车道线识别

摘要： 人工智能技术的迅速发展使智能驾驶成为热门领域,车道线检测技术作为智能驾驶领域的关键技术,对其进行准确的识别意义重大。文章针对直道车道线识别问题,设计了一种基于OpenCV的直道车道线识别算法。首先,为了提高检测的准确性,将车道线彩色图片读取为灰度图;然后通过边缘检测算法中的Canny算子提取出车道线边缘;为了进一步减少车道线识别的干扰以及提高运算效率,设置图片的感兴趣区域;最后基于Hough变换对车道线进行拟合,在拟合时根据左右车道线的斜率范围对左右车道线分别进行拟合。通过OpenCv库对设计的算法进行了验证,结果表明,所设计的算法具有较好的准确性,最终达到识别车道线的目的。

摘要： 针对基于特征的车道线识别算法识别不佳的问题,提出了一种基于开源计算机视觉库(OpenCV)的车道线识别算法来改进车道线的识别。首先对图像进行感兴趣区域划分,其次根据RGB颜色空间将图像三通道以5∶5∶0的比例转化为灰度图,经过高斯滤波后用积分图法将图像转换为二值图像,再进行形态学去噪并将二值化图像转换为鸟瞰图,使用滑动窗多项式拟合法拟合车道线。同时,为了解决车道线突然消失的问题提出了一种重构缺失边车道线的方法。结果表明:该检测方法在caltech车道线数据集达到了92.52%的准确率,处理单帧图像耗时约65.80 ms,具有较好的准确率和实时性。提出的车道线重构方法重构效果良好,能有效提高智能车辆的行车安全。

摘要： 随着汽车智能化与网联化的发展,在未来智能网联汽车必将占据主流汽车消费市场,因此智能汽车的交通安全受到人们更多的重视,车道偏离预警系统是实现自动驾驶的核心技术之一,该系统的实现能够有效降低交通事故发生的概率。车道偏离预警系统主要由车道线检测系统和车道线追踪系统组成,车道线的准确识别对智能驾驶的实现具有重要意义。为了提高车道线识别技术的准确性,本文提出了一种基于Hough霍夫变换的车道线检测算法,文中设计的车道线识别算法可以为自动驾驶汽车提供可靠的车道线数据信息。

摘要： 车道线识别是车辆安全驾驶的重要研究方向,本文通过Keras神经网络模型来进行车道线的识别。使用不同场景下车道线图片,通过数据预处理和搭建的神经网络模型进行训练,通过反复实验,使模型识别的平均准确率达到96%,具有一定的实用性。

摘要： 随着L2级ADAS功能的普及,车辆需要识别车道线来进行横向控制。公开道路测试是智能驾驶车辆测试“三支柱”的最后环节,通过公开道路测试的方法来验证车道线的识别效果必不可少。本文就当前公开道路车道线测试方法的欠缺,提出多传感器数据层及特征层融合的方案,利用车道线摄像头辅助激光雷达的方案做为车道线测试冗余的真值系统,并提出相应的数据分析指标,最后通过实车测试验证了该方案的有效性。

摘要： 针对目前车道线识别方法受到运动模糊、光照明暗等问题,提出了一种针对地址事件(Address Event Representation, AER)数据流的车道线识别方法。通过利用事件流的异步输出特性,对事件数据进行滤波的方式去噪,而后用LIF(Leaky Integrate-and-Fire)编码方式得到虚拟帧。然后进行逆透视变换得到车道的俯瞰图,采用直方图峰值快速定位车道位置和B样条曲线拟合车道。利用车道跟踪策略来优化算法识别效率和鲁棒性,实现车道线快速识别及跟踪。实验结果显示,上述方法平均检测率可以达到97.05%,平均每帧耗时18.24毫秒。

摘要： 为提高无人驾驶车辆主动安全性,文章基于神经网络车道线检测和单点预瞄横向控制策略的车道保持方法,以车载摄像头作为感知设备,采集前方道路的图像信息并传输给车载终端对图片进行处理后得到车道线信息,据此设计相应的横向控制器计算出偏离车道中心所需的前轮转角,最终作为控制信号传输给车辆的控制机构实现车道保持。经过实车验证表明,在低速情况下该系统能实现车道保持功能。研究结果对提高汽车的车道保持性能有一定参考价值。

摘要： 针对目前传统车道线识别算法在复杂道路环境中识别困难的问题,提出了一种基于机器视觉的智能车辆鲁棒车道线识别方法.为消除噪声干扰以及提高特征检测效率,设计了一种自适应道路感兴趣区域(ROI)计算方法,针对不同情况的车道可自适应地将车道区域与非车道区域分离.对待检测目标采用改进划分角度的检测算子进行车道线特征检测,同时对车道图像有针对性地采用多色域阈值处理,以提高算法的环境适应性.对转换视角后的车道线采用DBSCAN聚类及NURBS曲线进行拟合,并利用随机抽样一致法优化车道线模型以滤除误匹配.实验结果表明,该算法可有效识别出各种道路工况下的车道线.

