0
  • 聊天消息
  • 系统消息
  • 评论与回复
登录后你可以
  • 下载海量资料
  • 学习在线课程
  • 观看技术视频
  • 写文章/发帖/加入社区
会员中心
创作中心

完善资料让更多小伙伴认识你,还能领取20积分哦,立即完善>

3天内不再提示

浅谈ADAS-LDW车道检测与跟踪方法的算法实例代码

tUM2_ADA 来源:ADAS 作者:ADAS 2021-05-19 13:56 次阅读

车道检测的目标:

1. 车道形状,包括宽度、曲率等几何参数

2. 车辆在车道中的位置,包括横向偏移量,车辆与道路的夹角(偏航角)

车道检测与跟踪一般分为以下几个部分:

1. 车辆、道路、相机模型

2. 道路特征提取

3. 道路参数计算,如曲率,

4. 车道跟踪

车辆、道路、相机模型

在现代道路设计中,道路有比较固定的设计模型,因此,对于高速公路等道路类型,车道的几何模型可以以固定的形式表示。

车道弧长、曲率、偏航角、横向偏移量构成车辆与车道几何模型的要素。

车道一般由直线、圆弧和缓和曲线构成,缓和曲线通常是不同曲率的圆弧或直线的连接过渡,其曲率均匀变化,螺旋曲线是缓和曲线常用形式。

道路曲率与弧长(路长)的关系:

C = C0 + C1*L.

C0为起始点曲率,C1为曲率变化率。C0,C1都为0时,直线; C1为0时,C0不为0,圆弧;C1不为0时,缓和曲线。

在世界坐标系下,或俯视图下,在相机可视范围内,若车道的变化方向较小,则道路可用圆弧近似表示:

道路的坐标可以由弧长和曲率一般表示为:

y = L

x = 0.5*C*L^2

若相机与车道的横向偏移量为d,与车道的夹角为a,则车道模型为

y = L

x = d + a*L + 0.5*C*L^2

从公式来看,这是一个抛物线模型。这里没有考虑曲率变换率,即忽略了高次项(C1*L^3)/6。

不同的系统要求与道路环境,道路模型的精度要求也不同。在较早的系统里,在大路(highway)环境下,

基于视觉的车道模型经历了,平行直线模型 --> 固定曲率圆弧模型 --> 螺旋曲线模型。道路模型的精度不断提高。

使用哪种模型,要根据系统的实际需求。如早期的系统里,检测大路(highway)中10米内的车道状况,应用简单的线性模型即可。而车道偏离告警(LDW)系统中,在高速公路上,需要30米-40米的精确的道路模型,这时,螺旋曲线(高阶)或抛物线(二阶)模型就更为精确。

相机模型:

由图像的二维信息恢复出场景的三维信息,就需要相机模型来确立两者之间的对应关系。相机参数包括内部参数和外部参数。相机模型分为针孔相机模型和透镜畸变扩展模型。这些在另外一篇文章里有描述。相机的内外参数通过标定都可以获取。相机的外部参数体现了相机坐标下图像与世界坐标下场景的齐次变换关系。

道路特征检测

道路上车道标志的检测是道路特征检测的关键部分,并且已有很多算法,但道路场景太多,单一的算法还是无法适用所有的场景。算法分类:

适用场景 不适用场景
基于边缘检测 虚线、实线明显 阴影、光照变化、反射不均匀
基于频域技术 能处理反射不均的场景 阴影
基于路面纹理/模板 阴影、光照不均等 反射不均

基于边缘检测的常用算法有:

Sobel, DOG, LOG, Steerable Filter等。每种算法都有各自的优缺点。这里不再描述。

由基本算法处理后得到道路的特征图像,这里以边缘为例,需要进一步分析其特性,去除干扰,保留符合车道特征的边缘。如平行性、宽度等结构特征。如果这些结构特征分析做的好,也可以弥补基本算法的不足。

其他检测方法:

双阈值特征检测:原图像、梯度图像(边缘图像)分别有各自的阈值,分割出车道标志特征,当某点的灰度和梯度值分别大于各自的阈值时,才被选取为车道的特征点,这个方法会去掉一些阴影等干扰。

可调滤波器steerable filter:

对原图分别获取Gxx, Gyy, Gxy,高斯二阶分量。角度可变的滤波器的强度响应如下:

6f5fb228-b4dc-11eb-bf61-12bb97331649.jpg

求上式的极值,则需求角度的导数,则能获取两个角度

6f7f883c-b4dc-11eb-bf61-12bb97331649.jpg

对于滤波器窗口内圆形对称的物体,则两个角度的响应差不多;而对车道,两个角度响应的差值就比较大,响应大的方向就是车道方向,车道方向也可以探测出。

道路参数计算

道路方向、曲率的计算。霍夫变换是常用的检测直线的方法,还有其他方法筛选特征计算参数的方法,如最小二乘估计,RANSAC,这些方法基本上都设定了道路模型,由特征点来计算参数。但也可以由计算出的模型,去除不符合条件的特征。

跟踪

一般跟踪的作用就是预测下一帧图像内道路特征的位置,在一个较小的范围内检测道路特征,提高效率。若预测范围内没有检测到道路特征,则采用估计或上一帧特征的位置,若连续几帧都没有检测到道路特征,则启动全图像道路特征检测。KalmanFilter是常用的跟踪算法。

车道的状态要考虑车道的位置、速度、偏航角及车辆行驶转角之间的关系。

6f977f28-b4dc-11eb-bf61-12bb97331649.jpg

6fc35ff8-b4dc-11eb-bf61-12bb97331649.jpg

夹角增量 = 曲率 * 长度

状态变量为道路弧长、车道夹角、道路曲率、车道宽度、车辆的行驶转角作为控制输入变量。

测量变量为道路弧长和车辆与道路的夹角。

则状态转移方程如下:

6fe1c98e-b4dc-11eb-bf61-12bb97331649.jpg

编辑:jq

声明:本文内容及配图由入驻作者撰写或者入驻合作网站授权转载。文章观点仅代表作者本人,不代表电子发烧友网立场。文章及其配图仅供工程师学习之用,如有内容侵权或者其他违规问题,请联系本站处理。 举报投诉
  • 相机
    +关注

    关注

    4

    文章

    1353

    浏览量

    53646
  • 边缘检测
    +关注

    关注

    0

    文章

    92

    浏览量

    18214

原文标题:ADAS-LDW车道检测与跟踪方法_算法实例代码

文章出处:【微信号:ADAS,微信公众号:ADAS】欢迎添加关注!文章转载请注明出处。

收藏 人收藏

    评论

    相关推荐

    激光焊缝跟踪器与传统焊缝检测方法的对比

    在焊接自动化的推动下,焊缝检测技术逐渐成为焊接质量控制的重要环节。传统的焊缝检测方法在一定程度上满足了生产需求,但随着工业应用对精度和效率要求的提升,激光焊缝跟踪器逐渐成为一种更具竞争
    的头像 发表于 11-28 16:47 164次阅读
    激光焊缝<b class='flag-5'>跟踪</b>器与传统焊缝<b class='flag-5'>检测</b><b class='flag-5'>方法</b>的对比

    视频目标跟踪从0到1,概念与方法

    视觉目标跟踪的挑战和算法模型,最后,我们将介绍最流行的基于深度学习的目标跟踪方法,包括MDNET,GOTURN,ROLO等。本文希望你
    的头像 发表于 11-20 01:06 348次阅读
    视频目标<b class='flag-5'>跟踪</b>从0到1,概念与<b class='flag-5'>方法</b>

