THMR-V平台上基于Linux的监控系统设计与实现

THMR-V室外移动机器人及视觉临场感遥控系统是清华大学智能技术与系统国家重点实验室研制的实验平台。介绍了THMR—V原监控系统存在的不足以及在Linux系统下新监控系统的设计与实现，并介绍了仿真算法的改进，同时对根据实验情况作了分析和总结。     

基于激光雷达的室外移动机器人避障与导航新方法

提出了一种应用于室外移动机器人避障与导航的新方法——角度势场法．此方法将当前视场极坐标系的二维障碍物信息转换到一维的角度域内,综合评估视场内的障碍物在角度域内产生的阻力效应,以及目标点在角度域内产生的引力效应,计算得出当前目标角度及通行函数,确定移动机器人驾驶角和速度的控制输出,做到兼顾移动机器人的安全与向目标点的行进．此方法已应用于室外移动机器人THMR V．     

基于序列图像车道线检测的自主导向方法

为了改善视觉导向的精度和计算性能，提出一种基于序列图像车道线检测的自主导向方法。首先，将获取的图像转换成HSV图像格式，划定车道线感兴趣区域(Region of Interest, ROI),对S和V通道的图像采用提出的区域垂直斜分OTSU算法实现二值化；然后，融合H、S和V通道二值化后的图像，对其进行边缘提取，依据提出的参数约束Hough变换，辨识出车道标识线；最后，结合序列图像的车道线位置，计算出车体的位姿，根据建立的导向控制模型，控制无人智能车的左右打轮幅值。理论分析和实验结果表明，该方法可以增强车道线辨识的实时性和鲁棒性，提高导向的精度。     

移动机器人THMR-V的组合定位系统

定位系统是室外移动机器人中不可缺少的组成部分,是车辆定位与导航的基础。文章介绍了清华移动机器人THMR－V的定位系统,它是由GPS、磁罗盘、光码盘组成的。GPS能够提供比较精确的绝对位置,但是采集数据较慢,而且可能由于遮挡等原因而失效或跳变。磁罗盘－光码盘系统（CEPS）通过航位推算计算车体位置,在短期内定位效果较好,但是存在积累误差。通过GPS／CEPS组合定位,取长补短,从而整体上达到良好的性能。在THMR－V上经过一年多试验证明,该系统具有较高的准确性和稳定性,满足移动机器人的定位与导航的需要。     

基于改进概率霍夫变换的车道线快速检测方法

车道线是行车安全的重要参考。为提高无人驾驶行车过程中车道线检测的准确性和实时性,提出一种基于改进概率霍夫变换的车道线快速检测方法。首先对获取的图像进行感兴趣区域提取,根据车道线颜色的特殊性,合理选取三色通道的比值对图片进行灰度化,为增强阈值处理的鲁棒性,采用大津二值化法对灰度图像进行二值化,由于Canny算子具有良好的定位边缘的能力,本次边缘提取算子选取为Canny。接着分别从车道线长度、角度、车体和车道宽度4个方面提出4点约束条件对该算法加以改进,剔除干扰线和伪车道线,最后通过线性回归法拟合出正确车道线。实验结果表明,该算法在快速检测车道线的同时保证了检测的准确率,并将实验结果与其他算法进行比较,证明了该算法的实时性和准确性优于其他算法。     

基于机器学习的车道线检测系统仿真与优化

真实的道路行驶环境是复杂多变的,会对车辆识别算法造成较大干扰。为准确识别车道线,提高车道线检测算法的实时性和鲁棒性,进行了多方面的改进。首先对采集到的图像进行预处理,包括图像灰度化、45°sobel算子边缘检测和二值化处理等,获得高质量图片。其次采用改进的Hough变换进行车道线识别和优化,提高检测结果的准确性,促进检测有序进行。最后通过最小二乘法对结果进一步优化,以期得出更加精确的车道线。实验结果表明:改进后的算法可以较为准确的识别车道线,具有较强的实时性、鲁棒性和准确率。     

基于改进Hough变换的车道线检测技术

为提高车道线识别的实时性和可靠性,提出了一种基于改进Hough变换的车道线检测方法;在图像预处理时对不同光照图像进行分类处理,得到二值化图像;利用极角约束Hough变换进行车道线初始定位;根据前一帧图像信息使用基于动态ROI的Hough变换进行车道跟踪;算法加入了车道线检测失效判别模块,以提高检测的可靠性;由于该方法减少了图像空间中被投票的目标点数,缩小Hough变换的投票空间,在一定程度上提高了车道检测的实时性和稳定性;实验结果表明,在结构化道路上,对于不同的路况,算法均具有较好的实时性和鲁棒性。     

