CN105426868A - 一种基于自适应感兴趣区域的车道检测方法 - Google Patents
一种基于自适应感兴趣区域的车道检测方法 Download PDFInfo
- Publication number
- CN105426868A CN105426868A CN201510925754.2A CN201510925754A CN105426868A CN 105426868 A CN105426868 A CN 105426868A CN 201510925754 A CN201510925754 A CN 201510925754A CN 105426868 A CN105426868 A CN 105426868A
- Authority
- CN
- China
- Prior art keywords
- track
- lane
- interest
- reference position
- self
- 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)
- Image Processing (AREA)
Abstract
本发明涉及一种基于自适应感兴趣区域的车道检测方法,具体步骤包括:(1)获取道路图像;(2)预处理:边缘检测、图像二值化处理、消除孤立点,以此来消除非车道噪声:(3)利用一次Hough变换确定车道起始位置,保留车道起始位置的上端点;结合最小二乘法拟合对车道进行线性预测,得到随车道方向变化的自适应感兴趣区域;在得到的自适应感兴趣区域内检测车道;(4)判断步骤(3)检测到的车道是直道还是弯道并输出标记车道的视频;本发明利用一次Hough变换确定车道起始位置,后续线性预测过程中采用运算速度更快的最小二乘法,解决了采用单一方法准确性和实时性之间的矛盾,保证了准确性和实时性。
Description
技术领域
本发明涉及一种基于自适应感兴趣区域的车道检测方法,属于计算机视觉和车辆智能辅助驾驶技术领域。
背景技术
随着交通条件的改善,结构化道路成为车辆行驶的主要环境。同时,计算机视觉、车辆智能辅助驾驶技术也在快速发展,结构化道路环境下的辅助驾驶得到广泛应用。车道检测作为智能辅助驾驶的关键和基础技术,受到研究人员的高度重视。基于视觉的方法是研究人员关注的主要领域,因为视觉数据能够直观反映车辆驾驶状态,从实际应用的角度讲,摄像机具有经济、稳定的优势。当前,基于视觉的车道检测方法主要分为两大类:基于特征的方法和基于模型的方法。基于特征的方法是在灰度图像或彩色图像中通过提取道路的边缘、颜色、纹理、梯度等特征检测车道线。基于模型的方法是根据不同的道路采用不同的参数模型实现车道检测,常用的参数模型有直线、双曲线、样条曲线模型等。
基于视觉的车道检测方法在车辆智能辅助驾驶中得到了广泛的应用,体现了车道检测的发展趋势和方向。但是,现有的基于视觉的车道检测方法存在以下问题:一是算法复杂,计算量大,降低了数据处理速度;二是适应性差,在干扰噪声多、光照变化大、车道破损、弯道等情况下达不到车道检测的预定效果;三是模型单一,车道感兴趣区域固定,无法满足实际行车车道变化。
发明内容
针对现有技术的不足,本发明提供了一种基于自适应感兴趣区域的车道检测方法。
术语解释
1、感兴趣区域,即ROI,是指:机器视觉、图像处理中,从被处理的图像以方框、圆、椭圆、不规则多边形等方式勾勒出需要处理的区域。
2、Hough变换,是一种使用表决原理的参数估计技术。其原理是利用图像空间和Hough参数空间的点-线对偶性,把图像空间中的检测问题转换到参数空间。通过在参数空间里进行简单的累加统计,然后在Hough参数空间寻找累加器峰值的方法检测直线。Hough变换的实质是将图像空间内具有一定关系的像元进行聚类,寻找能把这些像元用某一解析形式联系起来的参数空间累积对应点。
3、最小二乘法,又称最小平方法,是一种数学优化技术。它通过最小化误差的平方和寻找数据的最佳函数匹配。利用最小二乘法可以简便地求得未知的数据,并使得这些求得的数据与实际数据之间误差的平方和为最小。最小二乘法还可用于曲线拟合。其他一些优化问题也可通过最小化能量或最大化熵用最小二乘法来表达。
4、孤立点,通常情况下,车道像素是连续或分段连续的直线和曲线。当图像中出现不连续的或单个像素点时,我们将这些点视为非车道干扰,即孤立点。
本发明的技术方案为:
一种基于自适应感兴趣区域的车道检测方法,具体步骤包括:
(1)获取道路图像;
(2)对步骤(1)获取的道路图像进行预处理,消除非车道噪声,所述非车道噪声是指由天空、树木、路面、护栏等其它非车道因素产生的噪声;得到主要信息为车道的图像:
①采用改进的Sobel边缘检测算法对步骤(1)获取的道路图像进行边缘检测;
