CN102208019A - 基于车载摄像机的车辆变道检测方法 - Google Patents
基于车载摄像机的车辆变道检测方法 Download PDFInfo
- Publication number
- CN102208019A CN102208019A CN2011101483617A CN201110148361A CN102208019A CN 102208019 A CN102208019 A CN 102208019A CN 2011101483617 A CN2011101483617 A CN 2011101483617A CN 201110148361 A CN201110148361 A CN 201110148361A CN 102208019 A CN102208019 A CN 102208019A
- Authority
- CN
- China
- Prior art keywords
- image
- lane line
- line
- lane
- value
- 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
Images
Landscapes
- Image Analysis (AREA)
- Traffic Control Systems (AREA)
Abstract
Description
技术领域
本发明涉及图像处理和交通视频检测领域,是一种基于车载摄像机的车辆变道检测方法,主要应用于驾校路考时的车辆变道检测评价。
背景技术
现代社会开车基本成为一个必备技能,考驾照的人数逐年递增,驾校学员的增多让教练员工作量增大,从而给每个学员指导的时间就少了,不利于学员水平的提高。另外,在考驾照过程中,偶尔一些学员通过不正当手段,买通考官,这样没学扎实就拿到驾照,为以后道路交通安全留下隐患。因此,有人提出用一些仪器设备自动检测学员的驾驶水平,并进行信息反馈,减轻教练员的压力,同时,在考试时,利用仪器设备进行评价,更能够做到公平公正,标准统一,让每一个拿到驾照的考生都是合格的司机。
开车时变换车道是驾驶中非常重要的一环,目前评价驾校学员变换车道水平主要依靠教练员和教官目测,人为因素较大,标准不统一,而且依靠人连续判断,时间长了之后效果明显降低,容易出错。另外,少数驾驶学校给车安装陀螺仪,判断该车辆变换车道情况,但是效果非常糟糕,如果方向盘转的角度稍大,就会判断为变换车道成功,容易误判,变道通过的标准也很低,对学员提供驾车水平没有太多益处。
发明内容
本发明是一种实时性高的基于车载摄像机的车辆变道检测方法。
为了实现该目标,本发明采取如下技术方案:
一种基于车载摄像机的车辆变道检测方法,按照以下步骤进行:
步骤1:初始化,从车载摄像机读入视频文件,并截取一帧M1×M2×3大小的彩色图像,其中M1和M2为正整数,分别表示图像矩阵的行数和列数,然后将获得的彩色图像从RGB彩色空间转换到灰度空间,记为S1,大小为M1×M2,
步骤2:对图像S1的天空区域和地面区域图像进行分割,其具体分割方法为:利用亮度特征动态寻找图像中路面和背景的分界线,首先采用水平均值投影法对图像S1进行投影其算法如下:用H(i,j)表示图像S1中像素点(i,j)的灰度值,则
xc<xc-1且xc<xc+1,
xc为列向量x的第c个元素,则以第一次出现的满足xc<xc-1且xc<xc+1条件的元素xc对应的图像矩阵S1的第c行作为地面区域和天空区域的分割线位置,选取分割线下面的区域作为地面区域图像S2,地面区域图像S2的大小为N2×M2,其中N2为正整数,N2为地面区域图像矩阵S2的行数,
步骤3:利用公知的Sobel算子对步骤2中选取的地面区域图像S2进行边缘检测,得到大小为N2×M2的图像S3,
步骤4:利用大津法对图像进行二值化,其具体方法如下:计算类间方差g,
g=ω0×ω1×(μ0-μ1)^2,
其中,
N0为图像S3中像素的灰度值小于阈值T1的像素个数,M0为图像S3中像素的灰度值大于阈值T1的像素个数,μ0为图像S3中像素的灰度值小于阈值T1的所有像素平均灰度,μ1为图像S3中像素的灰度值大于阈值T1的所有像素平均灰度,阈值T1=0、1、2、3、……、255,由此得到256个类间方差g,再从中选出最大g值,并以最大g值所对应的阈值T1作为道路线和路面的分割阈值T,图像S3中灰度大于T的像素点赋值为255,小于T的像素点赋值为0,得到大小为N2×M2的二值化图像S4,
步骤5:提取车道线方程,其具体算法如下:将二值化图像S4平均分成左右两部分,左半部分拟合左车道线,右半部分拟合右车道线,对于左车道线拟合,使用左半部分图像,遍历每一个白色像素点(il,jl),其中1≤jl≤N2,其中表示取整,使用方程:
ρl=il×cos(θl)+jl×sin(θl)
在θl∈(40°,52°)内遍历,ρl是直线到坐标原点的距离,这样将图像左半部分白点映射到(ρl,θl)参数空间累加图像Dl,找到累加图像Dl中累加值最大的点(ρlm,θlm),并以累加值最大的点(ρlm,θlm)的值大于50作为拟合直线的要求,如果满足拟合直线的要求,则该点对应的直线作为潜在左车道线,否则放弃这一帧图像的处理,
ρr=ir×cos(θr)+jr×sin(θr)
在θr∈(140°,128°)内遍历,ρr是直线到坐标原点的距离,这样将图像右半部分白点映射到(ρr,θr)参数空间累加图像Dr,找到累加图像Dr中累加值最大的点(ρrm,θrm),并以累加值最大的点(ρrm,θrm)的值大于50作为拟合直线的要求,如果满足拟合直线的要求,则该点对应的直线作为潜在右车道线,否则放弃这一帧图像的处理,
