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。     

基于特征颜色的车道线检测算法

研究自动车驾驶车道优化识别特征颜色边缘,针对不同颜色车道线检测,精度算法不完善.为了提高准确性,提出一种基于特征颜色边缘检测算法.根据道路图像不同物体颜色特征,按特征颜色设计转移函数来标记原图像中的特征颜色区域,再对选取的特征颜色区域进行边缘检测并输出二值化,进行识别过程,对结果进行边缘细化操作得到最终的检测结果.和其它特征颜色的边缘检测算法对比表明,改进的算法在边缘识别上,提高了定位的准确度和精细度,实时性地满足自动驾驶系统的要求,对自动车辆车道线检测有实际参考意义.     

基于OpenCv的车道标识线检测识别算法的研究

由于路面结构、光照变化、阴影等因素的影响,传统的道路标识线的识别算法常常会出现道路标识线识别不准确的现象。针对这种情况,提出基于Open Cv的车道标识线检测识别算法。算法首先先对原始图像进行平滑处理和中值滤波处理,去除周围环境的影响,再使用canny算子进行边缘检测,得到车道标识线基本轮廓,最后再进行图像的二值化分割和Hough变换得到车道标识线参数。实验结果表明,该方法通过一系列的变换和处理后,能够消除路面结构、光照变化、阴影等的影响,清晰准确地识别出道路标识线,具有很好的准确性、鲁棒性和可靠性。     

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。     

基于直线模型的车道线实时检测方法

为提高车道线检测的精度和实时性,提出了一种基于直线模型的实时车道线检测方法.采用改进的Sobel算子进行边缘检测,利用自适应双阈值的方法进行图像的二值化.对基于Hough变换的车道线检测方法进行了改进,令识别视觉效果大大提升.并利用Kalman滤波器来动态确定感兴趣小窗口的大小和位置,实现后续帧道路图像的跟踪.实验结果表明,该方法准确性高,具有较好的实时性和鲁棒性.     

一种新的车道线快速识别算法

针对现有的的车道线识别算法在复杂环境下识别率低、鲁棒性和实时性较差的问题,提出了一种基于形态学多结构元素建模的车道线快速识别算法。该算法首先对车道图像进行感兴趣区域提取,通过Canny算子对感兴趣区域进行边缘检测,然后利用具有车道模型特征的多结构元素进行车道线提取、霍夫变换,以及峰值检测点参数的筛选,从而得到实际车道左右标识线的参数以重建原车道线。仿真实验表明,该算法能在多种复杂环境下快速、准确地识别出车道标识线,且鲁棒性高。     

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。     

车道偏离预警中车道线实时视频图像识别仿真

传统车道线图像识别与现实路况差异较大,提出了一种车道线实时视频图像识别方法.方法 对车道线图片进行逆透视转变,采用改进的Sobel算子对最近车道线边缘进行检测.在此基础上利用自适应双阈值对检测到的图像做二值化处理,增强图像信息.使用改进Hough变换算法减少拍摄图像与实际路况的差异,完成车道线实时视频图像识别.仿真结果证明,研究方法可以在不同道路环境中实现车道线视频图像准确识别,运行时间短、效率高.     

一种阴影及破损车道线识别方法研究

为了满足车道线识别算法在车道线存在阴影遮挡、破损及污迹覆盖情况下的适应能力,提出了一种新的、有效的识别算法。将原始道路图像灰度化后,采用中值滤波去除图像采集过程中引入的噪声。利用对称局部阈值分割算法对去噪后车道线进行特征提取;并将提取结果与经典分割算法进行对比分析。基于提取出的车道线特征点的分布规律,提出应用改进的RANSAC算法进行车道线识别。分别对在普通公路和高速公路上所采集的视频图像进行实验测试,结果表明,当车道线严重破损、完全被阴影遮挡以及被大面积污迹覆盖的情况,识别算法都能准确地将其识别。     

