基于最大相关准则图像分割的结构化道路路径识别和跟踪算法

为提高基于视觉导航的智能车辆对结构化道路车道标识线的识别和跟踪精度,同时消除车流、阴影和光照不均匀等不利因素的影响,提出一种基于最大相关准则的图像分割算法及基于感兴趣区域的车道标识线跟踪算法:首先,对图像进行滤波和光线补偿等前期处理,采用最大相关准则的图像分割算法对道路图像进行阈值分割;然后,根据车道的结构特征及先验知识提取车道标识线的特征点,并运用最小二乘法对特征点拟合,得到车道模型的参数;最后,通过建立感兴趣区域(ROI)的方法实现对车道标识线的准确跟踪。试验结果表明,该算法具有很好的准确性、实时性和鲁棒性。     

不同光照条件下直线型车道标识识别方法研究

为了解决不同光照条件下车道标识的识别，提出一种基于双标准可调模板关联技术的车道标识识别方法。该方法首先根据光照的变化采用不同的预处理技术对图像进行处理，然后利用基于统计的方法得到车道的初始化标识线，最后在以该书初始化标识线为尽准建立的感兴趣区域内利用双标准可调模板关联技术对初始化标识线进行矫正从而得到可靠的车道标识线参数。     

基于IPM和边缘图像过滤的多干扰车道线检测

在基于视觉的自动驾驶环境感知中，路面阴影、雨水、污渍和反光会对车道线识别和车辆导航造成干扰，针对此问题提出了一种基于逆投影映射（IPM）和边缘图像过滤的改进车道线识别方法。通过逆投影方法可以得到原始道路图像的鸟瞰图像，很大程度上增强了车道线的视觉特性并减少了干扰。同时提出迭代聚类分割方法对IPM图像中的灰度值进行分析，并保留与车道线颜色和形态特征最为接近的灰度点作为车道线边缘。随后提出一种搜索统计边缘图像中连续边缘区域的方法，通过分析边缘点并保留最长区域实现过滤道路干扰因素的目的。最后将该算法与其他常用车道线检测算法进行对比。研究结果表明：该方法可以更好地过滤路面各种干扰因素，有效增强干扰环境下识别模糊车道线、实车道线、虚车道线、弯车道线的能力，大幅提高了自动驾驶环境中的车道保持能力，并且由于该方法相比其他方法能够更加有效地去除路面干扰区域，因此识别车道线的速度得到大幅提高，可以满足自动驾驶对于实时性的要求。     

基于机器视觉的智能车辆前方道路边界及车道标识识别方法综述

为了全面了解国内外在基于机器视觉的智能车辆前方道路边界及车道标识识别领域的研究进展，文章介绍了近年来一些典型的基于机器视觉的道路边界及车道标识识别系统，对基于机器视觉的前方道路边界及车道标识识别方法进行了分类，对各大类方法中采用的不同技术进行了阐述，然后对基于机器视觉与其他传感器融合的识别方法进行了总结，最后就该领域的研究难点及发展趋势进行了简要论述。     

车辆辅助驾驶系统中的三车道检测算法

本文中提出了一种基于车道线特征的三车道检测算法。首先,在车道线预提取过程中对道路消失线以下部分的整个车道图像进行模糊化和边缘检测,并根据边缘点位置和方向角对消失点进行定位,同时基于消失点位置提取直线并结合车道模型对构成三车道的直线进行筛选和补充。接着在车道跟踪阶段,根据前一帧图像检测出的直线和消失点位置,对车道图像局部区域分别进行边缘点、直线的跟踪检测,并对消失点位置进行重定位。最后,对车道参数进行寻优以计算车道线曲率和车道宽度。试验结果表明,提出的边缘检测算法能有效检测模糊车道线边缘并抑制噪声,消失点和直线的检测方法耗时少且准确性高。在直线检测的基础上进行车道模型匹配能提高车道识别实时性,算法在车道线模糊、雨天、大雾和大曲率等环境下均具有较好的适应性。     

