CN102915441A - 基于Haar纹理的非结构化道路检测方法 - Google Patents

基于Haar纹理的非结构化道路检测方法 Download PDF

Info

Publication number
CN102915441A
CN102915441A CN2012103158588A CN201210315858A CN102915441A CN 102915441 A CN102915441 A CN 102915441A CN 2012103158588 A CN2012103158588 A CN 2012103158588A CN 201210315858 A CN201210315858 A CN 201210315858A CN 102915441 A CN102915441 A CN 102915441A
Authority
CN
China
Prior art keywords
end point
pixel
haar
formula
road
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.)
Pending
Application number
CN2012103158588A
Other languages
English (en)
Inventor
王永忠
文成林
骆光州
王晓云
汪圆圆
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hangzhou Dianzi University
Original Assignee
Hangzhou Dianzi University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hangzhou Dianzi University filed Critical Hangzhou Dianzi University
Priority to CN2012103158588A priority Critical patent/CN102915441A/zh
Publication of CN102915441A publication Critical patent/CN102915441A/zh
Pending legal-status Critical Current

Links

Images

Landscapes

  • Image Analysis (AREA)

Abstract

本发明涉及一种快速的基于Haar纹理的非结构化道路检测方法。现有的方法存在计算复杂度高和实时性差等问题。本发明提出了一种新的Haar纹理特征提取方法，引入积分图的思想来实现Haar纹理提取的快速性，通过正交校正实现Haar特征表示准确性，并提出了新的投票机制，同时，在消失点的约束下，利用OCR特征和相邻区域的色彩差别实现了非结构化道路的分割，本发明可以对没有车道线或者标记、道路边界不清晰、道路形状多变等非结构化道路有效实现道路消失点的检测，并且对非结构化道路的检测有较好的作用。

Description

基于Haar纹理的非结构化道路检测方法
技术领域
本发明属于车道检测领域，特别涉及一种基于Haar纹理的非结构化道路检测方法。
背景技术
常见的非结构化道路如乡间道路和野外环境等。非结构化道路一般具有如下特征：没有车道线或者标记，道路边界不清晰，道路形状多变，道路上的阴影、水迹、泥沙等改变了道路的表面特征，其特征使得非结构化道路识别起来比结构化道路复杂的多，也存在更多的困难。近年来，针对非结构化道路的检测，著名的方法是利用Gabor小波提取道路的纹理特征，在此基础上获得消失点坐标，并最终实现非结构化道路的分割。但是此方法在利用Gabor小波的多尺度和多方向特性进行纹理特征提取时，存在计算复杂度高和实时性差等问题，难以满足智能车辆驾驶系统的需求。
发明内容
针对现有技术的不足，本发明提出了一种新的非结构化道路检测方法，该方法首先设计了实部和虚部的Harr矩形模板，利用积分图实现灰度值的计算，从而实现Haar纹理提取的快速性，并通过正交校正实现Haar特征表示的准确性，然后根据获得的Haar纹理特征，在角度和距离的约束下，结合每个像素点纹理方向的权重信息并采用新的投票机制实现了道路消失点的估计，最后利用道路的色彩信息和方向一致性信息实现道路可行驶区域的分割。其具体内容如下：
步骤1.初始化消失点的检测。
步骤1.1.输入道路图像。
步骤1.2.Haar纹理特征提取过程。
(1)对输入的图像，计算其积分图                                               
Figure 2012103158588100002DEST_PATH_IMAGE002
。
(2)构建
Figure 2012103158588100002DEST_PATH_IMAGE004
方向下的Haar纹理矩形模板，并利用积分图计算Haar纹理特征在四个方向下的实部和虚部响应，
Figure 2012103158588100002DEST_PATH_IMAGE008
。
(3)利用实部和虚部响应计算Haar纹理特征的能量响应，并对
Figure 338023DEST_PATH_IMAGE010
进行降序排列获得主要特征响应
Figure 2012103158588100002DEST_PATH_IMAGE012
和
Figure 2012103158588100002DEST_PATH_IMAGE014
。
(4)利用与
Figure 659283DEST_PATH_IMAGE012
和
Figure 475929DEST_PATH_IMAGE014
垂直的两个特征响应对
Figure 275258DEST_PATH_IMAGE012
和
Figure 798643DEST_PATH_IMAGE014
进行修正获得新的基元向量
Figure 2012103158588100002DEST_PATH_IMAGE016
及其对应的角度
Figure 2012103158588100002DEST_PATH_IMAGE018
和如公式(1)所示。
          
