车道线检测

摘要： 针对路面干扰时车道线检测鲁棒性差和消失点检测误差大的问题,提出了一种基于融合分割和消失点提取的车道线检测方法.对获取视频帧图像进行灰度化和高斯滤波处理之后,利用Canny边缘检测算法对图像进行边缘提取.以边缘点最多的一行作为上界划分预处理图像的动态感兴趣区域(ROI),结合大津算法(OTSU)分割出预处理图像的车道线背景,提取车道线信息.采用直线段检测(LSD)算法对ROI区域内车道线标志进行提取,并结合改进的消失点检测方法快速提取车道线.实验结果表明:所提出的方法对多场景下离线照片的平均正检率为97.16％,识别速度为34 ms/帧,能够很好地对多场景下车道线进行快速检测.

摘要： 为满足自动驾驶汽车在不同环境条件下自主行驶的需求,提出一种基于改进霍夫变换的车道线检测算法。首先利用HSV提取图像车道线颜色特征,然后对HSV和灰度空间融合后的二值化图像进行Canny算子边缘检测、霍夫变换和直线拟合等处理。对比分析实验结果表明,提出的检测算法不仅提高了车辆对车道线的识别精度,而且改善了稳定性。

摘要： 针对基于语义分割的车道线检测方法存在的特征表述模糊、语义信息利用率较低的问题,采用实例分割算法,提出基于改进混合任务级联(HTC)网络的车道线检测方法.基于HTC网络模型,在主干网络中引入可变形卷积,提升主干网络对复杂环境中车道线特征的提取能力.改进特征金字塔网络结构,在特征金字塔网络的基础上添加自底向上的低层特征传递路径,引入空洞卷积,在不损失车道线特征信息的情况下增加特征图感受野,利用低层特征中所包含的车道线的精确定位信息,提高车道线的检测精度.实验结果表明,改进HTC网络模型可以实现车道线特征的鲁棒提取,在复杂道路环境中可以获得较好的检测性能,有效提高了车道线检测精度.

摘要： 针对辅助驾驶或自动驾驶领域车载图像的车辆压线检测问题,以及检测过程中由于欠曝、阴影或实体遮挡等因素导致的漏检、误检问题,提出基于改进Mask R-CNN与LaneNet的车辆压线检测算法。在网络优化方面,在Mask RCNN网络的基础上将RoI Align层的图像缩放算法(双线性插值)改进为双三次插值,将全连接层卷积化的VGG16网络取代LaneNet的E-Net共享解码器;在图像增强方面,改进Gamma校正算法以实现欠曝图像的自动校正;在训练数据方面,完成Tusimple数据集中车辆目标的标注并基于改进的随机擦除算法在网络训练过程中进行数据增强。实验结果表明:车辆检测速度保持不变的同时车道线检测速度提升了28%,车辆漏检率、误检率分别降低了38.93%,89.04%,车道线漏检率、误检率分别降低了67.21%,87.05%,算法的性能指标可满足车辆压线判断的应用需求。

摘要： 车道线是司机进行安全驾驶的重要依据。提高车道线检测的准确性以及实时性,能够保证司机在驾驶过程中的行驶安全,从而减少道路上交通事故的发生概率。为此,提出一种基于Hessian矩阵的车道线检测方法,首先对原彩色车道线图片进行灰度化处理,之后采用中值滤波对灰度图像进行消噪处理,最后通过Hessian矩阵的特征值所构造的滤波器进行车道线的增强,最终实现车道线的有效提取。实验表明,该方法能够不受图像中的噪声影响,准确地检测到公路上的车道线,提高识别率。

摘要： 自动驾驶与辅助驾驶中对车道线检测的要求都是极高的。传统车道线检测中对感兴趣区域的划分主要是粗略的截取图像的下三分之二处,导致对一些特殊场景的适用性不高。本文为了更精确的检测出车道线,在传统的车道线检测基础上提出将感兴趣区域进行动态划分,通过行灰度值和列灰度值剔除图像上部天空和左右风景的无关信息。通过实验表明,上诉方法在检测算法中可以更加精确的识别出车道线,并提高了算法的实时性和鲁棒性。

摘要： 车道线识别是自动驾驶环境感知的一项重要任务。近年来,基于卷积神经网络的深度学习方法在目标检测和场景分割中取得了很好的效果。本文借鉴语义分割的思想,设计了一个基于编码解码结构的轻量级车道线分割网络。针对卷积神经网络计算量大的问题,引入深度可分离卷积来替代普通卷积以减少卷积运算量。此外,提出了一种更高效的卷积结构LaneConv和LaneDeconv来进一步提高计算效率。为了获取更好的车道线特征表示能力,在编码阶段本文引入了一种将空间注意力和通道注意力串联的双注意力机制模块(CBAM)来提高车道线分割精度。在Tusimple车道线数据集上进行了大量实验,结果表明,本文方法能够显著提升车道线的分割速度,且在各种条件下都具有良好的分割效果和鲁棒性。与现有的车道线分割模型相比,本文方法在分割精度方面相似甚至更优,而在速度方面则有明显提升。

