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。     

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.     

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。     

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。     

结构化道路车道线识别的一种改进算法

基于机器视觉高速智能车辆,提出了一种改进的道路识别算法. 通过实车采集的图像进行灰度化、中值滤波、边缘增强、最优阈值二值化,获得良好的二值化图像. 根据道路特征采用一种改进的Hough变换识别出边界. 在预处理和检测时都使用感兴趣区域(AOI),减少了图像处理时间,提高了道路识别的可靠性. 实车实验表明,该算法具有良好的实时性、可靠性和鲁棒性.     

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.     

一种自适应干扰能量检测算法

干扰能量检测是干扰抑制处理的基础,普通的能量检测算法性能容易受到背景噪声不确定性的影响.提出一种自适应干扰能量检测算法,该算法基于频域干扰抑制算法模型,通过背景噪声估计设定信号处理门限,自适应地调整校标值.仿真结果表明,该算法能够消除背景噪声不确定性对干扰检测性能的影响,窄带干扰的检测性能远好于普通能量检测算法.     

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%.     

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。     

一种新的自适应镜头边界检测算法

针对镜头边界检测中存在的检测效果和检测阈值依赖人工经验的问题,提出了一种新的自适应镜头边界检测算法.该算法以视频帧窗口中亮度帧差到帧差均值的距离作为切变检测特征,根据该距离值的变化程度自动选取切变最优化阈值;以视频帧序列中的颜色帧差为渐变检测特征,对该帧差进行数量级量化,直接利用量化结果判定渐变,实现了镜头检测的自适应.实验结果表明,该算法对切变的查准率和查全率分别为96.74%和97.41%,对渐变的查准率和查全率分别为92.34%和89.67%,对于不同类型的视频检测效果稳定.     

一种自适应R波检测算法实现

提出了一种检测心电信号中R波的方法.该方法首先采用多通道滤波器和小波变换对ECG信号去除噪声,然后使用自适应的差分阈值法检测ECG信号中的R波.该方法对传统差分阈值算法中存在漏检和多检情况具有自检功能.提供了相关实验结果,实验证明该方法准确率高 ,能实时处理ECG信号.     

一种改进的Canny边缘检测自适应算法

针对传统Canny算子在高斯平滑时,对图像边缘区域的影响,以及需要预先设定高低阈值的缺点,本文作者提出了一种新的Canny边缘检测自适应算法.首先,该算法根据高斯滤波原理和特征统计分析的方法来自适应地选择滤波函数、滤波窗口;然后,对梯度的求解采取增强中间像素影响力的方法来提高边缘检测的精度;最后,结合非最大抑制后的梯度幅值图和阈值分割的差分理念,提出了一种新的自适应算法来选择高低阈值.实验结果表明,该方法能够得到较好的边缘检测效果.