Figure 2012103158588100002DEST_PATH_IMAGE024
         (1)
(5)根据公式(2)获得像素点的新的特征响应表示。
Figure 2012103158588100002DEST_PATH_IMAGE026
                        (2)
(6)像素点的纹理方向
Figure 2012103158588100002DEST_PATH_IMAGE028
可利用公式(3)计算得到，每个纹理方向的置信度可通过公式(4)得到。
Figure 2012103158588100002DEST_PATH_IMAGE030
                       (3)
Figure 2012103158588100002DEST_PATH_IMAGE032
               (4)
步骤1.3.消失点的投票机制检测。
本发明定义候选消失点
Figure 2012103158588100002DEST_PATH_IMAGE034
和投票点
Figure 2012103158588100002DEST_PATH_IMAGE036
之间的欧几里德距离为
Figure 2012103158588100002DEST_PATH_IMAGE038
，将该距离利用投票区域的对角线的长度
Figure 2012103158588100002DEST_PATH_IMAGE040
进行标准化为
Figure 2012103158588100002DEST_PATH_IMAGE042
，并在此基础上，构建距离函数
Figure 2012103158588100002DEST_PATH_IMAGE044
，如公式(5)所示，式中
Figure 2012103158588100002DEST_PATH_IMAGE046
的值为0.25。
Figure 2012103158588100002DEST_PATH_IMAGE048
                  (5)
对于图像中的像素点，构建一个累加空间并初始化为零。当获得每个像素点的纹理方向后，可以得到一系列的射线
Figure 2012103158588100002DEST_PATH_IMAGE050
，对于每一条射线，可以对位于其上部的像素点投票，射线
Figure 477755DEST_PATH_IMAGE050
上的像素点的投票值
Figure 2012103158588100002DEST_PATH_IMAGE052
为置信度
Figure 2012103158588100002DEST_PATH_IMAGE054
和距离函数
Figure 2012103158588100002DEST_PATH_IMAGE056
的乘积，如公式(6)所示。最后获得最大投票值的像素点即为消失点估计值，利用该方法进行消失点估计，不仅考虑了消失点和纹理方向之间的角度约束，而且考虑了投票点和候选消失点之间的位置约束，使得最终的消失点检测更加准确。
Figure 2012103158588100002DEST_PATH_IMAGE058
          (6)
步骤2.第一主要边界的检测。
步骤2.1.虚拟射线集的获取。
以初始化消失点坐标
Figure 2012103158588100002DEST_PATH_IMAGE060
为出发点，构建一系列的虚拟射线
Figure 2012103158588100002DEST_PATH_IMAGE062
，每一条射线都是由一系列具有方向的像素点组成的，这些像素点的方向为该点的纹理方向。本发明设定有29条均匀分布的虚拟射线，除了那些相对于水平方向角度小于20度和角度大于160度的射线，相邻两条射线之间的夹角为5度。
步骤2.2.OCR特征值和相邻区域色彩差的计算。
OCR特征定义为具有方向一致性的点和线上所有点的比值。
相邻两个区域的色彩差别定义为
Figure 2012103158588100002DEST_PATH_IMAGE066
，
Figure 2012103158588100002DEST_PATH_IMAGE068
区域不同色彩通道的颜色差的最大值，即
Figure 2012103158588100002DEST_PATH_IMAGE070
。
Figure 884160DEST_PATH_IMAGE066
，
Figure 487180DEST_PATH_IMAGE068
是以第i条射线分别向左右拓展20度得到的两个区域。其中
Figure 2012103158588100002DEST_PATH_IMAGE072
的定义如公式(7)所示：
                (7)
式中，mean()和var()表示一个区域中的像素值在单一通道的均值和方差。
步骤2.3.获取最大化评价标准。
当射线满足OCR特征值和相邻区域色彩差约束且这两个约束取得最大值时，该射线就是道路的第一个主要边界
Figure 2012103158588100002DEST_PATH_IMAGE076
，利用公式(8)可以计算出道路的第一条主要边界
Figure 753820DEST_PATH_IMAGE076
，定义其长度为Len1，当Len1大于图像高度的1/3时，检测到的第一条主要边界是有效的，否则无效。
             (8)
步骤3.消失点的更新。
在得到第一条主要边界
Figure 151303DEST_PATH_IMAGE076
后，对初始化消失点进行更新。根据方向一致性主要边界将会聚合，因此对于边界
Figure 942541DEST_PATH_IMAGE076
上的每一个像素点
