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%。     

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。     

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。     

基于视觉传感器的ADAS纵向行驶工况识别方法研究

汽车先进驾驶辅助系统在应用时要根据不同的车辆行驶工况对车辆进行相应的控制,而准确的车辆行驶工况识别信号是合理的控制策略的基础.为了得到准确的车辆行驶工况识别信号,利用视觉传感器分别对车辆跟踪定位,以及车道线检测技术进行了研究.利用adaboost分类器检测出前方车辆;应用文中提出的基于坐标映射与定比分线并能够抵抗俯仰角干扰的测距方法进行车辆定位,验证结果显示该测距方法误差小于1m;再应用改进后的基于置信度判断与Kalman滤波技术的车道线跟踪检测方法进行车道线检测,并通过实车道路试验对此进行了验证,验证结果显示该车道线检测方法误差小于1°.提出1种基于PreScan的将所应用的车辆跟踪测距与车道线跟踪检测方法相结合的方法,用以实现汽车ADAS纵向行驶工况的识别,并通过PreScan仿真场景验证了该工况识别方法,结果表明该方法能够为ADAS提供准确的工况识别信号.      

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。     

基于同态滤波的车道线检测技术

由于路面在夜晚受灯光照射的影响,传统的车道线的检测算法常常会出现车道线检测不准确的现象。针对这种情况,文中提出基于同态滤波的车道线检测方法。首先对原始图像的光照均匀度进行判断,然后通过同态滤波器去除灯光照射不均匀的影响,接着使用Hough变换得到车道线的参数。试验结果表明,该方法通过一系列的变换和处理后,能够很好地消除路面灯光照射的影响,清晰准确地识别出道路标识线,具有很好的准确性、鲁棒性和可靠性,同时对不同的光照条件也有较强的适应性。     

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。     

1种基于平行直线对模型的车道检测方法

针对智能车辆安全辅助驾驶系统中利用单目视觉进行车道识别的问题,提出了1种基于平行直线对模型的车道检测方法。该方法根据高速公路图像特征构建平行直线对模型,在此基础上先利用 Hough变换提取直线,再由改进的级联 Hough变换检测出平行直线对的消失点,最后通过消失点和先验信息来提取当前车道线。使用M atlab对高速公路上不同路段、不同光照情况、不同车辆干扰下共150幅道路图像进行实验,检测精度达88.6%,平均检测时间为0.24 s。实验结果表明,这一方法在高速公路行驶环境下能较准确地检测出当前车道线,具有很好的光照适应性、抗车辆干扰性和一定的实时性。      

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。     

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。     

桥梁动态称重系统在板桥中的应用研究

桥梁动态称重(Bridge Weigh-in-motion:BWIM)系统是以桥梁为载体来识别过桥车辆的轴重及总重量。目前商用BWIM系统均利用桥梁跨中弯矩影响线作为参考来识别过桥车辆轴重。因此,获得更为符合桥梁实际边界条件的影响线对于提高车辆轴重识别精度具有重要意义。基于一跨径13 m的简支板桥的现场试验,利用最小二乘原理,通过标定车作用下桥梁跨中截面的动态响应信号来标定实际桥梁结构影响线。然后采用Moses算法,依据标定的影响线,对过桥车辆进行了轴重识别。计算结果表明:对于多车道板桥,每个车道的实际影响线有一定差别,而影响线的选取直接影响轴重识别的精度,所以需对每个车道进行影响线标定,然后基于车辆经过该车道所得到的影响线来反算过桥车辆轴重。     

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。     

基于图像的车道线内车辆目标识别

为了获取本车道内前方车辆信息,文章提出一种基于HOG特征与SVM模型的车辆识别方法。根据检测出的车道线确定搜索区域,结合车底阴影特征实施车辆的检测并确定车辆可能存在的假想区域,针对假想区域进行HOG特征提取,构建车辆正、负样本库,将假想区域进行HOG特征输入到训练好的SVM识别器,实现车辆目标的识别。通过大量测试图像进行验证,结果表明文章采用的方法可识别出本车道内前方车辆目标。     

基于单目视觉的智能车车道线识别算法

针对传统车道检测和识别算法存在的问题,如操作复杂、处理速度慢,鲁棒性不足等问题,提出了一种新的快速车道识别算法。预处理摄像机拍摄的道路图像,并对三种二值化算法进行图像模拟实验,改进了传统的边缘检测Canny算法,并将Hough变换用于车道线识别。仿真实验表明:该算法达到了快捷准确的识别效果。     

基于换道起点和终点混合搜索算法的轨迹与行为特征研究

在交通流理论中的车辆换道特征研究领域,基于高精度交通流数据的车辆换道过程搜索算法是准确有效发挥高精度交通流数据价值的关键。依托NGSIM项目的高精度交通流数据,提出了基于车辆横向位移与速度的换道起点和终点混合搜索算法,并通过可视化对比进一步验证了该算法与已有算法在准确度上的优越性。对新算法所得的车辆换道过程进行了交通流特征参数分析,研究结果表明:以往研究低估了车辆实际换道持续时间;车辆换道持续时间受道路路段车流饱和度的影响;根据算法将车辆换道过程分前中后三段,前段持续时间和后段持续时间相对稳定;以车道线为界,车辆在跨越车道线前后的纵向位移之比大于1,且受道路路段车流饱和度影响。     

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.     

公开道路车道线真值测试评价方法研究

随着L2级ADAS功能的普及,车辆需要识别车道线来进行横向控制。公开道路测试是智能驾驶车辆测试“三支柱”的最后环节,通过公开道路测试的方法来验证车道线的识别效果必不可少。本文就当前公开道路车道线测试方法的欠缺,提出多传感器数据层及特征层融合的方案,利用车道线摄像头辅助激光雷达的方案做为车道线测试冗余的真值系统,并提出相应的数据分析指标,最后通过实车测试验证了该方案的有效性。     

车辆前方行驶环境识别技术探讨

基于雷达和视觉技术对车辆前方行驶环境识别,进而判断车辆安全状态和实现纵向横行运动状态警示和控制,其是实现汽车安全辅助驾驶的主要技术途径。介绍车辆前方行驶环境识别涉及到的雷达和视觉的一些技术,其中包括雷达种类和适用场合,雷达检测障碍物的算法,车用图像的性能要求,基于图像特征和模型的车道线识别的方法,利用图像实现其他环境信息识别的方法。     

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。