CN103500322A - 基于低空航拍图像的车道线自动识别方法 - Google Patents

基于低空航拍图像的车道线自动识别方法 Download PDF

Info

Publication number
CN103500322A
CN103500322A CN201310409740.6A CN201310409740A CN103500322A CN 103500322 A CN103500322 A CN 103500322A CN 201310409740 A CN201310409740 A CN 201310409740A CN 103500322 A CN103500322 A CN 103500322A
Authority
CN
China
Prior art keywords
connected region
road
image
lane line
method based
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
Application number
CN201310409740.6A
Other languages
English (en)
Other versions
CN103500322B (zh
Inventor
王云鹏
余贵珍
郑欣蕊
徐永正
张毅鹏
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.)
Beihang University
Original Assignee
Beihang 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 Beihang University filed Critical Beihang University
Priority to CN201310409740.6A priority Critical patent/CN103500322B/zh
Publication of CN103500322A publication Critical patent/CN103500322A/zh
Application granted granted Critical
Publication of CN103500322B publication Critical patent/CN103500322B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Image Analysis (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明提供了一种基于低空航拍图像的车道线自动识别方法,用于智能交通领域中。通过低空飞行器采集道路上的原始图像,保证航拍道路的拍摄角度为水平方向,且道路区域位于图像的中间位置;对采集的图像转化成灰度图像并提高对比度,复制灰度图像,由灰度图像获取边缘检测图像和二值化图像;在边缘检测图像和二值化图像中检测连通区域并记录各连通区域的特征;根据连通区域的像素点个数、连通边界的个数、外接矩形大小和方差值来删除连通区域,得到中央道路线;在中央道路线两侧进行搜索找到路侧车道线。本发明计算简便,运算速度快,可靠性高,能有效提取航拍视频中的道路部分,可以检测航拍图像中的直路和弯路,不受背景变化的干扰,准确度高。