Figure 2012103158588100002DEST_PATH_IMAGE080
作为可能的消失点，构建一个线段集
Figure 2012103158588100002DEST_PATH_IMAGE082
。线段集中任何一条线段
Figure 2012103158588100002DEST_PATH_IMAGE084
和边界
Figure 647455DEST_PATH_IMAGE076
之间的夹角大于20°，且任何两个相邻线段之间的夹角为5°。计算每一条线段
Figure 145432DEST_PATH_IMAGE084
的OCR特征，并统计OCR特征大于0.02的线段的数目
Figure 2012103158588100002DEST_PATH_IMAGE086
。对于每一个候选消失点
Figure 776133DEST_PATH_IMAGE080
，计算前条线段的OCR特征的和记为
Figure 2012103158588100002DEST_PATH_IMAGE090
，
Figure DEST_PATH_IMAGE092
。最大的
Figure 621379DEST_PATH_IMAGE090
对应的点
Figure 503885DEST_PATH_IMAGE080
就是更新后的消失点
Figure DEST_PATH_IMAGE094
。
步骤4.第二主要边界的检测。
根据更新后的消失点，采用与第一主要边界相同的方法可实现第二主要边界的分割。
本发明有益效果：
1、设计了实部和虚部的Harr矩形模板，利用积分图实现灰度值的计算，实现了Haar纹理提取的快速性，并通过正交校正实现了Haar特征表示的准确性。
2、克服了传统硬投票机制对图像上部投票过高的问题。
3、本发明可有效实现道路消失点的检测，对非结构化道路的检测有较好的作用。
附图说明
图1为本发明方法流程图；
图2为矩形模板在四个方向上的实部和虚部；
图3为利用积分图计算矩形窗口示意图；
图4为消失点硬投票机制；
图5为OCR特征示意图。
具体实施方式
下面结合附图和具体实例对本发明做出进一步说明。
本发明提出一种基于Haar矩形模板设计及利用积分图进行Haar纹理特征提取的非结构化道路检测方法。提出通过构建四个方向的基本矩形模板，采用正交修正的方法获得任意方向的滤波响应，从而实现纹理特征的提取，减少了算法的计算量，提高了实时性。在获得纹理方向的基础上，利用本发明提出的投票机制，实现了道路消失点的估计。最后基于消失点约束，结合OCR特征和相邻区域的色彩差别实现第一主要边界的检测，同时在第一主要边界的基础上对初始化消失点进行了更新，最终实现了道路可行驶区域的分割。结合图1说明本发明具体步骤如下：
步骤1.初始化消失点的检测。
步骤1.1.输入道路图像。
步骤1.2.Haar纹理特征提取过程。
(1)对输入的图像，计算其积分图
Figure 918686DEST_PATH_IMAGE002
。
(2)如图2所示，构建
Figure DEST_PATH_IMAGE096
方向下的Haar纹理矩形模板，利用积分图计算Haar纹理特征在四个方向下的实部和虚部响应
Figure DEST_PATH_IMAGE098
，。
图2中a）矩形模板实部(
Figure 549649DEST_PATH_IMAGE096
)，图2中b）矩形模板虚部(
Figure 987584DEST_PATH_IMAGE096
)
其主要思想是将图像从起点开始到各个点所形成的矩形区域像素之和作为一个数组的元素保存在内存中，当要计算某个区域的像素和时可以直接索引数组的元素，不用重新计算这个区域的像素和，从而加快了计算速度。如图3所示，
Figure DEST_PATH_IMAGE102
中以为左上顶点的子块
Figure DEST_PATH_IMAGE106
的灰度值的积分表示公式如下：
Figure DEST_PATH_IMAGE108
(3)利用实部和虚部响应计算Haar纹理特征的“复响应”
Figure 93687DEST_PATH_IMAGE010
，并对进行降序排列获得主要特征响应
Figure 476444DEST_PATH_IMAGE012
和
Figure 401674DEST_PATH_IMAGE014
。
根据第(2)步提出的实部和虚部的矩形模板，利用积分图可计算出图像在四个方向上的能量响应
Figure DEST_PATH_IMAGE112
，是通过计算实部和虚部的幅度实现的，用公式表示如下：
Figure DEST_PATH_IMAGE114
根据所设计的四个方向
Figure DEST_PATH_IMAGE116
的矩形模板，分别计算出其能量响应
Figure DEST_PATH_IMAGE118
，通过降序排列得到
Figure DEST_PATH_IMAGE120
，获得两个主要特征响应
Figure 376715DEST_PATH_IMAGE012
和
Figure 766108DEST_PATH_IMAGE014
。
(4)利用与
Figure 50459DEST_PATH_IMAGE012
和垂直的两个特征响应
Figure DEST_PATH_IMAGE122
，
Figure DEST_PATH_IMAGE124
对
Figure 928469DEST_PATH_IMAGE012
和
Figure 110052DEST_PATH_IMAGE014
进行修正获得新的基元向量
Figure 627621DEST_PATH_IMAGE016
及其对应的角度和
Figure 155871DEST_PATH_IMAGE020
如公式(1)所示。
Figure 755742DEST_PATH_IMAGE022
          
