本期导读

<正>本期"智能控制与智能计算"栏目中,《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,经实验验证,该算法准确率高,可靠性强,能够准确完成     

基于3D激光雷达点云的道路边界识别算法

针对结构化道路环境中道路边界存在不连续、被遮挡及易受路内障碍物干扰情况下的识别问题,利用车载激光雷达获取的结构化道路环境三维点云数据的高程信息,结合局部均值变点统计方法,提出了一种用于激光雷达帧数据的道路边界识别算法。该算法首先利用局部均值变点统计对结构化道路环境三维点数据中突变的z坐标值进行标记并提取其对应的(x,y)数据点,即道路边界点数据粗提取;然后基于分段双阈值对粗提取的道路边界点数据滤波处理;最后利用最小二乘法拟合道路边界点数据。基于实车实验分别采集的不同道路环境条件下结构化直道1 450帧、弯道935帧数据,算法识别准确率均高于80%,且识别道路宽度误差小于0.14 m。实验结果表明,该算法不仅能够自动识别结构化道路边界,而且有效抑制了路面障碍物的干扰,验证了算法的有效性。     

车载雷达点云的结构化道路边界提取方法

为了提高结构化道路边界检测的准确性与鲁棒性,结合非参数变点统计方法,提出了一种基于32线激光雷达三维点云的道路边界提取算法。基于结构化道路区域和非道路区域存在一定高程跳变特征,该算法利用非参数变点统计,对激光雷达扫描的道路环境三维点云数据中突变的z坐标值进行标记,并提取对应的候选道路边界点(x,y)。利用道路边界方向的最大期望(EM)聚类算法,对候选道路边界点进行聚类去噪。利用最小二乘法拟合道路边界,在不同光照条件下的校园结构化直、弯道路环境进行实车实验,统计直道1 030帧数据和弯道650帧数据。仿真结果表明:算法识别准确性较高且检测距离达18 m,耗时约28 ms,可满足智能车实时性要求。     

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．     

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.     

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.     

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。     

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。     

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。     

基于融合分割和LASSO回归的实时车道偏离预警

在有路面污染、标识干扰等复杂高速道路环境下,车道偏离预警系统的鲁棒性和实时性会变差。为此提出一种利用两种算法融合分割和LASSO回归模型进行车道线检测和偏离预警的新方法。首先,分别采用TopHat算法和OTSU算法分割出车道线背景并进行"与"运算融合,据此准确提取出车道信息;其次,分两步检测车道线,第一步基于概率Hough变换进行直线检测,将检测出的车道线位置设为动态ROI区域并进行卡尔曼滤波跟踪处理,第二步是基于LASSO多项式回归模型对车道线再次进行参数估计和拟合,以改善使用最小二乘法时的过拟合问题;最后,根据设置的虚拟车道线和角度模型进行车道偏离预警决策。实验结果表明,所提出的方法在复杂道路环境下的平均正检率为96.07%,检测速率可达到32 ms/帧,即具有良好的鲁棒性和实时性。     

基于视频的交通参数的自动提取

介绍一种基于视频的交通参数的自动提取系统.针对实时交通图像的特点,提出一种基于RGB彩色向量聚类的动态背景生成方法.通过背景差法提取出目标物体,并应用形态学方法消除噪声.根据汽车在交通图像中的位置进行汽车长度的按比例换算,统计出汽车占用车道总长,从而得到每一车道的车辆数、车辆占有率及车辆平均占有率.实验结果表明,系统能够较准确地检测出车道的车辆占有率.     

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,能够有效的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。     

基于深度学习的无人驾驶汽车车道线检测方法

车道线检测是实现当前汽车辅助驾驶和未来无人驾驶汽车的关键,深度学习技术在近年来迅猛发展,在图像识别、图像分割、语音识别及数据预测等方面都取得了出色成绩。结合深度学习技术对无人驾驶汽车环境感知中的车道线检测进行了相应的研究,提出一种基于深度学习的车道线识别算法。对比研究已有算法,针对其中的信息融合问题,提出了一种新的特征图上下文信息融合方法,将该方法与VGG(Visual Geometry Group)网络相结合提出融合上下文信息的车道线识别网络VGG-FF,进一步加入空洞卷积提出融合空洞卷积及上下文信息的车道线识别网络VGG-FFD。将该网络模型在公开数据集以及自制数据集上进行了性能测试,实验结果表明该模型具有良好的识别效果。     

