CN103117005B - 车道偏移警示方法及系统 - Google Patents

车道偏移警示方法及系统 Download PDF

Info

Publication number
CN103117005B
CN103117005B CN201210023179.3A CN201210023179A CN103117005B CN 103117005 B CN103117005 B CN 103117005B CN 201210023179 A CN201210023179 A CN 201210023179A CN 103117005 B CN103117005 B CN 103117005B
Authority
CN
China
Prior art keywords
lane
lane line
markings
region
candidate region
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.)
Active
Application number
CN201210023179.3A
Other languages
English (en)
Other versions
CN103117005A (zh
Inventor
吴易达
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.)
Industrial Technology Research Institute ITRI
Original Assignee
Industrial Technology Research Institute ITRI
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 Industrial Technology Research Institute ITRI filed Critical Industrial Technology Research Institute ITRI
Publication of CN103117005A publication Critical patent/CN103117005A/zh
Application granted granted Critical
Publication of CN103117005B publication Critical patent/CN103117005B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
    • G06V20/588—Recognition of the road, e.g. of lane markings; Recognition of the vehicle driving pattern in relation to the road
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/16—Anti-collision systems
    • G08G1/167—Driving aids for lane monitoring, lane changing, e.g. blind spot detection

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Image Analysis (AREA)
  • Traffic Control Systems (AREA)
  • Image Processing (AREA)

Abstract

一种车道偏移警示方法及系统。此方法是将原始图像分割为多个区域图像，接着分析各个区域图像的特性，据以删除所述区域图像中的非车道线区域，获得多个车道线候选区域。然后，根据各个车道线候选区域在原始图像中的位置，由车道线候选区域中判定出多条车道线。最后，将所述车道线区分为左车道线及右车道线，并分析各个左车道线及右车道线与水平线的夹角的变化，据以判断车辆是否偏移车道，而发出车道偏移警示。

