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。     

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回归框的在车道线平面上的投影,结合改进的卡尔曼滤波同时跟踪车道线和车辆位置,避免因为车辆的遮挡造成对车道线的跟踪失效问题.实验室结果表明提出的融合车道线与车辆跟踪算法具有较好的准确性和鲁棒性.     

基于RGB空间的车道线检测与辨识方法

提出一种利用颜色信息进行车道线检测并且能够分辨黄色或白色车道线的新方法。首先,找出图像中与路面颜色差异较大并且具有合理宽度的像素段;然后在RGB颜色空间利用先验信息对像素段的颜色进行辨识;再用辨识后的像素段分别估计出黄色或白色车道线的颜色分割阈值;最后利用获取的阈值对整幅图像进行车道线检测。实验结果表明,该方法能够在复杂背景环境或路面污染等干扰条件下较好地检测出车道线并能辨识出车道线颜色。本方法简单、有效,且具有一定的鲁棒性。     

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。     

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.     

基于行列解耦采样的轻量车道线检测模型

随着深度学习的发展,基于深度卷积神经网络的车道线检测模型在自动驾驶系统和高级辅助驾驶系统中得到了广泛的应用.这些模型虽然有较高的精度,但通常计算量大且运行速度慢.为了解决该问题,提出了一种车道线检测任务专用的轻量神经网络模型.首先,提出了一种行列解耦采样的卷积模块,该模块利用图像中车道线区域的行列可分解性对传统的残差卷积模块进行了合理的优化.其次,利用深度可分离卷积技术进一步降低行列解耦采样卷积模块的计算量.此外,还设计了一种金字塔空洞卷积模块来增加模型的感受野.在CULane数据集上的实验的结果表明,文中提出的轻量车道线检测模型与之前最好的SCNN模型相比,浮点计算量降低了95.2％,F1分数提高了1.0％,在保持较高精度的前提下显著降低了车道线检测模型的计算量.     

基于机器视觉的车道线检测研究进展综述

针对车道线检测技术在车道偏离预警、自动泊车和车道变换等各种辅助驾驶系统中的重要作用,国内外专家学者对车道线检测技术做了较多的研究,但是近年来少见有关于车道线检测的综述,因此本文主要阐述了近几年国内外机器视觉的车道线检测研究进展。首先简单介绍了机器视觉的车道线检测的基本流程;其次重点阐述了基于特征、基于模型和基于深度学习三种典型方法的基本检测原理和研究现状,并对比三种典型研究方法;最后,提出了机器视觉的车道线检测方法主要存在的问题,并针对问题提出未来的发展方向。     

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。     

高速公路中的行车道检测和车辆跟踪

提出了一种有效的高速公路检测和多车辆跟踪视觉系统.该系统主要模块包括道路检测、基于二维模型的车辆跟踪器(近距离车辆的矩形模型和远距离车辆的U形模型)、启发式车辆检测、系统协调器.在系统中,跟踪器的动态产生和终止优化了系统的计算资源.另外,系统利用鲁棒性估计技术提高了道路检测的性能.车辆的跟踪是采用三参数状态空间的多边形拟合技术来实现的.本文采用了PETS2001提供的图像序列测试了系统有效性,在Pentium Ⅲ 450MHz PC 上系统的处理速度为平均每帧12毫秒.     

高速路的车道检测与车辆跟踪

基于智能交通的快速发展,研究了基于高速路的车道检测和车辆跟踪技术.对于多车道检测,根据路面与分道线灰度级相差较大的特点来实现车道路面的分割,接着结合直线方程和Catmull-Rom Spline插值算法来拟合分道线.对于单车道检测,首先基于HSV颜色空间和Sobel边缘提取方法对其进行有效分割,接着在透视变换空间中提取分道线坐标点并用二次多项式拟合分道线.针对车辆检测,使用Hog+Gentle-Adaboost分类算法实现无人车前方路面车辆的检测,接着基于车底阴影的特征对车底阴影进行检测以验证学习算法检测到的车辆区域的真伪性.针对车辆跟踪,采用动态二阶自回归模型的方法预测车辆的状态.其中,对于粒子滤波固有的粒子退化问题,引入Thompson_Taylor算法改善了粒子退化和低多样性的缺陷.本文的车道检测和车辆跟踪算法能较容易地移植在嵌入式平台,可靠性和准确性较高,且有助于进一步实现车道偏离报警和前向防撞系统.     