②采用最优阈值二值化方法将步骤①得到的道路图像进行图像二值化处理:
a、设定大小为M×N的道路图像在坐标(m,n)处的灰度值x(m,n)如式(Ⅰ)所示:
x(m,n)=s(m,n)+w(m,n)(Ⅰ)
式(Ⅰ)中,M为道路图像的列数;N为道路图像的行数;1≤m≤M,1≤n≤N,s(m,n)是x(m,n)的高频分量,w(m,n)是x(m,n)的噪声分量,w(m,n)是均值为0、方差为的高斯白噪声;
b、计算w(m,n)的标准差σw,计算公式如式(Ⅱ)所示;计算s(m,n)的标准差σs,计算公式如式(Ⅲ)所示;
式(Ⅲ)中,
c、计算最优阈值T,将式(Ⅱ)、式(Ⅲ)代入式(Ⅳ),求得最优阈值T:
d、根据步骤c求取的阈值T将道路图像二值化。
③采用形态学消除步骤②获取的道路图像中的孤立点;
(3)对步骤(2)得到的道路图像线性预测自适应感兴趣区域,检测车道:
④利用一次Hough变换确定车道起始位置,保留车道起始位置的上端点;
⑤结合最小二乘法拟合对车道进行线性预测,得到随车道方向变化的自适应感兴趣区域;
⑥在步骤⑤得到的自适应感兴趣区域内检测车道;
⑦判断是否检测到完整车道,如果没有,进入步骤④,否则进入步骤(4);
(4)判断步骤(3)检测到的车道是直道还是弯道,如果是直道,则采用最小二乘直线拟合跟踪车道,输出标记车道的视频;如果是弯道,则采用最小二乘曲线拟合跟踪车道输出标记车道的视频。
Hough变换是车道检测中常用的方法,检测精确、稳定,但是算法复杂,实时性差。最小二乘法的运算速度快,但是对噪声敏感,抗干扰性差。本发明利用了Hough变换和最小二乘法的优点,解决了采用单一方法准确性和实时性之间的矛盾。利用一次Hough变换确定车道起始位置,后续线性预测过程中采用运算速度更快的最小二乘法,保证了准确性和实时性。
根据本发明优选的,所述改进的Sobel边缘检测算法的卷积因子GX、Gy分别为:
现有的Sobel边缘检测算法具有方法简单、处理速度快和检测效果好的优点,但是,现有的Sobel边缘检测算法只在水平和垂直方向进行边缘检测,根据车道以一定的倾斜角度存在于图像中对Sobel算子加以改进,改进的Sobel边缘检测算法采用45°和135°方向模板检测车道边缘。
根据本发明优选的,通过步骤④得到的车道起始位置包括左车道的起始位置(xL,yL)、右车道的起始位置(xR,yR),左车道的起始位置(xL,yL)所在线段的方程式如式(Ⅴ)所示,右车道的起始位置(xR,yR)所在线段的方程式如式(Ⅵ)所示:
yL=kL·xL+bL(Ⅴ)
yR=kR·xR+bR(Ⅵ)
式(Ⅴ)中,kL为左车道的起始位置(xL,yL)所在线段的斜率、bL为左车道的起始位置(xL,yL)所在线段的截距,式(Ⅵ)中,kR为右车道的起始位置(xR,yR)所在线段的斜率、bR为右车道的起始位置(xR,yR)所在线段的截距。
根据本发明优选的,保留车道起始位置的上端点,具体包括:
根据式(Ⅴ)、式(Ⅵ),通过Hough变换获取左车道的起始位置(xL,yL)所在线段的上端点(x0L,y0L),通过Hough变换获取右车道的起始位置(xR,yR)所在线段的上端点(x0R,y0R)。
根据本发明优选的,结合最小二乘法拟合对车道进行线性预测,得到随车道方向变化的自适应感兴趣区域;具体包括:
限定一个(2w)×h的矩形自适应感兴趣区域,该矩形自适应感兴趣区域的中线为左车道的起始位置(xL,yL)所在线段,并且该矩形自适应感兴趣区域经过(x0L,y0L);与此同时,限定另一个(2w)×h的矩形自适应感兴趣区域,另一个(2w)×h的矩形自适应感兴趣区域的中线为右车道的起始位置(xR,yR)所在线段,并且另一个(2w)×h的矩形自适应感兴趣区域经过(x0R,y0R),2w为矩形自适应感兴趣区域的宽,单位为像素,h为矩形自适应感兴趣区域的高,单位为像素。
根据本发明优选的,所述步骤(4),具体步骤包括:
根据步骤(3)得到左车道起始位置所在线段的斜率为k1,左车道终止位置所在线段的斜率为k2,根据两角差的正切公式定义判别式ε,判定车道方向变化,判别式ε如式(Ⅶ)所示:
当0≤ε≤0.0875时,则采用最小二乘直线拟合跟踪车道,输出标记车道的视频;否则,采用最小二乘曲线拟合跟踪车道,输出标记车道的视频,输出标记车道的视频。
根据本发明优选的,当ε=0.0875时,则采用最小二乘直线拟合跟踪车道,输出标记车道的视频;否则,采用最小二乘曲线拟合跟踪车道,输出标记车道的视频,输出标记车道的视频。
本发明的有益效果为:
1、本发明在图像预处理过程中采用最优阈值二值化方法,提高了对不同车道环境的适应能力,能够适应车道环境变化,具有良好的抗干扰能力,特别是在光照变化大、车道与道路对比度低、车道破损等复杂环境下能够保留车道信息,消除噪声干扰。
