结合帧差法与窗口搜索的车道线跟踪方法

针对计算机绘制车道线地图的过程中,需要在移动背景下精准追踪车道线的功能需求,提出一种结合帧差法和窗口搜索的车道线跟踪方法。首先,对广角镜头拍摄的图像进行棋盘格矫正,再利用逆透视变换(IPM)将包含车道线的感兴趣区域转换为鸟瞰图,再使用色度,饱和度,纯度(HSV)、红绿蓝(RGB)分别将白色、黄色像素筛选出来。其次,利用车道线与垂线的夹角对车道线进行修正,根据修正后图片的像素密度,选出车道线的起始点,并采用滑动窗口搜索的方法提取整个车道线。最后,采用改进的帧差法,对车道线进行跟踪,并根据车道线标准对车道线像素进行规范化补充。由大量的实际道路行驶测试表明,该算法的准确率为94.97%,能够较为精确地完成车道线的追踪。

基于改进的卡尔曼滤波车道线跟踪算法研究

车道线识别是实现车道线保持等高级辅助驾驶的前提条件,针对目前结构化道路车道线在干扰条件下存在检测失效的问题,提出了一种改进的卡尔曼滤波车道线跟踪识别方法。该方法利用连续帧道路图像车道线发展的连续性和车道线状态不出现突变的特点实现车道线的跟踪识别。首先计算出斜率和截距作为前一帧车道线道路图像的参数值,卡尔曼滤波系统以前一帧车道线参数值预算估计出当前帧道路图像的车道线作为最优估计值;通过设定阈值更新当前帧道路图像中车道线出现的区域为感兴趣区域,以减小道路图像中其他非车道线因素的噪声的干扰;利用opencv视觉库分别找到当前帧道路图像感兴趣区域中所有组成车道线的端点作为左右车道线的数据集,用最小二乘拟合出车道线的检测值;将卡尔曼滤波估算得出的最优估计值和最小二乘拟合的检测值比较后完成车道线的检测跟踪。实验结果表明,采用改进的卡尔曼滤波跟踪方法后,车道线识别准确率超过了95%。利用前一帧车道线的参数对当前车道线的状态进行估算,可以消除不同干扰条件下噪声的影响,提高车道线的识别准确率,提升辅助驾驶功能的稳定性。

基于空间语义分割的多车道线检测跟踪网络

基于深度学习的目标检测网络在车道线识别领域依旧存在车道区别不明显,识别精度低,误检率、漏检率高等问题。为了解决这些问题,提出了一种基于空间实例分割的轻量级车道检测跟踪网络。该方法在编码部分使用VGG16网络和空间卷积神经网络来提高网络结构学习空间关系的能力,解决了预测车道线出现模糊、不连续等问题;基于LaneNet将编码输出后的两个分支任务相耦合,以改进前景与背景识别效果不佳和车道间区分不明显的问题。最后,该方法在TuSimple数据集中与其他5种基于语义分割的车道线算法进行对比。实验表明,本文算法的准确率评分为97.12%,误检率与漏检率均优于其他网络,并且误检率与漏检率相比于LaneNet分别降低了44.87%和12.7%,基本满足实时车道线检测跟踪的要求。

基于多传感融合的车道线检测与跟踪方法的研究

车道线的有效检测与跟踪是智能车正确识别道路的前提。针对现有车道线检测与跟踪算法效率不高的难题,提出了一种基于视觉传感器与车道级高精度地图相融合的车道线检测与跟踪方法。该方法首先用改进的Hough变换提取边缘线段;然后基于滤波预测与更新车道线模型状态参数;最后结合高精度地图中车道线先验模型参数,跟踪车道线轨迹。现场实测结果表明,算法的实时性和鲁棒性满足算法性能评价体系的各项指标,较符合智能车对车道线检测的要求。

基于改进卡尔曼滤波的车道线与车辆跟踪系统算法研究

针对传统的车道线跟踪系统在复杂交通流情况下,利用卡尔曼滤波无法有效跟踪车道线的问题,论文提出了一种融合车辆与车道线检测的跟踪算法。该算法首先利用二阶高斯方向滤波器提取车道线检测的响应,同时利用haar-like特征检测图像平面中的车辆的2D回归框,并利用卷积神经网络预测车辆的3D回归框区域。利用车辆3D回归框的在车道线平面上的投影,结合改进的卡尔曼滤波同时跟踪车道线和车辆位置,避免因为车辆的遮挡造成对车道线的跟踪失效问题。实验室结果表明提出的融合车道线与车辆跟踪算法具有较好的准确性和鲁棒性。

基于传感器融合的车道线跟踪与车道保持系统

车道保持是高级驾驶员辅助系统中的一项重要功能,精准鲁棒的车道线轨迹方程是高性能车道保持系统的前提。基于奇异值分解-无迹卡尔曼滤波框架融合相机、惯性测量单元和轮速传感器,提出了一种新颖的、准确性更高的车道线跟踪与车道保持系统。首先,设计了双分支车道线检测网络,在TuSimple数据集和自行标注的数据集上进行训练和验证。然后,通过图像后处理算法获得了鸟瞰图视角下的车道线实例分割结果,并结合惯性测量单元和轮速传感器对车道线参数进行了估计和跟踪。最后,基于改进的纯跟踪算法建立了车道保持系统,并搭建了联合仿真平台对上述车道保持系统进行了测试。实验表明,该系统在多种复杂场景下侧向距离均方根误差小于0.2 m,相比纯视觉系统,准确性和可靠性均有明显提升。

