一种智能汽车的实时道路边缘检测算法

以无人驾驶汽车为平台,针对结构化、半结构化道路下无人驾驶汽车道路边缘检测问题,提出了一种智能汽车的实时道路边缘检测算法。该算法首先对获取的激光雷达数据点云进行标定、分层与中值滤波,然后提取各层的左右边界点,而后利用随机抽样一致性算法(简称Ransac)对左右边界点集进行直线拟合,最后用卡尔曼滤波算法进行跟踪,从而实现实时的道路边缘检测。经实验验证,该算法准确率高,可靠性强,能够准确完成道路边缘检测,可以满足实时系统的要求,并已经成功应用于2014年的"智能汽车未来挑战赛",而且取得了第三名的好成绩。     

一种基于灰关联和Sobel算子的完全非结构化道路边缘检测方法

完全非结构化道路检测是智能车辆自主行驶所面临的关键技术难题.图像的边缘是图像特征提取与分析理解的基础,其检测质量直接决定后期理解效果.基于灰关联理论和Sobel算子,针对实时道路图像的真彩色信息,提出一种有效的边缘提取策略.仿真结果表明,直接利用Sobel算子对彩色图像进行边缘检测,不但图像边缘比较清晰,而且还能有效降低图像的噪声.     

汽车安全行驶智能辅助操作系统中的道路检测

研究了汽车智能辅助驾驶系统中的计算机视觉问题,讨论了基于区域生长的图象分割方法确定汽车的行驶路面区域和路面的边缘点,采用数据拟合的方法找到道路边界轨迹,提出了一种实时、有效的高速公路路面检测算法,并准确地估算公路延伸方向,实现汽车防偏预报,并结合的问题进行了有益的探讨。     

基于三维激光雷达的路沿检测算法

为了在多种道路环境下准确提取智能汽车前方道路路沿,提出一种基于三维激光雷达的路沿检测算法。该算法采用随机采样一致性算法(random sample consensus, RANSAC)快速分割出道路区域,滤除了大部分非地面数据,提高后续步骤的处理速度;提出一种基于无向图邻域关系的多特征、宽阈值、多层次路沿特征提取算法,通过构造多种路沿几何特征设置较宽阈值以提高路沿检测精度;采用双向扫描线搜索算法获取路沿候选点,根据路沿特征点密度和全局连续性的特点进行聚类分析并去除噪声,用二次曲线拟合道路路沿。结果表明,该算法能够在车辆、行人和障碍物遮挡的情况下有效识别结构化直、弯道路路沿,算法准确率均高于86%,且检测道路宽度误差小于0.19m,验证了算法的鲁棒性和准确性。     

汽车导航系统中的道路检测

为了解决汽车智能辅助驾驶系统道路识别中的一般方法对路面适应性不强,实时性不够等缺点,在图像边缘提取确定了汽车行驶路面区域和路面边缘点的基础上,运用中值截距（Median of the Intercepts）与样条函数相结合的方法对道路进行分段拟合,从而找到道路边界轨迹．提出了一种实时、有效的高速公路路面检测算法,该方法能准确地估算公路延伸方向,为实现汽车防偏预报提供了可靠的依据,同时结合存在的问题进行了有益的探讨．     

基于边缘提取和特征跟踪的道路检测算法

研究了汽车辅助驾驶系统中的计算机视觉问题，一方面，用小波变换对高速公司上的道路边缘进行检测，另一方面，利用灰度以及几何特征实时跟踪和检测车道边缘，通过建立道路边缘模型，采用数据模拟合的方法确定边界轨迹方,程从而估算出公路的延伸方法，实现汽车的自动防偏，并为解决汽车智能辅助驾驶系统的避障问题提供了有力的保证。     

基于类Haar纹理的非结构化道路消失点检测

在非结构化道路识别算法的研究中,因其在复杂道路环境下表现出较强的鲁棒性,基于纹理特征的道路消失点检测成为了学术研究的重点。因此,为了能够准确的检测出非结构化道路中的消失点,提出一种基于类Haar纹理的非结构化道路图像消失点的检测方法,即首先设计多尺度多方向的类Haar纹理的实部与虚部模板,利用积分图技术以及垂直投影法快速计算出图像像素的纹理主方向,再采用改进的局部软投票法选出分数最大的点作为初始消失点,最后通过现有两种不同的消失点检测方法与提出的算法进行对比实验。实验结果表明提出的算法可以显著提高非结构化道路消失点的检测性能。由此得出该方法具有良好的实时性、准确性和鲁棒性。     

基于自适应模板的非结构化道路检测

提出一种基于自适应变形模板的非结构化道路检测算法.新模板的形状随着道路的形状改变而改变,利用新生成的模板预测下一帧图像中可能出现的道路区域和非道路区域,分别计算道路区域和非道路区域的平均向量和协方差以及每一个像素点和平均向量间的Mahalanobis距离;通过中值滤波去掉噪声点,再进行边缘跟踪计算出路边.该算法运算量小,检测速度快,基本满足实时性要求,具有良好的抗阴影的能力.     

