一种基于IPM-DVS的车道线检测算法

为了提高在复杂情形下车道线检测的鲁棒性,提出了一种基于IPM-DVS的车道线检测算法。首先,对视频序列中连续两帧图像进行IPM得到鸟瞰图像,对这两帧鸟瞰图像进行差值运算,对差值图像进行Sobel算子卷积,然后将卷积结果与鸟瞰图像进行DVS,实现车道线信息的分离,最后根据车道线特征信息进行滤波检测。通过阴影、水渍、逆光等场景对该方法进行测试,实验结果表明:该方法能在各种复杂环境中检测出车道线,具有实时性好、鲁棒性强、正确率高的优点,适用于无人驾驶智能车视觉导航。     

基于分段直线模型和ATN的车道识别方法

为了满足室外移动机器人高速安全行驶的要求,提出了一种基于分段直线模型和增强型状态转移网络(ATN)的车道识别方法。给出了高速公路车道线的分段直线模型;在车道识别阶段,首先采用动态双阈值二值化方法对原始图像进行预处理得到二值化图像,再利用基于ATN的图像理解算法识别出车道线。使用该算法的清华大学室外移动机器人(THM R-V)系统在高速公路上的最高自主行驶速度已经超过了150 km/h,另外在各种天气和不同路况下的稳定表现也说明了该算法的鲁棒性。     

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。     

一种高速公路车道延伸方向的判断方法

道路模型的建立是车道线识别技术的关键环节,在建立道路模型之前先对车道线延伸方向进行判断.文章提出了一种基于最小二乘法的车道线延伸方向的判断算法,算法中使用整体最优阈值法对道路图像进行二值化,利用车道线的斜率判断其走向.通过与Hough变换作比较,实验表明该算法具有良好的实时性、可靠性和鲁棒性.     

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.     

恶劣天气下基于锚点的多尺度融合车道线检测及优化方法

针对黑夜和大雾天气下车道线检测的问题,在数据预处理阶段采用改进的自适应伽马变换对过暗或漂白的图片进行增强,并利用暗通道先验法对大雾场景下的图像进行数据增强,从而降低干扰. 在特征提取阶段,采用改进的rotation forest block（RFB）网络提取车道线的特征信息,并通过基于锚点的分类方法实现了快速而准确的车道线检测功能.     

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%.     

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.     

基于Canny算子和Hough变换的夜间车道线检测

针对夜间只有车灯照射路面图像整体较暗、光照不均匀、车道线不易检测的问题,提出了一种夜间车道线识别方法。首先,对预处理后的图像采用Laplacian算子进行边缘增强;然后,结合Otsu算法进行Canny边缘检测,再在边缘图像底部1/3区域中利用Hough变换进行直线拟合;最后,在斜率约束的基础上提出了一种内侧车道线提取算法,实现了车辆所在车道内侧车道线的检测。针对多种夜间车道线图像进行实验,结果表明,该算法准确提取出了内侧车道线。提出的方法能克服图像较暗和光照不均的影响,排除旁侧车道线、护栏等的干扰,有助于夜间车辆各行其道。     

OpenCV的车道线检测方法

基于开源计算机视觉库(OpenCV),提出一种轻量级的车道线检测方法.首先,对输入的原始图像进行灰度化处理,紧接着使用双边滤波滤除噪声,大幅度保留原始图像的边缘信息;然后,用Canny边缘检测提取图像边缘;最后,使用速度更快的渐进概率Hough变换(PPHT)识别车道线.仿真结果表明:预期检测车道线的效果较好.     

