一种适用于城市道路检测及偏离报警的方法

提出了一种适用于城市道路车道线检测及车道偏离报警的方法。首先,设定道路图像感兴趣区域,对感兴趣区域进行图像预处理,提出了一种基于先验知识的改进Hough变换来提取出车道标识线参数;其次,改进了车道线跟踪策略,采用Kalman滤波器建立感兴趣区域,用最小二乘法对感兴趣区域内的车道线进行拟合,得到车道线最优预测值;最后,提出一种无需进行摄相机参数标定的车道偏离报警模型,该方法计算简单,报警精确度高。实验结果表明:在城市道路上,车道检测和偏离报警平均准确率可以达到93%以上,平均处理速度42 ms/帧左右,具有实时性和较强的鲁棒性,能够满足城市道路车道偏离报警的要求。     

应用匹配滤波器的车道线恒虚警率识别方法

针对多种道路场景下车道线的识别问题,提出了一种应用匹配滤波器和恒虚警率检测器的处理方法。根据车道线横截面的灰度轮廓特征,对图像局部区域,采用不同尺度的匹配滤波算子,实现不同环境条件下车道线区域的特征增强;利用可产生自适应阈值的恒虚警率检测器,提取车道线特征点,并通过随机抽样一致性方法拟合产生车道边界线。在车道线跟踪阶段,建立车道线参数数据库,分析当前帧车道线与数据库的匹配置信度,并动态更新该数据库。在嵌入式系统中,经过多种工况的试验验证,该算法能稳定地识别车道线,准确提取相关参数,处理速率达到30FPS。     

基于DSP的车道线检测系统的设计与实现

车道线检测是智能交通中的研究重点之一,论文以DSP为载体,设计并实现了嵌入式车道线检测系统,同时针对于该系统提出了一种新的快速有效的检测算法,该算法结合了特征提取与模型匹配的各自优点,主要通过对图像的采集、自适应、中线提取、车道线匹配和最小二乘法拟合来最终实现。嵌入式系统采用模拟PAL制摄像头采集图像,图像经解码后输入到DSP中得到处理。实验结果表明,该系统车道线检测结果清晰,干扰小,效果良好,并能很好的满足实时要求。     

基于视频的城市道路多车道划分方法

在智能交通系统中,基于视频的多车道划分是实现车流量检测、车辆跟踪及车队长度计算等的重要前提。传统方法是采用Hough变换检测车道标志线来实现车道的划分,但在复杂背景下该算法检测车道线时会产生车道线间断、干扰直线和检测不准确的现象。针对这一问题,本文提出了一种复杂背景下多车道线划分的新方法。根据传统Hough变换粗略提取出的各车道标识线附近的所有亮点像素构成特征样本集;按照模糊聚类原则划分出每条车道线所属的模糊子集;建立隶属函数确定直线在参数空间中的变量,实现车道标识线的精确检测。实验证明,本文算法能够准确地划分出各车道,且具有良好的鲁棒性。     

基于平行Snake耦合Kalman滤波器的车道线检测算法

针对当前车道线检测算法中易受到车道线磨损、遮挡、阴影等影响,导致检测算法精度不高,鲁棒性不强,提出了平行Snake耦合Kalman滤波器的车道线检测方案。首先,为了获得道路左右边界的平行属性,引入期望最大化(EM)算子,通过最小化目标函数来估计消失点,并估算其单应矩阵;并在齐次坐标空间中进行单应性变换,将车道线透视图转变为鸟瞰图。然后,通过参数预测算子建立车道模型,将平行性约束添加到主动轮廓模型(Snake)中,构建了一种平行Snake车道线检测方法。在平行Snake方法中,为了克服图像梯度低时Snake无法有效收敛到车道边界,引入了膨胀力,将两条平行的主动轮廓往道路的左右两边推挤,最终收敛到道路的左右边沿。最后,考虑到前后帧之间参数的连续性,采用Kalman滤波器进行跟踪优化,并抑制噪声,提高算法对车道线的识别精度。实验结果表明,与当前常用的车道线检测算法比较,提出的方案在精度与鲁棒性均得到改善,在阴影、光照变化、边界破损等车道数据集上取得了良好的性能。     

