CN103177246B - 基于动态区域划分的双模型车道线识别方法 - Google Patents
基于动态区域划分的双模型车道线识别方法 Download PDFInfo
- Publication number
- CN103177246B CN103177246B CN201310099778.8A CN201310099778A CN103177246B CN 103177246 B CN103177246 B CN 103177246B CN 201310099778 A CN201310099778 A CN 201310099778A CN 103177246 B CN103177246 B CN 103177246B
- Authority
- CN
- China
- Prior art keywords
- lane
- subregion
- image
- line
- district
- 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.)
- Expired - Fee Related
Links
Abstract
本发明属于车辆辅助驾驶技术领域,具体涉及一种车道线的智能识别方法。一种基于动态区域划分的双模型车道线识别方法,它包括以下步骤:步骤一、采集车辆前方环境原始图像I;步骤二、对原始图像I进行预处理;步骤三、规划车道线识别区域;步骤四、对车道线识别区域进行分区;步骤五、对分区进行识别,提取各区内直线簇;步骤六、分析各分区内候选直线几何特征确定车道线内边线;步骤七、将图中各分区划分为直线区和曲线区;步骤八、左右车道线重构;与其他同类方法相比,本发明大大提高车道线检测和跟踪的准确性和鲁棒性。
Description
技术领域
本发明属于车辆辅助驾驶技术领域,具体涉及一种车道线的智能识别方法。
背景技术
车道线是最基本的交通标志,也是汽车行驶时最基本的约束。基于机器视觉的车道线识别系统是智能交通系统的重要组成部分,它广泛应用于车道偏离预警系统(LaneDepartureWarning,LDW),前向防撞系统(LongitudinalCollisionAvoidance,LCA)和盲点监测系统(BlindSpotInformationSystem)等汽车先进辅助驾驶系统,同时也是进行障碍物识别的基本前提。
目前,基于机器视觉的车道线识别系统,主要通过安装在车辆上的前视摄像机等图像传感器来获取前方道路图像,然后对图像进行车道线提取。在进行车道线提取时,常用的算法有Hough变换、模板匹配和区域生长等方法等。算法的难点在于图像无用信息的剔除,车道线有效区域的规划,不规则车道线(虚线,道路标识线等)的识别和随着纵向距离增加车道线模型(直线,曲线)变化,车道线信息减弱等问题。此外,有些算法根据摄像机成像原理,利用逆透视变换将每帧图像转化为俯视图,消除透视效应影响,并借助公路本身的几何特征(如宽度、平行度等)进行前方道路的识别。但该算法中图像逆透视变化运算量大,且对摄像头标定精度要求高,不便于利用。
发明内容
本发明的目的是:为解决现有技术中区域规划不足,算法运算量大且提取的车道线精度较差的问题,而提出一种基于动态区域划分的双模型车道线识别方法,以提高图像预处理效果;
本发明的技术方案是:一种基于动态区域划分的双模型车道线识别方法,它包括以下步骤:
步骤一、采集车辆前方环境原始图像I;
车辆行驶过程中,通过安装在车辆上前挡风玻璃下的图像传感器采集车辆前方行驶环境原始图像I,并设原始图像I左上角点为图像坐标系原点,水平向右为x轴正方向,竖直向下为y轴正方向;
步骤二、对原始图像I进行预处理,具体步骤包括:
2.1对原始图像I进行灰度均衡化处理;
2.2采用二维空间中值滤波进行平滑处理;
2.3利用Canny算子进行边界提取运算,得到二值化边界图像Iedge,其中,二值化边界图像Iedge中边界像素值为1,非边界像素值为0;
2.4利用B1模板对二值化边界图像Iedge进行腐蚀、膨胀处理,B2模板对B1模板处理后的结果再次进行腐蚀、膨胀处理,得到二值化边界图像Ie-i;所用模板B1、B2分别为:
2.5利用B3模板对二值化边界图像Ie-i进行腐蚀、膨胀处理得到二值化边界图像Ileft;利用B4模板对二值化边界图像Iedge进行腐蚀、膨胀处理得到二值化边界图像Iright;所用模板B3、B4分别为:
