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。     

车辆识别技术

针对目前车辆识别难度大且辨识结果受光照强度、亮度以及天气影响较大等问题,文中提出一种利用车道线对称性识别车辆的方法。该方法通过对采集的图像进行PDE去噪,在充分保留图像纹理特征的前提下,依据灰度值梯度变化率精确确定车道线位置,再根据车道线对称性锁定车道区域,缩小搜索范围,进而准确地对周围车辆进行识别。试验结果表明,该方法能够对后方50m盲区内车辆进行准确识别,且受光照条件影响小。     

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。     

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。     

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。     

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。     

基于熵最大化图像分割的直线型车道标识识别及跟踪方法

为了解决在道路路面材料不一致或光照不均匀情况下的车道标识线的识别和跟踪问题,提出一种基于熵最大化的图像分割可变形模板的车道标识线识别及跟踪方法.该方法结合了图像变窗口处理技术和基于熵最大化分割方法来实现对道路图像的理想分割,然后利用可变形模板匹配方法得到车道标识线参数,最后采用建立梯形感兴趣区域的方法实现对车道标识线的实时跟踪.试验结果表明：该方法具有很好的可靠性、鲁棒性和实时性.     

基于边缘分布及特征聚类的车道标记线检测

提出一种基于边缘分布和特征聚类的车道标记线检测方法。首先采用可变窗口计算车道标记线局部灰度阈值,结合图像梯度提取出有效边缘。然后按照不同工况下车道标记线的边缘分布特性,提取特征点。最后对特征点进行聚类处理,将离散的特征点归类为不同的直线段。测试结果表明,该方法可取得较高的车道线识别率,有效排除误识别,准确表示车道线方向信息。     

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.     

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。     

弯曲路径识别中感兴趣区设定方法的研究

在路径识别中设置搜索感兴趣区以提高弯曲道路边界的识别实时性。用抛物线模型拟合弯曲道路边界,根据道路边界位置不会发生突变的特性,在识别出的道路抛物线模型上选取有代表性的3个点,针对每个点建立预测模型,应用Kalman滤波理论准确预测道路边界的位置,并据此设置搜索感兴趣区。依照合理的目标函数,在感兴趣区范围内搜索并确定抛物线参数,从而将搜索范围较为准确地限定在较小区域,能够有效提高识别的实时性。试验验证该方法在大大提高识别实时性的同时,增强了识别的精确性和鲁棒性。     

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。