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。     

基于EPS的车道保持辅助系统设计

针对车道保持辅助系统与电动助力转向功能的集成问题,设计了一种车道保持辅助系统架构。车道保持辅助力矩与电动助力转向力矩相叠加,经EPS电机输出;电动助力转向功能始终开启,保证驾驶员可以随时介入转向。综合考虑车道线检测置信度、跨道时间以及驾驶员操作状态等信息,设计了车道保持辅助系统的介入和退出策略。利用驾驶模拟器对该策略进行了测试,并通过道路试验验证了该系统的安全性和舒适性。     

一种基于机器视觉的车道偏离报警系统

本文介绍了车道偏离报警系统及其国内外的研究现状,重点介绍了基于机器视觉的车道偏离报警系统。对基于机器视觉的车道偏离报警系统中的CPCI架构的硬件结构和车道线实时检测算法进行了描述,提出了一种切实有效的车道线检测算法。     

机器视觉在汽车驾驶辅助系统中的应用

机器视觉是汽车驾驶辅助系统应用领域的重要技术,文章主要综述了机器视觉在车道检测技术、交通标志识别技术、车辆识别技术、行人检测技术和驾驶员状态检测技术等领域的应用,着重介绍了机器视觉技术在上述领域目前的研究现状,为机器视觉在汽车驾驶辅助领域的进一步研究提供了参考。     

基于机器视觉的智能车辆前方道路边界及车道标识识别方法综述

为了全面了解国内外在基于机器视觉的智能车辆前方道路边界及车道标识识别领域的研究进展，文章介绍了近年来一些典型的基于机器视觉的道路边界及车道标识识别系统，对基于机器视觉的前方道路边界及车道标识识别方法进行了分类，对各大类方法中采用的不同技术进行了阐述，然后对基于机器视觉与其他传感器融合的识别方法进行了总结，最后就该领域的研究难点及发展趋势进行了简要论述。     

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。     

视觉失效条件下车道保持辅助控制策略研究

为保证车道保持辅助系统在视觉失效情况下能够顺利移交车辆控制权,利用目标车方位信息间接估算道路曲率,在纯追踪(Pure Pursuit)算法的基础上,参考车速和道路曲率,利用模糊控制器进行转向修正,并提出了车道保持指数用以评价车道保持性能。构建了硬件在环(HIL)仿真测试平台,利用快速控制原型和某视觉感知系统分别对3种控制策略进行了4种测试场景下的硬件在环测试。测试结果表明,使用改进型Pure Pursuit策略的自车能够有效避免驶出车道,4种测试场景下平均车道保持指数为65.1%,较Pure Pursuit策略和转向盘保持策略分别提高73.9%和135.2%。     

视错觉道路边缘线的应用效果研究

道路边缘线是驾驶员对道路轮廓知觉的重要线索之一,良好的道路边缘线设置是驾驶员对道路边缘准确知觉、正确判断、避免车辆驶出路外或占用相邻车道发生交通事故的根本保证.视错觉道路边缘线是基于心理学中视错觉原理设计的道路边缘线,目前在交通管理中已得到一定的应用.选取杭州市2条道路条件、交通条件相近路段分别作为普通边缘线道路和视错觉边缘线道路样本,运用自然观察法,以车道位置为评价指标,评估视错觉边缘线的应用效果.研究结果认为视错觉道路边缘线对驾驶员车道保持效果明显,且白天对大客车效果好,晚上对小客车作用更佳.同时,研究还提出今后需要从视错觉道路边缘线的形式、材料等角度进一步优化,提高标线的轮廓强化效果,起到预防交通事故的作用.     

一种基于机器学习的ADAS车道类型判别方法

高级汽车辅助驾驶系统(Advanced Driving Assistance System,ADAS)是利用安装在车上的各种传感器,在汽车行驶过程中随时感应周围的环境,收集数据,进行系统的运算与分析,有效增强汽车驾驶的舒适性和安全性。ADAS最重要的功能包括LDW、FCW、BSD、PD、TSR等。目前,应用最广泛的传感器是雷达和摄像头。用单目摄像头进行车道线的识别目前已经有很多解决方案,但是还需要有效的车道线类型的检测方法为自动驾驶过程中的变道决策提供依据。本文提出一种基于机器学习的判断车道线类型的方法,利用车道线相邻区域的直方图特征,有效地解决了车道线类型的判别问题,实验数据表明此方法能够获得99.99%的正确识别率。     

