基于特征融合的视觉导航智能车辆的车道识别

为兼顾车道识别的实时性和鲁棒性,有序融合了图像中车道线边缘、边缘方向、车道宽度和边缘灰度等特征信息。同时,在识别第1帧车道图像时对整帧图像进行处理;在识别后续各帧车道图像时,根据上一帧图像的识别结果确定动态约束区,并在约束区域内完成识别。实车道路试验结果表明,通过有序融合各种特征信息和合理设置动态约束区能有效识别路面车道线,且车道跟踪具有较好的精确性和可靠性。     

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。     

动态可变车道优化算法研究

当交通量具有方向不对称性且道路通行能力不足时,可变车道可以使道路双向通行能力动态适应交通需求,以减小交通拥挤.通过把剩余车道安排到通行能力相对受限制的行驶方向,可变车道应用在全世界的很多拥挤干道、桥梁和隧道上.研究可变车道的交通效率问题,并开发了车道最优分配原则使道路系统适应一天内交通需求的不对称性.通过建立一个最优化模型,确立了设计动态可变车道的步骤,以提高交通网络的总体通行能力,并降低系统总体行程时间.     

基于语义分割与道路结构的车道线检测方法

车道线的准确检测对于智能辅助驾驶和车道偏离预警系统的性能有着非常重要的作用,当前的传统研究方法普遍存在对复杂道路环境的适应性不够,检测精度有待提高等问题。针对复杂交通环境的车道线检测问题,充分考虑到复杂道路结构的语义信息,提出了1种基于语义分割与道路结构的车道线检测方法。该算法采用Encoder-Decoder的基础网络结构模式,通过改进实现语义分割,利用池化层的索引功能,以反池化的方式进行上采样,在每个上采样之后连接多个卷积层。然后再使用标准交叉熵损失函数训练分割网络,利用深度学习方法得到排除外部环境干扰的道路分割图像,并对分割后的道路图像进行透视变换,采用Hough变换和边缘点的参数空间投票,快速提取和修正车道线左右边缘点,将提取的边缘点进行贝塞尔曲线拟合,实现车道线的平滑显示。提出的算法在相关车道线数据集上进行了训练和测试,与基于参数空间投票方法相比,准确度提升5.1%,时间平均增加了8 ms;与卷积神经网络（convolutional neural networks,CNN）方法相比,准确度降低了1.75%,时间平均减少了6.2 ms。测试结果表明,利用提出的语义分割编解码网络...     

基于神经网络与最小二乘法的车道线检测算法研究

为提高车道线的检测精度和识别率,在构建新的道路模型基础上提出了一种基于BP神经网络与最小二乘法曲线模型的车道线检测算法。该算法运用具有方向性的线检测器对道路图像进行边缘检测,提取出道路边缘点;接着利用BP神经网络估计新的道路模型参数确定模型函数;根据新道路模型函数的上凸性,以函数最大值为分界点,分界点左侧为左车道线,右侧为右车道线,从而完成对左右车道线的检测;最后利用最小二乘法实现左右车道线重构。实验结果表明,所提出的算法的检测精度达到92.8%,适合多种道路状况下的车道线检测,具有较好的鲁棒性。     

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。     

基于优化最大类间方差法阈值分割与滑动窗口法的车道偏离预警

为了改善因传统边缘算子在车道线特征提取时鲁棒性差、传统霍夫变换弯道拟合能力较弱导致车道偏离预警率降低的问题，提出了一种基于优化最大类间方差法（OTSU算法）阈值分割与滑动窗口法的车道偏离预警方法。首先，使用遗传退火算法优化求解OTSU算法的最优阈值并调用整体嵌套边缘检测（HED）模型获取车道线边缘特征，将感兴趣区域转换成鸟瞰图形式；然后，使用滑动窗口法将车道线切分并逐个对窗口内的车道像素点进行二阶多项式拟合；最后，根据车辆与车道线的相对位置关系进行车道偏离预警以及弯道预警。试验结果表明，该方法的综合路况预警准确率为95.92%，检测速率可达34 ms/帧。     