步骤6、判断车道线类型,其具体算法如下:对于左车道线,根据上一步得到的车道线方程:ρlm=il×cos(θlm)+jl×sin(θlm),令il=1,求出左车道线和图片边缘交点(1,jl),如果图片边缘交点中的jl比图片高度N2小70以上,认为车道线拟合不准确,放弃,否则,开始判断左车道线类型,建立一个列向量L,共N2个元素,对于列向量L中的元素Lk的值,1≤k≤N2,如果图像S4中第k行里有坐标点为(il,jl)的像素满足方程|ρlm-il×cos(θlm)+jl×sin(θlm)|<5,且该点像素为白色,Lk取1,否则Lk取0,得到列向量L后,记L中1的个数为L1,如果左车道线为虚线,否则为实线,
对于右车道线,根据上一步得到的车道线方程:ρrm=ir×cos(θrm)+jr×sin(θrm),令ir=M2,求出右车道线和图片边缘交点(M2,jr),如果图片边缘交点中的jr比图片高度N2小70以上,认为车道线拟合不准确,放弃,否则,开始判断右车道线类型,建立一个列向量R,共N2个元素,对于元素Rk的值,如果图像S4中第k行里有坐标点为(ir,jr)的像素满足方程|ρrm-ir×cos(θrm)+jr×sin(θrm)|<5,且该点像素为白色,Rk取1,否则Rk取0,得到列向量R后,记R中1的个数为R1,如果右车道线为虚线,否则为实线,
步骤7、车道线处理结果归类
将不能满足步骤5所述拟合直线要求的图像标记为0;将步骤6中车道线拟合不准确的图像记为0;步骤6中左车道线为实线且右车道线为虚线的图像记为1,对应左车道,左右车道线都是虚线的图像记为2,对应中间车道,左车道线为虚线且右车道线为实线的图像记为3,对应右车道,
步骤8、判断当前车辆变道情况
将摄像机读入的每一帧图像经过步骤1至步骤7的处理出来的结果标记为0、1、2、3中的一个数字,并按照处理结果的先后顺序,将代表处理结果的标记数字0、1、2或3组合成一个序列,且将新的图像处理结果不断地排在序列的尾部,由此形成一个实时更新的序列,并从这个实时更新的序列中可以判断车辆变道情况,具体判断方法如下:
步骤8.1对实时更新的序列的最后十个元素进行观察,如果发现最后十个元素的数值同时为1、同时为2或同时为3,则记这最后十个元素对应的同一个数值为a,否则,进入步骤8.2,
步骤8.2从序列倒数第十一个元素开始向前搜索,如果再次发现连续十个元素的数值同时为1、同时为2或同时为3,则记这十个元素对应的同一个数值为b,否则,返回步骤8.1,
步骤8.3如果数值a与数值b不相等,则变换车道成功,否则,返回步骤8.1,继续观察实时更新的序列的最后十个元素。
与现有的技术相比,本发明的特点在于:
1)利用已有的车载摄像机,外加一个简单的工控机,成本低廉,比请教练员省很多费用。
2)实时性高。摄像机每秒可以提供25帧图像,而只要10帧就可以准确检测出变换车道情况,耗时小于0.5秒。
3)检测数据多,评价变道水平准确客观。通过该方式可以检测变道所用的时间,是否压线,结合其他一些设备,可以检测变道所用距离等参数,可以对考试变道水平进行准确客观的评价。
4)适用面广,易于推广。硬件设备简单便宜,安装时不要对车进行改造,易于安装,很容易推广到全国的大部分驾校考试系统。对于一些特例,对软件进行简单改进,也能适用。
附图说明
图1是整个程序的流程图。
具体实施方式
在具体的实施方式中,将结合附图,清楚完整地描述基于车载摄像机的当前车辆变道检测的详细过程,
一种基于车载摄像机的车辆变道检测方法,其特征在于按照以下步骤进行:
步骤1:初始化,从车载摄像机读入视频文件,并截取一帧M1×M2×3大小的彩色图像,其中M1和M2为正整数,分别表示图像矩阵的行数和列数,然后对于彩色图像每一个像素,使用公式Y=0.299*R+0.587*G+0.114*B(R、G、B分别代表每一个像素红色,绿色,蓝色分量值)将Y作为该点灰度值,从而将彩色图像转换为灰度图像,记为S1,大小为M1×M2,
步骤2:对图像S1的天空区域和地面区域图像进行分割,其具体分割方法为:利用亮度特征动态寻找图像中路面和背景的分界线,首先采用水平均值投影法对图像S1进行投影其算法如下:用H(i,j)表示图像S1中像素点(i,j)的灰度值,则
xc<xc-1且xc<xc+1,
xc为列向量x的第c个元素,则以第一次出现的满足xc<xc-1且xc<xc+1条件的元素xc对应的图像矩阵S1的第c行作为地面区域和天空区域的分割线位置,选取分割线下面的区域作为地面区域图像S2,地面区域图像S2的大小为N2×M2,其中N2为正整数,N2为地面区域图像矩阵S2的行数,
步骤3:利用Y方向的Sobel算子对步骤2中选取的地面区域图像S2进行边缘检测,算子如下:
得到大小为N2×M2的图像S3,
步骤4:利用大津法对图像进行二值化,其具体方法如下:计算类间方差g,
g=ω0×ω1×(μ0-μ1)^2,
其中,
N0为图像S3中像素的灰度值小于阈值T1的像素个数,M0为图像S3中像素的灰度值大于阈值T1的像素个数,μ0为图像S3中像素的灰度值小于阈值T1的所有像素平均灰度,μ1为图像S3中像素的灰度值大于阈值T1的所有像素平均灰度,阈值T1=0、1、2、3、……、255,由此得到256个类间方差g,再从中选出最大g值,并以最大g值所对应的阈值T1作为道路线和路面的分割阈值T,图像S3中灰度大于T的像素点赋值为255,小于T的像素点赋值为0,得到大小为N2×M2的二值化图像S4,
步骤5:提取车道线方程,其具体算法如下:将二值化图像S4平均分成左右两部分,左半部分拟合左车道线,右半部分拟合右车道线,对于左车道线拟合,使用左半部分图像,遍历每一个白色像素点(il,jl),其中1≤jl≤N2,其中表示取整,使用方程:
ρl=il×cos(θl)+jl×sin(θl)
ρl是直线到坐标原点的距离,在θl∈(40°,52°)内遍历,θl有13个取值,每一个白色像素点也对应13个ρl,这样将图像左半部分白点映射到(ρl,θl)参数空间累加图像Dl,找到累加图像Dl中累加值最大的点(ρlm,θlm),并以累加值最大的点(ρlm,θlm)的值大于50作为拟合直线的要求,如果满足拟合直线的要求,则该点对应的直线作为潜在左车道线,否则放弃这一帧图像的处理,
