一种新的车道线快速识别算法

针对现有的的车道线识别算法在复杂环境下识别率低、鲁棒性和实时性较差的问题,提出了一种基于形态学多结构元素建模的车道线快速识别算法。该算法首先对车道图像进行感兴趣区域提取,通过Canny算子对感兴趣区域进行边缘检测,然后利用具有车道模型特征的多结构元素进行车道线提取、霍夫变换,以及峰值检测点参数的筛选,从而得到实际车道左右标识线的参数以重建原车道线。仿真实验表明,该算法能在多种复杂环境下快速、准确地识别出车道标识线,且鲁棒性高。     

强光照条件下车道标识线识别与跟踪方法

为了实现强光照条件下车道标识线的准确识别和跟踪,采用基于直方图锥形拉伸算法对原始图像进行处理,以提高图像整体对比度,利用SUSAN算法提取出处理后图像中的边缘,对边缘图像利用定向边界跟踪算法进行滤波,利用Hough变换提取出车道标识线参数完成对道路图像中的车道标识线的识别,最后采用建立梯形感兴趣区域来实现对车道标识线的实时跟踪.试验结果表明该方法具有较强的鲁棒性和较好的实时性.     

基于OpenCv的车道标识线检测识别算法的研究

由于路面结构、光照变化、阴影等因素的影响,传统的道路标识线的识别算法常常会出现道路标识线识别不准确的现象。针对这种情况,提出基于Open Cv的车道标识线检测识别算法。算法首先先对原始图像进行平滑处理和中值滤波处理,去除周围环境的影响,再使用canny算子进行边缘检测,得到车道标识线基本轮廓,最后再进行图像的二值化分割和Hough变换得到车道标识线参数。实验结果表明,该方法通过一系列的变换和处理后,能够消除路面结构、光照变化、阴影等的影响,清晰准确地识别出道路标识线,具有很好的准确性、鲁棒性和可靠性。     

一种基于帧间关联的实时车道线检测算法

为了更好地满足车道线检测的实时性和鲁棒性要求,提出一种基于帧间关联的车道线检测算法。根据道路图像的特征,将图像灰度化后,采用中值滤波去除图像采集过程中引入的噪声,再根据自适应阈值边缘提取检测算法,在提取过程中对原图像进行区域划分,利用改进的Hough变换得到车道候选线,建立动态的ROI,通过帧间关联方法实现对车道线模型的约束和更新。实验结果表明,基于帧间关联的车道线检测方法不仅降低了图像数据的运算量,缩减了算法的执行时间,而且 提高 了算法的鲁棒性。     

基于边界的车道标识线识别和跟踪方法研究

在道路图像中，为了得到较理想的车道的标识边缘，该文采用基于LOG算子边缘增强的方法得到梯度图像，利用SUSAN算子对该梯度图像进行分割，实现了车道标识线边界的提取。在分割后的梯度图像中，利用Hough变换提取出车道标识线参数，完成了对道路图像中的车道标识线的识别，采用建立梯形的感兴趣区域的办法，实现了对车道标识线的实时跟踪。试验结果表明该方法具有较强的鲁棒性和较好的实时性。     

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。     

缩微交通环境下的车道标识线检测

为了解决缩微交通环境下的车道标识线检测问题,提出了一种数学形态学与概率霍夫变换相结合的车道标识线检测方法。首先运用灰值腐蚀膨胀对道路图像进行滤光处理,去除光照影响,然后利用自适应阈值二值化图像,最后利用概率霍夫变换寻找车道标识线。实验结果表明,在缩微交通环境下该方法能够准确地检测出车道标识线,具有很强的鲁棒性。     

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。     

基于自适应分割阈值的夜间车道标识线识别

针对夜间获取的车道图像对比度低的问题,提出了一种基于自适应阈值分割的夜间车道标识线识别算法。首先,对预处理后的图像进行分块拉伸以增强边缘信息。再结合Otsu门限法和邻域中值法,通过加权分配获取自适应阈值,对车道图像进行分割。最后,采用分区域搜索方式,利用Hough变换精确地提取车道标识线。现场实测表明,针对结构化道路的车道线,论文采用的车道线提取方法准确率高且实时性好。     

基于序列图像车道线检测的自主导向方法

为了改善视觉导向的精度和计算性能，提出一种基于序列图像车道线检测的自主导向方法。首先，将获取的图像转换成HSV图像格式，划定车道线感兴趣区域(Region of Interest, ROI),对S和V通道的图像采用提出的区域垂直斜分OTSU算法实现二值化；然后，融合H、S和V通道二值化后的图像，对其进行边缘提取，依据提出的参数约束Hough变换，辨识出车道标识线；最后，结合序列图像的车道线位置，计算出车体的位姿，根据建立的导向控制模型，控制无人智能车的左右打轮幅值。理论分析和实验结果表明，该方法可以增强车道线辨识的实时性和鲁棒性，提高导向的精度。     

