CN106991407A - 一种车道线检测的方法以及装置 - Google Patents
一种车道线检测的方法以及装置 Download PDFInfo
- Publication number
- CN106991407A CN106991407A CN201710228837.5A CN201710228837A CN106991407A CN 106991407 A CN106991407 A CN 106991407A CN 201710228837 A CN201710228837 A CN 201710228837A CN 106991407 A CN106991407 A CN 106991407A
- Authority
- CN
- China
- Prior art keywords
- road
- end point
- detection
- detected
- grain direction
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30248—Vehicle exterior or interior
- G06T2207/30252—Vehicle exterior; Vicinity of vehicle
- G06T2207/30256—Lane; Road marking
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种车道线检测的方法,该方法通过获取待检测图像;根据待检测图像的纹理方向特征,确定消失点的检测区域;基于检测区域内的像素点的纹理方向,确定出消失点;对待检测图像进行边缘检测,得出道路边缘图;基于消失点、道路边缘图以及预设道路识别模型,得出道路的道路边界,预设道路识别模型包含弯道识别子模型和直道识别子模型。该方法利用图像的纹理方向特征限定消失点的检测区域,可以减少无效的候选消失点,使得消失点的检测效率较高,且利用弯道识别子模型和直道识别子模型,可以同时对弯道和直道检测。此外,本发明还提供了一种车道线检测的装置,与上述方法有一一对应的优点。
Description
技术领域
本发明涉及图像处理领域,特别是涉及一种车道线检测的方法以及装置。
背景技术
随着图像处理技术的发展进步,图像处理技术在车道线检测中的应用也越来越广泛。车道线是道路场景中最为重要的特征目标,准确识别道路车道线可以提高行车环境的安全性,即可以避免车辆在行驶过程中出现偏离道路或与周围物体发生碰撞的情况。
车道线检测一般先进行道路消失点的检测,再利用曲线拟合技术拟合车道线的边界。道路消失点可以分成远消失点和近消失点,远消失点是指道路延伸至远方在成像平面上所形成的消失点,而与远消失点相对应的近消失点是指道路靠近成像平面的区域在成像平面上所形成的消失点。在理想情况下,当道路为直路时,远消失点和近消失点为同一个点,而当道路为弯路时,远消失点和近消失点为不同点,近消失点反映了近处路面成像时的汇聚情况,而道路真正的消失点为远消失点。
现有技术中的车道线检测技术一般是直接提取道路消失点,即从整幅待检测图像中提取道路消失点,此时,由于像素点的个数较多,导致消失点的检测效率较低。基于上述情况,如何提高道路消失点的检测效率的是本领域亟待解决的问题。
发明内容
本发明的目的是提供一种车道线检测的方法以及装置,目的在于解决现有技术中道路消失点的检测效率较低的问题。
为解决上述技术问题,本发明提供一种车道线检测的方法,该方法包括:
获取待检测图像;
根据所述待检测图像的纹理方向特征,确定消失点的检测区域;
基于所述检测区域内的像素点的纹理方向,确定出所述消失点;
对所述待检测图像进行边缘检测,得出道路边缘图;
基于所述消失点、所述道路边缘图以及预设道路识别模型,得出所述道路的道路边界,所述预设道路识别模型包含弯道识别子模型和直道识别子模型。
可选地,所述根据所述待检测图像的纹理方向特征,确定消失点的检测区域包括:
根据所述待检测图像内的各个像素点的灰度值差异,确定出第一分界线;
计算得出位于所述第一分界线以下的每行像素点的纹理方向均值;
根据所述纹理方向均值的差异,确定出所述道路的弯道和直道的第二分界线;
将所述第一分界线以下以及所述第二分界线以上的区域作为所述检测区域。
可选地,所述基于所述检测区域内的像素点的纹理方向,确定出所述消失点包括:
统计在预设范围内的纹理方向指向目标像素点的像素点的个数,得出所述目标像素点的累加值,所述预设范围为以所述目标像素点为中心,半径为预设数值的圆;
将所述累加值最大的所述目标像素点作为所述消失点。
