基于自动巡航控制和车道跟踪的自动公路系统构建

本文介绍一种自主巡航控制系统,提出了一种基于多智能体系统的车道跟踪和巡航控制的主从式车辆结构形成技术,该系统保持了主从之间的安全距离。采用比例积分微分(PID)控制器来观察主控制器的速度,从而保持与从控制器的安全距离,图像处理保证了主-从方法对车辆编队的跟踪和车道检测,并利用MATLAB进行了系统建模和仿真结果表明,从机以恒速跟随主机,在避免碰撞的同时保持安全距离。

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。

基于扩展卡尔曼滤波的车道融合跟踪

车道检测算法的研究是智能车辆自动导航的首要环节。与目前基于视觉的车道检测与跟踪系统不同,本文提出一种基于扩展卡尔曼滤波的车道融合跟踪方法。该方法利用毫米波雷达探测到前方车辆的距离信息,并采用扩展卡尔曼滤波技术和图像处理技术,建立车道跟踪的动态视觉窗口,提取车道边界,并判断前方车辆相对于车道的位置。该方法大大缩减了处理时间,且增强了系统的鲁棒性。

基于边界的车道标识线识别和跟踪方法研究

在道路图像中,为了得到较理想的车道的标识边缘,该文采用基于LOG算子边缘增强的方法得到梯度图像,利用SUSAN算子对该梯度图像进行分割,实现了车道标识线边界的提取。在分割后的梯度图像中,利用Hough变换提取出车道标识线参数,完成了对道路图像中的车道标识线的识别,采用建立梯形的感兴趣区域的办法,实现了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。

基于熵最大化边缘提取的直线型车道标识线识别及跟踪方法

为了得到较为理想的车道标识线边缘图像以便于更好地对车道标识线进行识别,提出了一种基于熵最大化的边缘提取的车道标识线识别及跟踪方法。该方法结合了基于一维熵最大化分割方法和基于二维直方图的熵最大化分割方法,利用图像变窗口处理技术实现对道路图像中车道标识线边缘的分割,然后利用基于统计的方法得到车道标识线参数,最后采用建立梯形感兴趣区域的方法实现对车道标识线的实时跟踪。试验结果表明:该方法具有很好的可靠性、鲁棒性和实时性。

车道标识线识别和跟踪方法研究

为了得到比较理想的道路图像中车道标识的边缘,文中采用了基于二维直方图熵最大化的车道标识边缘提取方法。对此边缘图像采用定向边界跟踪方法提取出车道标识特征点,对这些特征点采用线性回归技术就可以得到车道标识线参数,从而完成对道路图像中的车道标识线的识别,并且文中还采用了建立梯形的感兴趣区域的办法实现了对车道标识线的实时跟踪。

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。

基于熵最大化图像分割的直线型车道标识识别及跟踪方法

为了解决在道路路面材料不一致或光照不均匀情况下的车道标识线的识别和跟踪问题,提出一种基于熵最大化的图像分割可变形模板的车道标识线识别及跟踪方法。该方法结合了图像变窗口处理技术和基于熵最大化分割方法来实现对道路图像的理想分割,然后利用可变形模板匹配方法得到车道标识线参数,最后采用建立梯形感兴趣区域的方法实现对车道标识线的实时跟踪。试验结果表明:该方法具有很好的可靠性、鲁棒性和实时性。

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。

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。

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。

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。

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。

高速场景下的车道检测与跟踪研究

高速结构化场道路因场景相对简单,无行人识别任务,实际交通承载大,驾驶任务单一、枯燥,交通事故后果严重而被学术界和产业界誉为迫切实现商业化应用的自动驾驶场景之一。基于此,该文针对高速结构化场景下的车道检测和跟踪任务提出一种基于边缘像素采样和粒子滤波的车道检测与跟踪算法,并在MATLAB-CarSim联合仿真环境下验证所提出算法的有效性。

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。

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。

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。

一种基于边缘点投影的车道线快速识别算法

提出一种基于边缘点投影的车道线快速识别算法,可用于车道线检测和车道跟踪。首先在感兴趣区域内基于投票机制检测消失点,定义目标搜索区域,利用边缘检测信息提取车道特征点。然后沿其梯度方向投影计数,获取车道线上的两个点,再通过置信度判断检测出车道线。最后定义带状区域,实现车道跟踪。采用TMS320DM6437为硬件开发平台,并在集成开发环境CCS下实时仿真调试程序。实车试验结果表明,该算法在DSP硬件平台上运行具有很好的实时性、鲁棒性及准确性,在有阴影、车辆遮挡或雨雾天气等复杂行驶环境下的车道识别和跟踪效果令人满意。