基于改进逆透视变换的车道线检测算法

针对智能车辆在不同环境条件下识别道路车道线出现偏移的问题,提出了一种基于改进逆透视变换的车道线检测算法.首先利用HSL和Lab融合模型提取车道线颜色特征,经过二值化处理后利用透视变换将图像转换为鸟瞰图,然后根据二值图建立直方图,进行车道线位置的粗定位.最终通过滑动窗口算法以及直线拟合等处理,实现对车道线的精准识别.通过实验结果对比分析,提出的车道线检测算法能够解决车道线识别偏移问题.     

基于改进蚁群边缘检测的车道线检测算法

文章提出了一种基于改进蚁群边缘检测的车道线检测算法。文章使用一种基于细菌趋化性的蚁群优化边缘检测算法对灰度图像进行边缘提取,该算法能够得到更好的边缘连续性和清晰性。通过寻找边缘点最多的一行作为感兴趣区域(Region of Interest,ROI)的上界,经过Hough变换检测直线特征。过滤离群值后通过最小二乘法拟合出车道线。利用真实道路驾驶视频对车道检测算法进行仿真实验,实验结果表明本算法有较好的鲁棒性和抗干扰能力。     

基于RGB彩色通道的结构化道路车道线检测

车道线检测是车辆智能辅助系统的重要组成部分,为提高检测准确性,文中采用一种基于RGB颜色特征的车道线检测方法。根据车道线颜色特征设计转移函数标记图像中的车道线区域,并应用基于形态学的边缘检测算法提取车道线边缘,最终检测出车道线。文中算法原理简单,在车道线边缘识别上,具有较高的准确度,对自动车辆车道线检测有一定的意义。     

基于Android平台的车道线检测系统设计

在以图象处理为基础的车道线检测中,主要以采用Hough变换直线拟合等方法进行,但该方法存在计算量大,运算速度慢等问题。本文针对该问题,提出一种在结构化道路中识别效率高的非监督自适应直线分类器。同时运用OpenCV提供库进行开发,在 Android平台上实现了车道线检测与实时跟踪系统。经过实验表明在Android平台上,本文提出的车道线检测系统相对于传统方法每秒处理图像帧数fps数倍增加,有效的提升了辅助安全系统的功能。     

基于空间特征增强的车道线检测算法

车道线检测是当前自动驾驶最具挑战性的任务之一。由于自动驾驶任务场景的复杂性,极易出现车道线模糊或被遮挡的情况。而目前的车道线检测算法在学习全局信息的能力上存在缺陷,同时缺少对道路场景与车道线之间关系的利用。针对上述问题,构建了空间特征信息增强网络（Spatial Feature Information Enhancement Network,SFE-Net）,并提出了上下文信息感知模块（Context Perception Module,CPM）,对CNN提取的特征进行上下文信息以及跨尺度信息的增强,补充了丰富的语境信息。基于此,提出了空间特征增强模块（Spatial Feature Enhancement Module,SPEM）,对道路场景以及车道线进行关系建模,有效捕获跨行和列的空间关系,同时对每个通道上的权重进行显式建模,突出每个通道的重要程度。通过实验对比,结果表明该空间特征信息增强网络（SFE-Net）能实现特征的空间信息增强,提高车道线检测精度,在获得良好的性能同时,解决车道线遮挡性问题。     

基于深度学习的连续帧车道线检测网络

为了改善单帧图像检测复杂背景中车道线性能较差问题,例如车道线受到阴影影响、污渍污损或人车遮挡等情况时性能较差的问题.本文提出了一种基于连续帧的车道线检测网络,实现了卷积神经网络(Convolutional Neural Network,CNN)和长短期记忆网络LSTM(Long Short-Term Memory,LS...     

