基于多传感融合的车道线检测与跟踪方法的研究

车道线的有效检测与跟踪是智能车正确识别道路的前提。针对现有车道线检测与跟踪算法的效率不高的难题,提出一种基于视觉传感器和车道级高精度地图相融合的车道线检测与跟踪方法。该方法首先用改进的Hough变换提取边缘线段,其次基于滤波预测与更新车道线模型状态参数,最后结合高精度地图中车道线先验模型参数,跟踪车道线轨迹。现场实测结果表明,算法的实时性和鲁棒性满足算法性能评价体系的各项指标,较符合智能车对车道线检测的要求。     

强光照条件下车道标识线识别与跟踪方法

为了实现强光照条件下车道标识线的准确识别和跟踪,采用基于直方图锥形拉伸算法对原始图像进行处理,以提高图像整体对比度,利用SUSAN算法提取出处理后图像中的边缘,对边缘图像利用定向边界跟踪算法进行滤波,利用Hough变换提取出车道标识线参数完成对道路图像中的车道标识线的识别,最后采用建立梯形感兴趣区域来实现对车道标识线的实时跟踪.试验结果表明该方法具有较强的鲁棒性和较好的实时性.     

基于链码的道路导向标志检测研究

随着交通智能化和智能车技术的发展,智能车对道路目标的识别成为智能车辆研究的一个重点问题。文中首先对道路图像进行了二值化处理、空间域平滑处理和边缘检测,使道路中如道路边沿、道路标线、导向标志的大致区域得到了初步认定,然后分析了道路导向标志的影像、形状等特征,利用数学形态学方法进行了初步识别,最后研究了基于链码特性的道路导向标志目标检测算法,实现了导向标志目标的初步识别和检测。     

复杂光照下的缩微道路车道线检测方法

为了解决复杂光照下的缩微道路车道线检测问题,提出了一种适用于复杂光照下的缩微道路车道线检测方法。首先运用朴素贝叶斯对不同光照下的车道图像进行分类,然后对分类后的车道图像采取相应的图像处理方法,最后运用改进的大津法和改进概率霍夫变换来检测车道线。对多段不同光照模式下的车道图像进行的仿真实验表明,该方法对缩微道路车道线检测的成功率达到95.5%,具有很强的鲁棒性和抗干扰能力。     

一种基于帧间关联的实时车道线检测算法

为了更好地满足车道线检测的实时性和鲁棒性要求,提出一种基于帧间关联的车道线检测算法。根据道路图像的特征,将图像灰度化后,采用中值滤波去除图像采集过程中引入的噪声,再根据自适应阈值边缘提取检测算法,在提取过程中对原图像进行区域划分,利用改进的Hough变换得到车道候选线,建立动态的ROI,通过帧间关联方法实现对车道线模型的约束和更新。实验结果表明,基于帧间关联的车道线检测方法不仅降低了图像数据的运算量,缩减了算法的执行时间,而且 提高 了算法的鲁棒性。     

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%。     

智能车路径识别与控制性能提高方法研究及实现

为提高智能车路径识别的准确性、实时性和鲁棒性,采用"图像采集—图像处理"交叉执行的方式,同时在图像处理阶段采用跟踪边缘检测算法,并将模糊控制算法和PID算法进行整合。整体实验结果表明,智能车的速度提高了33.3%,准确率提高了35.7%。本研究中的智能车系统可发展应用于现代汽车的辅助驾驶系统,提高智能交通的安全性。     

嵌入式技术的智能车系统设计与实现研究

基于MC9S12XS128的智能车,通过对道路图像进行采集和处理,再利用算法控制策略、PID控制原理和PWM控制技术对智能车转向和速度进行控制,使小车能够自主行驶,通过使用CodeWarrior软件编程和BDM调试实现小车行驶控制。本文基于PID算法提出了改进的算法,经实物验证,所设计的智能车系统能有效循迹,保持在道路中间快速行驶,可以实现提前转弯,且系统具有较好的抗干扰能力。     

结构化道路上应用区域划分的车道线识别

针对多数研究中车道线检测的准确性和实时性难以有效平衡的问题,提出了一种应用区域划分的车道线识别方法。首先通过改进的大津(OTSU)算法提取边缘图像,再在所得边缘图像的基础上,利用改进的概率霍夫变换(PPHT)提取车道标识线上的特征点,并采用最小二乘法(LSM)对特征点点集进行直线拟合,最后通过提出的路面干扰线规避算法检测所有拟合得到的直线段并筛选可能的车道线。在实验方面,引入三种算法作为对比,并利用提出的准确性评价模型对500幅典型道路场景图中的车道线识别结果进行评估,同时统计在处理一段长为1 min 26 s的道路视频时每帧图像序列的平均耗时。实验结果表明所提算法的查准率、查全率、F量测值均优于对比算法,且达到实时处理的要求。     

一种适用于SAR图像的2维Otsu改进算法

Otsu法是图像阈值分割中的经典算法之一,在图像处理中得到广泛的应用。针对原始2维Otsu法直方图区域划分上的缺陷和运算速度慢的缺点,分析了适用于SAR图像相干斑乘性噪声的直方图区域划分方法,提出了一种更符合实际图像模型的阈值选取准则。实验结果表明,该改进算法的分割效果良好,运算速度也有很大提高。     

