基于实例分割的车道线检测及自适应拟合算法

车道线检测是智能驾驶系统的重要组成部分。传统车道线检测方法高度依赖手动选取特征,工作量大,在受到物体遮挡、光照变化和磨损等复杂场景的干扰时精度不高,因此设计一个鲁棒的检测算法面临着很大挑战。为了克服这些缺点,提出了一种基于深度学习实例分割方法的车道线检测模型。该模型基于改进的Mask R-CNN模型,首先利用实例分割模型对道路图像进行分割,提高车道特征信息的检测能力;然后使用聚类模型提取离散的车道线特征信息点;最后提出一种自适应拟合的方法,结合直线和多项式两种拟合方法对不同视野内的特征点进行拟合,生成最优车道线参数方程。实验结果表明,该方法提高了检测速度,在不同场景下都具有较好的检测精度,能够实现对各种复杂实际条件下的车道线信息的鲁棒提取。     

基于视觉传感器的车道检测算法

为了提高对环境的适应性,减少道路图像受光照、污渍的影响,提出一种基于视觉传感器的车道检测算法。首先分析光照污渍的影响,同时利用投影原理等先验知识改进区域生长法,接着分割图像并划分道路的边界区域,然后通过融合边缘检测数据得到准确的车道线特征点集合,车道检测中则采用Hough变换提取直线段来匹配道路直线模型。实验结果表明：该算法可以有效降低光照、污渍的干扰,提高了鲁棒性,准确率达97%。     

基于大规模船舶轨迹数据的航道边界提取方法

传统的道路数据获取方法成本高、更新慢等无法适用于海洋航道的获取，从众源轨迹数据中提取道路或航道信息具有成本低、更新快等特性，然而，由于船舶轨迹数据噪声多、数据量大、不同区域分布不均使得航道边界提取面临较大挑战。针对该问题，提出一种基于大规模船舶轨迹数据进行航道边界提取的方法。首先对大规模的船舶轨迹数据进行并行化去噪、插值、轨迹分段；然后，基于并行化及基于Geohash编码的空间聚类，将轨迹数据化简为多个方形区域的点集数据；其次，对其进行窗口划分，对传统的NiBlack方法进行扩展，提出SpatialNiBlack算法，对方形区域进行航道识别；最后，提出一种新的提取算法del-alpha-shape，基于航道识别结果获得航道边界。理论分析与实验结果表明，所提方法在最大密度值是200，最小密度值是10，窗口长和宽分别为5和5时，可同时达到86.7%的准确率和79.4%的召回率。实验结果表明，该方法可以从大规模的轨迹数据中提取有价值的航道边界，是一种有效的航道提取方法。     

移动机器人导航系统中的车道线检测方法及实现

针对室外移动机器人GPS与惯性导航不足之处,在GPS与惯性导航基础上,提出了采用视觉检测方法实时识别路面的车道线信息,对移动机器人进行辅助定位。在传统的Canny边缘检测算子基础上,提出了使用改进型小波阀值算法与Canny边缘检测算子进行融合处理,其基本原理是先使用改进型小波阀值算法,代替传统的高斯滤波器进行平滑和降噪处理,然后再使用Canny边缘检测算子提取边缘特征。最后使用matlab软件对采集到的路面视频信息进行处理,计算出移动机器人相对于路面车道线的偏转角度和偏离距离。实验发现12000帧图像中有仅有892帧图像检测失败,成功率达到92.6%,取得较好效果。为移动机器人的室外自主移动提供有力支撑。     

一种实时鲁棒的非结构化道路检测算法*

针对智能导航系统中的非结构化道路检测问题,提出一种分块分段混合高斯模型和B样条曲线模型相结合(block-segment Gaussian mixture and B-spline model,BSGMM_BS)的非结构化道路检测算法。该算法利用待处理图像的彩色信息对道路区域和非道路区域进行混合高斯建模,利用分块分段方法提取道路边界点,最后使用最小二乘法求解B样条曲线最优控制点,完成对道路双边界的拟合。实地测试和对比实验表明,该算法实时性好,对阴影、光照变化等影响具有较强的抗干扰性。     

