近年来,基于人工智能的车道检测算法得到了广泛的研讨。与传统的基于特征的方法相比,许多方法表现出了优越的功能。但是,当使用具有应战性的图像时,其准确率通常仍在低80%或高90%之间,甚至更低。
准确牢靠的车道检测是车道保持(LK)、变道自动化(LCA)和车道偏离正告(LDW)功能的关键特性。车道检测的研讨可以追溯到20世纪80年代。世纪之交后,LDW和LK曾经商业化,有些车辆甚至有LCA。DARPA和早期ADAS产品发起的自动驾驶应战进一步推进了车道检测系统的发展。但是,由于不利的光照/天气条件和其他物体的存在,车道检测照旧是一个具有应战性的成绩。
opencv+python智能车道检测,助力无人驾驶-1.jpg (36.75 KB, 下载次数: 0)
2020-12-18 21:12 上传
车道检测可经过运用单目摄像机、平面摄像机、激光雷达等完成[4]。相机因其丰富的内容功能和低廉的价格而最受欢迎。
深度学习(DL)提出了一种新的数据驱动方法,并且比大多数基于特征的方法获得了更好的功能。虽然DL系统在许多运用中获得了优秀的功能,但它们常常被用作"黑匣子",其功能没有保证。这限制了它们在安全关键义务中的运用,例如自动驾驶的车道检测。
opencv+python智能车道检测,助力无人驾驶-2.jpg (40.95 KB, 下载次数: 0)
2020-12-18 21:12 上传
我们也可以从静态的路标和路标中推断出路标和路标。基于特征的方法,如ELAS,通常在执行车道检测/跟踪义务之前预先检测一切能够的场景线索。对于基于卷积神经网络(CNN)的方法,这种场景信息在网络结构中是隐藏/隐含的。假如能先了解场景规划,将整个图像分割成几何区域,再聚焦于车道标识区域,则分类精度有望提高。
opencv+python智能车道检测,助力无人驾驶-3.jpg (30.49 KB, 下载次数: 0)
2020-12-18 21:12 上传