基于多目标优化的车道线检测模型剪枝算法

以车道线检测算法为例,对网络模型进行剪枝优化。首先,对模型进行正则化,初步提高模型参数的稀疏度。之后,建立以准确率变化量和模型参数变化量为目标的多目标优化函数,通过调节准确率变化权重系数和压缩权重系数得到不同目标下的最优模型。在剪枝过程中,按卷积层深度对各层设置不同的阈值系数,最后对优化后的模型进行重新训练得到最终模型。实验结果表明:准确率优先的优化模型在车道线检测数据集的准确率为92.47%,模型压缩比为42.8%;响应速度优先的优化模型在车道线检测数据集的准确率为90.75%,模型压缩比例为67.3%。根据不同的场景需求,算法能够有效地得到不同效果的剪枝优化模型。

一种利用导航轨迹数据的车道信息提取方法

基于轨迹数据提取车道级道路信息的关键在于道路中心线,然而目前已有研究大都基于先验地图或者粗略估算来获取道路中心线,这严重降低了后续车道信息提取与更新的效率和精度。为此,文章提出了一种利用导航GNSS轨迹数据自动提取车道信息的方法。首先,利用自适应K-means聚类方法对导航轨迹进行方向划分并基于轨迹的密度分布实现轨迹数据清洗;其次,根据机动车轨迹在道路上的位置分布进行拟合,实现车行方向道路中心线的提取;最后,基于约束高斯混合模型实现各个路段的车道数量和车道中心线的提取。实验结果表明,该方法可以准确地提取车道信息,其中车道数量精度为79.8%,车道中心线的位置精度接近1 m,车道宽度精度大都优于0.5 m。

高速公路多车道分道线快速检测与重建技术

介绍了基于单目视觉技术的高速公路多车道快速检测与重建技术,实现了高速公路的车道自动保持。采用双阈值法快速分割高速公路的白色分道线,用特征跟踪法提取分道线,根据道路视觉模型用圆锥曲线结合分道线特征点重建4条分道线。分析了根据道路视觉模型和分道线重建来实现车道保持的基本方法。该算法已经通过VC语言实现,系统在四川省和重庆市的高速公路上以最高120 km/h的速度进行了试验,圆满地完成了多车道检测任务,实现了车道保持。

直线模型下的车道线跟踪与车道偏离检测

为了解决规格化道路上车道线跟踪及车道偏离检测的问题,利用Kalman滤波器来动态确定感兴趣小窗口的大小和位置。首先,在小窗口内采用Hough变换方法进行车道线识别;同时,根据摄像机的成像几何性质,推导出车道偏离程度与道路图像中车道线斜率之间的函数关系,从而简化了摄像机标定过程。现场试验表明,完成一帧道路图像的预处理及车道线识别的所需时间小于30 ms,车辆直行情况下的车道偏离率相对测量误差小于5%,试验结果验证了该方法的实时性和正确性。

基于摄像机模型的运动车辆车道偏离检测

针对车道偏离检测中较难解决的车载摄像机标定问题,从分析摄像机成像模型入手,根据图像中3条或3条以上车道线的消失点位置以及车道线斜率关系,在道路现场调整摄像机安装位置,以实现对摄像机外部参数的直接设定,从而避开了繁琐的摄像机参数标定过程.同时,推导出图像内车道线斜率比与车道偏离程度的简单函数关系,该函数与摄像机内外参数无关.因此,行车过程中只需测量图像中车道线的斜率,即可计算出车辆当前的车道偏离量.现场试验结果表明,在车辆直行时采用该方法测得的车道偏离率与手工实测结果相比,其相对误差小于5%,具备了较高的检测精度.

