基于单目视觉的无人车环境感知技术研究

为提高无人车的主动安全性能,对其环境感知技术进行了研究,提出了一种在结构化道路上基于单目视觉的汽车前方可行区域内的障碍物检测方法;在确定路面感兴趣区域时,提出了基于模糊聚类的边界跟踪检测算法,实现对车道线的识别;针对序列图像帧间差分法的不足,提出了一种基于帧间差分法的二次改进算法,在突出障碍物特征信息后,采用了静态单帧图像特征处理算法,确定出障碍物位置。实验结果表明,该方法能够有效地识别出车道标志线以及感兴趣区域内的障碍物信息。     

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。     

直线道路识别实用性的优化分析

为了提高车道识别的实时性与鲁棒性,提出了一种车道识别优化方法。通过建立强鲁棒性的车道模型,对传统的道路图像边缘算法优化处理:图像预处理中充分考虑实用性,采用了加权平均法实现灰度化、中值滤波法降噪处理以及自适应Otsu法二值化分割图像、Canny算法实现边缘检测;基于模型利用极角极径法提取图像的感兴趣区域,改进Hough算法实现有效车道线的识别。最后实验证明,通过与传统方法比较,该算法极大提高了车道识别的效率并且增强了可靠性。     

基于特征提取的车道线快速检测方法研究

车道线检测是无人驾驶车辆及车道偏离预警等系统的关键技术。针对自动驾驶车辆当前道路可行驶区域检测精度不高、环境适应性差及实时性差的问题，提出了一种基于特征提取的快速检测车道线的方法。在图像预处理阶段，首先读取视频图像，把每一帧RGB图像转为灰度图，通过Canny算子对图像的边缘轮廓进行提取，然后绘制车道线的掩码区域，并与边缘检测结果图结合，对感兴趣区域（ROI），也就是对车道线所划分的汽车当前可行驶区域进行提取。最后进行概率霍夫变换和最小二乘拟合，并将得到的直线绘制到原图像中，最终对每一帧处理后的图像进行输出。该算法在多种边缘检测方法中选用Canny算法，并针对人为选取双阈值的复杂性问题，提出了自适应调节、选取阈值的方法；运用改进的概率霍夫变换对车道线进行检测，并进行离群值的过滤，有效提高了检测精度和速度。结果表明：该算法处理每一帧图像的时长为13.9 ms，且平均准确率达到97.6%，具有较好的实时性和准确性。     

基于OpenCV图像处理的车道线识别研究

近年来,智能驾驶技术成为国内外学者研究的热门,车道线识别技术作为智能驾驶领域的一项关键技术,需要准确地识别出各种条件下的车道线。本文设计了一种基于OpenCV图像处理的车道线识别算法,该算法首先将图像进行色彩空间转换,然后利用大津法（OTSU）和Canny算子对图像进行分割,设计掩膜找出图像中的感兴趣区域,采用渐近概率式Hough变换对直线车道线进行检测,拟合直线绘制出车道线,最后借助OpenCV平台对算法进行实现,结果表明该算法对直线车道线识别具有很好的效果。     

应用多阶动态规划的车道线识别方法

根据图像中车道线特征,提出一种应用多阶动态规划的车道线识别算法.为准确识别车道线,算法利用非均匀B样条曲线拟合车道线,通过多阶动态规划确定非均匀B样条曲线的控制点.根据多阶动态规划的起始点和目标点确定车道线检测区域,进行区域分割确定动态规划的阶数,确定控制点的候选点;根据定义的代价函数和最优化原理,利用多阶动态规划确定曲线的控制点;拟合车道线,实现车道线的识别.处理各种路况的视频图像进行算法验证,试验结果表明,对于实车道线和虚车道线的直道、左转、右转的多种路况条件下,算法能有效准确地提取车道线的参数,稳定地实现车道线的识别.     

一种基于横截面特征的车道线检测方法

车道线检测是自动驾驶的基本任务之一,提出了一种高效稳定的车道线提取拟合和跟踪的算法。根据车道线的截面特征逐行提取车道线特征点,并使用连通域聚类滤波,与传统的霍夫算法相比降低算法复杂度,提高运行效率。将提取的车道线特征点区域分成近视场和远视场,并分段拟合,提高拟合精度。使用卡尔曼滤波算法对车道线的端点和斜率进行跟踪,以此缩小感兴趣区域,提高运行效率。实验中,该方法能够完成多种不同场景下的车道线检测,证明了该算法具有良好的鲁棒性和实时性。     

一种基于形态学特征的车道线识别方法

现有车道线检测算法主要用边缘信息提取车道特征,通过相邻像素点灰度的对比产生特征点,易受多种外部因素影响导致检测结果易受干扰,为此,提出了一种新的特征点提取算法。该算法通过计算区域内灰度各向结构张量的旋度,选择变化趋势最大的像素作为特征点,提高了算法在复杂情况下的鲁棒性。在兴趣区域采用新的车道线特征提取算法提取特征点,而后筛选特征点,并用Hough变换拟合。在求得车道线后,通过特征点坐标方差区分虚线和实线。通过约15 500帧不同时间段的车道图片对算法进行检验,结果表明:检测方法能很好地实现在多种环境下的车道线检测,在晴天工况下的正确率为99.18%,在雨天工况下的正确率为97.19%,在受损路面工况下的正确率为94.72%,在夜晚工况下的正确率为97.62%。     

