车道标识线识别和跟踪方法研究

为了得到比较理想的道路图像中车道标识的边缘,文中采用了基于二维直方图熵最大化的车道标识边缘提取方法。对此边缘图像采用定向边界跟踪方法提取出车道标识特征点,对这些特征点采用线性回归技术就可以得到车道标识线参数,从而完成对道路图像中的车道标识线的识别,并且文中还采用了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。     

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。     

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。     

基于多传感融合的车道线检测与跟踪方法的研究

车道线的有效检测与跟踪是智能车正确识别道路的前提。针对现有车道线检测与跟踪算法的效率不高的难题,提出一种基于视觉传感器和车道级高精度地图相融合的车道线检测与跟踪方法。该方法首先用改进的Hough变换提取边缘线段,其次基于滤波预测与更新车道线模型状态参数,最后结合高精度地图中车道线先验模型参数,跟踪车道线轨迹。现场实测结果表明,算法的实时性和鲁棒性满足算法性能评价体系的各项指标,较符合智能车对车道线检测的要求。     

基于OpenCV的车道线检测与识别

精准快速的车道线检测算法对自动驾驶有着至关重要的作用,提出一种基于OpenCV检测车道线。相机矫正对图像去畸变,通过HLS颜色空间的L通道提取白色车道线,利用OpenCV库的inRange函数设置高低阈值数组提取HLS空间道路图像的黄色车道线,合并黄白车道线图像;通过优化后的Canny算法检测车道线边缘两种方法结结合起来完成车道线检测。根据像素直方图动态选择滑动窗口方法检测车道线通过二次多项式进行车道线拟合。     

基于车辆跟踪线的车道检测算法

针对夜晚环境和车道标线不明确的情况,本文提出了全新的车道检测算法,利用道路上的车辆运行轨迹的有效统计来得到路面结果。实验结果显示此方法消减了环境因素的影响,并在现场检测中效果明显,适用于实时视频监控系统。     

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。     

直线模型下的车道线跟踪与车道偏离检测

为了解决规格化道路上车道线跟踪及车道偏离检测的问题,利用Kalman滤波器来动态确定感兴趣小窗口的大小和位置。首先,在小窗口内采用Hough变换方法进行车道线识别;同时,根据摄像机的成像几何性质,推导出车道偏离程度与道路图像中车道线斜率之间的函数关系,从而简化了摄像机标定过程。现场试验表明,完成一帧道路图像的预处理及车道线识别的所需时间小于30ms,车辆直行隋况下的车道偏离率相对测量误差小于5％,试验结果验证了该方法的实时性和正确性。     

基于深度学习的车道线识别技术研究

汽车自动驾驶研究的关键任务之一是识别和控制车道线。以DeepLab系列网络结构改良技术为基础,在v3+网络引入自定义ARB(Attention Recurrent Block)模块,实现端到端检测和识别。实验结果表明,该技术可以进一步简化冗余结构,能够实现更高的识别效果、效率和鲁棒性。     

基于改进卡尔曼滤波的车道线与车辆跟踪系统算法研究

针对传统的车道线跟踪系统在复杂交通流情况下,利用卡尔曼滤波无法有效跟踪车道线的问题,论文提出了一种融合车辆与车道线检测的跟踪算法.该算法首先利用二阶高斯方向滤波器提取车道线检测的响应,同时利用haar-like特征检测图像平面中的车辆的2D回归框,并利用卷积神经网络预测车辆的3D回归框区域.利用车辆3D回归框的在车道线...     

一种基于直线模型的车道线识别算法研究*

为了更好地满足车道标志线识别算法的实时性和鲁棒性要求,提出了一种新的、有效的车道标志线识别算法。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,应用方向可调滤波器进行边缘提取,在提取过程中对原图像进行感兴趣区域划分并采用边缘分布函数法确定方向可调滤波器的初始方向角。提出使用基于梯度加权的霍夫变换对车道标志线进行识别,通过建立梯形感兴趣区域的方法实现对车道标志线的实时跟踪,并对多段实地采集的视频进行实验测试。结果表明:基于方向可调滤波器与梯度加权的霍夫变换相结合的车道标志线识别方法,简化了对车道标志线信息特征参量的估计;不仅大大缩减了算法的执行时间,而且使算法的鲁棒性得到很大的提高。     

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。     

基于嵌入式Linux的车道线识别系统设计

提出了一种基于嵌入式Linux平台的车道线识别系统的方案.通过调用Linux的摄像头驱动程序V4L2采集图像,图像首先要进行预处理,二值化为车道和背景两部分.车道识别可近似为直线识别,采用Hough变换,方案在Odroid-U2开发平台上进行实验测试能够准确地检测出车道线的位置,具有较强的实时性.     

基于边缘分布函数的车道标识线识别方法

为了得到较理想的车道标识线的边缘,考虑车道标识线的方向特性,提出一种基于边缘分布函数（EDF）的图像预处理方法。将图像分区处理,在对图像中的噪声特性进行EDF分析的基础上,对处理区域作如下处理：首先将梯度角量化为4-方向,去除与车道标识线方向不一致的噪声,得到边缘图像;然后利用EDF对边缘图像滤波,确定车道标识线角度初值;最后应用Hough变换定位出车道标识线。实验结果表明,该方法能够更加有效地强化车道标识线信息,去除噪声,具有较好的鲁棒性和实时性。     

基于启发式搜索的车道线识别算法研究

在车道边界识别中,边界点的提取是关键,常用的边界点提取方法因对噪声的抑制能力不强产生较多噪声点,从而影响识别效果。提出一种边界点启发式搜索算法,根据梯形匹配模型、车道线灰度变化特征和实际车道宽度约束,确定搜索的起始点,从起始点根据度量代价准则函数搜索车道边界点。采用直线道路模型结合Hough变换来拟合车道边界。实验表明,该算法实时性好、可靠性强、鲁棒性高。     

结构化道路上应用区域划分的车道线识别

针对多数研究中车道线检测的准确性和实时性难以有效平衡的问题,提出了一种应用区域划分的车道线识别方法。首先通过改进的大津(OTSU)算法提取边缘图像,再在所得边缘图像的基础上,利用改进的概率霍夫变换(PPHT)提取车道标识线上的特征点,并采用最小二乘法(LSM)对特征点点集进行直线拟合,最后通过提出的路面干扰线规避算法检测所有拟合得到的直线段并筛选可能的车道线。在实验方面,引入三种算法作为对比,并利用提出的准确性评价模型对500幅典型道路场景图中的车道线识别结果进行评估,同时统计在处理一段长为1 min 26 s的道路视频时每帧图像序列的平均耗时。实验结果表明所提算法的查准率、查全率、F量测值均优于对比算法,且达到实时处理的要求。     

基于Keras神经网络模型的车道线识别技术研究

车道线识别是车辆安全驾驶的重要研究方向,本文通过Keras神经网络模型来进行车道线的识别。使用不同场景下车道线图片,通过数据预处理和搭建的神经网络模型进行训练,通过反复实验,使模型识别的平均准确率达到96%,具有一定的实用性。     

分段切换车道模型在车道线识别中的应用

车道线识别是实现汽车视觉导航技术的关键.在道路图像中,为了得到较理想的车道标识线,且不影响车道线识别的实时性,提出了一种分段切换车道模型.将车道线图像分成近视野和远视野两部分,对近视野区域使用直线模型匹配车道线,远视野区域则在直线模型和二次曲线模型之间切换.实验结果表明,所提方法在晴天、阴雨天、路面阴影严重等条件下,对车道线具有良好的拟合效果,能匹配各种形状道路,是一种可靠的车道检测方法.