CN105069859B - 车辆行驶状态监测方法和装置 - Google Patents
车辆行驶状态监测方法和装置 Download PDFInfo
- Publication number
- CN105069859B CN105069859B CN201510444723.5A CN201510444723A CN105069859B CN 105069859 B CN105069859 B CN 105069859B CN 201510444723 A CN201510444723 A CN 201510444723A CN 105069859 B CN105069859 B CN 105069859B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- lane line
- deviation
- lane
- condition information
- 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
Links
Abstract
本发明公开了一种车辆行驶状态监测方法,所述方法包括以下步骤:获得所述车辆行驶车道的车道线;根据车辆与所述车道线位置信息获得车辆的方位偏差和侧向偏差;根据所述方位偏差和侧向偏差通过预置算法获得车辆当前的行驶状态信息。本发明还公开了一种车辆行驶状态监测装置。本发明能够根据定量的车辆的行驶信息获得定性的行驶状态信息,方便用户或者智能车辆根据定性的行驶状态信息进行对应的调整,不会造成车辆行驶过程中摆幅过大等问题。
Description
技术领域
本发明涉及智能汽车辅助驾驶技术领域,尤其涉及一种车辆行驶状态监测方法和装置。
背景技术
随着科学技术的发展,汽车领域的各种技术越来越成熟,汽车已经逐渐进入了各个家庭当中,伴随着公路等级的不断提高,特别是高速公路的飞速发展,路上行驶的汽车也与日俱增,而且汽车的行驶速度越来越快,车流量的增加,导致汽车碰撞交通事故也越来越多,而导致汽车交通事故产生的原因,主要有人员素质不高以及道路环境设施不完善等等。
目前,人们驾驶汽车或者智能车辆自动行驶在公路上时,检测车辆在车道的行驶状态一般通过检测车辆两侧车道线的距离,作为调整车辆状态的判别标准,根据其他的条件进行相应的调整。然而在实际应用中根据车辆两侧车道线的距离进行对应的行驶控制时,容易造成车体摆幅过大、行驶不稳定等问题。
发明内容
本发明的主要目的在于提出一种车辆行驶状态监测方法和装置,旨在实现监测车辆的行驶状态。
为实现上述目的,本发明提供的一种车辆行驶状态监测方法,所述方法包括以下步骤:获得所述车辆行驶车道的车道线;根据车辆与所述车道线位置信息获得车辆的方位偏差和侧向偏差;根据所述方位偏差和侧向偏差通过预置算法获得车辆当前的行驶状态信息。
优选地,所述方法还包括:对比车辆当前的行驶状态信息与预置的标准行驶状态信息;根据对比结果进行对应调整所述车辆的行驶状态。
优选地,所述根据所述方位偏差和侧向偏差通过预置算法获得车辆当前的行驶状态信息的步骤包括:将所述方位偏差和侧向偏差作为预置二维云模型的输入参数,以获得车辆当前的行驶状态信息。
优选地,所述车辆当前的行驶状态信息包括所述车辆的行驶方位、中心偏离和长期状态。
优选地,所述获得所述车辆行驶车道的车道线的步骤包括:获得车辆行驶方向的车道图像;对所述车道图像进行边缘抽取获得车道线像素点;获取所述车道图像中各个车道线像素点对应的坐标值;根据各个车道线像素点对应的坐标值,通过预设的直线车道线模型计算获得所述车道图像的车道线。
此外,为实现上述目的,本发明还提供一种车辆行驶状态监测装置,所述装置包括:第一获得模块,用于获得所述车辆行驶车道的车道线;第二获得模块,用于根据车辆与所述车道线位置信息获得车辆的方位偏差和侧向偏差;第三获得模块,用于根据所述方位偏差和侧向偏差通过预置算法获得车辆当前的行驶状态信息。
优选地,所述装置还包括:对比模块,用于对比车辆当前的行驶状态信息与预置的标准行驶状态信息;调整模块,用于根据对比结果进行对应调整所述车辆的行驶状态。
优选地,所述第三获得模块还用于将所述方位偏差和侧向偏差作为预置二维云模型的输入参数,以获得车辆当前的行驶状态信息。
优选地,所述车辆当前的行驶状态信息包括所述车辆的行驶方位、中心偏离和长期状态。