ρr=ir×cos(θr)+jr×sin(θr)
ρr是直线到坐标原点的距离,在θr∈(140°,128°)内遍历,θr有13个取值,每一个白色像素点也对应13个ρr,这样将图像右半部分白点映射到(ρr,θr)参数空间累加图像Dr,找到累加图像Dr中累加值最大的点(ρrm,θrm),并以累加值最大的点(ρrm,θrm)的值大于50作为拟合直线的要求,如果满足拟合直线的要求,则该点对应的直线作为潜在右车道线,否则放弃这一帧图像的处理,
步骤6、判断车道线类型,其具体算法如下:对于左车道线,根据上一步得到的车道线方程:ρlm=il×cos(θlm)+jl×sin(θlm),令il=1,求出左车道线和图片边缘交点(1,jl),如果图片边缘交点中的jl比图片高度N2小70以上,认为车道线拟合不准确,放弃,否则,开始判断左车道线类型,建立一个列向量L,共N2个元素,对于列向量L中的元素Lk的值,1≤k≤N2,如果图像S4中第k行里有坐标点为(il,jl)的像素满足方程|ρlm-il×cos(θlm)+jl×sin(θlm)|<5,且该点像素为白色,Lk取1,否则Lk取0,得到列向量L后,记L中1的个数为L1,如果左车道线为虚线,否则为实线,
对于右车道线,根据上一步得到的车道线方程:ρrm=ir×cos(θrm)+jr×sin(θrm),令ir=M2,求出右车道线和图片边缘交点(M2,jr),如果图片边缘交点中的jr比图片高度N2小70以上,认为车道线拟合不准确,放弃,否则,开始判断右车道线类型,建立一个列向量R,共N2个元素,对于元素Rk的值,如果图像S4中第k行里有坐标点为(ir,jr)的像素满足方程|ρrm-ir×cos(θrm)+jr×sin(θrm)|<5,且该点像素为白色,Rk取1,否则Rk取0,得到列向量R后,记R中1的个数为R1,如果右车道线为虚线,否则为实线,
步骤7、车道线处理结果归类
每一帧图像经过步骤1到步骤6的处理都会得到唯一一个结果,将不能满足步骤5所述拟合直线要求的图像标记为0;将步骤6中车道线拟合不准确的图像记为0;步骤6中左车道线为实线且右车道线为虚线的图像记为1,对应左车道,左右车道线都是虚线的图像记为2,对应中间车道,左车道线为虚线且右车道线为实线的图像记为3,对应右车道,
步骤8、判断当前车辆变道情况
将摄像机读入的每一帧图像经过步骤1至步骤7的处理出来的结果标记为0、1、2、3中的一个数字,并按照处理结果的先后顺序,将代表处理结果的标记数字0、1、2或3组合成一个序列,且将新的图像处理结果不断地排在序列的尾部,由此形成一个实时更新的序列,并从这个实时更新的序列中可以判断车辆变道情况,具体判断方法如下:
步骤8.1对实时更新的序列的最后十个元素进行观察,如果发现最后十个元素的数值同时为1、同时为2或同时为3,则记这最后十个元素对应的同一个数值为a,否则,进入步骤8.2,
步骤8.2从序列倒数第十一个元素开始向前搜索,如果再次发现连续十个元素的数值同时为1、同时为2或同时为3,则记这十个元素对应的同一个数值为b,否则,返回步骤8.1,
步骤8.3如果数值a与数值b不相等,则变换车道成功,否则,返回步骤8.1,继续观察实时更新的序列的最后十个元素。
Claims (1)
1.一种基于车载摄像机的车辆变道检测方法,其特征在于按照以下步骤进行:
步骤1:初始化,从车载摄像机读入视频文件,并截取一帧M1×M2×3大小的彩色图像,其中M1和M2为正整数,分别表示图像矩阵的行数和列数,然后将获得的彩色图像从RGB彩色空间转换到灰度空间,记为S1,大小为M1×M2,
步骤2:对图像S1的天空区域和地面区域图像进行分割,其具体分割方法为:利用亮度特征动态寻找图像中路面和背景的分界线,首先采用水平均值投影法对图像S1进行投影其算法如下:用H(i,j)表示图像S1中像素点(i,j)的灰度值,则
xc<xc-1且xc<xc+1,
xc为列向量x的第c个元素,则以第一次出现的满足xc<xc-1且xc<xc+1条件的元素xc对应的图像矩阵S1的第c行作为地面区域和天空区域的分割线位置,选取分割线下面的区域作为地面区域图像S2,地面区域图像S2的大小为N2×M2,其中N2为正整数,N2为地面区域图像矩阵S2的行数,
步骤3:利用公知的Sobel算子对步骤2中选取的地面区域图像S2进行边缘检测,得到大小为N2×M2的图像S3,
步骤4:利用大津法对图像进行二值化,其具体方法如下:计算类间方差g,
g=ω0×ω1×(μ0-μ1)^2,
其中,
N0为图像S3中像素的灰度值小于阈值T1的像素个数,M0为图像S3中像素的灰度值大于阈值T1的像素个数,μ0为图像S3中像素的灰度值小于阈值T1的所有像素平均灰度,μ1为图像S3中像素的灰度值大于阈值T1的所有像素平均灰度,阈值T1=0、1、2、3、……、255,由此得到256个类间方差g,再从中选出最大g值,并以最大g值所对应的阈值T1作为道路线和路面的分割阈值T,图像S3中灰度大于T的像素点赋值为255,小于T的像素点赋值为0,得到大小为N2×M2的二值化图像S4,
步骤5:提取车道线方程,其具体算法如下:将二值化图像S4平均分成左右两部分,左半部分拟合左车道线,右半部分拟合右车道线,对于左车道线拟合,使用左半部分图像,遍历每一个白色像素点(il,jl),其中11≤jl≤N2,其中[□]表示取整,使用方程:
ρl=il×cos(θl)+jl×sin(θl)
在θl∈(40°,52°)内遍历,ρl是直线到坐标原点的距离,这样将图像左半部分白点映射到(ρl,θl)参数空间累加图像Dl,找到累加图像Dl中累加值最大的点(ρlm,θlm),并以累加值最大的点(ρlm,θlm)的值大于50作为拟合直线的要求,如果满足拟合直线的要求,则该点对应的直线作为潜在左车道线,否则放弃这一帧图像的处理,
ρr=ir×cos(θr)+jr×sin(θr)
