基于ARM嵌入式平台的车道线检测算法

针对现有车道线检测算法在实际应用中难以平衡检测精度和速度的问题,提出一种全新的基于ARM嵌入式平台的车道线检测算法。首先,设计一个轻量化语义分割网络,在优化SegNet结构的同时在网络第一层加入跳跃连接,并且在每两个卷积层后加入通道注意力机制模块,在保证检测精度的同时提升检测速度。接着,构建卡尔曼滤波车道线跟踪模型,提高检测在视频流中的鲁棒性。然后,重构编码器,对模型轻量化处理,使用深度可分离卷积代替传统的卷积以减少计算成本,提升检测速度。最后,利用TensorRT加速推理,生成Trt模型,方便其部署在ARM嵌入式平台中实现实时车道线检测。在自行制作的Tusimeple扩充数据集上的实验结果表明,所提出的算法能够应对各种复杂交通场景,检测精度达到98.03%,优于其他算法,并且其检测速度达到了50 FSP,满足实时性检测要求。本算法在复杂交通场景下具有较高的鲁棒性和有较好的实时性,具有一定的理论价值和实际应用价值。     

一种基于高效残差分解网络的车道线检测方法

为提升自动驾驶系统车道线检测的速度,提出了一种利用卷积神经网络进行特征提取,结合分类网络实现多车道线虚实线分类的方法。使用高效残差分解网络(efficient residual factorized ConvNet,ERFNet) 对图像进行卷积操作和下采样,采用无瓶颈一维卷积残差结构,利用纵、横两个方向一维卷积穿插提升非线性函数的泛化性能,依据可变填充比获得多尺度上下文信息完成图像特征提取。基于反卷积与上采样结果进行特征解码,恢复原图像尺度并输出分割后的图像。相较于传统语义分割算法,本方法可减少大量特征参数,增强模型的学习能力,在提升检测速度的同时保证检测精度。在直行、转弯、上坡、下坡,道路颠簸,光照不均匀等工况下的仿真测试实验表明,本文方法检测精度可达到95.14%,检测速度较主流算法有较好提升。     

基于注意力机制和特征聚合的车道线检测

车道线检测的可靠性和稳定性对智能驾驶系统来说至关重要.由于车道线容易受到光线、遮挡、老化等复杂情况的干扰,导致传统的语义分割网络无法准确的学习到车道线的细节特征.为解决该问题,本文首先在编码网络部分引入CA坐标注意力机制,进一步增强网络对车道线提取能力,然后,在特征聚合网络引入金字塔空洞卷积模块与RESA模块并联来增强模型的感受野,以丰富和提取全局的空间特征信息,最后经过解码网络将融合后的特征图上采样到原图大小,并预测每个车道的位置和概率分布.实验证明,文中提出的算法在CULane数据集上有较高准确率,多路面综合准确率达到76.2%,并通过实车测试表明,该算法检测帧率为30 fps,可以在复杂交通场景下进行实时检测,具有较高的泛化性和鲁棒性.     

基于编码-解码神经网络遥感图像语义分割应用研究

图像分割的实现经历了从传统方法到神经网络方法的演变.本文从图像分割的发展过程入手,介绍了图像分割与语义分割的区别,对最近几年传统图像分割方法在遥感图像分割领域的应用进行梳理分析,总结了传统遥感图像分割方法的不足.基于此,归纳了几种经典编码-解码神经网络架构在遥感图像语义分割领域的应用,对其改进方式进行了综合性分析,并对...     

面向嵌入式平台的车道线检测方法

车道线检测在自动驾驶和高级辅助驾驶中起着举足轻重的作用,然而,传统的车道线检测技术鲁棒性较差,而大多数基于深度学习的方法复杂度又较高,难以在嵌入式平台实时应用。提出一种面向嵌入式平台的轻量级车道线检测网络,将车道线检测转化为语义分割问题,该网络借鉴U-Net与Segnet网络结构,使用了小尺度卷积等轻量化组件设计计算高效的语义分割网络。在检测车道线的基础上,计算车辆距离两侧车道线的距离,以及车道线的曲率,同时当车辆偏离车道线或检测出现异常时进行预警,最后将整个系统移植到海思平台。实验结果表明:该系统具有较高的检测精度以及检测速度,准确率达到97.5%,速度达到50 FPS,满足实时性要求,因此该系统能够用于面向嵌入式平台的实时车道线的检测、测距、曲率计算以及预警。     

