基于结构化道路的车道线检测研究

针对智能驾驶系统中车道线检测易受车道标记清晰度、光照能见度及道路环境复杂度等影响而导致车道线检测率不高的问题,提出一种特征结合的多阈值过滤车道线检测算法。即对图像进行梯度阈值过滤,再与颜色信息阈值过滤后的图像相结合,最后用改进Hough变换检测车道线。实验结果表明,本算法在存在阴影遮挡、路面出现泛白等因素下仍可以准确提取道路线信息,检测率平均高达93.89%,基本满足要求。     

基于车载激光点云的道路平整度检测新方法研究

路面平整度是评定道路路面质量的主要技术指标之一,传统的平整度测量方法检测效率低、劳动强度大,难以满足道路快速巡检和公路养护的需求。移动测量系统能够快速动态获取高精度道路点云数据,能详细再现道路的细节特征。因此,本文通过分析车载点云的精度特点以及国际平整度IRI的计算方法,提出一种应用车载激光点云进行路面平整度检测的方法,首先对车载点云数据进行预处理,沿轮迹带方向提取路面点;然后采用等间距邻域均值采点的方式获取路面高程值;最后使用路面高程值进行IRI计算并与高精度水准数据计算的标定结果进行对比。实验结果表明,车载移动测量系统能够用于路面平整度的快速检测。为道路三维快速巡检和公路养护提供了技术支持。     

基于车载激光点云的道路标线提取方法研究

车载激光扫描近年来被广泛应用于道路环境信息提取及道路三维模型重建方面等工作,然而由于测量数据中包含目标种类繁多、点云数据量大,仍然需要大量的人工处理步骤以实现道路标线等目标的提取,已有研究所提出的自动化目标提取算法在实用性上仍不成熟。基于车载激光点云,利用标线点云的空间分布特点及反射强度信息,结合行车轨迹及标线的位置、高程特征,提出了一种能快速提取道路标线的方法。首先基于点云反射强度指标建立Logistic回归模型,以选取合适的阈值进行标线点分类。其次,利用行车轨迹及标线点的位置、高程特征建立圆柱体搜索区域,并且进行定步长迭代式的标线点搜索。最后,对搜索结果进行分段式最小二乘法拟合并将其转换为CAD三维多段线,从而得到道路标线提取结果。该方法中采用的Logistic回归模型兼顾了标线点的提取率和误判率两大指标,在保证足够提取率的同时,使得误判率尽量低。所提出的定步长迭代式的搜索方法具有极强的适应性,在标线不清晰甚至较大面积缺失的情况下也能准确地提取出道路标线。以Topcon公司生产的IP-S2移动测绘系统为例的试验结果表明:该算法能高效、稳定地提取道路标线、提取精度,以符合工程实践需要。     

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。     

基于实测点云数据的隧道分割及形变检测方法

为了解决隧道形变检测准确性低、分析不全面的问题,对隧道三维点云轴线提取、隧道影像生成及分割、隧道点云数据分割和隧道断面形变检测等方面进行研究。对于三维激光扫描仪获取到的隧道原始点云数据,首先基于设计轴线,对RANSAC算法进行改进,来拟合等间距隧道断面圆心,并采用基于最小二乘优化的3次B样条曲线拟合方法,获取隧道实测轴线;其次,通过从点云数据到影像的数据转换方法,生成隧道反射率影像,并进一步利用点云数据几何特征生成几何权重图,应用边界检测提取隧道影像中的边界线;然后,将边界线像素映射至隧道三维点云数据空间,实现隧道点云数据的分割;最后,设计一种精确的隧道断面形变分析方法,分析断面形变。试验表明:本算法可精确分割隧道点云数据,提高隧道断面形变检测的准确度和可靠性。     

多线索融合的结构化道路检测算法研究

为实现结构化道路的检测,提出了一种用于道路检测的激光雷达和视觉融合法,通过提取激光雷达在道路边缘的三维点云信息,将其投影到视觉图像上,形成激光点云与图像的映射关系,生成激光雷达似然图。通过改进提取道路的颜色、纹理、水平线等特征的方法,生成相对应的视觉似然图。在贝叶斯框架下将激光雷达和视觉生成的似然图进行融合。在KITTI数据集上测试可知,精度达到94%,准确率达到86%,表明该道路检测法具有较好的道路检测果。     