在θr∈(140°,128°)内遍历,ρr是直线到坐标原点的距离,这样将图像右半部分白点映射到(ρr,θr)参数空间累加图像Dr,找到累加图像Dr中累加值最大的点(ρrm,θrm),并以累加值最大的点(ρrm,θrm)的值大于50作为拟合直线的要求,如果满足拟合直线的要求,则该点对应的直线作为潜在右车道线,否则放弃这一帧图像的处理,
步骤6、判断车道线类型,其具体算法如下:对于左车道线,根据上一步得到的车道线方程:ρlm=il×cos(θlm)+jl×sin(θlm),令il=1,求出左车道线和图片边缘交点(1,jl),如果图片边缘交点中的jl比图片高度N2小70以上,认为车道线拟合不准确,放弃,否则,开始判断左车道线类型,建立一个列向量L,共N2个元素,对于列向量L中的元素Lk的值,1≤k≤N2,如果图像S4中第k行里有坐标点为(il,jl)的像素满足方程|ρlm-il×cos(θlm)+jl×sin(θlm)|<5,且该点像素为白色,Lk取1,否则Lk取0,得到列向量L后,记L中1的个数为L1,如果左车道线为虚线,否则为实线,
对于右车道线,根据上一步得到的车道线方程:ρrm=ir×cos(θrm)+jr×sin(θrm),令ir=M2,求出右车道线和图片边缘交点(M2,jr),如果图片边缘交点中的jr比图片高度N2小70以上,认为车道线拟合不准确,放弃,否则,开始判断右车道线类型,建立一个列向量R,共N2个元素,对于元素Rk的值,如果图像S4中第k行里有坐标点为(ir,jr)的像素满足方程|ρrm-ir×cos(θrm)+jr×sin(θrm)|<5,且该点像素为白色,Rk取1,否则Rk取0,得到列向量R后,记R中1的个数为R1,如果右车道线为虚线,否则为实线,
步骤7、车道线处理结果归类
将不能满足步骤5所述拟合直线要求的图像标记为0;将步骤6中车道线拟合不准确的图像记为0;步骤6中左车道线为实线且右车道线为虚线的图像记为1,对应左车道,左右车道线都是虚线的图像记为2,对应中间车道,左车道线为虚线且右车道线为实线的图像记为3,对应右车道,
步骤8、判断当前车辆变道情况
将摄像机读入的每一帧图像经过步骤1至步骤7的处理出来的结果标记为0、1、2、3中的一个数字,并按照处理结果的先后顺序,将代表处理结果的标记数字0、1、2或3组合成一个序列,且将新的图像处理结果不断地排在序列的尾部,由此形成一个实时更新的序列,并从这个实时更新的序列中可以判断车辆变道情况,具体判断方法如下:
步骤8.1对实时更新的序列的最后十个元素进行观察,如果发现最后十个元素的数值同时为1、同时为2或同时为3,则记这最后十个元素对应的同一个数值为a,否则,进入步骤8.2,
步骤8.2从序列倒数第十一个元素开始向前搜索,如果再次发现连续十个元素的数值同时为1、同时为2或同时为3,则记这十个元素对应的同一个数值为b,否则,返回步骤8.1,
步骤8.3如果数值a与数值b不相等,则变换车道成功,否则,返回步骤8.1,继续观察实时更新的序列的最后十个元素。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 201110148361 CN102208019B (zh) | 2011-06-03 | 2011-06-03 | 基于车载摄像机的车辆变道检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 201110148361 CN102208019B (zh) | 2011-06-03 | 2011-06-03 | 基于车载摄像机的车辆变道检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102208019A true CN102208019A (zh) | 2011-10-05 |
CN102208019B CN102208019B (zh) | 2013-01-09 |
Family
ID=44696841
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN 201110148361 Expired - Fee Related CN102208019B (zh) | 2011-06-03 | 2011-06-03 | 基于车载摄像机的车辆变道检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102208019B (zh) |
Cited By (38)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103389733A (zh) * | 2013-08-02 | 2013-11-13 | 重庆市科学技术研究院 | 一种基于机器视觉的车辆巡线方法及系统 |
CN103465857A (zh) * | 2013-09-17 | 2013-12-25 | 上海羽视澄蓝信息科技有限公司 | 一种基于手机的汽车主动安全的预警方法 |
CN103927523A (zh) * | 2014-04-24 | 2014-07-16 | 东南大学 | 一种基于纵向灰度特征的雾天等级检测方法 |
CN103942960A (zh) * | 2014-04-22 | 2014-07-23 | 深圳市宏电技术股份有限公司 | 一种车辆变道检测方法及装置 |
CN103996305A (zh) * | 2014-04-22 | 2014-08-20 | 国通道路交通管理工程技术研究中心有限公司 | 一种纠正重点运输车辆压线违法行为的方法及系统 |
CN104063877A (zh) * | 2014-07-16 | 2014-09-24 | 中电海康集团有限公司 | 一种候选车道线混合判断识别方法 |