Figure 381895DEST_PATH_IMAGE024
    (1)
(5)根据公式(2)获得像素点的新的特征响应表示。
Figure 831331DEST_PATH_IMAGE026
                     (2)
(6)像素点的纹理方向
Figure DEST_PATH_IMAGE126
可利用公式(3)计算得到，每个纹理方向的置信度可通过公式(4)得到。
Figure 997870DEST_PATH_IMAGE030
                   (3)
Figure 154045DEST_PATH_IMAGE032
           (4)
步骤1.3.消失点的投票机制检测。
本发明消失点的投票机制如图4所示，定义候选消失点
Figure 13417DEST_PATH_IMAGE060
和投票点
Figure DEST_PATH_IMAGE128
之间的欧几里德距离为
Figure DEST_PATH_IMAGE130
，将该距离利用投票区域的对角线的长度
Figure DEST_PATH_IMAGE132
进行标准化为
Figure DEST_PATH_IMAGE134
，并在此基础上，构建距离函数，如公式(5)所示，式中
Figure DEST_PATH_IMAGE136
的值为0.25。
                 (5)
对于图像中的像素点，构建一个累加空间并初始化为零。当获得每个像素点的纹理方向后，可以得到一系列的射线，对于每一条射线，可以对位于其上部的像素点投票，射线
Figure 148284DEST_PATH_IMAGE050
上的像素点的投票值为置信度
Figure 244416DEST_PATH_IMAGE054
和距离函数的乘积，如公式(6)所示。最后获得最大投票值的像素点即为消失点估计值，利用该方法进行消失点估计，不仅考虑了消失点和纹理方向之间的角度约束，而且考虑了投票点和候选消失点之间的位置约束，使得最终的消失点检测更加准确。
Figure 883524DEST_PATH_IMAGE058
      (6)
步骤2.第一主要边界的检测。
步骤2.1.虚拟射线集的获取。
以初始化消失点坐标
Figure 84699DEST_PATH_IMAGE060
为出发点，构建一系列的虚拟射线，每一条射线都是由一系列具有方向的像素点组成的，这些像素点的方向为该点的纹理方向。本发明设定有29条均匀分布的虚拟射线，除了那些相对于水平方向角度小于20度和角度大于160度的射线，相邻两条射线之间的夹角为5度。
步骤2.2.OCR特征值和相邻区域色彩差的计算。
如图5所示，OCR特征定义为具有方向一致性的点和线上所有点的比值。
相邻两个区域的色彩差别
Figure 484554DEST_PATH_IMAGE064
定义为
Figure 469827DEST_PATH_IMAGE066
，区域不同色彩通道的颜色差的最大值，即
Figure 912627DEST_PATH_IMAGE070
。
Figure 28351DEST_PATH_IMAGE066
，
Figure 930448DEST_PATH_IMAGE068
是以第i条射线分别向左右拓展20度得到的两个区域。其中的定义如公式(7)所示：
Figure 267330DEST_PATH_IMAGE074
                (7)
式中，mean()和var()表示一个区域中的像素值在单一通道的均值和方差。
步骤2.3.获取最大化评价标准
当射线满足OCR特征值和相邻区域色彩差约束且这两个约束取得最大值时，该射线就是道路的第一个主要边界
Figure 124428DEST_PATH_IMAGE076
，利用公式(8)可以计算出道路的第一条主要边界
Figure 881031DEST_PATH_IMAGE076
，定义其长度为Len1，当Len1大于图像高度的1/3时，检测到的第一条主要边界是有效的，否则无效。
Figure 532592DEST_PATH_IMAGE078
             (8)
步骤3.消失点的更新
在得到第一条主要边界
Figure 640226DEST_PATH_IMAGE076
后，我们对初始化消失点进行更新。根据方向一致性主要边界将会聚合，因此对于边界
Figure 35435DEST_PATH_IMAGE076
上的每一个像素点
Figure 646545DEST_PATH_IMAGE080
作为可能的消失点，构建一个线段集。线段集中任何一条线段
Figure 562472DEST_PATH_IMAGE084
和边界
Figure 558110DEST_PATH_IMAGE076
之间的夹角大于20°，且任何两个相邻线段之间的夹角为5°。计算每一条线段的OCR特征，并统计OCR特征大于0.02的线段的数目
Figure DEST_PATH_IMAGE138
。对于每一个候选消失点
Figure 548248DEST_PATH_IMAGE080
，计算前
Figure 99315DEST_PATH_IMAGE088
条线段的OCR特征的和记为，
Figure 189074DEST_PATH_IMAGE092
。最大的
Figure 353339DEST_PATH_IMAGE090
对应的点
Figure 657281DEST_PATH_IMAGE080
就是更新后的消失点。
步骤4.第二主要边界的检测
根据更新后的消失点，采用与第一主要边界相同的方法可实现第二主要边界的分割。

