CN101339616A - 道路识别方法及装置 - Google Patents
道路识别方法及装置 Download PDFInfo
- Publication number
- CN101339616A CN101339616A CNA200810118282XA CN200810118282A CN101339616A CN 101339616 A CN101339616 A CN 101339616A CN A200810118282X A CNA200810118282X A CN A200810118282XA CN 200810118282 A CN200810118282 A CN 200810118282A CN 101339616 A CN101339616 A CN 101339616A
- Authority
- CN
- China
- Prior art keywords
- edge
- road
- analysis
- group
- image
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000004458 analytical method Methods 0.000 claims abstract description 56
- 238000012545 processing Methods 0.000 claims abstract description 12
- 238000001514 detection method Methods 0.000 claims description 15
- 238000012549 training Methods 0.000 claims description 11
- 239000000284 extract Substances 0.000 claims description 10
- 238000001914 filtration Methods 0.000 claims description 6
- 238000012790 confirmation Methods 0.000 claims description 5
- 238000013461 design Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 4
- 238000000513 principal component analysis Methods 0.000 claims description 4
- 230000010365 information processing Effects 0.000 abstract description 4
- 239000004568 cement Substances 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 239000000203 mixture Substances 0.000 description 2
- 238000012847 principal component analysis method Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
Images
Abstract
本发明公开了一种道路识别方法及装置,本发明先分析输入图像的边缘特征,找出其中可能是道路边缘的边缘组,然后与原输入图像相结合,分割出输入图像中可能的道路区域,再对可能的道路区域分别进行纹理分析,确定道路区域。从本发明方案可见,本发明利用图像的边缘特征和纹理特征相结合进行分析,提高了道路识别的准确度。而且,由于边缘分析的速度大于纹理分析的速度,本发明先采用边缘分析去除大量的非道路的区域,而仅保留边缘符合道路要求的区域,减少了纹理分析的信息处理量,提高了处理速度。
Description
技术领域
本发明涉及图像识别技术,尤指一种道路识别方法及装置。
背景技术
路面识别是图像内容分析的重要组成部分。不同的事物具有不同的形状和表面,在二维图像中的表示为不同的边缘、不同的颜色和不同的纹理特征。道路的特征可以通过对大量道路图像进行统计获得。
目前,通过模型匹配、结构信息、目标跟踪、色度信息等方法从图像中识别出道路。比如,可以采用基于直线模型的道路识别方法、结构信息和神经网络结合的道路识别方法,还可以利用纹理特征区分砂石路面、水泥路面等。
