结合形态学的结构化车道线快速识别算法

为解决结构化车道线识别算法中存在的约束条件多,计算过于复杂等问题,提出一种基于形态学的车道线快速识别算法. 该算法首先对道路图像进行中值滤波,Sobel算子增强边缘,利用直方图特征分割图像,然后划分感兴趣区域,接着构造具有车道特征的形态学结构元素去提取车道线,最后概率霍夫变换拟合车道线. 实验对比结果表明,针对结构化道路,该算法简单有效,计算量小,具有良好的实时性.     

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。     

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。     

复杂光照下的缩微道路车道线检测方法

为了解决复杂光照下的缩微道路车道线检测问题,提出了一种适用于复杂光照下的缩微道路车道线检测方法。首先运用朴素贝叶斯对不同光照下的车道图像进行分类,然后对分类后的车道图像采取相应的图像处理方法,最后运用改进的大津法和改进概率霍夫变换来检测车道线。对多段不同光照模式下的车道图像进行的仿真实验表明,该方法对缩微道路车道线检测的成功率达到95.5%,具有很强的鲁棒性和抗干扰能力。     

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。     

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。     

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。     

基于动态划分感兴趣区域的车道线检测算法

自动驾驶与辅助驾驶中对车道线检测的要求都是极高的.传统车道线检测中对感兴趣区域的划分主要是粗略的截取图像的下三分之二处,导致对一些特殊场景的适用性不高.本文为了更精确的检测出车道线,在传统的车道线检测基础上提出将感兴趣区域进行动态划分,通过行灰度值和列灰度值剔除图像上部天空和左右风景的无关信息.通过实验表明,上诉方法在...     

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.     

基于最小二乘修正的随机Hough变换直线检测

利用Hough变换进行直线检测时,由于直线在参数空间中的映射容易受到邻近目标、噪声以及本身非理想状态的干扰,算法中的投票过程较易出现无效累积,进而导致虚检、漏检及端点定位不准等问题.针对传统方法的上述缺陷,提出了一种基于 ρ-θ 域最小二乘拟合修正的随机Hough变换的直线检测方法.首先, 在随机抽样时利用像素-长度比值对抽样的有效性进行判定,剔除不在直线上的抽样点对;然后, 对邻域相关点进行 ρ-θ 域的最小二乘拟合,得到修正后的直线参数用于累加投票,投票过程中设定累加阈值,通过检测峰值点逐次检出疑似长直线;最后, 通过设定断裂阈值对每条长直线进行筛选和分段,定位出直线段的端点.仿真实验表明,所提方法在投票时有效抑制了复杂环境对局部最大值的干扰,使直线检测的准确率得到显著提升.     

基于最优阈值和Hough变换的车道线检测方法

针对智能车辆视觉导航系统中的车道保持问题,采用图像处理技术检测结构化道路上的车道线。详细介绍了图像的灰度特征,并在此基础上选取感兴趣的道路区域,通过最优阈值对道路区域进行边缘检测,再结合Hough变换技术检测当前车道线。实验表明用结合最优阈值和Hough变换来检测车道线具有很强的鲁棒性和抗干扰性。     

基于LEM的在线掌纹识别

主要研究利用掌纹对人进行身份鉴定。在掌纹的各种特征中，线特征是一种非常重要的特征，但由于掌纹线不规则，几乎不能用数学进行精确的刻画，因此提出了一种用直线段去近似掌纹线的方法，利用线段Hausdorff距离方法去匹配这些线段集，并对其进行了改进。实验的结果表明了该方法的有效性。     

基于区域收缩的大规模数据库人脸识别

为提高大规模数据库人脸识别的速度和减少内存占用,提出了基于区域收缩的大规模数据库人脸识别方法。把离散余弦变换(DCT)图像压缩技术推广到人脸特征数据库的压缩,对数据库进行多级压缩,生成几个压缩率逐步降低的子数据库。在这些子数据库上,按压缩比由高到低的顺序,逐级进行粗略的人脸识别,根据上一级的识别结果,逐级缩小识别范围。最后,在一个很小的范围内,在原未压缩的数据库上进行精确识别。实验显示,识别时间仅为传统方法的29.2%,内存占用仅为传统方法的10.2%,硬盘资源消耗比传统方法仅多11%,识别率没有显著降低。     