基于摄像机模型的运动车辆车道偏离检测

针对车道偏离检测中较难解决的车载摄像机标定问题,从分析摄像机成像模型入手,根据图像中3条或3条以上车道线的消失点位置以及车道线斜率关系,在道路现场调整摄像机安装位置,以实现对摄像机外部参数的直接设定,从而避开了繁琐的摄像机参数标定过程.同时,推导出图像内车道线斜率比与车道偏离程度的简单函数关系,该函数与摄像机内外参数无关.因此,行车过程中只需测量图像中车道线的斜率,即可计算出车辆当前的车道偏离量.现场试验结果表明,在车辆直行时采用该方法测得的车道偏离率与手工实测结果相比,其相对误差小于5%,具备了较高的检测精度.     

改进的图像距离变换方法在车道检测中应用

在边缘检测得到二值图像的基础上,提出了一种新的行方向距离变换方法,将其距离图像作为车道检测特征图像,并利用实验验证了行方向距离变换得到的距离图在处理非连续车道线时的有效性及相比于边缘图的优越性.结果表明,行方向距离变换方法不仅能够提供距离信息,而且在处理非连续车道线时能够尽量使其连续化,从而提高车道检测的效率和鲁棒性.     

一种结合模糊C均值聚类的车道标识线识别方法

在道路图像中,为了得到较理想的车道标识线的边缘,设计了一种车道标识线识别方法。利用图像中的边界信息、车道标识线边界的角度和灰度等特征,结合模糊C均值聚类提取车道标识线的边界。利用Hough变换、车道标识线边界的间断性实现车道标识线定位。实验结果表明该方法具有较好的准确性。     

基于路径搜索的车道线检测算法

针对基于特征的车道线检测算法鲁棒性较差的问题,本文提出一种基于路径搜索的不依赖感兴趣区域的车道线检测算法.首先,对预处理图像平滑处理过滤部分噪声,并采用基于梯度的边缘分割方法提取车道线边缘;其次,提出一种基于路径搜索的车道线检测算法,生成两个包含车道线特征点的集合;最后,用三次多项式结合最小二乘法对所得车道线元素点进行曲线拟合,得到两侧车道线.试验结果表明,相比于基于Hough变换的车道线检测算法,该算法在校园道路场景下的鲁棒性更强,且在弯道车道线检测方面表现良好.     

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.     

基于改进的投影变换公式的车道识别方法

现有车道识别方法易受道路上车辆和阴影的干扰,并且投影公式精度不高,不适用于摄像机安装俯仰角为0°的情况。为此对现有的投影公式进行了改进,在变换后的俯视图中使用圆曲线车道模型及基于密度的Hough变换进行车道识别。实验结果表明,该方法可以明显降低车辆、阴影对于车道识别的干扰,并且能够满足车道识别实时性的要求。     

基于视频交通图像的潮汐车道自适应控制系统设计

针对城市道路双向交通需求不均衡的潮汐交通问题,设计了一种新的基于视频交通图像的潮汐车道自适应控制系统。通过局域网实现两台工控机间的独立运行,给出系统结构。介绍了控制逻辑,通过视频交通图像获取车辆平均速度、交通流量等数据。以计算交通饱和度,选择道路双向饱和度的加权切换动态控制方式对潮汐车道进行自适应控制。按照车道交通状态中两个方向的饱和度,把潮汐车道交通状态划分成五种情况,通过枚举法对模型进行求解。依据潮汐车道交通特征,把全部车道配置看作解空间,把双向车道交通饱和度与流率看作输入量,实现模型求解。实验结果表明,所设计系统综合延误低,车辆排队长度少,在中高密度交通流下也可有效实现控制。     

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.     

基于道路特征信息的视觉车道模型研究

为有效进行道路设计评价以及分析道路环境影响驾驶员行为的机理,提出一个视觉车道模型,用于描述驾驶员眼中的道路特征信息. 视觉车道模型基于Catmull-Rom样条曲线建立,在CAD平台下自主开发了视觉车道模型软件,能自动进行设计道路视觉图像拟合;经大量实验分析表明,该模型能拟合任意形状的道路线形,并提取相关参数. 对视觉车道模型与道路三维几何信息的关系进行统计分析,是进行道路设计一致性评价的基础.