车牌识别系统中的车牌定位算法研究

汽车牌照识别技术（LPR）是智能交通系统（ITS）的重要组成部分,该系统能从一幅图像中自动提取车牌图像,实时准确地自动识别出车牌的数字、字母及汉字字符,使得车辆的电脑化监控和管理成为现实,而在LPR中首先必须实现的就是车牌定位。本文主要利用边缘检测算法和旋转投影法来进行车牌定位。利用边缘检测算法寻找车牌边缘,利用旋转投影法寻找车牌倾斜角度,进行精确定位。     

一种自适应动态窗口车道线高速检测方法

为提高结构化道路车道线检测的图像处理速度,提出一种单目视觉自适应动态窗口的高速检测算法.利用栅格法划分出初始图像感兴趣区域,剔除掉与栅格线相交像素点外的其它像素点,进而在保留的像素点中找到车道线特征点,并利用膨胀算法以保留的特征点为基础实时动态产生少量窗口,对这些动态窗口中的图像进行灰度转化、滤波去噪、边缘增强和二值化等处理,得到车道线边界特征,最后利用Hough变换进行车道线拟合.在实车实验中,对实际采集的结构化道路图像的处理速度可达到22 ms/帧左右.结果表明,该算法基本上满足车辆高速行驶时对视觉导航系统的实时性要求.     

基于目标检测的激光雷达道路边缘检测算法

道路边缘检测是自动驾驶车辆环境感知的重要组成部分,有效地从点云数据中提取道路边缘信息,有利于进行目标检测以及可行驶区域检测。针对点云道路边缘检测问题,提出了一种考虑车辆等道路参与者对道路边缘检测带来干扰的解决方案。首先,采用地面点云分割算法,将原始点云分割成地面点云和非地面点云;其次,根据车辆等道路参与者的固有特性,采用点云聚类算法对点云进行聚类,并将符合车辆等道路参与者特性的非地面点云进行滤除;再次,根据道路边缘点云在二维平面内,能够有效地遮挡激光发射中心点与非道路边缘点之间的连线,从而提取道路边缘点云;最后,采用随机抽样一致性(random sample consensus, RANSAC)算法对道路边缘点云进行多项式拟合,并使用扩展卡尔曼滤波器对道路边缘进行跟踪。实验结果表明,所提点云道路边缘检测算法能够消除车辆等道路参与则对点云道路边缘检测的影响,且算法满足实车实时性和鲁棒性要求。     

基于支持向量机的非结构化道路检测

摘要：机器视觉检测非结构化道路边缘的难点在于路面像素与非路面像素特征差异复杂,本文使用支持向量机分类算法实现了非结构化道路的边缘检测。算法引入感兴趣区域来消除环境噪声,并通过交叉验证方法优化了算法参数,最后在支持向量机的分类结果上使用霍夫变换提取道路边缘。Matlab实验证明算法具有很好的准确性和鲁棒性。     

视觉导航智能汽车路径识别图像处理算法研究

复杂环境下图像快速准确处理是智能汽车稳定运行的前提和保证.该文针对由于光线等因素造成图像对比度不明显问题,提出了线性变换方法处理图像;针对由于图像边缘点的干扰而造成中位数处理失败,提出了中值滤波和T型窗口算法;基于Roberts算子的高精度和Sobel算子的高运算效率,提出了一种融合两种算子的融合算法用以改进边缘检测算法.实际应用表明,上述算法可以过滤边缘噪音,有效地去除干扰噪音,过滤后整幅图像的边缘更连续平滑,融合算法的计算量远远小于单一算子,算法的实时性和准确性大幅提高.     

