CN106682646B - 一种车道线的识别方法及装置 - Google Patents
一种车道线的识别方法及装置 Download PDFInfo
- Publication number
- CN106682646B CN106682646B CN201710033881.0A CN201710033881A CN106682646B CN 106682646 B CN106682646 B CN 106682646B CN 201710033881 A CN201710033881 A CN 201710033881A CN 106682646 B CN106682646 B CN 106682646B
- Authority
- CN
- China
- Prior art keywords
- lane line
- lane
- intercept
- slope
- image
- 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
Images
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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Traffic Control Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种车道线的识别方法及装置,其中方法包括:获取车辆当前行驶道路的前方道路图像;对所述前方道路图像进行处理,得到所述前方道路图像中的第一车道线所在的第一区域图像及第二车道线所在的第二区域图像;对所述第一区域图像和所述第二区域图像进行处理,得到第一车道线及第二车道线。该方案提高受干扰条件下的车道线识别效果,提高自动驾驶的循线行驶准确度。
Description
技术领域
本发明涉及汽车自动驾驶领域,尤其涉及一种车道线的识别方法及装置。
背景技术
随着汽车的普及,自动驾驶技术发展越来越快,正逐步进入人们的生活中。
现有的自动驾驶技术基于对车道线的识别来实现循道行驶,汽车在进行自动驾驶系统的车道保持时,首先要对车道线图像进行处理并从中提取特征点,然后通过所获取的车道边缘像素拟合出车道线。
而现实中车道线很容易受外部环境的影响,道路路面往往会存在结构不均匀、光照变化、阴影遮挡、车道线破损、污迹覆盖以及其他车辆的存在使得道路图像变得复杂的情况。
例如,在阴影干扰车道线时,由于光照强度分布不均,在对道路图像进行采集时,会造成图像上一侧车道线亮度较另一侧车道线高出许多,同时被阴影覆盖的一侧车道线亮度分布也不均匀。使得在对整幅图像进行整体处理识别,以拟合得到对应的车道线时,亮度高的一侧车道线白点较左侧车道线明显偏多,导致通过霍夫变换提取特征点来拟合车道线时,只识别了图像中亮度高的一侧的车道线,亮度低的一侧车道线无法识别,或者导致如图8所示,特征点的提取受到阴影影响,两侧车道线拟合为一条车道线,造成图像拟合识别困难,并且在车道线拟合后,现有方法中不能对识别错误的车道线进行排除,自动驾驶效果不好,存在安全隐患。
发明内容
本发明实施例中提供一种车道线的识别方法及装置,以解决在道路图像复杂,亮度分布不均时,造成车道线拟合识别困难,且不能对识别错误的车道线进行排除,存在安全隐患的问题。
为了解决上述技术问题,本发明实施例采用如下技术方案:
一方面,本发明实施例提供一种车道线的识别方法,包括:
获取车辆当前行驶道路的前方道路图像;
对所述前方道路图像进行处理,得到所述前方道路图像中的第一车道线所在的第一区域图像及第二车道线所在的第二区域图像;
对所述第一区域图像和所述第二区域图像进行处理,得到第一车道线及第二车道线。
可选地,所述对所述前方道路图像进行处理,得到所述前方道路图像中的第一车道线所在的第一区域图像及第二车道线所在的第二区域图像的步骤包括:
在所述前方道路图像中选取目标区域;
划分所述目标区域,得到包含第一车道线的第一区域图像,及包含第二车道线的第二区域图像。
可选地,所述对所述第一区域图像和所述第二区域图像进行处理,得到第一车道线及第二车道线的步骤包括:
采用第一阈值对所述第一区域图像的灰度图像进行二值化处理,及采用第二阈值对所述第二区域图像的灰度图像进行二值化处理,得到与所述目标区域对应的二值化图像;
根据所述二值化图像,拟合得到与前方车道对应的第一车道线及第二车道线。
可选地,所述对所述第一区域图像和所述第二区域图像进行处理,得到第一车道线及第二车道线的步骤之后,所述识别方法还包括:
获取第一车道线在坐标系中的第一端点坐标及第二端点坐标,得到所述第一车道线的第一斜率及第一截距,所述坐标系为基于机器视觉传感器的显示分辨率建立;
获取第二车道线在所述坐标系中的第三端点坐标及第四端点坐标,得到所述第二车道线的第二斜率及第二截距;
在预存储的车道线信息中确定与所述第一车道线对应的第一基准车道线,及与所述第二车道线对应的第二基准车道线;
若所述第一车道线的第一斜率和第一截距与所述第一基准车道线的第一基准斜率和第一基准截距间的差值均处于设定范围内,且所述第二车道线的第二斜率和第二截距与所述第二基准车道线的第二基准斜率和第二基准截距间的差值均处于设定范围内,则确定正确拟合得到前方车道所对应的车道线。
可选地,所述确定正确拟合得到前方车道所对应的车道线的步骤之后,所述识别方法还包括:
将所述第一车道线确定为所述第一基准车道线,将所述第一斜率和第一截距确定为所述第一基准斜率和第一基准截距;
将所述第二车道线确定为所述第二基准车道线,将所述第二斜率和第二截距确定为所述第二基准斜率和第二基准截距。
可选地,所述在预存储的车道线信息中确定与所述第一车道线对应的第一基准车道线,及与所述第二车道线对应的第二基准车道线的步骤之后,所述识别方法还包括:
若所述第一车道线的第一斜率和第一截距与所述第一基准车道线的第一基准斜率和第一基准截距间的差值任一项不处于设定范围内,和/或,所述第二车道线的第二斜率和第二截距与所述第二基准车道线的第二基准斜率和第二基准截距间的差值任一项不处于设定范围内,则确定没有正确拟合得到前方车道所对应的车道线。
可选地,所述识别方法还包括:
根据所述第一车道线及第二车道线,获取车身相对前方车道的走向偏离程度;
