CN107066952A - 一种车道线检测方法 - Google Patents
一种车道线检测方法 Download PDFInfo
- Publication number
- CN107066952A CN107066952A CN201710154253.8A CN201710154253A CN107066952A CN 107066952 A CN107066952 A CN 107066952A CN 201710154253 A CN201710154253 A CN 201710154253A CN 107066952 A CN107066952 A CN 107066952A
- Authority
- CN
- China
- Prior art keywords
- line
- image
- lane line
- mrow
- lane
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 48
- 230000002452 interceptive effect Effects 0.000 claims abstract description 22
- 238000001514 detection method Methods 0.000 claims abstract description 18
- 238000007781 pre-processing Methods 0.000 claims abstract description 12
- 230000008569 process Effects 0.000 claims description 22
- 238000012545 processing Methods 0.000 claims description 9
- 238000005260 corrosion Methods 0.000 claims description 8
- 230000007797 corrosion Effects 0.000 claims description 8
- 238000001914 filtration Methods 0.000 claims description 5
- 239000000284 extract Substances 0.000 claims description 4
- 230000000750 progressive effect Effects 0.000 claims description 4
- 238000003708 edge detection Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000012790 confirmation Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000003416 augmentation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明公开一种车道线检测方法,包括以下步骤:采集道路图像,图像分辨率为I*Y;图像预处理:对采集到的道路图像进行预处理,去除干扰信息,加强车道线信息;Hough变换直线检测:采用Hough变换检测经过预处理的图像中的直线;去除干扰线:根据车道线的角度和灰度值去除干扰线;显示已检测到的车道线。本方法在图像预处理阶段能够动态并快速地计算出感兴趣区域的分界线,在车道线确认时根据车道线角度和灰度值去除干扰线,达到实时准确地识别车道线的要求。
Description
技术领域
本发明及智能交通领域,更具体地,涉及一种简单的车道线检测方法。
背景技术
图像处理:是一种用计算机对图像进行分析,以达到所需结果的技术,图 像处理的经典过程为:
灰度化:将彩色图像转化成为灰度图像的过程称为图像的灰度化处理。灰 度图像是R、G、B三个分量相同的一种特殊的彩色图像,其一个像素点的变化 范围为255种,所以在数字图像处理中一般先将各种格式的图像转变成灰度图 像以使后续的图像的计算量变得少一些。灰度图像的描述与彩色图像一样仍然 反映了整幅图像的整体和局部的色度和亮度等级的分布和特征。
中值滤波:一种非线性平滑技术,它将每一像素点的灰度值设置为该点某 邻域窗口内的所有像素点灰度值的中值。
二值化:将图像上的像素点的灰度值设置为0或255,也就是将整个图像 呈现出明显的只有黑和白的视觉效果。
膨胀和腐蚀:基于数学形态学的图像处理方法,其基本思想是:用具有一 定形态的结构元素去量度和提取图像中的对应形状,以达到图像分析和识别的 目的。膨胀是给图像中的对象边界添加像素,使图像扩大一圈。腐蚀是删除对 象边界某些像素,使图像减小一圈。
边缘检测:边缘是图像上灰度变化最剧烈的地方,边缘检测利用这个特点, 对图像各个像素点进行微分或求二阶微分来确定边缘像素点。
Hough变换:一种使用表决原理的参数估计技术。其原理是利用图像空间 和Hough参数空间的点-线对偶性,把图像空间中的检测问题转换到参数空间。 通过在参数空间里进行简单的累加统计,然后在Hough参数空间寻找累加器峰 值的方法检测直线。
在车道线检测中,机器视觉的方式获取行车环境信息以其具有较低的成本、 直观等优势而受到越来越多的关注。在这种方法中,首先通过摄像头获取行车 环境信息,然后使用图像处理的方法提取出车道线。
在现有技术中,已有一些基于图像处理的车道线检测方法的案例,如:
申请(专利)号:201310534595.4的中国专利《实时车道线检测方法》,公 开了一种实时车道线检测方法。该方法以消失点作为感兴趣区域的分界线,消 失点以下部分作为感兴趣区域。在感兴趣区域进行图像灰度化,中值滤波,边 缘检测,使用Hough检测车道线,根据车道线角度去除干扰线。
虽然该方法可以实现实时检测车道线,但仍存在不足之处:当车道线有细 微断裂时,该方法不能连接断裂的车道线,导致不能识别车道线。另外,该方 法仅仅根据车道线的角度去除干扰线,这会使得系统误把符合车道线角度的干 扰线当作车道线。
申请(专利)号:201510513985.2的中国专利《车道线检测系统中的车道线 确认方法》,公开了一种车道线检测系统中的车道线确认方法。该方法包括以 下步骤:步骤一、摄像头采集图像;步骤二、对摄像头采集的图像进行边缘增 强;步骤三、对边缘增加后的图像选择进行二值化;步骤四、需要根据车道线 特征规律筛选出车道线内侧候选边缘点;步骤五、采用拟合技术车道线内边缘 进行拟合,得到车道的直线或曲线模型;步骤六、车道线确认。
该方法可以有效确认车道线,但仍存在不足之处:在图像预处理过程并未 设置感兴趣区域,那么在图像预处理过程就会对不必要的信息进行处理,这就 降低了图像处理的速度和并且会对Hough变换检测车道线造成干扰。另外,由 于在车道线确认过程中需要计算车道线之间的距离,这就需要对摄像头进行标 定,这也增加了系统的复杂性,并且如果摄像头不小心移动了,也会影响距离 的准确性。
发明内容
针对现有技术的不足,本发明提供一种简单的车道线检测方法,该方法在 图像预处理阶段能够动态并快速地计算出感兴趣区域的分界线,在车道线确认 时根据车道线角度和灰度值去除干扰线,达到实时准确地识别车道线的要求。
为了实现上述目的,本发明的技术方案为:
一种车道线检测方法,包括以下步骤:
A、采集道路图像,图像分辨率为I*Y;
B、图像预处理:对采集到的道路图像进行预处理,去除干扰信息,加强 车道线信息;
C、Hough变换直线检测:采用Hough变换检测经过预处理的图像中的直 线;
D、去除干扰线:根据车道线的角度和灰度值去除干扰线;
E、显示已检测到的车道线;
所述步骤B进行图像预处理的过程为:
B2、对步骤A采集到的彩色图像进行灰度化,得到灰度图像;
B3、采用3*3卷积核对灰度图像进行中值滤波;
B4、二值化,阈值Threshold为150,
B5、膨胀处理:采用3*3矩阵,内核中心点为(-1,-1),膨胀迭代1次;
B6、腐蚀处理:采用3*3矩阵,内核中心点为(-1,-1),腐蚀迭代1次;
B7、将道路图像划分为感兴趣的道路区域和非感兴趣的背景区域,去除非 感兴趣区域,保留感兴趣区域;
B8、边缘检测过程中,使用Canny算子进行提取边缘。
优选的,步骤B7提取感兴趣区域的过程为:
B71、计算图像每一行像素的灰度平均值;即第i行的像素的灰度平均值为:
MeanPixel[i]=(∑Pixel(i,y))/Y,0≤i<I,0≤y<Y
B72、比较所有行的像素的灰度平均值,如果连续两行的像素的灰度平均 值小于设定值ST,即MeanPixel[i]<ST,且MeanPixel[i+1]<ST,则将i+1作为 感兴趣区域与非感兴趣区域的分界线;
B73、将图像纵坐标大于i+1的区域作为感兴趣区域,同时把图像纵坐标小 于等于i+1的区域中所有像素点的像素的灰度值置为0。
优选的,所述步骤D去除干扰线的具体过程为:
D1、根据直线中点坐标位置将直线分为左右两组候选车道线,去除左候选 车道线中角度小于90°或者大于150°的(即左车道线有效角度范围为 [90,150]),去除右候选车道线中角度大于90°,或者小于30°的(即右车道线 有效范围为[30,90])。
D2、根据车道线灰度值去除干扰线,具体是:
从上往下逐行扫描图像,若有m条候选车道线(l1,l2,…,lm)与第i条扫描 线相交,交点分别为p1,p2,…,pm,求出该扫描线的最大扫描点;若第k条 候选车道线lk与扫描线交点pk是最大扫描点,则令候选车道线lk对应的 roadValue(k)加1;其中,roadValue(k)表示第k条候选车道线与扫描线的交点作 为最大扫描点的次数;
当扫描整个图像后,将左候选车道线组中roadValue值最大的候选车道线作 为左车道线;将右候选车道线组中roadValue值最大的候选车道线作为右车道 线。
相对于现有技术,本发明的有益效果是:首先本发明由于动态计算感兴趣 区域的分界线,去除干扰的背景信息,只对感兴趣区域进行检测,提高了车道 线检测的速率和准确率。其次本发明根据车道线的灰度值去除干扰线,进一步 提高了车道线检测的准确性。
附图说明
图1是本发明检测车道线的流程图;
图2是根据本发明进行图像预处理的流程图;
图3是提取感兴趣区域的流程图;
图4是划分感兴趣的效果图;
图5是去除干扰线的具体图。
图6是实施例中采用本方法具体示例过程示意图。
具体实施方式
下面结合附图对本发明做进一步的描述,但本发明的实施方式并不限于此。
图1是本发明提出的一种简单的车道线检测方法的流程图,包括以下步骤:
A、通过摄像头采集道路图像,图像分辨率为512*288。
B、图像预处理:对摄像头采集到的道路图像进行处理,去除干扰信息, 加强车道线信息。具体的图像预处理过程会结合图2进一步说明。
C、Hough变换直线检测:采用Hough变换检测经过预处理的图像中的直 线。
D、去除干扰线:根据车道线的角度和灰度值去除干扰线。具体过程将会 结合图5和图6说明。
E、在视频上显示出已检测到的车道线。
图2是本发明提出的进行图像预处理的流程图,其过程为:
B2、对步骤A采集到的彩色图像进行灰度化,得到灰度图像。
B3、采用3*3卷积核对灰度图像进行中值滤波。
B4、二值化,阈值Threshold为150,
B5、膨胀处理采用3*3矩阵,内核中心点为(-1,-1),膨胀迭代1次。
B6、腐蚀处理采用3*3矩阵,内核中心点为(-1,-1),腐蚀迭代1次。
B7、将道路图像划分为感兴趣的道路区域和非感兴趣的背景区域,去除非 感兴趣区域,保留感兴趣区域;具体过程结合图3说明。
B8、边缘检测过程中,使用Canny算子进行提取边缘。
步骤B7提取感兴趣区域的流程图如图3所示:
B71、计算图像每一行像素的灰度平均值。即第i行的像素的灰度平均值为:
MeanPixel[i]=(ΣPixel(i,y))/512,0≤i<288,0≤y<512
B72、比较所有行的像素的灰度平均值,如果连续两行的像素的灰度平均 值小于10,即MeanPixel[i]<10,且MeanPixel[i+1]<10,则将i+1作为感兴趣区 域与非感兴趣区域的分界线。
B73、将图像纵坐标大于i+1的区域作为感兴趣区域,同时把图像纵坐标小 于等于i+1的区域中所有像素点的像素的灰度值置为0,划分感兴趣的效果如图 4所示。
步骤D去除干扰线的具体过程如图5所示,具体为:
D1、根据直线中点坐标位置将直线分为左右两组候选车道线,去除左候选 车道线中角度小于90°或者大于150°的(即左车道线有效角度范围为 [90,150]),去除右候选车道线中角度大于90°,或者小于30°的(即右车道线 有效范围为[30,90])。
D2、根据车道线灰度值去除干扰线,在进行说明之前有必要对一些词语进 行解释。
扫描线:平行于图像横坐标轴的直线,其两端的端点坐标为(0,y),(w,y),其中 w为图像宽度。由于图像分辨率为512*288,故扫描线有288条。
最大扫描点:所有候选车道线与扫描线相交的交点中灰度值最大的交点。
从上往下逐行扫描图像,若有m条候选车道线(l1,l2,…,lm)与第i条扫描 线相交,交点分别为p1,p2,…,pm,求出该扫描线的最大扫描点。若第k条 候选车道线lk与扫描线交点pk是最大扫描点,则令候选车道线lk对应的 roadValue(k)加1。其中,roadValue(k)表示第k条候选车道线与扫描线的交点作 为最大扫描点的次数。
当扫描整个图像后,将左候选车道线组中roadValue值最大的候选车道线作 为左车道线;将右候选车道线组中roadValue值最大的候选车道线作为右车道 线。
下面结合示例进行说明,如图6所示,
假设只有三条扫描线,分别为s1,s2,s3。有四条候选车道线分别为l1,l2, l3,l4。红色圈圈附近的数字代表扫描线与候选车道线交点和灰度值。
首先从扫描线s1开始,只有两条候选车道线l1和l4与扫描线s1相交,且l1与s1的交点p11的灰度值较大,即s1的最大扫描点为p11,则l1对应的roadValue(1) 值加1。接着扫描扫描线s2,有四条候选车道线(l1,l2,l3,l4)与扫描线s2相交, 其中l4与s2的交点p24灰度值最大,即s2的最大扫描点为p24,则l4对应的 roadValue(4)值加1。最后扫描扫描线s3,有三条候选车道线(l1,l2,l3)与扫 描线s3相交,其中l4与s2的交点p34灰度值最大,即s3的最大扫描点为p34,则 l4对应的roadValue(4)加1。
所有的扫描线都扫描完后,左车道线组中候选车道线l1的roadValue(1)最 大,故将l1作为左车道线。右车道线组中候选车道线l4的roadValue(2)最大,故 将l4作为右车道线。
本发明动态计算感兴趣区域分界线:从上往下计算每一行平均灰度值,把 连续两行平均灰度值小于10的行作为感兴趣区域的分界线。
根据车道线灰度值去除干扰线:采用了逐行扫描的方式,寻找与扫描线交 点作为最大扫描点次数最多的候选车道线,作为最终车道线。
以上所述的本发明的实施方式,并不构成对本发明保护范围的限定。任何 在本发明的精神原则之内所作出的修改、等同替换和改进等,均应包含在本发 明的权利要求保护范围之内。
Claims (3)
1.一种车道线检测方法,其特征在于,包括以下步骤:
A、采集道路图像,图像分辨率为I*Y;
B、图像预处理:对采集到的道路图像进行预处理,去除干扰信息,加强车道线信息;
C、Hough变换直线检测:采用Hough变换检测经过预处理的图像中的直线;
D、去除干扰线:根据车道线的角度和灰度值去除干扰线;
E、显示已检测到的车道线;
所述步骤B进行图像预处理的过程为:
B2、对步骤A采集到的彩色图像进行灰度化,得到灰度图像;
B3、采用3*3卷积核对灰度图像进行中值滤波;
B4、二值化,阈值Threshold为150,
<mrow>
<mi>P</mi>
<mi>i</mi>
<mi>x</mi>
<mi>e</mi>
<mi>l</mi>
<mrow>
<mo>(</mo>
<mrow>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
</mrow>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mn>255</mn>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>P</mi>
<mi>i</mi>
<mi>x</mi>
<mi>e</mi>
<mi>l</mi>
<mo>&GreaterEqual;</mo>
<mi>T</mi>
<mi>h</mi>
<mi>r</mi>
<mi>e</mi>
<mi>s</mi>
<mi>h</mi>
<mi>o</mi>
<mi>l</mi>
<mi>d</mi>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mn>0</mn>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>P</mi>
<mi>i</mi>
<mi>x</mi>
<mi>e</mi>
<mi>l</mi>
<mo><</mo>
<mi>T</mi>
<mi>h</mi>
<mi>r</mi>
<mi>e</mi>
<mi>s</mi>
<mi>h</mi>
<mi>o</mi>
<mi>l</mi>
<mi>d</mi>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
B5、膨胀处理:采用3*3矩阵,内核中心点为(-1,-1),膨胀迭代1次;
B6、腐蚀处理:采用3*3矩阵,内核中心点为(-1,-1),腐蚀迭代1次;
B7、将道路图像划分为感兴趣的道路区域和非感兴趣的背景区域,去除非感兴趣区域,保留感兴趣区域;
B8、边缘检测过程中,使用Canny算子进行提取边缘。
2.根据权利要求1所述的方法,其特征在于,步骤B7提取感兴趣区域的过程为:
B71、计算图像每一行像素的灰度平均值;即第i行的像素的灰度平均值为:
MeanPixel[i]=(∑Pixel(i,y))/Y,0≤i<I,0≤y<Y
B72、比较所有行的像素的灰度平均值,如果连续两行的像素的灰度平均值小于设定值ST,即MeanPixel[i]<ST,且MeanPixel[i+1]<ST,则将i+1作为感兴趣区域与非感兴趣区域的分界线;
B73、将图像纵坐标大于i+1的区域作为感兴趣区域,同时把图像纵坐标小于等于i+1的区域中所有像素点的像素的灰度值置为0。
3.根据权利要求1所述的方法,其特征在于,所述步骤D去除干扰线的具体过程为:
D1、根据直线中点坐标位置将直线分为左右两组候选车道线,去除左候选车道线中角度小于90°或者大于150°的(即左车道线有效角度范围为[90,150]),去除右候选车道线中角度大于90°,或者小于30°的(即右车道线有效范围为[30,90])。
D2、根据车道线灰度值去除干扰线,具体是:
从上往下逐行扫描图像,若有m条候选车道线(l1,l2,…,lm)与第i条扫描线相交,交点分别为p1,p2,…,pm,求出该扫描线的最大扫描点;若第k条候选车道线lk与扫描线交点pk是最大扫描点,则令候选车道线lk对应的roadValue(k)加1;其中,roadValue(k)表示第k条候选车道线与扫描线的交点作为最大扫描点的次数;
当扫描整个图像后,将左候选车道线组中roadValue值最大的候选车道线作为左车道线;将右候选车道线组中roadValue值最大的候选车道线作为右车道线。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710154253.8A CN107066952A (zh) | 2017-03-15 | 2017-03-15 | 一种车道线检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710154253.8A CN107066952A (zh) | 2017-03-15 | 2017-03-15 | 一种车道线检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107066952A true CN107066952A (zh) | 2017-08-18 |
Family
ID=59620599
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710154253.8A Pending CN107066952A (zh) | 2017-03-15 | 2017-03-15 | 一种车道线检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107066952A (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107545254A (zh) * | 2017-09-14 | 2018-01-05 | 湖南酷陆网络科技有限公司 | 路面洁净度的检测方法及装置 |
CN107918763A (zh) * | 2017-11-03 | 2018-04-17 | 深圳星行科技有限公司 | 车道线检测方法和系统 |
CN108416320A (zh) * | 2018-03-23 | 2018-08-17 | 京东方科技集团股份有限公司 | 巡检设备、巡检设备的控制方法及控制装置 |
CN108528336A (zh) * | 2018-04-18 | 2018-09-14 | 福州大学 | 一种车辆压线提前预警系统 |
CN109670443A (zh) * | 2018-12-18 | 2019-04-23 | 福州大学 | 一种基于叠加约束的改进型Hough变换的道路线检测方法 |
WO2020139356A1 (en) * | 2018-12-27 | 2020-07-02 | Didi Research America, Llc | Image pre-processing in a lane marking determination system |
CN111546985A (zh) * | 2020-04-26 | 2020-08-18 | 东风汽车集团有限公司 | 一种基于高精度地图的360度全景影像增强系统 |
US10990815B2 (en) | 2018-12-27 | 2021-04-27 | Beijing Didi Infinity Technology And Development Co., Ltd. | Image pre-processing in a lane marking determination system |
US11023745B2 (en) | 2018-12-27 | 2021-06-01 | Beijing Didi Infinity Technology And Development Co., Ltd. | System for automated lane marking |
US11087173B2 (en) | 2018-12-27 | 2021-08-10 | Beijing Didi Infinity Technology And Development Co., Ltd. | Using image pre-processing to generate a machine learning model |
CN114724119A (zh) * | 2022-06-09 | 2022-07-08 | 天津所托瑞安汽车科技有限公司 | 车道线提取方法、检测设备及存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103593671A (zh) * | 2013-11-25 | 2014-02-19 | 中国航天科工集团第三研究院第八三五七研究所 | 基于三摄像机协同的大范围车道线视觉检测方法 |
CN103617412A (zh) * | 2013-10-31 | 2014-03-05 | 电子科技大学 | 实时车道线检测方法 |
CN104129389A (zh) * | 2014-08-06 | 2014-11-05 | 中电海康集团有限公司 | 一种有效判别车辆行驶状态的方法及其装置 |
CN104700072A (zh) * | 2015-02-06 | 2015-06-10 | 中国科学院合肥物质科学研究院 | 基于车道线历史帧的识别方法 |
CN105460009A (zh) * | 2015-11-30 | 2016-04-06 | 奇瑞汽车股份有限公司 | 汽车控制方法及装置 |
CN105930791A (zh) * | 2016-04-19 | 2016-09-07 | 重庆邮电大学 | 基于ds证据理论的多摄像头融合的路面交通标志识别方法 |
US20160350603A1 (en) * | 2015-05-28 | 2016-12-01 | Tata Consultancy Services Limited | Lane detection |
-
2017
- 2017-03-15 CN CN201710154253.8A patent/CN107066952A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103617412A (zh) * | 2013-10-31 | 2014-03-05 | 电子科技大学 | 实时车道线检测方法 |
CN103593671A (zh) * | 2013-11-25 | 2014-02-19 | 中国航天科工集团第三研究院第八三五七研究所 | 基于三摄像机协同的大范围车道线视觉检测方法 |
CN104129389A (zh) * | 2014-08-06 | 2014-11-05 | 中电海康集团有限公司 | 一种有效判别车辆行驶状态的方法及其装置 |
CN104700072A (zh) * | 2015-02-06 | 2015-06-10 | 中国科学院合肥物质科学研究院 | 基于车道线历史帧的识别方法 |
US20160350603A1 (en) * | 2015-05-28 | 2016-12-01 | Tata Consultancy Services Limited | Lane detection |
CN105460009A (zh) * | 2015-11-30 | 2016-04-06 | 奇瑞汽车股份有限公司 | 汽车控制方法及装置 |
CN105930791A (zh) * | 2016-04-19 | 2016-09-07 | 重庆邮电大学 | 基于ds证据理论的多摄像头融合的路面交通标志识别方法 |
Non-Patent Citations (1)
Title |
---|
陈功醇 等: "结合形态学的结构化车道线快速识别算法", 《计算机系统应用》 * |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107545254A (zh) * | 2017-09-14 | 2018-01-05 | 湖南酷陆网络科技有限公司 | 路面洁净度的检测方法及装置 |
CN107918763A (zh) * | 2017-11-03 | 2018-04-17 | 深圳星行科技有限公司 | 车道线检测方法和系统 |
CN108416320B (zh) * | 2018-03-23 | 2021-04-06 | 京东方科技集团股份有限公司 | 巡检设备、巡检设备的控制方法及控制装置 |
CN108416320A (zh) * | 2018-03-23 | 2018-08-17 | 京东方科技集团股份有限公司 | 巡检设备、巡检设备的控制方法及控制装置 |
US10580124B2 (en) | 2018-03-23 | 2020-03-03 | Boe Technology Group Co., Ltd. | Inspection device, control method and control apparatus for the same |
CN108528336A (zh) * | 2018-04-18 | 2018-09-14 | 福州大学 | 一种车辆压线提前预警系统 |
CN108528336B (zh) * | 2018-04-18 | 2021-05-18 | 福州大学 | 一种车辆压线提前预警系统 |
CN109670443A (zh) * | 2018-12-18 | 2019-04-23 | 福州大学 | 一种基于叠加约束的改进型Hough变换的道路线检测方法 |
WO2020139356A1 (en) * | 2018-12-27 | 2020-07-02 | Didi Research America, Llc | Image pre-processing in a lane marking determination system |
US10990815B2 (en) | 2018-12-27 | 2021-04-27 | Beijing Didi Infinity Technology And Development Co., Ltd. | Image pre-processing in a lane marking determination system |
US11023745B2 (en) | 2018-12-27 | 2021-06-01 | Beijing Didi Infinity Technology And Development Co., Ltd. | System for automated lane marking |
US11087173B2 (en) | 2018-12-27 | 2021-08-10 | Beijing Didi Infinity Technology And Development Co., Ltd. | Using image pre-processing to generate a machine learning model |
CN111546985A (zh) * | 2020-04-26 | 2020-08-18 | 东风汽车集团有限公司 | 一种基于高精度地图的360度全景影像增强系统 |
CN114724119A (zh) * | 2022-06-09 | 2022-07-08 | 天津所托瑞安汽车科技有限公司 | 车道线提取方法、检测设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107066952A (zh) | 一种车道线检测方法 | |
CN110544251B (zh) | 基于多迁移学习模型融合的大坝裂缝检测方法 | |
CN102542289B (zh) | 一种基于多高斯计数模型的人流量统计方法 | |
CN101615292B (zh) | 基于灰度信息的人眼精确定位方法 | |
CN104077577A (zh) | 一种基于卷积神经网络的商标检测方法 | |
CN110414385B (zh) | 一种基于单应性变换和特征窗口的车道线检测方法及系统 | |
CN102750540A (zh) | 基于形态滤波增强的最稳定极值区视频文本检测方法 | |
CN106599896A (zh) | 一种字符分割方法和装置、及元件检测方法和装置 | |
CN105354558A (zh) | 人脸图像匹配方法 | |
CN108921813A (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 | |
CN110766016B (zh) | 一种基于概率神经网络的喷码字符识别方法 | |
CN114863493B (zh) | 一种低质量指纹图像和非指纹图像的检测方法及检测装置 | |
LU102950B1 (en) | Tobacco plant counting method based on uav remote sensing technology and image processing technology | |
CN106952280A (zh) | 一种基于计算机视觉的喷枪喷漆量均匀度检测方法 | |
CN108492306A (zh) | 一种基于图像轮廓的x型角点提取方法 | |
CN102938074B (zh) | 体育直播虚拟广告系统中羽毛球或网球场地的自适应提取方法 | |
CN106408533A (zh) | 一种卡片图像提取方法及系统 | |
CN116665258B (zh) | 一种手掌图像指缝分割方法 | |
CN105930811A (zh) | 基于图像处理的手掌纹理特征检测方法 | |
CN104809733A (zh) | 一种古建墙壁受污题记文字图像边缘提取方法 | |
CN108009480A (zh) | 一种基于特征识别的图像人体行为检测方法 | |
CN114758139B (zh) | 基坑积水检测方法 | |
CN104408430B (zh) | 一种车牌定位方法及装置 | |
CN116205939A (zh) | 线条提取方法、线条提取设备和计算机存储介质 | |
CN111178111A (zh) | 二维码检测方法、电子设备、存储介质及系统 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170818 |