2.6对二值化边界图像Iright和Ileft进行叠加得到预处理完成的边界图像,即:If=Iright∪Ileft;
步骤三、规划车道线识别区域,获得仅含车道线识别区域信息的边界图像Ip,具体步骤如下:
3.1设一条平行于x轴,其y坐标为v的消失线;
3.2创建车道线识别区域规划的模板图像Ifilter;
利用图像传感器内外部参数进行投影变换,以车辆坐标系原点为基准,将横向-b~+b米,纵向+b~v米的闭合区域确定为图像中车道线识别区域,即创建车道线识别区域规划的模板图像Ifilter,其中,模板图像Ifilter图像尺寸和原始图像I一致,区域内像素值为1,区域外像素值为0;
3.3获得仅含车道线识别区域信息的边界图像Ip,具体求解方法:
Ip=Ifilter·If
步骤四、对仅含车道线识别区域信息的边界图像Ip进行分区,具体步骤如下:
4.1对仅含车道线识别区域信息的边界图像Ip进行横向分区,分区的分界线采用步骤6.3确定的前帧道路图像各分区车道线中线检测结果lci,总体上分为左车道线候选边界图像和右车道线候选边界图像,对于初始帧分界线lci则为图像中心线;
4.2对车道线识别区域进行纵向总体分区;
将步骤3.2中车道线识别区域下边界到车辆前方距离M米处的图像区域为定义车道线检测有效区;将车辆前方距离M米处到车道线识别区域上边界的图像区域定义为车道线检测无效区;
4.3在4.2的基础上对左右车道检测有效区进行细化分区;
将左右车道线检测有效区由上而下按递增等比数列细分为N个带状区域;因此自下而上,从左到右得到2N个子区域:左1区至左N区、右1区至右N区;如果是第一帧图像则各子区域横向范围为从分界线到车道线检测有效区横向边界;如果不是第一帧图像,则横向范围继承前一帧图像调整后的横向范围;
步骤五、利用Hough变换分别依次对左1区到左N区,右1区到右N区进行直线簇的识别;如果某一子区域内检测结果为空,则利用上下相邻子区域的直线簇检测结果的延伸确定本子区域的直线簇位置;
步骤六、分析步骤五所得的各子区域内候选直线几何特征确定车道线内边线;
6.1对各子区域内检测到的直线簇进行逆透视变换,获得其在俯视图中位置;
6.2对同一横行中左子区域内变换后的直线簇和右子区域内变换后的直线簇进行距离和平行度分析,将满足设定距离和平行度的直线簇确定为子区域内的车道线候选直线;并根据车道线候选直线对下一帧使用的子区域的横向范围进行重新调整,作为下一帧规划;对每个子区域调整的方法为:
求出当前子区域车道线候选直线与所在子区域上下边界交点,找出所述车道线候选直线与所在子区域上边界最内侧交点和下边界最外侧交点,以靠近车道线中线检测结果lci为内侧,远离车道线中线检测结果lci为外侧,将车道线候选直线与所在子区域上边界最内侧交点的横坐标向内延伸,延伸宽度为车道线候选直线与所在子区域上边界的截断宽度,车道线候选直线与所在子区域下边界最外侧交点的横坐标向外延伸,延伸宽度为车道线候选直线与所在子区域下边界的截断宽度,确定出两个点的横坐标之间的横向范围即为调整后的结果;
6.3对每一横行的车道线候选直线进行横向位置分析,最终确定距离最近的两条直线为该横行中车道线左侧内边线lli和车道线右侧内边线lri,i∈{1…N},然后根据车道线左侧内边线lli和车道线右侧内边线lri,求出各区的中线lci,作为下一帧横向分区的分界线;
步骤七、将各子区域划分为直线区和曲线区,具体包括:
7.1利用6.3得到的各横行的车道线左侧内边线lli和车道线右侧内边线lri求交点,记为各横行车道线在图像中的消失点Pi,i∈{1…N};
7.2对消失点进行横向分布分析,首先设定横向偏移门限值为T,然后根据相邻消失点横向偏移量和门限值T进行比较,找到偏移量大于门限值T的所有相邻消失点,以这些相邻消失点中编号最小的消失点所属子区域下边界为分界,其上至消失线为曲线区,以下为直线区;如果全部小于门限值T,则只有一个直线区;
步骤八、左右车道线重构;
在直线区,采用直线模型对各区车道线检测结果进行拟合;在曲线区,采用3次B样条曲线进行车道线重构。
本发明的有益效果是:采用基于模板的腐蚀、膨胀等图像预处理方法来尽可能去除非车道线干扰,以增强车道线边界信息。在此基础上,对道路图像进行细化分区处理,首先规划出车道线检测区域,然后将其横向分为左车道线候选边界图像和右车道线候选边界图像,纵向上分别将左右车道线候选边界图像总体上分为车道线检测有效区和无效区,然后将有效区进行细化分区,并对各分区进行独立处理综合分析。对初步识别结果进行直线和曲线双模型的划分,最终进行左右车道线重构得到图像中车道线信息。与其他同类方法相比,本发明大大提高车道线检测和跟踪的准确性和鲁棒性。
