CN106415603B - 一种成对车道线的高效检测方法和装置 - Google Patents
一种成对车道线的高效检测方法和装置 Download PDFInfo
- Publication number
- CN106415603B CN106415603B CN201680001018.0A CN201680001018A CN106415603B CN 106415603 B CN106415603 B CN 106415603B CN 201680001018 A CN201680001018 A CN 201680001018A CN 106415603 B CN106415603 B CN 106415603B
- Authority
- CN
- China
- Prior art keywords
- vector
- lane line
- machine model
- sampling point
- detected
- 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.)
- Active
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
- Traffic Control Systems (AREA)
Abstract
一种成对车道线的高效检测方法,包括:获取待检测的两条直线,根据预先设定的间距在所述两条直线上分别选择的样点,获取所述样点与预定的公共点之间的距离作为待检测输入向量;根据预先设定的支持向量机模型,获取所述待检测输入向量对应的支持向量机模型的输出结果;根据所述支持向量机模型的输出结果确定两条直线是否为成对车道线。该检测方法可以有效地保证对成对车道线判断的实时性,又能够提高判断的准确性。
Description
技术领域
本发明属于自动驾驶领域,尤其涉及一种成对车道线的高效检测方法和装置。
背景技术
车道偏离预警系统是一种通过报警的方式辅助驾驶员减少汽车因车道偏离而发生交通事故的汽车驾驶的辅助系统。当车辆偏离行驶车道时,通过所述车道偏离预警系统可以发出预警提醒,所述预警提醒可包括警报音、方向盘震动或自动改变转向等。
在车道偏离预警系统中,为了保证预警的准确度,需要对车道线进行正确的提取和识别。目前的成对车道线检测方法,一般需要消耗较多的系统资源,当需要较高的准确度时,则需要花费一定的计算时间,无法保证实时检测;或者,为了提高检测的实时性,则可能造成漏检测,导致误检率提高。
发明内容
本发明的目的在于提供一种成对车道线的高效检测方法,以解决现有技术在成对车道线检测时,不能有效地保证准确率以及实时性的问题。
第一方面,本发明实施例提供了一种成对车道线的高效检测方法,所述方法包括:
获取待检测的两条直线,根据预先设定的间距在所述两条直线上分别选择的样点,获取所述样点与预定的公共点之间的距离作为待检测输入向量;
根据预先设定的支持向量机模型,获取所述待检测输入向量对应的支持向量机模型的输出结果,其中,所述支持向量机模型中的向量维度与所述待检测输入向量的维度相同;
根据所述支持向量机模型的输出结果确定两条直线是否为成对车道线。
结合第一方面,在第一方面的第一种可能实现方式中,所述根据预先设定的间距在所述两条直线上选择的样点,获取所述样点与预定的公共点之间的距离步骤包括:
根据预先设定的间距,在所述两条直线上分别选择样点;
将图像的中心点作为公共点,获取所述样点与所述公共点之间的距离作为待检测输入向量。
结合第一方面,或第一方面的第一种可能实现方式,在第一方面的第二种可能实现方式中,在所述将每条直线与预定的公共点之间的距离的和值代入预先设定的分类器步骤之前,所述方法还包括:
采集大量的成对的车道线样本和不成对的车道线样本,根据所述间距在所述车道线样本上选择样点;
计算每条直线上的样点与所述公共点之间的距离构成的样本输入向量x;
根据所述样本输入向量计算所述支持向量机模型等式wTx+b=0的向量w,以及常数b,其中,wT表示向量w的转置,w的维度与输入向量的维度相同。
结合第一方面的第二种可能实现方式,在第一方面的第三种可能实现方式中,所述根据所述支持向量机模型的输出结果确定两条直线是否为成对车道线步骤包括:
将所述待检测输入向量代入支持向量机模型wTx+b并计算得到支持向量机模型的输出值,当所述输出值大于或等于1时,两条直线为成对车道线,当所述输出值小于或等于-1时,两条直线为非成对车道线。
结合第一方面,或第一方面的第一种可能实现方式,或第一方面的第三种可能实现方式,在第一方面的第四种可能实现方式中,所述样点包括在每条车道线上选择的N个样点,所述N为大于或等于2的自然数。
