一种智能汽车的实时道路边缘检测算法_朱学葵
基于UTMD的汽车自动驾驶的路径规划寻优算法
基于UTMD的汽车自动驾驶的路径规划寻优算法
李学鋆
【期刊名称】《汽车安全与节能学报》
【年(卷),期】2018(009)004
【摘要】为在汽车自动驾驶中路径规划中能兼顾运算的实时性和可靠性,设计了一种智能仿生算法的路径寻优算法.该算法基于超声靶向微泡破坏(UTMD)算法的原理.迭代运算分为靶标圈定、微泡迭代、微小核糖核酸(miRNAs)迭代.圈定靶标,以便有效减小路径搜索范围.利用非线性函数Rastrigin对该算法进行验证.分析了迭代次数的设定方式,并采用程序自检的方式进行自行跳转.将该算法运用到二维路径规划中,并在Matlab中进行模拟.结果表明:与Dijkstra算法相比,该UTMD算法所规划的路径长度缩减4.52％.因此,该算法可有效地应用于汽车自动驾驶.
【总页数】7页(P449-455)
【作者】李学鋆
【作者单位】湖北汽车工业学院汽车工程学院,十堰 442002,中国;汽车动力传动与电子控制湖北省重点实验室,湖北汽车工业学院,十堰 442002,中国
【正文语种】中文
【中图分类】U461.6
【相关文献】
1.一种基于人工势场法的自动驾驶汽车主动避障路径规划算法 [J], 张鹏;葛中盛;徐效农;赵奉奎
2.一种基于人工势场法的自动驾驶汽车主动避障路径规划算法 [J], 张鹏;葛中盛;徐效农;赵奉奎
3.自动驾驶汽车路径规划算法研究 [J], 李梓欣;李军
4.自动驾驶汽车路径规划算法研究 [J], 李梓欣;李军
5.基于动态解区间的操作臂路径规划寻优算法 [J], 李纪明
因版权原因，仅展示原文概要，查看原文内容请购买。
基于GPU图像边缘检测的实时性
基于GPU图像边缘检测的实时性
朱玉娥;吴晓红;何小海
【期刊名称】《电子测量技术》
【年(卷),期】2009()2
【摘要】边缘检测是图像处理的基础,目前边缘检测算法不断完善,检测效果不断的提高,但检测速度方面的研究还存在很多不足,为了在保证检测效果的同时,提高边缘检测的速度,提出了一种基于可编程图像处理器GPU的边缘检测方法,应用GPU的像素着色器和Canny算子检测原理,用VC++,Cg,OpenGL在Windows XP系统
下进行仿真实验。
结果表明,该方法不仅提高了边缘检测的速度,而且有效保留图像
边缘信息,具有实时性,为今后基于GPU提高图像处理速度的研究提供了宝贵资源。
【总页数】3页(P140-142)
【关键词】GPU;边缘检测;实时性
【作者】朱玉娥;吴晓红;何小海
【作者单位】四川大学电子信息学院图像信息研究所
【正文语种】中文
【中图分类】TP391.41
【相关文献】
1.基于GPU的小尺寸FFT在实时图像复原中的优化 [J], 严发宝;苏艳蕊;赵占锋;左颢睿;柳建新
2.基于GPU加速的实时Meanshift滤波及图像卡通化渲染技术 [J], 赵杨;杨剑兰
3.基于GPU异构平台的实时CT图像重建系统的研究 [J], 夏松竹;杨静;方宝辉;徐金秀
4.基于GPU的小行星光学观测图像实时处理 [J], 兀颖;葛亮;卢晓猛;田健峰;王汇娟;姜晓军
5.基于GPU和UNITY的嵌入式图像实时传输方法 [J], 王凤瑞;范冲;莫东霖;房骥因版权原因，仅展示原文概要，查看原文内容请购买。
智能交通中的车辆轨迹预测算法研究与评估
智能交通中的车辆轨迹预测算法研究与评估随着城市交通的不断发展与升级，智能交通系统成为了现代城市交通管理的重要组成部分。
其中，车辆轨迹预测算法作为智能交通系统的核心技术之一，对于交通事故预防、交通效率提升以及交通拥堵解决方案的制定具有重要意义。
本文将探讨智能交通中的车辆轨迹预测算法的研究和评估。
首先，我们需要了解车辆轨迹预测算法的基本概念和原理。
车辆轨迹预测算法是利用历史和实时的车辆轨迹数据，通过建模和分析，预测未来一段时间内车辆的行驶轨迹。
该算法通常采用机器学习和深度学习技术进行模型构建，并结合车辆的历史行驶数据、道路网络拓扑结构以及道路环境等因素进行综合分析。
在车辆轨迹预测算法的研究中，常用的方法包括基于统计的方法、基于机器学习的方法和基于深度学习的方法。
基于统计的方法依赖于历史数据的统计分析，通过对车辆轨迹数据的概率建模和分析，推断未来行驶的趋势。
基于机器学习的方法则是通过训练样本数据来构建预测模型，使用算法学习历史车辆轨迹数据与其他相关因素的关系，从而实现对未来轨迹的预测。
基于深度学习的方法则是使用神经网络模型对轨迹数据进行建模和训练，以获取精确的预测结果。
评估车辆轨迹预测算法的性能是非常重要的。
评估主要包括准确度、精度和实时性等指标。
准确度是指预测结果与实际结果之间的误差大小，通常使用均方根误差（RMSE）等指标进行评估。
精度是指预测结果中正确预测轨迹的比例，可以通过计算预测正确的车辆数量占总预测车辆数量的比例来进行评估。
实时性是指预测算法执行的时间，常用的指标是响应时间和算法的运行效率。
从实际应用的角度出发，车辆轨迹预测算法的优化和改进也是研究的重点。
例如，在提高算法准确性的同时，还需要考虑算法的实时性和稳定性，以适应不同实时交通情况下的轨迹预测需求。
此外，还可以考虑引入其他外部因素，例如天气、道路施工等因素，以提高预测模型的泛化能力。
车辆轨迹预测算法在智能交通领域的应用前景广阔。
通过准确地预测车辆的行驶轨迹，交通管理部门可以更好地进行交通流量调度，提前采取交通拥堵缓解措施，减少交通事故的发生。
一种带有方向的边缘检测算子在道路边缘提取中的应用研究
声敏 感 。高 斯 拉普 拉 斯 算 子 的优 点 是 可精 确 检 测 到
边缘 ，可 以检测大范 围区域，缺点是在拐角、弯 曲 和 灰 度 值 有 变化 的边 缘 有误 检 测 ，检测 不 出边 缘 的
ｎ ｉ ｎ ｅｄｔｃ ｄ ｄ ｅ ａ ｅ ｏ ｄｃｎｉｕｔ． ｈｒ ｒ ｍａｙｏ ｖｏ ｓ ｄ ａ ｔ ｅ ｅｅｔ ｇｌ ｅｒ ｂｅｔ ｏｓ ａ ｄ ｈ ｅｅｔ ｇｓ ｖ ｏ ｏ ｔ ｉ Ｔ ｅｅ ｅ ｎ ｂ ｉｕ ｖｎａ ｓｎｄｔｃ ｎ ｎ ａ ｊｃ ｅ ｔ ｅｅ ｈ ｇ ｎ ｙ ａ 息对 于 地物 边 缘 的正确 提 取 是 十 分 有 价值 的 。为 此 ，本 文 提 出 了一 种 带有 方 向性