    MXoptiCal-简化精密测量-只需几个步骤即可实现一致的目标测量#ADAS

    adas
    北汇信息POLELINK
    发布于 :2024年09月20日 10:16:32

    抖动跟踪不丢失 慧视图像跟踪板和自研算法强势升级

    成都慧视开发的Viztra-HE030图像处理板是采用了瑞芯微旗舰级高性能芯片RK3588,能够凭借八核处理核心输出至高6.0TOPS的算力,在算法的强力辅助下,能够实现对目标的稳定锁定跟踪。随着
    的头像 发表于 09-04 08:05 452次阅读
    抖动<b class='flag-5'>跟踪</b>不丢失 慧视图像<b class='flag-5'>跟踪</b>板和自研<b class='flag-5'>算法</b>强势升级

    光学跟踪器接口连接方法有哪些

    光学跟踪器是一种用于测量和跟踪物体位置和运动的设备,广泛应用于航空航天、军事、机器人、虚拟现实等领域。光学跟踪器接口连接方法是指将光学跟踪
    的头像 发表于 08-29 18:26 635次阅读

    ADAS功能安全HiL仿真测试系统介绍#ADAS #VTHiL

    adas
    北汇信息POLELINK
    发布于 :2024年08月03日 20:07:34

    ADAS系统组成简介#ADAS

    adas
    北汇信息POLELINK
    发布于 :2024年08月03日 20:05:37

    图像识别算法都有哪些方法

    传统方法和基于深度学习的方法。 传统图像识别算法 1.1 边缘检测 边缘检测是图像识别的基础,它用于检测
    的头像 发表于 07-16 11:14 5638次阅读

    口罩佩戴检测算法

    口罩佩戴检测算法基于YOLOv5在图像识别检测领域的优异性能,本文研究基于基于YOLOv5的口罩佩自动戴检测方法。首先从网络和真实生活中中寻找并采集不同场景人群口罩佩戴的图片约500张
    的头像 发表于 07-01 20:20 327次阅读
    口罩佩戴<b class='flag-5'>检测算法</b>

    人员跌倒识别检测算法

    人员跌倒识别检测算法是基于视频的检测方法,通过对目标人体监测,当目标人体出现突然倒地行为时,自动监测并触发报警。人员跌倒识别检测算法基于计算机识别技术,配合现场摄像头,自动识别如地铁手
    的头像 发表于 06-30 11:47 459次阅读
    人员跌倒识别<b class='flag-5'>检测算法</b>

    手柄控制代码及使用方法

    手柄控制代码及使用方法
    的头像 发表于 05-15 10:19 1857次阅读

    康谋分享 | aiSim5仿真场景重建感知置信度评估(三)

    aiSim5能重建高精度的赛道、车库、高速公路等真实交通场景,用于测试和训练ADAS/AD系统。通过全局行动日志,能将驾驶数据转化为场景重建,车道线检测算法和多目标检测算法在仿真与现实
    的头像 发表于 05-08 16:59 2447次阅读
    康谋分享 | aiSim5仿真场景重建感知置信度评估(三)

    多目标跟踪算法总结归纳

    多目标跟踪是计算机视觉领域中的一个重要任务,它旨在从视频或图像序列中准确地检测跟踪多个移动目标。不过在落地部署时,有一些关键点需要解决。
    的头像 发表于 04-28 09:42 1921次阅读
    多目标<b class='flag-5'>跟踪</b><b class='flag-5'>算法</b>总结归纳

    OpenHarmony实例应用:【常用组件和容器低代码

    基于ArkTS语言的低代码开发方式实现的一个简单实例
    的头像 发表于 04-14 09:27 823次阅读
    OpenHarmony<b class='flag-5'>实例</b>应用:【常用组件和容器低<b class='flag-5'>代码</b>】

    AI驱动的雷达目标检测:前沿技术与实现策略

    传统的雷达目标检测方法,主要围绕雷达回波信号的统计特性进行建模,进而在噪声和杂波的背景下对目标存在与否进行判决,常用的典型算法如似然比检测(LRT)、
    发表于 03-01 12:26 2894次阅读
    AI驱动的雷达目标<b class='flag-5'>检测</b>:前沿技术与实现策略