整个系统划分为图像预处理、车道线检测、车道线跟踪以及偏离预警等四个功能模 块。为了削减干扰信息，缩小检测范围，从而提高系统计算的准确性和实时性，图像预处理模块将视频图像逐帧灰度化、选取感兴趣区域、二值化，最终输出截短的二值化图像给后续模块处理。车道线检测模块中，建立了车道线直线模型，使用 Hough 变换快速检测出车道标志线，输出车道线参数。车道线跟踪模块中，基于车道线线性连续运动假设，使用 Kalman 滤波器算法实现了车道线跟踪，用 Kalman 估计值代替检测值，减少噪声干扰，提高了车道线检测的稳定性。在偏离预警模块中，实现了一种基于横向距离的车道偏离预警模型。

包含车道保持，轨迹跟随横向控制，ACC自适应巡航等，有纯电动车仿真，包含PID，单点预瞄，多点预瞄，滑模变结构，模糊控制等多种算法 下载后请仔细查看文件说明，提供给有需要的人，不喜勿喷！谢谢！

该课题为基于matlab的车道线检测，采用边缘检测，形态学和hough变换来检测车道线，还可以计算车里车道线多远，偏僻多少，可制作一个GUI界面来呈现。

针对在道路导向箭头的检测和识别中支持向量机(SVM)多分类器的识别效率下降的问题，提出一种利用简单二分类SVM通过对结果的自定义二进制编码实现导向箭头多分类的方法。对导向箭头感兴趣区域(ROI)图像进行Harris角点粗检测，利用改进FAST-9(Features from accelerated segment test-9)算法对伪角点进行筛选，根据最终获取的角点集合中纵坐标最大的两个角点位置分割图像获得待识别区域；再利用几何不变矩特征训练SVM分类器；对分类结果进行二进制编码，从而实现单一种类SVM下多种导向箭头的分类。算法在实拍获取的500帧图像中进行测试，识别率优于96.8%。结果表明：所提算法不需逆透视变换，利用一种SVM二分类器即可实现导向箭头的识别，有效提高了导向箭头识别的准确率和运行效率。

Panda方案采用恩智浦的S32V234作为方案主芯片，S32V234是恩智浦第二代视觉处理器系列，旨在支援影像处理的计算密集型应用，并提供了一个ISP（可以支援1080P）、强大的3D GPU、双APEX-2（速率达80GMACS）视觉加速器和安全性。S32V234适用于ADAS、NCAP前视摄像头、异物检测和识别、环视、机器学习和感测器融合应用。S32V234专为汽车级可靠性、功能安全和安全措施而设计，以支持汽车和工业自动化。Panda方案预留了两路MIPI接口，一个 LVDS 视频输出接口，以及SD卡座，以太网，USB，CAN，JTAG等丰富的外围接口。 1.疲劳检测算法基本思路如下 识别:Camera输入的图像转换成灰度图像，通过进行人脸侦测，画出人脸ROI，在人脸ROI中侦测人的眼睛，画出人眼的ROI，计算眼睛ROI长条图，计算长条图平均值。 判断:根据人闭眼的程度，提前预设一个阈值，系统检测到人眼长条图的平均值，一旦超出阈值就会报警。 报警:通过外接的蜂鸣器，发出声音进行警告驾驶员。根据具体产品定义需要，甚至可以将该系统连接至车辆的中控系统，执行刹车、降速的操作。 …… 展示板照片 方案来源于大大通

一个应用于智能交通场景的demo，实现了车辆和行人的追踪检测；车辆不礼让行人检测；车辆非法越线检测；车牌识别的择优迭代；具体参见我的博客：competition1——智能交通场景应用。

无人自动驾驶高级车道线检测算法

车道线检测项目的原视频,没有车道线标注的原始视频,用来完成 https://www.bilibili.com/video/BV1qk4y1r7jw 的项目

基于matlab的车道线检测程序，对比不同边缘检测算法，通过改进hough变换来检测视频中的车道线，每一步算法都具有详细的解释说明

Segnet语义分割网络的关键在于下采样和上采样,目前训练的是单车道的，视频效果不怎么好，可以作为入门级训练吧，聊胜于无