2、本发明采用自适应感兴趣区域检测车道,可以实现直道和弯道的检测,同时防止车道线以外的干扰像素点进入检测区域,通过线性预测车道方向确定左右车道检测的感兴趣区域,解决了传统技术中车道感兴趣区域固定的问题。
3、本发明利用了Hough变换和最小二乘法的优点,解决了采用单一方法准确性和实时性之间的矛盾。利用一次Hough变换确定车道起始位置,后续线性预测过程中采用运算速度更快的最小二乘法,保证了准确性和实时性。
附图说明
图1为实施例1中步骤(1)获取的道路图像示意图;
图2为实施例1中步骤(2)预处理后图像示意图;
图3为实施例1中左车道的起始位置(xL,yL)所在线段示意图;
图4为实施例1中右车道的起始位置(xR,yR)所在线段示意图;
图5为实施例1中预测自适应感兴趣区域的示意图;
图6为实施例1中在预测到若干个自适应感兴趣区域的示意图;
图7(a)为通过本发明所述方法获取的安徽重汽实验场标记车道示意图一;
图7(b)为通过本发明所述方法获取的安徽重汽实验场标记车道示意图二;
图7(c)为通过本发明所述方法获取的夜间济南绕城高速标记车道示意图;
图7(d)为通过本发明所述方法获取的309国道标记车道示意图。
具体实施方式
下面结合说明书附图与实施例对本发明作进一步限定,但不限于此。
实施例
一种基于自适应感兴趣区域的车道检测方法,具体步骤包括:
(1)获取道路图像;如图1所示。
(2)对步骤(1)获取的道路图像进行预处理,消除非车道噪声,所述非车道噪声是指由天空、树木、路面、护栏等其它非车道因素产生的噪声;得到主要信息为车道的图像:
①采用改进的Sobel边缘检测算法对步骤(1)获取的道路图像进行边缘检测;
②采用最优阈值二值化方法将步骤①得到的道路图像进行图像二值化处理:
预处理后的图像如图2所示;
a、设定大小为M×N的道路图像在坐标(m,n)处的灰度值x(m,n)如式(Ⅰ)所示:
x(m,n)=s(m,n)+w(m,n)(Ⅰ)
式(Ⅰ)中,M为道路图像的列数;N为道路图像的行数;1≤m≤M,1≤n≤N,s(m,n)是x(m,n)的高频分量,w(m,n)是x(m,n)的噪声分量,w(m,n)是均值为0、方差为的高斯白噪声;
b、计算w(m,n)的标准差σw,计算公式如式(Ⅱ)所示;计算s(m,n)的标准差σs,计算公式如式(Ⅲ)所示;
式(Ⅲ)中,
c、计算最优阈值T,将式(Ⅱ)、式(Ⅲ)代入式(Ⅳ),求得最优阈值T:
d、根据步骤c求取的阈值T将道路图像二值化;
③采用形态学消除步骤②获取的道路图像中的孤立点;
(3)对步骤(2)得到的道路图像线性预测自适应感兴趣区域,检测车道:
④利用一次Hough变换确定车道起始位置,保留车道起始位置的上端点;
⑤结合最小二乘法拟合对车道进行线性预测,得到随车道方向变化的自适应感兴趣区域;
⑥在步骤⑤得到的自适应感兴趣区域内检测车道;
⑦判断是否检测到完整车道,如果没有,进入步骤④,否则进入步骤(4);
(4)判断步骤(3)检测到的车道是直道还是弯道,如果是直道,则采用最小二乘直线拟合跟踪车道,输出标记车道的视频;如果是弯道,则采用最小二乘曲线拟合跟踪车道输出标记车道的视频。
Hough变换是车道检测中常用的方法,检测精确、稳定,但是算法复杂,实时性差。最小二乘法的运算速度快,但是对噪声敏感,抗干扰性差。本发明利用了Hough变换和最小二乘法的优点,解决了采用单一方法准确性和实时性之间的矛盾。利用一次Hough变换确定车道起始位置,后续线性预测过程中采用运算速度更快的最小二乘法,保证了准确性和实时性。
所述改进的Sobel边缘检测算法的卷积因子GX、Gy分别为:
现有的Sobel边缘检测算法具有方法简单、处理速度快和检测效果好的优点,但是,现有的Sobel边缘检测算法只在水平和垂直方向进行边缘检测,根据车道以一定的倾斜角度存在于图像中对Sobel算子加以改进,改进的Sobel边缘检测算法采用45°和135°方向模板检测车道边缘。
通过步骤④得到的车道起始位置包括左车道的起始位置(xL,yL)、右车道的起始位置(xR,yR),左车道的起始位置(xL,yL)所在线段的方程式如式(Ⅴ)所示,左车道的起始位置(xL,yL)所在线段如图3所示,右车道的起始位置(xR,yR)所在线段的方程式如式(Ⅵ)所示:右车道的起始位置(xR,yR)所在线段如图4所示:
yL=kL·xL+bL(Ⅴ)
yR=kR·xR+bR(Ⅵ)
式(Ⅴ)中,kL为左车道的起始位置(xL,yL)所在线段的斜率、bL为左车道的起始位置(xL,yL)所在线段的截距,式(Ⅵ)中,kR为右车道的起始位置(xR,yR)所在线段的斜率、bR为右车道的起始位置(xR,yR)所在线段的截距。
保留车道起始位置的上端点,具体包括:
根据式(Ⅴ)、式(Ⅵ),通过Hough变换获取左车道的起始位置(xL,yL)所在线段的上端点(x0L,y0L),通过Hough变换获取右车道的起始位置(xR,yR)所在线段的上端点(x0R,y0R)。
结合最小二乘法拟合对车道进行线性预测,得到随车道方向变化的自适应感兴趣区域;具体包括:
限定一个(2w)×h的矩形自适应感兴趣区域,该矩形自适应感兴趣区域的中线为左车道的起始位置(xL,yL)所在线段,并且该矩形自适应感兴趣区域经过(x0L,y0L);与此同时,限定另一个(2w)×h的矩形自适应感兴趣区域,另一个(2w)×h的矩形自适应感兴趣区域的中线为左车道的起始位置(xL,yL)所在线段,并且另一个(2w)×h的矩形自适应感兴趣区域经过(x0L,y0L),2w为矩形自适应感兴趣区域的宽,单位为像素,h为矩形自适应感兴趣区域的高,单位为像素。如图5、6所示。
所述步骤(4),具体步骤包括:根据步骤(3)得到左车道起始位置斜率为k1,左车道终止位置斜率为k2,根据两角差的正切公式定义判别式ε,判定车道方向变化,判别式ε如式(Ⅶ)所示:
当ε=0.0875时,则采用最小二乘直线拟合跟踪车道,输出标记车道的视频;否则,采用最小二乘曲线拟合跟踪车道,输出标记车道的视频,输出标记车道的视频。实施例1所述方法应用在安徽重汽实验场,标记车道示意图如图7(a)—(b)所示。
Claims (7)
1.一种基于自适应感兴趣区域的车道检测方法,其特征在于,具体步骤包括:
(1)获取道路图像;
(2)对步骤(1)获取的道路图像进行预处理,消除非车道噪声,得到主要信息为车道的图像:
①采用改进的Sobel边缘检测算法对步骤(1)获取的道路图像进行边缘检测;
②采用最优阈值二值化方法将步骤①得到的道路图像进行图像二值化处理:
a、设定大小为M×N的道路图像在坐标(m,n)处的灰度值x(m,n)如式(Ⅰ)所示:
x(m,n)=s(m,n)+w(m,n)(Ⅰ)
式(Ⅰ)中,M为道路图像的列数;N为道路图像的行数;1≤m≤M,1≤n≤N,s(m,n)是x(m,n)的高频分量,w(m,n)是x(m,n)的噪声分量,w(m,n)是均值为0、方差为的高斯白噪声;
b、计算w(m,n)的标准差σw,计算公式如式(Ⅱ)所示;计算s(m,n)的标准差σs,计算公式如式(Ⅲ)所示;
式(Ⅲ)中,
c、计算最优阈值T,将式(Ⅱ)、式(Ⅲ)代入式(Ⅳ),求得最优阈值T:
d、根据步骤c求取的阈值T将道路图像二值化;
③采用形态学消除步骤②获取的道路图像中的孤立点;
(3)对步骤(2)得到的道路图像线性预测自适应感兴趣区域,检测车道:
④利用一次Hough变换确定车道起始位置,保留车道起始位置的上端点;
⑤结合最小二乘法拟合对车道进行线性预测,得到随车道方向变化的自适应感兴趣区域;
⑥在步骤⑤得到的自适应感兴趣区域内检测车道;
⑦判断是否检测到完整车道,如果没有,进入步骤④,否则进入步骤(4);
(4)判断步骤(3)检测到的车道是直道还是弯道,如果是直道,则采用最小二乘直线拟合跟踪车道,输出标记车道的视频;如果是弯道,则采用最小二乘曲线拟合跟踪车道输出标记车道的视频。
2.根据权利要求1所述的一种基于自适应感兴趣区域的车道检测方法,其特征在于,所述改进的Sobel边缘检测算法的卷积因子GX、Gy分别为:
3.根据权利要求1所述的一种基于自适应感兴趣区域的车道检测方法,其特征在于,通过步骤④得到的车道起始位置包括左车道的起始位置(xL,yL)、右车道的起始位置(xR,yR),左车道的起始位置(xL,yL)所在线段的方程式如式(Ⅴ)所示,右车道的起始位置(xR,yR)所在线段的方程式如式(Ⅵ)所示:
yL=kL·xL+bL(Ⅴ)
yR=kR·xR+bR(Ⅵ)
式(Ⅴ)中,kL为左车道的起始位置(xL,yL)所在线段的斜率、bL为左车道的起始位置(xL,yL)所在线段的截距,式(Ⅵ)中,kR为右车道的起始位置(xR,yR)所在线段的斜率、bR为右车道的起始位置(xR,yR)所在线段的截距。
4.根据权利要求3所述的一种基于自适应感兴趣区域的车道检测方法,其特征在于,保留车道起始位置的上端点,具体包括:
根据式(Ⅴ)、式(Ⅵ),通过Hough变换获取左车道的起始位置(xL,yL)所在线段的上端点(x0L,y0L),通过Hough变换获取右车道的起始位置(xR,yR)所在线段的上端点(x0R,y0R)。
5.根据权利要求4所述的一种基于自适应感兴趣区域的车道检测方法,其特征在于,结合最小二乘法拟合对车道进行线性预测,得到随车道方向变化的自适应感兴趣区域;具体包括:
限定一个(2w)×h的矩形自适应感兴趣区域,该矩形自适应感兴趣区域的中线为左车道的起始位置(xL,yL)所在线段,并且该矩形自适应感兴趣区域经过(x0L,y0L);与此同时,限定另一个(2w)×h的矩形自适应感兴趣区域,另一个(2w)×h的矩形自适应感兴趣区域的中线为右车道的起始位置(xR,yR)所在线段,并且另一个(2w)×h的矩形自适应感兴趣区域经过(x0R,y0R),2w为矩形自适应感兴趣区域的宽,单位为像素,h为矩形自适应感兴趣区域的高,单位为像素。
6.根据权利要求3所述的一种基于自适应感兴趣区域的车道检测方法,其特征在于,所述步骤(4),具体步骤包括:
根据步骤(3)得到左车道起始位置所在线段的斜率为k1,左车道终止位置所在线段的斜率为k2,根据两角差的正切公式定义判别式ε,判定车道方向变化,判别式ε如式(Ⅶ)所示:
当0≤ε≤0.0875时,则采用最小二乘直线拟合跟踪车道,输出标记车道的视频;否则,采用最小二乘曲线拟合跟踪车道,输出标记车道的视频,输出标记车道的视频。
7.根据权利要求6所述的一种基于自适应感兴趣区域的车道检测方法,其特征在于,当ε=0.0875时,则采用最小二乘直线拟合跟踪车道,输出标记车道的视频;否则,采用最小二乘曲线拟合跟踪车道,输出标记车道的视频,输出标记车道的视频。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510925754.2A CN105426868B (zh) | 2015-12-10 | 2015-12-10 | 一种基于自适应感兴趣区域的车道检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510925754.2A CN105426868B (zh) | 2015-12-10 | 2015-12-10 | 一种基于自适应感兴趣区域的车道检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105426868A true CN105426868A (zh) | 2016-03-23 |
CN105426868B CN105426868B (zh) | 2018-09-28 |
Family
ID=55505067
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510925754.2A Active CN105426868B (zh) | 2015-12-10 | 2015-12-10 | 一种基于自适应感兴趣区域的车道检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105426868B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106682646A (zh) * | 2017-01-16 | 2017-05-17 | 北京新能源汽车股份有限公司 | 一种车道线的识别方法及装置 |
CN106778661A (zh) * | 2016-12-28 | 2017-05-31 | 深圳市美好幸福生活安全系统有限公司 | 一种基于形态学变换和自适应阈值的快速车道线检测方法 |
CN107220632A (zh) * | 2017-06-12 | 2017-09-29 | 山东大学 | 一种基于法向特征的路面图像分割方法 |
CN107704801A (zh) * | 2017-08-18 | 2018-02-16 | 电子科技大学 | 基于分段直线加分段贝塞尔曲线的曲线车道线检测方法 |
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 |
CN108229244A (zh) * | 2016-12-14 | 2018-06-29 | 贵港市瑞成科技有限公司 | 一种智能车前方运动车辆的检测方法 |
CN109657632A (zh) * | 2018-12-25 | 2019-04-19 | 重庆邮电大学 | 一种车道线检测识别方法 |
CN110610153A (zh) * | 2019-09-10 | 2019-12-24 | 重庆工程职业技术学院 | 一种用于自动驾驶的车道识别方法及系统 |
CN112580396A (zh) * | 2019-09-29 | 2021-03-30 | 东北林业大学 | 一种森林火灾识别方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090067675A1 (en) * | 2007-09-07 | 2009-03-12 | Yi Tan | Radar guided vision system for vehicle validation and vehicle motion characterization |
