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.     

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.     

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。     

一种基于扫描线的车道线识别算法

车道线识别是智能汽车视觉导航系统必须实现的基本功能.本文提出了一种基于扫描线的车道线识别算法.算法中使用定向边缘抽取算子和包含自适应阈值的双阈值二值化方法对道路图像进行预处理.使用扫描和区域划分提取车道线像素,并使用分段直线段道路模型建立车道线方程.本算法在路面情况较好的结构化道路上的平均识别率为95%.     

基于改进的Mean Shift方法的高分辨率遥感影像道路提取

遥感影像的道路提取长期以来一直是数字摄影测量未能解决的难题之一。本文在探讨了均值漂移、区域分割、边缘检测、轮廓跟踪的基础上,提出一种基于均值漂移和利用统计面积去除和合并小区域的道路提取算法,并采用数学形态学方法消除错误道路,利用轮廓跟踪法获取道路的边缘,实现道路的提取;通过与基于区域分割、边缘检测算法提取结果对比,结果表明,本文的算法进行道路提取的效果更好。     

一种自适应的区域生长算法用于道路分割

针对汽车在高速公路上行驶的道路区域分割问题,以路面颜色特征为研究对象,提出了一种将聚类分析应用于区域生长准则的算法,实现道路分割.为了提高算法的精确度,对图像进行预处理,消除车道线对道路分割的干扰.根据图像预处理之后道路信息分布的特点,将图像分为3块子区域分别用不同的算法进行检测.对于道路信息丰富,非道路信息也较多的中...     

汽车智能辅助驾驶系统中的单目视觉导航技术

在智能交通系统中，自动驾驶系统或许是最难于实现的技术之一．许多学者努力 想找到解决自动驾驶这个难题的方法．本文介绍了一种新的思想和一些新的算法，它立足于 单目视觉技术来实现车道保持和进行障碍物检测，进而力图解决视觉导航问题．首先运用多 阈值分割技术提取高速公路上当前车道的分道线，接着对分道线建立了圆锥曲线模型进行二 维重建．在道路模型的约束下，笔者提出方向分形维的算法确定前方车辆的位置，进而运用 旋转，平移和缩放中心不变矩（RTM）判断其真伪，最后采用有色噪声的卡尔曼滤波对真实 障碍物进行跟踪．本系统不但能根据分道线模型获得保持车道所需的方向信息，也能检测本 车道前方障碍物而防止碰撞．系统在四川和重庆的高速公路上以每小时100公里的速度进行 了试验，能圆满完成车道保持和障碍物检测的任务．     

视觉机器人对于快速道路检测问题的研究

针对复杂环境下视觉机器人道路检测算法的抗干扰性差、速度慢的缺点,为抑制噪声的干扰,提高算法的运行速度,提出了一种基于边缘和区域相结合的道路检测算法。算法先采用Canny算子求出图像的边缘,再根据道路的色彩信息进行自适应的区域分割,然后结合图像边缘信息和区域分割信息确定出道路的边界区域,最后对该区域的边缘图像进行Hough变换检测道路。实验结果表明,边缘提取的检测算法有效地提高了算法的抗噪性能和运行速度,具有更好的道路检测效果。     

基于CANNY算法的道路交通标线识别方法

现如今在智能交通领域,车道线及交通标志的识别已经发展得较为成熟,但缺乏对于交通道路中标线识别的研究。为了解决道路交通标线识别中标线分类复杂以及精确程度不高等问题,提出了一种基于CANNY算法的道路交通标线识别方法。针对视频中道路交通标线的提取及其识别,提出通过结合阈值分割提取颜色特征及使用CANNY算法检测标线边缘特征等信息,定位出标线所在原始图像的位置,并将ROI定位区域标定分割,得到初步的检测区域,将ROI定位区域标定分割后结合SURF算法提取出图中的特征点,最后基于快速近似最近邻搜索匹配方法对标线进行识别。实验发现,此方法剔除了后期检测时冗余的特征点,减少了处理时传输量,加快了识别速度,对现实场景中车道线的识别效果良好。     

基于分段归类拟合算法的车道检测系统

丰道检测是车道侧偏检测的前提,是车辆辅助驾驶系统的重要组成部分.通过双阈值法得到二值化图像,将车道图像分为近景和远景两部分,采用分段归类拟合算法,归类相邻像素点,分段拟合同类车道线,分区域连接相似车道线的方法,对直道和弯道进行拟合.实验结果表明,分段归类拟合算法在晴天,强光照等条件下,具有良好的直道和弯道的拟合效果,有较强的抗噪声能力,是一种可靠的实时车道检测方法.     

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。     

基于边缘特征的车道偏移检测与预警

车道偏移的检测是智能车辆辅助驾驶系统中的重要技术问题之一.通过基于灰度阈值分割的梯度边缘检测技术,在对路面图像进行边缘检测的同时,配合以路面的灰度信息,准确地分离出车道标志线的边缘,再依此定义车道的跟踪区域--感兴趣区域(ROI),利用车道边缘信息定义边缘分布函数EDF(Edge Distribution Function),通过对跟踪区域中车道线梯度方向的分析,获取两条车道标志线在道路图像中的方向,以此作为车道偏移判断与预警的主要根据.该方法能够有效地抑制图像中非线性物体的干扰,是一种有效、可靠的车道偏移检测与预警方法.     

