CN106529443A - 改进霍夫变化检测车道线的方法 - Google Patents
改进霍夫变化检测车道线的方法 Download PDFInfo
- Publication number
- CN106529443A CN106529443A CN201610954259.9A CN201610954259A CN106529443A CN 106529443 A CN106529443 A CN 106529443A CN 201610954259 A CN201610954259 A CN 201610954259A CN 106529443 A CN106529443 A CN 106529443A
- Authority
- CN
- China
- Prior art keywords
- lane line
- end point
- line
- lane
- hough
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种改进霍夫变化检测车道线的方法,其特征在于,对道路模型进行基本假设;S2、确定车道线消失点;S3、消失点的波动满足惯性定理,即消失点的变化也应该是连续渐变的,因此用Kalman滤波来跟踪消失点,S4、确定车道线平行间距算法,S5、计算车道线的长度。在Hough变换里同样可以检测消失点和车道线的平行关系,因此只需要在Hough变换空间里就可以完成车道线检测,可以简化流程,提高计算速度,更准确地定位车道线。
Description
技术领域
本发明涉及车道线检测技术领域,更具体地说,涉及一种改进霍夫变化检测车道线的方法。
背景技术
在无人驾驶车辆的自主导航以及车辆的智能预警中,准确提取道路信息至关重要。几十年来,各国的研究者提出了各种各样的算法以实现结构性道路与非结构性道路的自动识别,主要利用道路特征来拟合采用直线或曲线模型,这种方法具有简单实用,能适应高速公路结构化环境的特点,对噪声不敏感,能较好地处理图像中物体局部被遮挡和覆盖等情况,而且具有比较快的图像处理速度和较好的实时性,如马雷等提出利用抛物线模型实现对弯曲道路的识别;王科等提出了基于不定Bezier变形模板的城市道路检测算法,对于结构化道路效果较好。对于直线模型,往往采用最小二乘法或者Hough变换进行拟合。P.V.Hough在1962年提出的Hough变换,利用边缘像素的累积效果提取车道线。但是霍夫变换的离散化计算方式,会使得变换结果并不与道路线一一对应,而是分解、零散、重复甚至包含不相关的线段,不得不将霍夫变换的检测结果变换回原空间进一步筛选,算法复杂、流程长而检测结果并不准确。另一方面,由于受到光照、阴影、遮挡、路面破损等干扰,加大了检测的难度。
因此,现有技术亟待有很大的进步。
发明内容
本发明要解决的技术问题在于,针对现有技术的上述的缺陷,提供一种改进霍夫变化检测车道线的方法,包括步骤:
S1、对道路模型进行基本假设,根据公路路线设计规范,道路平面线形由直线、圆曲线或回旋线组合而成,保证连续舒顺且公路中人行道/自行车道、行车道、标志线、中间带和路肩几部分的宽度一般情况下保持等宽不变;
S2、确定车道线消失点,由于车道线平行并且等间距,而且车载摄像机水平指向前方,车道线在透视投影后的二维图像成为一组相交直线,这组相交直线的交点称为消失点,消失点在霍夫变换空间中是一条居中的正弦曲线,消失点曲线在距离中心曲线的一定范围内;
S3、消失点的波动满足惯性定理,即消失点的变化也应该是连续渐变的,因此用Kalman滤波来跟踪消失点,
其中,VP0是原消失点,VP1是估计的新消失点,Kg为Kalman增益系数,P为先验估计误差的协方差,p为后验估计误差的协方差,Q为过程激励噪声协方差,R为测量噪声协方差;
S4、确定车道线平行间距算法,原图像空间中任意一条水平线,被车道线裁成多段,但是这些水平线段宽度相等。假设车道线为y=kx+b,当y=0时横截距为在霍夫变换后为因此车道线间水平截距差为Δxb:
其中式中Δxb为ρm和θm经过消失点的第m条直线方程极坐标参数;
S5、计算车道线的长度,车道线一般是除水平和垂直方向外其他方向上最长的线,因此在霍夫变换空间里是各列上累积像素最大的点。
在本发明所述的改进霍夫变化检测车道线的方法中,因为车道一般等宽,因此车道线间水平截距值为相等或者相近的,因此Δxb与车道线的关系记做:
其中Nl为车道线数其初始值为1,Δxn为第n个极大值点与第n-1个最大值点对应的的车道线间水平截距值。
实施本发明的改进霍夫变化检测车道线的方法,具有以下有益效果:在Hough变换里同样可以检测消失点和车道线的平行关系,因此只需要在Hough变换空间里就可以完成车道线检测,可以简化流程,提高计算速度,更准确地定位车道线。
附图说明
下面将结合附图及实施例对本发明作进一步说明,附图中:
图1是传统霍夫变化检测车道线的方法的主要车道区域示意图;
