1.一种高速护栏跟踪方法，其特征在于：包括以下步骤：S1：获取道路图像数据，所述道路图像数据包含高速道路和护栏的图像；

S2：对采集的图像进行预处理，并对图像进行逆透视变换；

S3：对于预处理后的图像数据，采用可操纵滤波器建立图像中的护栏模型，所述可操纵滤波器能够分离且能够定位各种车道标记取向；

S4：采用迭代加权最小二乘法去除干扰线段拟合护栏，获得护栏相关参数用于护栏跟踪；

S5：采用卡尔曼滤波跟踪护栏模型，对高速护栏进行跟踪。

2.根据权利要求1所述的高速护栏跟踪方法，其特征在于：在步骤S2中，对图像的预处理包括：

S21：将图像灰度化，采用以下公式将RGB图像转化为灰度图像：Gray＝0.3R+0.59G+0.11B             (1)S22：对图像采取形态学梯度操作，将团块的边缘突出出来；

所述逆透视变换包括将图像经过一系列旋转和平移转换，整体变换公式如下：其中R，T分别为数据由世界坐标系转为摄像机坐标系的旋转和平移矩阵，F为相机焦距， 和 表示：x方向和y方向的每单位长度包含的像素个数；u0、v0分别表示图像的中心像素坐标和图像原点像素坐标之间相差的横向和纵向像素数。

3.根据权利要求2所述的高速护栏跟踪方法，其特征在于：在步骤S3中所述的采用可操纵滤波器建立护栏模型包括：

S31：采用公式(3)对逆透视后的高速场景图构建护栏模型，式中Xl表示左侧护栏的参数模型，Xr表示右侧护栏的参数模型，tanθ为护栏的斜率，φ为护栏内的横向距离，W为护栏宽度，为曲率，θ为车道角度；

S32：利用霍夫变换求解图像中的斜率tanθ；

S33：采用二维高斯滤波求解曲率 可操纵滤波器能够分离且能够定位各种车道标记取向，采用公式(4)、(5)、(6)定向高斯滤波器的二阶导数来构造：其中Gxx、Gyy和Gxy分别对应于x，y和x‑y方向上的二阶导数，分别求解出 而由于护栏是防止高速行驶的车偏离车道的保障，所以其曲率应该更接近于 以此来限制高速车道中车的横向距离。

4.根据权利要求3所述的高速护栏跟踪方法，其特征在于：在步骤S5中，使用卡尔曼滤波跟踪护栏的位置、护栏宽度和护栏曲率与斜率参数，系统的线性动态模型公式如下：gk＝Agk‑1+Buk‑1+sk‑1                (7)yk＝Hgk+ok                        (8)T

Pk＝APk‑1A+Q                     (9)T T ‑1

Kk＝PkH(HPkH+R)                (10)其中：

T

Buk‑1＝[0 ΦΔt 0 0]            (16)其中，tanθ为护栏的斜率，φ为护栏内的横向距离，为曲率，W为护栏宽度，v为车速，Φ为智能车车轮的转向角，sk‑1状态噪声，ok为观测噪声，Q为状态噪声协方差，R为观测噪声协方差；

公式(7)表示卡尔曼滤波方程中的状态变量gk，其使用护栏位置、斜率、曲率来估计护栏下一时刻的状态，其中Buk‑1为智能车的车轮转向角；

公式(8)表示卡尔曼滤波方程中的观测变量yk，其用护栏内的横向距离、护栏宽度和斜率的观测值来对系统状态变量进行校正；

公式(9)为卡尔曼滤波方程中的误差协方差Pk；

公式(10)表示卡尔曼滤波方程中的卡尔曼增益Kk，其用作护栏状态值和护栏观测值之间的权重，从而构成护栏位置、斜率、曲率的最优估计值 即公式(11)；

公式(12)表示卡尔曼滤波方程中的误差协方差更新值 其为下一时刻估计护栏位置的参数做准备。

5.根据权利要求4所述的高速护栏跟踪方法，其特征在于：在步骤S1中，采用的摄像机为微光相机或者光学相机。

6.根据权利要求5所述的高速护栏跟踪方法，其特征在于：在步骤S1中，采用摄像机获取道路图像数据，摄像机位置为固定视频采集，并安装在智能汽车的车顶中间位置，安装位置距离地面1‑1.5米，摄像广角大于110度，分辨率大于640*480，以每秒钟30帧的速率采集车辆前方的图像。