山区高速公路组合线形路段车道偏移行为

为在道路设计阶段确定平纵组合与相邻路段线形对车道偏离的影响,并为减少因道路线形因素引发的侧碰、追尾甚至车辆驶出路外事故提供改善依据,基于真实的山区高速公路道路设计参数及周边地形,搭建驾驶模拟场景,利用驾驶模拟试验获取小客车车道偏离数据,并对应获取车辆当前所在路段及上、下游路段的线形参数。以车辆车道内行驶为参照,沿道路行进方向,将车道偏离行为分为左偏驶离车道与右偏驶离车道。因车道偏离受驾驶人影响,采用双层Logit模型,分别判定道路线形及驾驶人层的影响。研究结果表明：相比直线路段,曲线更易引发车道偏离行为,驾驶人易偏向于曲线内侧行驶;上游300 m路段曲率差越大、平均车速越大,则车道偏离的概率增大;相对于缓坡（-2%≤坡度S≤2%）,行驶于上坡（S>2%）或下坡（S<2%）路段时,车辆车道偏离概率减小;车辆行驶于外侧车道的左偏驶离车道概率大于行驶于内侧车道;驾驶人因素对左偏驶离车道的影响比例为8.8%,对右偏驶离车道的影响比例为25.6%。研究结论可从组合线形角度帮助工程师设计更安全的山区高速公路。     

动态可变车道在路网通行能力优化中的应用

为利用可变车道增加交通高峰和紧急疏散时道路的通行能力,提出了动态车道反转的技术框架,以实现车道方向快速反转以适应动态交通流变化。建立了动态可变车道交通通行能力分析模型,分析了路段、交叉口和路网的通行能力。提出了整数线性规划和双层规划模型,以最大限度地通过可变车道提高路网的通行能力。结果表明:采用整数线性规划模型和主动式的可变车道管理策略,将使路网通行效率提高72%;采用双层规划模型模拟道路网络更能反映实际的交通运行状态。     

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。     

道路整体模型视相关简化方法研究

为了实现道路景观的实时三维可视化,针对道路整体模型提出了基于边数据结构的视相关动态简化的过程和方法,给出了基于边折叠建立操作层次树的方法,介绍了涉及视锥、背离面方向和屏幕投影误差的视相关准则原理,实现了道路整体模型的视相关动态简化和细化。实践证明:该方法能在保证道路整体模型具有较好视觉效果的前提下,大大降低模型的复杂度,从而达到道路景观实时可视化的要求。     

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。     

基于视觉特性的驾驶人预瞄时间建模

针对固定时长的预瞄时间无法真实反映驾驶人预瞄行为的问题,首先对自由流条件下的驾驶人视觉特性进行研究,得到直行路段驾驶人注视点多分布在车道中央、弯道路段驾驶人注视点多分布在内侧边缘线附近且视线近似与内侧边缘线相切的结论;在此基础上,探究直行和弯道路段驾驶人预瞄时间的求解方法,并借助驾驶模拟器进行试验,获得了17位驾驶人的预瞄时间。由于预瞄时间的原始数据分布离散程度高,难以直观地体现其随道路线形的变化规律,因而对预瞄时间随道路线形的分布特征进行研究,利用分组求中位数的方法进行数据处理,最终构建预瞄时间关于道路线形的分段线性函数和非线性指数函数。最后,通过数值仿真研究不同类型的预瞄时间（固定时长的预瞄时间、分段线性函数预瞄时间及指数函数预瞄时间）对人-车-路闭环系统动力学特性的影响。研究结果表明：驾驶人预瞄特性会对车辆的轨迹跟随和车道保持绩效产生重要影响;在闭环系统中使用随道路线形变化的预瞄时间可以显著提高车辆的轨迹跟随绩效,确保车辆在指定车道内行驶;驾驶人对道路环境的感知具有自适应性,通过其视觉特性可准确感知环境变化,并据此调整决策目标及其操纵特性。     

基于改进Hough变换的车道线检测

针对车道线检测中存在的诸多问题,在道路图像预处理的基础上,对Canny算子中的双阈值选取进行改进,能够自适应精确提取车道线边缘特征,并利用带极角约束的Hough变换完成直线检测。算法能够在不同道路环境中准确检测车道线标识,降低光照等因素对车道线检测结果的影响。     

基于视觉及TLC概念的车辆跑偏检测方法研究

利用车载CCD摄像机获取道路图像,采用Sobel边缘检测技术获得含有道路边缘信息的图像,运用Hough直线检测原理检测出左右车道线.根据摄像机在车辆上的安装位置和俯仰角,建立图像坐标到世界坐标的变换关系,提取前轮外沿离最近车道线的距离;再应用国际通用的方法,根据车速估算出从当前时刻到前轮外沿触碰车道线的时间(TLC)并据此发出跑偏告警.以换道模拟跑偏驾驶的试验表明此方法可行、有效.