图2是传统霍夫变化检测车道线的方法的霍夫变换示意图;
图3是本发明改进霍夫变化检测车道线的方法的结合消失点的霍夫变换结果示意图;
图4是本发明改进霍夫变化检测车道线的方法的结合消失点的霍夫变换结果示意图放大图;
图5是本发明改进霍夫变化检测车道线的方法的霍夫变换最大值点图。
图6是国道上采集的20min行车视频6帧示意图。
图7是本发明改进霍夫变化检测车道线的方法的车道线处理结果示意图。
图8是本发明改进霍夫变化检测车道线的方法的变换矩阵的结果示意图。
具体实施方式
一种改进霍夫变化检测车道线的方法,对道路模型进行基本假设,根据公路路线设计规范,道路平面线形由直线、圆曲线或回旋线组合而成,须保证连续舒顺、避免长直线、避免连续急弯线形,且公路中人行道/自行车道、行车道、标志线、中间带和路肩几部分的宽度一般情况下应保持等宽不变。因此,经过车载相机的透视投影变换后,道路边缘图像一般具有如下特征:1)消失点大多时候居于图像中间;2)距离本车最近的两条车道线,一条大致在40°±10°的范围,另一条大致在-(40°±10°)范围;3)道路线分别在图像的左右两边,并且水平方向上等间距分布;4)道路线是除水平和垂直方向外其他方向上最长的线。
因此,在Hough变换空间里车道线也相应具有如下特征:1)图像中心点为一条居中的正弦曲线,消失点所在曲线在此曲线的一定范围内;2)距离本车最近的左边车道线是40°±10°的列最大值,右边车道线是-(40°±10°)的列最大值;3)道路线对应的Hough空间点其θ坐标有正有负,分布在左右两侧,并且其ρ/cosθ等间距分布;4)道路线是各列上累积像素最大的点;5)距离本车最近的两条车道线的累积值要么一样,要么一个是另一个的0.33或者0.4。从这三条规律出发就可以在Hough变换里检测到消失点和车道线。
传统霍夫车道线检测方法,霍夫变换基本原理是:霍夫变换是检测直线常用的算法,将参数空间离散化成一个累加器。霍夫变换按照参数方程
ρ=xcosθ+ysinθ
将图像中的点(x,y)映射到参数空间对应的累加器,并使对应的累加器值加1。图像空间中的直线在参数空间中有一个对应的累加器会出现局部最大值。通过检测这个局部最大值,可以确定与该直线对应的一对参数(ρ,θ),从而检测出直线。
传统基于霍夫变换的传统车道线判定方法是,基于霍夫变换的传统车道线判定方法往往将原图像进行预处理后进行霍夫变换。如图1所示的为传统霍夫变化检测车道线的方法的主要车道区域示意图;如图2所示的是传统霍夫变化检测车道线的方法的霍夫变换示意图。
然后再将霍夫变换中的局部最大值用公式ρ=xcosθ+ysinθ转换到原空间,生成直线方程如下:
发现结果中夹杂了较多重复和错误的线段。因此需要从霍夫变换空间返回图像空间进一步处理,将线与线间隔小于一定像素值的车道线合并,并在候选车道线附近搜寻白点,将邻近白色像素数目超过阈值的线拟合成车道线。
基于霍夫变换的传统车道线判定方法对车道线的定位、排除、确认需要回到原图像空间进行,这就使得算法的复杂度上升。
改进霍夫变换车道线检测方法,首先确定车道线消失点。由于车道线平行并且等间距,而且车载摄像机水平指向前方,车道线在透视投影后的二维图像成为一组相交直线,这组相交直线的交点称为消失点。消失点在霍夫变换空间中是一条居中的正弦曲线,如图3所示区域,图3所示的为本发明改进霍夫变化检测车道线的方法的结合消失点的霍夫变换结果示意图。由于消失点并不固定,因此消失点曲线在距离中心曲线的一定范围内,如图4所示区域,图4为本发明改进霍夫变化检测车道线的方法的结合消失点的霍夫变换结果示意图放大图。
消失点的波动满足惯性定理,即消失点的变化也应该是连续渐变的。因此可以用Kalman滤波来跟踪消失点,如式所示。
式中,VP0是原消失点,VP1是估计的新消失点,Kg为Kalman增益系数,P为先验估计误差的协方差,p为后验估计误差的协方差,Q为过程激励噪声协方差,R为测量噪声协方差。
改进霍夫变换车道线检测方法,车道线平行等间距算法为:
原图像空间中任意一条水平线,被车道线裁成多段,但是这些水平线段宽度相等。假设车道线为y=kx+b,当y=0时横截距为在霍夫变换后为因此车道线间水平截距差为Δxb:为ρm和θm经过消失点的第m条直线方程极坐标参数。因为车道一般等宽,因此车道线间水平截距值应该是相等或者相近的,因此Δxb与车道线的关系可以记做:
其中Nl为车道线数其初始值为1,Δxn为第n个极大值点与第n-1个最大值点对应的的车道线间水平截距值。
改进霍夫变换车道线检测方法,车道线的长度计算为:车道线往往是除水平和垂直方向外其他方向上最长的线,因此在霍夫变换空间里是各列上累积像素最大的点。对于结构化道路,尤其是高速道路上,最左边的车道线和最右边的车道线是实线,其余车道线是虚线。可跨越对向车行道分界线实线长4m,间隔长6m;可跨越同向车行道分界线设计车速大于等于60公里每小时,实线长6m,间隔长9m;可跨越同向车行道分界线设计车速小于60公里每小时,实线长2m,间隔长4m。因此虚线的占空比是0.33或者0.4。车道线一般分居图像左右两间。