可选地,所述对所述待检测图像进行边缘检测,得出道路边缘图包括:
利用Canny算子对所述待检测图像进行边缘检测,得出所述道路边缘图。
可选地,所述基于所述消失点、所述道路边缘图以及预设道路识别模型,得出所述道路的道路边界,所述预设道路识别模型包含弯道识别子模型和直道识别子模型包括:
将所述消失点以下的区域以预设比例划分为近视区域和远视区域;
利用Hough变换,得出所述近视区域内道路边界的直道方程;
根据所述直道方程以及所述预设道路识别模型,得出所述道路的道路边界方程;
基于所述道路边界方程,拟合得出所述道路边界;
其中,所述预设道路识别模型为θ为弯道曲率,A为曲率常数,h为消失点高度,所述直道识别子模型为kx+b,所述弯道识别子模型为
此外,本发明还提供了一种车道线检测的装置,该装置包括:
获取模块,用于获取待检测图像;
检测区域确定模块,用于根据所述待检测图像的纹理方向特征,确定消失点的检测区域;
消失点确定模块,用于基于所述检测区域内的像素点的纹理方向,确定出所述消失点;
边缘检测模块,用于对所述待检测图像进行边缘检测,得出道路边缘图;
道路边界检测模块,用于基于所述消失点、所述道路边缘图以及预设道路识别模型,得出所述道路的道路边界,所述预设道路识别模型包含弯道识别子模型和直道识别子模型。
可选地,所述检测区域确定模块包括:
第一确定单元,用于根据所述待检测图像内的各个像素点的灰度值差异,确定出第一分界线;
计算单元,用于计算得出位于所述第一分界线以下的每行像素点的纹理方向均值;
第二确定单元,用于根据所述纹理方向均值的差异,确定出所述道路的弯道和直道的第二分界线;
检测区域确定单元,用于将所述第一分界线以下以及所述第二分界线以上的区域作为所述检测区域。
可选地,所述消失点确定模块包括:
统计单元,用于统计在预设范围内的纹理方向指向目标像素点的像素点的个数,得出所述目标像素点的累加值,所述预设范围为以所述目标像素点为中心,半径为预设数值的圆;
最终确定单元,用于将所述累加值最大的所述目标像素点作为所述远消失点。
可选地,所述边缘检测模块包括:
Canny算子边缘检测单元,用于利用Canny算子对所述待检测图像进行边缘检测,得出所述道路边缘图。
可选地,所述道路边界检测模块包括:
划分单元,用于将所述消失点以下的区域以预设比例划分为近视区域和远视区域;
变换单元,用于利用Hough变换,得出所述近视区域内道路边界的直道方程;
边界方程确定单元,用于根据所述直道方程以及所述预设道路识别模型,得出所述道路的道路边界方程;
拟合单元,用于基于所述道路边界方程,拟合得出所述道路边界;
其中,所述预设道路识别模型为θ为弯道曲率,A为曲率常数,h为消失点高度,所述直道识别子模型为kx+b,所述弯道识别子模型为
本发明所提供的一种车道线检测的方法以及装置,通过获取待检测图像;根据所述待检测图像的纹理方向特征,确定消失点的检测区域;基于所述检测区域内的像素点的纹理方向,确定出所述消失点;对所述待检测图像进行边缘检测,得出道路边缘图;基于所述消失点、所述道路边缘图以及预设道路识别模型,得出所述道路的道路边界,所述预设道路识别模型包含弯道识别子模型和直道识别子模型。本申请利用图像的纹理方向特征限定消失点的检测区域,可以减少无效的候选消失点,使得消失点的检测效率较高,且利用弯道识别子模型和直道识别子模型,可以同时对弯道和直道检测。可见,本申请提供了道路消失点的检测效率。
附图说明
为了更清楚的说明本发明实施例或现有技术的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例所提供的车道线检测方法的一种具体实施方式的流程示意图;
图2为本发明实施例所提供的道路拟合示意图;
图3为本发明实施例所提供的车道线检测装置的结构框图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面结合附图和具体实施方式对本发明作进一步的详细说明。显然,所描述的实施例仅仅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做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。
请参见图1,图1为本发明实施例所提供的车道线检测方法的一种具体实施方式的流程示意图,该方法包括以下步骤:
步骤101:获取待检测图像;
可以理解的是,上述待检测图像内包含的道路区域可以是直道,也可以是弯道,也可以是弯道和直道,在此不作限定。
步骤102:根据所述待检测图像的纹理方向特征,确定消失点的检测区域;
