基于北斗高精度定位的车道保持系统的制作方法

本实用新型属于北斗定位领域，具体涉及一种基于北斗高精度定位的车道保持系统。

背景技术：

北斗卫星导航系统(BeiDou Navigation Satellite System，BDS)，该系统由空间段、地面段和用户段三部分组成，可在全球范围内全天候、全天时为各类用户提供高精度、高可靠定位、导航、授时服务，并具短报文通信能力，已经初步具备区域导航、定位和授时能力，定位精度10米，测速精度0.2米/秒，授时精度10纳秒。

在车道识别方法上有如下几种方法：基于机器学习的车道路径识别方法，但其识别的可靠性不高；连通区域搜索和道路边界霍夫检测相结合的方法，然而其采用的阈值处理方法较为简单，在复杂路面环境下难以得到理想的识别效果；基于车道线宽度的动态图像阈值获取方法，该方法能够对识别阈值进行适应性调整以得到适应各种环境的识别阈值，但仅在车道线清晰且无破损时效果较好，也存在着很大的局限性。

在车道跟踪方法上有如下几种方法：导航参数提取方法，该方法有效减小了图像数据处理量，但提取的控制参数难以适应道路曲率的变化；还有一种利用预瞄跟踪控制器方法，能够实时获取适应道路曲率变化的控制参数，但道路曲率的计算数据处理量较大，不利于提高实时性；还有提出基于运动学控制器的输出作为动态控制器的输入方法，但缺乏控制信息的输出和反馈。

从现有研究成果看，车道保持技术的关键和难点在于兼顾实时性和可靠性。一方面，两者具有一定的矛盾，即获取高可靠性需要增加数据计算量，因此可能导致实时性下降；而获取实时性则又要严格控制计算量，从而一定程度上不利于可靠性的提高；另一方面，它们也具有相辅相成的一面，即局部区域内的高可靠性能够有效排除干扰，减小后续数据计算量，利于整体实时性的提高，而整体上的高实时性有效降低了数据计算量，从而为保证局部的可靠性赢得时间。

技术实现要素：

本实用新型要解决的技术问题是：提供一种基于北斗高精度定位的车道保持系统，无需后台服务器和无线网络带宽，成本低。

本实用新型为解决上述技术问题所采取的技术方案为：一种基于北斗高精度定位的车道保持系统，其特征在于：它包括安装在车辆中的车辆运行状态信息采集模块、BDS接收端、上位机、下位机和终端监视系统；其中车辆运行状态信息采集模块和BDS接收端的输出端分别与上位机连接，上位机通过CAN总线与下位机连接，上位机通过网络与终端监视系统连接。

按上述方案，所述的车辆运行状态信息采集模块包括数字摄像头，数字摄像头设置在车辆的前挡玻璃下方，数字摄像头的镜头朝向车辆的正前方。

按上述方案，所述的车辆运行状态信息采集模块包括速度传感器和方向盘转向传感器。

按上述方案，所述的下位机与执行机构连接，执行机构包括加速踏板、刹车踏板和方向盘。

按上述方案，所述的终端监视系统为车载多媒体系统或移动终端。

本实用新型的有益效果为：本实用新型装置直接安装在车内，无需后台服务器和无线网络带宽，成本低，也不需要后期支付数据流量费用，并且只与本车的终端监视系统进行连接，私密性强。

附图说明

图1为本实用新型一实施例的结构示意图。

图2为本实用新型一实施例的方法流程图。

图3为各分区车道候选区域预测示意图。

具体实施方式

下面结合具体实例和附图对本实用新型做进一步说明。

本实用新型提供一种基于北斗高精度定位的车道保持系统，如图1所示，它包括安装在车辆中的车辆运行状态信息采集模块、BDS接收端、上位机、下位机和终端监视系统；其中车辆运行状态信息采集模块和BDS接收端的输出端分别与上位机连接，上位机通过CAN总线与下位机连接，上位机通过网络与终端监视系统连接。