Description

车道偏移警示方法及系统
技术领域
本发明涉及一种车道偏移警示方法及系统。
背景技术
车道偏移警示系统的研发主要包含“车道线检测”以及“车道偏移检测”两个项目。虽然这个研究已经有十几年的历史，同时也有许多知名学者投入此领域的研究，但是其研究成果还有许多需要改进之处。
现阶段的车道线检测算法包含边缘检测(EdgeDetection)以及直线检测(LineDetection)两部分，其应用为检测人工的车道标记(LaneMarker)为主。其中，边缘检测是用来检测车道标记的常用技巧之一。
图1(a1)至图1(b2)绘示已知的边缘检测的范例。其中，图1(a1)及(a2)为原始图像；图1(b1)及(b2)分别为对图1(a1)及(a2)的原始图像进行边缘检测所得的结果。其中，像素的亮度表示边缘的强度(颜色越黑，表示边缘强度越强)，因此，在实际的应用上，还需要设定阈值(threshold)将像素分类成边缘像素(edgepixel)及非边缘像素(non-edgepixel)，以利车道检测算法的后续步骤，但是此一阈值的设定是一个非常困难的工作。
传统的边缘检测算法，有许多需要改进的地方：第一、使用边缘检测方法，虽然可以将边缘像素检测出来，但是，所检测出来的边缘，仅仅是车道标记的边缘，所以会造成空心线(即车道标记的中心部分被判断为非边缘像素)的现象，因此，还需要一些额外的步骤，以避免这些现象。第二、在同一张影片中，有些车道标记的亮度梯度变化强烈，因此可以很容易被检测出来，但是对于那些亮度梯度变化不明显的车道标记，此两种常见的边缘检测算法，便无法检测出来。第三、为了能够处理“短车道线”，传统的边缘检测算法需要额外的前处理步骤，以减少“短车道线”在检测上的困扰，例如可使用图像重叠(imageoverlapping)技术，通过迭合多张图像，以增长“短车道线”，如此一来，便可以减少错误检测的问题。
图2(a)至图2(e)绘示已知直线检测方法的说明范例。图2(a)表示在二维空间中的点(x，y)，通过下面的公式(1)进行坐标的转换：
w＝xcos(φ)+ysin(φ)(1)
在坐标转换公式中，由于x、y为已知数，对每个不同的变量φ(由0°到180°)，都可以计算出相对应w值，也就可以得到如图2(b)的累积矩阵。因此，在xy空间中的每一个点，皆可以转换为一条在wφ空间中的曲线，而交点中的曲线数目，可以表示为xy坐标中直线的边缘点个数。图2(c)为一原始图形，图2(d)为对图2(e)实施边缘检测的结果。图2(e)为对图2(d)中的每个边缘点，实施转换后的累积矩阵结果。
由图2(e)中可以很清楚的发现有五个较亮的点(有最多曲线通过的点)，藉此判断该图片中有五条直线。虽然可以知道图像中的直线数目，但是无法进一步得知每条直线所对应的区域为何，在实际的环境中，已知的直线检测方法可以提供直线的信息，但是无法进一步提供该直线是否为“非车道线”。
目前的车道偏移算法需要分析多张连续画面，藉此找到车道线的位移方向，进而判断出车辆是否有偏移的情况。通过分析车道线与左右边界的变化情况，便可以判断出车子的移动方向。现行的车道偏移算法，因为需要分析多张连续画面才能判断出车子的移动分向，因此，其车道偏移的检测结果，必然会经过一定时间的延迟，这也是实时(realtime)需求的一个重要问题。
综上所述，已知的车道线检测算法在车道线检测方面，因为无法预测车道线与道路的颜色差距(梯度)程度，因此算法中预设的参数便无法检测出所有类型的车道线。此外，为了强化车道线的特性，往往需要重叠多张连续的画面，以加长车道线的长度。最后，由于使用的直线检测算法，无法提供直线是否属于车道线或是非车道线，因此传统的车道偏移系统，需要一个手动设定的画面，标示出可能的车道线区域，藉此滤掉非道路线。在车道偏移检测方面，传统的车道偏移系统需要分析连续画面的变化，才能判断车子是否偏移，如此一来，系统便无法实时通知驾驶有关车道偏移的信息。
发明内容
有鉴于此，本发明提出一种车道偏移警示方法及系统，可以检测出各种类型的车道线，并可仅由一张画面便判断出车辆是否偏移。
本发明提出一种车道偏移警示方法，适用于电子装置。此方法是将原始图像分割为多个区域图像，接着分析各个区域图像的特性，据以删除这些区域图像中的至少一个非车道线区域，获得多个车道线候选区域。然后，根据各个车道线候选区域在原始图像中的位置，由车道线候选区域中判定多条车道线。最后，将所述车道线区分为至少一个左车道线及至少一个右车道线，分析各个左车道线及右车道线与水平线的夹角的变化，据以判断电子装置是否偏移车道，并发出车道偏移警示。
本发明提出一种车道偏移警示系统，其包括图像分割模块、车道线区域检测模块、车道线判定模块、车道偏移判断模块及警示模块。其中，图像分割模块用以将原始图像分割为多个区域图像。车道线区域检测模块用以分析各个区域图像的特性，据以从这些区域图像中删除非车道线区域，获得多个车道线候选区域。车道线判定模块根据各个车道线候选区域在原始图像中的位置，由车道线候选区域中判定多条车道线。车道偏移判断模块，将所述车道线区分为左车道线及右车道线，并分析各条左车道线及右车道线与水平线的夹角变化，据以判断是否偏移车道。警示模块在车道偏移判断模块判断偏移车道时，发出车道偏移警示。
基于上述，本发明的利用车道偏移警示方法及系统通过结合快速图像分割的结果，可以检测出各种类型的车道线，同时，本发明不需要分析连续画面的变化，而可仅由一张画面便判断出车辆是否偏移。