根据上述经验,有以下规则:(1)取参数空间中各列最大值点,去除非最大值点;(2)距离本车最近的两条车道线,一条大致在40°±10°的范围,另一条大致在-(40°±10°)范围;(3)距离本车最近的两条车道线的累积值要么一样,要么一个是另一个的0.33或者0.4。
具体实施时,实验采集了如图6所示的国道上采集的20min行车视频6帧示意图。在2GHz CPU和Matlab2010b平台上,采用改进霍夫变换的车道线处理结果如图7所示。其改进霍夫变换矩阵的结果如图8所示。
本发明通过以上实施例的设计,可以做到在Hough变换里同样可以检测消失点和车道线的平行关系,因此只需要在Hough变换空间里就可以完成车道线检测,可以简化流程,提高计算速度,更准确地定位车道线。
本发明是根据特定实施例进行描述的,但本领域的技术人员应明白在不脱离本发明范围时,可进行各种变化和等同替换。此外,为适应本发明技术的特定场合,可对本发明进行诸多修改而不脱离其保护范围。因此,本发明并不限于在此公开的特定实施例,而包括所有落入到权利要求保护范围的实施例。
Claims (2)
1.一种改进霍夫变化检测车道线的方法,其特征在于,包括步骤:
S1、对道路模型进行基本假设,根据公路路线设计规范,道路平面线形由直线、圆曲线或回旋线组合而成,保证连续舒顺且公路中人行道/自行车道、行车道、标志线、中间带和路肩几部分的宽度一般情况下保持等宽不变;
S2、确定车道线消失点,由于车道线平行并且等间距,而且车载摄像机水平指向前方,车道线在透视投影后的二维图像成为一组相交直线,这组相交直线的交点称为消失点,消失点在霍夫变换空间中是一条居中的正弦曲线,消失点曲线在距离中心曲线的一定范围内;
S3、消失点的波动满足惯性定理,即消失点的变化也应该是连续渐变的,因此用Kalman滤波来跟踪消失点,
其中,VP0是原消失点,VP1是估计的新消失点,Kg为Kalman增益系数,P为先验估计误差的协方差,p为后验估计误差的协方差,Q为过程激励噪声协方差,R为测量噪声协方差;
S4、确定车道线平行间距算法,原图像空间中任意一条水平线,被车道线裁成多段,但是这些水平线段宽度相等。假设车道线为y=kx+b,当y=0时横截距为在霍夫变换后为因此车道线间水平截距差为Δxb:
其中式中Δxb为ρm和θm经过消失点的第m条直线方程极坐标参数;
S5、计算车道线的长度,车道线一般是除水平和垂直方向外其他方向上最长的线,因此在霍夫变换空间里是各列上累积像素最大的点。
2.根据权利要求1所述的改进霍夫变化检测车道线的方法,其特征在于,因为车道一般等宽,因此车道线间水平截距值为相等或者相近的,因此Δxb与车道线的关系记做:
其中Nl为车道线数其初始值为1,Δxn为第n个极大值点与第n-1个最大值点对应的的车道线间水平截距值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610954259.9A CN106529443B (zh) | 2016-11-03 | 2016-11-03 | 改进霍夫变化检测车道线的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610954259.9A CN106529443B (zh) | 2016-11-03 | 2016-11-03 | 改进霍夫变化检测车道线的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106529443A true CN106529443A (zh) | 2017-03-22 |
CN106529443B CN106529443B (zh) | 2019-09-06 |
Family
ID=58325440
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610954259.9A Active CN106529443B (zh) | 2016-11-03 | 2016-11-03 | 改进霍夫变化检测车道线的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106529443B (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107229063A (zh) * | 2017-06-26 | 2017-10-03 | 奇瑞汽车股份有限公司 | 一种基于gnss和视觉里程计融合的无人驾驶汽车导航定位精度矫正方法 |
CN107356933A (zh) * | 2017-06-23 | 2017-11-17 | 南京理工大学 | 一种基于四线激光雷达的非结构化道路检测方法 |
