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。     

克服阴影和车道线影响的路面坑洞识别研究

坑洞是非常严重的路面损坏,实现对路面坑洞的自动识别,对于自动驾驶车辆的安全性有重要意义。为解决现有路面坑洞识别方法易受阴影、车道线影响的问题,提出了一种可克服阴影和车道线影响的路面坑洞识别方法。该方法采用纹理和灰度信息相融合的灰度补偿算法去除图像中的阴影、车道线后,根据纹理特性利用小波变换对图像进行分解与融合,得到路面缺陷区域,然后利用积分投影得到路面缺陷区域的形状特征,再经支持向量机分类,得到含有坑洞的路面图像。实验结果表明,在有阴影、车道线影响的情况下,方法坑洞识别准确率更高。     

基于期望横摆角速度的视觉导航智能车辆横向控制

针对采用传统位置偏差控制方法的车道保持系统横向控制精度不高以及鲁棒性差等问题,提出一种跟踪期望横摆角速度的车辆横向控制方法。在车辆当前行驶位置和道路预瞄点之间实时规划逼近目标路径的虚拟路径,同时分析当前时刻车辆以无偏差形式沿此虚拟路径行驶时决定车辆行驶位置的横摆角速度及速度之间的关系。结合车辆道路相对位置及车身状态信息,设计期望横摆角速度生成器。基于7自由度非线性车辆动力学模型,设计滑模控制器跟踪期望横摆角速度,使得车辆稳定地跟踪目标路径。根据车道线宽度和边缘点数量统计进行边缘检测,能有效识别模糊车道边缘和抑制噪声,并通过对消失点的检测来有效去除非车道线的干扰。仿真及试验结果表明,与传统的位置偏差控制方法相比,期望横摆角速度法不仅能提高车辆横向控制的精确性且跟随偏差随车辆速度及道路曲率的变化波动范围小,具有很好的鲁棒性和自适应性。     

换车道过程中搜索车道线的一种方法

针对车道偏离预警系统（LDWS）车道图像处理中，图像通常包含许多与车道搜索无关的信息，以及常规方法不能处理换车道过程中车道线跟踪的问题，提出了一种基于车辆运动状态的感兴趣区（ROI）确定方法，并给出了基于该方法建立感兴趣区的原理与方法。应用该方法对各种工况进行了试验，试验结果表明方法运行可靠，能够很好地解决换道过程中车道线跟踪的问题。     

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。     

应用方向可调滤波器的车道线识别方法

考虑车道线的方向特性,提出一种应用方向可调滤波器的图像预处理方法。在对图像中的车道线方向特性进行分析的基础上,对图像进行分区处理,在每个区域内使用符合该区车道线方向的方向可调滤波器。在车道线初始检测阶段,利用边缘分布函数(Edge distribution function, EDF)确定车道线方向;在车道线跟踪阶段,则把上一轮检测结果作为方向可调滤波器的方向角输入。对比分析表明,该方法能够更加有效地强化车道线信息,去除图像噪声。经过多种工况下的试验验证,应用方向可调滤波器的车道线识别方法能够稳定地对车道线进行识别,准确地提取车道线参数,并且算法实时性很高。     

基于动态感兴趣区域的车道线识别与跟踪

利用车载机器视觉系统识别车道线以确定运动车辆相对道路的横向位置,是目前高速公路等规格化道路上实现车道保持的主要手段。通过理论计算确定采用车道线线性模型,能够满足识别的精度要求,同时提高了系统的实时性。卡尔曼滤波器动态确定感兴趣小窗口的大小和位置,实现车道线自动跟踪,使得图像预处理和车道线的Hough变换识别只在小窗口内进行,降低了计算成本。现场跑车试验结果表明,一帧道路图像的预处理和车道线识别与跟踪时间小于30 ms,且系统对道路上其他运动车辆等干扰具有较强的鲁棒性。     

基于激光雷达点云的配网带电作业机器人的目标识别

为满足配网带电作业机器人作业任务要求，提出一种基于激光雷达点云的电气设备识别方法。采集点云后，进行预处理操作，清除干扰点并保留作业区域的点云。基于几何特征，初步检测电杆和绝缘机械臂，然后利用电杆与机械臂之间的几何约束条件，通过最小二乘法对识别结果进行迭代优化。利用所获得的电杆和机械臂构成结构所提供的几何信息，进一步处理电力线点云，实现电力线点云识别。实验表明，该方法能快速、准确、稳健地从作业区域的激光雷达点云中分割和识别电杆、机械臂和电力线，为机器人执行各种后续作业任务提供充足信息。     

改进UNet与DBSCAN融合的车道线检测方法

室内外标记线和车道线检测是移动作业机器人研究的难点这一。针对现有方法效率低、精度差等问题，提出了改进UNet与DBSCAN融合的车道线检测方法。基于分布式融合结构，将图像输入嵌有并行融合注意力模块的UNet,通过注意力机制加大车道线权重，并抑制干扰信息，以获得更好的识别结果。三维激光雷达的点云数据通过随机抽样一致算法和自适应邻域DBSCAN获得车道线原始点云，经过最小二乘拟合得到点云车道线。在像素坐标系上引入匈牙利算法匹配决策判断，实现车道线拟合。基于KITTI数据集和真实数据集进行试验验证，识别结果优于UNet和LaneNet,检测时间平均约为0.5 s,相比纯视觉方法具有较好的鲁棒性和准确性。     