使用朗仁H6设置大众CC车道保持辅助系统

正车型年份:2015年大众CC。维修背景:车道保持辅助系统在很大程度上提高了驾驶舒适性,也提高了驾驶安全性。它使车辆自动行驶在车道中间并且保持,其原理是通过紧贴在前风挡玻璃的数字式灰度摄像头实时拍摄前方道路的左右车道线,由电脑转换成信息数据并进行处理,分析车辆是否行驶在二条车道线的中间,是否有偏移。若有偏移并超出了允许偏移值范围,     

基于道路模型的弯道检测研究与应用

基于机器视觉的弯道图像能提供车辆行驶道路环境的丰富信息,从建立弯道模型、提取车道线像素点以及拟合车道模型等步骤分析了传统基于道路模型的弯道检测方法,针对传统方法很难适用于多种不同形状弯道的特点,提出一种基于特征点提取的弯道检测新方法;介绍了弯道检测在车道偏离预警、弯道限速以及弯道防碰撞预警等领域的应用情况;最后提出弯道检测应该建立三维车道线模型、注重发展多传感器融合技术,提高其适用性和鲁棒性.     

基于图像行数据处理的车道偏离预警系统

本文中提出一种基于图像行数据处理的车道线识别方法和低成本车道偏离预警系统。通过逐行特征的提取和归类处理,提高运行效率,降低内存消耗。在此基础上利用数字摄像头和主频为400MHz的DSP芯片,设计出低成本车道偏离预警系统。它无需视频解码电路和拓展存储器,在保证车道线识别率的同时有效降低了硬件复杂度。为量化评估系统车道线识别性能,采用了一种适用于嵌入式系统的车道线识别测试方案,利用离线制作的样本数据,对车道偏离预警系统进行了硬件在环识别性能的测试。结果表明,系统具有较高的稳定性和实时性,在典型工况下能获得很好的识别率。     

基于Catmull-Rom样条曲线的弯曲车道线检测研究

车道线检测是智能辅助驾驶系统的关键技术之一。采用图像处理技术检测道路上的弯曲车道线,详细介绍了感兴趣区域的选取、背景减除和二值化提取车道线信息,结合Hough变换和Catmull-Rom样条曲线检测弯曲车道线。结果表明,基于Catmull-Rom样条曲线的算法可以有效地检测弯曲车道线。     

汽车驾驶员车道内行车特点分析

基于图像传感器获得的车辆位置信息,提出一种分析汽车驾驶员驾驶特性的新方法。建立基于模糊机制的驾驶员车道内行驶安全评价模型,以数据库的观点对车辆行驶过程数据进行描述,通过分时间段采样的方式记录行驶车辆距道路标识线的横向距离,根据采样数据特征的统计分析结果确定车道内行车的安全评价模糊隶属度,以此评估驾驶员车道内行车的安全性,分析驾驶员的行车特点。车辆行驶试验表明,该方法能够准确分析驾驶员的行车状态,并评判驾驶员车道内行驶的安全特性。     

针对弯道场景的角毫米雷达数据处理研究

车辆盲区监测系统作为辅助驾驶员视角的系统,对减少驾驶员观测盲区具有重要意义。角毫米波雷达数据基于直角坐标系进行数据处理,而当车辆处于弯道行驶时,常用方法很难判断后方车辆是否与本车辆在同一车道上。基于此,提出基于车辆转向模型和最小二乘法轨迹圆拟合相结合的道路曲率计算方法,从而判断其它车辆与本车之间的相对车道位置,以此推测其它车辆是否对本车的正常行驶带来危险,从而当车辆在弯道行驶时降低盲区监测系统的误报率。     

为实现智能驾驶

汽车制造商正在使用种类繁多的辅助功能,并想以此从各类竞争中脱颖而出。促进增长的一个重要因素,则是欧盟新车安全评价协会（NCAP）出台的新评估程序：从2014年起,新车型必须装配相关驾驶员辅助系统才能获得五星安全评价;从2016年起,将强制安装综合的行人安全系统。安装传感器后,还可提供许多其它功能。例如,探测车道标志线的摄像头同时还可记录交通标志。驾驶员将越来越青睐这些安全和舒适的系统。在接下来的几年内,驾驶辅助市场将以每年20%的速率增长。汽车零部件供应商博世和天合已经看到了驾驶辅助市场的机遇,他们正加速雷达和摄像头传感器技术的研发与市场拓展。     

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...     

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。