由于采用上述现有道路识别方法均是针对整个图像进行分析的,因此信息处理量大,道路识别的速度慢,且对非结构化道路识别效果较差。这样,一方面降低了道路识别的准确性,另一方面也降低了处理速度。
发明内容
有鉴于此,本发明的主要目的在于提供一种道路识别方法,能够提高道路识别的准确度和处理速度。
本发明的另一目的在于提供一种道路识别装置,能够提高道路识别的准确度和处理速度。
为达到上述目的,本发明的技术方案具体是这样实现的:
一种道路识别方法,该方法包括以下步骤:
A.对输入的图像信息的边缘特征进行分析,获取可能的道路边缘组;
B.根据获得的可能的道路边缘组,分割出输入图像中可能的道路边缘组之间的区域;
C.对分割出输入图像中可能的道路边缘组之间的区域进行纹理分析,确定道路区域;并根据道路特征确定道路区域的路面类型。
所述步骤A具体包括:
A1.提取输入图像的边缘图,根据图像边缘特征进行图中边缘的分割和连接;
A2.将所述图像边缘按预设规则分组,并输入预先训练的道路边缘分类器,根据分类结果确定可能的道路边缘组。
所述步骤A1中具体包括:
对所述输入图像提取输入图像的边缘图,对提取的边缘图进行二值化;对二值化后的边缘去除散点噪声,然后根据边缘的形状特征将粘连的边缘断开或者将断裂的边缘连接起来。
步骤A1之前还包括:对输入的图像进行去噪、滤波处理。
所述提取的方法为:
Sobel算子、或Roberts算子、或Laplacian算子、或Canny算子;
或者,根据道路边缘的特征设计需要的边缘提取方法。
该方法进一步包括:计算分类器的分类结果的置信度,根据置信度判断分类结果的可信程度;
对于分类结果可信程度较低的边缘组,进一步对其对应的原始图像中的相应区域进行局部特征分析;或者增加其对应的纹理特征分析的比重。
步骤C中所述纹理分析的方法为:
局部二维模式LBP特征和主分量分析PCA相结合的纹理分析方法;
或者,利用预先训练的纹理分类器对可能的路面区域进行分类。
所述纹理分析采用分块进行分析;所述道路边缘的局部特征类似的作为同一块。
该方法还包括:进一步利用色度信息进行识别。
一种道路识别装置,该装置包括:边缘分析单元、道路区域分割单元、纹理分析单元和路面类型确定单元,其中,
边缘分析单元,用于对输入的图像进行边缘检测、边缘分类,获取可能的道路边缘组;
道路区域分割单元,用于分割出输入图像中可能的道路边缘组之间的区域,作为可能的道路区域;
纹理分析单元,用于对分割出的可能的道路边缘组之间的区域进行纹理分析,确定道路区域;
所述边缘分析单元包括边缘检测模块和边缘分类模块,其中,
边缘检测模块,用于从输入图像提取边缘图,并根据输入图像的边缘特征对边缘图进行边缘的分割和连接;
边缘分类模块,用于将图像中的边缘根据预设规则分组,利用预先训练的道路边缘分类器对多个边缘组分别进行分类,根据分类结果找出可能的道路边缘组。
所述边缘检测模块进一步用于,在提取边缘图之前,先对输入的图像进行去噪、滤波处理。
所述装置还包括:路面类型确认单元,用于根据道路特征确定道路区域的路面类型。
由上述技术方案可见,本发明先分析输入图像的边缘特征,找出其中可能是道路边缘的边缘组,然后与原输入图像相结合,分割出输入图像中可能的道路区域,再对可能的道路区域分别进行纹理分析,确定道路区域。从本发明方案可见,本发明利用图像的边缘特征和纹理特征相结合进行分析,提高了道路识别的准确度。而且,由于边缘分析的速度高于纹理分析的速度,本发明先采用边缘分析去除大量的非道路的区域,而仅保留边缘符合道路要求的区域,减少了纹理分析的信息处理量,提高了处理速度。
附图说明
图1是本发明道路识别装置的组成结构示意图;
图2是本发明道路识别的方法流程图。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚明白,以下参照附图并举实施例,对本发明进一步详细说明。
图1是本发明道路识别装置的组成结构示意图,如图1所示,该装置包括:边缘分析单元、道路区域分割单元、纹理分析单元和路面类型确认单元。其中,
边缘分析单元,用于对输入的图像进行边缘检测、边缘分类,获取可能的道路边缘组。边缘分析单元可以包括边缘检测模块和边缘分类模块。
边缘检测模块,用于从输入图像提取边缘图,根据输入图像的边缘特征对边缘图进行边缘的分割和连接。
提取输入图像的边缘图可以采用Sobel算子、Roberts算子、Laplacian算子、Canny算子等现有边缘提取算子,也可以采用其他的边缘提取方法如根据道路边缘的特征设计需要的边缘提取方法。