的边缘 检测 算 子 ，并 以道路 提取 为例 进行 了实验 。
２ 方 向边缘检 测算子的构建
Ｊ Ｃｎ ｙ在 １８ ．ａ ｎ ９ ６年 提 出 的最 佳边 缘检 测准 则
是 ：（ ）检 测 的信 噪 比最 大 ，对 信 号 的误 检 和 漏检 １
（ ９ ８ 、Ｙ ｕ ｇ ｗ ｎ ａ ｄ Ｕ ｐ （ ９ ９ Ｌ ￣大 部分 １ ９ ） ｏ ｎ — ｏ ｎ ｄ ａ １９ ） １ Ｊ
该类 算 子 的 优 点是 简 单 ， 可检 测 边 缘和 边 缘 方 向， 缺 点是对 噪 声敏 感 ，检测 精度 不 高 。如 Ｓｂ ｌ算 子 ｏｅ
对 噪 声有 一 定 的抑 制 能 力 ，但 在 检 测 阶跃 边 缘 时 得
率最低；（ ）最优检测精度，检测 出的边缘与真实 ２ 边 缘 位 置 最接 近 ；（ ）检 测 点对 边 缘 点 唯一 响 应 ， ３
检 测 出 的伪 边 缘与 真 实边缘 的距 离最 远 。
根据此 准 则 ， ａ ｎ Ｃ ｎ ｙ提 出最佳 边缘 检测 函数 应 是
一种多摄像头车辆实时跟踪系统
第14期2023年7月无线互联科技Wireless Internet TechnologyNo.14July,2023作者简介:崔瑞(1997 ),男,山东德州人,硕士研究生;研究方向:计算机科学技术㊂∗通信作者:贾子彦(1981 ),男,山西太原人,副教授,博士;研究方向:计算机科学,物联网㊂一种多摄像头车辆实时跟踪系统崔㊀瑞,贾子彦∗(江苏理工学院,江苏常州213000)摘要:随着城市人口的增加,越来越多的车辆使得城市的交通状况越来越复杂㊂针对传统的车辆检测中出现的跟踪车辆易丢失㊁跟踪精度低等问题,文章提出一种基于多摄像头的车辆实时跟踪检测方法,从多角度对运动车辆进行跟踪㊂在分析YOLOv5算法的基础结构后,文章针对车辆尺度变化大的特点,充分利用YOLOv5算法检测轻量化㊁速度快㊁实时性强的性质,并在此基础上利用多个摄像头之间的单应性矩阵来确定车辆位置的变化㊂结合颜色特征识别和车辆特征识别对车辆进行重识别,不仅提高了运行速度,而且满足了实时性和准确性的要求,有效解决跟踪车辆易丢失的问题,获得了较为成功的车辆实时跟踪效果㊂关键词:多摄像头;YOLOv5;单应性矩阵;特征识别中图分类号:TP391㊀㊀文献标志码:A0㊀引言㊀㊀随着城市现代化㊁智慧化进程不断加快,城市车辆的使用也越来越普遍,监控摄像随处可见㊂与此同时,车辆的系统管理正在向智能化过渡㊂多摄像头环境下的目标车辆的检测和跟踪已经日益引起高度重视,成为当下的研究热点㊂目前,智能视频监控主要有两大关键技术:一是对运动目标的识别跟踪;二是对目标行为的定义[1-2]㊂多摄像头车辆识别与跟踪是现代智能交通系统中研究的重点内容㊂在多摄像头的切换过程中,可能出现因目标车辆的外形检测发生变化导致错检㊁漏检的情况㊂尤其是在十字路口等事故高发地点,监控视频背景复杂㊁目标车辆遮挡等问题也对识别跟踪的准确度及误检率提出了巨大的挑战[3-4]㊂对于同一车辆在多摄像头重叠监控区域下的定位,不仅是区别于单一摄像头车辆的识别与定位,而且也是多个摄像头车辆的识别与定位的难点所在㊂对于同一车辆的识别既包括对同一车辆在不同摄像头监控区域下的匹配确定[5],同时也包括对车辆出现被遮挡状态时的判断,通过对车辆的行驶状态和被遮挡情况的分析判断,完成同一车辆在不同监控区域下的连续识别与跟踪㊂针对上述问题,本文提出一种多摄像头车辆实时跟踪系统㊂该方法首先采用车辆检测算法进行车辆的识别,同时结合多个摄像头之间的单应性矩阵来确定多个摄像头重叠区域下同一车辆的位置,然后结合HSV 颜色空间和车辆特征来进行车辆的匹配,提高车辆的识别匹配精度,最后将特征识别和全卷积网络的跟踪算法结合起来,实现多角度对车辆的实时跟踪㊂本文的应用场景以十字路口为主㊂本文提出的车辆跟踪流程如图1所示㊂图1㊀车辆跟踪流程1 多摄像头车辆识别与定位1.1㊀车辆检测模型㊀㊀YOLO算法系列在车辆检测方面有着非常显著的识别能力㊂近些年来,随着科技的发展和变迁, YOLO算法系列不断地更新换代,而YOLO系列近几年最新推出的YOLOv5模型则是更加适合当代工程和实际应用的需求㊂目前,YOLOv5算法有4个不同的版本,每个版本之间的网络结构有些许的差别[6]㊂本文采用的YOLOv5s算法是4个版本中网络最小的版本,主要以检测像车辆等之类的大目标为主㊂相对于其他的版本,YOLOv5s的检测速度快,识别准确度比其他算法高,非常适合在嵌入式设备中应用㊂本文对出现在交通视频中的各种交通车辆进行检测,选择YOLOv5s 结构进行研究㊂YOLOv5s网络主要有3个组成部分㊂(1)Backbone:提取特征的主干网络,主要用来提取图片中的信息以供后面的网络使用㊂常用的Backbone有resnet系列(resnet的各种变体)㊁NAS网络系列(RegNet)㊁Mobilenet系列㊁Darknet系列㊁HRNet系列㊁Transformer系列和ConvNeXt㊂主要结构包括focus㊁conv㊁bottle-neckcsp和空间金字塔层㊂(2)Neck(空间金字塔池化):它是通过将图像特征进行糅合并重新组合成一个新的网络结构,将提取到的图像特征传递到预测层㊂(3)Head:主要是针对图像的特征进行预测,然后生成检测框并且预测其类别㊂本文的车辆检测方案使用改进后的YOLOv5s检测算法对车辆数据集进行训练,并引入CA注意力机制,用改进后的检测模型对相关的车辆数据集进行测试,经过实验验证提高了检测精度,更好地完成车辆检测目标㊂1.2㊀多摄像头空间模型的确立㊀㊀单应性矩阵能够将十字路口4个摄像头之间的相互关系形象生动地表达出来,通过将拍摄到的同一车辆不同角度的图片进行像素坐标之间的变换,能够实现车辆在不同监控角度下的像素位置的转换,从而实现同一车辆在不同监控视角下的车辆位置的定位㊂在通常情况下,单应性矩阵一般采用人工标定的方法来进行特征点之间的匹配,但是由于人工标定会产生一定的误差,导致得出的单应性矩阵也存在一定的误差㊂因此,鉴于这一问题,本文采用精确的棋盘格来求取匹配点,结合张正友棋盘标定的方法,求取相对准确的单应性矩阵㊂首先,打印一张8ˑ8的黑白相间的棋盘方格;其次,将打印好的棋盘格放置在十字路口的中间,用4个方向的摄像头对其进行拍摄;然后