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。     

逆透视投影下车道偏离时间的在线估计

提出了一种基于图像逆透视变换后的车道偏离时间的实时在线估计算法。该算法先对道路图像进行预处理,得到二值化的道路图像,然后通过逆透视变换方法消除图像的透视效果,用Hough变换方法检测车辆所在车道的左右道路标志线,最后估算车辆偏离车道的时间,判定车辆是否会偏离车道。对该算法进行了详细介绍并给出了实验结果,结果表明该算法能够准确地判断车道偏离。     

基于双曲线模型的车道识别与偏离预警

针对车道识别与偏离预警算法在准确性、可靠性和计算效率方面存在的问题,提出一种基于双曲线模型的车道识别与偏离预警算法。首先,在图像预处理基础上通过特征点搜索筛选道路边缘点,采用双曲线构建道路模型,利用最小二乘原理拟合道路参数,再根据拟合车道线及邻近点信息构建车道置信度函数,将置信度大于设定阈值的车道线作为最终检测结果;然后,根据相邻帧车道线连续变化的特点,在前帧拟合道路线附近使用粒子滤波算法进行道路边缘点筛选、拟合以及置信度计算,实现对车道线的跟踪;最后,在图像坐标系中建立时空联合预警模型,对车道偏离行为进行预警。在PC平台上进行的算法实现与道路实验结果表明:所提方法在一般路况下,具有92%的车道识别和偏离识别正确率和40ms/帧的平均处理速度,满足车道偏离预警应用要求。     

车道偏离预警系统关键技术设计

车道偏离系统是一种安全辅助驾驶系统,针对传统车道偏离预警系统实时性不足,设计了基于改进Sobel算法和Hough变换识别车道线的实时车道偏离预警系统。系统将摄像机采集的道路图像经过改进Sobel算法处理,能更快得到车道线边缘像素信息,再应用Hough变换连接有效边缘像素确定车道线位置,最后通过与预警决策模块的匹配度实现车道偏离的预警判定。经测试系统性能良好。     

基于视频的高速车道偏离预警系统

在驾驶过程中发生非意识车道偏离时,偏离预警系统采用报警方式保障行车安全。针对高速公路频发的车道偏离事故,设计和实现了基于视频处理的高速车道偏离预警系统(Highway Departure Warning System,HDWS)。算法处理上,分别进行感兴趣区域(Area of Interest,AOI)设定、图像预处理和Otsu自适应阈值二值化,应用直线模型和改进Hough变换提取车道线,采用像素距离与车道线斜率信息融合的偏离决策,并在MATLAB R2015a上仿真测试。仿真结果表明,该系统能提前1.2 s报警,准确率高于95%,漏报率低于3%,满足高速道路环境下偏离预警性能要求。     

基于分段切换模型的快速车道线检测

为了弥补单一模型在车道线检测中的缺点,提高车道线识别的实时性和精确性,提出一种由Hough变换与二次曲线模型相结合的高速公路车道线识别算法。该算法首先对图像作感兴趣区域ROI(Region of Interest)划分;再在LOG算子对ROI边缘检测的基础上进行Hough变换检测直线;然后根据已检测出的直线再进一步动态划分ROI和直线检测;最后通过判断两直线段的方向变化趋势进行直线和二次曲线切换拟合车道线。通过对高速公路实际车道线进行实验检测,实验结果表明,该算法能够准确地检测出车道线,准确率和实用性均高于对比算法。     

基于同态滤波的车道线检测技术

由于路面在夜晚受灯光照射的影响,传统的车道线的检测算法常常会出现车道线检测不准确的现象。针对这种情况,本文提出基于同态滤波的车道线检测方法。首先对原始图像的光照均匀度进行判断,然后通过同态滤波器去除灯光照射不均匀的影响,接着使用Hough变换得到车道线的参数。实验结果表明,该方法通过一系列的变换和处理后,能够很好的消除路面灯光照射的影响,清晰准确地识别出道路标识线,具有很好的准确性、鲁棒性和可靠性,同时对不同的光照条件也有较强的适应性。     