需要说明的是,上述消失点可以是指近消失点,也可以是指远消失点,在此不作限定。
上述检测区域为待检测图像内道路区域中的某一部分区域,在该区域内检测消失点,即该区域内包括所需检测的消失点。对于直道而言,上述检测区域可以等同于待检测图像中全部道路区域,即在全部道路区域内检测消失点;而对于弯道而言,上述检测区域可以为全部道路区域内某一小部分区域。
作为一种具体实施方式,上述根据所述待检测图像的纹理方向特征,确定消失点的检测区域的过程可以具体为:根据所述待检测图像内的各个像素点的灰度值差异,确定出第一分界线;计算得出位于所述第一分界线以下的每行像素点的纹理方向均值;根据所述纹理方向均值的差异,确定出所述道路的弯道和直道的第二分界线;将所述第一分界线以下以及所述第二分界线以上的区域作为所述检测区域。
需要说明的是,上述第一分界线可以是指天地分界线,即待检测图像中天地分界线。该分界线具体可以根据每行像素点的灰度值差异得出,即计算相邻两行像素点的灰度方差,将方差值最大的行作为天地分界线。在确定出第一分界线后,可以计算统计第一分界线以下的区域内的每行像素点的纹理方向均值,而纹理方向均值的计算统计顺序可以是由下至上,也可以是由上至下,在此不作限定。
上述第二分界线可以是指道路弯曲部分的分界线,即该分界线为道路的直道和弯道的分界线。该分界线的选取主要是基于各行像素点的纹理方向均值,具体可以通过比较相邻两行像素点之间的纹理方向均值的差异大小,得出相邻两行的差异值;再将得出的差异值和预先设定的阈值进行比较,当差异值大于阈值时,则将该差异值对应的相邻两行的扫描行作为第二分界线。
可以理解的是,为了提高纹理方向均值比较过程的鲁棒性,可以同时进行逐行比较和隔行比较,即同时进行相邻两行的纹理方向均值比较以及隔行的纹理方向均值的比较。此时,可以将逐行比较得出的差异值和隔行比较的差异值进行加权平均,得出差异平均值;再将该差异平均值与阈值进行比较分析,确定出第二分界线。
需要说明的是,上文提及的用于和纹理方向均值的差异值进行比较的阈值可以是由人为设定的,该阈值的设定可以基于待检测图像的纹理直方图,而对于不同的图像,阈值也会相应地不同。
在确定出第一分界线和第二分界线之后,可以将第一分界线以下以及第二分界线以上的区域作为检测区域,即将第一分界线和第二分界线之间的区域作为消失点的检测区域。此时,对于第一分界线和第二分界线之间的区域,其所包含的消失点为远消失点,即该检测区域为远消失点的检测区域。
可以看出,利用待检测图像的纹理方向,确定消失点的检测区域,即限定了消失点的选择范围,可以大量减少无效的候选像素点,从而提高了消失点的检测效率。
步骤103:基于所述检测区域内的像素点的纹理方向,确定出所述消失点;
可以理解的是,在根据每行像素点的纹理方向均值确定出消失点的检测区域之后,可以在检测区域内进行消失点的检测。而消失点的检测可以基于检测区域内的各个像素点的纹理方向指向,具体可以通过统计各个像素点的纹理方向指向,选取纹理方向指向该像素点的其它像素点个数最多的像素点作为消失点。当然,基于像素点的纹理方向选择消失点的方式不限于上文所提及的方式,在此不作限定。
作为一种具体实施方式,上述基于所述检测区域内的像素点的纹理方向,确定出所述消失点的过程可以具体为:统计在预设范围内的纹理方向指向目标像素点的像素点的个数,得出所述目标像素点的累加值,所述预设范围为以所述目标像素点为中心,半径为预设数值的圆;将所述累加值最大的所述目标像素点作为所述消失点。
需要说明的是,上述目标像素点为检测区域内的任一像素点,确认该像素点是否为消失点,可以通过统计在以该像素点为中心点的半径范围内,纹理方向指向该像素点的像素点个数,将个数最多对应的像素点作为消失点。
上述预设数值可以任意设定,但其大小应受到检测区域大小的限制。
显而易见地,上述预设范围不限定于圆,还可以具体表现为其它,在此不作限定。
可以看出,在一定的范围内,统计各个像素点的纹理方向指向像素点个数,将个数最多的像素点作为消失点。对于直道区域而言,该消失点的选取方法可以消除非道路区域消失点的干扰,使得消失点的检测准确率较高;而对于弯道区域而言,该消失点的选取方法可以正确地选取出远消失点。
步骤104:对所述待检测图像进行边缘检测,得出道路边缘图;
可以理解的是,图像边缘检测的方式有很多,且均为本领域技术人员所熟知的技术。
而作为一种具体实施方式,上述对所述待检测图像进行边缘检测,得出道路边缘图的过程可以具体为:利用Canny算子对所述待检测图像进行边缘检测,得出所述道路边缘图。
显而易见地,利用Canny算子进行边缘检测的具体过程已为本领域技术人员所熟知,在此不再赘述。当然,边缘检测的方式还可以为其它,并不限于上文所提及的方式。