,对4个视角下的棋盘格图片进行特征点的检测;最后,根据棋盘格中获取的匹配点求取4个摄像头之间的单应性矩阵㊂通过模拟十字路口4个摄像头同时对视野区域内的棋盘格上特征点求取单应性矩阵,对同一标定点在4个摄像头之间的空间位置进行定位㊂本文根据实际十字路口的环境,按照一定的比例搭建了十字路口的实际模型进行研究㊂本文采用UA-detrac车辆检测数据集与自建数据集进行三维空间模型构建,求取单应性矩阵㊂在自建数据库中,在模型上放置标记物进行标记,按照东西南北4个方向分别标定为1㊁2㊁3㊁4号摄像头,同时以第3摄像头为基准,分别求取1㊁2㊁4号摄像头与该摄像头的转换矩阵H13㊁H23㊁H43㊂自建数据库的标定如图2所示,红圈表示选取的特征匹配点㊂图2㊀人工标定图其他视角到该视角的转换矩阵为:H13=0.00020.00140.0025-0.00140.00840.0011-0.00120.00040.0001éëêêêùûúúúH23=0.0015-0.00230.0028-0.00430.00550.0012-0.0020-0.00280.0010éëêêêùûúúúH43=-0.00580.00140.0063-0.00940.00660.0066-0.001000.0010éëêêêùûúúú经过本文实验证明,与人为标定特征点求取单应性矩阵的方法相比,用棋盘标定通过特征点之间的匹配进行单应性矩阵的求取精度会更高,这是由于相对于人工标定,采用棋盘标定的方法,匹配点的数量更多,相互之间匹配点的位置关系会更加准确,减少了人为标定方法产生的误差,同时还提高了求取单应性矩阵的准确性㊂1.3㊀车辆颜色特征匹配㊀㊀车辆的颜色特征能够更加直观地反映车辆的外部整体信息,通常采用RGB颜色空间与HSV颜色空间来提取车辆的颜色特征㊂RGB 颜色空间和HSV 两个颜色空间虽然都是用来表示图像的颜色特性㊂相比而言,RGB 颜色空间获取车辆的颜色特征更加准确㊂HSV 颜色空间更容易被人眼所接受,从而更方便人们观察㊂因此,本文首先通过RGB 颜色空间获取车辆的全局外观颜色特征,之后再转换到HSV 颜色空间进行颜色特征的量化,车辆的颜色特征可以直观地反映车辆的全区信息,由于HSV 颜色空间可以对颜色空间进行量化,降低颜色空间的特征维数,从而减少提取匹配的计算量,提高算法的运算效率㊂HSV 颜色空间具有自然性,与人类的视觉神经感知接近,反映了人类对于色彩的观察,同时有助于查找图像㊂由此分析,本文采用了基于HSV 颜色空间模型对车辆的全局外观进行颜色提取㊂通常来说,拍摄到的车辆图像基本都是以RGB 的方式保存㊂图像从RGB 颜色空间转换到HSV 空间㊂RGB 颜色空间将图片进行R㊁G㊁B 的3种通道的划分,设(r ,g ,b )分别是一个颜色的红㊁绿和蓝颜色的坐标,他们的值是0~1的实数,令max 等于r ㊁g ㊁b 3个分量中的最大值,min 等于r ㊁g ㊁b 3个分量中的最小值,则从RGB 颜色空间到HSV 颜色空间的变换过程可用如下公式来表示:h =00if max =min 600ˑg -b max -min +00,if max =r and g ȡb 600ˑg -b max -min+3600,if max =r and g <b 600ˑg -b max -min +1200,if max =g 600ˑg -b max -min +2400,if max =b ìîíïïïïïïïïïïïïs =0,if max =0max -min max =1-minmax,otherwise{ν=max输入的车辆图片的颜色特征通常用颜色直方图来表示,它的算法简单,速度较快㊂它具有尺度平㊁平移和旋转不变形的特征,在特征提取㊁图像分类方面有着非常好的应用㊂本文通过HSV 颜色空间对多组相同车型不同颜色和相同颜色不同车型的车辆分组图片进行颜色特征的提取和匹配㊂本研究对UA -detrac 车辆检测数据集和自建模型拍摄的多角度下不同颜色的车辆进行颜色特征提取,并计算其颜色相似度㊂对比结果如表1所示㊂表1㊀颜色特征相似程度对比结果测试数据颜色特征相似度第一组红色车辆车辆1-车辆20.975车辆1-车辆30.964车辆1-车辆40.834车辆1-车辆50.435第二组蓝色车辆车辆1-车辆20.954车辆1-车辆30.963车辆1-车辆40.945车辆1-车辆50.364第三组橙色车辆车辆1-车辆20.986车辆1-车辆30.963车辆1-车辆40.895车辆1-车辆50.382通过表1的颜色特征相似度的结果可以看出,颜色特征相似度越大,表示两辆车之间的相似程度越高㊂相同的一辆车在4个方向下的相似度的范围均在0.8以上,颜色相似的两辆车之间的相似度均在0.8以下㊂颜色不同但是车型相同的两辆车之间的相似度均在0.6以下㊂由此可知,颜色特征可以用来区分车型相同或相似但颜色差别大的车辆㊂同一辆车在不同摄像头的监控视野内由于拍摄角度的问题会出现导致同一辆车的颜色特征存在一定的差异的情况发生㊂若是直接将相似度设置为0.8可能会存在在不同的监控角度下,同一车辆被漏检的情况㊂若阈值设置得过低又可能误检一些颜色相近的车辆㊂只是颜色特征识别并不能满足不同角度下车辆的匹配,存在一定的缺陷,因此还需要通过局部特征的匹配来提高匹配的精度㊂1.4㊀SURF 特征匹配㊀㊀鉴于颜色特征能针对局部特征对于颜色信息不区分这一缺点进行补充,而SURF 的特点是具备光线照射㊁角度的调整以及尺寸不变性,速度比较快而且相对比较稳定㊂由于仅是局部特征或者仅是全局特征很容易发生在多摄像头切换角度时出现跟踪错误的信息,从而导致跟踪失败㊂因此,本文将全局特征和局部特征结合起来,从而提高匹配的准确性㊂相对而言,SURF 特征提取的数量虽然比SIFT 特征提取少很多,但还是存在错误匹配的情况㊂因此,本文根据SURF 的算法特性,特征匹配点之间的欧式距离越近,相似度越高,匹配得越准确㊂对匹配点之间的欧氏距离进行筛选,选择合适的阈值,对欧式距离进行排序,从而选出最优的SURF 特征匹配点,减少匹配的误差,降低错误匹配的概率㊂2 