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。     

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。     

道路区域分割的车道线检测方法

为了满足无人驾驶车在高速公路行驶的实时性和鲁棒性要求,提出了一种基于道路区域分割的车道线检测方法.该方法分道路区域分割和车道线检测2个阶段.在道路区域分割阶段,首先提取的道路颜色值,然后在二值边缘图像中搜索连通域,通过将连通域的颜色特征值与道路颜色特征值比较来快速定位道路区域,并将这一区域划定为车道线检测的感兴趣区域.车道线检测阶段则使用改进的概率Hough变换方法提取车道线点,并使用最小二乘法对车道线点集进行拟合,获得车道线模型的参数.实验证明该方法相比传统的利用标准Hough变换算法准确率提升23%,有效地排除了道路区域外的直线像素干扰,具备较好的鲁棒性和实时性.     

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。     

基于图像序列的车道线并行检测网络

现有车道线检测神经网络主要采用相互独立的单帧图像进行检测,无法较好地处理包含车道线短时遮挡、地面明暗变化等复杂因素的实际应用场景.针对上述问题,文中根据车辆在正常行驶过程中可获得连续图像的场景特点,提出基于图像序列的车道线并行检测网络.首先设计并行的特征提取结构,一方面使用精度较高的单帧网络提取当前帧图像的特征,另一方面设计轻量级的多帧网络提取低分辨率的多帧时序图像的特征,并采用循环神经网络模块融合提取的时序特征,得到多帧特征.再设计单帧特征与多帧特征融合模块,通过上采样网络输出车道线特征图.实验表明,文中网络在客观检测精度和主观效果上都具有明显提升.     

基于级联霍夫变换的车道线快速检测算法

车道线检测是智能辅助驾驶算法中的核心算法之一。为了解决基于传统霍夫变换的车道线检测算法检测效率低下等问题,提出一种基于级联霍夫变换的快速车道线检测算法。该算法首先对视频帧进行ROI选取、滤波、边缘检测、非极大值抑制等预处理,然后使用基于平行坐标系的映射将原始图像转换到参数空间,完成点到线、线到点的映射,接着再使用一次映射,最终实现点到点、线到线的映射,以此快速提取车道线消失点,并根据消失点位置扫描实际车道线,实现车道线的提取。该算法在点的映射过程中,坐标值始终是线性变换,克服了传统霍夫变换在映射过程时需对每一个点进行极坐标转换的缺点,计算更简单,运算效率更高。仿真实验表明,文中提出的改进算法比传统霍夫变换运算速度提高了31%,准确率提高了6.2%,检测效果有明显提高,可广泛应用于智能辅助驾驶中。     

梯度点对约束的结构化车道检测

车道检测是无人驾驶车辆及车道偏离预警等系统的关键技术。针对复杂道路环境中,阴影、路面破损及车辆遮挡等常造成车道检测不准确的问题,提出利用结构化道路两侧车道线上常具有相反方向梯度的性质,将两侧车道线的检测转化为梯度点对约束下的车道中线及宽度检测。然后分别采用平行透视投影模型及线性双曲线模型,通过Hough变换获得了对车道消失点、宽度及车道中线等参数的估计,最终实现了对不同形状结构化车道的检测。比较了本文算法与其他两种车道检测算法在不同复杂道路环境下的车道线检测性能,结果表明了本文算法的有效性。     

基于Kalman预测及逆投影的车道识别技术

针对结构化道路的特点,提出一种实用的基于组合模型的车道线自动识别方法.近视场区域采用Hough变换初始检测车道线,远视场区域采用三次曲线模型拟合车道线.车道跟踪用Kalman预测参数动态建立ROI(region of interest),用扫描线法搜索车道线边界点,在车道线间断处用Kalman预测器定位车道线边界,还设计了一个失效判别模块来验证跟踪结果.最后将投影图中检测到的车道线进行逆投影重建,得到实际路面的车道线.实验结果表明,对于不同的车道线种类和在部分车道线被前方车辆遮挡的条件下,该算法均具有较高的实时性和鲁棒性.     

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.     