进一步的，所述的车辆运行状态信息采集模块包括数字摄像头，数字摄像头设置在车辆的前挡玻璃下方，数字摄像头的镜头朝向车辆的正前方。

进一步的，所述的车辆运行状态信息采集模块包括速度传感器和方向盘转向传感器。

进一步的，所述的下位机与执行机构连接，执行机构包括加速踏板、刹车踏板和方向盘。

进一步的，所述的终端监视系统为车载多媒体系统或移动终端。所述的终端监视系统与上位机通信的网络可以为有线或无线的局域网。

BDS接收端从北斗卫星接收地图和道路信息时，本车自带有上一次使用后留在行车计算机中的地图和道路信息，在下一次使用的时候，BDS接收端会从北斗卫星上下载更新地图和道路信息，需要更新的信息会自动更新，不需要更新的信息则会继续保留原样。这样会减少更新内容的负担。

利用上述基于北斗高精度定位的车道保持系统实现的车道保持方法，如图2所示，它包括以下步骤：

S1、接收车辆的位置信息、地图和道路信息后，将车辆的位置信息加入到地图当中，在地图上确定当前车辆的具体位置；

S2、车道识别：

将获得的车辆前端的图像，进行分区域阈值二值化和线性滤波，然后进行基于车道图像的宽度提取，得到车道线特征信息；

S3、车辆跟踪：

利用车辆跟踪算法，不断的根据上一帧图像得到的车道线特征信息，在下一帧图像中提取车道线；

S4、对车辆发出控制指令，控制车辆的车道保持。

二值化就是使图像上每个像素点的灰度值设置为0或1。一般来说，灰度图像共有256个灰度级，二值图像只有两个级别，灰度大于或相等于阈值的像素被断定为属于特定物体，用1表示其灰度值，否则排除这些像素点在物体区域以外，用0代表其灰度值，表示这些像素点作为背景或者例外的物体区域。

二值化思路：用二维数组的形式来代表从摄像头采集到的图像，设置合适阈值，从上至下对数组中的每一列，比较阈值和每个像素点的灰度值的大小。若像素点灰度值大于或相等于阈值，将该像素点的灰度值置为1，即该点颜色为白色；若该点灰度值小于阈值，把该像素点的灰度值设置为0，即该点颜色为黑色。首次和末次出现像素点灰度值小于阈值之际，分别记录下两次像素点对应的纵坐标值，然后求出两个坐标值的均值，并作为目标指引线的纵坐标。二值图像一般是用来描述对比度较强的文字或者图形，其优点是占用空间少，缺点是当表示风景、人物等复杂图像时细节不突出。

道路边缘检测：道路边缘检测的实质是对图像中道路和其所在的背景二者之间的分界处的信息进行采集。一般根据图像灰度分布的梯度信息就能表现出灰度的变化，所以边缘检测算子就可以利用局部图像技术来获得。在多种边缘检测的方法中，最为经典的方法是直接对采集到的图像中的像素进行研究，通过构造某一个极小的邻域而得出边缘检测算子，如微分算子。其中最基本的是微分算子，其实现边缘检测算法主要是根据图像边缘的极值的一阶导数和过零点的二阶导数，并通过卷积运算完成，计算简单快速。常用的提取轮廓线的算法中Prewitt属于一阶微分算子，Canny则为二阶微分算子。

Prewitt算子是一种用于边缘检测的一阶微分算子，利用像素点上下、左右邻点的灰度差，在边缘处达到极值检测边缘，去掉部分伪边缘，对噪声具有平滑作用。其原理是在图像空间利用两个方向模板与图像进行邻域卷积来完成的，这两个方向模板一个检测水平边缘，一个检测垂直边缘。

二阶微分算子对噪声敏感，由于Canny算子能够反映边缘方向的相关信息，它的处理效果远远好于拉普拉斯等其它二阶微分算子，所以本实用新型采用二阶微分算子中的Canny算子的使用方法。关于边缘检测原理如下：噪声滤波器选择的是二维高斯函数在任一方向上的一阶方向导数，利用其与图像f(x,y)的卷积计算的结果进行滤波工作，最后图像边缘的确定就是在滤波后的图像中寻找梯度的局部极大值。

Canny算子在边缘检测方面是最优化，进行图像的边缘检测的具体方法与详细过程如下：

(1)噪声的去除：主要利用高斯滤波器来平滑图像实现噪声的去除。

(2)图像亮度梯度的寻找：由于图像边缘所指定方向的不确定性，所以利用的算法需要使用个用于垂直、水平以及对角线的方向边缘检测，并且需要在每个点的极大值处和生成的边缘方向上进行相关标注，由此便能通过由原始图像生成的每个点的亮度梯度图及其方向信息，计算出滤波后图像梯度的方向与幅值。

