车道线信息的全面理解及偏离预警算法

为全面理解车道线信息,提出了一种车道线检测分类跟踪及偏离预警算法。首先利用动态感兴趣区域约束Canny算子的检测范围,基于扩展的Otsu算法改进Canny算子的阈值设定方式,并通过Hough变换进行车道线边缘拟合;然后依据车道线的颜色及线型特征进行分类,同时借助Kalman滤波器实时跟踪车道线,对检测失效区域采用Kalman滤波器的预测值进行替换;最后设定有效的偏离预警策略,确保行驶的安全性。实验结果表明,算法能全面地理解车道线信息并进行跟踪,同时具备对危险行驶状态下的车辆进行预警的能力。     

基于扩展卡尔曼滤波器的车道线检测算法

提出一种将道路结构模型信息与扩展卡尔曼滤波器(EKF,extended Kalman filter)相结合的车道线检测算法。基于扫描线的自适应边缘检测算子进行边缘点的检测,针对车道模型建立了适合算法的自定义参数空间,进行边缘点的投票,提取出候选车道线,解决了传统Hough变换中处理速度慢的问题。根据道路几何学和车辆动力学建立新的车道模型,增加了车道信息待估计的参数,并利用车道线的特征约束排除干扰线得到车道线的内边界,结合EKF对车道线边界点坐标参数进行跟踪估计,以保证算法的稳定性与鲁棒性。实验结果表明,本文算法能够处理绝大多数的复杂车道情况,在实时性、鲁棒性和检测率上都取得很好的效果。     

基于改进逆透视变换的车道线检测算法

针对智能车辆在不同环境条件下识别道路车道线出现偏移的问题,提出了一种基于改进逆透视变换的车道线检测算法.首先利用HSL和Lab融合模型提取车道线颜色特征,经过二值化处理后利用透视变换将图像转换为鸟瞰图,然后根据二值图建立直方图,进行车道线位置的粗定位.最终通过滑动窗口算法以及直线拟合等处理,实现对车道线的精准识别.通过实验结果对比分析,提出的车道线检测算法能够解决车道线识别偏移问题.     

基于不变矩特征的车道线图像检测算法

为了提高智能车辆导航系统中的车道线检测正确率,提出一种基于不变矩特征的车道线图像检测算法。首先对原始车道线图像进行预处理,提取感兴趣的区域,得到车道线图像的不变矩特征,然后采用支持向量机对车道线图像不变矩特征向量进行建模,得到车道线的检测结果,最后采用仿真实验对算法的性能进行分析。仿真结果表明,相对于其它车道线检测算法,本文算法不仅提高了车道线检测的正确率,而且获得更高的车道线检测速度,完全能够满足车辆安全驾驶实时性的要求。     

一种基于改进Hough变换的车道线检测算法

文中提出了一种适合于DSP的基于改进的Hough变换的车道标志线检测算法.算法首先对经典Hough变换的前级处理过程——边缘提取中的边缘图像进行梯度运算,然后利用获得的梯度运算结果来确定后续Hough变换过程中本该360°搜索的边缘方向这个参数,同时在基本不影响车道标志线检测结果的前提下对参数空间进行适当分块,以减少车道标志线检测算法的运算量.实验结果表明:文中的方法不仅能够准确地检测出待检测路面的车道标志线,而且能够实时的运行在DM648DSP硬件平台上,获得了很好的车道标志线检测效果.     