根据所述走向偏离程度,调整车辆的行车方向。
可选地,所述根据所述第一车道线及第二车道线,获取车身相对前方车道的走向偏离程度的步骤,包括:
获取第一车道线在坐标系中的第一端点坐标及第二端点坐标,得到所述第一车道线的中点坐标的第一x值,所述坐标系为基于机器视觉传感器的显示分辨率建立;
获取第二车道线在所述坐标系中的第三端点坐标及第四端点坐标,得到第二车道线的中点坐标的第二x值;
根据所述第一x值及所述第二x值,按照以下公式计算车身相对所述前方车道的走向偏离程度:
可选地,所述根据所述走向偏离程度,调整车辆的行车方向的步骤,包括:
根据所述走向偏离程度,按照以下公式计算得到汽车需要调整的方向盘转角:
根据所述方向盘转角,调整车辆的行车方向。另一方面,本发明实施例还提供一种车道线的识别装置,包括:
第一获取模块,用于获取车辆当前行驶道路的前方道路图像;
第一处理模块,用于对所述前方道路图像进行处理,得到所述前方道路图像中的第一车道线所在的第一区域图像及第二车道线所在的第二区域图像;
第二处理模块,用于对所述第一区域图像和所述第二区域图像进行处理,得到第一车道线及第二车道线。
可选地,所述第一处理模块包括:
选取子模块,用于在所述前方道路图像中选取目标区域;
划分子模块,用于划分所述目标区域,得到包含第一车道线的第一区域图像,及包含第二车道线的第二区域图像。
可选地,所述对所述第二处理模块包括:
处理子模块,用于采用第一阈值对所述第一区域图像的灰度图像进行二值化处理,及采用第二阈值对所述第二区域图像的灰度图像进行二值化处理,得到与所述目标区域对应的二值化图像;
拟合子模块,用于根据所述二值化图像,拟合得到与前方车道对应的第一车道线及第二车道线。
可选地,所述识别装置还包括:
第二获取模块,用于获取第一车道线在坐标系中的第一端点坐标及第二端点坐标,得到所述第一车道线的第一斜率及第一截距,所述坐标系为基于机器视觉传感器的显示分辨率建立;
第三获取模块,用于获取第二车道线在所述坐标系中的第三端点坐标及第四端点坐标,得到所述第二车道线的第二斜率及第二截距;
第一确定模块,用于在预存储的车道线信息中确定与所述第一车道线对应的第一基准车道线,及与所述第二车道线对应的第二基准车道线;
第二确定模块,用于若所述第一车道线的第一斜率和第一截距与所述第一基准车道线的第一基准斜率和第一基准截距间的差值均处于设定范围内,且所述第二车道线的第二斜率和第二截距与所述第二基准车道线的第二基准斜率和第二基准截距间的差值均处于设定范围内,则确定正确拟合得到前方车道所对应的车道线。
可选地,所述识别装置还包括:
第四确定模块,用于将所述第一车道线确定为所述第一基准车道线,将所述第一斜率和第一截距确定为所述第一基准斜率和第一基准截距;
第五确定模块,用于将所述第二车道线确定为所述第二基准车道线,将所述第二斜率和第二截距确定为所述第二基准斜率和第二基准截距。
可选地,所述识别装置还包括:
第六确定模块,用于若所述第一车道线的第一斜率和第一截距与所述第一基准车道线的第一基准斜率和第一基准截距间的差值任一项不处于设定范围内,和/或,所述第二车道线的第二斜率和第二截距与所述第二基准车道线的第二基准斜率和第二基准截距间的差值任一项不处于设定范围内,则确定没有正确拟合得到前方车道所对应的车道线。
可选地,所述识别装置还包括:
第四获取模块,用于根据所述第一车道线及第二车道线,获取车身相对前方车道的走向偏离程度;
调整模块,用于根据所述走向偏离程度,调整车辆的行车方向。
可选地,所述第四获取模块包括:
第一得到子模块,用于获取第一车道线在坐标系中的第一端点坐标及第二端点坐标,得到所述第一车道线的中点坐标的第一x值,所述坐标系为基于机器视觉传感器的显示分辨率建立;
第二得到子模块,用于获取第二车道线在所述坐标系中的第三端点坐标及第四端点坐标,得到第二车道线的中点坐标的第二x值;
第一计算子模块,用于根据所述第一x值及所述第二x值,按照以下公式计算车身相对所述前方车道的走向偏离程度:
可选地,所述调整模块包括:
第二计算子模块,用于根据所述走向偏离程度,按照以下公式计算得到汽车需要调整的方向盘转角:
调整子模块,用于根据所述方向盘转角,调整车辆的行车方向。本发明的一个或多个实施例具有以下有益效果:
本发明实施例中,通过对获取的前方道路图像依据不同车道线进行划分,得到包括不同车道线的划分区域,以实现对车道中车道线的分别处理及拟合,避免车道在有阴影覆盖或者车道线磨损的情况下的拟合失误,提高受干扰条件下的车道线识别效果,依据拟合得到的两侧车道线,计算车身相对前方车道的走向偏离程度,提高自动驾驶的循线行驶准确度。
附图说明
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
图1表示本发明第一实施例中车道线的识别方法的流程图;
图2表示本发明第二实施例中车道线的识别方法的流程图;
图3表示本发明第三实施例中车道线的识别方法的流程图;
图4表示本发明第四实施例中车道线的识别系统的结构框图;
图5表示本发明实施例中坐标系中车道线显示示意图;
图6表示本发明实施例中在前方道路图像中拟合到第一车道线及第二车道线的示意图;
图7表示本发明实施例中在前方道路图像中选取目标区域的示意图;
图8表示现有技术中车道线拟合错误时的示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
第一实施例
本发明实施例中公开一种车道线的识别方法,结合图1所示,包括:
步骤101,获取车辆当前行驶道路的前方道路图像。
前方道路图像的获取可以是通过汽车中的机器视觉传感器中的摄像装置采集得到,具体可以是通过在汽车车头安装摄像头来采集得到,而为使该机器视觉传感器及摄像头装置能采集有效前方道路图像,其优选为设置于车头的正中位置。
步骤102,对前方道路图像进行处理,得到前方道路图像中的第一车道线所在的第一区域图像及第二车道线所在的第二区域图像。
其中,该第一车道线具体为构成车道的左侧车道线,该第二车道线为构成车道的右侧车道线,将获得的图像进行区域划分,分别得到道路图像中第一车道线图像及第二车道线图像,在此基础上进行接下来的分别处理过程。
