导读:本文包含了车道线论文开题报告文献综述及选题提纲参考文献，主要关键词:车道线检测,感兴趣区域,边缘检测,霍夫变换
车道线论文文献综述
何旭光,江磊,罗一平,张伟伟[1]（2019）在《基于Hough变换的车道线检测算法设计》一文中研究指出结构化道路具有完整而明显的特征信息,改进了传统道路车道线检测算法,能够满足车道线检测的实时性和鲁棒性的要求。首先提取感兴趣区域,减少数据处理时间。采取自适应阈值的二值化处理,能够保留更多的车道线信息。根据先验知识,对于不符合实际几何特征的车道线进行剔除,得到最符合实际的车道线。通过对多种环境图像的实验,可以验证该算法能够满足大多数行车环境。(本文来源于《农业装备与车辆工程》期刊2019年11期）
韩高格,方周,夏盼,葛东东[2]（2019）在《基于均值漂移的车道线检测模型》一文中研究指出无人驾驶、辅助驾驶是目前人工智能领域最火热的前沿研究方向之一,它具有巨大的商业价值和发展前景.道路车道线检测是无人驾驶系统中几个重要核心技术之一,它可以为无人驾驶系统提供行驶决策规划、外部感知.本文提出了一种基于均值漂移的道路车道线检测算法,首先对道路图像的车道线区域进行感兴趣区域(ROI)选取,再进行下采样处理和逆透视变换.再进一步采用基于均值漂移算法对道路图像进行图像分割,对分割所得的车道线进行非线性回归方法拟合车道线.实验表明,该方法可以有效检测出道路车道线,可以适应复杂道路场景中的阴影、遮挡、模糊、弯曲道路等情况中的车道线检测,并且具有鲁棒性好、精确度高的特点.(本文来源于《赤峰学院学报(自然科学版)》期刊2019年11期）
刘军,冯荣达,赵吉宾,宫海坤[3]（2019）在《基于机器视觉的车道线检测研究》一文中研究指出随着现代科学技术的发展,智能驾驶逐渐成为一种新的交通趋势,如何定位车辆与车道线的间隔是智能驾驶技术的关键。本文以Open CV软件为主要平台,首先通过颜色空间转换分离出车道线和背景的信息,之后运用图像裁剪技术对图像上的车道线部分进行掩膜操作,运用Canny算子和Hough变换等过程检测车道线,最后采用平均斜率和平均点确定近似直线,对车道线进行直线拟合。基于不同视觉条件下的图像序列的实验结果表明,该方法能够准确识别出车道标识线。前言:车道标记对任何观察者都是显而易见的,人们还可以毫不费力地识别场景中的许多其他物体,例如其他车辆,右肩附近的路堤,道路旁边的一些道路标志,甚至地平线上可见的山脉。虽然许多这些物体在视觉结构上很复杂,但可以说车道标记实际上是图像中最简单的结(本文来源于《电子世界》期刊2019年21期）
吴彬,刘翔,尚岩峰,汤显[4]（2019）在《车道线快速检测算法及其应用》一文中研究指出针对汽车辅助驾驶中的车道偏离预警问题,提出一种车道线快速检测算法。引入当前车道的动态感兴趣区域(DROI),并依据空间坐标系去除摄像机视野底部车头区域,基于累计概率霍夫变换(PPHT)实时调整DROI,有效解决其他车道的车辆干扰;针对特殊路况中的灌木、围栏、路桩以及路面标识等干扰,基于动态规划,建立车道线检测优选模型,从PPHT检测到的候选线段中,选出最优线段;在此基础之上,进一步准确定位车道中心线位置,建立车道偏离预警模型,实现车道偏离预警。实验结果表明,提出的算法能够有效提高车道偏离预警的准确率以及鲁棒性。(本文来源于《传感器与微系统》期刊2019年11期）
李玉卿,鲍泓,郑颖,徐成[5]（2019）在《基于视觉的车道线检测研究进展》一文中研究指出随着无人驾驶浪潮的兴起,车道线检测作为智能车的重要研究领域,一直颇受关注。车道线的检测方法主要分为基于传统机器学习的方法和基于深度学习的方法。文中分别对这两种方法进行了综合分析与比较,着重介绍了几种常用于车道线检测的深度网络模型。同时,对车道线检测问题所面临的挑战以及发展趋势进行了全面的分析与总结,为车道线检测的研究奠定了坚实的理论基础。(本文来源于《中国计算机用户协会网络应用分会2019年第二十叁届网络新技术与应用年会论文集》期刊2019-11-07）
孙鹏飞,宋聚宝,张婷,周玉祥[6]（2019）在《基于视觉的车道线检测技术综述》一文中研究指出车道线检测是完全无人驾驶的关键推动因素。本文综述了近年来基于视觉的车道线检测技术的研究进展。车道线检测通常采用叁个步骤进行处理,首先图像预处理得到感兴趣区域,然后预测车道线标记高频出现的区域,最后在该区域进行车道模型拟合。在这项工作中,我们对每个步骤的实现方法进行了详细分析,并展望了车道线检测技术的发展。得益于深度学习技术的进步,车道线检测技术取得了长足的发展,但同时带来了大规模数据集的需求和网络模型的不可解释性,未来的车道线检测技术挑战与机遇并存。(本文来源于《时代汽车》期刊2019年16期）