Description

基于低空航拍图像的车道线自动识别方法
技术领域
本发明属于交通信息领域,涉及一种智能交通技术领域的低空航拍图像的车道线自动识别方法,尤其是一种适用于航拍图中弯道的识别与提取方法。
背景技术
中国由于人口密集,在大中城市交通状况日益拥堵,高速公路上的事故、雪灾等特殊情况都会导致交通瘫痪,对行车安全造成极大隐患,对市民的日常出行也带来极大不便。目前交通状态感知以路基手段为主,只能获得离散点抽样的断面信息,难以获得连续大范围的实时态势信息,传统地面交通指挥方式无法覆盖所有路段、路口,无法满足突发事件处理对交通信息的全方位需求。
目前,图像处理在道路交通中应用广泛,特别在断面交通流检测中较为成熟,其检测精度和速度已经满足当前交通需求,但是其识别算法仅在路段的某一点上对交通状态识别,对于低空飞行器拍摄的路段或多条路段交通状态识别无能为力。现有的车道线检测技术一般针对于驾驶人视角,采用霍夫变换得到车道线,航拍图的车道线检测多是针对低分辨率卫星地图,而对于低空飞行器动态摄像头拍摄的视频的处理方法却少有研究。现有的针对于低空飞行器动态摄像头的视频处理方法,是基于机器学习法对图像车辆进行识别,未涉及道路提取技术。
道路的检测是航拍图像中获取交通信息的一个基本且必须的步骤,它是进行当前路面车辆检测,判断交通状况等的前提。
发明内容
本发明的目的在于针对上述研究存在的不足及实际需要,提供了一种基于低空航拍图像的车道线自动识别方法,实现了针对低空飞行器航拍视频的、速度快、全自动、弯道直道都适用、检测率高的车道线识别和道路还原,并能输出道路部分的图像。
本发明的一种基于低空航拍图像的车道线自动识别方法,包括如下步骤:
步骤1:通过低空飞行器采集道路上的原始图像,保证航拍道路的拍摄角度为水平方向,且道路区域位于图像的中间位置;
步骤2:将步骤1采集的图像转化成灰度图像并提高灰度图像的对比度,复制灰度图像,然后,一方面获取灰度图像的边缘检测图像,另一方面二值化复制的灰度图像得到二值化图像;
步骤3:将边缘检测图像进行连通区域的检测,记录每个连通区域的特征:像素点个数以及外接矩形长和宽;对二值化图像进行连通区域的检测,并记录每个连通区域的特征:像素点个数、与图像边界的连接情况、外接矩形的长和宽以及区域的方差值;
步骤4:获取二值化图像的连通区域,并根据连通区域的像素点个数、连通边界的个数、外接矩形的大小以及方差值来删除连通区域,得到中央道路线;
步骤5:在边缘检测图像中,在中央道路线上下两侧进行双向搜索,提取路侧车道线。
所述的步骤4的实现方法是:
步骤4.1:取第k个连通区域,初始k=1;设由二值化图像共得到n个连通区域;
步骤4.2:判断第k个连通区域的像素点个数是否小于设定的阈值T1,若是,删除第k个连通区域,更新k=k+1,然后转步骤4.6执行,否则,继续执行步骤4.2;T1为[50,100]内的整数;
步骤4.3:判断第k个连通区域连通的图像边界个数Sk是否小于2,若是,删除第k个连通区域,更新k=k+1,然后转步骤4.6执行,否则,继续执行步骤4.4;
步骤4.4:判断第k个连通区域的外接矩形的长和宽是否满足如下条件:长小于灰度图像长度的一半,且宽小于灰度图像宽度的一半;若是,删除第k个连通区域,更新k=k+1,然后转步骤4.6执行,否则,继续执行步骤4.5;
步骤4.5:计算第k个连通区域的方差值σk,若σk>T2,删除第k个连通区域,然后转步骤4.6执行,否则,保留第k个连通区域,然后执行步骤4.7;T2在区间[30,60]内取值;
步骤4.6:判断k是否大于n,若否,转步骤4.1执行,若是,执行步骤4.7;
步骤4.7:由连通区域确定中央道路线,当得到两条以上道路线时,根据道路线的左右连通位置来确定中央道路线。
所述的步骤5具体实现步骤如下:
步骤5.1:设从边缘检索图像中检测到m个连通区域,对每个连通区域进行初始检测和删除处理;
(1)如果连通区域的像素点个数小于设定的阈值T3,删除该连通区域,否则保留该连通区域;T3为[10,30]内的整数;
(2)如果连通区域的外接矩形的宽处于区间[0,50]像素,且高处于区间[0,40]像素,删除该连通区域,否则保留该连通区域;
步骤5.2:将步骤4得到的中央道路线进行细化处理;
步骤5.3:用最小二乘法对中央道路线进行拟合,得到二次的中央道路线函数方程:
Y=Ax2+Bx+C,(x,y)为中央道路线上像素的坐标,A、B和C为三个参数;
步骤5.4:求取中央道路线函数方程中,横坐标x每隔10像素处点的导数值Y’:
Y’=2Ax+B(x=0,10,20......)
获取各个求导点的法线方向的斜率k=1/Y’;
步骤5.5:对边缘检测图像进行道路线搜索,从中央道路线开始,沿着每个法线方向进行双向搜索;针对每个法线方向的搜寻,当搜索到值为1的点时,记录该点坐标并停止搜索,在每个法线方向上、中央道路线的两侧都找到一个值为1的点;
