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。     

基于动态划分感兴趣区域的车道线检测算法

车道线检测一直是无人驾驶系统的研究热点之一。随着路况复杂程度的增加,对车道线检测效率和检测精度也不断提出更高的要求。提出一种基于动态划分感兴趣区域的车道线隔行检测算法。通过动态划分感兴趣区域将天空、当前车道两旁干扰因素等有效去除,减少了80%左右的检测量,同时也很大程度上避免了误检。在边缘点提取算法中,将检测区域划分成几个小区域,分别提取其边缘点,并采用隔行方法对其检测,最后再将提取到的这些边缘点运用最小二乘法和三次样条曲线拟合出车道线,有效提升了车道线检测算法的实时性和准确性,并且适用于多种试验环境(如雾天、雨天和夜间)。     

基于机器视觉的车道线检测算法

针对智能车辆视觉导航系统中的车道保持问题,采用图像处理技术检测结构化道路上的车道线,详细介绍了感兴趣的选取,通过对图像进行边缘检测,再结合Hough变换技术检测当前车道线,结果表明,用结合边缘检测和Hough变换来检测车道线,具有很强的鲁棒性和抗干扰性。     

基于机器视觉的车道线检测算法研究

当前随着汽车数量的增多,导致交通事故频繁发生,高级驾驶辅助系统（ADAS）应运而生,其中车道线检测是ADAS中的重要环节。传统的检测方法是先划定一个固定感兴趣区域（ROI）,然后再检测车道线,但这种方法对于一些情况比较复杂的路段检测准确率并不高,因此提出了一种根据前后帧车道线ROI和模板来检测车道线的方法。首先利用Hough变换检测出第一帧图像的车道线,并提取车道线ROI以及对应模板;然后从第二帧开始每一帧图像都利用从上一帧图像中提取的车道线ROI和模板来检测当前帧的车道线,当前帧检测完毕后提取新的ROI和模板传给下一帧继续检测,直至各帧图像都检测完毕为止。在Matlab平台中针对采集的车道线视频用这种方法进行了测试,实验证明,这种方法的检测准确率达到了95.22%,实时性很强,具有一定的可行性。     

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。     

水平亮度微分在车道线检测中的使用

车道线检测是自动驾驶及辅助驾驶中的关键部分。文章介绍一种快速车道线检测方法,该算法通过将原始RGB图像转换至亮度图像,通过水平亮度微分及透视变换找出车道线左右边缘,得到车道线中央坐标,根据Hough变换找出其中平行线段,分段进行直线段连接。实验表明此算法可以快速检测出车道线并具有很好的健壮性。     

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...     

基于改进的卡尔曼滤波车道线跟踪算法研究

车道线识别是实现车道线保持等高级辅助驾驶的前提条件,针对目前结构化道路车道线在干扰条件下存在检测失效的问题,提出了一种改进的卡尔曼滤波车道线跟踪识别方法。该方法利用连续帧道路图像车道线发展的连续性和车道线状态不出现突变的特点实现车道线的跟踪识别。首先计算出斜率和截距作为前一帧车道线道路图像的参数值,卡尔曼滤波系统以前一帧车道线参数值预算估计出当前帧道路图像的车道线作为最优估计值;通过设定阈值更新当前帧道路图像中车道线出现的区域为感兴趣区域,以减小道路图像中其他非车道线因素的噪声的干扰;利用opencv视觉库分别找到当前帧道路图像感兴趣区域中所有组成车道线的端点作为左右车道线的数据集,用最小二乘拟合出车道线的检测值;将卡尔曼滤波估算得出的最优估计值和最小二乘拟合的检测值比较后完成车道线的检测跟踪。实验结果表明,采用改进的卡尔曼滤波跟踪方法后,车道线识别准确率超过了95%。利用前一帧车道线的参数对当前车道线的状态进行估算,可以消除不同干扰条件下噪声的影响,提高车道线的识别准确率,提升辅助驾驶功能的稳定性。     

基于空间语义分割的多车道线检测跟踪网络

基于深度学习的目标检测网络在车道线识别领域依旧存在车道区别不明显,识别精度低,误检率、漏检率高等问题。为了解决这些问题,提出了一种基于空间实例分割的轻量级车道检测跟踪网络。该方法在编码部分使用VGG16网络和空间卷积神经网络来提高网络结构学习空间关系的能力,解决了预测车道线出现模糊、不连续等问题;基于LaneNet将编码输出后的两个分支任务相耦合,以改进前景与背景识别效果不佳和车道间区分不明显的问题。最后,该方法在TuSimple数据集中与其他5种基于语义分割的车道线算法进行对比。实验表明,本文算法的准确率评分为97.12%,误检率与漏检率均优于其他网络,并且误检率与漏检率相比于LaneNet分别降低了44.87%和12.7%,基本满足实时车道线检测跟踪的要求。     