对获取的前方道路图像依据不同车道线进行划分,得到包括不同车道线的划分区域,以实现对划分得到的区域进行分别的处理操作,以能分别对各个车道线的亮度数据进行采集,即使某一侧车道线被树荫、建筑物、车辆遮挡造成亮度分部不均,也能分别依据两侧车道线区域的不同亮度,对各自区域中的车道线图像进行处理,例如当第一车道线所在的第一区域图像的亮度低于第二车道线所在的第二区域图像时,第一车道线的拟合过程中,只结合自己所在区域的像素点的亮度参数进行处理即可,不受第二区域图像中像素亮度的干扰,实现即使一侧车道线被阴影遮挡,也不影响本侧及另一侧车道线的拟合识别,提高受干扰条件下的车道线识别效果。
步骤103,对第一区域图像和第二区域图像进行处理,得到第一车道线及第二车道线。
该过程需要对图像进行预处理,为后续的车道线轮廓提取提供基础。可以是在进行自动驾驶系统的车道保持时,对前方道路图像中的第一区域图像及第二区域图像进行处理并从中提取特征点,结合特征点,并依据包含车道线的两区域图像中车道线边缘像素拟合出车道线。
对图像进行预处理的过程,可以是分别通过将第一区域图像和第二区域图像进行图像灰度化,进一步地的二值化,二值化之后通过霍夫变换从图像中拟合得到第一车道线及第二车道线。
具体过程可以是:分别对第一区域图像和第二区域图像进行灰度处理,将两者转化为灰度图像,对与第一区域图像和第二区域图像对应的灰度图像分别进行二值化处理,得到两个二值化图像,在对灰度图像二值化处理后,车道线部分为白色,其他车道部位为黑色,我们已经能够十分清晰的分辨出道路上的车道线,之后还要利用霍夫变换从图像中拟合出实际车道线,如图3中所示,拟合出的第一车道线及第二车道线的走向及相对位置与获取的前方道路图像中的两车道线的走向及相对位置相同。Hough变换把在图像空间中的直线检测问题变换为参数空间里点的检测问题,通过在参数空间中进行统计累加完成检测任务。
具体可以是,利用车道线的灰度变化特征提取轮廓,采用B-Spline的随机采样一致法来匹配车道线的轮廓像素。算法步骤如下:(a)随机采样。在车道线轮廓像素中随机采样,像素被随机抽到的概率正比于其灰度变化值。(b)曲线拟合。根据随机采样点,利用最小二乘法进行B-Spline拟合。(c)评价拟合曲线。通常情况下,车道线在图像中是较长且曲率较小的曲线,基于这一特点,可以利用拟合曲线确定一个平行四边形区域,统计此区域内的车道线轮廓点数,点数越多的拟合曲线越符合要求。上述随机抽样—拟合—评价算法不断重复,直到完成一定数量的循环后,车道线轮廓点数最大的曲线即为所求曲线。
进一步地,在得到第一车道线及第二车道线后,可依据车道中的该两个车道线,以该第一车道线及第二车道线为准,获取车身的走向偏离程度,并根据车身的走向偏离程度,调整车辆的行车方向。
对应地,该车道线的识别方法还包括:根据第一车道线及第二车道线,获取车身相对前方车道的走向偏离程度;根据所述走向偏离程度,调整车辆的行车方向。
在经过图像进行处理过程后,机器视觉识别出了实际车道线,而自动驾驶系统的控制端需要的是方向盘转角的信息,因此我们可进一步依据识别出的车道线计算方向盘的校正转角,使车辆在车道线内保持循线行驶。
进一步地,优选地,根据第一车道线及第二车道线,获取车身相对前方车道的走向偏离程度的步骤,包括:
获取第一车道线在坐标系中的第一端点坐标及第二端点坐标,得到所述第一车道线的中点坐标的第一x值;获取第二车道线在所述坐标系中的第三端点坐标及第四端点坐标,得到第二车道线的中点坐标的第二x值;根据所述第一x值及所述第二x值,按照以下公式计算车身相对所述前方车道的走向偏离程度:
具体地,该坐标系为基于机器视觉传感器的显示分辨率建立。结合图5所示,识别出的前方道路两侧的第一车道线有A、B端点,第二车道线具有C、D端点,假设该自动驾驶系统机器视觉传感器的分辨率为320*240(宽*高),因此可将A、B、C、D四个端点表示在一个直角坐标系中,其中X轴数值范围是0—320,Y轴数值范围是0—240,其中,机器视觉传感器的显示分辨率对应在x轴方向上像素点的中点坐标的x值,即为x=160,图5中线条1表示该x=160对应的线条,该基于机器视觉传感器为采集前方道路图像的器件及对基于该前方道路图像拟合得到的第一车道线及第二车道线进行显示的器件,其在行车中所采集到的每一帧车道图像均采用该坐标系进行坐标标示,随着车辆在行车中的偏移,车辆的偏移角度与前方道路图像的采集角度偏移一致,每一帧图像中拟合得到的车道线AB、CD线段在该坐标系中的坐标位置随之发生偏移,图5中的线条2为第一车道线AB及第二车道线CD所代表的车道的中线,车辆的车头与坐标系的相对位置关系不变,依据在前方道路图像中拟合得到的AB与CD两条车道线段,由AB与CD两条线段的中点坐标的X值的和的一半与前方道路图像的中心线X=160比较计算得到当前车身较车道正中的偏离程度
其中,由A、B两点的X轴坐标XA及XB,我们可以得到线段AB的中点的X轴坐标值,即第一车道线的中点坐标的第一x值,X中1=(XA+XB)/2;同理,由C、D两点的X轴坐标XC及XD,可得到线段CD的中点的X轴坐标值,即第二车道线的中点坐标的第二x值,X中2=(XC+XD)/2。
本发明将识别后的车道线以坐标的形式表示,其中横纵坐标的范围即是图像分辨率的范围,左右车道线分别以AB,CD两条线段进行表示,由AB与CD两条线段的中点坐标的X值的和的一半与前方道路图像的中心线X=160比较计算得到当前车身较车道正中的偏离程度,用来表征车身偏离车道的程度,得到的偏离角度同时也是自动驾驶汽车进行车道保持时需要调整的方向盘转角。
进一步地,需根据该走向偏离程度,对车辆的行车方向进行纠正调偏。
具体地,根据该走向偏离程度,调整车辆的行车方向的步骤,包括:根据该走向偏离程度,按照以下公式计算得到汽车需要调整的方向盘转角:
其中,所述str表示汽车需要调整的方向盘转角,所述表示所述走向偏离程度,所述k表示汽车转向系统的传动比;最终根据该方向盘转角,调整车辆的行车方向。通过对机器视觉传感器传回的每一帧图像进行实时处理,实现了对自动驾驶汽车循线行驶的控制。
具体地,该k的数值取值因车型而异,通过对获取的前方道路图像依据不同车道线进行划分,得到包括不同车道线的划分区域,以实现对车道中车道线的分别处理及拟合,避免车道在有阴影覆盖或者车道线磨损的情况下的拟合失误,提高受干扰条件下的车道线识别效果,依据拟合得到的两侧车道线,计算车身相对前方车道的走向偏离程度,提高自动驾驶的循线行驶准确度。