基于视觉的非结构化道路识别综述

非结构化道路识别在无人驾驶中是一个具有挑战性的问题,涉及到道路本身类型不固定、形状不规则、表面不平整和边界模糊等复杂性。为了全面了解基于视觉的非结构化道路识别方法和研究现状,通过文献综述分析了3种主要的道路识别方法,分别是基于道路特征、基于道路模型和基于机器学习的方法。同时,整理了当前常用的非结构化道路开源数据集。结果表明基于道路特征和基于道路模型的方法计算复杂度高且识别精度较低,基于机器学习的方法能够显著提升识别精度,但也存在数据需求量大、训练时间长和可解释性差等问题。     

基于激光雷达点云的道路几何信息提取与数字化建模研究

为实现快速、自动化的道路几何信息提取和数字化建模,基于激光雷达点云提出了一套从道路语义分割、几何线形提取到集成化建模的通用框架。首先,基于空间上下文特征基础框架,将局部特征的最大值和邻域均值进行聚合以作为局部特征,使用径向分布参数与三维坐标描述全局上下文特征,构建道路语义分割网络。其次,基于道路场景分割结果,通过体素降采样和半径滤波法减少点云数据量、去除离群点,并利用可变半径Alpha Shapes (VA-Shapes)算法提取道路边线,结合获取的边线横纵坐标,计算路段几何信息(路宽、纵坡、横坡等),使用inshape函数和插值法构建交叉口的数字高程模型。最后,采用Dynamo for Revit将道路几何信息导入并生成道路路线,通过Revit软件设计道路自适应族构件及不同类别基础设施族构件,实现精细化道路数字建模。利用开源数据集Semantic3D进行训练和测试,分析与评价道路几何信息提取效果。研究结果表明：所提出的算法总体准确度为95%,路面的单类交并比为97.9%,能够很好地实现道路点云场景的自动化语义分割;相比于传统的固定半径Alpha Shapes算法,VA-Shapes算...     

基于稀疏彩色点云的自动驾驶汽车3D目标检测方法

针对目前在自动驾驶汽车中,目标检测的点云分割与识别算法的准确率低等问题,提出一种稀疏彩色点云结构,该结构由摄像头采集的图像信息与激光雷达采集的点云信息进行空间匹配与特征叠加后生成.通过改进的PointPillars神经网络算法对融合后的彩色稀疏点云进行运算.实验结果表明,本方法在平均精度上比原算法有较大的提升,尤其是对...     

基于卷积神经网络的道路多目标检测方法

得益于数字图像处理技术快速的发展和计算机硬件性能的提高,基于机器学习和深度学习的图像处理技术,成为智能驾驶视觉感知的重要支撑.为了在实际道路环境中持续高效的检测道路目标,文章利用了YOLO神经网络作为主要检测框架.使用卷积神经网络可以同时捕捉到目标的底层和高层特征.物体的底层特征可以符合人的视觉感知特征和主观感受,确定...     

基于UG的车身点云数据快速对齐方法

根据图形坐标变化理论,提出了基于UG点拟合法的汽车车身点云数据坐标快速对齐方法,介绍了点拟合法的坐标变化理论及汽车车身坐标系与UG系统坐标系的对齐方法.结合工程实例,利用点拟合法快速准确地实现了车身点云数据的坐标对齐,验证了该方法的有效性.     

基于体素柱形的激光雷达点云车辆目标检测算法

环境车辆是自动驾驶汽车行驶时的主要障碍物之一,对环境车辆的尺寸、位置、朝向等空间信息进行感知对于保障行驶安全具有重要意义。激光雷达点云数据包含了场景中物体表面扫描点的三维坐标,是实现车辆目标检测任务的重要数据来源。结合SECOND与PointPillars方法,提出一种基于体素柱形的三维车辆目标检测模型,利用三维稀疏卷积聚合点云局部特征,在体素特征图上构造柱形并进行特征编码,有效解决点柱形方法缺乏柱形间特征交互问题,增强点云特征的空间语义信息;基于均值池化操作生成锚框点云占据位图并提出一种简单负样本过滤策略,在模型训练阶段筛除预设在无点云覆盖区域的无效锚框,缓解正负样本或难易样本不均衡问题;在目标框回归模块中,使用类别置信度与交并比(IoU)预测值计算混合置信度,改善分类分支与位置回归分支结果不一致问题,并使用KITTI三维目标检测数据集进行模型训练与评估。研究结果表明：在严格判定标准下(IoU阈值设置为0.7),所提算法在简单、中等、困难3种难度级别下分别获得了89.60%、79.17%、77.75%的平均检测精度(AP_3D),与SECOND、PointPill...     

