CN105260713A - 一种车道线检测方法和装置 - Google Patents
一种车道线检测方法和装置 Download PDFInfo
- Publication number
- CN105260713A CN105260713A CN201510648708.2A CN201510648708A CN105260713A CN 105260713 A CN105260713 A CN 105260713A CN 201510648708 A CN201510648708 A CN 201510648708A CN 105260713 A CN105260713 A CN 105260713A
- Authority
- CN
- China
- Prior art keywords
- lane
- lane line
- track
- image
- edge points
- 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
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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供了一种车道线检测方法和装置,所述方法包括对待检测的车道图像进行二值化处理,得到二值化车道图像;提取二值化车道图像中的车道初始边缘点,根据车道初始边缘点的坐标确定相互对应的两个车道线初始边缘点之间的距离;根据确定的距离,从车道初始边缘点中筛选出二值化车道图像的车道边缘点对;通过筛选出的车道边缘点对确定待检测的车道图像中的车道线。通过本发明,可以滤去二值化图像中的干扰点,减少干扰点对后面车道线检测的影响。
Description
技术领域
本发明涉及图像处理领域,具体而言,涉及一种车道线检测方法和装置。
背景技术
目前,汽车在行驶过程中有时会偏离自己行驶的车道而进入相邻的车道,从而对相邻车道中正常行驶的汽车造成影响,并可能会造成交通事故,为了避免汽车在行驶过程中偏离自己行驶的车道,会对行驶过程的汽车所在的车道进行检测,从而在汽车偏离车道时报警,以保证汽车的行驶安全。
现有的车道检测方法的处理步骤包括:获取车道图像、通过Canny边缘检测算法对车道图像进行二值化和对二值化的车道图像中的车道进行直线车道检测。
然而,通过Canny边缘检测算法对车道图像进行二值化后的车道边缘点中会有大量的干扰点(即非车道边缘点),这些干扰点不但会增加后续直线车道检测的计算量,还会降低直线车道检测的准确率。
发明内容
本发明的目的在于提供一种车道线检测方法和装置,可以滤去二值化图像中的干扰点,减少干扰点对后面车道线检测的影响。
第一方面,本发明实施例提供了一种车道线检测方法,所述方法包括:
对待检测的车道图像进行二值化处理,得到二值化车道图像;
提取所述二值化车道图像中的车道初始边缘点,根据所述车道初始边缘点的坐标确定相互对应的两个车道线初始边缘点之间的距离;
根据确定的所述距离,从所述车道初始边缘点中筛选出所述二值化车道图像的车道边缘点对;
通过筛选出的所述车道边缘点对确定所述待检测的车道图像中的车道线。
结合第一方面,本发明实施例提供了第一方面的第一种可能的实施方式,其中,提取所述二值化车道图像中的车道初始边缘点,根据所述车道初始边缘点的坐标确定相互对应的两个车道线初始边缘点之间的距离包括:
对所述二值化车道图像进行降噪处理;
根据像素点的亮度值从降噪处理后的所述二值化车道图像中提取多个车道初始边缘点;
根据所述多个车道初始边缘点的坐标确定相互对应的两个车道线初始边缘点之间的距离。
结合第一方面,本发明实施例提供了第一方面的第二种可能的实施方式,其中,根据确定的所述距离,从所述车道初始边缘点中筛选出所述二值化车道图像的车道边缘点对包括:
当所述相互对应的两个车道线初始边缘点之间的距离在预设的第一距离阈值区间内时,确定所述相互对应的两个车道线初始边缘点为所述二值化车道图像的车道边缘点对。
结合第一方面,本发明实施例提供了第一方面的第三种可能的实施方式,其中,通过确定的所述车道边缘点检测出车道线包括:
采用贪心算法遍历所述车道边缘点对,得到多条候选车道线;
当所述多条候选车道线中当前两条候选车道线之间的距离在设定的第二距离阈值区间内时,确定所述当前两条候选车道线为车道线。
结合第一方面,本发明实施例提供了第一方面的第四种可能的实施方式,其中,所述方法还包括:
获取所述待检测的车道图像的车道跟踪图像;
根据从上一帧图像中确定的车道线,从所述车道跟踪图像中划分出多个跟踪车道处理区域,其中,所述上一帧图像是所述待检测的车道图像或者所述车道跟踪图像的上一个车道跟踪图像;
对划分出的所述多个跟踪车道处理区域进行车道线跟踪检测,得到跟踪车道线。
结合第一方面,本发明实施例提供了第一方面的第五种可能的实施方式,其中,对划分出的所述多个跟踪车道处理区域进行车道线跟踪检测,得到跟踪车道线包括:
计算所述多个跟踪车道处理区域中每个跟踪车道处理区域中车道线的梯度方向图;
当所述多个跟踪车道处理区域的所述梯度方向图中显示的所述车道线的方向峰值发生变化时,确定所述车道线是曲线车道线并拟合出曲线车道线方程;
当所述多个跟踪车道处理区域的所述梯度方向图中显示的所述车道线的方向峰值未发生变化时,确定所述车道线是直线车道线并拟合出直线车道线方程;
根据拟合出的所述曲线车道线方程或所述直线车道线方程,得到所述跟踪车道线。
结合第一方面,本发明实施例提供了第一方面的第六种可能的实施方式,其中,所述方法还包括:
分别计算所述上一帧图像确定的车道线与水平方向的第一角度,以及所述跟踪车道线与水平方向的第二角度;
当第一角度与第二角度的差值大于预设的角度阈值时,停止所述车道线跟踪检测。
第二方面,本发明实施例提供了一种车道线检测装置,所述装置包括:
二值化处理模块,用于对待检测的车道图像进行二值化处理,得到二值化车道图像;
车道初始边缘点提取模块,用于提取所述二值化车道图像中的车道初始边缘点,根据所述车道初始边缘点的坐标确定相互对应的两个车道线初始边缘点之间的距离;
车道边缘点对确定模块,用于根据确定的所述距离,从所述车道初始边缘点中筛选出所述二值化车道图像的车道边缘点对;
车道线检测模块,用于通过筛选出的所述车道边缘点对确定所述待检测的车道图像中的车道线。
结合第二方面,本发明实施例提供了第二方面的第一种可能的实施方式,其中,车道初始边缘点提取模块包括:
降噪单元,用于对所述二值化车道图像进行降噪处理;
车道初始边缘点提取单元,用于根据像素点的亮度值从降噪处理后的所述二值化车道图像中提取多个车道初始边缘点;
距离确定单元,用于根据所述多个车道初始边缘点的坐标确定相互对应的两个车道线初始边缘点之间的距离。
结合第二方面,本发明实施例提供了第二方面的第二种可能的实施方式,其中,车道边缘点对确定模块包括:
车道边缘点对确定单元,用于当所述相互对应的两个车道线初始边缘点之间的距离在预设的第一距离阈值区间内时,确定所述相互对应的两个车道线初始边缘点为所述二值化车道图像的车道边缘点对。
结合第二方面,本发明实施例提供了第二方面的第三种可能的实施方式,其中,车道线检测模块包括:
候选车道线确定单元,用于采用贪心算法遍历所述车道边缘点对,得到多条候选车道线;
车道线确定单元,用于当所述多条候选车道线中当前两条候选车道线之间的距离在设定的第二距离阈值区间内时,确定所述当前两条候选车道线为车道线。
结合第二方面,本发明实施例提供了第二方面的第四种可能的实施方式,其中,所述装置还包括:
车道跟踪图像获取模块,用于获取所述待检测的车道图像的车道跟踪图像;
跟踪车道处理区域划分模块,用于根据从上一帧图像中确定的车道线,从所述车道跟踪图像中划分出多个跟踪车道处理区域,其中,所述上一帧图像是所述待检测的车道图像或者所述车道跟踪图像的上一个车道跟踪图像;
车道线跟踪模块,用于对划分出的所述多个跟踪车道处理区域进行车道线跟踪检测,得到跟踪车道线。
结合第二方面,本发明实施例提供了第二方面的第五种可能的实施方式,其中,车道线跟踪模块包括:
梯度方向图计算单元,用于计算所述多个跟踪车道处理区域中每个跟踪车道处理区域中车道线的梯度方向图;