步骤5.6:将记录的点以中央道路线为界分为两组,对每组数据进行均值滤波,去掉偏差较大的点,然后用最小二乘法进行拟合,得到两条路侧车道线的函数方程,两条路侧车道线之间的部分就是道路区域。
基于本发明所述的车道线自动识别方法,进行道路识别与提取的实现方法为:首先,对原图RGB(i,j)的每一列进行搜索,令x=i,根据两条路侧车道线的函数方程,得到横坐标y1和y2的值;然后,将第i列中不位于区间[y1,y2]的点填充为白色,白色点表示不是道路区域部分;最后,在对原图的每一列进行搜索和填充后,输出道路区域图像。
本发明的优点与积极效果在于:该方法综合考虑了低空航拍视频的特点,利用图像处理中二值图的连通区域特征和边缘检测结果对图像进行分析,建立了航拍图和航拍视频中车道线的识别方法和道路区域提取方法,具有计算简便,运算速度快,可靠性高等优点,并能有效提取航拍视频中的道路部分。本发明可以检测航拍图像中的直路和弯路,不受道路形态限制,且镜头畸变的情况下也可准确检测道路,低空飞行器在任何路段都可检测出道路,并迅速得到道路线的方程。与现有技术相比,不同于固定摄像头处理方法,本发明针对移动摄像头采集的视频,可根据当前路面实时提取道路,不受背景变化的干扰。本发明检测道路可以排除掉大量非道路信息的干扰,提高后续检测车辆的效率。
附图说明
图1是本发明的基于低空航拍图像的车道线自动识别方法的整体流程图;
图2是本发明的道路中心线的提取流程图;
图3是本发明的道路中心线搜索示意图;
图4是本发明的道路两侧道路线识别流程图;
图5是本发明的道路识别与提取流程图。
具体实施方式
为了使本发明的目的,技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。
如图1所示,为本发明的基于低空航拍图像的车道线自动识别方法,包括步骤1到步骤5。步骤1,用低空飞行器采集航拍道路原始图像,保证航拍道路的拍摄角度为水平方向,且道路区域位于图像的中间位置。
步骤2,对采集的原始图像进行预处理。
为保证处理速度,首先进行宽高等比例的压缩,得到宽为W,高为H的图像。
再进行灰度化处理,并提高灰度图的对比度,并复制得到的灰度图像。
最后,一方面通过canny算法获取灰度图像的边缘检测图像,另一方面对复制的灰度图像进行二值化处理,得到二值化图像。
步骤3,在边缘检测图像中进行连通区域的检测,并记录每个连通区域的特征:像素点个数和外接矩形的长和宽。
对二值化图像进行连通区域的检测,并记录每个连通区域的特征:像素点个数、与图像边界的连接情况、外接矩形的长和宽以及区域的方差值。
步骤4:获取二值化图像的连通区域,并根据连通区域的像素点个数、连通边界的个数、外接矩形的大小以及方差值来删除连通区域,搜索得到中央道路线。
如图2所示,为道路中心线的提取流程图,该过程是弯道识别的前提。设从二值化图像中共检测并标记出个连通区域。针对每个连通区域,进行如下步骤执行。
步骤S101:取第k个连通区域,初始k=1。
步骤S102:判断第k个连通区域的像素点个数是否小于设定的阈值T1,若是,则认为该连通区域是边缘图像处理结果中无关的信息,删除第k个连通区域,然后转步骤S106执行,否则,继续执行步骤S103。阈值T1是经验值,通常为处于区间[50,100]内的整数,设定阈值T1旨在删除图像中过小的区域,以提高后续处理的速度。
步骤S103:对连通区域与边界的连通性进行判断,删除不是道路的区域。
计算第k个连通区域连通的边界的个数Sk,若Sk≥2则继续进行步骤S104的操作,否则,删除第k个连通区域,然后转步骤S106执行。
如图3所示,假设区域4是需要保留的道路区域,步骤S105的目的是判断连通区域与边界连通的情况。如区域2,只和图像的左边界连通,所以Sk=1;区域3不与任何边界连通,所以Sk=0;而区域1,区域4,区域5,区域6都和两条边界相连,所以Sk=2。只有当Sk≥2时才可能是道路,所以将Sk<2的区域全部删除。
步骤S104:根据连通区域的外接矩形的特征,来删除连通区域。
设Rhk是第k个连通区域的外接矩形的高,Rwk是第k个连通区域的外接矩形的宽。若同时满足
Figure BDA00003799165700041
如图2中区域2和区域6,则认为该连通区域的外接矩形过小,不是道路区域,删除第k个连通区域,然后转步骤S106执行;相反,则可能是道路区域,保留该连通区域,并继续进入步骤S105执行。
步骤S105:根据方差值特征来删除连通区域。
