?博主簡(jiǎn)介：熱愛科研的Matlab仿真開發(fā)者，修心和技術(shù)同步精進(jìn)，Matlab項(xiàng)目合作可私信。
??個(gè)人主頁：海神之光
??代碼獲取方式：
海神之光Matlab王者學(xué)習(xí)之路—代碼獲取方式
??座右銘：行百里者，半于九十。

更多Matlab仿真內(nèi)容點(diǎn)擊??
Matlab圖像處理（進(jìn)階版）
路徑規(guī)劃（Matlab）
神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)與分類（Matlab）
優(yōu)化求解（Matlab）
語音處理（Matlab）
信號(hào)處理（Matlab）
車間調(diào)度（Matlab）

?一、Hough變換車道線視頻自動(dòng)檢測(cè)系統(tǒng)

1 引言
隨著人們生活水平的提高, 科技的不斷進(jìn)步, 智能駕駛技術(shù)逐漸受到了研究者們的廣泛研究和關(guān)注。先進(jìn)駕駛輔助系統(tǒng) (Advanced Driver Assistance System, 簡(jiǎn)稱ADAS) 是智能駕駛技術(shù)的一個(gè)分支, 即通過某種形式的傳感器了解周圍的環(huán)境, 以協(xié)助駕駛員操作 (輔助司機(jī)) 或完全控制車輛 (實(shí)現(xiàn)自動(dòng)化) , 達(dá)到提高車輛安全駕駛的目的。車道線檢測(cè)作為ADAS的重要組成部分, 能夠?yàn)橄到y(tǒng)確定車輛所在車道位置, 并提供車道偏離預(yù)警決策依據(jù)。目前主要通過在車內(nèi)安裝攝像頭, 利用圖像處理算法實(shí)時(shí)獲取視頻圖像進(jìn)行車道線檢測(cè), 但現(xiàn)實(shí)行車環(huán)境復(fù)雜, 比如存在視角遮擋、道路陰影、道路裂痕以及鄰近車輛壓線干擾等情況, 以至于車道線不易提取且容易造成誤檢、漏檢, 因此如何實(shí)時(shí)、準(zhǔn)確地檢測(cè)出車道線具有重要的研究意義。

目前, 國內(nèi)外眾多學(xué)者對(duì)車道線檢測(cè)進(jìn)行了深入的研究并提出了一系列檢測(cè)方法, 基于計(jì)算機(jī)視覺的車道線檢測(cè)主要可以分為基于車道線特征和模型兩類方法?；谲嚨谰€特征的檢測(cè)方法主要是根據(jù)標(biāo)志線的紋理、邊緣以及顏色等特征來提取車道線, 楊智杰等人[7]基于圖像的RGB顏色信息檢測(cè)車道線, 但是當(dāng)視野中其他物體的顏色與車道線顏色相近時(shí), 容易造成車道線誤檢?；谀Ｐ偷姆椒▌t是通過計(jì)算車道線模型的幾何特征參數(shù)進(jìn)而實(shí)現(xiàn)車道線檢測(cè), 通常分為直線和曲線兩種車道線模型。王寶鋒等人通過B-樣條曲線對(duì)彎道車道線進(jìn)行檢測(cè), 陳家凡提出采用遠(yuǎn)近景將圖像分割, 遠(yuǎn)景視場(chǎng)通過曲線擬合車道線, 但基于曲線車道模型的車道線檢測(cè)通常計(jì)算過程復(fù)雜, 時(shí)間成本高。Qian等人基于Hough變換進(jìn)行的車道線檢測(cè), 但是該方法在惡劣環(huán)境使得車道線不易提取。陳軍等人在概率Hough的基礎(chǔ)上進(jìn)行車道線檢測(cè), 該算法雖然優(yōu)于標(biāo)準(zhǔn)的Hough變換, 但準(zhǔn)確率還有待提高。以上基于傳統(tǒng)Hough變換或者改進(jìn)后的Hough變換方法能夠完成部分車道線的提取, 但同時(shí)存在車道線漏檢、誤檢的情況, 且檢測(cè)結(jié)果受行車環(huán)境、車道線完好程度以及行駛時(shí)段影響較大, 且路面污漬、鄰近車道車輛超越、同車道前車干擾以及路面反光“泛白”都會(huì)對(duì)車道線檢測(cè)算法的穩(wěn)定性造成影響, 使得檢測(cè)到的車道線難以反映路面的真實(shí)情況。

