CN105893949A - 一种复杂路况场景下的车道线检测方法 - Google Patents
一种复杂路况场景下的车道线检测方法 Download PDFInfo
- Publication number
- CN105893949A CN105893949A CN201610189306.5A CN201610189306A CN105893949A CN 105893949 A CN105893949 A CN 105893949A CN 201610189306 A CN201610189306 A CN 201610189306A CN 105893949 A CN105893949 A CN 105893949A
- Authority
- CN
- China
- Prior art keywords
- point
- line segment
- edge
- image
- line
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Probability & Statistics with Applications (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种复杂路况场景下的车道线检测方法,用于智能车辆获取道路图像信息即时进行车道线辨识处理,本发明在获得路况图像的边缘信息之后,首先对边缘图像进行扫描,同时计算出边缘像素点连接的方向,从而滤除连接方向异常的噪声边缘。本发明充分利用了车道线的消失点这一特征信息,消失点的位置信息通过投票机制来获得,消失点不仅作为滤除干扰线段的约束条件,而且作为车道线拟合的关键参数。本发明车道线检测方法能够克服树木的阴影、路面的文字以及行驶车辆等干扰因素的影响,实现各种复杂环境下的车道线检测,具有良好的准确性和鲁棒性。
Description
技术领域
本发明涉及机器视觉以及智能车领域,尤其涉及到复杂路况场景下的车道线检测方法。
背景技术
近年来,随着社会的迅速发展和汽车保有量的不断增加,交通安全问题越来越受到人们的关注。据统计,每年大约有30%的交通事故是由于驾驶员的注意力不集中、疲劳驾驶、车道跑偏等因素造成的。因而,能够为驾驶员提供危险预警和辅助驾驶的智能车辆系统受到了人们的广泛关注,车道标志线(以下简称车道线)检测作为智能车辆系统的关键技术之一,也成为相关科研机构和汽车生产厂家研发的热点。
基于视觉的车道线检测技术因其提供的信息丰富和花费的成本低廉而被广泛的采用。基于视觉的车道线检测方法一般可以分为两类:特征法和模型法。特征法通常是利用车道线的颜色、宽度或梯度变化等特征信息将车道线从路面区域提取出来,或者利用路面的纹理信息结合区域增长以及分类的方法来获得整个道路区域。文献1:C.Ma,L.Mao,Y.F.Zhang,et al.,“Lane Detection Using Heuristic Search Methods Based onColor Clustering,”in Proc of the IEEE International Conference onCommunications,Circuits and Systems(ICCCAS),Chengdu,China,2010,pp.368-372.先将原始的RGB图像转换到Lab色彩空间,然后在Lab色彩空间使用聚类算法提取出车道线。与文献1不同的是,文献2:C.D.Cruz,and J.J.Zou,“Lane detection for driverassistance and intelligent vehicle applications,”International Symposium onCommunications and Information Technologies,Sydney,Australia,2007,pp.1291–1296.利用车道线特定的颜色信息(主要是白色和黄色),首先计算出路况图像的一个整体最优阈值,然后利用计算出的最优阈值对图像进行二值化处理,进而提取出车道线。文献3:G.R.Liu,S.T.Li,and W.R.Liu,“Lane Detection Algorithm based on Local FeatureExtraction,”in Proc of the Chinese Automation Congress(CAC),Changsha,China,2013,pp.59-64.则利用车道线的宽度特征信息结合形态学滤波来检测车道线。由于以上所提到的方法都利用了车道线的颜色,宽度等低层特征,因而容易受到光照,天气变化的影响。只有当车道线与路面有较高的对比度时才具有良好的检测效果。文献4:Y.Sha,G.Y.Zhang,and Y.Yang,“A road detection algorithm by boosting using featurecombination,”IEEE Symposium on Intelligent Vehicles,Istanbul,Turkey,2007,pp.364-368.则利用路面的纹理信息,并结合区域增长的方法获取整个道路区域。由于该方法难以提取具有较好可分性的道路特征,因而容易受其它与路面相似的非道路区域的干扰,而且提取和分析道路特征需要较大的系统开销,实时性难以得到保证。
模型法是将车道抽象成一个恰当的几何模型,先采用边缘检测的方法获得车道线或道路的边缘信息,然后通过随机采样一直算法(RANSAC),最小二乘法,Hough变换等方法获得几何模型的参数来拟合相应的车道线。文献5:Q.Chen,and H.Wang,“A Real-timeLane Detection Algorithm Based on a Hyperbola-Pair Model,”IntelligentVehicles Symposium,Tokyo,Japan,2006,pp.510-515.将车道抽象成双曲线对模型,模型的拟合依赖于车道线内边界点的准确位置信息,因而需要道路图像有清晰的车道线边界。由于模型法一般都利用了车道线的边缘信息,因而路面的阴影、文字和污渍以及路旁车辆的遮挡等干扰因素的存在会影响车道线边缘信息的提取,造成最后车道线拟合出现偏差甚至错误。
