基于HSV颜色阈值分割的车道线检测

车道线的检测是汽车高级驾驶辅助系统中的重要组成部分.为了提高车道线检测的准确率,论文提出使用颜色阈值分割法检测车道线.首先对采集到的视频图像使用高斯滤波去噪,然后进行颜色空间转换,从RGB转换到HSV,再选取合适的颜色阈值对图像进行分割来实现目标识别(车道线).目标区域运用Canny算子进行边缘检测,最后使用霍夫变换对车道线实时追踪.实验结果表明,该方法是可以实时对车道线检测,且准确率较高.     

基于多尺度重采样的车道线检测

提出了一种适用于辅助驾驶的高鲁棒性车道线检测算法。算法采用了根据距离的影像金字塔,有效提高了检测效率和准确率,实现了Android平台的实时检测,使用水平方向暗-亮-暗特征、二次曲线车道模型和基于卡尔曼滤波的跟踪实时提取跟踪路面车道线,实现相机俯仰角的快速标定。实验证明,基于简单特征和车道线模型算法在Android系统的行车记录仪上可稳定地进行车道跟踪。     

面向复杂城市交通场景的一种实时车道线检测方法

车道线检测是智能交通监控及自动驾驶的基础步骤,为提高其鲁棒性和实时性,针对复杂城市交通场景中自动驾驶需要检测车道线的需求,提出了一种实时车道线检测算法,首先运用改进灰度化变换突显车道线的特征,并通过改进的Gabor滤波算法增强车道线的边缘信息;最后采用多约束霍夫变换筛选得到平行车道线从而实现实时车道线检测。实验表明,该方法在三种不同真实的交通道路场景下,提高了车道线检测精度及处理速度,可应用于实时车道线检测系统。     

车道线快速检测算法及其应用

针对汽车辅助驾驶中的车道偏离预警问题,提出一种车道线快速检测算法。引入当前车道的动态感兴趣区域(DROI),并依据空间坐标系去除摄像机视野底部车头区域,基于累计概率霍夫变换(PPHT)实时调整DROI,有效解决其他车道的车辆干扰;针对特殊路况中的灌木、围栏、路桩以及路面标识等干扰,基于动态规划,建立车道线检测优选模型,从PPHT检测到的候选线段中,选出最优线段;在此基础之上,进一步准确定位车道中心线位置,建立车道偏离预警模型,实现车道偏离预警。实验结果表明,提出的算法能够有效提高车道偏离预警的准确率以及鲁棒性。     

基于改进FCN的车道线检测研究

为提高车道线检测的准确性以增强无人驾驶车辆的安全驾驶性能,在传统车道线检测的边缘提取、霍夫变换、颜色空间阈值提取、透视变换等方法的基础上,利用深度学习技术,提出一种基于改进FCN的车道线检测网络模型。该模型能够准确提取出车道线的特征信息,并在车道线检测数据集上进行模型训练,以评估该车道线检测网络的性能。通过实验对比,结果表明改进FCN模型在检测精度上比传统FCN网络模型提高了1%,具有良好的分割有效性。     

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。     

一种照度自适应车道检测算法及多核平台实现

针对车道线检测,基于图像白平衡算法和灰度直方图,自适应地提取出感兴趣区域,并自适应确定Canny边缘检测算法的高低阈值.通过对概率霍夫变换得到的直线点集进行RANSAC拟合,满足了在不同光照条件下的自适应车道线检测,并基于英伟达Jetson TK1嵌入式开发板结合开源GUI库Qt,使用其Qt Quick开发出一套车道线检测系统.     

基于单目视觉的车道偏离预警算法研究

随着科技的发展,智能交通已成为当前的研究热点,自适应巡航是智能交通主要应用之一,而车道偏离预警在主动安全、自适应巡航中起着关键性的作用。因此,提出一种基于视频的车道偏离预警算法。把检测到的车道线的ROI分割为两个子区域,两个子区域分别应用霍夫变换寻找左右车道线。分割的方法可以提高车道线检测的计算速度。综合车辆驾驶状态、驾驶环境等相关影响因素,基于混合高斯隐型马尔科夫模型建立了驾驶人换道意图识别模型,以提高驾驶员换道意图辨别的准确率与灵敏度。     

基于机器视觉的车道线智能识别系统开发与实验研究

车道线智能识别系统的开发,能够为汽车自动驾驶和智慧城市建设提供必要的技术支持。传统车道线识别通过特征匹配算法和模型算法实现,具有较大的局限性。为此,笔者结合两者的优势,提出新型车道线智能识别系统,能够有效检测消失点并建立梯形DROI。将开发完成的智能车道线识别系统进行实践检验,识别成功率达到93.95%。由此可见,该系统基本能够满足使用需求。     