马泉钧,何自超,林邦演,曾文轩[7]（2019）在《基于图像处理的长距离车道线检测》一文中研究指出小车在平稳路面行驶,同时前方无车辆障碍,基于此,本研究设计了长距离车道检测系统。在识别车道线时,利用输入的视频进行图像预处理,提取感兴趣区域,获取车道线的最大区域,对其进行透视变换和标定,使用Sobel算子对其二值化,使用滑块法拟合车道线并标定,输出检测后的标定视频文件。该系统能有效检测更远距离的车道线,可以应用于快速行驶路段与有清晰车道线的高速公路。(本文来源于《河南科技》期刊2019年29期）
石金虎,金辉,王迪[8]（2019）在《基于单目视觉的智能车车道线识别算法》一文中研究指出针对传统车道检测和识别算法存在的问题,如操作复杂、处理速度慢,鲁棒性不足等问题,提出了一种新的快速车道识别算法。预处理摄像机拍摄的道路图像,并对叁种二值化算法进行图像模拟实验,改进了传统的边缘检测Canny算法,并将Hough变换用于车道线识别。仿真实验表明:该算法达到了快捷准确的识别效果。(本文来源于《汽车实用技术》期刊2019年19期）
王祥,罗素云[9]（2019）在《基于Otsu阈值与形态学处理的车道线检测》一文中研究指出为了提高车道线检测的识别能力和可靠性,提出了一种在对图像进行Hough变换前进行预处理的方法。该方法采用直方图均衡化、拉普拉斯滤波器图像增强,进而引用Otsu阈值分割处理转化为二值图像;再对该二值图像形态学处理消除物体边界点和微小结构像素,减少后期Hough变换的投票像素点;采用Canny算子对图像进行边缘检测以及Hough变换检测出车道线。(本文来源于《农业装备与车辆工程》期刊2019年10期）
王智宇,陈光,陈勇[10]（2019）在《基于OpenCV的改进RANSAC车道线检测方法》一文中研究指出车道线的检测技术是自动驾驶汽车中的重要技术。为了提高车道线的检测能力,提出了一种改进RANSAC的车道线识别方法。通过设置感兴趣区域提取路面图像并进行缩放;把彩色图像的RGB通道按5∶5∶0的权重转化成灰度图像;再用速度更快的积分图法对图像进行自适应二值化;接下来进行一系列的形态学处理来减小噪声;提取Harris角点作为拟合数据点;最后,运用改进了选择初始点和删除外点的RANSAC(random sample consensus)的方法,根据数据点估计车道线参数。实验结果表明,该算法适合多种道路环境下的车道线检测,具有较好的鲁棒性和实时性。(本文来源于《科学技术与工程》期刊2019年28期）
车道线论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
无人驾驶、辅助驾驶是目前人工智能领域最火热的前沿研究方向之一,它具有巨大的商业价值和发展前景.道路车道线检测是无人驾驶系统中几个重要核心技术之一,它可以为无人驾驶系统提供行驶决策规划、外部感知.本文提出了一种基于均值漂移的道路车道线检测算法,首先对道路图像的车道线区域进行感兴趣区域(ROI)选取,再进行下采样处理和逆透视变换.再进一步采用基于均值漂移算法对道路图像进行图像分割,对分割所得的车道线进行非线性回归方法拟合车道线.实验表明,该方法可以有效检测出道路车道线,可以适应复杂道路场景中的阴影、遮挡、模糊、弯曲道路等情况中的车道线检测,并且具有鲁棒性好、精确度高的特点.
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
车道线论文参考文献
[1].何旭光,江磊,罗一平,张伟伟.基于Hough变换的车道线检测算法设计[J].农业装备与车辆工程.2019
[2].韩高格,方周,夏盼,葛东东.基于均值漂移的车道线检测模型[J].赤峰学院学报(自然科学版).2019
[3].刘军,冯荣达,赵吉宾,宫海坤.基于机器视觉的车道线检测研究[J].电子世界.2019
[4].吴彬,刘翔,尚岩峰,汤显.车道线快速检测算法及其应用[J].传感器与微系统.2019
[5].李玉卿,鲍泓,郑颖,徐成.基于视觉的车道线检测研究进展[C].中国计算机用户协会网络应用分会2019年第二十叁届网络新技术与应用年会论文集.2019
[6].孙鹏飞,宋聚宝,张婷,周玉祥.基于视觉的车道线检测技术综述[J].时代汽车.2019
[7].马泉钧,何自超,林邦演,曾文轩.基于图像处理的长距离车道线检测[J].河南科技.2019
[8].石金虎,金辉,王迪.基于单目视觉的智能车车道线识别算法[J].汽车实用技术.2019
[9].王祥,罗素云.基于Otsu阈值与形态学处理的车道线检测[J].农业装备与车辆工程.2019
[10].王智宇,陈光,陈勇.基于OpenCV的改进RANSAC车道线检测方法[J].科学技术与工程.2019