边缘提取的具体步骤大致可以包括:提取输入图像的边缘,对提取的边缘进行边缘图的二值化;对二值化后的边缘进行分析,采用滤波器去除散点噪声,然后根据边缘的形状特征将粘连的边缘断开或者将断裂的边缘连接起来。
进一步地,在提取边缘图之前,边缘检测模块可以先用于对输入的图像进行去噪、滤波等预处理。
边缘分类模块,用于对图像中的边缘图,根据预设规则分组,并利用预先训练的道路边缘分类器进行分类,根据分类结果找出可能的道路边缘组。
其中,进行边缘分组的预设规则可以是,同一组中的边缘具有类似的长度、在某些区域近似平行、边缘间的宽度符合预设宽度等,且一个边缘可以与不同的边缘构成边缘组。为了提高处理速度,可以先利用一些明显规则去除其中明显不是道路边缘的边缘,如采用线状规则去除大量不属于道路边缘的边缘。
与图像中的其它事物相比,道路边缘具有较为独特的特征,比如线状特征,且两个边缘之间具有一定的宽度等。因此,可以预先训练一个道路边缘分类器,将图像中的边缘组分为道路边缘和非道路边缘两类,其中分类结果为道路边缘的就是可能的道路边缘组。
道路区域分割单元,用于分割出输入图像中可能的道路边缘组之间的区域,作为可能的道路区域。
如果可能的道路区域中含有其他边缘,需要标记出这些边缘,并在纹理分析时对这些边缘对应的区域进行特殊的处理。
纹理分析单元,用于对分割出的可能的道路边缘组之间的区域进行纹理分析,确定道路区域。
纹理分析可以采用局部二维模式(LBP,Local Binary Pattern)特征、主分量分析(PCA,Principal Component Analysis)等方法相结合的纹理分析方法;也可以训练纹理分类的纹理分类器,纹理分类器的输出为水泥路面、砂石路面、沥青路面、砖路、土路等路面类型,如果纹理分析的结果不属于路面,则输出非路面。
路面类型确认单元,用于根据道路特征确定道路区域的路面类型。
需要说明的是,如果采用纹理分类器,其输出结果中已经包含了是否为路面和路面类型两个部分,那么,路面类型确认单元可以省略。
本发明装置先分析输入图像的边缘特征,找出其中可能是道路边缘的边缘组,然后与原输入图像相结合,分割出输入图像中可能的道路区域,再对可能的道路区域分别进行纹理分析,确定道路区域。从本发明道路识别装置可见,本发明利用图像的边缘特征和纹理特征相结合进行分析,提高了道路识别的准确度。而且,由于边缘分析的速度大于纹理分析的速度,本发明先采用边缘分析去除大量的非道路的区域,而仅保留边缘符合道路要求的区域,减少了纹理分析的信息处理量,提高了处理速度。
图2是本发明道路识别的方法流程图,如图2所示,包括以下步骤:
步骤200:对输入的图像信息的边缘特征进行分析,获取可能的道路边缘组。
本步骤包括边缘检测和边缘分类两个过程;其中,边缘检测是用于提取输入图像的边缘图,并根据边缘特征进行边缘的分割和连接,得到输入图像的边缘特征。提取输入图像的边缘特征可以包括:提取输入图像的边缘图,对提取的边缘图进行二值化;对二值化后的边缘进行处理,采用滤波器去除散点噪声,然后根据边缘的形状特征将粘连的边缘断开或者将断裂的边缘连接起来。
进一步地,在提取边缘图之前,还可以先对输入的图像进行去噪、滤波等预处理。
其中,一种判断边缘粘连并断开粘连部分的方法是,根据道路边缘的线状特点,统计一个连通边缘的最长的方向,然后在与此方向垂直的方向上进行此连通边缘的积分投影,计算平均的投影长度,也就是该边缘的平均宽度,宽度与平均宽度差别过大(如可以预先设置一个误差范围,宽度大于该误差范围时认为差别很大,此误差范围可以是一个固定值,也可以根据边缘宽度的均值和方差确定,如让其等于两倍方差)的地方认为是边缘粘连的地方,在此处进行断开,断开时保留符合原边缘方向的边缘点。这样就可以分开与道路边缘粘连的建筑边缘、树木边缘等。
另一种判断边缘断裂并连接断裂部分的方法是,根据道路的连续延伸特点,统计一个连通边缘和其附近其它边缘的最长的方向,计算各自平均的宽度,如果附近某个边缘与初始的边缘具有类似的方向和宽度,且如果断裂部分连起来后构成的边缘仍保持此方向和宽度,则认为这两个边缘是同一个边缘,将其连接起来。这里描述的方向可以是直线的方向也可以是曲线的延伸方向。
如果道路上存在车道线,车道线也会形成线状边缘,可以根据其与道路边缘的关系辅助判断道路边缘。可以采用色度信息和形状信息结合的方法识别出车道线。
边缘分类是将边缘组输入预先训练的道路边缘分类器,根据分类结果找出可能的道路边缘组。其中,与图像中的其它事物相比,道路边缘具有一定特点,可以根据这些特点设计道路边缘分类器。
