CN107066986A - 一种基于单目视觉的车道线与前方障碍物检测方法 - Google Patents
一种基于单目视觉的车道线与前方障碍物检测方法 Download PDFInfo
- Publication number
- CN107066986A CN107066986A CN201710266975.2A CN201710266975A CN107066986A CN 107066986 A CN107066986 A CN 107066986A CN 201710266975 A CN201710266975 A CN 201710266975A CN 107066986 A CN107066986 A CN 107066986A
- Authority
- CN
- China
- Prior art keywords
- mrow
- lane line
- line
- msub
- point
- 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
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
- 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
- G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
Abstract
一种基于单目视觉的车道线与前方障碍物检测方法，本发明涉及车道线检测与前方障碍物检测方法。本发明的目的是为了解决现有技术对车道线检测不准确以及前方障碍物检测精度低的缺点。具体过程为：一、采用车载CCD摄像机获取原始图像，对原始图像进行灰度处理，得到灰度图像；二、对灰度图像进行预处理，得到去除杂波后的二值化图像；三、对去除杂波后的二值化图像进行基于霍夫变换的近半区车道线初始检测和压线报警检测；四、根据三得到的近半区车道线初始检测线上的点坐标对近视场车道线和远视场车道线进行抛物线拟合，得到拟合车道线；五、对四得到的拟合车道线内进行障碍物检测。本发明用于图像处理技术领域。
Description
技术领域
本发明涉及车道线检测与前方障碍物检测方法。涉及图像处理技术领域。
背景技术
车道线是最基本的交通标志，同时也是车道偏离系统中一个基本、必须的功能。它不仅为导航提供参照，而且应用于运动目标检测、汽车事故预警等功能。
绝大部分的车道偏离系统都将车辆在车道内的横向位置作为计算告警发生与否的一个基础。这些系统可分为两类：基于道路基础构造的系统以及基于车辆的系统。而基于单目视觉的车道线检测属于后者。基于车辆的车道偏离警告系统是利用机器视觉或红外传感器检测车道标识的位置，按照传感器的安装方式可分为俯视系统和前视系统。
1)俯视系统的优势就是在结构化的道路上效率高并简单易行，并有可能取得更高的定位精度，其缺点在于只能在结构化的道路上使用；2)前视系统的优势在于利用更多的道路信息，在没有道路标识的道路上也可以使用。其不利因素就是用来定位车辆横向位置的一些图像特征点可能被其他车辆或行人干扰；2012年Matthias Zobel等人提出了一种基于图像的车道线检测思想，可以在没有车道线标志存在时检测实际的行驶边界，但在使用单目视觉图像时需要连续的生成图像序列(US PatentNo.9257045)；2014年，TeaWon Han等人基于Hough变换提出了一种直线车道线的检测方法，但需要提前知道车道的宽度且不能对远区的弯曲车道进行拟合(US PatentNo.9245188)；以上问题导致车道线检测不准确以及前方障碍物检测精度低。
发明内容
本发明的目的是为了解决现有技术对车道线检测不准确以及前方障碍物检测精度低的缺点，而提出一种基于单目视觉的车道线与前方障碍物检测方法。
一种基于单目视觉的车道线与前方障碍物检测方法具体过程为：
步骤一、采用车载CCD摄像机获取原始图像，对原始图像进行灰度处理，得到灰度图像；
步骤二、对灰度图像进行预处理，得到去除杂波后的二值化图像；
步骤三、对去除杂波后的二值化图像进行基于霍夫变换的近半区车道线初始检测和压线报警检测；
步骤四、根据步骤三得到的近半区车道线初始检测线上的点坐标对近视场车道线和远视场车道线进行抛物线拟合，得到拟合车道线；
步骤五、对步骤四得到的拟合车道线内进行障碍物检测。
本发明的有益效果为：
本发明首先输入车载摄像机一帧图像，而后进行图像二值化和图像滤波，进行车道线初始检测，检测是否压线并判决报警，车道线拟合，障碍物检测。通过对高速公路上汽车左右车道线的检测与拟合及其前方车辆的检测，该技术方案可实现车道偏离预警及前方障碍物预警，提醒驾驶者及时修正自己的驾驶方向及速度，提高驾驶安全性。