鑒于此, 本文基于上述問題, 在滿足自動(dòng)駕駛時(shí)效性強(qiáng)和準(zhǔn)確性高的要求之上, 提出一種疊加約束的Hough變換車道線檢測(cè)算法, 算法通過研究不同環(huán)境以及工況下車道線的幾何特征, 使得都能夠準(zhǔn)確檢測(cè)車道線。算法首先從視頻流的原始圖像中裁剪感興趣區(qū)域, 再將RGB顏色空間轉(zhuǎn)換到Y(jié)CbCr空間;然后運(yùn)用大津法分離車道線與非車道線信息, 接著進(jìn)行濾波處理和邊緣檢測(cè);最后采用概率Hough變換擬合邊界, 顧及車道線的斜率范圍以及相同車道線斜率相近的特征, 根據(jù)邊緣檢測(cè)結(jié)果對(duì)漏檢的車道線進(jìn)行補(bǔ)充, 之后對(duì)車道線邊界進(jìn)行篩選與合并, 從而獲取最終的車道線檢測(cè)結(jié)果。本文方法的優(yōu)勢(shì)在于能夠提高行車環(huán)境復(fù)雜、天氣陰暗以及隧道昏暗環(huán)境下車道線提取的準(zhǔn)確率, 并完善Hough變換檢測(cè)車道線時(shí)存在的誤檢、漏檢車道線邊界以及只提取車道線邊界的不足, 準(zhǔn)確提取車道線并實(shí)時(shí)可視檢測(cè)結(jié)果。

2 車道線檢測(cè)算法
本文提出的基于Hough變換車道線檢測(cè)算法主要分為視頻圖像預(yù)處理、Hough變換擬合車道線邊界、檢測(cè)車道線三個(gè)部分, 總體流程如圖1所示。

第一階段是對(duì)圖像進(jìn)行預(yù)處理, 以去除非周圍環(huán)境所帶來的干擾;第二階段是采用概率Hough變換進(jìn)行車道中邊緣點(diǎn)峰值的統(tǒng)計(jì), 最終擬合出車道線邊界;第三階段是由于Hough變換擬合的邊界與真實(shí)的車道線存在差異, 部分車道線會(huì)被漏檢、誤檢, 因而本文引入疊加約束條件剔除誤檢的車道線以及對(duì)漏檢的車道線進(jìn)行補(bǔ)充, 最后將車道線的邊界進(jìn)行合并實(shí)現(xiàn)車道線的準(zhǔn)確檢測(cè)。

圖1 車道線檢測(cè)算法總體流程圖
2.1 視頻圖像預(yù)處理
通常車載攝像頭所獲取的行車視頻包含眾多道路信息, 為減少無關(guān)信息帶來的干擾, 提高車道線的檢測(cè)效率, 我們對(duì)每一幀視頻圖像進(jìn)行矩形感興趣區(qū)域 (ROI) 的裁剪?；趫D像RGB顏色空間直接進(jìn)行處理時(shí), 會(huì)出現(xiàn)背景信息不易分割、計(jì)算量大、對(duì)噪聲比較敏感等問題, 并且當(dāng)車道線與路面顏色區(qū)分不大時(shí)檢測(cè)的車道線容易出現(xiàn)殘缺, 因此, 如圖2所示, 本文在預(yù)處理階段對(duì)圖像的顏色空間進(jìn)行轉(zhuǎn)換;最后通過形態(tài)學(xué)濾波對(duì)圖像進(jìn)行腐蝕膨脹處理, 以此去除車道線中的噪聲和彌補(bǔ)被過度腐蝕的信息, 之后再通過Canny算子進(jìn)行邊緣檢測(cè)。

圖2 圖像預(yù)處理流程圖
由于車輛在不同道路上行駛時(shí)會(huì)導(dǎo)致視野范圍存在差異, 為盡可能使得ROI區(qū)域能夠涵蓋車道線信息, 本文選擇矩形ROI對(duì)圖片進(jìn)行有用信息的裁剪。而車道線顏色通常為白色和黃色兩種, 為準(zhǔn)確檢測(cè)出這兩種類型的車道線, 我們將原圖像的RGB顏色空間轉(zhuǎn)換到Y(jié)CbCr空間, 根據(jù)背景顏色與目標(biāo)顏色的差異實(shí)現(xiàn)分離, 且該方法計(jì)算量比較小。YCbCr顏色空間中, RGB轉(zhuǎn)換到Y(jié)CbCr顏色空間中各個(gè)分量的計(jì)算如公式 (1) ～ (3) 所示。

