✅博主简介:热爱科研的Matlab仿真开发者,修心和技术同步精进,Matlab项目合作可私信。
🍎个人主页:海神之光
🏆代码获取方式:
海神之光Matlab王者学习之路—代码获取方式
⛳️座右铭:行百里者,半于九十。
更多Matlab仿真内容点击👇
Matlab图像处理(进阶版)
路径规划(Matlab)
神经网络预测与分类(Matlab)
优化求解(Matlab)
语音处理(Matlab)
信号处理(Matlab)
车间调度(Matlab)
⛄一、Hough变换车道线视频自动检测系统
1 引言
随着人们生活水平的提高, 科技的不断进步, 智能驾驶技术逐渐受到了研究者们的广泛研究和关注。先进驾驶辅助系统 (Advanced Driver Assistance System, 简称ADAS) 是智能驾驶技术的一个分支, 即通过某种形式的传感器了解周围的环境, 以协助驾驶员操作 (辅助司机) 或完全控制车辆 (实现自动化) , 达到提高车辆安全驾驶的目的。车道线检测作为ADAS的重要组成部分, 能够为系统确定车辆所在车道位置, 并提供车道偏离预警决策依据。目前主要通过在车内安装摄像头, 利用图像处理算法实时获取视频图像进行车道线检测, 但现实行车环境复杂, 比如存在视角遮挡、道路阴影、道路裂痕以及邻近车辆压线干扰等情况, 以至于车道线不易提取且容易造成误检、漏检, 因此如何实时、准确地检测出车道线具有重要的研究意义。
目前, 国内外众多学者对车道线检测进行了深入的研究并提出了一系列检测方法, 基于计算机视觉的车道线检测主要可以分为基于车道线特征和模型两类方法。基于车道线特征的检测方法主要是根据标志线的纹理、边缘以及颜色等特征来提取车道线, 杨智杰等人[7]基于图像的RGB颜色信息检测车道线, 但是当视野中其他物体的颜色与车道线颜色相近时, 容易造成车道线误检。基于模型的方法则是通过计算车道线模型的几何特征参数进而实现车道线检测, 通常分为直线和曲线两种车道线模型。王宝锋等人通过B-样条曲线对弯道车道线进行检测, 陈家凡提出采用远近景将图像分割, 远景视场通过曲线拟合车道线, 但基于曲线车道模型的车道线检测通常计算过程复杂, 时间成本高。Qian等人基于Hough变换进行的车道线检测, 但是该方法在恶劣环境使得车道线不易提取。陈军等人在概率Hough的基础上进行车道线检测, 该算法虽然优于标准的Hough变换, 但准确率还有待提高。以上基于传统Hough变换或者改进后的Hough变换方法能够完成部分车道线的提取, 但同时存在车道线漏检、误检的情况, 且检测结果受行车环境、车道线完好程度以及行驶时段影响较大, 且路面污渍、邻近车道车辆超越、同车道前车干扰以及路面反光“泛白”都会对车道线检测算法的稳定性造成影响, 使得检测到的车道线难以反映路面的真实情况。
鉴于此, 本文基于上述问题, 在满足自动驾驶时效性强和准确性高的要求之上, 提出一种叠加约束的Hough变换车道线检测算法, 算法通过研究不同环境以及工况下车道线的几何特征, 使得都能够准确检测车道线。算法首先从视频流的原始图像中裁剪感兴趣区域, 再将RGB颜色空间转换到YCbCr空间;然后运用大津法分离车道线与非车道线信息, 接着进行滤波处理和边缘检测;最后采用概率Hough变换拟合边界, 顾及车道线的斜率范围以及相同车道线斜率相近的特征, 根据边缘检测结果对漏检的车道线进行补充, 之后对车道线边界进行筛选与合并, 从而获取最终的车道线检测结果。本文方法的优势在于能够提高行车环境复杂、天气阴暗以及隧道昏暗环境下车道线提取的准确率, 并完善Hough变换检测车道线时存在的误检、漏检车道线边界以及只提取车道线边界的不足, 准确提取车道线并实时可视检测结果。
2 车道线检测算法
本文提出的基于Hough变换车道线检测算法主要分为视频图像预处理、Hough变换拟合车道线边界、检测车道线三个部分, 总体流程如图1所示。
