CN103308056A - 一种道路标线检测方法 - Google Patents
一种道路标线检测方法 Download PDFInfo
- Publication number
- CN103308056A CN103308056A CN2013101937553A CN201310193755A CN103308056A CN 103308056 A CN103308056 A CN 103308056A CN 2013101937553 A CN2013101937553 A CN 2013101937553A CN 201310193755 A CN201310193755 A CN 201310193755A CN 103308056 A CN103308056 A CN 103308056A
- Authority
- CN
- China
- Prior art keywords
- image
- point
- vehicle
- straight line
- gradient
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 20
- 238000000034 method Methods 0.000 claims abstract description 35
- 238000013459 approach Methods 0.000 claims description 8
- 230000009466 transformation Effects 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 5
- 238000006073 displacement reaction Methods 0.000 claims description 4
- 239000000284 extract Substances 0.000 claims description 3
- 230000008707 rearrangement Effects 0.000 claims description 3
- 206010039203 Road traffic accident Diseases 0.000 abstract 1
- 238000003708 edge detection Methods 0.000 abstract 1
- 230000008569 process Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 238000011161 development Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000002386 leaching Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
Images
Landscapes
- Image Analysis (AREA)
- Traffic Control Systems (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种用于车辆辅助驾驶或自动驾驶领域下的道路标线检测方法。本发明可以将车辆与道路的相对位置信息提供给车辆驾驶员或车载系统,用于减少因偏离车道导致的交通事故。本发明以安装在车辆四周的多个标定的图像传感器为信息获取来源,使用基于自适应梯度阈值的边缘检测方法提取图像边缘点,之后通过霍夫变换的改进方法快速从边缘信息中提取直线,并根据标定信息对直线进行反向求解将多角度信息融合在以车辆为中心的坐标系中,最后基于平行标线模型统计直线信息用于获得道路标线与车辆的位置关系。本发明的特点是可以选择检测角度的范围、算法计算量小,易于实现。
Description
技术领域
本发明涉及车辆辅助驾驶技术领域,特别是一种用于实时系统的快速道路标线检测方法。
背景技术
汽车的发明改变了人类的出行方式,它以其便捷性和快速性有力地推动商品和人员的流动,对经济和社会的发展起着重要作用。随着生产技术的不断发展,新的生产方式减少了汽车的单位生产时间,降低了汽车的单位价格,使得汽车成为了一种大众产品。截至2010年,全球约有总数为10亿辆的各式汽车,并且这个数字仍在高速增长。然而,伴随着汽车保有量的增加,交通安全问题越发突出。在中国每年发生交通事故50万余起,交通事故死亡人数超过10万人,每年因交通事故引发的经济损失可达数百亿元。
美国的研究数据表明,90%以上的交通事故都是由驾驶员失误造成的,进一步的研究发现,如果在车前安装防碰撞报警系统就可以减少62%的汽车追尾事故。可见,为了减少交通事故,有必要研究稳定可靠的智能型机器设备辅助或者取代人类完成驾驶任务,进而提高行车安全。