摘要： 针对霍夫变换时间复杂度高、准确性差的缺点,提出一套基于改进霍夫变换的完整车道线识别算法流程.该完整算法包括感兴趣区域划分、灰度化、二值化、Canny边缘检测和改进霍夫变换.改进霍夫变换首先采用概率统计原理对车道线点集分类,依据分类情况投票判断车道线;其次采用极径极角约束优化在目标区域筛选目标车道线.实验结果表明:改进后算法有效识别目标.

摘要： 为了在汽车辅助驾驶中准确得到车道线,本设计在阈值分割中比较了全局阈值、最大类间方差阈值两种方法,确定了基于全局阈值的方法来进行阈值分割.得到分割图后,进行透视变换,通过将像素按列相加的直方图得到左右车道线的基点,最后通过滑动窗多项式拟合左右车道线.仿真结果表明,该方法能够准确识别车道线,算法简单,运算效率高.

摘要： 针对自动驾驶汽车对车道线的检测问题,提出一种基于OpenCV的对车道线目标的直线轮廓进行有效识别的方法.首先在图像预处理基础上进行Canny边缘检测并查找轮廓;然后运用感兴趣区域截取,并创建一个梯形的mask掩膜,与边缘检测结果图混合运算,保留掩膜中的白色部分;最后使用霍夫变换得到多条直线的起点和终点,通过计算只得到左右两条车道线.实验结果表明,该方法可以有效地完成对车道线直线轮廓的提取及检测,且避免了周围线条的干扰.

摘要： 针对自动驾驶汽车对车道线的检测问题,提出一种基于OpenCV的对车道线目标的直线轮廓进行有效识别的方法.首先在图像预处理基础上进行Canny边缘检测并查找轮廓;然后运用感兴趣区域截取,并创建一个梯形的mask掩膜,与边缘检测结果图混合运算,保留掩膜中的白色部分;最后使用霍夫变换得到多条直线的起点和终点,通过计算只得到左右两条车道线.实验结果表明,该方法可以有效地完成对车道线直线轮廓的提取及检测,且避免了周围线条的干扰.

摘要： 针对自动驾驶汽车对车道线的检测问题,提出一种基于OpenCV的对车道线目标的直线轮廓进行有效识别的方法.首先在图像预处理基础上进行Canny边缘检测并查找轮廓;然后运用感兴趣区域截取,并创建一个梯形的mask掩膜,与边缘检测结果图混合运算,保留掩膜中的白色部分;最后使用霍夫变换得到多条直线的起点和终点,通过计算只得到左右两条车道线.实验结果表明,该方法可以有效地完成对车道线直线轮廓的提取及检测,且避免了周围线条的干扰.

摘要： 针对自动驾驶汽车对车道线的检测问题,提出一种基于OpenCV的对车道线目标的直线轮廓进行有效识别的方法.首先在图像预处理基础上进行Canny边缘检测并查找轮廓;然后运用感兴趣区域截取,并创建一个梯形的mask掩膜,与边缘检测结果图混合运算,保留掩膜中的白色部分;最后使用霍夫变换得到多条直线的起点和终点,通过计算只得到左右两条车道线.实验结果表明,该方法可以有效地完成对车道线直线轮廓的提取及检测,且避免了周围线条的干扰.

摘要： 针对自动驾驶汽车对车道线的检测问题,提出一种基于OpenCV的对车道线目标的直线轮廓进行有效识别的方法.首先在图像预处理基础上进行Canny边缘检测并查找轮廓;然后运用感兴趣区域截取,并创建一个梯形的mask掩膜,与边缘检测结果图混合运算,保留掩膜中的白色部分;最后使用霍夫变换得到多条直线的起点和终点,通过计算只得到左右两条车道线.实验结果表明,该方法可以有效地完成对车道线直线轮廓的提取及检测,且避免了周围线条的干扰.

摘要： 针对自动驾驶汽车对车道线的检测问题,提出一种基于OpenCV的对车道线目标的直线轮廓进行有效识别的方法.首先在图像预处理基础上进行Canny边缘检测并查找轮廓;然后运用感兴趣区域截取,并创建一个梯形的mask掩膜,与边缘检测结果图混合运算,保留掩膜中的白色部分;最后使用霍夫变换得到多条直线的起点和终点,通过计算只得到左右两条车道线.实验结果表明,该方法可以有效地完成对车道线直线轮廓的提取及检测,且避免了周围线条的干扰.