融合多特征与全卷积孪生网络的跟踪算法㊀㊀因为在多摄像头切换角度时对同类型的车辆误检㊁漏检的情况时有发生,所以本文对全卷积孪生网络跟踪算法中的图像特征向量相似度与多特征融合进行改进,并引入注意力通道机制网络结构,针对错检㊁漏检的情况进行改进,提升准确度㊂使用上述提到的HSV颜色特征提取和SURF特征作为匹配的特征,与全卷积孪生网络跟踪模型计算的相似度进行结合,即使在发生目标车辆部分遮挡的情况下,在切换到另一角度的摄像头时仍然能对同一车辆继续进行定位跟踪㊂在出现完全遮挡的情况或者在多摄像头角度切换后,目标车辆短时间内未再次出现的情况下仍然继续工作,在等待目标车辆再次出现时,继续对目标车辆进行定位检测与跟踪,以保证目标车辆的持续跟踪㊂跟踪模块首先利用全卷积网络训练的跟踪模型提取目标车辆图片,通过提取检测车辆图像的特征向量,计算目标车辆与待检测车辆之间的相似度,然后通过HSV颜色空间得出车辆的全局特征的相似度,最后对SURF特征进行车辆的局部特征匹配,过滤掉错误的匹配点,提高准确度,因为SURF特征点之间的距离长短表示特征点之间匹配值的高低,所以在所有检测到的车辆中选择特征点之间距离最短的也就是匹配值最小的目标车辆,对目标车辆进行定位,并利用上述计算的3种目标车辆判断的值对初定位的目标车辆进行阈值比较处理,从而最终定位目标车辆㊂目标车辆实验结果如表2所示㊂表2㊀在自建数据库上的实验结果(单位:%)车辆ID Car1Car2Car3Car4Car5定位成功率96.8497.2393.4297.2689.73跟踪成功率94.1593.5889.5694.4588.533 结语㊀㊀本文提出的多摄像头车辆实时跟踪系统,通过多个摄像头之间的单应性矩阵对十字交通路口的车辆进行定位,并结合颜色特征和SURF特征进行匹配,利用多特征和全卷积孪生网络相结合的跟踪模型,得到最终的检测结果,在车辆的检测和跟踪程度上有一定的提高㊂该系统在一定程度上解决了因遮挡问题造成的误检㊁漏检的问题,提高了检测精度和跟踪的准确性㊂根据实践表明,本文提出的方法效果比单一摄像头的检测方法更加可靠㊂参考文献[1]刘建.基于多摄像头的视频跟踪智能算法研究[D].上海:东华大学,2017.[2]罗凡波,王平,梁思源,等.基于深度学习与稀疏光流的人群异常行为识别[J].计算机工程,2020 (4):287-293.[3]李成美,白宏阳,郭宏伟,等.一种改进光流法的运动目标检测及跟踪算法[J].仪器仪表学报,2018 (5):249-256.[4]王朝卿.运动目标检测跟踪算法研究[D].太原:中北大学,2019.[5]张富凯,杨峰,李策.基于改进YOLOv3的快速车辆检测方法[J].计算机工程与应用,2019(2):12-20.[6]鲍金玉.基于视频分析的车辆智能检测技术研究[D].北京:北方工业大学,2019.(编辑㊀王永超)A real time vehicle tracking system with multiple camerasCui Rui Jia Ziyan∗Jiangsu University of Technology Changzhou213000 ChinaAbstract With the increase of urban population year by year more and more vehicles make urban traffic conditions more and more complicated.Aiming at the problems of tracking vehicles easy to lose low tracking rate and poor real-time performance in traditional vehicle detection a multi-camera based vehicle real-time tracking detection method is proposed to track moving vehicles.After analyzing the basic structure of the YOLOv5algorithm and considering the large scale variation of vehicles the YOLOv5algorithm is fully utilized to detect the properties of lightweight fast speed and strong real-time.On this basis the homography matrix between multiple cameras is used to determine the changes of vehicle bining color feature recognition and vehicle feature recognition vehicle rerecognition not only improves the running speed but also meets the requirements of real-time and accuracy effectively solves the problem that tracking vehicles are easy to lose and finally achieves a more successful real-time vehicle tracking effect.Key words multiple cameras YOLOv5 monography matrix feature recognition。
一种基于GPU的快速Kirsch边缘检测算法
一种基于GPU的快速Kirsch边缘检测算法
黄轩
【期刊名称】《中国科技信息》
【年(卷),期】2012(000)022
【摘要】传统的Kirsch边缘检测算法的优化和实现都是针对常用处理器提出的.根据Kirsch算法的可并行计算的特点,本文提出了一种基于图形处理器GPU的快速Kirsch算法.快速算法根据GPU的并行结构和硬件特点,采用了纹理存储技术、多点访问技术和对称计算技术三种加速技术,优化了数据存储结构,提高了数据访问效率,降低了算法复杂度.实验表明,采用基于GPU的算法可将对图像的处理速度提高到传统Kirsch边缘检测算法的10倍以上.