曲线车道线拟合单元,用于当所述多个跟踪车道处理区域的所述梯度方向图中显示的所述车道线的方向峰值发生变化时,确定所述车道线是曲线车道线并拟合出曲线车道线方程;
直线车道线拟合单元,用于当所述多个跟踪车道处理区域的所述梯度方向图中显示的所述车道线的方向峰值未发生变化时,确定所述车道线是直线车道线并拟合出直线车道线方程;
跟踪车道线确定单元,用于根据拟合出的所述曲线车道线方程或所述直线车道线方程,得到所述跟踪车道线。
结合第二方面,本发明实施例提供了第二方面的第六种可能的实施方式,其中,述装置还包括:
角度计算模块,用于分别计算所述上一帧图像确定的车道线与水平方向的第一角度,以及所述跟踪车道线与水平方向的第二角度;
处理模块,用于当第一角度与第二角度的差值大于预设的角度阈值时,停止所述车道线跟踪检测。
本发明实施例提供的一种车道线检测方法和装置,通过根据相互对应的两个车道线初始边缘点之间的距离,从车道初始边缘点中筛选出二值化车道图像的车道边缘点对,从而将不符合距离要求的车道初始边缘点作为干扰点筛选出去,降低后续直线车道检测的计算量并减少干扰点对后面车道线检测的影响,提高直线车道检测的准确率。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1示出了本发明实施例提供的一种车道线检测方法所涉及的一种实施系统的结构示意图;
图2示出了本发明实施例1提供的一种车道线检测方法的流程图;
图3示出了本发明实施例2提供的另一种车道检测方法中进行车道检测的流程图;
图4示出了本发明实施例2提供的另一种车道检测方法中进行车道跟踪的流程图;
图5示出了本发明实施例3提供的一种车道检测装置的结构示意图。
具体实施方式
下面将结合本发明实施例中附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
考虑到相关的车道线检测技术中,通过Canny边缘检测算法对车道图像进行二值化后的车道边缘点中会有大量的干扰点(即非车道边缘点),这些干扰点不但会增加后续直线车道检测的计算量,还会降低直线车道检测的准确率。基于此,本发明实施例提供了一种车道线检测方法和装置。
参见图1,其示出了本发明实施例提供的车道线检测方法所涉及的一种实施系统的结构示意图,该系统包括:车道线检测设备10,车道线检测设备10包括处理器100和与处理器100连接的存储器101;
其中,处理器100,用于车道线检测设备10获取的待检测车道图像进行二值化处理,得到二值化车道图像;然后提取二值化车道图像中的车道初始边缘点,根据车道初始边缘点的坐标确定相互对应的两个车道线初始边缘点之间的距离;并根据确定的距离,从车道初始边缘点中筛选出二值化车道图像的车道边缘点对;在得到车道边缘点对后,通过筛选出的车道边缘点对确定待检测的车道图像中的车道线,并将确定的车道线发送到存储器101中进行存储;存储器101,用于接收并存储检测出来的车道线。
车道线检测设备10可以采用现有的任意型号的服务器或者计算设备检测车道线并进行存储,这里不再一一赘述。
处理器100可以采用现有的任何中央处理器、微处理器或者可编程器件对车道图像中的车道线进行检测,这里不再一一赘述。
存储器101可以采用现有的任何大容量存储介质对检测得到的车道线进行存储,这里不再一一赘述。
实施例1
参见图2,本实施例提供一种车道线检测方法,该方法包括如下步骤:
步骤200、车道线检测设备对待检测的车道图像进行二值化处理,得到二值化车道图像。
车辆开始行驶时,车道线检测设备启动并开始进行车道线的检测工作,车道线检测设备通过获取预先安装在车辆上的摄像机或者录像机在车辆行驶过程中拍摄到的当前帧的车道图像,以获取到的当前帧的车道图像作为检测的车道图像;然后对待检测的车道图像进行二值化处理,得到二值化车道图像。
车道线检测设备,可以单独安装在车辆上,也可以和行车记录仪或者车载导航仪集成在一起,用于对行驶时的车辆进行车道线的检测。
车道图像,是与车道线检测设备连接的摄像机或者录像机实时获取到的每一帧车道图像的图像内容,摄像机或者录像机在实时获取图像时,会将获取的每一帧图像发送到车道线检测设备行车道线检测。
对车道图像的二值化处理过程,就是将待检测的车道图像上的像素点的灰度值设置为0或255的处理过程,得到的二值化车道图像就是将整个待检测的车道图像呈现出明显的只有黑和白的视觉效果的图像。
在二值化车道图像中,车道线由灰度值255的白色像素点表示出来,除车道线之外的其他图像由灰度值0的黑色像素点表示。
步骤202、车道线检测设备提取二值化车道图像中的车道初始边缘点,根据车道初始边缘点的坐标确定相互对应的两个车道线初始边缘点之间的距离。
车道初始边缘点,就是在二值化车道图像中表示车道线的白色像素点中,位于车道线边缘的白色像素点。
由于车道线的宽度和车道线在图像中的位置是预先确定的,所以在车道线检测设备提取二值化车道图像中的车道初始边缘点时,可以根据车道线的宽度和车道线在图像中的位置,从二值化车道图像中提取出大概位于车道线边缘的像素点,作为车道初始边缘点。
车道初始边缘点在二值化车道图像中的位置由车道初始边缘点的坐标表示,在本实施例中,设定纵坐标相同的两个车道线初始边缘点可以作为相互对应的两个车道线初始边缘点。换句话说,就是位于同一水平方向的两个车道线初始边缘点是相互对应的两个车道线初始边缘点。
本实施例中描述的两个车道线,是指汽车所行驶车道的两个车道线线。
步骤204、根据确定的距离,车道线检测设备从车道初始边缘点中筛选出二值化车道图像的车道边缘点对。
确定的距离,就是表征相互对应的两个车道线初始边缘点之间的距离。
车道边缘点对,用于表征车道线的边缘位置,可以由相互对应的两个车道线初始边缘点组成,当相互对应的两个车道线初始边缘点之间的距离满足车道线宽度时,这两个相互对应的车道初始边缘点就可以组成车道边缘点对。
步骤206、车道线检测设备通过筛选出的车道边缘点对确定待检测的车道图像中的车道线。
综上所述,本实施例提供的一种车道线检测方法,通过根据相互对应的两个车道线初始边缘点之间的距离,从车道初始边缘点中筛选出二值化车道图像的车道边缘点对,从而将不符合距离要求的车道初始边缘点作为干扰点筛选出去,降低后续直线车道检测的计算量并减少干扰点对后面车道线检测的影响,提高直线车道检测的准确率。
在相关技术中,通过Canny边缘检测算法对车道图像进行二值化时,由于算法复杂,所以为了保证车道检测的速度,所以就没有对Canny边缘检测算法二值化后的车道图像进行降噪处理,所以为了对二值化后的车道图像进行降噪处理,提取二值化车道图像中的车道初始边缘点,根据车道初始边缘点的坐标确定相互对应的两个车道线初始边缘点之间的距离包括以下步骤(1)至步骤(3):
(1)对二值化车道图像进行降噪处理;
(2)根据像素点的亮度值从降噪处理后的二值化车道图像中提取多个车道初始边缘点;
(3)根据多个车道初始边缘点的坐标确定相互对应的两个车道线初始边缘点之间的距离。
在步骤(1)中,对二值化车道图像进行降噪处理包括:根据车道线的宽度和车道线在二值化车道图像中的位置,可以确定二值化车道图像中具有车道线的区域,然后从二值化车道图像中剔除掉不在具有车道线的区域内的白色像素点。
从二值化车道图像中剔除掉不在具有车道线的区域内的白色像素点的过程可以采用现有的任何对图像进行降噪的算法,这里不再一一赘述。
在步骤(2)中,根据像素点的亮度值从降噪处理后的二值化车道图像中提取多个车道初始边缘点具体包括:步骤(21)至步骤(23):
(21)判断降噪处理后的二值化车道图像中的多个像素点中当前两个像素点之间的亮度值是否小于该两个像素点周围的亮度值,如果是则执行步骤(22),如果否则执行步骤(23);
(22)确定当前两个像素点是干扰点,并删除当前两个像素点;
(23)确定当前两个像素点是车道初始边缘点,并分别获取当前两个像素点的坐标。
在步骤(2)中,在车道线检测设备提取二值化车道图像中的车道初始边缘点时,可以根据车道线的宽度和车道线在图像中的位置,从二值化车道图像中提取出大概位于车道线边缘的像素点,作为车道初始边缘点。