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。     

一种应用于车辆识别的去除路面干扰方法

提出了一种应用零高度假设检验的车辆检测方法以去除路面上阴影、交通标志等造成的干扰。该方法的原理是,假设初始检测所得到的所有目标物都是位于路面上的二维物体,利用目标物在跟踪过程中的位置变化对假设进行检验,通过假设检验的目标即为路面干扰。车辆的初始检测是利用基于特征的方法对单目视觉获取的图像和激光雷达获取的数据进行检测的,把未能通过假设检验的初始检测结果加入跟踪档案,删除那些通过假设检验的目标。试验表明,该方法能够在多种工况下对车辆进行识别,并能降低存在路面干扰情况下的识别误检率。     

基于模糊控制的汽车路径跟踪研究

汽车是一个非常复杂的非线性动力学系统,难以建立精确的数学模型,而模糊控制方法适用于难以建立精确数学模型的对象。将模糊控制理论引入汽车操纵逆动力学中,以汽车三自由度模型为研究对象,根据侧向偏差和偏差变化率设计了车辆的路径跟踪模糊控制器。对某车型跟踪给定双移线和蛇形路径行驶情况进行了仿真。结果表明,模糊控制方法可保证汽车准确地跟踪给定参考路径,可以作为车辆路径跟踪控制的一种有效控制方法。     

基于相邻车道安全态势划分的换道决策

针对大多数换道决策研究中存在的相邻车道的交通状态分析不足致使换道安全性难以保证的问题,提出一种基于相邻车道安全态势划分的换道决策方法。根据车-车相对位置关系,建立关联车辆分类准则,确定当前车道、相邻车道和相邻第二车道上需要监测横、纵向运动状态的车辆。设计深度神经网络和基于左、右换道差异的横向偏离判断标准对关联车辆的车道保持、车道偏离和换道的横向运动行为进行预测。考虑关联车辆不同横向运动行为对自车相邻车道安全态势的影响,结合车-车相对纵向运动状态,设计自车相邻车道的安全态势划分方法,确定自车相邻车道的安全等级。在此基础上,设计换道决策准则,实现车辆换道的精准决策。仿真结果表明,所提出的换道决策方法能够准确的预测关联车辆的横向运动行为,可以在不同行驶环境下实现更加精准的换道决策,提高了车辆换道的安全性,并通过实车试验,进一步验证了所提出的换道决策方法的有效性。     

[智能感知]基于YOLO_v2模型的车辆实时检测

In order to solve the problems of poor real-time detection and single acquisition information from vehicle-mounted camera, a real-time vehicle detection algorithm was proposed based on improved YOLO_v2 model. Based on the YOLO_v2 network structure, a vehicle detection model was established, which proved that the YOLO_v2 algorithm had high accuracy and good real-time performance in vehicle detections. And the YOLO_v2 algorithm was improved so that the improved one might perform multi-dimensional judgments on the vehicle-mounted video informations： judging whether there was a vehicle and the vehicle positions in the pictures, judging the relative positions to camera and the movement trend of the detected vehicles, judging the danger degree of the detected vehicles to the own vehicle. The experimental results show that the improved model achieves good detection effectiveness on vehicle-mounted video, solves the problems of low real-time vehicle detections in vehicle-mounted video, extends the traditional vision-based vehicle detections from single dimensional detections to multi-dimensional detections.     

结构化道路中车道线的单目视觉检测方法

车道线实时检测是智能车辆视觉导航系统中的重要研究内容.提出了一种基于单目视觉的车道线实时检测方法.首先用Canny边缘检测方法对给定图像进行边缘检测.然后提出一种基于方向优先级的车道线搜索方法,分别对左右车道独立完成搜索,在增强车道线特征的同时削弱其他边缘特征.接下来用霍夫变换计算每条线段的直线度,过滤具有复杂纹理的边缘.最后利用图像的亮度信息及其变换识别出车道线.对提出方法进行了实验验证,结果显示提出方法定位准确,在PIII 933 MHz的CPU上的处理速度平均达每秒13帧,能够满足车辆驾驶的安全性和实时性要求.     

基于标识线导航的自动导引车跟踪控制

为实现自动导引车对标识线路径的识别和跟踪,提出一种原理简单的视觉图像处理方法,包括阈值分割、滤波、边缘检测、变形矫正和改进的车体相对位置参数提取等。此方法能有效降低噪声干扰、图像变形对参数提取的影响以及增加图像处理的实时性;还提出一种适于自动导引车跟踪控制的最优控制策略。为验证理论分析的正确性,先对标识线图像进行处理,然后进行自动导引车的跟踪控制试验。结果表明,采用此种图像处理方法和最优控制策略的自动导引车,具有较为准确和可靠的路径跟踪效果。     

基于多任务Faster R-CNN车辆假牌套牌的检测方法

针对现有车辆假牌套牌各种检测方法存在计算复杂度高、检测精度低、鲁棒性欠缺等问题,提出一种基于多任务的高速区域卷积神经网络(Faster R-CNN)车辆假牌套牌的检测方法。首先利用时空约束得到疑似套牌车辆,接着用Faster R-CNN定位分割出车辆前脸部分图像,然后对疑似套牌车辆的车脸公脸部分(车辆的基本特征)的特征进行比对;在此基础上再对高仿套牌车辆的车脸私脸部分(车检标)的细微特征进行检测比对。这种分层次的、从车辆宏观特征到微观特征的视觉检测方法,具有检测速度快、鲁棒性高、泛化能力强、实施部署方便、检测精度高等优点。实验研究表明,在Vehicle ID数据集和杭州卡口数据集中分别取得了99.39%、99.22%的检测精度。