激光点云特征与知识规则协同的车道线提取

实现车道线高效的检测提取是自动驾驶领域中亟待攻克的关键技术之一,众多基于视觉方案的检测算法由于图像数据的特点存在一定局限性,如天气光照影响成像质量、难以兼顾弯道直道等。本文结合三维激光点云优势与道路知识规则提出了一种车道线自动提取算法。首先,通过多次强化道路边界高程差异获取路面点;其次,简化Isodata算法,自适应地得到反射强度滤波阈值;然后采用随机一致性算法检测直线聚类得到候选车道,将候选车道映射成二维矢量并通过类间距约束提取正确车道线;最后,基于相邻关键特征点对的向量拓扑关系一致性实现车道线拓扑重构,得到对应现实世界中意义完整的车道线。算法在车道线达5~6条的情况下,召回率达92.46%,准确率达94.79%,综合评价指标达92.41%,实验结果证明了方法的有效性和可行性。

交通地理信息中基于梯度方向的车道线提取

针对所摄路面影像,本文提出了基于梯度方向的车道线提取方法。车道线上边缘点的梯度方向大体与本车道线垂直,据此我们可以将车道线上的边缘点从所有边缘点中分离出来,再将这些点拟合,得到车道线。实验结果表明,本文方法具有很好的鲁棒性,对复杂路面的车道线提取效果较好。

高分辨率遥感影像在道路车道线提取中的应用

作为城市自动驾驶领域不可缺少的基础设施,高精地图满足了智能交通在城市复杂环境下的定位需求。对于高精地图中道路车道线的获取,目前基于激光雷达与车载摄像数据的车道线提取方式都较为成熟,为了提高基于高分辨率。感影像车道线提取效率、降低生产成本及数据处理复杂度,本文提出了一种基于高分辨率。感影像的高精地图道路车道线提取方案。首先,对选择的影像数据进行影像正射纠正预处理,其次,采用阈值法的图像分割算法对道路车道线进行提取;最后,对二值图中的噪点进行滤波并矢量化提取到的车道线,实现道路车道线实线、虚线的准确提取。提取结果表明该方法可有效提高道路车道线提取效率,降低数据提取成本。

基于无人机正射影像的高精地图车道线自动提取方法的研究

车道线作为实现精确导航和自动驾驶的基础信息,其采集方式自动化程度低、生产周期长,严重影响了高精地图的应用。因此,文章设计了一种利用无人机正射影像,基于U-Net语义分割模型,结合栅矢数据处理的高精地图车道线自动提取方法。文章利用Lovász Loss完成20%样本的U-Net模型训练,实现了IoU在75%以上的车道线语义分割,且U-Net识别出的栅格车道线经过栅矢结合手段处理后即可得到高质量矢量车道线。文章设计的综合无人机倾斜摄影、深度学习、GIS数据处理的车道线提取方法可为高精地图车道线的获取提供一种新思路、新方法,为无人驾驶提供一种新的数据支持。

一种基于无人机影像的高精地图车道线检测与提取方法

高精度地图是实现自动驾驶技术必不可少的基础设施,车道线是高精度地图车道级路网的重要组成部分。以往高精度地图的车道线检测多基于车载摄像头数据,存在成像范围有限、需要透视变换和多次拼接造成的效率问题。基于无人机航拍影像,采用U-Net网络识别道路区域,过滤非道路区域噪声,通过HSL颜色变换和Sobel算子分别计算车道线颜色和边缘梯度特征,使用Otsu算法自动确定特征分割阈值获得二值化车道线特征图,通过局部最大值算法确定滑动窗口的初始位置,最后借助滑动窗口算法和多项式检测拟合车道线。实验结果表明,在保证一定检测精度的前提下,单条车道线检测长度超过了百米,道路检测效率达到25.2 m/s,对比于地面影像的检测算法具有明显的效率优势。

基于改进大津算法的结构化道路车道线识别

为了提升车道线检测的准确性和实时性,改良车道偏离预警系统的性能,提出了一种改进大津算法(Otsu)的车道线识别算法。首先对实时图像进行了感兴趣区域划分、灰度化以及空间滤波等一系列预处理操作,然后应用改进大津算法对密封条进行阈值分割。结果表明,采用改进大津算法的阈值分割方法检测结果更准确,检测速度更快。

复杂环境下道路车道线识别算法的研究

针对不同光照、雨雪天、大雾天等恶劣环境下道路车道线识别难的问题,研究其识别算法。弱光照下,通过面积算子选取合适阈值进而实现边缘增强;夜间光照更弱的情况下,通过改进SUSAN算子实现夜间昏暗道路的边缘增强,解决了道路信息模糊、周围因素影响等造成的噪声干扰;强光照下,通过强光滤波算法可以消除伪边缘干扰,实现车道线的准确识别。雨雪天下,道路积水造成路面复杂,不能准确找到车道线特征点,通过建立路面积水反射模型,去除光的反射影响,增强路面和车道信息对比度,实现车道线信息的准确提取。大雾天,道路信息模糊不清,通过逆透视原理、差值分离建立道路识别模型,对道路特征进行加强分析,增强车道信息,提高识别效果。实验验证了所提出和改进的复杂环境下道路车道线识别算法的有效性,并且具有较强的鲁棒性和抗扰能力,可应用到智能交通系统中。

一种交通监控场景下的多车道检测方法

为自动有效地获取交通监控场景中的多车道信息,提出一种利用骨架化边缘的多车道检测算法,以克服视频处理对固定场景和明确的先验车道位置信息的依赖。算法主要针对静态的交通背景图处理,采用背景提取、滤波和数字形态学预处理等,由Hough变换确定车道位置的骨架线;由行车方向约束车道线角度,利用车道线几何成像特性检测出准车道线,获取车道线和车道区域。实验表明,对不同的交通场景和不同光照条件,该方法能有效检测多车道,鲁棒性强,具有较高的工程应用价值。

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。

放射投影直方图的构建及结构化公路AOI提取算法研究

为了缩小车辆识别AOI,降低对本车状态的要求和行驶方向上车辆识别的难度,提升车辆识别算法的鲁棒性,提出一种基于放射投影直方图的结构化公路车道线提取方法,建立了投影点选择评价模型及车道线区域角度划分模型。实验结果表明,本方法适用于直车道线和具有一定曲率的弯道线检测,对车辆的行驶方向要求较弱,不仅可抗车辆遮挡、较强日光照射下形成的阴影干扰,而且还可以抗车道线严重污损、长距离断线、减速带形成的强干扰。对强、暗光线有一定的适应能力,具有较强的抗干扰能力。