中国专利CN103996030A(申请号:201410223305.9)公开了一种车道线检测方法。它包括以下步骤:对采集的路况视频图像进行边缘增强处理;对边缘增强处理后的图像采用自适应阈值选择的方法获得二值化图像,同时在二值化图像中提取车道线的内侧边缘点;对提取的图像数据采用分区Hough变换拟合车道线。该方法虽然实现了车道线的检测,但对于路面有强阴影、文字或路面破损的情况存在一定的缺陷。因为在对路况视频图像进行边缘增强处理的过程中,在增强车道线边缘的同时也增强了噪声(包括路面的阴影、文字等)边缘,而噪声边缘的存在会影响车道线内侧边缘点的提取,导致最后车道线的拟合存在偏差。
中国专利CN103617412A(申请号:201310534595.4)发明了一种实时的车道线检测方法。该方法通过车道线消失点的位置来确定感兴趣区域(ROI region of interest),去掉没有车道线的上半部分图像,从而缩短了每帧图像的处理时间。然而,消失点作为车道线的重要结构特征,仅用于感兴趣区域划分,显得有些大材小用。
总的来看,结合现有技术的不足有以下改善的方向:
1)车道线拟合依赖于车道线的边缘信息。当路面有阴影、文字或者路面破损时,提取的边缘信息中存在着大量的噪声边缘点,会造成最后车道线的拟合出现偏差甚至错误。因此,如何在路况图像中准确地提取车道线的边缘信息是要解决的一个关键问题。
2)根据透视投影的映射规则和人们的视觉特性,空间内的一对平行直线,在观察者(或视觉成像设备)所获得的图像平面上所成的像有且仅有一个交点,称为消失点。现实世界中的车道线往往是相互平行的,因此,在道路图像中车道线会形成一个消失点,它不仅指示着车道线的延伸方向,而且包含着车道线拟合所需的重要信息。因此,如何确定消失点的位置信息,并利用消失点来滤除干扰的线段是需要解决的另外一个关键问题。
发明内容
本发明旨在克服发明专利公开号(CN)为103996030A的发明中当路面有强阴影、文字或路面破损等情况时车道线检测存在的缺陷,并充分利用发明专利公开号(CN)为103617412A的发明中提到的车道线消失点这一结构特征。提出了一种基于消失点约束的车道线检测新方法,该方法能够适应各种复杂的路况场景。
发明目的是通过以下手段实现的:一种复杂路况场景下的车道线检测方法,用于智能车辆获取道路图像信息即时进行车道线辨识处理,包换如下的处理步骤:
(1)感兴趣区域划分
提取道路图像中包含路面的矩形区域部分作为车道线检测的感兴趣区域;
(2)图像灰度化处理
对路况图像进行灰度化处理,采用以下灰度化的转换模型:
Gray=R+G-B (1)
其中,R、G、B分别代表RGB图像的红、绿、蓝三个分量,其取值范围为[0,255];
(3)边缘信息提取
使用Canny边缘检测算子提取灰度图像的边缘信息;
(4)噪声边缘处理
对(3)提取边缘信息后的图像进行逐行扫描并滤除连接方向异常的噪声边缘像素;其具体步骤如下:
1)从图像底部的中间点开始由中间到两边,底端向顶端进行扫描,寻找边缘像素的起始点;
2):找到起始像素点后,在该起始像素点的邻域内扫描;根据左右车道线边缘像素点连接的方向特征,扫描起始像素点八邻域中的三个;
3):将邻域中扫描到的点与起始点连接,并将该点作为新的起始点,同时记下边缘连接点总的数目;重复2),若邻域内没有边缘像素点或扫描到图像的顶端则返回最初的起始点所在的行,直到扫描结束;为了避免重复扫描,将已经连接的像素点在原图像平面内做标记;
4):计算边缘像素点连接的方向,该方向为相邻像素点连线方向的平均值,如果该方向不在规定的角度阈值范围内,则认为是噪声边缘,直接将其滤除;
(5)线段检测
滤除了噪声边缘像素之后,保留属于同一直线的边缘像素,接着使用改进的概率霍夫变换PPHT检测边缘图像中的直线,左边部分记为SL,右边部分记为SR;
(6)利用消失点滤除干扰线段
S为PPHT检测到的线段,其中S={SL,SR},IROI为感兴趣区域,消失点VP(vpx,vpy)的定义如下:
VP=F(S,IROI) (2)
函数F的功能是将检测到的线段S在IROI平面内延长,并在IROI平面内找出直线相交次数最多的像素点,即为消失点;
最后利用消失点来筛选出左边存留的线段和右边存留的线段,分别记为:
其中i=1,2,3…m,m为SL中的线段总数,j=1,2,3…n,n为SR中的线段总数,δ为消失点与线段之间偏移的程度;
(7)运用K-means聚类算法将滤除干扰后的线段进行分类
在利用消失点去除了干扰的线段之后,左边存留的线段根据其斜率大小的不同将其进行分类,使用K-means聚类算法将剩余的线段分为两类,右边存留的线段也使用相同的方法进行分类;
(8)车道线拟合
选出步骤(7)中聚类所得的两类线段中斜率绝对值较大的一类作为确定车道线的候选线段,最后,由消失点的位置信息VP(vpx,vpy)和候选线段的斜率中心值K拟合出左右车道线。
发明方法的优点和积极效果在于:
1)克服了发明专利公开号(CN)为103996030A的发明中存在的缺陷。该发明首先对路况图像进行边缘增强处理来突出车道线的边缘信息,但是,边缘增强处理在突出车道线边缘信息的同时也增强了噪声(包括路面的阴影、文字,来往的车辆等)边缘。而本发明在获得路况图像的边缘信息之后,首先对边缘图像进行扫描,同时计算出边缘像素点连接的方向,从而滤除连接方向异常的噪声边缘,避免了噪声边缘点对车道线拟合的影响,提高了车道线检测的鲁棒性。
2)本发明充分利用了车道线的消失点这一特征信息。首先通过投票来获得消失点的位置信息,简单易行。此外,在本发明中,消失点不仅作为滤除干扰线段的约束条件,而且作为车道线拟合的关键参数。
基于以上原因,本发明所提出的车道线检测方法能够克服树木的阴影、路面的文字以及行驶车辆等因素的影响,实现各种复杂环境下的车道线检测,具有良好的准确性和鲁棒性。
附图说明
图1为本发明基于消失点约束的车道线检测算法流程图。
图2感兴趣区域划分示意图。
图3灰度化效果对比图。
