基于改进最小二乘法拟合的车道线检测

提出了一种新的适用于自主驾驶系统的车道线检测——基于改进最小二乘法拟合的车道线检测。算法首先将摄像头采集的一帧帧图像,截取感兴趣的下半部分进行灰度变换,得到灰度图像;其次采取高通滤波,小波变换,来进行边缘增强与检测;之后采取最小阀值二值化得到二值化图像,采用最小二乘法拟合车道线;最后车道线的跟踪采用粒子滤波。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。     

基于扩展卡尔曼滤波器的车道线检测算法

提出一种将道路结构模型信息与扩展卡尔曼滤波器(EKF,extended Kalman filter)相结合的车道线检测算法。基于扫描线的自适应边缘检测算子进行边缘点的检测,针对车道模型建立了适合算法的自定义参数空间,进行边缘点的投票,提取出候选车道线,解决了传统Hough变换中处理速度慢的问题。根据道路几何学和车辆动力学建立新的车道模型,增加了车道信息待估计的参数,并利用车道线的特征约束排除干扰线得到车道线的内边界,结合EKF对车道线边界点坐标参数进行跟踪估计,以保证算法的稳定性与鲁棒性。实验结果表明,本文算法能够处理绝大多数的复杂车道情况,在实时性、鲁棒性和检测率上都取得很好的效果。     

车道线信息的全面理解及偏离预警算法

为全面理解车道线信息,提出了一种车道线检测分类跟踪及偏离预警算法。首先利用动态感兴趣区域约束Canny算子的检测范围,基于扩展的Otsu算法改进Canny算子的阈值设定方式,并通过Hough变换进行车道线边缘拟合;然后依据车道线的颜色及线型特征进行分类,同时借助Kalman滤波器实时跟踪车道线,对检测失效区域采用Kalman滤波器的预测值进行替换;最后设定有效的偏离预警策略,确保行驶的安全性。实验结果表明,算法能全面地理解车道线信息并进行跟踪,同时具备对危险行驶状态下的车辆进行预警的能力。     

利用卷积神经网络的车道线检测方法

车道线检测是自动或智能辅助驾驶的核心问题之一。本文主要研究单目视觉下车道线检测算法。车道线具有多样性,其存在的环境又具有复杂性,因此准确高效车道线检测是一个具有挑战性的问题。本文提出了一种新的车道线检测算法,在传统车道检测方法中引入深度学习模型,主要包括下了步骤:首先使用基于车道线先验特征的图像增强算法进行边缘增强,对于边缘增强后的图像采用线段检测器进行线段提取,然后利用卷积神经网络构造线段分类器排除线段噪声,最后通过对消失点聚类排除无关线段,并按斜率聚类产生主车道线。实验表明,本文实现的算法具备较强的鲁棒性和很高的检测准确度。      

基于Gabor滤波器的车道线快速检测方法

针对在全景相机获取到的高交通信息量的复杂场景下传统Canny算子很难实时且鲁棒地提取车道线特征的问题,提出一种基于Gabor滤波器的最优方向区间快速检测算法。首先利用同心圆环近似展开法将全景图像展开成矩形图像,然后对展开图像进行不同相位角的Gabor滤波处理,快速得到使车道线边缘清晰度达到最高的方向区间。在Canny算子检测边缘过程中,只对处于该区间内的边缘点进行非极大值抑制及进一步处理,实现车道线的快速检测。最后算法在实拍的500帧视频样本上进行测试,识别率优于94.2%。结果表明所提算法不易受复杂环境影响,可用性强,有效地提高了车道偏离预警系统的实时性与稳定性。     

车道线实时检测与偏离预警系统设计与研究

为保证交通安全,设计了一种基于单目视觉的车道偏离检测系统,利用 车载前视摄像 头获取图像,实时对动态图像进行处理,在驾驶员非主观偏离车道时进行报警。首先研 究了图像预处 理技术,包括灰度化、截取有效区域、滤波去噪、图像灰度增强、边缘检测和边缘修复功能 。其次对预处 理后的图像进行车道线检测,为有效识别具有车道线特征的图像,提出了一种改进的Hough 变换算法;对 没有车道线特征或车道线特征不明显的图像,采用了动态检测方法。在此基础上,提出 了一种车道线 纠正算法,即四点标定逆透视变换,将车道图像转化为俯视图,建立图像坐标系与实际俯视 坐标系之间的 关系,得到实际车辆的位置和偏移角度,判断该车辆的情况并作出指示。最后,在实际道路 中对设计中关 键技术以及整个系统进行了实验,大量实验结果表明,本文系统能在多种环境的道路中实现 车道线的准确识别和偏移判断,具有良好的实时性和鲁棒性。     

基于边界特征的车道标识线检测方法

车道标识线的准确检测是实现车辆自动导航和车辆安全辅助驾驶的首要问题,为了得到较理想的车道的标线边缘,利用车道的边缘特征对车道图像进行二值化和形态学处理,对车道区域实现准确的边缘检测,最后利用Hough变换定位出车道标识线,完成对车道标识线的识别。实验表明,该方法能实现对复杂环境下车道标识线的准确识别,具有较好的鲁棒性和可靠性。     