基于DSP的车道偏离检测与车辆前向车距检测

基于智能交通的快速发展,研究了在高速路段下基于机器视觉的车道偏离检测与车辆前向安全车距检测技术.首先固定车载相机,通过相机标定获取相机的内参数和外参数,进而设计车距检测模型.该模型不但能够检测出前方车辆与无人车的距离,还能计算出前方车辆相对于摄像机光轴的偏转角度.接着在CCP偏离检测算法的基础上,设定安全和报警区来建立车道偏离模型,并对当前车辆的偏离结果作出正常行驶的评判.最后借助TI的DVSDK组件包将算法移植到嵌入式平台DSP-DM3730上测试.实验表明,本文设计的车距检测模型和车道偏离模型在解决无人车的前向防撞检测和车道偏离检测等问题上具有较好的参考价值.     

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.     

基于视觉的车道跑偏检测方法研究及仿真

为了保证辅助驾驶技术行车的安全,在分析了基于视觉的车道跑偏检测方法的具体步骤的基础上,首先提出了利用由计算机视觉获得的车道标志线来进一步获得车-路关系的方法,并推导了几种车道跑偏判据TLC(time to lane crossing)的计算公式;然后利用“预瞄最优曲率模型”来仿真人-车-路的关系,并验证了当人的状态发生变化时,TLC判据可以有效地提供报警的效果;最后在红旗自主驾驶样车的视觉导航系统中进行了实验,实验结果表明,上述分析和仿真是可行的。     

一种基于扫描线和区域生长的行车偏移检测算法

驾驶疲劳是引发高速公路车祸的重要原因之一,而根据行车偏移信息则可以评估疲劳状态。为了实时检测到行车偏移信息,提出了一种基于扫描线与区域生长相结合的视频图像分析算法,从而实现了多种道路车道标线和行车偏移的自动检测。该算法还采用自适应感兴趣区域选择方法以及根据车道状况确定帧处理策略的方法,使运算速度满足实时要求。采用该方法获得的行车偏移信息将给后续的驾驶疲劳分析提供必要的数据。     

高速路的车道检测与车辆跟踪

基于智能交通的快速发展,研究了基于高速路的车道检测和车辆跟踪技术.对于多车道检测,根据路面与分道线灰度级相差较大的特点来实现车道路面的分割,接着结合直线方程和Catmull-Rom Spline插值算法来拟合分道线.对于单车道检测,首先基于HSV颜色空间和Sobel边缘提取方法对其进行有效分割,接着在透视变换空间中提取分道线坐标点并用二次多项式拟合分道线.针对车辆检测,使用Hog+Gentle-Adaboost分类算法实现无人车前方路面车辆的检测,接着基于车底阴影的特征对车底阴影进行检测以验证学习算法检测到的车辆区域的真伪性.针对车辆跟踪,采用动态二阶自回归模型的方法预测车辆的状态.其中,对于粒子滤波固有的粒子退化问题,引入Thompson_Taylor算法改善了粒子退化和低多样性的缺陷.本文的车道检测和车辆跟踪算法能较容易地移植在嵌入式平台,可靠性和准确性较高,且有助于进一步实现车道偏离报警和前向防撞系统.     

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。     

高速公路中的行车道检测和车辆跟踪

提出了一种有效的高速公路检测和多车辆跟踪视觉系统.该系统主要模块包括道路检测、基于二维模型的车辆跟踪器(近距离车辆的矩形模型和远距离车辆的U形模型)、启发式车辆检测、系统协调器.在系统中,跟踪器的动态产生和终止优化了系统的计算资源.另外,系统利用鲁棒性估计技术提高了道路检测的性能.车辆的跟踪是采用三参数状态空间的多边形拟合技术来实现的.本文采用了PETS2001提供的图像序列测试了系统有效性,在Pentium Ⅲ 450MHz PC 上系统的处理速度为平均每帧12毫秒.     

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.