触发式车辆实时检测新算法

提出了一种使用高速公路路面纹理特征来检测车旁超车车辆的实时算法.在由单摄像机获取的序列图像中,算法片先利用标志线信息在待检测车道上设置一个检测窗口,并对窗口内路面的纹理特征进行建模;然后利用帧间窗口内路面纹理的连续性信息和相邻车道路面的相似性信息,根据异常检测函数来触发检测,判断检测窗口内是否存在感兴趣区域;最后根据图像中消失点和标志线的信息来确认感兴趣区域内是否存在超车车辆.实验结果表明:此方法能够及时准确地检测出从本车侧后方出现的超车车辆,算法计算量低,满足系统的实时性要求,并具备较强的鲁棒性.     

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.     

一种自适应的车道线检测算法

车道线检测是一种在基于视觉的驾驶员辅助系统中起关键作用的技术手段,可用于车辆导航,侧向控制,防撞或车道偏离警告等车辆系统中。提出一种自适应的车道线检测方法。首先,从原始图像中提取感兴趣区域(Region of Interest,ROI)图像并将其转换为灰度图像;然后,自适应的改变车道宽度识别出可能的车道区域;最后,根据车道的结构和方位特性匹配车道,再利用Hough变换检测直线,并结合前一帧与当前帧的车道信息预测车道段,以避免计算错误。实验数据表明,该方法在准确性和鲁棒性方面表现突出。     

基于边缘特征点聚类的车道线检测

针对复杂的道路工况及实时性的需求,提出了一种基于边缘特征点聚类的车道线检测方法。首先结合车道线边缘的梯度分布和灰度分布提取边缘特征点;然后依据车道线特征点的连续性和梯度方向的一致性进行特征点聚类得到离散区域,并通过衡量各区域之间的相似度进行区域聚类;最后选出最优类内的点进行拟合。在多种环境的道路场景下对该车道线检测方法进行验证,验证结果表明,该方法检测速度快、鲁棒性强,有助于实际工程应用下的车道偏离预警系统的研究。     

基于多信息融合优化的鲁棒性车道检测算法

为了提高复杂环境下车道线检测的鲁棒性,提出一种基于多特征信息融合优化的鲁棒性车道线检测算法.首先构建了基于二次曲线空间道路模型图像中左右车道线数学模型;然后融合像素梯度值、梯度方向、像素灰度以及车道线结构等多特征信息,构造后验概率函数;最后采用基于免疫克隆策略的改进粒子群优化算法优化车道线模型参数,实现车道线提取.对实际道路图像的实验结果表明,引入多特征信息后,在道路中存在阴影、车辆和道路标记等干扰因素,以及车道线模糊、对比度较低的情况下,该算法也能快速准确地提取车道线,具有很强的鲁棒性.     

复杂光照条件下的车道偏离预警

本文采用图像直方图变换的方法,设计出一种适用于智能车辆的车道偏离预警系统,实现了复杂光照条件下的自适应车道偏离预警。对道路图像设定感兴趣区域,提高了检测速度。采用Canny边缘检测算子,得到包含清晰道路边缘的二值化图像,利用改进的Hough变换检测出两侧车道线。基于检测到的两侧车道线斜率,计算车辆当前位置,判断车辆的偏离趋势。实车试验表明,该系统能有效地满足预警的实时性及精确度要求。     

基于机器视觉的车道偏离报警系统

为了提高基于机器视觉车道偏离报警系统的可靠性和实用性,对基于视觉的车道偏离报警系统各个环节的优化做了研究.介绍了基于视觉的车道偏离报警系统的构成和工作原理,提出了各个环节的实现方法.通过选择直线车道数学模型和限定车道提取的感兴趣区域(ROI)以简化系统复杂度和提高检测精度.首先使用方向可调滤波器进行图像预处理,然后使用Kalman预测器和距离判别法得到车道线有效点集,最后采用抗干扰能力强的Hough变换得出车道线参数.研究并采纳了一种无需对摄像头标定的车道偏离决策方法,通过综合道路图像中2条车道线的斜率值来判断车辆偏离车道的程度.实验表明,该系统具有良好的车道识别能力以及准确的偏离决策能力,能够满足高速公路环境车道偏离报警要求.     

基于车牌检测的前方车辆识别方法

为解决前方车辆识别过程中的实时性问题,提出了一种基于车牌检测的前方车辆识别方法。首先,利用图像中的路面或车道线等细节提取感兴趣区域。其次,利用HSV( Hue-Saturation-Value) 色彩空间转换与矩形图像检测从感兴趣区域中过滤光照变化,阴影和杂乱背景,从而检测出车辆的车牌信息。同时,在初次检测失败的情况下进行二次定位和验证。最后,利用检测出的车牌信息识别前方车辆。该方法在自建与公共数据库视频上进行评估。实验结果表明,识别率超过90% ,并且具有较高的实时性,证明了该方法的有效性。     

基于单目视觉的实时车距侦测算法的实现

针对汽车自主驾驶技术领域车距侦测问题,利用影像摄取硬件和软件系统,并提出一种基于单目视觉的车距侦测算法,实现了车距的实时侦测.实验证明此方法在白天、黑夜、复杂路况及天气恶劣的情况下均能稳定运行,且此算法有效减少了Hough运算量,具有较强鲁棒性及实时性.     