在步骤(3)中,可以根据现有的任何计算方式对车道初始边缘点的坐标进行计算,确定车道初始边缘点之间的距离。
通过以上的描述,可在二值化车道图像后,对二值化车道图像进行降噪处理,减少后续图像处理的计算量。
相关技术中,在得到车道边缘点后,是直接根据车道边缘点确定车道线,而不会对车道边缘点作进一步的筛选,所以根据确定的距离,从车道初始边缘点中筛选出二值化车道图像的车道边缘点对包括以下步骤(1)至步骤(3):
(1)判断相互对应的两个车道线初始边缘点之间的距离是否在预设的第一距离阈值区间内,如果是则执行步骤(2),如果否则执行步骤(3);
(2)确定相互对应的两个车道线初始边缘点为二值化车道图像的车道边缘点对;
(3)确定相互对应的两个车道线初始边缘点为二值化车道图像的干扰点并删除。
其中,第一距离阈值区间为(0.5d,1.5d),d表示车道线宽度。
通过以上的描述,通过预设的第一距离阈值区间,对二值化车道图像中的干扰点进一步进行过滤,减少后面车道检测的计算量。
相关技术中通过霍夫变换算法来检测车道线,但是霍夫变换算法运算复杂,所以增加了车道检测的时间,所以通过确定的车道边缘点检测出车道线包括以下步骤(1)至步骤(2):
(1)采用贪心算法遍历车道边缘点对,得到多条候选车道线;
(2)当多条候选车道线中当前两条候选车道线之间的距离在设定的第二距离阈值区间内时,确定当前两条候选车道线为车道线。
在步骤(1)中,可以采用现有的任何贪心算法对车道边缘点进行遍历,都可以得到多条候选车道线,这里不再一一赘述。
在步骤(2)中,当多条候选车道线中当前两条候选车道线之间的距离在设定的第二距离阈值区间内时,确定当前两条候选车道线为车道线具体包括:步骤(21)至(23):
(21)判断多条候选车道线中当前两条候选车道线之间的距离在设定的第二距离阈值区间内,如果是则执行步骤(22),如果否则执行步骤(23);
(22)确定当前两条候选车道线为车道线,存储确定的车道线以及车道线对应的车道线方程;其中,车道线方程的形式是y=kx+c,其中x和y是变量,k和c是常数。
(23)确定当前两条候选车道线不为车道线,并返回步骤(21)继续判断其他的候选车道线是否为车道线。
其中,第二距离阈值区间为(0.5D,1.5D),D表示两条车道线之间的车道宽度。
通过以上的描述,通过简单的贪心算法就可以检测车道线,在保证车道检测准确率的同时,减少了车道的检测时间。
在相关技术中,在对当前拍摄的车道图像继续进行处理时,通常按照固定大小的车道线处理区域进行车道跟踪,但是若车道处于弯道的时候,车道线在图像中有可能会偏离固定好的处理区域,从而影响车道跟踪的准确性。所以本实施例提出的车道检测方法还包括以下步骤(1)至步骤(3):
(1)获取待检测的车道图像的车道跟踪图像;
(2)根据从上一帧图像中确定的车道线,从车道跟踪图像中划分出多个跟踪车道处理区域,其中,上一帧图像是待检测的车道图像或者车道跟踪图像的上一个车道跟踪图像;
(3)对划分出的多个跟踪车道处理区域进行车道线跟踪检测,得到跟踪车道线。
在步骤(2)中,从车道跟踪图像中划分出多个跟踪车道处理区域具体包括如下步骤(21)至步骤(24):
(21)通过预先设定的跟踪车道处理区域的高度,确定跟踪车道处理区域与车道交点的纵坐标;
(22)将确定的跟踪车道处理区域与车道交点的纵坐标代入上一帧拍摄的车道线图像确定的车道线方程中,得到跟踪车道处理区域与车道交点的横坐标;
(23)将计算得到的跟踪车道处理区域与车道交点的纵坐标和横坐标代入以下公式1和公式2中,分别得到跟踪车道处理区域对角线左上端点和右下端点的坐标;
其中,(x1,y1)是跟踪车道处理区域的上边缘与车道的交点坐标,(x2,y2)是跟踪车道处理区域的下边缘与车道的交点坐标;
(24)根据得到的跟踪车道处理区域对角线的两端点坐标,在当前拍摄的车道图像中划分出跟踪车道处理区域。
通过以上的描述,通过当前获取到的车道跟踪图像的上一帧图像,确定当前帧图像的跟踪车道处理区域,可以根据车道的实际情况划分跟踪车道处理区域,减少处理区域和减少干扰的场景,从而提高算法性能和提高算法检测的准确性。
在得到跟踪车道处理区域后,需要对跟踪车道处理区域图像进行二值化,得到二值化后的跟踪车道处理区域图像中的跟踪车道边缘点对;
其中,在对跟踪车道处理区域进行二值化时,为了减小干扰点对后面拟合车道线的干扰,需要剔除跟踪车道处理区域图像中的干扰点,剔除跟踪车道处理区域图像中的干扰点的流程包括以下步骤(1)至步骤(4):
(1)根据像素点的坐标,判断处于同一水平的多个像素点之间的距离是否满足预设的第一距离阈值,如果是则执行步骤(2),如果否则执行步骤(3);
(2)保存满足预设的第一距离阈值的两个像素点为拟合车道候选边缘点对,其中,保存的拟合车道候选边缘点对包括:两个像素点的坐标和水平梯度值;
(3)从二值化图像上删除不满足第一距离阈值的像素点;
(4)计算拟合车道候选边缘点对中两个像素点的水平梯度值的绝对值之和,将水平梯度值的绝对值之和大于设定的水平梯度阈值时,将该对拟合车道候选边缘点作为一对跟踪车道边缘点,若在同一水平方向上存在多对候选边缘点,只保留水平梯度值和最大的那对边缘点作为跟踪车道边缘点对。
其中,最多只有一对候选边缘点,可以作为跟踪车道边缘点对。
通过以上描述,可以滤去二值化图像中的干扰点,从而减少干扰点对后面车道线拟合的影响。
相关技术中,只能检测直线车道线,而不能对车道图像中的曲线车道线进行检测或其他处理,所以,对划分出的多个跟踪车道处理区域进行车道线跟踪检测,得到跟踪车道线包括步骤(1)至步骤(2):
(1)计算多个跟踪车道处理区域中每个跟踪车道处理区域中车道线的梯度方向图;
(2)当多个跟踪车道处理区域的梯度方向图中显示的车道线的方向峰值发生变化时,确定车道线是曲线车道线并拟合出曲线车道线方程;
(3)当多个跟踪车道处理区域的梯度方向图中显示的车道线的方向峰值未发生变化时,确定车道线是直线车道线并拟合出直线车道线方程;
(4)根据拟合出的曲线车道线方程或直线车道线方程,得到跟踪车道线。
在步骤(1)中,可以采用现有的任何可以计算梯度方向图的方法来计算每个跟踪车道处理区域中车道线的梯度方向图,这里不再一一赘述。
在步骤(2)或者步骤(3)中,在判断方向峰值变化时,先确定方向峰值是否发生变化,并在确定方向峰值发生变化时,判断方向峰值的变化量是否大于设定的方向峰值阈值,如果是则确定车道线的梯度峰值发生变化。
可选地,方向峰值阈值可以是30度,当然,也可以根据实际的使用情况设置成其他的数值,这里不再一一赘述。
在步骤(2)中,通过最小二乘算法拟合出曲线车道方程f(y)=c+dy+ey2的具体过程包括步骤(21)至步骤(24):
(21)根据车道线的方向峰值发生变化的相邻两个跟踪车道处理区域的边界线确定梯度变化临界点纵坐标ym;
(22)将纵坐标值小于梯度变化临界点纵坐标的跟踪车道边缘点对中的任意两个像素点的坐标(xfj,yfj)代入以下公式3中,得到参数a和b;
(23)将得到的参数a和b分别代入c和e的计算公式和中,然后将和代入曲线车道方程f(y)=c+dy+ey2,由于此时方程f(y)=c+dy+ey2中只有参数d未知,所以可以求出参数d;
(24)根据求出的参数d,确定参数c和e,得到曲线车道方程f(y)=c+dy+ey2,从而根据曲线车道方程f(y)=c+dy+ey2拟合出曲线车道。
在步骤(3)中,通过最小二乘算法拟合出直线车道方程x=a+by的具体过程包括以下步骤(31)至步骤(32):
(31)将跟踪车道边缘点对中的任意两对像素点的坐标(x,y)代入直线车道方程x=a+by中,得到参数a和b,从而确定直线车道方程x=a+by;
(32)根据直线车道方程x=a+by拟合出直线车道。
通过以上描述,通过计算得到的梯度方向图中显示的车道线的方向峰值是否发生变化,来对车道线是曲线车道线还是直线车道线进行判断,提高了车道线检测的准确性。
通过以上的描述可以看出,通过跟踪得到的车道线不是实际测量得到的车道线,所以会出现偏差,当偏差较大时,会降低跟踪车道线的准确性,为了保证车道跟踪的准确性,方法还包括如下步骤(1)至步骤(2):
(1)分别计算上一帧图像确定的车道线与水平方向的第一角度,以及跟踪车道线与水平方向的第二角度;