夜晚车辆异常事件分析

夜晚车道模型是车辆跟踪和车辆行为分析的基础,但是当高速公路或者城市道路光线较暗时,很难通过车道检测的方法来建立车道模型,夜晚车辆快速行驶或相邻帧车辆之间重叠度较低时无法实现准确跟踪。针对此类问题提出了一种基于学习的车道模型建立方法和基于多帧的最佳匹配跟踪方法。首先利用自动多阈值分割方法提取场景中光亮的目标;其次,利用车灯的相关特征移除非车灯光亮区域;接着,利用空间信息把车灯聚类成一个车辆目标,利用多帧的最佳匹配跟踪方法进行跟踪;最后利用车辆跟踪参数与车道模型的融合对夜晚车辆异常事件进行分析。实验结果表明,该算法能够准确地检测出夜晚车辆换道、逆向行驶、交通拥挤、停车等异常事件,并且有很强的鲁棒性。     

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。     

高速路的车道检测与车辆跟踪

基于智能交通的快速发展,研究了基于高速路的车道检测和车辆跟踪技术.对于多车道检测,根据路面与分道线灰度级相差较大的特点来实现车道路面的分割,接着结合直线方程和Catmull-Rom Spline插值算法来拟合分道线.对于单车道检测,首先基于HSV颜色空间和Sobel边缘提取方法对其进行有效分割,接着在透视变换空间中提取分道线坐标点并用二次多项式拟合分道线.针对车辆检测,使用Hog+Gentle-Adaboost分类算法实现无人车前方路面车辆的检测,接着基于车底阴影的特征对车底阴影进行检测以验证学习算法检测到的车辆区域的真伪性.针对车辆跟踪,采用动态二阶自回归模型的方法预测车辆的状态.其中,对于粒子滤波固有的粒子退化问题,引入Thompson_Taylor算法改善了粒子退化和低多样性的缺陷.本文的车道检测和车辆跟踪算法能较容易地移植在嵌入式平台,可靠性和准确性较高,且有助于进一步实现车道偏离报警和前向防撞系统.     

基于改进概率霍夫变换的车道线快速检测方法

车道线是行车安全的重要参考。为提高无人驾驶行车过程中车道线检测的准确性和实时性,提出一种基于改进概率霍夫变换的车道线快速检测方法。首先对获取的图像进行感兴趣区域提取,根据车道线颜色的特殊性,合理选取三色通道的比值对图片进行灰度化,为增强阈值处理的鲁棒性,采用大津二值化法对灰度图像进行二值化,由于Canny算子具有良好的定位边缘的能力,本次边缘提取算子选取为Canny。接着分别从车道线长度、角度、车体和车道宽度4个方面提出4点约束条件对该算法加以改进,剔除干扰线和伪车道线,最后通过线性回归法拟合出正确车道线。实验结果表明,该算法在快速检测车道线的同时保证了检测的准确率,并将实验结果与其他算法进行比较,证明了该算法的实时性和准确性优于其他算法。     

基于光流法的快速车道线识别算法研究

为提取无人驾驶车前方车道线信息,提出一种使用光流法的快速车道线识别算法。首先,根据连续视频帧之间的时间相关性,运用光流法检测车辆前方背景的相对移动。然后,利用车辆背景中特征点的移动方向和距离,对本帧图像中车道线的位置进行粗略定位,从而缩小本帧图像中车道线的检测区域,加速车道线识别算法。最后,通过对车道线像素点的处理,给出车道线类型信息。该算法提升了车道线检测算法的效率,降低了复合算子车道线检测算法的时间复杂度。在720*480像素下,算法实现了13.5Hz的处理速度,相较仅使用复合算子的处理算法提升了39.6%的处理速度,且算法检测效果良好。实车实验证明了算法的有效性和实时性。     

基于改进Hough变换的车道线检测技术

为提高车道线识别的实时性和可靠性,提出了一种基于改进Hough变换的车道线检测方法;在图像预处理时对不同光照图像进行分类处理,得到二值化图像;利用极角约束Hough变换进行车道线初始定位;根据前一帧图像信息使用基于动态ROI的Hough变换进行车道跟踪;算法加入了车道线检测失效判别模块,以提高检测的可靠性;由于该方法减少了图像空间中被投票的目标点数,缩小Hough变换的投票空间,在一定程度上提高了车道检测的实时性和稳定性;实验结果表明,在结构化道路上,对于不同的路况,算法均具有较好的实时性和鲁棒性。     

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。     

基于自适应虚拟线圈的多车道车流量检测算法

针对虚拟线圈检测算法在多车道车流量检测中存在误检或者漏检的问题,提出一种基于自适应虚拟线圈的车流量检测算法。根据图像二值化原理,对ViBe算法的前景检测部分进行二次判断,并改变背景更新机制,提出一种改进的ViBe算法,以达到快速消除鬼影的目的,更准确地完成前景目标提取。在道路上设置固定检测区域,根据运动目标在固定检测区域的运动轨迹来建立或者消除非固定虚拟线圈,再进一步使用虚拟线圈的车流量检测算法实现车流量统计。选择三个不同的场景4车道无车辆变道、2车道有车辆变道和3车道有车辆变道且环境突变进行实验,所提算法的车流量检测准确率比传统的虚拟线圈算法分别提高8.9、25和16.6个百分点,且所用时间相当。实验结果表明所提算法更适用于多车道的车流量检测。     

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.     

一种用于高速公路的快速有效的车道线识别算法

提出了一种针对高速公路的车道线检测与跟踪方法;在图像预处理中采用基于采样的自适应阈值以满足不同光照条件下的使用要求,采用霍夫变换(HT,Hough Transform)进行车道线初始检测,车道线跟踪利用Kalman预测参数动态建立感兴趣区域(ROI,Region of Interest),用扫描线法搜索车道线边界点,在车道线间断区域利用Kalman预测器定位车道线边界;设计了一个失效判别模块,验证跟踪结果,当跟踪失败时,重新启动初始检测算法进行识别;实验结果表明,对于不同的车道线种类和在大部分车道线被前方车辆遮挡的条件下,该算法均具有较高的实时性和鲁棒性。