基于模糊化SOBEL自适应算子的直线车道处理

针对汽车安全辅助驾驶系统领域的车道线检验问题,提出了一种改进的基于模糊化SOBEL自适应算子直线车道线检验.首先在车道线边缘检验时,采用了模糊化SOBEL自适应算子进行边缘检验;为了更好地选取阈值,采用了一种基于体育项目评分标准的阈值选取方法,保证所保留的车道线信息的正确性,并给出了一种增修补车道线信息的数学模型;利用梯度函数的分布特性过滤掉噪声,最大限度地保留车道线分布信息,利用Hough变换拟合出最终的车道线.经MATLAB仿真,并在嵌入式系统上实现.实验表明,该方法简单,能保证系统的实时性.     

基于OpenCV的改进RANSAC车道线检测方法

车道线的检测技术是自动驾驶汽车中的重要技术。为了提高车道线的检测能力,提出了一种改进RANSAC的车道线识别方法。通过设置感兴趣区域提取路面图像并进行缩放;把彩色图像的RGB通道按5∶5∶0的权重转化成灰度图像;再用速度更快的积分图法对图像进行自适应二值化;接下来进行一系列的形态学处理来减小噪声;提取Harris角点作为拟合数据点;最后,运用改进了选择初始点和删除外点的RANSAC(random sample consensus)的方法,根据数据点估计车道线参数。实验结果表明,该算法适合多种道路环境下的车道线检测,具有较好的鲁棒性和实时性。     

针对车辆与行人检测的ROI自适应分割算法

在基于图像的车辆与行人检测中,针对固定比例/区域的感兴趣区域(Region of Interest, ROI)图像分割适应性低之问题,提出基于消失点和车辆高度的ROI自适应分割算法：首先,利用车道消失点得出道路位置,避免分割区域浪费;其次,综合车辆实际高度和检测距离计算图像上车辆高度,定位ROI边界,减少车辆及行人目标的不完整分割;最后,循环利用当前帧的车道消失点及其推导的实时俯仰角更新下一帧ROI,实时适应不断变化的路面坡度及车身俯仰姿态。实验表明,该算法计算简单,适应性强,满足不同情况下快速精确的ROI分割要求,提高后续目标检测的实时性和准确性。     

一种基于随机抽样一致性的车道线快速识别算法

针对现有车道线识别算法的有效性、实时性和鲁棒性不高的问题,提出了一种改进的快速随机抽样一致性(RANSAC)的曲线拟合验证的视觉车道线识别算法.该算法首先在进行逆透视变换后选用各向异性的高斯核滤波;然后对不同光照亮度图像采用适应性强的分位数方法进行二值化,并针对车道线在变换图中几乎垂直的特性,再利用直方图统计法检测出初始车道线;最后用改进的快速RANSAC的曲线拟合算法进行曲线修正,找出车道线可能存在的弧度,使检测的曲线更加精确.为提高检测的精度,最后对识别结果进行后处理.实验结果证明,对各种复杂的城市道路,所提出的算法均具有很高的鲁棒性和有效性,且算法处理效率很高,能很好地满足智能车实时检测车道线的要求.     

一种移动车辆遮挡下的车道线检测方法

针对存在移动车辆遮挡等强干扰的情况,提出了一种基于轮廓筛选的车道线检测方法.首先基于轮廓角度和像素数目滤除非车道轮廓进而实现特征点粗提取,然后提取像素点的位置信息,通过设计一种基于相对距离与梯度的自适应双阈值筛选法进行车道线特征点的精提取,进而拟合车道线.实验结果表明,该算法具有较强的抗遮挡能力,且满足实时性要求.     

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。     

基于反向双目识别的驾驶员分心检测

为检测分心驾驶状态,研究了基于反向双目的驾驶状态检测方法。首先,根据Hough算法进行车道线检测和识别,计算车辆偏航率;同时采用多点透视算法对驾驶员头部姿态进行估计;然后建立基于高斯隶属度函数模糊判断规则,根据车辆偏航率与驾驶员头部姿态对驾驶员驾驶状态进行识别。最后,采用所建立的驾驶员驾驶状态识别模型,对车道保持、换道行驶及分心行驶三种不同驾驶状态进行测试。结果表明,建立的驾驶员驾驶状态识别模型对上述三种状态检测准确率分别为99.0%、86.7%、80.8%。