CN104567890A (zh) * | 2014-11-24 | 2015-04-29 | 朱今兰 | 一种智能车辆导航辅助系统 |
WO2015078075A1 (zh) * | 2013-11-27 | 2015-06-04 | 智慧城市系统服务(中国)有限公司 | 一种车道线检测方法及装置 |
CN104760593A (zh) * | 2014-01-03 | 2015-07-08 | 现代摩比斯株式会社 | 车道变更辅助装置及其工作方法 |
WO2015135273A1 (zh) * | 2014-03-14 | 2015-09-17 | 深圳市锐明视讯技术有限公司 | 一种检测车辆频繁变道行驶的方法及系统 |
CN105335704A (zh) * | 2015-10-16 | 2016-02-17 | 河南工业大学 | 一种基于双线性插值的车道线识别方法与装置 |
CN105718870A (zh) * | 2016-01-15 | 2016-06-29 | 武汉光庭科技有限公司 | 自动驾驶中基于前向摄像头的道路标线提取方法 |
CN105740809A (zh) * | 2016-01-28 | 2016-07-06 | 东南大学 | 一种基于机载摄像机的高速公路车道线检测方法 |
CN105913426A (zh) * | 2016-04-11 | 2016-08-31 | 中国科学院南京地理与湖泊研究所 | 一种基于zy-3影像的浅水湖泊围网区提取方法 |
CN105912998A (zh) * | 2016-04-05 | 2016-08-31 | 辽宁工业大学 | 一种基于视觉的车辆防碰撞预警方法 |
CN106778661A (zh) * | 2016-12-28 | 2017-05-31 | 深圳市美好幸福生活安全系统有限公司 | 一种基于形态学变换和自适应阈值的快速车道线检测方法 |
CN106845493A (zh) * | 2016-12-06 | 2017-06-13 | 西南交通大学 | 铁路轨道近景影像钢轨边缘的识别与匹配方法 |
CN106891888A (zh) * | 2015-12-17 | 2017-06-27 | 福特全球技术公司 | 车辆转向信号检测 |
CN107194342A (zh) * | 2017-05-16 | 2017-09-22 | 西北工业大学 | 基于逆透视变换的车道线检测方法 |
CN107292214A (zh) * | 2016-03-31 | 2017-10-24 | 比亚迪股份有限公司 | 车道偏离检测方法、装置及车辆 |
CN108068817A (zh) * | 2017-12-06 | 2018-05-25 | 张家港天筑基业仪器设备有限公司 | 一种无人驾驶汽车自动变道装置及方法 |
CN108509906A (zh) * | 2018-03-30 | 2018-09-07 | 长安大学 | 无人机航拍路基线光点捕捉双阈值Radon识别方法 |
CN109017570A (zh) * | 2018-06-12 | 2018-12-18 | 智车优行科技(北京)有限公司 | 车辆周围场景呈现方法和装置、车辆 |
CN109344704A (zh) * | 2018-08-24 | 2019-02-15 | 南京邮电大学 | 一种基于行车方向与车道线夹角的车辆变道行为检测方法 |
CN109409205A (zh) * | 2018-09-07 | 2019-03-01 | 东南大学 | 基于线间距特征点聚类的航拍视频公路车道线检测方法 |
CN109583434A (zh) * | 2019-01-18 | 2019-04-05 | 浙江吉利汽车研究院有限公司 | 一种车辆重叠度获取方法及装置 |
CN109657632A (zh) * | 2018-12-25 | 2019-04-19 | 重庆邮电大学 | 一种车道线检测识别方法 |
CN109741602A (zh) * | 2019-01-11 | 2019-05-10 | 福建工程学院 | 一种轻微交通事故辅助定责的方法及系统 |
CN109740469A (zh) * | 2018-12-24 | 2019-05-10 | 百度在线网络技术(北京)有限公司 | 车道线检测方法、装置、计算机设备和存储介质 |
CN110298300A (zh) * | 2019-06-27 | 2019-10-01 | 上海工程技术大学 | 一种检测车辆违章压线的方法 |
CN110386065A (zh) * | 2018-04-20 | 2019-10-29 | 比亚迪股份有限公司 | 车辆盲区的监控方法、装置、计算机设备及存储介质 |
CN111523464A (zh) * | 2020-04-23 | 2020-08-11 | 上海眼控科技股份有限公司 | 车辆违法变道的检测方法和装置 |
CN111688568A (zh) * | 2020-05-14 | 2020-09-22 | 华南师范大学 | 亮度检测方法、车灯控制方法及其系统及存储介质 |
CN112347971A (zh) * | 2020-11-18 | 2021-02-09 | 合肥湛达智能科技有限公司 | 一种基于嵌入式终端的深度学习实线变道检测方法 |
CN112990087A (zh) * | 2021-04-08 | 2021-06-18 | 济南博观智能科技有限公司 | 一种车道线检测方法、装置、设备及可读存储介质 |
WO2021189210A1 (zh) * | 2020-03-23 | 2021-09-30 | 华为技术有限公司 | 一种车辆换道方法及相关设备 |
CN113792690A (zh) * | 2018-09-30 | 2021-12-14 | 百度在线网络技术(北京)有限公司 | 车道线检测方法和装置 |
