基于机器视觉的车道线精确检测算法

车道线检测是车辆智能驾驶系统的重要组成部分.针对传统的车道线检测方法精度低、实时性能差的问题,提出一种基于机器视觉的车道线精确检测算法.该算法采用车道内侧边缘线代表车道线,具体包括预处理和车道线提取两个步骤:预处理部分包括灰度化、Sobel边缘检测、ROI设定、二值化,最终得到车道线部分的二值图像;车道线提取部分包括图像切片、改进的Hough直线检测、DBSCAN直线聚类以及直线拟合,最终得到精确的车道边缘线信息.最后将算法应用于各种场景下的路况测试,实验结果表明:该算法的平均准确率为94.9％,平均处理时长为25.6 ms/f,具有很好的实时性和鲁棒性.     

基于嵌入式的车辆偏离预警系统研究

以嵌入式系统为平台对车辆驶离车道的预警进行研究.在采用改进的Hough变换对道路图像标识线识别的基础上,利用透视投影原理,完成车辆位置信息的重建,确定车辆在车道中的横向距离和横向偏转角,建立基于横向距离和横向速度的车辆偏离预警算法.车辆行驶实验表明,该算法能够对偏离车道的车辆给以准确的报警,并且充分考虑车辆的速度以及偏转角度对车辆偏离车道过程的影响.     

车道线实时检测与偏离预警系统设计与研究

为保证交通安全,设计了一种基于单目视觉的车道偏离检测系统,利用 车载前视摄像 头获取图像,实时对动态图像进行处理,在驾驶员非主观偏离车道时进行报警。首先研 究了图像预处 理技术,包括灰度化、截取有效区域、滤波去噪、图像灰度增强、边缘检测和边缘修复功能 。其次对预处 理后的图像进行车道线检测,为有效识别具有车道线特征的图像,提出了一种改进的Hough 变换算法;对 没有车道线特征或车道线特征不明显的图像,采用了动态检测方法。在此基础上,提出 了一种车道线 纠正算法,即四点标定逆透视变换,将车道图像转化为俯视图,建立图像坐标系与实际俯视 坐标系之间的 关系,得到实际车辆的位置和偏移角度,判断该车辆的情况并作出指示。最后,在实际道路 中对设计中关 键技术以及整个系统进行了实验,大量实验结果表明,本文系统能在多种环境的道路中实现 车道线的准确识别和偏移判断,具有良好的实时性和鲁棒性。     

车道偏离预警算法研究

本文主要对车道偏离预警算法进行一定的研究。在介绍算法基本流程的基础上,主要阐述了图像预处理、车道识别、偏离预警三个实现步骤。实验表明,该方法能够正确分析车道中的位置信息,当车辆偏离车道时及时给予报警。     

一种自动路标检测与识别模型设计与实现

自动路标识别是车辆智能驾驶与自动导航系统中的重要部分,它能够辅助驾驶员更加安全地驾驶车辆。文中设计的基于颜色和形状的混合检测模型和基于模板匹配算法的识别模型,能够有效检测出各种复杂情况下的路标,同时完成对路标的实时识别。经过实验统计,路标检测分割的准确率不低于83%,识别准确率不低于90%,且检测与识别模型具有很好的鲁棒性。     

基于视觉的车道状态估计

车道状态估计是车辆辅助驾驶系统的关键功能。本文提出了一种基于教育处机视觉的车道状态估计新方法。提出了车道标线在图像平面中的一种描述,讨论了其性质,并应用于车道的检测。利用真实世界中车辆在二维图像平面中的透视特征,提出了基于二值有序变换（BROT）的障碍物检测新方法。由于采用单目视觉方法检测前方车辆以控制车辆的横向偏离和纵向间距,降低了系统的复杂度,实验结果显示了新方法的有效性。     

