导读:本文包含了车道线识别论文开题报告文献综述及选题提纲参考文献，主要关键词:车道线识别,最大类间方差法,Canny算子,霍夫变换
车道线识别论文文献综述
石金虎,金辉,王迪[1]（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）
庄博阳,段建民,郑榜贵,管越[2]（2019）在《基于光流法的快速车道线识别算法研究》一文中研究指出为提取无人驾驶车前方车道线信息,提出一种使用光流法的快速车道线识别算法;首先,根据连续视频帧之间的时间相关性,运用光流法检测车辆前方背景的相对移动;然后,利用车辆背景中特征点的移动方向和距离,对本帧图像中车道线的位置进行粗略定位,从而缩小本帧图像中车道线的检测区域,加速车道线识别算法;最后,通过对车道线像素点的处理,给出车道线类型信息;该算法提升了车道线检测算法的效率,降低了复合算子车道线检测算法的时间复杂度;在720*480像素下,算法实现了13.5Hz的处理速度,相较仅使用复合算子的处理算法提升了39.6%的处理速度,且算法检测效果良好;实车实验证明了算法的有效性和实时性。(本文来源于《计算机测量与控制》期刊2019年09期）
辛超,刘扬[3]（2019）在《基于概率霍夫变换的车道线识别算法》一文中研究指出为满足在高精细导航电子地图中进行车道线绘制的需求,本文提出一种基于概率霍夫变换的车道线识别算法。算法在图像预处理部分使用一种基于转换颜色空间的方法提取车道线像素,之后利用自适应阈值的Canny边缘检测算法和概率霍夫变换算法实现车道线识别。试验结果表明,本文算法的运算速度维持在2秒/帧;识别正确率与Matlab经典Hough算法相比提升9%左右,漏检率也有所降低。同时拍摄质量较差图像的针对性试验结果,也证实了本文算法能有效降低天气和光照等因素对车道线识别造成的影响。(本文来源于《测绘通报》期刊2019年S2期）
于升源[4]（2019）在《基于机器视觉的雾天车道线识别与追踪算法研究》一文中研究指出随着汽车数量的迅速增加,行车安全已经越来越受到人们的重视,其中车道线识别与追踪算法也成为研究的热点领域。传统的车道线识别与追踪算法主要针对良好环境,而对于雾天等不良环境的研究甚少。针对雾天环境下车道线图像路面与车道线的对比度远低于正常环境,给车道线识别与追踪带来困难的问题,本文对雾天环境下车道线识别与追踪算法进行研究,主要研究内容如下:(1)对雾天环境下成像原理以及图像去雾的算法进行研究。针对传统暗通道去雾算法实时性差的问题,提出一种基于形态学腐蚀运算的暗通道去雾算法。与传统去雾算法相比,该算法可以实现快速、准确图像去雾。(2)对于不同类型的车道线,本文采用不同的识别算法。对于直道,选用直线模型,针对传统Hough变换识别车道线存在不准确、实时性差的问题,提出一种基于极角约束和分类判别Hough变换的车道线识别算法。实验结果表明,该算法不仅只对本车道两侧车道线进行识别,而且在实时性上得到提升。对于弯道,选用抛物线模型,首先针对粒子群算法存在过早收敛的问题,用混沌理论对粒子群算法进行改进;然后利用车道线与路面灰度值的差异设计车道线目标函数;最后采用混沌粒子群算法对目标函数中参数优化。实验结果表明,该算法不仅可以对不同情况的弯车道线进行识别,而且满足实时性的要求。(3)为了提高车道线追踪的实时性,本文根据相邻两帧之间车道线相差不大的特点,利用上一帧的识别结果对下一帧图像做预测,通过混沌粒子群算法对车道线进行追踪。实验结果表明,该方法可以快速、准确的对车道线进行追踪。(4)本文设计的雾天环境下车道线识别与追踪算法具有重要的理论意义和应用价值。(本文来源于《桂林电子科技大学》期刊2019-06-01）