设T2是一个经过实验得到的方差的阈值,σk是第k个连通区域的方差值,该方差值通过计算连通区域的外接矩形范围内的每一列的像素点个数得到。例如图3中的区域4,先得到该连通区域外接矩形,并在外接矩形的范围内进行点个数的统计,将每一列的像素点个数值都记录下来,并对这些值求方差。连通区域形状越平滑规律,方差值越小,反之越大。通常道路线为平滑规律的曲线,所以方差值很小,而其他区域的方差值较大。由于道路中心线形状平滑规整,方差值小,所以低于方差阈值T2的是道路区域。T2为经验值,处于区间[30,60]。
若σk>T2,删除第k个连通区域,然后执行步骤S106,否则,保留第k个连通区域,然后执行步骤S107。
步骤S106:更新k=k+1,然后判断k是否大于n,若否,转步骤S101执行,若是,执行步骤S107。
步骤S107:由保留的连通区域得到中央道路线。
步骤S108:通过步骤S101~S107基本可以确定中央道路线。若此时出现剩余两条以上道路线的特殊情况,则根据步骤1,可以根据与图像边界连接的位置来判定哪一条是中央道路线:连通位置在左右两边界1/2H附近的线即为中央道路线,否则删除道路线。
步骤5:基于所搜索到的中央道路线,在边缘检测图像中,在中央道路线上下两侧进行双向搜索,提取路侧车道线。
设从边缘检索图像中检测到m个连通区域,基于步骤4得到的中央道路线,通过下面步骤提取路侧车道线,如图4所示。
步骤S201:对每个连通区域进行初始检测和删除处理。
包括两方面:
(1)根据像素点个数来删除连通区域。如果连通区域的像素点个数小于设定的阈值T3,认为该连通区域是边缘检测图像处理结果中无关的信息,删除该连通区域;否则保留该连通区域。由于是边缘检测图像,导致连通区域的像素值较少,所以阈值T3设定在[10,30]内,例如可设为20。
(2)根据连通区域的外接矩形的大小来删除连通区域。如果连通区域的外接矩形的宽处于区间[0,50]像素,且高处于区间[0,40]像素,则认为该连通区域是道路中的车辆,为了避免其对路侧车道线检测的干扰,删除该连通区域,否则保留该连通区域。
步骤S202:为了方便拟合,对中央道路线进行细化处理,使道路中心线变为单连通的线。
步骤S203:用最小二乘法对中央道路线进行拟合。对中央道路线每隔10个像素抽取一个点,作为拟合点,并用最小二乘法进行二次拟合,得到中央道路线函数方程Y=Ax2+Bx+C,其中A,B,C是二次方程的三个参数,方程中(x,y)为中央道路线上像素的坐标。
步骤S204:对中央道路线函数方程中,横坐标x每隔10像素处的点求导。
由中央道路线函数方程,得到对应x=0,10,20......时,中央道路线上的点,设为P1、P2......PN,N为正整数,根据情况确定具体值。对步骤S203中的方程Y=Ax2+Bx+C求导,得到Y’=2Ax+B,根据求导公式能得到P1、P2……PN各点对应的导数值。根据各导数值,能计算得到P1、P2……PN处各点的法线方向的斜率k=1/Y’。从而已知一个点和斜率,可得到法线方向直线方程y=kx+b。
步骤S205:对边缘检测图像进行道路线搜索,从中央道路线开始,沿着每个法线k方向进行双向搜索。
开始取P1点对应的法线方向直线方程,从P1点开始,沿法线y=kx+b进行双向搜索。若搜索的方向中出现了白色像素点,即值为1的点,则停止搜索,认为该点是路侧车道线上的点,记录该点位置坐标。然后取x=x+10处的求导点P2对应的法线方向直线方程,从P2点开始,沿法线y=kx+b进行双向搜索,直到找到值为1的点。以此类推,直到沿PN点对应的法线进行双向搜索完毕。记录每一次搜索结束时中央道路线两侧遇到的第一个白色像素点。
步骤S206:将步骤S205中得到的所有值为1的点坐标,以中央道路线为界分为两组,对两组数据进行均值滤波,去掉偏差较大的点,对每组数据用同步骤S203的方法进行最小二乘法拟合,得到两个二次方程,设得到中央道路线上侧的二次方程y1=A1x2+B1x+C1,中央道路线下侧的二次方程y2=A2x2+B2x+C2。A1、B1和C1,以及A2、B2和C2都为拟合后得到的参数。
如图5所示,基于本发明所述的车道线自动识别方法,进行道路识别与提取包括如下步骤:
步骤S301:搜索原图RGB(i,j)的第i列,(i,j)表示原图中像素的坐标位置。初始设置i=1。
步骤S302:令x=i,根据两条路侧车道线的函数方程,对应横坐标y1和y2的值,计算得到第i列对应的两条路侧车道线纵坐标y1和y2的值。设置j=1。
步骤S303:搜索第i列的第j个像素,判断该像素坐标j值是否在区间[y1,y2]之间,若是,说明该像素位于道路区域内,对该像素不做处理,执行步骤S304;否则,说明该像素不在道路区域内,填充该像素为白色,然后执行步骤S304。
步骤S304:判断第i列的所有像素是否都已经的搜索完毕,如果是,执行步骤S305;否则,更新j=j+1,继续转步骤303执行。
步骤S305:判断原图的所有列是否都已经搜索完毕,如果是,执行步骤S306;否则,更新i=i+1,然后转步骤S302执行。
步骤S306:输出道路区域图像。