CN113971894A (zh) * | 2020-07-24 | 2022-01-25 | 奥迪股份公司 | 车辆的控制方法、装置、电子设备及车辆 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101251927A (zh) * | 2008-04-01 | 2008-08-27 | 东南大学 | 基于视频技术的车辆检测与跟踪方法 |
CN101870293A (zh) * | 2009-04-24 | 2010-10-27 | 南京理工大学 | 基于切道行为检测的车辆驾驶状态评价方法 |
-
2011
- 2011-06-03 CN CN 201110148361 patent/CN102208019B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101251927A (zh) * | 2008-04-01 | 2008-08-27 | 东南大学 | 基于视频技术的车辆检测与跟踪方法 |
CN101870293A (zh) * | 2009-04-24 | 2010-10-27 | 南京理工大学 | 基于切道行为检测的车辆驾驶状态评价方法 |
Cited By (57)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103389733A (zh) * | 2013-08-02 | 2013-11-13 | 重庆市科学技术研究院 | 一种基于机器视觉的车辆巡线方法及系统 |
CN103465857A (zh) * | 2013-09-17 | 2013-12-25 | 上海羽视澄蓝信息科技有限公司 | 一种基于手机的汽车主动安全的预警方法 |
WO2015078075A1 (zh) * | 2013-11-27 | 2015-06-04 | 智慧城市系统服务(中国)有限公司 | 一种车道线检测方法及装置 |
CN104760593B (zh) * | 2014-01-03 | 2017-07-14 | 现代摩比斯株式会社 | 车道变更辅助装置及其工作方法 |
CN104760593A (zh) * | 2014-01-03 | 2015-07-08 | 现代摩比斯株式会社 | 车道变更辅助装置及其工作方法 |
US9715830B2 (en) | 2014-01-03 | 2017-07-25 | Hyundai Mobis Co., Ltd. | Apparatus for assisting in lane change and operating method thereof |
WO2015135273A1 (zh) * | 2014-03-14 | 2015-09-17 | 深圳市锐明视讯技术有限公司 | 一种检测车辆频繁变道行驶的方法及系统 |
US10019895B2 (en) | 2014-03-14 | 2018-07-10 | Streamax Technology Co., Ltd. | Method and system for detecting frequent lane changes of moving vehicles |
CN103996305A (zh) * | 2014-04-22 | 2014-08-20 | 国通道路交通管理工程技术研究中心有限公司 | 一种纠正重点运输车辆压线违法行为的方法及系统 |
CN103942960A (zh) * | 2014-04-22 | 2014-07-23 | 深圳市宏电技术股份有限公司 | 一种车辆变道检测方法及装置 |
CN103942960B (zh) * | 2014-04-22 | 2016-09-21 | 深圳市宏电技术股份有限公司 | 一种车辆变道检测方法及装置 |
CN103996305B (zh) * | 2014-04-22 | 2016-07-06 | 国通道路交通管理工程技术研究中心有限公司 | 一种纠正重点运输车辆压线违法行为的方法及系统 |
CN103927523A (zh) * | 2014-04-24 | 2014-07-16 | 东南大学 | 一种基于纵向灰度特征的雾天等级检测方法 |
CN103927523B (zh) * | 2014-04-24 | 2017-01-18 | 东南大学 | 一种基于纵向灰度特征的雾天等级检测方法 |
CN104063877A (zh) * | 2014-07-16 | 2014-09-24 | 中电海康集团有限公司 | 一种候选车道线混合判断识别方法 |
CN104063877B (zh) * | 2014-07-16 | 2017-05-24 | 中电海康集团有限公司 | 一种候选车道线混合判断识别方法 |
CN104567890A (zh) * | 2014-11-24 | 2015-04-29 | 朱今兰 | 一种智能车辆导航辅助系统 |
CN105335704B (zh) * | 2015-10-16 | 2019-04-30 | 河南工业大学 | 一种基于双线性插值的车道线识别方法与装置 |
CN105335704A (zh) * | 2015-10-16 | 2016-02-17 | 河南工业大学 | 一种基于双线性插值的车道线识别方法与装置 |
CN106891888B (zh) * | 2015-12-17 | 2022-04-29 | 福特全球技术公司 | 车辆转向信号检测 |
CN106891888A (zh) * | 2015-12-17 | 2017-06-27 | 福特全球技术公司 | 车辆转向信号检测 |
CN105718870B (zh) * | 2016-01-15 | 2019-06-14 | 武汉光庭科技有限公司 | 自动驾驶中基于前向摄像头的道路标线提取方法 |