谢昌刚[5]（2019）在《基于单目视觉的车道线识别与车道偏离预警技术研究》一文中研究指出智能驾驶是全球汽车行业变革的一个大趋势,而车道线识别与车道偏离预警技术则是智能驾驶汽车的眼睛,是其不可缺少的基础技术。该技术可以减少许多由于车辆非自主偏离而发生的车祸,具有十分重要的研究意义和应用价值。本文对基于单目视觉的车道线识别与车道偏离预警技术进行了深入研究,旨在进一步提高其检测速度和准确率。本文主要研究内容和成果如下:(1)设计了高效的图像预处理流程(包括灰度化、去噪、增强、二值化及检测区域确定):根据道路图像特征设计了彩色通道与加权平均值结合法将彩色图转化为灰度图;提出灰度均值作为图像分类指标,并对不同光照强度图像进行增强;根据道路图像特征确定检测区域。最终得到的检测区域为原图17%左右,车道线特征也更为明显。(2)改进了Hough车道线检测算法:采用形态学滤波去除车道线空洞;根据道路图像特点结合Canny自定义差分算子进行边缘检测;根据车道线斜率、宽度等特征筛选符合条件的车道线。该算法在没有进行车道线跟踪情形下检测准确率为87%左右,耗时为21ms左右。(3)提出了基于动态划分检测区域的车道线检测算法:根据车道线在道路图像中远窄近宽特点动态划分检测区域并设置相应宽度阈值;根据车道线边缘点特征(包括灰度值变化、车道线宽度及相邻边缘点距离等)设计了多阈值车道线边缘点提取方法;采用基于RASANC的叁阶贝塞尔曲线对提取的边缘点拟合。该算法能很好地检测出各种复杂环境下的多种类型车道线,且其检测准确率比改进Hough检测算法高5%左右,耗时少11%左右。(4)设计了基于条件密度传播粒子滤波的车道线跟踪算法:首先根据车道线模型参数确定状态转移模型;然后进行模型更新;最后进行重采样与状态估计以更新车道线模型参数,从而实现车道线跟踪。该算法利用跟踪结果改善了车道线检测效果(在保证检测实时性的前提下检测准确率提升了3%以上),从而提高了车道线识别系统的鲁棒性。(5)改进了基于跨越车道线时间的车道偏离预警算法:设计了偏离时间计算方法;对车载相机标定以获取相机内外参数;对比设置的时间阈值决策是否预警。该算法偏离预警准确率为94%左右,且每帧检测耗时为30ms左右,算法具备较好的实用性。(本文来源于《南京航空航天大学》期刊2019-03-01）
周越[6]（2019）在《基于视觉的车道线识别研究》一文中研究指出随着汽车产业的快速发展,汽车给人带来便捷的同时也带来了潜在的危险,汽车安全问题已成为国际关注话题。智能车辆辅助驾驶系统作为汽车领域研究热点,可以有效的改善行车过程中的车辆安全,减少交通事故发生。基于视觉的车道线的准确识别是智能车辆辅助驾驶系统的重要部分,在自适应巡航系统、车道线偏离预警系统及车道保持系统中,均起着关键作用,只有准确识别了车道线位置,当车辆发生偏移时,系统便进行预警提醒,提示驾驶员立即修正或自动调整驾驶行为,从而保证行车安全。因此,本文基于视觉信息,针对智能车辆辅助驾驶系统前方车道线及本车道内的前方车辆目标进行识别研究。(1)对道路图像进行预处理。首先对道路图像进行了感兴趣区域提取,取图像下1/2区域作为感兴趣区域;然后分析分量法、最大值法、平均法、加权平均法几种图像灰度化处理方法,采用加权平均法对道路图像灰度化;其次实现了均值滤波、中值滤波,采用改进中值滤波法完成预处理图像的滤波操作;运用大津法对图像进行二值化,提取车道线轮廓信息;最后比较叁种边缘检测算子,采用Canny算子进行图像的边缘提取。