一种基于双曲线模型的车道线检测算法

针对目前车道线检测算法识别率不高、弯道检测不准确的问题,提出了一种基于双曲线模型的车道线检测算法.算法首先运用Canny算子对道路边缘进行检测;采用Hough变换提取道路边界点,并使用扩展的Kalman滤波进行预测跟踪来减小道路扫描范围;最后通过左右车道边界参数与双曲线模型参数进行匹配,利用最小二乘法来求解模型参数,完成车道边界重建.实验结果表明,该算法的准确率达到93.4%,每帧图像的处理速度为87.4ms,有效克服抛物线模型和直线模型在直道与弯道连接处不连续的问题,而且在车道线模糊、对比度较低的情况下也能快速准确的识别出车道线.     

基于改进SUSAN算子的车道线检测算法

为了准确识别道路的车道线,采用45°Sobel边缘算子对中值滤波后的道路图像进行增强,进而采用SUSAN算子和Otsu算法相结合的方法将图像分割,利用分区Hough变换进行拟合,识别出车道线.实验结果表明,采用改进的SUSAN算子分割后的道路图像能够准确提取车道线参数,拟合出车道线,去除噪声,节省了后续Hough变换的时间,提高了算法的抗噪性能和实时性.     

基于整体最优阈值的车道线快速识别方法

针对现有车道线识别算法难以自适应地匹配图像,在车辆过弯途中识别率低,鲁棒性和实时性较差的问题,提出并实现了一种整体最优阈值的快速车道线识别算法.该算法首先对图像进行自适应二值化分割;然后对图像中的感兴趣区域进行提取;提出逐行检索的方法进行车道线内侧特征点的筛选,从而得到实际车道的左右标志线参数以进行道路模型重建.结果表明:区别于以往常用的霍夫变换,此方法具有更好的实时性及准确性,可在车辆过弯途中为系统提供更多的有效信息.     

基于熵最大化边缘提取的直线型车道标识线识别及跟踪方法

为了得到较为理想的车道标识线边缘图像以便于更好地对车道标识线进行识别,提出了一种基于熵最大化的边缘提取的车道标识线识别及跟踪方法。该方法结合了基于一维熵最大化分割方法和基于二维直方图的熵最大化分割方法,利用图像变窗口处理技术实现对道路图像中车道标识线边缘的分割,然后利用基于统计的方法得到车道标识线参数,最后采用建立梯形感兴趣区域的方法实现对车道标识线的实时跟踪。试验结果表明:该方法具有很好的可靠性、鲁棒性和实时性。     

应用模糊逻辑的车道线检测方法

为了实现受大片阴影干扰或强光照等条件下的车道线边缘增强与车道线检测,提出了一种应用模糊逻辑的图像处理方法检测车道线,通过最大信息熵求取直方图的谷底作为隶属度函数的参数值,利用模糊逻辑增强了车道线像素与柏油路像素之间的对比度.在车道线检测过程中,对预处理后的图像利用HT检测直道,利用3次曲线方程拟合弯道.为了节省数据处理时间,根据上一帧的车道线参数,利用Kalman滤波器动态建立感兴趣区域,并且预测当前帧的车道线拟合参数,实现道路的实时检测.对比分析表明,该算法提高了受大片阴影干扰或强光照等条件下的车道线边缘像素和柏油路像素之间的对比度,强化了车道线边缘信息.车道线检测结果表明,经过模糊逻辑处理能准确提取大片阴影干扰或强光照等条件下的车道线参数,稳定检测多种光照条件下的车道线.     