为了克服上述现有技术的不足，本发明提供了一种基于车载CCD摄像机获取的QVGA灰度图像、机器视觉(Machine Vision)和图像处理算法的车道线检测与前方障碍物测距技术。本发明围绕着高速公路车道偏离预警系统的系统建模理论、视觉感知算法、决策算法和实际实验验证这一研究主线进行系统地分析，以期能够更加快速，准确的提供车道线和障碍物信息，提高驾驶安全性。解决了现有只能在结构化的道路上使用、用来定位车辆横向位置的一些图像特征点可能被其他车辆或行人干扰、使用单目视觉图像时需要连续的生成图像序列、需要提前知道车道的宽度且不能对远区的弯曲车道进行拟合的问题。
(1)灰度图像二值化采用基于行的局部阈值分割，大幅度提高了分割的准确性，具有更强的实时性和鲁棒性。
(2)采用DLD算法处理，有效提高车道线识别在阴雨天气下的识别精度，经过将经典边缘检测算法处理图与经过DLD算法处理后的结果图比较后得知，由于大面积路面非车道线标志物被去除，解决了车道线检测不准确以及前方障碍物检测精度低的问题，本发明可以准确检测车道线，对车道线的检测精度提高了15％左右；
(3)对左右两个部分进行梯形区域分割，霍夫变换的总计算量与分割区域的块数近似成反比，将左右部分分割成小的区域，可以大幅度减少霍夫变换的总计算量；
(4)由霍夫变换检测的两条直线来确定感兴趣区域(Area ofInterest,AOI)。在这之后，我们便不需要对整个图像区域进行操作，只需要在此区间内进行后续操作即可。
(5)在车辆底部阴影检测中，由于实际行驶环境错综复杂，既有路况的变化，也有天气、光照的变化，底部阴影很容易受到干扰，导致采用单一阈值二值化的处理效果下降，提取目标特征的同时也会保留不少其他非感兴趣的图像元素，不利于后续识别。因此本发明采用自适应双阈值法检测车辆底部阴影，然后再确定阴影位置，即可相应确定前方车辆障碍物的位置。
由附图2a、2b可以明显看出车道线被明显提取出来，附图4a、4b说明滤波算法有效地去除了车道线以外的白色亮点，达到了去噪的目的，附图6a、6b、6c显示应用DLD算法将道路信息中大片白色区域视为转弯标志而加以去除，仅留下车道线信息；图6a为普通边缘检测算法处理后的图，可见存在较大误差；图6b为本发明采用的边缘检测图，较之传统边缘检测方法边缘提取更好，提高了一定准确度，但与图6c中DLD算法处理后(后图)比较明显左转弯标识会对车道线检测进行干扰；附图13表示将整条车道线拟合成功；附图14a、14b体现车辆底部阴影检测效果较为明显，能够很好地完成障碍物检测的要求。
附图说明
图1为本发明流程图；
图2a为原始灰度图；
图2b为二值化处理效果图；
图3为近邻法去除杂波流程图；
图4a为杂波处理前的二值化效果图；
图4b为近邻法去除杂波后的二值化效果图；
图5为DLD算法流程图，DLD为暗-亮-暗；
图6a为普通边缘检测算法处理后的图；
图6b为本发明采用的边缘检测图；
图6c为本发明采用DLD算法处理后实际效果图；
图7a为原始图像点空间示意图，Hough为霍夫变换；
图7b为对图7a Hough变换后的参数空间示意图；
图8为Hough变换区域分割图；
图9a为左压线情况示意图；
图9b为压中间线情况示意图；
图9c为右压线情况示意图；
图10为压线判定流程图；
图11为图像近场与远场区定义；
图12a为初始检测得到的车道线检测算法示意图；
图12b为远区弯道检测算法示意图；
图13为车道线拟合结果；
图14a为原始灰度图；
图14b为采用自适应双阈值检测法对车辆底部阴影检测后的效果图；
图15为前方障碍物检测算法流程图。
具体实施方式
具体实施方式一：结合图1说明本实施方式，本实施方式的一种基于单目视觉的车道线与前方障碍物检测方法具体过程为：
步骤一、采用车载CCD摄像机获取原始图像，对原始图像进行灰度处理，得到灰度图像；
步骤二、对灰度图像进行预处理，得到去除杂波后的二值化图像；
步骤三、对去除杂波后的二值化图像进行基于霍夫变换的近半区车道线初始检测和压线报警检测；
步骤四、根据步骤三得到的近半区车道线初始检测线上的点坐标对近视场车道线和远视场车道线进行抛物线拟合，得到拟合车道线；
步骤五、对步骤四得到的拟合车道线的内部进行障碍物检测。
具体实施方式二：本实施方式与具体实施方式一不同的是：所述步骤二中对灰度图像进行预处理；预处理包括灰度图像二值化和滤波；得到去除杂波后的二值化图像；具体过程为：
步骤二一、对灰度图像进行二值化预处理，得到二值化图像；具体过程为：