优选地,所述第一获得模块包括:第一获得单元,用于获得车辆行驶方向的车道图像;处理单元,用于对所述车道图像进行边缘抽取获得车道线像素点;第二获得单元,用于获取所述车道图像中各个车道线像素点对应的坐标值;计算单元,用于根据各个车道线像素点对应的坐标值,通过预设的直线车道线模型计算获得所述车道图像的车道线。。
本发明通过获得所述车辆行驶车道的车道线;根据车辆与所述车道线位置信息获得车辆的方位偏差和侧向偏差;根据所述方位偏差和侧向偏差通过预置算法获得车辆当前的行驶状态信息。通过上述方式,本发明能够将获得的定量的数据,包括方位偏差和侧向偏差,通过预置算法转换为定性的状态信息,方便用户或者智能车辆根据定性的行驶状态信息进行对应的调整,不会造成车辆行驶过程中摆幅过大等问题。
附图说明
图1为本发明车辆行驶状态监测方法第一实施例的流程示意图;
图2为本发明车辆行驶状态监测方法第二实施例的流程示意图;
图3为本发明实施例中获得所述车辆行驶车道的车道线的一种流程示意图;
图4为本发明车辆行驶状态监测装置第一实施例的功能模块示意图;
图5为本发明车辆行驶状态监测装置第二实施例的功能模块示意图;
图6为本发明实施例中第一获得模块的细化功能模块示意图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本发明提供一种车辆行驶状态监测方法。
请参照图1,图1为本发明车辆行驶状态监测方法第一实施例的流程示意图。
在本实施例中,该车辆行驶状态监测方法包括:
步骤S10,获得所述车辆行驶车道的车道线;
在车辆在车道上行驶时,车辆实时获得所述车辆行驶车道的车道线。所述车道线可以利用GPS定位获得车辆所在经纬度,再结合保存有对应车道信息的电子地图获得。当然还可以通过其他方式获得。优选地,获得所述车辆行驶方向前预置区域的车道线。获得所述车辆行驶车道的车道线后进入步骤S20。
步骤S20,根据所述车道线与所述车辆的位置信息获得车辆的方位偏差和侧向偏差;
所述车辆可以根据所述车辆的位置信息和在步骤S10获得的车道线获得车辆的方位偏差和侧向偏差,比如通过GPS获得的经纬度和电子地图中相应位置车道线的经纬度建立平面坐标系,比如选择某个时间点所述车辆的经纬度为原点,根据建立的坐标系可以获得电子地图中车道线坐标,以及相隔预置时间车辆的坐标,在预置时间比较短时,可以将所行驶路程和车道的中线看成直线,根据原点、预置时间车辆点和车道中线建立直角三角形,原点到预置时间车辆点之间连线为行驶方向。方位偏差可以是所述车辆的行驶方向与车道中线的夹角,可以通过上述建立直角三角形方式计算车辆在车道上任一两点位置获得的所述车辆的行驶方向,然后计算所述行驶方向与车道中心线的夹角,从而获得所述车辆的方位偏差。并可以所述车辆所在位置与所述车道的中线的距离作为所述车辆的侧向偏差。获得车辆的方位偏差和侧向偏差后进入步骤S30。
步骤S30,根据所述方位偏差和侧向偏差通过预置算法获得车辆当前的行驶状态信息。
根据步骤S20获得车辆的方位偏差和侧向偏差通过预置算法计算,模仿人对事物认知为定性认知的特性,将获得定量的所述方位偏差和侧向偏差获得车辆当前的定性的行驶状态信息。优选地,通过对大量车辆行驶的研究,可以将驾驶员的行驶状态分为行驶方位、中心偏离和长期状态。优选地,所述行驶方位对应三个值表示道路正中、道路偏左和道路偏右;所述中心偏离对应三个值表示左右晃动幅度小、左右晃动幅度中和左右晃动幅度大;所述长期状态对应三个值表示保存状态良好、保存状态一般和保存状态差。每个行驶状态预设不同的方位偏差和侧向偏差值区间或者阵列,根据获得定量的所述方位偏差和侧向偏差,判断所述车辆实时获得的所述方位偏差和侧向偏差值所在的预设区间或者阵列对应的行驶状态,从而获得所述车辆的行驶状态信息。
在一优选实施例中,可以将所述方位偏差和侧向偏差作为预置二维云模型的输入参数,以获得车辆当前的定性的行驶状态信息。比如,设U是一个用精确数值标识的定量论域,C是U空间上的定性概率,若定量值x∈U,且x是定性概念C的一次随机实现,x对C的确定度u(x)∈[0,1]是有稳定倾向的随机数,u:U→[0,1],x→u(x),x∈U,则x在定量论域的分布称为云,每一个x称为一个云滴。根据所述方位偏差和侧向偏差,根据上述原理可以获得所述车辆的行驶状态信息的云用期望、熵和超熵。所述行驶状态信息包括行驶方位、中心偏离和长期状态分别与云用期望、熵和超熵对应。
具体实施中每个行驶状态信息可以包括多个值,比如五个,需要注意是每个行驶状态信息对应的值不能太多,如果每个行驶状态信息对应的值太多,则会导致根据定性的状态信息调节越频繁,容易造成车辆摆幅过大、行驶不稳定等问题。