图4 Canny边缘检测效果图。
图5边缘像素扫描方式示意图。
图6(a)边缘像素点的连接方向估计示图。
图6(b)车道线的方向阈值范围示意图。
图7噪声边缘滤除后的效果图。
图8(a)PPHT线段检测图。
图8(b)消失点滤除干扰线段的示意图。
图9 K-means聚类算法流程图。
图10 K-means聚类后的效果图。
图11车道线拟合结果图。
图12各种复杂路况场景下车道线检测的效果图。
具体实施方式
下面结合附图以及具体的路况场景图对本发明作进一步描述:
如算法流程图1所示,本发明的方法主要分为路况图像预处理和车道线检测两个部分。为了克服发明专利公开号(CN)为103996030A的发明中存在的缺陷,我们在得到路况图像的边缘信息后,首先对边缘图像进行扫描,计算边缘像素点连接的方向,从而滤除噪声边缘。避免了在后续的处理中因噪声边缘的干扰造成车道线拟合不准确的问题。此外,我们充分利用了发明专利公开号(CN)为103617412A的发明中提到的车道线消失点这一结构特征,首先通过投票的方法获得消失点的位置信息,然后利用消失点这一约束条件来滤除干扰线段,并将消失点的位置信息作为车道线拟合的关键参数,最终实现车道线的拟合。
为了说明本发明方法的有效性,我们选取加州理工学院提供的车道数据库中的一帧路况图像作为具体的实施例。
本发明所涉及的具体方法包括以下步骤:
(1)感兴趣区域划分
合理地提取感兴趣区域,不仅能够降低背景图像对车道线检测的干扰,而且可以减少后续步骤中计算处理所花费的时间,提高算法的实时性。车道线存在于路面区域,通常情况下,路面区域位于道路图像的中间部分,因此本发明提取道路图像中间二分之一的部分作为车道线检测的感兴趣区域。具体划分的感兴趣区域如图2所示。
(2)图像灰度化处理
路况图像的颜色信息并非车道线拟合的有用信息,而颜色信息的存在会增加系统的开销,因此,我们首先需要对路况图像进行灰度化处理。
通常RGB图像灰度化的转换模型为:
Gray=0.299*R+0.587*G+0.114*B (1)
其中,R、G、B分别代表RGB图像的红、绿、蓝三个分量,其取值范围为[0,255]。分析路况图像以及路面的车道线,可以发现,路面一般呈灰黑色,其R、G、B分量特征为VR≈VG≈VB,而白色车道线的R、G、B分量特征为VR≈VG≈VB≈255,黄色车道线的R、G、B分量特征为VR≈VG≈255,VB,<<255。为了增强车道线与路面的对比度,本发明采用以下灰度化的转换模型:
Gray=R+G-B (2)
该方法增强了车道线的特征,从而提高了后续车道线边缘信息提取的准确性。两种方法的灰度化效果对比如图3所示。
(3)边缘信息提取
边缘信息是用于车道线拟合的关键特征信息,好的边缘检测效果对于准确地检测出车道线是至关重要的。常用的边缘检测算法有Roberts算法、Sobel算法、Laplacian算法和Canny算法等。其中Canny算法具有对边缘定位准确,提取的边缘整齐,而且对于较低的图像对比度仍然有良好的检测效果等优点,本发明使用Canny边缘检测算子提取灰度图像的边缘信息。边缘信息提取后的图像如图4所示。
(4)噪声边缘处理
在提取了边缘信息后,对图像进行逐行扫描并滤除连接方向异常的噪声边缘像素。其具体步骤如下:
Step1;如图5所示,从图像底部的中间点开始由中间到两边,底端向顶端进行扫描,寻找边缘像素的起始点。
Step2:找到起始像素点后,在该起始像素点的邻域内扫描。根据左右车道线边缘像素点连接的方向特征,只需扫描起始像素点八邻域中的三个。
Step3:将邻域中扫描到的点与起始点连接,并将该点作为新的起始点,同时记下边缘连接点总的数目。重复step2,若邻域内没有边缘像素点或扫描到图像的顶端则返回最初的起始点所在的行,直到扫描结束。为了避免重复扫描,将已经连接的像素点在原图像平面内做标记。
Step4:计算边缘像素点连接的方向,该方向为相邻像素点连线方向的平均值,如图6(a)中箭头方向,如果该方向不在规定的角度阈值范围内,则认为是噪声边缘,直接将其滤除。
当车辆行驶在车道的中间时,根据先验知识,车道线与水平方向会成一定的角度,本发明设定的角度阈值范围为,左车道线[-15°,-75°],右车道线[15°,75°],如图6(b)所示。同时,本发明规定边缘连接点的长度阈值为40,即边缘连接点的总数小于40的视为噪声边缘直接滤除。噪声边缘像素处理后的效果如图7所示,从图中可以看出,大量的背景噪声边缘已经被滤除。
(5)线段检测
滤除了噪声边缘像素之后,属于同一直线的边缘像素将被保留,接着使用改进的概率霍夫变换(PPHT)检测边缘图像中的直线。PPHT检测到的线段S如图8(a)所示,分别记为:左边SL,右边SR
(6)利用消失点滤除干扰线段
在图像坐标系中,车道线的方向相对比较集中,并且相交于消失点,而干扰线段则是方向各异的,根据这一特性,可以利用消失点来移除干扰的线段。
S为PPHT检测到的线段,其中S={SL,SR}IROI为感兴趣区域,消失点VP(vpx,vpy)的定义如下:
VP=F(S,IROI) (3)
函数F的功能是将检测到的线段S在IROI平面内延长,并在IROI平面内找出直线相交次数最多的像素点,即为消失点。
最后利用消失点来筛选出左边和右边的候选线段,分别记为
其中i=1,2,3…m,m为SL中的线段总数。j=1,2,3…n,n为SR中的线段总数,δ为消失点与线段之间偏移的程度(简称为偏移度),本发明中取δ的大小为8个像素单位。如图8(b)所示,消失点用圆点标出,筛选出的候选线段和分别位于左右两侧。
(7)运用K-means聚类算法将滤除干扰后的线段进行聚类
在利用消失点去除了干扰的线段之后,左边存留的线段根据其斜率大小的不同将其进行分类,本发明使用K-means聚类算法(其算法流程图如图9所示)将剩余的线段分为两类,右边存留的线段也可以使用相同的方法进行分类。聚类后的效果如图10所示。
(8)车道线拟合
由于靠近车辆的左右车道线更有利于确定车辆的行驶区域,因此,选出步骤(7)中聚类所得的两类线段中斜率绝对值较大的一类作为确定车道线的候选线段,即图10中靠近道路中央的线段。最后,由消失点的位置信息VP(vpx,vpy)和候选线段的斜率中心值K拟合出左右车道线。如图11所示。
