CN106156723B - 一种基于视觉的路口精定位方法 - Google Patents
一种基于视觉的路口精定位方法 Download PDFInfo
- Publication number
- CN106156723B CN106156723B CN201610343737.2A CN201610343737A CN106156723B CN 106156723 B CN106156723 B CN 106156723B CN 201610343737 A CN201610343737 A CN 201610343737A CN 106156723 B CN106156723 B CN 106156723B
- Authority
- CN
- China
- Prior art keywords
- lane
- crossing
- image
- vehicle
- 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.)
- Expired - Fee Related
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
- G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
- G06V20/586—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads of parking space
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/48—Extraction of image or video features by mapping characteristic values of the pattern into a parameter space, e.g. Hough transformation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/94—Hardware or software architectures specially adapted for image or video understanding
-
- 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
Abstract
一种基于视觉的路口精定位方法属于计算机视觉领域和安全智能交通领域。该方法先通过路口场景识别判断车辆是否到达路口附近,如果进入路口则对单目相机采集的路口图像进行逆透视变换得到逆透视图像,然后进行停止线检测与测距、车道线检测得到车辆离停止线的纵向距离和与车道线的横向距离以及航向角,根据得到数据进行世界坐标系平面坐标计算,最终得到车辆的位置坐标。通过视觉的方法进行路口精定位,克服了高精度GPS定位成本高的缺点。
Description
技术领域:
一种基于视觉的路口精定位方法,属于计算机视觉领域和智能交通视觉导航定位领域。
背景技术:
随着社会经济和科学技术的不断发展,汽车作为交通工具成为了人们生活中的一部分,安全驾驶和智能驾驶已经成为人们追求的方向。定位导航技术是智能驾驶的重要组成,可分为GPS定位导航和视觉导航。现在智能车中主流的定位方法都是通过高精度的GPS进行定位,这种定位导航方法成本很高。视觉导航一般是通过车道线检测或者基于视觉的自身定位的方法实现的,其成本低。
公布号为CN104217439A的中国发明专利公开了一种室内视觉定位系统及方法,公布号为CN105180905A的中国发明专利公开了一种双相机视觉定位系统及方法,这两个发明专利都公开了视觉定位的方法,但都是针对室内环境下的定位方法,无法解决智能车在户外道路上的视觉定位问题。
发明内容:
本发明的目的在于克服现有高精度GPS定位成本高以及视觉定位局限在室内环境的不足,提出了一种基于视觉的路口精定位方法。
为了实现上述目的,本发明采取了如下的技术方案:
一种基于视觉的路口精定位方法,包含下述步骤:
步骤1:在车辆内后视镜正下方安装单目摄像机,要求摄像机的光轴与车辆的中轴线重合;
步骤2:对摄像机进行逆透视变换标定,要求逆透视变换后的鸟瞰图的实际视野范围的横轴宽度是1500cm,纵轴长度是2500cm;要求鸟瞰图中每像素代表实际距离为k厘米,要求k=5。
步骤3-1:路口场景特征库建立。采集需要定位的路口的场景图像,要求每个路口采集100到200帧图像,要求连续两帧图像的前后实际间距小于30cm。采集图像时的车速要求控制在10km/h至20km/h的低速范围内。图像采集完毕后,离线提取这些场景图像的SURF特征,每一幅场景图像生成一个SURF特征向量,并且标记其所对应的路口编号,建立一个包含所有需要定位的路口场景特征库。
