一种基于动态规划的道路图像分割算法

非结构化环境的道路分割是移动机器人视觉导航的一个重要研究内容.本文利用图像边缘信息对道路边沿定位的精确性和彩色信息对道路区域分割的适应性,在彩色分割结果和边缘信息之间进行动态规划求解,提出了一种非结构化道路区域检测的新方法.实验结果表明:本文提出的分割方法可以有效地分割出道路区域,对各种环境具有良好的适应性.     

自适应道路模型的非结构化道路检测算法

为克服非结构化道路中不能准确检测边界线的问题,提出了一种自适应道路模型的非结构化道路检测方法。根据非结构化道路的灰度特征提取感兴趣区域,利用HSV空间图对感兴趣区域使用二维Otsu算法分割,进而提取道路边界点,再针对不同的道路模型自适应选择最小二乘法或随机抽样一致性(RANSAC)算法进行边界点拟合操作。实验结果表明:该方法不仅适用于直线道路,也能检测弯曲道路,且对受阴影影响以及边界不清晰的道路都具有良好的鲁棒性。     

基于Haar纹理的非结构化道路消失点检测

由于非结构化道路缺乏明显的车道标识线或车道边界,使得其检测面临很大困难.利用非结构化道路的消失点作为约束,可以显著提高非结构化道路的检测性能.但基于多尺度多方向Gabor纹理的消失点检测方法存在计算量较大的问题,并且背景干扰也常会使得现有的消失点投票方法出现大的误检.为此提出一种基于类Haar特征的非结构化道路纹理快速提取方法,该方法利用设计的实部及虚部矩形模板,通过积分图技术实现了纹理特征的快速复响应;并在此基础上,提出利用正交校正及多样性投票方法,实现非结构化道路消失点的检测.在各种非结构化道路下比较了本文算法与现有两种最新的非结构化道路消失点检测算法,实验结果表明本文算法可以显著提高非结构化道路消失点的检测性能.     

伪彩色空间完全非结构化道路检测方法

完全非结构化道路检测是智能车辆自主行驶所面临的关键技术难题,解决该问题可以增强智能车辆的环境适应能力。以实时道路图像的真彩色信息为研究对象,提出一种三次样条曲线模型和分块子区生长模型相结合的完全非结构化道路检测算法。该算法运用三次样条曲线插值实现了真彩色空间到伪彩色空间的映射,采用主次伪色调和纹理信息相结合的子区生长方法,实现了完全非结构化道路检测。实地图像测试和对比试验表明,该算法对道路区域检测准确性高,对受到阴影、水迹等影响的道路区域具有较强抗干扰能力,实时性好。     

THMR-V道路检测算法设计

道路检测是室外移动机器人尤其是智能汽车研究领域的一个重要课题.本文介绍了多功能室外移动机器人THMR-V的道路检测算法,共分为两个部分.结构化道路,采用的是多窗口双阈值法.虽然在该领域已经有许多能够自主驾驶的系统,但很少能有像THMR-V达到150km/h非结构化道路,采用的则是基于数学形态学的区域分割法.文中详细介绍了算法的实现.     

智能车辆导航系统中的实时道路检测

采用基于统计迭代阈值的图像分割和道路模型规范化,提出了一种新的检测准非结构化道路边界的算法.该算法中首先利用道路图像的局部特性和全局特性,使用统计迭代的方法求出全局阈值,将图像二值化,准确、鲁棒地提取出感兴趣区域;然后使用Sobel算子初步标示道路边界;最后依据建立的道路模型,对道路边界规范化,进一步完善检测结果.实验数据表明,算法在复杂路况下,能够自动、快速、准确地检测出准非结构化道路边界,实现车辆的防偏预报.     

一种基于高斯核支持向量机的非结构化道路环境植被检测方法

非结构化道路环境复杂多变,但是路两旁的植被较为显著,可用于限定路面的不可通行区域.在复杂的室外环境中,植被区域容易受到天气、阴影、路况等多种因素干扰而产生误检.为此本文提出了一种基于高斯核SVM(支持向量机)的植被检测方法,通过基于超像素的稀疏表示法来分析并学习样本多维色彩空间特征,进而构造分类准则有效获取植被信息,并采用栅格概率滤波来优化检测结果,提高检测精度.实验表明,该方法很好地解决了非结构化道路环境中的植被检测问题,对光照、路况等变化也具有较强的抗干扰能力,且具备较好的实时性和可靠性.在实际应用中,有效地限制了路面的不可通行区域,保障了移动智能机器人在复杂道路环境中的安全行驶区域.     

基于主动鉴别字典学习的自主导航偏离控制算法

针对传统道路偏离检测算法仅对结构化道路适用的缺陷,提出一种基于主动鉴别字典学习的偏离控制算法用于非结构化道路的偏离检测与控制.采用主动学习算法从未标记样本中学习得到主动鉴别字典,根据其结构化重构误差判断车辆偏离方向,并以此为依据控制车辆行驶方向;定义有代价的加权错误率,作为衡量算法纠偏能力的新准则.实验结果表明,所提出的算法对于结构化和非结构化道路偏离检测均有较强的有效性和可靠性.     

