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。     

基于RGB空间的车道线检测与辨识方法

提出一种利用颜色信息进行车道线检测并且能够分辨黄色或白色车道线的新方法。首先,找出图像中与路面颜色差异较大并且具有合理宽度的像素段;然后在RGB颜色空间利用先验信息对像素段的颜色进行辨识;再用辨识后的像素段分别估计出黄色或白色车道线的颜色分割阈值;最后利用获取的阈值对整幅图像进行车道线检测。实验结果表明,该方法能够在复杂背景环境或路面污染等干扰条件下较好地检测出车道线并能辨识出车道线颜色。本方法简单、有效,且具有一定的鲁棒性。     

基于OpenCV的车道线检测与识别

精准快速的车道线检测算法对自动驾驶有着至关重要的作用，提出一种基于OpenCV检测车道线。相机矫正对图像去畸变，通过HLS颜色空间的L通道提取白色车道线，利用OpenCV库的inRange函数设置高低阈值数组提取HLS空间道路图像的黄色车道线，合并黄白车道线图像；通过优化后的Canny算法检测车道线边缘两种方法结结合起来完成车道线检测。根据像素直方图动态选择滑动窗口方法检测车道线通过二次多项式进行车道线拟合。     

车道偏离预警系统中图像处理方法的研究与分析

为了提高基于机器视觉的车道偏离预警系统的可靠性和实用性,对系统中的多个环节进行了研究,将多种图像处理方法进行对比分析,总结各种算法的优缺点并进行适当的改进.最终选择了车道偏离预警系统中几种常用的图像处理方法做了详细测试与分析,使用这些图像处理方法对图像传感器采集的道路视频进行了车道线检测,并且对得到的结果进行比较和分析.经过实际测试,合理地使用这些算法能够保证识别的准确率在95％以上.     

基于行列解耦采样的轻量车道线检测模型

随着深度学习的发展,基于深度卷积神经网络的车道线检测模型在自动驾驶系统和高级辅助驾驶系统中得到了广泛的应用.这些模型虽然有较高的精度,但通常计算量大且运行速度慢.为了解决该问题,提出了一种车道线检测任务专用的轻量神经网络模型.首先,提出了一种行列解耦采样的卷积模块,该模块利用图像中车道线区域的行列可分解性对传统的残差卷积模块进行了合理的优化.其次,利用深度可分离卷积技术进一步降低行列解耦采样卷积模块的计算量.此外,还设计了一种金字塔空洞卷积模块来增加模型的感受野.在CULane数据集上的实验的结果表明,文中提出的轻量车道线检测模型与之前最好的SCNN模型相比,浮点计算量降低了95.2％,F1分数提高了1.0％,在保持较高精度的前提下显著降低了车道线检测模型的计算量.     

分段切换车道模型在车道线识别中的应用

车道线识别是实现汽车视觉导航技术的关键.在道路图像中,为了得到较理想的车道标识线,且不影响车道线识别的实时性,提出了一种分段切换车道模型.将车道线图像分成近视野和远视野两部分,对近视野区域使用直线模型匹配车道线,远视野区域则在直线模型和二次曲线模型之间切换.实验结果表明,所提方法在晴天、阴雨天、路面阴影严重等条件下,对车道线具有良好的拟合效果,能匹配各种形状道路,是一种可靠的车道检测方法.     

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.     

一种交通监控场景下的多车道检测方法

为自动有效地获取交通监控场景中的多车道信息,提出一种利用骨架化边缘的多车道检测算法,以克服视频处理对固定场景和明确的先验车道位置信息的依赖。算法主要针对静态的交通背景图处理,采用背景提取、滤波和数字形态学预处理等,由Hough变换确定车道位置的骨架线;由行车方向约束车道线角度,利用车道线几何成像特性检测出准车道线,获取车道线和车道区域。实验表明,对不同的交通场景和不同光照条件,该方法能有效检测多车道,鲁棒性强,具有较高的工程应用价值。     

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.     

