基于轻量化U^(2)-Net的车道线检测算法研究

针对车道线遮挡、道路阴影等多车道驾驶环境下提取的车道线特征信息缺失造成预测车道线模糊、不连续等问题,提出一种基于轻量化U^(2)-Net的车道线检测算法。首先,以轻量化U^(2)-Net的残差U形模块(RSU)和多特征尺度融合获得全局信息丰富的车道线特征;其次,对车道线特征进行逐像素阈值判断,并选择最小二乘法结合感兴趣区域(ROI)中车道线簇进行车道线的拟合,实现多车道线检测并确认自车道线区域;最后,在图森(TuSimple)数据集上进行验证与分析。验证结果表明,所提出的车道线检测算法的平均准确率达到98.4%,相比于其他车道线检测网络,该算法的网络参数量较少,准确率较高。

基于机器视觉的红外激光辅助车道线检测方法

车道线检测在车道偏离预警、车道保持、车道变换、前向碰撞预警、自适应巡航控制等驾驶辅助系统中发挥着重要的作用。传统的车道线检测算法存在算法复杂度较高、在路面变化时识别率低等问题。针对以上问题,提出了一种红外激光辅助车道线检测的方法。通过两道激光照射路面后激光光条在图像中的位置获取路面角度信息,以实现自适应逆透视变换;使用Canny算法完成二值化、Hough变换检测直线;利用激光照射位置处路面和车道线灰度差值明显的特点定位车道线,完成直线的筛选。实际路况的实验表明,所提算法能够有效地应对路面变换带来的视角变化并减少环境干扰,相比固定ROI提取方法和传统Hough直线检测方法效果更佳、鲁棒性更强,平均正确率达到97.24%,平均运算时间为28.7 ms/帧。

一种基于车道线检测的自动驾驶预行驶区域判别方法

无人车在道路行驶中须对前方障碍物进行实时检测与识别。预行驶区域的判别与划分可以限定障碍物检测的空间范围,帮助减少感知算法的运算量甚至提高感知算法的精度。本文提出了一种基于车道线检测的车辆预行驶区域检测与判别算法：在预处理阶段,针对车道线的颜色特征,本文在灰度变换中对黄色和白色区域进行重点突出;进而根据摄像头在车辆的加装位置,建立道路感兴趣区域标注模型,提高车道线检测的准确率与处理速率;然后采用相关滤波算法对车道线进行检测与提取,引入霍夫变换进行车道线的提取;最后通过最小二乘法拟合得到检测的车道线,以提取预行驶区域。实验结果表明,本文算法提高了车道线识别的准确性,加快了车道线识别的速度,能在实际道路上实时提取预行驶区域。在不同的光照和路况条件下,算法整体准确率达到93.75%。

基于高分辨率遥感影像的车道线提取

车道线是自动驾驶高精度地图的组成部分,利用车载摄像头和激光雷达提取车道线的研究已经比较深入。本文探讨了利用高分辨率遥感影像提取车道线的方法。首先依据直方图原则选取合适的阈值进行二值化分割,其次利用道路中线形成的缓冲区去除道路范围外的要素,然后利用形态学算子去除噪声,最后利用方向和面积因子提取不同的车道线。该方法可以降低数据采集的成本,提高采集效率。