基于平行Snake耦合Kalman滤波器的车道线检测算法

针对当前车道线检测算法中易受到车道线磨损、遮挡、阴影等影响,导致检测算法精度不高,鲁棒性不强,提出了平行Snake耦合Kalman滤波器的车道线检测方案。首先,为了获得道路左右边界的平行属性,引入期望最大化(EM)算子,通过最小化目标函数来估计消失点,并估算其单应矩阵;并在齐次坐标空间中进行单应性变换,将车道线透视图转变为鸟瞰图。然后,通过参数预测算子建立车道模型,将平行性约束添加到主动轮廓模型(Snake)中,构建了一种平行Snake车道线检测方法。在平行Snake方法中,为了克服图像梯度低时Snake无法有效收敛到车道边界,引入了膨胀力,将两条平行的主动轮廓往道路的左右两边推挤,最终收敛到道路的左右边沿。最后,考虑到前后帧之间参数的连续性,采用Kalman滤波器进行跟踪优化,并抑制噪声,提高算法对车道线的识别精度。实验结果表明,与当前常用的车道线检测算法比较,提出的方案在精度与鲁棒性均得到改善,在阴影、光照变化、边界破损等车道数据集上取得了良好的性能。

全景鸟瞰图像中车道线颜色识别方法

车道线颜色是一种特殊的车道属性信息,是驾驶员文明驾驶和安全驾驶决策的重要依据,而现有的研究只是基于视觉的车道线检测,并未对其进行颜色识别,为此提出一种全景鸟瞰图像中车道线颜色识别方法。首先对全景鸟瞰图像中检测到的车道线进行兴趣点提取,然后将兴趣点三维RGB像素信息转换为二维信息数据,最后利用mean-shift算法聚类寻找质心,依据不同颜色的二维信息中的分布特征识别车道线颜色。实验结果表明该方法对全景鸟瞰图像中的车道线颜色识别有很好的正确率。