一种基于视觉的车道线检测与跟踪算法

提出了一种新颖的适用于自主驾驶系统的车道线检测与跟踪算法.该算法采用了广义曲线的车道线参数模型,能同时适应弯道和直道的检测.该检测算法最突出的贡献在于,没有仅仅使用单一方法求解各个参数,而是根据各参数的不同精度要求,分别使用自适应随机霍夫变换(ARHT)方法和禁忌搜索算法计算车道线模型中的各个参数,这样既准确计算车道线模型中的参数,也兼顾了车载系统的实时性要求.此外,为了提高算法的实时性,引入了多解析度的策略,以降低整个流程的时耗.最后,为了满足自主驾驶系统对稳定性的需求,还提出了一种基于粒子滤波器的跟踪算法.通过不同场景下进行的实验,充分表明提出的车道线检测与跟踪算法具有良好的鲁棒性和实时性,同时对不同的光照条件也有较好的适应性.     

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。     

一种基于卷积神经网络的快速车道检测算法

车道线检测在辅助驾驶和自动驾驶中有着非常重要的作用和意义,它是保证辅助驾驶和自动驾驶行车安全的重要前提条件.目前,由于卷积神经网络(CNN)具备权值共享的特点,因此减少了训练参数,CNN可以自动学习并提取特征,在图像分割和识别等领域被广泛应用.该文利用车道检测的特点,将经典的CNN中的对称卷积核改进为非对称卷积核(AK...     

一种改进快速Hough变换的车道线检测算法

目的研究智能交通系统中车道线快速检测算法。方法首先将车道线图像灰度化,采用中值滤波去除图像噪声;然后用索贝尔算子将灰度图像二值化处理;再次,根据车道线图像的特点并且结合霍夫变换的需求,设置感兴趣区域;最后,在感兴趣区域内用霍夫变换提取车道线,用最小二乘法进行直线拟合,舍弃干扰虚假线,并对多段车道线图像进行检测。结果与结论相对于经典霍夫变换算法,基于改进快速霍夫变换的车道线检测算法运算时间更短,而且使算法的鲁棒性得到了很大提高。     

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.     

基于车道线识别和多特征的前车检测算法

前车检测是安全辅助驾驶系统的主要研究领域,实时鲁棒的检测方法能够使智能车实现有效的防偏防撞预警和控制。提出了一种基于车道线识别和多特征的前车检测方法。首先基于车道线识别方法将感兴趣区域定位于两条车道线之间,然后依据车底阴影特征自适应确定中远距离车辆假设区域,最后利用纹理特征、垂直梯度投影均值和边缘对称性特征三层约束来验证车辆区域。实验结果表明:该方法能够实时准确地检测出不同光照条件下本车车道前方中远距离的车辆。     

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.     

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．     

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.     

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.