附图说明
图1为本发明方法流程图;
图2为实施例步骤二流程图;
图3为实施例步骤四流程图;
图4为实施例步骤五、六流程图;
图5为实施例摄像头采集的原始图像I;
图6为实施例预处理得到的二值化边界图像Iedge结果图;
图7为实施例预处理完成的边界图像If;
图8为实施例车道线识别区域规划模板图像Ifilter结果图;
图9为实施例车道线识别区域横向分区结果图;
图10为实施例车道线识别区域有效区无效区划分结果图;
图11为实施例第一帧时车道线检测有效区的细分结果图;
图12为实施例非第一帧时车道线检测有效区细分结果图;
图13为实施例各车道线识别有效区域各区域内的车道线候选直线结果图;
图14为实施例最终确定各区域内车道线内边线和消失点,及曲线区和直线区划分结果图;
图15为实施例车道线识别最终结果图。
具体实施方式
参见附图1,一种基于动态区域划分的双模型车道线识别方法,它包括以下步骤:
步骤一、采集车辆前方环境原始图像I;
车辆行驶过程中,通过安装在车辆上前挡风玻璃下的图像传感器采集车辆前方行驶环境原始图像I,并设原始图像I左上角点为图像坐标系原点,水平向右为x轴正方向,竖直向下为y轴正方向,原始图像I如图5所示,原始图像I为752×480的矩阵,矩阵内的每个元素代表灰度值;
参见附图2,步骤二、对原始图像I进行预处理,具体步骤包括:
2.1对原始图像I进行灰度均衡化处理;
2.2采用二维空间中值滤波进行平滑处理;
2.3利用Canny算子进行边界提取运算,得到二值化边界图像Iedge,如图6所示,其中,二值化边界图像Iedge中边界像素值为1,非边界像素值为0;
2.4利用B1模板对二值化边界图像Iedge进行腐蚀、膨胀处理,B2模板对B1模板处理后的结果再次进行腐蚀、膨胀处理,得到二值化边界图像Ie-i;所用模板B1、B2分别为:
B1模板和B2模板用于剔除水平与垂直的线条;
2.5利用B3模板对二值化边界图像Ie-i进行腐蚀、膨胀处理得到二值化边界图像Ileft;利用B4模板对二值化边界图像Iedge进行腐蚀、膨胀处理得到二值化边界图像Iright;所用模板B3、B4分别为:
B3模板和B4模板用于剔除正负45°的线条;
通过上述腐蚀膨胀处理,图像中的树木、栏杆和车辆等无用信息被有效剔除;
2.6对二值化边界图像Iright和Ileft进行叠加得到预处理完成的边界图像,即:If=Iright∪Ileft,If如图7所示;
步骤三、规划车道线识别区域,获得仅含车道线识别区域信息的边界图像Ip,具体步骤如下:
3.1设一条平行于x轴,其y坐标为v的消失线,求取消失线坐标v的方法为:
上式中,α,β,γ为图像传感器坐标系和世界坐标系之间的旋转变换角,ay为图像传感器y方向的等效焦距;v0为图像主点,即图像传感器主轴和感光芯片的交点,在图像坐标系中的垂直坐标;
3.2创建车道线识别区域规划的模板图像Ifilter;
利用图像传感器内外部参数进行投影变换,以车辆坐标系原点为基准,将横向-3~+3米,纵向+3~v米的闭合区域确定为图像中车道线识别区域,即创建车道线识别区域规划的模板图像Ifilter,如图8所示,其中,模板图像Ifilter图像尺寸和原始图像I一致,区域内像素值为1,区域外像素值为0;
3.3获得仅含车道线识别区域信息的边界图像Ip,具体求解方法:
Ip=Ifilter·If
参见附图3,步骤四、对仅含车道线识别区域信息的边界图像Ip进行分区,具体步骤如下:
4.1对仅含车道线识别区域信息的边界图像Ip进行横向分区,分区的分界线采用步骤6.3确定的前帧道路图像各分区车道线中线检测结果lci,如图9所示,总体上分为左车道线候选边界图像和右车道线候选边界图像,对于初始帧分界线lci则为图像中心线;
4.2对车道线识别区域进行纵向总体分区;
总体上将3.2步骤中车道线识别区域下边界到车辆前方距离60米处的图像区域为定义车道线检测有效区;将车辆前方距离60米处到车道线识别区域上边界的图像区域定义为车道线检测无效区,结果如图10所示;
4.3在4.2的基础上对左右车道检测有效区进行细化分区;