为让本发明的上述特征和优点能更明显易懂，下文特举实施例，并配合附图作详细说明如下。
附图说明
图1(a1)至(b2)绘示已知缘检测的范例。
图2(a)至(e)绘示已知直线检测方法的说明范例。
图3是依照本发明一实施例所绘示的车道偏移警示系统的方块图。
图4是依照本发明一实施例所绘示的车道偏移警示方法的流程图。
图5(a)至(d)是依照本发明一实施例所绘示的图像分割的范例。
图6是依照本发明一实施例所绘示的车道线区域检测方法的流程图。
图7是依照本发明一实施例所绘示的车道线区域检测方法的流程图。
图8是依照本发明一实施例所绘示的车道线判定方法的流程图。
图9是依照本发明一实施例所绘示的利用车道线角度判断车道偏移的范例。
图10是依照本发明一实施例所绘示的利用车道线角度判断车道偏移的范例。
【主要元件符号说明】
30：警示系统
31：图像分割模块
32：车道线区域检测模块
322：车道标记检测单元
324：车道标记筛选单元
33：车道线判定模块
34：车道偏移判断模块
35：警示模块
61：图像分割结果
62：原始图像
63：强边缘
64：弱边缘
65：非边缘
A’、B’、C’：群组
L1、L2、L3、L4：右车道线
Lbase：底边
θL、θR、θL1、θL1、θR1、θR2：夹角
S402～S410：本发明一实施例的车道偏移警示方法的步骤
S602～S606：本发明一实施例的车道线区域检测方法的步骤
S702～S706：本发明一实施例的车道线区域检测方法的步骤
S802～S808：本发明一实施例的车道线判定方法的步骤
具体实施方式
本发明针对原始图像进行图像分割，然后结合图像分割后的结果与梯度(gradient)分析以完成车道线区域检测。本发明进一步分析上述各个车道线区域的特性，去除非车道线区域并判定车道线，最后再通过左右车道线的角度变化判断车辆是否偏移车道线并发出警示，达到车道偏移警示的效果。
图3是依照本发明一实施例所绘示的车道偏移警示系统的方块图。图4是依照本发明一实施例所绘示的车道偏移警示方法的流程图。请同时参照图3及图4，本实施例的警示系统30例如是配置在车辆上的行车计算机、导航装置、行车记录器等电子装置，其包括图像分割模块31、车道线区域检测模块32、车道线判定模块33、车道偏移判断模块34及警示模块35。以下即搭配警示系统30中的各项元件说明本发明的车道偏移警示方法的详细步骤：
首先，由图像分割模块51接收外部输入的原始图像，并将原始图像分割为多个区域图像(步骤S402)。其中，上述的原始图像例如是由配置在车辆上的照相机、摄像机或行车记录器等图像撷取装置所撷取的车辆前方的道路图像，其中至少一部分有包括车辆所行驶的路面，藉以提供警示系统30做为判断车辆是否偏离车道线的依据。上述的图像撷取装置例如也可整合到警示系统30中，而达到随拍即用、立即警示的功效。
图像分割模块31所使用的图像分割技术例如是使用分群的方法，先计算原始图像中多个像素的像素值分布的直方图，然后再对此直方图做分群处理，而将直方图的分群结果还原到原始图像，藉以获得分割后的区域图像，而达到图像区域化处理的需求。
举例来说，图5(a)至(d)是依照本发明一实施例所绘示的图像分割的范例。其中，图5(a)为警示系统所接收的原始图像。图5(b)为依据图5(a)的原始图像中多个像素的像素值所产生的3D直方图。图5(c)为对图5(b)实施分群算法后所得的结果，例如分为A’、B’、C’三群。而根据直方图分群后的结果，回推到原始图像，便可以得到完成图像区域化的结果，即如图5(d)所示的多个区域图像。其中，每个颜色代表单一个群集。
回到图3，接着由车道线区域检测模块32分析上述各个区域图像的特性，据以将这些区域图像中的至少一个非车道线区域删除，而获得多个车道线候选区域(步骤S404)。其中，车道线区域检测模块32例如可再区分为车道标记检测单元322及车道标记筛选单元324。
车道标记检测单元322用以检测各个区域图像中的车道标记，并依据各个车道标记的梯度值，将这些车道标记分类为强边缘(strongedge)、弱边缘(softedge)或非边缘(non-edge)。具体来说，由于无法知道原始图像中的车道标记与道路的差异程度，因此无法使用单一的梯度阈值来撷取原始图像中的所有道路标记。为了解决这个问题，本实施例将图像分割结果与梯度分析结合，藉以获得车道线的检测结果。
具体来说，图6是依照本发明一实施例所绘示的车道线区域检测方法的流程图。请参照图6，本实施例在接收到图像分割结果61后，检测其中的道路标记，并将所检测到的道路标记分成两类：一类是属于强边缘的车道标记类别，另一类为弱边缘的车道标记类别(步骤S602)。然后，在分析原始图像中像素间的梯度变化时，便可以针对图像分割结果61及原始图像62中不同的车道标记类别，使用不同的梯度阈值来对区域图像进行梯度分析(步骤S604)，而将车道标记分成强边缘63、弱边缘64或非边缘65三类，最终获得车道线的检测结果(步骤S606)。
另一方面，车道标记筛选单元624用以分析被归类为强边缘或弱边缘的车道标记的至少一项特性，据以将车道标记中的至少一个非车道线区域删除，以获得车道线候选区域。具体来说，为了加速系统的效能，本实施例提供使用车道线候选区域判定的前处理步骤，藉以滤掉一些不可能为车道线的区域。