基于视觉传感器的ADAS纵向行驶工况识别方法研究

汽车先进驾驶辅助系统在应用时要根据不同的车辆行驶工况对车辆进行相应的控制,而准确的车辆行驶工况识别信号是合理的控制策略的基础.为了得到准确的车辆行驶工况识别信号,利用视觉传感器分别对车辆跟踪定位,以及车道线检测技术进行了研究.利用adaboost分类器检测出前方车辆;应用文中提出的基于坐标映射与定比分线并能够抵抗俯仰角干扰的测距方法进行车辆定位,验证结果显示该测距方法误差小于1m;再应用改进后的基于置信度判断与Kalman滤波技术的车道线跟踪检测方法进行车道线检测,并通过实车道路试验对此进行了验证,验证结果显示该车道线检测方法误差小于1°.提出1种基于PreScan的将所应用的车辆跟踪测距与车道线跟踪检测方法相结合的方法,用以实现汽车ADAS纵向行驶工况的识别,并通过PreScan仿真场景验证了该工况识别方法,结果表明该方法能够为ADAS提供准确的工况识别信号.      

基于道路特征的车道线识别算法分析及平台搭建

基于当前智能驾驶背景下道路特征模型的车道线识别现状,对应用于智能汽车的图像预处理中的灰度化处理算法、滤波处理算法和感兴趣区域提取技术分别进行对比分析,研究不同的图像预处理方法在车道线识别算法的应用适用性。对车道线实时提取算法中的边缘检测技术原理、道路特征条件转化算法进行综合运用分析,搭建基于道路特征的车道线识别算法模型,经过在Visual Studio平台验证,算法模型满足智能驾驶汽车车道线识别要求。     

存在车辆干扰的车道线识别

为避免道路上行驶的其它车辆对车道线识别的干扰,提出了一种结合车辆识别的车道线识别方法。融合雷达数据,车辆识别模块首先在图像中识别出车辆占据的区域;对于每一个车道线识别模块挑出的车道线候选点进行判断,去除处于车辆区域的车道线点;如果有效车道线点数目不足,则利用卡尔曼滤波的跟踪结果,确定符合最小风险函数的车道线位置。经过多种工况下的试验验证,该方法能够稳定地对车道线进行识别,准确地提取车道线参数,并且算法对车辆干扰有良好的抵抗能力。     

车道线识别中的自适应Canny边缘检测及改进研究

针对Canny边缘检测阈值在车道线识别中不易选取的问题,提出了基于Otsu算法实现自适应Canny边缘检测的方法。实验验证表明,其对远视野道路图像可以获得良好的边缘检测效果,而对近视野道路图像效果较差。进一步提出了目标区域补偿策略改进上述算法。结合Hough变换算法,实现了车道线的识别。实验结果表明,改进的算法可以达到实时获取车道线的要求。     

基于成像模型的车道线检测与跟踪方法

针对结构化道路上存在非车道线标记干扰的情况,提出一种基于成像模型的线扫描车道线检测及跟踪方法。检测算法中首先对路面图像进行形态学高帽变换预处理,然后建立前方道路图像的成像模型,将图像坐标系中车道参数和世界坐标系中实际车道参数对应,对图像进行初扫描,利用边缘贡献函数及RANSAC算法选取最确定线后,以此线为标准进行二次扫描,得到边缘点后统计边缘贡献函数局部最大值并拟合成直线车道线。跟踪算法中运用Kalman滤波器预测车道线区域,并提取符合标准的控制点拟合成模型为B样条的车道线。试验结果表明:该方法能够快速准确地在复杂环境中提取多个车道线,尤其对存在非车道线道路标记干扰的情况有显著效果。     

基于中介理论的车道线识别方法研究

以中介真值程度的数值化度量为基础,利用单个像素点的真值度,设计了新的图像去噪滤波算法。与经典算法相比,新算法具有较好的视觉效果。通过研究道路图像车道线的特点,采用中介距离比率函数来衡量像素点间相似程度,并设计了相应的图像边缘检测算法。与传统的道路图像边缘检测算法相比,新方法边缘增强效果显著。最后,基于道路直线模型,采用Hough变换实现了车道线的识别。     

基于边界点分布特征的夜间道路检测算法研究

提出一种在结构化道路情况下的夜间道路标志线检测算法。选择邻域均值滤波、Sobel算子和最大熵分割算法对道路图像进行预处理。结合道路灰度图像与道路边界图像,分析夜间道路边界点的分布特征,将道路边界点划分为到4个点集。针对虚假道路边界点,应用多方向搜索方法予以消除。选用2D的直线模型,采用改进的Hough变换从预处理后的图像中获取道路几何特征参数,最终检测出道路边界。试验结果表明本算法可靠、有效,户外试验中具有很好的鲁棒性。     