CN107480592A (zh) * | 2017-07-13 | 2017-12-15 | 华域汽车系统股份有限公司 | 一种多车道检测方法及跟踪方法 |
CN108154114A (zh) * | 2017-12-22 | 2018-06-12 | 温州大学激光与光电智能制造研究院 | 一种车道线检测的方法 |
CN109272536A (zh) * | 2018-09-21 | 2019-01-25 | 浙江工商大学 | 一种基于Kalman滤波的道线灭点跟踪方法 |
CN109409202A (zh) * | 2018-09-06 | 2019-03-01 | 惠州市德赛西威汽车电子股份有限公司 | 基于动态感兴趣区域的鲁棒性车道线检测方法 |
CN109541579A (zh) * | 2018-12-28 | 2019-03-29 | 中南大学 | 基于Bezier模型的霍夫变换的多普勒穿墙雷达定位方法 |
CN109740550A (zh) * | 2019-01-08 | 2019-05-10 | 哈尔滨理工大学 | 一种基于单目视觉的车道线检测与跟踪方法 |
CN109886131A (zh) * | 2019-01-24 | 2019-06-14 | 淮安信息职业技术学院 | 一种道路弯道识别方法及其装置 |
CN109886175A (zh) * | 2019-02-13 | 2019-06-14 | 合肥思艾汽车科技有限公司 | 一种直线与圆弧相结合的车道线检测方法 |
CN110163176A (zh) * | 2019-05-28 | 2019-08-23 | 北京百度网讯科技有限公司 | 车道线变化位置识别方法、装置、设备和介质 |
CN111141208A (zh) * | 2019-01-09 | 2020-05-12 | 银河水滴科技(北京)有限公司 | 一种平行线检测方法及装置 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101639983A (zh) * | 2009-08-21 | 2010-02-03 | 任雪梅 | 一种基于图像信息熵的多车道车流量检测方法 |
CN102360499A (zh) * | 2011-06-30 | 2012-02-22 | 电子科技大学 | 一种基于卡尔曼滤波器组的多车道线追踪方法 |
CN104008645A (zh) * | 2014-06-12 | 2014-08-27 | 湖南大学 | 一种适用于城市道路车道线预测及预警方法 |
CN104318258A (zh) * | 2014-09-29 | 2015-01-28 | 南京邮电大学 | 一种基于时域模糊和卡尔曼滤波器的车道线检测方法 |
CN105426863A (zh) * | 2015-11-30 | 2016-03-23 | 奇瑞汽车股份有限公司 | 检测车道线的方法和装置 |
CN105760812A (zh) * | 2016-01-15 | 2016-07-13 | 北京工业大学 | 一种基于Hough变换的车道线检测方法 |
CN105893949A (zh) * | 2016-03-29 | 2016-08-24 | 西南交通大学 | 一种复杂路况场景下的车道线检测方法 |
CN106056100A (zh) * | 2016-06-28 | 2016-10-26 | 重庆邮电大学 | 一种基于车道检测与目标跟踪的车辆辅助定位方法 |
-
2016
- 2016-11-03 CN CN201610954259.9A patent/CN106529443B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101639983A (zh) * | 2009-08-21 | 2010-02-03 | 任雪梅 | 一种基于图像信息熵的多车道车流量检测方法 |
CN102360499A (zh) * | 2011-06-30 | 2012-02-22 | 电子科技大学 | 一种基于卡尔曼滤波器组的多车道线追踪方法 |
CN104008645A (zh) * | 2014-06-12 | 2014-08-27 | 湖南大学 | 一种适用于城市道路车道线预测及预警方法 |
CN104318258A (zh) * | 2014-09-29 | 2015-01-28 | 南京邮电大学 | 一种基于时域模糊和卡尔曼滤波器的车道线检测方法 |
CN105426863A (zh) * | 2015-11-30 | 2016-03-23 | 奇瑞汽车股份有限公司 | 检测车道线的方法和装置 |
CN105760812A (zh) * | 2016-01-15 | 2016-07-13 | 北京工业大学 | 一种基于Hough变换的车道线检测方法 |
