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。     

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。     

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CCD参数智能调节的车道线检测

在分析传统Hough变换优缺点后,提出一种基于CCD参数智能调节的车道线检测方法。通过建立图像特征区域,调节CCD的亮度、增益和曝光时间等参数,增强车道线与周围道路的对比度,减少路面噪声;在此基础上提出改进的Hough变换算法,对整幅图像进行种子点的选取与归类,再对每组种子点进行Hough变换,最后通过一定的角度约束提取车辆当前运行车道线。道路试验验证了该方法的有效性、实时性和准确性。     

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。     

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。     

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。     

基于单目视觉的车道边缘检测及中心线提取算法研究

车道线检测是无人车环境感知模块的重要组成部分。为实现对智能小车循迹过程中的精准控制,文章提出了一种新的车道中心线的提取算法。首先对图像进行处理,根据光照条件不同进行分类,之后用霍夫变换特征提取方法来检测车道线;根据图像中车道线的几何关系以非拟合的方式得到正确的车道中心线。所提出的方法在规定地图中可以完成完整的车道保持,尤其在弯道中保持良好。实践证明,该智能小车的车道中心线提取准确、稳定、计算速度快。     

高速公路相机自动标定及道路坐标系构建

为解决高速公路场景下利用视频监控系统正确描述车辆相对于道路的空间位置问题，通过引入Frenet坐标系概念，提出一种基于相机自动标定的道路坐标系模型。在相机自动标定阶段，利用线分段拟合方法从曲线车辆轨迹中提取平行于直线路段的轨迹点，并通过级联霍夫变换精确估计道路方向的消失点。然后,根据多车辆三维模型约束，对相机参数进行迭代优化。基于标定结果，将车辆轨迹映射到世界坐标系平面上，并用3次样条插值进行拟合。根据大量运动车辆在道路平面内形成的轨迹域分布特征，综合边界约束估计道路中心点。最后，结合道路中心线在各点处的法线向量与车道宽度信息确定平移量，并利用点平移运动拟合车道线，实现道路坐标系的自动建立。使用真实高速公路视频数据，在多种道路条件下进行试验。研究结果表明:在标定阶段，构建方法对不同高速公路场景的最大标定误差不超过11.55%;与最新的方法相比，直线道路平均标定误差分别降低6.68%和3.58%，弯曲道路平均标定误差分别降低7.43%和2.61%;在道路坐标系构建阶段，构建方法的平均投影距离为0.077 m，接近最新方法的0.069 5 m；而其平均精度为0.916，显著优于最新方法的0.663；所提道路坐标系能够自适应道路形态的变化，有效解决了从监控视频中描述车辆与道路之间相对位置关系的问题。     

面向多元场景结合GLNet的车道线检测算法

各种复杂环境下路面车道线的高效精确检测是自动驾驶领域中车道偏离预警系统的关键性技术之一。由于车辆实际运行环境的复杂性和路面车道线的多样性，现有方法在车道线检测的准确性和鲁棒性上仍需不断增强。提出一种面向多元场景结合GLNet的车道线检测算法。首先采用改进Gamma校正对待检测路面图像预处理，消减光照不均匀、夜晚等环境干扰，增强车道线纹理。然后为增强数据集的多样性，在LaneNet网络的基础上引入对抗生成网络DCGAN，构建GLNet网络模型。该模型采用编码-解码的网络结构提取车道线特征（车道蒙板和像素点），通过DBSCAN聚类算法将不同车道线划分为不同的实体，使用H-Net网络学习的视觉转换矩阵优化并拟合输出车道线。最后基于已训练好的GLNet权重模型对车道线进行精确提取，并在Tusimple数据集和自制数据集上测试验证。试验结果表明：该方法的检测准确率可达97.4%，相较于基于LaneNet网络的车道线检测算法明显提高；DCGAN网络的加入丰富了数据集类型，并提高了该模型的表征及分类能力；DBSCAN聚类算法的平均聚类时间约为0.016 s，相较于Meanshift算法运行效率更高。所提出的方法考虑了不规范、环境复杂等多种道路类型的车道线检测任务，提升了对复杂噪声与多元场景的处理能力，在车辆辅助驾驶领域具有较好的鲁棒性和适用性。     

基于Logit模型的城市道路交通事件检测仿真

以Logit模型为基础,利用效用函数与概率的概念,建立分时段的城市道路交通事件检测算法。由PARAMICS软件产生模拟交通流数据,将数据输入LIMDEP软件并标定效用函数的系数,同时还输出最大概率预测表。仿真试验结果表明:(1)基于Logit模型的检测算法不仅能够用于城市道路的事件检测,还可判断事件发生所在的车道。(2)在路段长度、车道数、流量相等的模拟条件下,交叉口信号超过仿真所设定的1 min时段长度时,检测效果降低。若将模型时段长度由1 min提高至超过最大信号周期,即可解决检测效果降低的问题。     

