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。     

基于视频序列的车道线检测和跟踪

车道线检测是无人驾驶系统以及一系列辅助驾驶系统的关键技术环节。传统的车道线检测方法容易受到其他交通标志线干扰,提出了一种新的车道线检测与跟踪方法。该方法首先使用自适应阈值算法提取特征,通过ROI二次设置以及跟踪区域规划,逐步减小感兴趣区域,最后将感兴趣区域内的特征点从图像坐标系转换到世界坐标系下,以最小二乘方法进行曲线拟合。在高速公路及城区道路等多种工况下的实验表明,提出的方法能够正确实时的识别出车道线,有效的消除了其他交通标线的干扰。     

基于卷积神经网络的车道线语义分割算法

针对车道线检测环境复杂,光照变化复杂等特点,提出了一种新型车道线检测方法。首先运用可变形卷积神经网络提取特征,然后通过对白天、夜晚、雨天等复杂光照条件下的KITTI道路数据集进行联合训练,端到端获取车道线上下文信息。建立结构化道路车道线网络模型,进而对车道线进行图像语义分割,并判断车道线类型。该模型预测车道线像素所属的场景语义类别,实现车道线实时检测。实验结果表明,该方法具有较好的准确性和实时性,在多场景结构化道路上的车道线识别率可达96.83%。     

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。     

车道线检测的PSPNet改进算法

车道线检测已成为智能驾驶领域研究的一项重要课题,而实际应用时,常出现车道线分割不准确、实时检测能力不佳的问题。为此本文提出一种金字塔场景分析网络的改进算法。在编码结构的基础上搭建主体网络PSPNet,选用MobileNet v2轻量级网络作为编码器的主干网络,减少了整体网络的计算复杂度及参数量;网络中添加了空洞卷积,并在不同层间实现特征融合,扩充了模型感受野,同时丰富了局部特征;最后用自适应直线拟合算法对各类型车道线拟合。本文使用Caltech车道线数据集进行测试,实验结果显示,改进后的PSPNet算法对不同类型的车道线均有较好的分割结果,与PSPNet算法相比精度和交并比分别提升了3.91%、4.14%,且FPS达28帧/s,本文算法的分割精度和推理速度均优于其他对比算法。     

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。     

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。     

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。     

轻量化 CenterNet 网络的二维条码定位算法

针对复杂工业、物流运输场景中传统的二维条码定位算法效率和稳定性较低的问题,提出了一种基于轻量化的CenterNet网络的二维条码定位算法。针对实际情况中二维条码尺寸变化问题,采用CSPDarkNet53-tiny作为主干网络并对其加以修改。添加SPP模块以提高网络精度,对CenterNet的上采样以及输出模块部分进行轻量化改造,使用5×5深度可分离卷积代替普通卷积,并在训练时采用余弦退火学习率策略防止过拟合。实验结果表明,在定位准确率仅比YOLOv4-tiny降低0.64%的情况下,不仅能够避免传统算法准确率受背景影响大、鲁棒性不强等问题,而且实时推理速度可以达到124 fps,可以更好的用于低硬件配置下各种二维条码定位。     

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。     

基于通道剪枝的ACAM-YOLOv5s绝缘子缺陷检测

针对现有的绝缘子缺陷检测深度神经网络模型规模大、计算资源消耗高、检测精度低,难以部署在边缘端,本文基于通道剪枝和YOLOv5s方法提出具有非对称卷积和注意力机制的轻量级绝缘子缺陷检测模型ACAM-YOLOv5s。ACAM-YOLOv5s模型采用非对称卷积模块ACBlock替换YOLOv5s骨干网络残差结构中的标准卷积,并结合通道和空间混合的注意力CBAM进行特征融合,以增强骨干网络的表达能力、特征提取能力以及鲁棒性。引入对边界框大小和位置灵敏性高的PIoU作为定位回归损失,解决绝缘子纵横比高导致缺陷检测定位准确率低的问题。基于BN层通道剪枝方法对ACAM-YOLOv5s模型进一步稀疏化训练、剪枝和微调,得到轻量化缺陷检测模型。实验结果表明,剪枝后的ACAM-YOLOv5s模型和原始YOLOv5s相比,在检测精度、计算量和模型体积方面,具有相对优势,能够满足边缘设备部署的需求,在无人机航拍绝缘子缺陷检测领域具有潜在价值。     

基于 MBDC 和双重注意力的变电站人员穿戴检测

安全帽与工作服是变电站工作人员安全的重要保障,为解决现有检测模型对其检测精度低的问题,本文提出了MBDC和双重注意力的变电站人员穿戴检测算法。该算法提出了多分支深度卷积(multi branch deep convolution, MBDC)网络增加深度可分离卷积层以增强特征提取的完备性;然后提出多通道交互注意力(multimodal interaction attention, MIA)增加模型对小目标的检测能力,并将MIA机制结合高效通道注意力(efficient channel attention, ECA)机制构成双重注意力机制,增强模型对于小目标和遮挡目标的识别精度;最后引入焦点损失函数和SIOU(scylla intersection over union)作为损失函数以解决正负样本不平衡问题并加快收敛速度。实验表明,本文算法全类平均精度达到84.88%,比原算法高9.92%,总体性能优于对比算法。     

改进的轻量化 YOLOv4 用于电子元器件检测

针对电子行业制造机器人对电子元器件检测精度低和速度慢的问题,提出基于改进YOLOv4的电子元器件检测方法.对网络结构进行改进,利用深度可分离卷积代替PAN网络中的传统卷积,提高检测速度;利用一种具有线性瓶颈的逆残差结构代替CSP darknet53主干网络,降低模型参数,进一步提高检测效率;在检测网络YOLO head前添加注意力机制,提高检测精度.模拟工业传送带环境建立了电子元器件数据集并进行数据增强,相较于原算法,精度(mAP)提高了1.31％,速度提高了16.34 fps,权重大小从245下降到41.20 MB.研究可为相关电子行业制造机器人的研制提供技术参考.     

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。     

基于混合窗的改进全相位谐波相位检测算法

在实际谐波检测过程中,传统傅里叶算法只能做到非同步采样,这样就无法避免栏栅效应和频谱泄露的存在,导致谐波检测中相位检测精度相对较低。针对此问题,提出hanning窗和4项5阶nuttall窗的二阶混合卷积窗,用其在相位检测中做预处理,并以此提出基于混合卷积窗的改进全相位傅里叶算法,该算法在谐波相位检测中能有效提高谐波相位检测精度。分别在白噪声和频率波动的影响下做仿真验证,并与传统的加窗插值算法作对比分析。仿真结果表明,文中优化算法在谐波相位检测中具有较大优势,提高4个数量级的精确度,且具有较强抗白噪声和频率波动能力。