Claims (1)

1. 基于Haar纹理的非结构化道路检测方法，其特征在于该方法包括以下步骤：
步骤1.初始化消失点的检测，具体是：
步骤1.1.输入道路图像；
步骤1.2.Haar纹理特征提取过程：
(1)对输入的图像，计算其积分图                                               
Figure 2012103158588100001DEST_PATH_IMAGE002
；
(2)构建方向下的Haar纹理矩形模板，并利用积分图计算Haar纹理特征在四个方向下的实部响应和虚部响应
Figure DEST_PATH_IMAGE008
；
(3)利用实部响应和虚部响应计算Haar纹理特征的能量响应
Figure DEST_PATH_IMAGE010
，并对
Figure 58862DEST_PATH_IMAGE010
进行降序排列获得主要特征响应
Figure DEST_PATH_IMAGE012
和
Figure DEST_PATH_IMAGE014
；
(4)利用与
Figure 350953DEST_PATH_IMAGE012
和
Figure 814295DEST_PATH_IMAGE014
垂直的两个特征响应对
Figure 784787DEST_PATH_IMAGE012
和
Figure 282765DEST_PATH_IMAGE014
进行修正获得新的基元向量
Figure DEST_PATH_IMAGE016
及其对应的角度
Figure DEST_PATH_IMAGE018
和，如公式(1)所示；
Figure DEST_PATH_IMAGE022
      