摘要： 识别与检测车道线作为自动驾驶感知周围环境的一环,为自主车辆在众多复杂场景中提供交通数据信息参考.为了提取车道线本身含有的交通语义信息,按照实际含义分为不同类别,提出一种多尺度分辨率特征的图像分割方法提取车道线,生成低分辨特征,同时保持高分辨尺度子网.针对卷积神经网络无法充分探索空间信息的局限,引入全自注意力网络结构改进下采样解码部分,将特征图通过嵌入向量映射完成线性采样,再经由全自注意力网络结构提取空间上下文语义信息,最后对图像进行降采样完成最终的下采样过程.利用滑窗多头注意力机制,解决嵌入向量映射层因划分造成边界上下文语义信息的不连续问题.针对改进的模型采用交并比损失函数进行优化,能够在保持精度的情况下正确识别相应类别,交并比和F1系数分别达到49.36%和63.02%.经实际测试,在遮挡、阴影等复杂场景下的车道线识别也能更加准确,具有更好的鲁棒性.

摘要： 针对目前车道线检测算法准确度低、鲁棒性不高、人工智能车道线识别算法需要大量的数据和计算量,以及对车载设备要求高等问题,提出了一种基于网格聚类的车道线检测算法。算法在检测出直线之后,把图像按像素划分为很多个小网格,然后再用网格聚类算法对车道线进行分类。方法计算量低,适应的场景多。实验和仿真结果表明,算法与其他车道线拟合算法相比,具有较好的准确度和鲁棒性。

摘要： 自动驾驶车辆在实际行驶过程中,往往对车道线检测的算法效率有着很高的要求,针对这一问题,本文基于2018年提出的经典车道线检测模型Lanenet,提出一种检测时间开销较小的算法,本算法主要通过两个方法提升车道线检测实时性:一是压缩网络结构,减少图片前向处理时间;二是使用时间复杂度小的k-means算法对车道线像素进行聚类,加快聚类效率。在相同实验环境下,本算法在总时间上比Lanenet减少了77.9%,能更好的解决车道线检测实时性能差这一问题。

摘要： Lane detection is a crucial component of many advanced driver-assistance systems. Lane position can help both develop many driving assistance systems such as lane keeping system (LKS), lane departure warning system (LDWS) and achieve vehicle local location and behavior prediction. In this paper, an illumination invariant lane detection method was proposed. The proposed method takes full use of time-space context for robust lane detection. First, the vanishing point was detected adaptively in the strip image by using standard Hough transform. Thus, the region of interest (ROI) can be obtained adaptively for computation reduction. Then, considering the time-context information of the image sequence, a procedure for generating the time slice image which is used to acquire the lane marks key points was designed. In addition, Tophat processing was utilized to enhance contrast degree of the time slice image for better segmentation between the lane marks and road under the noise and low illumination. Finally the method for predicting the current lane marks position was given.Several driving scenarios had been tested and the experiment results show that the proposed lane detection method works well with acceptable performance and has enough tolerance to low illumination, variant illumination, broken and blurredlanes.

摘要： 提出了根据高斯分布模型的自适应阚值分割方法,使用了基于形态学变换的二值图优化算法得到车道线边缘图。改进了概率霍夫变换,使其更能满足实际情况,从而换检测出车道线。实验表明了该方法可以有效检测出车道线,并且速度上得到了极大的提高。

摘要： 本发明公开了一种车道线属性信息检测模型训练、车道线属性信息检测方法，其中，车道线属性信息检测模型训练方法包括：获取多个车道线训练图像，车道线训练图像沿着车辆行驶方向拍摄得到；将多个车道线训练图像输入到初始车道线属性信息检测模型，得到车道线属性信息概率图，车道线属性信息概率图的纵向概率值表征每一类车道线属性对应的概率值；沿着车道线属性信息概率图的纵向方向，在车道线属性信息概率图上以预设间隔划分出多个检测锚线；以距离车道线训练图像中每一条车道线的最近的检测锚线对车道线的检测结果调整初始车道线属性信息检测模型的参数，直至损失值满足目标条件，得到车道线属性信息检测模型。

摘要： 本发明公开了一种车道线属性信息检测模型训练、车道线属性信息检测方法，其中，车道线属性信息检测模型训练方法包括：获取多个车道线训练图像，车道线训练图像沿着车辆行驶方向拍摄得到；将多个车道线训练图像输入到初始车道线属性信息检测模型，得到车道线属性信息概率图，车道线属性信息概率图的纵向概率值表征每一类车道线属性对应的概率值；沿着车道线属性信息概率图的纵向方向，在车道线属性信息概率图上以预设间隔划分出多个检测锚线；以距离车道线训练图像中每一条车道线的最近的检测锚线对车道线的检测结果调整初始车道线属性信息检测模型的参数，直至损失值满足目标条件，得到车道线属性信息检测模型。