第二实施例
本发明实施例中公开一种车道线的识别方法,结合图2所示,包括:
步骤201,获取车辆当前行驶道路的前方道路图像。
前方道路图像的获取可以是通过汽车中的机器视觉传感器中的摄像装置采集得到,具体可以是通过在汽车车头安装摄像头来采集得到,而为使该机器视觉传感器及摄像头装置能采集有效前方道路图像,其优选为设置于车头的正中位置。
步骤202,在该前方道路图像中选取目标区域。
结合图7所示,经过对车载机器视觉传感器采集的道路图像进行分析,根据整个图像对车道线识别的重要程度,以及对后续图像处理的影响。将车辆发动机盖3的前部区域以及天际线附近及以上的区域舍去,只保留包含车道线的区域,纵向大约占整个图像的二分之一,横向则保留全部图像。
步骤203,划分目标区域,得到包含第一车道线的第一区域图像,及包含第二车道线的第二区域图像。
对获取的前方道路图像依据不同车道线进行划分,得到包括不同车道线的划分区域,以实现对划分得到的区域进行分别的处理操作,以在某一侧车道线被树荫、建筑物、车辆遮挡或者破损的情况下,提高受干扰条件下的车道线识别效果。
步骤204,采用第一阈值对第一区域图像的灰度图像进行二值化处理,及采用第二阈值对第二区域图像的灰度图像进行二值化处理,得到与目标区域对应的二值化图像。
为使处理效果更好,在对第一区域图像及第二区域图像进行二值化处理之前,可以将目标区域中的图像进行灰度化处理,得到灰度图像,基于该灰度图像进行二值化处理过程。
阴影干扰导致单侧车道线无法识别的主要原因是:二值化的阈值是综合所有像素点的亮度值来衡量,阴影造成的两侧车道线亮度分布不均,使车道线白点分布不均,影响霍夫变换拟合车道线。因此,我们将亮度分布不均的车道线图像分割,使左右两侧车道线分别灰度化,统计亮度分布情况,进行二值化,避免亮度不均造成的干扰。
采用第一阈值对所述第一区域图像进行二值化处理,及采用第二阈值对所述第二区域图像进行二值化处理,对前方道路图像的处理过程,可根据路面相对较黑以及车道线相对白的特点,可以对灰度化后的图像进行二值化,将整个图像呈现出明显的只有黑和白的视觉效果,从而便于提取出车道线。将第一区域图像的灰度图像中像素的灰度值大于第一阈值的设成255,小于该第一阈值的设成0。将第二区域图像的灰度图像中像素的灰度值大于第二阈值的设成255,小于该第二阈值的设成0。这样处理后的目标区域中的图像就只有黑白两色,从而将灰度范围划分成道路与车道线两类。
将目标区域中的图像分为左右两部分,分别进行灰度化、二值化,左右两个部分分别选择相应的二值化阈值进行二值化处理,使得避免了因阴影干扰造成的亮度分布不均,导致整体画面二值化出现错误,影响车道线拟合的问题。虽然每帧图像分别识别了左右两侧车道线,两侧车道线通过霍夫变换拟合的直线段端点的坐标仍在原整幅图像的同一坐标系内,因此计算方向盘校正角度的算法与原算法一致即可。
步骤205,根据二值化图像,拟合得到与前方车道对应的第一车道线及第二车道线。
可以利用霍夫变换从图像中拟合出实际车道线,通过Hough变换把在图像空间中的直线检测问题变换为参数空间里点的检测问题,通过在参数空间中进行统计累加完成检测任务,以提供车辆自动循线驾驶中正确的车道参照线。
该过程,针对某一侧车道线被树荫、建筑物、车辆遮挡或者破损的情况下,对图像的灰度化进行分区以及自适应阈值等方法,有效解决整幅图像固定阈值灰度化方法造成的识别困难,提高受干扰条件下的车道线识别效果。
第三实施例
本发明实施例中公开一种车道线的识别方法,结合图3所示,包括:
步骤301,获取车辆当前行驶道路的前方道路图像。
前方道路图像的获取可以是通过汽车中的机器视觉传感器中的摄像装置采集得到,具体可以是通过在汽车车头安装摄像头来采集得到,而为使该机器视觉传感器及摄像头装置能采集有效前方道路图像,其优选为设置于车头的正中位置。
步骤302,对前方道路图像进行处理,得到前方道路图像中的第一车道线所在的第一区域图像及第二车道线所在的第二区域图像。
其中,该第一车道线具体为构成车道的左侧车道线,该第二车道线为构成车道的右侧车道线,将获得的图像进行区域划分,分别得到道路图像中第一车道线图像及第二车道线图像,在此基础上进行接下来的分别处理过程。
对获取的前方道路图像依据不同车道线进行划分,得到包括不同车道线的划分区域,以实现对划分得到的区域进行分别的处理操作,以在某一侧车道线被树荫、建筑物、车辆遮挡或者破损的情况下,提高受干扰条件下的车道线识别效果。
步骤303,对第一区域图像和第二区域图像进行处理,得到第一车道线及第二车道线。
具体过程可以是:分别对第一区域图像和第二区域图像进行灰度处理,将两者转化为灰度图像,对与第一区域图像和第二区域图像对应的灰度图像分别进行二值化处理,得到两个二值化图像,在对灰度图像二值化处理后,车道线部分为白色,其他车道部位为黑色,我们已经能够十分清晰的分辨出道路上的车道线,之后还要利用霍夫变换从图像中拟合出实际车道线。Hough变换把在图像空间中的直线检测问题变换为参数空间里点的检测问题,通过在参数空间中进行统计累加完成检测任务。
进一步地,为保证拟合得到的前方车道所对应的车道线的正确度,需要对不正确的拟合噪音进行排除,确保循线行驶的正确度,在处理得到的第一车道线及第二车道线后,还需进行以下处理步骤。
步骤304,获取第一车道线在坐标系中的第一端点坐标及第二端点坐标,得到第一车道线的第一斜率及第一截距。
该坐标系为基于机器视觉传感器的显示分辨率建立。
步骤305,获取第二车道线在坐标系中的第三端点坐标及第四端点坐标,得到第二车道线的第二斜率及第二截距。
该坐标系与前述根据第一车道线及第二车道线,获取车身相对前方车道的走向偏离程度时的坐标系相同,为基于机器视觉传感器的显示分辨率建立。假设该自动驾驶系统机器视觉传感器的分辨率为320*240(宽*高),将A、B、C、D四个端点表示在一个直角坐标系中,其中X轴数值范围是0—320,Y轴数值范围是0—240,进而获取第一车道线在该坐标系中的第一斜率及第一截距,获取第二车道线在该坐标系中的第二斜率及第二截距。
步骤306,在预存储的车道线信息中确定与第一车道线对应的第一基准车道线,及与第二车道线对应的第二基准车道线。