基于机器视觉的公差检测系统算法研究与应用——自适应边缘检测与修正Hough变换

介绍了基于机器视觉的几何量和位置公差检测中常见的计算模型、图像处理和直线拟合一般算法，进一步介绍了一种自适应的边缘检测方法。着重分析了传统的Hough变换的优势和缺点，在此基础上提出了适应形位公差检测特点的修正Hough变换算法。自适应边缘检测方法被应用于检测实际工程的图像边缘，检测到的边缘区域在亚像素之内；修正的Hough变换算法也被运用于相应工程的直线拟合，与传统的Hough算法相比，结果表明其速度更快、精度更高，抗干扰能力更强，其拟合直线的极径精度可达到0．1个像素，极角精度可达0．01°。     

数字信号调制识别的RBFNN分类器算法研究与实现

提出了一种新的用于数字信号调制识别的径向基函数神经网络（RBFNN）分类器算法。该算法采用减法聚类算法和最小均方算法实现了对隐含层中心点个数及位置和输出层权值系数的自适应训练。此算法能够综合考虑所有特征参量,能够在多维空间内找到最佳分界面;同时,解决了隐含层中心点个数及位置的盲目性和随机性的问题。仿真实验表明,在相同特征参量情况下,该算法能够有效提高正确识别率。     

基于机器视觉的不同类型甘蔗茎节识别

针对不同种类甘蔗表面多样性和复杂性等因素导致甘蔗图像的茎节难以识别问题，提出一种基于机器视觉且适合各种类型甘蔗的茎节识别方法。首先，通过迭代拟合法从原始图像中提取甘蔗目标区域，并估计甘蔗目标与横轴的倾斜角度，根据倾斜角度参数旋转甘蔗目标成近似平行横轴姿态；然后，利用双密度双树复小波变换（DD-DTCWT）对图像进行分解，使用不同层次的垂直和近似垂直方向的小波系数重构图像；最后，运用图像直线检测算法对重构图像进行检测，得到甘蔗茎节部位的边缘线，对边缘线的密度、长度、相互距离信息进一步验证便可实现甘蔗茎节的识别和定位。实验结果显示甘蔗茎节完整识别率达到92%，约80%的茎节的定位精度小于16个像素，95%的茎节的定位精度小于32个像素，所提方法在不同的图像背景下，都能够成功地对不同类型的甘蔗进行茎节识别，并且定位精度高。     

结合LTS和Hough变换的直线检测算法

为提高Hough变换检测直线的精度,提出一种结合Hough变换与截断最小二乘法的直线检测算法。利用Hough变换确定图像中直线所在的大致区域,提取候选区域内的特征点集,采用截断最小二乘法拟合得到精确的直线参数。实验结果表明,该算法的检测率和检测精度较高,对Hough变换的分辨率要求较低,整体空间开销较小。     

血细胞特性曲线拟合方法的研究

针对血液分析仪对血细胞各个参数检测线性偏差较大的问题,提出一种血细胞特性曲线分段拟合算法。根据血液分析仪检测值与理论值的对应关系,针对不同段的数据,进行分段线性拟合,再根据2条线性曲线段衔接处的3个数据点,采用最小二乘法多项式拟合算法进行过度曲线拟合,实现不同线性段间的平滑过渡,从而避免不同曲线交叉点的跳跃现象。实验结果表明,该方法简单、实用,拟合后的血细胞线性偏差优于血液分析仪行业标准的要求,满足临床应用的需要。     

椭球基函数神经网络的指纹识别方法

椭球基函数（Ellipsoidal Basis Function,EBF）使网络划分输入空间成为封闭有界的局部作用的空间,与径向基函数（Radial Basis Function,RBF）神经网络的高斯函数相比,它对空间的划分更明确。因此,它的模式识别能力将有所提高。提出了一种基于EBF神经网络的指纹识别方法。首先,利用小波变换（Wavelet Transform,WT）直接从二值化指纹图像中提取细节特征,简化了复杂的预处理步骤,极大地减少了计算量,提高了识别的速度。同时利用EBF神经网络进行分类识别,有效提高了识别精度。该算法在FVC2000（国际指纹竞赛数据库）上作了测试。并与文献[9]中的WT-RBF算法进行比较。实验结果表明,提出的算法获取了较高的识别率,并且缩短了识别时间。