车道线检测的PSPNet改进算法

车道线检测已成为智能驾驶领域研究的一项重要课题,而实际应用时,常出现车道线分割不准确、实时检测能力不佳的问题。为此本文提出一种金字塔场景分析网络的改进算法。在编码结构的基础上搭建主体网络PSPNet,选用MobileNet v2轻量级网络作为编码器的主干网络,减少了整体网络的计算复杂度及参数量;网络中添加了空洞卷积,并在不同层间实现特征融合,扩充了模型感受野,同时丰富了局部特征;最后用自适应直线拟合算法对各类型车道线拟合。本文使用Caltech车道线数据集进行测试,实验结果显示,改进后的PSPNet算法对不同类型的车道线均有较好的分割结果,与PSPNet算法相比精度和交并比分别提升了3.91%、4.14%,且FPS达28帧/s,本文算法的分割精度和推理速度均优于其他对比算法。     

基于粒子滤波框架Catmull-Rom样条的多车道侦测及跟踪算法研究

车道线识别是智能交通系统(intelligent transport system,ITS)实现的重要组成部分。为了解决道路图像中光源干扰、阴影遮挡、车道线破损、标志线不连续等因素导致道路识别方法鲁棒性较差的问题,提出一种基于粒子滤波框架的Catmull-Rom样条的车道线侦测及跟踪算法,这种算法利用Catmull-Rom样条数学模型能够灵活且精确的标定车道线,且基于粒子滤波框架的滤波器保障了系统的稳定性及鲁棒性。实地测试结果显示在9种路况环境下算法侦测及跟踪性能准确稳定;该方法与近远景分割算法比较,路况侦测及跟踪边界更清晰;进行基于影像序列的量化稳定性评估,正确识别率接近98%。     

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DSP的车道线检测系统的设计与实现

车道线检测是智能交通中的研究重点之一,论文以DSP为载体,设计并实现了嵌入式车道线检测系统,同时针对于该系统提出了一种新的快速有效的检测算法,该算法结合了特征提取与模型匹配的各自优点,主要通过对图像的采集、自适应、中线提取、车道线匹配和最小二乘法拟合来最终实现。嵌入式系统采用模拟PAL制摄像头采集图像,图像经解码后输入到DSP中得到处理。实验结果表明,该系统车道线检测结果清晰,干扰小,效果良好,并能很好的满足实时要求。     

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。     

一种弯道标志线启发式分段搜索算法

弯道检测是车辆防碰撞系统的关键技术之一,而基于视觉的弯道识别方法是进行弯道检测的有效途径。为提高弯道识别算法的实时性和鲁棒性,提出一种启发式分段搜索车道标志线的弯道识别算法。结合分段直线模型,采用启发式搜索边界点的算法,在各个动态感兴趣区域(ROI)中搜索车道边界线。对于非连续性车道标志线,结合连续性约束,将检测到的车道线目标拟合为连续平滑的车道线。研究结果表明,该方法能够有效地识别出弯道标志线,识别率可达到86%;识别时间平均达到161 ms/f,能够满足实时性要求。     

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。     

Three-feature based automatic lane detection algorithm (TFALDA) for autonomous driving

Three-feature based automatic lane detection algorithm (TFALDA) is a new lane detection algorithm which is simple, robust, and efficient, thus suitable for real-time processing in cluttered road environments without a priori knowledge on them. Three features of a lane boundary - starting position, direction (or orientation), and its gray-level intensity features comprising a lane vector are obtained via simple image processing. Out of the many possible lane boundary candidates, the best one is then chosen as the one at a minimum distance from the previous lane vector according to a weighted distance metric in which each feature is assigned a different weight. An evolutionary algorithm then finds the optimal weights for combination of the three features that minimize the rate of detection error. The proposed algorithm was successfully applied to a series of actual road following experiments using the PRV (POSTECH research vehicle) II both on campus roads and nearby highways.     

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。     

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.     

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