期刊文献+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
共找到4篇文章
< 1 >
每页显示 20 50 100
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
显示方式：
基于数学形态学的多车道线检测及MATLAB仿真
1
作者 张利平 黄晋英 潘宏侠 《农业装备与车辆工程》 2006年第8期16-18,共3页
在智能车辆的视觉导航系统中,车道线的检测有极其重要的作用,车道线的检测对于自主驾驶安全是不可忽视的。本文利用数学形态学进行多车道线检测,并对相应算法进行仿真。
关键词 数学形态学 多车道线
下载PDF
基于轻量化U^(2)-Net的车道线检测算法研究
2
作者 邓欢 王健 +3 位作者 吴孟军 杜若飞 费明哲 王云靖 《汽车工程师》 2024年第8期22-28,共7页
针对车道线遮挡、道路阴影等多车道驾驶环境下提取的车道线特征信息缺失造成预测车道线模糊、不连续等问题,提出一种基于轻量化U^(2)-Net的车道线检测算法。首先,以轻量化U^(2)-Net的残差U形模块(RSU)和多特征尺度融合获得全局信息丰富... 针对车道线遮挡、道路阴影等多车道驾驶环境下提取的车道线特征信息缺失造成预测车道线模糊、不连续等问题,提出一种基于轻量化U^(2)-Net的车道线检测算法。首先,以轻量化U^(2)-Net的残差U形模块(RSU)和多特征尺度融合获得全局信息丰富的车道线特征;其次,对车道线特征进行逐像素阈值判断,并选择最小二乘法结合感兴趣区域(ROI)中车道线簇进行车道线的拟合,实现多车道线检测并确认自车道线区域;最后,在图森(TuSimple)数据集上进行验证与分析。验证结果表明,所提出的车道线检测算法的平均准确率达到98.4%,相比于其他车道线检测网络,该算法的网络参数量较少,准确率较高。 展开更多
关键词 轻量化U^(2)-Net 残差U形模块 多车道线检测 自车道线
下载PDF
基于IPM和边缘图像过滤的多干扰车道线检测 被引量：16
3
作者 吴骅跃 赵祥模 《中国公路学报》 EI CAS CSCD 北大核心 2020年第5期153-164,共12页
在基于视觉的自动驾驶环境感知中,路面阴影、雨水、污渍和反光会对车道线识别和车辆导航造成干扰,针对此问题提出了一种基于逆投影映射(IPM)和边缘图像过滤的改进车道线识别方法。通过逆投影方法可以得到原始道路图像的鸟瞰图像,很大程... 在基于视觉的自动驾驶环境感知中,路面阴影、雨水、污渍和反光会对车道线识别和车辆导航造成干扰,针对此问题提出了一种基于逆投影映射(IPM)和边缘图像过滤的改进车道线识别方法。通过逆投影方法可以得到原始道路图像的鸟瞰图像,很大程度上增强了车道线的视觉特性并减少了干扰。同时提出迭代聚类分割方法对IPM图像中的灰度值进行分析,并保留与车道线颜色和形态特征最为接近的灰度点作为车道线边缘。随后提出一种搜索统计边缘图像中连续边缘区域的方法,通过分析边缘点并保留最长区域实现过滤道路干扰因素的目的。最后将该算法与其他常用车道线检测算法进行对比。研究结果表明:该方法可以更好地过滤路面各种干扰因素,有效增强干扰环境下识别模糊车道线、实车道线、虚车道线、弯车道线的能力,大幅提高了自动驾驶环境中的车道保持能力,并且由于该方法相比其他方法能够更加有效地去除路面干扰区域,因此识别车道线的速度得到大幅提高,可以满足自动驾驶对于实时性的要求。 展开更多
关键词 交通工程 多干扰车道线检测 自适应车道线边缘提取 非车道线干扰过滤
原文传递
引入辅助损失的多场景车道线检测 被引量：8
4
作者 陈立潮 徐秀芝 +1 位作者 曹建芳 潘理虎 《中国图象图形学报》 CSCD 北大核心 2020年第9期1882-1893,共12页
目的为解决实时车辆驾驶中因物体遮挡、光照变化和阴影干扰等多场景环境影响造成的车道线检测实时性和准确性不佳的问题,提出一种引入辅助损失的车道线检测模型。方法该模型改进了有效的残差分解网络(effcient residual factorized netw... 目的为解决实时车辆驾驶中因物体遮挡、光照变化和阴影干扰等多场景环境影响造成的车道线检测实时性和准确性不佳的问题,提出一种引入辅助损失的车道线检测模型。方法该模型改进了有效的残差分解网络(effcient residual factorized network,ERFNet),在ERFNet的编码器之后加入车道预测分支和辅助训练分支,使得解码阶段与车道预测分支、辅助训练分支并列,并且在辅助训练分支的卷积层之后,利用双线性插值来匹配输入图像的分辨率,从而对4条车道线和图像背景进行分类。通过计算辅助损失,将辅助损失以一定的权重协同语义分割损失、车道预测损失进行反向传播,较好地解决了梯度消失问题。语义分割得到每条车道线的概率分布图,分别在每条车道线的概率分布图上按行找出概率大于特定阈值的最大点的坐标,并按一定规则选取相应的坐标点,形成拟合的车道线。结果经过在CULane公共数据集上实验测试,模型在正常场景的F1指标为91.85%,与空间卷积神经网络(spatial convolutional neural network,SCNN)模型相比,提高了1.25%,比其他场景分别提高了1%~7%;9种场景的F1平均值为73.76%,比目前最好的残差网络———101-自注意力蒸馏(ResNet-101-self attention distillation,R-101-SAD)模型(71.80%)高出1.96%。在单个GPU上测试,每幅图像的平均运行时间缩短至原来的1/13,模型的参数量减少至原来的1/10。与平均运行时间最短的车道线检测模型ENet———自注意力蒸馏(ENetself attention distillation,ENet-SAD)相比,单幅图像的平均运行时间减短了2.3 ms。结论在物体遮挡、光照变化、阴影干扰等多种复杂场景下,对于实时驾驶车辆而言,本文模型具有准确性高和实时性好等特点。 展开更多
关键词 多场景车道线检测 语义分割网络 辅助损失 梯度消失 CULane数据集
原文传递
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
上一页 1 下一页 到第 页
使用帮助 返回顶部