试飞机载测试系统一体化验证平台的设计与实现

为提高智能车对多车道的实际道路车辆行驶环境的适应性,提出了一种基于三车道模型的车辆检测方法。方法在预处理的基础上利用极角及位置约束的Hough变换得到可能的车道线信息并利用消失点对车道线进行筛选;利用三车道四线模型对车道线进行匹配;对于每条车道,分别利用车辆灰度信息对车道线内车辆进行识别,并利用视频的连贯性对车辆识别结果进行修正并跟踪车辆。该算法通过对车道线的二次筛选,提高了三车道模型的准确率,进一步提高了对于不同车道车辆识别的正确率。实验结果表明,在结构化道路上,对于不同路况,算法均具有较好的实时性和鲁棒性。     

基于Kalman预测及逆投影的车道识别技术

针对结构化道路的特点,提出一种实用的基于组合模型的车道线自动识别方法.近视场区域采用Hough变换初始检测车道线,远视场区域采用三次曲线模型拟合车道线.车道跟踪用Kalman预测参数动态建立ROI(region of interest),用扫描线法搜索车道线边界点,在车道线间断处用Kalman预测器定位车道线边界,还设计了一个失效判别模块来验证跟踪结果.最后将投影图中检测到的车道线进行逆投影重建,得到实际路面的车道线.实验结果表明,对于不同的车道线种类和在部分车道线被前方车辆遮挡的条件下,该算法均具有较高的实时性和鲁棒性.     

基于颗粒分析和骨架化的车道线检测方法

车道线的正确检测是提高车道偏离预警系统正确率的重要保障,车道线检测往往受到多种因素的干扰。针对直线模型下车辆对车道线检测的干扰,提出一种基于颗粒分析和骨架化的车道线检测方法。首先运用最大类间方差算法对车道线图像进行二值化,然后利用数学形态学的颗粒分析对二值图像进行处理,消除车辆对车道线的干扰,最后用数学形态学的骨架化得到车道的中心线。经实验证明,在车道线有车辆干扰的情况下,该方法不仅能较好去除车辆干扰,而且可以检测出车道线中心线,具有较强的鲁棒性和抗干扰性。     

一种用于高速公路的快速有效的车道线识别算法

提出了一种针对高速公路的车道线检测与跟踪方法;在图像预处理中采用基于采样的自适应阈值以满足不同光照条件下的使用要求,采用霍夫变换(HT,Hough Transform)进行车道线初始检测,车道线跟踪利用Kalman预测参数动态建立感兴趣区域(ROI,Region of Interest),用扫描线法搜索车道线边界点,在车道线间断区域利用Kalman预测器定位车道线边界;设计了一个失效判别模块,验证跟踪结果,当跟踪失败时,重新启动初始检测算法进行识别;实验结果表明,对于不同的车道线种类和在大部分车道线被前方车辆遮挡的条件下,该算法均具有较高的实时性和鲁棒性。     

基于单目视觉的障碍物检测方法研究

为了解决车辆的碰撞问题,提出了一种基于单目视觉的车道标识线二维重建及障碍物检测与跟踪的方法.主要采用最大类间方差法对初始图像进行分割,给出一种新的车道标识线特征点搜索策略,用统计模型的方法获取车道线参数.利用障碍物(前方车辆)在道路中留下的阴影,检测车辆边缘并确认车辆存在,运用卡尔曼滤波方法跟踪车辆具体位置.所设计的方法能够准确地检测跟踪车道线及前方障碍物.实验结果表明:方法满足车辆安全行驶的前提需要,具有较高的准确性和实时性.     

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。     

逆透视投影下车道偏离时间的在线估计

提出了一种基于图像逆透视变换后的车道偏离时间的实时在线估计算法。该算法先对道路图像进行预处理,得到二值化的道路图像,然后通过逆透视变换方法消除图像的透视效果,用Hough变换方法检测车辆所在车道的左右道路标志线,最后估算车辆偏离车道的时间,判定车辆是否会偏离车道。对该算法进行了详细介绍并给出了实验结果,结果表明该算法能够准确地判断车道偏离。     

一种鲁棒性的多车道线检测算法

机器视觉被广泛应用于智能汽车领域,车道线检测成为人工智能领域内的研究热点。为了得到更具鲁棒性的车道线检测效果,采用一种基于多条件约束的车道线特征滤波器,并提出了一种新的对车道线特征进行聚类的算法。运用卡尔曼滤波对车道线位置进行实时跟踪和预测;利用基于透视投影线性关系的车道线“位置-宽度”函数设置自适应动态ROI;另外,利用车道线的特点形成约束条件以获得更加稳定的检测效果。在真实道路环境下的实时检测结果表明,该算法鲁棒性强、实时性好,且具有稳定的检测效果。     

梯度点对约束的结构化车道检测

车道检测是无人驾驶车辆及车道偏离预警等系统的关键技术。针对复杂道路环境中,阴影、路面破损及车辆遮挡等常造成车道检测不准确的问题,提出利用结构化道路两侧车道线上常具有相反方向梯度的性质,将两侧车道线的检测转化为梯度点对约束下的车道中线及宽度检测。然后分别采用平行透视投影模型及线性双曲线模型,通过Hough变换获得了对车道消失点、宽度及车道中线等参数的估计,最终实现了对不同形状结构化车道的检测。比较了本文算法与其他两种车道检测算法在不同复杂道路环境下的车道线检测性能,结果表明了本文算法的有效性。     

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.     

