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。     

基于最优阈值和Hough变换的车道线检测方法

针对智能车辆视觉导航系统中的车道保持问题,采用图像处理技术检测结构化道路上的车道线。详细介绍了图像的灰度特征,并在此基础上选取感兴趣的道路区域,通过最优阈值对道路区域进行边缘检测,再结合Hough变换技术检测当前车道线。实验表明用结合最优阈值和Hough变换来检测车道线具有很强的鲁棒性和抗干扰性。     

基于Hough变换的车道检测改进算法研究

车道检测是车道侧偏检测的前提,是车辆辅助驾驶系统的重要组成部分,针对这一特点,提出了利用Hough变换来实现对车道检测的直道检测,而对于弯道部分的检测,则是该算法的一个创新之处.通过统计较小区域的目标像素数目,设置感兴趣区域(ROI)来判断车道的弯曲方向,并在该方向上进行弯道像素的搜索,采用多段折线的方法对弯道部分进行重建.实验结果表明该算法具有运算速度快、准确性高、鲁棒性较好的特点.     

基于限定区域和Hough变换的车道线的检测方法

车道线检测和预警是智能车辆视觉导航系统中的重要组成。为提高检测的实时性,提出一种基于限定区域Hough变换的车道线检测方法。首先利用车道线角度和范围的约束对车道线进行的限定区域划定,然后在区域内检测到符合条件的车线时再进一步建立动态ROI区域,使区域最小化,减少图像空间中被投票的目标点数,缩小Hough变换的投票空间。针对不同的光照情况,根据图像的平均灰度值来设计自适应预处理步骤,提高了算法抗干扰性。实验结果表明,在结构化的高速公路上,算法具有较好的实时性和抗干扰性。     

基于动态划分感兴趣区域的车道线检测算法

自动驾驶与辅助驾驶中对车道线检测的要求都是极高的.传统车道线检测中对感兴趣区域的划分主要是粗略的截取图像的下三分之二处,导致对一些特殊场景的适用性不高.本文为了更精确的检测出车道线,在传统的车道线检测基础上提出将感兴趣区域进行动态划分,通过行灰度值和列灰度值剔除图像上部天空和左右风景的无关信息.通过实验表明,上诉方法在...     

改进的随机Hough变换的头部区域检测算法

介绍了一种基于随机Hough变换(RHT)的圆检测的改进算法。该算法利用梯度方向信息来确定采样的3点是否进行累积,并在获得真实圆之后采取部分删减的策略来更新边缘点集。此方法不仅解决了传统RHT中由于随机采样而造成的大量无效累积问题,并且有效改善了传统RHT方法中与梯度方向Hough变换(GHT)算法相比最优拟合结果丢失的情况。该方法在降噪后的图像上做了实验,最优拟合结果出现概率明显提高,检测性能有了显著的改善。     

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。     

移动机器人导航系统中的车道线检测方法及实现

针对室外移动机器人GPS与惯性导航不足之处,在GPS与惯性导航基础上,提出了采用视觉检测方法实时识别路面的车道线信息,对移动机器人进行辅助定位。在传统的Canny边缘检测算子基础上,提出了使用改进型小波阀值算法与Canny边缘检测算子进行融合处理,其基本原理是先使用改进型小波阀值算法,代替传统的高斯滤波器进行平滑和降噪处理,然后再使用Canny边缘检测算子提取边缘特征。最后使用matlab软件对采集到的路面视频信息进行处理,计算出移动机器人相对于路面车道线的偏转角度和偏离距离。实验发现12000帧图像中有仅有892帧图像检测失败,成功率达到92.6%,取得较好效果。为移动机器人的室外自主移动提供有力支撑。     

基于Hough变换的平行直线检测改进算法研究

根据经典Hough变换检测空间直线的原理,提出了一种基于Hough变换的平行直线检测改进算法,将采集到的图像进行二值化处理,再使用Sobel算子对该二值化图像进行边缘检测,对边缘检测得到的图像进行Hough变换和峰值点检测,由峰值点得到直线段图像,最后使用本文提出的改进算法计算出所有直线段的斜率,利用斜率相等来判定平行直线.通过对比实验证明,该算法能得到更高的精度,并缩短了运行时间.     