评定线轮廓度误差的通用数学模型

建立了用最小二乘法评定平面曲线轮廓度的通用数学模型。运用该模型可对任意平面曲线的轮廓度进行评定，从而将直线度、圆度、椭圆度以及任何线轮廓度的评定归结在统一的模式中。由于所建立的模型直观、明了，很容易在计算机上实现，因而可在生产实际中普遍推广应用。举例说明了线轮廓度误差可分离成形状误差、参数误差和位姿误差，给出了分离公式和误差补偿原则。

基于光流法与背景建模法融合的车道线识别算法研究

为了准确高效地识别无人驾驶车辆行驶过程中的车道线信息,采用光流法与背景建模法相融合的车道线识别算法,针对车辆行驶中的连续视频,对比连续视频帧中车辆前方背景的相对运动,运用光流法检测出背景中特征点的移动方向和距离,再结合背景建模法将背景滤除,混合高斯模型去噪后进行ROI特征区域的提取进一步减少计算量,最后进行车道线的提取与拟合,达到车道线识别与提取的目的。

换道预警系统中越线时间的预测方法

为预测车辆换道预警系统中的越线时间,利用视觉传感器实时采集自然换道过程中的横向位移,采用7次多项式轨迹模型对换道过程横向位移的时间历程进行拟合。结果表明,拟合精度均达到0.99以上,且换道轨迹之间呈现一定的相似性。基于换道轨迹相似性建立了换道过程越线时间预测算法,检验结果表明,超过90%的预测误差不超过0.1s,且符合正态分布规律。

信号灯控制交叉口停车线车辆延误模拟算法

本文在系统地分析车辆通过信号灯控制交叉口的实际运行状态基础上,提出了不同车道功能组合、不同车种构成、不同排队顺序等条件下的非饱和状态车辆延误摸拟算法,较好地改进了传统的Webster延误算法。应用表明,其算法更符合实际车辆延误状况,对于正确计算车辆延误、进一步进行交通仿真都具有重要的意义。

基于机器视觉的车道线检测研究进展综述

针对车道线检测技术在车道偏离预警、自动泊车和车道变换等各种辅助驾驶系统中的重要作用,国内外专家学者对车道线检测技术做了较多的研究,但是近年来少见有关于车道线检测的综述,因此本文主要阐述了近几年国内外机器视觉的车道线检测研究进展。首先简单介绍了机器视觉的车道线检测的基本流程;其次重点阐述了基于特征、基于模型和基于深度学习三种典型方法的基本检测原理和研究现状,并对比三种典型研究方法;最后,提出了机器视觉的车道线检测方法主要存在的问题,并针对问题提出未来的发展方向。

城市信号交叉口导向车道线长度模型

为提高城市信号交叉口进口道通行能力与安全水平,基于导向车道线与导向箭头的关系,分析进口道驾驶员心理特征与车辆运行行为,提出导向车道线长度模型.该模型由导向箭头识别距离、驾驶员反应距离、操作距离、停车安全距离和车辆排队长度等定量化部分构成,并以福州市某交叉口东进口道为例进行计算与仿真.仿真结果表明:导向车道线长度适宜范围为76～96m;10个评价方案中,最优长度值为86m,对应进口道单车平均延误为28s,平均速度为32km/h.在模型所得长度范围内,存在交通运行水平最优的导向车道线长度值.

基于分段切换模型的点集优化车道线识别方法

针对车辆的横向运动偏差及相关安全监控技术存在缺陷的问题,提出一种基于分段切换模型的点集优化车道线识别方法。首先建立稳定可靠的分段切换车道线模型,然后利用单目视觉和毫米波雷达的传感器组合对车辆进行识别,筛选掉干扰车道线识别的无效候选点,如果缺少有效的识别点,则利用卡尔曼滤波和车道线等宽条件进行有效点的补充。实验证明,该方法能够准确有效的识别车道线,对于减少车辆行驶过程中安全事故的发生具有重要意义。

LDA与LSD相结合的车道线分类检测算法

提出一种车道线分类检测算法。首先采用LDA对道路图像进行有针对性的灰度化,以便更好地区分车道线与道路。采用LSD算法检测灰度图像中的直线部分并确定车道线的方向。在此基础上,选取符合车道线灰度范围内的像素点。对远距离的像素点采用抛物线拟合,近距离的像素点采用直线拟合。同时,将检测到的车道线进行虚线实线的分类标记。最后结合视频序列的连续性对检测结果进行反向验证。实验结果证明,提出的方法对直道弯道检测均有很好的效果。算法的处理速度为每秒10帧左右,采用的测试视频的帧率为每秒15帧,基本满足实时性的要求。