基于改进Enet网络的车道线检测算法

针对实际驾驶环境中道路场景及车道线复杂多样的问题,提出一种基于改进Enet网络的车道线检测算法。首先,对Enet网络进行剪枝和卷积优化操作,并利用改进的Enet网络对车道线进行像素级图像语义分割,将车道线从图像中分离出来。然后,采用DBSCAN算法对分割结果进行聚类处理,将相邻车道线区分开来。最后,对车道线聚类结果进行自适应拟合,得到最终的车道线检测结果。该算法在香港中文大学的CULane数据集上进行了训练和测试,结果表明,其标准路面检测准确率达到96.3%,各种路面综合检测准确率为78.9%,图像帧处理速度为71.4fps,能够满足实际驾驶环境中的复杂路况和实时性需求。此外,该算法还在图森未来的TuSimple数据集和实采数据集LD-Data上进行了训练和测试,均取得了实时性的检测结果。     

缩微交通环境下的车道标识线检测

为了解决缩微交通环境下的车道标识线检测问题,提出了一种数学形态学与概率霍夫变换相结合的车道标识线检测方法。首先运用灰值腐蚀膨胀对道路图像进行滤光处理,去除光照影响,然后利用自适应阈值二值化图像,最后利用概率霍夫变换寻找车道标识线。实验结果表明,在缩微交通环境下该方法能够准确地检测出车道标识线,具有很强的鲁棒性。     

基于改进YOLOv3算法的公路车道线检测方法

针对YOLOv3算法在检测公路车道线时存在准确率低和漏检概率高的问题, 提出一种改进YOLOv3网络结构的公路车道线检测方法.该方法首先将图像划分为多个网格, 利用K-means++聚类算法, 根据公路车道线宽高固有特点, 确定目标先验框数量和对应宽高值; 其次根据聚类结果优化网络Anchor参数, 使训练网络在车道线检测方面具有一定的针对性; 最后将经过Darknet-53网络提取的特征进行拼接, 改进YOLOv3算法卷积层结构, 使用GPU进行多尺度训练得到最优的权重模型, 从而对图像中的车道线目标进行检测,并选取置信度最高的边界框进行标记.使用Caltech Lanes数据库中的图像信息进行对比试验, 实验结果表明, 改进的YOLOv3算法在公路车道线检测中平均准确率(Mean average precision, mAP)为95%, 检测速度可达50帧/s, 较YOLOv3原始算法mAP值提升了11%, 且明显高于其他车道线检测方法.     

高速公路弯道边界的识别与重建

分析了智能车辆安全辅助驾驶系统中弯道分道线的检测提取方法,提出一种基于道路区域分割的弯道检测新算法,包含道路区域分割和弯道边界检测。在分割出道路区域和天空区域并划定弯道检测的感兴趣区域后,提取分道线候选点,并对候选点进行校正,最终拟合并重建出弯道分道线,且准确判断了车道线弯曲方向。实验证明,该算法的实时性和准确性均高于在整幅图像中提取车道线的传统方法。     

基于车道线检测与图像拐点的道路能见度估计

为了解决传统的能见度仪价格昂贵、采样有限,以及现有的一些视频测量手段需人工标记物、稳定性差等问题,基于车道线检测与图像拐点提出一种通过固定摄像机识别雾天天气并计算道路能见度的算法。与以往研究不同,在交通模型增加了均质雾天因素。该算法主要分为三步：首先,计算场景活动图,利用区域搜索算法（ASA）结合纹理特征提取待识别区域,如果在待识别区域内像素自顶向下以双曲线形式变化则判断当前天气为雾天,同时计算区域内图像亮度曲线的拐点;其次,基于可伸缩窗算法检测车道线,提取车道线端点并标定摄像机;最后,结合图像拐点以及摄像机参数计算大气消光系数,根据国际气象组织给出的能见度定义计算能见度。通过三种场景下的能见度检测,实验结果表明,该算法与人眼观测效果一致,准确率高于86%,检测误差在20m以内,鲁棒性好。     

