一种改进 Hough 变换的车道线检测算法*

对基于单目视觉的车道线检测技术进行研究,针对复杂环境中车道线检测易受图像中其它直线段的影响而出现较多误检测的问题,提出一种改进算法。首先将车道线图像灰度化,采用中值滤波去除图像噪声;再次,采用Canny算子和OTSU方法进行边缘增强和图像二值化;最后,使用改进的Hough变换进行车道线检测。实验结果表明,该方法可以有效地滤除其它直线段的影响,在复杂环境中获得良好的车道线检测效果。     

一种基于边缘方向连续性的车道线快速检测算法

针对复杂环境下车道线检测算法鲁棒性和实时性差的问题,提出一种基于边缘方向连续性的车道线快速检测算法.首先,为解决复杂光照下黄色车道线模糊不清的问题,采用Lab色彩空间中b分量与灰度图像加权的方法增强黄色车道线的对比度;为获得上升沿和下降沿的连续直线轮廓区域,选择合适掩膜遍历边缘点,剔除非连续干扰边缘;为拟合出正确车道轮廓,经过曲直判定后,采用改进的Hough变换和最小二乘法检测车道线.实验结果表明,在多种复杂环境下,本文算法仍能满足车道线检测的准确性和实时性要求.     

基于分段切换模型的快速车道线检测

为了弥补单一模型在车道线检测中的缺点,提高车道线识别的实时性和精确性,提出一种由Hough变换与二次曲线模型相结合的高速公路车道线识别算法。该算法首先对图像作感兴趣区域ROI(Region of Interest)划分;再在LOG算子对ROI边缘检测的基础上进行Hough变换检测直线;然后根据已检测出的直线再进一步动态划分ROI和直线检测;最后通过判断两直线段的方向变化趋势进行直线和二次曲线切换拟合车道线。通过对高速公路实际车道线进行实验检测,实验结果表明,该算法能够准确地检测出车道线,准确率和实用性均高于对比算法。     

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.     

基于动态感兴趣区域的光照无关车道线检测算法

为保证自动驾驶的安全性和高效性,基于Hough变换与投票法找到道路图像的消隐点,以此建立动态感兴趣区域,根据白色与黄色车道线的颜色特性设计光照无关车道线检测算法,实现夜晚、隧道等复杂光照环境下的车道线区域检测。在此基础上,设计极角约束算法对候选车道线进行筛选,得到最终的有效车道线。实验结果表明,该算法在复杂光照环境下具有较好的检测效果,平均检测准确率高达93.5%。     

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。     

基于改进Hough变换的前视机场跑道识别方法

提出了一种基于Hough变换的前视机场跑道识别算法。该算法基于跑道灰度图的直线边缘特征,利用直线边缘特有的灰度方向和直线方向一致的特点改进了基于二值化边缘点的传统Hough法,并在此基础上实现了复杂背景下的机场跑道识别。真实跑道图像测试表明本算法具有良好的识别效果。     

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.     

水下人造目标线特征快速检测算法

为了从水下复杂场景中快速检测人造目标,提出了一种在图像小波变换低频子带上进行直线实时检测的算法。首先,利用小波变换确定显著线特征检测的合适尺度;然后在确定的低频子带小图像上进行边缘检测,利用梯度直方图和迭代法相结合自适应确定边缘检测的分割阈值,得到显著特征的边缘点;再利用改进的Hough变换检测人造目标的直线特征;最后在原始图像上标记出直线检测的结果。实验结果表明:提出的算法可以准确检测出水下复杂背景中人造目标的直线特征,并且具有良好的实时性,满足水下人造目标视频检测的应用要求。     

道路区域分割的车道线检测方法

为了满足无人驾驶车在高速公路行驶的实时性和鲁棒性要求,提出了一种基于道路区域分割的车道线检测方法.该方法分道路区域分割和车道线检测2个阶段.在道路区域分割阶段,首先提取的道路颜色值,然后在二值边缘图像中搜索连通域,通过将连通域的颜色特征值与道路颜色特征值比较来快速定位道路区域,并将这一区域划定为车道线检测的感兴趣区域.车道线检测阶段则使用改进的概率Hough变换方法提取车道线点,并使用最小二乘法对车道线点集进行拟合,获得车道线模型的参数.实验证明该方法相比传统的利用标准Hough变换算法准确率提升23%,有效地排除了道路区域外的直线像素干扰,具备较好的鲁棒性和实时性.     