本发明通过获得所述车辆行驶车道的车道线;根据车辆与所述车道线位置信息获得车辆的方位偏差和侧向偏差;根据所述方位偏差和侧向偏差通过预置算法获得车辆当前的行驶状态信息。通过上述方式,本发明将获得的定量的数据,包括方位偏差和侧向偏差,通过预置算法转换为定性的状态信息,方便用户或者智能车辆根据定性的行驶状态信息进行对应的调整,不会造成车辆行驶过程中摆幅过大等问题。
请参照图2,图2为本发明车辆行驶状态监测方法第二实施例的流程示意图。
基于本发明车辆行驶状态监测方法第一实施例,所述方法还包括:
步骤S40,对比车辆当前的行驶状态信息与预置的标准行驶状态信息;
将在步骤S30获得的所述车辆当前的行驶状态信息与预置的标准行驶状态信息进行对比,获得对比结果后进入步骤S50。
步骤S50,根据对比结果进行对应调整所述车辆的行驶状态。
根据步骤S40的对比结果进行对应调整所述车辆的行驶状态,比如根据对比结果,对应调整所述车辆的速度或者行驶方向。当然也可以不进行调整。
本发明通过获得车辆定性的状态信息与预置标准行驶状态信息进行调整,而不通过定量的行驶信息进行调节,能够减少车辆行驶过程中的晃动,调整次数,保证车辆行驶的稳定性。
请参照图3,图3为本发明实施例中获得所述车辆行驶车道的车道线的一种流程示意图。
基于本发明车辆行驶状态监测方法第一实施例,步骤S10包括:
步骤S11,获得车辆行驶方向的车道图像;
所述采集车辆行驶过程中前方的车道图像可通过所述车辆预设的摄像头进行采集,本实施例在车辆启动时,优选启用预设的近距单目摄像机对车道图像进行采集。值得注意的是,本发明中采集的所述车道图像优选对车辆前方预设的一小段区域进行图像的采集,即仅采集车道前方预设距离的车道图像即可,如采集车辆前方距离车辆10米以内的车道图像。
步骤S12,对所述车道图像进行边缘抽取获得车道线像素点;
在采集到车道图像时,由于采集到的所述车道图像会包含较多的噪声干扰,从而影响车道线的检测,因此本实施例中优选在采集到所述车道图像后,先对所述车道图像进行预处理过程,所述预处理过程的步骤可以包括:1)对所述图像进行边缘抽取以获取边缘图像;2)抽取到所述边缘图像时,对所述边缘图像进行动态双阈值二值化处理,以获取二值化图像。进一步地,为了提高车道线检测的准确性,本实施例优选在车道图像预处理过程中,利用预设的高斯滤波器对所述车道图像进行去噪以及平滑处理,使得处理后的所述车道图像噪声干扰降低。优选地,通过Sobel算法对所述车道图像进行边缘抽取,当然还可以使用Laplace算法或Roberts算法等对所述车道图像进行边缘抽取。在提取出边缘图像后,所述边缘图像仍然包括很多噪声干扰和其它无用信息,因此在抽取到边缘图像后,优选通过动态双阈值算法对所述边缘图像进行二值化处理,所述二值化处理即对所述车道图像中的各个像素点进行灰度处理,使得处理后的图像只包含两个像素值:一个灰度阈值和一个边缘阈值,如0和255,然后,将各个像素点的灰度阈值和边缘阈值进行比对,以确定各个像素点灰度阈值和边缘阈值的大小关系,当所述像素点的灰度阈值大于边缘阈值,可确定所述像素点属于车道线像素点,当所述像素点的灰度阈值小于边缘阈值,可确定所述像素点属于非车道线像素点,优选所述像素值为0的是非车道线像素点,像素值为255的是车道线像素点,也就是根据所述车道线像素点和所述非车道线像素点组合成了二值化图像。当然还可通过固定阈值、整体自适应阈值或局部可变阈值等方法进行图像预处理过程。
步骤S13,获取所述车道图像中各个车道线像素点对应的坐标值;
经过上一个步骤的预处理过程,已经除去所述车道图像中绝大部分的噪声干扰信息等,此时,优选通过车道线识别方法对所述车道图像进行识别,以获取所述车道图像中各个车道线像素点对应的坐标值,即先通过预设的车道识别算法提取所述车道图像中的车道线像素点;然后对提取出来的车道线像素点计算对应的坐标值。可以理解的是,所述车道识别算法包括像素扫描算法、模板匹配算法、霍夫变换算法或扩展转移网络(AugmentedTransition Networks,ATN)算法等,本发明实施例中,优选采用ATN算法获取所述车道图像中各个车道线像素点对应的坐标值。
步骤S14,根据各个车道线像素点对应的坐标值,通过预设的直线车道线模型计算获得所述车道图像的车道线。
