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。     

基于改进SegNet算法的车道线检测方法

无人驾驶车辆在结构化道路中需要通过车道线判断自身位置,为提高其检测的实时性与准确性,本文提出一种利用改进SegNet网络算法与连通域约束相结合的方法实现车道线检测识别。将对称的SegNet网络算法改为非对称结构对车道线作逐像素提取：利用卷积与池化提取车道线特征,摒弃传统的车道线聚类过程,利用二值化图像结合连通域约束与关联对车道特征点进行分类,最后对相同类别的车道特征点进行车道线拟合。该算法在香港中文大学的 CULane 数据集和图森未来的TuSimple数据集上进行了训练与测试,该算法对车道分割准确、实时处理能力优秀,检测识别效果优于传统SegNet网络算法,其平均检测精度为 94.60%,每帧检测耗时提升53毫秒。     

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。     

基于特征点提取的弯道识别算法研究

针对高速公路弯道处事故率高的特点,研究了一种基于特征点提取的高速公路弯道识别方法,以降低弯道处交通事故发生率。采用Hough变换求出车道线直线方程,根据高速公路的特点建立适当的道路模型,确定对应直线段上的最低点和最高点;分别比较直线段两侧白色像素点的个数判断出曲线道路的弯曲方向,从而进一步确定曲线段上的特征点,同时对车道线候选特征点进行滤波;分段拟合车道线的直线段和曲线段,实现车道线的二维重建。实验表明,能识别不同形状的车道线,具有很高的实时性和准确性,且在不同道路干扰下对连续型分道线和虚线型分道线的检测都有良好的识别效果。     

基于特征点提取的弯道识别算法研究

针对高速公路弯道处事故率高的特点,研究了一种基于特征点提取的高速公路弯道识别方法,以降低弯道处交通事故发生率。采用Hough变换求出车道线直线方程,根据高速公路的特点建立适当的道路模型,确定对应直线段上的最低点和最高点;分别比较直线段两侧白色像素点的个数判断出曲线道路的弯曲方向,从而进一步确定曲线段上的特征点,同时对车道线候选特征点进行滤波;分段拟合车道线的直线段和曲线段,实现车道线的二维重建。实验表明,能识别不同形状的车道线,具有很高的实时性和准确性,且在不同道路干扰下对连续型分道线和虚线型分道线的检测都有良好的识别效果。     

一种新型车辆偏离车道预警系统的研究

文章针对使用预处理对图像进行二值化的传统道路识别方法时,丢失大量有效的信息和识别效果差,介绍了一种新型车辆偏离车道预警系统。该系统利用灰度图像提取道路边界的灰度和梯度信息,并构造基于小块统计的目标函数,去除复杂环境下的各种噪声并且识别出车道线,判断车辆是否偏离车道从而提供报警信息。该系统结构简单、实时性高,能显著提高车辆行驶的主动安全性,减少事故的发生。     

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。     

基于相关向量机和方向导数的车辆识别

由于图像匹配需预先组建庞大的图片库以及图像识别对灰度梯度的严重依赖性,提出利用相关向量机和灰度的方向导数对车辆进行识别。针对不同车道数将背图像作为图片库的基元,对图片进行编码;对采集到的图像进行车道线提取,确搜索域;并进行相应的网格划分,依据灰度均值确网格的属性标签,从而建立图片的特征向量,将原图与模板特征向量的2范数作为表征指标,并利用相关向量机对车辆进行分类,从而对车辆进行位;对提取的车辆区域灰度进行函数拟合,通过求解函数极值确车辆的中心区域,并建立相应的搜索方向,将满足双阈值的像素点作为最终的轮廓边缘,从而实现对车辆轮廓边缘的细化。用大量真车试验图片对模型进行测试,结果表明:所建模型仅需有限的图片库,搜素量小,识别耗费时间短,准确率高;模型对图像灰度梯度的依赖性小,且通过双阈值有效剔除伪轮廓点,细化车辆边缘。     

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%.     

