CN105740831A - 一种应用于智能驾驶的停止线检测方法 - Google Patents
一种应用于智能驾驶的停止线检测方法 Download PDFInfo
- Publication number
- CN105740831A CN105740831A CN201610076862.1A CN201610076862A CN105740831A CN 105740831 A CN105740831 A CN 105740831A CN 201610076862 A CN201610076862 A CN 201610076862A CN 105740831 A CN105740831 A CN 105740831A
- Authority
- CN
- China
- Prior art keywords
- stop line
- image
- zebra crossing
- road surface
- detection
- 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
Abstract
本发明涉及一种应用于智能驾驶的停止线检测方法,采集路面灰度图片,提取感兴趣区域;对提取出来的感兴趣区域进行预处理得到二值图;判断图像中是否存在斑马线,如果存在,则根据斑马线与停止线之间的关系检测停止线,完成停止线检测;否则检测图像中是否存在路面标识符;如果存在路面标识符,则根据路面标识符与停止线之间的关系检测停止线,完成停止线检测。本发明通过统计连通域信息,并利用斑马线、路面标识符等辅助信息共同完成停止线的有无判断,并记录停止线在图像中所在的位置。
Description
技术领域
本发明涉及智能驾驶领域,具体地说是一种应用于智能驾驶的停止线检测方法。
背景技术
随着社会与科学技术的发展,汽车在人们的日常生活中扮演着越来越重要的角色。汽车给人们生活带来便利的同时,也为人们的安全带来了巨大的隐患,尤其是在道路交通路口,这种隐患尤为严重。自动驾驶技术与无人驾驶的发展,为解决这个隐患带来了福音。
目前自动驾驶与无人驾驶中,常采用以霍夫变换为主体的停止线检测技术。该技术是在采集到的灰度图像中,用预处理技术、图像边缘化技术、霍夫变换技术来检测图像中的“直线”,并通过直线的角度等先验性知识来判断是否存在停止线。因霍夫变换算法非常耗时,导致算法整体耗时偏高,不能满足现在车载实时性系统的需求。
发明内容
针对现有技术的不足,本发明提供一种应用于智能驾驶的停止线检测与测距算法,通过统计连通域信息,并利用斑马线、路面标识符等辅助信息共同完成停止线的有无判断,并记录停止线在图像中所在的位置。
本发明为实现上述目的所采用的技术方案是:
一种应用于智能驾驶的停止线检测方法,包括以下步骤:
步骤1:采集路面灰度图片,提取感兴趣区域;
步骤2:对提取出来的感兴趣区域进行预处理得到二值图;
步骤3:判断图像中是否存在斑马线,如果存在,则根据斑马线与停止线之间的关系检测停止线,完成停止线检测;否则检测图像中是否存在路面标识符;
步骤4:如果存在路面标识符,则根据路面标识符与停止线之间的关系检测停止线,完成停止线检测。
所述提取感兴趣区域的过程为,一个车道内的梯形的区域,通过行近邻差值法,将该梯形区域转化为矩形区域,即为感兴趣区域。
所述行近邻差值法为:将任意长度的行,通过近邻差值,拉伸为指定宽度的行。
所述预处理过程为:对感兴趣区域图像进行大尺度均值滤波处理,得到目标图像,然后对目标图像进行二值化处理,得到二值图。
所述判断图像中是否存在斑马线包括以下过程:
步骤1:提取图像第一行灰度信息作为检测斑马线的特征向量;
步骤2:将检测斑马线的特征向量输入adboost神经网络中,判断该特征向量是否为斑马线,如果是,则图像中存在斑马线,判断结束,否则执行步骤3;
步骤3:判断当前行是否为图像最后一行,如果是,则提取下一行灰度信息,作为检测斑马线的特征向量,执行步骤2,否则图像中不存在斑马线,判断结束。
所述根据斑马线与停止线之间的关系检测停止线包括以下过程:
步骤1:将当前行灰度值进行累加,得到当前行的累加和,记为Sum_Zebra;
步骤2:对图像进行行累加,得到累加和数组;
步骤3:在累加和数组中找到小于0.8*Sum_Zebra的行,记为R1;
步骤4:从R1行开始,在累加和数组中找到大于1.4*Sum_Zebra的行;
步骤5:如果找到,则该行为停止线所在行,完成检测过程;
步骤6:否则对图像进行标记连通,并统计连通域信息;
步骤7:如果存在连通域宽度大于图像宽度的2/3,则连通域起始行为停止线所在行,完成检测过程;否则不存在停止线,完成检测过程。
所述根据路面标识符与停止线之间的关系检测停止线包括以下过程:
步骤1:提取路面标识符特征向量;
步骤2:将检测路面标识符的特征向量输入adboost神经网络中,判断该特征向量是否为路面标识符,如果是,则图像中存在路面标识符,执行步骤3,否则不存在路面标识符,完成停止线检测过程;
步骤3:截取图像第一行到标识符起始行之间的部分图像,对部分图像进行标记连通,并统计连通域信息;
步骤4:如果存在连通域宽度大于图像宽度的2/3,则连通域起始行为停止线所在行,完成检测过程;否则不存在停止线,完成检测过程。
本发明具有以下有益效果及优点:
1.利用停止线对列方向不敏感,可以对感兴趣区域进行大尺度列抽样,进而减小处理图像的大小,保证所述方法能够满足系统实时性的需求。速度是普通霍夫变换算法的5-10倍。
2.停止线的检测,辅助以斑马线与路面路面标识符。提高了停止线检测的准确性,排除了路面复杂路况对算法的干扰,增强了程序的鲁棒性。
附图说明
图1是本发明的方法流程图;
图2是本发明的停止线检测示意图。
具体实施方式
下面结合附图及实施例对本发明做进一步的详细说明。
本发明的流程图如图1所示。本发明实现可以分成三个部分。第一部分,判断是否有斑马线和路面标识符。第二部分如果有斑马线,则联合斑马线判断是否有停止线。第三部分,如果有路面标识符,联合路面标识符判断是否有停止线。
第一部分,判断是否有斑马线和路面路面标识符。首先在采集到灰度图像中,选择感兴趣区域,即停止线可能出现的位置。为了联合斑马线一起判断停止线的有无,本发明选择一个梯形区域作为感兴趣区域。在实际处理的过程中,将梯形区域通过线性变化拉伸为矩形区域,采用线性差值的方法,至此提取感兴趣区域部分完成。接下来对图像进行预处理,主要操作为对图像进行直方图统计去噪点处理,目的是干掉图像的较亮的部分和较暗的部分,排除复杂路面对算法的影响。
本发明用Adboost算法判断斑马线的有无。Adboost算法分为训练和测试两个部分。预处理之后的图像,每一行可以当做一个Adboost样本。通过大样本的训练得到Adboost网络参数。在测试阶段,每提取一行形成特征向量,将特征向量给Adboost网络,得到该特征是否是斑马线。
如果是斑马线,则第一部分结束,将当前行记录下来,斑马线存在标志置为1。如果不是斑马线则提取路面标识符特征,判断是否为路面标识符。不是路面标识符则程序结束,图像中没有停止线,因为停止线一定是和路面标识符或者斑马线成对出现的,如果存在路面标识符,则第一部分结束,路面标识符标志位记为1,并记录路面标识符在图像中的起始行。
当斑马线标志位为1时,启动算法的第二部分。第二部分主要解决的问题是,当存在斑马线时,如何检测是否存在停止线。本发明的检测结果示意图如图2所示。首先对图像进行行累加,得到累加和数组,从斑马线所在的行开始,寻找比斑马线所在行像素值和小很多的行,一般取斑马线所在行累加和的一半。该行为斑马线与停止线之间的空白部分。从空白部分开始,找累加和比斑马线所在行大很多的行,一般取斑马线所在行的1.7倍。因停止线在灰度图像中表现为全白,而斑马线为黑白相间,停止线所在的行的灰度值和一般在斑马线所在行累加和的1.7倍以上。如果找到,则可以确定停止线在图像中的位置,程序结束,记录停止线在图像中的位置。如果没有找到符合条件的行,则通过统计标记连通信息,找是否存在一个连通域,他的宽度大于图像宽的的三分之二。如果存在,则可以确定停止线在图像中的位置,程序结束,记录停止线在图像中的位置为该连通区域的起始行。如果不存在,则该图像中不存在停止线,程序结束。
当标识符标志位为1时,启动算法的第三部分。第三部分主要解决的问题是,当存在路面标示且没有斑马线时,如何检测是否存在停止线。首先通过统计图像的标记连通信息,找是否存在一个连通域,他的宽度大于图像宽的的三分之二。如果存在,则可以确定停止线在图像中的位置,程序结束,记录停止线在图像中的位置为该连通区域的起始行。如果不存在,则该图像中不存在停止线,程序结束。
Claims (7)
1.一种应用于智能驾驶的停止线检测方法,其特征在于:包括以下步骤:
步骤1:采集路面灰度图片,提取感兴趣区域;
步骤2:对提取出来的感兴趣区域进行预处理得到二值图;
步骤3:判断图像中是否存在斑马线,如果存在,则根据斑马线与停止线之间的关系检测停止线,完成停止线检测;否则检测图像中是否存在路面标识符;
步骤4:如果存在路面标识符,则根据路面标识符与停止线之间的关系检测停止线,完成停止线检测。
2.根据权利要求1所述的应用于智能驾驶的停止线检测方法,其特征在于:所述提取感兴趣区域的过程为,一个车道内的梯形的区域,通过行近邻差值法,将该梯形区域转化为矩形区域,即为感兴趣区域。
3.根据权利要求2所述的应用于智能驾驶的停止线检测方法,其特征在于:所述行近邻差值法为:将任意长度的行,通过近邻差值,拉伸为指定宽度的行。
4.根据权利要求1所述的应用于智能驾驶的停止线检测方法,其特征在于:所述预处理过程为:
对感兴趣区域图像进行大尺度均值滤波处理,得到目标图像,然后对目标图像进行二值化处理,得到二值图。
5.根据权利要求1所述的应用于智能驾驶的停止线检测方法,其特征在于:所述判断图像中是否存在斑马线包括以下过程:
步骤1:提取图像第一行灰度信息作为检测斑马线的特征向量;
步骤2:将检测斑马线的特征向量输入adboost神经网络中,判断该特征向量是否为斑马线,如果是,则图像中存在斑马线,判断结束,否则执行步骤3;
步骤3:判断当前行是否为图像最后一行,如果是,则提取下一行灰度信息,作为检测斑马线的特征向量,执行步骤2,否则图像中不存在斑马线,判断结束。
6.根据权利要求1所述的应用于智能驾驶的停止线检测方法,其特征在于:所述根据斑马线与停止线之间的关系检测停止线包括以下过程:
步骤1:将当前行灰度值进行累加,得到当前行的累加和,记为Sum_Zebra;
步骤2:对图像进行行累加,得到累加和数组;
步骤3:在累加和数组中找到小于0.8*Sum_Zebra的行,记为R1;
步骤4:从R1行开始,在累加和数组中找到大于1.4*Sum_Zebra的行;
步骤5:如果找到,则该行为停止线所在行,完成检测过程;
步骤6:否则对图像进行标记连通,并统计连通域信息;
步骤7:如果存在连通域宽度大于图像宽度的2/3,则连通域起始行为停止线所在行,完成检测过程;否则不存在停止线,完成检测过程。
7.根据权利要求1所述的应用于智能驾驶的停止线检测方法,其特征在于:所述根据路面标识符与停止线之间的关系检测停止线包括以下过程:
步骤1:提取路面标识符特征向量;
步骤2:将检测路面标识符的特征向量输入adboost神经网络中,判断该特征向量是否为路面标识符,如果是,则图像中存在路面标识符,执行步骤3,否则不存在路面标识符,完成停止线检测过程;
步骤3:截取图像第一行到标识符起始行之间的部分图像,对部分图像进行标记连通,并统计连通域信息;
步骤4:如果存在连通域宽度大于图像宽度的2/3,则连通域起始行为停止线所在行,完成检测过程;否则不存在停止线,完成检测过程。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610076862.1A CN105740831B (zh) | 2016-02-02 | 2016-02-02 | 一种应用于智能驾驶的停止线检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610076862.1A CN105740831B (zh) | 2016-02-02 | 2016-02-02 | 一种应用于智能驾驶的停止线检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105740831A true CN105740831A (zh) | 2016-07-06 |
CN105740831B CN105740831B (zh) | 2019-06-07 |
Family
ID=56245850
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610076862.1A Active CN105740831B (zh) | 2016-02-02 | 2016-02-02 | 一种应用于智能驾驶的停止线检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105740831B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107301773A (zh) * | 2017-06-16 | 2017-10-27 | 上海肇观电子科技有限公司 | 一种向目标对象提示信息的方法及装置 |
CN111079541A (zh) * | 2019-11-19 | 2020-04-28 | 重庆大学 | 一种基于单目视觉的道路停止线检测方法 |
CN112800989A (zh) * | 2021-02-02 | 2021-05-14 | 上海博泰悦臻电子设备制造有限公司 | 一种检测斑马线的方法及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102201167A (zh) * | 2010-04-07 | 2011-09-28 | 宫宁生 | 基于视频的汽车车道自动识别方法 |
CN102509089A (zh) * | 2011-11-29 | 2012-06-20 | 青岛科技大学 | 逐行扫描识别斑马线及测量斑马线距离的方法 |
CN103488976A (zh) * | 2013-09-17 | 2014-01-01 | 北京联合大学 | 一种基于智能驾驶中停止线实时检测以及距离测量的方法 |
US20150125039A1 (en) * | 2013-11-04 | 2015-05-07 | Sarmo Technology Inc. | Lane departure warning system and method |
-
2016
- 2016-02-02 CN CN201610076862.1A patent/CN105740831B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102201167A (zh) * | 2010-04-07 | 2011-09-28 | 宫宁生 | 基于视频的汽车车道自动识别方法 |
CN102509089A (zh) * | 2011-11-29 | 2012-06-20 | 青岛科技大学 | 逐行扫描识别斑马线及测量斑马线距离的方法 |
CN103488976A (zh) * | 2013-09-17 | 2014-01-01 | 北京联合大学 | 一种基于智能驾驶中停止线实时检测以及距离测量的方法 |
US20150125039A1 (en) * | 2013-11-04 | 2015-05-07 | Sarmo Technology Inc. | Lane departure warning system and method |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107301773A (zh) * | 2017-06-16 | 2017-10-27 | 上海肇观电子科技有限公司 | 一种向目标对象提示信息的方法及装置 |
CN111079541A (zh) * | 2019-11-19 | 2020-04-28 | 重庆大学 | 一种基于单目视觉的道路停止线检测方法 |
CN112800989A (zh) * | 2021-02-02 | 2021-05-14 | 上海博泰悦臻电子设备制造有限公司 | 一种检测斑马线的方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN105740831B (zh) | 2019-06-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103235938B (zh) | 车牌检测与识别的方法及系统 | |
CN102708356B (zh) | 一种基于复杂背景下的车牌自动定位和识别方法 | |
CN109657632B (zh) | 一种车道线检测识别方法 | |
CN103136528B (zh) | 一种基于双边缘检测的车牌识别方法 | |
CN102314599A (zh) | 一种车道识别偏离检测方法 | |
CN104700072A (zh) | 基于车道线历史帧的识别方法 | |
CN105321350A (zh) | 套牌车检测方法及装置 | |
CN108509950B (zh) | 基于概率特征加权融合的铁路接触网支柱号牌检测识别法 | |
CN105117726A (zh) | 基于多特征区域累积的车牌定位方法 | |
CN106887004A (zh) | 一种基于块匹配的车道线检测方法 | |
CN105550710A (zh) | 基于非线性拟合的接触网运行异常状态智能检测方法 | |
CN109886168B (zh) | 一种基于层阶的地面交通标志识别方法 | |
CN107133588A (zh) | 基于车窗特征提取的车辆识别方法 | |
CN105740828A (zh) | 一种基于快速标记连通的停止线检测方法 | |
CN105740831A (zh) | 一种应用于智能驾驶的停止线检测方法 | |
CN105512662A (zh) | 一种无牌车辆检测方法及装置 | |
CN111652033A (zh) | 基于OpenCV的车道线检测方法 | |
CN106203273A (zh) | 多特征融合的车道线检测系统、方法及高级驾驶辅助系统 | |
CN105740832A (zh) | 一种应用于智能驾驶的停止线检测与测距算法 | |
CN105740827A (zh) | 一种基于快速标记连通的停止线检测与测距算法 | |
CN109859220B (zh) | 一种线形图像分割方法 | |
CN111915561A (zh) | 一种基于图像识别和机器学习的螺栓状态监测方法 | |
CN113221603A (zh) | 一种检测监控设备被异物遮挡的方法及装置 | |
CN110660225A (zh) | 闯红灯行为检测方法、装置和设备 | |
Danilescu et al. | Road anomalies detection using basic morphological algorithms |
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 | ||
TR01 | Transfer of patent right |
Effective date of registration: 20211202 Address after: 116000 room 7218, No. 9-1, Haifu Road, Dalian Free Trade Zone, Dalian pilot Free Trade Zone, Liaoning Province Patentee after: Dalian Poseidon Automotive Electronic Technology Co.,Ltd. Address before: 116023 floor 11, No. 7, Huixian Park, high tech Industrial Park, Dalian, Liaoning Province Patentee before: DALIAN ROILAND TECHNOLOGY Co.,Ltd. |