Claims (4)

1.一种基于低空航拍图像的车道线自动识别方法,其特征在于,包括如下步骤:
步骤1:通过低空飞行器采集道路上的原始图像,保证航拍道路的拍摄角度为水平方向,且道路区域位于图像的中间位置;
步骤2:将步骤1采集的图像转化成灰度图像,并提高灰度图像的对比度,复制灰度图像;然后,一方面获取灰度图像的边缘检测图像,另一方面二值化复制的灰度图像得到二值化图像;
步骤3:将边缘检测图像进行连通区域的检测,记录每个连通区域的特征:像素点个数以及外接矩形长和宽;对二值化图像进行连通区域的检测,并记录每个连通区域的特征:像素点个数、与图像边界的连接情况、外接矩形的长和宽以及区域的方差值;
步骤4:获取二值化图像的连通区域,并根据连通区域的像素点个数、连通边界的个数、外接矩形的大小以及方差值来删除连通区域,得到中央道路线;
步骤5:在边缘检测图像中,在中央道路线上下两侧进行双向搜索,提取路侧车道线。
2.根据权利要求1所述的一种基于低空航拍图像的车道线自动识别方法,其特征在于,所述的步骤4的实现方法是:
步骤4.1:取第k个连通区域,初始k=1;设由二值化图像共得到n个连通区域;
步骤4.2:判断第k个连通区域的像素点个数是否小于设定的阈值T1,若是,删除第k个连通区域,更新k=k+1,然后转步骤4.6执行,否则,继续执行步骤4.2;T1为[50,100]内的整数;
步骤4.3:判断第k个连通区域连通的图像边界个数Sk是否小于2,若是,删除第k个连通区域,更新k=k+1,然后转步骤4.6执行,否则,继续执行步骤4.4;
步骤4.4:判断第k个连通区域的外接矩形的长和宽是否满足如下条件:长小于灰度图像长度的一半,且宽小于灰度图像宽度的一半;若是,删除第k个连通区域,更新k=k+1,然后转步骤4.6执行,否则,继续执行步骤4.5;
步骤4.5:计算第k个连通区域的方差值σk,若σk>T2,删除第k个连通区域,然后转步骤4.6执行,否则,保留第k个连通区域,然后执行步骤4.7;T2在区间[30,60]内取值;
步骤4.6:判断k是否大于n,若否,转步骤4.1执行,若是,执行步骤4.7;
步骤4.7:由连通区域确定中央道路线,当得到两条以上道路线时,根据道路线的左右边界的连通位置来确定中央道路线,中央道路线的左右边界的连通位置位于图像边界的中间。
3.根据权利要求1或2所述的一种基于低空航拍图像的车道线自动识别方法,其特征在于,所述的步骤5的实现方法是:
步骤5.1:设从边缘检索图像中检测到m个连通区域,对每个连通区域进行初始检测和删除处理;
(1)如果连通区域的像素点个数小于设定的阈值T3,删除该连通区域,否则保留该连通区域;T3为[10,30]内的整数;
(2)如果连通区域的外接矩形的宽处于区间[0,50]像素,且高处于区间[0,40]像素,删除该连通区域,否则保留该连通区域;
步骤5.2:将中央道路线进行细化处理;
步骤5.3:用最小二乘法对中央道路线进行拟合,得到二次的中央道路线函数方程:
Y=Ax2+Bx+C,(x,y)为中央道路线上像素的坐标,A、B和C为三个参数;
步骤5.4:求取中央道路线函数方程中,横坐标x每隔10像素处点的导数值Y’:
Y’=2Ax+B(x=0,10,20......)
获取各个求导点的法线方向的斜率k=1/Y’;
步骤5.5:对边缘检测图像进行道路线搜索,从中央道路线开始,沿着每个法线方向进行双向搜索;针对每个法线方向的搜寻,当搜索到值为1的点时,记录该点坐标并停止搜索,在每个法线方向上、中央道路线的两侧都找到一个值为1的点;
步骤5.6:将记录的点以中央道路线为界分为两组,对每组数据进行均值滤波,去掉偏差较大的点,然后用最小二乘法进行拟合,得到两条路侧车道线的函数方程,两条路侧车道线之间的部分就是道路区域。
4.根据权利要求3所述的一种基于低空航拍图像的车道线自动识别方法,其特征在于,所述的步骤5的实现方法是:首先,对原图RGB(i,j)的每一列进行搜索,令x=i,根据两条路侧车道线的函数方程,得到横坐标y1和y2的值;然后,将第i列中不位于区间[y1,y2]的点填充为白色,白色点表示不是道路区域部分;最后,在对原图的每一列进行搜索和填充后,输出道路区域图像。
CN201310409740.6A 2013-09-10 2013-09-10 基于低空航拍图像的车道线自动识别方法 Active CN103500322B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201310409740.6A CN103500322B (zh) 2013-09-10 2013-09-10 基于低空航拍图像的车道线自动识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201310409740.6A CN103500322B (zh) 2013-09-10 2013-09-10 基于低空航拍图像的车道线自动识别方法

