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。     

OpenCV的车道线检测方法

基于开源计算机视觉库(OpenCV),提出一种轻量级的车道线检测方法.首先,对输入的原始图像进行灰度化处理,紧接着使用双边滤波滤除噪声,大幅度保留原始图像的边缘信息;然后,用Canny边缘检测提取图像边缘;最后,使用速度更快的渐进概率Hough变换(PPHT)识别车道线.仿真结果表明:预期检测车道线的效果较好.     

基于改进Hough变换的结构化道路车道线识别

针对现有结构化道路车道线弯道检测识别技术的准确性和鲁棒性不高的问题,提出一种基于改进Hough变换的车道线识别方法。首先利用Canny边缘算子进行车道边缘检测,其次对比相邻区域距离内的Hough变换峰值参数值,将小于设定阈值距离的直线段进行连接,拟合形成车道线检测区域,然后根据消失点的横坐标距离图像中心点的位置来预测车道线方向,最后借助MATLAB平台完成车道线的识别。验证结果表明:该方法避免了曲线模型复杂、计算量大的缺点,实现了直、弯车道的识别统一化,识别准确率为95.3%,平均耗时0.036s,具有很好的实时性和鲁棒性。     

一种基于光照无关图的车道检测方法

针对无人车辆道路检测时,特征提取易受光照变化和阴影影响的问题,提出一种基于光照无关图的车道检测方法.使用最小熵值法离线求取图像的光照无关角,对图像每个像素点在对数色度空间向光照无关方向投影得到光照无关灰度图;利用Canny算子提取光照无关图边缘,在边缘图上寻找线段基元以减弱细小边缘的干扰;使用改进投票空间的Hough变换检测直线,采用分段线性道路模型描述道路边界.实验表明,该算法能够有效减弱阴影和光照变化造成的影响,准确识别道路边界,满足实时性要求.     

一种融合分割和消失点提取的车道线检测方法

针对路面干扰时车道线检测鲁棒性差和消失点检测误差大的问题,提出了一种基于融合分割和消失点提取的车道线检测方法.对获取视频帧图像进行灰度化和高斯滤波处理之后,利用Canny边缘检测算法对图像进行边缘提取.以边缘点最多的一行作为上界划分预处理图像的动态感兴趣区域(ROI),结合大津算法(OTSU)分割出预处理图像的车道线背景,提取车道线信息.采用直线段检测(LSD)算法对ROI区域内车道线标志进行提取,并结合改进的消失点检测方法快速提取车道线.实验结果表明:所提出的方法对多场景下离线照片的平均正检率为97.16％,识别速度为34 ms/帧,能够很好地对多场景下车道线进行快速检测.     

一种鲁棒的非平坦路面车道线检测算法

提出了一种鲁棒的非平坦路面车道线检测算法. 给出一种简单的逆透视变换方法,该方法不依赖于摄像机参数,计算简便. 基于法向车道线模型研究了车道线的线特征提取方法,结合线特征的方向特性和强度信息,提出了改进的Hough变换车道线直线检测方法,有效提高了检测的鲁棒性和计算速度. 利用检测出的直线对车道线进行精确定位,采用加权最小二乘曲线拟合方法完整地提取出图像中的车道线. 实验证明,算法在弯道和非平坦路面上都能准确地提取出车道线,具有较强的鲁棒性.      

基于车道线检测的移动机器人巡线方法研究

SLAM技术在移动机器人巡检领域得到广泛应用,但对于环境特征单一的大型室内场景,SLAM技术的定位建图效果不能满足实际需求.针对大型仓库下移动机器人巡检问题提出基于车道线检测的移动机器人巡线方法.在HSV颜色空间下,首先采用多阈值叠加方法对采集的实时视频图像进行颜色阈值分割;然后通过霍夫变换与过滤得到与车道线唯一贴合的直线;最后通过该直线参数矫正移动机器人运动时的方向.试验结果表明:基于HSV阈值分割的车道线检测方法能有效检测车道线,正确率可达99.81%;该方法可使移动机器人正确调整运动方向,调整成功率可达93.33%.     

基于Canny算子和Hough变换的夜间车道线检测

针对夜间只有车灯照射路面图像整体较暗、光照不均匀、车道线不易检测的问题,提出了一种夜间车道线识别方法。首先,对预处理后的图像采用Laplacian算子进行边缘增强;然后,结合Otsu算法进行Canny边缘检测,再在边缘图像底部1/3区域中利用Hough变换进行直线拟合;最后,在斜率约束的基础上提出了一种内侧车道线提取算法,实现了车辆所在车道内侧车道线的检测。针对多种夜间车道线图像进行实验,结果表明,该算法准确提取出了内侧车道线。提出的方法能克服图像较暗和光照不均的影响,排除旁侧车道线、护栏等的干扰,有助于夜间车辆各行其道。     

基于改进 Hough 变换与双点去除 R-最小二乘法的车道线检测优化算法

针对传统Hough变换和最小二乘法的不足分别提出改进算法,并应用到车道线检测中,对道路图像进行预处理得到车道线的边缘点,对拟合车道线的两种方法进行改进,提高车道线检测的准确率和实时性。在实际检测中,设计一种结合改进Hough变换和双点去除R-最小二乘(R-least squares with dual removal,R-LSDR)法的检测算法,并运用Kalman滤波器跟踪车道线,在实车采集的道路图像序列上进行初步测试。实验结果表明,优化的车道线检测算法提高了检测准确率和运行效率。     