目前,各个国家已经相继开展无人驾驶车辆的研究,但是受限于技术的发展,机器完全取代人类完成车辆驾驶还需要一段时间。现世的智能型车辆往往采用辅助驾驶系统来保证驾驶人员的安全。例如高端车型中已经可以见到的自动泊车辅助系统、刹车辅助系统、倒车辅助系统、行车辅助系统、车道保持辅助系统等。其中车道保持辅助系统的关键技术是道路标线的检测,通过它可以计算车辆与道路标线的位置关系,进而可以提醒驾驶人员车辆的行驶状态,可以有效解决疲劳驾驶或者人为疏忽而产生的道路偏离问题,增加安全性。
道路标线检测的关键问题是如何提取道路标线的特征,以及使用何种 模型来拟合出道路标线。由于道路标线所处的环境受到天气、光照和道路情况等多种因素的影响,复杂度低的检测算法难以找到适应环境变化的特征和模型,而复杂度高的检测算法通常无法保证系统的反应速度,难于应用于高速行驶的车辆。
因此,有必要提出一种准确有效的道路标线检测方法。
发明内容
为了克服上述缺陷,本发明提出了一种道路标线检测方法,其基于自适应阈值进行道路标线边缘特征提取。
根据本发明提供的道路标线检测方法包括步骤:步骤1,在车体四周安装一个或多个图像传感器;步骤2,对每个图像传感器进行标定,以将图像中获得的检测结果还原到车辆坐标系中;步骤3,利用安装在车辆上的图像传感器获取图像I;步骤4,对获取的图像进行尺度缩放,后续的操作的对象为缩放后的图像Ip;步骤5,对缩放后的图像Ip计算其水平和垂直方向上的梯度图像Gx和Gy;步骤6,对缩放后的图像Ip计算其梯度图像|G|和简化的梯度方向图像;步骤7,对梯度图像|G|计算一个高阈值TH,使大于高阈值TH的像素占总像素的一定比例,并人为设置低阈值TL;步骤8,对于缩放后的图像Ip的每一像素点,其对应的梯度图像|G|中的梯度大于TH的则认为该点是边缘点,小于TH大于TL的认为是候选点,其余点为小于设置阈值TL的非边缘点,进行舍弃;步骤9,从边缘点出发,搜索该边缘点3×3邻域,如果存在候选点并且其简化的梯度方向与出发点相同,则该候选点提升为边缘点,通过此方法最终可以获取到边缘图像E;步骤10,对边缘图像E的每一个像素点使用具有梯度约束的霍夫变换,在ρθ参数空间中进行累加器更新;步骤11,对累加器进行排序,如果有累加器值超过设置阈值T,则认为该累加值坐标(ρ,θ)为直线的参数;步骤12,使用直线参数(ρ,θ),在边缘图像E中找到该直线上的第一个左边界点,并假设为左端点;步骤13,从假设的左边界点出发,以参数(ρ,θ)确定的直线方向为中轴,计算角度范围阈值α内的最近点,如果二者距离小于阈值d,则进行连接,否则将当前最近点作为新假设的左端点,最后连接的点作为右端点;步骤14,使用步骤13连接的每一个点,对累加器进 行反向更新,即使用该点对对应的累加器减去一个计数,之后对累加器重新排序,如果仍有累加器值超过T,则认为图像中仍有直线,跳到第12步骤,否则继续下一步骤;步骤15,对从所有图像中提取的直线端点进行尺度回放,并经过逆投影操作将回放后的直线端点统一到车辆坐标系中;步骤16,根据车辆坐标系中的直线端点计算车辆坐标系的直线参数(ρw,θw),在ρWθW参数空间中搜索一对点,二者的差值满足Δρw∈(W±δ), 其中W是道路宽度,是车道线夹角,δ,σ分别为允许的误差,之后使用该参数点对对应的两条直线作为一对道路标线;步骤17,以距离车辆最近的一对道路标线,作为当前车道的道路标线;步骤18,计算当前车辆与当前道路标线的位置,并以当前道路标线为基础,搜索是否存在其它车道。
本发明的方法可以有效应对光源变化,并且通过引入简化的快速梯度方向计算方法可以根据方向进行道路标线边缘提取。之后,通过将简化的梯度方向引入到霍夫变换,提出了一种具有梯度约束的快速直线提取方法。利用多传感器的标定信息,将从多角度提取到的直线端点转换到以车辆为中心的坐标系中。最后基于平行标线模型统计直线端点信息用于获得道路标线与车辆的位置关系,进而推算出道路宽度、车道数目的信息。
利用本发明的效果,具体包含以下有益效果:1)可以使用多个图像传感器增加获取道路标线的稳定性。2)可以根据环境变化自动计算提取边缘所需的阈值大小。3)在霍夫变换中引入简化的梯度方向信息,提高了直线检测的精度和速度。同时,提出的累加器反向更新和端点连接方法提高了直线检测的稳定性。4)通过对直线端点进行逆投影将多角度信息统一到以车辆为原点的坐标系中,方法的计算量小。5)可以根据当前道路标线信息推算是否存在其它车道。
附图说明
图1是本发明的道路标线检测方法的流程图。
图2是本发明图像传感器标定示意图。
图3是本发明简化梯度方向计算示意图。
图4是本发明自适应阈值计算示意图。
图5是本发明端点连接示意图。
图6是本发明道路标线搜索示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白,以下结合具体实施例,并参照附图,对本发明进一步详细说明。
本发明提出了一种道路标线检测方法,该方法包含六个处理过程,依次为标定、图像缩放、边缘提取、直线提取、逆投影和道路标线检测,其中标定需在图像传感器安装之后进行,如果位置不发生改变不需要重新标定。