基于事件驱动的车道线识别算法研究

动态视觉传感器(Dynamic Vision Sensor,DVS)相比于传统彩色相机有更高的时间分辨率、动态范围,且功耗更低、带宽更低,在自动驾驶领域有很好的应用前景,因此吸引了越来越多研究者的注意.然而由于事件驱动的数据是异步的且缺少一种统一的表示形式,在复杂的交通场景下,以车道检测为代表的基于事件驱动数据的交通场...     

基于深度学习的车道线与绿植分割算法

本文为解决因光照强度变化,路面行人机动车以及绿植遮挡导致车道线检测精度不高的问题,提出了一种将增强后的图像与实例分割网络Deeplabv3相结合的车道线和绿植检测方法。首先,使用图像增强网络对待检测图像进行图像增强,提高图像对比度和清晰度,然后,使用一个基于编码器、解码器架构的实例分割网络Deeplabv3进行车道线和绿植检测并进行分割。实验结果表明,该算法提出的方法在道路环境多变和夜晚中能很好的将车道线和绿植的分割,其车道线正检率最高可达98.7%,较直接采用Deeplabv3网络和U-Net网络,检测精度提高了2.6%。     

基于扩展卡尔曼滤波器的车道线检测算法

提出一种将道路结构模型信息与扩展卡尔曼滤波器(EKF,extended Kalman filter)相结合的车道线检测算法。基于扫描线的自适应边缘检测算子进行边缘点的检测,针对车道模型建立了适合算法的自定义参数空间,进行边缘点的投票,提取出候选车道线,解决了传统Hough变换中处理速度慢的问题。根据道路几何学和车辆动力学建立新的车道模型,增加了车道信息待估计的参数,并利用车道线的特征约束排除干扰线得到车道线的内边界,结合EKF对车道线边界点坐标参数进行跟踪估计,以保证算法的稳定性与鲁棒性。实验结果表明,本文算法能够处理绝大多数的复杂车道情况,在实时性、鲁棒性和检测率上都取得很好的效果。     

基于机器视觉的车道线检测与识别算法

车道线检测与识别技术就是从含有多个车道标识线的道路图像中,将车辆目前正在行驶区域内的连续或间断的车道标识线重建成连续直线的图像处理技术,是自动驾驶的重要核心技术之一。文章主要围绕基于机器视觉的车道线检测与识别算法进行了深入的研究。首先,针对路面环境特点对图像进行预处理;其次,为了减小运算量,利用掩模图形对图像进行感兴趣区域划分;最后,使用Hough变换实现车道线的检测。实验结果表明,文章所提出的方法具有一定的实际应用价值。     

基于改进蚁群边缘检测的车道线检测算法

文章提出了一种基于改进蚁群边缘检测的车道线检测算法。文章使用一种基于细菌趋化性的蚁群优化边缘检测算法对灰度图像进行边缘提取,该算法能够得到更好的边缘连续性和清晰性。通过寻找边缘点最多的一行作为感兴趣区域(Region of Interest,ROI)的上界,经过Hough变换检测直线特征。过滤离群值后通过最小二乘法拟合出车道线。利用真实道路驾驶视频对车道检测算法进行仿真实验,实验结果表明本算法有较好的鲁棒性和抗干扰能力。     

基于卷积神经网络的车道线实例分割算法

车辆行驶环境感知是自动驾驶领域的重点和难点问题,其中车道线检测是车辆行驶环境感知的基础.针对不同实例车道线难以区分、现有区分算法时间复杂度高、不同行驶场景需人为调整超参数等问题,提出了一种三分支车道线实例分割算法,并对分割结果进行自适应聚类以拟合不同实例车道线.针对车载摄像头获取的图像数据不均衡特点,用基于三分视野法的...     

