车辆视觉导航系统中的实时道路检测

提出了一种新的道路检测算法。该算法中首先采用基于线段的区域增长法将采集到的实际道路边缘图像分割成道路区域和非道路区域,使下一步搜索道路标志的区域限定在道路区域;然后恢复道路标志并根据其特征定位道路标志线;最后采用数据拟合的方法找出道路轨迹线。在复杂路况下可以准确、快速估算出车道的延伸方向,实现车辆的防偏预报。

基于几何约束的实时城市道路检测

道路检测是智能车自动驾驶系统中非常重要的部分。提出一种检测城市道路的新方法:首先在智能车上摄像头获得的道路图片中利用Sobel算子和Tukey权值函数拟合出用于后续处理的基本直线,然后对这些线采取距离、与消失点关系、斜率三项几何约束确定道路可能存在的左右边线以及中线,很大程度上减少了阴影边界、建筑边界等其他干扰线的干扰,从而实现对智能车行驶前方道路的快速精确检测。经过大量实验和智能车比赛证明,在100km/h速度下该算法对光照,阴影,以及非道路物体干扰有良好的稳定性。

面向无人驾驶矿车的露天矿山道路坡度实时检测方法

露天矿山大部分道路坡度大,无人驾驶矿车在上下坡之前如果不能合理规划速度,则容易发生一些危险,例如因下坡急减速导致的物料外撒或因上坡导致的溜车。无人驾驶矿车通过精确检测车辆前方一定范围内的道路坡度,可以在上下坡之前合理规划速度。目前无人驾驶矿车实时检测露天矿山道路坡度存在一些挑战:露天矿山道路坡度大且不平整,无人驾驶矿车在行驶过程中会有比较大的俯仰和弹跳运动,因为基于惯性导航系统(inertial navigation system,INS)或全球导航卫星系统(Global Navigation Satellite System,GNSS)的方法测出的是车辆的俯仰角,而不是所在道路区域的坡度;由于露天矿山几何特征缺失,这使得基于SLAM(simultaneous localization and mapping)的方法在特征缺失的路段容易匹配错误,而且基于SLAM的方法测出的也是车辆的俯仰角。本文针对目前无人驾驶矿车实时检测露天矿山道路坡度研究中存在的问题,提出了栅格卡尔曼道路坡度实时检测(grid Kalman road slope real-time detection,GKSRD)方法。该方法以三维激光雷达点云和INS俯仰角信息作为输入,并采用二维栅格地图、感兴趣矩形区域迭代优化算法和卡尔曼滤波器。相比于基于INS或GNSS的方法,该方法减小了无人驾驶矿车行驶过程中由于道路坡度大且不平整对道路坡度实时检测带来的误差。相比于基于SLAM的方法,因为该方法不依赖周围环境的几何特征,所以其不会受到露天矿山几何特征缺失的影响。通过试验验证,GKSRD方法对露天矿山道路坡度的实时检测平均误差小于0.01°,最大误差小于0.5°。相比于基于INS或GNSS的方法和基于SLAM的方法,GKSRD方法精度更高,稳定性和环境适应性也更好。

道路交通视频检测系统初探

提出一种实时自适应的道路交通视频检测方法,提高了视频监测系统在长时间运行条件下对光线变化、阴影和系统噪声的适应性。利用图像边缘检测和模式识别2种方法对前景目标车辆进行提取的算法,保证了准确率和效率。实时交通视频实验结果表明,该方法取得了较好的成果,为道路交通信息系统提供保障。