Y=0.257R+0.504G+0.098B (1)
Cb=-0.140R-0.291G+0.439B+128 (2)
Cr=0.5R-0.4187G-0.0813B+128 (3)
其中Y代表亮度, Cb代表藍(lán)色與亮度的差異, Cr代表紅色與亮度的差異。

經(jīng)過對(duì)多段不同工況的行車視頻流的二值化實(shí)驗(yàn)結(jié)果表明, 亮度閾值選取72能夠很好的提取出目標(biāo)信息, 顏色空間轉(zhuǎn)換前后的二值化對(duì)比結(jié)果如圖3所示。

2.2 Hough變換檢測(cè)車道線
傳統(tǒng)霍夫變換 (Hough變換) [15]實(shí)現(xiàn)原理是將平面坐標(biāo)空間中具有相同形狀特征的曲線或者直線映射到另外一個(gè)空間的點(diǎn)上, 累計(jì)形成的峰值, 將圖像中檢測(cè)任何形狀的問題都轉(zhuǎn)換為峰值點(diǎn)分析的問題, 極坐標(biāo)系下的表達(dá)方式如公式 (4) 所示。
ρ=x·cosθ+y·sinθ (4)
其中, ρ表示坐標(biāo)所在位置的原點(diǎn)到直線的長(zhǎng)度距離, M×N表示感興趣區(qū)域圖像的高度和寬度;而θ表示垂線ρ與x軸正方向的夾角 (θ∈[0, 180°]) 。具體的實(shí)現(xiàn)步驟如下。
(1) 建立一個(gè)參數(shù) (ρ, θ) 空間的二維數(shù)組, 該數(shù)組相當(dāng)于一個(gè)累計(jì)器。
(2) 遍歷搜索圖像中所有目標(biāo)像素點(diǎn), 對(duì)于每一個(gè)目標(biāo)像素點(diǎn)都根據(jù)公式 (4) 求極徑ρ, 找到對(duì)應(yīng)位置, 然后在累加器的對(duì)應(yīng)位置加1。
(3) 求所得累加器中的最大值, 其位置 (ρ’, θ’) 。
(4) 通過參數(shù)空間位置 (ρ’, θ’) , 根據(jù)式 (4) 找到圖像空間中相對(duì)應(yīng)的直線參數(shù)。
本文采取概率Hough變換擬合預(yù)處理后的邊緣像素, 通過點(diǎn)出現(xiàn)的概率區(qū)間來避免無效直線的檢測(cè), 特點(diǎn)在于檢測(cè)到的車道線能夠得到兩端的端點(diǎn), 但是當(dāng)周圍欄桿以及旁邊車輛干擾時(shí), 會(huì)出現(xiàn)漏檢以及誤檢。

3 原理
機(jī)器視覺視頻車道線檢測(cè)是指通過計(jì)算機(jī)視覺技術(shù)，對(duì)道路上的車道線進(jìn)行自動(dòng)檢測(cè)和識(shí)別的過程。其原理主要包括以下幾個(gè)步驟：
（1）圖像獲?。和ㄟ^攝像頭或者其他圖像采集設(shè)備獲取道路圖像或視頻。
（2）圖像預(yù)處理：對(duì)獲取到的圖像進(jìn)行預(yù)處理，包括圖像去噪、灰度化、邊緣檢測(cè)等操作，以提取車道線的特征。
（3）特征提?。和ㄟ^邊緣檢測(cè)算法（如Canny算法）或者其他特征提取算法，將圖像中的車道線輪廓提取出來。
（4）車道線識(shí)別：根據(jù)車道線的特征，使用線段檢測(cè)、霍夫變換等方法，將提取到的線段進(jìn)行篩選和連接，得到完整的車道線。
（5）車道線跟蹤：在連續(xù)的視頻幀中，通過車道線的位置和方向信息，利用濾波器、卡爾曼濾波等方法，對(duì)車道線進(jìn)行跟蹤和預(yù)測(cè)。
（6）車道線顯示：將檢測(cè)到的車道線信息以可視化的方式顯示在圖像或視頻上，以輔助駕駛員進(jìn)行車道保持和駕駛決策。