将左右车道线检测有效区由上而下按递增等比数列细分为5个带状区域;因此自下而上,从左到右得到10个子区域:左1区至左5区、右1区至右5区;如果是第一帧图像则各子区域横向范围为从分界线到车道线检测有效区横向边界;如果不是第一帧图像,则横向范围继承前一帧图像调整后的横向范围,如图11所示;
参见附图4,步骤五、由于每个子区域中车道线边界近似为直线,因此本步骤利用Hough变换分别依次对左1区到左5区,右1区到右5区进行直线簇的识别,如图12所示;如果某一子区域内检测结果为空,则利用上下相邻子区域的直线簇检测结果的延伸确定本子区域的直线簇位置;例如,对图12中右4区无法直接识别出直线簇,则可以将右5区和右3区的直线簇延长到本右4区。
步骤六、分析步骤五所得的各子区域内候选直线几何特征确定车道线内边线;
6.1对各子区域内检测到的直线簇进行逆透视变换,获得其在俯视图中位置;
6.2对同一横行中左子区域内变换后的直线簇和右子区域内变换后的直线簇进行距离和平行度分析,将满足设定距离和平行度的直线簇确定为子区域内的车道线候选直线;并根据车道线候选直线对下一帧使用的子区域的横向范围进行重新调整,作为下一帧规划;对每个子区域调整的方法为:
求出当前子区域车道线候选直线与所在子区域上下边界交点,找出所述车道线候选直线与所在子区域上边界最内侧交点和下边界最外侧交点,以靠近车道线中线检测结果lci为内侧,远离车道线中线检测结果lci为外侧,将车道线候选直线与所在子区域上边界最内侧交点的横坐标向内延伸,延伸宽度为车道线候选直线与所在子区域上边界的截断宽度,车道线候选直线与所在子区域下边界最外侧交点的横坐标向外延伸,延伸宽度为车道线候选直线与所在子区域下边界的截断宽度,确定出两个点的横坐标之间的横向范围即为调整后的结果;
6.3对每一横行的车道线候选直线进行横向位置分析,最终确定距离最近的两条直线为该横行中车道线左侧内边线lli和车道线右侧内边线lri,i∈{1…5},然后根据车道线左侧内边线lli和车道线右侧内边线lri,求出各区的中线lci,作为下一帧横向分区的分界线;
参见附图5,步骤七、将图中各子区域划分为直线区和曲线区,具体包括:
7.1利用6.3得到的各横行的车道线左侧内边线lli和车道线右侧内边线lri求交点,记为各横行车道线在图像中的消失点Pi,i∈{1…5},如图13所示;
7.2对消失点进行横向分布分析,首先设定横向偏移门限值为T,然后根据相邻消失点横向偏移量和门限值T进行比较,找到偏移量大于门限值T的所有相邻消失点,以这些相邻消失点中编号最小的消失点所属子区域下边界为分界,其上至消失线为曲线区,以下为直线区;如果全部小于门限值T,则只有一个直线区;
步骤八、左右车道线重构;
如图14、15所示,在直线区,采用直线模型对各区车道线检测结果进行拟合;在曲线区,采用3次B样条曲线进行车道线重构。
其中,曲线区重构的具体方法可以为:首先确定曲线区内外侧车道线消失点Pci和Pco,其中,设P5与P4横坐标之差为e,令Pci的横坐标为P5横坐标与两倍e的和,Pco的横坐标为P5横坐标与e之和;最后利用直线区和曲线区中各子区域识别结果及Pci和Pco对内外侧车道线分别进行3次B样条曲线拟合,完成车道线重构。
Claims (4)
1.一种基于动态区域划分的双模型车道线识别方法,其特征是,它包括以下步骤:
步骤一、采集车辆前方环境原始图像I;
车辆行驶过程中,通过安装在车辆上前挡风玻璃下的图像传感器采集车辆前方行驶环境原始图像I,并设原始图像I左上角点为图像坐标系原点,水平向右为x轴正方向,竖直向下为y轴正方向;
步骤二、对原始图像I进行预处理,具体步骤包括:
2.1对原始图像I进行灰度均衡化处理;
2.2采用二维空间中值滤波进行平滑处理;
2.3利用Canny算子进行边界提取运算,得到二值化边界图像Iedge,其中,二值化边界图像Iedge中边界像素值为1,非边界像素值为0;
2.4利用B1模板对二值化边界图像Iedge进行腐蚀、膨胀处理,B2模板对B1模板处理后的结果再次进行腐蚀、膨胀处理,得到二值化边界图像Ie-i;所用模板B1、B2分别为:
2.5利用B3模板对二值化边界图像Ie-i进行腐蚀、膨胀处理得到二值化边界图像Ileft;利用B4模板对二值化边界图像Iedge进行腐蚀、膨胀处理得到二值化边界图像Iright;所用模板B3、B4分别为:
2.6对二值化边界图像Iright和Ileft进行叠加得到预处理完成的边界图像,即:If=Iright∪Ileft;
步骤三、规划车道线识别区域,获得仅含车道线识别区域信息的边界图像Ip,具体步骤如下:
3.1设一条平行于x轴,其y坐标为v的消失线;求取消失线y坐标v的方法为:
上式中,α,β,γ为图像传感器坐标系和世界坐标系之间的旋转变换角,ay为图像传感器y方向的等效焦距;v0为图像主点,即图像传感器主轴和感光芯片的交点,在图像坐标系中的垂直坐标;
3.2创建车道线识别区域规划的模板图像Ifilter;
利用图像传感器内外部参数进行投影变换,以车辆坐标系原点为基准,将横向-b~+b米,纵向+b~v米的闭合区域确定为图像中车道线识别区域,即创建车道线识别区域规划的模板图像Ifilter,其中,模板图像Ifilter图像尺寸和原始图像I一致,区域内像素值为1,区域外像素值为0;
3.3获得仅含车道线识别区域信息的边界图像Ip,具体求解方法:
Ip=Ifilter·If
步骤四、对仅含车道线识别区域信息的边界图像Ip进行分区,具体步骤如下:
4.1对仅含车道线识别区域信息的边界图像Ip进行横向分区,分区的分界线采用步骤6.3确定的前帧道路图像各分区车道线中线检测结果lci,总体上分为左车道线候选边界图像和右车道线候选边界图像,对于初始帧分界线lci则为图像中心线;
4.2对车道线识别区域进行纵向总体分区;
将步骤3.2中车道线识别区域下边界到车辆前方距离M米处的图像区域为定义车道线检测有效区;将车辆前方距离M米处到车道线识别区域上边界的图像区域定义为车道线检测无效区;
4.3在4.2的基础上对左右车道检测有效区进行细化分区;
将左右车道线检测有效区由上而下按递增等比数列细分为N个带状区域;因此自下而上,从左到右得到2N个子区域:左1区至左N区、右1区至右N区;如果是第一帧图像则各子区域横向范围为从分界线到车道线检测有效区横向边界;如果不是第一帧图像,则横向范围继承前一帧图像调整后的横向范围;
步骤五、利用Hough变换分别依次对左1区到左N区,右1区到右N区进行直线簇的识别;如果某一子区域内检测结果为空,则利用上下相邻子区域的直线簇检测结果的延伸确定本子区域的直线簇位置;
步骤六、分析步骤五所得的各子区域内候选直线几何特征确定车道线内边线;
6.1对各子区域内检测到的直线簇进行逆透视变换,获得其在俯视图中位置;
6.2对同一横行中左子区域内变换后的直线簇和右子区域内变换后的直线簇进行距离和平行度分析,将满足设定距离和平行度的直线簇确定为子区域内的车道线候选直线;并根据车道线候选直线对下一帧使用的子区域的横向范围进行重新调整,作为下一帧规划;对每个子区域调整的方法为:
求出当前子区域车道线候选直线与所在子区域上下边界交点,找出所述车道线候选直线与所在子区域上边界最内侧交点和下边界最外侧交点,以靠近车道线中线检测结果lci为内侧,远离车道线中线检测结果lci为外侧,将车道线候选直线与所在子区域上边界最内侧交点的横坐标向内延伸,延伸宽度为车道线候选直线与所在子区域上边界的截断宽度,车道线候选直线与所在子区域下边界最外侧交点的横坐标向外延伸,延伸宽度为车道线候选直线与所在子区域下边界的截断宽度,确定出两个点的横坐标之间的横向范围即为调整后的结果;
6.3对每一横行的车道线候选直线进行横向位置分析,最终确定距离最近的两条直线为该横行中车道线左侧内边线lli和车道线右侧内边线lri,i∈{1…N},然后根据车道线左侧内边线lli和车道线右侧内边线lri,求出各区的中线lci,作为下一帧横向分区的分界线;
步骤七、将各子区域划分为直线区和曲线区,具体包括:
7.1利用6.3得到的各横行的车道线左侧内边线lli和车道线右侧内边线lri求交点,记为各横行车道线在图像中的消失点Pi,i∈{1…N};
7.2对消失点进行横向分布分析,首先设定横向偏移门限值为T,然后根据相邻消失点横向偏移量和门限值T进行比较,找到偏移量大于门限值T的所有相邻消失点,以这些相邻消失点中编号最小的消失点所属子区域下边界为分界,其上至消失线为曲线区,以下为直线区;如果全部小于门限值T,则只有一个直线区;
步骤八、左右车道线重构;
在直线区,采用直线模型对各区车道线检测结果进行拟合;在曲线区,采用3次B样条曲线进行车道线重构。
2.如权利要求1所述的一种基于动态区域划分的双模型车道线识别方法,其特征是,所述步骤3.2中,b=3。
3.如权利要求1所述的一种基于动态区域划分的双模型车道线识别方法,其特征是,所述步骤4.2中M=60。