不同光照下基于自适应图像阈值的车道保持系统设计

为兼顾智能车辆车道识别的鲁棒性和实时性,在摄像机采集的平面车道图像中确定纵横两个方向的二维约束,通过对该二维约束下的局部图像区域进行车道检测,以实现路面车道线的识别。为提高在不同光照条件下车道识别的鲁棒性,提出基于自适应图像阈值的车道识别方法。该方法以车道图像二值化后得到的车道横向宽度为依据,判定之前的二值化阈值是否合适,并经过调整得到适应各种光照的有效阈值。在此基础上进行车道保持系统设计及道路试验。其结果表明,提出的车道识别和跟踪方法能够较好地适应外界光照的变化,其车道识别和跟踪具有较好的实时性和鲁棒性。     

基于阴影的前方车辆检测方法研究

针对单目视觉智能车辆系统中,车辆检测存在大量虚假干扰导致对象的盲目和不可靠性的问题,提出将车道线检测和阴影特征相结合的前方车辆检测方法。该算法通过车道检测,排除车道外部的大部分干扰;然后利用改进的道路灰度均值方差自适应的分割车辆阴影,其中阈值通过自适应的均值和方差两方面为约束条件分段确定;其次联合通过阴影的矩形度和长度特点进行了条件筛选,并结合车辆的边缘确定了车辆候选区域;最后利用车辆的对称性进行了验证。针对不同道路场景下,车辆目标检测的正确率达到95.0%,实验结果表明:该算法能够排除道路内外的大部分虚假对象干扰,从而准确检测到前方车辆。     

[智能感知]一种基于形态学特征的车道线识别方法

The existing lane detection algorithm mainly used edge information to extract lane features, and the algorithm that generated feature points through the contrast of adjacent pixels was easily affected by many external factors, and the detection results were easily disturbed, thus a new feature extraction algorithm was proposed. This algorithm improved the robustness of the algorithm in complex situations by calculating the tensor rotation of the gray structure in the region and selecting the largest changing trend pixel as the feature point. A new lane line feature extraction algorithm was used to extract feature points in interest areas, then feature points were selected, and Hough transform was used to fit them. After the lane lines were obtained , the dashed line and the solid line were distinguished by the coordinate variances of the feature points. The algorithm was tested by driving pictures of about 15 500 frames in different time periods. The results show that the detection method may detect the lane line well under various environments, the correct rate under the sunny conditions is as 99.18%, the correct rate under the rainy conditions is as 97.19%, and the correct rate under the worn pavement conditions is as 94.72%,the correct rate under the night conditions is as 97.62%.     

一种基于逆透视变换的车道线检测方法

该文基于逆透视变换技术提出了一种车道线检测方法。将道路图像映射为逆透视图,用二维高斯滤波器对图像进行滤波,然后进行阈值处理;用Hough变换提取车道线的线条曲线,利用三阶Bezier样条曲线拟合算法进行直线拟合,获得车道线的检测结果。实验表明,该方法在图像较清晰的情况下,检测近距离的车道线获得了较好的效果,适用于平坦路面下的白色和黄色等车道线检测。     

基于计算机视觉的车道线检测与识别

该文基于计算机视觉基础,设计了一种车道线的检测与识别技术,通过汽车搭载的前置摄像头获取道路前方包含车道线等信息的实时画面,并对画面进行预处理、形态学运算、Canny边缘检测、累计概率Hough变换等一系列转换,得到正确的车道线信息。实验结果表明,该方法可以有效快速地检测和识别出正确车道线,满足了汽车无人驾驶系统的响应时间需求,在汽车无人驾驶的开发过程中有一定的现实研究意义。     

基于点集优化和干扰点模糊化的车道线识别

提出了一种抗干扰车道线识别方法，通过对车道线点集的优化，能够去除道路上行驶的其他车辆造成的干扰。优化过程主要包括点集元素的预挑选、干扰点的去除以及有效点的补充。在干扰点去除的过程中，针对车辆边界很难精确定位的问题，对干扰点集进行了模糊化处理，引入隶属度函数对点集中元素的干扰程度进行描述。多工况试验证明，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，并且算法体现出了对车辆干扰的良好抵抗能力。     

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。     

车道线实时检测的形态学算法及其DSP实现

通过分析传统车道线检测方法易受强噪声影响的特点,提出了基于形态学的车道线实时检测算法,克服了传统算法缺点,算法简单、稳定、可靠;同时介绍了算法在DSP上的实现。经实际对分辨率为736×526的道路图像进行检测,该算法检测速度达到50Hz,完全满足实时性要求。     

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。     

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。     

智能汽车环境感知算法测试评价系统开发

基于硬件在环仿真平台和六自由度驾驶模拟器,开发了智能汽车环境感知算法测试评价系统。为兼顾仿真测试的可重复性、可拓展性及道路测试的真实性,采用真实交通场景作为输入场景信息;针对现有检测算法评价依赖人工识取的不足,提出了基于机器学习的标准检测算法和基于数据关联的检测评价算法,并将系统测评结果与人工识取结果进行对比。实验结果表明,所开发的测试评价系统方案可行,测试精度较高,实时性较好,在模糊、遮挡、光照变化等复杂环境下均可实现对各种不同特性的车道线和车辆目标的准确测评,能较好地满足智能汽车环境感知算法测试评价的要求。