海量点云数据轮廓特征线的快速生成算法

从海量点云数据中快速生成轮廓特征线,是实现基于特征的模型重建的关键.提出了一种基于切片的轮廓特征线快速生成算法.该算法首先对点云数据进行切片,将数字图像的方法应用到基于切片的特征点提取中,通过设置数字栅格平面的边长快速地提取特征点,并根据提出的双向索引连通法快速构造特征线,最终实现了点云数据的曲线模型.实例证明:本算法可以快速、准确地生成海量点云数据的轮廓特征线.     

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.     

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%.     

基于聚类算法的车道线检测方法

针对不确定的外部环境易对现有的快速路车道线检测算法造成干扰并导致误检的问题,提出了一种基于改进的霍夫变换的车道线检测方法.首先对图像进行滤波、边缘识别、二值化的预处理.预处理后,以行为单位提取包含车道线边缘的特征点.对特征点按照欧氏距离组合,在纵向上将特征点建立联系.算法优点在于采用聚类算法将特征点组合,剔除孤立的特征点、明确检测目标、减少错误特征点的干扰和霍夫变换的计算量,提高计算的实时性和正确率.通过约4 000帧不同时间段和外部环境的车道图片对算法进行检验.结果表明:检测方法能很好地实现多种环境下的车道线检测,晴好天气正确率为99.18%,不良天气正确率为97.45%.     

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.     

一种改进的基于轮廓特征拐点的遮挡车辆分离方法

在传统的基于4类特征拐点的遮挡车辆分离方法的基础上进行改进,提出了一种基于8类特征拐点的分离方法.该方法以车辆常用的矩形模板为先验知识,首先对存在遮挡的连通区域提取边缘轮廓,并将轮廓上的特征拐点分为8类;然后在对相邻且同类的轮廓特征拐点进行合并的基础上,利用改进的车辆轮廓特征拐点的类型组合来实现遮挡车辆的识别和分离.仿真实验表明,本文所提出的新方法具有更好的鲁棒性和精确性,且方法简单,具有很高的实际应用价值.     

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%.     

基于轮廓特征点凹性分析的遮挡车辆分割算法

在智能交通系统的拍摄场景中,由于车辆间距过近和摄像角度原因,引起车辆遮挡的现象,增加了目标车辆检测和跟踪的难度。根据轮廓特征点,结合轮廓凹凸性,提出一种凹陷区域检测与分割算法。首先采用背景差分法提取车辆区域,根据车辆区域外接矩形的长宽比和占空比判断是否是多车遮挡,同时通过凸包分析算法提取遮挡凹陷区域;然后通过Freeman链码确定凹陷区域的轮廓特征点,对特征点进行凹性分析;最后匹配分割点,采用Bresenham直线生成法分割遮挡车辆。实验结果表明,该算法有效解决遮挡车辆分割不准确问题,与其他算法相比,具有较好的场景适应性。     

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.      

基于边缘交点聚类法的眼底图视盘轮廓提取

由于眼底血管闭塞、噪声和弱边界等原因,主动轮廓模型不能够精确地收缩至视盘的轮廓边缘,由此提出基于边缘交点聚类的轮廓提取方法.由初始轮廓确定一个矩形区域,选取该矩形区域的主对角线、副对角线、垂直中心线和水平中心线,求其与视盘边缘的交点,将所有候选交点进行K-Means聚类分析,取得位于边缘附近的点作为主动轮廓模型的初始轮廓点,进行能量最小化计算,直至轮廓停止收缩.实验证明,经边缘交点聚类初始化后再运用主动轮廓进行视盘边缘提取,轮廓最终会较为精确地收缩于视盘边缘.     

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。     

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%。     

基于模型融合的低照度环境下车道线检测方法

针对低照度环境下车道线检测准确率低和稳定性差的问题,提出了一种基于模型融合的低照度车道线检测算法.采用基于ALTM(adaptive local tone mapping)算法改进的颜色平衡算法做数据增强处理,有利于车道线特征的提取;融合改进的Deeplabv3+模型和Unet模型,有效降低了过拟合现象;使用实例分割得到分割后的车道线图像.实验证明,改进的Unet模型和Deeplabv3+模型的mean_IOU(mean intersection-over-union)值分别达到了0.625,0.646,较原始模型分别提高了2%和4.6%,最终融合结果提升了0.01%.提升了低照度环境下车道线检测的稳定性和准确性.     

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.      

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。     

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。     

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。