基于机器视觉的车道线精确检测算法

车道线检测是车辆智能驾驶系统的重要组成部分.针对传统的车道线检测方法精度低、实时性能差的问题,提出一种基于机器视觉的车道线精确检测算法.该算法采用车道内侧边缘线代表车道线,具体包括预处理和车道线提取两个步骤:预处理部分包括灰度化、Sobel边缘检测、ROI设定、二值化,最终得到车道线部分的二值图像;车道线提取部分包括图像切片、改进的Hough直线检测、DBSCAN直线聚类以及直线拟合,最终得到精确的车道边缘线信息.最后将算法应用于各种场景下的路况测试,实验结果表明:该算法的平均准确率为94.9％,平均处理时长为25.6 ms/f,具有很好的实时性和鲁棒性.     

基于空间特征增强的车道线检测算法

车道线检测是当前自动驾驶最具挑战性的任务之一。由于自动驾驶任务场景的复杂性,极易出现车道线模糊或被遮挡的情况。而目前的车道线检测算法在学习全局信息的能力上存在缺陷,同时缺少对道路场景与车道线之间关系的利用。针对上述问题,构建了空间特征信息增强网络（Spatial Feature Information Enhancement Network,SFE-Net）,并提出了上下文信息感知模块（Context Perception Module,CPM）,对CNN提取的特征进行上下文信息以及跨尺度信息的增强,补充了丰富的语境信息。基于此,提出了空间特征增强模块（Spatial Feature Enhancement Module,SPEM）,对道路场景以及车道线进行关系建模,有效捕获跨行和列的空间关系,同时对每个通道上的权重进行显式建模,突出每个通道的重要程度。通过实验对比,结果表明该空间特征信息增强网络（SFE-Net）能实现特征的空间信息增强,提高车道线检测精度,在获得良好的性能同时,解决车道线遮挡性问题。     

一种基于HSI颜色模型的车道线检测算法

为了解决目前车道线检测算法容易受环境影响且在某些情况下效果不佳的问题,提出一种基于HSI彩色颜色空间的车道线检测算法。首先,算法将RGB格式的图像通过公式转换为HSI格式;然后,对HSI颜色模型中的亮度分量I进行对比度增强,从而有效降低了光照的影响;其次,根据H、S、I各分量的特点结合OTSU法对每个分量进行处理,通过MATLAB获取各分量的最佳阈值;再次,将处理完的三个分量合并成RGB格式,以便于计算机进行存储;最后,根据车道线的灰度特点并结合数学形态学方法对车道线进行提取。实验结果表明,该算法在车道线检测方面具有一定的实用性。     

基于Android平台的车道线检测系统设计

在以图象处理为基础的车道线检测中,主要以采用Hough变换直线拟合等方法进行,但该方法存在计算量大,运算速度慢等问题。本文针对该问题,提出一种在结构化道路中识别效率高的非监督自适应直线分类器。同时运用OpenCV提供库进行开发,在 Android平台上实现了车道线检测与实时跟踪系统。经过实验表明在Android平台上,本文提出的车道线检测系统相对于传统方法每秒处理图像帧数fps数倍增加,有效的提升了辅助安全系统的功能。     

基于改进逆透视变换的车道线检测算法

针对智能车辆在不同环境条件下识别道路车道线出现偏移的问题,提出了一种基于改进逆透视变换的车道线检测算法.首先利用HSL和Lab融合模型提取车道线颜色特征,经过二值化处理后利用透视变换将图像转换为鸟瞰图,然后根据二值图建立直方图,进行车道线位置的粗定位.最终通过滑动窗口算法以及直线拟合等处理,实现对车道线的精准识别.通过实验结果对比分析,提出的车道线检测算法能够解决车道线识别偏移问题.     

基于深度学习的连续帧车道线检测网络

为了改善单帧图像检测复杂背景中车道线性能较差问题,例如车道线受到阴影影响、污渍污损或人车遮挡等情况时性能较差的问题.本文提出了一种基于连续帧的车道线检测网络,实现了卷积神经网络(Convolutional Neural Network,CNN)和长短期记忆网络LSTM(Long Short-Term Memory,LS...