Publications (2)

Publication Number Publication Date
CN103500322A true CN103500322A (zh) 2014-01-08
CN103500322B CN103500322B (zh) 2016-08-17

Family

ID=49865527

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201310409740.6A Active CN103500322B (zh) 2013-09-10 2013-09-10 基于低空航拍图像的车道线自动识别方法

Country Status (1)

Country Link
CN (1) CN103500322B (zh)

Cited By (38)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104809449A (zh) * 2015-05-14 2015-07-29 重庆大学 适用于高速公路视频监控系统的车道虚线分界线自动检测方法
CN105450950A (zh) * 2015-12-07 2016-03-30 北京航空航天大学 无人机航拍视频去抖方法
CN105488485A (zh) * 2015-12-07 2016-04-13 北京航空航天大学 基于车辆轨迹的车道线自动提取方法
CN105549603A (zh) * 2015-12-07 2016-05-04 北京航空航天大学 一种多旋翼无人机的智能道路巡检控制方法
CN105611253A (zh) * 2016-01-13 2016-05-25 天津中科智能识别产业技术研究院有限公司 一种基于智能视频分析技术的态势感知系统
CN106458238A (zh) * 2014-02-17 2017-02-22 通用电气公司 航空拍摄装置系统和用于识别路线相关危害的方法
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
CN107627054A (zh) * 2017-10-31 2018-01-26 宁波蓝鼎电子科技有限公司 一种用于焊缝跟踪系统的图形显示报警方法
CN107944407A (zh) * 2017-11-30 2018-04-20 中山大学 一种基于无人机的路口斑马线识别方法
CN108108697A (zh) * 2017-12-25 2018-06-01 中国电子科技集团公司第五十四研究所 一种实时无人机视频目标检测与跟踪方法
CN108596165A (zh) * 2018-08-21 2018-09-28 湖南鲲鹏智汇无人机技术有限公司 基于无人机低空航拍图像的道路交通标线检测方法及系统
CN108875607A (zh) * 2017-09-29 2018-11-23 惠州华阳通用电子有限公司 车道线检测方法、装置以及计算机可读存储介质
CN108918348A (zh) * 2018-08-03 2018-11-30 中国科学院力学研究所 一种微米毛细管通道中气液相界面移动速度获取方法
CN109146970A (zh) * 2018-08-03 2019-01-04 中国科学院力学研究所 微米毛细管内气液两相动态驱替图像的接触角获取方法
CN109187277A (zh) * 2018-08-03 2019-01-11 中国科学院力学研究所 一种微米毛细管通道中气液相界面移动距离获取方法
CN109766889A (zh) * 2018-11-19 2019-05-17 浙江众合科技股份有限公司 基于曲线拟合的轨道图像识别后处理方法
CN109816720A (zh) * 2018-12-21 2019-05-28 歌尔股份有限公司 道路中心检测方法、机载设备及存储介质
CN110210298A (zh) * 2019-04-25 2019-09-06 南开大学 一种基于空中视野的曲折道路信息提取与表示方法
CN111160086A (zh) * 2019-11-21 2020-05-15 成都旷视金智科技有限公司 车道线识别方法、装置、设备和存储介质
CN111309048A (zh) * 2020-02-28 2020-06-19 重庆邮电大学 一种多旋翼无人机结合道路检测沿路自主飞行的方法
CN111551958A (zh) * 2020-04-28 2020-08-18 北京踏歌智行科技有限公司 一种面向矿区无人驾驶的高精地图制作方法
CN112648935A (zh) * 2020-12-14 2021-04-13 杭州思锐迪科技有限公司 一种图像处理方法、装置和三维扫描系统
US11403069B2 (en) 2017-07-24 2022-08-02 Tesla, Inc. Accelerated mathematical engine
US11409692B2 (en) 2017-07-24 2022-08-09 Tesla, Inc. Vector computational unit
US11487288B2 (en) 2017-03-23 2022-11-01 Tesla, Inc. Data synthesis for autonomous control systems
US11537811B2 (en) 2018-12-04 2022-12-27 Tesla, Inc. Enhanced object detection for autonomous vehicles based on field view
US11561791B2 (en) 2018-02-01 2023-01-24 Tesla, Inc. Vector computational unit receiving data elements in parallel from a last row of a computational array
US11562231B2 (en) 2018-09-03 2023-01-24 Tesla, Inc. Neural networks for embedded devices
US11567514B2 (en) 2019-02-11 2023-01-31 Tesla, Inc. Autonomous and user controlled vehicle summon to a target
CN115775377A (zh) * 2022-11-25 2023-03-10 北京化工大学 图像和方向盘转向角度融合的自动驾驶车道线分割方法
US11610117B2 (en) 2018-12-27 2023-03-21 Tesla, Inc. System and method for adapting a neural network model on a hardware platform
US11636333B2 (en) 2018-07-26 2023-04-25 Tesla, Inc. Optimizing neural network structures for embedded systems
US11665108B2 (en) 2018-10-25 2023-05-30 Tesla, Inc. QoS manager for system on a chip communications
US11681649B2 (en) 2017-07-24 2023-06-20 Tesla, Inc. Computational array microprocessor system using non-consecutive data formatting
US11734562B2 (en) 2018-06-20 2023-08-22 Tesla, Inc. Data pipeline and deep learning system for autonomous driving
US11748620B2 (en) 2019-02-01 2023-09-05 Tesla, Inc. Generating ground truth for machine learning from time series elements
US11875560B2 (en) 2020-03-18 2024-01-16 Coretronic Corporation Unmanned aerial vehicle and image recognition method thereof
US12014553B2 (en) 2019-02-01 2024-06-18 Tesla, Inc. Predicting three-dimensional features for autonomous driving

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107067752A (zh) * 2017-05-17 2017-08-18 北京联合大学 基于无人机航拍图像的车速估算系统及方法
US11893393B2 (en) 2017-07-24 2024-02-06 Tesla, Inc. Computational array microprocessor system with hardware arbiter managing memory requests
US11361457B2 (en) 2018-07-20 2022-06-14 Tesla, Inc. Annotation cross-labeling for autonomous control systems
US11205093B2 (en) 2018-10-11 2021-12-21 Tesla, Inc. Systems and methods for training machine models with augmented data
US11816585B2 (en) 2018-12-03 2023-11-14 Tesla, Inc. Machine learning models operating at different frequencies for autonomous vehicles
US10956755B2 (en) 2019-02-19 2021-03-23 Tesla, Inc. Estimating object properties using visual image data

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1830161A1 (en) * 2004-12-24 2007-09-05 Fujitsu Ten Limited Driving assistance device
CN101339616A (zh) * 2008-08-12 2009-01-07 北京中星微电子有限公司 道路识别方法及装置
CN102032915A (zh) * 2009-09-30 2011-04-27 通用汽车环球科技运作公司 汽车的导航装置和导航方法
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

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1830161A1 (en) * 2004-12-24 2007-09-05 Fujitsu Ten Limited Driving assistance device
CN101339616A (zh) * 2008-08-12 2009-01-07 北京中星微电子有限公司 道路识别方法及装置
CN102032915A (zh) * 2009-09-30 2011-04-27 通用汽车环球科技运作公司 汽车的导航装置和导航方法
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