车道线信息的全面理解及偏离预警算法

为全面理解车道线信息,提出了一种车道线检测分类跟踪及偏离预警算法。首先利用动态感兴趣区域约束Canny算子的检测范围,基于扩展的Otsu算法改进Canny算子的阈值设定方式,并通过Hough变换进行车道线边缘拟合;然后依据车道线的颜色及线型特征进行分类,同时借助Kalman滤波器实时跟踪车道线,对检测失效区域采用Kalman滤波器的预测值进行替换;最后设定有效的偏离预警策略,确保行驶的安全性。实验结果表明,算法能全面地理解车道线信息并进行跟踪,同时具备对危险行驶状态下的车辆进行预警的能力。     

面向嵌入式平台的车道线检测方法

车道线检测在自动驾驶和高级辅助驾驶中起着举足轻重的作用,然而,传统的车道线检测技术鲁棒性较差,而大多数基于深度学习的方法复杂度又较高,难以在嵌入式平台实时应用。提出一种面向嵌入式平台的轻量级车道线检测网络,将车道线检测转化为语义分割问题,该网络借鉴U-Net与Segnet网络结构,使用了小尺度卷积等轻量化组件设计计算高效的语义分割网络。在检测车道线的基础上,计算车辆距离两侧车道线的距离,以及车道线的曲率,同时当车辆偏离车道线或检测出现异常时进行预警,最后将整个系统移植到海思平台。实验结果表明:该系统具有较高的检测精度以及检测速度,准确率达到97.5%,速度达到50 FPS,满足实时性要求,因此该系统能够用于面向嵌入式平台的实时车道线的检测、测距、曲率计算以及预警。     

基于改进逆透视变换的车道线检测算法

针对智能车辆在不同环境条件下识别道路车道线出现偏移的问题,提出了一种基于改进逆透视变换的车道线检测算法.首先利用HSL和Lab融合模型提取车道线颜色特征,经过二值化处理后利用透视变换将图像转换为鸟瞰图,然后根据二值图建立直方图,进行车道线位置的粗定位.最终通过滑动窗口算法以及直线拟合等处理,实现对车道线的精准识别.通过实验结果对比分析,提出的车道线检测算法能够解决车道线识别偏移问题.     

基于改进高斯模型的车流量检测算法

提出了一种基于改进单高斯模型的车辆检测与流量统计算法,该算法采用改进的单高斯模型对移动目标进行检测,然后选用HSV颜色空间抑制阴影,提高了目标提取的准确率,最后,按车道分别设置相应的虚拟区域,以实现车流量的统计工作.为验证算法的有效性,在标准测试视频上进行了对比实验,实验结果表明,该算法能够快速地提取车辆目标,且具有较高的车辆识别率,有一定的实用价值.     

基于RGB彩色通道的结构化道路车道线检测

车道线检测是车辆智能辅助系统的重要组成部分,为提高检测准确性,文中采用一种基于RGB颜色特征的车道线检测方法。根据车道线颜色特征设计转移函数标记图像中的车道线区域,并应用基于形态学的边缘检测算法提取车道线边缘,最终检测出车道线。文中算法原理简单,在车道线边缘识别上,具有较高的准确度,对自动车辆车道线检测有一定的意义。     

结合Hough变换与运动估计的车道线提取方法

车道线识别是安全辅助驾驶和智能驾驶系统的核心研究内容,对控制危险驾驶和疲劳驾驶均有显著的作用,通常利用Hough变换对直线检测的容错性和鲁棒性,可以对车载摄像头拍摄到的车道线进行有效的检出.巧妙地将分块Hough变换和图像块的运动估计相结合,极大地降低了车道线检测和跟踪的算法复杂度,实现了车道线的实时识别与跟踪.实验表明,采用该方法既可以得到稳定的检测结果,又能提高检测的速度,保留了Hough变换的容错性和鲁棒性.     