Figure DEST_PATH_IMAGE024
      (1)
(5)根据公式(2)获得像素点的新的特征响应表示；
   
Figure DEST_PATH_IMAGE026
                          (2)
(6)像素点的纹理方向
Figure DEST_PATH_IMAGE028
可利用公式(3)计算得到，每个纹理方向的置信度可通过公式(4)得到；
    
Figure DEST_PATH_IMAGE030
                         (3)
   
Figure DEST_PATH_IMAGE032
                  (4)
步骤1.3.消失点的投票机制检测；
定义候选消失点
Figure DEST_PATH_IMAGE034
和投票点之间的欧几里德距离为
Figure DEST_PATH_IMAGE038
，将该距离利用投票区域的对角线的长度
Figure DEST_PATH_IMAGE040
进行标准化为
Figure DEST_PATH_IMAGE042
，并在此基础上，构建距离函数
Figure DEST_PATH_IMAGE044
，如公式(5)所示，式中
Figure DEST_PATH_IMAGE046
的值为0.25；
    
Figure DEST_PATH_IMAGE048
                   (5)
对于图像中的像素点，构建一个累加空间并初始化为零；当获得每个像素点的纹理方向后，可以得到一系列的射线
Figure DEST_PATH_IMAGE050
，对于每一条射线，可以对位于其上部的像素点投票，射线
Figure 803481DEST_PATH_IMAGE050
上的像素点的投票值
Figure DEST_PATH_IMAGE052
为置信度
Figure DEST_PATH_IMAGE054
和距离函数
Figure 144332DEST_PATH_IMAGE044
的乘积，如公式(6)所示；最后获得最大投票值的像素点即为消失点估计值；
 
Figure DEST_PATH_IMAGE056
          (6)
步骤2.第一主要边界的检测，具体是：
步骤2.1.虚拟射线集的获取；
以初始化消失点坐标
Figure 89155DEST_PATH_IMAGE034
为出发点，构建一系列的虚拟射线
Figure DEST_PATH_IMAGE058
，每一条射线都是由一系列具有方向的像素点组成的，这些像素点的方向为该点的纹理方向；设定有29条均匀分布的虚拟射线，除了那些相对于水平方向角度小于20度和角度大于160度的射线，相邻两条射线之间的夹角为5度；
步骤2.2.OCR特征值和相邻区域色彩差的计算；
OCR特征定义为具有方向一致性的点和线上所有点的比值；
相邻两个区域的色彩差别
Figure DEST_PATH_IMAGE060
定义为，
Figure DEST_PATH_IMAGE064
区域不同色彩通道的颜色差的最大值，即
Figure DEST_PATH_IMAGE066
；
Figure 189441DEST_PATH_IMAGE062
，
Figure 430192DEST_PATH_IMAGE064
是以第i条射线分别向左右拓展20度得到的两个区域；其中
Figure DEST_PATH_IMAGE068
的定义如公式(7)所示：
Figure DEST_PATH_IMAGE070
                (7)
式中，mean()和var()表示一个区域中的像素值在单一通道的均值和方差；
步骤2.3.获取最大化评价标准；
当射线满足OCR特征值和相邻区域色彩差约束且这两个约束取得最大值时，该射线就是道路的第一个主要边界
Figure DEST_PATH_IMAGE072
，利用公式(8)可以计算出道路的第一条主要边界，定义其长度为Len1，当Len1大于图像高度的1/3时，检测到的第一条主要边界是有效的，否则无效；
Figure DEST_PATH_IMAGE074
             (8)
步骤3.消失点的更新，具体是：
在得到第一条主要边界
Figure 307985DEST_PATH_IMAGE072
后，对初始化消失点进行更新；根据方向一致性主要边界将会聚合，因此对于边界
Figure 577292DEST_PATH_IMAGE072
上的每一个像素点作为可能的消失点，构建一个线段集
Figure DEST_PATH_IMAGE078
；线段集中任何一条线段
Figure DEST_PATH_IMAGE080
和边界
Figure 815376DEST_PATH_IMAGE072
之间的夹角大于20°，且任何两个相邻线段之间的夹角为5°；计算每一条线段
Figure 304388DEST_PATH_IMAGE080
的OCR特征，并统计OCR特征大于0.02的线段的数目；对于每一个候选消失点
Figure 591013DEST_PATH_IMAGE076
，计算前
Figure DEST_PATH_IMAGE084
条线段的OCR特征的和记为，
Figure DEST_PATH_IMAGE088
；最大的对应的点就是更新后的消失点
Figure DEST_PATH_IMAGE090
；
步骤4.第二主要边界的检测，具体是：
根据更新后的消失点，采用与第一主要边界相同的方法可实现第二主要边界的分割。
CN2012103158588A 2012-08-30 2012-08-30 基于Haar纹理的非结构化道路检测方法 Pending CN102915441A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN2012103158588A CN102915441A (zh) 2012-08-30 2012-08-30 基于Haar纹理的非结构化道路检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN2012103158588A CN102915441A (zh) 2012-08-30 2012-08-30 基于Haar纹理的非结构化道路检测方法

