应用匹配滤波器的车道线恒虚警率识别方法

针对多种道路场景下车道线的识别问题,提出了一种应用匹配滤波器和恒虚警率检测器的处理方法。根据车道线横截面的灰度轮廓特征,对图像局部区域,采用不同尺度的匹配滤波算子,实现不同环境条件下车道线区域的特征增强;利用可产生自适应阈值的恒虚警率检测器,提取车道线特征点,并通过随机抽样一致性方法拟合产生车道边界线。在车道线跟踪阶段,建立车道线参数数据库,分析当前帧车道线与数据库的匹配置信度,并动态更新该数据库。在嵌入式系统中,经过多种工况的试验验证,该算法能稳定地识别车道线,准确提取相关参数,处理速率达到30FPS。     

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。     

基于环视系统的车道偏离预警系统研究

为了达到比较理想的预警效果,对基于视觉的车道偏离预警系统进行了研究,开发出一套基于车载环视驾驶辅助系统的车道偏离预警系统。通过环视系统获取车辆的俯视图像,然后采用适当的图像预处理方法和有效的车道线边缘检测算法,快速的对车道标志线进行识别和定位,最后基于TLC(time to lane crossing)预警算法,建立了一套完整的车道偏离预警系统。实验结果表明:该系统具有较好的可靠性和实用性。     

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。     

车道识别技木

文中分析由车载摄像头获取的道路图像的特点,提出基于霍夫变换的车道识别算法,能够自动提取原始图像中的车道部分并检测出图像中的所有车道线.实验表明,对于不同的天气状况和车道种类,该算法均可得到良好的识别效果.     

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。     

基于直线检测和数字地图匹配的车辆航向角估计

为减少车辆行驶过程中由于卫星信号失锁及惯导累计误差对航向角的影响,结合场景特征的提取、表达和数字地图信息,提出了一种基于直线检测和数字地图匹配的车辆航向角估计方法。首先,根据地图匹配的坐标点计算车道线地图对应点的方位角,计算车辆航向角与车道线方位角的角度差;其次,通过改进的FLD直线检测方法识别并计算道路图像中车道线直线的角度;将双侧车道线直线角度作为BP神经网络的输入,以预测角度差作为网络输出;最后,结合预测角度差和车道线方位角得到实时车辆航向角。经实验验证,所提方法的航向角估计精度与现有估计方法及普通传感器测量结果相比具有一定的优势。     

基于改进 Hough 变换耦合密度空间聚类的车道线检测算法

为了提高车道线检测的准确性与鲁棒性,降低光照变化与背景干扰的影响,提出了一种改进的 Hough 变换耦合密度空 间聚类的车道线检测算法。 首先,建立车道线模型,将车道边界分解为一系列的小线段,借助最小二乘法来表示车道线中的线 段。 再利用改进的 Hough 变换对图像中的小线段进行检测。 引入具有密度空间聚类方法( density based spatial clustering of applications with noise, DBSCAN),对提取的小线段进行聚类,过滤掉图像中的冗余和噪声,同时保留车道边界的关键信息。 随 后,利用边缘像素的梯度方向来定义小线段的方向,使得边界同一侧的小线段具有相同的方向,而位于相反车道边界的两个小 线段具有相反的方向,通过小线段的方向函数得到车道线段候选簇。 最后,根据得到的小线段候选簇,利用消失点来拟合最终 车道线。 在 Caltech 数据集与实际道路中进行测试,数据表明:与当前流行的车道线检测算法相比,在光照变化、背景干扰等不 良因素下,所以算法呈现出更理想的准确性与稳健,可准确识别正常车道线。     

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DM3730的车位检测系统的实现

以停车场监控视频作为车位检测算法的研究对象,该算法首先通过离线检测获取在不同环境下的车位背景相关的特征信息。接着提取出当前单车位区域作为感兴趣区（ROI）,然后分别对其进行3种车位算法检测。该算法运行在ARM＋DSP异构双核处理器DM3730平台和嵌入式Linux操作系统下,借用OpenCV中的图像处理函数和DSP运算进行图像处理,并将结果保存到嵌入式数据库中,实现了基于B／S网络模型的多车位检测。测试表明,用户只需通过浏览器访问该系统,就可以获得当前车位的占用情况,能够满足高实时性、高准确性的要求。     

A lane detection algorithm for personal vehicles

By the term “personal vehicle,” we mean a simple and lightweight vehicle expected to emerge as a personal ground transportation device. The motorcycle, electric wheelchair, and motor‐powered bicycle are examples of the personal vehicle and have been developed for personal transportation use. Recently, a new type of intelligent personal vehicle called the Segway has been developed, which is controlled and stabilized by using on‐board intelligent multiple sensors. The demand for such personal vehicles is increasing: (1) to enhance human mobility, (2) to support mobility for elderly persons, and (3) to reduce environmental load. With the rapid growth of the personal vehicle market, the number of accidents caused by human error is also increasing. These accidents are associated with driving capabilities; to enhance or support driving capabilities as well as to prevent accidents, intelligent assistance is necessary. One of the most important elementary functions for personal vehicles is robust lane detection. In this paper, we develop a robust lane detection method for personal vehicles in outdoor environments. The proposed lane detection method employs a 360° omnidirectional camera and unique robust image processing algorithm. In order to detect lanes, a combination of the template matching technique and the Hough transform is employed. The validity of the proposed lane detection algorithm was confirmed with a prototype vehicle under various types of sunshine conditions. © 2011 Wiley Periodicals, Inc. Electr Eng Jpn, 177(4): 23–32, 2011; Published online in Wiley Online Library ( wileyonlinelibrary.com ). DOI 10.1002/eej.21193     

基于 MultiRes+UNet 网络的车道线检测算法

无人驾驶技术改变人类生活方式,带车道线属性的高精地图,是无人驾驶领域的重要一环。 针对现有算法在车道线检 测时存在准确率低、效率低等问题提出基于 MultiRes+UNet 检测方法。 该方法通过空洞卷积扩大卷积感受野,从而对全局信息 统筹,运用 MultiRes block 和 Res path 结构减轻编码器-解码器特征之间的差异,大大降低了内存的需求。 实验结果表明,此算 法在保证检测准确率的同时, 提高了算法的稳定性和运行速率,在纯车道、复合车道、阴影污损车道等多情况下,调和平均值分 数分别为 0. 959、0. 942、0. 891,该算法存在高效性、高鲁棒性。