基于平面反射模型的夜间路面检测

路面检测对于自动驾驶系统具有极其重要的作用,其具体的应用方面包括检测辅助、避障、自动导航等。基于视觉的路面检测主要就是对图像中每一个像素点进行分类,区分其是否为路面。到目前为止大部分的路面检测算法是应用于白天。在本文中,我们集中解决夜间的路面检测。我们利用一个近红外摄像头来采集夜间图像。检测时,首先利用平面反射模型来对图像中的路面部分进行拟合,然后,一个基于像素点的分类方法被用来对图像中的每一个像素点进行分类。在实验部分,我们将我们的算法与区域增长的方法进行了比较。实验证明,我们的算法相对区域增长有一定的优势。     

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.     

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.     

基于机器视觉的车道线检测研究进展综述

针对车道线检测技术在车道偏离预警、自动泊车和车道变换等各种辅助驾驶系统中的重要作用,国内外专家学者对车道线检测技术做了较多的研究,但是近年来少见有关于车道线检测的综述,因此本文主要阐述了近几年国内外机器视觉的车道线检测研究进展。首先简单介绍了机器视觉的车道线检测的基本流程;其次重点阐述了基于特征、基于模型和基于深度学习三种典型方法的基本检测原理和研究现状,并对比三种典型研究方法;最后,提出了机器视觉的车道线检测方法主要存在的问题,并针对问题提出未来的发展方向。     

基于车道标线分解的车道检测

利用图像处理技术,提出了一种基于车道标线检测的自动车辆驾驶控制方法。针对公路上车道标线的图像特征,将图像平面的车道标线分割为下标线(LLM)和上标线(ULM),研究了它们的性质。在此基础上,提出了基于车道标线分解的车道检测新方法。实验结果表明所用方法能有效提取用于车辆驾驶控制的车道状态参数。     

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.     

特征CAD模型的全局对称的快速识别方法

针对现有面向CAD模型的对称识别方法效率低下的问题,提出一种充分利用特征信息,通过特征分类、特征集排序、合并和验证对称,快速识别特征CAD模型的全局反射对称和旋转对称的方法.通过分析特征信息中隐含的对称信息,可以快速获取特征的对称；根据对称强弱关系的原理,利用特征集排序使得中间结果快速向目标对称靠拢；合并和验证对称能避免检测不必要的局部对称,以快速获取全局对称,并能较好地解决根据特征信息无法识别对称以及避免从几何上识别对称的问题.实验结果证明,采用文中方法能正确且快速地识别特征CAD模型的全局反射对称和旋转对称.     

基于实例分割的车道线检测方法

针对自动驾驶汽车在复杂环境下车道线难以识别的问题,将车道线检测视为实例分割任务,利用一种改进的双边分割网络,能识别任意数量的车道线,并直接提取分割图感兴趣行上最大概率值坐标作为车道线候选坐标点,使用最小二乘算法拟合车道曲线。使用了注意力机制和金字塔池化结构增强网络结构的特征提取能力。在数据集Tusimple和自制数据集MiniLane实验结果表明,改进的双边分割网络在检测精度和实时性上得到明显提高,能够很好地应用于自动驾驶汽车。     

基于反射对称的步态序列识别

利用关键帧的反射对称作为步态特征识别测试序列．反射对称隐含表示了人体行走时胳膊和身体的摆动习惯．在USF数据库上的实验表明,使用反射对称结合频域特征以及人体比例的算法识别率高于不使用反射对称的结果．反射对称不是步态惟一的特征,但易于和其他特征相结合以改进识别结果．文中算法易于实现,而且对于行走速度的变化、背景变化等鲁棒性强．     

基于模型驱动的车线偏离警告系统

车线偏离警告系统(LDWS)是车载主动安全系统的一项主要功能,研究了LDWS中的关键技术,以车道模型为核心,采用基于模型驱动的方法探测车道,为解决弯道探测的问题,将车线探测区域划分为多个子区域,独立探测每个子区域中的车线段,为提高探测效率并减少误识别,每个子区域的尺寸根据每次探测的结果和车道模型的拟合值动态变化,为增加探测的稳定性,对近处子区域采用Sobel滤波处理,对远处子区域采用根据车道几何特征动态设置的Gabor滤波处理,实验表明,系统能准确探测弯道并精确测算车道偏离范围,在噪声环境中有良好的鲁棒性.     