举例来说，图7是依照本发明一实施例所绘示的车道线区域检测的流程图。请参照图7，本实施例在接收到车道线的检测结果(步骤S702)之后，使用连通区域标记法(connectedcomponentlabeling)标记所有的强边缘及弱边缘(步骤S704)，其中连通的车道标记均可标记为同一个车道标记。然后，通过分析被归类为强边缘或弱边缘的车道标记的特性，据以删除不可能是车道线的区域，而获得车道线候选区域(步骤S706)，其判断例如下列公式(2)所示：
其中，Ri为第i个区域，Wd(Ri)以及Ht(Ri)表示Ri的宽度以及高度，Size(Ri)表示Ri的像素数目，ThWD以及ThSize为预设的阈值。具体来说，本实施例先计算各个车道标记的宽度Wd(Ri)与高度Ht(Ri)中的最大值与最小值的第一比值，接着则计算各个车道标记所包括的像素数目Size(Ri)除以宽度Wd(Ri)及高度Ht(Ri)的第二比值。然后再判断此第一比值是否大于阈值ThWD以及第二比值是否大于阈值ThSize。如果上述判断成立，即可判定该车道标记为车道线候选区域；反之，如果不成立，则判定该车道标记为非车道线区域。
回到图3，接着由车道线判定模块33根据各个车道线候选区域在原始图像中的位置，由车道线候选区域中判定出多条车道线(步骤S406)。具体来说，传统的车道线检测算法先检测出边缘像素之后，再使用霍式转换(HoughTransform)以检测出画面中的直线。但是，因为霍式转换无法检测出直线的实际位置，因此画面上半部的边缘像素将会严重造成车道线判定错误的情况。
有鉴于此，本实施例的车道线判定主要是通过车道线在原始图像中的位置信息来判定车道线，以避免车道线误判的情况。具体来说，图8是依照本发明一实施例所绘示的车道线判定方法的流程图。请参照图8，本实施例在接收到先前判断的车道线候选区域(步骤S802)后，先使用链码(Chain-Code)检测出各个车道线候选区域的轮廓(contour)(步骤S804)，然后分析这些轮廓以找出直线区域(步骤S806)。最后，根据这些直线区域在原始图像中的位置，在这些直线区域中删除至少一个非车道区域，而获得多条车道线(步骤S808)。其中，本实施例例如是删除道路上方的直线区域，藉以排除不可能是车道线的直线区域，而避免车道线判定错误的情况发生。
需说明的是，除了通过车道线的位置之外，本实施例还包括考虑车道线的斜率等其他条件，而综合判断出最后的车道线，在此不设限。
回到图3，在车道线判定模块33完成车道线的检测后，接着则由车道偏移判断模块34将所判定的车道线区分为至少一条左车道线及至少一条右车道线(步骤S408)，并分析各条左车道线及右车道线与水平线的夹角变化，据以判断是警示系统30否偏移车道，并由警示模块35发出车道偏移警示(步骤S410)。
具体来说，车道偏移判断模块34在区分左右车道线时，例如是以原始图像的底边的中点为基准来区分各个车道线区域，其中当车道线区域与上述底边的交点在中点左边时，即判定车道线区域为左车道线；反之，当车道线区域与上述底边的交点在中点右边时，则判定车道线区域为右车道线。
此外，为了达到一个画面便可以判断车辆是否偏移的需求，本创作提出了一个依据“车道线角度”为判断基础的算法。举例来说，图9是依照本发明一实施例所绘示的利用车道线角度判断车道偏移的范例。请参照图9，本实施例在判断是否偏移车道线时，例如是通过分析左车道线L1与底边Lbase的夹角θL以及左车道线L2与底边Lbase的夹角θR的变化，来判断车辆是否偏移，此左车道线L1及右车道线L2与底边Lbase的夹角θL及θR均为锐角。详细判断依据如下列公式(3)所示：
具体来说，针对第i个画面Framei，车道偏移判断模块54例如是将左车道线L1与底边Lbase的夹角θL以及右车道线L2与底边Lbase的夹角θR分别与夹角阈值ThAngle_1及夹角阈值ThAngle_2比较。其中，当左车道线L1的夹角θL大于夹角阈值ThAngle_1，且右车道线L2的夹角θR小于夹角阈值ThAngle_2时，即判定为向左偏移；反之，当右车道线L2的夹角θR大于夹角阈值ThAngle_1，且左车道线L1的夹角θL小于夹角阈值ThAngle_2时，则判定为向右偏移。
需说明的是，上述实施例中仅采用最接近原始图像的中线的左车道线及右车道线来判断是否偏移车道的车道线。然而，在另一实施例中，也可以采用所判定的所有车道线(包括多条左车道线及多条右车道线)，而综合判断车辆是否偏移车道，在此不设限。
举例来说，图10是依照本发明一实施例所绘示的利用车道线角度判断车道偏移的范例。请参照图10，本实施例在判断车辆是否偏移车道线时，例如是通过分析左车道线L1及L2与底边Lbase(或水平线)的夹角θL1、θL2，以及左车道线L3及L4与底边Lbase(或水平线)的夹角θR1、θR2的变化，综合判断出车辆是否偏移车道线，而判断结果则显示于屏幕左上角，即正常(Normal)状态。
综上所述，本发明的车道偏移警示方法及系统通过结合“图像分割”及“梯度分析”，可以检测出各种类型的车道线。此外，本发明的车道偏移检测系统还可同时完成“车道线检测”以及“车道偏移检测”的需求，不需要分析连续画面的变化，而仅由一张画面即可判断出车辆是否偏移。
虽然本发明已以实施例公开如上，然其并非用以限定本发明，本领域技术人员，在不脱离本发明的精神和范围内，当可作些许的更动与润饰，故本发明的保护范围当视所附权利要求书所界定者为准。