图12给出了在各种复杂的路况场景(包括路面有杂乱的阴影,文字,斑马线以及行驶的车辆干扰)下,使用本发明方法进行车道线检测的效果图。从图中可以看到,本发明提出的方法都能准确的检测出左右的车道线。
Claims (3)
1.一种复杂路况场景下的车道线检测方法,用于智能车辆获取道路图像信息即时进行车道线辨识处理,包换如下的处理步骤:
(1)感兴趣区域划分
提取道路图像中包含路面的矩形区域部分作为车道线检测的感兴趣区域;
(2)图像灰度化处理
对路况图像进行灰度化处理,采用以下灰度化的转换模型:
Gray=R+G-B (1)
其中,R、G、B分别代表RGB图像的红、绿、蓝三个分量,其取值范围为[0,255];
(3)边缘信息提取
使用Canny边缘检测算子提取灰度图像的边缘信息;
(4)噪声边缘处理
对(3)提取边缘信息后的图像进行逐行扫描并滤除连接方向异常的噪声边缘像素;其具体步骤如下:
1)从图像底部的中间点开始由中间到两边,底端向顶端进行扫描,寻找边缘像素的起始点;
2):找到起始像素点后,在该起始像素点的邻域内扫描;根据左右车道线边缘像素点连接的方向特征,扫描起始像素点八邻域中的三个;
3):将邻域中扫描到的点与起始点连接,并将该点作为新的起始点,同时记下边缘连接点总的数目;重复2),若邻域内没有边缘像素点或扫描到图像的顶端则返回最初的起始点所在的行,直到扫描结束;为了避免重复扫描,将已经连接的像素点在原图像平面内做标记;
4):计算边缘像素点连接的方向,该方向为相邻像素点连线方向的平均值,如果该方向不在规定的角度阈值范围内,则认为是噪声边缘,直接将其滤除;
(5)线段检测
滤除了噪声边缘像素之后,保留属于同一直线的边缘像素,接着使用改进的概率霍夫变换(PPHT)检测边缘图像中的线段,左边部分记为SL,右边部分记为SR;
(6)利用消失点滤除干扰线段
S为PPHT检测到的线段,其中S={SL,SR},IROI为感兴趣区域,消失点VP(vpx,vpy)的定义如下:
VP=F(S,IROI) (2)
函数F的功能是将检测到的线段S在IROI平面内延长,并在IROI平面内找出直线相交次数最多的像素点,即为消失点;
最后利用消失点来筛选出左边存留的线段和右边存留的线段,分别记为:
其中i=1,2,3…m,m为SL中的线段总数,j=1,2,3…n,n为SR中的线段总数,δ为消失点与线段之间偏移的程度;
(7)运用K-means聚类算法将滤除干扰后的线段进行聚类
在利用消失点去除了干扰的线段之后,左边存留的线段根据其斜率大小的不同将其进行分类,使用K-means聚类算法将剩余的线段分为两类,右边存留的线段也使用相同的方法进行分类;
(8)车道线拟合
选出步骤(7)中聚类所得的两类线段中斜率绝对值较大的一类作为确定车道线的候选线段,最后,由消失点的位置信息VP(vpx,vpy)和候选线段的斜率中心值K拟合出左右车道线。
2.根据权利要求1所述的复杂路况场景下的车道线检测方法,其特征在于,步骤(2)第4步设定的方向角度阈值范围为:左车道线[-15°,-75°],右车道线[15°,75°];边缘连接点数的长度阈值为40。
3.根据权利要求1所述的复杂路况场景下的车道线检测方法,其特征在于,步骤(6)取δ的大小为8个像素单位。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610189306.5A CN105893949B (zh) | 2016-03-29 | 2016-03-29 | 一种复杂路况场景下的车道线检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610189306.5A CN105893949B (zh) | 2016-03-29 | 2016-03-29 | 一种复杂路况场景下的车道线检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105893949A true CN105893949A (zh) | 2016-08-24 |
CN105893949B CN105893949B (zh) | 2019-07-12 |
Family
ID=57014900
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610189306.5A Expired - Fee Related CN105893949B (zh) | 2016-03-29 | 2016-03-29 | 一种复杂路况场景下的车道线检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105893949B (zh) |
Cited By (43)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106529443A (zh) * | 2016-11-03 | 2017-03-22 | 温州大学 | 改进霍夫变化检测车道线的方法 |
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 |
CN106778593A (zh) * | 2016-12-11 | 2017-05-31 | 北京联合大学 | 一种基于多地面标志融合的车道级定位方法 |
CN106845493A (zh) * | 2016-12-06 | 2017-06-13 | 西南交通大学 | 铁路轨道近景影像钢轨边缘的识别与匹配方法 |
CN106887004A (zh) * | 2017-02-24 | 2017-06-23 | 电子科技大学 | 一种基于块匹配的车道线检测方法 |
CN106991401A (zh) * | 2017-04-06 | 2017-07-28 | 大连理工大学 | 一种基于K‑means聚类算法的车道线检测方法 |
