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。     

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%。     

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。     

一种融合分割和消失点提取的车道线检测方法

针对路面干扰时车道线检测鲁棒性差和消失点检测误差大的问题,提出了一种基于融合分割和消失点提取的车道线检测方法.对获取视频帧图像进行灰度化和高斯滤波处理之后,利用Canny边缘检测算法对图像进行边缘提取.以边缘点最多的一行作为上界划分预处理图像的动态感兴趣区域(ROI),结合大津算法(OTSU)分割出预处理图像的车道线背景,提取车道线信息.采用直线段检测(LSD)算法对ROI区域内车道线标志进行提取,并结合改进的消失点检测方法快速提取车道线.实验结果表明:所提出的方法对多场景下离线照片的平均正检率为97.16％,识别速度为34 ms/帧,能够很好地对多场景下车道线进行快速检测.     

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.     

基于改进的暗通道先验去雾辅助导航算法

经典的去雾算法无法满足车道线检测的实时性和准确性要求,因此提出一种改进暗通道与边缘检测融合的雾天车道线识别算法。首先对有雾图像进行对比度增强处理,突出边缘、颜色等有效信息,基于道路先验信息对图像进行感兴趣区域处理,利用暗通道先验算法对静态约束图像进行去雾操作,并通过双边滤波器细化透射率图,得到清晰的去雾图像;然后引入动态约束理念,提取车道线可能存在的区域,借助Sobel算子检测动态约束后的车道线区域,提取车道线边缘点;最后利用Hough变换进行准确的车道线拟合。实验表明,改进的去雾算法得到的图像清晰度与对比度更高,满足了车道线检测的准确性与实时性要求;去雾及车道线检测算法平均处理时间为297. 305 ms,满足无人驾驶时间要求。     

一种基于无人机影像的高精地图车道线检测与提取方法

高精度地图是实现自动驾驶技术必不可少的基础设施,车道线是高精度地图车道级路网的重要组成部分。以往高精度地图的车道线检测多基于车载摄像头数据,存在成像范围有限、需要透视变换和多次拼接造成的效率问题。基于无人机航拍影像,采用U-Net网络识别道路区域,过滤非道路区域噪声,通过HSL颜色变换和Sobel算子分别计算车道线颜色和边缘梯度特征,使用Otsu算法自动确定特征分割阈值获得二值化车道线特征图,通过局部最大值算法确定滑动窗口的初始位置,最后借助滑动窗口算法和多项式检测拟合车道线。实验结果表明,在保证一定检测精度的前提下,单条车道线检测长度超过了百米,道路检测效率达到25.2 m/s,对比于地面影像的检测算法具有明显的效率优势。     

针对车辆与行人检测的ROI自适应分割算法

在基于图像的车辆与行人检测中,针对固定比例/区域的感兴趣区域(Region of Interest, ROI)图像分割适应性低之问题,提出基于消失点和车辆高度的ROI自适应分割算法：首先,利用车道消失点得出道路位置,避免分割区域浪费;其次,综合车辆实际高度和检测距离计算图像上车辆高度,定位ROI边界,减少车辆及行人目标的不完整分割;最后,循环利用当前帧的车道消失点及其推导的实时俯仰角更新下一帧ROI,实时适应不断变化的路面坡度及车身俯仰姿态。实验表明,该算法计算简单,适应性强,满足不同情况下快速精确的ROI分割要求,提高后续目标检测的实时性和准确性。