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有助于优化模型结构,在满足实时检测要求的基础上降低了对计算硬件资源的需求。     

复杂光照环境的车道线检测方法

为了解决高速公路和城市道路上复杂天气环境下车道线检测的问题,提出一种复杂光照环境的车道线检测方法。该方法通过自动调节复杂光照环境下图像的对比度特征,从而更好地提取道路上的车道线,实现黑暗及雾天环境下的车道线检测。通过实验验证,该方法在黑暗环境下车道线检测识别率为96.7%,雾天环境下的车道线检测识别率为95.2%,具有较好的算法鲁棒性、准确性和实时性。     

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。     

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。     

基于深度学习的快速车道线检测方法

针对目前基于深度学习的车道线检测方法普遍存在的实时性较差的问题,文章中提出了一种高效的车道线检测方法 LaneBezierNet。该方法从前置摄像头获取图像后,先使用数据增强技术对图像进行处理,然后通过贝塞尔曲线回归模型直接输出图像中每条车道线的贝塞尔曲线控制点坐标,结合贝塞尔曲线方程便可以得到车道线上的每个坐标点信息。实验结果表明,在Tusimple公开数据集上达到了92.89%的较高准确率的同时,每秒传输帧数（FPS）达到了116 bits/s。相较于基于图像分割的车道线检测方法,该方法在检测速度上有着明显提升。该算法在检测准确率未明显下降的前提下极大地提升了检测效率,更加符合实际项目需求。     

基于Canny算法的新型车道线检测率分析

新型车道线被认为是提升自动驾驶汽车环境感知能力的重要手段。现搭建了直道、弯道、交叉口的设施因素和晴天、雨天、夜间的天气因素耦合的9种道路交通场景,设置了全天候陶瓷微晶珠车道线和高对比度反光车道线两种典型的新型车道线,通过车载摄像头采集各道路交通场景下传统热熔型车道线和新型车道线图片,利用边缘检测Canny算法对图片进行检测与提取,并对比分析了Canny算法下新型车道线与传统车道线的检测率。结果表明,新型车道线的车道线检测率在9种道路交通场景下,相比传统热熔型车道线都有显著提升,晴天、雨天和夜间天气下分别提高24%、152%和145%。     

深度学习的车道线检测方法

随着人工智能技术的不断发展,无人驾驶技术已经成为当下社会发展的热门,车道线检测是无人驾驶技术的关键一环,但传统的基于视觉的车道线检测方法处理时间较长、过程繁琐、需要人为干预。基于深度学习的车道线检测可大大减少此类问题。文章设计了一个完成双任务的Enet网络,分别解决目标区域分割问题和不同车道区分问题,以实现端到端的检测。与主流车道线检测网络模型deeplab v3和YOLO v3进行对比。实验验证表明,网络模型的最终训练准确率为99.8%,相对于deeplab v3和YOLO v3网络分别提升1.2%和0.8%。     

一种基于视觉的车道线检测及追踪方法

文章以OpenCV软件为主要平台,基于机器视觉建立一种车道线的检测及跟踪方法.首先检测出图片中车道线区域,对每一帧图片做透视转换到鸟瞰图视角.然后对鸟瞰图二值化,进一步区分左右两条车道线.用滑动窗口的方法检测第一帧的车道线像素点,从第一帧的曲线周围寻找后面的车道线像素点,拟合车道线曲线.经实验证明该方法能够准确地检测出...     

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FPGA的车道线检测系统开发

车道线检测系统是车道偏离预警装置(LDW)的核心.本文基于Xlinx的Spatran6平台,开发了LDW产业化所需的车道线检测算法和现场可编程门阵列(FPGA)电路,并通过软硬件协同仿真验证了系统性能.测试结果表明,该系统进入跟踪模式后,常规路况下识别准确率达100％,实时处理速度不低于30帧/s,能够适应弯道、夜间等...     

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.     