基于定向距离变换耦合多粒子滤波器的车道线检测算法

针对复杂环境下车道线检测精度不高的问题,提出了一种定向距离变换耦合多粒子滤波器的车道线检测算法。首先,利用四点透视映射方法,将输入图像转换为鸟瞰图,使车道边界平行,便于车道检测。引入定向距离变换(oriented distance transform,ODT),将鸟瞰图边缘像素标记到水平和垂直方向上最近的点,寻找初始边界点。其次,利用车道中心、中心到左右边界的角度以及左右车道边界的切角来构建车道线模型,通过分别考虑两个独立的4D粒子空间,以应用于左右车道边界。随后,在车道模型引入多粒子滤波器,利用左右两侧独立传播的粒子来侦测和追踪一对车道边界点,并使用局部线性回归调整得到的边界点。为了优化多粒子滤波器性能,根据粒子状态向量创建动态依赖关系。最后,通过迭代来确定粒子对应的权重,利用多粒子滤波来检测车道线。实验表明,与当前流行车道线检测算法比较,在多种复杂干扰环境下,所提算法具备更高的检测精度与鲁棒性。     

基于动态ROI识别的智能车辆车道线检测

车道线检测技术是实现汽车无人驾驶的关键技术之一,能够帮助无人驾驶更快地实时处理从相机捕获的图像。近年来,研究人员在车道线检测的精度上取得了很大的进展,但在实际驾驶中,车辆可能会因有限的控制器算力而对车道线检测的速度和准确度产生影响。提出了一种动态识别感兴趣区域的方法,以Donkey car自动避障小车为主体进行实车试验,通过实时减少摄像头采集的图像中干扰信息,更加准确地识别车道线,在采集的图像数量不变的情况下,提高了卷积神经网络(convolutional neural networks, CNN)模型训练的速度和小车自动驾驶时车道线识别的准确度,进而减少了因车道线误判而存在的压线和驶离路面的情况。优化后的模型比原模型在训练时间方面缩短了约38.71%,在小车自动驾驶时间上缩短了约21.67%,同时小车在转弯处行驶速度更加均匀,左右摇摆幅度减小。结果表明,所提方法具有良好的检测效果和准确率。     

基于改进 Hough 变换耦合密度空间聚类的车道线检测算法

为了提高车道线检测的准确性与鲁棒性,降低光照变化与背景干扰的影响,提出了一种改进的 Hough 变换耦合密度空 间聚类的车道线检测算法。 首先,建立车道线模型,将车道边界分解为一系列的小线段,借助最小二乘法来表示车道线中的线 段。 再利用改进的 Hough 变换对图像中的小线段进行检测。 引入具有密度空间聚类方法( density based spatial clustering of applications with noise, DBSCAN),对提取的小线段进行聚类,过滤掉图像中的冗余和噪声,同时保留车道边界的关键信息。 随 后,利用边缘像素的梯度方向来定义小线段的方向,使得边界同一侧的小线段具有相同的方向,而位于相反车道边界的两个小 线段具有相反的方向,通过小线段的方向函数得到车道线段候选簇。 最后,根据得到的小线段候选簇,利用消失点来拟合最终 车道线。 在 Caltech 数据集与实际道路中进行测试,数据表明:与当前流行的车道线检测算法相比,在光照变化、背景干扰等不 良因素下,所以算法呈现出更理想的准确性与稳健,可准确识别正常车道线。     

基于环视系统的车道偏离预警系统研究

为了达到比较理想的预警效果,对基于视觉的车道偏离预警系统进行了研究,开发出一套基于车载环视驾驶辅助系统的车道偏离预警系统。通过环视系统获取车辆的俯视图像,然后采用适当的图像预处理方法和有效的车道线边缘检测算法,快速的对车道标志线进行识别和定位,最后基于TLC(time to lane crossing)预警算法,建立了一套完整的车道偏离预警系统。实验结果表明:该系统具有较好的可靠性和实用性。     