在本实施例中,在获取到车道线像素点对应的坐标值后,将获取的各个坐标值代入预设的直线车道线模型中进行拟合计算,如代入y=kx+b的直线车道线模型中,其中,所述y为像素点在坐标系中的纵坐标值,x为像素点在坐标系中的横坐标值,k为直线的斜率,b为直线与坐标系Y轴的交点对应的纵坐标值,并以此计算所述y=kx+b的k值和b值,最后,根据所述公式得到所述车道图像的左右两条车道线。优选地,第一步先随机的在获得的车道线像素点中选一条车道线,在选择的车道线的所有像素点中选取n个,利用这n个像素点来求解模型参数,即将这n个像素点的坐标值代入所述直线车道线模型中,根据所述n个像素点的得到对应的车道线。第二步利用第一步求出的参数来计算其他N-n个点的值。第三步则是比较计算出来的这N-n个值,它们和参数所描述的模型的距离是不是足够近,如果距离小于某个预设阈值,就认为其满足模型,便将它们加入原始的n个像素点中。最后,重复上面三个步骤K次,并输出这K次计算中能够产生最多满足直线车道线模型要求的像素点的参数作为最终获得的模型的参数。当通过上述方法得到当前车道线的左右各两条车道线之后,根据各条车道线参数之间的关系就可以估算以下所需信息:车体相对于目标车道的偏航角、车体相对于目标车道的侧位移、路段的曲率、目标车道的曲率变化率、车道的宽度、车辆于哪一条车道等等。
本发明通过直线车道线模型检测车道线,降低了算法的复杂度,减小了计算过程中的误差,在行驶过程中实时获得车道线信息,提高了车道线检测的准确性。
本发明进一步提供一种车辆行驶状态监测装置。
请参照图4,图4为本发明车辆行驶状态监测装置第一实施例的功能模块示意图。
在本实施例中,该车辆行驶状态监测装置包括:
第一获得模块10,用于获得所述车辆行驶车道的车道线。
在车辆在车道上行驶时,车辆实时获得所述车辆行驶车道的车道线。所述车道线可以利用GPS定位获得车辆所在经纬度,再结合保存有对应车道信息的电子地图获得。当然还可以通过其他方式获得。优选地,获得所述车辆行驶方向前预置区域的车道线。
第二获得模块20,用于根据所述车道线与所述车辆的位置信息获得车辆的方位偏差和侧向偏差。
所述车辆可以根据所述车辆的位置信息和第一获得模块10获得的车道线获得车辆的方位偏差和侧向偏差,比如通过GPS获得的经纬度和电子地图中相应位置车道线的经纬度建立平面坐标系,比如选择某个时间点所述车辆的经纬度为原点,根据建立的坐标系可以获得电子地图中车道线坐标,以及相隔预置时间车辆的坐标,在预置时间比较短时,可以将所行驶路程和车道的中线看成直线,根据原点、预置时间车辆点和车道中线建立直角三角形,原点到预置时间车辆点之间连线为行驶方向。方位偏差可以是所述车辆的行驶方向与车道中线的夹角,可以通过上述建立直角三角形方式计算车辆在车道上任一两点位置获得的所述车辆的行驶方向,然后计算所述行驶方向与车道中心线的夹角,从而获得所述车辆的方位偏差。并可以所述车辆所在位置与所述车道的中线的距离作为所述车辆的侧向偏差。
第三获得模块30,用于根据所述方位偏差和侧向偏差通过预置算法获得车辆当前的行驶状态信息。
根据第二获得模块20获得车辆的方位偏差和侧向偏差通过预置算法计算,模仿人对事物认知为定性认知的特性,将获得定量的所述方位偏差和侧向偏差获得车辆当前的定性的行驶状态信息。优选地,通过对大量车辆行驶的研究,可以将驾驶员的行驶状态分为行驶方位、中心偏离和长期状态。优选地,所述行驶方位对应三个值表示道路正中、道路偏左和道路偏右;所述中心偏离对应三个值表示左右晃动幅度小、左右晃动幅度中和左右晃动幅度大;所述长期状态对应三个值表示保存状态良好、保存状态一般和保存状态差。每个行驶状态预设不同的方位偏差和侧向偏差值区间或者阵列,根据获得定量的所述方位偏差和侧向偏差,判断所述车辆实时获得的所述方位偏差和侧向偏差值所在的预设区间或者阵列对应的行驶状态,从而获得所述车辆的行驶状态信息。
在一优选实施例中,可以将所述方位偏差和侧向偏差作为预置二维云模型的输入参数,以获得车辆当前的定性的行驶状态信息。比如,设U是一个用精确数值标识的定量论域,C是U空间上的定性概率,若定量值x∈U,且x是定性概念C的一次随机实现,x对C的确定度u(x)∈[0,1]是有稳定倾向的随机数,u:U→[0,1],x→u(x),x∈U,则x在定量论域的分布称为云,每一个x称为一个云滴。根据所述方位偏差和侧向偏差,根据上述原理可以获得所述车辆的行驶状态信息的云用期望、熵和超熵。所述行驶状态信息包括行驶方位、中心偏离和长期状态分别与云用期望、熵和超熵对应。
具体实施中每个行驶状态信息可以包括多个值,比如五个,需要注意是每个行驶状态信息对应的值不能太多,如果每个行驶状态信息对应的值太多,则会导致根据定性的状态信息调节越频繁,容易造成车辆摆幅过大、行驶不稳定等问题。
