基于分数阶微分Frangi的夜间车道线检测

基于机器视觉和图像处理的夜间车道线检测一直是该领域的研究难题,即使是近年的深度学习方法,检测精度只能达到50%左右.为此,研究了一种新的算法,根据车道线的特点和车辆的行驶速度,将视频中多幅图像融合到一幅图像中;利用图像的特点,在区域合并中识别出有效的车道线检测区域;将有效区域分割成新的图像后,采用基于Frangi和Hessian矩阵的算法对图像进行平滑和增强;为了提取车道线的特征点,提出了一种新的分数阶微分模板进行车道线特征点检测,该算法根据车道线在图像中可能的位置,从4个方向检测特征点;在检测出候选点后,应用递归Hough直线变换得到候选车道线,为了确定最终的车道线,一条车道线的角度应介于25°～65°之间,而另一条车道线的角度应介于115°～155°之间,否则,通过降低线点数的阈值继续进行Hough直线检测,直到获得两条车道线为止.通过对数百幅夜间车道线图像的测试,并与深度学习方法和传统的图像分割算法进行比较,新算法的检测准确率可达70%.     

基于分数阶微分和Frangi的夜间车道线检测

基于机器视觉和图像处理的夜间车道线检测一直是该领域的研究难题,即使是近年的深度学习方法,检测精度只能达到50%左右.为此,研究了一种新的算法,根据车道线的特点和车辆的行驶速度,将视频中多幅图像融合到一幅图像中;利用图像的特点,在区域合并中识别出有效的车道线检测区域;将有效区域分割成新的图像后,采用基于Frangi和Hessian矩阵的算法对图像进行平滑和增强;为了提取车道线的特征点,提出了一种新的分数阶微分模板进行车道线特征点检测,该算法根据车道线在图像中可能的位置,从4个方向检测特征点;在检测出候选点后,应用递归Hough直线变换得到候选车道线,为了确定最终的车道线,一条车道线的角度应介于25°～65°之间,而另一条车道线的角度应介于115°～155°之间,否则,通过降低线点数的阈值继续进行Hough直线检测,直到获得两条车道线为止.通过对数百幅夜间车道线图像的测试,并与深度学习方法和传统的图像分割算法进行比较,新算法的检测准确率可达70%.     

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。     

面向园区场景的车道线局部定位检测方法研究

面向校园驾驶场景,提出一种综合性能表现较好的通用车道线检测算法,即局部定位检测法。 首先,采用经典图形学与基于噪声容忍的递归神经网络的学习模型相结合的方法,完成车道线所在局部区域 的检测,对目标车道线的灰度图像进行霍夫变换和灰度拉伸,设计递归神经网络学习模型,以梯度数据作为引导,对算法模型训练学习,以排除梯度信息相似的干扰物,并识别几何属性相关的不完整车道线形态,进而完成补全工作,应用稀疏惩罚,设计具有噪声容忍的递归学习模型,最大效率地利用具有被污染数据标注的 自建车道线图像数据集,以此为基础,采用深度强化学习方法,通过6个标识点对目标车道线进行精确定位, 并基于6个准确的定位点,检测和绘制车道线。     

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%.     

基于动态区域搜索框及K_Means聚类的三车道检测算法

为解决现有车道线检测方法在弯曲道路上识别准确率较差及Hough检测方法耗时较长的问题,提出一种基于动态搜索框及K-means聚类的三车道检测算法。首先,根据逆透视变换(IPM)将感兴趣区域内部转化成鸟瞰图的形式,利用大津法(OTSU)将单帧图像分成前景和背景两部分区域,然后,在图像底部规定区域内进行直方图分析,得到车道线基准点建立初始搜索框,并在其内部使用K-means算法聚类得到车道线候选点,根据建立的车道线直线模型迭代生成搜索框;最后,将得到的车道线候选点根据贝塞尔曲线对其进行拟合得到检测车道线。实验结果表明算法可以很好地检测车道线弯曲部分,算法单帧处理时间达到30 ms,在包含障碍干扰的路况下识别准确率为90. 1%。     

基于双向窗口特征提取技术的车道线检测算法

为提高车道线检测算法的准确性与稳定性, 提出一种基于双向窗口特征提取技术的车道线检测算法。融合运用Hough 变换与边缘分布函数技术得到车道线的直线特征点; 运用双向窗口特征提取技术获得所有车道线特征点, 包括直线部分与弯曲部分。获得直线与双曲线相结合的车道线模型: 在近视场, 应用直线车道线模型能获得较好的鲁棒性; 在远视场, 使用双曲线模型可有效检测出车道线的弯曲部分。实验结果表明, 相较于已有的车道线检测算法, 该方法可有效提高多种场景下车道线检测的准确性和稳定性。     

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.     

基于实例分割和自适应透视变换算法的多车道线检测

为了解决传统的车道线检测算法对光照变化、阴影遮挡等环境干扰较为敏感而导致鲁棒性不足的问题,提出了一种基于实例分割和自适应透视变换算法的多车道线检测方法.该算法首先通过设计的多分支实例分割网络实现多车道线分割,该多分支实例分割网络包括车道线语义分割分支和车道线Id分支;再应用自适应透视变换模型获得鸟瞰图视角下的实例分割后的车道线像素点集合;最后利用最小二乘法二阶多项式完成车道线像素点的拟合.基于Culane车道线数据集进行训练及验证,验证表明,每帧图片检测用时约28 ms,车道线检测准确率达91.4%.将车道线检测模型集成到实车ROS平台进行测试,测试表明,所提算法能够实现各类复杂交通场景下的多车道线实时检测.