车道检测

摘要： 本文介绍了基于图像采集和图像识别技术的智能装配车的基本设计原理,系统硬件组成和控制算法。在此基础上设计了可以实现自主运载、自主循迹、自主识别,且具有更高的灵活性、后期可维护性、功能可扩展性、更快的运作速度、高精度控制等优点,使得装配的效率将大大提高,并且降低错误装配造成的返工成本,该系统具有广泛的应用前景。

摘要： 高速结构化场道路因场景相对简单,无行人识别任务,实际交通承载大,驾驶任务单一、枯燥,交通事故后果严重而被学术界和产业界誉为迫切实现商业化应用的自动驾驶场景之一。基于此,该文针对高速结构化场景下的车道检测和跟踪任务提出一种基于边缘像素采样和粒子滤波的车道检测与跟踪算法,并在MATLAB-CarSim联合仿真环境下验证所提出算法的有效性。

摘要： 自动驾驶汽车的越来越多,使自动驾驶的车能够准确的识别车道线成为了一个很重要的问题。通过调用OpenCV中的函数库中的Canny函数和霍夫变换等方法进行仿真实验,实验结果表明了该技术比传统的检测有更好的准确性。通过本文实验可以实现自动驾驶汽车对车道的检测。

摘要： 近年来的研究中,车道检测往往被视为语义分割的问题。然而,车道线具有细而长的结构特性,测试结果的结构性是有损失的。本文提出基于生成对抗网络(GANs)的方法,使语义分割网络的输出更真实地保持结构,优化车道线检测的输出结果。通过使用基于pix2pix的网络架构来实现车道线检测,利用TuSimple的数据制作对应分割的训练和测试数据库。算法可以实现端到端训练,最终的精度在96.49%。

摘要： 针对传统的卷积神经网络在复杂道路场景中无法有效地提取车道特征的问题,论文提出了一种基于传感器融合和方向可调卷积神经网络的车道检测算法.该算法首先利用激光雷达对道路场景下的道路表面激光点进行提取,然后将提取的道路点投影到图像坐标,之后将融合道路表面空间信息的二维图像作为网络输入.在提取车道特征过程中,方向可调卷积神经网络只对处于道路表面内的特征进行提取,避免了道路表面障碍物和道路旁的公共设施的干扰,实现车道线的精准检测.实验结果表明,该方法在复杂道路场景下的车道识别率可达到92.21％.

摘要： 本文提出了一种稳定的基于消失点估计的车道检测方法。估计消失点有助于检测车道,因为在投影的二维图像中,平行线会聚集在消失点上。然而,在背景复杂的图像中,正确估计消失点并不容易。因此,提出了一种鲁棒的消失点估计方法,该方法使用基于从输入图像提取的线段的交点的概率投票过程。实验结果表明,该方法能有效地估计消失点,并在不同环境下检测车道。

摘要： 车道检测是驾驶辅助系统中提高驾驶安全性的重要因素,因此已成为当下驾驶辅助系统领域的研究热点.文章介绍了常见的车道线检测方法,包括基于边缘检测算法和高斯平滑算法的图像预处理,基于线检测,线过滤和聚类的方式和基于视觉的两种不同车道线检测方法.结果表明,在各种照明条件下的平均检测率为93％,执行时间为33 ms,对于实时应用来说足够快.

摘要： 为了减少交通事故、保证行车安全,设计一种基于移动平台的实时车道偏离预警系统.在图像预处理阶段,使用矩形感兴趣区域精简采集到的图像信息,在HSV颜色模型中对黄色车道进行增强,再综合运用高斯滤波、形态学图像处理和自适应阈值来提高车道线特征;在车道检测阶段,使用类车道特征的梯形掩膜对由Canny算子获得的车道边缘特征进行细化,采用累计概率霍夫变换提取车道特征,并应用角度限制和随机抽样一次算法对车道线特征进行二次筛选,消除异常值;在偏离预警阶段,通过分析左、右车道斜率的绝对值之比,发出相应预警信息.试验证明,在高速公路场景下,该系统可以在低功耗移动终端上实现车道检测和偏离预警的功能.

摘要： 本文提出了一种稳定的基于消失点估计的车道检测方法.估计消失点有助于检测车道,因为在投影的二维图像中,平行线会聚集在消失点上.然而,在背景复杂的图像中,正确估计消失点并不容易.因此,提出了一种鲁棒的消失点估计方法,该方法使用基于从输入图像提取的线段的交点的概率投票过程.实验结果表明,该方法能有效地估计消失点,并在不同环境下检测车道.