CN105893949A (zh) * | 2016-03-29 | 2016-08-24 | 西南交通大学 | 一种复杂路况场景下的车道线检测方法 |
CN106056100A (zh) * | 2016-06-28 | 2016-10-26 | 重庆邮电大学 | 一种基于车道检测与目标跟踪的车辆辅助定位方法 |
Non-Patent Citations (4)
Title |
---|
HOU CHANGZHENG 等: "An Efficient Lane Markings Detection and Tracking Method based on Vanishing Point Constraints", 《PROCEEDINGS OF THE 35TH CHINESE CONTROL CONFERENCE 2016》 * |
YUAN JUN 等: "A Robust Vanishing Point Estimation Method for Lane Detection", 《2014 33RD CHINESE CONTROL CONFERENCE》 * |
沈文超等: "1种基于平行直线对模型的车道检测方法", 《交通信息与安全》 * |
郭子逸: "一种基于单目视觉的车道偏离检测与预警方法", 《试验检测》 * |
Cited By (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107356933A (zh) * | 2017-06-23 | 2017-11-17 | 南京理工大学 | 一种基于四线激光雷达的非结构化道路检测方法 |
CN107356933B (zh) * | 2017-06-23 | 2020-09-18 | 南京理工大学 | 一种基于四线激光雷达的非结构化道路检测方法 |
CN107229063A (zh) * | 2017-06-26 | 2017-10-03 | 奇瑞汽车股份有限公司 | 一种基于gnss和视觉里程计融合的无人驾驶汽车导航定位精度矫正方法 |
CN107480592B (zh) * | 2017-07-13 | 2020-06-12 | 华域汽车系统股份有限公司 | 一种多车道检测方法及跟踪方法 |
CN107480592A (zh) * | 2017-07-13 | 2017-12-15 | 华域汽车系统股份有限公司 | 一种多车道检测方法及跟踪方法 |
CN108154114A (zh) * | 2017-12-22 | 2018-06-12 | 温州大学激光与光电智能制造研究院 | 一种车道线检测的方法 |
CN108154114B (zh) * | 2017-12-22 | 2023-02-17 | 温州大学激光与光电智能制造研究院 | 一种车道线检测的方法 |
CN109409202A (zh) * | 2018-09-06 | 2019-03-01 | 惠州市德赛西威汽车电子股份有限公司 | 基于动态感兴趣区域的鲁棒性车道线检测方法 |
CN109409202B (zh) * | 2018-09-06 | 2022-06-24 | 惠州市德赛西威汽车电子股份有限公司 | 基于动态感兴趣区域的鲁棒性车道线检测方法 |
CN109272536B (zh) * | 2018-09-21 | 2021-11-09 | 浙江工商大学 | 一种基于Kalman滤波的道线灭点跟踪方法 |
CN109272536A (zh) * | 2018-09-21 | 2019-01-25 | 浙江工商大学 | 一种基于Kalman滤波的道线灭点跟踪方法 |
CN109541579A (zh) * | 2018-12-28 | 2019-03-29 | 中南大学 | 基于Bezier模型的霍夫变换的多普勒穿墙雷达定位方法 |
CN109541579B (zh) * | 2018-12-28 | 2022-12-27 | 中南大学 | 基于Bezier模型的霍夫变换的多普勒穿墙雷达定位方法 |
CN109740550A (zh) * | 2019-01-08 | 2019-05-10 | 哈尔滨理工大学 | 一种基于单目视觉的车道线检测与跟踪方法 |
CN111141208A (zh) * | 2019-01-09 | 2020-05-12 | 银河水滴科技(北京)有限公司 | 一种平行线检测方法及装置 |
CN109886131A (zh) * | 2019-01-24 | 2019-06-14 | 淮安信息职业技术学院 | 一种道路弯道识别方法及其装置 |
CN109886131B (zh) * | 2019-01-24 | 2023-05-02 | 淮安信息职业技术学院 | 一种道路弯道识别方法及其装置 |
CN109886175A (zh) * | 2019-02-13 | 2019-06-14 | 合肥思艾汽车科技有限公司 | 一种直线与圆弧相结合的车道线检测方法 |