基于机器学习的车道线检测系统仿真与优化

真实的道路行驶环境是复杂多变的,会对车辆识别算法造成较大干扰。为准确识别车道线,提高车道线检测算法的实时性和鲁棒性,进行了多方面的改进。首先对采集到的图像进行预处理,包括图像灰度化、45°sobel算子边缘检测和二值化处理等,获得高质量图片。其次采用改进的Hough变换进行车道线识别和优化,提高检测结果的准确性,促进检测有序进行。最后通过最小二乘法对结果进一步优化,以期得出更加精确的车道线。实验结果表明:改进后的算法可以较为准确的识别车道线,具有较强的实时性、鲁棒性和准确率。     

基于混沌粒子群的车道线检测算法

为解决在恶劣天气、光照条件变化和路面信息干扰等情况下的车道线检测识别率低的问题,提出一种采用核Fisher线性判别分析灰度变换以及混沌粒子群的车道线检测算法。将高维的RGB彩色图像通过最佳鉴别投影向量投影到低维的子空间,通过混沌粒子群算法,根据车道线特征,遍历粒子取值范围内的空间,寻找适应度函数最大的解,根据最优解获得的直线参数在图像上拟合车道线。实验结果表明,所提算法能够实现各种道路情况下的车道线检测功能,验证了该算法具有良好的鲁棒性。     

Road Detection and Tracking from Aerial Desert Imagery

We present a fast, robust road detection and tracking algorithm for aerial images taken from an Unmanned Aerial Vehicle. A histogram-based adaptive threshold algorithm is used to detect possible road regions in an image. A probabilistic hough transform based line segment detection combined with a clustering method is implemented to further extract the road. The proposed algorithm has been extensively tested on desert images obtained using an Unmanned Aerial Vehicle. Our results indicate that we are able to successfully and accurately detect roads in 96% of the images. We experimentally validated our algorithm on over a thousand aerial images obtained using our UAV. These images consist of straight and curved roads in various conditions with significant changes in lighting and intensity. We have also developed a road-tracking algorithm that searches a local rectangular area in successive images. Initial results are presented that shows the efficacy and the robustness of this algorithm. Using this road tracking algorithm we are able to further improve the road detection and achieve a 98% accuracy.     

基于改进的Hough变换和K-mean聚类的RANSAC车道线检测方法

针对车道线检测中特征点匹配方法存在实时性不高和精度低的问题,本文首先提出了基于消失点改进的Hough变换提取特征线,剔除了干扰线,提高的计算量;然后对特征数据集采用 K-means 聚类和RANSAC拟合算法,首先利用 K-means 聚类对改进的Hough变换提取的特征点进行预处理,剔除了孤立的特征点,接着匹配Catmull-Rom 样条曲线进行RANSAC拟合,相当于二次优化,实现了车道线的快速和精确配准。通过实验表明,该算法不仅提高了车道线识别的精确度,而且具有很好的鲁棒性。     

车道流量自动统计及被占用对通行的影响

车流量检测是智能交通监控系统的重要组成部分. 提出一种基于灰度阈值的车流量检测算法,利用该算法对一条三车道道路上同一横断面相邻车道发生交通事故时,另一条未发生交通事故车道的车流量进行了统计,并对不同的未发生交通事故车道（内车道和外车道）的车流量的差异进行了t检验. 结果表明,利用该算法统计的车道的车流量准确率达95%以上,说明该算法是可行有效的;当相邻车道发生交通事故时,不同的未发生交通事故车道（内车道和外车道）的通行能力有显著差异.     