步骤105:基于所述消失点、所述道路边缘图以及预设道路识别模型,得出所述道路的道路边界,所述预设道路识别模型包含弯道识别子模型和直道识别子模型。
需要说明的是,上述预设道路识别模型包括弯道识别子模型和直道识别子模型,即利用该道路识别模块可以同时对弯道和直道进行检测。
在确定出消失点和道路的边缘图后,首先可以将消失点以下的区域划分为近视区域和远视区域;然后在以近视区域内的道路边缘像素作为直道检测的像素集合,远视区域内的道路边缘像素作为弯道检测的像素集合;最后可以先利用直道识别子模块,得到道路边界的直线方程,在根据所求出的直线方程以及消失点,可以得到整体的道路边界的边界方程。
作为一种具体实施方式,上述基于所述消失点、所述道路边缘图以及预设道路识别模型,得出所述道路的道路边界,所述预设道路识别模型包含弯道识别子模型和直道识别子模型的过程可以具体为:将所述消失点以下的区域以预设比例划分为近视区域和远视区域;利用Hough变换,得出所述近视区域内道路边界的直道方程;根据所述直道方程以及所述预设道路识别模型,得出所述道路的道路边界方程;基于所述道路边界方程,拟合得出所述道路边界;其中,所述预设道路识别模型为θ为弯道曲率,A为曲率常数,h为消失点高度,所述直道识别子模型为kx+b,所述弯道识别子模型为
需要说明的是,选取双曲线模型检测车道线,可以同时对弯道和直道检测,即利用kx+b检测道路的直线部分,检测道路的弯曲部分;且可以有效地控制曲线拟合时的变量个数,即先求出kx+b,之后双曲线模型只剩下曲率一个变量,进而可以有效地降低了曲线拟合的计算复杂度。
可以理解的是,利用双曲线模型对道路边界进行拟合计算,需要计算曲线匹配度,本发明使用的曲线匹配度公式定义如下:
其中,(i,j)是像素坐标;Ω是用于曲线拟合的目标像素集合;D(i,j)是每个像素点到曲线的距离;θ是双曲线曲率,范围是(-π/2,π/2);A是曲率常数;k和b是双曲线的直线部分的斜率和截距;h是消失点的高度;T是匹配度。
需要说明的是,上述预设比例可以根据实际情况进行设定,例如,可以将该比例设为2:1,即近视区域和远视区域的比例为2:1。
将消失点以下的区域划分为近视区域和远视区域之后,可以利用Hough变换来对出近视区域内的直道的方程,即求出k和b。显而易见地,Hough变换过程已为本领域技术人员所熟知,在此不再赘述。当然,直线道路的检测方法还可以为其它,并不限于上文提及的方式。
在求出直线方程之后,再根据所检测出的消失点,即根据消失点的坐标,得出高度h的值;然后将k、b和h的值代入到上述的双曲线模型,此时,只需利用上文提供的匹配度公式计算出θ的值即可求出道路边界的双曲线方程,基于所求出的双曲线方程进行曲线拟合,即可以得出道路边界图。
为了更好地介绍基于消失点和道路边缘图的道路边界拟合过程,下面将结合图2进行介绍,图2为本发明实施例所提供的道路拟合示意图。
如图2所示,消失点坐标为(x,y),以消失点的x坐标所在直线作为竖直分界线,将道路边缘像素分为左边缘像素集合l1和右边缘集合l2;r1为道路近视区和远视区的分界线。其中近视区与远视区高度比为2:1。将l1像素点集合中近视区内的像素作为双曲线模型直线参数的拟合像素集合ΩLL,远视区内的边缘像素点作为左边道路边界曲率拟合的像素集合ΩLH;将l2像素点集合近视区内的像素点作为双曲线直线参数的拟合像素点集合ΩRL,远视区内的边缘像素点作为右边道路边界曲率拟合的像素集合ΩRH。
首先可以使用Hough变换进行道路边界直线部分的检测,该直线部分的检测基于像素集合ΩLL,既可得到左边道路边界近视区直线部分的方程Ll:y=k1x+b1。同理,对右边道路近视区的边缘像素集合ΩRL进行相似的处理,既可计算得出右边道路边界直线部分的方程Lr:y=k2x+b2。
在求出道路边界的直线部分之后,再根据左右道路边界直线部分方程Ll和Lr求出双曲线模型方程。具体地可以先将左边道路直线方程Ll代入中并将像素集合ΩLH中的像素依次代入公式;然后计算各个像素点到曲线的距离,并利用公式T=∑D(i,j)(i,j)∈Ω求得距离和T;再将曲率值θ以0.1为步长,依次对双曲线模型公式进行遍历,并计算得到每个曲率值所对应的距离和T,将使T为最小值时的θ作为左边道路边界曲线方程的曲率,则左边道路边界曲线方程为同理,将直线方程Lr代入基于像素集合ΩRL中的像素点,将使T=∑D(i,j)(i,j)∈Ω中T最小的θ作为右边曲线方程的曲率,则到右边道路边界曲线方程为