Claims (16)

1.一种车道偏移警示方法，适用于一电子装置，该方法包括下列步骤：
分割一原始图像为多个区域图像；
分析各所述区域图像的特性，据以删除所述区域图像中的至少一非车道线区域，获得多个车道线候选区域；
根据各所述车道线候选区域在该原始图像中的位置，由所述车道线候选区域中判定多条车道线；
区分所述车道线为至少一左车道线及至少一右车道线；以及
分析各所述左车道线及所述右车道线与一水平线的一夹角的变化，据以判断该电子装置是否偏移车道，并发出一车道偏移警示，
其中分析各所述区域图像的特性，据以删除所述区域图像中的所述非车道线区域，获得所述车道线候选区域的步骤包括：
检测各所述区域图像中的多个车道标记，并依据各所述车道标记的一梯度值，分类所述车道标记为一强边缘、一弱边缘或一非边缘；以及
分析被归类为该强边缘或该弱边缘的车道标记的至少一特性，据以删除所述车道标记中的非车道线区域，获得所述车道线候选区域；
其中所述分析被归类为该强边缘或该弱边缘的车道标记的至少一特性，据以删除所述车道标记中的非车道线区域，获得所述车道线候选区域的步骤包括：
计算各所述车道标记的宽度与高度中的一最大值与该宽度与该高度中的一最小值的一第一比值；
计算各所述车道标记所包括的一像素数目除以该宽度及该高度的一第二比值；
判断该第一比值是否大于一第一阈值以及该第二比值是否大于一第二阈值；
如果成立，判定该车道标记为车道线候选区域；以及
如果不成立，判定该车道标记为非车道线区域。
2.如权利要求1所述的车道偏移警示方法，其中分割该原始图像为多个区域图像的步骤包括：
计算该原始图像中多个像素的像素值分布的一直方图；以及
对该直方图进行一分群处理，并将该分群处理的结果还原到该原始图像，以获得所述区域图像。
3.如权利要求1所述的车道偏移警示方法，其中依据各所述车道标记的该梯度值，分类所述车道标记为该强边缘、该弱边缘或该非边缘的步骤包括：
针对不同种类的车道标记，使用不同的多个梯度值区分所述车道标记为该强边缘、该弱边缘或该非边缘。
4.如权利要求1所述的车道偏移警示方法，其中分析被归类为该强边缘或该弱边缘的车道标记的特性，据以删除所述车道标记中的非车道线区域，获得所述车道线候选区域的步骤还包括：
利用一连通区域标记法标记连通的车道标记为同一车道标记。
5.如权利要求1所述的车道偏移警示方法，其中根据各所述车道线候选区域在该原始图像中的位置，由所述车道线候选区域中判定所述车道线的步骤包括：
使用一链码(Chain-Code)检测各所述车道线候选区域的一轮廓；
分析所述车道线候选区域的轮廓，以找出多个直线区域；以及
根据所述直线区域在该原始图像中的位置，删除所述直线区域中的至少一非车道线区域，获得所述车道线。
6.如权利要求1所述的车道偏移警示方法，其中区分所述车道线为所述左车道线及所述右车道线的步骤包括：
以该原始图像的底边的一中点为基准区分各所述车道线候选区域，其中
当该车道线候选区域与该底边的一交点在该中点左边时，判定该车道线候选区域为左车道线；以及
当该车道线候选区域与该底边的该交点在该中点右边时，判定该车道线候选区域为右车道线。
7.如权利要求1所述的车道偏移警示方法，其中分析各所述左车道线及所述右车道线与该水平线的该夹角的变化，据以判断该电子装置是否偏移车道的步骤包括：
将各所述左车道线与各所述右车道线的夹角分别与一第一夹角阈值及一第二夹角阈值比较；
当该左车道线的夹角大于该第一夹角阈值，且该右车道线的夹角小于该第二夹角阈值时，判定为向左偏移；以及
当该右车道线的夹角大于该第一夹角阈值，且该左车道线的夹角小于该第二夹角阈值时，判定为向右偏移。
8.如权利要求1所述的车道偏移警示方法，其中用以判断该电子装置是否偏移车道的车道线为最接近该原始图像的一中线的左车道线及右车道线，且该左车道线及该右车道线的该夹角为一锐角。
