一种基于Meanshift和RANSAC的车道识别方法

为满足车辆行驶时能对各种车道线(实线、虚线、直道、大弯道)准确识别,提出一种基于Meanshift原理和RANSAC(Random Sample Consensus)算法的车道识别方法;该方法首先利用改进的最大熵阈值分割方法和图像灰度概率密度特征对左右车道线目标进行初定位,动态地建立车道线ROI(Region of Interests),然后运用Meanshift算法对左右车道线进行精确定位,最后利用RANSAC算法对各搜索框中候选车道线的重心进行筛选,并采用最小二乘法对左右车道线进行拟合;实验结果表明,该方法可以识别各种车道线型,并具有较好的鲁棒性;车道检测平均时间为80ms/f,车道跟踪平均时间为40ms/f。

基于机器视觉的驾驶员换道行驶检测研究

为自动检测驾驶员行车路线,通过车载CCD图像传感器获得序列图像,利用计算机视觉技术,建立摄像机的透视投影模型和汽车换道行驶检测模型,应用改进的Hough变换识别道路标线,确立直线方程,采用逆透视投影变换对车辆在当前位置的横向距离和横向偏转角做出估计,进而对汽车行驶状态做出判断。实验证明,该方法能够正确检测和判断驾驶员是否处于压线行驶和换道行驶状态。

基于逆透视变换的车辆排队长度检测方法及硬件实现

交通路口的车辆排队长度检测是智能交通系统的重要组成部分,传统的检测方法易受背景噪声、摄像机透视效果等因素的干扰造成检测失败,而且其实现都是基于串行结构的处理器,不能用于实时处理的场合;设计了一种充分利用平直道路几何特征并适合FPGA实现的排队长度自动检测算法,该算法利用逆透视变换消除图像几何失真,引入公路的结构性约束有效检测了车道线;接着采用Sobel边缘算子检测出各车道的车辆轮廓,通过一种基于信息量的度量方法提取排队的队尾,从而确定了车辆排队长度,并且通过硬件化设计使得整个检测过程达到实时的处理速度;试验结果表明,在消除了视觉偏差的图像上进行的排队长度检测结果比校正前更加真实准确,所提出的检测方法可以很容易工程化并用于实际交通路口的车流量自动实时检测。

梯形视野结构化道路视觉识别方法研究

本文对基于机器视觉的路径识别方法进行了研究。通过对采集的路面图像进行中值滤波、边缘增强、动态阈值二值化,获得良好的路标图像。根据道路特征识别出道路标识线,并拟合出车辆运动的引导线。使用梯形小视野直线拟合法,减少图像处理时间和提高道路识别的可靠性。通过自制小车的实验表明,该算法具有良好的实时性、可靠性。

ALV中道路标志线的检测与跟踪

实时视觉导航是地面自主车(ALV)关键技术之一.文中介绍了二维视觉导航系统设计开发的结构化道路标志线提取算法.算法主要分两个阶段:初始白线线头的检测与道路标志线窗口跟踪.最后给出实验测试结果.测试结果表明,该算法能有效地检测在各种光照条件下的连续与间断。

一种高速公路车道线的快速检测和跟踪算法

提出了一种高速公路车道线检测与跟踪算法:初始检测时,首先估计消失点位置;再将图像特征点向消失点投影,通过检测投影直方图波峰来识别车道线;然后利用车道宽度和车道线强度特征滤除与车道线平行的伪车道线;跟踪时,采用卡尔曼滤波缩小搜索区域。试验结果表明:该算法抗干扰能力强,跟踪算法运行速度大约为50 Hz。