本发明实施例所提供的车道线检测的方法,该方法通过获取待检测图像;根据所述待检测图像的纹理方向特征,确定消失点的检测区域;基于所述检测区域内的像素点的纹理方向,确定出所述消失点;对所述待检测图像进行边缘检测,得出道路边缘图;基于所述消失点、所述道路边缘图以及预设道路识别模型,得出所述道路的道路边界,所述预设道路识别模型包含弯道识别子模型和直道识别子模型。该方法利用图像的纹理方向特征限定消失点的检测区域,可以减少无效的候选消失点,使得消失点的检测效率较高,且利用弯道识别子模型和直道识别子模型,可以同时对弯道和直道检测。
下面对本发明实施例提供的车道线检测装置进行介绍,下文描述的车道线检测装置与上文描述的车道线检测方法可相互对应参照。
图3为本发明实施例所提供的车道线检测装置的结构框图,参照图3车道线检测装置可以包括:
获取模块301,用于获取待检测图像;
检测区域确定模块302,用于根据所述待检测图像的纹理方向特征,确定消失点的检测区域;
消失点确定模块303,用于基于所述检测区域内的像素点的纹理方向,确定出所述消失点;
边缘检测模块304,用于对所述待检测图像进行边缘检测,得出道路边缘图;
道路边界检测模块305,用于基于所述消失点、所述道路边缘图以及预设道路识别模型,得出所述道路的道路边界,所述预设道路识别模型包含弯道识别子模型和直道识别子模型。
可选地,所述检测区域确定模块包括:
第一确定单元,用于根据所述待检测图像内的各个像素点的灰度值差异,确定出第一分界线;
计算单元,用于计算得出位于所述第一分界线以下的每行像素点的纹理方向均值;
第二确定单元,用于根据所述纹理方向均值的差异,确定出所述道路的弯道和直道的第二分界线;
检测区域确定单元,用于将所述第一分界线以下以及所述第二分界线以上的区域作为所述检测区域。
可选地,所述消失点确定模块包括:
统计单元,用于统计在预设范围内的纹理方向指向目标像素点的像素点的个数,得出所述目标像素点的累加值,所述预设范围为以所述目标像素点为中心,半径为预设数值的圆;
最终确定单元,用于将所述累加值最大的所述目标像素点作为所述远消失点。
可选地,所述边缘检测模块包括:
Canny算子边缘检测单元,用于利用Canny算子对所述待检测图像进行边缘检测,得出所述道路边缘图。
可选地,所述道路边界检测模块包括:
划分单元,用于将所述消失点以下的区域以预设比例划分为近视区域和远视区域;
变换单元,用于利用Hough变换,得出所述近视区域内道路边界的直道方程;
边界方程确定单元,用于根据所述直道方程以及所述预设道路识别模型,得出所述道路的道路边界方程;
拟合单元,用于基于所述道路边界方程,拟合得出所述道路边界;
其中,所述预设道路识别模型为θ为弯道曲率,A为曲率常数,h为消失点高度,所述直道识别子模型为kx+b,所述弯道识别子模型为
本发明实施例所提供的车道线检测的装置,通过获取待检测图像;根据所述待检测图像的纹理方向特征,确定消失点的检测区域;基于所述检测区域内的像素点的纹理方向,确定出所述消失点;对所述待检测图像进行边缘检测,得出道路边缘图;基于所述消失点、所述道路边缘图以及预设道路识别模型,得出所述道路的道路边界,所述预设道路识别模型包含弯道识别子模型和直道识别子模型。该装置利用图像的纹理方向特征限定消失点的检测区域,可以减少无效的候选消失点,使得消失点的检测效率较高,且利用弯道识别子模型和直道识别子模型,可以同时对弯道和直道检测。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其它实施例的不同之处,各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
专业人员还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块,或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
以上对本发明所提供的一种车道线检测的方法以及装置进行了详细介绍。本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以对本发明进行若干改进和修饰,这些改进和修饰也落入本发明权利要求的保护范围内。
Claims (10)
1.一种车道线检测的方法,其特征在于,包括:
获取待检测图像;
根据所述待检测图像的纹理方向特征,确定消失点的检测区域;
基于所述检测区域内的像素点的纹理方向,确定出所述消失点;
对所述待检测图像进行边缘检测,得出道路边缘图;
基于所述消失点、所述道路边缘图以及预设道路识别模型,得出所述道路的道路边界,所述预设道路识别模型包含弯道识别子模型和直道识别子模型。
2.如权利要求1所述的方法,其特征在于,所述根据所述待检测图像的纹理方向特征,确定消失点的检测区域包括:
根据所述待检测图像内的各个像素点的灰度值差异,确定出第一分界线;
计算得出位于所述第一分界线以下的每行像素点的纹理方向均值;
根据所述纹理方向均值的差异,确定出所述道路的弯道和直道的第二分界线;
将所述第一分界线以下以及所述第二分界线以上的区域作为所述检测区域。
3.如权利要求1所述的方法,其特征在于,所述基于所述检测区域内的像素点的纹理方向,确定出所述消失点包括:
统计在预设范围内的纹理方向指向目标像素点的像素点的个数,得出所述目标像素点的累加值,所述预设范围为以所述目标像素点为中心,半径为预设数值的圆;
将所述累加值最大的所述目标像素点作为所述消失点。
4.如权利要求1所述的方法,其特征在于,所述对所述待检测图像进行边缘检测,得出道路边缘图包括:
利用Canny算子对所述待检测图像进行边缘检测,得出所述道路边缘图。
5.如权利要求1至4任一项所述的方法,其特征在于,所述基于所述消失点、所述道路边缘图以及预设道路识别模型,得出所述道路的道路边界,所述预设道路识别模型包含弯道识别子模型和直道识别子模型包括:
将所述消失点以下的区域以预设比例划分为近视区域和远视区域;
利用Hough变换,得出所述近视区域内道路边界的直道方程;
根据所述直道方程以及所述预设道路识别模型,得出所述道路的道路边界方程;
基于所述道路边界方程,拟合得出所述道路边界;
其中,所述预设道路识别模型为θ为弯道曲率,A为曲率常数,h为消失点高度,所述直道识别子模型为kx+b,所述弯道识别子模型为
6.一种车道线检测的装置,其特征在于,包括:
获取模块,用于获取待检测图像;
检测区域确定模块,用于根据所述待检测图像的纹理方向特征,确定消失点的检测区域;
消失点确定模块,用于基于所述检测区域内的像素点的纹理方向,确定出所述消失点;
边缘检测模块,用于对所述待检测图像进行边缘检测,得出道路边缘图;
道路边界检测模块,用于基于所述消失点、所述道路边缘图以及预设道路识别模型,得出所述道路的道路边界,所述预设道路识别模型包含弯道识别子模型和直道识别子模型。
7.如权利要求6所述的装置,其特征在于,所述检测区域确定模块包括:
第一确定单元,用于根据所述待检测图像内的各个像素点的灰度值差异,确定出第一分界线;
计算单元,用于计算得出位于所述第一分界线以下的每行像素点的纹理方向均值;
第二确定单元,用于根据所述纹理方向均值的差异,确定出所述道路的弯道和直道的第二分界线;
检测区域确定单元,用于将所述第一分界线以下以及所述第二分界线以上的区域作为所述检测区域。
8.如权利要求6所述的装置,其特征在于,所述消失点确定模块包括:
统计单元,用于统计在预设范围内的纹理方向指向目标像素点的像素点的个数,得出所述目标像素点的累加值,所述预设范围为以所述目标像素点为中心,半径为预设数值的圆;
最终确定单元,用于将所述累加值最大的所述目标像素点作为所述远消失点。
9.如权利要求6所述的装置,其特征在于,所述边缘检测模块包括:
Canny算子边缘检测单元,用于利用Canny算子对所述待检测图像进行边缘检测,得出所述道路边缘图。
10.如权利6至9任一项所述的装置,其特征在于,所述道路边界检测模块包括:
划分单元,用于将所述消失点以下的区域以预设比例划分为近视区域和远视区域;
变换单元,用于利用Hough变换,得出所述近视区域内道路边界的直道方程;
边界方程确定单元,用于根据所述直道方程以及所述预设道路识别模型,得出所述道路的道路边界方程;
拟合单元,用于基于所述道路边界方程,拟合得出所述道路边界;
其中,所述预设道路识别模型为θ为弯道曲率,A为曲率常数,h为消失点高度,所述直道识别子模型为kx+b,所述弯道识别子模型为
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710228837.5A CN106991407B (zh) | 2017-04-10 | 2017-04-10 | 一种车道线检测的方法以及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710228837.5A CN106991407B (zh) | 2017-04-10 | 2017-04-10 | 一种车道线检测的方法以及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106991407A true CN106991407A (zh) | 2017-07-28 |
CN106991407B CN106991407B (zh) | 2018-08-07 |