9.一种车道偏移警示系统，包括：
一图像分割模块，分割一原始图像为多个区域图像；
一车道线区域检测模块，分析各所述区域图像的特性，据以删除所述区域图像中的至少一非车道线区域，获得多个车道线候选区域；
一车道线判定模块，根据各所述车道线候选区域在该原始图像中的位置，由所述车道线候选区域中判定多条车道线；
一车道偏移判断模块，区分所述车道线为至少一左车道线及至少一右车道线，分析各所述左车道线及右车道线与一水平线的一夹角的变化，据以判断是否偏移车道；以及
一警示模块，当车道偏移判断模块判断偏移车道时，发出一车道偏移警示；
其中该车道线区域检测模块包括：
一车道标记检测模块，检测各所述区域图像中的多个车道标记，并依据各所述车道标记的一梯度值，分类所述车道标记为一强边缘、一弱边缘或一非边缘；以及
一车道标记筛选模块，分析被归类为该强边缘或该弱边缘的车道标记的至少一特性，据以删除所述车道标记中的非车道线区域，获得所述车道线候选区域；
其中该车道标记筛选模块包括：
计算各所述车道标记的宽度与高度中的一最大值与该宽度与该高度中的一最小值的一第一比值；
计算各所述车道标记所包括的一像素数目除以该宽度及该高度的一第二比值；
判断该第一比值是否大于一第一阈值以及该第二比值是否大于一第二阈值；
如果成立，判定该车道标记为车道线候选区域；以及
如果不成立，判定该车道标记为非车道线区域。
10.如权利要求9所述的车道偏移警示系统，其中该图像分割模块包括计算该原始图像中多个像素的像素值分布的一直方图，以及对该直方图进行一分群处理，并将该分群处理的结果还原到该原始图像，以获得所述区域图像。
11.如权利要求9所述的车道偏移警示系统，其中该车道标记检测模块还包括针对不同种类的车道标记，使用不同的多个梯度值区分所述车道标记为该强边缘、该弱边缘或该非边缘。
12.如权利要求9所述的车道偏移警示系统，其中该车道标记筛选模块还包括利用一连通区域标记法标记连通的车道标记为同一车道标记。
13.如权利要求9所述的车道偏移警示系统，其中该车道线判定模块包括使用一链码(Chain-Code)检测各所述车道线候选区域的一轮廓，分析所述车道线候选区域的轮廓，以找出多个直线区域，以及根据所述直线区域在该原始图像中的位置，删除所述直线区域中的至少一非车道线区域，获得所述车道线。
14.如权利要求9所述的车道偏移警示系统，其中该车道偏移判断模块包括以该原始图像的底边的一中点为基准区分各所述车道线候选区域，其中当该车道线候选区域与该底边的一交点在该中点左边时，判定该车道线候选区域为左车道线，以及当该车道线候选区域与该底边的该交点在该中点右边时，判定该车道线候选区域为右车道线。
15.如权利要求9所述的车道偏移警示系统，其中该车道偏移判断模块包括将各所述左车道线与各所述右车道线的夹角分别与一第一夹角阈值及一第二夹角阈值比较，其中当该左车道线的夹角大于该第一夹角阈值，且该右车道线的夹角小于该第二夹角阈值时，判定为向左偏移，以及当该右车道线的夹角大于该第一夹角阈值，且该左车道线的夹角小于该第二夹角阈值时，判定为向右偏移。
16.如权利要求9所述的车道偏移警示系统，其中用以判断是否偏移车道的车道线为最接近该原始图像的一中线的左车道线及右车道线，且该左车道线及该右车道线与该水平线的夹角为一锐角。
CN201210023179.3A 2011-11-16 2012-02-02 车道偏移警示方法及系统 Active CN103117005B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
TW100141853A TWI438729B (zh) 2011-11-16 2011-11-16 車道偏移警示方法及系統
TW100141853 2011-11-16