CN105718870A (zh) * | 2016-01-15 | 2016-06-29 | 武汉光庭科技有限公司 | 自动驾驶中基于前向摄像头的道路标线提取方法 |
CN105740809A (zh) * | 2016-01-28 | 2016-07-06 | 东南大学 | 一种基于机载摄像机的高速公路车道线检测方法 |
CN105740809B (zh) * | 2016-01-28 | 2019-03-12 | 东南大学 | 一种基于机载摄像机的高速公路车道线检测方法 |
CN107292214A (zh) * | 2016-03-31 | 2017-10-24 | 比亚迪股份有限公司 | 车道偏离检测方法、装置及车辆 |
CN105912998A (zh) * | 2016-04-05 | 2016-08-31 | 辽宁工业大学 | 一种基于视觉的车辆防碰撞预警方法 |
CN105913426B (zh) * | 2016-04-11 | 2018-07-06 | 中国科学院南京地理与湖泊研究所 | 一种基于zy-3影像的浅水湖泊围网区提取方法 |
CN105913426A (zh) * | 2016-04-11 | 2016-08-31 | 中国科学院南京地理与湖泊研究所 | 一种基于zy-3影像的浅水湖泊围网区提取方法 |
CN106845493A (zh) * | 2016-12-06 | 2017-06-13 | 西南交通大学 | 铁路轨道近景影像钢轨边缘的识别与匹配方法 |
CN106778661A (zh) * | 2016-12-28 | 2017-05-31 | 深圳市美好幸福生活安全系统有限公司 | 一种基于形态学变换和自适应阈值的快速车道线检测方法 |
CN107194342A (zh) * | 2017-05-16 | 2017-09-22 | 西北工业大学 | 基于逆透视变换的车道线检测方法 |
CN108068817A (zh) * | 2017-12-06 | 2018-05-25 | 张家港天筑基业仪器设备有限公司 | 一种无人驾驶汽车自动变道装置及方法 |
CN108509906B (zh) * | 2018-03-30 | 2022-02-08 | 长安大学 | 无人机航拍路基线光点捕捉双阈值Radon识别方法 |
CN108509906A (zh) * | 2018-03-30 | 2018-09-07 | 长安大学 | 无人机航拍路基线光点捕捉双阈值Radon识别方法 |
CN110386065A (zh) * | 2018-04-20 | 2019-10-29 | 比亚迪股份有限公司 | 车辆盲区的监控方法、装置、计算机设备及存储介质 |
CN109017570A (zh) * | 2018-06-12 | 2018-12-18 | 智车优行科技(北京)有限公司 | 车辆周围场景呈现方法和装置、车辆 |
CN109344704A (zh) * | 2018-08-24 | 2019-02-15 | 南京邮电大学 | 一种基于行车方向与车道线夹角的车辆变道行为检测方法 |
CN109344704B (zh) * | 2018-08-24 | 2021-09-14 | 南京邮电大学 | 一种基于行车方向与车道线夹角的车辆变道行为检测方法 |
CN109409205A (zh) * | 2018-09-07 | 2019-03-01 | 东南大学 | 基于线间距特征点聚类的航拍视频公路车道线检测方法 |
CN109409205B (zh) * | 2018-09-07 | 2021-11-26 | 东南大学 | 基于线间距特征点聚类的航拍视频公路车道线检测方法 |
CN113792690A (zh) * | 2018-09-30 | 2021-12-14 | 百度在线网络技术(北京)有限公司 | 车道线检测方法和装置 |
CN109740469A (zh) * | 2018-12-24 | 2019-05-10 | 百度在线网络技术(北京)有限公司 | 车道线检测方法、装置、计算机设备和存储介质 |
CN109657632A (zh) * | 2018-12-25 | 2019-04-19 | 重庆邮电大学 | 一种车道线检测识别方法 |
CN109657632B (zh) * | 2018-12-25 | 2022-05-06 | 重庆邮电大学 | 一种车道线检测识别方法 |
CN109741602A (zh) * | 2019-01-11 | 2019-05-10 | 福建工程学院 | 一种轻微交通事故辅助定责的方法及系统 |
CN109583434B (zh) * | 2019-01-18 | 2021-04-23 | 浙江吉利汽车研究院有限公司 | 一种车辆重叠度获取方法及装置 |
CN109583434A (zh) * | 2019-01-18 | 2019-04-05 | 浙江吉利汽车研究院有限公司 | 一种车辆重叠度获取方法及装置 |
CN110298300A (zh) * | 2019-06-27 | 2019-10-01 | 上海工程技术大学 | 一种检测车辆违章压线的方法 |
WO2021189210A1 (zh) * | 2020-03-23 | 2021-09-30 | 华为技术有限公司 | 一种车辆换道方法及相关设备 |
CN111523464A (zh) * | 2020-04-23 | 2020-08-11 | 上海眼控科技股份有限公司 | 车辆违法变道的检测方法和装置 |
CN111688568A (zh) * | 2020-05-14 | 2020-09-22 | 华南师范大学 | 亮度检测方法、车灯控制方法及其系统及存储介质 |
CN111688568B (zh) * | 2020-05-14 | 2022-03-22 | 华南师范大学 | 亮度检测方法、车灯控制方法及其系统及存储介质 |