基于实例分割的车道线检测算法

为实现在自动驾驶复杂场景下检测数量变化的车道线,提出一种基于实例分割的车道线检测算法。首先以ResNet18网络作为主干网络提取图像特征,采用特征金字塔网络进行特征融合。同时设计一种扩张卷积残差模块来提高检测的精度;然后基于车道线的位置进行实例分割,利用语义分割出的车道线点位置预测对应的聚类点位置,通过对聚类点采用DBSCAN聚类算法实现车道线实例区分。结果表明,该算法能够在复杂的自动驾驶场景下有效地进行多车道线检测,在CULane数据集和TuSimple数据集上的调和平均值分别达到75.2%和97.0%。     

联合图像处理和目标约束的车道线检测方法

针对车道线检测存在检测精度不够高、多峰值检测、受噪声干扰严重的问题,设计了道路图像前处理算法和目标约束(Target Constraint Range,TCR)算法结合的新型车道线检测算法。对灰度化的图像进行改进的中值滤波除噪,再基于最大类方差法,用Canny算法提取车道线边缘。结合前处理算法,TCR算法通过目标区域划分和极角极径法来缩小检测范围,且运用算子[1 0-1]和[-1 0 1]对车道左右双线分别进行边缘叠加处理来提高霍夫变换法(HoughTransform)的检测精度,在新的TCR下进行车道线跟踪,解决了车道线检测偏离问题,搭建了汽车试验平台和软件平台。试验结果表明,检测算法在直道和弯道行驶下的检测准确率分别为93.8%和91.6%,且能排除弱光照和强光照干扰。     

基于融合分割和变尺度窗口的车道线距离检测

在车辆安全和驾驶行为相关研究中,车道线距离参数是重要的基础参数。针对传统机器视觉测量方法存在的标定过程复杂、测试成本高且移植性能差等问题,提出一种针对车侧摄像机图像的低成本车道线距离检测方法。首先,构建了一种融合局部Otsu算法与光照样条补偿算法的车道线区域分割方法,可在车道线磨损、复杂光照变化、车道线中断等场景中对车道线区域进行精确分割;其次,针对车道线边缘特征复杂多变的情况,设计了一种变尺度窗口算法来完成车道线边缘检测并可补全残损车道线;最后,采用多项式标定方法建立了车道线距离检测算法,实现了车道线距离的自动化快速检测。验证结果表明：在正常场景和多种复杂特殊场景下,所提出的检测算法平均检测误差为0.4 cm,平均检测速率达到30帧·s^-1,整体上优于目前其他技术方案。该方法在检测成本和可移植性方面具有显著优势,可为相关研究领域的技术人员提供新的解决思路。     

基于改进RepVGG网络的车道线检测算法

为提高自动驾驶系统中车道线检测的速度和精度,提出了基于可解耦训练状态与推理状态的车道线检测算法。在结构重参数化VGG（RepVGG）主干网络中引入注意力机制压缩-激励（SE）模块,增强对重要车道线信息的特征提取;同时设计并行可分离的辅助分割分支,对局部特征进行建模以提高检测精度。采用行方向位置分类车道线检测方式,在主干网络后加入逐行检测分支,减小计算量的同时实现对遮挡或缺损车道线的检测;设计偏移补偿分支,在水平方向上细化局部范围内预测的车道线位置坐标,以恢复车道细节。通过结构重参数化方法解耦训练状态模型,将多分支模型等价转换为单路模型,以提高推理状态模型的速度和精度。对比解耦前后的模型,本研究算法速度提高81%,模型规模减小11%。利用车道线检测数据集CULane对算法进行测试,与目前基于深度残差神经网络的车道线检测模型中检测速度最快的UFAST18算法相比,其检测速度提高19%,模型规模减小12%,评价指标F1 -measure由68.4增长到70.2;本研究算法的检测速度是自注意力蒸馏（SAD）算法的4倍,空间卷积神经网络（SCNN）算法的40倍。通过城区实车实验测试,在拥挤、弯道、阴影等多种复杂场景下车道线检测结果准确稳定,常见场景下车道线漏检率在10%~20%之间。测试结果表明,结构重参数化方法有助于模型优化,提出的车道线检测算法能有效提高自动驾驶系统的车道线检测实时性和准确性。     

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。