【总页数】2页(P83-84)
【作者】黄轩
【作者单位】厦门大学智能科学与技术系,福建厦门361005;漳州职业技术学院经济管理系,福建漳州363000
【正文语种】中文
【相关文献】
1.一种新的Kirsch边缘检测算法 [J], 李东玥;张光玉;徐龙春;张敏风;张岗;邹越;赵文波;车琳琳;翟代庆;宋莉
2.基于GPU的快速Sobel边缘检测算法 [J], 左颢睿;张启衡;徐勇;赵汝进
3.基于视觉特性的Kirsch边缘检测算法 [J], 于蕾;陈辉
4.基于快速Kirsch与边缘点概率分析的边缘提取 [J], 吕俊白
5.一种图像边缘提取快速KIRSCH算子的设计与实现 [J], 赵娜
因版权原因，仅展示原文概要，查看原文内容请购买。
一种基于树莓派平台的车道线检测识别方法
为智能车辆辅助驾驶应用的核心技术之一 。 [1] 基于颜色特征聚类的车道线检测方法利用图像空
间转化、K 均值图像分割、特征提取以及二次曲线方法 进 行 车 道 线 拟 合[2]。 在 车 道 线 图 像 处 理 技 术 方 面 ， GOLD 系统利用形态学方法和图像增强方法来加强车 道线显示[3]。文献[4]采用改进的 Canny 算子进行路面边 缘检测，获得路标的边缘轮廓；Lim 等研究了提取道路 感兴趣区域，排除其他区域的干扰并提高了对道路标线
随着现代科技的飞速发展，道路交通安全已经成为 社会普遍关注的问题，各类交通事故发生率一直呈上升 趋势。为了提高车辆驾驶的安全性和司机操作的简单 性，科研人员专注于智能车辆研发。计算机视觉技术在 汽车辅助驾驶系统以及车道偏离预警系统中得到了广 泛 应 用 ，其 中 ，基 于 机 器 视 觉 的 车 道 线 检 测 技 术 已 经 成
2021 年 9 月 1 日 第 44 卷第 17 期
现代电子技术 Modern Electronics Technique
Hale Waihona Puke Sep. 2021 Vol. 44 No. 17
141 DOI：10.16652/j.issn.1004⁃373x.2021.17.027
引用格式：沈梅，杨洪涛，姜阔胜，等 . 一种基于树莓派平台的车道线检测识别方法[J]. 现代电子技术，2021，44（17）：141⁃145.
3. State Key Laboratory for Mechanical Manufacturing Systems Engineering，Xi’an 710049，China）
Abstract：It is difficult for the electric sightseeing vehicles to guarantee safety driving in scenic spots due to bad weather or complex road conditions. To achieve the goal of lane line driving assist of electric sightseeing vehicles when driving，a lane line detection and recognition method based on Raspberry Pi platform is proposed. In the algorithm，the real⁃time image captured by the camera is preprocessed，the Canny algorithm is used to perform edge detection on the image，and the detected image is used to detect and recognize the lane marking lines according to the improved Hough transform. The results show that the electric sightseeing vehicle can accurately identify different lane lines and perform real⁃time fitting，which provides important references for the research on the safety driving assist（SDA）technology of electric sightseeing vehicles.
一种用于无人驾驶车辆的轨迹跟踪控制方法[发明专利]
![一种用于无人驾驶车辆的轨迹跟踪控制方法[发明专利]](https://img.taocdn.com/s3/m/12ef0af45ebfc77da26925c52cc58bd631869364.png)
(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号 (43)申请公布日 (21)申请号 201810426894.9(22)申请日 2018.05.07(71)申请人 湖北汽车工业学院地址 442002 湖北省十堰市红卫教育口车城西路167号(72)发明人 周海鹰 陶冰冰 周奎 龚家元 王思山 毕栋 兰建平 彭强 朱政泽 张友兵 (74)专利代理机构 北京金智普华知识产权代理有限公司 11401代理人 杨采良(51)Int.Cl.B60W 40/10(2012.01)B60W 40/114(2012.01)B62D 15/02(2006.01)(54)发明名称一种用于无人驾驶车辆的轨迹跟踪控制方法(57)摘要本发明公开了一种用于无人驾驶车辆的轨迹跟踪控制方法，包括如下步骤：根据参考轨迹确定出车身当前的位置点；搜索出距离车辆当前位置点最近的匹配点，依据两点求曲率法得到最近匹配点处的道路曲率；根据车辆当前位置点与最近匹配点计算得到轨迹跟踪偏差，包括横向偏差和头指向误差；建立基于前轮反馈侧偏力的动力学模型，采用LQR控制算法得到最优反馈控制率；确定出前轮侧偏力，基于逆轮胎模型得到前轮侧偏角，进而得到方向盘转角控制量，下发到线控转向系统中实现轨迹跟踪控制。
该方法提高了无人驾驶车辆轨迹跟踪控制的稳定性，并提高了轨迹跟踪精度，约束了轮胎侧偏角，避免了车辆在极限工况下轮胎力饱和而出现车辆失稳的可能。
权利要求书4页 说明书8页 附图3页CN 108622104 A 2018.10.09C N 108622104A1.一种用于无人驾驶车辆的轨迹跟踪控制方法，其特征在于：包括如下步骤：步骤一，根据GPS/INS系统采集一条高精度地图信息作为参考轨迹，当车辆在这条参考轨迹上循迹运动时依据车辆传感器确定出车身当前的位置点；步骤二，车辆在循迹运动的过程中，根据步骤一中采集的参考轨迹搜索出距离车辆当前位置点最近的匹配点，选取距离最近匹配点一定距离的前向点，依据两点求曲率法得到最近匹配点处的道路曲率；步骤三，由步骤一中确定的车辆当前位置点与步骤二中确定的最近匹配点计算得到轨迹跟踪偏差，包括横向偏差和头指向误差；找到车辆打击中心COP，计算出打击中心处的轨迹跟踪偏差；根据车辆动力学模型和循迹状态变量以及道路曲率计算得到COP处横向偏差加速度与轮胎侧偏力和道路曲率的关系，并将横向偏差加速度取零计算得到前轮前馈侧偏力，用于消除横向偏差加速度和道路曲率的影响，提高车辆的侧倾稳定性；步骤四，建立基于前轮反馈侧偏力的动力学模型，采用LQR控制算法得到最优反馈控制率，并结合步骤三获得的循迹状态变量构建全状态的线性反馈控制器，由此得到的反馈控制量即为前轮反馈侧偏力，用于消除外部环境干扰和模型不准确性所产生的循迹误差；步骤五，根据步骤三得到的前轮前馈侧偏力和步骤四得到的前轮反馈侧偏力确定出前轮侧偏力，再基于逆轮胎模型得到前轮侧偏角，最后根据前轮转角输入得到轨迹跟踪控制的方向盘转角控制量，下发到线控转向系统中实现轨迹跟踪控制。