第二方面,本发明实施例提供了一种成对车道线的高效检测装置,所述装置包括:
车道线获取单元,用于获取待检测的两条直线,根据预先设定的间距在所述两条直线上分别选择的样点,获取所述样点与预定的公共点之间的距离作为待检测输入向量;
支持向量机运算单元,用于根据预先设定的支持向量机模型,获取所述待检测输入向量对应的支持向量机模型的输出结果,其中,所述支持向量机模型中的向量维度与所述待检测输入向量的维度相同;
判断单元,用于根据所述支持向量机模型的输出结果确定两条直线是否为成对车道线。
结合第二方面,在第二方面的第一种可能实现方式中,所述车道线获取单元包括:
样点选择子单元,用于根据预先设定的间距,在所述两条直线上分别选择样点;
公共点获取子单元,用于将图像的中心点作为公共点,获取所述样点与所述公共点之间的距离作为待检测输入向量。
结合第二方面,或第二方面的第一种可能实现方式,在第二方面的第二种可能实现方式中,所述装置还包括:
样本采集单元,用于采集大量的成对的车道线样本和不成对的车道线样本,根据所述间距在所述车道线样本上选择样点;
样本输入向量计算单元,用于计算每条直线上的样点与所述公共点之间的距离构成的样本输入向量x;
参数训练单元,用于根据所述样本输入向量计算所述支持向量机模型等式wTx+b=0的向量w,以及常数b,其中,wT表示向量w的转置,w的维度与输入向量的维度相同。
结合第二方面的第二种可能实现方式,在第二方面的第三种可能实现方式中,所述判断单元计算单元具体用于:
将所述待检测输入向量代入支持向量机模型wTx+b并计算得到支持向量机模型的输出值,当所述输出值大于或等于1时,两条直线为成对车道线,当所述输出值小于或等于-1时,两条直线为非成对车道线。
结合第二方面,或第二方面的第一种可能实现方式,或第二方面的第三种可能实现方式,在第二方面的第四种可能实现方式中,所述判断单元具体用于:
所述样点包括在每条车道线上选择的N个样点,所述N为大于或等于2的自然数。
在本发明中,获取待检测的两条直线,根据预先设定的间距,在所述两条直线上选择样点,获得样点与公共点之间的距离,将所述样点与公共点之间的距离构成的待检测输入向量,代入到预先设定支持向量机模型,得到所述支持向量机模型的输出结果,根据所述输出结果,即可判断待检测的两条直线是否为成对车道线。采用本发明所述方法,只需要将获取的待检测输入向量,代入预定的支持向量机模型,即可快速的确定是否为成对车道线,既可有效地保证对成对车道线判断的实时性,又能够提高判断的准确性。
附图说明
图1是本发明实施例提供的成对车道线的高效检测方法的实现流程图;
图2为本发明实施例提供的支持向量机模型训练流程示意图;
图3-4为本发明实施例提供的两条直线为成对车道线的样本示意图;
图5-6为本发明实施例提供的两条直线为非成对车道线的样本示意图;
图7-8为本发明实施例提供的待检测车道线示意图;
图9为本发明实施例提供的成对车道线的高效检测装置的结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本发明实施例所述成对车道线检测方法,目的在于克服现有技术中就成对车道线检测方法中,为了提高成对车道线的检测正确率,往往需要采用较为复杂的检测算法,导致检测计算过程需要消耗一定的时长,如果在汽车高速行驶状态下,则会造成检测结果滞后,检测的实时性较低的缺陷。而如果采用简单的车道线判断方法,则容易出现检测结果出错,影响用户判断。下面结合附图,对本发明作进一步的说明。
图1示出了本发明实施例提供的成对车道线的高效检测方法的实现流程,详述如下:
在步骤S101中,获取待检测的两条直线,根据预先设定的间距在所述两条直线上分别选择的样点,获取所述样点与预定的公共点之间的距离作为待检测输入向量。
具体的,本发明实施例所述对成车道线,是指用于限定车辆行驶的车道的辅助线。由于在车辆行驶过程中,除了车道线以外,还可能包括其它的标识线,比如图3所示,除了车道线以外,还包括箭头标识,由箭头线和车道线构成的标识,则不应该识别为成对车道线。
所述待检测的两条直线,可以通过对图像进行识别获取。比如,所述直线的识别,可以根据图像中颜色进行识别,比如识别图像中颜色为白色,或者颜色为黄色的直线等。
所述预先设定的间距,可以根据图像的大小进行设定。比如根据图像的宽度,设置1/3屏幕宽度为所述间距的长度。当然,还可以根据所需要的样点的个数,选择所述间距的大小,设定所述间距的长度,使得选择的样点包括所述直线的端部位置。