该第一基准车道线及第二基准车道线可以是通过提前采集得到,或者是根据用户对系统提供的多种车道线模型中的选取操作得到,或者是上一个正确拟合得到前方车道所对应的车道线的图像帧中的第一车道线及第二车道线。
步骤307,若第一车道线的第一斜率和第一截距与第一基准车道线的第一基准斜率和第一基准截距间的差值均处于设定范围内,且第二车道线的第二斜率和第二截距与第二基准车道线的第二基准斜率和第二基准截距间的差值均处于设定范围内,则确定正确拟合得到前方车道所对应的车道线。
即,当第一斜率与第一基准斜率间的差值及第一截距与第一基准截距间的差值均处于设定范围内,且第二斜率与第二基准斜率间的差值及第二截距与第二基准截距间的差值均处于设定范围内,确定正确拟合得到前方车道所对应的车道线。
对于结构化道路,相邻两帧的图像车道线变化不大,为进一步地避免由于获取的前方道路图像的亮度分部不均,出现车道线误识别,导致变换的直线拟合出现错误的问题,保证循线行驶的正确性,确保自动驾驶的安全性,可通过连续的图像帧之间的车道线分部规律进相互关联关系,建立可容忍的动态误差范围。
一般来说,车道线是直线或者曲率非常小的曲线(可近似为直线),所以要确定车道线的位置只需直线的斜率k和截距b,在直角坐标系里,由拟合车道线两端点的坐标,很容易获得车道线的斜率和截距。在实验过程中,车速一般小于80km/h,此时图像里斜率k和截距b相对基准斜率及截距的差值分别存在一定的变化范围,其中,斜率差值所对应的设定范围为:-0.15≤Δk≤0.15,截距差值所对应的设定范围为:-5≤Δb≤5。
进一步地,除了这些差值需处于设定范围,还可以进一步增加限定为且在第一斜率、第一截距、第二斜率及第二截距均分别处于各自对应的设定范围内时,才能确定正确拟合得到前方车道所对应的车道线。
经过在实验道路的多次往复实验,可以确定左右车道线的斜率k和截距b的分布规律:其中,左侧车道线即第一车道线的斜率设定范围为0.5≤k≤3,截距设定范围为-200≤b≤-100;右侧车道线即第二车道线的斜率设定范围为-3≤k≤-0.5,截距设定范围为-20≤b≤720。车道线的斜率和截距分别处于该范围内视为合理范围。
对应地,在确定正确拟合得到前方车道所对应的车道线的步骤之后,该方法还包括:
将所述第一车道线确定为所述第一基准车道线,将所述第一斜率和第一截距确定为所述第一基准斜率和第一基准截距;将所述第二车道线确定为所述第二基准车道线,将所述第二斜率和第二截距确定为所述第二基准斜率和第二基准截距。
将确定正确拟合得到前方车道所对应的第一车道线及第二车道线确定为基准车道线,以在对后一图像帧中车道线进行拟合时,结合本次正确拟合的车道线做出判断,建立起实时的每帧图像间的信息关联,对识别得到的车道线信息相邻两帧图像进行对比,避免出现车道线识别明显有误的情况,使每帧图像的车道线都拟合在合理的区域内,保证依据每帧车道线信息计算的方向盘校正角度处在合理的范围内,从而使车身一直出在两条车道线内,保证车辆的正常循线行驶。
进一步地,在预存储的车道线信息中确定与所述第一车道线对应的第一基准车道线,及与所述第二车道线对应的第二基准车道线的步骤之后,所述方法还包括:
若所述第一车道线的第一斜率和第一截距与所述第一基准车道线的第一基准斜率和第一基准截距间的差值任一项不处于设定范围内,和/或,所述第二车道线的第二斜率和第二截距与所述第二基准车道线的第二基准斜率和第二基准截距间的差值任一项不处于设定范围内,则确定没有正确拟合得到前方车道所对应的车道线。
即,第一车道线的第一斜率与第一基准斜率间的差值不处于设定范围、第一车道线的第一截距与第一基准截距间的差值不处于设定范围、第二车道线的第二斜率与第二基准斜率间的差值不处于设定范围和/或第二车道线的第二截距与第二基准截距间的差值不处于设定范围,则确定没有正确拟合得到前方车道所对应的车道线,此时将拟合得到的车道线结果滤除,仍采用上一处于合理范围内的拟合车道线数据进行方向盘转角的矫正。
第四实施例
本发明实施例中提供一种车道线的识别装置,能实现第一实施例至第三实施例中车道线的识别方法的实施细节,并达到相同的技术效果。结合图4所示,该识别装置包括:第一获取模块401、第一处理模块402及第二处理模块403。
第一获取模块401,用于获取车辆当前行驶道路的前方道路图像。
第一处理模块402,用于对所述前方道路图像进行处理,得到所述前方道路图像中的第一车道线所在的第一区域图像及第二车道线所在的第二区域图像。
第二处理模块403,用于对所述第一区域图像和所述第二区域图像进行处理,得到第一车道线及第二车道线。
可选地,所述第一处理模块402包括:
选取子模块,用于在所述前方道路图像中选取目标区域;
划分子模块,用于划分所述目标区域,得到包含第一车道线的第一区域图像,及包含第二车道线的第二区域图像。
具体地,所述对所述第二处理模块403包括:
处理子模块,用于采用第一阈值对所述第一区域图像的灰度图像进行二值化处理,及采用第二阈值对所述第二区域图像的灰度图像进行二值化处理,得到与所述目标区域对应的二值化图像;
拟合子模块,用于根据所述二值化图像,拟合得到与前方车道对应的第一车道线及第二车道线。
具体地,所述识别装置还包括:
第二获取模块,用于获取第一车道线在坐标系中的第一端点坐标及第二端点坐标,得到所述第一车道线的第一斜率及第一截距,所述坐标系为基于机器视觉传感器的显示分辨率建立;
第三获取模块,用于获取第二车道线在所述坐标系中的第三端点坐标及第四端点坐标,得到所述第二车道线的第二斜率及第二截距;
第一确定模块,用于在预存储的车道线信息中确定与所述第一车道线对应的第一基准车道线,及与所述第二车道线对应的第二基准车道线;
第二确定模块,用于若所述第一车道线的第一斜率和第一截距与所述第一基准车道线的第一基准斜率和第一基准截距间的差值均处于设定范围内,且所述第二车道线的第二斜率和第二截距与所述第二基准车道线的第二基准斜率和第二基准截距间的差值均处于设定范围内,则确定正确拟合得到前方车道所对应的车道线。
具体地,所述识别装置还包括:
第四确定模块,用于将所述第一车道线确定为所述第一基准车道线,将所述第一斜率和第一截距确定为所述第一基准斜率和第一基准截距;
第五确定模块,用于将所述第二车道线确定为所述第二基准车道线,将所述第二斜率和第二截距确定为所述第二基准斜率和第二基准截距。
具体地,所述识别装置还包括:
第六确定模块,用于若所述第一车道线的第一斜率和第一截距与所述第一基准车道线的第一基准斜率和第一基准截距间的差值任一项不处于设定范围内,和/或,所述第二车道线的第二斜率和第二截距与所述第二基准车道线的第二基准斜率和第二基准截距间的差值任一项不处于设定范围内,则确定没有正确拟合得到前方车道所对应的车道线。
具体地,所述识别装置还包括:
第四获取模块,用于根据所述第一车道线及第二车道线,获取车身相对前方车道的走向偏离程度;
调整模块,用于根据所述走向偏离程度,调整车辆的行车方向。
具体地,所述第四获取模块包括:
第一得到子模块,用于获取第一车道线在坐标系中的第一端点坐标及第二端点坐标,得到所述第一车道线的中点坐标的第一x值,所述坐标系为基于机器视觉传感器的显示分辨率建立;
第二得到子模块,用于获取第二车道线在所述坐标系中的第三端点坐标及第四端点坐标,得到第二车道线的中点坐标的第二x值;
第一计算子模块,用于根据所述第一x值及所述第二x值,按照以下公式计算车身相对所述前方车道的走向偏离程度:
具体地,所述调整模块包括:
第二计算子模块,用于根据所述走向偏离程度,按照以下公式计算得到汽车需要调整的方向盘转角:
调整子模块,用于根据所述方向盘转角,调整车辆的行车方向。
本实施例中的车道线的识别装置,通过对获取的前方道路图像依据不同车道线进行划分,得到包括不同车道线的划分区域,以实现对车道中车道线的分别处理及拟合,避免车道在有阴影覆盖或者车道线磨损的情况下的拟合失误,提高受干扰条件下的车道线识别效果,依据拟合得到的两侧车道线,计算车身相对前方车道的走向偏离程度,提高自动驾驶的循线行驶准确度。
以上所述的是本发明的优选实施方式,应当指出对于本技术领域的普通人员来说,在不脱离本发明所述的原理前提下还可以作出若干改进和润饰,这些改进和润饰也在本发明的保护范围内。
Claims (12)
1.一种车道线的识别方法,其特征在于,包括:
获取车辆当前行驶道路的前方道路图像;
对所述前方道路图像进行处理,得到所述前方道路图像中的第一车道线所在的第一区域图像及第二车道线所在的第二区域图像;
对所述第一区域图像和所述第二区域图像进行处理,得到第一车道线及第二车道线;
所述对所述第一区域图像和所述第二区域图像进行处理,得到第一车道线及第二车道线的步骤包括:
采用第一阈值对所述第一区域图像的灰度图像进行二值化处理,及采用第二阈值对所述第二区域图像的灰度图像进行二值化处理,得到对应的二值化图像;
根据所述二值化图像,拟合得到与前方车道对应的第一车道线及第二车道线;
所述识别方法还包括:
根据所述第一车道线及第二车道线,获取车身相对前方车道的走向偏离程度;
根据所述走向偏离程度,调整车辆的行车方向;
所述根据所述第一车道线及第二车道线,获取车身相对前方车道的走向偏离程度的步骤,包括:
获取第一车道线在坐标系中的第一端点坐标及第二端点坐标,得到所述第一车道线的中点坐标的第一x值,所述坐标系为基于机器视觉传感器的显示分辨率建立;
获取第二车道线在所述坐标系中的第三端点坐标及第四端点坐标,得到第二车道线的中点坐标的第二x值;
根据所述第一x值及所述第二x值,按照以下公式计算车身相对所述前方车道的走向偏离程度:
2.根据权利要求1所述的车道线的识别方法,其特征在于,所述对所述前方道路图像进行处理,得到所述前方道路图像中的第一车道线所在的第一区域图像及第二车道线所在的第二区域图像的步骤包括:
在所述前方道路图像中选取目标区域;
划分所述目标区域,得到包含第一车道线的第一区域图像,及包含第二车道线的第二区域图像。
3.根据权利要求1所述的车道线的识别方法,其特征在于,所述对所述第一区域图像和所述第二区域图像进行处理,得到第一车道线及第二车道线的步骤之后,所述识别方法还包括:
获取第一车道线在坐标系中的第一端点坐标及第二端点坐标,得到所述第一车道线的第一斜率及第一截距,所述坐标系为基于机器视觉传感器的显示分辨率建立;
获取第二车道线在所述坐标系中的第三端点坐标及第四端点坐标,得到所述第二车道线的第二斜率及第二截距;
在预存储的车道线信息中确定与所述第一车道线对应的第一基准车道线,及与所述第二车道线对应的第二基准车道线;
若所述第一车道线的第一斜率和第一截距与所述第一基准车道线的第一基准斜率和第一基准截距间的差值均处于设定范围内,且所述第二车道线的第二斜率和第二截距与所述第二基准车道线的第二基准斜率和第二基准截距间的差值均处于设定范围内,则确定正确拟合得到前方车道所对应的车道线。
4.根据权利要求3所述的车道线的识别方法,其特征在于,所述确定正确拟合得到前方车道所对应的车道线的步骤之后,所述识别方法还包括:
将所述第一车道线确定为所述第一基准车道线,将所述第一斜率和第一截距确定为所述第一基准斜率和第一基准截距;
将所述第二车道线确定为所述第二基准车道线,将所述第二斜率和第二截距确定为所述第二基准斜率和第二基准截距。
5.根据权利要求3所述的车道线的识别方法,其特征在于,所述在预存储的车道线信息中确定与所述第一车道线对应的第一基准车道线,及与所述第二车道线对应的第二基准车道线的步骤之后,所述识别方法还包括:
若所述第一车道线的第一斜率和第一截距与所述第一基准车道线的第一基准斜率和第一基准截距间的差值任一项不处于设定范围内,和/或,所述第二车道线的第二斜率和第二截距与所述第二基准车道线的第二基准斜率和第二基准截距间的差值任一项不处于设定范围内,则确定没有正确拟合得到前方车道所对应的车道线。
7.一种车道线的识别装置,其特征在于,包括:
第一获取模块,用于获取车辆当前行驶道路的前方道路图像;
第一处理模块,用于对所述前方道路图像进行处理,得到所述前方道路图像中的第一车道线所在的第一区域图像及第二车道线所在的第二区域图像;
第二处理模块,用于对所述第一区域图像和所述第二区域图像进行处理,得到第一车道线及第二车道线;
所述对所述第二处理模块包括:
处理子模块,用于采用第一阈值对所述第一区域图像的灰度图像进行二值化处理,及采用第二阈值对所述第二区域图像的灰度图像进行二值化处理,得到对应的二值化图像;
拟合子模块,用于根据所述二值化图像,拟合得到与前方车道对应的第一车道线及第二车道线;
所述识别装置还包括:
第四获取模块,用于根据所述第一车道线及第二车道线,获取车身相对前方车道的走向偏离程度;
调整模块,用于根据所述走向偏离程度,调整车辆的行车方向;
