针对目前泊车辅助系统中的车位线辨识问题，创建了基于360deg;全景俯视图像的全自动车位线检测与辨识模型，考虑到光照对图像处理结果的影响，先对图像展开了预处理，然后使用一种基于中值的自适应Canny边缘检测技术，并通过Hough转换，再行根据车位线特征的先验科学知识对Hough转换结果展开容许和优化，构建了车位线的辨识。同时对实际收集到的图像展开检验，结果识别率超过94.2%，证明了该方法的有效性和鲁棒性。

　　近年来随着对泊车辅助系统市场需求的快速增长，明确提出了多种车位定位的方法，这些方法大体可分成4类：基于用户界面的、基于设施的、基于空闲位的和基于车位线的方法。与其他方法比起，基于车位线的方法有以下优势：(1)可以与基于用户界面的方法融合用于来增加由于司机反复操作者带给的不便，而这是基于用户界面方法的主要缺失。

(2)不同于基于空闲位的方法，它能更加精确地定位停车位，因为其定位过程不依赖邻接汽车的停放在姿势而仅依赖车位线。(3)它也可以有效地应用于弯曲车位的情况。由于传感器的局限性，运用超声波传感器基于空闲位的方法在弯曲车位的情况下不会过热。

(4)与应用于双目或者运动声波的基于空闲位的方法比起，它一般来说花费少量时间。(5)它不必须额外的传感器，例如立体摄像头、扫瞄激光雷达或者短波雷达，而是运用后视摄像头。　　基于车位线的方法可以分成半自动和全自动的方法。与全自动的方法比起，半自动的方法有可能产生更加可信的结果，而且花费较少的计算资源，因为它有来自人的额外信息。

Jung等人明确提出了一种方法，这种方法必须司机在实停车位内标记一个点，然后利用方向梯度来展开辨识。实验检验这种方法只限于一种类型的车位。为解决此缺失，明确提出了另外一种方法，可以辨识各种类型的车位，但必须用户更好的因应。这种方法必须用户输出车位两端点的初始方位，包含了车位的入口。

基于这些初始方位，使用人工神经网络和遗传算法展开车位的辨识。　　另外，全自动的方法也获得了发展。XU等人明确提出了一种基于颜色拆分技术的的方法辨识车位线，这种方法不能辨识红色车位线，而且基于颜色信息的方法早已被证明对光照变化是脆弱的。

Tanaka等人明确提出了一种对边缘片段运用RANSAC检测一组直线来辨识车位线。由于这种方法高度依赖直线检测，其性能不会因为部分污损而上升。Jung等人明确提出的方法将各种类型的车位线模型化作一种分层树结构，基于这种结构已完成自动识别。

　　但是，以上明确提出的方法都牵涉到到阈值，所以都会不存在图像处理领域一个广泛的问题，即阈值设置过低，最重要信息就有可能被遗漏;阈值设置过较低，阻碍信息又不会被看的最重要，因此一个限于于所有图像的普适阈值无法得出，所以针对以上问题，本文使用了自适应的思想，还包括自适应直方图均衡化、自适应二值化、自适应Canny边缘检测，以符合应用于的必须，实验证明这些算法都是有效地的。　　本文明确提出的方法可分成以下几个过程：对汽车前、后、左、右4个摄像头收集到的图像展开修复构成全景图像;图像预处理，还包括直方图均衡化，二值化以及形态学处置;Canny边缘检测以及Hough转换，然后在参数空间中利用车位线特征的先验信息对结果展开优化，最后得出结论辨识结果。

明确算法流程如图1右图。　　1图像预处理　　通过安装在汽车车身前、后、左、右的4个鱼眼摄像头，同时收集车辆四周的影像，经过鱼眼图像矫正，俯视转换和拼凑后，构成一幅车辆4周的360deg;全景俯视图，如图2右图。

　　由此获得的原图像不可避免地会受到光照、噪声等的影响，因为前期处置的质量直接影响到后期辨识的效果，所以为避免图像中牵涉到的信息，完全恢复简单的现实信息，强化有关信息的可检测性和最大限度地修改数据，从而改良特征提取、图像拆分、给定和辨识的可靠性，必须对图像展开预处理，主要分成以下几个步骤。　　1.1自适应直方图均衡化　　首先将原彩色转化成为灰度图像，考虑到光照影响造成灰度产于失衡，必须对灰度图像展开直方图均衡化。直方图均衡化的基本思想是对完整图像中的像素不作某种同构转换，使转换后的图像灰度概率密度是均匀分布的，即转换后图像是一幅灰度级均匀分布的图像，这意味著图像灰度的动态范围获得了减少，从而可提升图像的对比度。

但是传统的直方图均衡化中灰度变换函数运算与像素所处的方位牵涉到，这种全局性处置的算法，具备算法非常简单、计算速度慢等优点，但由于其对所有像素点都做到某种程度的处置，忽视了图像的局部特征，这就造成经过直方图平衡的图像将遗失简单信息，给图像的去噪处置及边缘检测带给损失。因此本文使用对比度有限自适应直方图平衡法(CLAHE)，通过容许局部直方图的高度来容许局部对比度的强化幅度，从而容许噪声的缩放及局部对比度的过强化。如图3右图为分别对原灰度图像展开直方图均衡化和CLAHE后的效果，可以看见CLAHE的效果显著高于传统的直方图平衡效果。

　　1.2自适应二值化　　对图像展开直方图均衡化处置后，为便于后期处置，必须对图像展开拆分操作者，达到目标和背景分离出来的目的。图像拆分的关键是挑选合理的阈值，阈值挑选的合理与否直接影响到感兴趣信息的萃取。这里使用局部自适应阈值，它是根据像素邻域块的像素值产于来确认该像素方位上的二值化阈值。

这样做到的优点在于，每个像素方位处的二值化阈值不是相同恒定的，而是由其周围邻域像素的产于来要求的。亮度较高图像区域的二值化阈值一般来说不会较高，而亮度较低的图像区域的二值化阈值则不会相适应地变大。有所不同亮度、对比度、纹理的局部图像区域将不会享有比较不应的局部二值化阈值。

图4表明了使用该方法后的结果。

本文来源：乐鱼平台官网首页入口下载-www.perchwire.com