基于CAN总线的无人车车载无线传输终端设计
基于CAN总线的无人车车载无线传输终端设计张松松;高美娟;朱学葵【摘要】针对无人驾驶汽车运行状态的监控问题,设计了以CAN总线和嵌入式技术为核心的车辆参数数据采集和远程监控系统,基于核心处理器STM32F107搭建了终端的硬件系统,介绍了汽车CAN总线接口设计、串行接口设计和语音报警模块电路设计,监控端使用面向对象的界面化设计.应用结果表明,系统的实时性强、稳定性好,可以方便地远程观测无人驾驶汽车的运行参数.【期刊名称】《北京联合大学学报（自然科学版）》【年(卷),期】2015(029)003【总页数】5页(P44-48)【关键词】CAN总线;无人驾驶汽车;STM32F107;车载终端【作者】张松松;高美娟;朱学葵【作者单位】北京联合大学北京市信息服务工程重点实验室,北京 100101;北京联合大学自动化学院,北京 100101;北京联合大学北京市信息服务工程重点实验室,北京 100101【正文语种】中文【中图分类】U46引言无人驾驶汽车是一种智能汽车，也可以称之为室外轮式移动机器人，主要依靠车内以计算机系统为主的智能驾驶仪来实现无人驾驶［1］。
它一般是利用车载传感器来感知车辆周围环境，并根据感知所获得的道路、车辆位置和障碍物信息，控制车辆的转向和速度，从而使车辆能够安全、可靠地在道路上行驶［2］。
出于安全性和实际测试需要考虑，需要在无人驾驶汽车上安装一套能够实时采集车辆状态的系统，用以观测车辆运行参数。
根据无人驾驶汽车的特点，本文选用汽车电子系统中最常用的通信方式——控制局域网 CAN(Controller Area Network)总线。
1 CAN总线CAN是国际上运用最广泛的总线之一，由于是通过差分方式传输，其具有结构简单、传输距离较远、速率较快、节点数自由、安全可靠等特性，使其在汽车电子领域备受关注［3］。
CAN总线被设计在汽车电子控制单元ECU(Electronic Control Units)之间交换信息，从而构成了汽车电子网络。
一种基于Canny算子的车辆目标检测方法
（８）
３７ 《商场现代化》２００７ 年 ８ 月（下旬刊）总第 ５１３ 期
商业科技
定边缘，我们要的是保留局部变化最大的点。具体的做法是将像 素［ｉ，ｊ］的梯度方向角的变化范围缩减到图 １ 所示的 ４ 个区之一（编 号相同的代表一个方向） ，然后将同一方向上像素［ ｉ ， ｊ ］与其相邻像 素的梯度幅值进行比较： 若 Ｍ［ｉ，ｊ］非局部极大值，就将其设为 ０ 。
四、边缘检测
边缘是指图像中那些领域灰度有强烈反差的像素的集合，它
是图像分割最重要的依据，也是纹理特征的重要信息源和形状分
析的基础，边缘信息适合于检测和定位图像中的物理位置。
边缘检测的 ３ 个最优准则： 检漏真实存在的边缘点，不把非边
缘点作边缘点检出； 检测出的边缘点的位置与真实边缘点的位置
接近，提高图像的定位精度； 每个真实存在的点与检测出来的边
斯平滑滤波器与图像作卷积，因为要分割的图像可能带有部分噪
声，未对这部分噪声进行处理将直接影响图像边缘提取的效果。
设用 Ｉ［ｉ，ｊ］表示图像，那么卷积的过程可表示为：
Ｓ［ｉ，ｊ］＝Ｇ［ｉ，ｊ，σ］＊Ｉ［ｉ，ｊ］ （１）
其中Ｇ［ｉ，ｊ，σ］是高斯平滑滤波函数，σ是高斯函数的散布参数，
用它来控制平滑程度。
（ ２ ） 梯度的幅值和方向的计算
图像不Ｉ［ｉ，ｊ］经过高斯平滑后的矩阵为Ｓ［ｉ，ｊ］，然后计算图像的
梯度矩阵，首先计算平滑后矩阵 Ｓ［ｉ，ｊ］的 ｘ 方向和 ｙ 方向的偏导数，
分别为Ｐｘ［ｉ，ｊ］和Ｐｙ［ｉ，ｊ］。
一种基于Lyapunov-MPC技术的智能车辆路径跟踪控制方法[发明专利]
![一种基于Lyapunov-MPC技术的智能车辆路径跟踪控制方法[发明专利]](https://img.taocdn.com/s3/m/6484f646f56527d3240c844769eae009581ba2cd.png)
(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号 (43)申请公布日 (21)申请号 202011557293.5(22)申请日 2020.12.24(71)申请人 江苏大学地址 212013 江苏省镇江市京口区学府路301号(72)发明人 何友国 王雨 袁朝春 蔡英凤 (51)Int.Cl.B60W 50/00(2006.01)(54)发明名称一种基于Lyapunov-MPC技术的智能车辆路径跟踪控制方法(57)摘要本发明公开了一种基于Lyapunov ‑MPC技术的智能车辆路径跟踪控制方法，属于智能车辆路径跟踪控制方法。
本发明的目的是为了解决现有基于模型预测控制算法的路径跟踪过程中稳定性差的问题，提出一种基于控制Lyapunov函数的MPC路径跟踪控制器。
首先，建立车辆动力学模型。
然后，测量车辆当前状态值，根据测量值和期望路径得到跟踪误差。
接着，基于CLF(Control Lyapunov Function)理论设计了一种LMPC控制器。
通过利用反步法设计辅助控制律，将辅助跟踪控律转化为MPC优化过程中的约束条件，使优化过程中的解约束在预设的吸引域中，从理论上保证了整个系统的闭环稳定性。
最后，利用滚动优化方法在保证稳定性能的同时获得较好的跟踪性能，提高了外界干扰下智能车辆路径跟踪的稳定性和鲁棒性。
权利要求书4页 说明书6页 附图1页CN 112606843 A 2021.04.06C N 112606843A1.一种基于Lyapunov ‑MPC技术的智能车辆路径跟踪控制方法，其特征在于，包括：步骤S1、建立车辆动力学模型，并选择车辆的状态量和控制量；步骤S2、测量车辆初始时刻的状态值，包括车辆的横向位置、纵向位置、横摆角、横向速度、纵向速度、横摆角速度，设置车辆期望路径；根据当前车辆的状态测量值和车辆的期望路径，得到车辆的路径跟踪误差；步骤S3、设计Lyapunov ‑MPC控制器，使步骤S2获得的路径跟踪误差收敛，得到车辆的控制输入转向角；步骤S4、判断车辆是否走完跟踪路径，若走完跟踪路径，得到车辆的控制输入；若没有走完跟踪路径，重新执行步骤S2到步骤S4，直至智能车辆走完跟踪路径。
面向复杂场景的智能车辆局部路径规划算法
面向复杂场景的智能车辆局部路径规划算法
闫春来;徐聪;刘咏诗;潘常春;孙凯
【期刊名称】《传感器与微系统》
【年(卷),期】2024(43)6
【摘要】针对复杂道路环境的实时规划问题,提出一种新的智能车辆局部路径规划算法。
首先,利用Frenet坐标系将车辆运动解耦为独立的横向和纵向运动。
其次,根据车辆的初始配置和目标配置,借助多项式法求得车辆的路径集合。
进行路径可行性检查得到候选路径集,并将行车风险场(DRF)理论和最小化加速度变化率引入到路径规划中,使规划出的路径更符合驾驶人的主观感受。
最后,构建损失函数,选择损失函数最小的路径作为最优路径。
结果表明,该方法能够在复杂场景下给出更合理的行车方案。
【总页数】4页(P161-163)
【作者】闫春来;徐聪;刘咏诗;潘常春;孙凯
【作者单位】齐鲁工业大学(山东省科学院)信息与自动化学院;上海交通大学北斗导航与位置服务上海市重点实验室