CN107798290A (zh) * | 2017-09-14 | 2018-03-13 | 中国科学院西安光学精密机械研究所 | 基于光子计数的三维图像信噪分离和混合正则化重构方法 |
CN107918763A (zh) * | 2017-11-03 | 2018-04-17 | 深圳星行科技有限公司 | 车道线检测方法和系统 |
CN107977608A (zh) * | 2017-11-20 | 2018-05-01 | 陕西土豆数据科技有限公司 | 一种应用于公路视频图像道路区域提取的方法 |
CN108062512A (zh) * | 2017-11-22 | 2018-05-22 | 北京中科慧眼科技有限公司 | 一种车道线检测方法与装置 |
CN108280450A (zh) * | 2017-12-29 | 2018-07-13 | 安徽农业大学 | 一种基于车道线的高速公路路面检测方法 |
CN108645409A (zh) * | 2018-05-14 | 2018-10-12 | 深圳万发创新进出口贸易有限公司 | 一种基于无人驾驶的行车安全系统 |
CN108932472A (zh) * | 2018-05-23 | 2018-12-04 | 中国汽车技术研究中心有限公司 | 一种基于车道线检测的自动驾驶行驶区域判别方法 |
CN109033927A (zh) * | 2017-06-09 | 2018-12-18 | 株式会社理光 | 检测道路分割物的方法和装置以及计算机可读存储介质 |
CN109241929A (zh) * | 2018-09-20 | 2019-01-18 | 北京海纳川汽车部件股份有限公司 | 自动驾驶车辆的车道线检测方法、装置及自动驾驶车辆 |
CN109670455A (zh) * | 2018-12-21 | 2019-04-23 | 联创汽车电子有限公司 | 计算机视觉车道线检测系统及其检测方法 |
CN109712247A (zh) * | 2018-12-10 | 2019-05-03 | 浙江工业大学 | 基于混合现实技术的实景训练系统 |
CN109740502A (zh) * | 2018-12-29 | 2019-05-10 | 斑马网络技术有限公司 | 道路质量检测方法及装置 |
CN109886168A (zh) * | 2019-02-01 | 2019-06-14 | 淮阴工学院 | 一种基于层阶的地面交通标志识别方法 |
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 |
CN110164163A (zh) * | 2018-02-13 | 2019-08-23 | 福特全球技术公司 | 便于环境能见度确定的方法和设备 |
CN110163109A (zh) * | 2019-04-23 | 2019-08-23 | 浙江大华技术股份有限公司 | 一种车道线标注方法及装置 |
CN110472651A (zh) * | 2019-06-17 | 2019-11-19 | 青岛星科瑞升信息科技有限公司 | 一种基于边缘点局部特征值的目标匹配与定位方法 |
WO2020048027A1 (zh) * | 2018-09-06 | 2020-03-12 | 惠州市德赛西威汽车电子股份有限公司 | 一种基于动态感兴趣区域的鲁棒性车道线检测方法 |
CN110967026A (zh) * | 2018-09-30 | 2020-04-07 | 长城汽车股份有限公司 | 车道线拟合方法及系统 |
WO2020098708A1 (zh) * | 2018-11-14 | 2020-05-22 | 北京市商汤科技开发有限公司 | 车道线的检测及驾驶控制方法、装置和电子设备 |
CN111368659A (zh) * | 2020-02-24 | 2020-07-03 | 同济大学 | 一种智能港口agv无人车行驶轨迹纠正方法 |
CN111444778A (zh) * | 2020-03-04 | 2020-07-24 | 武汉理工大学 | 一种车道线检测方法 |
CN111476057A (zh) * | 2019-01-23 | 2020-07-31 | 北京市商汤科技开发有限公司 | 车道线获取方法及装置、车辆驾驶方法及装置 |
CN111523396A (zh) * | 2020-03-30 | 2020-08-11 | 温州大学 | 一种基于道路特征信息的车道结构化解析方法 |
CN111695373A (zh) * | 2019-03-12 | 2020-09-22 | 中国科学院上海高等研究院 | 斑马线的定位方法、系统、介质及设备 |
CN111798431A (zh) * | 2020-07-06 | 2020-10-20 | 苏州市职业大学 | 一种实时消失点检测方法、装置、设备及存储介质 |
CN112101163A (zh) * | 2020-09-04 | 2020-12-18 | 淮阴工学院 | 一种车道线检测方法 |
CN112364869A (zh) * | 2021-01-14 | 2021-02-12 | 北京经纬恒润科技股份有限公司 | 一种车道线识别方法及装置 |
CN113223034A (zh) * | 2021-05-17 | 2021-08-06 | 曲阜师范大学 | 一种道路边沿检测跟踪方法 |
CN113532468A (zh) * | 2020-04-15 | 2021-10-22 | 北京搜狗科技发展有限公司 | 一种导航方法和相关设备 |
CN113525368A (zh) * | 2021-06-23 | 2021-10-22 | 清华大学 | 车辆的车道保持紧急控制策略与安全控制方法及装置 |
CN113743344A (zh) * | 2021-09-10 | 2021-12-03 | 北京精英路通科技有限公司 | 道路信息的确定方法、装置和电子设备 |