基于颗粒分析和骨架化的车道线检测方法

车道线的正确检测是提高车道偏离预警系统正确率的重要保障,车道线检测往往受到多种因素的干扰。针对直线模型下车辆对车道线检测的干扰,提出一种基于颗粒分析和骨架化的车道线检测方法。首先运用最大类间方差算法对车道线图像进行二值化,然后利用数学形态学的颗粒分析对二值图像进行处理,消除车辆对车道线的干扰,最后用数学形态学的骨架化得到车道的中心线。经实验证明,在车道线有车辆干扰的情况下,该方法不仅能较好去除车辆干扰,而且可以检测出车道线中心线,具有较强的鲁棒性和抗干扰性。     

实时车辆检测和跟踪系统设计

实时车辆检测和跟踪是室外移动机器人尤其是智能汽车研究领域的一个重要课题。本文介绍了多功能室外移动机器人THMR-V的实时车辆检测和跟踪系统。该系统包括车道线检测和车辆检测和跟踪两个主要模块。车道线检测算法使用新的搜索策略,实时检测结构化道路区域,减少车辆检测算法搜索范围。车辆检测算法以Adaboost算法为基础,利用边缘方向特征,颜色特征,和对称性特征实现车辆检测。文中详细介绍了系统的实现。     

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。     

基于边界的车道标识线识别和跟踪方法研究

在道路图像中，为了得到较理想的车道的标识边缘，该文采用基于LOG算子边缘增强的方法得到梯度图像，利用SUSAN算子对该梯度图像进行分割，实现了车道标识线边界的提取。在分割后的梯度图像中，利用Hough变换提取出车道标识线参数，完成了对道路图像中的车道标识线的识别，采用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。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Mask R-CNN与改进Criminisi的沥青路面车道线移除方法

在对沥青路面病害图像进行自动分类时,含车道线的图像数量较多易造成干扰。 为此,提出一种车道线移除方法以降低其对分类的影响,首先基于 Mask R-CNN 网络训练出复 杂背景下车道线区域的检测模型,通过该模型自动获取车道线区域 mask;然后利用 mask 将车 道线区域全部移除得到破损图像;最后用改进的 Criminisi 图像修复方法对破损图像进行样本块 填充。实验表明,采用 Mask R-CNN 方法对 400 张不同环境下的路面图像进行检测,其漏检率 和误检率分别为 0.50%和 7.87%。在保证图像修复质量的基础上,改进的 Criminisi 方法在修复 速度上比改进前提升约 4~5 倍。同等条件下,采用 VGG 分类模型对比验证,经该算法移除车 道线后的新数据集表现更优。     

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。     

结构化公路车道的精确检测与跟踪

在结构化道路情况下,车道检测简化为白线检测。文章利用图像处理技术和优化技术,提出了一种在结构化道路中精确检测车道的两层算法。同时利用白线的局部特性和全局特性,鲁棒的提取特征;将感兴趣区域分为近视野和远视野,按照″拟和-判断-拟和″的流程,用直线或直线与二次曲线的光滑组合匹配白线;并针对具体应用环境,为优化算法添加适当的权值因子,提高算法抗噪性。测试结果表明算法能够自动、快速、准确的检测白线。     

基于直线模型的车道线实时检测方法

为提高车道线检测的精度和实时性,提出了一种基于直线模型的实时车道线检测方法.采用改进的Sobel算子进行边缘检测,利用自适应双阈值的方法进行图像的二值化.对基于Hough变换的车道线检测方法进行了改进,令识别视觉效果大大提升.并利用Kalman滤波器来动态确定感兴趣小窗口的大小和位置,实现后续帧道路图像的跟踪.实验结果表明,该方法准确性高,具有较好的实时性和鲁棒性.     

一种车道线检测与跟踪方法

为了得到较为理想的车道标识线边缘图像,便于更好地对车道标识线进行识别,采用小波方法实现对车道线的边缘检测,并进行边缘连接。利用Hough变换得到车道标识线参数,并采用Kalman滤波方法实现对车道标识线的实时跟踪。实验结果表明,该方法具有很好的可靠性、鲁棒性和实时性,为解决汽车智能驾驶提供了保障。     

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。     

梯形视野结构化道路视觉识别方法研究

本文对基于机器视觉的路径识别方法进行了研究。通过对采集的路面图像进行中值滤波、边缘增强、动态阈值二值化,获得良好的路标图像。根据道路特征识别出道路标识线,并拟合出车辆运动的引导线。使用梯形小视野直线拟合法,减少图像处理时间和提高道路识别的可靠性。通过自制小车的实验表明,该算法具有良好的实时性、可靠性。     

基于边缘分布函数的车道标识线识别方法

为了得到较理想的车道标识线的边缘,考虑车道标识线的方向特性,提出一种基于边缘分布函数（EDF）的图像预处理方法。将图像分区处理,在对图像中的噪声特性进行EDF分析的基础上,对处理区域作如下处理：首先将梯度角量化为4-方向,去除与车道标识线方向不一致的噪声,得到边缘图像;然后利用EDF对边缘图像滤波,确定车道标识线角度初值;最后应用Hough变换定位出车道标识线。实验结果表明,该方法能够更加有效地强化车道标识线信息,去除噪声,具有较好的鲁棒性和实时性。