Family
ID=59414927
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710228837.5A Active CN106991407B (zh) | 2017-04-10 | 2017-04-10 | 一种车道线检测的方法以及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106991407B (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107657474A (zh) * | 2017-07-31 | 2018-02-02 | 石河子大学 | 一种商圈边界的确定方法及服务端 |
CN108629292A (zh) * | 2018-04-16 | 2018-10-09 | 海信集团有限公司 | 弯曲车道线检测方法、装置及终端 |
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 |
CN109063670A (zh) * | 2018-08-16 | 2018-12-21 | 大连民族大学 | 基于字头分组的印刷体满文单词识别方法 |
CN109389182A (zh) * | 2018-10-31 | 2019-02-26 | 北京字节跳动网络技术有限公司 | 用于生成信息的方法和装置 |
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 |
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 |
CN111291601A (zh) * | 2018-12-07 | 2020-06-16 | 阿里巴巴集团控股有限公司 | 车道线识别方法和装置以及电子设备 |
CN112465925A (zh) * | 2020-11-20 | 2021-03-09 | 北京赛目科技有限公司 | 一种用于仿真测试的车道线的处理方法及装置 |
CN113515973A (zh) * | 2020-04-09 | 2021-10-19 | 北京地平线机器人技术研发有限公司 | 数据获取方法、训练方法、调整方法以及装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101470807A (zh) * | 2007-12-26 | 2009-07-01 | 河海大学常州校区 | 公路车道标志线精确检测方法 |
CN101567086A (zh) * | 2009-06-03 | 2009-10-28 | 北京中星微电子有限公司 | 一种车道线检测方法及其设备 |
CN101750049A (zh) * | 2008-12-05 | 2010-06-23 | 南京理工大学 | 基于道路和车辆自身信息的单目视觉车距测量方法 |
-
2017
- 2017-04-10 CN CN201710228837.5A patent/CN106991407B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101470807A (zh) * | 2007-12-26 | 2009-07-01 | 河海大学常州校区 | 公路车道标志线精确检测方法 |
CN101750049A (zh) * | 2008-12-05 | 2010-06-23 | 南京理工大学 | 基于道路和车辆自身信息的单目视觉车距测量方法 |
CN101567086A (zh) * | 2009-06-03 | 2009-10-28 | 北京中星微电子有限公司 | 一种车道线检测方法及其设备 |
Non-Patent Citations (2)
Title |
---|
王雷: "一种基于双曲线模型的车道线跟踪监测算法设计与实现", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
罗小松: "基于韦伯局部特征的道路消失点检测", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107657474A (zh) * | 2017-07-31 | 2018-02-02 | 石河子大学 | 一种商圈边界的确定方法及服务端 |
CN108629292A (zh) * | 2018-04-16 | 2018-10-09 | 海信集团有限公司 | 弯曲车道线检测方法、装置及终端 |