(2)当第一角度与第二角度的差值大于预设的角度阈值时,停止车道线跟踪检测。
在步骤(2)的当第一角度与第二角度的差值大于预设的角度阈值时,停止车道线跟踪检测具体包括如下步骤(21)至步骤(23):
(21)判断第一角度与第二角度的差值是否大于预设的角度阈值,如果是则执行步骤(22),如果否则执行步骤(23);
(22)停止车道线跟踪检测,并返回步骤200;
(23)获取下一帧图像并继续进行车道线跟踪。
通过以上的描述,当上一帧图像确定的车道线与水平方向的第一角度与跟踪车道线与水平方向的第二角度之间的差值大于预设的角度阈值时,那么此时就得停止车道线跟踪检测,返回车道线检测的步骤重新进行车道线检测,以保证车道检测的准确性。
实施例2
本技术方案涉及一种车道检测方法,本实施例提供的车道线检测算法主要分为两个步骤:1)车道线检测;2)车道线跟踪。具体步骤如下:
一、车道线检测
参见图3,本实施例提出的车道线检测主要分为五个步骤:选取目标处理区域;二值化;过滤干扰点;直线检测和筛选直线。下面分别对这五个步骤进行描述:
1)目标处理区域
主要根据图像地平线确定,选取地平线以下的区域为目标处理区域(地平线即消失线,相机安装固定后即可确定地平线,地平线以上为无效区域,因此选取地平线以下区域为车道线目标处理区域)。
2)二值化
利用水平方向sobel算子,求取水平梯度图;
水平梯度的绝对值低于阈值(该水平梯度阈值是根据实验得到的,本算法采用的是8)的置0,否则保留该水平梯度;
求取二值化图像,若水平梯度的绝对值大于0,同时满足在阈值长度内是最大值,则该位置置255,其它则置0。
注:阈值长度指的是水平多少个像素范围内。通常车道线宽度是有国标的,那么左右边缘点的距离选取的是车道线左右边缘点距离的一半。每行左右边缘点之间的距离是根据相机标定信息来确定的。(因为车道线由远及近在图像中的宽度是由小变大。该阈值不是一个定值,而是根据相机的标定信息来选取)。
3)过滤干扰点
根据车道线的性质过滤干扰点。车道线的性质主要有:车道线的宽度、车道线的亮度。通常车道线检测算法在二值化后就采用hough进行直线检测,但是往往二值图中存在着大量的干扰点,而这些干扰点往往影响算法的性能和直线检测的效果。而本发明在二值化后,增加了对二值图像进行干扰点过滤的操作。通常车道线存在着左右边缘点,而左右边缘点之间的距离在图像中存在着一定的阈值(通常车道线是有国标的,主要根据相机标定信息获取),若二值图中的水平两个点之间距离过大(大于每行车道线左右边缘点宽度的1.5倍)或者过小(小于每行车道线左右边缘点宽度的0.5倍)可以确定该两点不可能构成车道线的一对边缘点。同时通常在图像中左右边缘点之间的亮度往往比它们周围的亮(由于车道线是白色理想状态下其像素值接近于255,而车道线两边的马路是黑色其值理想状态下接近与0,白色比黑色亮),若一对边缘点之间的图像平均亮度值比周边范围内的图像平均亮度低,那么可以确定这对边缘点不是车道线的一对边缘点。采用上述车道线性质,可以滤去部分干扰点,从而减少干扰点对直线检测的影响,同时为后面车道线检测减少计算量。
4)直线检测,本实施例根据二值图采用贪心算法查找符合要求的直线。
传统的直线检测算法采用hough直线检测,hough直线检测的计算是比较复杂的,往往需要大量的乘法运算。若图像的场景比较复杂,hough直线检测耗时通常需要好几毫秒,影响算法的实时性能。若采用贪心算法进行直线检测,只需要遍历二值图像中所有255的值一次就可以查找所有符合要求的直线。利用该算法进行直线检测平均耗时在0.27ms,这样大大提高算法的实时性能,同时不影响算法的准确性。筛选直线
由于直线检测阶段,会检测出多条直线,但左右配对的两条直线之间存在着一定的关联。例如两条直线的距离关系。可以用来筛选直线(例如根据相机的标定信息可以大致确定两条车道线的间隔距离,该距离定为阈值d,若此时有配对直线的距离大于1.5d或者小于0.5d,那么认为该配对直线不符合要求),最终确定符合要求的配对直线。
5)筛选直线,本实施例采用判断是否存在符合要求的配对直线,如果存在,则转入车道线跟踪流程;如果不存在,则返回步骤1)。
二、车道线跟踪
车道线跟踪步骤是在车道线检测之后对于目标车道线进行跟踪检测。参见图4,车道线跟踪主要分为以下四个步骤:1)根据历史时刻的车道线对目标检测区域分块处理;2)对分块的目标区域进行二值化操作;3)利用分块区域的角度的梯度峰值来确定该车道是直道还是弯道;4)拟合车道线;5)与历史时刻车道线比较,若满足要求继续车道线跟踪,否则转入车道线检测流程。该步骤主要依据当前检测的车道线与历史时刻检测的车道线斜率和位置是否满足一定阈值。
上述方法中,利用车道线跟踪技术主要可以减少车道线处理区域,提高车道线检测的准确度和提高算法的实时性能。若此时车道线跟踪与上一时刻出现较大偏差,便认为此时车道线跟踪可能出现错误,为避免继续跟踪错误的车道线,因此需要重新确定车道线的位置,即进入车道线检测流程。
车道线跟踪的流程包括:
1)划分目标处理区域
该步骤主要依据历史时刻检测到的车道线的位置划分处理区域。主要依据车道线的地平线和底端之间的处理区域分为四块,由底端向上分块,每块的高度是20个像素,而每个块的宽度依据上一时刻检测的车道线划分,具体见公式(1)。最终左右车道线都形成了四个阶梯形的矩形处理区域,接下来车道线检测的处理区域就是基于该阶梯形区域。
由于划分处理区域是按照由底端向上分块,每个块高度为20个像素,那么每块的顶点和底端的y轴坐标值可以确定,记为y1和y2,上一帧的该块车道线方程已知。可以根据两点的y轴坐标值确定两点的水平坐标值,分别记为x1和x2。即如图所示两点。此时可以利用下述公式确定车道线矩形框的左上角顶点位置和右下角底端的位置,分别记为Top和Bottom。
2)二值化
该阶段二值化操作主要是在上一步骤划分的处理区域中操作。二值化的步骤:
利用水平方向sobel算子,求取水平梯度图;
水平梯度的绝对值低于阈值(该水平梯度阈值是根据实验得到的,本算法采用的是8)的置0,否则保留该水平梯度;
求取二值化图像,若水平梯度的绝对值大于0,同时满足在阈值长度内是最大值,则该位置置为255,其它则置0;
根据目标区域中所有值为255的点,找到左右梯度绝对值和最大的左右边缘点,若该边缘点满足车道线宽度阈值,则保留该左右边缘点,否则左右边缘点不符合要求。
3)求取二值图像中车道线处方向的梯度图,最终根据各个块的方向的梯度峰值之间的变化确定车道是直道还是弯道。确定依据是各个块的方向的梯度峰值之间的变化。若方向梯度图的峰值发生突变便认为是弯道。
4)拟合车道线
该阶段主要根据上一步骤求取的每个块的方向梯度图来确定车道的属性。通常若车道是直道,那么可以发现四个块区域的梯度峰值对应的方向基本一致,方向不会产生突变,若车道是弯道,观察其方向梯度图会发现,在四个块区域中存在方向的突变。若从该块区域到下一块区域的梯度峰值对应的方向发生突变,那么我们定义其临界点的坐标为ym,那么y<ym定义为车道远端区域,y≥ym定义为近端区域。而直道其实就是一种特殊的弯道。通常远端区域采用二次函数f(y)=c+dy+ey2(y<ym)模型拟合车道线,近端区域采用线性模型f(y)=a+by(y≥ym),拟合车道线:
那么车道线拟合模型可以定义为如下公式:
其中(xni,yni)表示近端区域的坐标点,m表示近端区域中255值的数目;(xfj,yfj)表示远端区域的坐标点,n表示远端区域的白点数目。
基于如下的定义,大于90度的方向为正向,小于90度的方向为反向,该阶段同时可以根据梯度方向突变的方向来提醒车辆左转弯还是右转弯。若左车道线区域的梯度方向由正向突变为反向或者右车道线由反向突变为正向那么可以确定车道是左转弯弯道,反之,车道处于右转弯车道。
综上所述,本实施例提供的一种车道线检测方法,通过根据相互对应的两个车道线初始边缘点之间的距离,从车道初始边缘点中筛选出二值化车道图像的车道边缘点对,从而将不符合距离要求的车道初始边缘点作为干扰点筛选出去,降低后续直线车道检测的计算量并减少干扰点对后面车道线检测的影响,提高直线车道检测的准确率。
实施例3