所述第四获取模块包括:
第一得到子模块,用于获取第一车道线在坐标系中的第一端点坐标及第二端点坐标,得到所述第一车道线的中点坐标的第一x值,所述坐标系为基于机器视觉传感器的显示分辨率建立;
第二得到子模块,用于获取第二车道线在所述坐标系中的第三端点坐标及第四端点坐标,得到第二车道线的中点坐标的第二x值;
第一计算子模块,用于根据所述第一x值及所述第二x值,按照以下公式计算车身相对所述前方车道的走向偏离程度:
8.根据权利要求7所述的车道线的识别装置,其特征在于,所述第一处理模块包括:
选取子模块,用于在所述前方道路图像中选取目标区域;
划分子模块,用于划分所述目标区域,得到包含第一车道线的第一区域图像,及包含第二车道线的第二区域图像。
9.根据权利要求7所述的车道线的识别装置,其特征在于,所述识别装置还包括:
第二获取模块,用于获取第一车道线在坐标系中的第一端点坐标及第二端点坐标,得到所述第一车道线的第一斜率及第一截距,所述坐标系为基于机器视觉传感器的显示分辨率建立;
第三获取模块,用于获取第二车道线在所述坐标系中的第三端点坐标及第四端点坐标,得到所述第二车道线的第二斜率及第二截距;
第一确定模块,用于在预存储的车道线信息中确定与所述第一车道线对应的第一基准车道线,及与所述第二车道线对应的第二基准车道线;
第二确定模块,用于若所述第一车道线的第一斜率和第一截距与所述第一基准车道线的第一基准斜率和第一基准截距间的差值均处于设定范围内,且所述第二车道线的第二斜率和第二截距与所述第二基准车道线的第二基准斜率和第二基准截距间的差值均处于设定范围内,则确定正确拟合得到前方车道所对应的车道线。
10.根据权利要求9所述的车道线的识别装置,其特征在于,所述识别装置还包括:
第四确定模块,用于将所述第一车道线确定为所述第一基准车道线,将所述第一斜率和第一截距确定为所述第一基准斜率和第一基准截距;
第五确定模块,用于将所述第二车道线确定为所述第二基准车道线,将所述第二斜率和第二截距确定为所述第二基准斜率和第二基准截距。
11.根据权利要求9所述的车道线的识别装置,其特征在于,所述识别装置还包括:
第六确定模块,用于若所述第一车道线的第一斜率和第一截距与所述第一基准车道线的第一基准斜率和第一基准截距间的差值任一项不处于设定范围内,和/或,所述第二车道线的第二斜率和第二截距与所述第二基准车道线的第二基准斜率和第二基准截距间的差值任一项不处于设定范围内,则确定没有正确拟合得到前方车道所对应的车道线。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710033881.0A CN106682646B (zh) | 2017-01-16 | 2017-01-16 | 一种车道线的识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710033881.0A CN106682646B (zh) | 2017-01-16 | 2017-01-16 | 一种车道线的识别方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106682646A CN106682646A (zh) | 2017-05-17 |
CN106682646B true CN106682646B (zh) | 2020-12-22 |
Family
ID=58859611
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710033881.0A Active CN106682646B (zh) | 2017-01-16 | 2017-01-16 | 一种车道线的识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106682646B (zh) |
Families Citing this family (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107563326A (zh) | 2017-08-31 | 2018-01-09 | 京东方科技集团股份有限公司 | 一种行车辅助方法、行车辅助装置和车辆 |
CN109543493B (zh) * | 2017-09-22 | 2020-11-20 | 杭州海康威视数字技术股份有限公司 | 一种车道线的检测方法、装置及电子设备 |
CN107909047B (zh) * | 2017-11-28 | 2021-07-06 | 上海信耀电子有限公司 | 一种汽车及其应用的车道检测方法及系统 |
CN108177524B (zh) * | 2017-12-22 | 2020-01-14 | 联创汽车电子有限公司 | Arhud系统及其车道线绘制方法 |
CN110163039B (zh) * | 2018-03-15 | 2020-11-24 | 北京航空航天大学 | 判定车辆行驶状态的方法、设备、存储介质以及处理器 |
CN108986481A (zh) * | 2018-07-17 | 2018-12-11 | 太仓远见科技咨询服务有限公司 | 一种高度自动化交通车辆 |
CN110490033B (zh) * | 2018-10-29 | 2022-08-23 | 毫末智行科技有限公司 | 用于车道检测的图像处理方法及装置 |
CN109583393B (zh) * | 2018-12-05 | 2023-08-11 | 宽凳(北京)科技有限公司 | 一种车道线端点识别方法及装置、设备、介质 |
CN109737976A (zh) * | 2019-01-07 | 2019-05-10 | 上海极奥网络科技有限公司 | 地图道路区间和车道线全自动生成方法 |
CN111797658A (zh) * | 2019-04-09 | 2020-10-20 | Oppo广东移动通信有限公司 | 车道线识别方法、装置、存储介质及电子设备 |
CN111460072B (zh) * | 2020-04-01 | 2023-10-03 | 北京百度网讯科技有限公司 | 车道线检测方法、装置、设备和存储介质 |