Publications (2)

Publication Number Publication Date
CN103117005A CN103117005A (zh) 2013-05-22
CN103117005B true CN103117005B (zh) 2015-12-02

Family

ID=48280029

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201210023179.3A Active CN103117005B (zh) 2011-11-16 2012-02-02 车道偏移警示方法及系统

Country Status (3)

Country Link
US (1) US8902053B2 (zh)
CN (1) CN103117005B (zh)
TW (1) TWI438729B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108496178A (zh) * 2016-01-05 2018-09-04 御眼视觉技术有限公司 用于估计未来路径的系统和方法

Families Citing this family (30)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130202155A1 (en) * 2012-02-03 2013-08-08 Gopal Gudhur Karanam Low-cost lane marker detection
JP6328369B2 (ja) * 2012-11-27 2018-05-23 クラリオン株式会社 車載用制御装置
CN103440785B (zh) * 2013-08-08 2015-08-05 华南师范大学 一种快速的车道偏移警示方法
CN104648397B (zh) * 2013-11-19 2017-05-17 沙漠科技股份有限公司 车道偏移警示系统及方法
KR101502511B1 (ko) * 2013-11-28 2015-03-13 현대모비스 주식회사 가상 차선 생성 장치와 방법 및 상기 장치를 구비하는 차선 유지 제어 시스템
US9747507B2 (en) * 2013-12-19 2017-08-29 Texas Instruments Incorporated Ground plane detection
CN104742912B (zh) * 2013-12-27 2017-08-04 比亚迪股份有限公司 车道偏移检测方法和装置
CN103871243A (zh) * 2014-04-16 2014-06-18 武汉欧普威科技有限公司 基于主动安全平台的无线车辆管理系统及方法
CN104008645B (zh) * 2014-06-12 2015-12-09 湖南大学 一种适用于城市道路车道线预测及预警方法
KR102310286B1 (ko) * 2014-11-07 2021-10-07 현대모비스 주식회사 특정물체 감지 장치 및 특정물체 감지 방법
CN105674992A (zh) * 2014-11-20 2016-06-15 高德软件有限公司 一种导航方法及装置
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
CN105046198B (zh) * 2015-06-12 2018-07-06 上海修源网络科技有限公司 一种车道检测方法
TWI609807B (zh) * 2016-05-17 2018-01-01 緯創資通股份有限公司 影像評估方法以及其電子裝置
CN106407893B (zh) * 2016-08-29 2019-11-22 东软集团股份有限公司 一种检测车道线的方法、装置和设备
CN107886729B (zh) * 2016-09-30 2021-02-23 比亚迪股份有限公司 车辆识别方法、装置及车辆
CN107886030A (zh) * 2016-09-30 2018-04-06 比亚迪股份有限公司 车辆识别方法、装置及车辆
TWI621073B (zh) * 2016-12-08 2018-04-11 Road lane detection system and method thereof
CN106886217B (zh) * 2017-02-24 2020-09-08 深圳中智卫安机器人技术有限公司 自主导航控制方法和装置
US20190113920A1 (en) 2017-10-18 2019-04-18 Luminar Technologies, Inc. Controlling an autonomous vehicle using model predictive control
CN107972574A (zh) * 2017-11-26 2018-05-01 南通尚力机电工程设备有限公司 一种汽车转向灯回调方法
CN107963012A (zh) * 2017-11-26 2018-04-27 南通尚力机电工程设备有限公司 一种汽车转向灯回调系统
CN108216024A (zh) * 2017-12-14 2018-06-29 浙江鼎奕科技发展有限公司 一种车道偏离预警系统及其方法
WO2020146980A1 (zh) * 2019-01-14 2020-07-23 京东方科技集团股份有限公司 车道线识别方法、车道线识别装置以及非易失性存储介质
US10373004B1 (en) * 2019-01-31 2019-08-06 StradVision, Inc. Method and device for detecting lane elements to plan the drive path of autonomous vehicle by using a horizontal filter mask, wherein the lane elements are unit regions including pixels of lanes in an input image
CN110097025B (zh) * 2019-05-13 2023-08-04 奇瑞汽车股份有限公司 车道线的检测方法、装置及存储介质
CN110458050B (zh) * 2019-07-25 2023-06-06 清华大学苏州汽车研究院（吴江） 基于车载视频的车辆切入检测方法及装置
CN111160086B (zh) * 2019-11-21 2023-10-13 芜湖迈驰智行科技有限公司 车道线识别方法、装置、设备和存储介质
CN112562406B (zh) * 2020-11-27 2022-08-16 众安在线财产保险股份有限公司 一种越线行驶的识别方法及装置
CN115019514B (zh) * 2022-08-09 2022-11-15 临沂市公路事业发展中心 一种基于车联网的公路巡查系统

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101202905A (zh) * 2006-12-11 2008-06-18 财团法人工业技术研究院 影像调整校正方法及使用所述方法的车辆安全警示系统