一种实时鲁棒的非结构化道路检测算法*

针对智能导航系统中的非结构化道路检测问题,提出一种分块分段混合高斯模型和B样条曲线模型相结合(block-segment Gaussian mixture and B-spline model,BSGMM_BS)的非结构化道路检测算法。该算法利用待处理图像的彩色信息对道路区域和非道路区域进行混合高斯建模,利用分块分段方法提取道路边界点,最后使用最小二乘法求解B样条曲线最优控制点,完成对道路双边界的拟合。实地测试和对比实验表明,该算法实时性好,对阴影、光照变化等影响具有较强的抗干扰性。     

基于启发式概率Hough变换的道路边缘检测方法

针对非结构化道路的边界检测实时性和鲁棒性的难点,提出了加权Canny边缘检测方法和面向加权Canny边缘图像的启发式概率Hough变换方法;并根据非结构化道路边界不规则的特点和智能车辆路径规划的实际需求,提出了道路边界的双折线模型.与传统的方法相比,不同道路环境下的道路边界检测实验证明了所提算法的有效性和实时性.     

Road detection algorithm for Autonomous Navigation Systems based on dark channel prior and vanishing point in complex road scenes

Vision-based road extraction is essentially important in many fields, such as for intelligent traffic and robot navigation. However, the road detection in urban or ill-structured roads is still very challenging at current stage, and the existing methods often suffer from high computational complexity. This paper reports a novel and efficient method for road detection in challenging scenes. First, the dark channel based image segmentation is proposed to distinguish a rough road region from complex background noise, which is envisioned to reduce the workload of road detection. Furthermore, instead of using the conventional pixel-wise soft voting, a new voting strategy based on the vanishing point and the properties of the segmented regions is proposed to further reduce the computation time of road extraction stage. Finally, the segmented region which has the maximum voting value is selected as the road region. Experimental results demonstrated that the proposed algorithm shows superior performance in different kinds of road scenes. It can remove the interference from pedestrians, vehicles and other obstacles. Our method is about 40 times faster in detection speed, when compared to a recently well-known approach.     

车辆视觉导航系统中的实时道路检测

提出了一种新的道路检测算法。该算法中首先采用基于线段的区域增长法将采集到的实际道路边缘图像分割成道路区域和非道路区域，使下一步搜索道路标志的区域限定在道路区域；然后恢复道路标志并根据其特征定位道路标志线；最后采用数据拟合的方法找出道路轨迹线。在复杂路况下可以准确、快速估算出车道的延伸方向，实现车辆的防偏预报。、     

基于彩色立体视觉的障碍物快速检测方法

Real-time obstacle detection method is a key technique for machine vision based mobile robot and au-tonomous land vehicle navigation in unstructured environments. In this paper o considering the real-time requirement for stereo matching algorithm, an adaptive color segmentation method for possible obstacle region detection is first developed based on the color feature, and a simple region based stereo matching algorithm of binocular vision for realobstacle recognition is also introduced. Obstacle detection is implemented by combining the road color adaptive seg-mentation method and region based stereovision method. Lots of experiment results show that the proposed approachcan detect obstacle quickly and effectively, and this algorithm is particularly suited for road environments in which the road is relatively flat and of roughly the same color.     

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。     

车辆自主导航中的道路边界识别算法

道路边界识别是车辆基于道路区域或边界信息自动导航的首要问题．根据驾驶员视觉处理经验和车辆运动轨迹方程，总结出道路边界识别的先验知识与预测知识，在所选取的二次曲线道路形状模型基础上,分别利用边界识别算法和跟踪识别算法得到车辆起步和稳定行驶过程中的实时道路边界信息，为车辆控制器计算出位置偏差和方向偏差两个参数，以实现车辆基于前向单目视觉的自主导航．通过对实际路面试验结果的分析，证明了该方法的有效性和准确性．     

车辆视频导航中道路检测方法研究进展

视频导航以其获取信息丰富、对环境影响小、成本低廉等诸多优点成为了辅助车辆自动驾驶和陆地自主车(ALV)常用的一种自动导航方式,而从视频导航图像中检测出道路区域则是实现视频导航的基础和关键。对近年来车辆视频导航过程中道路检测的实现算法进行了回顾和分析,并对道路检测算法以后的研究方向进行了探讨。     

高速公路弯道边界的识别与重建

分析了智能车辆安全辅助驾驶系统中弯道分道线的检测提取方法,提出一种基于道路区域分割的弯道检测新算法,包含道路区域分割和弯道边界检测。在分割出道路区域和天空区域并划定弯道检测的感兴趣区域后,提取分道线候选点,并对候选点进行校正,最终拟合并重建出弯道分道线,且准确判断了车道线弯曲方向。实验证明,该算法的实时性和准确性均高于在整幅图像中提取车道线的传统方法。     

基于迁移学习和显著性检测的盲道识别

为了帮助对视觉障碍患者有效识别道路周围的场景,提出一种基于迁移学习和深度神经网络方法,实现实时盲道场景识别。首先提取盲道障碍物的瓶颈描述子和判别区域集成显著性特征描述子,并进行特征融合,然后训练新的盲道特征表示,用Softmax函数实现盲道场景识别。实验中,对成都不同区域盲道周围障碍物采样,分别采用基于Mobilenet模型不同参数训练和测试了提出的新模型,最后在实际应用场景,实现了盲道周边障碍物的实时分类和报警,实验证明提出的方法具有很高准确率和良好的运行性能。