本发明通过获得所述车辆行驶车道的车道线;根据车辆与所述车道线位置信息获得车辆的方位偏差和侧向偏差;根据所述方位偏差和侧向偏差通过预置算法获得车辆当前的定性的行驶状态信息。通过上述方式,本发明将获得的定量的方位偏差和侧向偏差通过预置算法转换为定性的状态信息,方便用户或者智能车辆根据定性的行驶状态信息进行对应的调整,不会造成车辆行驶过程中摆幅过大等问题。
请参照图5,图5为本发明车辆行驶状态监测装置第二实施例的功能模块示意图;
基于本发明车辆行驶状态监测方法第一实施例,所述装置还包括:
对比模块40,用于对比车辆当前的行驶状态信息与预置的标准行驶状态信息。
将在第三获得模块30获得的所述车辆当前的定性的行驶状态信息与预置的标准行驶状态信息进行对比。
调整模块50,用于根据对比结果进行对应调整所述车辆的行驶状态。
根据对比模块40的对比结果进行对应调整所述车辆的行驶状态,比如根据对比结果,对应调整所述车辆的速度或者行驶方向。当然也可以不进行调整。
本发明通过获得车辆定性的状态信息与预置标准行驶状态信息进行调整,而不通过定量的行驶信息进行调节,能够减少车辆行驶过程中的晃动,调整次数,保证车辆行驶的稳定性。
请参照图6,图6为本发明实施例中第一获得模块的细化功能模块示意图。
基于本发明车辆行驶状态监测方法第一实施例,第一获得模块10包括:
第一获得单元11,用于获得车辆行驶方向的车道图像。
所述采集车辆行驶过程中前方的车道图像可通过所述车辆预设的摄像头进行采集,本实施例在车辆启动时,优选启用预设的近距单目摄像机对车道图像进行采集。值得注意的是,本发明中采集的所述车道图像优选对车辆前方预设的一小段区域进行图像的采集,即仅采集车道前方预设距离的车道图像即可,如采集车辆前方距离车辆10米以内的车道图像。
处理单元12,用于对所述车道图像进行边缘抽取获得车道线像素点。
在采集到车道图像时,由于采集到的所述车道图像会包含较多的噪声干扰,从而影响车道线的检测,因此本实施例中优选在采集到所述车道图像后,先对所述车道图像进行预处理过程,所述预处理过程的步骤包括:1)对所述图像进行边缘抽取以获取边缘图像;2)抽取到所述边缘图像时,对所述边缘图像进行动态双阈值二值化处理,以获取二值化图像。进一步地,为了提高车道线检测的准确性,本实施例优选在车道图像预处理过程中,利用预设的高斯滤波器对所述车道图像进行去噪以及平滑处理,使得处理后的所述车道图像噪声干扰降低。优选地,通过Sobel算法对所述车道图像进行边缘抽取,当然还可以使用Laplace算法或Roberts算法等对所述车道图像进行边缘抽取。在提取出边缘图像后,所述边缘图像仍然包括很多噪声干扰和其它无用信息,因此在抽取到边缘图像后,优选通过动态双阈值算法对所述边缘图像进行二值化处理,所述二值化处理即对所述车道图像中的各个像素点进行灰度处理,使得处理后的图像只包含两个像素值,如0和255,优选所述像素值为0的是非车道线像素点,像素值为255的是车道线像素点,也就是根据所述车道线像素点和所述非车道线像素点组合成了二值化图像。当然还可通过固定阈值、整体自适应阈值或局部可变阈值等方法进行图像预处理过程。
第二获得单元13,用于获取所述车道图像中各个车道线像素点对应的坐标值。
经过上一个步骤的预处理过程,已经除去所述车道图像中绝大部分的噪声干扰信息等,此时,优选通过车道线识别方法对所述车道图像进行识别,以获取所述车道图像中各个车道线像素点对应的坐标值,即先通过预设的车道识别算法提取所述车道图像中的车道线像素点;然后对提取出来的车道线像素点计算对应的坐标值。可以理解的是,所述车道识别算法包括像素扫描算法、模板匹配算法、霍夫变换算法或扩展转移网络(AugmentedTransition Networks,ATN)算法等,本发明实施例中,优选采用ATN算法获取所述车道图像中各个车道线像素点对应的坐标值。
计算单元14,用于根据各个车道线像素点对应的坐标值,通过预设的直线车道线模型计算获得所述车道图像的车道线。
