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。     

基于树莓派嵌入式平台的车道线检测算法

本文设计了一种基于树莓派嵌入式平台的多道路场景车道线检测算法。在图像预处理阶段,设计了一种车道线的自适应二值化提取算法,通过将待测像素点与其所在菱形空间的顶点进行比较,完整地提取了二值化后的车道线信息;同时与最大类间方差法（OTSU）结合,以图像融合的方式有效滤除了干扰信息。在车道线拟合阶段,对概率霍夫变换进行了斜率约束与限定距离的改进,进行二次滤除干扰信息后准确计算出车道线边缘点。最后使用最小二乘法拟合出车道线。测试结果表明,算法抗干扰能力较强,对多种道路场景的检测准确率可达90.24%,并且在树莓派平台上运行速度为25fps,满足实时的要求。     

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。     

一种快速响应码图像的分割和校正方法

首先分析快速响应码图像的定位特征模式,提出一种基于一维特征模板匹配及利用图像一维扫描波形快速定位条码区域的方法,并在实现图像方位归一化后,对条码边界进行Hough变换得到边界直线和顶点位置,最后利用控制点变换和双线性插值方法实现条码几何失真校正和大小归一化,得到只包含条码的图像。实验表明这些算法能有效消除图像中无关信息和笔迹污染的干扰,并能校正几何失真。最后得到的条码图像可以进一步由条码符号识别算法和解码算法等进行处理。     

基于ROEWA与Hough变换的SAR图像边缘检测

指数加权平均比率(ROEWA)算子是SAR图像常用多边缘检测算子之一,但该算子只能检测图像的边缘强度,无法得到边缘的方向。为此利用Hough变换优秀的抗噪性能和方向选择性,提出了一种基于Hough变换的SAR图像边缘方向计算方法。首先使用ROEWA算子对SAR图像进行边缘检测,然后在传统非极值抑制定位方法的基础上,进一步细化边缘,最后利用Hough变换对细化后图像计算边缘方向。SAR图像对比实验结果表明,该方法能够更准确地计算边缘位置与边缘方向,为SAR图像线性目标检测提供了一条有效途径。     

改进MASK匀光与K-means结合的桥梁裂缝提取

针对采集到的桥梁裂缝图像存在污渍、阴影、光照不均等现象,导致后期裂缝特征提取困难的问题,提出一种结合MASK匀光和K-means聚类算法的裂缝提取方法.该方法首先对MASK匀光算法进行改进,提高算法自适应能力,采用对比度拉伸增强图像反差,然后根据裂缝与背景像素灰度值的差异,利用K-means聚类算法进行图像分割,最后结合形态学方法和连通域检测实现裂缝的桥接和去噪.实验结果表明,相比于其他方法,该方法能够有效降低图像亮度不均干扰对裂缝提取结果的影响,裂缝提取准确率达到95％,保证后期裂缝尺寸测量和桥梁病害程度评估的准确性.     

基于空间变换的指针式仪表读数识别算法研究

针对目前指针式仪表图像自动读数识别普遍存在受光照变化影响大,表盘内部阻尼液干扰引起识别精度低的问题,本研究提出了一种基于空间变换的指针式仪表读数识别算法。首先选取指针所在区域的圆心和半径,获得边缘提取的仪表内圈圆弧轮廓,以此确定图像空间变换需要的参数从而将圆弧形的表盘转换成矩形;其次通过图像拼接处理构建无指针图像,在此基础上对刻度线进行校正处理得到刻度线坐标;最后通过减影法提取指针区域中心直线坐标,判断指针与刻度线的相对位置来获取指针读数。光照实验表明,本算法对指针和刻度线识别受光照影响小,经校表实验表明,本研究提出的算法识别速度快、精度高。     