US11335102B2 (en) | 2018-08-09 | 2022-05-17 | Zhejiang Dahua Technology Co., Ltd. | Methods and systems for lane line identification |
CN114612736A (zh) * | 2020-12-08 | 2022-06-10 | 广州汽车集团股份有限公司 | 一种车道线检测方法、系统及计算机可读介质 |
CN114693574A (zh) * | 2022-02-24 | 2022-07-01 | 智己汽车科技有限公司 | 一种无人驾驶仿真场景生成方法及设备 |
CN115272298A (zh) * | 2022-09-19 | 2022-11-01 | 江苏网进科技股份有限公司 | 基于道路监控的城市路面维护监察方法及系统 |
CN116823909A (zh) * | 2023-06-30 | 2023-09-29 | 广东省机场管理集团有限公司工程建设指挥部 | 一种驾驶环境综合信息提取方法、装置、设备及介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101608924A (zh) * | 2009-05-20 | 2009-12-23 | 电子科技大学 | 一种基于灰度估计和级联霍夫变换的车道线检测方法 |
CN102201054A (zh) * | 2011-01-07 | 2011-09-28 | 南京理工大学 | 一种基于鲁棒统计的行道线检测方法 |
CN103617412A (zh) * | 2013-10-31 | 2014-03-05 | 电子科技大学 | 实时车道线检测方法 |
-
2016
- 2016-03-29 CN CN201610189306.5A patent/CN105893949B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101608924A (zh) * | 2009-05-20 | 2009-12-23 | 电子科技大学 | 一种基于灰度估计和级联霍夫变换的车道线检测方法 |
CN102201054A (zh) * | 2011-01-07 | 2011-09-28 | 南京理工大学 | 一种基于鲁棒统计的行道线检测方法 |
CN103617412A (zh) * | 2013-10-31 | 2014-03-05 | 电子科技大学 | 实时车道线检测方法 |
Non-Patent Citations (2)
Title |
---|
TSUNG-YING SUN等: "embedded vehicle lane-marking tracking system", 《IEEE》 * |
王家恩: "基于视觉的驾驶员横向辅助系统关键技术研究", 《万方》 * |
Cited By (61)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106529443A (zh) * | 2016-11-03 | 2017-03-22 | 温州大学 | 改进霍夫变化检测车道线的方法 |
CN106529443B (zh) * | 2016-11-03 | 2019-09-06 | 温州大学 | 改进霍夫变化检测车道线的方法 |
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 |
CN106845493A (zh) * | 2016-12-06 | 2017-06-13 | 西南交通大学 | 铁路轨道近景影像钢轨边缘的识别与匹配方法 |
CN106778593A (zh) * | 2016-12-11 | 2017-05-31 | 北京联合大学 | 一种基于多地面标志融合的车道级定位方法 |
CN106778593B (zh) * | 2016-12-11 | 2020-02-07 | 北京联合大学 | 一种基于多地面标志融合的车道级定位方法 |
CN106887004A (zh) * | 2017-02-24 | 2017-06-23 | 电子科技大学 | 一种基于块匹配的车道线检测方法 |
CN106991401A (zh) * | 2017-04-06 | 2017-07-28 | 大连理工大学 | 一种基于K‑means聚类算法的车道线检测方法 |
CN109033927A (zh) * | 2017-06-09 | 2018-12-18 | 株式会社理光 | 检测道路分割物的方法和装置以及计算机可读存储介质 |
CN107798290A (zh) * | 2017-09-14 | 2018-03-13 | 中国科学院西安光学精密机械研究所 | 基于光子计数的三维图像信噪分离和混合正则化重构方法 |
CN107798290B (zh) * | 2017-09-14 | 2020-06-16 | 中国科学院西安光学精密机械研究所 | 基于光子计数的三维图像信噪分离和混合正则化重构方法 |
CN107918763A (zh) * | 2017-11-03 | 2018-04-17 | 深圳星行科技有限公司 | 车道线检测方法和系统 |
CN107977608B (zh) * | 2017-11-20 | 2021-09-03 | 土豆数据科技集团有限公司 | 一种应用于公路视频图像道路区域提取的方法 |
CN107977608A (zh) * | 2017-11-20 | 2018-05-01 | 陕西土豆数据科技有限公司 | 一种应用于公路视频图像道路区域提取的方法 |
CN108062512A (zh) * | 2017-11-22 | 2018-05-22 | 北京中科慧眼科技有限公司 | 一种车道线检测方法与装置 |
CN108280450A (zh) * | 2017-12-29 | 2018-07-13 | 安徽农业大学 | 一种基于车道线的高速公路路面检测方法 |
CN108280450B (zh) * | 2017-12-29 | 2020-12-29 | 安徽农业大学 | 一种基于车道线的高速公路路面检测方法 |