车道线信息的全面理解及偏离预警算法

为全面理解车道线信息,提出了一种车道线检测分类跟踪及偏离预警算法。首先利用动态感兴趣区域约束Canny算子的检测范围,基于扩展的Otsu算法改进Canny算子的阈值设定方式,并通过Hough变换进行车道线边缘拟合;然后依据车道线的颜色及线型特征进行分类,同时借助Kalman滤波器实时跟踪车道线,对检测失效区域采用Kalman滤波器的预测值进行替换;最后设定有效的偏离预警策略,确保行驶的安全性。实验结果表明,算法能全面地理解车道线信息并进行跟踪,同时具备对危险行驶状态下的车辆进行预警的能力。     

一种基于改进Hough变换的车道线检测算法

文中提出了一种适合于DSP的基于改进的Hough变换的车道标志线检测算法.算法首先对经典Hough变换的前级处理过程——边缘提取中的边缘图像进行梯度运算,然后利用获得的梯度运算结果来确定后续Hough变换过程中本该360°搜索的边缘方向这个参数,同时在基本不影响车道标志线检测结果的前提下对参数空间进行适当分块,以减少车道标志线检测算法的运算量.实验结果表明:文中的方法不仅能够准确地检测出待检测路面的车道标志线,而且能够实时的运行在DM648DSP硬件平台上,获得了很好的车道标志线检测效果.     

基于视觉的车道线检测技术研究

环境感知技术是汽车自动驾驶的基础,车道线检测技术是环境感知的关键部分.本文提出一种基于视觉的车道线检测技术.首先,运用"张正友标定法"对单目相机参数标定;然后将图像转换成鸟瞰图,并使用LaneRidge检测器对车道线进行分离;其次,使用随机抽样一致算法RANSAC拟合车道线,并对虚实车道线进行分类;最后,在MatLab...     

基于Hessian矩阵的车道线检测方法

车道线是司机进行安全驾驶的重要依据.提高车道线检测的准确性以及实时性,能够保证司机在驾驶过程中的行驶安全,从而减少道路上交通事故的发生概率.为此,提出一种基于Hessian矩阵的车道线检测方法,首先对原彩色车道线图片进行灰度化处理,之后采用中值滤波对灰度图像进行消噪处理,最后通过Hessian矩阵的特征值所构造的滤波器...     

基于改进卷积神经网络模型的车道线检测方法

文章基于卷积神经网络的车道线检测方法,提出了一种优化的车道检测方案,利用残差网络与简化的Transformer优化神经网络,首先将Transformer模型用作编码器或解码器,学习输入序列之间的关系,提高神经网络的性能,然后在编码器中增加残差层,用以更好地处理边缘与相似信息并提取低分辨率特征,最后设计一个主干架构用于整合优化内容并对优化后的模型进行训练。实验结果表明,优化后的模型在TuSimple验证集中的预测一致性超过了90%,并对多种干扰状况表现出良好的适应性。     

基于扩展卡尔曼滤波器的车道线检测算法

提出一种将道路结构模型信息与扩展卡尔曼滤波器(EKF,extended Kalman filter)相结合的车道线检测算法。基于扫描线的自适应边缘检测算子进行边缘点的检测,针对车道模型建立了适合算法的自定义参数空间,进行边缘点的投票,提取出候选车道线,解决了传统Hough变换中处理速度慢的问题。根据道路几何学和车辆动力学建立新的车道模型,增加了车道信息待估计的参数,并利用车道线的特征约束排除干扰线得到车道线的内边界,结合EKF对车道线边界点坐标参数进行跟踪估计,以保证算法的稳定性与鲁棒性。实验结果表明,本文算法能够处理绝大多数的复杂车道情况,在实时性、鲁棒性和检测率上都取得很好的效果。     

Hough变换的车道线并行检测

针对车道线识别鲁棒性的问题,提出了基于Hough变换的车道线检测方法。为解决Hough变换检测直线速度慢的问题,文中采用了并行加速处理技术,将待检测图片分解成左右两个感兴趣区域分别分配给两个CPU,再将两个CPU并行独立运行的检测结果进行汇总。实验数据表明,车道线检测速度提高了39.1%,车道线检测质量优于传统的串行检测,提高了Hough变换的车道线检测实现效率。     