在本实施例中,在获取到车道线像素点对应的坐标值后,将获取的各个坐标值代入预设的直线车道线模型中进行拟合计算,如代入y=kx+b的直线车道线模型中,其中,所述y为像素点在坐标系中的纵坐标值,x为像素点在坐标系中的横坐标值,k为直线的斜率,b为直线与坐标系Y轴的交点对应的纵坐标值,并以此计算所述y=kx+b的k值和b值,最后,根据所述公式得到所述车道图像的左右两条车道线。优选地,第一步先随机的在获得的车道线像素点中选一条车道线,在选择的车道线的所有像素点中选取n个,利用这n个像素点来求解模型参数,即将这n个像素点的坐标值代入所述直线车道线模型中,根据所述n个像素点的得到对应的车道线。第二步利用第一步求出的参数来计算其他N-n个点的值。第三步则是比较计算出来的这N-n个值,它们和参数所描述的模型的距离是不是足够近,如果距离小于某个预设阈值,就认为其满足模型,便将它们加入原始的n个像素点中。最后,重复上面三个步骤K次,并输出这K次计算中能够产生最多满足直线车道线模型要求的像素点的参数作为最终获得的模型的参数。
本发明通过直线车道线模型检测车道线,降低了算法的复杂度,减小了计算过程中的误差,在行驶过程中实时获得车道线信息,提高了车道线检测的准确性。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (6)
1.一种车辆行驶状态监测方法,其特征在于,所述方法包括以下步骤:
获得所述车辆行驶车道的车道线;
根据所述车道线与所述车辆的位置信息获得车辆的方位偏差和侧向偏差;
根据所述方位偏差和侧向偏差通过预置算法获得车辆当前的行驶状态信息;所述车辆当前的行驶状态信息包括所述车辆的行驶方位、中心偏离和长期状态;
对比车辆当前的行驶状态信息与预置的标准行驶状态信息;
根据对比结果进行对应调整所述车辆的行驶状态。
2.如权利要求1所述的方法,其特征在于,所述根据所述方位偏差和侧向偏差通过预置算法获得车辆当前的行驶状态信息的步骤包括:
将所述方位偏差和侧向偏差作为预置二维云模型的输入参数,以获得车辆当前的行驶状态信息。
3.如权利要求1所述的方法,其特征在于,所述获得所述车辆行驶车道的车道线的步骤包括:
获得车辆行驶方向的车道图像;
对所述车道图像进行边缘抽取获得车道线像素点;
获取所述车道图像中各个车道线像素点对应的坐标值;
根据各个车道线像素点对应的坐标值,通过预设的直线车道线模型计算获得所述车道图像的车道线。
4.一种车辆行驶状态监测装置,其特征在于,所述装置包括:
第一获得模块,用于获得所述车辆行驶车道的车道线;
第二获得模块,用于根据所述车道线与所述车辆的位置信息获得车辆的方位偏差和侧向偏差;
第三获得模块,用于根据所述方位偏差和侧向偏差通过预置算法获得车辆当前的行驶状态信息;所述车辆当前的行驶状态信息包括所述车辆的行驶方位、中心偏离和长期状态;
对比模块,用于对比车辆当前的行驶状态信息与预置的标准行驶状态信息;
调整模块,用于根据对比结果进行对应调整所述车辆的行驶状态。
5.如权利要求4所述的装置,其特征在于,所述第三获得模块还用于将所述方位偏差和侧向偏差作为预置二维云模型的输入参数,以获得车辆当前的行驶状态信息。
6.如权利要求4所述的装置,其特征在于,所述第一获得模块包括:
第一获得单元,用于获得车辆行驶方向的车道图像;
处理单元,用于对所述车道图像进行边缘抽取获得车道线像素点;
第二获得单元,用于获取所述车道图像中各个车道线像素点对应的坐标值;
计算单元,用于根据各个车道线像素点对应的坐标值,通过预设的直线车道线模型计算获得所述车道图像的车道线。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510444723.5A CN105069859B (zh) | 2015-07-24 | 2015-07-24 | 车辆行驶状态监测方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510444723.5A CN105069859B (zh) | 2015-07-24 | 2015-07-24 | 车辆行驶状态监测方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105069859A CN105069859A (zh) | 2015-11-18 |
CN105069859B true CN105069859B (zh) | 2018-01-30 |
Family
ID=54499215
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510444723.5A Active CN105069859B (zh) | 2015-07-24 | 2015-07-24 | 车辆行驶状态监测方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105069859B (zh) |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9878711B2 (en) * | 2015-12-14 | 2018-01-30 | Honda Motor Co., Ltd. | Method and system for lane detection and validation |