Publications (1)

Publication Number Publication Date
CN102915441A true CN102915441A (zh) 2013-02-06

Family

ID=47613802

Family Applications (1)

Application Number Title Priority Date Filing Date
CN2012103158588A Pending CN102915441A (zh) 2012-08-30 2012-08-30 基于Haar纹理的非结构化道路检测方法

Country Status (1)

Country Link
CN (1) CN102915441A (zh)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104700071A (zh) * 2015-01-16 2015-06-10 北京工业大学 一种全景图道路轮廓的提取方法
CN107977664A (zh) * 2017-12-08 2018-05-01 重庆大学 一种基于单幅图像的道路消失点检测方法
CN108109156A (zh) * 2017-12-25 2018-06-01 西安电子科技大学 基于比值特征的sar图像道路检测方法
CN108416292A (zh) * 2018-03-08 2018-08-17 西安因诺航空科技有限公司 一种基于深度学习的无人机航拍图像道路提取方法
CN108470341A (zh) * 2017-02-23 2018-08-31 南宁市富久信息技术有限公司 一种道路边缘检测方法
CN109470254A (zh) * 2018-10-31 2019-03-15 百度在线网络技术（北京）有限公司 地图车道线的生成方法、装置、系统及存储介质
CN109636842A (zh) * 2018-10-31 2019-04-16 百度在线网络技术（北京）有限公司 车道线修正方法、装置、设备及存储介质
CN109919144A (zh) * 2019-05-15 2019-06-21 长沙智能驾驶研究院有限公司 可行驶区域检测方法、装置、计算机存储介质及路测视觉设备
CN110532892A (zh) * 2019-08-05 2019-12-03 西安交通大学 一种非结构化道路单幅图像道路消失点检测方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102609938A (zh) * 2012-01-16 2012-07-25 浙江大学 一种从单幅图像检测道路消失点的方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102609938A (zh) * 2012-01-16 2012-07-25 浙江大学 一种从单幅图像检测道路消失点的方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
王晓云: "复杂环境下的道路检测算法研究", 《万方数据库》, 31 July 2012 (2012-07-31), pages 1 - 66 *