标定是为了将从图像中获得的检测结果还原到车辆坐标系中。本方法依靠安装在车辆四周的图像传感器获取道路标线信息,具体的安装方式如图1所示,其中X轴和Y轴在水平面上以车辆中心为原点。由于透视效应的存在,在传感器获取的图像平面中物体的位置关系与真实世界不符,需要通过标定获取图像传感器在以车辆为中心的XYZ轴上的位移参数l、d、h和偏转参数α、γ、θ,进而还原真实的几何关系。
在图像缩放过程中,对获取图像I进行尺度为1/p的缩放,后续所有操作的对象为缩放后的图像Ip。
在边缘提取过程中,本发明对缩放后的图像Ip使用Sobel算子以获得对应的水平和垂直方向上的梯度图像Gx和Gy。之后,根据公式|G|=|Gx|+|Gy|获取梯度图像。在获取梯度方向之前,本发明将梯度方向划分为8个区间,如图2所示。之后,计算Θ=Gy/Gx,通过查找正切表确定Θ落入的区间,并使用该区间代替像素点的简化梯度方向Dθ。通过假设图像中只有P%的像素点是边缘点,可以推出阈值TH,如图3。那么所有梯度大于TH的像素点为边缘点,而小于设置阈值TL的点为非边缘点,介于两者之间的被认为是候选点。从边缘点出发,搜索其3×3邻域,如果存在候选点并且其简化的梯度方向与出发点相同,则该候选点提升为边缘点,通过此方法最终可以获取到边缘图像E。
在直线提取过程中,将直线方程写为极坐标形式:ρ=u·cosθ+v·sinθ,其中(u,v)是边缘点在图像中的位置,ρ为极坐标下的半径小于图像的长边, θ为角度。使用已知的边缘点(u,v)计算(ρ,θ)的可能值,其中θ的范围为(Dθ-1,Dθ+1)。对于所有可能的(ρ,θ)建立累加器,如果有边缘点(u,v)对应(ρ,θ),则累加器增加一个计数。再完成所有边缘点计算后,对累加器进行排序,如果有累加器值超过阈值T,则认为该累加器坐标(ρ,θ)为直线的参数,并以此参数在图像中找到该直线上的第一个左边界点,并假设为左端点。从假设的左边界点出发,以参数(ρ,θ)确定的直线方向为中轴,计算角度范围α内的最近点,如果二者距离小于d,则进行连接,如图4;否则将当前最近点作为新假设的左端点。最后连接的点作为右端点。之后,对累加器进行反向更新并重新排序,如果仍有累加器值超过T,则认为图像中仍有直线,继续上述操作,找到所有直线的端点。
在逆投影过程中,首先将所有图像获取的直线端点进行尺度回放,之后根据公式(1)计算其在车辆坐标系中的位置,其中n×m是图像的分辨率。
其中,
在道路标线检测过程中,首先根据车辆坐标系中的直线端点计算车辆坐标系的直线参数(ρw,θw),在ρWθW参数空间中搜索满足Δρw∈(W±δ), 的参数点对,其中W是道路宽度,是车道线夹角,δ,σ分别为误差。之后使用该参数点对对应的两条直线作为一对道路标线;以距离车辆最近的一对道路标线,作为当前车道的道路标线,计算当前车辆与当前道路标线的位置,并以当前道路标线为基础,搜索是否存在其它车道。
图6为本发明的道路标线检测方法的详细流程图,参照图6,该方法包括以下各步骤:
步骤1,在车体四周安装n个图像传感器,n是大于等于1的整数。
本发明依靠安装在车辆四周的图像传感器获取道路标线信息,具体的安装方式如图1所示,其中X是车辆的横轴,Y是车辆的纵轴,以车辆中心为原点。
步骤2,对每个图像传感器进行标定,计算其相对于车辆中心XYZ轴上的位移参数l、d、h和偏转参数α、γ、θ。
标定是为了将从图像中获得的检测结果还原到车辆坐标系中。由于透视效应的存在,在传感器获取的图像平面中物体的位置关系与真实世界不符,需要通过标定获取位移参数l、d、h和偏转参数α、γ、θ,进而使用逆投影还原真实的几何关系。
步骤3,利用安装在车辆上的图像传感器获取图像I。
步骤4,对获取的图像进行尺度缩放,尺度为1/p,后续所有操作的对象为缩放后的图像Ip;
步骤5,对缩放后的图像Ip计算其水平和垂直方向上的梯度图像Gx和Dy。
在该步骤,对缩放后的图像Ip使用Sobel算子以获得对应的水平和垂直方向上的梯度图像Gx和Gy。
步骤6,对缩放后的图像Ip计算其梯度图像和简化的梯度方向图像。
在该步骤,根据公式|G|=|Gx|+|Gy|获取梯度图像。在获取梯度方向之前,本发明将梯度方向划分为8个区间,如图2所示。之后,计算Θ=Gy/Gx,通过查找正切表确定Θ落入的区间,并使用该区间代替像素点的简化梯度方向Dθ。
步骤7,对梯度图像|G|计算一个高阈值TH,使大于高阈值TH的像素占总像素的N%,并人为设置低阈值TL;在该步骤,通过假设图像中只有N%的像素点是边缘点,可以推出阈值TH,如图3所示。其中N的取值可根据实际情况来人为规定。
步骤8,对于缩放后的图像Ip每一像素点,其对应的梯度图像|G|中的梯度大于TH的则认为该点是边缘点,小于TH大于TL的认为是候选点,其余点为小于设置阈值TL的非边缘点,进行舍弃。
步骤9,从边缘点出发,搜索其3×3邻域,如果存在候选点并且其简化的梯度方向与出发边缘点相同,则该候选点提升为边缘点,最后获取到 边缘图像E。