基于OpenCV和 YOLOv5的车道线检测与识别

为更加快速、准确识别汽车行驶区域并区分车道,实现无人驾驶,提出一种结合视觉OpenCV 算法和改进 YOLOv5算 法的目标检测跟踪模型进行车道线检测的方法。在图像预处理阶段,首先读取视频图像,把每一帧RGB图像转为灰度图,通 过Canny 算子对图像的边缘轮廓进行提取,然后绘制车道线的掩码区域,并与边缘检测结合,采用ROI 技术提取感兴趣区域, 最后进行概率霍夫变换和最小二乘拟合,将得到的直线绘制到原图像中,最终对每一帧处理后的图像进行输出。目标识别模 块采用卷积神经网络(convolutional neural network,CNN)深度学习方法及 YOLOv5算法进行目标识别处理。实验结果表 明,所提检测算法能够实现准确的车道线检测,实时性和准确性比传统算法高很多,且该方法具有良好的鲁棒性。     

基于重要性采样的随机Hough变换圆检测算法

提出了一种新的基于重要性采样的随机Hough变换圆检测算法,利用基于圆的几何特性的边界点搜索策略提高采样效率,通过指定重要性采样技术中的目标分布,计算采样参数权重,使得圆识别更加容易和精确;利用基于聚类技术的峰值检测方法,实现多个圆的同时检测。通过将本文提出的新算法与现有的其他两种算法进行实验对比,表明该新算法在检测精度、检测速度、识别可靠性、抗噪能力等方面都有显著性提高。     

基于局部连通性和PCA的直线检测Hough算法

直线检测是图像处理和机器视觉领域一个重要的问题.提出了一个改进的Hough变换直线检测算法,通过考察边缘点所在的局部连通域,将原始二值边缘图像分割为一系列单元段,利用PCA筛选出近似直线的单元段,并以这些单元段作为Hough变换投票的基本单位进行多对少的投票,最后利用局部极大点检测得到最终的直线参数.在实际图像库上的实验表明,提出的算法具有高的直线检出率、检测精度和运行速度,及与具有类似检出率的算法相比较少的虚假直线数,综合性能具有优势.     

基于脉冲神经网络边缘提取的虹膜定位

运用形态学算子对人眼图像进行睫毛除噪,引入并行性脉冲神经网络提取虹膜的内外边缘.对获取的虹膜内边缘进行连通量标记,求出内边缘上的点坐标从而求得内边界圆各参数;避开运算量大,占运行内存的Hough变换,利用先验知识提取虹膜外边界的有效弧长,通过最小二乘法拟合外边界圆.实验表明,该算法在睫毛,眼睑以及眼球转向的干扰下都能得到较准确的虹膜定位,并且算法在GPU平台上运行速度快.     

基于无人机图像处理的输电线路提取技术研究

为进一步减轻输电线路进行定期检查、巡视的任务,文章提出了一种利用智能化无人机巡检技术,对航拍图像进行线路的提取和跟踪。采用直方图均衡化及图像滤波对航拍图像进行预处理,解决了航拍图像光照强度以及背景对输电线路元素提取的干扰;采用LSD算法实现了线路边缘的提取,在去除图像背景信号的基础上使用Hough变换数学算法实现了输电线路的准确连接;分别采用粒子滤波和扩展卡尔曼滤波两种图像跟踪方法对航拍视频进行线路跟踪,通过建立输电线运动模型,用仿真软件对其进行识别,两种方法的检测准确度分别为95.34%和94.72%,证实文章处理算法可实现输电线路的提取和跟踪。     

Three-feature based automatic lane detection algorithm (TFALDA) for autonomous driving

Three-feature based automatic lane detection algorithm (TFALDA) is a new lane detection algorithm which is simple, robust, and efficient, thus suitable for real-time processing in cluttered road environments without a priori knowledge on them. Three features of a lane boundary - starting position, direction (or orientation), and its gray-level intensity features comprising a lane vector are obtained via simple image processing. Out of the many possible lane boundary candidates, the best one is then chosen as the one at a minimum distance from the previous lane vector according to a weighted distance metric in which each feature is assigned a different weight. An evolutionary algorithm then finds the optimal weights for combination of the three features that minimize the rate of detection error. The proposed algorithm was successfully applied to a series of actual road following experiments using the PRV (POSTECH research vehicle) II both on campus roads and nearby highways.