基于多传感融合的路面机动目标跟踪

Maneuvering targets tracking is a fundamental task in intelligent vehicle research. This paper focuses on the problem of fusion between radar and image sensors in targets tracking. In order to improve positioning accuracy and narrow down the image working area, a novel method that integrates radar filter with image intensity is proposed to establish an adaptive vision window. A weighted Hausdorff distance is introduced to define the functional relationship between image and model projection, and a modified simulated annealing algorithm is used to find optimum orientation parameter. Furthermore, the global state is estimated, which refers to the distributed data fusion algorithm. Experiment results show that our method is accurate.     

基于多传感器融合的摔倒检测算法的研究

针对传统摔倒检测算法中误报和漏报率高的不足,提出一种基于多传感器融合的摔倒检测算法;该算法分别以人体的加速度和姿态角值为判定依据;首先,采用三轴加速度传感器和电子罗盘对上述两种数据进行采集,并通过无线模块发送至PC机;之后对采集数据进行分析和处理,进而根据阈值进行异常姿态检测;最终,综合加速度和姿态角的分析结果给出准确的检测结论;实验结果表明,该算法检测的准确率达99.2％、与传统检测算法相比具有更强的稳定性与可靠性.     

多传感器目标检测跟踪与分类算法

在目标准确检测优化的研究中,单传感器联合检测、跟踪和分类算法是一种新型算法,可以同时对目标进行检测、状态估计和类别判断.然而上述算法估计目标数目、状态与类别性能较差.采用多传感器方法对目标进行观测,可以显著提高目标检测、跟踪与分类效果.提出基于粒子概率假设密度(PFPHD)滤波器的多传感器联合检测、跟踪和分类算法.首先通过对各传感器信号进行建模,提取目标的属性量测,然后引入目标的属性信息对目标状态空间进行重新建模,从而得到目标综合状态,最后利用多个传感器的量测对综合状态进行序贯处理.仿真结果表明,与单传感器联合算法相比,上述算法能够更准确判断多目标类别,目标数目估计精度和跟踪精度均提高20％以上,验证了算法的有效性和可行性.     

基于车道标线分解的车道检测

利用图像处理技术,提出了一种基于车道标线检测的自动车辆驾驶控制方法。针对公路上车道标线的图像特征,将图像平面的车道标线分割为下标线(LLM)和上标线(ULM),研究了它们的性质。在此基础上,提出了基于车道标线分解的车道检测新方法。实验结果表明所用方法能有效提取用于车辆驾驶控制的车道状态参数。     

智能车视觉导航的道路和前车检测系统

设计了一个基于单目视觉的智能车自适应道路、前车检测系统,主要应用于结构化道路,可以根据输入图像的可见度自动在夜间模式和日间模式间切换。结果表明系统可以在不同可见度下,自动、快速、准确地检测前车。     

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。     

基于改进Enet网络的车道线检测算法

针对实际驾驶环境中道路场景及车道线复杂多样的问题,提出一种基于改进Enet网络的车道线检测算法。首先,对Enet网络进行剪枝和卷积优化操作,并利用改进的Enet网络对车道线进行像素级图像语义分割,将车道线从图像中分离出来。然后,采用DBSCAN算法对分割结果进行聚类处理,将相邻车道线区分开来。最后,对车道线聚类结果进行自适应拟合,得到最终的车道线检测结果。该算法在香港中文大学的CULane数据集上进行了训练和测试,结果表明,其标准路面检测准确率达到96.3%,各种路面综合检测准确率为78.9%,图像帧处理速度为71.4fps,能够满足实际驾驶环境中的复杂路况和实时性需求。此外,该算法还在图森未来的TuSimple数据集和实采数据集LD-Data上进行了训练和测试,均取得了实时性的检测结果。     

基于粒子滤波和检测信息的多传感器融合跟踪

从概率角度审视低检测率、低信噪比下的多传感器融合算法.首先建立传感器检测概率模型，然后计算传感器检测响应、量测信息的融合似然度，在贝叶斯框架下建立一种非线性目标基于粒子滤波器的多传感器多源信息融合算法，该算法融合了传感器的量测信息和检测响应，提高了跟踪精度蒙特卡洛仿真结果表明了算法的有效性.