所述公共点的选择,可以根据用户的需要灵活设定。比如可以设定图像中的上部的中点作为所述公共点,也可以设定图像中的下部的中点作为所述公共点,还可以设定图像的中心点作为所述公共点。根据公共点的选择方式的不同,所述支持向量机模型的参数也会相应的发生改变。并且在权重向量的训练过程中选用的公共点的位置,与所述待检测的两条直线对应的公共点的位置相同。
所述待检测输入向量中数值的个数,与样点的选择方式相关。当在两条直线上选择的样点个数越多时,所述待检测输入向量的个数也越多。
在步骤S102中,根据预先设定的支持向量机模型,获取所述待检测输入向量对应的支持向量机模型的输出结果,其中,所述支持向量机模型中的向量维度与所述待检测输入向量的维度相同。
所述支持向量机模型中的超平面法向量的维度,与所述待检测输入向量的维度相同。为了灵活地与不同维度的待检测输入向量相匹配,可以预先设定多个维度的所述支持向量机模型。比如,可以预先设定4维度的支持向量机模型、6维度的支持向量机模型、8维度的支持向量机模型等。
其中,预先设定所述支持向量机模型时,可以包括如图2所述的以下步骤:
在步骤S201中,采集大量的成对的车道线样本和不成对的车道线样本,根据所述间距在所述车道线样本上选择样点;
在步骤S202中,计算每条直线上的样点与所述公共点之间的距离构成的样本输入向量x;
在步骤S203中,根据所述样本输入向量计算所述支持向量机模型等式wTx+b=0的向量w,以及常数b,其中,wT表示向量w的转置,w的维度与输入向量的维度相同。
比如,超平面法向量的维度为4维,在成对车道线或不成对车道线样本中采集的样点为4个(在每条直线上分别采集2个),将采集的样本输入向量代入到公式wTx+b=0中,即可计算得到向量w和常数b的值。
如图3-6所示为本发明实施例提供的训练样本的示意图,其中,图3-图4为成对车道线的训练样本,图5、图6为非成对车道线的训练样本,并且在每个训练样本上选择四个样点作为样本输入向量。可以理解的是,训练样本的个数越多,对于向量w和常数b的计算也会更加准确。
下面对图3-图6的训练过程介绍如下:
图3和图4的两对线属于“车道线”,对应两个样本输入向量:
图3的向量值为<5(CM,左上绿线长度),14(CM,左下绿线长度),11(CM,右上红线长度),10(CM,右下红线长度)>。
图4的向量值为<5(CM,左上绿线长度),7(CM,左下绿线长度),10(CM,右上红线长度),16(CM,右下红线长度)>。
图5和图6的两对线属于“非成对车道线”,对应两个向量:
图5的向量值为<6(CM,左上黄线长度),9(CM,左下黄线长度),2(CM,右上紫线长度),3(CM,右下紫线长度)>。
图6的向量值为<3(CM,左上黄线长度),5(CM,左下黄线长度),8(CM,右上紫线长度),11(CM,右下紫线长度)>。
当x为成对车道线(如图3和图4)的特征向量,求解W^T*x+b>=1;当x为非成对车道线(如图5和图6)的特征向量,求解W^T*x+b<=-1。其中b为常量,W为向量,W的维度由X的维度决定,此例W的维度为4。
确定W和b过程,即为支持向量机的求解。
在此例中,可求解出:当W=<0.25,0.21,-0.05,0.24>,b=-5.04时,W^T*x1+b=1,W^T*x2+b=1.02,W^T*x3+b=-1.03,W^T*x4+b=-1,其中x1、x2、x3和x4分别为图3、图4、图5和图6的向量。
落在W^T*x+b=1或W^T*x+b=-1两个超平面的数据点成为支持向量点,x1和x4就属于支持向量机W^T*x+b=0的支持向量点。
在步骤S103中,根据所述支持向量机模型的输出结果确定两条直线是否为成对车道线。
具体的,所述根据所述支持向量机模型的输出结果确定两条直线是否为成对车道线步骤包括:
将所述待检测输入向量代入支持向量机模型wTx+b并计算得到支持向量机模型的输出值,当所述输出值大于或等于1时,两条直线为成对车道线,当所述输出值小于或等于-1时,两条直线为非成对车道线。
根据预先设定的训练样本确定了支持向量机模型中的参数和向量的值后,即可对待检测输入向量进行检测。如图7和图8为待检测输入向量,具体检测过程如下:
图7取得的待检测输入向量为:x=<7,11,8,12>。将所述待检测输入向量代入所述支持向量机模型,计算:W^T*x+b=1.5>1,得到“两条直线是成对车道线”的判定。
图8中间两条线,取得对应的待检测输入向量为x=<4,7,5,7>。计算:W^T*x+b=-1.14<-1,得到“两条直线非成对车道线”的判定。
