学习笔记16--环境感知实例之车道线检测
本系列博客包括6个专栏，分别为：《自动驾驶技术概览》、《自动驾驶汽车平台技术基础》、《自动驾驶汽车定位技术》、《自动驾驶汽车环境感知》、《自动驾驶汽车决策与控制》、《自动驾驶系统设计及应用》，笔者不是自动驾驶领域的专家，只是一个在探索自动驾驶路上的小白，此系列丛书尚未阅读完，也是边阅读边总结边思考，欢迎各位小伙伴，各位大牛们在评论区给出建议，帮笔者这个小白挑出错误，谢谢！
此专栏是关于《自动驾驶技术概览》书籍的笔记。
2.环境感知实例之车道线检测
- 车道线是用来管制和引导交通的一种标线，由标划于路面的线条、箭头、文字和轮廓标示等组成；
- 道路交通标线分为：指示标线、禁止标线、警告标线；
- 常见的车道线检测方案：基于摄像头及传统计算机视觉的检测、基于激光雷达等高精设备的车道线检测；
2.1 基于摄像头及机器视觉的车道线检测
- 传统计算机视觉车道线检测主要依赖于高度定义化的手工特征提取和启发式的方法；
- 检测方法：基于道路特征和基于道路模型；
- 基于道路特征：利用车道线与道路之间的物理结构差异对图像进行后续的分割和处理，突出道路特征，实现车道线检测；
- 基于道路模型：利用不同的道路图像模型(直线、抛物线、复合型)，对模型中的参数进行估计与确定，最终和车道线进行拟合；
- 基于道路特征的检测方法分类：
- 基于颜色特征；
- 基于纹理特征；
- 基于多特征融合；
- 基于颜色特征分类：
- 基于灰度特征提取：
基于灰度特征的检测方法：通过提取图像的灰度特征来检测道路边界和道路标志；通过直接采集灰度图进行处理，或通过图像转换将原始图像转换为灰度图；车道图像中，路面与车道线交汇处的灰度值变换较为剧烈，利用边缘增强算子突出图像的局部边缘，定义像素的边缘强度，通过设置阈值的方法提取边缘点；
常用的算子：微分算子、拉普拉斯算子、Canny算子； - 基于色彩特征提取：
基于彩色特征的检测方法：通过提取图像的彩色特征来检测道路边界和道路标志；主要涉及颜色空间的选择和分割策略选取；
颜色空间：由一组数值用来描述图像信息的抽象模型，通常为三四个数字，常用的颜色空间：RGB空间、HSI空间、CIE L* a* b*空间；
在不同的颜色空间中，车道线和道路有各自的特性，通过分析彩色信息的空间分布，利用分割策略对车道线进行检测；
通常用于车道线检测的分割策略为：阈值分割和色彩聚类；
- 基于灰度特征提取：
- 基于道路模型中的直线模型和曲线模型。
- 直线模型：
直线模型主要建立在车道线为直线模型基础上，数学表达式为：u=k(v−h)+bu=k(v-h)+bu=k(v−h)+b
其中：u、v代表道路图像的横、纵坐标，k代表斜率，b代表截距，h代表道路消失在图中的纵坐标其中：u、v代表道路图像的横、纵坐标，k代表斜率，b代表截距，h代表道路消失在图中的纵坐标其中：u、v代表道路图像的横、纵坐标，k代表斜率，b代表截距，h代表道路消失在图中的纵坐标； - 曲线模型：基于双曲线模型车道线检测算法；
- 运用Canny算子对道路边缘进行检测；
- 采用Hough变换提取道路边界点，并使用扩展的Kalman滤波进行预测来减小道路扫描范围；
- 通过左右车道边界参数与双曲线模型参数进行匹配，用最小二乘法来求解模型参数，完成车道边界重建；
- 几种模型的特点
- 直线模型实时性好，但对曲线道路的识别精度较差；
- 抛物线模型在车道直线与曲线连接处连接性不好，标识线容易偏离；
- 样条曲线模型过于复杂，计算量大，实时性不高；
- 直线模型：
9.2 基于激光雷达的车道线检测
- 基于反射强度信息的方法。
基于反射强度信息的方法基于激光雷达反射强度信息形成的灰度图，或根据强度信息与高程信息配合，过滤无效信息，对车道线进行拟合；回波强度值在0～255间，数字越大，反射率越高；
| 介质 | 回波强度值 | 可能的地物分类 |
|---|---|---|
| 特性涂层 | 12～30 | 车道标线 |
| 沥青、混凝土 | 5～8 | 道路、房屋 |
| 植被、金属 | 45～150 | 灌木丛、车辆 |
- 基于SLAM与高精地图结合方法。
SLAM(Simultaneous Localization and Mapping，即时定位与地图构建)，指运动物体根据传感器信息，一边计算自身位置，一边构建环境地图的过程。 SLAM分为：激光SLAM和视觉SLAM；
利用激光雷达的点云进行车道线、交通标志、路标的初步定位，然后对比高精地图进行回归，实时对车道线进行检测，且对车辆进行定位。
学习笔记16--环境感知实例之车道线检测相关推荐
- 视觉感知(三)：车道线检测
1. 简介 本期为大家带来车位线检测相关知识点,以及算法工程落地的全流程演示.上期我们讲了车位线检测是自动泊车领域必不可缺的一环,而今天的车道线检测则是辅助驾驶领域必不可缺的一环. 所谓车道线检测任务 ...