【正文语种】中文
【中图分类】TP242
【相关文献】
1.复杂场景下面向群体路径规划的改进人工蜂群算法
2.融合TangentBug与Dubins曲线的智能轮式车辆局部路径规划算法
3.智能车辆局部路径规划与跟踪控
制算法研究4.基于B样条算法的智能车辆局部避障路径规划5.面向复杂物流配送场景的车辆路径规划多任务辅助进化算法
因版权原因，仅展示原文概要，查看原文内容请购买。
一种非结构化道路的局部可行驶区域感知方法
一种非结构化道路的局部可行驶区域感知方法
郭永春;刘文博;罗作煌
【期刊名称】《地理空间信息》
【年(卷),期】2022(20)12
【摘要】提出一种基于激光雷达点云的单帧单线滤波方法,基于滑窗机制的局部区域面片相似度分割方法,解决局部路面实时分割问题;提出一种单帧点云和局部点云的障碍物检测方法,解决机器人行驶中的实时障碍物检测问题;最后利用多个园区多个不同地形的场景进行测试,算法识别的准确率在95%以上,验证了本文方法的有效性和可靠性,具有重要的实际应用价值。
【总页数】4页(P23-26)
【作者】郭永春;刘文博;罗作煌
【作者单位】深圳亿嘉和科技研发有限公司
【正文语种】中文
【中图分类】P237
【相关文献】
1.一种基于灰关联和Sobel算子的完全非结构化道路边缘检测方法
2.基于多线激光雷达的非结构化道路感知技术研究
3.一种结合非局部和多区域注意力机制的细粒度图像识别方法
4.基于局部纹理方向的非结构化道路消失点检测
5.基于SLIC和改进区域生长的非结构化道路识别
因版权原因，仅展示原文概要，查看原文内容请购买。
动态背景下基于边缘检测的道路识别
动态背景下基于边缘检测的道路识别王博学;王夏黎;赵晓娜;武琦【期刊名称】《计算机技术与发展》【年(卷),期】2018(028)011【摘要】在实际应用中,对道路识别的实时性以及准确性都有很高的要求,而且在很多情况下道路视频图像中的背景都不是静止的,因此,在场景复杂多变的视频图像中完成对道路的识别,是计算机视觉的研究热点,也是研究难点.针对上述问题,对复杂环境下道路识别与道路特征提取进行了深入研究,提出了一种有效的边缘检测方法.该方法通过对传统边缘检测的Canny算法进行改进,解决了识别过程中由于背景变化造成的误差以及检测结果不准确等问题,实现了对视频图像中道路位置的实时更新,并且分别与灰度直方图法和延时摄影法进行了实验对比.实验结果表明,该方法的限定条件相对较少且准确率较高,具有较好的识别效果.【总页数】4页(P146-149)【作者】王博学;王夏黎;赵晓娜;武琦【作者单位】长安大学信息工程学院,陕西西安 710064;长安大学信息工程学院,陕西西安 710064;长安大学信息工程学院,陕西西安 710064;长安大学信息工程学院,陕西西安 710064【正文语种】中文【中图分类】TP301【相关文献】1.动态背景下基于改进视觉背景提取的前景检测 [J], 陈星明;廖娟;李勃;陈启美2.大数据背景下基于手机信令的道路识别研究 [J], 杜翠凤;余艺3.批量评估技术下的房地产评估:效率创新、流程重构及动态评估——基于以房养老背景下的评估视角 [J], 韩雪;苏捷4.基于深度学习和边缘检测的动态场景下鲁棒SLAM [J], 李璐琪;蔡成林5.基于分形和动态规划的复杂背景红外目标边缘检测 [J], 闫晓珂;史彩成;赵保军;何佩琨因版权原因，仅展示原文概要，查看原文内容请购买。
一种新的边缘检测算法研究
一种新的边缘检测算法研究肖梅;张雷;寇雯玉;苗永禄;刘伟【期刊名称】《郑州大学学报（工学版）》【年(卷),期】2012(033)004【摘要】为了提高边缘检测的运行效率和检测精度,提出了一种新的边缘检测算法,该算法由一个自适应神经模糊推理系统和一个后处理程序组成.选取与边缘方向和梯度双重信息相关的4个目标函数作为自适应神经模糊推理系统的输入,采用计算机合成图像对自适应神经模糊推理系统进行训练.运用一个后处理程序,判断自适应神经模糊推理系统的输出值是否小于门限值,若小于则该像素点为边缘点.仿真实验表明,该方法边缘检测效果优于传统方法和当前文献报道方法.【总页数】4页(P86-88,93)【作者】肖梅;张雷;寇雯玉;苗永禄;刘伟【作者单位】长安大学汽车学院汽车运输安全保障技术交通行业重点实验室,陕西西安710064;长安大学汽车学院汽车运输安全保障技术交通行业重点实验室,陕西西安710064;长安大学汽车学院汽车运输安全保障技术交通行业重点实验室,陕西西安710064;长安大学汽车学院汽车运输安全保障技术交通行业重点实验室,陕西西安710064;长安大学汽车学院汽车运输安全保障技术交通行业重点实验室,陕西西安710064【正文语种】中文【中图分类】TG143.7【相关文献】1.一种彩色PCB图像的边缘检测算法研究 [J], 杜颜颜;杨帆;王晓颖2.一种有效的彩色边缘检测算法研究 [J], 胡耀武;周平;周浩3.彩色遥感图像的一种边缘检测算法研究 [J], 李刚;董世都;王森;汪林林4.一种新型Canny边缘检测算法研究 [J], 段志达; 魏利胜; 丁坤5.一种改进的彩色遥感图像边缘检测算法研究 [J], 韩佳雪;汪西原;张文坤因版权原因，仅展示原文概要，查看原文内容请购买。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
八线激光雷达扫描频率为 80 ms 一次， 每次四 条扫描线， 处理当前数据时需要保留上次的数据， 这样就能充分利用八层信息。 通过标志位我们可 以将这些数据点云分为八层去处理。 首先我们考 虑理想道路模型， 如图 3 所示。
XV Y P = Ｒ3X3 * V ZP V
0
引言
自智能机器人诞生以来， 关于无人驾驶汽车方
［ 收稿日期］ 2015 － 03 － 05
［ 基金项目］ 北京市教育委员会科技发展计划面上项目（ SQKM201411417004 ） ， 北京联合大学人才强校计划人才资助 （ BPHＲ2014E02 ） ， 北 京 市 属 高 等 学 校 创 新 团 队 建 设 与 教 师 职 业 发 展 计 划 项 目 项目资 助 （ BPHＲ2014A04 ） 、 （ CIT＆TCD20130513 ） 、 （ IDHT20140508 ） 。 ［ Email： ttgg500@ 163． com 通信作者］ 高美娟，
P
P
图3
理想道路模型
（ 2）
Fig． 3
The ideal road model
图中 CD 为雷达扫描到的道路路面， 线段 BC 、 ［9 ］ DE 为雷达扫描到的道路边缘 。 根据道路模型的 数据分布特点， 我们需要对数据在纵轴方向进行滤 波， 使得数据更加平滑。 图 4 为 中 值 滤 波 前 的 数 其方差的均值为 15. 834 。图 5 为中值滤波后的 据， 数据， 其方差为 10. 705 。从两幅图的对比以及方差 的均值可以看出， 图 5 比图 4 更加平滑。 （ 3）
［5 ］
［4 ］
主要分为两大类。 1 ） 经典的边缘检测算法， 如 sobel 算子法、 最 。 优算子法等 2 ） 以高新技术为基础的图像边缘检测算法， 如基于神经网络的边缘检测算法、 基于数学形态学 的边缘检测算法等。 本文主要研究基于激光雷达的道路边缘检测， 其数据为一系列点， 不同于基于图像的边缘检测方 法。基于激光雷达的道路边缘检测主要步骤如下 ： 1 ） 获取八线激光雷达数据并标定。 2 ） 对获取的数据按层分类。 3 ） 提取每层的边界点。 4 ） 利用 Ｒansac 算法拟合直线。 5 ） 卡尔曼滤波， 获取新的道路边缘。 程序流程图如图 2 所示。
