基于拐点线的大雾能见度检测算法

针对基于区域增长算法的能见度检测方法精度低和计算复杂度高的问题,提出一种基于拐点线(IPL)检测滤波器的能见度检测算法。首先,分析了拐点线所具有的各向异性、连续性和水平性等特征;然后,根据这些特征构建了一个拐点线检测滤波器,以提高拐点检测的精度和速度;最后,结合能见度计算模型和拐点线检测滤波器的检测结果计算大雾天气下的能见度值。与基于区域增长算法的能见度检测方法相比,该算法的运行时间和检测误差分别降低了80%和12.2%。实验结果表明,基于拐点线检测滤波器的能见度检测算法能够有效提高雾天能见度的检测精度,降低拐点定位的计算复杂度。     

基于OpenCV的车道线检测与识别

精准快速的车道线检测算法对自动驾驶有着至关重要的作用,提出一种基于OpenCV检测车道线。相机矫正对图像去畸变,通过HLS颜色空间的L通道提取白色车道线,利用OpenCV库的inRange函数设置高低阈值数组提取HLS空间道路图像的黄色车道线,合并黄白车道线图像;通过优化后的Canny算法检测车道线边缘两种方法结结合起来完成车道线检测。根据像素直方图动态选择滑动窗口方法检测车道线通过二次多项式进行车道线拟合。     

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.     

基于RGB空间的车道线检测与辨识方法

提出一种利用颜色信息进行车道线检测并且能够分辨黄色或白色车道线的新方法。首先,找出图像中与路面颜色差异较大并且具有合理宽度的像素段;然后在RGB颜色空间利用先验信息对像素段的颜色进行辨识;再用辨识后的像素段分别估计出黄色或白色车道线的颜色分割阈值;最后利用获取的阈值对整幅图像进行车道线检测。实验结果表明,该方法能够在复杂背景环境或路面污染等干扰条件下较好地检测出车道线并能辨识出车道线颜色。本方法简单、有效,且具有一定的鲁棒性。     

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。     

基于图像序列的车道线并行检测网络

现有车道线检测神经网络主要采用相互独立的单帧图像进行检测,无法较好地处理包含车道线短时遮挡、地面明暗变化等复杂因素的实际应用场景.针对上述问题,文中根据车辆在正常行驶过程中可获得连续图像的场景特点,提出基于图像序列的车道线并行检测网络.首先设计并行的特征提取结构,一方面使用精度较高的单帧网络提取当前帧图像的特征,另一方...     

基于多传感融合的车道线检测与跟踪方法的研究

车道线的有效检测与跟踪是智能车正确识别道路的前提。针对现有车道线检测与跟踪算法的效率不高的难题,提出一种基于视觉传感器和车道级高精度地图相融合的车道线检测与跟踪方法。该方法首先用改进的Hough变换提取边缘线段,其次基于滤波预测与更新车道线模型状态参数,最后结合高精度地图中车道线先验模型参数,跟踪车道线轨迹。现场实测结果表明,算法的实时性和鲁棒性满足算法性能评价体系的各项指标,较符合智能车对车道线检测的要求。     

基于车辆跟踪线的车道检测算法

针对夜晚环境和车道标线不明确的情况,本文提出了全新的车道检测算法,利用道路上的车辆运行轨迹的有效统计来得到路面结果。实验结果显示此方法消减了环境因素的影响,并在现场检测中效果明显,适用于实时视频监控系统。     

道路结构特征下的车道线智能检测

目的 在智能网联汽车系统开发中,复杂环境下的车道线检测是关键环节之一。目前的车道线检测算法大都基于颜色、灰度和边缘等视觉特征信息,检测准确度受环境影响较大。而车道线的长度、宽度及方向等特征的规律性较强,具有序列化和结构关联的特点,不易受到环境影响。为此,采用视觉信息与空间分布关系相结合的方案,来提高复杂环境下的车道线检测能力。方法 首先针对鸟瞰图中车道线在横向和纵向上分布密度不同的特点,将目标检测算法YOLO v3（you only look once v3）的网格密度由S×S改进为S×2S,得到的YOLO v3（S×2S）更适于小尺寸、大宽高比物体的检测;然后利用车道线序列化和结构相互关联的特点,在双向循环门限单元（bidirectional gated recurrent unit,BGRU）的基础上,提出基于车道线分布关系的车道线检测模型（BGRU-Lane,BGRU-L）。最后利用基于置信度的D-S（Dempster-Shafer）算法融合YOLO v3（S×2S）和BGRU-L的检测结果,提高复杂场景下的车道线检测能力。结果 采用融合了视觉信息和空间分布关系的车道线检测模型,在KITTI（Karlsruhe Institute of Technology and Toyoko Technological Institute）交通数据集上的平均精度均值达到了90.28%,在欧洲卡车模拟2常规场景（Euro Truck Simulator 2 convention,ETS2_conv）和欧洲卡车模拟2复杂场景（Euro Truck Simulator 2 complex,ETS2_complex）下的平均精度均值分别为92.49%和91.73%。结论 通过增大YOLO v3纵向的网格密度,可显著提高模型检测小尺寸、大宽高比物体的准确度;序列化和结构关联是车道线的重要属性,基于空间分布关系的BGRU-L模型的准确度受环境影响较小。两种模型的检测结果在经过D-S融合后,在复杂场景下具有较高的准确度。     