CN113971894A (zh) * | 2020-07-24 | 2022-01-25 | 奥迪股份公司 | 车辆的控制方法、装置、电子设备及车辆 |
CN112347971A (zh) * | 2020-11-18 | 2021-02-09 | 合肥湛达智能科技有限公司 | 一种基于嵌入式终端的深度学习实线变道检测方法 |
CN112990087A (zh) * | 2021-04-08 | 2021-06-18 | 济南博观智能科技有限公司 | 一种车道线检测方法、装置、设备及可读存储介质 |
CN112990087B (zh) * | 2021-04-08 | 2022-08-19 | 济南博观智能科技有限公司 | 一种车道线检测方法、装置、设备及可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN102208019B (zh) | 2013-01-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102208019B (zh) | 基于车载摄像机的车辆变道检测方法 | |
US11604076B2 (en) | Vision augmented navigation | |
Son et al. | Real-time illumination invariant lane detection for lane departure warning system | |
CN109034047B (zh) | 一种车道线检测方法及装置 | |
CN106919915B (zh) | 基于adas系统的地图道路标记及道路质量采集装置及方法 | |
Levinson et al. | Traffic light mapping, localization, and state detection for autonomous vehicles | |
US8712096B2 (en) | Method and apparatus for detecting and tracking vehicles | |
CN104036246B (zh) | 一种基于多特征融合及多态均值的车道线定位方法 | |
Chong et al. | Integrated real-time vision-based preceding vehicle detection in urban roads | |
CN105574552A (zh) | 一种基于单目视觉的车辆测距与碰撞预警方法 | |
US9805277B2 (en) | Apparatus and method for detecting bar-type traffic sign in traffic sign recognition system | |
Pepperell et al. | Towards persistent visual navigation using smart | |
CN109635737A (zh) | 基于道路标记线视觉识别辅助车辆导航定位方法 | |
Behrendt et al. | Deep learning lane marker segmentation from automatically generated labels | |
CN103310006A (zh) | 一种车辆辅助驾驶系统中的感兴趣区域提取方法 | |
Batista et al. | Lane detection and estimation using perspective image | |
Kühnl et al. | Visual ego-vehicle lane assignment using spatial ray features | |
Hautière et al. | Experimental validation of dedicated methods to in-vehicle estimation of atmospheric visibility distance | |
Sanberg et al. | Color-based free-space segmentation using online disparity-supervised learning | |
CN106778504A (zh) | 一种行人检测方法 | |
CN104915967A (zh) | 一种隧道内车辆运动路径的预测方法 | |
CN113989774A (zh) | 一种交通灯检测方法、装置、车辆和可读存储介质 | |
CN112837365B (zh) | 一种基于图像的车辆定位方法及装置 | |
Min et al. | Traffic sign extract and recognition on unmanned vehicle using image processing based on support vector machine | |
Rasyidy et al. | A Framework for Road Boundary Detection based on Camera-LIDAR Fusion in World Coordinate System and Its Performance Evaluation Using Carla Simulator |
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: 20130109 Termination date: 20150603 |
|
EXPY | Termination of patent right or utility model |