基于边缘特征融合和跨连接的车道线语义分割神经网络

无人驾驶中的车道线检测任务需要同时确定车道线的位置、颜色和线型,而现有方法通常仅识别车道线的位置,不识别车道线的类型.为了端到端地解决这一问题,设计了一种语义分割神经网络,将一幅图像中不同车道线分割为不同区域,用每个区域的类别标签表示其对应的车道线类型.首先,在主流的编码器-解码器框架下,构建了一个结构较为简单的基础网络.考虑到边缘特征是车道线检测中的重点,为基础网络的编码器并联了一个边缘特征提取子网络,通过逐层融合边缘特征图和原始特征图增强车道线的特征.边缘特征提取子网络的结构与基础网络的编码器相同,其输入是对车道线图像进行Sobel滤波的结果.此外,编码器和解码器对称位置的卷积层输出的特征图尺寸相同,但具有不同的语义层级.为了更好地利用这一特性,建立从编码器到解码器对称位置的跨连接,在解码器逐层上采样的过程中融合编码器对应尺寸的特征图.在TSD-Lane车道线检测数据集上的实验表明,相比于基础网络,基于边缘特征融合和跨连接的神经网络的分割性能得到了较为显著的提高.该网络具有较好的车道线分割性能,能够在确定车道线位置的同时,区分黄线或白线、虚线或实线.在计算资源充足的前提下,该网络能够达到实时的检测速度.     

高速公路路面识别技术研究

根据高速公路路面的基本特征,通过分道线特征点投影位置的计算,提取出了比较完整的当前车道分道线特征点。建立道路边缘灰度模型,采用Gabor变换多分辨率的特点,对图像按方向进行滤波处理。实现道路边缘线检测和拟合。实验结果表明,所讨论的方法在工程实践中有实际应用价值。     

基于多通道融合和极线约束的道路检测与定位

计算机双目视觉道路检测及定位在实现无人运动平台自主导航中具有重要意义.根据双目摄像机系统模型,提出基于多通道阈值融合的车道线检测方法,融合车道线边缘和色彩信息进行图像阈值分割,采用透视变换和自适应动态滑窗法提取车道线像素,采用最小二乘法拟合道路模型并依据极线约束关系进行定位,投影至SLAM地图中.实验结果表明,算法在光照变化、阴影遮挡等场景中均能精确检测车道线,将车道线信息投影至三维地图可以有效地将车道信息与地图信息进行融合,提高了道路感知能力.      

模糊图像的不连续边缘智能检测改进算法

针对传统不连续边缘检测算法利用增强图像边缘对比度进行检测, 只适用于检测灰度值变化不强烈及含有普通噪声的图像边缘, 检测性能具有局限性的问题, 提出一种模糊图像的不连续边缘智能检测改进算法. 首先通过广义交叉验证准则获取图像噪声方差估计值, 对图像中高斯噪声进行判别, 使用自适应模糊滤波器对含噪图像进行模糊滤波处理; 然后采用改进模糊图像边缘检测算法, 按图像含噪情形制定边缘检测策略, 获取模糊图像边缘; 最后通过灰度形态学的模糊图像不连续边缘检测算法, 对模糊图像边缘受灰度值不均匀变化形成的膨胀、 腐蚀、 形态学梯度型不连续边缘进行检测. 实验结果表明, 该算法抗噪性较高, 模糊图像不连续边缘检测的结果更清晰、 完整.     

边缘检测梯度法的小波实现

图像的边缘表现为图像上的不连续性，边缘检测就是检测图像上的不连续点或陡变点。本文根据Mallat多尺度边缘检测原理，提出了一种图像的边缘检测的新算法。与Mallat的多尺度边缘检测算法相比，这个算法具有计算量小的优点。文中给出了应用这个算法对图像进行边缘提取的实例。     

一种基于无人机影像的高精地图车道线检测与提取方法

高精度地图是实现自动驾驶技术必不可少的基础设施,车道线是高精度地图车道级路网的重要组成部分。以往高精度地图的车道线检测多基于车载摄像头数据,存在成像范围有限、需要透视变换和多次拼接造成的效率问题。基于无人机航拍影像,采用U-Net网络识别道路区域,过滤非道路区域噪声,通过HSL颜色变换和Sobel算子分别计算车道线颜色和边缘梯度特征,使用Otsu算法自动确定特征分割阈值获得二值化车道线特征图,通过局部最大值算法确定滑动窗口的初始位置,最后借助滑动窗口算法和多项式检测拟合车道线。实验结果表明,在保证一定检测精度的前提下,单条车道线检测长度超过了百米,道路检测效率达到25.2 m/s,对比于地面影像的检测算法具有明显的效率优势。     

小波变换及骨架提取在图像边缘检测中的应用

提出了一种基于小波变换及骨架提取的图像边缘检测算法，该算法将小波变换、边缘点检测和骨架提取合并成一个完整过程，减少了图像中纹理对边缘提取的影响．实验结果表明，该算法有较好的边缘检测效果．