论文阅读笔记Vanishing Point Constrained Lane Detection With a Stereo Camera (IEEE 2017)

本篇文章是在学习C++的时候做的小项目，对目前的方法进行了稍微的改动，效果还可以。目前车道线检测方面的方法主要包括：基于Hough变换、基于透视变换、基于机器学习和深度学习。其中第一种方法是根据车道线与周围环境的物理特征差异进行图像的处理，从而检测到车道线，该方法复杂度较低，实时性较高，但易受到道路环境的干扰，而且Hough变换的直线检测特质导致了该方法在道路曲率较大时的检测误差较大。本文是利用c++和Hough变换实现对车道线的检测。

Python语言；代码包括有原始图像确定ROI；对前方道路的透视变换；边缘检测（采用sobel采用 x 方向的索贝尔算子）;在RGB色彩空间中对黄白两种颜色进行过滤从而提取出车道线的像素；HLS阈值化处理；组合梯度和色彩过滤车道线像素；滑窗多项式拟合车道线；拟合曲线使用透视变换还原到原视角。

利用opencv开发的车道检测和车辆识别代码，包含源代码、目的代码、演示视频。

基于逆透视变换和卡尔曼滤波的车道线识别算法，李扬威，黄影平，提出了一种基于逆透视变换和卡尔曼滤波的车道线识别跟踪算法。给出一种简单的逆透视变换方法，该方法不需要获取摄像机的内外参数

基于SIMULINK的车道偏离预警系统算法研究与仿真。为本人课设作业。参考了SIMULINK内EXAMPLE和各种论文。 模型功能包括： 1.视频前处理 2.车道线检测 3.车道线追踪 4.偏离预警 5.预警信息后处理（安全裕度曲线+视频内嵌文字报警+警报声） 资料内容包括： 1.simulink模型 2.说明书（简要介绍原理和运行结果解释，去除目录与附录共10页） 3.视频素材 注意事项： 运行环境matlab2017b及以上

包含车道线检测的全部源码，运行前请将图片和视频的路径名改为相对路径。同时包含有对整个项目的Pipeline总结，以及自己运行代码过程中处理一些问题的Markdown文件。 解释可参考如下博文 https://yongqi.blog.csdn.net/article/details/109213387?utm_medium=distribute.pc_relevant_download.none-task-blog-baidujs-8.nonecase&depth_1-utm_source=distribute.pc_relevant_download.none-task-blog-baidujs-8.nonecase

一种车道线检测方法，效果在高速上还可以，对于破损道路，光照变化太大等道路效果不佳，后续继续改进（直方图均衡以及多特征融合等等），这里有个基础版本的接口.大致步骤如下 （1）图像灰度化 （2）图像高斯滤波 （3）边缘检测 （4）获取掩膜，获取感兴趣区域 （5）霍夫变换检测直线 （6）将检测到的车道线分类，设置阈值，以图像中线分为左右两边的车道线，存入一个vector （7）回归两条直线，即左右分别两个点，且求出斜率方程 （8）确定车道线的转弯与否

基于改进Hough变换的车道线检测技术 详细描述 了 基于改进的Hough车道检测技术

本代码是自己写的一个能较好的实现道路识别与检测