基于改进卡尔曼滤波的车道线与车辆跟踪系统算法研究

针对传统的车道线跟踪系统在复杂交通流情况下,利用卡尔曼滤波无法有效跟踪车道线的问题,论文提出了一种融合车辆与车道线检测的跟踪算法.该算法首先利用二阶高斯方向滤波器提取车道线检测的响应,同时利用haar-like特征检测图像平面中的车辆的2D回归框,并利用卷积神经网络预测车辆的3D回归框区域.利用车辆3D回归框的在车道线平面上的投影,结合改进的卡尔曼滤波同时跟踪车道线和车辆位置,避免因为车辆的遮挡造成对车道线的跟踪失效问题.实验室结果表明提出的融合车道线与车辆跟踪算法具有较好的准确性和鲁棒性.     

一种用于高速公路的快速有效的车道线识别算法

提出了一种针对高速公路的车道线检测与跟踪方法;在图像预处理中采用基于采样的自适应阈值以满足不同光照条件下的使用要求,采用霍夫变换(HT,Hough Transform)进行车道线初始检测,车道线跟踪利用Kalman预测参数动态建立感兴趣区域(ROI,Region of Interest),用扫描线法搜索车道线边界点,在车道线间断区域利用Kalman预测器定位车道线边界;设计了一个失效判别模块,验证跟踪结果,当跟踪失败时,重新启动初始检测算法进行识别;实验结果表明,对于不同的车道线种类和在大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。     

改进GM(1,1)模型的前车检测与跟踪研究

提出了一种改进灰色预测模型GM(1,1)的前方车辆检测与跟踪方法,利用Hough变换识别两侧车道标识线,缩小前方车辆检测与跟踪区域,完成对前方车辆的检测之后,通过改进GM(1,1)模型的持续更新,搜索其运动规律,并对前方车辆的运动轨迹进行预测,根据预测结果实现对前方车辆的跟踪。实验结果表明,该方法不需要对随机噪声序列和目标运动规律进行假设,克服了随机噪声和分离合并的影响,具有较好的实时性和鲁棒性,适合于范围较小的前方车辆检测与跟踪。     

基于霍夫变换算法的车载视频车道线检测

基于车载视频监控,围绕车道线检测及车道线模糊或缺失等应用进行研究,并将研究成果应用到道路巡检管理系统中,取得了良好的工程实践应用效果。采用了霍夫变换检测算法筛选当前车辆行驶所在车道的左右车道线,通过数量检测对车道线缺失进行判断预警。为了进一步提升应用的可靠性、减少因车辆变道或前方车辆遮挡而导致的车道线缺失误判,研究了车道线偏离和前方障碍物判断预警方法。以俯瞰视角,对车道线、摄像头成像及车辆姿态进行建模,计算车辆行驶偏移的角度和相对距离,判断车辆偏移情况。     

车道标识线识别和跟踪方法研究

为了得到比较理想的道路图像中车道标识的边缘,文中采用了基于二维直方图熵最大化的车道标识边缘提取方法。对此边缘图像采用定向边界跟踪方法提取出车道标识特征点,对这些特征点采用线性回归技术就可以得到车道标识线参数,从而完成对道路图像中的车道标识线的识别,并且文中还采用了建立梯形的感兴趣区域的办法实现了对车道标识线的实时跟踪。     

强光照条件下车道标识线识别与跟踪方法

为了实现强光照条件下车道标识线的准确识别和跟踪,采用基于直方图锥形拉伸算法对原始图像进行处理,以提高图像整体对比度,利用SUSAN算法提取出处理后图像中的边缘,对边缘图像利用定向边界跟踪算法进行滤波,利用Hough变换提取出车道标识线参数完成对道路图像中的车道标识线的识别,最后采用建立梯形感兴趣区域来实现对车道标识线的实时跟踪.试验结果表明该方法具有较强的鲁棒性和较好的实时性.     

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.     

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.     

基于单目视觉的纵向车间距检测研究

提出了一种在结构化公路上基于单目视觉的纵向车间距的检测方法;利用Hough变换识别两侧车道标识线,确定前方车辆识别区域,检测并跟踪本车道内的前方车辆,在传统的静态单帧图像测距模型的基础上,建立了一种改进的静态单帧图像测距模型,并实现了纵向车间距的测量;实验结果表明,该方法能够实时识别跟踪前方车辆,准确检测纵向车间距,其测量值与真实测量值相比较,误差比较小,测量精度较为准确,完全能够满足实际测距要求,是一种非常有效的纵向车间距检测方法,具有较强的通用性。     

基于车道标线分解的车道检测

利用图像处理技术,提出了一种基于车道标线检测的自动车辆驾驶控制方法。针对公路上车道标线的图像特征,将图像平面的车道标线分割为下标线(LLM)和上标线(ULM),研究了它们的性质。在此基础上,提出了基于车道标线分解的车道检测新方法。实验结果表明所用方法能有效提取用于车辆驾驶控制的车道状态参数。     

Towards an automatic system for road lane marking extraction in large-scale aerial images acquired over rural areas by hierarchical image analysis and Gabor filter

An automatic approach to road lane marking extraction from high-resolution aerial images is proposed, which can automatically detect the road surfaces in rural areas based on hierarchical image analysis. The procedure is facilitated by the road centrelines obtained from low-resolution images. The lane markings are further extracted on the generated road surfaces with 2D Gabor filters. The proposed method is applied on the aerial images of the Bruce Highway around Gympie, Queensland. Evaluation of the generated road surfaces and lane markings using four representative test fields has validated the proposed method.     