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 |
CN104392212A (zh) * | 2014-11-14 | 2015-03-04 | 北京工业大学 | 一种基于视觉的道路信息检测及前方车辆识别方法 |
CN105046198A (zh) * | 2015-06-12 | 2015-11-11 | 上海修源网络科技有限公司 | 一种车道检测方法 |
-
2015
- 2015-12-10 CN CN201510925754.2A patent/CN105426868B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090067675A1 (en) * | 2007-09-07 | 2009-03-12 | Yi Tan | Radar guided vision system for vehicle validation and vehicle motion characterization |
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 |
CN104392212A (zh) * | 2014-11-14 | 2015-03-04 | 北京工业大学 | 一种基于视觉的道路信息检测及前方车辆识别方法 |
CN105046198A (zh) * | 2015-06-12 | 2015-11-11 | 上海修源网络科技有限公司 | 一种车道检测方法 |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108229244A (zh) * | 2016-12-14 | 2018-06-29 | 贵港市瑞成科技有限公司 | 一种智能车前方运动车辆的检测方法 |
CN106778661A (zh) * | 2016-12-28 | 2017-05-31 | 深圳市美好幸福生活安全系统有限公司 | 一种基于形态学变换和自适应阈值的快速车道线检测方法 |
CN106682646A (zh) * | 2017-01-16 | 2017-05-17 | 北京新能源汽车股份有限公司 | 一种车道线的识别方法及装置 |
CN107220632A (zh) * | 2017-06-12 | 2017-09-29 | 山东大学 | 一种基于法向特征的路面图像分割方法 |
CN107220632B (zh) * | 2017-06-12 | 2020-02-18 | 山东大学 | 一种基于法向特征的路面图像分割方法 |
CN107704801A (zh) * | 2017-08-18 | 2018-02-16 | 电子科技大学 | 基于分段直线加分段贝塞尔曲线的曲线车道线检测方法 |
CN107704801B (zh) * | 2017-08-18 | 2021-08-06 | 电子科技大学 | 基于分段直线加分段贝塞尔曲线的曲线车道线检测方法 |
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 |
CN109657632A (zh) * | 2018-12-25 | 2019-04-19 | 重庆邮电大学 | 一种车道线检测识别方法 |
CN109657632B (zh) * | 2018-12-25 | 2022-05-06 | 重庆邮电大学 | 一种车道线检测识别方法 |
CN110610153A (zh) * | 2019-09-10 | 2019-12-24 | 重庆工程职业技术学院 | 一种用于自动驾驶的车道识别方法及系统 |
CN112580396A (zh) * | 2019-09-29 | 2021-03-30 | 东北林业大学 | 一种森林火灾识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN105426868B (zh) | 2018-09-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105426868A (zh) | 一种基于自适应感兴趣区域的车道检测方法 | |
Li et al. | Nighttime lane markings recognition based on Canny detection and Hough transform | |
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 | |
Daigavane et al. | Road lane detection with improved canny edges using ant colony optimization | |
CN111563469A (zh) | 一种不规范停车行为识别方法及装置 | |
CN105488454A (zh) | 基于单目视觉的前方车辆检测与测距 | |
Wang et al. | Lane detection based on random hough transform on region of interesting | |
KR101191308B1 (ko) | 지능형 운송 시스템의 도로 및 차선 검출 시스템 및 방법 | |
CN202134079U (zh) | 一种无人驾驶车辆车道标志线识别与报警装置 | |
CN112001216A (zh) | 一种基于计算机的汽车行驶车道检测系统 | |
CN102982304A (zh) | 利用偏光图像检测车辆位置的方法和系统 | |
CN103440785B (zh) | 一种快速的车道偏移警示方法 | |
Liu et al. | ROI perspective transform based road marking detection and recognition | |
CN106845482A (zh) | 一种车牌定位方法 | |
CN103794050A (zh) | 一种实时的交通车辆检测与跟踪方法 | |
Wang et al. | Robust lane detection based on gradient-pairs constraint | |
Xiao et al. | Lane detection based on road module and extended kalman filter | |
Bi et al. | A new method of target detection based on autonomous radar and camera data fusion | |
CN103914829A (zh) | 一种含噪图像边缘检测方法 | |
Qiu et al. | Research on lane line detection method based on improved hough transform | |
Wang et al. | Lane detection based on two-stage noise features filtering and clustering | |
Chen | Road vehicle recognition algorithm in safety assistant driving based on artificial intelligence | |
Gong et al. | Complex lane detection based on dynamic constraint of the double threshold | |
Duan et al. | Lane line recognition algorithm based on threshold segmentation and continuity of lane line | |
CN104240268A (zh) | 一种基于流形学习与稀疏表示的行人跟踪方法 |
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 | ||
TR01 | Transfer of patent right |
Effective date of registration: 20200103 Address after: 250002 room 1010, 10 / F, building a1-4, Hanyu Jinggu, jingshidong Road, Jinan area, China (Shandong) pilot Free Trade Zone, Jinan City, Shandong Province Patentee after: Shandong zhikan Shenjian Information Technology Co., Ltd Address before: Licheng Alexander Road in Ji'nan City, Shandong province 250199 No. 27 Patentee before: Shandong University |
|
TR01 | Transfer of patent right |