CN109886175B (zh) * | 2019-02-13 | 2021-06-01 | 合肥思艾汽车科技有限公司 | 一种直线与圆弧相结合的车道线检测方法 |
CN110163176A (zh) * | 2019-05-28 | 2019-08-23 | 北京百度网讯科技有限公司 | 车道线变化位置识别方法、装置、设备和介质 |
Also Published As
Publication number | Publication date |
---|---|
CN106529443B (zh) | 2019-09-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106529443A (zh) | 改进霍夫变化检测车道线的方法 | |
CN107730520B (zh) | 车道线检测方法及系统 | |
CN105426864B (zh) | 一种基于等距边缘点匹配的多车道线检测方法 | |
CN103714538B (zh) | 道路边缘检测方法、装置及车辆 | |
CN104318258B (zh) | 一种基于时域模糊和卡尔曼滤波器的车道线检测方法 | |
CN103177246B (zh) | 基于动态区域划分的双模型车道线识别方法 | |
CN110298216B (zh) | 基于车道线梯度图像自适应阈值分割的车辆偏离报警方法 | |
CN105678285B (zh) | 一种自适应的道路鸟瞰图变换方法和道路车道检测方法 | |
CN102270301B (zh) | 一种svm与激光雷达结合检测非结构化道路边界的方法 | |
Li et al. | Nighttime lane markings recognition based on Canny detection and Hough transform | |
CN105046198B (zh) | 一种车道检测方法 | |
CN106529493A (zh) | 一种基于透视图的鲁棒性多车道线检测方法 | |
CN104916163A (zh) | 泊车位检测方法 | |
CN105678287B (zh) | 一种基于脊度量的车道线检测方法 | |
CN104102905A (zh) | 一种车道线自适应检测的方法 | |
CN109948552B (zh) | 一种复杂交通环境中的车道线检测的方法 | |
Otsuka et al. | Multitype lane markers recognition using local edge direction | |
Liu et al. | Development of a vision-based driver assistance system with lane departure warning and forward collision warning functions | |
KR20110001427A (ko) | 관심영역 추출에 의한 차선 고속검출 방법 | |
CN105654073A (zh) | 一种基于视觉检测的速度自动控制方法 | |
CN202134079U (zh) | 一种无人驾驶车辆车道标志线识别与报警装置 | |
CN102982304A (zh) | 利用偏光图像检测车辆位置的方法和系统 | |
CN108304749A (zh) | 道路减速线识别方法、装置及车辆 | |
CN109886175A (zh) | 一种直线与圆弧相结合的车道线检测方法 | |
Sun | Vision based lane detection for self-driving car |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
CB02 | Change of applicant information | ||
CB02 | Change of applicant information |
Address after: 325000 Science Park, Dongfang South Road, Ouhai District, Zhejiang, Wenzhou Applicant after: Wenzhou University Address before: 325000 Zhejiang city of Wenzhou province Wenzhou Higher Education Park (Chashan town of Ouhai District) Applicant before: Wenzhou University |
|
GR01 | Patent grant | ||
GR01 | Patent grant |