本发明通过获取待检测的两条直线,根据预先设定的间距,在所述两条直线上选择样点,获得样点与公共点之间的距离,将所述样点与公共点之间的距离构成的待检测输入向量,代入到预先设定支持向量机模型,得到所述支持向量机模型的输出结果,根据所述输出结果,即可判断待检测的两条直线是否为成对车道线。采用本发明所述方法,只需要将获取的待检测输入向量,代入预定的支持向量机模型,即可快速的确定是否为成对车道线,既可有效地保证对成对车道线判断的实时性,又能够提高判断的准确性。
图9所示为本发明实施例提供的成对车道线的高效检测装置的结构示意图,详述如下:
本发明实施例所述成对车道线的高效检测装置,包括:
车道线获取单元901,用于获取待检测的两条直线,根据预先设定的间距在所述两条直线上分别选择的样点,获取所述样点与预定的公共点之间的距离作为待检测输入向量;
支持向量机运算单元902,用于根据预先设定的支持向量机模型,获取所述待检测输入向量对应的支持向量机模型的输出结果,其中,所述支持向量机模型中的向量维度与所述待检测输入向量的维度相同;
判断单元903,用于根据所述支持向量机模型的输出结果确定两条直线是否为成对车道线。
优选的,所述车道线获取单元包括:
样点选择子单元,用于根据预先设定的间距,在所述两条直线上分别选择样点;
公共点获取子单元,用于将图像的中心点作为公共点,获取所述样点与所述公共点之间的距离作为待检测输入向量。
优选的,所述装置还包括:
样本采集单元,用于采集大量的成对的车道线样本和不成对的车道线样本,根据所述间距在所述车道线样本上选择样点;
样本输入向量计算单元,用于计算每条直线上的样点与所述公共点之间的距离构成的样本输入向量x;
参数训练单元,用于根据所述样本输入向量计算所述支持向量机模型等式wTx+b=0的向量w,以及常数b,其中,wT表示向量w的转置,w的维度与输入向量的维度相同。
优选的,所述判断单元计算单元具体用于:
将所述待检测输入向量代入支持向量机模型wTx+b并计算得到支持向量机模型的输出值,当所述输出值大于或等于1时,两条直线为成对车道线,当所述输出值小于或等于-1时,两条直线为非成对车道线。
优选的,所述样点包括在每条车道线上选择的N个样点,所述N为大于或等于2的自然数。
本发明实施例所述成对车道线的高效检测装置,与上述成对车道线的高效检测方法对应,在此不作重复赘述。
在本发明所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种成对车道线的高效检测方法,其特征在于,所述方法包括:
获取待检测的两条直线,根据预先设定的间距在所述两条直线上分别选择样点,获取所述样点与预定的公共点之间的距离作为待检测输入向量;
根据预先设定的支持向量机模型,获取所述待检测输入向量对应的支持向量机模型的输出结果,其中,所述支持向量机模型中的向量维度与所述待检测输入向量的维度相同,所述向量机模型为wTx+b,所述w为向量,b为常数,wT表示向量w的转置,w的维度与输入向量的维度相同;
根据所述支持向量机模型的输出结果确定两条直线是否为成对车道线。
2.根据权利要求1所述方法,其特征在于,所述根据预先设定的间距在所述两条直线上选择的样点,获取所述样点与预定的公共点之间的距离作为待检测输入向量步骤包括:
根据预先设定的间距,在所述两条直线上分别选择样点;
将图像的中心点作为公共点,获取所述样点与所述公共点之间的距离作为待检测输入向量。
3.根据权利要求1或2所述方法,其特征在于,在所述根据预先设定的支持向量机模型,获取所述待检测输入向量对应的支持向量机模型的输出结果的步骤之前,所述方法还包括:
采集大量的成对的车道线样本和不成对的车道线样本,根据所述间距在所述车道线样本上选择样点;
计算每条直线上的样点与所述公共点之间的距离构成的样本输入向量x;
根据所述样本输入向量计算所述支持向量机模型等式wTx+b=0的向量w,以及常数b,其中,wT表示向量w的转置,w的维度与输入向量的维度相同。
4.根据权利要求3所述方法,其特征在于,所述根据所述支持向量机模型的输出结果确定两条直线是否为成对车道线步骤包括:
将所述待检测输入向量代入支持向量机模型wTx+b并计算得到支持向量机模型的输出值,当所述输出值大于或等于1时,两条直线为成对车道线,当所述输出值小于或等于-1时,两条直线为非成对车道线。
5.根据权利要求1、2或4所述方法,其特征在于,所述样点包括在每条车道线上选择的N个样点,所述N为大于或等于2的自然数。
6.一种成对车道线的高效检测装置,其特征在于,所述装置包括:
车道线获取单元,用于获取待检测的两条直线,根据预先设定的间距在所述两条直线上分别选择样点,获取所述样点与预定的公共点之间的距离作为待检测输入向量;