(2)针对车道线进行识别研究。考虑到霍夫变换可能只识别一侧的车道线,对霍夫变换进行极径极角约束改进,可以准确的检测出左右车道线的位置。通过平移检测出的左右位置直线,建立包含完整车道线信息的上下边界,从而确定车道线特征点提取范围。利用车道线宽度限定条件和颜色跃变特征在车道线约束范围内提取车道线特征点。最后用最小二乘法对符合车道线宽度限定条件和颜色跃变特征的特征点进行拟合,从而得到识别后的车道线。实验结果表明,本文车道线识别算法可以很好的识别出直道、弯道和虚实车道线。(3)基于HOG特征与SVM的本车道内前方车辆识别。主要包括车辆可能存在区域的确定及基于HOG特征与SVM的车辆识别验证两部分。考虑算法计算速度的影响,确定了本车道线内车辆可能存在的搜索区域,针对该区域,基于车底阴影特征进行二值化处理及腐蚀、膨胀形态学操作,确定车辆存在的假设区域。构建了车辆样本库,对库中车辆样本和非车辆样本HOG特征提取训练SVM模型,得到测试准确率达98%的模型。最后统计了车辆存在假设区域的HOG特征,将该特征输入到SVM模型中,验证是否为车辆。结果表明本文采用的基于车底阴影的HOG特征和SVM本车道前方车辆目标识别方法能够很好的识别出车辆目标。(本文来源于《辽宁工业大学》期刊2019-03-01）
王杰,陈黎卿,黄莉莉,马晓晴,王敏敏[7]（2019）在《基于Retinex的弱光条件下车道线识别方法》一文中研究指出车道线的检测与识别是汽车辅助驾驶系统中的重要研究内容,而在傍晚等弱光环境下对车道线的准确识别更是该研究领域的难点,因此,为解决弱光环境下车道线不易检测的问题,论文提出一种基于双边滤波的Retinex图像增强算法,该算法首先改善弱光环境下获取的原始RGB图像,凸显原始图像中的车道线特征,再对增强后的图像进行灰度变换及Otsu算法分割处理,并使用Sobel算子检测车道线边缘,最后通过Hough变换提取图中车道线,实验结果表明:论文中的方法能有效识别弱光环境下获取的车道线图像,具有较好的鲁棒性。(本文来源于《计算机与数字工程》期刊2019年02期）
冯庆,陈开燕,张冬梅,李佳阳,唐宇朋[8]（2019）在《基于灰度优化的车道线识别》一文中研究指出本文研究了现实路况复杂的车行道识别,较好的解决了当道路路面结构不均匀、光照变化、阴影遮挡以及其他车辆的存在使得道路图像变复杂时,车道线识别度低的问题。本文采用灰度均衡化增强图像;然后用阈值可变化的对称阈值分割法提取车道线信息,最后进行霍夫变换识别出车道线。(本文来源于《科学技术创新》期刊2019年01期）
周越,陈学文[9]（2018）在《一种改进的车道线识别算法》一文中研究指出车道线识别是车辆辅助驾驶系统中重要组成部分。针对传统Hough变换,文章做出了改进,首先,对道路图像进行感兴趣区域划分、灰度化、二值化、中值滤波、边缘检测预处理,然后考虑到车道线满足一定角度和长度的限制,对车道线进行极径极角的约束,最后实现车道线提取。实验表明该方法具有较好的实时性和鲁棒性。(本文来源于《汽车实用技术》期刊2018年22期）