步骤10,对边缘图像E的每一个像素点使用具有梯度约束的霍夫变换,在ρθ参数空间中进行累加器更新,即给对应累加器增加一个计数。
在该步骤,将直线方程写为极坐标形式:ρ=u·cosθ+v·sinθ,其中(u,v)是边缘点在图像中的位置,ρ为极坐标下的半径小于图像的最长边,θ为角度。使用已知的边缘点(u,v)计算(ρ,θ)的可能值,其中θ的范围为(Dθ-1,Dθ+1)。对于所有可能的(ρ,θ)建立累加器,如果有边缘点(u,v)对应(ρ,θ),则累加器增加一个计数。
步骤11,对累加器进行排序,如果有累加器值超过设置阈值T,则认为该累加值坐标(ρ,θ)为直线的参数。
当步骤10中完成所有边缘点计算后,在步骤11对累加器进行排序,如果有累加器值超过阈值T,则认为该累加器坐标(ρ,θ)为直线的参数。步骤12,使用确定的直线参数(ρ,θ),在边缘图像E中找到该直线上的第一个左边界点,并假设为左端点。
步骤13,从假设的左边界点出发,以参数(ρ,θ)确定的直线方向为中轴,计算角度范围阈值α内的最近点,如果二者距离小于阈值d,则进行连接,如图4所示,否则将当前最近点作为新假设的左端点。最后连接的点作为右端点。
步骤14,使用步骤13连接的每一个点,对累加器进行反向更新,即使用该点对对应的累加器减去一个计数。之后对累加器重新排序,如果仍有累加器值超过T,则认为图像中仍有直线,跳到第12步骤,否则继续下一步骤。
步骤15,对从所有图像中提取的直线端点进行尺度回放,并经过逆投影操作将回放后的直线端点统一到车辆坐标系中。
在逆投影过程中,根据上面公式(1)计算经尺度回放后的直线端点在车辆坐标系中的位置,其中n×m是图像的分辨率。
其中,
步骤16,根据车辆坐标系中的直线端点计算车辆坐标系的直线参数(ρw,θw),在ρWθW参数空间中搜索满足Δρw∈(W±δ),的参数点对,也就是该点对中两个点的差值满足Δρw∈(W±δ),其中W是道路宽度,是车道线夹角,δ,σ分别为允许的误差。之后使用该参数点对对应的两条直线作为一对道路标线。
步骤17,以距离车辆最近的一对道路标线,作为当前车道的道路标线;
步骤18,计算当前车辆与当前道路标线的位置,并以当前道路标线为基础,搜索是否存在其它车道。
完成上述操作后,读取下一帧图像,从第3步开始循环运行。
利用本发明的上述道路标线检测方法,可以:1)使用多个图像传感器增加获取道路标线的稳定性。2)根据环境变化自动计算提取边缘所需的阈值大小。3)在霍夫变换中引入简化的梯度方向信息,提高了直线检测的精度和速度。同时,提出的累加器反向更新和端点连接方法提高了直线检测的稳定性。4)通过对直线端点进行逆投影将多角度信息统一到以车辆为原点的坐标系中,方法的计算量小。5)根据当前道路标线信息推算是否存在其它车道。
以上所述的具体实施例,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施例而已,并不用于限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.一种道路标线检测方法,该方法包括步骤:
步骤1,在车体四周安装一个或多个图像传感器;
步骤2,对每个图像传感器进行标定,以将图像中获得的检测结果还原到车辆坐标系中;
步骤3,利用安装在车辆上的图像传感器获取图像I;
步骤4,对获取的图像进行尺度缩放,后续的操作的对象为缩放后的图像Ip;
步骤5,对缩放后的图像Ip计算其水平和垂直方向上的梯度图像Gx和Gy;
步骤6,对缩放后的图像Ip计算其梯度图像|G|和简化的梯度方向图像;
步骤7,对梯度图像|G|计算一个高阈值TH,使大于高阈值TH的像素占总像素的一定比例,并人为设置低阈值TL;
步骤8,对于缩放后的图像Ip的每一像素点,其对应的梯度图像|G|中的梯度大于TH的则认为该点是边缘点,小于TH大于TL的认为是候选点,其余点为小于设置阈值TL的非边缘点,进行舍弃;
步骤9,从边缘点出发,搜索该边缘点3×3邻域,如果存在候选点并且其简化的梯度方向与出发点相同,则该候选点提升为边缘点,通过此方法最终可以获取到边缘图像E;
步骤10,对边缘图像E的每一个像素点使用具有梯度约束的霍夫变换,在ρθ参数空间中进行累加器更新;
步骤11,对累加器进行排序,如果有累加器值超过设置阈值T,则认为该累加值坐标(ρ,θ)为直线的参数;
步骤12,使用直线参数(ρ,θ),在边缘图像E中找到该直线上的第一个左边界点,并假设为左端点;
步骤13,从假设的左边界点出发,以参数(ρ,θ)确定的直线方向为中轴,计算角度范围阈值α内的最近点,如果二者距离小于阈值d,则进行连接,否则将当前最近点作为新假设的左端点,最后连接的点作为右端点;
步骤14,使用步骤13连接的每一个点,对累加器进行反向更新,即使用该点对对应的累加器减去一个计数,之后对累加器重新排序,如果仍有累加器值超过T,则认为图像中仍有直线,跳到第12步骤,否则继续下一步骤;
步骤15,对从所有图像中提取的直线端点进行尺度回放,并经过逆投影操作将回放后的直线端点统一到车辆坐标系中;
