为了提高车道线检测的准确性与鲁棒性,降低光照变化与背景干扰的影响,提出了一种改进的Hough变换耦合密度空间聚类的车道线检测算法。首先,建立车道线模型,将车道边界分解为一系列的小线段,借助最小二乘法来表示车道线中的线段。再利用...为了提高车道线检测的准确性与鲁棒性,降低光照变化与背景干扰的影响,提出了一种改进的Hough变换耦合密度空间聚类的车道线检测算法。首先,建立车道线模型,将车道边界分解为一系列的小线段,借助最小二乘法来表示车道线中的线段。再利用改进的Hough变换对图像中的小线段进行检测。引入具有密度空间聚类方法(density based spatial clustering of applications with noise,DBSCAN),对提取的小线段进行聚类,过滤掉图像中的冗余和噪声,同时保留车道边界的关键信息。随后,利用边缘像素的梯度方向来定义小线段的方向,使得边界同一侧的小线段具有相同的方向,而位于相反车道边界的两个小线段具有相反的方向,通过小线段的方向函数得到车道线段候选簇。最后,根据得到的小线段候选簇,利用消失点来拟合最终车道线。在Caltech数据集与实际道路中进行测试,数据表明:与当前流行的车道线检测算法相比,在光照变化、背景干扰等不良因素下,所以算法呈现出更理想的准确性与稳健,可准确识别正常车道线。展开更多
文摘为了提高车道线检测的准确性与鲁棒性,降低光照变化与背景干扰的影响,提出了一种改进的Hough变换耦合密度空间聚类的车道线检测算法。首先,建立车道线模型,将车道边界分解为一系列的小线段,借助最小二乘法来表示车道线中的线段。再利用改进的Hough变换对图像中的小线段进行检测。引入具有密度空间聚类方法(density based spatial clustering of applications with noise,DBSCAN),对提取的小线段进行聚类,过滤掉图像中的冗余和噪声,同时保留车道边界的关键信息。随后,利用边缘像素的梯度方向来定义小线段的方向,使得边界同一侧的小线段具有相同的方向,而位于相反车道边界的两个小线段具有相反的方向,通过小线段的方向函数得到车道线段候选簇。最后,根据得到的小线段候选簇,利用消失点来拟合最终车道线。在Caltech数据集与实际道路中进行测试,数据表明:与当前流行的车道线检测算法相比,在光照变化、背景干扰等不良因素下,所以算法呈现出更理想的准确性与稳健,可准确识别正常车道线。