参见图5,本实施例提供一种车道线检测装置,用于执行上述实施例中描述的车道线检测方法,该装置包括:二值化处理模块500、车道初始边缘点提取模块502、车道边缘点对确定模块504和车道线检测模块506;
二值化处理模块500,用于对待检测的车道图像进行二值化处理,得到二值化车道图像;
车道初始边缘点提取模块502,与二值化处理模块500连接,用于提取二值化车道图像中的车道初始边缘点,根据车道初始边缘点的坐标确定相互对应的两个车道线初始边缘点之间的距离;
车道边缘点对确定模块504,与车道初始边缘点提取模块502连接,用于根据确定的距离,从车道初始边缘点中筛选出二值化车道图像的车道边缘点对;
车道线检测模块506,与车道边缘点对确定模块504连接,用于通过筛选出的车道边缘点对确定待检测的车道图像中的车道线。
在相关技术中,通过Canny边缘检测算法对车道图像进行二值化时,由于算法复杂,所以为了保证车道检测的速度,所以就没有对Canny边缘检测算法二值化后的车道图像进行降噪处理,所以车道初始边缘点提取模块502通过设置的降噪单元、车道初始边缘点提取单元和距离确定单元,对二值化后的车道图像进行降噪处理,车道初始边缘点提取模块502具体包括:
降噪单元,用于对二值化车道图像进行降噪处理;
车道初始边缘点提取单元,用于根据像素点的亮度值从降噪处理后的二值化车道图像中提取多个车道初始边缘点;
距离确定单元,用于根据多个车道初始边缘点的坐标确定相互对应的两个车道线初始边缘点之间的距离。
通过以上的描述,可在二值化车道图像后,对二值化车道图像进行降噪处理,减少后续图像处理的计算量。
相关技术中,在得到车道边缘点后,是直接根据车道边缘点确定车道线,而不会对车道边缘点作进一步的筛选,所以车道边缘点对确定模块504通过设置的车道边缘点对确定单元对对车道边缘点作进一步的筛选,车道边缘点对确定模块504具体包括:
车道边缘点对确定单元,用于当相互对应的两个车道线初始边缘点之间的距离在预设的第一距离阈值区间内时,确定相互对应的两个车道线初始边缘点为二值化车道图像的车道边缘点对。
通过以上的描述,通过预设的第一距离阈值区间,对二值化车道图像中的干扰点进一步进行过滤,减少后面车道检测的计算量。
相关技术中通过霍夫变换算法来检测车道线,但是霍夫变换算法运算复杂,所以增加了车道检测的时间,所以车道线检测模块506通过设置的候选车道线确定单元和车道线确定单元,来减少车道检测的时间,车道线检测模块506具体包括:
候选车道线确定单元,用于采用贪心算法遍历车道边缘点对,得到多条候选车道线;
车道线确定单元,用于当多条候选车道线中当前两条候选车道线之间的距离在设定的第二距离阈值区间内时,确定当前两条候选车道线为车道线。
通过以上的描述,通过简单的贪心算法就可以检测车道线,在保证车道检测准确率的同时,减少了车道的检测时间。
在相关技术中,在对当前拍摄的车道图像继续进行处理时,通常按照固定大小的车道线处理区域进行车道跟踪,但是若车道处于弯道的时候,车道线在图像中有可能会偏离固定好的处理区域,从而影响车道跟踪的准确性。为了保证车道跟踪的准确性,本实施例提出的车道检测装置还具体包括:
车道跟踪图像获取模块,用于获取待检测的车道图像的车道跟踪图像;
跟踪车道处理区域划分模块,用于根据从上一帧图像中确定的车道线,从车道跟踪图像中划分出多个跟踪车道处理区域,其中,上一帧图像是待检测的车道图像或者车道跟踪图像的上一个车道跟踪图像;
车道线跟踪模块,用于对划分出的多个跟踪车道处理区域进行车道线跟踪检测,得到跟踪车道线。
通过以上的描述,通过当前获取到的车道跟踪图像的上一帧图像,确定当前帧图像的跟踪车道处理区域,可以根据车道的实际情况划分跟踪车道处理区域,减少处理区域和减少干扰的场景,从而提高算法性能和提高算法检测的准确性。
相关技术中,只能检测直线车道线,而不能对车道图像中的曲线车道线进行检测或其他处理,基于此,为了对车道图像中的曲线车道线进行跟踪,上述车道线跟踪模块具体包括:
梯度方向图计算单元,用于计算多个跟踪车道处理区域中每个跟踪车道处理区域中车道线的梯度方向图;
曲线车道线拟合单元,用于当多个跟踪车道处理区域的梯度方向图中显示的车道线的方向峰值发生变化时,确定车道线是曲线车道线并拟合出曲线车道线方程;
直线车道线拟合单元,用于当多个跟踪车道处理区域的梯度方向图中显示的车道线的方向峰值未发生变化时,确定车道线是直线车道线并拟合出直线车道线方程;
跟踪车道线确定单元,用于根据拟合出的曲线车道线方程或直线车道线方程,得到跟踪车道线。
通过以上描述,通过计算得到的梯度方向图中显示的车道线的方向峰值是否发生变化,来对车道线是曲线车道线还是直线车道线进行判断,提高了车道线检测的准确性。
通过以上的描述可以看出,通过跟踪得到的车道线不是实际测量得到的车道线,所以会出现偏差,当偏差较大时,会降低跟踪车道线的准确性,为了保证车道跟踪的准确性,本实施例提出的车道检测装置还具体包括:
角度计算模块,用于分别计算上一帧图像确定的车道线与水平方向的第一角度,以及跟踪车道线与水平方向的第二角度;
处理模块,用于当第一角度与第二角度的差值大于预设的角度阈值时,停止车道线跟踪检测。
通过以上的描述,当上一帧图像确定的车道线与水平方向的第一角度与跟踪车道线与水平方向的第二角度之间的差值大于预设的角度阈值时,那么此时就得停止车道线跟踪检测,返回车道线检测的步骤重新进行车道线检测,以保证车道检测的准确性。
综上所述,本实施例提供的一种车道线检测装置,通过根据相互对应的两个车道线初始边缘点之间的距离,从车道初始边缘点中筛选出二值化车道图像的车道边缘点对,从而将不符合距离要求的车道初始边缘点作为干扰点筛选出去,降低后续直线车道检测的计算量并减少干扰点对后面车道线检测的影响,提高直线车道检测的准确率。
本发明实施例所提供的车道线检测方法的计算机程序产品,包括存储了程序代码的计算机可读存储介质,程序代码包括的指令可用于执行前面方法实施例中的方法,具体实现可参见方法实施例,在此不再赘述。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统、装置和方法,可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,RandomAccessMemory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应所述以权利要求的保护范围为准。
Claims (14)
1.一种车道线检测方法,其特征在于,所述方法包括:
对待检测的车道图像进行二值化处理,得到二值化车道图像;
提取所述二值化车道图像中的车道初始边缘点,根据所述车道初始边缘点的坐标确定相互对应的两个车道线初始边缘点之间的距离;
根据确定的所述距离,从所述车道初始边缘点中筛选出所述二值化车道图像的车道边缘点对;
通过筛选出的所述车道边缘点对确定所述待检测的车道图像中的车道线。
2.根据权利要求1所述的方法,其特征在于,提取所述二值化车道图像中的车道初始边缘点,根据所述车道初始边缘点的坐标确定相互对应的两个车道线初始边缘点之间的距离包括:
对所述二值化车道图像进行降噪处理;
根据像素点的亮度值从降噪处理后的所述二值化车道图像中提取多个车道初始边缘点;
根据所述多个车道初始边缘点的坐标确定相互对应的两个车道线初始边缘点之间的距离。
3.根据权利要求1所述的方法,其特征在于,根据确定的所述距离,从所述车道初始边缘点中筛选出所述二值化车道图像的车道边缘点对包括:
当所述相互对应的两个车道线初始边缘点之间的距离在预设的第一距离阈值区间内时,确定所述相互对应的两个车道线初始边缘点为所述二值化车道图像的车道边缘点对。
4.根据权利要求1所述的方法,其特征在于,通过确定的所述车道边缘点检测出车道线包括:
采用贪心算法遍历所述车道边缘点对,得到多条候选车道线;
当所述多条候选车道线中当前两条候选车道线之间的距离在设定的第二距离阈值区间内时,确定所述当前两条候选车道线为车道线。
5.根据权利要求1所述的方法,其特征在于,所述方法还包括:
获取所述待检测的车道图像的车道跟踪图像;
根据从上一帧图像中确定的车道线,从所述车道跟踪图像中划分出多个跟踪车道处理区域,其中,所述上一帧图像是所述待检测的车道图像或者所述车道跟踪图像的上一个车道跟踪图像;
