SDC-车道和车辆检测-跟踪 Python中的OpenCV，用于自动驾驶汽车的车道线和车辆检测/跟踪 阅读我关于这个项目的 Medium。

基于matlab的Roberts、Sobel、Prewitt、LOG、Canny五种算子边缘检测，通过图像直接显示。canny算子对于车道线的识别效果更佳。

使用matlab实现的车辆检测和车道线识别的一个例程，具备一定的参考价值。主要通过matlab的函数，使用神经网络的算法的检测车道线和车辆。并提供仿真数据。

为了克服已有车道线识别算法运算复杂、速度较慢以及鲁棒性欠缺等不足之处, 提出一种新的快速车道线识别算法, 首先通过对图像的灰度变化分析, 得出车道线轮廓像素, 然后运用B-Spline曲线拟合车道线轮廓, 得到最终的识别效果图。实验表明, 该算法在速度和识别率上都能取得优异的表现。在嵌入式平台上, 该算法取得了12 fps的速度, 符合智能驾驶的实际需求。

基于视觉的曲线车道线检测完整代码，采用滑动窗口，详情见博客：http://blog.csdn.net/adamshan/article/details/78733302

基于透视变换的车道线检测原视频，主要对弯道进行处理，详情请见https://editor.csdn.net/md/?articleId=120339406

基于VC开发的车辆检测程序（车辆及车道线的检测与跟踪）。

这是毕设的程序,包括大津阈值分割,SCHARR滤波器边缘检测,ROI设置,车道检测中用HOUGH进行直线检测,多段折线模拟弯道,以及偏离点检测,及这三部分的跟踪,车辆检测为基于特征检测,采用KALMAN进行跟踪

高级车道查找 该项目的目标是编写一个软件管道来识别视频中的车道边界。 该项目 该项目的目标/步骤如下： 给定一组棋盘图像，计算相机校准矩阵和失真系数。 对原始图像应用失真校正。 使用颜色变换，渐变等创建阈值二进制图像。 应用透视变换以校正二进制图像（“鸟瞰”）。 检测车道像素并拟合以找到车道边界。 确定车道的曲率和车辆相对于中心的位置。 将检测到的车道边界扭曲回原始图像。 输出车道边界的可视化显示以及车道曲率和车辆位置的数值估计。 用于相机校准的图像存储在名为camera_cal的文件夹中。 test_images中的图像用于在单个帧上测试管道。 challenge_video.mp4视频是在有些棘手的条件下测试管道的一项额外挑战。 harder_challenge.mp4视频是另一个挑战，非常残酷！

智能交通场景应用.zip