研究目的
研究一种在雾霾环境下用于自动驾驶导航的车道检测与跟踪新方法,解决现有系统的缺陷,并为无车道线道路提供车道偏离监测和近似车道预测功能。
研究成果
所提出的算法在车道检测中实现了81.9%的灵敏度,在近似车道预测中达到63.5%,同时具有83%的精确率、68%的召回率和0.75的F1分数。该算法有效解决了雾霾环境下的缺陷问题,并提供了连续跟踪与预测功能,但在自动驾驶导航的决策优化方面仍有提升空间。
研究不足
该算法在车道检测与预测的灵敏度和精确度方面存在局限,在指导自动驾驶车辆根据不同情况准确选择安全车道方面仍有改进空间。
1:实验设计与方法选择:
整体实验设计采用基于视觉的方法,结合概率霍夫变换和运动矢量分析。理论模型包括用于特征提取的HSL颜色模型、用于边缘提取的Canny边缘检测、用于直线提取的概率霍夫变换,以及用于运动矢量分析的Lucas-Kanade光流算法。针对雾霾环境下的持续跟踪与预测,采用基于历史跟踪记录的学习方法。处理过程限制在感兴趣区域(ROI)内以降低计算量。
2:样本选择与数据来源:
实验使用一组车载前置摄像头拍摄的视频进行。
3:实验设备与材料清单:
车载前置摄像头(安装于仪表盘上)用于视频采集。
4:实验流程与操作步骤:
采集视频;选定ROI;通过Canny边缘检测提取边缘;利用概率霍夫变换提取直线;分析直线以检测车道线;采用Lucas-Kanade光流检测并跟踪运动以实现车道偏离监测;利用历史记录在雾霾环境下进行跟踪与预测。
5:数据分析方法:
性能指标包括灵敏度(车道线检测81.9%,近似车道预测63.5%)、精确率(83%)、召回率(68%)、F1分数(0.75),亮度阈值设为140。
独家科研数据包,助您复现前沿成果,加速创新突破
获取完整内容