步骤16,根据车辆坐标系中的直线端点计算车辆坐标系的直线参数(ρw,θw),在ρwθw参数空间中搜索一对点,二者的差值满足Δρw∈(W±δ),其中W是道路宽度,是车道线夹角,δ,σ分别为允许的误差,之后使用该参数点对对应的两条直线作为一对道路标线;
步骤17,以距离车辆最近的一对道路标线,作为当前车道的道路标线;
步骤18,计算当前车辆与当前道路标线的位置,并以当前道路标线为基础,搜索是否存在其它车道。
2.根据权利要求1所述的方法,其特征在于,步骤1进一步包括:安装所述图像传感器时使X轴和Y轴在水平面上以车辆中心为原点。
3.根据权利要求1所述的方法,其特征在于,步骤5进一步包括:缩放后的图像Ip使用Sobel算子以获得对应的水平和垂直方向上的梯度图像Gx和Gy。
4.根据权利要求1所述的方法,其特征在于,步骤6进一步包括:根据公式|G|=|Gx|+|Gy|获取梯度图像。
5.根据权利要求4所述的方法,其特征在于,步骤6进一步包括:将梯度方向划分为8个区间,计算Θ=Gy/Gx,通过查找正切表确定Θ落入的区间,并使用该区间代替像素点的简化梯度方向Dθ。
6.根据权利要求5所述的方法,其特征在于,步骤8进一步包括:从边缘点出发,搜索其3×3邻域,如果存在候选点并且其简化的梯度方向与出发点相同,则该候选点变为边缘点,通过此方法最终可以获取到边缘图像E。
7.根据权利要求6所述的方法,其特征在于,步骤10进一步包括:在该步骤,将直线方程写为极坐标形式:ρ=u·cosθ+v·sinθ,其中(u,v)是边缘点在图像中的位置,ρ为极坐标下的半径小于图像的长边,θ为角度,使用已知的边缘点(u,v)计算(ρ,θ)的可能值,其中θ的范围为(Dθ-1,Dθ+1),对于所有可能的(ρ,θ)建立累加器,如果有边缘点(u,v)对应(ρ,θ),则累加器增加一个计数。
8.根据权利要求1-7所述的方法,其特征在于,在步骤18之后,读取下一帧图像,从步骤3开始循环运行。
9.根据权利要求1所述的方法,其特征在于,步骤15进一步包括:
首先将所有图像获取的直线端点进行尺度回放,之后根据下面的公式计算经尺度回放后的直线端点在车辆坐标系中的位置:
其中n×m是图像的分辨率,l、d、h是以车辆为中心的XYZ轴上的位移参数,α、γ、θ是偏转参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310193755.3A CN103308056B (zh) | 2013-05-23 | 2013-05-23 | 一种道路标线检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310193755.3A CN103308056B (zh) | 2013-05-23 | 2013-05-23 | 一种道路标线检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103308056A true CN103308056A (zh) | 2013-09-18 |
CN103308056B CN103308056B (zh) | 2015-09-16 |
Family
ID=49133541
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310193755.3A Active CN103308056B (zh) | 2013-05-23 | 2013-05-23 | 一种道路标线检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103308056B (zh) |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103839264A (zh) * | 2014-02-25 | 2014-06-04 | 中国科学院自动化研究所 | 一种车道线的检测方法 |
CN105426861A (zh) * | 2015-12-02 | 2016-03-23 | 百度在线网络技术(北京)有限公司 | 车道线确定方法及装置 |
CN105550652A (zh) * | 2015-12-14 | 2016-05-04 | 宁波裕兰信息科技有限公司 | 一种基于四颗摄像头360度环视ldw的实现方法 |
CN105654473A (zh) * | 2015-12-25 | 2016-06-08 | 傅之成 | 一种亚像素边缘检测方法 |
CN105760812A (zh) * | 2016-01-15 | 2016-07-13 | 北京工业大学 | 一种基于Hough变换的车道线检测方法 |
US9449245B2 (en) | 2014-02-22 | 2016-09-20 | Xiaomi Inc. | Method and device for detecting straight line |
