基于特征提取的车道线快速检测方法研究

车道线检测是无人驾驶车辆及车道偏离预警等系统的关键技术。针对自动驾驶车辆当前道路可行驶区域检测精度不高、环境适应性差及实时性差的问题，提出了一种基于特征提取的快速检测车道线的方法。在图像预处理阶段，首先读取视频图像，把每一帧RGB图像转为灰度图，通过Canny算子对图像的边缘轮廓进行提取，然后绘制车道线的掩码区域，并与边缘检测结果图结合，对感兴趣区域（ROI），也就是对车道线所划分的汽车当前可行驶区域进行提取。最后进行概率霍夫变换和最小二乘拟合，并将得到的直线绘制到原图像中，最终对每一帧处理后的图像进行输出。该算法在多种边缘检测方法中选用Canny算法，并针对人为选取双阈值的复杂性问题，提出了自适应调节、选取阈值的方法；运用改进的概率霍夫变换对车道线进行检测，并进行离群值的过滤，有效提高了检测精度和速度。结果表明：该算法处理每一帧图像的时长为13.9 ms，且平均准确率达到97.6%，具有较好的实时性和准确性。     

一种基于横截面特征的车道线检测方法

车道线检测是自动驾驶的基本任务之一,提出了一种高效稳定的车道线提取拟合和跟踪的算法。根据车道线的截面特征逐行提取车道线特征点,并使用连通域聚类滤波,与传统的霍夫算法相比降低算法复杂度,提高运行效率。将提取的车道线特征点区域分成近视场和远视场,并分段拟合,提高拟合精度。使用卡尔曼滤波算法对车道线的端点和斜率进行跟踪,以此缩小感兴趣区域,提高运行效率。实验中,该方法能够完成多种不同场景下的车道线检测,证明了该算法具有良好的鲁棒性和实时性。     

面向复杂道路环境的车道线快速检测方法

车道线检测时容易受到路面环境的干扰、检测准确度与实时性不易保证。为此,提出了基于稀疏网格和动态特征窗口(DFW)的车道线检测方法。首先在道路区域建立了稀疏网格区域,然后提取了网格上的车道线灰度信息,大幅度排除了冗余像素。利用车道线的方向特性,提出了对称性六向梯度边缘检测方法,进而采用椭圆膨胀元素建立了车道线DFW。利用车道线方向和长度的显著特征,提取了车道线特征边缘并对其进行了Hough直线拟合。在多样性的道路环境中进行了算法测试,讨论了不同分辨率图像的车道线检测耗时。试验表明:提出的算法简单、快速,可以有效排除各类路面干扰像素,能够鲁棒、准识别多种路面环境中的车道线。     

直线道路识别实用性的优化分析

为了提高车道识别的实时性与鲁棒性,提出了一种车道识别优化方法。通过建立强鲁棒性的车道模型,对传统的道路图像边缘算法优化处理:图像预处理中充分考虑实用性,采用了加权平均法实现灰度化、中值滤波法降噪处理以及自适应Otsu法二值化分割图像、Canny算法实现边缘检测;基于模型利用极角极径法提取图像的感兴趣区域,改进Hough算法实现有效车道线的识别。最后实验证明,通过与传统方法比较,该算法极大提高了车道识别的效率并且增强了可靠性。     

基于机器视觉的智能车辆鲁棒车道线识别方法

针对目前传统车道线识别算法在复杂道路环境中识别困难的问题,提出了一种基于机器视觉的智能车辆鲁棒车道线识别方法。为消除噪声干扰以及提高特征检测效率,设计了一种自适应道路感兴趣区域(ROI)计算方法,针对不同情况的车道可自适应地将车道区域与非车道区域分离。对待检测目标采用改进划分角度的检测算子进行车道线特征检测,同时对车道图像有针对性地采用多色域阈值处理,以提高算法的环境适应性。对转换视角后的车道线采用DBSCAN聚类及NURBS曲线进行拟合,并利用随机抽样一致法优化车道线模型以滤除误匹配。实验结果表明,该算法可有效识别出各种道路工况下的车道线。     

应用多阶动态规划的车道线识别方法

根据图像中车道线特征,提出一种应用多阶动态规划的车道线识别算法.为准确识别车道线,算法利用非均匀B样条曲线拟合车道线,通过多阶动态规划确定非均匀B样条曲线的控制点.根据多阶动态规划的起始点和目标点确定车道线检测区域,进行区域分割确定动态规划的阶数,确定控制点的候选点;根据定义的代价函数和最优化原理,利用多阶动态规划确定曲线的控制点;拟合车道线,实现车道线的识别.处理各种路况的视频图像进行算法验证,试验结果表明,对于实车道线和虚车道线的直道、左转、右转的多种路况条件下,算法能有效准确地提取车道线的参数,稳定地实现车道线的识别.     

一种基于形态学特征的车道线识别方法

现有车道线检测算法主要用边缘信息提取车道特征,通过相邻像素点灰度的对比产生特征点,易受多种外部因素影响导致检测结果易受干扰,为此,提出了一种新的特征点提取算法。该算法通过计算区域内灰度各向结构张量的旋度,选择变化趋势最大的像素作为特征点,提高了算法在复杂情况下的鲁棒性。在兴趣区域采用新的车道线特征提取算法提取特征点,而后筛选特征点,并用Hough变换拟合。在求得车道线后,通过特征点坐标方差区分虚线和实线。通过约15 500帧不同时间段的车道图片对算法进行检验,结果表明:检测方法能很好地实现在多种环境下的车道线检测,在晴天工况下的正确率为99.18%,在雨天工况下的正确率为97.19%,在受损路面工况下的正确率为94.72%,在夜晚工况下的正确率为97.62%。     

高速摄像环境下航天电连接器分离边缘提取算法

为了准确测量航天电连接器的分离距离,以深入研究其分离特性,提出了一种高速摄像环境下电连接器分离边缘的提取算法。该算法主要通过划分感兴趣区域选定待测量位置区域,经滤波处理后,利用小波变换算法增强图像的弱边缘信号,然后通过两次自适应阈值分割图像,并利用SUSAN算子进行边缘检测,进而提取边缘,获得准确的边缘信息。     

基于投影统计与双曲线拟合的车道识别算法

提出了一种运用投影统计与双曲线拟合的车道线识别方法。首先对采集的图像进行预处理,利用车道线宽度等信息提取车道线的特征点;然后根据特征点的位置及方向角分布对消失点进行定位,并基于消失点位置提取近视场直道模型,再结合直道模型对当前车道进行补充;最后利用近视野车道直线信息和双曲线拟合,对存在弯曲车道的车道线进行车道线寻优。实验结果表明,提出的算法能有效检测不同曲率的车道线,所提出的车道检测方法准确率高,在复杂行驶环境下表现出较高的鲁棒性。     

一种基于单目视觉的车道偏离检测与预警方法

提出了一种基于单目视觉的车道偏离检测及预警方法.首先通过图像边缘检测、Hough变换以及最短距离加权最小二乘法等步骤求取消失点,然后利用消失点的特性,结合扇形投影法进行道路边界线检测并对车道线进行快速提取,进而获取车道路面信息,最后将车辆当前位置信息与车道路面信息结合起来建立车道偏离预警模型,一旦车辆偏离预定车道即发出预警,从而实现车辆偏离车道的实时监测和预警.实验表明,该方法能够满足结构化道路环境车道偏离检测的要求/是一种有效、可靠的车道偏移检测与预警方法.