驾驶员无意识车道偏离识别方法

为了改进车道偏离预警系统的工作效能,本文提出了考虑人-车-路特性的无意识车道偏离识别方法。首先,明确了无意识车道偏离识别的具体含义,将其划分为疲劳车道偏离和次任务车道偏离;其次,利用受试者工作特性曲线(ROC)确定无意识车道偏离的识别时间窗口,保证了无意识偏离样本筛选的有效性;再次,以12名驾驶人为试验对象,采集并对比分析了驾驶员操纵特性、车辆运动状态和车辆与车道线相对运动状态等相关参数,并分别选取作为疲劳车道偏离和次任务车道偏离识别基本特征;最后,采用高斯混合隐马尔科夫模型(GM-HMM)构建无意识车道偏离识别模型。实验结果表明,本文方法具有较好的识别效果。     

基于图像质量分析与多角点融合的车道线识别算法

为了解决车道线识别中环境因素影响图像质量的问题,提出了一种基于图像质量分析与多角点检测融合的车道线识别算法。通过设计基于灰度与频域的图像质量分析函数,建立多阈值判断机制,确保图像中包含所有的车道线且清晰度达标。在此基础上融合多角点特征,对车道线特征点进行定位。基于OpenCV开源函数,实现车道检测算法,采用C#语言完成系统界面开发,并安装于实验平台进行测试。测试结果显示,在实际场景中,此车道识别系统具有较高的识别准确度。     

基于串级MPC和EPS的集成驾驶员转向车道线保持

针对电动助力转向( EPS)作为转向执行机构的车道线保持的控制系统设计及保留驾驶员对车辆操控问题,提出基于串级模型预测控制( MPC)和EPS集成驾驶员转向的车道线保持系统. 在车道线识别视觉系统空间,建立车道线保持状态空间模型,设计基于MPC的车道线保持控制器( LMPC) . 建立EPS状态空间模型,设计基于MPC的EPS车辆前轮转角控制器( EMPC) . LMPC与EMPC经逆转向机构模型组成串级控制结构. 分析驾驶员转向对车道线保持控制的影响,进而通过保留驾驶员对车辆控制来提高处理紧急事件的能力. 仿真结果表明:在不同车速和不同曲率道路下,该控制策略均能快速消除横向位置偏差和航向角偏差,保证车辆沿着车道线行驶,具有较好的适应性和鲁棒性. 驾驶员转向可以改善车道线保持和提高车辆主动安全性.     

基于Bayes后验概率的鲁棒性车道线检测算法

针对道路场景中常见的由阴影、地面积水、刹车印记等因素引起的车道线对比度低和车道线不明显问题,提出一种基于Bayes后验概率的鲁棒性车道线检测算法.该算法在二次曲线道路形状模型基础上,在图像平面中引入中心车道线模型描述左右车道线,结合图像信息和车道线先验概率构造后验概率函数,将车道线检测问题引申为最大后验概率问题,并在优化过程中将具有参数少、结构简单和收敛速度快等特点的粒子群优化算法与具有全局搜索特性和不易早熟等特点的免疫克隆策略相融合,提高车道线检测的鲁棒性.实验结果验证了上述算法在车道线检测过程中对阴影等不良因素的鲁棒性.     

LaneSegNet:一种高效的车道线检测方法

车道线检测在智能交通领域占有重要地位,其检测的准确度和速度对于辅助驾驶以及自动驾驶有重要影响.针对目前深度学习方法识别车道线精度差、速度慢的问题,提出了一种高效的车道线分割方法LaneSegNet.首先基于编码和解码网络原理构建主干网络Lane-Net,用于提取车道线特征信息并分割出车道线;然后使用多尺度空洞卷积特征融合网络,可以极大地扩充模型的感受野,提取全局特征信息;最后使用混合注意力网络获取丰富的车道线特征,并增强与当前任务相关的信息.实验结果表明：在TuSimple数据集上,该方法检测车道线的准确率为97.6%;在CULane数据集上,该方法在标准路面的检测准确率达到92.5%,多种路面综合检测准确率为75.2%.本文提出的LaneSegNet车道线检测方法分割精确度和推理速度优于其他对比模型,且具有更强的适应性和鲁棒性.