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。     

Robust and ubiquitous smartphone-based lane detection

Lane-level positioning is required for several location-based services such as advanced driver assistance systems, driverless cars, predicting driver’s intent, among many other emerging applications. Yet, current outdoor localization techniques fail to provide the required accuracy for estimating the car’s lane.In this paper, we present LaneQuest: an accurate and energy-efficient smartphone-based lane detection system. LaneQuest leverages hints from the ubiquitous and low-power inertial sensors available in commodity off-the-shelf smartphones about the car’s motion and its surrounding environment to provide an accurate estimate of the car’s current lane position. For example, a car making a u-turn, most probably, will be in the left-most lane; a car passing by a pothole will be in the pothole’s lane; and the car angular velocity when driving through a curve reflects its lane. Our investigation shows that there are amble opportunities in the environment, i.e. lane “anchors”, that provide cues about the car lane. To handle the ambiguous location, sensors noise, and fuzzy lane anchors; LaneQuest employs a novel probabilistic lane estimation algorithm. Furthermore, it uses an unsupervised crowd-sourcing approach to learn the position and lane span distribution of the different lane-level anchors.Our evaluation results from implementation on different Android devices and driving traces in different cities covering 260 km shows that LaneQuest can detect the different lane-level landmarks with an average precision and recall of more than 91%. This leads to an accurate detection of the exact car lane position 84% of the time, increasing to 92% of the time to within one lane. This comes with a low-energy footprint, allowing LaneQuest to be implemented on the energy-constrained mobile devices.     

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.     

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。、     

基于单目视觉的汽车防偏防追尾预警系统研究

该文设计了一个基于单目视觉的汽车防偏防追尾预警系统,应用于主要障碍物为车辆的结构化道路环境.利用视觉传感器提供的道路图像序列亮度、纹理、形状等丰富特征,对汽车前方道路和车辆进行检测和跟踪,根据其危险程度,向驾驶员提供可靠的防偏指令和防追尾预警信号,并辅以声光报警.介绍了系统软硬件结构,给出了主程序流程图.对定位前方道路及车辆的算法和预警方案等关键技术进行了研究,给出了系统可行性和有效性验证的仿真和初步试验结果.     

Real-time multiple vehicle detection and tracking from a moving vehicle

Abstract. A real-time vision system has been developed that analyzes color videos taken from a forward-looking video camera in a car driving on a highway. The system uses a combination of color, edge, and motion information to recognize and track the road boundaries, lane markings and other vehicles on the road. Cars are recognized by matching templates that are cropped from the input data online and by detecting highway scene features and evaluating how they relate to each other. Cars are also detected by temporal differencing and by tracking motion parameters that are typical for cars. The system recognizes and tracks road boundaries and lane markings using a recursive least-squares filter. Experimental results demonstrate robust, real-time car detection and tracking over thousands of image frames. The data includes video taken under difficult visibility conditions. Received: 1 September 1998 / Accepted: 22 February 2000     

夜晚车辆异常事件分析

夜晚车道模型是车辆跟踪和车辆行为分析的基础,但是当高速公路或者城市道路光线较暗时,很难通过车道检测的方法来建立车道模型,夜晚车辆快速行驶或相邻帧车辆之间重叠度较低时无法实现准确跟踪。针对此类问题提出了一种基于学习的车道模型建立方法和基于多帧的最佳匹配跟踪方法。首先利用自动多阈值分割方法提取场景中光亮的目标;其次,利用车灯的相关特征移除非车灯光亮区域;接着,利用空间信息把车灯聚类成一个车辆目标,利用多帧的最佳匹配跟踪方法进行跟踪;最后利用车辆跟踪参数与车道模型的融合对夜晚车辆异常事件进行分析。实验结果表明,该算法能够准确地检测出夜晚车辆换道、逆向行驶、交通拥挤、停车等异常事件,并且有很强的鲁棒性。     

视频图像的车辆速度实时检测算法研究

在监控视频图像中因拍摄角度的问题,导致图像中的车道线并不是竖直的。针对在此图像中选取对应块,实现车辆速度实时检测的问题,分析了车身的特征及图像中车道线的倾斜角度,选择车灯作为对应块,选取车灯存在的候选区域;然后根据车灯的对称性强度筛选车灯带,实现车灯的准确定位,并把车灯移动的距离通过摄像机标定转换到实际坐标中,从而实现车辆速度的实时检测。实验结果证明该方法运行速度快,定位准确。因此可以广泛的应用于红绿灯路口环境中实现视频图像的车速实时检测。