二次曲面体中的斜对称面检测

为了扩大3D重建实体的覆盖域,通过对Sugimoto等的斜对称面检测算法(Sugimoto K, Tomita F. Detection of skewed-symmetrical shape. Proceedings of the IEEE International Conference on Image Processing, Austin, 1994: 696-700)进行改进,实现了包括双曲线、抛物线等在内的所有类型的二次曲线的斜对称检测.在曲面的重建过程中,采用参数化方法实现了空间二次曲线的投影匹配,利用斜对称检测算法检测出投影曲线的斜对称轴,并由检测到的斜对称轴生成相应的平面即二次曲面体的斜对称面;同时研究了错解产生的原因.算例验证表明,采用该算法能够对含有对称部分的二次曲面体进行精确的斜对称面检测.     

几种水面倒影检测方法的实验研究

由于水面机器人的视觉导航常受到水面倒影的干扰,倒影是视觉导航的一大障碍。本文对水岸线以下的图像进行区域分割处理,讨论水面倒影的检测,将以亮度、饱和度、纹理特征、边缘检测和区域生长几种检测水面倒影的方法进行实验研究.通过分析给出每种方法检测倒影区域的效果以及特点。     

斜对称面检测在二次曲面体中的应用

对称是三维重建中的一个十分重要的约束条件,真实的对称在全局观察视角下变成了斜对称。斜对称检测可以大大降低三维重建的复杂度。本文提出了二次曲面体的斜对称面检测方法,该方法首先将SUGIMOTO等提出的斜对称检测方法扩展到任意二次曲线,然后将二次曲面体进行面域提取,对提取的各个面域运用前面的斜对称检测方法进行斜对称轴检测,从所有检测到的对称轴中提取出对称面多边形的边界,采用极左邻边搜索法构造对称面多边形即斜对称面同实体的相交面。由于算法对于物体的摆放位置没有要求,因而扩展了实体的覆盖域。     

结合形态学的结构化车道线快速识别算法

为解决结构化车道线识别算法中存在的约束条件多,计算过于复杂等问题,提出一种基于形态学的车道线快速识别算法. 该算法首先对道路图像进行中值滤波,Sobel算子增强边缘,利用直方图特征分割图像,然后划分感兴趣区域,接着构造具有车道特征的形态学结构元素去提取车道线,最后概率霍夫变换拟合车道线. 实验对比结果表明,针对结构化道路,该算法简单有效,计算量小,具有良好的实时性.     

基于SPMYOLOv3的水面垃圾目标检测

为解决水面垃圾检测中存在目标形状尺度差异大, 难以区分背景以及目标偏小的问题, 本文提出了一种SPMYOLOv3目标检测算法来实现对水面垃圾的检测. 首先, 对收集到的水面垃圾数据集进行标注, 使用改进的K-means算法对数据集重新聚类, 得到与数据集更匹配的先验框. 其次, 在YOLOv3的主干网络后添加SE-PPM模块, 加强目标的特征信息, 保证目标尺度不变且保留全局信息. 再使用多向金字塔网络对不同尺度的特征图进行融合, 获得携带更加丰富的上下文信息的特征图. 最后使用在损失函数中使用focal loss计算负样本的置信度损失, 抑制了YOLOv3中正负样本不均衡问题. 改进后的算法在水面垃圾数据集上的实验结果表明, 相比于原YOLOv3算法检测精度提升了3.96%.     

基于视觉显著性的水面垃圾目标检测

针对实际水面复杂环境提出了一种基于视觉显著性的水面垃圾目标检测算法。首先对输入图像进行超像素分割,在CIELab、RGB和HSV颜色空间中提取超像素级的显著性特征,然后使用随机森林回归器将显著性特征进行融合得到疑似显著性图,并使用自适应阈值分割得到疑似二值显著性图,最后使用MLP分类器对原始图像中的疑似垃圾目标区域进行判别,去除水波、倒影和反光的干扰,最终检测出水面的垃圾目标。实验结果表明所提基于视觉显著性的水面垃圾目标检测算法的性能优于其他水面目标检测算法。