步骤二二、对二值化图像进行滤波预处理，得到去除杂波后的二值化图像。
其它步骤及参数与具体实施方式一相同。
具体实施方式三：本实施方式与具体实施方式一或二不同的是：所述步骤二一中对灰度图像进行二值化预处理，得到二值化图像；具体过程为：
采用灰度阈值分割算法对灰度图像每一行进行处理，每一行灰度阈值定在每一行最大灰度值与该行平均灰度值之间，可以准确的分割处车道与背景，即：RowAvg[i]<T[i]<MaxGray[i]；
其中：RowAvg[i]为第i行的平均灰度值；MaxGray[i]为第i行的最大灰度值；T[i]为第i行灰度阈值；i取值为正整数，比如240；
为了简化算法的复杂性，选定一个比例因子R，0<R<1，定义
T[i]＝RowAvg[i]+(MaxGray[i]-RowAvg[i])*R
*为乘号。
其它步骤及参数与具体实施方式一或二相同。
具体实施方式四：本实施方式与具体实施方式一至三之一不同的是：所述步骤二二中对二值化图像进行滤波预处理，得到去除杂波后的二值化图像；具体过程为：
采用近邻法去除杂波,过程为：取二值化图像的灰度值不为0的点P周围8个点(9宫格中以点P为中心周围的8个相邻点)，将二值化图像分为近区(行数i∈[201,239],由于在C语言中行数从0开始算起，所以序号239是最近的一行)、中区(行数i∈[161,200])、远区(行数i∈[120,160])和极远区(行数i∈[i0,119])四个部分，0≤i0≤119；极远区中i0所对应的行数可视实际情况而定，一般情况下我们并不需要处理全部的图像区域；若二值化图像处于近区时8个点中不为0的点数小于4则判断点P为杂波并去除；若二值化图像处于中区时8个点中不为0的点数小于3则判断点P为杂波并去除；若二值化图像处于远区时8个点中不为0的点数小于2则判断点P为杂波并去除；若二值化图像处于极远区时8个点中不为0的点数小于1则判断点P为杂波并去除；得到去除杂波后的二值化图像。如图3。
二值化图像共240行。
极远区中i0所对应的行数可视实际情况而定,采用近邻法来去除杂波。
其它步骤及参数与具体实施方式一至三之一相同。
具体实施方式五：本实施方式与具体实施方式一至四之一不同的是：所述步骤三中对去除杂波后的二值化图像进行基于霍夫变换的近半区车道线初始检测和压线报警检测；具体过程为：
步骤三一、筛选车道线区域的；
步骤三一先进行初步筛选，去除如车道转向标志这种大面积全白，仅剩车道线，随后再进行步骤三二的处理，即步骤三二所用图像是经过步骤三一DLD算法处理过的图像；
步骤三二、在步骤一的基础上基于霍夫变换的近半区(第120行至239行)车道线初始检测；
步骤三三、根据近半区车道线初始检测结果在左右车道线都存在时采用压线判定算法进行压线报警检测。
左右车道线是道路上的，中间线是图像沿y轴中心假想出得一条线，如果y轴长度是314，那中间线就是直线y＝157。
其它步骤及参数与具体实施方式一至四之一相同。
具体实施方式六：本实施方式与具体实施方式一至五之一不同的是：所述步骤三一中车道线区域的筛选，过程为：
采用Dark-Light-Dark,即DLD算法，即车道线相对于左右两边的区域总是亮的(Light)，即车道线的左边临近区域比车道线要暗一些(Dark)，车道线的右边邻近区域也比车道线要暗一些(Dark)，包括以下步骤：如图5；
1)确定参数
参数包括：由于车道线宽度是有限的，比如是L，这样我们在某一行随便选取一点；
a、根据车道线在图像中的宽度确定每一行DLD操作时操作点与左右两个领域点的距离；这个距离在图像的近半区(i∈[120,239])可设置为固定值，如y方向距离为1；确定距离后面以这个距离为步长进行处理，目的是去除如车道转向标志这种大面积全白的影响；
b、用于与灰度差的最小值作比较的门限值，这个门限值反映了车道线上的点与左右非车道线的点的亮度对比度，当对比度高时该门限值取值较大，当对比度低时取值则较小，例如晴朗的白天该门限值就可以取高一点的值如灰度差15，夜晚该门限值的取值则较小，如灰度差5；
2)计算去除杂波后的二值化图像每行内各点与相邻左右固定距离点灰度差；
距离就是a求得距离；
3)求每行内各点与相邻左右固定距离点灰度差的最小值；
4)比较最小值与门限值大小，门限值如灰度差为15，若最小值大于门限值则保留该点的灰度值不变，若小于门限值则设置该点灰度值为零。
1)确定距离和门限值；2)的左右点实际上是要确定距离该点左右多少的点(举例15个像素点)，这个距离是a中根据车道线宽度确定的，确定好后与左右点做灰度差，是为了确定出车道线，只有车道线满足在这个距离步长条件下比两边都亮(灰度值大)所谓DLD就是暗亮暗；