4.如权利要求1所述的一种基于动态区域划分的双模型车道线识别方法,其特征是,所述步骤四、五、六中N=5。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310099778.8A CN103177246B (zh) | 2013-03-26 | 2013-03-26 | 基于动态区域划分的双模型车道线识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310099778.8A CN103177246B (zh) | 2013-03-26 | 2013-03-26 | 基于动态区域划分的双模型车道线识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103177246A CN103177246A (zh) | 2013-06-26 |
CN103177246B true CN103177246B (zh) | 2015-11-25 |
Family
ID=48637088
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310099778.8A Expired - Fee Related CN103177246B (zh) | 2013-03-26 | 2013-03-26 | 基于动态区域划分的双模型车道线识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103177246B (zh) |
Families Citing this family (36)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103617412B (zh) * | 2013-10-31 | 2017-01-18 | 电子科技大学 | 实时车道线检测方法 |
CN103632140B (zh) * | 2013-11-27 | 2017-01-04 | 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 |
CN104102905B (zh) * | 2014-07-16 | 2018-03-16 | 中电海康集团有限公司 | 一种车道线自适应的检测方法 |
CN106464843B (zh) * | 2014-09-05 | 2019-05-14 | 堺显示器制品株式会社 | 图像生成装置、图像生成方法及计算机可读存储介质 |
CN104268860B (zh) * | 2014-09-17 | 2017-10-17 | 电子科技大学 | 一种车道线检测方法 |
CN104657710A (zh) * | 2015-02-06 | 2015-05-27 | 哈尔滨工业大学深圳研究生院 | 一种利用车载单帧图像进行道路检测的方法 |
KR101694347B1 (ko) * | 2015-08-31 | 2017-01-09 | 현대자동차주식회사 | 차량 및 차선인지방법 |
JP6291144B2 (ja) * | 2015-09-11 | 2018-03-14 | 富士フイルム株式会社 | 走行支援装置及び走行支援装置による走行支援方法 |
CN106599760B (zh) * | 2015-10-14 | 2020-11-06 | 国网智能科技股份有限公司 | 一种变电站巡检机器人行驶区域计算方法 |
CN106682563B (zh) * | 2015-11-05 | 2018-10-23 | 腾讯科技(深圳)有限公司 | 一种车道线检测自适应调整方法及装置 |
CN105667397B (zh) * | 2015-12-30 | 2018-10-16 | 深圳佑驾创新科技有限公司 | 汽车后视系统及方法 |
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 |
CN105809149A (zh) * | 2016-03-31 | 2016-07-27 | 电子科技大学 | 基于最大长度直线的车道线检测方法 |
CN106448179A (zh) * | 2016-09-12 | 2017-02-22 | 河海大学 | 一种高速公路交通智能分析系统 |
CN106415603B (zh) * | 2016-09-26 | 2019-03-08 | 深圳市锐明技术股份有限公司 | 一种成对车道线的高效检测方法和装置 |