基于单目视觉的区域交通智能车辆道路边界检测方法研究

基于单目视觉的道路边界检测由于其在车辆辅助驾驶系统中的重要应用价值成为当前计算机视觉和智能车辆领域最为活跃的研究课题之一。指出图像边缘检测现有算法的不足,采用领域平均法对图像进行平滑处理,根据图像的边缘特征运用Prewitt算子实现边缘增强,以获取精确的边缘信息。使用最大熵算法分割二值化图像进一步减少噪声,从而得到良好的道路特征图像数据。利用道路约束条件,建立视觉系统动态感兴趣区域(DAOI),运用改进的Hough变换最终识别道路边界。试验结果表明:本文所述算法不仅能准确、实时检测出道路板边界,而且能有效地抑制噪声,为区域交通智能车辆的换道和超车提供研究基础。     

基于模糊集理论的车道标志线精确检测

为了解决复杂路面条件下车道标志线的检测问题,提出了一种基于模糊集理论的车道标志线精确检测方法.采用阈值分割、腐蚀、边缘检测等技术对交通图像进行处理;通过Hough变换粗略提取位于各车道标志线及其附近的所有亮点像素作为待分类的像素点,构成样本集;按照模糊聚类分析准则得到直线的斜率和截距,实现车道标志线的精确检测.实验证明了该方法的精确性和有效性.     

线形空间几何突变对曲线路段车道偏移的影响

为了探讨道路线形变化对侧碰、刮擦等侧向安全事故的影响，以三维空间线形的曲率和挠率作为公路线形几何特征描述参数，以车道偏移量作为侧向行车安全的表征指标，剖析了线形在空间层面发生的几何突变对车道偏离的影响。在山区高速公路开展实车试验，采用侧向行车视频记录连续的车道偏移，进行图像距离与实际距离的标定，并通过图像识别技术自动读取连续的车道偏移曲线，从中获取最大车道偏移作为分析变量。采用单因素方差分析方法，对新手驾驶人和熟练驾驶人在线形空间几何特征不同的曲线路段所表现的最大车道偏移结果展开统计分析和检验。分析结果表明：当空间曲率突变超过一定的临界值时，空间曲率突变与最大车道偏移显著正相关；挠率突变对车道偏移产生的影响主要取决于线形扭转的方向，当线形扭转方向与路拱横坡反向时，会明显加剧最大车道偏移；而线形扭转方向与路拱横坡同向时，会降低最大车道偏移但降低效果不明显；熟练驾驶人的最大车道偏移小于新手驾驶人，这种现象在空间曲率突变较大和挠率突变不利的路段尤为明显。研究结论可为公路线形安全性评价、线形设计优化和路侧安全改善提供参考。     

识别驾驶人意图的车道偏离防避有界控制

为了防止车辆偏离车道导致交通事故的发生和避免车道偏离防避系统（Lane Departure Avoidance Systems,LDAS）对驾驶人行为不必要的干预,提出基于中心区操纵特性阈值法和基于D-S（Dempster-Shafer）证据理论的车辆偏离车道驾驶人意图识别准则,并运用CarSim/Simulink联合仿真对比2种识别准则的有效性。建立转向盘角速度为输入的车路模型,设计LDAS滑模转向控制器,基于预瞄点的侧向偏移量和横摆角速度设计LDAS的期望横摆角速度观测器,并与基于道路曲率和预瞄点侧向偏移量的期望横摆角速度的LDAS进行性能对比。运用相平面法确定保证LDAS车辆稳定性的前轮转向角最大值,并基于CarSim/LabVIEW RT硬件在环试验平台验证基于BP神经网络训练获得D-S证据理论的初始概率赋值的驾驶人意图决策算法的有效性。结果表明：所提出的识别准则能够及时识别车辆偏离车道时的驾驶人意图,为LDAS控制器介入赢得了宝贵的时间,所设计的期望横摆角速度观测器具有很好的稳定性,所提出的方法能够有效避免车辆偏离车道。