步骤3-2:路口场景识别。所述的路口场景识别是一个实时在线的过程。对摄像机采集的当前帧图像进行SURF特征提取生成特征向量,将当前帧图像的特征向量与路口场景特征库中的所有特征向量进行相似度计算。对所有相似度值进行排序,当相似度最大的值大于0.5时则识别成功,当前所在路口编号为最大相似度场景图像在路口场景特征库中所对应的路口编号,否则对下一帧图像进行路口场景识别直到识别成功为止。所述的相似度范围为[0,1]。
步骤4-1:对摄像机采集的当前帧图像进行逆透视变换得到与世界路面坐标系相一致的鸟瞰图;
步骤4-2:停止线检测。先对鸟瞰图像进行灰度化处理,然后进行自适应阈值处理得到二值化图像,根据停止线线条的特征,采用Hough变换进行直线检测,并计算每条直线与水平的夹角rho,单位为度,和长度length,单位是像素,由Hough直线变换可知直线的两个端点P1(x1,y1)和P2(x2,y2),则水平的夹角rho和长度length的计算如下:
其中θ的范围是[-90,90],为了便于计算,将其值进行变换,公式如下:
如果一旦有满足0≤rho≤20或160≤rho≤180,并且50≤length≤100的直线则是停止线。
步骤4-3:停止线测距;所述步骤的输出结果是车辆与停止线中心点的实际距离。先计算该停止线的中轴中心点坐标p(w/2,y),w是指鸟瞰图像的宽,即该点在图像的中轴线上,设停止线直线方程为y=a×x+b,则有:
b=y1-ax1 (5)
其中,(x1,y1)和(x2,y2)是停止线的两个端点,那么中心点p的y坐标值为:
y=(w/2-x1)×a+y1 (6)
点A是摄像机画面的最低端中心点PA(w/2,h),已知停止线中轴中心点p(w/2,y),联合公式(4)(5)(6)则计算距离d:
其中,h是鸟瞰图像的高,d是一个像素距离,需要转换成真实的实际距离D。根据逆透视图像的线性特征,即逆透视图像中每一像素代表实际长度k厘米,则
其中,D是实际距离,单位cm,k是鸟瞰图像的比例系数,单位是厘米每像素。那么根据S=K+D模型计算出停止线与智能车实际距离S:
S=K+D=K+k×d (9)
其中,K是车辆到图像底端位置的实际距离,也称作盲区距离,步骤4-4:车道线检测;所述步骤中的车道线检测指的是路口的车道线检测。
先对鸟瞰图像进行灰度化处理,然后进行Canny算子边缘检测,再对边缘图像进行Hough直线变换检测所有的直线,根据公式(1-3)计算每一条直线与水平的夹角rho和直线像素长度lenght。然后根据角度和长度的范围过滤掉一些干扰直线,长度范围为lenght>h/5,其中h是鸟瞰图像的高,其角度范围为45≤rho≤135。对满足范围条件的直线按照rho进行分组,rho相同的直线放在一组。然后对每一组内的直线进行垂直距离计算,假设直线line1的两个端点坐标分别是p1(x1,y1)和p1(x2,y2),直线line2的两个端点坐标分别是p2(x3,y3)和p2(x4,y4),直线line1和line2相互平行,则直线line1和line2的垂直距离L计算公式如下:
其中,a为直线的斜率,有:
假设道路的车道宽度为LaneW,LaneW的单位是像素,通过车道宽度的真实距离除以比例系数k得到,计算以下公式:
当结果满足0.9≤N≤1.1或者1.9≤N≤2.1或者2.9≤N≤3.1,那么直线line1和line2则是车道线。
步骤4-5:计算车辆偏移左车道线的距离;车辆与左车道线的横向偏离距离Δd,相对图像坐标系是横向的,假设左侧车道线与图像下边沿的交点P(x,h),则其计算公式如下:
Δd=k×(w/2-x) (13)
步骤4-6:计算车辆航向角;车道线检测完之后需要进行航向角θlane计算,航向角是车辆中轴线与车道线的最小夹角,因此0≤θlane≤90,其计算公式为:
步骤4-7:计算车辆的位置坐标(X,Y);所述的坐标点的坐标系原点为路口处停止线与车辆当前车道左侧车道线交点,要求横向是X轴,右侧为正,要求纵向是Y轴,下方为正。
通过停止线检测与测距得到了停止线与车辆的距离为S,以及视觉盲区距离为K;通过车道线检测计算得到车辆的航向角θlane以及横向偏离距离Δd。
其中位置坐标(X,Y)的X的计算公式如下:
X=Δd×cosθlane+K×sinθlane (15)
其中位置坐标(X,Y)的Y的计算公式如下:
Y=S×cosθlane (16)
根据公式(15-16)知车辆的位置坐标为(Δd×cosθlane+K×sinθlane,S×cosθlane)。当航向角θlane=0时,车辆中轴线与车道线平行,其坐标为(Δd,S)。