基于霍夫变换算法的车载视频车道线检测

基于车载视频监控,围绕车道线检测及车道线模糊或缺失等应用进行研究,并将研究成果应用到道路巡检管理系统中,取得了良好的工程实践应用效果。采用了霍夫变换检测算法筛选当前车辆行驶所在车道的左右车道线,通过数量检测对车道线缺失进行判断预警。为了进一步提升应用的可靠性、减少因车辆变道或前方车辆遮挡而导致的车道线缺失误判,研究了车道线偏离和前方障碍物判断预警方法。以俯瞰视角,对车道线、摄像头成像及车辆姿态进行建模,计算车辆行驶偏移的角度和相对距离,判断车辆偏移情况。     

基于级联霍夫变换的车道线快速检测算法

车道线检测是智能辅助驾驶算法中的核心算法之一。为了解决基于传统霍夫变换的车道线检测算法检测效率低下等问题,提出一种基于级联霍夫变换的快速车道线检测算法。该算法首先对视频帧进行ROI选取、滤波、边缘检测、非极大值抑制等预处理,然后使用基于平行坐标系的映射将原始图像转换到参数空间,完成点到线、线到点的映射,接着再使用一次映射,最终实现点到点、线到线的映射,以此快速提取车道线消失点,并根据消失点位置扫描实际车道线,实现车道线的提取。该算法在点的映射过程中,坐标值始终是线性变换,克服了传统霍夫变换在映射过程时需对每一个点进行极坐标转换的缺点,计算更简单,运算效率更高。仿真实验表明,文中提出的改进算法比传统霍夫变换运算速度提高了31%,准确率提高了6.2%,检测效果有明显提高,可广泛应用于智能辅助驾驶中。     

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。     

一种照度自适应车道检测算法及多核平台实现

针对车道线检测,基于图像白平衡算法和灰度直方图,自适应地提取出感兴趣区域,并自适应确定Canny边缘检测算法的高低阈值.通过对概率霍夫变换得到的直线点集进行RANSAC拟合,满足了在不同光照条件下的自适应车道线检测,并基于英伟达Jetson TK1嵌入式开发板结合开源GUI库Qt,使用其Qt Quick开发出一套车道线检测系统.     

基于直线边缘识别的图象区域定位算法

介绍了一种基于直线边缘识别的图象区域定位算法。算法主要分为两个部分,其一为基于样本线对边缘点进行搜索的边缘检测算法,其二为利用层次逼近的霍夫变换对所得到的边缘图象中车牌区域的边界直线段进行提取以对其定位的算法。算法充分利用了原始图象的灰度分布特征,同时在霍夫变换中采取了深度优先的递归搜索策略,取得了较好的实现结果。     

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。     

基于窗口Hough变换与阈值分割的矩形识别算法

提出一种基于窗口霍夫变换与阈值分割自动识别图像中的矩形策略： 通过图像窗口霍夫变换,提取霍夫图像的峰值（对应原始图像的线段）,当四个峰值满足某些几何条件时,则检测出矩形;对图像进行阈值分割,将分割结果与霍夫变换的矩形做拟合修正.对不同成像背景和光照环境下图像的集成测试结果表明,本策略能够很好地抑制在多种自然光照不均和拍摄角度造成的干扰.且采用了缩略图计算,降低了逐像素运算的时间复杂度,可满足实时性要求.该技术可运用在实时准确裁剪银行票据目标等各个需要快速识别矩形的工程领域.     

一种基于中点画圆算法的改进Hough变换检测圆方法

为了对机械零件图像中的圆形几何特征进行视觉检测,将中点画圆算法与Hough变换相结合,提出一种基于中点画圆算法的Hough变换检测圆的新方法,并对中点画圆算法中的浮点运算等方面进行了改进。给出了该新方法的具体实施步骤和检测结果,表明了该方法的可行性。最后,通过对比实验验证了该方法的有效性。     

基于改进SIS算法和LSD的车道线检测方法研究

为了降低车道线识别算法在车道线存在阴影遮挡、路面出现泛白现象等不同道路环境下的误检率,提出了一种基于改进简单图像统计(SIS)阈值算法和直线段检测(LSD)的车道线检测算法。首先,在图像预处理阶段采用改进的SIS阈值算法进行二值化。然后采用直线段检测(LSD)算法检测直线,通过平行线对来估计消失点位置并利用消失点去除干扰。最后,利用车道线连续性和车道间距确定车道线感兴趣区并精确确定车道线位置。分别采用加州理工学院的车道数据集和实际采集的城市道路、高速公路的视频对所提出方法进行了实验验证,实验结果表明,该算法误检率低,鲁棒性高,能在复杂环境下快速、准确识别车道线。