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 |
CN109063670A (zh) * | 2018-08-16 | 2018-12-21 | 大连民族大学 | 基于字头分组的印刷体满文单词识别方法 |
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 |
CN109389182A (zh) * | 2018-10-31 | 2019-02-26 | 北京字节跳动网络技术有限公司 | 用于生成信息的方法和装置 |
CN111291601A (zh) * | 2018-12-07 | 2020-06-16 | 阿里巴巴集团控股有限公司 | 车道线识别方法和装置以及电子设备 |
CN111291601B (zh) * | 2018-12-07 | 2023-05-02 | 阿里巴巴集团控股有限公司 | 车道线识别方法和装置以及电子设备 |
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 |
CN113515973A (zh) * | 2020-04-09 | 2021-10-19 | 北京地平线机器人技术研发有限公司 | 数据获取方法、训练方法、调整方法以及装置 |
CN112465925A (zh) * | 2020-11-20 | 2021-03-09 | 北京赛目科技有限公司 | 一种用于仿真测试的车道线的处理方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN106991407B (zh) | 2018-08-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106991407B (zh) | 一种车道线检测的方法以及装置 | |
CN107463918B (zh) | 基于激光点云与影像数据融合的车道线提取方法 | |
CN107203973B (zh) | 一种三维激光扫描系统中线激光中心的亚像素定位方法 | |
CN107045629B (zh) | 一种多车道线检测方法 | |
CN104916163A (zh) | 泊车位检测方法 | |
JP3426060B2 (ja) | 顔画像処理装置 | |
CN109784344A (zh) | 一种用于地平面标识识别的图像非目标滤除方法 | |
JP6233345B2 (ja) | 路面勾配検出装置 | |
CN106778551B (zh) | 一种高速路段及城市道路车道线识别方法 | |
WO2015096507A1 (zh) | 一种利用山体轮廓区域约束识别定位建筑物的方法 | |
CN102750708A (zh) | 基于快速鲁棒特征匹配的仿射运动目标跟踪算法 | |
CN105551046B (zh) | 车脸定位方法及装置 | |
CN111681285B (zh) | 一种标定方法、装置、电子设备及存储介质 | |
CN109635737A (zh) | 基于道路标记线视觉识别辅助车辆导航定位方法 | |
US20150324651A1 (en) | Three-dimensional object detection device and three-dimensional object detection method | |
CN111179220B (zh) | 车道标识线质量检测方法、系统及存储介质 | |
CN109886935A (zh) | 一种基于深度学习的道面异物检测方法 | |
CN108021849B (zh) | 一种行人预警方法及装置 | |
CN111553878A (zh) | 基于双目视觉的沥青路面混合料摊铺均匀性的检测方法 | |
CN110929598B (zh) | 基于轮廓特征的无人机载sar图像匹配方法 | |
CN114743025B (zh) | 基于灰度稳定性的提高抗干扰性能的目标显著性检测方法 | |
CN106709432B (zh) | 基于双目立体视觉的人头检测计数方法 | |
JP3589293B2 (ja) | 道路の白線検出方法 | |
CN105740796B (zh) | 一种基于灰度直方图的透视变换后车道线图像二值化方法 | |
CN115147868B (zh) | 客流相机的人体检测方法、客流相机、装置及存储介质 |
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 |