Cited By (55)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106458238A (zh) * 2014-02-17 2017-02-22 通用电气公司 航空拍摄装置系统和用于识别路线相关危害的方法
CN106458238B (zh) * 2014-02-17 2019-01-22 通用电气公司 航空拍摄装置系统和用于识别路线相关危害的方法
CN104809449A (zh) * 2015-05-14 2015-07-29 重庆大学 适用于高速公路视频监控系统的车道虚线分界线自动检测方法
CN104809449B (zh) * 2015-05-14 2018-09-21 重庆大学 适用于高速公路视频监控系统的车道虚线分界线自动检测方法
CN105450950B (zh) * 2015-12-07 2018-07-27 北京航空航天大学 无人机航拍视频去抖方法
CN105450950A (zh) * 2015-12-07 2016-03-30 北京航空航天大学 无人机航拍视频去抖方法
CN105549603A (zh) * 2015-12-07 2016-05-04 北京航空航天大学 一种多旋翼无人机的智能道路巡检控制方法
CN105488485A (zh) * 2015-12-07 2016-04-13 北京航空航天大学 基于车辆轨迹的车道线自动提取方法
CN105488485B (zh) * 2015-12-07 2019-01-22 北京航空航天大学 基于车辆轨迹的车道线自动提取方法
CN105611253A (zh) * 2016-01-13 2016-05-25 天津中科智能识别产业技术研究院有限公司 一种基于智能视频分析技术的态势感知系统
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
US12020476B2 (en) 2017-03-23 2024-06-25 Tesla, Inc. Data synthesis for autonomous control systems
US11487288B2 (en) 2017-03-23 2022-11-01 Tesla, Inc. Data synthesis for autonomous control systems
US12086097B2 (en) 2017-07-24 2024-09-10 Tesla, Inc. Vector computational unit
US11403069B2 (en) 2017-07-24 2022-08-02 Tesla, Inc. Accelerated mathematical engine
US11409692B2 (en) 2017-07-24 2022-08-09 Tesla, Inc. Vector computational unit
US11681649B2 (en) 2017-07-24 2023-06-20 Tesla, Inc. Computational array microprocessor system using non-consecutive data formatting
CN108875607A (zh) * 2017-09-29 2018-11-23 惠州华阳通用电子有限公司 车道线检测方法、装置以及计算机可读存储介质
CN107627054A (zh) * 2017-10-31 2018-01-26 宁波蓝鼎电子科技有限公司 一种用于焊缝跟踪系统的图形显示报警方法
CN107944407A (zh) * 2017-11-30 2018-04-20 中山大学 一种基于无人机的路口斑马线识别方法
CN108108697B (zh) * 2017-12-25 2020-05-19 中国电子科技集团公司第五十四研究所 一种实时无人机视频目标检测与跟踪方法
CN108108697A (zh) * 2017-12-25 2018-06-01 中国电子科技集团公司第五十四研究所 一种实时无人机视频目标检测与跟踪方法
US11561791B2 (en) 2018-02-01 2023-01-24 Tesla, Inc. Vector computational unit receiving data elements in parallel from a last row of a computational array
US11734562B2 (en) 2018-06-20 2023-08-22 Tesla, Inc. Data pipeline and deep learning system for autonomous driving
US12079723B2 (en) 2018-07-26 2024-09-03 Tesla, Inc. Optimizing neural network structures for embedded systems
US11636333B2 (en) 2018-07-26 2023-04-25 Tesla, Inc. Optimizing neural network structures for embedded systems
CN109146970A (zh) * 2018-08-03 2019-01-04 中国科学院力学研究所 微米毛细管内气液两相动态驱替图像的接触角获取方法
CN108918348B (zh) * 2018-08-03 2020-01-17 中国科学院力学研究所 一种微米毛细管通道中气液相界面移动速度获取方法
CN109146970B (zh) * 2018-08-03 2019-12-03 中国科学院力学研究所 微米毛细管内气液两相动态驱替图像的接触角获取方法
CN108918348A (zh) * 2018-08-03 2018-11-30 中国科学院力学研究所 一种微米毛细管通道中气液相界面移动速度获取方法
CN109187277A (zh) * 2018-08-03 2019-01-11 中国科学院力学研究所 一种微米毛细管通道中气液相界面移动距离获取方法
CN108596165A (zh) * 2018-08-21 2018-09-28 湖南鲲鹏智汇无人机技术有限公司 基于无人机低空航拍图像的道路交通标线检测方法及系统
US11983630B2 (en) 2018-09-03 2024-05-14 Tesla, Inc. Neural networks for embedded devices
US11562231B2 (en) 2018-09-03 2023-01-24 Tesla, Inc. Neural networks for embedded devices
US11665108B2 (en) 2018-10-25 2023-05-30 Tesla, Inc. QoS manager for system on a chip communications
CN109766889B (zh) * 2018-11-19 2021-04-09 浙江众合科技股份有限公司 基于曲线拟合的轨道图像识别后处理方法
CN109766889A (zh) * 2018-11-19 2019-05-17 浙江众合科技股份有限公司 基于曲线拟合的轨道图像识别后处理方法
US11537811B2 (en) 2018-12-04 2022-12-27 Tesla, Inc. Enhanced object detection for autonomous vehicles based on field view
US11908171B2 (en) 2018-12-04 2024-02-20 Tesla, Inc. Enhanced object detection for autonomous vehicles based on field view
CN109816720A (zh) * 2018-12-21 2019-05-28 歌尔股份有限公司 道路中心检测方法、机载设备及存储介质
US11610117B2 (en) 2018-12-27 2023-03-21 Tesla, Inc. System and method for adapting a neural network model on a hardware platform
US11748620B2 (en) 2019-02-01 2023-09-05 Tesla, Inc. Generating ground truth for machine learning from time series elements
US12014553B2 (en) 2019-02-01 2024-06-18 Tesla, Inc. Predicting three-dimensional features for autonomous driving
US11567514B2 (en) 2019-02-11 2023-01-31 Tesla, Inc. Autonomous and user controlled vehicle summon to a target
CN110210298A (zh) * 2019-04-25 2019-09-06 南开大学 一种基于空中视野的曲折道路信息提取与表示方法
CN111160086A (zh) * 2019-11-21 2020-05-15 成都旷视金智科技有限公司 车道线识别方法、装置、设备和存储介质
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
CN111309048B (zh) * 2020-02-28 2023-05-26 重庆邮电大学 一种多旋翼无人机结合道路检测沿路自主飞行的方法
CN111309048A (zh) * 2020-02-28 2020-06-19 重庆邮电大学 一种多旋翼无人机结合道路检测沿路自主飞行的方法
US11875560B2 (en) 2020-03-18 2024-01-16 Coretronic Corporation Unmanned aerial vehicle and image recognition method thereof
CN111551958A (zh) * 2020-04-28 2020-08-18 北京踏歌智行科技有限公司 一种面向矿区无人驾驶的高精地图制作方法
CN111551958B (zh) * 2020-04-28 2022-04-01 北京踏歌智行科技有限公司 一种面向矿区无人驾驶的高精地图制作方法
CN112648935A (zh) * 2020-12-14 2021-04-13 杭州思锐迪科技有限公司 一种图像处理方法、装置和三维扫描系统
CN115775377B (zh) * 2022-11-25 2023-10-20 北京化工大学 图像和方向盘转向角度融合的自动驾驶车道线分割方法
CN115775377A (zh) * 2022-11-25 2023-03-10 北京化工大学 图像和方向盘转向角度融合的自动驾驶车道线分割方法