李成炼[10]（2018）在《基于叁目摄像机的车道线识别方法研究》一文中研究指出现今,由于信息和计算机技术的高速发展,在对待道路交通问题上,人们越来越倾向于依靠高科技来寻求解决之路,世界各国都竞相开展智能车自动驾驶系统的研发。车辆视觉导航子系统最为关键的技术就是计算机视觉,计算机视觉的主要任务是道路的识别和跟踪。国内外许多的学者对于视觉导航也都进行了研究,有基于单目视觉技术的研究,也有基于双目或多目的多维度视觉导航技术研究。首先,本文对试验汽车上的叁目摄像机采集的道路图像进行预处理,根据左、中、右摄像机设置的位置与方向,使用ROI区域提取对图像进行区域选择;使用图像灰度加权法,对ROI区域图像进行灰度化;同时采用直方图均衡化对有效信息突出,无效信息剔除,减少图像信息的复杂性;采用高斯滤波,将图像中噪声进行抑制,在一定程度上降低噪声对图像的干扰。运用Sobel算法检测出图像车道线边缘,降低图像边缘模糊程度,在一定程度上提高车道线边缘的准确性。其次,本文进行车道线检测与车道线跟踪。采用基于直线道路模型匹配方法对道路进行匹配,将带弯曲的道路模拟成直线道路进行匹配。霍夫变换算法将图像空间的直角坐标转换成参数空间的极坐标系中的坐标,并对多帧图像的车道线进行跟踪,加入投票机制检测虚假车道线,并将检测到的结果进行坐标转换发送给上层模块。最后,本文采用基于叁目摄像机四车道线融合算法拟合出新的车道参考线。车道线的融合是对叁目车道线的二次判断的过程,即第一次判断是在霍夫变换车道线检测后,判断是否找到车道线,以排除非车道的干扰线;第二次判断是在图像中车道线转换成世界坐标下的车道线是否符合实际情况,以防止因为摄像机摆放或是图像采集错误的问题而造成车道线检测丢失;将二次判断后的车道线与16种组合可能出现的参考线进行匹配,融合成车道参考线。(本文来源于《华南理工大学》期刊2018-10-07）
车道线识别论文开题报告
（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：
为提取无人驾驶车前方车道线信息,提出一种使用光流法的快速车道线识别算法;首先,根据连续视频帧之间的时间相关性,运用光流法检测车辆前方背景的相对移动;然后,利用车辆背景中特征点的移动方向和距离,对本帧图像中车道线的位置进行粗略定位,从而缩小本帧图像中车道线的检测区域,加速车道线识别算法;最后,通过对车道线像素点的处理,给出车道线类型信息;该算法提升了车道线检测算法的效率,降低了复合算子车道线检测算法的时间复杂度;在720*480像素下,算法实现了13.5Hz的处理速度,相较仅使用复合算子的处理算法提升了39.6%的处理速度,且算法检测效果良好;实车实验证明了算法的有效性和实时性。
（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。
车道线识别论文参考文献
[1].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
[2].庄博阳,段建民,郑榜贵,管越.基于光流法的快速车道线识别算法研究[J].计算机测量与控制.2019
[3].辛超,刘扬.基于概率霍夫变换的车道线识别算法[J].测绘通报.2019
[4].于升源.基于机器视觉的雾天车道线识别与追踪算法研究[D].桂林电子科技大学.2019
[5].谢昌刚.基于单目视觉的车道线识别与车道偏离预警技术研究[D].南京航空航天大学.2019
[6].周越.基于视觉的车道线识别研究[D].辽宁工业大学.2019
[7].王杰,陈黎卿,黄莉莉,马晓晴,王敏敏.基于Retinex的弱光条件下车道线识别方法[J].计算机与数字工程.2019
[8].冯庆,陈开燕,张冬梅,李佳阳,唐宇朋.基于灰度优化的车道线识别[J].科学技术创新.2019
[9].周越,陈学文.一种改进的车道线识别算法[J].汽车实用技术.2018
[10].李成炼.基于叁目摄像机的车道线识别方法研究[D].华南理工大学.2018