?二、部分源代碼

clear;
clc;
warning off all
%% 視頻讀取
mov=VideoReader(‘行車記錄2_720P.avi’); %讀入視頻

nFrames = mov.NumberOfFrames;
vidHeight = mov.Height;
vidWidth = mov.Width;

%% 車道線檢測(cè)，邊緣檢測(cè) + hough變換

% % % 從視頻中等間隔提取圖像
movpicture(11) = struct(‘cdata’,zeros(vidHeight,vidWidth, 3,‘uint8’),‘colormap’,[]);
numpic=0;
% 循環(huán)，依次計(jì)算10幅圖片
k_r = [];k_l = [];
b_r = [];b_l = [];
dr = [];dl = [];
lim_r = [];lim_l = [];
y00 = [];
%攝像頭離地高度h , 車道寬度 b ,車身寬度 bc
h = 1.1;b = 3.75;bc = 1.8;

beta = atan(h/50);%攝像頭與水平面夾角，離地高度 h ,最遠(yuǎn)視距50m

for i=1:floor(nFrames/9):nFrames
fprintf(‘*正在檢測(cè)第%d幀畫面\n’,i);
numpic=numpic+1;
movpicture(numpic).cdata = read(mov,i);
strtemp=strcat(int2str(numpic),‘.’,‘jpg’);%將每禎轉(zhuǎn)成jpg的圖片
imwrite(movpicture(numpic).cdata,strtemp);

% 讀圖片數(shù)據(jù)
I  = movpicture(numpic).cdata;
% 灰度化,只計(jì)算下半部分的hough變換
height = fix(vidHeight/2);
gray=rgb2gray(I(height:end,:,:));
% 圖像濾波、去噪
filt = fspecial('gaussian');
ImageBlur = imfilter(gray,filt,'replicate');
% 灰度圖像的邊緣
BW = edge(ImageBlur ,'canny');%改為sobel算子，效果更好

% hough變換
[H,T,R] = hough(BW);
%     figure;imshow(H,[],'XData',T,'YData',R,'InitialMagnification','fit');
%     xlabel('\theta'), ylabel('\rho');
%     axis on, axis normal, hold on;

% 計(jì)算hough變換的峰值，40是設(shè)置的峰值點(diǎn)個(gè)數(shù)越多,求得的直線也越多
P  = houghpeaks(H,100,'threshold',ceil(0.3*max(H(:))));
%     x = T(P(:,2)); y = R(P(:,1));
%     plot(x,y,'s','color','white');

% 找出直線
lines = houghlines(BW,T,R,P,'FillGap',5,'MinLength',50);
% **************  上面兩個(gè)參數(shù)可以組合、篩選直線 ***********

% 將直線畫在圖像中
figure, imshow(I), hold on
max_len = 0;
for k = 1:length(lines)
    % 變成原始圖像中，實(shí)際高度，+height
    lines(k).point1(1,2)=lines(k).point1(1,2)+height;
    lines(k).point2(1,2)=lines(k).point2(1,2)+height;
    xy = [lines(k).point1; lines(k).point2];
    plot(xy(:,1),xy(:,2),'LineWidth',2,'Color','green');

    % 畫出起始點(diǎn)
    plot(xy(1,1),xy(1,2),'x','LineWidth',2,'Color','yellow'); % 起點(diǎn)
    plot(xy(2,1),xy(2,2),'x','LineWidth',2,'Color','red');    % 終點(diǎn)

    % 計(jì)算直線的長(zhǎng)度，得到最長(zhǎng)長(zhǎng)度
    len = norm(lines(k).point1 - lines(k).point2);
    if (len > max_len)
       max_len = len;
       xy_long = xy;
    end
end

?三、運(yùn)行結(jié)果

?四、matlab版本及參考文獻(xiàn)

1 matlab版本
2014a

2 參考文獻(xiàn)
[1]王學(xué)惠.基于計(jì)算機(jī)視覺的道路交通標(biāo)線檢測(cè)算法[J].天津大學(xué)