CN110164163A (zh) * | 2018-02-13 | 2019-08-23 | 福特全球技术公司 | 便于环境能见度确定的方法和设备 |
CN108645409A (zh) * | 2018-05-14 | 2018-10-12 | 深圳万发创新进出口贸易有限公司 | 一种基于无人驾驶的行车安全系统 |
CN108645409B (zh) * | 2018-05-14 | 2020-10-30 | 深圳市原像天成科技有限公司 | 一种基于无人驾驶的行车安全系统 |
CN108932472A (zh) * | 2018-05-23 | 2018-12-04 | 中国汽车技术研究中心有限公司 | 一种基于车道线检测的自动驾驶行驶区域判别方法 |
US11335102B2 (en) | 2018-08-09 | 2022-05-17 | Zhejiang Dahua Technology Co., Ltd. | Methods and systems for lane line identification |
WO2020048027A1 (zh) * | 2018-09-06 | 2020-03-12 | 惠州市德赛西威汽车电子股份有限公司 | 一种基于动态感兴趣区域的鲁棒性车道线检测方法 |
CN109241929A (zh) * | 2018-09-20 | 2019-01-18 | 北京海纳川汽车部件股份有限公司 | 自动驾驶车辆的车道线检测方法、装置及自动驾驶车辆 |
CN110967026A (zh) * | 2018-09-30 | 2020-04-07 | 长城汽车股份有限公司 | 车道线拟合方法及系统 |
WO2020098708A1 (zh) * | 2018-11-14 | 2020-05-22 | 北京市商汤科技开发有限公司 | 车道线的检测及驾驶控制方法、装置和电子设备 |
CN111191487A (zh) * | 2018-11-14 | 2020-05-22 | 北京市商汤科技开发有限公司 | 车道线的检测及驾驶控制方法、装置和电子设备 |
CN109712247A (zh) * | 2018-12-10 | 2019-05-03 | 浙江工业大学 | 基于混合现实技术的实景训练系统 |
CN109712247B (zh) * | 2018-12-10 | 2023-07-21 | 浙江工业大学 | 基于混合现实技术的实景训练系统 |
CN109670455A (zh) * | 2018-12-21 | 2019-04-23 | 联创汽车电子有限公司 | 计算机视觉车道线检测系统及其检测方法 |
CN109740502A (zh) * | 2018-12-29 | 2019-05-10 | 斑马网络技术有限公司 | 道路质量检测方法及装置 |
CN111476057B (zh) * | 2019-01-23 | 2024-03-26 | 北京市商汤科技开发有限公司 | 车道线获取方法及装置、车辆驾驶方法及装置 |
CN111476057A (zh) * | 2019-01-23 | 2020-07-31 | 北京市商汤科技开发有限公司 | 车道线获取方法及装置、车辆驾驶方法及装置 |
CN109886168A (zh) * | 2019-02-01 | 2019-06-14 | 淮阴工学院 | 一种基于层阶的地面交通标志识别方法 |
CN111695373B (zh) * | 2019-03-12 | 2024-02-02 | 中国科学院上海高等研究院 | 斑马线的定位方法、系统、介质及设备 |
CN111695373A (zh) * | 2019-03-12 | 2020-09-22 | 中国科学院上海高等研究院 | 斑马线的定位方法、系统、介质及设备 |
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 |
CN109948552B (zh) * | 2019-03-20 | 2021-05-04 | 四川大学 | 一种复杂交通环境中的车道线检测的方法 |
CN110163109A (zh) * | 2019-04-23 | 2019-08-23 | 浙江大华技术股份有限公司 | 一种车道线标注方法及装置 |
CN110163109B (zh) * | 2019-04-23 | 2021-09-17 | 浙江大华技术股份有限公司 | 一种车道线标注方法及装置 |
CN110472651A (zh) * | 2019-06-17 | 2019-11-19 | 青岛星科瑞升信息科技有限公司 | 一种基于边缘点局部特征值的目标匹配与定位方法 |
CN110472651B (zh) * | 2019-06-17 | 2022-11-29 | 青岛星科瑞升信息科技有限公司 | 一种基于边缘点局部特征值的目标匹配与定位方法 |
CN111368659A (zh) * | 2020-02-24 | 2020-07-03 | 同济大学 | 一种智能港口agv无人车行驶轨迹纠正方法 |
CN111444778A (zh) * | 2020-03-04 | 2020-07-24 | 武汉理工大学 | 一种车道线检测方法 |
CN111444778B (zh) * | 2020-03-04 | 2023-10-17 | 武汉理工大学 | 一种车道线检测方法 |
CN111523396A (zh) * | 2020-03-30 | 2020-08-11 | 温州大学 | 一种基于道路特征信息的车道结构化解析方法 |
CN113532468A (zh) * | 2020-04-15 | 2021-10-22 | 北京搜狗科技发展有限公司 | 一种导航方法和相关设备 |
CN111798431A (zh) * | 2020-07-06 | 2020-10-20 | 苏州市职业大学 | 一种实时消失点检测方法、装置、设备及存储介质 |
CN111798431B (zh) * | 2020-07-06 | 2023-09-15 | 苏州市职业大学 | 一种实时消失点检测方法、装置、设备及存储介质 |