算法中是取该点与左右灰度差的最小值，与门限值比较，大的保留，小的置0(变黑)，实际绝大多数都会变黑，只有车道线上的中心线位置保留为白；
因为它比两边(左右)都亮，使两边的灰度差都比较大；
车道线初始检测和压线报警
基于霍夫变换的车道线检测是应用最为广泛的车道识别方法之一。它的基本思想是点-线的对偶性，即图像空间里共线的点对应参数空间里相交于一点的正弦曲线；反过来，参数空间相交于同一点的所有正弦曲线在图像空间里都有共线的点与之相对应。为了解决垂直直线斜率无穷大的问题，一般通过如下的直线极坐标方程进行霍夫变换，ρ＝xcosθ+ysinθ，其中ρ为原点到该直线的距离，θ是过原点到该直线的垂线与X轴正向的夹角，表明直线的方向，具体操作为首先对参数空间中的参数ρ和θ的可能取值范围进行量化，根据量化结果构造一个累加器A(ρmin:ρmax,θmin,θmax)，并初始化为零；再对图像空间中的给定点让θ取遍所有可能值，计算出ρ根据ρ和θ的累加器：A(ρ,θ)＝A(ρ,θ)+1；最后根据累加器A中的最大值所对应的ρ和θ确定原图像空间中的目标直线。
其它步骤及参数与具体实施方式一至五之一相同。
具体实施方式七：本实施方式与具体实施方式一至六之一不同的是：所述步骤三二中基于霍夫变换的近半区车道线初始检测，包含以下步骤：如图7a、7b、8；
1)将二值化图像近半区(第120行至239行)车道线平均分成左右两个部分，将左半部分和右半部分分别用斜率为-1和+1的18条直线各分割为17个梯形区域；进行区域分割的原因详见下面的分析；
2)分别在左右部分按照从1到17的顺序对每个梯形区域内的点运用霍夫变换进行直线检测，得到霍夫变换检测到的直线Lhough，检测时将车道线直线斜率对应角度限制在[20,75]度之间；
3)设定门限，判定左右部分是否存在车道线，并估计出车道线直线的位置参数；过程为：
如果某一个梯形区域中最长的直线对应的霍夫变换积累点数不超过20个点，则认为不存在车道线，否则存在车道线并记录下车道线直线对应的斜率和截距，根据车道线直线对应的斜率和截距，估计出车道线直线的位置；
在对近半区车道线进行初始检测后，便可由霍夫变换检测的两条直线来确定感兴趣区域(Area ofInterest,AOI)。在这之后，我们便不需要对整个图像区域进行操作，只需要在在此区间内进行后续操作即可。
其它步骤及参数与具体实施方式一至六之一相同。
具体实施方式八：本实施方式与具体实施方式一至七之一不同的是：所述步骤三三、根据近半区车道线初始检测结果在左右车道线都存在时采用压线判定算法进行压线报警检测；如图9a、9b、9c、10；过程为：
1)计算存在车道线区域下边缘左车道线与中间线距离AO，AO值与阈值进行比较以检测是否左车道线压线；若AO值小于阈值，则判定为左车道线压线；若AO值大于等于阈值，则判定左车道线不压线；
阈值为人为设定；(如在上述坐标系情况下，AO大于等于100(y方向)则认为不压线)
2)计算存在车道线区域下边缘左右车道线所围三角形的两个底角之和Φ，若Φ值小于角度阈值，则判定为车辆压着中间的车道线；若Φ值大于等于角度阈值，则判定为车辆不压着中间的车道线；
所述角度阈值为60度；
3)计算存在车道线区域下边缘右车道线与中间线距离BO，BO值与某阈值进行比较以检测是否右车道线压线，若BO值小于阈值，则判定为右车道线压线；若BO值大于等于阈值，则判定右车道线不压线。
其它步骤及参数与具体实施方式一至七之一相同。
具体实施方式九：本实施方式与具体实施方式一至八之一不同的是：所述步骤四中对近视场车道线和远视场车道线进行抛物线拟合，得到拟合车道线；如图11、12a、12b；具体过程为：
分为两个步骤来进行：1)近视场车道线进行直线拟合；2)远视场车道线进行抛物线拟合；
选用的车道线模型为直线-抛物线模型：近视场区域为直线车道线模型，远视场区域为抛物线车道线模型：
其中，a为近视场车道线拟合的常数项系数，b为近视场车道线拟合的一次项系数，c为远视场车道线拟合的常数项系数，d为远视场车道线拟合的一次项系数，e为远视场车道线拟合的二次项系数；xm为道路图像近视场和远视场的分界线，x>xm为图像近视场，x≤xm为图像的远视场，x_up_limit是在进行远视场弯道检测时所选择的最远处，因为一般而言车道线并不总是延伸到图像的最上边缘；xm和x_up_limit的选择依靠所获得的道路图像的大小和质量，本发明假定xm的大小为骤一的灰度图像高度的0.7倍；
近视场区域为直线车道线模型和远视场区域为抛物线车道线模型的具体求解过程为：
(3a)(xn1,yn1)，(xn2,yn2)…(xnm,ynm)为在近视场存在车道线区域内搜索到的m个非零像素点，近视场车道线直线拟合f(x)＝a+bx的公式如下：