- OpenCV图像处理学习十八，霍夫变换实现交通车道线检测
一.霍夫变换 经典霍夫变换用来检测图像中的直线,后来霍夫变换经过扩展可以进行任意形状物体的识别,例如圆和椭圆.霍夫变换运用两个坐标空间之间的变换,将在一个空间中具有相同形状的曲线或直线映射到另一个坐标 ...
- OpenCV-Python小应用（六）：车道线检测
OpenCV-Python小应用(六):车道线检测 前言 前提条件 实验环境 基于霍夫变换的车道线检测 参考文献 前言 本文是个人使用OpenCV-Python的应用案例,由于水平有限,难免出现错漏, ...
- Hadoop学习笔记—16.Pig框架学习
Hadoop学习笔记-16.Pig框架学习 一.关于Pig:别以为猪不能干活 1.1 Pig的简介 Pig是一个基于Hadoop的大规模数据分析平台,它提供的SQL-LIKE语言叫Pig Latin, ...
- 【论文学习笔记-16】立体匹配：360SD-net
[论文学习笔记-16]立体匹配:360SD-net Contribution RelatedWork Method Experiment 本文利用两张360°摄像机获得的球形图片进行立体匹配,与双目立 ...
- cocos2d-x学习笔记16：记录存储1：CCUserDefault
cocos2d-x学习笔记16:记录存储1:CCUserDefault 一.简述 CCUserDefalt作为NSUserDefalt类的cocos2d-x实现版本,承担了cocos2d-x引擎的记录 ...
- 深度学习（二）theano学习笔记(1)环境搭建
theano学习笔记(1)环境搭建 原文地址:http://blog.csdn.net/hjimce/article/details/46654229 作者:hjimce 搭建theano实属不易,因 ...
- SpringBoot学习笔记(16)----SpringBoot整合Swagger2
Swagger 是一个规范和完整的框架,用于生成,描述,调用和可视化RESTful风格的web服务 http://swagger.io Springfox的前身是swagger-springmvc,是 ...
- activiti7关联mysql_学习笔记：一个MySQL实例有多个Activiti数据库问题
学习笔记:一个MySQL实例有多个Activiti数据库问题 使用SpringBoot + activiti6 搭建审批流项目,数据库使用的是MySQL.且我的数据库下存在多个activiti相关的数 ...
最新文章
- 特征工程：特征生成，特征选择(三)
- 以太网端口类型和可插拔模块揭密
- MvcScaffold快速开发实例
- Machine Learning on Spark——统计基础（二)
- 前端学习（575）：margin无效情形之鞭长莫及导致无效
- Python：PDF文件转图像
- 事业单位考试高频考点一：马克思主义基本原理
- jquery学习之1.19-小练习3-输入用户名密码时焦点触发和失去焦点
- java开源社区 推荐_13 个最火的 Java 开源项目推荐！总有一个适合你！
- cocos creator人物动画切换控制
- 相机打开显示服务器错误,Win10相机打不开报错“0xa00f4244”怎么解决？
- mysql的执行计划_MySQL——执行计划
- Win10中文输入法加入美式英文键盘并默认英文键盘
- 分账功能对接解决方案
- 企业未来的发展机遇，或许在直播中
- 你知道小米手机便签如何导入录音和视频文件吗？
- EasyNVR网页摄像机直播方案H5前端构建之：区分页面是自跳转还是分享依据
- python爬取天猫,python如何爬取天猫店铺商品链接？
- c语言顺序选择结构题库,C语言复习题顺序结构
- 01-javaWeb-html