基于深度学习的局部特征增强车道线检测方法

车道线检测作为环境感知必不可少的一环,有着为自动驾驶提供路径规划辅助以及车辆定位和控制的辅助作用。深度学习的方法在解决车道线检测任务中具有良好的表现。结合车道线检测任务和深度学习技术的分析,提出了一个基于深度学习的增强局部特征的车道线检测方法。通过增强车道线消失点的特征信息结合注意力机制来增加模型的识别能力,另外,还重新设计了形状损失函数用来增加车道线间的约束。结果表明,通过车道局部特征增强的方法不仅可以加快模型的回归能力,也表现出了更好的检测性能。     

基于机器视觉的车道检测与二维重建方法

本文提出了一种基于机器视觉的车道检测与重建方法。采用链码算法检测分道线，用链码来记录车道线轮廓信息，再基于曲率模型的卡尔曼递推估计方法来估计当前的车道线位置，同时用来预测和检测下一时刻的车道线位置，并建立了车道数学模型。通过MATLAB仿真论证了该数学模型能准确地计算出真实车道的位置、弯度、形状等信息。但由于该数学模型计算较为繁琐，实时性不强，很难得到广泛应用。最后在该模型的基础上，通过计算相邻两段分道线的斜率差，简化算法，并对车道进行二维重建。实验结果表明，该方法能有效、快速地检测和重建车道，具有很好的可靠性和准确性。     

基于计算机视觉的道路标志线车载检测系统与算法设计

提出一种在结构化道路情况下的道路标志线检测系统。选择中值滤波、Sobel算子和最大熵分割算法对道路图像进行预处理。选用2D的直线模型,采用增强型Hough变换从预处理后的图像中获取道路几何特征参数,最终检测出道路边界。建立粗略和精细的感兴趣区域提高道路标志线识别的可靠性和实时性。试验结果表明本算法可靠、有效,户外试验中具有很好的鲁棒性。     

基于机器视觉的芯片编号识别算法

针对芯片检测过程中芯片编号形状小、人眼无法识别的现状,开发了一套芯片编号识别系统。系统以机器视觉技术为基础,配备高分辨率Basler相机、高倍率镜头以及高性能点光源,能实现高分辨率图像采集;利用Hough直线检测对图像进行水平旋转,利用图像轮廓查找算法对兴趣区域进行提取分割,利用帧差法对兴趣区域与标准库进行比较,找到最匹配的图像,其标签为识别结果。实验结果表明,运用系统的图像处理算法可以代替人眼通过高倍放大镜识别,改进了芯片检测工艺,大大提高了芯片检测的效率。     

基于Hough变换的角点检测算法

角点检测是图像处理和机器视觉领域中基本而重要的问题。提出了一个基于Hough变换的角点检测算法,通过遍历地考察边缘图像中各像素点的一个邻域窗口,利用Hough变换寻找以窗口中心点为出发点的直线段,并通过这些直线段的数量和相互之间的夹角判断当前中心点是否是角点。针对固定的窗口,使用了模板预先计算及环形缓冲区等技术提高Hough变换及图像遍历的效率。在实际图像库上的对比实验表明提出的算法具有高的角点检测率,最低的角点误检率和角点位置误差,同时相比同样可得到构成角点各边的角度的方法.提出的算法同样具有更高的检测率和精度。对于时间性能要求不高的角点检测应用场合,提出的算法比已有算法具有更优的整体检测性能。     

基于Hough变换的水下管道检测方法

由于海底管道背景复杂,简单的检测算法不能给出理想的检测结果;复杂的检测算法又不能满足实时作业要求。为了克服上述问题,实时而又准确地检测水下管道,通过分析水下图像的特点以及传统Hough变换对于管道直线信息提取的局限性,有针对性地提出了对Hough变换方法的2步改进,包括前期处理改善像素点的分布以减少参与Hough变换的无效像素点的数目,和Hough变换过程中的峰值点逆向清零以保证管道边界检测的唯一性。在仿真环境和水池环境下分别对改进的方法和未改进的方法进行了对比实验,结果表明前者可以有效地提高管道检测的实时性和精确性。     

基于机器视觉的手机尾插件精密测量方法研究

提出了一种基于机器视觉的小尺寸不规则零件精密测量方法和系统,方法包括图像采集、图像增强、图像配准、边缘检测、目标直线提取、相机标定和计算测量环节。针对传统尺度不变特征变换(SIFT)匹配算法完全忽略特征点之间的几何关系,对于灰度变化较平滑的图像在寻找匹配特征点对时易产生较多误匹配的问题,引入轮廓匹配获取图像几何信息、对SIFT特征点匹配进行约束,并通过随机样本一致(RANSAC)算法去除噪声点对的影响、精确估计几何变换矩阵;针对现有Hough变换拟合直线算法对非线性边缘易在Hough空间形成伪峰、影响边缘检测精准度的问题,设计了Hough空间投票权重分配新策略来抑制伪峰的产生。实验结果表明:与传统方法相比,所提出的方法特征匹配精度提高了12%,直线检测精准度提高了22%,系统测量精度达到0.015 mm。