摘要： 针对自动驾驶汽车对车道线的检测问题,提出一种基于OpenCV的对车道线目标的直线轮廓进行有效识别的方法.首先在图像预处理基础上进行Canny边缘检测并查找轮廓;然后运用感兴趣区域截取,并创建一个梯形的mask掩膜,与边缘检测结果图混合运算,保留掩膜中的白色部分;最后使用霍夫变换得到多条直线的起点和终点,通过计算只得到左右两条车道线.实验结果表明,该方法可以有效地完成对车道线直线轮廓的提取及检测,且避免了周围线条的干扰.

摘要： 针对自动驾驶汽车对车道线的检测问题,提出一种基于OpenCV的对车道线目标的直线轮廓进行有效识别的方法.首先在图像预处理基础上进行Canny边缘检测并查找轮廓;然后运用感兴趣区域截取,并创建一个梯形的mask掩膜,与边缘检测结果图混合运算,保留掩膜中的白色部分;最后使用霍夫变换得到多条直线的起点和终点,通过计算只得到左右两条车道线.实验结果表明,该方法可以有效地完成对车道线直线轮廓的提取及检测,且避免了周围线条的干扰.

摘要： 提出了一种分步式弯道检测算法。本文用一种改进的双曲线对模型对车道标识线进行描述，它包含两部分:一是平行直线模型，通过Hough变换进行求解:二是双曲线对模型，它以直线模型中得到的参数作为初始参数，通过搜索策略来获得最终参数。实验结果表明.该算法在有噪声的环境中具有良好的鲁棒性，在部分车道线被其它车辆遮蔽的情况下也能很好地实现车道检测。算法能实时提供精确的车道线位置和道路曲率信息。

摘要： 提出了一种分步式弯道检测算法。本文用一种改进的双曲线对模型对车道标识线进行描述，它包含两部分:一是平行直线模型，通过Hough变换进行求解:二是双曲线对模型，它以直线模型中得到的参数作为初始参数，通过搜索策略来获得最终参数。实验结果表明.该算法在有噪声的环境中具有良好的鲁棒性，在部分车道线被其它车辆遮蔽的情况下也能很好地实现车道检测。算法能实时提供精确的车道线位置和道路曲率信息。

摘要： 用于车道偏离报警的车道线鲁棒识别方法，该识别方法首先对感兴趣的左、右两个局部窗口进行有条件的边缘检测，之后构建相应的梯度方向映射表；进而，根据所提出的梯度方向直方图处理方法，确定每个局部窗口车道线边缘点的梯度方向范围；然后，针对车道线边缘点在方位和空间上的连续性特征，提出了车道线边缘候选点集与有效点集的筛选算法并对每个局部窗口进行了筛选；最后，对已确定的每个局部窗口相应的有效点集，通过提出的基于标量化处理Kalman滤波方法实现了车道左、右标志线特征参数的快速准确提取。本发明提出的识别方法具有良好的实时性、环境适应力和抗干扰能力。

摘要： 用于车道偏离报警的车道线鲁棒识别方法，该识别方法首先对感兴趣的左、右两个局部窗口进行有条件的边缘检测，之后构建相应的梯度方向映射表；进而，根据所提出的梯度方向直方图处理方法，确定每个局部窗口车道线边缘点的梯度方向范围；然后，针对车道线边缘点在方位和空间上的连续性特征，提出了车道线边缘候选点集与有效点集的筛选算法并对每个局部窗口进行了筛选；最后，对已确定的每个局部窗口相应的有效点集，通过提出的基于标量化处理Kalman滤波方法实现了车道左、右标志线特征参数的快速准确提取。本发明提出的识别方法具有良好的实时性、环境适应力和抗干扰能力。

摘要： 一种车道线识别置异常事件确定方法、车道线识别装置及系统，方法包括：依据后验的车道线识别结果确定更新的车道线识别置信度；依据更新的车道线识别置信度构建车道线真值；依据车道线识别结果和所述车道线真值确定车道线识别异常事件。本申请依据后验的车道线识别结果来更新之前所获取的车道线识别置信度，提升了车道线识别置信度的准确性和可靠性；并利用更新的车道线识别置信度来构建车道线真值，通过构建的车道线真值和车道线识别置信度可以获取车道线识别异常事件，这些异常事件可以用来进一步训练车道线识别算法，从而提升车道线识别算法的识别准确性和精度。