基于自适应ROI和蚁群边缘检测算法的车道线检测

论文针对天气阴暗和复杂背景等情况下难以检测车道线的情况,提出了基于消失点的自适应ROI提取和基于蚁群算法的边缘检测方法。首先进行图像预处理得到灰度化图像,然后使用基于纹理的gLoG滤波进行消失点检测以消除复杂背景的影响,使用蚁群算法对灰度图像进行边缘检测以解决Canny算子对噪声敏感的问题,最后对感兴趣区域进行Hough变换直线检测并且使用极角极径约束Hough变换拟合的直线,最后实现车道线检测的功能。实验结果表明,论文提出的方法在道路环境多变和阴暗天气下能实现很好的车道线检测结果,准确率最高可达95.96%。     

基于改进的Hough变换和K-mean聚类的RANSAC车道线检测方法

针对车道线检测中特征点匹配方法存在实时性不高和精度低的问题,本文首先提出了基于消失点改进的Hough变换提取特征线,剔除了干扰线,提高的计算量;然后对特征数据集采用 K-means 聚类和RANSAC拟合算法,首先利用 K-means 聚类对改进的Hough变换提取的特征点进行预处理,剔除了孤立的特征点,接着匹配Catmull-Rom 样条曲线进行RANSAC拟合,相当于二次优化,实现了车道线的快速和精确配准。通过实验表明,该算法不仅提高了车道线识别的精确度,而且具有很好的鲁棒性。     

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。     

基于形态学结构元素建模的车道线检测算法

针对智能车辆辅助导航系统中车道线检测算法复杂、鲁棒性差的问题,提出了一种基于形态学结构元素建模的车道线检测算法。算法首先通过交变序列滤波器对原始图像进行滤波,然后利用具有车道模型特征的结构元素对预处理后的图像进行特定目标提取,再对提取出的车道左、右标识线进行外线判断运算以去除双边缘,将所得结果进行整合得到车道左右内侧边缘线,最后进行Hough变换标记车道线。实验表明,该算法简单、鲁棒性强,能准确地检测到车道标识线。     

楼道消失点查找与跟踪的迭代算法

提出了一种新的消失点跟踪算法。具体地, 改进了梯度霍夫变换, 引入映射的参考点; 结合梯度方向信息进行映射, 提高了映射速度; 采用加权最小二乘法在参数空间拟合三角函数曲线, 直接计算消失点的坐标。通过迭代的方法更新参考点的坐标, 从而使算法精确查找到消失点的位置。实验证明, 此算法可以快速准确地查找到楼道环境的消失点, 并且迭代速度可以满足消失点的实时跟踪要求。     

Improved Lane Line Detection Algorithm Based on Hough Transform

In order to simplify the lane line detection algorithm based on Hough transform, we propose an algorithm directly identifying lane line in Hough space. The image is conducted with Hough transform, and the points conforming to the parallel characteristics, length and angle characteristics, and intercept characteristics of lane line are selected in Hough space. The points were directly converted into the lane line equation. Also, the lane lines are conducted with fusion and property identification. The experimental results showed that the lane can be better identified on expressways and structured roads. Compared with tradition algorithm, the identification is effectively improved.     

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。     

高速公路云台相机的自动标定

目的 云台相机因监控视野广、灵活度高,在高速公路监控系统中发挥出重要的作用,但因云台相机焦距与角度不定时地随监控需求变化,对利用云台相机的图像信息获取真实世界准确的物理信息造成一定困难,因此进行云台相机非现场自动标定方法的研究对高速公路监控系统的应用具有重要价值。方法 本文提出了一种基于消失点约束与车道线模型约束的云台相机自动标定方法,以建立高速公路监控系统的图像信息与真实世界物理信息之间准确描述关系。首先,利用车辆目标运动轨迹的级联霍夫变换投票实现纵向消失点的准确估计,其次以车道线模型物理度量为约束,并采用枚举策略获取横向消失点的准确估计,最终在已知相机高度的条件下实现高速公路云台相机标定参数的准确计算。结果 将本文方法在不同的场景下进行实验,得到在不同的距离下的平均误差分别为4.63%、4.74%、4.81%、4.65%,均小于5%。结论 对多组高速公路监控场景的测试实验结果表明,本文提出的云台相机自动标定方法对高速公路监控场景的物理测量误差能够满足应用需求,与参考方法相比较而言具有较大的优势和一定的应用价值,得到的相机内外参数可用于计算车辆速度与空间位置等。     

一种快速的公交专用车道检测方法

为了提高车道线检测的准确性和实时性,提出了一种快速准确的车道线检测方法。首先根据道路的纹理特征求出道路的消失点,再采用改进的Hough变换检测出车道线,结合车道线的一些特征以及摄像头的参数,在不影响测量结果的情况下缩小检测空间,快速准确地检测道路的车道线,并结合BRT车道(快速公交车道)的一些特征识别车辆所在车道是否为BRT车道,从而实现对BRT车道内前方车辆的监督。将代码移植到DM6437平台,实验结果表明,该方法具备较好的实时性和鲁棒性。