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。     

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.     

基于时间和空间融合的车道偏离预警模型

针对车辆偏离时间和车辆横向位置决策模型精确度不足的问题,基于车辆动力学原理,建立车辆运行模型,分析车辆从当前位置到接触车道边缘为止所需要的最小时间和车辆中心距离车道中心线的距离,建立基于时间和空间融合的车道偏离预警模型;运用Carsim软件对所建模型进行仿真验证,并将所建模型与TLC、DLC两种典型的预警模型的预警结果进行对比,结果表明,本文提出的预警模型可有效针对车道偏离进行预警,误差率在4%之内,精度较高。     

基于分段切换模型的点集优化车道线识别方法

针对车辆的横向运动偏差及相关安全监控技术存在缺陷的问题,提出一种基于分段切换模型的点集优化车道线识别方法。首先建立稳定可靠的分段切换车道线模型,然后利用单目视觉和毫米波雷达的传感器组合对车辆进行识别,筛选掉干扰车道线识别的无效候选点,如果缺少有效的识别点,则利用卡尔曼滤波和车道线等宽条件进行有效点的补充。实验证明,该方法能够准确有效的识别车道线,对于减少车辆行驶过程中安全事故的发生具有重要意义。     

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。     

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.     

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。     

基于全局与局部模型相互制约及具有模型不确定性评估的车道线检测方法

针对无人驾驶车辆,提出了一种新的基于全局与局部模型相互制约及具有模型不确定性评估的车道线检测方法.该方法基于车道线的全局与局部模型,通过它们之间的相互制约与影响,有效地实现了视觉测量噪声的过滤与全局信息的获取.进一步利用对检测结果或全局模型的不确定性程度进行评估,不仅可稳定可靠地检测到车道线,而且还可为多源异构传感器之间的信息融合提供基础支撑.面向高速公路进行了大量的真实道路实验.实验结果表明,利用所提方法获得的预瞄点,其平均侧向偏差小于0.3 m,平均角度偏差小于0.03°,能够满足无人驾驶车辆在高速公路上进行自主行驶的需要.     

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.     

考虑驾驶人换道意图的车道偏离预警系统

 为降低基于机器视觉车道偏离预警系统的误警率,提出一种考虑驾驶人换道意图的车道偏离预警系统。运用SteerableFilter 方法对所采集的道路图像信息进行滤波,运用局部搜索区域法提取车道线参数,运用基于图像信息的识别方法检测车辆的车速、转向信号、车道偏离状态以及驾驶人的头部动作状态,判断驾驶人的换道意图,建立了车道偏离预警的决策算法及系统。应用Matlab 软件对实车采集得到的视频进行算法验证和系统仿真试验,结果表明,提出的车道偏离预警决策算法是可行的,该预警系统将有意识与无意识的车道偏离区分开,从而能有效屏蔽在驾驶人有意识偏离车道时的误报警,具有更高的可靠性。     

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。     

基于立体视觉的道路自动检测算法

在智能驾驶系统中,道路边界及道路参数的自动检测是最为关键的问题,也是安全行驶的基本保证.传统的检测方法与单目视觉检测都存在检测精度不高,鲁棒性不够等问题.提出了一种基于立体视觉的道路检测算法,消除了对道路的一般性假设,对三维道路状态能进行快速有效地检测与跟踪,保证行驶的安全性.     

一种基于光照无关图的车道检测方法

针对无人车辆道路检测时,特征提取易受光照变化和阴影影响的问题,提出一种基于光照无关图的车道检测方法.使用最小熵值法离线求取图像的光照无关角,对图像每个像素点在对数色度空间向光照无关方向投影得到光照无关灰度图;利用Canny算子提取光照无关图边缘,在边缘图上寻找线段基元以减弱细小边缘的干扰;使用改进投票空间的Hough变换检测直线,采用分段线性道路模型描述道路边界.实验表明,该算法能够有效减弱阴影和光照变化造成的影响,准确识别道路边界,满足实时性要求.     

基于Adaboost的行道线检测

行道线检测是主动安全和视觉导航技术中的一个重要研究课题.在总结前人检测算法的基础上,设计了基于Adaboost算法的行道线检测方法.Adaboost算法作为一种新型的机器学习算法,可以在比随机预测略好的弱分类器基础上构建高精度的强分类器.该算法简单可靠、学习效率高,较好地解决了实时检测系统中速度和精度的矛盾.实验结果表明该方法有较好的检测效果.     

换道辅助系统中基于可调向滤波器的车道线分类检测

车道线识别与分类是车辆换道辅助系统(LCAS)中的一项关键研究内容,其中如何对不同类型车道线准确分类是一类难点问题。提出一种基于可调向滤波器的车道线识别方法;并提出基于时空窗口灰度特性统计的虚、实车道线分类方法。首先对YCbCr色彩空间中的路面信息进行窗口采样,通过建立灰度高斯分布模型提取路面区域。在此区域内设计可调向滤波器进行车道线边缘滤波;并通过梯度方向直方图对滤波器方向角θ进行初始化。提出一种灰度累加策略以降低由光照变化引起的车道线区域灰度漂移,根据车道线Hough直线模型设置动态车道线ROI,最终建立基于时间窗口内ROI灰度均值统计的虚、实车道线分类。高速公路实验证明:虚、实车道线分类准确率分别达到88.5%和90.3%,算法在克服路面环境与白天光照的干扰方面具有鲁棒性。研究对优化换道预警策略、提升LCAS的安全性与智能化水平具有理论意义。     

基于Adaboost的行道线检测

行道线检测是主动安全和视觉导航技术中的一个重要研究课题．在总结前人检测算法的基础上，设计了基于Adaboost算法的行道线检测方法．Adaboost算法作为一种新型的机器学习算法，可以在比随机预测略好的弱分类器基础上构建高精度的强分类器．该算法简单可靠、学习效率高，较好地解决了实时检测系统中速度和精度的矛盾．实验结果表明该方法有较好的检测效果．