基于双曲线模型的车道识别与偏离预警

针对车道识别与偏离预警算法在准确性、可靠性和计算效率方面存在的问题,提出一种基于双曲线模型的车道识别与偏离预警算法。首先,在图像预处理基础上通过特征点搜索筛选道路边缘点,采用双曲线构建道路模型,利用最小二乘原理拟合道路参数,再根据拟合车道线及邻近点信息构建车道置信度函数,将置信度大于设定阈值的车道线作为最终检测结果;然后,根据相邻帧车道线连续变化的特点,在前帧拟合道路线附近使用粒子滤波算法进行道路边缘点筛选、拟合以及置信度计算,实现对车道线的跟踪;最后,在图像坐标系中建立时空联合预警模型,对车道偏离行为进行预警。在PC平台上进行的算法实现与道路实验结果表明:所提方法在一般路况下,具有92%的车道识别和偏离识别正确率和40ms/帧的平均处理速度,满足车道偏离预警应用要求。     

基于改进SIS算法和LSD的车道线检测方法研究

为了降低车道线识别算法在车道线存在阴影遮挡、路面出现泛白现象等不同道路环境下的误检率,提出了一种基于改进简单图像统计(SIS)阈值算法和直线段检测(LSD)的车道线检测算法。首先,在图像预处理阶段采用改进的SIS阈值算法进行二值化。然后采用直线段检测(LSD)算法检测直线,通过平行线对来估计消失点位置并利用消失点去除干扰。最后,利用车道线连续性和车道间距确定车道线感兴趣区并精确确定车道线位置。分别采用加州理工学院的车道数据集和实际采集的城市道路、高速公路的视频对所提出方法进行了实验验证,实验结果表明,该算法误检率低,鲁棒性高,能在复杂环境下快速、准确识别车道线。     

基于角点特征分析的车辆排队长度检测方法

针对交通堵塞造成的各种状况,通过视频分析实现实时高效的车辆排队长度检测,从而获取更多的交通信息改善交通状况.本文通过传统的FAST角点检测方法与运动检测的过程相结合得到改进后的FAST算法,使用改进后的FAST角点特征分析技术,不仅可以提取出当前交通道路上表征车辆存在的角点特征图,还可以获取角点位置的运动状态.通过对交通监控下的视频进行预处理后,单一车道内处于静态的角点特征形成车辆排队,并进行PCA处理得到一维向量,最后对一维向量进行形态学处理来检测单一车道内的车辆排队长度.实验表明,本方法检测精度平均98%,满足应用于实际场景.     

基于级联霍夫变换的车道线快速检测算法

车道线检测是智能辅助驾驶算法中的核心算法之一。为了解决基于传统霍夫变换的车道线检测算法检测效率低下等问题,提出一种基于级联霍夫变换的快速车道线检测算法。该算法首先对视频帧进行ROI选取、滤波、边缘检测、非极大值抑制等预处理,然后使用基于平行坐标系的映射将原始图像转换到参数空间,完成点到线、线到点的映射,接着再使用一次映射,最终实现点到点、线到线的映射,以此快速提取车道线消失点,并根据消失点位置扫描实际车道线,实现车道线的提取。该算法在点的映射过程中,坐标值始终是线性变换,克服了传统霍夫变换在映射过程时需对每一个点进行极坐标转换的缺点,计算更简单,运算效率更高。仿真实验表明,文中提出的改进算法比传统霍夫变换运算速度提高了31%,准确率提高了6.2%,检测效果有明显提高,可广泛应用于智能辅助驾驶中。     

结合形态学的结构化车道线快速识别算法

为解决结构化车道线识别算法中存在的约束条件多,计算过于复杂等问题,提出一种基于形态学的车道线快速识别算法. 该算法首先对道路图像进行中值滤波,Sobel算子增强边缘,利用直方图特征分割图像,然后划分感兴趣区域,接着构造具有车道特征的形态学结构元素去提取车道线,最后概率霍夫变换拟合车道线. 实验对比结果表明,针对结构化道路,该算法简单有效,计算量小,具有良好的实时性.