较佳地,由于拍摄位置和道路类别的影响,图像中道路的边缘可能是多种多样的。如在直道区域,道路的边缘可能是两条近似平行的直线;在弯道区域,道路的边缘可能是两条趋向类似的曲线。如果从坡下拍摄,道路可能是发散的两条射线等。虽然道路边缘是多种多样的,但是又具有一定的特点,这也是从线条图中也可以分辨出道路的原因。统计分析可以从多幅图像中找出其共同的特征。因此,本步骤中边缘分类的方法可以是基于统计分析的方法。具体实现包括:首先,选择一批包含不同道路的多幅图像,对图像进行标定即标定图像中哪些地方属于道路;然后对这些图像进行边缘提取,根据标定结果找出道路边缘,并将该道路对应的边缘组加入道路边缘分类器的正样本集。其他事物对应的边缘组加入道路边缘分类器的反样本集;根据正/反样本集训练道路边缘分类器。道路边缘分类器为一个两类分类器,其输入为边缘组,输出为此边缘组是否是道路边缘组。训练道路边缘分类器的过程可以采用支持向量机(SVM,Support Vector machine)方法、逐步增强(Boosting)方法等。
之后,对于待分析的图像,对其进行边缘提取,然后将边缘进行分组,将多组边缘分别输入道路边缘分类器,以检测出道路边缘。
之外,还可以进一步计算分类器的分类结果的置信度,根据置信度判断分类结果的可信程度;对于分类结果可信程度较低的边缘组,可以在对其对应的原始图像进行局部特征分析;或者增加其对应的纹理特征分析的比重。简单来讲,对于输入的边缘组,假设道路边缘分类器认为其是道路边缘的概率为r1,不是道路边缘的概率为r2,r1+r2=1。当r1>r2时,认为是道路边缘,r1<r2时,认为不是道路边缘。
置信度P的一种定义为: P的值越大,分类结果的可信程度越高。置信度高可能是是道路边缘的可信程度高也可能是非道路边缘的可信程度高。分类结果可信程度较低时,指的是是道路边缘和非道路边缘的概率差不多,分类器无法明确确定。
置信度的计算属于本领域技术人员的惯用技术手段,具体实现手段很多,这里不对具体方法做限制。
步骤201:根据获得的可能的道路边缘组,分割出输入图像中可能的道路边缘组之间的区域,也就是可能的路面区域。
分割的方法可以是分别用线段连接一个可能道路边缘组的两端,这两个线段和对应可能的道路边缘组构成一个闭合范围,其中的区域就是分割出来的可能的路面区域。
步骤202:对分割出的输入图像中可能的道路边缘组之间的区域进行纹理分析,确定道路区域;并根据道路特征确定道路区域的路面类型。
纹理分析可以采用局部二维模式(LBP,Local Binary Pattern)特征、主分量分析(PCA,Principal Component Analysis)等方法相结合的纹理分析方法。也可以训练对纹理进行分类的纹理分类器,纹理分类器的输出为水泥路面、砂石路面、沥青路面、砖路、土路等路面类型,如果纹理分析的结果不属于路面,则输出非路面。
为解决阴影的影响,进行纹理分析时分块进行,道路边缘的局部特征类似的作为同一块进行处理;纹理特征满足路面特征的区域被认为是道路;公用相同的道路边缘的路面区域,通常是同一条道路的不同部分,因此需要合并相同的道路边缘的路面区域。
本步骤可以采用现有技术实现,具体实现的方法属于本领域技术人员常用技术手段,这里不再赘述。
如果路面存在较多车辆,比如堵车时,首先可以通过车辆检测去除车辆区域,只对未被车辆挡住的图像区域进行纹理分析;或者根据车辆特点确定是否是路面,具体方法可以是根据车辆排列状况或车灯信息确定车辆是否在行驶,如果车辆在行驶,则车辆所在的位置为路面位置,此区域为路面区域,如果输入图像中可能的路面区域中存在多个这样的路面区域,则认为输入图像中可能的道路边缘之间的区域为路面区域。
如果两个道路区域公用同一个道路边缘,且两个道路区域具有类似的纹理信息,则认为这两个道路区域是同一条道路的不同部分,可以将其合并为同一条道路。
色度信息也是道路的一种信息,也可以用来进行道路识别。但是由于色度信息受拍摄条件影响较大,这里只作为一种辅助信息。
以上所述仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。凡在本发明的精神和原则之内,所作的任何修改、等同替换以及改进等,均应包含在本发明的保护范围之内。
Claims (13)
1.一种道路识别方法,其特征在于,该方法包括以下步骤:
A.对输入的图像信息的边缘特征进行分析,获取可能的道路边缘组;