摘要： 近年来人工智能的蓬勃发展,取得了众多显著的成果,受到了各方的关注和重视。其中理论和技术最具发展前景的是计算机视听觉、自然语言处理等领域。理论的完善和技术的进步也促进了产业革新和社会进步。其中在现代汽车生产制造中融入了越来越多的辅助驾驶功能,包括车道保持、自动泊车、刹车辅助、自动转向、道路标志识别等。这些功能的实现基础是近年来飞速发展的智能化、自动化技术。综合现阶段辅助驾驶领域中的研究成果、突出技术,对深度学习算法在辅助驾驶系统中的影响和应用展开分析,为深度学习算法对辅助驾驶系统的提升提供思路。

摘要： 针对现有车道检测算法复杂度较高,难以应用于低功耗便携设备的不足,提出一种基于几何矩采样的车道检测跟踪算法,能够快速准确地检测出车道线.首先,通过跳跃式处理连续帧图像,对单帧图分段采样车道信息,获取动态感兴趣区域(ROI);然后,依次标注二值图像中的连通分量,分割出车道信息;最后,分析连通分量的各阶几何矩,分别计算出各段车道线的质心和主轴偏转角,结合二者分段拟合出车道线,实现车道检测.大量实验表明,本文算法具有较高的检测效率,能够快速准确地检测出不同形状的车道线,且在不同光照影响、路面污渍和反光条件下具有良好的适应性,同时满足汽车智能驾驶对车道检测的实时性要求.

摘要： 交通事故的出现,不但给社会造成了巨大的经济损失,而且其间接损失不可估量。随着奥运的邻近,奥运车辆交通安全问题日益引起广大公众的注意。在本文中给出了基于计算机视觉的车道、障碍物辨识检测算法,并依据道路几何线路,利用数字车辆控制模型，通过人-车-路系统仿真算法验证了算法的稳定性,旨在为提高车辆安全运行可靠性。

摘要： 交通事故的出现,不但给社会造成了巨大的经济损失,而且其间接损失不可估量。随着奥运的邻近,奥运车辆交通安全问题日益引起广大公众的注意。在本文中给出了基于计算机视觉的车道、障碍物辨识检测算法,并依据道路几何线路,利用数字车辆控制模型，通过人-车-路系统仿真算法验证了算法的稳定性,旨在为提高车辆安全运行可靠性。

摘要： 交通事故的出现,不但给社会造成了巨大的经济损失,而且其间接损失不可估量。随着奥运的邻近,奥运车辆交通安全问题日益引起广大公众的注意。在本文中给出了基于计算机视觉的车道、障碍物辨识检测算法,并依据道路几何线路,利用数字车辆控制模型，通过人-车-路系统仿真算法验证了算法的稳定性,旨在为提高车辆安全运行可靠性。

摘要： 交通事故的出现,不但给社会造成了巨大的经济损失,而且其间接损失不可估量。随着奥运的邻近,奥运车辆交通安全问题日益引起广大公众的注意。在本文中给出了基于计算机视觉的车道、障碍物辨识检测算法,并依据道路几何线路,利用数字车辆控制模型，通过人-车-路系统仿真算法验证了算法的稳定性,旨在为提高车辆安全运行可靠性。

摘要： 交通事故的出现,不但给社会造成了巨大的经济损失,而且其间接损失不可估量。随着奥运的邻近,奥运车辆交通安全问题日益引起广大公众的注意。在本文中给出了基于计算机视觉的车道、障碍物辨识检测算法,并依据道路几何线路,利用数字车辆控制模型，通过人-车-路系统仿真算法验证了算法的稳定性,旨在为提高车辆安全运行可靠性。

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： 公开车道边界检测装置、车道边界检测方法及车道边界检测用计算机程序。车道边界检测装置具有：识别部(31)，通过将由搭载于车辆(10)的摄像部(2)得到的表示车辆(10)的周边区域的图像输入到以针对每个像素识别在该像素中表示的物体的类别的方式学习的识别器，识别在图像的各像素中表示的物体的类别；以及检测部(32)，针对在图像中与本车道交叉的方向的每个像素列，沿着从该像素列的一端朝向另一端的扫描方向，依次根据在连续的预定数的像素群中表示的物体的类别的排列顺序、以及与扫描方向上的紧接着之前的像素群相当的位置是否为本车道内的判定结果，判定与该像素群相当的位置是否为本车道内，由此检测本车道的边界。

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： 本公开涉及构建复杂场景下车道检测模型的方法，包括：采集真实场景中包含车道的视频或者图像，将车道图像随机分成训练集和验证集，并将车道图像的正常视图转换成俯视图；从车道图像的俯视图中获取车道场景信息，计算车道图像的光照强度和图像模糊度并分别与相应的预定阈值进行比较，根据比较结果分别采取图像增强算法和图像去模糊算法对车道图像进行图像预处理；对车道图像的俯视图和正常视图进行标注，以建立对应的标签文件；以及将车道图像的正常视图和俯视图双特征表示作为YOLOv3网络模型的输入进行训练，以获得复杂场景下车道检测模型。本公开还涉及利用构建的复杂场景下车道检测模型对车道图像进行检测的方法，以定位车道线的具体位置。