3 備注
簡(jiǎn)介此部分摘自互聯(lián)網(wǎng)，僅供參考，若侵權(quán)，聯(lián)系刪除

?? 仿真咨詢
1 各類智能優(yōu)化算法改進(jìn)及應(yīng)用
1.1 PID優(yōu)化
1.2 VMD優(yōu)化
1.3 配電網(wǎng)重構(gòu)
1.4 三維裝箱
1.5 微電網(wǎng)優(yōu)化
1.6 優(yōu)化布局
1.7 優(yōu)化參數(shù)
1.8 優(yōu)化成本
1.9 優(yōu)化充電
1.10 優(yōu)化調(diào)度
1.11 優(yōu)化電價(jià)
1.12 優(yōu)化發(fā)車
1.13 優(yōu)化分配
1.14 優(yōu)化覆蓋
1.15 優(yōu)化控制
1.16 優(yōu)化庫存
1.17 優(yōu)化路由
1.18 優(yōu)化設(shè)計(jì)
1.19 優(yōu)化位置
1.20 優(yōu)化吸波
1.21 優(yōu)化選址
1.22 優(yōu)化運(yùn)行
1.23 優(yōu)化指派
1.24 優(yōu)化組合
1.25 車間調(diào)度
1.26 生產(chǎn)調(diào)度
1.27 經(jīng)濟(jì)調(diào)度
1.28 裝配線調(diào)度
1.29 水庫調(diào)度
1.30 貨位優(yōu)化
1.31 公交排班優(yōu)化
1.32 集裝箱船配載優(yōu)化
1.33 水泵組合優(yōu)化
1.34 醫(yī)療資源分配優(yōu)化
1.35 可視域基站和無人機(jī)選址優(yōu)化

2 機(jī)器學(xué)習(xí)和深度學(xué)習(xí)分類與預(yù)測(cè)
2.1 機(jī)器學(xué)習(xí)和深度學(xué)習(xí)分類
2.1.1 BiLSTM雙向長(zhǎng)短時(shí)記憶神經(jīng)網(wǎng)絡(luò)分類
2.1.2 BP神經(jīng)網(wǎng)絡(luò)分類
2.1.3 CNN卷積神經(jīng)網(wǎng)絡(luò)分類
2.1.4 DBN深度置信網(wǎng)絡(luò)分類
2.1.5 DELM深度學(xué)習(xí)極限學(xué)習(xí)機(jī)分類
2.1.6 ELMAN遞歸神經(jīng)網(wǎng)絡(luò)分類
2.1.7 ELM極限學(xué)習(xí)機(jī)分類
2.1.8 GRNN廣義回歸神經(jīng)網(wǎng)絡(luò)分類
2.1.9 GRU門控循環(huán)單元分類
2.1.10 KELM混合核極限學(xué)習(xí)機(jī)分類
2.1.11 KNN分類
2.1.12 LSSVM最小二乘法支持向量機(jī)分類
2.1.13 LSTM長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)分類
2.1.14 MLP全連接神經(jīng)網(wǎng)絡(luò)分類
2.1.15 PNN概率神經(jīng)網(wǎng)絡(luò)分類
2.1.16 RELM魯棒極限學(xué)習(xí)機(jī)分類
2.1.17 RF隨機(jī)森林分類
2.1.18 SCN隨機(jī)配置網(wǎng)絡(luò)模型分類
2.1.19 SVM支持向量機(jī)分類
2.1.20 XGBOOST分類