基于特征点采样和曲线拟合的道路坡度计算方法

为了得到更精确的道路坡度值,文章提出了一种基于特征点采样和曲线拟合的道路坡度计算方法。该方法对待测量坡度的道路进行路段划分,对每个路段的样本点进行拟合,生成待测量坡度的道路的拟合曲线并划分网格。将每个网格内样本点的坡度均值作为网格坡度值,最后确定每个网格的坡度方向。本处理方法使得汽车的控制系统能够获得整条道路每个位置上的坡度值,继而可以将这条道路的坡度值进行后续的存储和应用。     

基于Catia的点云逆向设计

在汽车产品设计开发中,为了验证和评审产品的三维造型,通常按照1:1的比例制作模型,模型评审冻结后,用三维激光扫描仪扫描模型表面,获得点云。点云导入Catia软件后,通过逆向设计得到模型的表面数据,为后续结构设计、模具和检具开发,提供了数据来源。文章以某卡车的门护板点云逆向设计为例,详细阐述了逆向设计过程中的点云编辑、建模、精度分析和逆向数据质量检查的方法。     

一种基于车道线检测获取道路能见度方法

针对能见度低环境下驾驶不安全的问题,提出一种基于车道线检测获取道路能见度方法。首先在原始图像底部区域利用hough变换进行直线拟合获得车道线,然后利用区域生长法获得雾天道路与天空的分界线,通过坐标转换获得车道线的消失点以及道路与天空分界线在实际车道中的位置,最后结合能见度模型,实时进行能见度值的计算。使用该方法进行能见度值的获取可以作为低能见度预警系统的基础和前提,该方法对于智能辅助驾驶等领域具有重要的实际应用价值。     

基于稀疏卷积神经网络的车载激光雷达点云语义分割方法

对车载激光雷达扫描得到的点云进行语义分割是保证行车安全、加强驾驶员对周边环境理解的重要手段之一。因为内存限制和大规模点云场景更加稀疏的特点,将传统神经网络的方法直接沿用到车载激光雷达扫描得到的点云场景中的效果不佳。本文中针对大规模点云的稀疏性,利用稀疏卷积神经网络对体素化点云进行特征提取。考虑到逐点处理分支抑制点云数据的密度不一致性导致的信息损失,另外设计了3D-CA和3D-SA模块,使稀疏卷积神经网络更好地提取特征。实验结果表明,与传统卷积神经网络的方法和将点云投影到平面的方法相比,使用稀疏卷积神经网络对大规模点云进行语义分割,可将平均交并比提升4.1%和3.4%,证明了该方法的有效性。     

基于振动-图像融合的道路窨井高差检测方法

在长期荷载和环境影响下,道路窨井通常会产生沉降等病害,导致其与周围路面产生高差,显著影响车辆行驶平顺性。文中提出一种基于振动-图像融合的新型道路窨井高差检测方法：面向大范围检测需求,设计了一套轻量化、模块化的智能车载检测装备,实现路面窨井的快速抓拍、车身振动的感知、检测窨井的高精定位;基于Yolo-V3深度学习方法,研发路面窨井的图像智能识别模型,并通过建立虚拟轮迹带构建了井盖检测有效性的判别方法;进一步融合振动解析技术,提出可表征振动量级的当量rms指标,用以评定窨井高差。现场试验证明,该方法可实现94.9%窨井的智能识别,窨井高差与当量rms呈显著线性关系,其判别误差在5 mm以内。     

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。     

基于二维Rosin阈值方法的道路裂纹边缘检测

为了在道路裂纹图像边缘检测时选择准确的区分噪声与边缘阈值,针对一维Rosin算法不能充分利用图像局部结构信息的缺陷,将传统Rosin方法推广至二维,联合Canny边缘检测算法和Rosin算法,利用像素点本身及其邻域的局部结构信息建立图像二维直方图;利用直方图的最高点和最低点构造全角旋转阂值选取平面,以搜索直方图与各阈值平面的空间距离最大值确定阈值点,获得一种自适应的Canny算法中的阈值选取方法.研究结果表明:该算法可对道路裂纹边缘进行有效检测,并扩展Canny算法的应用范围.     

道路交通事故多发点鉴定方法探讨

基于已有的道路交通事故统计资料，应用动态聚类分析方法和贝叶斯概率模型，对事故多发点的鉴定方法进行了探讨。