共查询到20条相似文献,搜索用时 31 毫秒
1.
2.
3.
基于驾驶人动视觉特性以及视觉错觉特性,综合现有驾驶员视觉的相关特性以及目前的减速标线研究现状和有关规程、规范,在此基础上设计了一种改进优化的视错觉控速标线,通过UC-win/Road软件和模拟驾驶对驾驶人开展了室内仿真驾驶,对减速效果进行评价。新型视错觉标线可以对驾驶人造成车速增加和车道变窄的错觉,控速效果较好。 相似文献
4.
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。 相似文献
5.
6.
7.
8.
公路弯道是道路交通事故频发路段,尤其是在冰雪环境下,车辆事故数是非冰雪天气环境下的14倍。在死亡交通事故致因中,车辆超速和速度不当约占1/3,因此合理控制速度是保障公路弯道处行车安全的重要途径之一。而驾驶员的操作行为主要由获取的视觉信息决定,视觉是驾驶员重要的速度感知源。为了减少冰雪天气环境下公路弯道处的事故发生率,从驾驶员视觉信息角度出发,通过视错觉减速标线的合理设置,提高驾驶员的速度感知能力,达到控速的目的。基于视错觉减速标线作用机理和恒定闪现频率,对标线的颜色、宽度、形状3个设计参数进行正交组合,挑选出具有代表性的9种参数组合方案。采用3ds Max建立仿真试验环境,将驾驶员感知加速率作为指标对不同组合标线的减速效果进行了量化分析,并对试验数据进行了方差分析。结果表明:在冰雪弯道施划减速标线可使驾驶员产生感知车速偏高的错觉,且纵向宽度为0.1 m的绿色梳齿形减速标线具有相对较好的减速效果;在显著水平α=0.01的条件下,减速标线的颜色、宽度及形状对驾驶员的车速感知均具有显著影响,且影响程度由大到小依次为颜色因子形状因子宽度因子。 相似文献
9.
10.
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。 相似文献
11.
基于成像模型的车道线检测与跟踪方法 总被引:1,自引:0,他引:1
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。 相似文献
12.
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。 相似文献
13.
车辆辅助驾驶系统中的三车道检测算法 总被引:1,自引:0,他引:1
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。 相似文献
14.
15.
16.
17.
18.
19.
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... 相似文献