B.根据获得的可能的道路边缘组,分割出输入图像中可能的道路边缘组之间的区域;
C.对分割出输入图像中可能的道路边缘组之间的区域进行纹理分析,确定道路区域;并根据道路特征确定道路区域的路面类型。
2.根据权利要求1所述的道路识别方法,其特征在于,所述步骤A具体包括:
A1.提取输入图像的边缘图,根据边缘特征进行边缘的分割和连接;
A2.将所述图像边缘按预设规则分组,并输入预先训练的道路边缘分类器,根据分类结果确定可能的道路边缘组。
3.根据权利要求2所述的道路识别方法,其特征在于,所述步骤A1中具体包括:
对所述输入图像提取输入图像的边缘图,对提取的边缘图进行二值化;对二值化后的边缘去除散点噪声,然后根据边缘的形状特征将粘连的边缘断开或者将断裂的边缘连接起来。
4.根据权利要求3所述的道路识别方法,其特征在于,步骤A1之前还包括:对输入的图像进行去噪、滤波处理。
5.根据权利要求3所述的道路识别方法,其特征在于,所述提取的方法为:
Sobel算子、或Roberts算子、或Laplacian算子、或Canny算子;
或者,根据道路边缘的特征设计需要的边缘提取方法。
6.根据权利要求2所述的道路识别方法,其特征在于,该方法进一步包括:计算分类器的分类结果的置信度,根据置信度判断分类结果的可信程度;
对于分类结果可信程度较低的边缘组,进一步对其对应的原始图像中的相应区域进行局部特征分析;或者增加其对应的纹理特征分析的比重。
7.根据权利要求1所述的道路识别方法,其特征在于,步骤C中所述纹理分析的方法为:
局部二维模式LBP特征和主分量分析PCA相结合的纹理分析方法;
或者,利用预先训练的纹理分类器对可能的路面区域进行分类。
8.根据权利要求7所述的道路识别方法,其特征在于,所述纹理分析采用分块进行分析;所述道路边缘的局部特征类似的作为同一块。
9.根据权利要求1所述的道路识别方法,其特征在于,该方法还包括:进一步利用色度信息进行识别。
10.一种道路识别装置,其特征在于,该装置包括:边缘分析单元、道路区域分割单元、纹理分析单元和路面类型确定单元,其中,
边缘分析单元,用于对输入的图像进行边缘检测、边缘分类,获取可能的道路边缘组;
道路区域分割单元,用于分割出输入图像中可能的道路边缘组之间的区域,作为可能的道路区域;
纹理分析单元,用于对分割出的可能的道路边缘组之间的区域进行纹理分析,确定道路区域;
11.根据权利要求10所述的道路识别装置,其特征在于,所述边缘分析单元包括边缘检测模块和边缘分类模块,其中,
边缘检测模块,用于从输入图像提取边缘图,并根据输入图像的边缘特征对边缘图进行边缘的分割和连接;
边缘分类模块,用于将图像中的边缘根据预设规则分组,利用预先训练的道路边缘分类器对多个边缘组分别进行分类,根据分类结果找出可能的道路边缘组。
12.根据权利要求11所述的道路识别装置,其特征在于,所述边缘检测模块进一步用于,在提取边缘图之前,先对输入的图像进行去噪、滤波处理。
13.根据权利要求10所述的道路识别装置,其特征在于,所述装置还包括:路面类型确认单元,用于根据道路特征确定道路区域的路面类型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN200810118282XA CN101339616B (zh) | 2008-08-12 | 2008-08-12 | 道路识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN200810118282XA CN101339616B (zh) | 2008-08-12 | 2008-08-12 | 道路识别方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN101339616A true CN101339616A (zh) | 2009-01-07 |
CN101339616B CN101339616B (zh) | 2012-11-28 |
Family
ID=40213681
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN200810118282XA Expired - Fee Related CN101339616B (zh) | 2008-08-12 | 2008-08-12 | 道路识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101339616B (zh) |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101763512B (zh) * | 2009-12-11 | 2012-03-28 | 西安电子科技大学 | 高分辨率遥感图像中道路目标的半自动检测方法 |