式中，xn1为近视场车道线直线n1点的横坐标；yn1为近视场车道线直线n1点的纵坐标；xn2为近视场车道线直线n2点的横坐标；yn2为近视场车道线直线n2点的纵坐标；xnm为近视场车道线直线nm点的横坐标；ynm为近视场车道线直线nm点的纵坐标；m为近视场存在车道线区域内的所有点，取值为正整数正整数；i为近视场存在车道线区域内的点，1≤i≤m；
(3b)(xf1,yf1)，(xf2,yf2)…(xfn,yfn)为在远视场存在车道线区域内搜索到的n个非零像素点，远视场车道线抛物线拟合：
其中：
式中，xf1为远视场车道线直线f1点的横坐标；yf1为远视场车道线直线f1点的纵坐标；xf2为远视场车道线直线f2点的横坐标；yf2为远视场车道线直线f2点的纵坐标；xfn为远视场车道线直线fn点的横坐标；yfn为远视场车道线直线fn点的纵坐标；yj为远视场点的纵坐标；xj为远视场点的横坐标；j为远视场存在车道线区域内的点，1≤j≤n；n为远视场存在车道线区域内的所有点，取值为正整数；
(3c)在进行检测近视场车道线上的点的坐标时，在霍夫变换检测得到的直线Lhough的两侧临域内各△y的范围内进行实际车道线坐标的搜索，并确定经过预处理及DLD算法处理后的图像中每一行左右车道线内侧边缘点对应的点的坐标(当某行不存在车道线上的点时，比如分段车道线中间的空隙行，则该行无记录)。由于近区实际车道线与Lhough在每一行的误差相对较小，因此在Lhough每行对应的点坐标的临域内检测即可保证检测到实际车道线点的坐标。比如，△y0＝25，一幅图是一个矩阵，25就是矩阵里25个点；
(3d)在进行检测远视场车道线上的点的坐标时，由于出现弯道，车道线并不总是在Lhough的内侧，首先在霍夫变换检测得的直线Lhough上点坐标的左右临域各△y0的范围内进行实际车道线坐标的搜索，设第n行Lhough上的坐标为(xn,yn)h，实际搜索到的车道线坐标对应为(xn,yn)；由于弯道车道线随着向远方延伸不断偏离Lhough，如果根据Lhough上的点坐标在固定临域△y0内进行搜索可能会丢失真实车道线上的点，因此需要根据实际存在的车道线坐标(xn,yn)与对应的Lhough上的坐标(xn,yn)h进行比较，计算其差值△yn，将此差值作为修正距离，不断将步骤一的灰度图像中上一行Lhough上的坐标点(xn-1,yn-1)h修正为(x'n-1,y'n-1)h，即(x'n-1,y'n-1)h＝(xn-1,yn-1)h+△yn，然后再以(x'n-1,y'n-1)h为基准点，在左右临域各△y0的范围内进行实际车道线坐标的搜索，极大地提高了对弯道上实际点的检测性能。
其它步骤及参数与具体实施方式一至八之一相同。
具体实施方式十：本实施方式与具体实施方式一至九之一不同的是：所述步骤五中对步骤四得到的拟合车道线的内部(2条近视场车道线之间的区域)进行车辆障碍物检测；具体过程为：
经过大量实验验证，投射到路面上的车辆下方的阴影是判断车辆存在与否的一个非常稳定的特征,
采用自适应双阈值法检测车辆底部阴影，然后再确定阴影位置，即可确定前方车辆障碍物的位置；
其中自适应双阈值法的主要步骤包括：
1)利用索贝尔(Sobel)算子计算出步骤一得到的灰度图像的水平边缘图像；
2)在步骤一得到的灰度图像存在车道线区域内计算水平边缘图像每行内的点在X轴上的投影均值，分为两个步骤来进行：1)对车道线区域内每行上的点的灰度值进行求和；2)将得到的和值除以对应行左右车道线的宽度，即可得到每行灰度投影均值Iav(i)。；
3)根据得到的水平边缘图像每行内的点在X轴上的投影均值确定两个用于判断车辆底部阴影是否存在的阈值，即所谓的双阈值，过程为：
通过对水平边缘图像每行内的点在X轴上的投影均值乘以不同的常数系数得到双阈值，分别用于经过索贝尔(Sobel)算子进行水平边缘强化后图像的自适应阈值Ttreat和用于原始灰度图像的自适应阈值Torigin；即
Ttreat(i)＝α·Iav(i)
Torigin(i)＝β·Iav(i)
式中，α为常数系数；β为常数系数；Iav(i)为每行灰度投影均值；Ttreat为进行水平边缘强化后图像的自适应阈值；Torigin为用于原始灰度图像的自适应阈值；
计算每行灰度投影均值Iav(i)分为两个步骤来进行，首先对存在车道线区域内每行上的点的灰度值进行求和，然后将得到的和值除以对应行左右车道线的宽度(比如和值除以(左右车道线两侧边缘之间的宽度))，即可得到每行灰度投影均值Iav(i)；
确定车辆底部阴影点；