基于小波分解的弯道识别技术

为了保障车辆安全有效的通过弯道,准确识别弯道曲率尤为重要。因此,文中提出一种基于小波分解的弯道识别技术,该算法通过车载CCD实时采集自车前方的车道线的图像信息,对采集的图像进行小波去噪以及小波边缘检测,最终准确辨识车道线,通过曲线拟合确定道路的曲率半径。经试验验证,该算法能准确辨识出弯道的曲率半径。     

基于车底阴影的车前障碍物检测

基于计算机视觉的道路车辆检测是智能车辆导航的核心问题,实时准确地检测前方运动车辆的位置信息是车辆安全驾驶的前提。文中采用车底阴影的前方运动车辆检测算法,在基于车道线检测的基础上,通过车底阴影检测,实时准确地检测前方车辆。该算法通过使用Otsu阈值分割提取出车道线,生成AOI区域,再进行两次自适应阈值分割提取车底与路面的交线,从而检测出前方运动车辆。经过在高速公路上对运动车辆检测实验证明,该算法基本满足车辆安全驾驶的需求,并能准确实时地检测出前方运动车辆,进而减少了交通事故的发生。     

基于区域颜色特征的食物类别识别算法

针对自选餐厅结账中人工计价的效率问题,文中提出了一种基于颜色特征的食物类别识别算法。该算法通过边缘投影提取目标区域,再基于Lab颜色模型对食物图像聚类分割,利用HSV颜色模型获取各类子区域的颜色特征,并基于区域颜色识别食物的种类。分别针对1类和3类食物的各30幅图像进行了仿真实验和统计分析。结果表明,算法识别准确率可达95.6%,识别速度最快只需0.119 s。     

基于阴影自适应门限的车辆检测

为了提高基于车辆阴影特征的车辆检测正确率,对不同光照强度下阴影判决门限的提取进行了研究。提出了一种在HSV颜色空间中通过Otsu算法获得能适应环境光照变化的阴影判决门限的算法,并利用获得的阴影判决门限来检测车辆的阴影特征。该算法同时利用基于Hough变换的车道线检测算法来减少背景噪声的干扰,实现了在不同光照强度下对车辆的检测。实验结果表明,该算法在不同的光照条件下有较高的检测概率和稳健性,并且相对于传统算法性能有了较大的提高。     

基于边界特征的车道标识线检测方法

车道标识线的准确检测是实现车辆自动导航和车辆安全辅助驾驶的首要问题,为了得到较理想的车道的标线边缘,利用车道的边缘特征对车道图像进行二值化和形态学处理,对车道区域实现准确的边缘检测,最后利用Hough变换定位出车道标识线,完成对车道标识线的识别。实验表明,该方法能实现对复杂环境下车道标识线的准确识别,具有较好的鲁棒性和可靠性。     

基于车道信息融合的车辆行为识别

在车辆的自动驾驶和辅助驾驶中,实时分析车辆的运动状态具有重要的实际应用价值。为了实现对车辆行为的判断,提出一种基于车道信息融合的车辆行为识别算法。首先提出一种基于改进Robinson与LSD的模型,运用改进的Robinson算子获取最佳梯度幅值实现对车道的边缘提取,再通过LSD算法实现车道的检测。然后采用一种基于滑动窗口的三次样条插值法对车道进行拟合,最后根据车道参数信息分析车辆的运动状态,结合车辆的中心位置得到车辆的偏离信息。在BDD100K数据集的测试中,本文算法的车道检测准确率为95.61%,车辆行为识别准确率为93.04%,每秒传输帧数达到42.37。实验结果表明,本文算法在不同场景下可以有效地区分车辆的运动状态并给出车辆的偏离信息,具有更高的准确性和鲁棒性。     

基于机器视觉的车道线精确检测算法

车道线检测是车辆智能驾驶系统的重要组成部分.针对传统的车道线检测方法精度低、实时性能差的问题,提出一种基于机器视觉的车道线精确检测算法.该算法采用车道内侧边缘线代表车道线,具体包括预处理和车道线提取两个步骤:预处理部分包括灰度化、Sobel边缘检测、ROI设定、二值化,最终得到车道线部分的二值图像;车道线提取部分包括图像切片、改进的Hough直线检测、DBSCAN直线聚类以及直线拟合,最终得到精确的车道边缘线信息.最后将算法应用于各种场景下的路况测试,实验结果表明:该算法的平均准确率为94.9％,平均处理时长为25.6 ms/f,具有很好的实时性和鲁棒性.     