基于微波雷达回波信号的智能车道划分方法

利用多目标交通测速雷达进行交通执法时,只有正确地判断出车辆所在的车道,抓拍照片才能作为交通执法的依据。传统的分车道方法主要通过人工测量的固定阈值以及坐标系旋转的方法来达到车道划分的目的,但这种方法误差较大并且不易于操作。基于统计和密度特征的核聚类算法（K-CSDF）分两步进行：首先对雷达获取的车辆数据进行特征提取,包括基于统计特征的阈值处理和基于密度特征的动态半径提取;然后引入基于核的相似性的动态聚类算法对筛选出的有效点进行聚类。通过和高斯混合模型（GMM）算法以及自组织映射神经网络（SOM）算法进行仿真对比表明：当只取100个有效点进行聚类时,K-CSDF和SOM算法能达到90%以上的分车道正确率,而GMM算法不能给出车道中心线;在算法用时上,当取1000个有效点时,K-CSDF和GMM算法用时均小于1s,可以保证实时性,而SOM算法则需要2.5s左右;在算法鲁棒性上,K-CSDF对不均匀样本的适应性优于这两种算法。当取不同数量的有效点进行聚类时,K-CSDF可以达到95%以上的平均分车道正确率。     

Speed and Accuracy Tradeoff for LiDAR Data Based Road Boundary Detection

Road boundary detection is essential for autonomous vehicle localization and decision-making, especially under GPS signal loss and lane discontinuities. For road boundary detection in structural environments, obstacle occlusions and large road curvature are two significant challenges. However, an effective and fast solution for these problems has remained elusive. To solve these problems, a speed and accuracy tradeoff method for LiDAR-based road boundary detection in structured environments is proposed. The proposed method consists of three main stages: 1) a multi-feature based method is applied to extract feature points; 2) a road-segmentation-line-based method is proposed for classifying left and right feature points; 3) an iterative Gaussian Process Regression (GPR) is employed for filtering out false points and extracting boundary points. To demonstrate the effectiveness of the proposed method, KITTI datasets is used for comprehensive experiments, and the performance of our approach is tested under different road conditions. Comprehensive experiments show the road-segmentation-line-based method can classify left, and right feature points on structured curved roads, and the proposed iterative Gaussian Process Regression can extract road boundary points on varied road shapes and traffic conditions. Meanwhile, the proposed road boundary detection method can achieve real-time performance with an average of 70.5 ms per frame.      

Predictive virtual lane method using relative motions between a vehicle and lanes

We propose a new approach for virtual lane prediction. The main contribution of the proposed method is that the predicted virtual lane can be substituted for lane detection using a camera sensor when the camera image processing fails to detect the lane. The proposed method generates the predicted virtual lane using the relative movement between a vehicle and a lane. To predict the lane, a third-order polynomial function of the longitudinal distance is used as a lane model. Each coefficient of the lane polynomial function at the next sampling time is geometrically calculated using the relative movement of a vehicle, the lanes, the longitudinal velocity and the yaw of the vehicle at the present time. Then, the predictive virtual lane at the next sampling time is obtained without the lane information from the camera sensor at the next sampling time. The proposed method is simple enough that it is suitable for real implementation. The performance of the proposed method was evaluated via experiments with a test vehicle.     

基于实例分割的车道线检测及自适应拟合算法

车道线检测是智能驾驶系统的重要组成部分。传统车道线检测方法高度依赖手动选取特征,工作量大,在受到物体遮挡、光照变化和磨损等复杂场景的干扰时精度不高,因此设计一个鲁棒的检测算法面临着很大挑战。为了克服这些缺点,提出了一种基于深度学习实例分割方法的车道线检测模型。该模型基于改进的Mask R-CNN模型,首先利用实例分割模型对道路图像进行分割,提高车道特征信息的检测能力;然后使用聚类模型提取离散的车道线特征信息点;最后提出一种自适应拟合的方法,结合直线和多项式两种拟合方法对不同视野内的特征点进行拟合,生成最优车道线参数方程。实验结果表明,该方法提高了检测速度,在不同场景下都具有较好的检测精度,能够实现对各种复杂实际条件下的车道线信息的鲁棒提取。     