CN112101163A (zh) * | 2020-09-04 | 2020-12-18 | 淮阴工学院 | 一种车道线检测方法 |
CN114612736B (zh) * | 2020-12-08 | 2024-08-20 | 广州汽车集团股份有限公司 | 一种车道线检测方法、系统及计算机可读介质 |
CN114612736A (zh) * | 2020-12-08 | 2022-06-10 | 广州汽车集团股份有限公司 | 一种车道线检测方法、系统及计算机可读介质 |
CN112364869A (zh) * | 2021-01-14 | 2021-02-12 | 北京经纬恒润科技股份有限公司 | 一种车道线识别方法及装置 |
CN113223034A (zh) * | 2021-05-17 | 2021-08-06 | 曲阜师范大学 | 一种道路边沿检测跟踪方法 |
CN113525368A (zh) * | 2021-06-23 | 2021-10-22 | 清华大学 | 车辆的车道保持紧急控制策略与安全控制方法及装置 |
CN113743344A (zh) * | 2021-09-10 | 2021-12-03 | 北京精英路通科技有限公司 | 道路信息的确定方法、装置和电子设备 |
CN114693574A (zh) * | 2022-02-24 | 2022-07-01 | 智己汽车科技有限公司 | 一种无人驾驶仿真场景生成方法及设备 |
CN114693574B (zh) * | 2022-02-24 | 2024-07-09 | 智己汽车科技有限公司 | 一种无人驾驶仿真场景生成方法及设备 |
CN115272298B (zh) * | 2022-09-19 | 2022-12-13 | 江苏网进科技股份有限公司 | 基于道路监控的城市路面维护监察方法及系统 |
CN115272298A (zh) * | 2022-09-19 | 2022-11-01 | 江苏网进科技股份有限公司 | 基于道路监控的城市路面维护监察方法及系统 |
CN116823909A (zh) * | 2023-06-30 | 2023-09-29 | 广东省机场管理集团有限公司工程建设指挥部 | 一种驾驶环境综合信息提取方法、装置、设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN105893949B (zh) | 2019-07-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105893949B (zh) | 一种复杂路况场景下的车道线检测方法 | |
CN103116751B (zh) | 一种车牌字符自动识别方法 | |
CN105488492B (zh) | 一种彩色图像预处理方法、道路识别方法及相关装置 | |
CN101334836B (zh) | 一种融合色彩、尺寸和纹理特征的车牌定位方法 | |
CN102509098B (zh) | 一种鱼眼图像车辆识别方法 | |
Sun et al. | Moving cast shadow detection of vehicle using combined color models | |
CN104036262B (zh) | 一种lpr车牌筛选识别的方法和系统 | |
Alonso et al. | Robust vehicle detection through multidimensional classification for on board video based systems | |
CN105718870A (zh) | 自动驾驶中基于前向摄像头的道路标线提取方法 | |
CN109726717A (zh) | 一种车辆综合信息检测系统 | |
CN102999753A (zh) | 车牌定位方法 | |
CN104700072A (zh) | 基于车道线历史帧的识别方法 | |
CN104463138A (zh) | 基于视觉结构属性的文本定位方法及系统 | |
CN103324935A (zh) | 一种图像中对车辆进行定位与区域分割的方法 | |
CN109886168B (zh) | 一种基于层阶的地面交通标志识别方法 | |
CN104299210A (zh) | 基于多特征融合的车辆阴影消除方法 | |
CN103279755A (zh) | 基于汽车底部阴影特征的快速车牌定位方法 | |
CN108765456B (zh) | 基于直线边缘特征的目标跟踪方法、系统 | |
Liu et al. | An efficient real-time speed limit signs recognition based on rotation invariant feature | |
CN105184293B (zh) | 基于显著性区域检测的车标定位方法 | |
Wen et al. | A rear-vehicle detection system for static images based on monocular vision | |
Salahshoor et al. | Application of intelligent systems for iranian license plate recognition | |
Lu | A lane detection, tracking and recognition system for smart vehicles | |
CN103996028A (zh) | 一种车辆行为识别方法 | |
KR102139932B1 (ko) | 에이다부스트 학습을 이용한 문자 데이터 검출 방법 |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20190712 Termination date: 20210329 |