支持向量机运算单元,用于根据预先设定的支持向量机模型,获取所述待检测输入向量对应的支持向量机模型的输出结果,其中,所述支持向量机模型中的向量维度与所述待检测输入向量的维度相同,所述向量机模型为wTx+b,所述w为向量,b为常数,wT表示向量w的转置,w的维度与输入向量的维度相同;
判断单元,用于根据所述支持向量机模型的输出结果确定两条直线是否为成对车道线。
7.根据权利要求6所述装置,其特征在于,所述车道线获取单元包括:
样点选择子单元,用于根据预先设定的间距,在所述两条直线上分别选择样点;
公共点获取子单元,用于将图像的中心点作为公共点,获取所述样点与所述公共点之间的距离作为待检测输入向量。
8.根据权利要求6或7所述装置,其特征在于,所述装置还包括:
样本采集单元,用于采集大量的成对的车道线样本和不成对的车道线样本,根据所述间距在所述车道线样本上选择样点;
样本输入向量计算单元,用于计算每条直线上的样点与所述公共点之间的距离构成的样本输入向量x;
参数训练单元,用于根据所述样本输入向量计算所述支持向量机模型等式wTx+b=0的向量w,以及常数b,其中,wT表示向量w的转置,w的维度与输入向量的维度相同。
9.根据权利要求8所述装置,其特征在于,所述判断单元计算单元具体用于:
将所述待检测输入向量代入支持向量机模型wTx+b并计算得到支持向量机模型的输出值,当所述输出值大于或等于1时,两条直线为成对车道线,当所述输出值小于或等于-1时,两条直线为非成对车道线。
10.根据权利要求6、7或9所述装置,其特征在于,所述样点包括在每条车道线上选择的N个样点,所述N为大于或等于2的自然数。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/CN2016/100098 WO2018053834A1 (zh) | 2016-09-26 | 2016-09-26 | 一种成对车道线的高效检测方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106415603A CN106415603A (zh) | 2017-02-15 |
CN106415603B true CN106415603B (zh) | 2019-03-08 |
Family
ID=58087915
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201680001018.0A Active CN106415603B (zh) | 2016-09-26 | 2016-09-26 | 一种成对车道线的高效检测方法和装置 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN106415603B (zh) |
WO (1) | WO2018053834A1 (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106462755B (zh) * | 2016-09-26 | 2019-05-28 | 深圳市锐明技术股份有限公司 | 成对车道线检测方法及装置 |
CN106415603B (zh) * | 2016-09-26 | 2019-03-08 | 深圳市锐明技术股份有限公司 | 一种成对车道线的高效检测方法和装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0361914B1 (en) * | 1988-09-28 | 1995-12-13 | Honda Giken Kogyo Kabushiki Kaisha | A driving way judging device and method |
CN103177246A (zh) * | 2013-03-26 | 2013-06-26 | 北京理工大学 | 基于动态区域划分的双模型车道线识别方法 |
CN103942959A (zh) * | 2014-04-22 | 2014-07-23 | 深圳市宏电技术股份有限公司 | 一种车道检测方法及装置 |
CN104008387A (zh) * | 2014-05-19 | 2014-08-27 | 山东科技大学 | 一种基于特征点分段线性拟合的车道线检测方法 |
CN104029680A (zh) * | 2014-01-02 | 2014-09-10 | 上海大学 | 基于单目摄像头的车道偏离预警系统及方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106415603B (zh) * | 2016-09-26 | 2019-03-08 | 深圳市锐明技术股份有限公司 | 一种成对车道线的高效检测方法和装置 |