强光照条件下车道标识线识别与跟踪方法

为了实现强光照条件下车道标识线的准确识别和跟踪,采用基于直方图锥形拉伸算法对原始图像进行处理,以提高图像整体对比度,利用SUSAN算法提取出处理后图像中的边缘,对边缘图像利用定向边界跟踪算法进行滤波,利用Hough变换提取出车道标识线参数完成对道路图像中的车道标识线的识别,最后采用建立梯形感兴趣区域来实现对车道标识线的实时跟踪。试验结果表明该方法具有较强的鲁棒性和较好的实时性。

高速公路车道线检测与跟踪算法研究

为提高高速公路上车道线识别的快速性和鲁棒性,提出了一种有效的车道线检测与跟踪方法。采用霍夫变换进行车道线检测,具有较强的抗干扰能力,能够准确地识别车道线。车道线跟踪利用Kalman预测参数建立感兴趣区域,然后用扫描线法搜索车道线边界点,在车道线间断区域利用Kalman预测器定位车道线边界。由于搜索限制在预测范围内,提高了搜索精度,减少了搜索范围,保证了实时性能,且对虚线车道线识别特别有效。仿真实验结果表明,对于不同的天气状况和车道线种类,该算法均有较好的识别效果。

用于智能汽车的复杂光照环境车道线检测及跟踪方法

针对复杂光照环境的智能汽车行驶安全问题,提出一种车道线检测及跟踪的改进方法。在图像预处理阶段,应用灰度变换方法增大不同光照环境的车道线和道路对比度;用改进概率Hough变换方法提取二值化图像中的车道线;用最小二乘法进行车道线拟合;根据前一帧车道线检测结果建立Kalman滤波动态感兴趣区域,实现车道线准确跟踪。进行夜间光照、弱光照、强光照及正常光照等不同光照环境下的车道线检测和跟踪实验。结果表明:该方法的准确率约为97.53%,对于单帧车道图像的处理时间约为60 ms,具有较好的准确性和实时性,并具有抗路面阴影、交通标志、车辆遮挡、路灯等因素干扰的能力。

基于OpenCV的车道线识别与跟踪算法

随着无人驾驶汽车技术和机器视觉研究的不断升温,车道线识别与跟踪算法逐渐被人们重视。文章通过定义热点区域并融合其他检测算法提出一种车道线识别与跟踪方法。经过验证,该方法能够在复杂环境下准确地提取出车道线,并预测出消失点,具有较强的实时性、准确性和鲁棒性,对无人驾驶技术具有一定辅助作用。

夜间车道线检测与跟踪算法研究

夜间车道线的检测与跟踪是汽车智能辅助安全驾驶系统在夜间工作的前提。根据夜间车道图像照度低,光照不均匀的特点,提出先进行基于光密度差的对数Prewitt边缘检测,再进行Hough变换检测单帧车道线,最后融合固定区域法和Kalman滤波法预测感兴趣区域跟踪连续车道线的算法。实验结果表明,该算法具有准确、实时的夜间车道线检测与跟踪能力。

基于TMS320DM6437的车道线检测与跟踪

在TMS320DM6437平台上实现了车道线的实时检测与跟踪。通过两级Hough变换实现了车道线实时检测,利用视频帧与帧之间的相关性对车道线进行跟踪。在算法移植到TMS320DM6437平台过程中,利用DSP特点,对算法在结构以及流程等方面再次进行优化进行进一步优化。经过实验测试,该系统实现了车道线实时检测与跟踪。

应用方向可调滤波器的车道线识别方法

考虑车道线的方向特性,提出一种应用方向可调滤波器的图像预处理方法。在对图像中的车道线方向特性进行分析的基础上,对图像进行分区处理,在每个区域内使用符合该区车道线方向的方向可调滤波器。在车道线初始检测阶段,利用边缘分布函数(Edge distribution function,EDF)确定车道线方向;在车道线跟踪阶段,则把上一轮检测结果作为方向可调滤波器的方向角输入。对比分析表明,该方法能够更加有效地强化车道线信息,去除图像噪声。经过多种工况下的试验验证,应用方向可调滤波器的车道线识别方法能够稳定地对车道线进行识别,准确地提取车道线参数,并且算法实时性很高。

应用匹配滤波器的车道线恒虚警率识别方法

针对多种道路场景下车道线的识别问题,提出了一种应用匹配滤波器和恒虚警率检测器的处理方法。根据车道线横截面的灰度轮廓特征,对图像局部区域,采用不同尺度的匹配滤波算子,实现不同环境条件下车道线区域的特征增强;利用可产生自适应阈值的恒虚警率检测器,提取车道线特征点,并通过随机抽样一致性方法拟合产生车道边界线。在车道线跟踪阶段,建立车道线参数数据库,分析当前帧车道线与数据库的匹配置信度,并动态更新该数据库。在嵌入式系统中,经过多种工况的试验验证,该算法能稳定地识别车道线,准确提取相关参数,处理速率达到30FPS。

