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%。     

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,...     

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。     

一种视频交通流检测场景中的自适应道路结构提取算法

为了保证视频交通流检测系统在检测场景变动时检测结果的正确性和有效性,文章提出了一种视频交通流检测场景中的自适应道路结构提取算法,以便适时调整检测区域的位置和大小。算法选用直线拟合车道线,并以车道线组合构造道路结构模型。在场景变化时,算法通过霍夫变换检测变化后的车道线,然后利用匹配误差和消失点约束对检测结果进行校验和修正,最终提取出正确的道路结构信息。实验结果表明,该算法在白天正常天气下提取正确率达99.1%,是一种有效可行的道路结构提取算法。     

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。     

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。     

道路裂纹线检测中的脊波域图像增强算法

为了解决传统的图像增强方法中背景和裂痕区之间的对比度拉伸不足,致使基于图像处理的道路裂纹线自动检测方法不能有效地提取道路裂纹线的问题,基于破损道路裂纹线所呈现的特点,由图像脊波变换等效于拉东变换域一维小波分解的原理出发,提出了一种新的适用于道路裂纹线检测的脊波域图像增强算法.试验结果及其与其他图像增强算法的结果对比均表明:该算法能够有效地增强道路裂纹图像中的线状特征,有利于破损道路裂纹线的检测.     

基于定点数据的道路瓶颈拥挤自动识别算法

为研究道路瓶颈处的交通拥挤现象,掌握由道路瓶颈引发的常发性拥挤的分布特点和变化规律,提出了道路瓶颈拥挤的自动识别算法.基于检测线圈历史数据,将交通状态定性划分为畅通和拥挤2种,根据瓶颈拥挤原理,识别道路瓶颈所在,并同时对由其引发的拥挤持续时长和拥挤范围进行鉴别.算法运算结果包含瓶颈定位及由其引发的拥挤持续时长和空间影响范围.以上海市南北高架路东侧10 d线圈检测数据为例,验证了算法的有效性和实用性.     

基于深度学习的高分影像道路提取方法研究

首先阐明了道路数据信息化管理的重要意义,并简要分析了道路元素特征与提取思路,论证了在高分辨率遥感影像和丰富样本集的支持下,基于深度学习的道路提取方法相较于传统方法具有更优的适用性;其次选择了WGAN(Wasserstein生成对抗网络)深度学习模型来实现道路提取操作,通过样本标注与多层融合训练得到了能够根据原始遥感影像直接输出道路元素二值图像的生成模型;最终通过对实际道路提取任务的实验验证,证明了本方法在提取精度和效率上的优势和普适性。     

道路交通事故现场摄影测量中标定点坐标提取的研究

为适应大流量、高速道路交通事故现场的勘察需要，数字摄影测量与现代图像处理技术相结合，已成为交通现场间接测量的有效手段。在道路交通事故现场摄影测量的研究中，获取标定点像点的准确图像坐标，是求解标定点世界坐标的关键。章将边缘检测、中值滤波以及型心坐标提取等3种方法相结合，提出了标定点坐标提取的具体方案，提高了测量精度。     

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.     

基于交通精细化设计理念的城市道路交通改善研究

在城市建成区,通过大规模的土木工程手段来解决交通拥堵问题受到土地利用、经济投入等诸多因素的制约。而通过一系列的交通精细化设计,比如:区域交通组织、交叉口优化设计、行人过街优化设计和可操作性的交通管理措施等,对改善城市交通状况,特别是缓解城市中心区交通拥堵,具有投入少、效果显著的特点。该文重点介绍交通精细化设计理念及相关优化设计方法,可供同行借鉴。     

城市快速路三维集成交通事件自动检测算法

为了及时、准确地检测交通事件并采取有效的管理手段,提高城市快速路交通管理水平,在总结现有交通事件自动检测算法优缺点的基础上,提出了一种基于二维空间和一维时间的交通流异常变化的三维集成交通事件自动检测算法(集成AID算法),并利用北京市二环快速路上现有的交通流数据及相应的交通事件信息,对提出的集成AID算法进行验证,对其有效性和实用性进行分析。结果表明:该算法能够对快速路交通事件进行有效检测,与各个维度的子算法相比,能有效提高检测率,降低误报率,能够满足实际工程应用的需求。     

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。     

基于当前统计模型的地图匹配车辆跟踪研究

为提高车辆跟踪系统的精度，减小差分全球定位系统（DGPS）的定位误差，通过分析行驶在城市道路上的车辆运动过程及其相应的运动模型，提出采用当前统计模型作为车辆运动模型。通过地图辅助位置择近和速度择角算法来修正卡尔曼滤波，为运行在道路上的车辆确定地图匹配估计。实际运行结果表明；整个车辆跟踪系统的精度有明显的提高。     

基于视频图像处理的车辆排队长度检测

综合灰度检测和边缘检测的优点，提出了一种将灰度与边缘检测相结合的方法来检测队列长度，采用帧平均法来处理视频流，可以减小由于摄像头抖动或背景微小变化而产生的误差。提出的队列检测算法包含运动检测和车辆存在检测，通过合理分配使用这两种操作，节省了运算时间。实验结果表明，此方法实现简单，能够获得较满意的检测结果。     

基于粗糙集的路网瓶颈路段识别方法

为了更加准确地识别路网中的瓶颈路段,并向路网规划与交通管理提供决策支持,确定了路网瓶颈路段识别的主要影响因子,利用粗糙集方法将通行能力、路网拓扑结构、安全性、常发性拥挤频率与交通流时间均衡系数设为瓶颈路段识别的条件属性.提出了基于粗糙集的路网瓶颈路段识别方法,通过规则提取以识别路网瓶颈路段.通过一个示例路网,验证了路网瓶颈路段识别方法的有效性.该方法也为交通管理者提供了一种实用的路网瓶颈知识获取方法.     

基于道路使用者的城市路网动态行程时间可靠度

为了解决目前对行程时间可靠度的研究几乎都是从道路管理者角度出发的问题,考虑路网随机变化对道路使用者的影响,首先从道路使用者的角度以及行程时间分布的2个维度提出了动态行程时间可靠度的概念,进而分析了其时空变化特性.其次基于日变可靠度并假设行程时间及其规定阈值服从正态分布,根据其概率密度分布函数分析了可靠度影响因素,并提出了行程时间可靠度指标.然后运用该指标推算出了路段和路径行程时间可靠度,计算并分析了路网动态行程时间可靠度.最后在一个测试路网上采用3种方法分别计算了路径行程时间可靠度.结果表明,传统计算方法存在缺陷,而提出的可靠度指标法与Monte Carlo法的结果基本相同,也因此验证了该方法的正确性.     

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。