Quality-guided lane detection by deeply modeling sophisticated traffic context

Lane detection is a useful technique in modern autonomous vehicles systems, which assists vehicle to accurately localize itself according to detected road lines. Traditional methods leveraged edge detection and Hough transform based algorithms to plot lines along the detected lane. Noticeably, they did not take the informative feature road gradient into account. In addition, most previous deep learning-based algorithms consider lane detection as pixel-wise lane segmentation, where only fixed number of lanes can be detected. In order to solve these limitations, we propose a quality guided lane detection algorithm by modeling the sophisticated traffic context, where variable number of lanes can be satisfactorily handled. Specifically, we first leverage chessboard images for camera calibration to calculate correspondence between real world and image coordinate system. Subsequently, we capture image regions of interest that only contains lane information by leveraging the prior knowledge and image quality scores. Afterwards, we design an end-to-end two-stage CNN architecture for lane detection, where binary lane mask is utilized for lane matching. Comprehensive experiments have demonstrated that our proposed method can cope with variable number of lanes effectively.     

基于多数据融合的快速人脸检测与特征定位算法

针对彩色图像提出了基于肤色和特征验证的人脸检测算法,由肤色分割、排除假区域、特征验证3部分组成。在肤色分割部分,提出自适应阈值法,再通过几何特征排除一些假区域,运用边缘检测、模板匹配和投影法精确定位眼睛和嘴巴,从而验证确认人脸,最后通过投影法定位出鼻子。实验证明该算法检测速度快、准确率高,具有较好的鲁棒性。     

基于纹理特征和颜色匹配的车牌定位方法

在分析车牌定位现有算法的基础上,根据车牌的特点,提出一种新的综合利用车牌纹理特征和边缘颜色对的车牌定位方法.首先根据车牌的纹理特征和结构特点进行粗定位,确定车牌的候选区域,然后对候选车牌区域进行边缘颜色对的检测,根据车牌背景与字符有固定颜色搭配的特点,确定车牌区域.实验结果表明,该算法能有效地对车牌进行定位,提高了车牌定位的可靠性.     

车辆越界快速自适应检测方法研究

针对智能交通系统对快速性和准确性的要求,提出了基于区域生长的边缘关键点提取和基于HSI色彩空间的车辆违规越界自适应检测方法。首先选取车道线中心的点,以此为种子点进行区域生长,均匀选取区域边缘上的某些点作为关键点。然后将图像中的RGB表色模型转换为HSI表色模型,根据HSI表色模型中关键点的像素特征设定二值化阈值,这样能较好地克服光线变化对检测结果的影响,同时能够适应各种颜色车辆的检测,提高检测速度。     

车道线实时检测与偏离预警系统设计与研究

为保证交通安全,设计了一种基于单目视觉的车道偏离检测系统,利用 车载前视摄像 头获取图像,实时对动态图像进行处理,在驾驶员非主观偏离车道时进行报警。首先研 究了图像预处 理技术,包括灰度化、截取有效区域、滤波去噪、图像灰度增强、边缘检测和边缘修复功能 。其次对预处 理后的图像进行车道线检测,为有效识别具有车道线特征的图像,提出了一种改进的Hough 变换算法;对 没有车道线特征或车道线特征不明显的图像,采用了动态检测方法。在此基础上,提出 了一种车道线 纠正算法,即四点标定逆透视变换,将车道图像转化为俯视图,建立图像坐标系与实际俯视 坐标系之间的 关系,得到实际车辆的位置和偏移角度,判断该车辆的情况并作出指示。最后,在实际道路 中对设计中关 键技术以及整个系统进行了实验,大量实验结果表明,本文系统能在多种环境的道路中实现 车道线的准确识别和偏移判断,具有良好的实时性和鲁棒性。