3] 2022.01.21 —— 2022.02.05详细设计