车道线信息的全面理解及偏离预警算法

为全面理解车道线信息,提出了一种车道线检测分类跟踪及偏离预警算法。首先利用动态感兴趣区域约束Canny算子的检测范围,基于扩展的Otsu算法改进Canny算子的阈值设定方式,并通过Hough变换进行车道线边缘拟合;然后依据车道线的颜色及线型特征进行分类,同时借助Kalman滤波器实时跟踪车道线,对检测失效区域采用Kalman滤波器的预测值进行替换;最后设定有效的偏离预警策略,确保行驶的安全性。实验结果表明,算法能全面地理解车道线信息并进行跟踪,同时具备对危险行驶状态下的车辆进行预警的能力。

基于改进概率霍夫变换的车道线检测与跟踪算法

传统车道线检测算法通常直接在预处理后的图像上进行霍夫变换,检测效率较低。本文提出一种改进的算法,首先通过图像预处理去除干扰,然后提取道路图像轮廓,根据轮廓外包矩形的参数筛选符合车道线特征的轮廓线,最后利用改进概率霍夫变换和Kalman滤波算法实现车道线的检测与跟踪。该算法通过轮廓筛选和改进概率霍夫变换可以有效减少霍夫变换所需检测的线段数量,从而提高算法的运行效率。仿真实验表明,改进后的算法相对传统算法准确率提高了8.1%,检测速率提高了23.9%,可以在多种复杂场景下准确快速地检测并跟踪车道线。

复杂道路条件下的车道线检测算法

针对在复杂道路条件下基于滑动窗口的车道线检测算法易发生误检、漏检的现象,提出了一种改进算法。该算法在图像预处理方面使用了多阈值过滤方法,主要通过结合梯度阈值过滤和颜色空间阈值过滤的优势,充分提取道路图像中车道线的信息,消除了由复杂路面引起的噪声干扰;在车道线拟合方面,使用了基于动态自适应感兴趣区域的车道线跟踪方法,该方法主要利用前一帧的车道线信息自动调整感兴趣区域的位置及大小,有效地解决了基于滑动窗口的车道线检测算法在复杂行车环境下容易出现漏检、误检的问题。最后通过与基于滑动窗口和Hough变换的车道线检测算法进行对比实验,结果显示:改进后的车道线检测算法在准确性与实时性方面具有明显优势。

一种基于Edline线特征的车道线识别算法

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,提出了一种新的车道线识别算法。首先应用投影法对采集到的图像设立感兴趣区域,以此来减少图像中存在的干扰信息;其次应用一种改进后的自适应高斯滤波算法对采集所得图像进行平滑处理,减少图像中不必要的细节;最后采用边缘绘制算法进行边缘检测,在此基础上,提出一种线段检测算法——Edline算法提取边缘线,对检测到的直线段进行筛选和聚类。利用引用计数法对车道线进行跟踪和预测。结果表明,新算法的平均处理时间为17.1 ms,准确率为96.19%,将其应用在车道偏离预警系统中可以有效地提高预警效率,提升预警的准确性和响应速度。研究结果丰富了车道线识别理论,可为车道偏离预警系统的应用及基础研究提供参考。

一种基于直线模型的车道线识别算法研究

为了更好地满足车道标志线识别算法的实时性和鲁棒性要求,提出了一种新的、有效的车道标志线识别算法。将图像灰度化后,采用中值滤波去除图像采集过程中引入的噪声,应用方向可调滤波器进行边缘提取,在提取过程中对原图像进行感兴趣区域划分并采用边缘分布函数法确定方向可调滤波器的初始方向角。提出使用基于梯度加权的霍夫变换对车道标志线进行识别,通过建立梯形感兴趣区域的方法实现对车道标志线的实时跟踪,并对多段实地采集的视频进行实验测试。结果表明:基于方向可调滤波器与梯度加权的霍夫变换相结合的车道标志线识别方法,简化了对车道标志线信息特征参量的估计;不仅大大缩减了算法的执行时间,而且使算法的鲁棒性得到很大的提高。

一种用于高速公路的快速有效的车道线识别算法

提出了一种针对高速公路的车道线检测与跟踪方法;在图像预处理中采用基于采样的自适应阈值以满足不同光照条件下的使用要求,采用霍夫变换(HT,Hough Transform)进行车道线初始检测,车道线跟踪利用Kalman预测参数动态建立感兴趣区域(ROI,Region of Interest),用扫描线法搜索车道线边界点,在车道线间断区域利用Kalman预测器定位车道线边界;设计了一个失效判别模块,验证跟踪结果,当跟踪失败时,重新启动初始检测算法进行识别;实验结果表明,对于不同的车道线种类和在大部分车道线被前方车辆遮挡的条件下,该算法均具有较高的实时性和鲁棒性。