基于深度学习的车道线激光精准检测方法研究

车道线检测是智能辅助驾驶的核心问题,研究基于深度学习的车道线激光精准检测方法,提高车道线检测精度。将激光雷达安装在待检车辆上,用来扫描物体返回脉冲,通过激光雷达的回波脉冲宽度提取车道线与路面区分度的特征,结合深度学习方法,构建新型多尺度全卷积神经网络的车道线检测模型,融合特征图对车道线分割,实现车道线精准检测。实验结果表明,在多场景条件下,本方法的漏检率、误检率均低于传统方法,平均检测合格率96%,交互比也远远高于传统方法,平均耗时低至51 ms,且变化态势平稳,说明本方法在不同场景中车道线图像分割处理效果较好,车道线的检测效率较高,车道线检测的精度较高。     

基于机器视觉的车道线检测与识别算法

车道线检测与识别技术就是从含有多个车道标识线的道路图像中,将车辆目前正在行驶区域内的连续或间断的车道标识线重建成连续直线的图像处理技术,是自动驾驶的重要核心技术之一。文章主要围绕基于机器视觉的车道线检测与识别算法进行了深入的研究。首先,针对路面环境特点对图像进行预处理;其次,为了减小运算量,利用掩模图形对图像进行感兴趣区域划分;最后,使用Hough变换实现车道线的检测。实验结果表明,文章所提出的方法具有一定的实际应用价值。     

基于注意力机制和特征聚合的车道线检测

车道线检测的可靠性和稳定性对智能驾驶系统来说至关重要.由于车道线容易受到光线、遮挡、老化等复杂情况的干扰,导致传统的语义分割网络无法准确的学习到车道线的细节特征.为解决该问题,本文首先在编码网络部分引入CA坐标注意力机制,进一步增强网络对车道线提取能力,然后,在特征聚合网络引入金字塔空洞卷积模块与RESA模块并联来增强模型的感受野,以丰富和提取全局的空间特征信息,最后经过解码网络将融合后的特征图上采样到原图大小,并预测每个车道的位置和概率分布.实验证明,文中提出的算法在CULane数据集上有较高准确率,多路面综合准确率达到76.2%,并通过实车测试表明,该算法检测帧率为30 fps,可以在复杂交通场景下进行实时检测,具有较高的泛化性和鲁棒性.     

利用卷积神经网络的车道线检测方法

车道线检测是自动或智能辅助驾驶的核心问题之一。本文主要研究单目视觉下车道线检测算法。车道线具有多样性,其存在的环境又具有复杂性,因此准确高效车道线检测是一个具有挑战性的问题。本文提出了一种新的车道线检测算法,在传统车道检测方法中引入深度学习模型,主要包括下了步骤:首先使用基于车道线先验特征的图像增强算法进行边缘增强,对于边缘增强后的图像采用线段检测器进行线段提取,然后利用卷积神经网络构造线段分类器排除线段噪声,最后通过对消失点聚类排除无关线段,并按斜率聚类产生主车道线。实验表明,本文实现的算法具备较强的鲁棒性和很高的检测准确度。      

基于Gabor滤波器的车道线快速检测方法

针对在全景相机获取到的高交通信息量的复杂场景下传统Canny算子很难实时且鲁棒地提取车道线特征的问题,提出一种基于Gabor滤波器的最优方向区间快速检测算法。首先利用同心圆环近似展开法将全景图像展开成矩形图像,然后对展开图像进行不同相位角的Gabor滤波处理,快速得到使车道线边缘清晰度达到最高的方向区间。在Canny算子检测边缘过程中,只对处于该区间内的边缘点进行非极大值抑制及进一步处理,实现车道线的快速检测。最后算法在实拍的500帧视频样本上进行测试,识别率优于94.2%。结果表明所提算法不易受复杂环境影响,可用性强,有效地提高了车道偏离预警系统的实时性与稳定性。