车道线的GrowCut快速检测算法

针对目前智能交通领域中车道线检测算法效率低、鲁棒性差等问题,提出了一种基于GrowCut的车道线快速检测方法。从监控摄像机中采集图像并标定初始种子点,利用GrowCut算法进行边缘分割,对分割结果经过中值平滑滤波、边缘提取、分半处理及曲线拟合,最终得到清晰的车道线。将GrowCut算法与分水岭算法进行了对比,结果表明:该算法简便快捷、鲁棒性好,优于经典算法,可广泛应用于智能交通、公共安全领域。     

基于Transformer的车道线分割算法研究

车道线检测任务包含道路磨损、阴影遮挡和弯道等困难样本,这些样本中线条信息均有不同程度的缺失,使检测结果出现漏检或误检现象。基于深度学习的检测方案通过卷积操作提取特征信息。卷积操作摒弃人工设计滤波器等一系列传统图像处理的繁琐操作,得益于权重共享和归纳偏置大大减少了特征提取的工作量。该操作在缩小图像分辨率的同时获取长距离的信息,导致小分辨率的特征图损失区域边缘等细节,影响检测结果的质量。深度学习中分割模型比检测模型处理的信息更细致,本文在分割模型的基础上引入Transformer改进采样方式,改善卷积操作在获取全局信息上的不足。模型改进后在Tusimple上测试准确率提高0.4%,像素精准度提高0.3,乘法累加运算量增加36.09 G。结果表明Transformer特有的采样方式可以改善卷积操作采样的不足,改善语义分割网络对车道线困难样本识别漏检的情况。     

A lane detection algorithm for personal vehicles

By the term “personal vehicle,” we mean a simple and lightweight vehicle expected to emerge as a personal ground transportation device. The motorcycle, electric wheelchair, and motor‐powered bicycle are examples of the personal vehicle and have been developed for personal transportation use. Recently, a new type of intelligent personal vehicle called the Segway has been developed, which is controlled and stabilized by using on‐board intelligent multiple sensors. The demand for such personal vehicles is increasing: (1) to enhance human mobility, (2) to support mobility for elderly persons, and (3) to reduce environmental load. With the rapid growth of the personal vehicle market, the number of accidents caused by human error is also increasing. These accidents are associated with driving capabilities; to enhance or support driving capabilities as well as to prevent accidents, intelligent assistance is necessary. One of the most important elementary functions for personal vehicles is robust lane detection. In this paper, we develop a robust lane detection method for personal vehicles in outdoor environments. The proposed lane detection method employs a 360° omnidirectional camera and unique robust image processing algorithm. In order to detect lanes, a combination of the template matching technique and the Hough transform is employed. The validity of the proposed lane detection algorithm was confirmed with a prototype vehicle under various types of sunshine conditions. © 2011 Wiley Periodicals, Inc. Electr Eng Jpn, 177(4): 23–32, 2011; Published online in Wiley Online Library ( wileyonlinelibrary.com ). DOI 10.1002/eej.21193     

基于 MultiRes+UNet 网络的车道线检测算法

无人驾驶技术改变人类生活方式,带车道线属性的高精地图,是无人驾驶领域的重要一环。 针对现有算法在车道线检 测时存在准确率低、效率低等问题提出基于 MultiRes+UNet 检测方法。 该方法通过空洞卷积扩大卷积感受野,从而对全局信息 统筹,运用 MultiRes block 和 Res path 结构减轻编码器-解码器特征之间的差异,大大降低了内存的需求。 实验结果表明,此算 法在保证检测准确率的同时, 提高了算法的稳定性和运行速率,在纯车道、复合车道、阴影污损车道等多情况下,调和平均值分 数分别为 0. 959、0. 942、0. 891,该算法存在高效性、高鲁棒性。     

基于脉冲耦合神经网络的双核视觉导引控制研究

针对视觉导航自动导引小车AGV高实时要求,提出了脉冲耦合神经网络结合双核(FPGA芯片和DSP芯片)构架的图像处理系统。并针对双核构架提出了二级处理的理念,结合FPGA芯片的特性设计了并行预处理算法,改进了神经网络的图像分割性能,提高了DSP图像识别的效率。实验证明,提出的设计思想及处理算法有效地提高了AGV视觉导航的准确性和实时性。