当停止线倾斜的情况,就需要改进车辆位置坐标计算公式,将停止线与水平的夹角θ考虑进去。
由于停止线的倾斜造成多了h′的纵向距离,h′的计算如下:
h′=(Δd×cosθlane+K×sinθlane+S×sinθlane)×tanθ (17)
那么纵向坐标Y的计算公式如下:
Y=S×cosθlane-h′ (18)
上述方案需要特别说明是的:
1.步骤3中基于路口场景识别的粗定位的目的是为了确定车辆在哪个路口,输出的结果是车辆所在路口的编号,如1号路口编号为001。
2.步骤4中基于IPM的高精度实时定位的目的是确定车辆在路口的具体位置坐标,输出的结果是一个坐标点(X,Y),所述的坐标点的坐标系原点为路口处停止线与车辆当前车道左侧车道线交点,要求横向是X轴,右侧为正,要求纵向是Y轴,下方为正。
3.步骤4中输出车辆位置坐标点(X,Y),其中X表示车头中点与当前车道的左侧车道线的水平横向偏移距离,即车头中点与坐标原点的横向距离,单位是厘米;其中Y表示车头中点与坐标原点的纵向距离,单位是厘米。
4.步骤4中车辆位置坐标点(X,Y)计算与停止线到车辆的距离S、视觉盲区距离K、车辆的航向角θlane以及横向偏离距离Δd有关。所述的数据可以通过停止线检测与测距、车道线检测的方法得到。
5.步骤4中车辆位置坐标点(X,Y)的计算方法考虑了车辆任何姿态以及停止线与车道线夹角情况。
本发明的有益效果是:
本发明通过可行的技术方案,有以下几点有益效果:
1.高精度,通过路口处的车道线以及停止线信息,辅助车辆定位,可以极大地提高车辆的定位精度。
2.低成本,可以通过视觉定位的方法降低车辆在路口定位的成本;本发明方法使用的硬件主要是普通的小型摄像头和一个图像处理芯片,总成本不超过500元。这使得传统高精度GPS定位系统成本从上万元降到几百元。
附图说明:
图1本发明的流程示意图
具体实施方式:
采用本发明的方法,给出一个非限定性的实例,结合图1进一步对本发明的具体实施过程进行说明。本发明在智能车辆平台、郊区真实道路进行实现。所使用的一些通用技术如图像采集、图像变换等不在详细叙述。
本发明的实施方式如下:
1.按照步骤1要求在车辆内后视镜正下方安装单目摄像机,要求摄像机的光轴与车辆的中轴线重合。
2.按照步骤2、3、4的详细步骤进行实现,其中所涉及到的参数为:鸟瞰图的实际视野范围的横轴宽度是1500cm,纵轴长度是2500cm;鸟瞰图像的大小尺寸是宽300像素,高500像素,鸟瞰图中每像素代表实际距离为5厘米;摄像机的盲区距离为300cm。
Claims (1)
1.一种基于视觉的路口精定位方法,包含下述步骤:
步骤1:在车辆内后视镜正下方安装单目摄像机,要求摄像机的光轴与车辆的中轴线重合;
步骤2:对摄像机进行逆透视变换标定,要求逆透视变换后的鸟瞰图的实际视野范围的横轴宽度是1500cm,纵轴长度是2500cm;要求鸟瞰图中每像素代表实际距离为k厘米,k是鸟瞰图像的比例系数,要求k=5;
步骤3-1:路口场景特征库建立;
采集需要定位的路口的场景图像,要求每个路口采集100到200帧图像,要求连续两帧图像的前后实际间距小于30cm;采集图像时的车速要求控制在10km/h至20km/h的低速范围内;图像采集完毕后,离线提取这些场景图像的SURF特征,每一幅场景图像生成一个SURF特征向量,并且标记其所对应的路口编号,建立一个包含所有需要定位的路口场景特征库;
步骤3-2:路口场景识别;
所述的路口场景识别是一个实时在线的过程;对摄像机采集的当前帧图像进行SURF特征提取生成特征向量,将当前帧图像的特征向量与路口场景特征库中的所有特征向量进行相似度计算;对所有相似度值进行排序,当相似度最大的值大于0.5时则识别成功,当前所在路口编号为最大相似度场景图像在路口场景特征库中所对应的路口编号,否则对下一帧图像进行路口场景识别直到识别成功为止;所述的相似度范围为[0,1];
步骤4-1:对摄像机采集的当前帧图像进行逆透视变换得到与世界路面坐标系相一致的鸟瞰图;
步骤4-2:停止线检测;先对鸟瞰图像进行灰度化处理,然后进行自适应阈值处理得到二值化图像,根据停止线线条的特征,采用Hough变换进行直线检测,并计算每条直线与水平的夹角rho,单位为度,和长度length,单位是像素,由Hough直线变换可知直线的两个端点P1(x1,y1)和P2(x2,y2),则水平的夹角rho和长度length的计算如下:
其中θ的范围是[-90,90],为了便于计算,将其值进行变换,公式如下:
如果一旦有满足0≤rho≤20或160≤rho≤180,并且50≤length≤100的直线则是停止线;
步骤4-3:停止线测距;所述步骤的输出结果是车辆与停止线中心点的实际距离;先计算该停止线的中轴中心点坐标p(w/2,y),w是指鸟瞰图像的宽,即该点在图像的中轴线上,设停止线直线方程为y=ax+b,则有:
b=y1-a×x1 (5)
其中,(x1,y1)和(x2,y2)是停止线的两个端点,那么中心点p的y坐标值为:
y=(w/2-x1)×a+y1 (6)
点A是摄像机画面的最低端中心点PA(w/2,h),已知停止线中轴中心点p(w/2,y),联合公式(4)(5)(6)则计算距离d:
其中,h是鸟瞰图像的高,d是一个像素距离,需要转换成真实的实际距离D;根据逆透视图像的线性特征,即逆透视图像中每一像素代表实际长度k厘米,则
其中,D是实际距离,单位cm,k是鸟瞰图像的比例系数,单位是厘米每像素;那么根据S=K+D模型计算出停止线与智能车实际距离S:
S=K+D=K+k×d (9)
其中,K是车辆到图像底端位置的实际距离,也称作盲区距离;步骤4-4:车道线检测;所述步骤中的车道线检测指的是路口的车道线检测;
先对鸟瞰图像进行灰度化处理,然后进行Canny算子边缘检测,再对边缘图像进行Hough直线变换检测所有的直线,根据公式(1-3)计算每一条直线与水平的夹角rho和直线像素长度lenght;然后根据角度和长度的范围过滤掉一些干扰直线,长度范围为lenght>h/5,其中h是鸟瞰图像的高,其角度范围为45≤rho≤135;对满足范围条件的直线按照rho进行分组,rho相同的直线放在一组;然后对每一组内的直线进行垂直距离计算,假设直线line1的两个端点坐标分别是p1(x1,y1)和p1(x2,y2),直线line2的两个端点坐标分别是p2(x3,y3)和p2(x4,y4),直线line1和line2相互平行,则直线line1和line2的垂直距离L计算公式如下:
其中,a为直线的斜率,有:
假设道路的车道宽度为LaneW,LaneW的单位是像素,通过车道宽度的真实距离除以比例系数k得到,计算以下公式:
当结果满足0.9≤N≤1.1或者1.9≤N≤2.1或者2.9≤N≤3.1,那么直线line1和line2则是车道线;
步骤4-5:计算车辆偏移左车道线的距离;车辆与左车道线的横向偏离距离Δd,相对图像坐标系是横向的,假设左侧车道线与图像下边沿的交点P(x,h),则其计算公式如下:
Δd=k×(w/2-x) (13)
步骤4-6:计算车辆航向角;车道线检测完之后需要进行航向角θlane计算,航向角是车辆中轴线与车道线的最小夹角,因此0≤θlane≤90,其计算公式为:
步骤4-7:计算车辆的位置坐标(X,Y);所述的坐标点的坐标系原点为路口处停止线与车辆当前车道左侧车道线交点,要求横向是X轴,右侧为正,要求纵向是Y轴,下方为正;
通过停止线检测与测距得到了停止线与车辆的距离为S,以及视觉盲区距离为K;通过车道线检测计算得到车辆的航向角θlane以及横向偏离距离Δd;
其中位置坐标(X,Y)的X的计算公式如下:
X=Δd×cosθlane+K×sinθlane (15)
其中位置坐标(X,Y)的Y的计算公式如下:
Y=S×cosθlane (16)
根据公式(15-16)知车辆的位置坐标为(Δd×cosθlane+K×sinθlane,S×cosθlane);当航向角θlane=0时,车辆中轴线与车道线平行,其坐标为(Δd,S);
当停止线倾斜的情况,就需要改进车辆位置坐标计算公式,将停止线与水平的夹角θ考虑进去;
由于停止线的倾斜造成多了h′的纵向距离,h′的计算如下:
h′=(Δd×cosθlane+K×sinθlane+S×sinθlane)×tanθ (17)
那么纵向坐标Y的计算公式如下:
Y=S×cosθlane-h′ (18)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610343737.2A CN106156723B (zh) | 2016-05-23 | 2016-05-23 | 一种基于视觉的路口精定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610343737.2A CN106156723B (zh) | 2016-05-23 | 2016-05-23 | 一种基于视觉的路口精定位方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106156723A CN106156723A (zh) | 2016-11-23 |
CN106156723B true CN106156723B (zh) | 2019-02-15 |
Family
ID=57353145