Also Published As

Publication number Publication date
CN103500322B (zh) 2016-08-17

Similar Documents

Publication Publication Date Title
CN103500322A (zh) 基于低空航拍图像的车道线自动识别方法
CN105678285B (zh) 一种自适应的道路鸟瞰图变换方法和道路车道检测方法
CN110443225B (zh) 一种基于特征像素统计的虚实车道线识别方法及其装置
CN103077617B (zh) 基于计算机视觉的人行横道智能交通灯监管系统及方法
CN104008645B (zh) 一种适用于城市道路车道线预测及预警方法
CN106647776B (zh) 车辆变道趋势的判断方法、判断装置和计算机存储介质
CN102999749B (zh) 基于人脸检测的安全带违章事件智能检测方法
CN105160309A (zh) 基于图像形态学分割及区域生长的三车道检测方法
CN107301776A (zh) 基于视频检测技术的车道路况处理及发布方法
CN111209780A (zh) 车道线属性检测方法、装置、电子设备及可读存储介质
CN105740809A (zh) 一种基于机载摄像机的高速公路车道线检测方法
CN103927526A (zh) 一种基于高斯差分多尺度边缘融合的车辆检测方法
CN102364496A (zh) 一种基于图像分析的汽车车牌自动识别方法及系统
CN102419820A (zh) 一种快速检测视频与图像中汽车车标的方法
CN103854320A (zh) 基于激光雷达的车型自动识别装置及其识别方法
CN102902957A (zh) 一种基于视频流的自动车牌识别方法
CN103383733A (zh) 一种基于半机器学习的车道视频检测方法
CN103164958B (zh) 车辆监控方法及系统
CN103577809A (zh) 一种基于智能驾驶的地面交通标志实时检测的方法
CN106887004A (zh) 一种基于块匹配的车道线检测方法
CN102298693A (zh) 基于计算机视觉的高速公路弯道检测方法
CN104700072A (zh) 基于车道线历史帧的识别方法
CN105718916A (zh) 一种基于霍夫变换的车道线检测方法
CN103544489A (zh) 一种车标定位装置及方法
CN109190483A (zh) 一种基于视觉的车道线检测方法

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