摘要： 本申请公开了一种车道线识别模型训练方法、装置及车道线识别方法、装置，其中，所述方法包括：获取车道线图像；根据所述车道线图像中车道线之间的相对位置关系，标记所述车道线图像中各个车道线的车道线类别，得到已标记的车道线图像；利用车道线识别模型对所述已标记的车道线图像进行车道线识别，得到车道线识别结果和损失函数值；利用所述损失函数值更新所述车道线识别模型的参数。本申请的车道线识别模型训练方法通过重新构造用于模型训练的车道线图像，避免了车辆位置对于车道线识别的影响，使得训练后的车道线识别模型针对车辆转弯、即将变道等场景下的车道线识别具有较强的鲁棒性和较高的识别精度。

摘要： 本申请公开了一种识别车道线模型的训练方法，通过获取标注有目标线的道路图像样本，将道路样本图像输入识别车道线模型，获得特征图，道路图像样本中的目标线与特征图在左边缘、右边缘以及下边缘方向的建议线分别进行比较，根据比较结果调整识别车道线模型中的参数，最小化识别车道线模型的损失函数。由于该识别车道线模型为深度学习模型，通过权值共享可以学习目标线的图像特征，大幅度提升了车道线线检测功能，即使车道线被遮挡、光照或车道线为曲线、不规整线，或者存在合并分离等情况，也可以进行检测，具有较好的鲁棒性。本申请还公开了一种基于上述模型的车道线识别方法。

摘要： 车道线识别装置(10)适用于搭载有对车辆前方进行拍摄的摄像装置(21)的车辆。车道线识别装置(10)具备：车道线识别部(11)，其基于由摄像装置(21)获取到的图像，来识别划分车辆的行驶车道的行驶车道线；以及车道线推定部(12)，其基于由车道线识别部(11)识别出的行驶车道线，来推定通过车道线识别部(11)无法识别的范围的行驶车道线形状。车道线识别装置(10)判定由车道线识别部(11)识别出的行驶车道线的可靠性，并基于该判定结果使车道线推定部(12)进行的行驶车道线的形状的推定无效。

摘要： 一种车道线识别置异常事件确定方法、车道线识别装置及系统，方法包括：依据后验的车道线识别结果确定更新的车道线识别置信度；依据更新的车道线识别置信度构建车道线真值；依据车道线识别结果和所述车道线真值确定车道线识别异常事件。本申请依据后验的车道线识别结果来更新之前所获取的车道线识别置信度，提升了车道线识别置信度的准确性和可靠性；并利用更新的车道线识别置信度来构建车道线真值，通过构建的车道线真值和车道线识别置信度可以获取车道线识别异常事件，这些异常事件可以用来进一步训练车道线识别算法，从而提升车道线识别算法的识别准确性和精度。

摘要： 本申请公开了一种车道线识别模型训练方法、装置及车道线识别方法、装置，其中，所述方法包括：获取车道线图像；根据所述车道线图像中车道线之间的相对位置关系，标记所述车道线图像中各个车道线的车道线类别，得到已标记的车道线图像；利用车道线识别模型对所述已标记的车道线图像进行车道线识别，得到车道线识别结果和损失函数值；利用所述损失函数值更新所述车道线识别模型的参数。本申请的车道线识别模型训练方法通过重新构造用于模型训练的车道线图像，避免了车辆位置对于车道线识别的影响，使得训练后的车道线识别模型针对车辆转弯、即将变道等场景下的车道线识别具有较强的鲁棒性和较高的识别精度。

摘要： 一种车道线识别方法，该方法包括：获取第一图像，所述第一图像为道路图像；将所述第一图像从中间进行分割，确定位于所述第一图像左侧的第一子图像和位于所述第一图像右侧的第二子图像；分别对所述第一子图像和第二子图像进行识别，以确定所述第一子图像中的第一车道线和所述第二子图像中的第二车道线。该方法提高了车道线检测的准确度，使得检测速率大幅提高。还提供了车道线识别装置和非易失性存储介质。

摘要： 本发明公开了一种用于车道偏离系统中的车道线识别系统和方法，包括特征图像提取模块，对相机捕获到的视频图像进行车道线特征图像提取；特征点提取与跟踪模块，对得到的图像进行特征点的提取，获取相对可靠的特征点位置后，对特征点进行跟踪；并获取曲线车道线方程；车道中心线方程拟合计算模块，通过两侧跟踪到的特征点计算车道中心线特征点，拟合出图像坐标下车道中心线方程，然后通过标定获得逆透视图像与实际道路之间的横纵向坐标比例关系，利用车道中心线方程与此比例关系进行实际车道中心线方程的计算。本发明能够实时精确地进行车道线识别并精确计算车道中心线方程，减少由于驾驶员疲劳驾驶或注意力分散引发的交通事故，提高行车安全性。