当步骤一得到的灰度图像上的点的原始灰度值小于Torigin，并且该灰度图像上的点经过Sobel算子进行水平边缘强化后的灰度值大于Ttreat时，该灰度图像上的点才被认为是阴影候选点；
障碍物检测，
a)在存在车道线区域内，计算阴影候选点在灰度图像上每行向X轴的投影均值；
b)根据行数在步骤一的灰度图像上的位置即离摄像头位置的远近确定不同的门限值；
c)将某行的底部阴影投影均值与对应行的门限值相比较确定某一行是否存在候选障碍物；当某行的底部阴影投影均值大于等于对应行的门限值时，存在候选障碍物；当某行的底部阴影投影均值小于对应行的门限值时，不存在候选障碍物。如图15。
门限值取x/25(离摄像头越近越大)，0≤x≤239
图像是一副以x,y为坐标轴的“矩阵”，具体x,y的方向的定义前面已经说过了，x是0-239之间的数。
其它步骤及参数与具体实施方式一至九之一相同。
Claims (10)
1.一种基于单目视觉的车道线与前方障碍物检测方法，其特征在于：该方法具体过程为：
步骤一、采用车载CCD摄像机获取原始图像，对原始图像进行灰度处理，得到灰度图像；
步骤二、对灰度图像进行预处理，得到去除杂波后的二值化图像；
步骤三、对去除杂波后的二值化图像进行基于霍夫变换的近半区车道线初始检测和压线报警检测；
步骤四、根据步骤三得到的近半区车道线初始检测线上的点坐标对近视场车道线和远视场车道线进行抛物线拟合，得到拟合车道线；
步骤五、对步骤四得到的拟合车道线的内部进行障碍物检测。
2.根据权利要求1所述一种基于单目视觉的车道线与前方障碍物检测方法，其特征在于：所述步骤二中对灰度图像进行预处理；得到去除杂波后的二值化图像；具体过程为：
步骤二一、对灰度图像进行二值化预处理，得到二值化图像；
步骤二二、对二值化图像进行滤波预处理，得到去除杂波后的二值化图像。
3.根据权利要求2所述一种基于单目视觉的车道线与前方障碍物检测方法，其特征在于：所述步骤二一中对灰度图像进行二值化预处理，得到二值化图像；具体过程为：
采用灰度阈值分割算法对灰度图像每一行进行处理，每一行灰度阈值定在每一行最大灰度值与该行平均灰度值之间，即：RowAvg[i]<T[i]<MaxGray[i]；
其中：RowAvg[i]为第i行的平均灰度值；MaxGray[i]为第i行的最大灰度值；T[i]为第i行灰度阈值；i取值为正整数；
选定一个比例因子R，0<R<1，定义
T[i]＝RowAvg[i]+(MaxGray[i]-RowAvg[i])*R
*为乘号。
4.根据权利要求3所述一种基于单目视觉的车道线与前方障碍物检测方法，其特征在于：所述步骤二二中对二值化图像进行滤波预处理，得到去除杂波后的二值化图像；具体过程为：
采用近邻法去除杂波：取二值化图像的灰度值不为0的点P周围8个点，将二值化图像分为近区、中区、远区和极远区四个部分；若二值化图像处于近区时8个点中不为0的点数小于4则判断点P为杂波并去除；若二值化图像处于中区时8个点中不为0的点数小于3则判断点P为杂波并去除；若二值化图像处于远区时8个点中不为0的点数小于2则判断点P为杂波并去除；若二值化图像处于极远区时8个点中不为0的点数小于1则判断点P为杂波并去除；得到去除杂波后的二值化图像。
5.根据权利要求4所述一种基于单目视觉的车道线与前方障碍物检测方法，其特征在于：所述步骤三中对去除杂波后的二值化图像进行基于霍夫变换的近半区车道线初始检测和压线报警检测；具体过程为：
步骤三一、筛选车道线区域；
步骤三二、在步骤一的基础上进行基于霍夫变换的近半区车道线初始检测；
步骤三三、根据近半区车道线初始检测结果在左右车道线都存在时采用压线判定算法进行压线报警检测。
6.根据权利要求5所述一种基于单目视觉的车道线与前方障碍物检测方法，其特征在于：所述步骤三一中车道线区域的筛选；过程为：
采用Dark-Light-Dark,即DLD算法进行筛选，包括以下步骤：
1)确定参数
参数包括：
a、根据车道线在图像中的宽度确定每一行DLD操作时操作点与左右两个领域点的距离；
b、用于与灰度差的最小值作比较的门限值；
2)计算去除杂波后的二值化图像每行内各点与相邻左右固定距离点灰度差；
固定距离为根据车道线在图像中的宽度确定每一行DLD操作时操作点与左右两个领域点的距离；
3)求每行内各点与相邻左右固定距离点灰度差的最小值；
4)比较最小值与门限值大小，若最小值大于门限值则保留该点的灰度值不变，若小于门限值则设置该点灰度值为零。
7.根据权利要求6所述一种基于单目视觉的车道线与前方障碍物检测方法，其特征在于：所述步骤三二中基于霍夫变换的近半区车道线初始检测；具体过程为：
