基于双注意力机制的车道线检测

为了提升车道线检测算法在障碍物遮挡等复杂情况下的检测性能,本文提出了一种基于双注意力机制的多车道线检测算法。首先,本文通过设计基于空间和通道双注意力机制的车道线语义分割网络,得到分别代表车道线像素和背景区域的二值分割结果;然后,引入HNet网络结构,使用其输出的透视变换矩阵将分割图转换为鸟瞰视图,继而进行曲线拟合并逆变换回原图像空间,实现多车道线的检测;最后,将图像中线两侧车道线所包围的区域定义为目前行驶的行车车道。本文算法在Tusimple数据集凭借134 frame/s的实时性表现达到了96.63%的准确率,在CULane数据集取得了77.32%的精确率。实验结果表明,本文算法可以针对包括障碍物遮挡等不同场景下的多条车道线及行车车道进行实时检测,其性能相比较现有算法得到了显著的提升。

基于优化ERFNet的智能车辆车道线精确检测算法

复杂场景中的车道线检测难度较高,为此,提出基于优化ERFNet的智能车辆车道线精确检测算法。利用弱瓶颈模块和非对称残差模块优化ERFNet模型,确定ERFNet模型结构参数,对车道线进行图像语义分割。通过图像切片和小线段提取车道线信息,基于拟合函数与残差函数实现智能车辆车道线的拟合检测。实验结果表明:不同道路场景测试样本下,所提算法的精确率和准确率较高,在不同天气条件下,检测时间较低。

基于OpenCV的车道线检测与识别

精准快速的车道线检测算法对自动驾驶有着至关重要的作用,提出一种基于OpenCV检测车道线。相机矫正对图像去畸变,通过HLS颜色空间的L通道提取白色车道线,利用OpenCV库的inRange函数设置高低阈值数组提取HLS空间道路图像的黄色车道线,合并黄白车道线图像;通过优化后的Canny算法检测车道线边缘两种方法结结合起来完成车道线检测。根据像素直方图动态选择滑动窗口方法检测车道线通过二次多项式进行车道线拟合。

适用于右转辅助的非机动车道检测

为避免传统车辆或无人驾驶车辆在右转时与快速行驶的自行车发生碰撞的风险,需要在转弯前稳定地检测出非机动车道,并实时定位骑车者.为实现该目标,通过调整初始代价及代价聚合,完成更为精确的非机动车道图像立体匹配;基于改进的Hough变换算法,对路面上的非机动车道线进行识别和提取;之后结合立体视觉来获取非机动车道的精确三维坐标.实验结果表明:所提方法可以在大部分场景下检测出不同类型的非机动车道,且具有较高的精确度,适用于广义非机动车道检测,对于先进驾驶辅助系统或无人驾驶车辆实现全道路场景识别起到了积极的辅助作用.

基于霍夫变换的农业AGV车道线视觉检测方法

基于GPS、uwb、SLAM、磁导航循迹等技术的自动引导车技术已在工业生产室内环境中大量使用,但由于在农业场景中室外因素的不确定性,多种技术在农业AGV中使用效果并不理想。提出一种基于视觉的车道线检测方法,利用Hough算法进行现实场景的车道线提取,有效提高农业AGV实际应用水平。

基于视觉的车道线检测算法探讨

对基于视觉图像的车道线检测技术进行研究,针对智能车在视觉导航过程中车道线检测的鲁棒性问题提出一种改进算法。首先对道路图像进行中值滤波去噪,然后利用改进的OTSU算法分割图像,使目标区域更加清晰。划分图像中车道检测的感兴趣区域(ROI)对目标信息进行骨架处理,减少计算量提高实时性。最后运用改进的Hough变换计算车道标识线参数得到车道标识线方程,并进行车道线的拟合。

基于无人机航拍图像的车道线检测方法综述

无人机在公路巡检、电力巡线等领域中有广泛的应用,对于这类跟踪精度要求较高的特殊任务,通过跟踪车道线确定航迹是提高跟踪精度的有效途径,而车道线检测方法是其关键技术之一。首先介绍基于无人机航拍图像的车道线检测系统发展情况,然后对实现车道线检测的两项核心技术的研究现状进行总结,即车道线边缘特征提取技术和车道线拟合技术。并对传统方法和基于深度学习方法进行比较,分析了现有车道线检测方法适用场景和局限性,最后提出了未来在计算机视觉技术上的发展方向。

基于树莓派嵌入式平台的车道线检测算法

本文设计了一种基于树莓派嵌入式平台的多道路场景车道线检测算法。在图像预处理阶段,设计了一种车道线的自适应二值化提取算法,通过将待测像素点与其所在菱形空间的顶点进行比较,完整地提取了二值化后的车道线信息;同时与最大类间方差法(OTSU)结合,以图像融合的方式有效滤除了干扰信息。在车道线拟合阶段,对概率霍夫变换进行了斜率约束与限定距离的改进,进行二次滤除干扰信息后准确计算出车道线边缘点。最后使用最小二乘法拟合出车道线。测试结果表明,算法抗干扰能力较强,对多种道路场景的检测准确率可达90.24%,并且在树莓派平台上运行速度为25 fps,满足实时的要求。

一种基于hough变换的车道偏离预警模型的研究

针对由于车辆偏离车道而引起的交通事故,本文提出来一种基于hough变换的车道偏离预警模型。在车道线拟合方面,由于Hough变换相比最小二乘法具有抗干扰性强易于实现等特点,本文选择了通过Hough变换来拟合车道线。在建立在预警模型时论文提出了拟合车道线的斜率比较法,通过设定合适的车道线斜率阈值来判断当前是否偏离车道。最终通过试验将图像中拟合车道线的斜率和设定的阈值进行了对比,分析验证了所提出方法的可行性和有效性。