CN108664016B (zh) | 2017-03-31 | 2020-09-15 | 腾讯科技(深圳)有限公司 | 确定车道中心线的方法及装置 |
CN107341453B (zh) * | 2017-06-20 | 2019-12-20 | 北京建筑大学 | 一种车道线提取方法及装置 |
CN109270927B (zh) * | 2017-07-17 | 2022-03-11 | 阿里巴巴(中国)有限公司 | 道路数据的生成方法及装置 |
CN107563326A (zh) * | 2017-08-31 | 2018-01-09 | 京东方科技集团股份有限公司 | 一种行车辅助方法、行车辅助装置和车辆 |
CN107730520B (zh) * | 2017-09-22 | 2020-10-27 | 智车优行科技(北京)有限公司 | 车道线检测方法及系统 |
CN108805074B (zh) * | 2018-06-06 | 2020-10-09 | 安徽江淮汽车集团股份有限公司 | 一种车道线检测方法及装置 |
CN108777071A (zh) * | 2018-07-04 | 2018-11-09 | 深圳智达机械技术有限公司 | 一种高速公路巡逻机器人 |
CN109271857A (zh) * | 2018-08-10 | 2019-01-25 | 广州小鹏汽车科技有限公司 | 一种伪车道线剔除方法及装置 |
CN109255316B (zh) * | 2018-08-30 | 2021-12-28 | 深圳市路畅科技股份有限公司 | 一种车道偏移检测方法及系统 |
CN109409202B (zh) * | 2018-09-06 | 2022-06-24 | 惠州市德赛西威汽车电子股份有限公司 | 基于动态感兴趣区域的鲁棒性车道线检测方法 |
CN110909569B (zh) * | 2018-09-17 | 2022-09-23 | 深圳市优必选科技有限公司 | 路况信息识别方法及终端设备 |
CN109583365B (zh) * | 2018-11-27 | 2022-07-26 | 长安大学 | 基于成像模型约束非均匀b样条曲线拟合车道线检测方法 |
CN109583416B (zh) * | 2018-12-11 | 2021-04-13 | 广州小鹏汽车科技有限公司 | 伪车道线识别方法及系统 |
CN110287779B (zh) * | 2019-05-17 | 2021-10-15 | 百度在线网络技术(北京)有限公司 | 车道线的检测方法、装置及设备 |
CN110232835B (zh) * | 2019-06-27 | 2020-11-13 | 浙江工业大学 | 一种基于图像处理的地下车库停车位检测方法 |
CN110472527A (zh) * | 2019-07-29 | 2019-11-19 | 江苏必得科技股份有限公司 | 一种轨道线检测方法及系统 |
CN110704560B (zh) * | 2019-09-17 | 2021-12-24 | 武汉中海庭数据技术有限公司 | 一种基于道路级拓扑的车道线组结构化的方法及装置 |
CN111353466B (zh) * | 2020-03-12 | 2023-09-22 | 北京百度网讯科技有限公司 | 车道线识别处理方法、设备、存储介质 |
CN112255630A (zh) * | 2020-11-06 | 2021-01-22 | 上海电子信息职业技术学院 | 多功能模型车 |
CN112836587A (zh) * | 2021-01-08 | 2021-05-25 | 中国商用飞机有限责任公司北京民用飞机技术研究中心 | 跑道识别方法、装置、计算机设备及存储介质 |
CN115995161A (zh) * | 2023-02-01 | 2023-04-21 | 华人运通(上海)自动驾驶科技有限公司 | 基于投影确定停车位置的方法和电子设备 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101477629A (zh) * | 2008-12-29 | 2009-07-08 | 东软集团股份有限公司 | 车道线的感兴趣区域提取方法和装置 |