第一阶段是对图像进行预处理, 以去除非周围环境所带来的干扰;第二阶段是采用概率Hough变换进行车道中边缘点峰值的统计, 最终拟合出车道线边界;第三阶段是由于Hough变换拟合的边界与真实的车道线存在差异, 部分车道线会被漏检、误检, 因而本文引入叠加约束条件剔除误检的车道线以及对漏检的车道线进行补充, 最后将车道线的边界进行合并实现车道线的准确检测。
图1 车道线检测算法总体流程图
2.1 视频图像预处理
通常车载摄像头所获取的行车视频包含众多道路信息, 为减少无关信息带来的干扰, 提高车道线的检测效率, 我们对每一帧视频图像进行矩形感兴趣区域 (ROI) 的裁剪。基于图像RGB颜色空间直接进行处理时, 会出现背景信息不易分割、计算量大、对噪声比较敏感等问题, 并且当车道线与路面颜色区分不大时检测的车道线容易出现残缺, 因此, 如图2所示, 本文在预处理阶段对图像的颜色空间进行转换;最后通过形态学滤波对图像进行腐蚀膨胀处理, 以此去除车道线中的噪声和弥补被过度腐蚀的信息, 之后再通过Canny算子进行边缘检测。
图2 图像预处理流程图
由于车辆在不同道路上行驶时会导致视野范围存在差异, 为尽可能使得ROI区域能够涵盖车道线信息, 本文选择矩形ROI对图片进行有用信息的裁剪。而车道线颜色通常为白色和黄色两种, 为准确检测出这两种类型的车道线, 我们将原图像的RGB颜色空间转换到YCbCr空间, 根据背景颜色与目标颜色的差异实现分离, 且该方法计算量比较小。YCbCr颜色空间中, RGB转换到YCbCr颜色空间中各个分量的计算如公式 (1) ~ (3) 所示。
Y=0.257R+0.504G+0.098B (1)
Cb=-0.140R-0.291G+0.439B+128 (2)
Cr=0.5R-0.4187G-0.0813B+128 (3)
其中Y代表亮度, Cb代表蓝色与亮度的差异, Cr代表红色与亮度的差异。
经过对多段不同工况的行车视频流的二值化实验结果表明, 亮度阈值选取72能够很好的提取出目标信息, 颜色空间转换前后的二值化对比结果如图3所示。
2.2 Hough变换检测车道线
传统霍夫变换 (Hough变换) [15]实现原理是将平面坐标空间中具有相同形状特征的曲线或者直线映射到另外一个空间的点上, 累计形成的峰值, 将图像中检测任何形状的问题都转换为峰值点分析的问题, 极坐标系下的表达方式如公式 (4) 所示。
ρ=x·cosθ+y·sinθ (4)
其中, ρ表示坐标所在位置的原点到直线的长度距离, M×N表示感兴趣区域图像的高度和宽度;而θ表示垂线ρ与x轴正方向的夹角 (θ∈[0, 180°]) 。具体的实现步骤如下。
(1) 建立一个参数 (ρ, θ) 空间的二维数组, 该数组相当于一个累计器。
(2) 遍历搜索图像中所有目标像素点, 对于每一个目标像素点都根据公式 (4) 求极径ρ, 找到对应位置, 然后在累加器的对应位置加1。
(3) 求所得累加器中的最大值, 其位置 (ρ’, θ’) 。
(4) 通过参数空间位置 (ρ’, θ’) , 根据式 (4) 找到图像空间中相对应的直线参数。
本文采取概率Hough变换拟合预处理后的边缘像素, 通过点出现的概率区间来避免无效直线的检测, 特点在于检测到的车道线能够得到两端的端点, 但是当周围栏杆以及旁边车辆干扰时, 会出现漏检以及误检。
3 原理
机器视觉视频车道线检测是指通过计算机视觉技术,对道路上的车道线进行自动检测和识别的过程。其原理主要包括以下几个步骤:
(1)图像获取:通过摄像头或者其他图像采集设备获取道路图像或视频。
(2)图像预处理:对获取到的图像进行预处理,包括图像去噪、灰度化、边缘检测等操作,以提取车道线的特征。
(3)特征提取:通过边缘检测算法(如Canny算法)或者其他特征提取算法,将图像中的车道线轮廓提取出来。
(4)车道线识别:根据车道线的特征,使用线段检测、霍夫变换等方法,将提取到的线段进行筛选和连接,得到完整的车道线。