1种基于平行直线对模型的车道检测方法

针对智能车辆安全辅助驾驶系统中利用单目视觉进行车道识别的问题,提出了1种基于平行直线对模型的车道检测方法。该方法根据高速公路图像特征构建平行直线对模型,在此基础上先利用Hough变换提取直线,再由改进的级联Hough变换检测出平行直线对的消失点,最后通过消失点和先验信息来提取当前车道线。使用Matlab对高速公路上不同路段、不同光照情况、不同车辆干扰下共150幅道路图像进行实验,检测精度达88.6%,平均检测时间为0.24s。实验结果表明,这一方法在高速公路行驶环境下能较准确地检测出当前车道线,具有很好的光照适应性、抗车辆干扰性和一定的实时性。

基于机器视觉的车道偏离预警技术研究

为有效避免车辆横向偏移导致的交通事故,基于车道线检测拟合和偏离预警策略2项关键技术,对道路图像预处理模块提出2步感兴趣区域提取法、基于颜色分量的灰度化方法和改进的Otsu二值化法;基于Hough变换的缺点提出具有约束的概率Hough变换检测算法检测直线车道线;基于改进RANSAC算法和抛物线模型实现弯曲车道线的检测;为更加准确地适应实际驾驶环境,提出基于动态划分远近视场的直线-抛物线模型;提出基于车辆当前横向偏移量和车道线斜率变化的车道偏离预警模型,并通过实车实验对该模型进行验证。结果表明:上述算法改善了现有算法实时性不好、鲁棒性不高的缺点,在一定程度上满足了实际需求。

基于SuperMap的智能公交分析系统的设计与实现

采用苏州智能公交运营系统获取的公交运营数据,结合数据库技术、组件式GIS技术Super Map Objects,以及层次分析法(AHP)、TCQSM模型等科学方法,利用C#语言开发出智能公交分析系统。系统能够运用合理的指标进行公交场站、线路及公交专用道分析,指出公交运营中存在的问题及需要改善的地方,最终给出整改措施。经过苏州公交数据实例验证,该系统指出的问题与公交实际运营中出现的问题相吻合,因而该系统可为公交发展提供决策支持。

基于模型融合的低照度环境下车道线检测方法

针对低照度环境下车道线检测准确率低和稳定性差的问题,提出了一种基于模型融合的低照度车道线检测算法.采用基于ALTM(adaptive local tone mapping)算法改进的颜色平衡算法做数据增强处理,有利于车道线特征的提取;融合改进的Deeplabv3+模型和Unet模型,有效降低了过拟合现象;使用实例分割得到分割后的车道线图像.实验证明,改进的Unet模型和Deeplabv3+模型的mean_IOU(mean intersection-over-union)值分别达到了0.625,0.646,较原始模型分别提高了2%和4.6%,最终融合结果提升了0.01%.提升了低照度环境下车道线检测的稳定性和准确性.

基于线性抛物线模型的车道检测与跟踪方法

车道检测是车道偏离预警系统的前提,是车辆辅助驾驶系统的重要组成部分。提出一种基于线性抛物线模型车道检测与跟踪方法:首先,提出一种新的车道线检测感兴趣区域(ROI)设置方法;其次,引入双阈值算法对道路边缘进行提取,利用Hough变换初步获得车道中线及消失点坐标并提取道路标识线;最后,建立线性抛物线模型,引入卡尔曼滤波(KF)对车道线进行跟踪,并用卡尔曼滤波对模型参数进行更新。多段实地采集的视频仿真试验结果表明,该算法能快速、稳定的检测和跟踪车道线。

基于视觉的车道线检测算法研究综述

在实现自动驾驶中,环境感知是其重要任务,而车道线检测算法研究在环境感知中占据着主要位置。传统的车道线检测算法主要依赖于提取特征,而特征会随着环境发生变化,因此易受到环境的影响。随着国内外深度学习的发展,研究者开始利用深度学习技术进行车道线检测算法研究,以尽可能减轻环境因素的影响。文章综述了近年来基于视觉的车道线检测算法研究的进展,主要是基于模型、基于特征的传统车道线检测算法,以及基于深度学习的新兴检测算法,对具有代表性的实现方法进行了详细分析。