车道偏离预警图像处理滞后时间补偿

现有的车道偏离预警系统有着较长的图像处理时间,这使得图像采集时间点处的车道线与图像处理完成时间点处的车道线之间存在一定差异,从而影响系统的准确性和有效性。本文中提出了一种补偿图像处理滞后时间的方法。该方法利用一个基于二自由度车辆模型的状态观测器,将图像采集时间的的车道线转换为图像处理完成时间点处的车道线,以提高系统的准确性。最后利用carsim与matlab联合仿真来验证该方法的有效性。     

基于反向双目识别的驾驶员分心检测

为检测分心驾驶状态,研究了基于反向双目的驾驶状态检测方法。首先,根据Hough算法进行车道线检测和识别,计算车辆偏航率;同时采用多点透视算法对驾驶员头部姿态进行估计;然后建立基于高斯隶属度函数模糊判断规则,根据车辆偏航率与驾驶员头部姿态对驾驶员驾驶状态进行识别。最后,采用所建立的驾驶员驾驶状态识别模型,对车道保持、换道行驶及分心行驶三种不同驾驶状态进行测试。结果表明,建立的驾驶员驾驶状态识别模型对上述三种状态检测准确率分别为99.0%、86.7%、80.8%。     

基于轨迹数据的高速公路养护维修作业区车辆换道特性研究

为了确保高速公路养护维修作业区人车安全、科学制定交通组织和管控措施,基于无人机航拍行车风险区域内高质量交通流视频,提取车辆运行轨迹数据以研究车辆换道特性.为克服将开启转向灯作为车辆换道起始点的不合理之处,提出根据车辆运行轨迹线与车道线之间的几何关系确定车辆换道起始点、结束点的方法;提出利用行车风险区各车道换道频数、频率热力图描述换道起始点空间分布的方法;建立二次回归模型,刻画分车道的车辆换道长度与换道起始点的关系.研究结果表明:封闭车道上的车辆需要全部换道,可通行车道上部分车辆也存在换道行为,且距封闭车道越近受影响越大,车辆换道率越高;各车道车辆换道行为存在横向延迟扩散现象,距离封闭车道越远的可通行车道上车辆换道频率高的区域出现越晚;随着换道起始点越来越靠近工作区,行车风险区域内车辆换道长度呈下降趋势,并且距封闭车道越远的可通行车道上车辆换道长度下降越明显.     

基于改进暗通道算法的雾天车辆偏离预警研究

针对在雾天工况下仅凭常规车道线识别方法无法准确提取车道线这一现状,给出了一种基于改进暗通道算法的雾天车道线识别算法.首先利用基于双边滤波器的暗通道算法对雾天工况下的图片进行去雾并对去雾图像进行亮度修正;然后利用Sobel算子和大津法得到包含清晰道路边缘的二值化图像;最后利用Hough变换对车道线精确提取.实验表明:该算法能够在雾天工况下对车道线进行准确、快速地识别;与常规算法相比,该算法具有更高的准确性和实时性,对于提高雾天车辆主动安全性具有较大意义.     

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。     

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.     

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Hu不变矩的路面交通标识识别

复杂环境下路面交通标识识别是车辆安全辅助驾驶、车辆自主导航等领域的重要研究内容.针对路面交通标识特征,采用一种控制点快速获取方法得到场景透视投影中的变换矩阵,进而在场景重建基础上利用Hough直线检测方法建立当前车道线的区域模型,在该区域内采用最大化一维信息熵方法分割出交通标识,利用Canny边缘检测算子检测其边缘特征,最后通过改进的Hu不变矩特征实现了路面交通标识的有效识别.实验结果表明,所提的方法对于复杂环境下的路面交通标识识别具有良好的可靠性和鲁棒性.     

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%。     

应用于换道预警系统的潜在危险目标辨识算法

针对换道预警系统中的潜在危险目标辨识问题,搭建了车辆运动状态监测试验车,获取了多名被试驾驶人在实际道路上的自然驾驶数据。采用车速与车身横摆角速度建立了道路曲率估算模型,选取车道线作为模型的参考对象,提出了基于车道线的车辆之间位置关系辨识模型,来确认换道预警系统的潜在危险目标。研究结果表明:曲率估算模型误差较大,计算曲率极值的相对误差达到了10.2%,但车辆之间车道关系辨识模型能够准确辨识出潜在危险目标,对其他车辆换道过程的横向越线时间计算精度优于0.1s;当曲率估算相对误差达到28.4%时,相对车道关系辨识算法依然能够准确识别出其他车辆所处的车道信息。