(5)车道线跟踪:在连续的视频帧中,通过车道线的位置和方向信息,利用滤波器、卡尔曼滤波等方法,对车道线进行跟踪和预测。
(6)车道线显示:将检测到的车道线信息以可视化的方式显示在图像或视频上,以辅助驾驶员进行车道保持和驾驶决策。
⛄二、部分源代码
clear;
clc;
warning off all
%% 视频读取
mov=VideoReader(‘行车记录2_720P.avi’); %读入视频
nFrames = mov.NumberOfFrames;
vidHeight = mov.Height;
vidWidth = mov.Width;
%% 车道线检测,边缘检测 + hough变换
% % % 从视频中等间隔提取图像
movpicture(11) = struct(‘cdata’,zeros(vidHeight,vidWidth, 3,‘uint8’),‘colormap’,[]);
numpic=0;
% 循环,依次计算10幅图片
k_r = [];k_l = [];
b_r = [];b_l = [];
dr = [];dl = [];
lim_r = [];lim_l = [];
y00 = [];
%摄像头离地高度h , 车道宽度 b ,车身宽度 bc
h = 1.1;b = 3.75;bc = 1.8;
beta = atan(h/50);%摄像头与水平面夹角,离地高度 h ,最远视距50m
for i=1:floor(nFrames/9):nFrames
fprintf(‘*正在检测第%d帧画面\n’,i);
numpic=numpic+1;
movpicture(numpic).cdata = read(mov,i);
strtemp=strcat(int2str(numpic),‘.’,‘jpg’);%将每祯转成jpg的图片
imwrite(movpicture(numpic).cdata,strtemp);
% 读图片数据
I = movpicture(numpic).cdata;
% 灰度化,只计算下半部分的hough变换
height = fix(vidHeight/2);
gray=rgb2gray(I(height:end,:,:));
% 图像滤波、去噪
filt = fspecial('gaussian');
ImageBlur = imfilter(gray,filt,'replicate');
% 灰度图像的边缘
BW = edge(ImageBlur ,'canny');%改为sobel算子,效果更好
% hough变换
[H,T,R] = hough(BW);
% figure;imshow(H,[],'XData',T,'YData',R,'InitialMagnification','fit');
% xlabel('\theta'), ylabel('\rho');
% axis on, axis normal, hold on;
% 计算hough变换的峰值,40是设置的峰值点个数越多,求得的直线也越多
P = houghpeaks(H,100,'threshold',ceil(0.3*max(H(:))));
% x = T(P(:,2)); y = R(P(:,1));
% plot(x,y,'s','color','white');
% 找出直线
lines = houghlines(BW,T,R,P,'FillGap',5,'MinLength',50);
% ************** 上面两个参数可以组合、筛选直线 ***********
% 将直线画在图像中
figure, imshow(I), hold on
max_len = 0;
for k = 1:length(lines)
% 变成原始图像中,实际高度,+height
lines(k).point1(1,2)=lines(k).point1(1,2)+height;
lines(k).point2(1,2)=lines(k).point2(1,2)+height;