(3)图像边缘的跟踪：在图像梯度幅值中，为了获得部分极大值点，抑制图像梯度幅值的非极大值，并把图像梯度中的这些极大值点强置为零就可以使边缘细化。

(4)边缘的连接：最后采用双阈值算法进行边缘的连接与检测。

线性滤波是一种简单直观、易于实现的平滑图像的方法，它用掩模确定的邻域内像素的平均灰度值去代替图像每个像素点的值，这种处理减小了图像灰度的“尖锐”变化。由于典型的随机噪声由灰度级的尖锐变化组成，因此，常见的平滑处理应用就是减噪。线性滤波去掉了与周围像素不相符的点，从而滤去图像的噪声点，对于去除高斯噪声以及其他类型的噪声都有很好的效果。一般来说，在M*N的图像f上，用m*n大小的滤波器掩模进行线性滤波的表达式如公式所示：

a＝(m-1)/2，b＝(n-1)/2，x＝0,1,2,…，M-1和y＝0,1,2,…，N-1。w为过滤的掩模。f为过滤的图像矩阵。

道路区域提取目的是，从开始选取的道路点，即区域生长的种子，寻找周围相邻的所有道路特征点，然后在找出的道路特征点周围继续寻找相似的特征点，不断循环，直到找到所有道路区域中的点位置。区域生长算法中，种子选取的好坏非常重要，如果种子选取不好，区域生长不会提取出所有路面区域。为提高选取种子的正确率，在左右两侧感兴趣区域内分别选择一个道路像素点作为区域生长的种子。由于路面是比较暗的区域，所以路面的灰度值是小的，选取种子的算法表达式如公式所示。

m为感兴趣区域灰度均值；S1、S2为左右感兴趣区域内种子集合。种子较多时会增加运算时间，所以在中随机选取一定数量的种子作为道路区域生长的种子。种子选取结束后，在对上面公式得出的二值化图像图进行区域生长运算，即提取出周围所有相似的像素点，区域生长结果保存为道路。

根据上述已经提取出车道线区域，即道路区域。去除已经提取出的车道线区域，求出候选车道线区域。根据公式提取候选车道线区域的图像矩阵

跟踪算法主要是根据上步提取出的车道线特征信息，在下一帧图像中提取车道线。首先根据区域预测结果提取出识别区域范围。在道路图像中提取预测区域范围内的点，根据下面公式：

为第i+1帧图像中第j条车道线的预测区域的道路图像。f_i+1为第i+1帧道路图像矩阵，为识别出的第i+1帧图像中第j条车道线点集合。

提取出预测区域道路图像后，根据已知的车道线颜色信息对该区域进行车道线提取。提取公式如下：

为识别出的第i+1帧图像中第j条车道线点集合。t_color为预先设定的误差范围。

进一步的，所述的S2在车道识别时，先根据前一分区车道位置对待识别分区的车道候选区域进行预估，再在候选区域内分区域阈值二值化。各分区车道候选区域预测示意图，如图3所示，其中i分区中阴影区域为识别车道。为识别i+1分区车道，将i+1分区内一个矩形区域(加粗线条区域)作为该分区的车道候选区域。其纵向宽度为i+1分区的纵向宽度，根据车道位置等因素决定，横向宽度L_i+1为L_i+1＝E_Ri-E_Li+D_Li+D_Ri式，E_Li和E_Ri为i分区与i+1分区相交处i分区的车道线左右边缘点位置，在完成i分区识别后可以得到，D_Li、D_Ri确定了i+1分区车道线的候选区域大小，其取值应保证将i+1分区实际车道线包含在候选区域内，但取值过大会增大数据计算量，不利于实时性，实际操作中根据路面车道线横向宽度等确定。

用户可以通过终端监视系统查看车辆所在车道位置；本方法试验结果表明，提出的车道识别及跟踪控制方法同时保证车道识别及跟踪的可靠性和实时性，且稳定性较好；采用基于车道宽度滤波方法则能够得到良好的识别效果；系统不需要架设传统GPRS系统的服务器，没有服务器费用，没有服务器需要的INTERNET网络费用，没有服务器监控人员费用。

以上实施例仅用于说明本实用新型的设计思想和特点，其目的在于使本领域内的技术人员能够了解本实用新型的内容并据以实施，本实用新型的保护范围不限于上述实施例。所以，凡依据本实用新型所揭示的原理、设计思路所作的等同变化或修饰，均在本实用新型的保护范围之内。