对划分出的所述多个跟踪车道处理区域进行车道线跟踪检测,得到跟踪车道线。
6.根据权利要求5所述的方法,其特征在于,对划分出的所述多个跟踪车道处理区域进行车道线跟踪检测,得到跟踪车道线包括:
计算所述多个跟踪车道处理区域中每个跟踪车道处理区域中车道线的梯度方向图;
当所述多个跟踪车道处理区域的所述梯度方向图中显示的所述车道线的方向峰值发生变化时,确定所述车道线是曲线车道线并拟合出曲线车道线方程;
当所述多个跟踪车道处理区域的所述梯度方向图中显示的所述车道线的方向峰值未发生变化时,确定所述车道线是直线车道线并拟合出直线车道线方程;
根据拟合出的所述曲线车道线方程或所述直线车道线方程,得到所述跟踪车道线。
7.根据权利要求5所述的方法,其特征在于,所述方法还包括:
分别计算所述上一帧图像确定的车道线与水平方向的第一角度,以及所述跟踪车道线与水平方向的第二角度;
当第一角度与第二角度的差值大于预设的角度阈值时,停止所述车道线跟踪检测。
8.一种车道线检测装置,其特征在于,所述装置包括:
二值化处理模块,用于对待检测的车道图像进行二值化处理,得到二值化车道图像;
车道初始边缘点提取模块,用于提取所述二值化车道图像中的车道初始边缘点,根据所述车道初始边缘点的坐标确定相互对应的两个车道线初始边缘点之间的距离;
车道边缘点对确定模块,用于根据确定的所述距离,从所述车道初始边缘点中筛选出所述二值化车道图像的车道边缘点对;
车道线检测模块,用于通过筛选出的所述车道边缘点对确定所述待检测的车道图像中的车道线。
9.根据权利要求8所述的装置,其特征在于,车道初始边缘点提取模块包括:
降噪单元,用于对所述二值化车道图像进行降噪处理;
车道初始边缘点提取单元,用于根据像素点的亮度值从降噪处理后的所述二值化车道图像中提取多个车道初始边缘点;
距离确定单元,用于根据所述多个车道初始边缘点的坐标确定相互对应的两个车道线初始边缘点之间的距离。
10.根据权利要求8所述的装置,其特征在于,车道边缘点对确定模块包括:
车道边缘点对确定单元,用于当所述相互对应的两个车道线初始边缘点之间的距离在预设的第一距离阈值区间内时,确定所述相互对应的两个车道线初始边缘点为所述二值化车道图像的车道边缘点对。
11.根据权利要求8所述的装置,其特征在于,车道线检测模块包括:
候选车道线确定单元,用于采用贪心算法遍历所述车道边缘点对,得到多条候选车道线;
车道线确定单元,用于当所述多条候选车道线中当前两条候选车道线之间的距离在设定的第二距离阈值区间内时,确定所述当前两条候选车道线为车道线。
12.根据权利要求8所述的装置,其特征在于,所述装置还包括:
车道跟踪图像获取模块,用于获取所述待检测的车道图像的车道跟踪图像;
跟踪车道处理区域划分模块,用于根据从上一帧图像中确定的车道线,从所述车道跟踪图像中划分出多个跟踪车道处理区域,其中,所述上一帧图像是所述待检测的车道图像或者所述车道跟踪图像的上一个车道跟踪图像;
车道线跟踪模块,用于对划分出的所述多个跟踪车道处理区域进行车道线跟踪检测,得到跟踪车道线。
13.根据权利要求12所述的装置,其特征在于,车道线跟踪模块包括:
梯度方向图计算单元,用于计算所述多个跟踪车道处理区域中每个跟踪车道处理区域中车道线的梯度方向图;
曲线车道线拟合单元,用于当所述多个跟踪车道处理区域的所述梯度方向图中显示的所述车道线的方向峰值发生变化时,确定所述车道线是曲线车道线并拟合出曲线车道线方程;
直线车道线拟合单元,用于当所述多个跟踪车道处理区域的所述梯度方向图中显示的所述车道线的方向峰值未发生变化时,确定所述车道线是直线车道线并拟合出直线车道线方程;
跟踪车道线确定单元,用于根据拟合出的所述曲线车道线方程或所述直线车道线方程,得到所述跟踪车道线。
14.根据权利要求12所述的装置,其特征在于,所述装置还包括:
角度计算模块,用于分别计算所述上一帧图像确定的车道线与水平方向的第一角度,以及所述跟踪车道线与水平方向的第二角度;
处理模块,用于当第一角度与第二角度的差值大于预设的角度阈值时,停止所述车道线跟踪检测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510648708.2A CN105260713B (zh) | 2015-10-09 | 2015-10-09 | 一种车道线检测方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510648708.2A CN105260713B (zh) | 2015-10-09 | 2015-10-09 | 一种车道线检测方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105260713A true CN105260713A (zh) | 2016-01-20 |
CN105260713B CN105260713B (zh) | 2019-06-28 |
Family
ID=55100394
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510648708.2A Active CN105260713B (zh) | 2015-10-09 | 2015-10-09 | 一种车道线检测方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105260713B (zh) |
Cited By (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106415602A (zh) * | 2016-08-25 | 2017-02-15 | 深圳市锐明技术股份有限公司 | 一种成对车道线的检测方法和装置 |
CN106407893A (zh) * | 2016-08-29 | 2017-02-15 | 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 |
CN106462757A (zh) * | 2016-09-26 | 2017-02-22 | 深圳市锐明技术股份有限公司 | 一种成对车道线的快速检测方法和装置 |
CN106682586A (zh) * | 2016-12-03 | 2017-05-17 | 北京联合大学 | 一种复杂光照条件下基于视觉的实时车道线检测的方法 |
CN107909047A (zh) * | 2017-11-28 | 2018-04-13 | 上海信耀电子有限公司 | 一种汽车及其应用的车道检测方法及系统 |
CN108171225A (zh) * | 2018-03-14 | 2018-06-15 | 海信集团有限公司 | 车道检测方法、装置、终端及存储介质 |
CN108416320A (zh) * | 2018-03-23 | 2018-08-17 | 京东方科技集团股份有限公司 | 巡检设备、巡检设备的控制方法及控制装置 |
CN107025432B (zh) * | 2017-02-28 | 2018-08-21 | 合肥工业大学 | 一种高效的车道线检测跟踪方法及系统 |
CN108960252A (zh) * | 2018-06-01 | 2018-12-07 | 广西大学 | 一种二维图像中任意曲线的圆弧表示及检测方法 |
CN109063540A (zh) * | 2018-06-08 | 2018-12-21 | 上海寰钛教育科技有限公司 | 一种图像处理方法和图像处理装置 |
CN109584305A (zh) * | 2017-09-29 | 2019-04-05 | 宝沃汽车(中国)有限公司 | 全景系统标定方法、装置及车辆 |
CN109636877A (zh) * | 2018-10-31 | 2019-04-16 | 百度在线网络技术(北京)有限公司 | 车道线调整处理方法、装置及电子设备 |
CN109948552A (zh) * | 2019-03-20 | 2019-06-28 | 四川大学 | 一种复杂交通环境中的车道线检测的方法 |