xy = [lines(k).point1; lines(k).point2];
plot(xy(:,1),xy(:,2),'LineWidth',2,'Color','green');
% 画出起始点
plot(xy(1,1),xy(1,2),'x','LineWidth',2,'Color','yellow'); % 起点
plot(xy(2,1),xy(2,2),'x','LineWidth',2,'Color','red'); % 终点
% 计算直线的长度,得到最长长度
len = norm(lines(k).point1 - lines(k).point2);
if (len > max_len)
max_len = len;
xy_long = xy;
end
end
⛄三、运行结果
⛄四、matlab版本及参考文献
1 matlab版本
2014a
2 参考文献
[1]王学惠.基于计算机视觉的道路交通标线检测算法[J].天津大学
3 备注
简介此部分摘自互联网,仅供参考,若侵权,联系删除
🍅 仿真咨询
1 各类智能优化算法改进及应用
1.1 PID优化
1.2 VMD优化
1.3 配电网重构
1.4 三维装箱
1.5 微电网优化
1.6 优化布局
1.7 优化参数
1.8 优化成本
1.9 优化充电
1.10 优化调度
1.11 优化电价
1.12 优化发车
1.13 优化分配
1.14 优化覆盖
1.15 优化控制
1.16 优化库存
1.17 优化路由
1.18 优化设计
1.19 优化位置
1.20 优化吸波
1.21 优化选址
1.22 优化运行
1.23 优化指派
1.24 优化组合
1.25 车间调度
1.26 生产调度
1.27 经济调度
1.28 装配线调度
1.29 水库调度
1.30 货位优化
1.31 公交排班优化
1.32 集装箱船配载优化
1.33 水泵组合优化
1.34 医疗资源分配优化
1.35 可视域基站和无人机选址优化
2 机器学习和深度学习分类与预测
2.1 机器学习和深度学习分类
2.1.1 BiLSTM双向长短时记忆神经网络分类
2.1.2 BP神经网络分类
2.1.3 CNN卷积神经网络分类
2.1.4 DBN深度置信网络分类
2.1.5 DELM深度学习极限学习机分类
2.1.6 ELMAN递归神经网络分类
2.1.7 ELM极限学习机分类
2.1.8 GRNN广义回归神经网络分类
2.1.9 GRU门控循环单元分类
2.1.10 KELM混合核极限学习机分类
2.1.11 KNN分类
2.1.12 LSSVM最小二乘法支持向量机分类
2.1.13 LSTM长短时记忆网络分类
2.1.14 MLP全连接神经网络分类
2.1.15 PNN概率神经网络分类
2.1.16 RELM鲁棒极限学习机分类
2.1.17 RF随机森林分类
2.1.18 SCN随机配置网络模型分类
2.1.19 SVM支持向量机分类
2.1.20 XGBOOST分类
2.2 机器学习和深度学习预测
2.2.1 ANFIS自适应模糊神经网络预测
2.2.2 ANN人工神经网络预测
2.2.3 ARMA自回归滑动平均模型预测
2.2.4 BF粒子滤波预测
2.2.5 BiLSTM双向长短时记忆神经网络预测
2.2.6 BLS宽度学习神经网络预测
2.2.7 BP神经网络预测
2.2.8 CNN卷积神经网络预测
2.2.9 DBN深度置信网络预测
2.2.10 DELM深度学习极限学习机预测
2.2.11 DKELM回归预测
2.2.12 ELMAN递归神经网络预测
2.2.13 ELM极限学习机预测
2.2.14 ESN回声状态网络预测
2.2.15 FNN前馈神经网络预测
2.2.16 GMDN预测
2.2.17 GMM高斯混合模型预测
2.2.18 GRNN广义回归神经网络预测
2.2.19 GRU门控循环单元预测
2.2.20 KELM混合核极限学习机预测