A Ｒealtime Ｒoad Boundary Detection Algorithm Based on Driverless Cars
ZHU Xuekui， GAO Meijuan， LI Shangnian
（ Beijing Key Laboratory of Information Service Engineering，Beijing Union University，Beijing 100101 ，China）
Abstract： Pointing to road boundary detection problem of driverless cars in structured and semistructured road， the paper proposed a new realtime road boundary detection algorithm based on driverless cars as a platform． The algorithm firstly includes the following steps： calibration，layering and median filtering will be made according to the obtained lidar point cloud data． And then the left and right road boundary point of each layer will be extracted． The extracted road boundary points are then straight line fitted using Ｒansac algorithm． Finally， straight line is tracked using Kalman filtering，thus the realtime road boundary detection is achieved． The test results show that this boundary detection algorithm is with high accuracy and reliability and is able to accurately accomplish the boundary detection task， which can satisfy the requirements of realtime system． And this algorithm has been applied successfully in “The Future Challenge Competition for Driverless Cars ”2014 and obtained the third place． Key words： Driverless cars； Lidar； Ｒansac； Kalman filtering； Ｒoad boundary detection 面的研究越来越火热化。其中， 道路边缘检测是无 人驾驶汽车领域重要的研究内容， 吸引了众多学者 的目光。道路边缘检测需要依靠无人驾驶汽车装
1
边缘检测原理
边缘检测一词最早出现在图像分析与处理里 面， 它是图像分析与处理的关键步骤， 也是图像处 理领域中最基本的问题， 对后续高层次的特征描 ［6 ］ 述、 匹配和识别等有着重大影响 。 边缘检测的目 的是标识数字图像中亮度明显的点。 它是图像处 理与计算机视觉中， 尤其是特征提取中的一个重要
{
P P P YP V = a 21 X L + a 22 Y L + a 23 Z L + a 24
，
（ 4）
图4 Fig． 4 中值滤波前 Before median filtering
［7 ］
。 目前边缘检测方法
果。陈得宝等人 提出了根据前一时刻的状态和 误差信息， 构造一组模糊中心结合最大熵原理来对 下一时刻的状态与误差进行预测， 提取道路边缘， 该方法 计 算 简 单， 但 计 算 量 较 大。 Wijesonma WS 等人 采用一线激光雷达结合扩展卡尔曼滤波算 法检测道路边缘， 并进行跟踪， 取得了良好的效果。 以上所述的各种方法， 都是综合了车体运动信息， 对道路边缘进行跟踪， 而没有给出一种脱离车体运 动信息情况下的解决方案。 除一线激光雷达之外， 市面上比较普遍的还有 四线、 八线、 三十二线和六十四线激光雷达。 与一 线激光雷达相比， 多线激光雷达检测范围更广， 数 据点云更多， 可供提取的特征点更多， 这使得获取 稳定的道路边缘成为可能。 由于六十四线激光雷 达造价昂贵， 所以本文选用 IBEO 公司的 LUX8L 八 线激光雷达作为感知周边环境的传感器。 它由间 隔 0. 8° 的八条激光扫描线构成， 总共 6. 4° 。 本算 “智能汽车未来挑战赛 ” 法已经应用在 参赛的智能 车 ISmart30 中， 并 获 得 了 全 国 第 三 的 好 成 绩。 ISmart30 无人车如图 1 所示。
设 T xy2 ×4 =
[a
a11
21
a12 a22
பைடு நூலகம்
a14 a24
]，
由公式（ 2 ） 得公式（ 3 ） ：
[X ] Y
P V P V
XL P Y = T xy2 ×4 L ， ZP L 1
化简得公式（ 4 ） ： P P P XP V = a 11 X L + a 12 Y L + a 13 Z L + a 14
2015 年 10 月 第 29 卷第 4 期总 102 期
北京联合大学学报 Journal of Beijing Union University
Oct． 2015 Vol． 29 No． 4 Sum No． 102 DOI： 10. 16255 / j． cnki． ldxbz． 2015. 04. 001
2
北京联合大学学报
2015 年 10 月
载的传感器去感知周边环境信息， 由于装载的传感 器不同， 出现了很多不同的道路边缘检测技术， 如 基于视觉传感器、 雷达传感器等方面的检测技术。 其中， 激光雷达具有不受光照、 树阴等外界环境影 测量距离远、 测量精度高等优点。 响且探测范围广、 所以， 基于激光雷达的道路边缘检测得到了广泛的 应用。 利用四线激光雷达对检测到的 数据点云首先进行直线拟合， 并融合四条扫描线获 取道边信息， 然后根据车体运动信息， 构造卡尔曼 此 方 法 计 算 简 单。 滤波器 对 道 路 边 缘 进 行 跟 踪， Han Jaehyun 等人［2］提出利用斜向下的一线激光雷 首先对点云数据进行 达来检测道路边缘与障碍物， 特征提取和分类， 而后结合车体运动信息， 采用联
P
XL Y P + T3 ×1 。 L ZP L
P
（ 1）
V 表示车体坐标系， L 表示雷达坐标系。 将旋 其中， 转矩阵与平移矩阵合并后变为
P XV YP = V ZP V
[ Tz ]
T xy2 ×4
1 ×4
XL P Y × L 。 ZP L 1 a13 a23
图2 Fig． 2 道路边缘检测流程图 The flow chart of Ｒoad Boundary Detection
第 29 卷第 4 期
朱学葵等： 一种智能汽车的实时道路边缘检测算法
3
2
2. 1
道路边缘检测