CN102521566A (zh) * | 2011-11-25 | 2012-06-27 | 中国科学院光电技术研究所 | 一种地面自主设备用低功耗实时道路自动识别装置 |
CN101900562B (zh) * | 2009-05-29 | 2013-02-06 | 通用汽车环球科技运作公司 | 采用基于分割方法的畅通路径检测 |
CN103366156A (zh) * | 2012-04-09 | 2013-10-23 | 通用汽车环球科技运作有限责任公司 | 道路结构检测和跟踪 |
CN103500322A (zh) * | 2013-09-10 | 2014-01-08 | 北京航空航天大学 | 基于低空航拍图像的车道线自动识别方法 |
CN104655639A (zh) * | 2014-12-23 | 2015-05-27 | 北京恒达锦程图像技术有限公司 | 一种能准确获取裂缝特征的路面裂缝检测方法和系统 |
CN104898657A (zh) * | 2014-03-06 | 2015-09-09 | 西北农林科技大学 | 一种基于dsp的机器人视觉路径识别方法 |
CN105069410A (zh) * | 2015-07-24 | 2015-11-18 | 深圳市佳信捷技术股份有限公司 | 基于非结构化的道路识别方法及装置 |
CN106157283A (zh) * | 2015-04-01 | 2016-11-23 | 株式会社理光 | 道路分割物的检测方法和装置 |
WO2017041396A1 (zh) * | 2015-09-10 | 2017-03-16 | 百度在线网络技术(北京)有限公司 | 一种车道线数据的处理方法、装置、存储介质及设备 |
CN106647743A (zh) * | 2016-10-26 | 2017-05-10 | 纳恩博(北京)科技有限公司 | 一种电子设备的控制方法及电子设备 |
CN106627416A (zh) * | 2015-11-03 | 2017-05-10 | 北汽福田汽车股份有限公司 | 用于检测道路类型的方法、装置和系统 |
CN108229562A (zh) * | 2018-01-03 | 2018-06-29 | 重庆亲禾智千科技有限公司 | 一种得到路面具体破损分类情况的方法 |
CN108694374A (zh) * | 2017-03-31 | 2018-10-23 | 本田技研工业株式会社 | 车辆控制装置 |
CN108961353A (zh) * | 2017-05-19 | 2018-12-07 | 上海蔚来汽车有限公司 | 道路模型的构建 |
CN109190481A (zh) * | 2018-08-06 | 2019-01-11 | 中国交通通信信息中心 | 一种遥感影像道路材质提取方法和系统 |
CN109460738A (zh) * | 2018-11-14 | 2019-03-12 | 吉林大学 | 一种基于无损失函数的深度卷积神经网络的路面类型估算方法 |
CN113011392A (zh) * | 2021-04-25 | 2021-06-22 | 吉林大学 | 一种基于路面图像多纹理特征融合的路面类型识别方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1290049C (zh) * | 2005-04-06 | 2006-12-13 | 北京航空航天大学 | 强反射背景下粗糙纹理工件图像特征点自动提取方法 |
-
2008
- 2008-08-12 CN CN200810118282XA patent/CN101339616B/zh not_active Expired - Fee Related
Cited By (28)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101900562B (zh) * | 2009-05-29 | 2013-02-06 | 通用汽车环球科技运作公司 | 采用基于分割方法的畅通路径检测 |
