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。     

车辆自适应车道偏离识别算法研究

针对车辆在行驶时由于车道线检测方法单一,导致对直道线和弯道线检测效果不一致,从而影响车道偏离识别效果的问题,基于摄像头采集到的图像信息,提出了1种自适应车道偏离识别算法。该算法对车辆在直道行驶时采用偏离判断基准线法,而在弯道行驶时采用基于触线时间阈值法,分别对行驶状态进行车道偏离判断,该算法既保证了计算速度,又保证了结果的准确性。为了验证所提出方法的有效性,采用仿真的方法,使用车道偏离识别算法获取的数据,通过比例-积分-微分(PID)算法对车辆行驶状态进行控制,得到车辆在预期车道内的行驶状况,以此证明了所提出的车道偏离识别算法的有效性。     

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。     

一种基于卡方统计的弯道识别算法

提出了一种基于卡方统计的弯道识别算法。该算法从机器视觉出发,对图像传感器采集的道路图像进行预处理,包括感兴趣区域(Region of Interest,ROI)划分、高斯滤波和边缘检测,筛选满足车道边缘特征的像素点,并提取车道线中点。再设置动态的感兴趣区域,得到两边车道像素点中心位置与车道线中心线的关联性概率函数,最后利用关联性概率函数和对称性来识别弯道。试验结果表明卡方统计能有效识别弯道和和弯道方向,满足汽车辅助驾驶系统识别的实时性和准确性。     

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。     

智能驾驶汽车视觉图像处理技术

环境感知系统是智能驾驶电动汽车智能驾驶系统中不可或缺的一部分,相关的视觉图像处理技术是基于视觉的环境感知系统的核心组成部分,是国内外学者关注的热点。在现有车道线识别算法的基础上,本文提出了一种更完善的检测算法。通过逆透视投影变换转换坐标,对输入图像应用双边滤波、大律法二值化、形态学处理等前处理过程,消减噪声;最后使用Canny算子进行边缘检测,并利用Hough变换识别直线,对结果进行筛选。实验证明车道线识别算法能在不同环境下成功地识别出车道线,该算法有着较好的实时性和鲁棒性。     

基于小波分解的车道偏离预警算法研究

针对当前车道偏离预警系统成本高且精度较低等问题,提出基于小波分解的车道偏离预警算法。该算法利用车载CCD实时采集路面图像信息,运用小波分析对图像进行去噪和二值化处理,利用车道线对称性精确识别车道线,通过判定车道中心线所在位置辨识自车是否偏离车道。试验结果表明该算法能对主车的偏离进行准确识别,识别精度达到95.4%。     

基于融合分割和变尺度窗口的车道线距离检测

在车辆安全和驾驶行为相关研究中，车道线距离参数是重要的基础参数。针对传统机器视觉测量方法存在的标定过程复杂、测试成本高且移植性能差等问题，提出一种针对车侧摄像机图像的低成本车道线距离检测方法。首先，构建了一种融合局部Otsu算法与光照样条补偿算法的车道线区域分割方法，可在车道线磨损、复杂光照变化、车道线中断等场景中对车道线区域进行精确分割；其次，针对车道线边缘特征复杂多变的情况，设计了一种变尺度窗口算法来完成车道线边缘检测并可补全残损车道线；最后，采用多项式标定方法建立了车道线距离检测算法，实现了车道线距离的自动化快速检测。验证结果表明：在正常场景和多种复杂特殊场景下，所提出的检测算法平均检测误差为0.4 cm,平均检测速率达到30帧·s^-1,整体上优于目前其他技术方案。该方法在检测成本和可移植性方面具有显著优势，可为相关研究领域的技术人员提供新的解决思路。     

基于CMOS摄像头的高速路车道识别系统的研究

提出了一种车道识别系统。介绍了由CMOS摄像头和DSP图像处理模块构成的车道识别系统的硬件结构及其工作原理,阐述并分析了一种改进霍夫变换的车道识别算法。最后,通过对在全天候条件下的高速路实验数据分析进一步验证了该系统的可行性。     

车道检测中感兴趣区域选择及自适应阈值分割

针对间断线型或因污迹掩盖、磨损导致的车道标线不连续等情况,在基于前帧图像检测结果设置感兴趣区域的车道标线跟踪算法基础上,通过区域对比度分析并结合自适应大津算法,建立了车道标线有效检测区域的筛选及其自适应阈值图像分割算法。多种典型车道线型下的图像检测试验表明,算法在保持良好实时性的同时,也体现出对不连续车道线型处或破损等因素的鲁棒性和自适应性。     