基于改进的暗通道先验去雾辅助导航算法

经典的去雾算法无法满足车道线检测的实时性和准确性要求,因此提出一种改进暗通道与边缘检测融合的雾天车道线识别算法。首先对有雾图像进行对比度增强处理,突出边缘、颜色等有效信息,基于道路先验信息对图像进行感兴趣区域处理,利用暗通道先验算法对静态约束图像进行去雾操作,并通过双边滤波器细化透射率图,得到清晰的去雾图像;然后引入动态约束理念,提取车道线可能存在的区域,借助Sobel算子检测动态约束后的车道线区域,提取车道线边缘点;最后利用Hough变换进行准确的车道线拟合。实验表明,改进的去雾算法得到的图像清晰度与对比度更高,满足了车道线检测的准确性与实时性要求;去雾及车道线检测算法平均处理时间为297. 305 ms,满足无人驾驶时间要求。     

非结构化环境下基于视觉的障碍物实时检测

针对月面等非结构化环境下的实时障碍物检测问题,提出了一种基于角点的立体视觉障碍物检测方法.为提高角点提取与匹配的效率,采用基于Bresenham圆形模板和Moravec算法的两步角点检测与确认方法,并利用稀疏模板与极性约束进行角点匹配.考虑到单纯基于高度的障碍物的定义及其检测算法在月面等非结构化环境下不再有效,采用了一种基于角点空间关系的障碍物定义,并设计了相关的障碍物检测算法.该算法能实时运行于月面等非结构化环境,且不需要环境的先验知识.实验结果证明了算法的有效性.     

车载视觉感知系统中障碍检测方法研究

障碍检测是基于车载视觉感知系统的车辆自主避撞技术的基础。针对这一问题提出了一种障碍目标检测算法。首先,为了提高道路边缘检测的效率,采用区域Hough变换完成道路边缘检测,进而提取道路区域;然后,在提取出的道路区域内利用图像分割算法完成障碍目标的提取;由于分割出的二值图像中目标表现为独立的大小不一的区域,为此给出标识归属方法辨别目标区域。最后,利用自适应区域生长算法得到完整的障碍目标。相关实验结果证明了算法是可行的。     

基于深度学习的轻量级道路障碍检测算法

道路障碍检测是智慧交通和无人驾驶的重要组成部分。针对道路障碍检算法的参数量过大、占用内存过多、难以在内存和算力有限的设备中使用等问题,本文提出一种轻量级的道路障碍检测算法。在YOLO v4的基础上,使用MobilenetV3作为模型的主干网络,减少模型参数,提高检测速度;改进模型中的PAN结构,将主干网络中更浅层的特征图提取融合,改善小目标检测不佳的问题;在特征融合部分加入ECA注意力机制提升网络整体精度;提出一个新的DBR模块,使网络整体相比之前更加轻便。使用改进后的模型在自制数据集中进行检测,与Mobilenetv3-YOLO v4相比,精度提升5.24%,参数量降低35.5%,F达43.8,满足实时应用的技术要求,表明模型可以嵌入到小型移动设备,达到良好的实时效果。     

结构化道路车道线识别的一种改进算法

基于机器视觉高速智能车辆,提出了一种改进的道路识别算法. 通过实车采集的图像进行灰度化、中值滤波、边缘增强、最优阈值二值化,获得良好的二值化图像. 根据道路特征采用一种改进的Hough变换识别出边界. 在预处理和检测时都使用感兴趣区域(AOI),减少了图像处理时间,提高了道路识别的可靠性. 实车实验表明,该算法具有良好的实时性、可靠性和鲁棒性.     

基于改进区域生长和小波变换的非结构化道路检测

针对在复杂场景的非结构化道路中,由于众多的环境干扰因素从而不能准确检测车道线的问题,提出了一种基于改进区域生长法和小波变换相结合的非结构化道路检测算法。根据大多数情况下道路区域在车载摄像头的正下前方及道路区域与道路两旁背景灰度值的一定差异,来有效地选取区域生长的种子点及生长原则进行区域生长道路初分割。同时结合基于小波变换的边缘检测来修正由于初分割道路受复杂环境导致道路检测不准确的情况。实验结果表明,该算法能够较准确地检测出受光照等因素影响的道路区域,且具有较高的准确性。     

焊缝图像边缘线提取的一种有效算法

基于机器视觉智能焊接自动化,提出了一种有效的焊缝识别算法.通过对图像进行滤波、图像锐化、二值化增强,以及针对二值化后的图像以形态学滤波方法进一步滤除图像中的孤点噪声等方式,采用Roberts边缘算子提取出焊缝图像的边缘,并利用骨架运算提取.在预处理和检测时都使用感兴趣区域.结果表明,该算法具有良好的实时性、可靠性和鲁棒性.