一种基于消失点和颜色过滤器的车道线检测算法

针对经典霍夫车道线检测方法实用性较差,无法准确区分车道线和路沿与应用道路场景简单等问题,提出 了一种基于消失点和颜色过滤器的车道线检测算法,不仅提高车道线检测的准确率,而且能够应用较复杂行车场 景;首先,对行车视频连续五帧图像进行预处理,获取行车环境下车道线消失点位置,能够自适应选取行车环境图 像的感兴趣区域(Region of Interest,ROI);然后,对 ROI 图像根据车道线颜色特征进行过滤得到二值图像,获取二 值图像中所有连通区域质心和倾斜角等数据,通过结合消失点特征和角度阈值进行限制,筛选记录符合车道线特 征连通区域的数据,接着分割较大区域获取更多质心点,识别漏检符合车道线特征的区域质心点;最后,对获取的 质心点使用最小二乘法进行拟合并标识车道线;实验结果表明:算法能够在多场景道路上快速准确的检测出车道线,与经典霍夫算法进行仿真比较,算法具有一定的鲁棒性和实时性。     

基于几何特征与三维点云特征的道路边沿识别算法

针对目前典型道路边沿识别算法存在实时性与可靠性难以兼顾的问题,基于多线激光雷达,根据道路边沿的几何特征与三维点云特征,提出了一种权衡实时性与可靠性的道路边沿识别算法。依据多线激光雷达扫描获取的大量点云数据,基于RANSAC算法的地面分割方法,滤除了预设感兴趣区域内的地面数据点,然后将剩余的无序点进行有序栅格化投射处理,根据道路边沿区域的几何特征与点云分布特征进行匹配筛选,再融合RANSAC的最小二乘法,以完成道路边沿曲线的鲁棒拟合。实验表明,算法在直道和弯道场景识别准确率均大于95%,耗时均低于15 ms,具有良好的准确性和实时性。所提算法能有效识别道路边沿,可为智能车可行驶区域的识别及控制提供理论参考与方法依据。     

智能汽车中基于视觉的道路检测与跟踪算法

提出了一个基于视觉的道路环境识别算法．该算法能实时提取图像序列中道路信息，获取车辆在道路上的位置、姿态信息，预测前方道路状况，将道路环境信息反馈给智能汽车用于其控制车辆的主动安全．首先联合摄像机内参构建了道路的三维数学模型，突破了以往一些系统将道路看作一个平面的二维模型的局限，算法利用道路标志线的颜色突变特性有效地提取道路边界，并将扩展卡尔曼滤波器与道路模型结合对道路和车体的状态进行实时跟踪分析，获取实时的道路环境信息．实验证明该算法可在直道和弯道以及标志线间断或标志线周围有干扰的各种道路中稳定地工作，在光影条件不利或前方有车的情形下算法仍具有较高的鲁棒性，能够适应多变的道路环境，提供实时有效的信息数据．     

浮动车与空间网格结合的新增道路自动检测

利用浮动车系统提供的车辆定位数据进行新增道路检测,可有效提高新增道路的检测效率,降低成本。文章提出了浮动车与空间网格结合的新增道路自动检测算法,该方法首先记录车路匹配不成功的浮动车位置数据,得到可表示疑似新增道路的浮动车轨迹点,然后建立起浮动车轨迹点与路网网格之间的对应关系,最后通过网格过滤实现新增道路自动检测。实例验证了该算法的可行性。     

基于三维激光路面轮廓调查系统及应用

路面轮廓包含道路质量评定的多种信息,其中路面车辙是衡量路面状况的重要指标。现行人工检测和目前基于点激光或线激光测量设备存在局限性。基于三维激光设备,研究并开发了一种路面轮廓调查系统。设计了一种全新的车载设备布置架构,采用高精度三维数据生成路面轮廓信息并连续计算路面车辙。采用边缘算法对车道区域外数据进行剔除,通过对横断面数据预处理提高数据稳定性,基于移动参考线逼近的方法提取车辙深度信息。将高精度数据进行可视化处理,直观展示路面数据信息。 通过静态实验验证激光精度,测量误差基本小于±0.3 mm。系统在自然行驶的条件下获取路面轮廓数据,以车辙数据为例,并将数据与人工测量数据进行对比。实验表明,测量车辙最大深度与人工检测结果相关系数为0.97,不同车速下系统表现出极高的鲁棒性,产生准确的路面轮廓数据,可作为高速真实三维路面测量工具。     

一种多阈值Hough变换车道线检测算法

针对传统Hough变换虚线检测率不足的问题,提出一种多阈值Hough变换车道线检测算法。该算法在对图像进行灰度化处理、逆透视变换、二值化处理的基础上,在预设好的多条直线位置进行突变点检测,并对突变点进行分类、拟合、合并,最后进行Hough变换。3种实际路况的实验表明,该算法能够较准确、稳定地检测出车道线,平均识别率达到9870%,高于传统Hough直线检测算法的平均识别率(86.84%),而且可通过计算车道线线段的长度和点的个数来判断虚线和实线。