基于直接线性变换的车道偏离预警系统

为了提高车道偏离预警系统的检测精度及其便利性,提出了一种在感应区域内建立搜索窗口的车道识别算法,并利用数字图像处理及分析技术对所获道路图像进行滤波、增强及边缘识别处理,然后通过直接线性变换法将所获取的车道边缘信号的像素坐标转换为道路二维物方坐标,最后根据所获车道线坐标及汽车预设坐标显现汽车行驶状态,继而联系汽车驾驶状况,达到对汽车行驶状态的监控和对车道偏离的预警功能,具有良好的发展前景。     

一种基于语义分割结果的车道线检测拟合方法

车道线等地面标志物的检测是自动驾驶车辆环境感知的重要内容,能够为车辆提供可行驶区域的信息。文章提出一种基于语义分割结果的车道线检测拟合方法。使用车载单目相机获取车辆行驶过程中采集的道路图像,送入卷积神经网络进行车道线语义分割。将分割得到的仅含车道线的二值图像进行透视变换得到鸟瞰图,筛选有效车道线像素点,对有效车道线点使用最小二乘法进行多项式拟合,输出左右车道线多项式拟合系数,能够有效解决传统车道线检测算法的环境适应性差,鲁棒性不强,对弯道车道线检测信息不够准确等问题。     

基于计算机视觉的单目摄影纵向车距测量系统研究

基于计算机视觉的车道检测和前方障碍物检测技术,并与纵向车距模型相结合,提出一种测量车距的新方法。依据摄影几何投影变换,从图像平面重建出道路平面图而进行车道检测,解决图像中远方车道过于细小、难以检测的缺点,尤其是算法对常见的虚线车道特别有效,在试验中取得满意的效果。     

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。     

基于结构化道路的车道线检测研究

针对智能驾驶系统中车道线检测易受车道标记清晰度、光照能见度及道路环境复杂度等影响而导致车道线检测率不高的问题,提出一种特征结合的多阈值过滤车道线检测算法。即对图像进行梯度阈值过滤,再与颜色信息阈值过滤后的图像相结合,最后用改进Hough变换检测车道线。实验结果表明,本算法在存在阴影遮挡、路面出现泛白等因素下仍可以准确提取道路线信息,检测率平均高达93.89%,基本满足要求。     

基于滑动窗搜索算法在车道线检测方面的改进

车道线检测在自动驾驶和智能交通系统中扮演着至关重要的角色,它直接关联到这些系统的安全性和有效性。尽管传统的车道线检测算法,如基于边缘提取的方法,已被广泛应用,但它们存在一些局限性。[1]特别是在复杂的道路环境中,这些方法常常难以准确识别车道线,从而影响整体系统的性能。针对这一挑战,本文提出了一种新的车道线待选点提取方法,该方法基于Sobel算子和Hsv颜色空间模型,并结合霍夫变换,形成了一种综合的三模型方法。Sobel算子在边缘检测方面表现优异,能够有效识别车道线的形状和边界;Hsv颜色空间模型则有助于处理在复杂光照和天气条件下的车道线识别;霍夫变换则能在边缘信息的基础上进行直线的检测和确认。这三种方法的结合不仅弥补了单一方法的不足,还大大提升了车道线检测的准确性和鲁棒性。     

联合图像处理和目标约束的车道线检测方法

针对车道线检测存在检测精度不够高、多峰值检测、受噪声干扰严重的问题,设计了道路图像前处理算法和目标约束(Target Constraint Range,TCR)算法结合的新型车道线检测算法。对灰度化的图像进行改进的中值滤波除噪,再基于最大类方差法,用Canny算法提取车道线边缘。结合前处理算法,TCR算法通过目标区域划分和极角极径法来缩小检测范围,且运用算子[1 0-1]和[-1 0 1]对车道左右双线分别进行边缘叠加处理来提高霍夫变换法(HoughTransform)的检测精度,在新的TCR下进行车道线跟踪,解决了车道线检测偏离问题,搭建了汽车试验平台和软件平台。试验结果表明,检测算法在直道和弯道行驶下的检测准确率分别为93.8%和91.6%,且能排除弱光照和强光照干扰。     

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。