CN102541063A (zh) * | 2012-03-26 | 2012-07-04 | 重庆邮电大学 | 缩微智能车辆寻线控制方法和装置 |
-
2013
- 2013-03-26 CN CN201310099778.8A patent/CN103177246B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101477629A (zh) * | 2008-12-29 | 2009-07-08 | 东软集团股份有限公司 | 车道线的感兴趣区域提取方法和装置 |
CN102541063A (zh) * | 2012-03-26 | 2012-07-04 | 重庆邮电大学 | 缩微智能车辆寻线控制方法和装置 |
Non-Patent Citations (1)
Title |
---|
Efficient Railway Tracks Detection and Turnouts Recognition Method using HOG Features;zhiquan qi等;《Man-Machine Systems and Cybernetics》;20111220;第1-10页 * |
Also Published As
Publication number | Publication date |
---|---|
CN103177246A (zh) | 2013-06-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103177246B (zh) | 基于动态区域划分的双模型车道线识别方法 | |
CN104008645B (zh) | 一种适用于城市道路车道线预测及预警方法 | |
CN105005771A (zh) | 一种基于光流点轨迹统计的车道线实线的检测方法 | |
CN104657727B (zh) | 一种车道线的检测方法 | |
CN111563412B (zh) | 一种基于参数空间投票和贝塞尔拟合的快速车道线检测方法 | |
CN107025432B (zh) | 一种高效的车道线检测跟踪方法及系统 | |
CN101750049B (zh) | 基于道路和车辆自身信息的单目视觉车距测量方法 | |
CN102737248B (zh) | 复杂路况下的车道线特征点提取方法与装置 | |
CN100403332C (zh) | 用于车道偏离报警的车道线鲁棒识别方法 | |
CN102270301B (zh) | 一种svm与激光雷达结合检测非结构化道路边界的方法 | |
CN107066986A (zh) | 一种基于单目视觉的车道线与前方障碍物检测方法 | |
CN105760812A (zh) | 一种基于Hough变换的车道线检测方法 | |
CN104392212A (zh) | 一种基于视觉的道路信息检测及前方车辆识别方法 | |
Li et al. | Nighttime lane markings recognition based on Canny detection and Hough transform | |
CN104008377A (zh) | 基于时空关联的地面交通标志实时检测识别方法 | |
CN101620732A (zh) | 道路行驶线的视觉检测方法 | |
CN104700072A (zh) | 基于车道线历史帧的识别方法 | |
CN103593981B (zh) | 一种基于视频的车型识别方法 | |
CN105740782A (zh) | 一种基于单目视觉的驾驶员换道过程量化方法 | |
CN103440785B (zh) | 一种快速的车道偏移警示方法 | |
CN104077756A (zh) | 一种基于车道线置信度的方向滤波方法 | |
CN109190483B (zh) | 一种基于视觉的车道线检测方法 | |
CN106887004A (zh) | 一种基于块匹配的车道线检测方法 | |
CN103577809A (zh) | 一种基于智能驾驶的地面交通标志实时检测的方法 | |
CN103204104B (zh) | 一种车辆全视角驾驶监控系统及方法 |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20151125 Termination date: 20160326 |