CN111623795B (zh) * | 2020-05-28 | 2022-04-15 | 阿波罗智联(北京)科技有限公司 | 实景导航图标显示方法、装置、设备和介质 |
CN112257539A (zh) * | 2020-10-16 | 2021-01-22 | 广州大学 | 车辆与车道线的位置关系检测方法、系统和存储介质 |
CN112654998B (zh) * | 2020-10-22 | 2022-04-15 | 华为技术有限公司 | 一种车道线检测方法和装置 |
CN112763231B (zh) * | 2021-01-19 | 2023-06-02 | 北京罗克维尔斯科技有限公司 | 车道保持辅助系统功能测评方法、装置及终端与存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102592114A (zh) * | 2011-12-26 | 2012-07-18 | 河南工业大学 | 复杂路况的车道线特征提取、识别方法 |
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 |
CN104657735A (zh) * | 2013-11-21 | 2015-05-27 | 比亚迪股份有限公司 | 车道线检测方法、系统、车道偏离预警方法及系统 |
CN106295560A (zh) * | 2016-08-09 | 2017-01-04 | 浙江零跑科技有限公司 | 基于车载双目相机和分段式pid控制的车道保持方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4992990B2 (ja) * | 2010-02-24 | 2012-08-08 | 株式会社デンソー | 区画線検出装置 |
CN105426868B (zh) * | 2015-12-10 | 2018-09-28 | 山东大学 | 一种基于自适应感兴趣区域的车道检测方法 |
-
2017
- 2017-01-16 CN CN201710033881.0A patent/CN106682646B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102592114A (zh) * | 2011-12-26 | 2012-07-18 | 河南工业大学 | 复杂路况的车道线特征提取、识别方法 |
CN104657735A (zh) * | 2013-11-21 | 2015-05-27 | 比亚迪股份有限公司 | 车道线检测方法、系统、车道偏离预警方法及系统 |
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 |
CN106295560A (zh) * | 2016-08-09 | 2017-01-04 | 浙江零跑科技有限公司 | 基于车载双目相机和分段式pid控制的车道保持方法 |
Also Published As
Publication number | Publication date |
---|---|
CN106682646A (zh) | 2017-05-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106682646B (zh) | 一种车道线的识别方法及装置 | |
CN107462223B (zh) | 一种公路转弯前行车视距自动测量装置及测量方法 | |
CN107330376B (zh) | 一种车道线识别方法及系统 | |
CN108921813B (zh) | 一种基于机器视觉的无人机检测桥梁结构裂缝识别方法 | |
US20090010482A1 (en) | Diagrammatizing Apparatus | |
JP4930046B2 (ja) | 路面判別方法および路面判別装置 | |
CN110647850A (zh) | 一种基于逆透视原理的车道偏移自动测量方法 | |
CN110687904A (zh) | 一种巡线机器人视觉导航巡检和避障方法 | |
CN104700072B (zh) | 基于车道线历史帧的识别方法 | |
CN107862290A (zh) | 车道线检测方法及系统 | |
US20180253853A1 (en) | Boundary line recognition apparatus and branch road determination apparatus | |
KR102296520B1 (ko) | 단안 카메라를 이용한 경로추정에 의한 곡선차선 검출 방법 | |
CN113221861B (zh) | 一种多车道线检测方法、装置及检测设备 | |
CN108288065B (zh) | 一种基于图像分析的四轮定位仪检测方法 | |
CN102706291A (zh) | 一种道路曲率半径自动测量方法 | |
Lin et al. | Construction of fisheye lens inverse perspective mapping model and its applications of obstacle detection | |
JPH11351862A (ja) | 前方車両検出方法及び装置 | |
CN106803066B (zh) | 一种基于Hough变换的车辆偏航角确定方法 | |
CN113819841B (zh) | 一种基于机器视觉的板形检测装置及其检测方法 | |
JPH11195127A (ja) | 白線認識方法および装置 | |
CN113221739B (zh) | 基于单目视觉的车距测量方法 | |
CN107578046A (zh) | 一种基于图像二值化处理的辅助车辆行驶方法 | |
CN111178210B (zh) | 一种十字标记的图像识别及对准方法 | |
JP3319383B2 (ja) | 走行路認識装置 | |
JP2798349B2 (ja) | 車両位置検出装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |