CN105740832A - 一种应用于智能驾驶的停止线检测与测距算法 - Google Patents
一种应用于智能驾驶的停止线检测与测距算法 Download PDFInfo
- Publication number
- CN105740832A CN105740832A CN201610076874.4A CN201610076874A CN105740832A CN 105740832 A CN105740832 A CN 105740832A CN 201610076874 A CN201610076874 A CN 201610076874A CN 105740832 A CN105740832 A CN 105740832A
- Authority
- CN
- China
- Prior art keywords
- stop line
- image
- detection
- zebra crossing
- road surface
- 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与测距算法,对目标区域进行摄像机镜头标定;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;如果检测到停止线,则根据透视图像计算车与停止线之间的距离。本发明通过统计连通域信息,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,记录停止线在图像中所在的位置,结合透视变换与标定,计算出停止线距离汽车的实际物理位置。
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与测距方法。
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。
现在停止线检测算法之中,只能检测停止线的有无,而不能给出停止线在图像中的具体位置,更不能给出车辆距离停止线的距离,只能给出一个相对距离的预警。
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。结合透视变换与标定,计算出停止线距离汽车的实际物理位置。
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与测距算法,其特征在于:包括以下步骤:
步骤1:对目标区域进行摄像机镜头标定;
步骤2:采集路面灰度图片,提取感兴趣区域;
步骤3:对提取出来的感兴趣区域进行预处理得到二值图;
步骤4: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5: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;
步骤6:如果检测到停止线,则根据透视图像计算车与停止线之间的距离,程序结束,否则,程序结束。
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。
所述对目标区域进行摄像机镜头标定包括以下过程:
步骤1:在车正前方设置棋盘格,使车前端与棋盘格边缘相接;
步骤2:检测图像棋盘格中标记点的位置坐标;
步骤3:根据标记点的位置坐标,采用透视变换算法,得到透视图像。
所述标记点为构成矩形的四个点。
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。
3.通过前期透视变换标定,与检出的停止线在图像中所在行,可以准确给出停止线实际物理位置,可以实现图像测距。
附图说明
图1是本发明的方法流程图;
图2是本发明的标定流程图;
图3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。本发明检测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。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。
到此,停止线的检测部分完成。
本发明标定流程如图2所示。本发明采用特征点检测、透视变换的测距方法。首先在摄像头采集的图片中,检测图像中的特征点。特征点的检测方法为对图像中所有的点进行遍历,查看该点方形区域内图像的原点对称性,找到对称性最强的四个点,即为图片的特征点。检测到特征点之后利用透视变换手段,将平视图变为俯视图,用于测距。
测距标定的具体步骤如下:
车辆未启动时,先在车辆正前方铺好棋盘格,在棋盘格上选择如上方法选定的特征点。开启摄像头,定义采集图像即原始图像坐标系为左上角为原点,水平向右为x正方向,垂直向下为y正方向。根据标定的四个点在采集的图像上的坐标(xi,yi),i=1,...4,定义透视图像坐标系,以棋盘格左上角为原点,水平向右为x正方向,垂直向下为y正方向,每个棋盘格表示一固定长度。根据标定的四个点的位置确定透视后四个点的坐标(xi',yi'),i=1,...4。
根据下列方程求解透视系数m1,…,m8:
其中m1,…,m8为待求的系数,(xi,yi)为原始图像对应坐标,(xi',yi')为透视图像对应坐标,i=1、…、n,n=4。
将整个区域按照该透视进行变换,即
其中,x’,y’,z’为透视后坐标,x,y,1为原始坐标,m1,…,m8为刚刚求得的系数。
本发明的检测结果示意图如图3所示。通过检测部分得到停止线在图像中所在的行位置,利用前期的标定工作,可以得到停止线距离车的实际物理位置。到此,停止线的检测与测距完成。
Claims (9)
1.一种应用于智能驾驶的停止线检测与测距算法,其特征在于,包括以下步骤:
步骤1:对目标区域进行摄像机镜头标定;
步骤2:采集路面灰度图片,提取感兴趣区域;
步骤3:对提取出来的感兴趣区域进行预处理得到二值图;
步骤4: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5: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;
步骤6:如果检测到停止线,则根据透视图像计算车与停止线之间的距离,程序结束,否则,程序结束。
2.根据权利要求1所述的应用于智能驾驶的停止线检测与测距算法,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与测距算法,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与测距算法,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与测距算法,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与测距算法,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与测距算法,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。
8.根据权利要求1所述的应用于智能驾驶的停止线检测与测距算法,其特征在于:所述对目标区域进行摄像机镜头标定包括以下过程:
步骤1:在车正前方设置棋盘格,使车前端与棋盘格边缘相接;
步骤2:检测图像棋盘格中标记点的位置坐标;
步骤3:根据标记点的位置坐标,采用透视变换算法,得到透视图像。
9.根据权利要求8所述的应用于智能驾驶的停止线检测与测距算法,其特征在于:所述标记点为构成矩形的四个点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610076874.4A CN105740832B (zh) | 2016-02-02 | 2016-02-02 | 一种应用于智能驾驶的停止线检测与测距方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610076874.4A CN105740832B (zh) | 2016-02-02 | 2016-02-02 | 一种应用于智能驾驶的停止线检测与测距方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105740832A true CN105740832A (zh) | 2016-07-06 |
CN105740832B CN105740832B (zh) | 2019-06-07 |
Family
ID=56245781
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610076874.4A Active CN105740832B (zh) | 2016-02-02 | 2016-02-02 | 一种应用于智能驾驶的停止线检测与测距方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105740832B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106205170A (zh) * | 2016-08-30 | 2016-12-07 | 上海交通大学 | 一种用于自动驾驶的路口精确停车装置与方法 |
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 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN104008377A (zh) * | 2014-06-07 | 2014-08-27 | 北京联合大学 | 基于时空关联的地面交通标志实时检测识别方法 |
US20150125039A1 (en) * | 2013-11-04 | 2015-05-07 | Sarmo Technology Inc. | Lane departure warning system and method |
-
2016
- 2016-02-02 CN CN201610076874.4A patent/CN105740832B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN104008377A (zh) * | 2014-06-07 | 2014-08-27 | 北京联合大学 | 基于时空关联的地面交通标志实时检测识别方法 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106205170A (zh) * | 2016-08-30 | 2016-12-07 | 上海交通大学 | 一种用于自动驾驶的路口精确停车装置与方法 |
CN106205170B (zh) * | 2016-08-30 | 2020-06-12 | 上海交通大学 | 一种用于自动驾驶的路口精确停车装置与方法 |
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 |
Also Published As
Publication number | Publication date |
---|---|
CN105740832B (zh) | 2019-06-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105488454B (zh) | 基于单目视觉的前方车辆检测与测距 | |
Kühnl et al. | Spatial ray features for real-time ego-lane extraction | |
CN107025432B (zh) | 一种高效的车道线检测跟踪方法及系统 | |
CN102682292B (zh) | 基于单目视觉的道路边缘检测及粗定位方法 | |
CN101030256B (zh) | 车辆图像分割方法和装置 | |
Huang et al. | On-board vision system for lane recognition and front-vehicle detection to enhance driver's awareness | |
CN102999749B (zh) | 基于人脸检测的安全带违章事件智能检测方法 | |
CN104008377A (zh) | 基于时空关联的地面交通标志实时检测识别方法 | |
CN100414560C (zh) | 基于小波变换和雷登变换的车牌提取方法 | |
CN106127113A (zh) | 一种基于三维激光雷达的道路车道线检测方法 | |
CN111563469A (zh) | 一种不规范停车行为识别方法及装置 | |
CN106096525A (zh) | 一种复合型车道识别系统及方法 | |
CN104392212A (zh) | 一种基于视觉的道路信息检测及前方车辆识别方法 | |
CN106887004A (zh) | 一种基于块匹配的车道线检测方法 | |
CN103559507A (zh) | 基于颜色与形状特征相结合的交通标志检测方法 | |
DE102009050505A1 (de) | Detektion eines freien Pfads durch Strassenmodellerstellung | |
CN105551264A (zh) | 一种基于车牌特征匹配的车速检测方法 | |
CN104700072A (zh) | 基于车道线历史帧的识别方法 | |
CN201825037U (zh) | 高速公路车辆的车道偏离报警装置 | |
CN105117726A (zh) | 基于多特征区域累积的车牌定位方法 | |
CN105654073A (zh) | 一种基于视觉检测的速度自动控制方法 | |
CN109190483A (zh) | 一种基于视觉的车道线检测方法 | |
CN202134079U (zh) | 一种无人驾驶车辆车道标志线识别与报警装置 | |
CN103093200A (zh) | 快速精准定位图像中车牌的算法 | |
CN109635737A (zh) | 基于道路标记线视觉识别辅助车辆导航定位方法 |
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: 20211207 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. |
|
TR01 | Transfer of patent right |