1)将二值化图像近半区车道线平均分成左右两个部分，将左半部分和右半部分分别用斜率为-1和+1的18条直线各分割为17个梯形区域；
2)分别在左右部分按照从1到17的顺序对每个梯形区域内的点运用霍夫变换进行直线检测，得到霍夫变换检测到的直线Lhough，检测时将车道线直线斜率对应角度限制在[20,75]度之间；
3)设定门限，判定左右部分是否存在车道线，并估计出车道线直线的位置参数；过程为：
如果某一个梯形区域中最长的直线对应的霍夫变换积累点数不超过20个点，则认为不存在车道线，否则存在车道线并记录下车道线直线对应的斜率和截距，根据车道线直线对应的斜率和截距，估计出车道线直线的位置。
8.根据权利要求7所述一种基于单目视觉的车道线与前方障碍物检测方法，其特征在于：所述步骤三三中根据近半区车道线初始检测结果在左右车道线都存在时采用压线判定算法进行压线报警检测具体过程为：
1)计算存在车道线区域下边缘左车道线与中间线距离AO，AO值与阈值进行比较以检测是否左车道线压线；若AO值小于阈值，则判定为左车道线压线；若AO值大于等于阈值，则判定左车道线不压线；
阈值为人为设定；
2)计算存在车道线区域下边缘左右车道线所围三角形的两个底角之和Φ，若Φ值小于角度阈值，则判定为车辆压着中间的车道线；若Φ值大于等于角度阈值，则判定为车辆不压着中间的车道线；
所述角度阈值为60度；
3)计算存在车道线区域下边缘右车道线与中间线距离BO，BO值与某阈值进行比较以检测是否右车道线压线，若BO值小于阈值，则判定为右车道线压线；若BO值大于等于阈值，则判定右车道线不压线。
9.根据权利要求8所述一种基于单目视觉的车道线与前方障碍物检测方法，其特征在于：所述步骤四中根据步骤三得到的近半区车道线初始检测线上的点坐标对近视场车道线和远视场车道线进行抛物线拟合，得到拟合车道线；具体过程为：
选用的车道线模型为直线-抛物线模型：近视场区域为直线车道线模型，远视场区域为抛物线车道线模型：
<mrow>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mi>a</mi>
<mo>+</mo>
<mi>b</mi>
<mi>x</mi>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>x</mi>
<mo>></mo>
<msub>
<mi>x</mi>
<mi>m</mi>
</msub>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mi>c</mi>
<mo>+</mo>
<mi>d</mi>
<mi>x</mi>
<mo>+</mo>
<msup>
<mi>ex</mi>
<mn>2</mn>
</msup>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>x</mi>
<mo>_</mo>
<mi>u</mi>
<mi>p</mi>
<mo>_</mo>
<mi>lim</mi>
<mi>i</mi>
<mi>t</mi>
<mo>&le;</mo>
<mi>x</mi>
<mo>&le;</mo>
<msub>
<mi>x</mi>
<mi>m</mi>
</msub>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
其中，a为近视场车道线拟合的常数项系数，b为近视场车道线拟合的一次项系数，c为远视场车道线拟合的常数项系数，d为远视场车道线拟合的一次项系数，e为远视场车道线拟合的二次项系数；xm为道路图像近视场和远视场的分界线，x>xm为图像近视场，x≤xm为图像的远视场，x_up_limit是在进行远视场弯道检测时所选择的最远处，xm的大小为骤一的灰度图像高度的0.7倍；
近视场区域为直线车道线模型和远视场区域为抛物线车道线模型的具体求解过程为：
(3a)、(xn1,yn1)，(xn2,yn2)…(xnm,ynm)为在近视场存在车道线区域内搜索到的m个非零像素点，近视场车道线直线拟合f(x)＝a+bx的公式如下：
<mrow>
<mi>a</mi>
<mo>=</mo>
<mfrac>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>m</mi>
</munderover>
<msub>
<mi>y</mi>
<mrow>
<mi>n</mi>
<mi>i</mi>
</mrow>
</msub>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>m</mi>