摘要： 本申请公开了一种车道线检测方法、车道线检测装置和计算机存储介质。该车道线检测方法包括：获取道路图像；利用预先训练的语义分割网络对道路图像进行处理，获取道路图像中每个像素点的语义类别；将语义类别相同，且满足预设规则的像素点作为一像素点集合，以获得多个像素点集合；对每个像素点集合进行拟合处理，以获取作为车道线的拟合线。通过上述车道线检测方法，可以在任意场景中识别出任意形状的车道线。

摘要： 本申请提供了一种车道线检测方法和车道线检测装置，可以应用于自动驾驶或者智能驾驶领域。该方法包括：利用雷达获取地面的回波数据，该地面包括车道线；对上述回波数据进行预处理，得到第一数据；对该第一数据进行过滤处理，得到第二数据，该第二数据为幅值小于第一阈值的数据；对该第二数据进行成像处理，得到上述车道线的合成孔径雷达SAR图像。上述车道线检测方法和车道线检测装置，能够获取到高分辨率的车道线的SAR图像，有效地提高了车道线检测的精确度。

摘要： 本申请涉及一种车道线标注、检测模型确定、车道线检测方法及相关设备。通过生成对抗网络模型对待检测车道线场景图进行车道线检测，生成对应的车道线语义图，基于车道线语义图中各像素点的位置信息，确定待检测车道线场景图中的车道线，据此可以同时检测出车道线场景图中的所有车道线，并可以生成遮挡区域的车道线。训练生成对抗网络模型时使用的车道线语义标签图中，绘制的车道线标注线条在近端较粗在远端较细，据此可以减少标注的车道线在远端的粘连情况，提高车道线检测准确性。

摘要： 本发明公开了一种车道线检测模型建立方法、车道线检测方法、装置和设备，其中，车道线检测模型建立方法包括：对训练图像进行标注得到标签，标签包括车道线起点标签、车道线点集标签；将训练图像输入至待训练的车道线检测模型，获取车道线检测模型输出的检测结果；车道线检测模型包括分类分支和分割分支，检测结果包括车道线起点检测结果和车道线检测结果；计算车道线起点检测结果与车道线起点标签的第一损失函数值；计算车道线检测结果与车道线点集标签的第二损失函数值；基于第一损失函数值和第二损失函数值确定是调整车道线检测模型的参数后继续训练还是结束训练。本发明能够检测任意数量的车道线。

摘要： 本申请公开了一种车道线检测模型训练方法、装置及车道线检测方法、装置，该方法包括：获取待训练图像和其中的车道线实例的标注信息；根据车道线实例的标注信息，利用预设特征编码策略对待训练图像中的像素点进行编码得到像素点的特征编码信息，像素点的特征编码信息包括像素点的横向特征向量和纵向特征向量；利用待训练图像和像素点的特征编码信息及车道线实例的标注信息训练车道线检测模型，得到训练后的车道线检测模型。本申请基于车道线实例的标注信息，利用预设特征编码策略对图像中所有像素点进行特征编码，并结合待训练图像和车道线实例的标注信息共同训练车道线检测模型，提高了车道线检测的准确性和实时性，且不受车道线预设数量的限制。

摘要： 本发明公开了一种快速车道线检测模型的训练方法及快速车道线检测方法，训练方法包括：1)准备人工标注的车道线数据集；2)标记图像中车道线的位置参数和欧拉角参数，得到有标记的车道线图像；3)使用快速车道线检测模型正向传播有标记的车道线图像，得到车道线图像的识别结果和损失函数；4)利用步骤3)中的损失函数反向更新所述快速车道线检测模型中的参数。检测方法包括：1)获取车道线图像；2)使用快速车道线检测模型对获取的车道线图像进行正向传播，以得到车道线图像的检测结果。本发明能够保证快速车道线检测模型训练时的精度，同时又能大大减少车道线检测时的计算量，加快计算速度。

摘要： 本申请公开了一种车道线检测模型训练、车道线检测方法和装置，方法包括：将车道线样本图像按照车辆是否处于压线场景区分为第一车道线样本图像和第二车道线样本图像；第一车道线样本图像具有普通场景标签和不包括压线类别的第一标注车道线类别，第二车道线样本图像具有压线场景标签和包括压线类别的第二标注车道线类别。通过第一车道线样本图像和第二车道线样本图像，训练包括分类子模型、第一分割子模型和第二分割子模型的预设检测模型获得车道线检测模型；分类子模型预测第一车道线样本图像的场景标签和第二车道线样本图像的场景标签，第一分割子模型预测第一车道线样本图像的车道线类别，第二分割子模型预测第二车道线样本图像的车道线类别。

摘要： 本申请提供了一种车道线检测方法和车道线检测装置，可以应用于自动驾驶或者智能驾驶领域。该方法包括：利用雷达获取地面的回波数据，该地面包括车道线；对上述回波数据进行预处理，得到第一数据；对该第一数据进行过滤处理，得到第二数据，该第二数据为幅值小于第一阈值的数据；对该第二数据进行成像处理，得到上述车道线的合成孔径雷达SAR图像。上述车道线检测方法和车道线检测装置，能够获取到高分辨率的车道线的SAR图像，有效地提高了车道线检测的精确度。