基于LQR算法的车道保持控制策略

介绍一种基于LQR算法的车道保持控制方法。采用TLC与DLC联合预警模型结合驾驶员意图识别对车辆当前的行驶状态进行判断并在偏离时做出报警,当驾驶员未做出反应时车道保持系统对转向系统的输出转角值进行转向控制,帮助驾驶员纠正车辆偏离动作,在Carsim/Simulink环境下进行仿真,对比不同车速下横/航向偏差量与输出方向盘转角关系,结合车辆偏离预警算法实车测试,对该控制策略的可行性进行验证。结果表明,该控制策略的实时性和鲁棒性较好,具有实用价值。     

基于车底阴影的车前障碍物检测

基于计算机视觉的道路车辆检测是智能车辆导航的核心问题,实时准确地检测前方运动车辆的位置信息是车辆安全驾驶的前提。文中采用车底阴影的前方运动车辆检测算法,在基于车道线检测的基础上,通过车底阴影检测,实时准确地检测前方车辆。该算法通过使用Otsu阈值分割提取出车道线,生成AOI区域,再进行两次自适应阈值分割提取车底与路面的交线,从而检测出前方运动车辆。经过在高速公路上对运动车辆检测实验证明,该算法基本满足车辆安全驾驶的需求,并能准确实时地检测出前方运动车辆,进而减少了交通事故的发生。     

Autoregressive State Prediction Model Based on Hidden Markov and the Application

Considering the inaccuracies of the traditional Hidden Markov Model (HHM) in the dynamic processes that are close relatively related before and after characterization, an autoregressive state prediction model based on Hidden Markov with Autoregressive model and the coefficient of AR is proposed, which takes the coefficient of AR as the observations of the continuous HHM. Taking the recognition and prediction of heavy vehicle driving states as the research object, a two-layer HMM model is set up to describe the state of the whole steering process of the vehicle. The AR model is for the features extracting of the observations in a short period of time, and the coefficient of AR is extracted as the observed sequence of the lower HMM model library. The upper HMM is used to identify and predict the overall state of the vehicle during steering. The proposed model makes the state sequence with the highest probability on-line predicted in the observed sequence by the Viterbi algorithm, and calculates the state transition law to predict the state of the vehicle in a certain period of time in the future using the Markov prediction algorithm. Combining the double lane change and hook steering to train the parameters of the model, the online identification and prediction of heavy vehicle rollover states can be achieved. The results show that the proposed model can accurately identify the driving state of the vehicle with good real-time performance, and the good prediction on the trend of heavy vehicle driving conditions is verified.     

基于边界特征的车道标识线检测方法

车道标识线的准确检测是实现车辆自动导航和车辆安全辅助驾驶的首要问题,为了得到较理想的车道的标线边缘,利用车道的边缘特征对车道图像进行二值化和形态学处理,对车道区域实现准确的边缘检测,最后利用Hough变换定位出车道标识线,完成对车道标识线的识别。实验表明,该方法能实现对复杂环境下车道标识线的准确识别,具有较好的鲁棒性和可靠性。     

Moment-based multi-lane detection and tracking

Lane-detection methods are still facing robustness issues when confronted with challenging road surfaces, road markings and illumination conditions. Such combined challenges occur infrequently but are crucial for driving safety. Although advanced learning-based methods (using deep learning) demonstrate an impressive performance, they rely on plenty of training images for varying scenes and their performance is limited for scenes not covered by the training data. Also, multi-lane detection is indispensable for determining the exact position of both ego-car and surrounding vehicles as well as lane changing behavior on the road. In this paper we propose a new multi-lane detection algorithm, detecting all visible lane boundaries in front of the ego-car. In contrast to the Hough transforms often used for lane boundaries detection, our approach uses moments to calculate the deflection angles and the centroids of lane segments, achieving more precise lane boundaries. We propose a novel algorithm based on moments and Kalman filtering to achieve lane tracking. State-of-the-art neural-network-based methods are compared with the proposed method concretely. Experimental results show that our method outperforms other (recently published) multi-lane detection algorithms regarding detection rate as well as accuracy.