2.2 機(jī)器學(xué)習(xí)和深度學(xué)習(xí)預(yù)測(cè)
2.2.1 ANFIS自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)
2.2.2 ANN人工神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)
2.2.3 ARMA自回歸滑動(dòng)平均模型預(yù)測(cè)
2.2.4 BF粒子濾波預(yù)測(cè)
2.2.5 BiLSTM雙向長(zhǎng)短時(shí)記憶神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)
2.2.6 BLS寬度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)
2.2.7 BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)
2.2.8 CNN卷積神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)
2.2.9 DBN深度置信網(wǎng)絡(luò)預(yù)測(cè)
2.2.10 DELM深度學(xué)習(xí)極限學(xué)習(xí)機(jī)預(yù)測(cè)
2.2.11 DKELM回歸預(yù)測(cè)
2.2.12 ELMAN遞歸神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)
2.2.13 ELM極限學(xué)習(xí)機(jī)預(yù)測(cè)
2.2.14 ESN回聲狀態(tài)網(wǎng)絡(luò)預(yù)測(cè)
2.2.15 FNN前饋神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)
2.2.16 GMDN預(yù)測(cè)
2.2.17 GMM高斯混合模型預(yù)測(cè)
2.2.18 GRNN廣義回歸神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)
2.2.19 GRU門控循環(huán)單元預(yù)測(cè)
2.2.20 KELM混合核極限學(xué)習(xí)機(jī)預(yù)測(cè)
2.2.21 LMS最小均方算法預(yù)測(cè)
2.2.22 LSSVM最小二乘法支持向量機(jī)預(yù)測(cè)
2.2.23 LSTM長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)預(yù)測(cè)
2.2.24 RBF徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)
2.2.25 RELM魯棒極限學(xué)習(xí)機(jī)預(yù)測(cè)
2.2.26 RF隨機(jī)森林預(yù)測(cè)
2.2.27 RNN循環(huán)神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)
2.2.28 RVM相關(guān)向量機(jī)預(yù)測(cè)
2.2.29 SVM支持向量機(jī)預(yù)測(cè)
2.2.30 TCN時(shí)間卷積神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)
2.2.31 XGBoost回歸預(yù)測(cè)
2.2.32 模糊預(yù)測(cè)
2.2.33 奇異譜分析方法SSA時(shí)間序列預(yù)測(cè)

2.3 機(jī)器學(xué)習(xí)和深度學(xué)習(xí)實(shí)際應(yīng)用預(yù)測(cè)
CPI指數(shù)預(yù)測(cè)、PM2.5濃度預(yù)測(cè)、SOC預(yù)測(cè)、財(cái)務(wù)預(yù)警預(yù)測(cè)、產(chǎn)量預(yù)測(cè)、車位預(yù)測(cè)、蟲情預(yù)測(cè)、帶鋼厚度預(yù)測(cè)、電池健康狀態(tài)預(yù)測(cè)、電力負(fù)荷預(yù)測(cè)、房?jī)r(jià)預(yù)測(cè)、腐蝕率預(yù)測(cè)、故障診斷預(yù)測(cè)、光伏功率預(yù)測(cè)、軌跡預(yù)測(cè)、航空發(fā)動(dòng)機(jī)壽命預(yù)測(cè)、匯率預(yù)測(cè)、混凝土強(qiáng)度預(yù)測(cè)、加熱爐爐溫預(yù)測(cè)、價(jià)格預(yù)測(cè)、交通流預(yù)測(cè)、居民消費(fèi)指數(shù)預(yù)測(cè)、空氣質(zhì)量預(yù)測(cè)、糧食溫度預(yù)測(cè)、氣溫預(yù)測(cè)、清水值預(yù)測(cè)、失業(yè)率預(yù)測(cè)、用電量預(yù)測(cè)、運(yùn)輸量預(yù)測(cè)、制造業(yè)采購經(jīng)理指數(shù)預(yù)測(cè)

3 圖像處理方面
3.1 圖像邊緣檢測(cè)
3.2 圖像處理
3.3 圖像分割
3.4 圖像分類
3.5 圖像跟蹤
3.6 圖像加密解密
3.7 圖像檢索
3.8 圖像配準(zhǔn)
3.9 圖像拼接
3.10 圖像評(píng)價(jià)
3.11 圖像去噪
3.12 圖像融合
3.13 圖像識(shí)別
3.13.1 表盤識(shí)別
3.13.2 車道線識(shí)別
3.13.3 車輛計(jì)數(shù)
3.13.4 車輛識(shí)別
3.13.5 車牌識(shí)別
3.13.6 車位識(shí)別
3.13.7 尺寸檢測(cè)
3.13.8 答題卡識(shí)別
3.13.9 電器識(shí)別
3.13.10 跌倒檢測(cè)
3.13.11 動(dòng)物識(shí)別
3.13.12 二維碼識(shí)別
3.13.13 發(fā)票識(shí)別
3.13.14 服裝識(shí)別
3.13.15 漢字識(shí)別
3.13.16 紅綠燈識(shí)別
3.13.17 虹膜識(shí)別
3.13.18 火災(zāi)檢測(cè)
3.13.19 疾病分類
3.13.20 交通標(biāo)志識(shí)別
3.13.21 卡號(hào)識(shí)別
3.13.22 口罩識(shí)別
3.13.23 裂縫識(shí)別
3.13.24 目標(biāo)跟蹤
3.13.25 疲勞檢測(cè)
3.13.26 旗幟識(shí)別
3.13.27 青草識(shí)別
3.13.28 人臉識(shí)別
3.13.29 人民幣識(shí)別
3.13.30 身份證識(shí)別
3.13.31 手勢(shì)識(shí)別
3.13.32 數(shù)字字母識(shí)別
3.13.33 手掌識(shí)別
3.13.34 樹葉識(shí)別
3.13.35 水果識(shí)別
3.13.36 條形碼識(shí)別
3.13.37 溫度檢測(cè)
3.13.38 瑕疵檢測(cè)
3.13.39 芯片檢測(cè)
3.13.40 行為識(shí)別
3.13.41 驗(yàn)證碼識(shí)別
3.13.42 藥材識(shí)別
3.13.43 硬幣識(shí)別
3.13.44 郵政編碼識(shí)別
3.13.45 紙牌識(shí)別
3.13.46 指紋識(shí)別