Cited By (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104700071B (zh) * 2015-01-16 2018-04-27 北京工业大学 一种全景图道路轮廓的提取方法
CN104700071A (zh) * 2015-01-16 2015-06-10 北京工业大学 一种全景图道路轮廓的提取方法
CN108470341A (zh) * 2017-02-23 2018-08-31 南宁市富久信息技术有限公司 一种道路边缘检测方法
CN107977664A (zh) * 2017-12-08 2018-05-01 重庆大学 一种基于单幅图像的道路消失点检测方法
CN107977664B (zh) * 2017-12-08 2019-12-31 重庆大学 一种基于单幅图像的道路消失点检测方法
CN108109156B (zh) * 2017-12-25 2019-10-11 西安电子科技大学 基于比值特征的sar图像道路检测方法
CN108109156A (zh) * 2017-12-25 2018-06-01 西安电子科技大学 基于比值特征的sar图像道路检测方法
CN108416292A (zh) * 2018-03-08 2018-08-17 西安因诺航空科技有限公司 一种基于深度学习的无人机航拍图像道路提取方法
CN108416292B (zh) * 2018-03-08 2020-07-31 西安因诺航空科技有限公司 一种基于深度学习的无人机航拍图像道路提取方法
CN109470254A (zh) * 2018-10-31 2019-03-15 百度在线网络技术（北京）有限公司 地图车道线的生成方法、装置、系统及存储介质
CN109636842A (zh) * 2018-10-31 2019-04-16 百度在线网络技术（北京）有限公司 车道线修正方法、装置、设备及存储介质
CN109919144B (zh) * 2019-05-15 2019-08-16 长沙智能驾驶研究院有限公司 可行驶区域检测方法、装置、计算机存储介质及路测视觉设备
CN109919144A (zh) * 2019-05-15 2019-06-21 长沙智能驾驶研究院有限公司 可行驶区域检测方法、装置、计算机存储介质及路测视觉设备
CN110532892A (zh) * 2019-08-05 2019-12-03 西安交通大学 一种非结构化道路单幅图像道路消失点检测方法
CN110532892B (zh) * 2019-08-05 2021-12-28 西安交通大学 一种非结构化道路单幅图像道路消失点检测方法

Similar Documents

Publication Publication Date Title
CN102915441A (zh) 基于Haar纹理的非结构化道路检测方法
CN107767383B (zh) 一种基于超像素的道路图像分割方法
CN103049758B (zh) 融合步态光流图和头肩均值形状的远距离身份验证方法
CN102750708B (zh) 基于快速鲁棒特征匹配的仿射运动目标跟踪算法
CN103218605B (zh) 一种基于积分投影与边缘检测的快速人眼定位方法
CN105139015B (zh) 一种遥感图像水体提取方法
CN103886619A (zh) 一种融合多尺度超像素的目标跟踪方法
CN104574375A (zh) 结合彩色和深度信息的图像显著性检测方法
CN104217427A (zh) 一种交通监控视频中车道线定位方法
CN101750051A (zh) 一种视觉导航的多作物行检测方法
CN104537342B (zh) 一种结合山脊边界检测及霍夫变换的快速车道线检测方法
CN105279769B (zh) 一种联合多特征的层次粒子滤波跟踪方法
CN103902985B (zh) 一种基于roi的强鲁棒性实时车道侦测算法
CN103473551A (zh) 基于sift算子的台标识别方法及系统
CN102117487A (zh) 一种针对视频运动目标的尺度方向自适应Mean-shift跟踪方法
CN101551863A (zh) 基于非下采样轮廓波变换的遥感图像道路提取方法
CN103473763B (zh) 基于启发式概率Hough变换的道路边缘检测方法
CN104134209A (zh) 一种视觉导航中的特征提取与匹配方法及系统
CN102521597B (zh) 一种基于分级策略的影像直线特征匹配方法
CN105678733A (zh) 一种基于直线段上下文的红外与可见光异源图像匹配方法
CN101887525A (zh) 基于分级的正反互逆的三维稠密点集快速配准方法
CN109685827B (zh) 一种基于dsp的目标检测与跟踪方法
CN104700071A (zh) 一种全景图道路轮廓的提取方法
CN103295232A (zh) 基于直线和区域的sar图像配准方法
CN103714547A (zh) 一种结合边缘区域和互相关的图像配准方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C02 Deemed withdrawal of patent application after publication (patent law 2001)
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20130206