高速公路车道线检测与跟踪算法研究

为提高高速公路上车道线识别的快速性和鲁棒性,提出了一种有效的车道线检测与跟踪方法。采用霍夫变换进行车道线检测,具有较强的抗干扰能力,能够准确地识别车道线。车道线跟踪利用Kalman预测参数建立感兴趣区域,然后用扫描线法搜索车道线边界点,在车道线间断区域利用Kalman预测器定位车道线边界。由于搜索限制在预测范围内,提高了搜索精度,减少了搜索范围,保证了实时性能,且对虚线车道线识别特别有效。仿真实验结果表明,对于不同的天气状况和车道线种类,该算法均有较好的识别效果。     

基于RGB彩色通道的结构化道路车道线检测

车道线检测是车辆智能辅助系统的重要组成部分,为提高检测准确性,文中采用一种基于RGB颜色特征的车道线检测方法。根据车道线颜色特征设计转移函数标记图像中的车道线区域,并应用基于形态学的边缘检测算法提取车道线边缘,最终检测出车道线。文中算法原理简单,在车道线边缘识别上,具有较高的准确度,对自动车辆车道线检测有一定的意义。     

基于机器视觉的车道线精确检测算法

车道线检测是车辆智能驾驶系统的重要组成部分.针对传统的车道线检测方法精度低、实时性能差的问题,提出一种基于机器视觉的车道线精确检测算法.该算法采用车道内侧边缘线代表车道线,具体包括预处理和车道线提取两个步骤:预处理部分包括灰度化、Sobel边缘检测、ROI设定、二值化,最终得到车道线部分的二值图像;车道线提取部分包括图像切片、改进的Hough直线检测、DBSCAN直线聚类以及直线拟合,最终得到精确的车道边缘线信息.最后将算法应用于各种场景下的路况测试,实验结果表明:该算法的平均准确率为94.9％,平均处理时长为25.6 ms/f,具有很好的实时性和鲁棒性.     

基于视觉的车道状态估计

车道状态估计是车辆辅助驾驶系统的关键功能。本文提出了一种基于教育处机视觉的车道状态估计新方法。提出了车道标线在图像平面中的一种描述,讨论了其性质,并应用于车道的检测。利用真实世界中车辆在二维图像平面中的透视特征,提出了基于二值有序变换（BROT）的障碍物检测新方法。由于采用单目视觉方法检测前方车辆以控制车辆的横向偏离和纵向间距,降低了系统的复杂度,实验结果显示了新方法的有效性。     

Structure-prior deep neural network for lane detection

Lane detection is an important task of road environment perception for autonomous driving. Deep learning methods based on semantic segmentation have been successfully applied to lane detection, but they require considerable computational cost for high complexity. The lane detection is treated as a particular semantic segmentation task due to the prior structural information of lane markings which have long continuous shape. Most traditional CNN are designed for the representation learning of semantic information, while this prior structural information is not fully exploited. In this paper, we propose a recurrent slice convolution module (called RSCM) to exploit the prior structural information of lane markings. The proposed RSCM is a special recurrent network structure with several slice convolution units (called SCU). The RSCM could obtain stronger semantic representation through the propagation of the prior structural information in SCU. Furthermore, we design a distance loss in consideration of the prior structure of lane markings. The lane detection network can be trained more steadily via the overall loss function formed by combining segmentation loss with the distance loss. The experimental results show the effectiveness of our method. We achieve excellent computation efficiency while keeping decent detection quality on lane detection benchmarks and the computational cost of our method is much lower than the state-of-the-art methods.     

基于LDA与混沌粒子群算法的车道线识别方法研究

与传统的车道线检测算法不同,本文采用LDA算法对道路图像进行针对性灰度化处理。加大车道线与道路的差异,然后使用抛物线模型对车道线进行拟合,采用混沌粒子群算法对抛物线参数进行优化,以车道线的灰度特征和梯度特征作为混沌粒子群的适应度函数,经过多次的迭代得到抛物线拟合车道线的参数最优值,进而识别出车道线。实验结果表明,本文算法能在复杂环境下识别出车道线,对视频帧序列中的车道线连续追踪具有良好效果。     

单目智能车道偏离预警系统

车道偏离预警系统是继安全气囊之后的汽车安全辅助系统,该系统主要任务是采用基于机器视觉的方法提取车道线并进行预警决策。文章利用TMS320DM642视频处理器作为中央处理器,设计出基于DM642的车道偏离预警系统硬件架构,算法方面对图像进行灰度化、二值化和边缘提取做预处理,然后设置感兴趣区域(ROI),利用基于相位编组的改进Hough变换(RHT)进行车道线检测,根据车道偏离预警条件进行预警决策,当车辆在驾驶员非意识时偏离车道线的情况下实施报警。试验结果证明,本系统能够提前2.5s进行车道偏离的预警工作,并能够排除路面标记的影响,满足车道偏离预警系统实时、鲁棒的性能要求。