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610343737.2A Expired - Fee Related CN106156723B (zh) | 2016-05-23 | 2016-05-23 | 一种基于视觉的路口精定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106156723B (zh) |
Families Citing this family (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN108280853A (zh) * | 2018-01-11 | 2018-07-13 | 深圳市易成自动驾驶技术有限公司 | 车载视觉定位方法、装置及计算机可读存储介质 |
CN108470142B (zh) * | 2018-01-30 | 2021-09-03 | 西安电子科技大学 | 基于逆透视投影和车道距离约束的车道定位方法 |
CN110542895A (zh) * | 2018-05-28 | 2019-12-06 | 北京京东尚科信息技术有限公司 | 基于单目的freespace测距方法 |
CN109165579A (zh) * | 2018-08-08 | 2019-01-08 | 奇瑞汽车股份有限公司 | 检测停止线的方法和装置 |
CN109186616B (zh) * | 2018-09-20 | 2020-04-07 | 禾多科技(北京)有限公司 | 基于高精度地图和场景检索的车道线辅助定位方法 |
CN109580243A (zh) * | 2018-11-23 | 2019-04-05 | 中汽研(天津)汽车工程研究院有限公司 | 一种实车车道保持辅助系统性能的测评方法 |
CN111292288B (zh) * | 2018-12-06 | 2023-06-02 | 北京欣奕华科技有限公司 | 一种目标检测及定位的方法及装置 |
CN111337010B (zh) | 2018-12-18 | 2022-05-03 | 北京地平线机器人技术研发有限公司 | 可移动设备的定位方法、定位装置及电子设备 |
CN111488762A (zh) * | 2019-01-25 | 2020-08-04 | 阿里巴巴集团控股有限公司 | 一种车道级定位方法、装置及定位设备 |
CN110702135A (zh) * | 2019-10-14 | 2020-01-17 | 广州小鹏汽车科技有限公司 | 一种车辆的导航方法及装置、汽车、存储介质 |
CN110852353A (zh) * | 2019-10-22 | 2020-02-28 | 上海眼控科技股份有限公司 | 路口分类方法及设备 |
CN111311906B (zh) * | 2020-02-11 | 2021-07-13 | 北京百度网讯科技有限公司 | 路口距离的检测方法、装置、电子设备和存储介质 |
CN111924101B (zh) * | 2020-08-31 | 2024-04-09 | 金陵科技学院 | 一种无人机双云台相机及其工作方法 |
CN113516712A (zh) * | 2021-04-27 | 2021-10-19 | 北京车和家信息技术有限公司 | 目标位置确定方法和装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102722705A (zh) * | 2012-06-12 | 2012-10-10 | 武汉大学 | 一种基于ransac算法的多车道线检测方法 |
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 |
CN103991449A (zh) * | 2014-06-12 | 2014-08-20 | 北京联合大学 | 一种车辆行进控制方法及系统 |
JP5811666B2 (ja) * | 2011-07-28 | 2015-11-11 | アイシン・エィ・ダブリュ株式会社 | 停止線検出システム、停止線検出装置、停止線検出方法及びコンピュータプログラム |
-
2016
- 2016-05-23 CN CN201610343737.2A patent/CN106156723B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5811666B2 (ja) * | 2011-07-28 | 2015-11-11 | アイシン・エィ・ダブリュ株式会社 | 停止線検出システム、停止線検出装置、停止線検出方法及びコンピュータプログラム |
CN102722705A (zh) * | 2012-06-12 | 2012-10-10 | 武汉大学 | 一种基于ransac算法的多车道线检测方法 |