3.14 圖像修復(fù)
3.15 圖像壓縮
3.16 圖像隱寫
3.17 圖像增強(qiáng)
3.18 圖像重建

4 路徑規(guī)劃方面
4.1 旅行商問題（TSP）
4.1.1 單旅行商問題（TSP）
4.1.2 多旅行商問題（MTSP）
4.2 車輛路徑問題（VRP）
4.2.1 車輛路徑問題（VRP）
4.2.2 帶容量的車輛路徑問題（CVRP）
4.2.3 帶容量+時(shí)間窗+距離車輛路徑問題（DCTWVRP）
4.2.4 帶容量+距離車輛路徑問題（DCVRP）
4.2.5 帶距離的車輛路徑問題（DVRP）
4.2.6 帶充電站+時(shí)間窗車輛路徑問題（ETWVRP）
4.2.3 帶多種容量的車輛路徑問題（MCVRP）
4.2.4 帶距離的多車輛路徑問題（MDVRP）
4.2.5 同時(shí)取送貨的車輛路徑問題（SDVRP）
4.2.6 帶時(shí)間窗+容量的車輛路徑問題（TWCVRP）
4.2.6 帶時(shí)間窗的車輛路徑問題（TWVRP）
4.3 多式聯(lián)運(yùn)運(yùn)輸問題

4.4 機(jī)器人路徑規(guī)劃
4.4.1 避障路徑規(guī)劃
4.4.2 迷宮路徑規(guī)劃
4.4.3 柵格地圖路徑規(guī)劃

4.5 配送路徑規(guī)劃
4.5.1 冷鏈配送路徑規(guī)劃
4.5.2 外賣配送路徑規(guī)劃
4.5.3 口罩配送路徑規(guī)劃
4.5.4 藥品配送路徑規(guī)劃
4.5.5 含充電站配送路徑規(guī)劃
4.5.6 連鎖超市配送路徑規(guī)劃
4.5.7 車輛協(xié)同無人機(jī)配送路徑規(guī)劃

4.6 無人機(jī)路徑規(guī)劃
4.6.1 飛行器仿真
4.6.2 無人機(jī)飛行作業(yè)
4.6.3 無人機(jī)軌跡跟蹤
4.6.4 無人機(jī)集群仿真
4.6.5 無人機(jī)三維路徑規(guī)劃
4.6.6 無人機(jī)編隊(duì)
4.6.7 無人機(jī)協(xié)同任務(wù)
4.6.8 無人機(jī)任務(wù)分配

5 語音處理
5.1 語音情感識(shí)別
5.2 聲源定位
5.3 特征提取
5.4 語音編碼
5.5 語音處理
5.6 語音分離
5.7 語音分析
5.8 語音合成
5.9 語音加密
5.10 語音去噪
5.11 語音識(shí)別
5.12 語音壓縮
5.13 語音隱藏

6 元胞自動(dòng)機(jī)方面
6.1 元胞自動(dòng)機(jī)病毒仿真
6.2 元胞自動(dòng)機(jī)城市規(guī)劃
6.3 元胞自動(dòng)機(jī)交通流
6.4 元胞自動(dòng)機(jī)氣體
6.5 元胞自動(dòng)機(jī)人員疏散
6.6 元胞自動(dòng)機(jī)森林火災(zāi)
6.7 元胞自動(dòng)機(jī)生命游戲