CN106127787A (zh) * | 2016-07-01 | 2016-11-16 | 北京美讯美通信息科技有限公司 | 一种基于逆投影变换的相机标定方法 |
CN104156956B (zh) * | 2014-08-06 | 2017-03-15 | 中国科学院生物物理研究所 | 一种基于高斯小波一维峰值识别的多角度边缘检测方法 |
CN106548135A (zh) * | 2016-10-17 | 2017-03-29 | 北海益生源农贸有限责任公司 | 一种路面障碍检测方法 |
CN107356933A (zh) * | 2017-06-23 | 2017-11-17 | 南京理工大学 | 一种基于四线激光雷达的非结构化道路检测方法 |
CN107914600A (zh) * | 2016-10-11 | 2018-04-17 | 上海汽车集团股份有限公司 | 道路标线坐标自动采集设备、采集控制方法及控制装置 |
CN109255795A (zh) * | 2018-09-11 | 2019-01-22 | 中国计量大学 | 一种番茄植株边缘排序算法 |
CN109934862A (zh) * | 2019-02-22 | 2019-06-25 | 上海大学 | 一种点线特征结合的双目视觉slam方法 |
CN110361022A (zh) * | 2018-09-30 | 2019-10-22 | 长城汽车股份有限公司 | 行车坐标系构建方法及系统 |
CN111429399A (zh) * | 2019-01-09 | 2020-07-17 | 银河水滴科技(北京)有限公司 | 一种直线检测方法及装置 |
CN112819864A (zh) * | 2021-04-16 | 2021-05-18 | 腾讯科技(深圳)有限公司 | 一种行驶状态检测方法、装置及存储介质 |
CN113706535A (zh) * | 2021-10-28 | 2021-11-26 | 江苏启力锻压机床有限公司 | 基于图像处理的钣金件折弯切口检测方法及系统 |
CN115272287A (zh) * | 2022-08-19 | 2022-11-01 | 哈尔滨市科佳通用机电股份有限公司 | 一种铁路货车缓冲器及从板故障检测方法、介质及系统 |
US11926339B2 (en) | 2018-09-30 | 2024-03-12 | Great Wall Motor Company Limited | Method for constructing driving coordinate system, and application thereof |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070127777A1 (en) * | 2005-12-06 | 2007-06-07 | Nissan Motor Co., Ltd. | Apparatus and method for detecting a road boundary |
CN101620732A (zh) * | 2009-07-17 | 2010-01-06 | 南京航空航天大学 | 道路行驶线的视觉检测方法 |
CN101714252A (zh) * | 2009-11-26 | 2010-05-26 | 上海电机学院 | Sar图像中道路的提取方法 |
CN102122344A (zh) * | 2011-01-07 | 2011-07-13 | 南京理工大学 | 基于红外图像的道路边界检测方法 |
CN102682292A (zh) * | 2012-05-10 | 2012-09-19 | 清华大学 | 基于单目视觉的道路边缘检测及粗定位方法 |
-
2013
- 2013-05-23 CN CN201310193755.3A patent/CN103308056B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070127777A1 (en) * | 2005-12-06 | 2007-06-07 | Nissan Motor Co., Ltd. | Apparatus and method for detecting a road boundary |
CN101620732A (zh) * | 2009-07-17 | 2010-01-06 | 南京航空航天大学 | 道路行驶线的视觉检测方法 |
CN101714252A (zh) * | 2009-11-26 | 2010-05-26 | 上海电机学院 | Sar图像中道路的提取方法 |
CN102122344A (zh) * | 2011-01-07 | 2011-07-13 | 南京理工大学 | 基于红外图像的道路边界检测方法 |