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 |
CN103991449A (zh) * | 2014-06-12 | 2014-08-20 | 北京联合大学 | 一种车辆行进控制方法及系统 |
Non-Patent Citations (2)
Title |
---|
《Lane detection and tracking system based on the MSER algorithm, hough transform and kalman filter》;Mammeri A et al;《Processing of the 17th ACM international conference on Modeling,analysis and simulation of wireless and mobile systems》;20140926;全文 |
《机器人视觉定位中的路口场景识别方法研究》;高庆吉等;《中国图象图形学报A》;20100129(第2009年第12期);全文 |
Also Published As
Publication number | Publication date |
---|---|
CN106156723A (zh) | 2016-11-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106156723B (zh) | 一种基于视觉的路口精定位方法 | |
CN106256606B (zh) | 一种基于车载双目相机的车道偏离预警方法 | |
WO2021004548A1 (zh) | 一种基于双目立体视觉系统的车辆智能测速方法 | |
CN110443225B (zh) | 一种基于特征像素统计的虚实车道线识别方法及其装置 | |
US20200041284A1 (en) | Map road marking and road quality collecting apparatus and method based on adas system | |
CN104700414B (zh) | 一种基于车载双目相机的前方道路行人快速测距方法 | |
CN108960183A (zh) | 一种基于多传感器融合的弯道目标识别系统及方法 | |
CN109460709A (zh) | 基于rgb和d信息融合的rtg视觉障碍物检测的方法 | |
CN110647850A (zh) | 一种基于逆透视原理的车道偏移自动测量方法 | |
CN106128115B (zh) | 一种基于双摄像机检测道路交通信息的融合方法 | |
CN110569704A (zh) | 一种基于立体视觉的多策略自适应车道线检测方法 | |
CN104751151B (zh) | 一种实时多车道识别及跟踪方法 | |
CN110334678A (zh) | 一种基于视觉融合的行人检测方法 | |
CN109074490B (zh) | 通路检测方法、相关装置及计算机可读存储介质 | |
CN111178150B (zh) | 车道线检测方法、系统及存储介质 | |
Li et al. | Nighttime lane markings recognition based on Canny detection and Hough transform | |
CN110203210A (zh) | 一种车道偏离预警方法、终端设备及存储介质 | |
Zhang et al. | Robust inverse perspective mapping based on vanishing point | |
CN105678287B (zh) | 一种基于脊度量的车道线检测方法 | |
CN104916163A (zh) | 泊车位检测方法 | |
CN110059683A (zh) | 一种基于端到端神经网络的大角度车牌倾斜矫正方法 | |
CN110197173B (zh) | 一种基于双目视觉的路沿检测方法 | |
CN108280401A (zh) | 一种路面检测方法、装置、云端服务器及计算机程序产品 | |
CN109635737A (zh) | 基于道路标记线视觉识别辅助车辆导航定位方法 | |
Huang et al. | Robust lane marking detection under different road conditions |
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: 20190215 |