引入辅助损失的多场景车道线检测

目的 为解决实时车辆驾驶中因物体遮挡、光照变化和阴影干扰等多场景环境影响造成的车道线检测实时性和准确性不佳的问题,提出一种引入辅助损失的车道线检测模型。方法 该模型改进了有效的残差分解网络（effcient residual factorized network,ERFNet）,在ERFNet的编码器之后加入车道预测分支和辅助训练分支,使得解码阶段与车道预测分支、辅助训练分支并列,并且在辅助训练分支的卷积层之后,利用双线性插值来匹配输入图像的分辨率,从而对4条车道线和图像背景进行分类。通过计算辅助损失,将辅助损失以一定的权重协同语义分割损失、车道预测损失进行反向传播,较好地解决了梯度消失问题。语义分割得到每条车道线的概率分布图,分别在每条车道线的概率分布图上按行找出概率大于特定阈值的最大点的坐标,并按一定规则选取相应的坐标点,形成拟合的车道线。结果 经过在CULane公共数据集上实验测试,模型在正常场景的F1指标为91.85%,与空间卷积神经网络（spatial convolutional neural network,SCNN）模型相比,提高了1.25%,比其他场景分别提高了1%~7%;9种场景的F1平均值为73.76%,比目前最好的残差网络——101-自注意力蒸馏（ResNet-101-self attention distillation,R-101-SAD）模型（71.80%）高出1.96%。在单个GPU上测试,每幅图像的平均运行时间缩短至原来的1/13,模型的参数量减少至原来的1/10。与平均运行时间最短的车道线检测模型ENet——自注意力蒸馏（ENet-self attention distillation,ENet-SAD）相比,单幅图像的平均运行时间减短了2.3 ms。结论 在物体遮挡、光照变化、阴影干扰等多种复杂场景下,对于实时驾驶车辆而言,本文模型具有准确性高和实时性好等特点。     

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.     

基于自适应虚拟线圈的多车道车流量检测算法

针对虚拟线圈检测算法在多车道车流量检测中存在误检或者漏检的问题,提出一种基于自适应虚拟线圈的车流量检测算法。根据图像二值化原理,对ViBe算法的前景检测部分进行二次判断,并改变背景更新机制,提出一种改进的ViBe算法,以达到快速消除鬼影的目的,更准确地完成前景目标提取。在道路上设置固定检测区域,根据运动目标在固定检测区域的运动轨迹来建立或者消除非固定虚拟线圈,再进一步使用虚拟线圈的车流量检测算法实现车流量统计。选择三个不同的场景4车道无车辆变道、2车道有车辆变道和3车道有车辆变道且环境突变进行实验,所提算法的车流量检测准确率比传统的虚拟线圈算法分别提高8.9、25和16.6个百分点,且所用时间相当。实验结果表明所提算法更适用于多车道的车流量检测。     

基于方向纹理的非结构化道路消失点检测研究

随着车辆智能化的快速推进,道路的自动检测起着越来越重要的作用;但非结构 化道路由于道路标识和边界线不明显,导致检测存在困难。将非结构化道路的消失点作为约束 进行检测,可以大幅度提高检测性能,针对现有的非结构化道路消失点检测方法普遍存在计算 时间长、实时性差等缺点,为提高运算效率,提出了基于局部方向模式(LDP)纹理特征的消失 点检测方法。在计算 LDP 特征基础上,利用 Kirsch 掩模得到像素点的 4 方向响应幅值,并通 过幅值校正减少检测误差;对校正后的响应幅值进行计算得到纹理主方向;使用局部自适应软 投票方法进行投票,选取道路消失点,实现消失点检测。实验结果表明,该方法的速度更快, 且能够准确检测出非结构化道路的消失点。     

基于密集分割网络的车道线检测方法

传统车道线检测算法大多数依赖手工制作特征和启发式算法的组合,容易受车辆遮挡和地面污损等因素的影响。针对影响车道线检测的复杂问题,将车道线检测视为连续细长区域实例分割问题,提出了一种基于密集分割网络的车道线检测方法。为此,使用稠密块构建了一个密集分割网络DSNet,该网络能够利用特征重复使用的特性提高提取车道线实例特征和恢复特征图分辨率的性能。同时,还引入了邻近AND运算和Meanshift聚类算法对DSNet网络的输出进行处理,减小了非车道线像素的影响,使得检测结果的边界线更为清晰。实验表明,本文方法能很好地解决车辆遮挡和地面污损问题,并且还能确定车道线的数量,具有较好的鲁棒性和实时性。     

基于光流法的快速车道线识别算法研究

为提取无人驾驶车前方车道线信息,提出一种使用光流法的快速车道线识别算法。首先,根据连续视频帧之间的时间相关性,运用光流法检测车辆前方背景的相对移动。然后,利用车辆背景中特征点的移动方向和距离,对本帧图像中车道线的位置进行粗略定位,从而缩小本帧图像中车道线的检测区域,加速车道线识别算法。最后,通过对车道线像素点的处理,给出车道线类型信息。该算法提升了车道线检测算法的效率,降低了复合算子车道线检测算法的时间复杂度。在720*480像素下,算法实现了13.5Hz的处理速度,相较仅使用复合算子的处理算法提升了39.6%的处理速度,且算法检测效果良好。实车实验证明了算法的有效性和实时性。