Family Cites Families (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3522317B2 (ja) 1993-12-27 2004-04-26 富士重工業株式会社 車輌用走行案内装置
JP3246243B2 (ja) 1994-12-26 2002-01-15 いすゞ自動車株式会社 車線逸脱警報装置
JP3603768B2 (ja) 2000-09-06 2004-12-22 日産自動車株式会社 車線逸脱判定装置
JP4016735B2 (ja) * 2001-11-30 2007-12-05 株式会社日立製作所 レーンマーク認識方法
TWI228086B (en) 2003-12-03 2005-02-21 Ind Tech Res Inst Lane departure warning device and method of forming the same
JP4291741B2 (ja) * 2004-06-02 2009-07-08 トヨタ自動車株式会社 車線逸脱警報装置
JP4534754B2 (ja) 2004-12-21 2010-09-01 日産自動車株式会社 車線逸脱防止装置
JP4616046B2 (ja) * 2005-03-22 2011-01-19 本田技研工業株式会社 車両用画像処理システム、車両用画像処理方法、車両用画像処理プログラム、及び車両
JP4603421B2 (ja) * 2005-05-27 2010-12-22 本田技研工業株式会社 車両、画像処理システム、画像処理方法、及び画像処理プログラム
TWI270827B (en) 2005-06-29 2007-01-11 Jau-Shiang Wang Traffic lane recognition system and traffic lane deviation warning device with traffic lane recognition system and method of forming the same
CN100403332C (zh) 2006-11-02 2008-07-16 东南大学 用于车道偏离报警的车道线鲁棒识别方法
TWI320547B (en) 2006-11-30 2010-02-11 Ind Tech Res Inst Method for adjusting and calibrating region of interest for imaging processing and vehicle safety warning system using thereof
KR100941271B1 (ko) 2007-03-30 2010-02-11 현대자동차주식회사 자동차용 차선이탈 방지 방법
TWI334517B (en) 2007-08-30 2010-12-11 Ind Tech Res Inst Method for predicting lane line and lane departure warning system using the same
TW200922816A (en) 2007-11-30 2009-06-01 Automotive Res & Amp Testing Ct Method and device for detecting the lane deviation of vehicle
TWI384418B (zh) 2009-11-11 2013-02-01 Ind Tech Res Inst 採用區域架構之影像處理方法及系統
CN101804814B (zh) 2010-01-08 2012-10-31 北京世纪高通科技有限公司 一种确定车道偏离的方法、装置和系统

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101202905A (zh) * 2006-12-11 2008-06-18 财团法人工业技术研究院 影像调整校正方法及使用所述方法的车辆安全警示系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
HSI color model lane-marking detection;Tsung-Ying Sun 等;《2006 IEEE intelligent transportation systems conference》;20060920;正文1169页左栏13-16、24-25行，右栏13行，图2-5 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108496178A (zh) * 2016-01-05 2018-09-04 御眼视觉技术有限公司 用于估计未来路径的系统和方法
CN108496178B (zh) * 2016-01-05 2023-08-08 御眼视觉技术有限公司 用于估计未来路径的系统和方法

Also Published As

Publication number Publication date
US8902053B2 (en) 2014-12-02
TW201322203A (zh) 2013-06-01
TWI438729B (zh) 2014-05-21
CN103117005A (zh) 2013-05-22
US20130120125A1 (en) 2013-05-16

Similar Documents

Publication Publication Date Title
CN103117005B (zh) 车道偏移警示方法及系统
CN110619279B (zh) 一种基于跟踪的路面交通标志实例分割方法
CN102308304B (zh) 确定有效车道标记的方法和装置
Berriel et al. Ego-lane analysis system (elas): Dataset and algorithms
CN111666805B (zh) 用于自动驾驶的类别标记系统
CN101916383B (zh) 基于多摄像机的车辆检测跟踪识别系统
CN101334836B (zh) 一种融合色彩、尺寸和纹理特征的车牌定位方法
CN102915433B (zh) 基于字符组合的车牌定位和识别方法
US8718329B2 (en) Top-down view classification in clear path detection
WO2013186662A1 (en) Multi-cue object detection and analysis
WO2015089867A1 (zh) 一种交通违章检测方法
Yaghoobi Ershadi et al. Robust vehicle detection in different weather conditions: Using MIPM
Malinovskiy et al. Video-based vehicle detection and tracking using spatiotemporal maps
JP7276446B2 (ja) 路面検査装置、路面検査方法、およびプログラム
Wu et al. Adjacent lane detection and lateral vehicle distance measurement using vision-based neuro-fuzzy approaches
KR20180082089A (ko) 영상 기반 색상정보를 이용한 초지 경계 검출 방법
CN113903008A (zh) 基于深度学习和轨迹跟踪的匝道出口车辆违法识别方法
Janda et al. Road boundary detection for run-off road prevention based on the fusion of video and radar
Albiol et al. Video-based traffic queue length estimation
Munajat et al. Road detection system based on RGB histogram filterization and boundary classifier
Prutha et al. Morphological image processing approach of vehicle detection for real-time traffic analysis
CN102169583A (zh) 基于车窗定位的车辆遮挡检测与分割方法
Tschentscher et al. Comparing image features and machine learning algorithms for real-time parking space classification
CN102622582B (zh) 一种基于视频的道路行人事件检测方法
Ashraf et al. HVD-net: a hybrid vehicle detection network for vision-based vehicle tracking and speed estimation

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