US9707961B1 (en) * | 2016-01-29 | 2017-07-18 | Ford Global Technologies, Llc | Tracking objects within a dynamic environment for improved localization |
CN105966398B (zh) * | 2016-06-21 | 2017-05-31 | 广州鹰瞰信息科技有限公司 | 一种对车辆偏离车道进行预警的方法和装置 |
CN106650730A (zh) * | 2016-12-14 | 2017-05-10 | 广东威创视讯科技股份有限公司 | 汽车变道过程中的转向灯检测方法和系统 |
CN110163039B (zh) * | 2018-03-15 | 2020-11-24 | 北京航空航天大学 | 判定车辆行驶状态的方法、设备、存储介质以及处理器 |
CN108909716B (zh) * | 2018-07-02 | 2020-07-03 | 奇瑞汽车股份有限公司 | 车辆控制方法及装置 |
CN111352139B (zh) * | 2018-12-24 | 2022-04-08 | 同方威视技术股份有限公司 | 扫描设备自主导向方法、装置和扫描设备 |
CN110687562B (zh) * | 2019-09-12 | 2022-08-19 | 华为技术有限公司 | 一种定位方法及车载装置 |
CN110991264A (zh) * | 2019-11-12 | 2020-04-10 | 浙江鸿泉车联网有限公司 | 前方车辆检测方法和装置 |
CN111366168B (zh) * | 2020-02-17 | 2023-12-29 | 深圳毕加索电子有限公司 | 一种基于多源信息融合的ar导航系统及方法 |
CN113147762A (zh) * | 2021-04-07 | 2021-07-23 | 东风柳州汽车有限公司 | 自适应巡航的控制方法、装置、商用车及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101894271A (zh) * | 2010-07-28 | 2010-11-24 | 重庆大学 | 汽车偏离车道线角度和距离的视觉计算及预警方法 |
CN102167039A (zh) * | 2011-03-08 | 2011-08-31 | 山东交通学院 | 无人驾驶独立驱动和转向车辆整车动力学控制量获得方法 |
CN102556066A (zh) * | 2012-03-07 | 2012-07-11 | 长安大学 | 一种客运车辆车道偏离预警装置及其判断方法 |
CN103991449A (zh) * | 2014-06-12 | 2014-08-20 | 北京联合大学 | 一种车辆行进控制方法及系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7561032B2 (en) * | 2005-09-26 | 2009-07-14 | Gm Global Technology Operations, Inc. | Selectable lane-departure warning system and method |
-
2015
- 2015-07-24 CN CN201510444723.5A patent/CN105069859B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101894271A (zh) * | 2010-07-28 | 2010-11-24 | 重庆大学 | 汽车偏离车道线角度和距离的视觉计算及预警方法 |
CN102167039A (zh) * | 2011-03-08 | 2011-08-31 | 山东交通学院 | 无人驾驶独立驱动和转向车辆整车动力学控制量获得方法 |