大型营运客车在高速公路的换道安全性辨识

为了给大型营运客车换道预警系统设计提供参考,采用毫米波雷达、激光雷达、车道线识别传感器、GPS、视频监控系统以及控制器局域网（CAN）总线数据采集仪等设备,基于小型乘用车搭建浮动车采集平台。通过在试验线路上进行1.5×10⁴ km的驾驶试验,获取1 200余次营运客车的真实换道数据。以Jula提出的换道安全性模型为基础,结合营运客车的换道行为特征,通过分析换道进程结束后客车需要与周围车辆保持的安全距离,建立适合于营运客车的3类换道安全性识别模型（客车与自车道前方车辆、目标车道前方车辆、目标车道后方车辆）,并利用真实数据对3类模型进行验证。研究结果表明：客车换道持续时间均值为10.4 s,换道起始时刻与目标车道后方车辆的距离为10.0~40.0 m;所有换道样本中,73.3%的换道过程中客车速度要高于目标车道后方车辆,且超过90%的换道过程是由前方慢车引起;不同的速度区间下,车速和航向角联合变化情况下,驾驶人控制营运客车的横向偏移速度保持稳定,可认为客车驾驶人的心理预期换道进程存在固定经验模式,这与小型车换道的研究结论存在较大差异,传统的TTC预警算法识别率较低,在不同速度区间情况下,所提出的模型对客车与自车道前方车辆、目标车道前方车辆、目标车道后方车辆的换道安全识别评价准确率均超过了90%。     

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。     

Robust lane markings detection and road geometry computation

Detection of lane markings based on a camera sensor can be a low-cost solution to lane departure and curve-over-speed warnings. A number of methods and implementations have been reported in the literature. However, reliable detection is still an issue because of cast shadows, worn and occluded markings, variable ambient lighting conditions, for example. We focus on increasing detection reliability in two ways. First, we employed an image feature other than the commonly used edges: ridges, which we claim addresses this problem better. Second, we adapted RANSAC, a generic robust estimation method, to fit a parametric model of a pair of lane lines to the image features, based on both ridgeness and ridge orientation. In addition, the model was fitted for the left and right lane lines simultaneously to enforce a consistent result. Four measures of interest for driver assistance applications were directly computed from the fitted parametric model at each frame: lane width, lane curvature, and vehicle yaw angle and lateral offset with regard the lane medial axis. We qualitatively assessed our method in video sequences captured on several road types and under very different lighting conditions. We also quantitatively assessed it on synthetic but realistic video sequences for which road geometry and vehicle trajectory ground truth are known.     

用于车道识别的分段切换车道模型

为了使得车道模型既能准确地描述车道形状,又不影响车道识别算法的实时性,提出了一种分段切换车道模型。对近视场区域使用直线模型匹配车道线,对远视场区域则在直线模型和二次曲线模型之间进行切换,以适应有曲率和无曲率道路的识别要求。试验表明,使用分段切换车道模型的车道识别算法能够很好地匹配各种形状道路,并能满足实时性要求。     

公交与右转混合型专用道仿真分析及效益评价

为解决设置公交专用道所带来的道路资源利用率低，相邻车道交通压力增大，专用道分时段开启致使社会车辆行驶混乱等问题，基于车种分离思想，提出一种公交车辆与右转车辆混合专用道的组织方式，允许公交车辆与右转社会车辆共用一条车道，以寻求保持公交优先与减少对社会车辆影响的平衡点。为论证该方案的可行性，首先，针对所研究的道路环境，提出了基于流量生成模型与配时优化模型的车道组仿真流程；随后，在考虑红灯时右转车辆行驶特性的前提下，建立了人均延误和车均延误的双指标评价矩阵模型；最后，分别在MATLAB和VISSIM仿真平台上，实现了对传统车道组、公交与右转混合型专用道车道组和公交专用道车道组3种方案的效益评价，并对其中的关键影响因素进行分析。仿真结果表明：所提出的公交与右转混合型专用道车道组的总体车均延误与人均延误在大多情况下处于较低水平，而公交专用道车道组和普通车道组也具有各自的优势区域；公交与右转混合型专用道的车道组织方式可以在保证社会车辆延误不明显增加的情况下，有效确保公交车辆的优先性，在一定条件下具有适用性，在工程实践中可作为公交专用道的过渡或替代方案。