CN102682292A (zh) * | 2012-05-10 | 2012-09-19 | 清华大学 | 基于单目视觉的道路边缘检测及粗定位方法 |
Non-Patent Citations (2)
Title |
---|
周磊等: "结构化道路车道线快速检测的一种改进算法", 《计算机仿真》, vol. 29, no. 4, 30 April 2012 (2012-04-30) * |
戴渊明等: "基于改进概率霍夫变换算法的车道检测方法研究", 《杭州电子科技大学学报》, vol. 26, no. 5, 31 October 2006 (2006-10-31) * |
Cited By (29)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9449245B2 (en) | 2014-02-22 | 2016-09-20 | Xiaomi Inc. | Method and device for detecting straight line |
CN103839264B (zh) * | 2014-02-25 | 2016-09-14 | 中国科学院自动化研究所 | 一种车道线的检测方法 |
CN103839264A (zh) * | 2014-02-25 | 2014-06-04 | 中国科学院自动化研究所 | 一种车道线的检测方法 |
CN104156956B (zh) * | 2014-08-06 | 2017-03-15 | 中国科学院生物物理研究所 | 一种基于高斯小波一维峰值识别的多角度边缘检测方法 |
CN105426861B (zh) * | 2015-12-02 | 2019-05-21 | 百度在线网络技术(北京)有限公司 | 车道线确定方法及装置 |
CN105426861A (zh) * | 2015-12-02 | 2016-03-23 | 百度在线网络技术(北京)有限公司 | 车道线确定方法及装置 |
CN105550652A (zh) * | 2015-12-14 | 2016-05-04 | 宁波裕兰信息科技有限公司 | 一种基于四颗摄像头360度环视ldw的实现方法 |
CN105654473A (zh) * | 2015-12-25 | 2016-06-08 | 傅之成 | 一种亚像素边缘检测方法 |
CN105760812A (zh) * | 2016-01-15 | 2016-07-13 | 北京工业大学 | 一种基于Hough变换的车道线检测方法 |
CN105760812B (zh) * | 2016-01-15 | 2019-06-07 | 北京工业大学 | 一种基于Hough变换的车道线检测方法 |
CN106127787A (zh) * | 2016-07-01 | 2016-11-16 | 北京美讯美通信息科技有限公司 | 一种基于逆投影变换的相机标定方法 |
CN106127787B (zh) * | 2016-07-01 | 2019-04-02 | 北京美讯美通信息科技有限公司 | 一种基于逆投影变换的相机标定方法 |
CN107914600A (zh) * | 2016-10-11 | 2018-04-17 | 上海汽车集团股份有限公司 | 道路标线坐标自动采集设备、采集控制方法及控制装置 |
CN106548135A (zh) * | 2016-10-17 | 2017-03-29 | 北海益生源农贸有限责任公司 | 一种路面障碍检测方法 |
CN107356933B (zh) * | 2017-06-23 | 2020-09-18 | 南京理工大学 | 一种基于四线激光雷达的非结构化道路检测方法 |
CN107356933A (zh) * | 2017-06-23 | 2017-11-17 | 南京理工大学 | 一种基于四线激光雷达的非结构化道路检测方法 |
CN109255795A (zh) * | 2018-09-11 | 2019-01-22 | 中国计量大学 | 一种番茄植株边缘排序算法 |
CN109255795B (zh) * | 2018-09-11 | 2021-04-06 | 中国计量大学 | 一种番茄植株边缘排序方法 |
CN110361022A (zh) * | 2018-09-30 | 2019-10-22 | 长城汽车股份有限公司 | 行车坐标系构建方法及系统 |
CN110361022B (zh) * | 2018-09-30 | 2021-06-22 | 毫末智行科技有限公司 | 行车坐标系构建方法及系统 |
US11926339B2 (en) | 2018-09-30 | 2024-03-12 | Great Wall Motor Company Limited | Method for constructing driving coordinate system, and application thereof |