2.2.21 LMS最小均方算法预测
2.2.22 LSSVM最小二乘法支持向量机预测
2.2.23 LSTM长短时记忆网络预测
2.2.24 RBF径向基函数神经网络预测
2.2.25 RELM鲁棒极限学习机预测
2.2.26 RF随机森林预测
2.2.27 RNN循环神经网络预测
2.2.28 RVM相关向量机预测
2.2.29 SVM支持向量机预测
2.2.30 TCN时间卷积神经网络预测
2.2.31 XGBoost回归预测
2.2.32 模糊预测
2.2.33 奇异谱分析方法SSA时间序列预测
2.3 机器学习和深度学习实际应用预测
CPI指数预测、PM2.5浓度预测、SOC预测、财务预警预测、产量预测、车位预测、虫情预测、带钢厚度预测、电池健康状态预测、电力负荷预测、房价预测、腐蚀率预测、故障诊断预测、光伏功率预测、轨迹预测、航空发动机寿命预测、汇率预测、混凝土强度预测、加热炉炉温预测、价格预测、交通流预测、居民消费指数预测、空气质量预测、粮食温度预测、气温预测、清水值预测、失业率预测、用电量预测、运输量预测、制造业采购经理指数预测
3 图像处理方面
3.1 图像边缘检测
3.2 图像处理
3.3 图像分割
3.4 图像分类
3.5 图像跟踪
3.6 图像加密解密
3.7 图像检索
3.8 图像配准
3.9 图像拼接
3.10 图像评价
3.11 图像去噪
3.12 图像融合
3.13 图像识别
3.13.1 表盘识别
3.13.2 车道线识别
3.13.3 车辆计数
3.13.4 车辆识别
3.13.5 车牌识别
3.13.6 车位识别
3.13.7 尺寸检测
3.13.8 答题卡识别
3.13.9 电器识别
3.13.10 跌倒检测
3.13.11 动物识别
3.13.12 二维码识别
3.13.13 发票识别
3.13.14 服装识别
3.13.15 汉字识别
3.13.16 红绿灯识别
3.13.17 虹膜识别
3.13.18 火灾检测
3.13.19 疾病分类
3.13.20 交通标志识别
3.13.21 卡号识别
3.13.22 口罩识别
3.13.23 裂缝识别
3.13.24 目标跟踪
3.13.25 疲劳检测
3.13.26 旗帜识别
3.13.27 青草识别
3.13.28 人脸识别
3.13.29 人民币识别
3.13.30 身份证识别
3.13.31 手势识别
3.13.32 数字字母识别
3.13.33 手掌识别
3.13.34 树叶识别
3.13.35 水果识别
3.13.36 条形码识别
3.13.37 温度检测
3.13.38 瑕疵检测
3.13.39 芯片检测
3.13.40 行为识别
3.13.41 验证码识别
3.13.42 药材识别
3.13.43 硬币识别
3.13.44 邮政编码识别
3.13.45 纸牌识别
3.13.46 指纹识别
3.14 图像修复
3.15 图像压缩
3.16 图像隐写
3.17 图像增强
3.18 图像重建
4 路径规划方面
4.1 旅行商问题(TSP)
4.1.1 单旅行商问题(TSP)
4.1.2 多旅行商问题(MTSP)
4.2 车辆路径问题(VRP)
4.2.1 车辆路径问题(VRP)
4.2.2 带容量的车辆路径问题(CVRP)
4.2.3 带容量+时间窗+距离车辆路径问题(DCTWVRP)
4.2.4 带容量+距离车辆路径问题(DCVRP)
4.2.5 带距离的车辆路径问题(DVRP)
4.2.6 带充电站+时间窗车辆路径问题(ETWVRP)
4.2.3 带多种容量的车辆路径问题(MCVRP)
4.2.4 带距离的多车辆路径问题(MDVRP)
4.2.5 同时取送货的车辆路径问题(SDVRP)
4.2.6 带时间窗+容量的车辆路径问题(TWCVRP)
4.2.6 带时间窗的车辆路径问题(TWVRP)
4.3 多式联运运输问题
4.4 机器人路径规划
4.4.1 避障路径规划
4.4.2 迷宫路径规划