CN110458083A (zh) * | 2019-08-05 | 2019-11-15 | 武汉中海庭数据技术有限公司 | 一种车道线矢量化方法、装置及存储介质 |
CN110598517A (zh) * | 2019-06-25 | 2019-12-20 | 一汽轿车股份有限公司 | 一种弯道车道偏离的检测方法 |
CN110765812A (zh) * | 2018-07-26 | 2020-02-07 | 北京图森未来科技有限公司 | 一种图像数据车道线的标定方法和装置 |
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 |
CN111291603A (zh) * | 2018-12-07 | 2020-06-16 | 长沙智能驾驶研究院有限公司 | 车道线检测方法、装置、系统及存储介质 |
CN111460072A (zh) * | 2020-04-01 | 2020-07-28 | 北京百度网讯科技有限公司 | 车道线检测方法、装置、设备和存储介质 |
CN111626078A (zh) * | 2019-02-27 | 2020-09-04 | 湖南湘江地平线人工智能研发有限公司 | 识别车道线的方法及装置 |
CN112287731A (zh) * | 2019-07-25 | 2021-01-29 | 长城汽车股份有限公司 | 目标的三元图像构建方法和装置及检测方法和装置 |
WO2021056341A1 (zh) * | 2019-09-26 | 2021-04-01 | 深圳市大疆创新科技有限公司 | 车道线融合方法、车道线融合装置、车辆和存储介质 |
CN112989991A (zh) * | 2021-03-09 | 2021-06-18 | 贵州京邦达供应链科技有限公司 | 车道线检测方法及装置、电子设备和计算机可读存储介质 |
US11094198B2 (en) | 2017-02-07 | 2021-08-17 | Tencent Technology (Shenzhen) Company Limited | Lane determination method, device and storage medium |
CN115100620A (zh) * | 2022-08-22 | 2022-09-23 | 南通顺沃供应链管理有限公司 | 一种基于道路颜色和行驶方向的车道线拟合方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102629326A (zh) * | 2012-03-19 | 2012-08-08 | 天津工业大学 | 一种基于单目视觉的车道线检测方法 |
US20130063788A1 (en) * | 2011-09-08 | 2013-03-14 | Akira Iwayama | Image processing apparatus, image processing method, computer readable medium and image processing system |
CN104494598A (zh) * | 2014-11-23 | 2015-04-08 | 北京联合大学 | 一种用于智能车辆的路口行驶控制方法 |
CN104657727A (zh) * | 2015-03-18 | 2015-05-27 | 厦门麦克玛视电子信息技术有限公司 | 一种车道线的检测方法 |
CN104881856A (zh) * | 2014-02-27 | 2015-09-02 | 株式会社理光 | 检测图像中的规则形状的方法及其装置 |
-
2015
- 2015-10-09 CN CN201510648708.2A patent/CN105260713B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130063788A1 (en) * | 2011-09-08 | 2013-03-14 | Akira Iwayama | Image processing apparatus, image processing method, computer readable medium and image processing system |
CN102629326A (zh) * | 2012-03-19 | 2012-08-08 | 天津工业大学 | 一种基于单目视觉的车道线检测方法 |
CN104881856A (zh) * | 2014-02-27 | 2015-09-02 | 株式会社理光 | 检测图像中的规则形状的方法及其装置 |
CN104494598A (zh) * | 2014-11-23 | 2015-04-08 | 北京联合大学 | 一种用于智能车辆的路口行驶控制方法 |
CN104657727A (zh) * | 2015-03-18 | 2015-05-27 | 厦门麦克玛视电子信息技术有限公司 | 一种车道线的检测方法 |
Non-Patent Citations (1)
Title |
---|
高志峰 等: "一种鲁棒的非平坦路面车道线检测算法", 《北京理工大学学报》 * |
Cited By (37)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106415602A (zh) * | 2016-08-25 | 2017-02-15 | 深圳市锐明技术股份有限公司 | 一种成对车道线的检测方法和装置 |
WO2018035815A1 (zh) * | 2016-08-25 | 2018-03-01 | 深圳市锐明技术股份有限公司 | 一种成对车道线的检测方法和装置 |
CN106407893A (zh) * | 2016-08-29 | 2017-02-15 | 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 |
CN106462757A (zh) * | 2016-09-26 | 2017-02-22 | 深圳市锐明技术股份有限公司 | 一种成对车道线的快速检测方法和装置 |
CN106462757B (zh) * | 2016-09-26 | 2019-09-06 | 深圳市锐明技术股份有限公司 | 一种成对车道线的快速检测方法和装置 |
CN106682586A (zh) * | 2016-12-03 | 2017-05-17 | 北京联合大学 | 一种复杂光照条件下基于视觉的实时车道线检测的方法 |
US11094198B2 (en) | 2017-02-07 | 2021-08-17 | Tencent Technology (Shenzhen) Company Limited | Lane determination method, device and storage medium |
CN107025432B (zh) * | 2017-02-28 | 2018-08-21 | 合肥工业大学 | 一种高效的车道线检测跟踪方法及系统 |
CN109584305A (zh) * | 2017-09-29 | 2019-04-05 | 宝沃汽车(中国)有限公司 | 全景系统标定方法、装置及车辆 |
CN107909047A (zh) * | 2017-11-28 | 2018-04-13 | 上海信耀电子有限公司 | 一种汽车及其应用的车道检测方法及系统 |
CN107909047B (zh) * | 2017-11-28 | 2021-07-06 | 上海信耀电子有限公司 | 一种汽车及其应用的车道检测方法及系统 |
CN108171225A (zh) * | 2018-03-14 | 2018-06-15 | 海信集团有限公司 | 车道检测方法、装置、终端及存储介质 |