CN101763512B (zh) * | 2009-12-11 | 2012-03-28 | 西安电子科技大学 | 高分辨率遥感图像中道路目标的半自动检测方法 |
CN102521566A (zh) * | 2011-11-25 | 2012-06-27 | 中国科学院光电技术研究所 | 一种地面自主设备用低功耗实时道路自动识别装置 |
CN102521566B (zh) * | 2011-11-25 | 2013-07-24 | 中国科学院光电技术研究所 | 一种地面自主设备用低功耗实时道路自动识别装置 |
CN103366156A (zh) * | 2012-04-09 | 2013-10-23 | 通用汽车环球科技运作有限责任公司 | 道路结构检测和跟踪 |
CN103366156B (zh) * | 2012-04-09 | 2016-08-17 | 通用汽车环球科技运作有限责任公司 | 道路结构检测和跟踪 |
CN103500322B (zh) * | 2013-09-10 | 2016-08-17 | 北京航空航天大学 | 基于低空航拍图像的车道线自动识别方法 |
CN103500322A (zh) * | 2013-09-10 | 2014-01-08 | 北京航空航天大学 | 基于低空航拍图像的车道线自动识别方法 |
CN104898657A (zh) * | 2014-03-06 | 2015-09-09 | 西北农林科技大学 | 一种基于dsp的机器人视觉路径识别方法 |
CN104655639A (zh) * | 2014-12-23 | 2015-05-27 | 北京恒达锦程图像技术有限公司 | 一种能准确获取裂缝特征的路面裂缝检测方法和系统 |
CN106157283A (zh) * | 2015-04-01 | 2016-11-23 | 株式会社理光 | 道路分割物的检测方法和装置 |
CN105069410A (zh) * | 2015-07-24 | 2015-11-18 | 深圳市佳信捷技术股份有限公司 | 基于非结构化的道路识别方法及装置 |
WO2017041396A1 (zh) * | 2015-09-10 | 2017-03-16 | 百度在线网络技术(北京)有限公司 | 一种车道线数据的处理方法、装置、存储介质及设备 |
US10074020B2 (en) | 2015-09-10 | 2018-09-11 | Baidu Online Network Technology (Beijing) Co., Ltd. | Vehicular lane line data processing method, apparatus, storage medium, and device |
CN106627416A (zh) * | 2015-11-03 | 2017-05-10 | 北汽福田汽车股份有限公司 | 用于检测道路类型的方法、装置和系统 |
CN106627416B (zh) * | 2015-11-03 | 2019-03-12 | 北京宝沃汽车有限公司 | 用于检测道路类型的方法、装置和系统 |
CN106647743A (zh) * | 2016-10-26 | 2017-05-10 | 纳恩博(北京)科技有限公司 | 一种电子设备的控制方法及电子设备 |
CN108694374A (zh) * | 2017-03-31 | 2018-10-23 | 本田技研工业株式会社 | 车辆控制装置 |
CN108694374B (zh) * | 2017-03-31 | 2021-12-28 | 本田技研工业株式会社 | 车辆控制装置 |
CN108961353A (zh) * | 2017-05-19 | 2018-12-07 | 上海蔚来汽车有限公司 | 道路模型的构建 |
CN108961353B (zh) * | 2017-05-19 | 2023-12-08 | 上海蔚来汽车有限公司 | 道路模型的构建 |
CN108229562A (zh) * | 2018-01-03 | 2018-06-29 | 重庆亲禾智千科技有限公司 | 一种得到路面具体破损分类情况的方法 |
CN108229562B (zh) * | 2018-01-03 | 2020-07-07 | 重庆亲禾智千科技有限公司 | 一种得到路面具体破损分类情况的方法 |