CN102556066A (zh) * | 2012-03-07 | 2012-07-11 | 长安大学 | 一种客运车辆车道偏离预警装置及其判断方法 |
CN103991449A (zh) * | 2014-06-12 | 2014-08-20 | 北京联合大学 | 一种车辆行进控制方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN105069859A (zh) | 2015-11-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105069859B (zh) | 车辆行驶状态监测方法和装置 | |
CN105069415B (zh) | 车道线检测方法和装置 | |
CN107730520B (zh) | 车道线检测方法及系统 | |
CN103996053B (zh) | 基于机器视觉的车道偏离报警方法 | |
CN104573646B (zh) | 基于激光雷达和双目相机的车前行人检测方法及系统 | |
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 | |
DE102019115809A1 (de) | Verfahren und system zum durchgehenden lernen von steuerbefehlen für autonome fahrzeuge | |
CN107609486A (zh) | 一种车辆前向防撞预警方法及系统 | |
CN107590438A (zh) | 一种智能辅助驾驶方法及系统 | |
CN108038416A (zh) | 车道线检测方法及系统 | |
CN108537197A (zh) | 一种基于深度学习的车道线检测预警装置及预警方法 | |
CN105460009B (zh) | 汽车控制方法及装置 | |
CN109460709A (zh) | 基于rgb和d信息融合的rtg视觉障碍物检测的方法 | |
CN107862290A (zh) | 车道线检测方法及系统 | |
CN106887004A (zh) | 一种基于块匹配的车道线检测方法 | |
CN103839264A (zh) | 一种车道线的检测方法 | |
CN104157160B (zh) | 车辆行驶控制方法、装置及车辆 | |
CN104129389A (zh) | 一种有效判别车辆行驶状态的方法及其装置 | |
DE10323915A1 (de) | Kamerabasierte Positionserkennung für ein Straßenfahrzeug | |
CN106503636A (zh) | 一种基于视觉图像的道路视距检测方法及装置 | |
CN109085823A (zh) | 一种园区场景下基于视觉的低成本自动循迹行驶方法 | |
CN104700072A (zh) | 基于车道线历史帧的识别方法 | |
CN202134079U (zh) | 一种无人驾驶车辆车道标志线识别与报警装置 | |
CN103577809A (zh) | 一种基于智能驾驶的地面交通标志实时检测的方法 | |
CN105426868A (zh) | 一种基于自适应感兴趣区域的车道检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CP03 | Change of name, title or address |
Address after: 341000 standard workshop of phase III Industrial Park, QUANNAN County, Ganzhou City, Jiangxi Province Patentee after: Jiangxi jiaxinjie Electronics Co.,Ltd. Address before: 518000 building A2, zone 6, Xinhe Xinxing Industrial Park, Fuyong street, Bao'an District, Shenzhen City, Guangdong Province Patentee before: SHENZHEN JIAXINJIE TECHNOLOGY CO.,LTD. |
|
CP03 | Change of name, title or address |