CN111429399B (zh) * | 2019-01-09 | 2023-08-01 | 银河水滴科技(北京)有限公司 | 一种直线检测方法及装置 |
CN111429399A (zh) * | 2019-01-09 | 2020-07-17 | 银河水滴科技(北京)有限公司 | 一种直线检测方法及装置 |
CN109934862A (zh) * | 2019-02-22 | 2019-06-25 | 上海大学 | 一种点线特征结合的双目视觉slam方法 |
CN112819864A (zh) * | 2021-04-16 | 2021-05-18 | 腾讯科技(深圳)有限公司 | 一种行驶状态检测方法、装置及存储介质 |
CN112819864B (zh) * | 2021-04-16 | 2021-08-17 | 腾讯科技(深圳)有限公司 | 一种行驶状态检测方法、装置及存储介质 |
CN113706535B (zh) * | 2021-10-28 | 2022-03-15 | 江苏启力锻压机床有限公司 | 基于图像处理的钣金件折弯切口检测方法及系统 |
CN113706535A (zh) * | 2021-10-28 | 2021-11-26 | 江苏启力锻压机床有限公司 | 基于图像处理的钣金件折弯切口检测方法及系统 |
CN115272287A (zh) * | 2022-08-19 | 2022-11-01 | 哈尔滨市科佳通用机电股份有限公司 | 一种铁路货车缓冲器及从板故障检测方法、介质及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN103308056B (zh) | 2015-09-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103308056B (zh) | 一种道路标线检测方法 | |
CN107063275B (zh) | 基于路侧设备的智能车辆地图融合系统及方法 | |
CN104008645B (zh) | 一种适用于城市道路车道线预测及预警方法 | |
US20220397402A1 (en) | Systems and methods for determining road safety | |
CN102541061B (zh) | 基于视听觉信息的缩微智能车 | |
EP2549457B1 (en) | Vehicle-mounting vehicle-surroundings recognition apparatus and vehicle-mounting vehicle-surroundings recognition system | |
CN110356325B (zh) | 一种城市交通客运车辆盲区预警系统 | |
CN115014370A (zh) | 用于生成地图信息的系统、方法和计算机可读介质 | |
CN104021541A (zh) | 车至车距离计算装置和方法 | |
CN104494598A (zh) | 一种用于智能车辆的路口行驶控制方法 | |
CN104217615A (zh) | 一种基于车路协同的行人防碰撞系统和方法 | |
CN102685516A (zh) | 立体视觉主动安全辅助驾驶方法 | |
CN105528593A (zh) | 一种前向车辆驾驶人驾驶行为预测系统及预测方法 | |
CN103810854B (zh) | 一种基于人工标定的智能交通参数检测方法 | |
EP2712373B1 (en) | Road information provision device and method providing enhanced safety | |
CN104504364A (zh) | 基于时空关联的停止线实时识别与测距方法 | |
CN112325896A (zh) | 导航方法、装置、智能行驶设备及存储介质 | |
CN106448223B (zh) | 一种雾霾自动适应的高速公路行车车速预警装置及方法 | |
US20230236037A1 (en) | Systems and methods for common speed mapping and navigation | |
CN111717244A (zh) | 一种列车自动驾驶感知方法和系统 | |
CN204825605U (zh) | 一种基于图像的道路环境识别与检测装置 | |
CN103699899A (zh) | 基于等距曲线模型的车道线检测方法 | |
CN101145240A (zh) | 摄像机图像对道路场景多点高精度标定方法 | |
CN116597690B (zh) | 智能网联汽车的高速公路测试场景生成方法、设备及介质 | |
CN103295003A (zh) | 一种基于多特征融合的车辆检测方法 |
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 |