基于分道线的道路云台摄像机参数自动标定

为实现基于道路视频摄像机视频处理的运动车辆精确测速,提出基于分道线长度、车道宽度和分道线消失点的道路云台摄像机参数自动标定方法,以对摄像机焦距、俯仰角、旋转角、离地高度等参数进行自动标定.实验结果表明,在应用于基于视频处理的运动车辆速度检测时,所提方法与雷达测速在平均误差以及误差标准差方面远小于我国公路测速允许的误差上...     

基于彩色图像的非结构化道路检测

提出一种基于彩色图像的非结构化道路检测算法。首先将整幅图像划分为均匀的方块，再依据假设的道路区域提取出的道路特征信息将方块分类；对于包含道路边界的方块区域内部的像素点，采用自动阈值分割方法将其分为道路区域的点和非道路区域的点；最后去除道路内部的斑点以及道路外部的非连通区域。该方法可以避免对所有像素点逐个分析，运算量小，检测速度快，基本满足实时性要求，具有一定的抗阴影和水迹的能力。     

一种基于彩色图像边缘检测的道路检测方法

针对非结构化道路的特点,提出了一种基于色度差的边缘检测算法。算法将原始图像的RGB颜色空间转化为L*a*b*颜色空间,利用L*a*b*颜色空间中明度与色度分离的特点,通过对色度差的信息融合提取图像道路边缘,排除了大面积阴影、水渍对真实道路边界的干扰,有效地提高了道路识别的准确性。通过Hough变换提取出图像边缘得到道路边缘信息。实验表明,该算法的优点在于对道路形状不敏感,需要先验知识少,能够很好地过滤道路中存在的水渍、阴影等干扰。     

Recent progress in road and lane detection: a survey

The problem of road or lane perception is a crucial enabler for advanced driver assistance systems. As such, it has been an active field of research for the past two decades with considerable progress made in the past few years. The problem was confronted under various scenarios, with different task definitions, leading to usage of diverse sensing modalities and approaches. In this paper we survey the approaches and the algorithmic techniques devised for the various modalities over the last 5 years. We present a generic break down of the problem into its functional building blocks and elaborate the wide range of proposed methods within this scheme. For each functional block, we describe the possible implementations suggested and analyze their underlying assumptions. While impressive advancements were demonstrated at limited scenarios, inspection into the needs of next generation systems reveals significant gaps. We identify these gaps and suggest research directions that may bridge them.     

基于视觉的车辆侧后方道路图像检测技术

针对车辆在换道过程中易发生碰撞的问题,提出了一种针对车辆侧后方包括盲点区域在内的道路图像的检测算法.该算法对车辆侧后方车道线分为内外两侧进行分析,解决了因摄像机安放位置所产生的感兴趣区域不对称问题.利用基于梯度特征的阴影检测法对接近的车辆进行识别,在此基础上,通过单目视觉测距和两车的几何位置关系计算两车的距离.实验结果表明,该方法可以准确地识别本车后方的车道线和车辆,并且当两车距离在55米以内时,系统可以有效的对车距进行估计.     

一种面向SAR图像的多窗口道路边缘检测算法

道路作为一种重要地物信息,在城市规划等领域中起着不可替代作用。合成孔径雷达（SAR）具有全天候等成像特点,因此基于SAR图像已有许多道路边缘检测算法。提出一种多窗口道路边缘检测算法,来解决相干斑噪声引起的道路边缘误检率高完整性差等问题。该算法首先以加权局部熵的大小为基础,评估SAR图像中像素点落在道路上的概率,然后以该概率为依据,确定每个像素点多窗口融合的权值。最后,对不同大小窗口的边缘检测结果进行加权融合。通过对不同区域的SAR图像切片进行实验,结果表明加权融合后得到的道路边缘的完整性及对噪声的抑制效果均有所提高。     

基于噪声方差估计的伪造图像盲检测方法

针对不同来源合成伪造数字图像提出了一种盲检测方法,不同数字图像背景噪声存在差异,因而伪造图像区域噪声方差不同。从待测图像小波分解后的高频子带中去除相应边缘区域的高频干扰,改进了噪声方差估计算法,并对所得噪声图像进行分块处理估计每一个分块的噪声方差,将方差相近的块进行融合,最后比较图像中纹理接近的同质区域,找出方差异常的位置。通过实验研究了方差估计精度,对不同来源的伪造图像进行了检测,结果表明算法提高了图像噪声方差的估计精度,在图像纹理接近的同质区域中可以定位图像的伪造区域。