基于激光雷达回波信号的雾天车道线快速检测

当前主要通过深度神经网络模型提取路面车道线,并设计能见度检测网络,根据车道线可见长度检测路面车道线。但是,在雾天,基于深度分割神经网络设计编码解码结构非相关因素过多,无法通过其提取车道线特征图,无法准确检测图像坐标系下可见车道线的高度。针对雾天驾驶时的视觉障碍问题,以激光雷达技术为支撑,提出雾天车道线快速检测方法。根据激光雷达回波信号中每个回波脉冲宽度级的扫描点数,采用最小类内方差算法,阈值分割路面与车道线扫描点,由3σ准则分离出车道线的种子点后,基于高斯核函数加权搜索的生长准则,经区域生长得到完整的车道线种子点集。基于密度的空间聚类算法二次聚类获取的车道线种子点集,得到车道线的识别结果。以识别结果为基础,建立抛物线模型,结合随机采样一致性算法和最小二乘法,依据拟合分值迭代取得最优模型,通过拟合完成车道线检测。实验结果表明:该方法屏蔽雾天干扰引起的非相关因素,清晰检测出雾天环境中的多种车道线。在雾天环境车道线检测中,交并比高于0.95,F1值高于96%,可以满足准确性和实时性需求,为雾天驾驶提供有效的解决方案。

基于激光雷达回波信号的自适应阈值车道线检测

基于激光雷达的车道线检测目前使用最多的是基于雷达扫描点密度的检测方法,但它的抗干扰能力差.为此,本文利用激光雷达的回波脉冲宽度对于车道线与路面的区分度进行特征提取,提出一种特征提取方法,分两步进行——基于脉冲宽度动态阈值的种子点提取和基于高斯核加权搜索的区域生长.然后引入FCL(fuzzy C-means of line)算法识别车道线(以线为中心进行聚类),最后通过最小二乘法拟合车道线.通过实车在6个不同的道路场景下进行实验,都能够准确检测出车道线,同时具有较高的检测精度.

基于激光雷达的无人驾驶汽车动态障碍物检测、跟踪与识别方法

现有的基于几何特征的动态障碍物检测跟踪方法误检率较高,基于动态障碍物几何特征和运动状态的识别方法受距离和扫描角度影响较大,无法满足真实交通场景应用的要求.针对这些不足,本文提出了一种基于多特征融合的动态障碍物检测与跟踪方法和一种基于时空特征向量的动态障碍物识别方法.首先在动态障碍物几何特征的基础上,考虑障碍物回波脉冲宽度特征,以提高障碍物检测跟踪的正确率;其次,基于障碍物时间维度与空间维度信息来构建时空特征向量,并进而采用支持向量机方法实现动态障碍物的识别,以提升障碍物识别的准确率.最后,通过实车试验对所提出方法的准确性和有效性进行了验证.