面向复杂城市交通场景的一种实时车道线检测方法

车道线检测是智能交通监控及自动驾驶的基础步骤,为提高其鲁棒性和实时性,针对复杂城市交通场景中自动驾驶需要检测车道线的需求,提出了一种实时车道线检测算法,首先运用改进灰度化变换突显车道线的特征,并通过改进的Gabor滤波算法增强车道线的边缘信息;最后采用多约束霍夫变换筛选得到平行车道线从而实现实时车道线检测。实验表明,该方法在三种不同真实的交通道路场景下,提高了车道线检测精度及处理速度,可应用于实时车道线检测系统。     

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。     

一种快速的公交专用车道检测方法

为了提高车道线检测的准确性和实时性,提出了一种快速准确的车道线检测方法。首先根据道路的纹理特征求出道路的消失点,再采用改进的Hough变换检测出车道线,结合车道线的一些特征以及摄像头的参数,在不影响测量结果的情况下缩小检测空间,快速准确地检测道路的车道线,并结合BRT车道(快速公交车道)的一些特征识别车辆所在车道是否为BRT车道,从而实现对BRT车道内前方车辆的监督。将代码移植到DM6437平台,实验结果表明,该方法具备较好的实时性和鲁棒性。     

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%。     

基于小波变换和K-means的非结构化道路检测

道路检测是智能交通视觉系统的一个重要组成部分,为提高复杂环境下非结构化道路检测的实时性、准确性和鲁棒性,提出一种新的道路检测方法。该方法利用高斯金字塔对图像进行降采样,压缩图像数据信息,对图像进行双边滤波,抑制噪声,采用基于小波变换求模极大值的方法对滤波后的图像提取边缘,通过阈值法去除非道路边缘点,给出基于斜率和截距的K-means聚类算法,实现道路方程拟合。实验结果表明,与传统最小二乘法相比,该方法能在道路场景较为复杂的情况下更准确地实现非结构化道路检测,并提高实时性。     

一种车道线检测与跟踪方法

为了得到较为理想的车道标识线边缘图像,便于更好地对车道标识线进行识别,采用小波方法实现对车道线的边缘检测,并进行边缘连接。利用Hough变换得到车道标识线参数,并采用Kalman滤波方法实现对车道标识线的实时跟踪。实验结果表明,该方法具有很好的可靠性、鲁棒性和实时性,为解决汽车智能驾驶提供了保障。     

基于密集分割网络的车道线检测方法

传统车道线检测算法大多数依赖手工制作特征和启发式算法的组合,容易受车辆遮挡和地面污损等因素的影响。针对影响车道线检测的复杂问题,将车道线检测视为连续细长区域实例分割问题,提出了一种基于密集分割网络的车道线检测方法。为此,使用稠密块构建了一个密集分割网络DSNet,该网络能够利用特征重复使用的特性提高提取车道线实例特征和恢复特征图分辨率的性能。同时,还引入了邻近AND运算和Meanshift聚类算法对DSNet网络的输出进行处理,减小了非车道线像素的影响,使得检测结果的边界线更为清晰。实验表明,本文方法能很好地解决车辆遮挡和地面污损问题,并且还能确定车道线的数量,具有较好的鲁棒性和实时性。     

热红外与可见光视频融合的运动目标检测

在室外环境中,可见光相机可以获取场景中丰富的纹理细节和光谱信息,但受光照变化的影响很大;而热红外相机对光照变化不敏感,但热红外成像对比度低、颜色信息缺失。为了充分利用两者的互补信息,实现运动目标的精确检测,同时提高检测的鲁棒性,提出了一种应用RGBT混合高斯模型的目标检测方法。该方法将热红外图像作为第4个分量加入到传统的混合高斯模型中,提高了算法的正检率;还引入了阴影去除算法,增强了算法的鲁棒性。实验表明,该方法比传统的混合高斯模型检测精度更高,目标更完整,同时也能较好地满足实时性的要求。