基于实例分割的车道线检测及自适应拟合算法

车道线检测是智能驾驶系统的重要组成部分。传统车道线检测方法高度依赖手动选取特征,工作量大,在受到物体遮挡、光照变化和磨损等复杂场景的干扰时精度不高,因此设计一个鲁棒的检测算法面临着很大挑战。为了克服这些缺点,提出了一种基于深度学习实例分割方法的车道线检测模型。该模型基于改进的Mask R-CNN模型,首先利用实例分割模型对道路图像进行分割,提高车道特征信息的检测能力;然后使用聚类模型提取离散的车道线特征信息点;最后提出一种自适应拟合的方法,结合直线和多项式两种拟合方法对不同视野内的特征点进行拟合,生成最优车道线参数方程。实验结果表明,该方法提高了检测速度,在不同场景下都具有较好的检测精度,能够实现对各种复杂实际条件下的车道线信息的鲁棒提取。     

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。     

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。     

基于改进的Hough变换和K-mean聚类的RANSAC车道线检测方法

针对车道线检测中特征点匹配方法存在实时性不高和精度低的问题,本文首先提出了基于消失点改进的Hough变换提取特征线,剔除了干扰线,提高的计算量;然后对特征数据集采用 K-means 聚类和RANSAC拟合算法,首先利用 K-means 聚类对改进的Hough变换提取的特征点进行预处理,剔除了孤立的特征点,接着匹配Catmull-Rom 样条曲线进行RANSAC拟合,相当于二次优化,实现了车道线的快速和精确配准。通过实验表明,该算法不仅提高了车道线识别的精确度,而且具有很好的鲁棒性。     

基于改进YOLOv3算法的公路车道线检测方法

针对YOLOv3算法在检测公路车道线时存在准确率低和漏检概率高的问题, 提出一种改进YOLOv3网络结构的公路车道线检测方法.该方法首先将图像划分为多个网格, 利用K-means++聚类算法, 根据公路车道线宽高固有特点, 确定目标先验框数量和对应宽高值; 其次根据聚类结果优化网络Anchor参数, 使训练网络在车道线检测方面具有一定的针对性; 最后将经过Darknet-53网络提取的特征进行拼接, 改进YOLOv3算法卷积层结构, 使用GPU进行多尺度训练得到最优的权重模型, 从而对图像中的车道线目标进行检测,并选取置信度最高的边界框进行标记.使用Caltech Lanes数据库中的图像信息进行对比试验, 实验结果表明, 改进的YOLOv3算法在公路车道线检测中平均准确率(Mean average precision, mAP)为95%, 检测速度可达50帧/s, 较YOLOv3原始算法mAP值提升了11%, 且明显高于其他车道线检测方法.     

基于密集分割网络的车道线检测方法

传统车道线检测算法大多数依赖手工制作特征和启发式算法的组合,容易受车辆遮挡和地面污损等因素的影响。针对影响车道线检测的复杂问题,将车道线检测视为连续细长区域实例分割问题,提出了一种基于密集分割网络的车道线检测方法。为此,使用稠密块构建了一个密集分割网络DSNet,该网络能够利用特征重复使用的特性提高提取车道线实例特征和恢复特征图分辨率的性能。同时,还引入了邻近AND运算和Meanshift聚类算法对DSNet网络的输出进行处理,减小了非车道线像素的影响,使得检测结果的边界线更为清晰。实验表明,本文方法能很好地解决车辆遮挡和地面污损问题,并且还能确定车道线的数量,具有较好的鲁棒性和实时性。     

基于改进Enet网络的车道线检测算法

针对实际驾驶环境中道路场景及车道线复杂多样的问题,提出一种基于改进Enet网络的车道线检测算法。首先,对Enet网络进行剪枝和卷积优化操作,并利用改进的Enet网络对车道线进行像素级图像语义分割,将车道线从图像中分离出来。然后,采用DBSCAN算法对分割结果进行聚类处理,将相邻车道线区分开来。最后,对车道线聚类结果进行自适应拟合,得到最终的车道线检测结果。该算法在香港中文大学的CULane数据集上进行了训练和测试,结果表明,其标准路面检测准确率达到96.3%,各种路面综合检测准确率为78.9%,图像帧处理速度为71.4fps,能够满足实际驾驶环境中的复杂路况和实时性需求。此外,该算法还在图森未来的TuSimple数据集和实采数据集LD-Data上进行了训练和测试,均取得了实时性的检测结果。     

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。