CN109190481B (zh) * | 2018-08-06 | 2021-11-23 | 中国交通通信信息中心 | 一种遥感影像道路材质提取方法和系统 |
CN109190481A (zh) * | 2018-08-06 | 2019-01-11 | 中国交通通信信息中心 | 一种遥感影像道路材质提取方法和系统 |
CN109460738A (zh) * | 2018-11-14 | 2019-03-12 | 吉林大学 | 一种基于无损失函数的深度卷积神经网络的路面类型估算方法 |
CN109460738B (zh) * | 2018-11-14 | 2019-09-27 | 吉林大学 | 一种基于无损失函数的深度卷积神经网络的路面类型估算方法 |
CN113011392A (zh) * | 2021-04-25 | 2021-06-22 | 吉林大学 | 一种基于路面图像多纹理特征融合的路面类型识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN101339616B (zh) | 2012-11-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101339616B (zh) | 道路识别方法及装置 | |
CN103996053B (zh) | 基于机器视觉的车道偏离报警方法 | |
US10552706B2 (en) | Attachable matter detection apparatus and attachable matter detection method | |
CN104036262B (zh) | 一种lpr车牌筛选识别的方法和系统 | |
JP5787024B2 (ja) | 立体物検出装置 | |
CN109299674B (zh) | 一种基于车灯的隧道违章变道检测方法 | |
US8385601B2 (en) | In-vehicle white line recognition apparatus | |
JP2003228711A (ja) | レーンマーク認識方法 | |
WO2014017517A1 (ja) | 立体物検出装置及び立体物検出方法 | |
WO2008020544A1 (en) | Vehicle detection device, vehicle detection method, and vehicle detection program | |
CN102314599A (zh) | 一种车道识别偏离检测方法 | |
JP2010244456A (ja) | 境界線認識装置 | |
CN105528609A (zh) | 一种基于字符位置的车牌定位方法 | |
Rezaei et al. | Vehicle detection based on multi-feature clues and Dempster-Shafer fusion theory | |
EP3764322A1 (en) | Lane marker recognition device | |
CN109886168B (zh) | 一种基于层阶的地面交通标志识别方法 | |
CN102902957A (zh) | 一种基于视频流的自动车牌识别方法 | |
CN112001216A (zh) | 一种基于计算机的汽车行驶车道检测系统 | |
CN105718916A (zh) | 一种基于霍夫变换的车道线检测方法 | |
CN113239733B (zh) | 一种多车道车道线检测方法 | |
CN101246553B (zh) | 一种基于三角剖分变换的车型识别方法 | |
CN101447029A (zh) | 公路前方构造物自动识别方法 | |
WO2014017318A1 (ja) | 立体物検出装置、立体物検出方法及び異物検出装置 | |
CN103413144A (zh) | 基于局部全局特征联合决策的机场检测识别方法 | |
CN110349415B (zh) | 一种基于多尺度变换的行车速度测量方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20121128 Termination date: 20200812 |
|
CF01 | Termination of patent right due to non-payment of annual fee |