7 信號(hào)處理方面
7.1 故障信號(hào)診斷分析
7.1.1 齒輪損傷識(shí)別
7.1.2 異步電機(jī)轉(zhuǎn)子斷條故障診斷
7.1.3 滾動(dòng)體內(nèi)外圈故障診斷分析
7.1.4 電機(jī)故障診斷分析
7.1.5 軸承故障診斷分析
7.1.6 齒輪箱故障診斷分析
7.1.7 三相逆變器故障診斷分析
7.1.8 柴油機(jī)故障診斷

7.2 雷達(dá)通信
7.2.1 FMCW仿真
7.2.2 GPS抗干擾
7.2.3 雷達(dá)LFM
7.2.4 雷達(dá)MIMO
7.2.5 雷達(dá)測(cè)角
7.2.6 雷達(dá)成像
7.2.7 雷達(dá)定位
7.2.8 雷達(dá)回波
7.2.9 雷達(dá)檢測(cè)
7.2.10 雷達(dá)數(shù)字信號(hào)處理
7.2.11 雷達(dá)通信
7.2.12 雷達(dá)相控陣
7.2.13 雷達(dá)信號(hào)分析
7.2.14 雷達(dá)預(yù)警
7.2.15 雷達(dá)脈沖壓縮
7.2.16 天線方向圖
7.2.17 雷達(dá)雜波仿真

7.3 生物電信號(hào)
7.3.1 肌電信號(hào)EMG
7.3.2 腦電信號(hào)EEG
7.3.3 心電信號(hào)ECG
7.3.4 心臟仿真

7.4 通信系統(tǒng)
7.4.1 DOA估計(jì)
7.4.2 LEACH協(xié)議
7.4.3 編碼譯碼
7.4.4 變分模態(tài)分解
7.4.5 超寬帶仿真
7.4.6 多徑衰落仿真
7.4.7 蜂窩網(wǎng)絡(luò)
7.4.8 管道泄漏
7.4.9 經(jīng)驗(yàn)?zāi)B(tài)分解
7.4.10 濾波器設(shè)計(jì)
7.4.11 模擬信號(hào)傳輸
7.4.12 模擬信號(hào)調(diào)制
7.4.13 數(shù)字基帶信號(hào)
7.4.14 數(shù)字信道
7.4.15 數(shù)字信號(hào)處理
7.4.16 數(shù)字信號(hào)傳輸
7.4.17 數(shù)字信號(hào)去噪
7.4.18 水聲通信
7.4.19 通信仿真
7.4.20 無線傳輸
7.4.21 誤碼率仿真
7.4.22 現(xiàn)代通信
7.4.23 信道估計(jì)
7.4.24 信號(hào)檢測(cè)
7.4.25 信號(hào)融合
7.4.26 信號(hào)識(shí)別
7.4.27 壓縮感知
7.4.28 噪聲仿真
7.4.29 噪聲干擾

7.5 無人機(jī)通信

7.6 無線傳感器定位及布局方面
7.6.1 WSN定位
7.6.2 高度預(yù)估
7.6.3 濾波跟蹤
7.6.4 目標(biāo)定位
7.6.4.1 Dv-Hop定位
7.6.4.2 RSSI定位
7.6.4.3 智能算法優(yōu)化定位
7.6.5 組合導(dǎo)航

8 電力系統(tǒng)方面
微電網(wǎng)優(yōu)化、無功優(yōu)化、配電網(wǎng)重構(gòu)、儲(chǔ)能配置文章來源地址http://www.zghlxwxcb.cn/news/detail-844568.html

到了這里，關(guān)于【車道線檢測(cè)】邊緣檢測(cè)+Hough變換車道線視頻自動(dòng)檢測(cè)（判斷是否偏離）【含Matlab源碼 4083期】的文章就介紹完了。如果您還想了解更多內(nèi)容，請(qǐng)?jiān)谟疑辖撬阉鱐OY模板網(wǎng)以前的文章或繼續(xù)瀏覽下面的相關(guān)文章，希望大家以后多多支持TOY模板網(wǎng)！