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。     

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.     

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.     

基于边界的车道标识线识别和跟踪方法研究

在道路图像中，为了得到较理想的车道的标识边缘，该文采用基于LOG算子边缘增强的方法得到梯度图像，利用SUSAN算子对该梯度图像进行分割，实现了车道标识线边界的提取。在分割后的梯度图像中，利用Hough变换提取出车道标识线参数，完成了对道路图像中的车道标识线的识别，采用建立梯形的感兴趣区域的办法，实现了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。     

基于边缘特征的车道偏移检测与预警

车道偏移的检测是智能车辆辅助驾驶系统中的重要技术问题之一.通过基于灰度阈值分割的梯度边缘检测技术,在对路面图像进行边缘检测的同时,配合以路面的灰度信息,准确地分离出车道标志线的边缘,再依此定义车道的跟踪区域--感兴趣区域(ROI),利用车道边缘信息定义边缘分布函数EDF(Edge Distribution Function),通过对跟踪区域中车道线梯度方向的分析,获取两条车道标志线在道路图像中的方向,以此作为车道偏移判断与预警的主要根据.该方法能够有效地抑制图像中非线性物体的干扰,是一种有效、可靠的车道偏移检测与预警方法.     

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。     

一种照度自适应车道检测算法及多核平台实现

针对车道线检测,基于图像白平衡算法和灰度直方图,自适应地提取出感兴趣区域,并自适应确定Canny边缘检测算法的高低阈值.通过对概率霍夫变换得到的直线点集进行RANSAC拟合,满足了在不同光照条件下的自适应车道线检测,并基于英伟达Jetson TK1嵌入式开发板结合开源GUI库Qt,使用其Qt Quick开发出一套车道线检测系统.     

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。     

基于形态学结构元素建模的车道线检测算法

针对智能车辆辅助导航系统中车道线检测算法复杂、鲁棒性差的问题,提出了一种基于形态学结构元素建模的车道线检测算法。算法首先通过交变序列滤波器对原始图像进行滤波,然后利用具有车道模型特征的结构元素对预处理后的图像进行特定目标提取,再对提取出的车道左、右标识线进行外线判断运算以去除双边缘,将所得结果进行整合得到车道左右内侧边缘线,最后进行Hough变换标记车道线。实验表明,该算法简单、鲁棒性强,能准确地检测到车道标识线。     

基于自适应分割阈值的夜间车道标识线识别

针对夜间获取的车道图像对比度低的问题,提出了一种基于自适应阈值分割的夜间车道标识线识别算法。首先,对预处理后的图像进行分块拉伸以增强边缘信息。再结合Otsu门限法和邻域中值法,通过加权分配获取自适应阈值,对车道图像进行分割。最后,采用分区域搜索方式,利用Hough变换精确地提取车道标识线。现场实测表明,针对结构化道路的车道线,论文采用的车道线提取方法准确率高且实时性好。     

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。     

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。     

基于启发式搜索的车道线识别算法研究

在车道边界识别中,边界点的提取是关键,常用的边界点提取方法因对噪声的抑制能力不强产生较多噪声点,从而影响识别效果。提出一种边界点启发式搜索算法,根据梯形匹配模型、车道线灰度变化特征和实际车道宽度约束,确定搜索的起始点,从起始点根据度量代价准则函数搜索车道边界点。采用直线道路模型结合Hough变换来拟合车道边界。实验表明,该算法实时性好、可靠性强、鲁棒性高。     

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。