Keyence LR-TB5000CL

Keyence LR-TB5000CL 

Lopez 等人于 2010 年提出使用图像的「脊峰」替代图像边缘信息提取车道线特征数据的方法。「脊峰」可以反映图像邻域像素点的汇聚程度，在车道线标志线区域中，它的表示形态是在车道线中间的具有局部极大值的明亮区域。与图像边缘相比较，「脊峰」更加适合应用于车道线检测的应用场合。

基于模型的车道线识别方法是运用数学的思维建立道路模型，分析图像信息获取参数，从而完成车道线检测。Shengyan Zhou等提出了一种基于 Gabor 滤波器与几何模型的车道线识别方法。在智能车前方存在车道标示线的前提下，可以用车道线原点、宽度、曲率、起始位置这 4 个参数对其进行描述。先对摄像机进行预标定，在计算完模型参数后筛选出若干车道线模型。算法通过局部 Hough 变换和区域定位估算所需参数，确定 终使用模型并完成与实际车道线的匹配。

一般来讲，基于模型的车道线识别方法主要分为简单的直线模型和较为复杂的模型（如二次曲线和样条曲线），实际应用中需要根据具体的使用场合和道路特点选择不同的方法。例如大多数的车道偏离预警系统均采用简单的直线模型来刻画车道线；而需要灵活拟合车道线的场合下，如车道线预估与跟踪问题，则通常使用较复杂的模型算法。

Keyence LR-TB5000CL

交通标志识别技术

交通标志识别可提示驾驶员道路环境中的交通标志，帮助驾驶员做出正确决策，提高驾驶安全性。交通标志通常都具有较明显的视觉特征，如颜色、形状等，利用此类视觉特征可以检测出不同交通标志，在交通标志检测方法研究的相关文献中，颜色特征和形状特征相结合的相关检测方法较为广泛。但由于实际情况下，交通标志的图像采集数据的质量可能会受到光照、天气变化等影响;同时，交通标志被遮挡、扭曲、磨损等，也会影响算法准确性。

目前交通标志识别技术的实现方法，大部分都是通过设定颜色分量的阈值范围实现图像分割，从复杂的背景区域中得到感兴趣区域（ROI），然后在感兴趣区域上进行形状的过滤，从而检测出交通标志的所在区域。常见的算法有直接彩色阈值分割算法，直接在 RGB 颜色空间对图像所有像素进行分割，通过角点检测确定目标区域是否有交通标志，该算法对光照影响和遮挡问题的解决效果不佳，因此许多学者都对该算法进行了改进，常用的是将 RGB 图像转化到 HSV、HIS 等更符合人类对颜色的视觉理解的颜色模型下再进行图像分割和提取，有效地克服了交通标志的光照影响和遮挡难题。

交通标志识别技术 代表性的应用是在智能交通系统（ITS）之中。2010 年，美国马萨诸塞州大学研制的 TSR 系统，该识别系统采用颜色阈值分割算法和主成分分析方法进行目标检测与识别，系统的识别准确率高达 99.2%，针对轻微目标遮挡以及能见度较低的天气情况，该算法都能取得不错效果，具有一定的鲁棒性和适用性，处理速度为每帧 2.5 s，系统的主要不足就是难以满足实时性要求。