-
2016
- 2016-09-26 CN CN201680001018.0A patent/CN106415603B/zh active Active
- 2016-09-26 WO PCT/CN2016/100098 patent/WO2018053834A1/zh active Application Filing
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0361914B1 (en) * | 1988-09-28 | 1995-12-13 | Honda Giken Kogyo Kabushiki Kaisha | A driving way judging device and method |
CN103177246A (zh) * | 2013-03-26 | 2013-06-26 | 北京理工大学 | 基于动态区域划分的双模型车道线识别方法 |
CN104029680A (zh) * | 2014-01-02 | 2014-09-10 | 上海大学 | 基于单目摄像头的车道偏离预警系统及方法 |
CN103942959A (zh) * | 2014-04-22 | 2014-07-23 | 深圳市宏电技术股份有限公司 | 一种车道检测方法及装置 |
CN104008387A (zh) * | 2014-05-19 | 2014-08-27 | 山东科技大学 | 一种基于特征点分段线性拟合的车道线检测方法 |
Also Published As
Publication number | Publication date |
---|---|
WO2018053834A1 (zh) | 2018-03-29 |
CN106415603A (zh) | 2017-02-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106462757B (zh) | 一种成对车道线的快速检测方法和装置 | |
CN109426801B (zh) | 一种车道线实例检测方法和装置 | |
CN106570453B (zh) | 用于行人检测的方法、装置和系统 | |
CN104217592B (zh) | 人流量统计方法、设备及系统 | |
CN104827963B (zh) | 一种用于车辆防撞智能预警的方法、控制系统以及控制装置 | |
CN106485951A (zh) | 异常驾驶员分类和报告 | |
WO2017216245A3 (en) | Vehicle usage-based pricing alerts | |
KR20180060784A (ko) | 비정상 객체 판단 방법 및 장치 | |
CN104573680B (zh) | 图像检测方法、图像检测装置以及交通违法检测系统 | |
CN105426863B (zh) | 检测车道线的方法和装置 | |
CN106415603B (zh) | 一种成对车道线的高效检测方法和装置 | |
CN111144330B (zh) | 一种基于深度学习的车道线检测方法、装置以及设备 | |
CN106228134A (zh) | 基于路面图像的可行驶区域检测方法、装置及系统 | |
CN108694399A (zh) | 车牌识别方法、装置及系统 | |
JP2010132056A (ja) | 検知装置、検知方法および車両制御装置 | |
CN109427062A (zh) | 道路特征标记方法、装置、计算机设备以及可读存储介质 | |
CN104463204A (zh) | 目标数量统计方法 | |
JP2018530835A5 (zh) | ||
CN110712648A (zh) | 行车状态的确定方法、装置、车辆及存储介质 | |
CN111741471B (zh) | 基于csi的入侵检测方法、装置及计算机存储介质 | |
CN106448258B (zh) | 一种车位状态的检测方法及装置 | |
CN106789948A (zh) | 一种网络web页面异常检测方法 | |
CN104751109A (zh) | 一种用于识别耗材的方法和装置 | |
CN106415602B (zh) | 一种成对车道线的检测方法和装置 | |
CN109285009A (zh) | 刷单识别方法和刷单识别装置 |
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 |