基于滥用检测和异常检测的入侵检测系统

随着Internet的高速发展，网络安全问题越来越引入注目。在层出不穷的黑客技术中，内部攻击始终占据着很大的成分；与此同时，现有的防火墙技术不能满足人们对网络安全的要求，因此所谓的入侵检测系统越来越多地引起了人们的重视。文章介绍了一种异常检测方法和一种滥用检测方法，并根据所描述的方法构造了一个入侵检测系统，实验证明，该系统可以检测到已知的大部分的入侵行为。     

多用户检测中解相关检测和最小均方误差检测的研究

多用户检测技术是第三代移动通信系统关键技术之一。其主要思想是充分利用所有用户的信息对接收信号做联合检测,抑制多址干扰,缓解＂远-近＂效应,从而有效地提高系统容量。本文对多用户检测技术进行初步的研究,尤其是两种主要的线性多用户检测技术：解相关检测和最小均方误差检测,做仔细地研究和比较,并用MATLAB在AWGN信道下和DS-CDMA系统中做仿真。     

入侵检测系统检测效率的研究

目前的入侵检测系统(IDS)主要存在检测准确率低、检测速度较慢等缺点。本文以提高检测的准确率和速度为目的对入侵检测系统中的各功能模块进行分析,给出了一些关于提高入侵检测系统检测效率的方法。     

序列检测在DDoS检测中的应用

针对DDoS攻击时的网络数据流分布规律发生变化的特点,提出利用序列检测的CUSUM方法来实时检测相关的变化点,得到DDoS攻击时统计规律的变化函数。经过实验证明,无参数的CUSUM方法是一种计算量小、无需设定复杂的参数、可对DDoS攻击进行实时分析,在较少的计算量下提高检测性能,是一种简单有效的入侵检测方法。     

轮辋裂纹检测方法研究

综合运用图像边缘检测、形态学运算、傅立叶变换、最优阈值分割等多种方法,提出一种适用于车轮轮辋探伤系统的裂纹检测方法。该方法能有效抑制背景光照不均和去除背景刀纹,同时较好地检测到裂纹特征。实验表明该方法具有运算速度快,漏判误判率低的特点。     

基于社区发现的网络异常检测方法

随着互联网的不断普及与网络通信技术的不断进步,网络已经逐渐进入到人们生活的每一个层面,越来越多的网络应用应运而生.但是另一方面,随着当前网络结构的日益复杂,会引起各种各样的网络安全问题,对社会构成了巨大的威胁和挑战.因此,网络安全问题至关重要.其中网络异常检测得到了研究人员的普遍关注.多年来,虽然已有许多异常检测的工作...     

基于边缘检测的斜纹布匹瑕疵检测

为了对布匹瑕疵进行快速准确的检测,提出了一种基于边缘检测的新算法。利用布匹图像中瑕疵与正常纹理产生的纹理边缘,将布匹瑕疵作为正常纹理的边缘检测出来。利用Sobel算子的方向性,分别对织物疵点在水平和垂直方向进行增强,计算出RGB图像中水平与垂直方向的梯度后进行边缘检测,通过图像融合和二值化完成最终检测。实验证明,该方法准确性高并且检测速率大大提高。     

基于序贯变化检测的DDoS攻击检测方法

给出了一种有效的DDoS攻击检测方法,将DDoS攻击的检测作为序贯变化检测的一个具体实例来分析,采用序贯变化检测算法--非参数CUSUM算法进行检测.方法具有计算量小、检测迅速准确、适用于不同网络环境和攻击模式的优点,有一定的实用价值.文章最后对两种典型的攻击模式进行了实际检测,全面评估了检测算法在不同DDoS攻击场景下的性能.     

一种基于孤立点检测的入侵检测方法

孤立点检测在入侵检测中有着重要的意义,故将基于RNN的孤立点检测方法应用于网络入侵检测当中.先将数据集用于神经网络的训练,然后使用训练后的RNN对网络数据进行孤立度测量,根据度量结果判定是否为入侵行为.实验表明,该算法取得了很好的效果.     

基于孤立点检测的入侵检测方法研究

本文提出了一种基于孤立点检测的核聚类入侵检测方法。方法的基本思想是首先将输入空间中的样本映射到高维特征空间中,并通过重新定义特征空间中数据点到聚类之间的距离来生成聚类,并根据正常类比例Ｎ来确定异常数据类别,然后再用于真实数据的检测。该方法具有更快的收敛速度以及更为准确的聚类,并且不需要用人工的或其他的方法来对训练集进行分类。实验采用了KDD99的测试数据,结果表明,该方法能够比较有效的检测入侵行为。