Vision-based approach towards lane line detection and vehicle localization

Localization of the vehicle with respect to road lanes plays a critical role in the advances of making the vehicle fully autonomous. Vision based road lane line detection provides a feasible and low cost solution as the vehicle pose can be derived from the detection. While good progress has been made, the road lane line detection has remained an open one, given challenging road appearances with shadows, varying lighting conditions, worn-out lane lines etc. In this paper, we propose a more robust vision-based approach with respect to these challenges. The approach incorporates four key steps. Lane line pixels are first pooled with a ridge detector. An effective noise filtering mechanism will next remove noise pixels to a large extent. A modified version of sequential RANdom Sample Consensus) is then adopted in a model fitting procedure to ensure each lane line in the image is captured correctly. Finally, if lane lines on both sides of the road exist, a parallelism reinforcement technique is imposed to improve the model accuracy. The results obtained show that the proposed approach is able to detect the lane lines accurately and at a high success rate compared to current approaches. The model derived from the lane line detection is capable of generating precise and consistent vehicle localization information with respect to road lane lines, including road geometry, vehicle position and orientation.     

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。     

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SIS算法和LSD的车道线检测方法研究

为了降低车道线识别算法在车道线存在阴影遮挡、路面出现泛白现象等不同道路环境下的误检率,提出了一种基于改进简单图像统计(SIS)阈值算法和直线段检测(LSD)的车道线检测算法。首先,在图像预处理阶段采用改进的SIS阈值算法进行二值化。然后采用直线段检测(LSD)算法检测直线,通过平行线对来估计消失点位置并利用消失点去除干扰。最后,利用车道线连续性和车道间距确定车道线感兴趣区并精确确定车道线位置。分别采用加州理工学院的车道数据集和实际采集的城市道路、高速公路的视频对所提出方法进行了实验验证,实验结果表明,该算法误检率低,鲁棒性高,能在复杂环境下快速、准确识别车道线。     

引入辅助损失的多场景车道线检测

目的 为解决实时车辆驾驶中因物体遮挡、光照变化和阴影干扰等多场景环境影响造成的车道线检测实时性和准确性不佳的问题,提出一种引入辅助损失的车道线检测模型。方法 该模型改进了有效的残差分解网络（effcient residual factorized network,ERFNet）,在ERFNet的编码器之后加入车道预测分支和辅助训练分支,使得解码阶段与车道预测分支、辅助训练分支并列,并且在辅助训练分支的卷积层之后,利用双线性插值来匹配输入图像的分辨率,从而对4条车道线和图像背景进行分类。通过计算辅助损失,将辅助损失以一定的权重协同语义分割损失、车道预测损失进行反向传播,较好地解决了梯度消失问题。语义分割得到每条车道线的概率分布图,分别在每条车道线的概率分布图上按行找出概率大于特定阈值的最大点的坐标,并按一定规则选取相应的坐标点,形成拟合的车道线。结果 经过在CULane公共数据集上实验测试,模型在正常场景的F1指标为91.85%,与空间卷积神经网络（spatial convolutional neural network,SCNN）模型相比,提高了1.25%,比其他场景分别提高了1%~7%;9种场景的F1平均值为73.76%,比目前最好的残差网络——101-自注意力蒸馏（ResNet-101-self attention distillation,R-101-SAD）模型（71.80%）高出1.96%。在单个GPU上测试,每幅图像的平均运行时间缩短至原来的1/13,模型的参数量减少至原来的1/10。与平均运行时间最短的车道线检测模型ENet——自注意力蒸馏（ENet-self attention distillation,ENet-SAD）相比,单幅图像的平均运行时间减短了2.3 ms。结论 在物体遮挡、光照变化、阴影干扰等多种复杂场景下,对于实时驾驶车辆而言,本文模型具有准确性高和实时性好等特点。     

全局图像特征分析与实时层次化消失点检测

为了使道路场景的消失点检测能够适应不同的道路条件,提出基于全局图像特征的层次化消失点检测方法。通过全局图像特征提取全局道路特征,将道路分为4类并粗粒度定位道路区域。根据分类选择提取道路标识或边缘特征进行尺度变换的线段检测或区域分割并投票消失点集,再选择使用逆透视仿射变换或色彩纹理信息验证获得有效消失点。通过图像预处理移除道路车辆及阴影干扰,进一步提高检测精度。实验证明道路特征分类有效,在光照阴影、色彩纹理及遮挡等条件各异的场景中,层次化消失点检测方法均获得实时鲁棒的检测结果,比现有在复杂场景平均误差较小的基于本征直线方向与色彩纹理的检测方法精度与效率分别提高37.5%和20%。     

基于车载图像的目标车辆压线检测方法

车辆压线检测是智能交通系统的一个重要功能,为此提出一种基于车载图像的目标车辆压线检测方法.首先,利用合成数据方法构建一个类型丰富多样的压线检测数据集;然后,结合图像语义分割方法完成车辆检测和车道线检测并以分割图形式表示结果,再使用前后轮估计的方法获取车辆前后轮的位置;最后,通过车轮与车道线位置对比实现车辆压线判断.实验表明,结合图像语义分割模型后,所提方法的压线检测平均准确率达到88.7%,平均耗时35 ms,具备一定的实际应用价值.