CN108416320A (zh) * | 2018-03-23 | 2018-08-17 | 京东方科技集团股份有限公司 | 巡检设备、巡检设备的控制方法及控制装置 |
CN108416320B (zh) * | 2018-03-23 | 2021-04-06 | 京东方科技集团股份有限公司 | 巡检设备、巡检设备的控制方法及控制装置 |
US10580124B2 (en) | 2018-03-23 | 2020-03-03 | Boe Technology Group Co., Ltd. | Inspection device, control method and control apparatus for the same |
CN108960252A (zh) * | 2018-06-01 | 2018-12-07 | 广西大学 | 一种二维图像中任意曲线的圆弧表示及检测方法 |
CN109063540A (zh) * | 2018-06-08 | 2018-12-21 | 上海寰钛教育科技有限公司 | 一种图像处理方法和图像处理装置 |
CN110765812A (zh) * | 2018-07-26 | 2020-02-07 | 北京图森未来科技有限公司 | 一种图像数据车道线的标定方法和装置 |
CN110765812B (zh) * | 2018-07-26 | 2021-02-19 | 北京图森智途科技有限公司 | 一种图像数据车道线的标定方法和装置 |
CN109636877A (zh) * | 2018-10-31 | 2019-04-16 | 百度在线网络技术(北京)有限公司 | 车道线调整处理方法、装置及电子设备 |
CN111291603B (zh) * | 2018-12-07 | 2023-09-29 | 长沙智能驾驶研究院有限公司 | 车道线检测方法、装置、系统及存储介质 |
CN111291603A (zh) * | 2018-12-07 | 2020-06-16 | 长沙智能驾驶研究院有限公司 | 车道线检测方法、装置、系统及存储介质 |
CN111626078A (zh) * | 2019-02-27 | 2020-09-04 | 湖南湘江地平线人工智能研发有限公司 | 识别车道线的方法及装置 |
CN109948552A (zh) * | 2019-03-20 | 2019-06-28 | 四川大学 | 一种复杂交通环境中的车道线检测的方法 |
CN110598517B (zh) * | 2019-06-25 | 2023-11-24 | 一汽奔腾轿车有限公司 | 一种弯道车道偏离的检测方法 |
CN110598517A (zh) * | 2019-06-25 | 2019-12-20 | 一汽轿车股份有限公司 | 一种弯道车道偏离的检测方法 |
CN112287731B (zh) * | 2019-07-25 | 2023-02-17 | 毫末智行科技有限公司 | 目标的三元图像构建方法和装置及检测方法和装置 |
CN112287731A (zh) * | 2019-07-25 | 2021-01-29 | 长城汽车股份有限公司 | 目标的三元图像构建方法和装置及检测方法和装置 |
CN110458083A (zh) * | 2019-08-05 | 2019-11-15 | 武汉中海庭数据技术有限公司 | 一种车道线矢量化方法、装置及存储介质 |
WO2021056341A1 (zh) * | 2019-09-26 | 2021-04-01 | 深圳市大疆创新科技有限公司 | 车道线融合方法、车道线融合装置、车辆和存储介质 |
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 |
CN111460072A (zh) * | 2020-04-01 | 2020-07-28 | 北京百度网讯科技有限公司 | 车道线检测方法、装置、设备和存储介质 |
CN111460072B (zh) * | 2020-04-01 | 2023-10-03 | 北京百度网讯科技有限公司 | 车道线检测方法、装置、设备和存储介质 |
CN112989991A (zh) * | 2021-03-09 | 2021-06-18 | 贵州京邦达供应链科技有限公司 | 车道线检测方法及装置、电子设备和计算机可读存储介质 |
CN115100620A (zh) * | 2022-08-22 | 2022-09-23 | 南通顺沃供应链管理有限公司 | 一种基于道路颜色和行驶方向的车道线拟合方法 |
CN115100620B (zh) * | 2022-08-22 | 2024-02-20 | 上海峰华人工智能科技有限公司 | 一种基于道路颜色和行驶方向的车道线拟合方法 |
Also Published As
Publication number | Publication date |
---|---|
CN105260713B (zh) | 2019-06-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105260713A (zh) | 一种车道线检测方法和装置 | |
CN106652445B (zh) | 一种公路交通事故判别方法及装置 | |
CN109284674B (zh) | 一种确定车道线的方法及装置 | |
CN102999749B (zh) | 基于人脸检测的安全带违章事件智能检测方法 | |
WO2017041396A1 (zh) | 一种车道线数据的处理方法、装置、存储介质及设备 | |
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 | |
CN103714538B (zh) | 道路边缘检测方法、装置及车辆 | |
CN108615358A (zh) | 一种道路拥堵检测方法及装置 | |
CN110502983B (zh) | 一种检测高速公路中障碍物的方法、装置及计算机设备 | |
CN107169464A (zh) | 一种基于激光点云的道路边界检测方法 | |
CN103632140B (zh) | 一种车道线检测方法及装置 | |
CN103500322A (zh) | 基于低空航拍图像的车道线自动识别方法 | |
CN106887004A (zh) | 一种基于块匹配的车道线检测方法 | |
CN103324930A (zh) | 一种基于灰度直方图二值化的车牌字符分割方法 | |
CN103116985A (zh) | 一种违章停车检测方法和装置 | |
CN104598912A (zh) | 一种基于cpu与gpu协同计算的交通灯检测识别方法 | |
CN104392239A (zh) | 一种车牌识别方法及系统 | |
CN105260701A (zh) | 一种适用于复杂场景下的前方车辆检测方法 | |
CN110490839B (zh) | 一种检测高速公路中损坏区域的方法、装置及计算机设备 | |
CN104700072A (zh) | 基于车道线历史帧的识别方法 | |
CN111488808B (zh) | 基于交通违法图像数据的车道线检测方法 | |
CN104809433A (zh) | 一种基于最大稳定区域和随机采样的斑马线检测方法 | |
KR101584907B1 (ko) | 관심 영역을 이용한 차선 인식 방법 및 그 장치 | |
CN108154146A (zh) | 一种基于图像识别的车辆追踪方法 | |
CN102982304A (zh) | 利用偏光图像检测车辆位置的方法和系统 |
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 | ||
PP01 | Preservation of patent right |
Effective date of registration: 20220726 Granted publication date: 20190628 |
|
PP01 | Preservation of patent right |