一种智能汽车的实时道路边缘检测算法

以无人驾驶汽车为平台,针对结构化、半结构化道路下无人驾驶汽车道路边缘检测问题,提出了一种智能汽车的实时道路边缘检测算法。该算法首先对获取的激光雷达数据点云进行标定、分层与中值滤波,然后提取各层的左右边界点,而后利用随机抽样一致性算法(简称Ransac)对左右边界点集进行直线拟合,最后用卡尔曼滤波算法进行跟踪,从而实现实时的道路边缘检测。经实验验证,该算法准确率高,可靠性强,能够准确完成道路边缘检测,可以满足实时系统的要求,并已经成功应用于2014年的"智能汽车未来挑战赛",而且取得了第三名的好成绩。

基于移动终端的道路边缘检测方法

面向自动驾驶技术,研究一种实时的道路边缘检测方法—MERD(Mobile Equipment based Road-edge Detection).该方法基于智能移动终端的Android系统平台,将针对HSV图像的数学形态学方法和针对灰度图的Hough变换检测方法相结合,针对不同路段环境进行道路边缘检测.实验验证了该方法在处理傍晚路段、阴影较多路段等不同情况的道路环境时,能够提供较高准确度的实时道路边缘检测,为车辆的自动驾驶提供安全保障.

基于消失点迭代重估的道路边缘检测

传统道路边缘检测算法很少能用于乡村道路。该文提出基于消失点迭代重估的道路边缘检测方法:Gabor滤波器估计像素纹理方向,同时计算对应的置信度;根据纹理方向,由置信度大于阈值的像素投票确定初始消失点;以初始消失点为起点,向下建立一组射线,并计算由颜色差和二倍角正弦函数加权的方向一致率,将最大值对应的射线作为初始道路边缘;交替采样两侧边缘,选取最优消失点,由此得到两条道路边缘。实验测试了不同类型的乡村道路图片,并与经典算法对比。结果表明该方法在乡村道路中具有较高精准度与鲁棒性。

基于激光雷达距离图像的道路边缘检测与跟踪

论述了将激光雷达的距离图像信息用于道路检测和跟踪。首先将扫描点进行聚类分析对道路边缘进行检测和对所检测的边缘进行最小二乘直线拟合,在成功检测道路边缘后,利用Kalman滤波对道路边缘进行跟踪。实验证明该算法具有检测准确且鲁棒性好的特点。

一种快速的基于边缘的道路检测算法

道路检测是机器人视觉导航中的重要环节。本文提出了一种新的非结构化道路检测算法。算法基于这样的一个基本假设,即道路的轮廓由一些具有一定长度的连续直线段组成。在一定的范围中通过计算边缘点,然后通过Hough 变换求得直线段,从而确定道路边界的位置。但是边缘图像中不仅仅包含道路的边缘,还有阴影,植物等其他的边缘。如果不消除这类边缘的影响,将大大削弱算法的效率和准确性。本文提出一种基于颜色和方差的规则有效地消除这类非道路的边缘。一旦当前帧中获取道路的边缘,通过限定下一帧中的感兴趣区域(ROI)减少搜索范围从而快速定位帧中的道路边缘,从而进一步提高算法的效率。大量实地(校内公园道路)实验验证了该算法的快速和鲁棒性。

基于中心线引导的主动视觉导航方法研究

为了解决移动机器人主动视觉导航的漂移问题,提出了一种基于中心线引导的视觉导航方法。该方法首先构建了实际物理坐标与图像坐标的映射管辖,为实时图像坐标约束条件的闭环控制提供精确的数学模型;接着,利用Canny算子进行车道边缘线和道路标志线的初步检测,并采用方向引导优化的方法消除背景杂波的干扰,提升复杂背景下的检测精度;最后,通过模糊控制器对导航中心引导线的偏离角度进行修正,保证形式路线的正确性。实验结果表明,同传统的被动固定摄像机导航方法相比,有效提升了不同路况条件下的导航精度。

基于方向引导优化的视觉导航方法

为解决主动视觉导航在复杂路况条件下精度较差的问题,提出了一种基于方向引导优化的主动视觉导航参量计算方法。首先,建立了车辆物理坐标系与视觉图像坐标系的变换方程,通过Canny算子对视频图像进行初步的车道边缘线和道路标志线检测;接着,基于方向引导优化有效降低了阴影、积水等杂波对检测性能的干扰,并通过阈值优化的广义Hough变换实现车道线的内外边缘及道路标志线的精确检测;最后,基于检测结果计算出用于导航的中心引导线、偏离角度、距离等参量。实验结果表明,该方法能够有效且精确地获取主动导航系统的偏移参量。

一种优化的主动视觉导航方法分析

为解决主动视觉导航在复杂路况条件下精度较差的问题,提出了一种优化的主动视觉导航参量计算方法。首先,建立了车辆物理坐标系与视觉图像坐标系的变换方程,通过Canny算子对视频图像进行初步的车道边缘线和道路标志线检测;接着,基于方向引导优化有效降低了阴影、积水等杂波对检测性能的干扰,并通过阈值优化的广义Hough变换实现车道线的内外边缘及道路标志线的精确检测;最后,基于检测结果计算出用于导航的中心引导线和偏离角度、距离等参量。实验结果表明,本文方法能够有效且精确的获取主动导航系统的偏移参量。