基于Mask R-CNN与改进Criminisi的沥青路面车道线移除方法

在对沥青路面病害图像进行自动分类时,含车道线的图像数量较多易造成干扰。 为此,提出一种车道线移除方法以降低其对分类的影响,首先基于 Mask R-CNN 网络训练出复 杂背景下车道线区域的检测模型,通过该模型自动获取车道线区域 mask;然后利用 mask 将车 道线区域全部移除得到破损图像;最后用改进的 Criminisi 图像修复方法对破损图像进行样本块 填充。实验表明,采用 Mask R-CNN 方法对 400 张不同环境下的路面图像进行检测,其漏检率 和误检率分别为 0.50%和 7.87%。在保证图像修复质量的基础上,改进的 Criminisi 方法在修复 速度上比改进前提升约 4~5 倍。同等条件下,采用 VGG 分类模型对比验证,经该算法移除车 道线后的新数据集表现更优。     

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。     

结构化道路车道线快速检测的一种改进算法

基于视觉导航的高速智能车,提出一种改进的道路快速检测算法。用改进的水平均值投影法划分道路和背景区域,结合边缘检测算子和最大类间方差法(大津算法),构成双阈值法对道路区域图像进行二值化处理,利用先验知识改进的霍夫变换,在路面存在阴影和噪声干扰的条件下,能准确地检测车道标识线;对动态预测划分感兴趣区域,采用菱形搜索法进行车道线跟踪,融合初始检测和后续跟踪两层算法循环处理道路图像序列。实车试验表明,算法具有良好的实时性和鲁棒性,满足智能车高速行驶要求。     

基于视觉传感器的车道检测算法

为了提高对环境的适应性,减少道路图像受光照、污渍的影响,提出一种基于视觉传感器的车道检测算法。首先分析光照污渍的影响,同时利用投影原理等先验知识改进区域生长法,接着分割图像并划分道路的边界区域,然后通过融合边缘检测数据得到准确的车道线特征点集合,车道检测中则采用Hough变换提取直线段来匹配道路直线模型。实验结果表明：该算法可以有效降低光照、污渍的干扰,提高了鲁棒性,准确率达97%。     

基于混沌粒子群的车道线检测算法

为解决在恶劣天气、光照条件变化和路面信息干扰等情况下的车道线检测识别率低的问题,提出一种采用核Fisher线性判别分析灰度变换以及混沌粒子群的车道线检测算法。将高维的RGB彩色图像通过最佳鉴别投影向量投影到低维的子空间,通过混沌粒子群算法,根据车道线特征,遍历粒子取值范围内的空间,寻找适应度函数最大的解,根据最优解获得的直线参数在图像上拟合车道线。实验结果表明,所提算法能够实现各种道路情况下的车道线检测功能,验证了该算法具有良好的鲁棒性。     

基于机器学习的车道线检测系统仿真与优化

真实的道路行驶环境是复杂多变的,会对车辆识别算法造成较大干扰。为准确识别车道线,提高车道线检测算法的实时性和鲁棒性,进行了多方面的改进。首先对采集到的图像进行预处理,包括图像灰度化、45°sobel算子边缘检测和二值化处理等,获得高质量图片。其次采用改进的Hough变换进行车道线识别和优化,提高检测结果的准确性,促进检测有序进行。最后通过最小二乘法对结果进一步优化,以期得出更加精确的车道线。实验结果表明:改进后的算法可以较为准确的识别车道线,具有较强的实时性、鲁棒性和准确率。     

一种用于高速公路的快速有效的车道线识别算法

提出了一种针对高速公路的车道线检测与跟踪方法;在图像预处理中采用基于采样的自适应阈值以满足不同光照条件下的使用要求,采用霍夫变换(HT,Hough Transform)进行车道线初始检测,车道线跟踪利用Kalman预测参数动态建立感兴趣区域(ROI,Region of Interest),用扫描线法搜索车道线边界点,在车道线间断区域利用Kalman预测器定位车道线边界;设计了一个失效判别模块,验证跟踪结果,当跟踪失败时,重新启动初始检测算法进行识别;实验结果表明,对于不同的车道线种类和在大部分车道线被前方车辆遮挡的条件下,该算法均具有较高的实时性和鲁棒性。