水平亮度微分在车道线检测中的使用

车道线检测是自动驾驶及辅助驾驶中的关键部分。文章介绍一种快速车道线检测方法,该算法通过将原始RGB图像转换至亮度图像,通过水平亮度微分及透视变换找出车道线左右边缘,得到车道线中央坐标,根据Hough变换找出其中平行线段,分段进行直线段连接。实验表明此算法可以快速检测出车道线并具有很好的健壮性。     

基于计算机视觉的车道线检测与识别

该文基于计算机视觉基础,设计了一种车道线的检测与识别技术,通过汽车搭载的前置摄像头获取道路前方包含车道线等信息的实时画面,并对画面进行预处理、形态学运算、Canny边缘检测、累计概率Hough变换等一系列转换,得到正确的车道线信息。实验结果表明,该方法可以有效快速地检测和识别出正确车道线,满足了汽车无人驾驶系统的响应时间需求,在汽车无人驾驶的开发过程中有一定的现实研究意义。     

夜间环境下的道路图像增强及车道线检测

车道线的自动检测技术是车辆实现自动驾驶的关键,而夜晚条件下的复杂环境给车道线检测带来很大的困难,是目前该技术研究的难点。这里提出一种图像增强算法,将高斯高通滤波器与高帽滤波结合对道路图像做增强处理,用以解决夜晚条件下低照度非均匀光照道路图像带来的不良影响。高斯高通滤波器调整图像中的非均匀光照,高帽滤波增强车道线边缘并通过图像灰度变换提升车道线与背景的对比度;然后使用分块阈值分割算法对道路图像进行阈值分割,使用基于斜率约束的Hough变换检测图像中的直线,并进行筛选拟合出车道线。     

一种基于单目视觉的车道偏离检测与预警方法

提出了一种基于单目视觉的车道偏离检测及预警方法.首先通过图像边缘检测、Hough变换以及最短距离加权最小二乘法等步骤求取消失点,然后利用消失点的特性,结合扇形投影法进行道路边界线检测并对车道线进行快速提取,进而获取车道路面信息,最后将车辆当前位置信息与车道路面信息结合起来建立车道偏离预警模型,一旦车辆偏离预定车道即发出预警,从而实现车辆偏离车道的实时监测和预警.实验表明,该方法能够满足结构化道路环境车道偏离检测的要求/是一种有效、可靠的车道偏移检测与预警方法.     

面向复杂道路环境的车道线快速检测方法

车道线检测时容易受到路面环境的干扰、检测准确度与实时性不易保证。为此,提出了基于稀疏网格和动态特征窗口(DFW)的车道线检测方法。首先在道路区域建立了稀疏网格区域,然后提取了网格上的车道线灰度信息,大幅度排除了冗余像素。利用车道线的方向特性,提出了对称性六向梯度边缘检测方法,进而采用椭圆膨胀元素建立了车道线DFW。利用车道线方向和长度的显著特征,提取了车道线特征边缘并对其进行了Hough直线拟合。在多样性的道路环境中进行了算法测试,讨论了不同分辨率图像的车道线检测耗时。试验表明:提出的算法简单、快速,可以有效排除各类路面干扰像素,能够鲁棒、准识别多种路面环境中的车道线。     

一种基于逆透视变换的车道线检测方法

该文基于逆透视变换技术提出了一种车道线检测方法。将道路图像映射为逆透视图,用二维高斯滤波器对图像进行滤波,然后进行阈值处理;用Hough变换提取车道线的线条曲线,利用三阶Bezier样条曲线拟合算法进行直线拟合,获得车道线的检测结果。实验表明,该方法在图像较清晰的情况下,检测近距离的车道线获得了较好的效果,适用于平坦路面下的白色和黄色等车道线检测。     

直线道路识别实用性的优化分析

为了提高车道识别的实时性与鲁棒性,提出了一种车道识别优化方法。通过建立强鲁棒性的车道模型,对传统的道路图像边缘算法优化处理:图像预处理中充分考虑实用性,采用了加权平均法实现灰度化、中值滤波法降噪处理以及自适应Otsu法二值化分割图像、Canny算法实现边缘检测;基于模型利用极角极径法提取图像的感兴趣区域,改进Hough算法实现有效车道线的识别。最后实验证明,通过与传统方法比较,该算法极大提高了车道识别的效率并且增强了可靠性。     

基于数学形态学和MATLAB的车道线边缘检测方法

针对道路图像中的车道线边缘检测问题,提出了利用数学形态学和MATLAB进行车道线边缘检测,讨论了对其中出现的灰度图像转化、图像预处理、二值化图像、边缘检测等问题进行处理的关键方法,给出了基于数学形态学和MATLAB的车道线边缘检测方法。实验结果有效地显示和验证了此方法的高效性。     

基于OpenCV图像处理的车道线识别研究

近年来,智能驾驶技术成为国内外学者研究的热门,车道线识别技术作为智能驾驶领域的一项关键技术,需要准确地识别出各种条件下的车道线。本文设计了一种基于OpenCV图像处理的车道线识别算法,该算法首先将图像进行色彩空间转换,然后利用大津法（OTSU）和Canny算子对图像进行分割,设计掩膜找出图像中的感兴趣区域,采用渐近概率式Hough变换对直线车道线进行检测,拟合直线绘制出车道线,最后借助OpenCV平台对算法进行实现,结果表明该算法对直线车道线识别具有很好的效果。     

结构化道路中车道线的单目视觉检测方法

车道线实时检测是智能车辆视觉导航系统中的重要研究内容.提出了一种基于单目视觉的车道线实时检测方法.首先用Canny边缘检测方法对给定图像进行边缘检测.然后提出一种基于方向优先级的车道线搜索方法,分别对左右车道独立完成搜索,在增强车道线特征的同时削弱其他边缘特征.接下来用霍夫变换计算每条线段的直线度,过滤具有复杂纹理的边缘.最后利用图像的亮度信息及其变换识别出车道线.对提出方法进行了实验验证,结果显示提出方法定位准确,在PIII 933 MHz的CPU上的处理速度平均达每秒13帧,能够满足车辆驾驶的安全性和实时性要求.     

基于期望横摆角速度的视觉导航智能车辆横向控制

针对采用传统位置偏差控制方法的车道保持系统横向控制精度不高以及鲁棒性差等问题,提出一种跟踪期望横摆角速度的车辆横向控制方法。在车辆当前行驶位置和道路预瞄点之间实时规划逼近目标路径的虚拟路径,同时分析当前时刻车辆以无偏差形式沿此虚拟路径行驶时决定车辆行驶位置的横摆角速度及速度之间的关系。结合车辆道路相对位置及车身状态信息,设计期望横摆角速度生成器。基于7自由度非线性车辆动力学模型,设计滑模控制器跟踪期望横摆角速度,使得车辆稳定地跟踪目标路径。根据车道线宽度和边缘点数量统计进行边缘检测,能有效识别模糊车道边缘和抑制噪声,并通过对消失点的检测来有效去除非车道线的干扰。仿真及试验结果表明,与传统的位置偏差控制方法相比,期望横摆角速度法不仅能提高车辆横向控制的精确性且跟随偏差随车辆速度及道路曲率的变化波动范围小,具有很好的鲁棒性和自适应性。     

应用方向可调滤波器的车道线识别方法

考虑车道线的方向特性,提出一种应用方向可调滤波器的图像预处理方法。在对图像中的车道线方向特性进行分析的基础上,对图像进行分区处理,在每个区域内使用符合该区车道线方向的方向可调滤波器。在车道线初始检测阶段,利用边缘分布函数(Edge distribution function, EDF)确定车道线方向;在车道线跟踪阶段,则把上一轮检测结果作为方向可调滤波器的方向角输入。对比分析表明,该方法能够更加有效地强化车道线信息,去除图像噪声。经过多种工况下的试验验证,应用方向可调滤波器的车道线识别方法能够稳定地对车道线进行识别,准确地提取车道线参数,并且算法实时性很高。     

基于计算机视觉的道路标志线车载检测系统与算法设计

提出一种在结构化道路情况下的道路标志线检测系统。选择中值滤波、Sobel算子和最大熵分割算法对道路图像进行预处理。选用2D的直线模型,采用增强型Hough变换从预处理后的图像中获取道路几何特征参数,最终检测出道路边界。建立粗略和精细的感兴趣区域提高道路标志线识别的可靠性和实时性。试验结果表明本算法可靠、有效,户外试验中具有很好的鲁棒性。     

基于机器视觉的车道偏离报警系统研究

介绍了一种基于机器视觉的车道偏离报警系统。对基于机器视觉的车道偏离报警系统中基于CPCI总线的硬件架构进行了描述,研究了基于机器视觉的车道线实时检测问题,并提出了一种切实有效的车道线检测算法。     

采用快速路面重建的车道和障碍物检测新方法

对从二维图像平面中重建真实空间实际路面进行了研究，提出了实际路面快速重建算法，明显降低了其计算复杂度并保证重建的准确性。基于快速路面重建，本文提出了车道检测、障碍物检测方法给出了相应的道路参数估计。实验系统仅需要一台摄像机获取路景图像，新方法能自适应地修正摄像机参数，在斜坡路面情况时也能有效地给出车道检测和障碍物检测结果。     

基于点集优化和干扰点模糊化的车道线识别

提出了一种抗干扰车道线识别方法，通过对车道线点集的优化，能够去除道路上行驶的其他车辆造成的干扰。优化过程主要包括点集元素的预挑选、干扰点的去除以及有效点的补充。在干扰点去除的过程中，针对车辆边界很难精确定位的问题，对干扰点集进行了模糊化处理，引入隶属度函数对点集中元素的干扰程度进行描述。多工况试验证明，车道线识别方法能够稳定地对车道线进行识别，准确地提取车道线参数，并且算法体现出了对车辆干扰的良好抵抗能力。