4.4.3 栅格地图路径规划
4.5 配送路径规划
4.5.1 冷链配送路径规划
4.5.2 外卖配送路径规划
4.5.3 口罩配送路径规划
4.5.4 药品配送路径规划
4.5.5 含充电站配送路径规划
4.5.6 连锁超市配送路径规划
4.5.7 车辆协同无人机配送路径规划
4.6 无人机路径规划
4.6.1 飞行器仿真
4.6.2 无人机飞行作业
4.6.3 无人机轨迹跟踪
4.6.4 无人机集群仿真
4.6.5 无人机三维路径规划
4.6.6 无人机编队
4.6.7 无人机协同任务
4.6.8 无人机任务分配
5 语音处理
5.1 语音情感识别
5.2 声源定位
5.3 特征提取
5.4 语音编码
5.5 语音处理
5.6 语音分离
5.7 语音分析
5.8 语音合成
5.9 语音加密
5.10 语音去噪
5.11 语音识别
5.12 语音压缩
5.13 语音隐藏
6 元胞自动机方面
6.1 元胞自动机病毒仿真
6.2 元胞自动机城市规划
6.3 元胞自动机交通流
6.4 元胞自动机气体
6.5 元胞自动机人员疏散
6.6 元胞自动机森林火灾
6.7 元胞自动机生命游戏
7 信号处理方面
7.1 故障信号诊断分析
7.1.1 齿轮损伤识别
7.1.2 异步电机转子断条故障诊断
7.1.3 滚动体内外圈故障诊断分析
7.1.4 电机故障诊断分析
7.1.5 轴承故障诊断分析
7.1.6 齿轮箱故障诊断分析
7.1.7 三相逆变器故障诊断分析
7.1.8 柴油机故障诊断
7.2 雷达通信
7.2.1 FMCW仿真
7.2.2 GPS抗干扰
7.2.3 雷达LFM
7.2.4 雷达MIMO
7.2.5 雷达测角
7.2.6 雷达成像
7.2.7 雷达定位
7.2.8 雷达回波
7.2.9 雷达检测
7.2.10 雷达数字信号处理
7.2.11 雷达通信
7.2.12 雷达相控阵
7.2.13 雷达信号分析
7.2.14 雷达预警
7.2.15 雷达脉冲压缩
7.2.16 天线方向图
7.2.17 雷达杂波仿真
7.3 生物电信号
7.3.1 肌电信号EMG
7.3.2 脑电信号EEG
7.3.3 心电信号ECG
7.3.4 心脏仿真
7.4 通信系统
7.4.1 DOA估计
7.4.2 LEACH协议
7.4.3 编码译码
7.4.4 变分模态分解
7.4.5 超宽带仿真
7.4.6 多径衰落仿真
7.4.7 蜂窝网络
7.4.8 管道泄漏
7.4.9 经验模态分解
7.4.10 滤波器设计
7.4.11 模拟信号传输
7.4.12 模拟信号调制
7.4.13 数字基带信号
7.4.14 数字信道
7.4.15 数字信号处理
7.4.16 数字信号传输
7.4.17 数字信号去噪
7.4.18 水声通信
7.4.19 通信仿真
7.4.20 无线传输
7.4.21 误码率仿真
7.4.22 现代通信
7.4.23 信道估计
7.4.24 信号检测
7.4.25 信号融合
7.4.26 信号识别
7.4.27 压缩感知
7.4.28 噪声仿真
7.4.29 噪声干扰
7.5 无人机通信
7.6 无线传感器定位及布局方面
7.6.1 WSN定位
7.6.2 高度预估
7.6.3 滤波跟踪
7.6.4 目标定位
7.6.4.1 Dv-Hop定位
7.6.4.2 RSSI定位
7.6.4.3 智能算法优化定位
7.6.5 组合导航文章来源:https://www.toymoban.com/news/detail-844568.html
8 电力系统方面
微电网优化、无功优化、配电网重构、储能配置文章来源地址https://www.toymoban.com/news/detail-844568.html
到了这里,关于【车道线检测】边缘检测+Hough变换车道线视频自动检测(判断是否偏离)【含Matlab源码 4083期】的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!