手机ADAS:基于OpenCL的车道线检测应用评估

先进驾驶辅助系统(Advanced Driving Assistant System,ADAS)有利于提高驾驶安全性。如今,Open Computing Language(OpenCL)框架以及集成Graphics Processing Unit(GPU)手机的出现,使得在手机上高效运行ADAS应用成为可能。基于OpenCL框架实现了ADAS最典型的一个功能——车道线检测,并运行在三款手机上。通过比较该应用的检测准确度、帧处理速度、应用能效,根据实验结果手机设备非常适合运行基于视觉的ADAS应用。     

一种基于直线模型的车道线识别算法研究*

为了更好地满足车道标志线识别算法的实时性和鲁棒性要求,提出了一种新的、有效的车道标志线识别算法。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,应用方向可调滤波器进行边缘提取,在提取过程中对原图像进行感兴趣区域划分并采用边缘分布函数法确定方向可调滤波器的初始方向角。提出使用基于梯度加权的霍夫变换对车道标志线进行识别,通过建立梯形感兴趣区域的方法实现对车道标志线的实时跟踪,并对多段实地采集的视频进行实验测试。结果表明:基于方向可调滤波器与梯度加权的霍夫变换相结合的车道标志线识别方法,简化了对车道标志线信息特征参量的估计;不仅大大缩减了算法的执行时间,而且使算法的鲁棒性得到很大的提高。     

基于车辆跟踪线的车道检测算法

针对夜晚环境和车道标线不明确的情况,本文提出了全新的车道检测算法,利用道路上的车辆运行轨迹的有效统计来得到路面结果。实验结果显示此方法消减了环境因素的影响,并在现场检测中效果明显,适用于实时视频监控系统。     

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。     

直线模型下的车道线跟踪与车道偏离检测

为了解决规格化道路上车道线跟踪及车道偏离检测的问题,利用Kalman滤波器来动态确定感兴趣小窗口的大小和位置。首先,在小窗口内采用Hough变换方法进行车道线识别;同时,根据摄像机的成像几何性质,推导出车道偏离程度与道路图像中车道线斜率之间的函数关系,从而简化了摄像机标定过程。现场试验表明,完成一帧道路图像的预处理及车道线识别的所需时间小于30ms,车辆直行隋况下的车道偏离率相对测量误差小于5％,试验结果验证了该方法的实时性和正确性。     

基于车载视频的压线检测与车道偏移预警

车辆压线检测系统可对车辆运行过程中发生的压线行为进行检测并做出警告,避免由于司机注意不集中、疲劳驾驶、驾驶陋习等原因导致车辆偏移而造成交通事故。对此提出一种基于车载视频的压线检测与车道偏移预警方法。首先,利用合成数据方法构造丰富多样的压线检测数据集;然后,结合图像语义分割方法完成车道线检测;最后,利用当前车道双边线多个几何参数对车辆压线行为作出检测并做出预警。实验表明,单帧平均压线检测准确率为93. 7%,耗时78 ms,车道偏移预警召回率为93. 5%,该方法具备一定的实际应用价值。     

基于激光雷达回波信号的自适应阈值车道线检测

基于激光雷达的车道线检测目前使用最多的是基于雷达扫描点密度的检测方法,但它的抗干扰能力差.为此,本文利用激光雷达的回波脉冲宽度对于车道线与路面的区分度进行特征提取,提出一种特征提取方法,分两步进行——基于脉冲宽度动态阈值的种子点提取和基于高斯核加权搜索的区域生长.然后引入FCL(fuzzy C-means of line)算法识别车道线(以线为中心进行聚类),最后通过最小二乘法拟合车道线.通过实车在6个不同的道路场景下进行实验,都能够准确检测出车道线,同时具有较高的检测精度.     

机器视觉在车道标志线实时检测中的应用

研究了基于机器视觉的车道标志线实时检测问题.讨论了车道标志线的描述方法,详细论述了车道图像的检测算法,并对实验效果进行了讨论与分析.结果表明,该检测方法具有较好的实时性和识别可靠性.     

基于空间特征聚合的车道线检测算法

车道线检测是无人驾驶任务中最重要的模块之一.由于车道线具有独特的结构,且容易受到各种各样复杂环境(比如光线、遮挡、模糊等)的影响,因此车道线检测也是一项很具有挑战性的任务.传统的卷积神经网络(CNN)难以直接学习到精细的车道线空间特征,本文使用空间特征聚合模块对CNN提取的特征在空间维度进行融合增强,为级联的车道线预测器提供了丰富的空间特征信息.实验证明,空间特征聚合模块通过聚合水平和垂直方向的特征图获取精细的全局信息,在多种复杂环境下都能提升车道线检测算法的性能,且不会影响检测的速度.