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。     

基于RC-DBSCAN的车道线检测研究

针对在复杂的工况下车道线检测的鲁棒性和实时性较差等问题,本文通过融合边缘检测与多颜色空间阈值分割结果,进行车道线特征点的提取.结合车道线在鸟瞰图中的位置特点,提出了基于DBSCAN二次聚类(Reclustering based on Density-Based Spatial Clustering of Application with Noise,RC-DBSCAN)的特征点聚类算法.并以簇点是否进行二次聚类和Lab空间采样簇点的平均灰度值为依据,进行车道线线型和颜色的识别.使用最小二乘法对车道线进行拟合,通过基于可信区域的卡尔曼滤波算法对拟合后的车道线进行跟踪.最后在实际道路采集的视频与公开的数据集中进行了实验.实验表明,本文算法在复杂路况下对车道线检测的鲁棒性优于传统聚类算法,实时性能够满足实际需求;在结构化道路上,对车道线类型的识别也具有很高的准确率.     

基于多特征融合和窗口搜索的新型车道线检测算法

针对现有车道检测算法准确性和实时性较难平衡的问题,提出了一种基于多特征融合和窗口搜索的新型车道线检测算法.采用多边形填充方法确定车道线的感兴趣区域(region of interest, ROI),融合车道线的颜色、直方图和梯度特征,以消除ROI中的复杂背景.通过单应性变换得到车道线的二值图像,基于其像素密度分布寻找车道线初始位置,以窗口搜索方式提取整个车道线上的所有候选像素点.通过拟合像素点构建车道线数学模型.结果表明：提出的算法具有较高的准确性和实时性,算法对黄色车道线、树木阴影遮挡、光照变化、车道线缺损和地面交通标志干扰具有较好的鲁棒性.     

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。     

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.      

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%.     

基于车道线直线模型的道路曲率估计方法

在车道偏离预警、防止及车道保持等基于机器视觉的驾驶安全辅助系统中,为解决单一直线模型无法预估道路曲率,而曲线拟合方法计算量大等问题,应用车道线直线模型,提出了一种基于远端直线拟合的弯道曲率估计方法,其特征在于车道线仍使用全局直线描述,估计曲率时对远端候选点进行直线拟合.由于保证了较多的候选点数量且使用Hough变换检测直线,以及利用跟踪、滤波等方法,算法在保证车道线检测鲁棒性的同时,基于远端直线拟合方法实现了对弯道曲率的相对定量估计.采用装有全球定位系统(GPS)的实车试验进行验证,结果表明:所提方法在增加候选点数量以提高曲率估计精度的同时,保障了算法的实时性.     

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。     

基于滑动ROI的强鲁棒性实时车道侦测算法实现

车道线检测是智能交通系统(Intelligent Transport System,ITS)实现的重要组成部分,文章提出一种在复杂环境中的直弯道检测方法.首先采用带有自适应阈值的横向梯度算子对影像灰度图进行车道线资讯过滤,并采用模糊搜索策略修补过滤后的车道线资讯,提高系统鲁棒性及车道检测的正确率.然后采用滑动ROI(Region Of Interest)窗口策略统计车道边界资讯图梯度方向角,剔除异常梯度方向角的边界噪音资讯,同时采用影像关联方法减少冗余车道线边界资讯,以减少后续Hough转换运算量.直线车道部分提出一种快速查表的Hough转换方法,用于直线侦测;弯道部分引入双曲线对模型,其参数初始值承接于直线车道部分,并通过搜索策略最终确定其k参数,实现弯道部分的侦测.实验表明,此算法在路况复杂的环境中具有较好的鲁棒性,能够实时提供车道资讯信息.     

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.     

基于自适应消失点及时间上下文的光照鲁棒车道线检测（英文）

提出了一种光照不变的车道线检测算法,充分利用时空上下文信息实现了鲁棒的车道线检测.通过霍夫变换自适应检测出消失点和感兴趣区域,减少计算量;利用图像序列的时空上下文信息,以及一种时间切片图像的产生方法来获得车道线关键点,此外,利用顶帽变换增强图像对比度以获得噪声和低光照度情况下更好的分割效果;给出了车道线预测的方法.通过若干试验验证,结果表明,该算法可以有效地检测出车道线,并且对于低光照、变光照、破损和模糊车道线具有较好的鲁棒性.     

基于边缘特征点筛选的被遮挡盲道检测算法

针对传统盲道检测算法在实际应用场景中准确率低,鲁棒性不强等问题,提出一种基于边缘特征点筛选的被遮挡盲道检测算法。首先提取盲道区域,主要包括基于颜色筛选与单通道二值化结合的粗提取和基于GrabCut算法的精确提取;然后对盲道图像进行预处理、边缘检测和直线检测,提取出若干盲道边界候选线;通过计算候选线在各个方向角度的边缘特征点数目,判断该候选线是否为真正的盲道边界。实验结果表明,无论是否有落叶遮挡,该算法都能够精确提取盲道区域,准确检测出盲道边界,且有较好的实时性与抗干扰性。     

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。     

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.     

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。