</munderover>
<msubsup>
<mi>x</mi>
<mrow>
<mi>n</mi>
<mi>i</mi>
</mrow>
<mn>2</mn>
</msubsup>
<mo>-</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>m</mi>
</munderover>
<msub>
<mi>x</mi>
<mrow>
<mi>n</mi>
<mi>i</mi>
</mrow>
</msub>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>m</mi>
</munderover>
<msub>
<mi>x</mi>
<mrow>
<mi>n</mi>
<mi>i</mi>
</mrow>
</msub>
<msub>
<mi>y</mi>
<mrow>
<mi>n</mi>
<mi>i</mi>
</mrow>
</msub>
</mrow>
<mrow>
<mi>m</mi>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>m</mi>
</munderover>
<msubsup>
<mi>x</mi>
<mrow>
<mi>n</mi>
<mi>i</mi>
</mrow>
<mn>2</mn>
</msubsup>
<mo>-</mo>
<msup>
<mrow>
<mo>(</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>m</mi>
</munderover>
<msub>
<mi>x</mi>
<mrow>
<mi>n</mi>
<mi>i</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</mfrac>
</mrow>
<mrow>
<mi>b</mi>
<mo>=</mo>
<mfrac>
<mrow>
<mi>m</mi>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>m</mi>
</munderover>
<msub>
<mi>x</mi>
<mrow>
<mi>n</mi>
<mi>i</mi>
</mrow>
</msub>
<msub>
<mi>y</mi>
<mrow>
<mi>n</mi>
<mi>i</mi>
</mrow>
</msub>
<mo>-</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>m</mi>
</munderover>
<msub>
<mi>x</mi>
<mrow>
<mi>n</mi>
<mi>i</mi>
</mrow>
</msub>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>m</mi>
</munderover>
<msub>
<mi>y</mi>
<mrow>
<mi>n</mi>
<mi>i</mi>
</mrow>
</msub>
</mrow>
<mrow>
<mi>m</mi>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>m</mi>
</munderover>
<msubsup>
<mi>x</mi>
<mrow>
<mi>n</mi>
<mi>i</mi>
</mrow>
<mn>2</mn>
</msubsup>
<mo>-</mo>
<msup>
<mrow>
<mo>(</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>m</mi>
</munderover>
<msub>
<mi>x</mi>
<mrow>
<mi>n</mi>
<mi>i</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</mfrac>
</mrow>
式中，xn1为近视场车道线直线n1点的横坐标；yn1为近视场车道线直线n1点的纵坐标；xn2为近视场车道线直线n2点的横坐标；yn2为近视场车道线直线n2点的纵坐标；xnm为近视场车道线直线nm点的横坐标；ynm为近视场车道线直线nm点的纵坐标；m为近视场存在车道线区域内的所有点，取值为正整数正整数；i为近视场存在车道线区域内的点，1≤i≤m；
(3b)、(xf1,yf1)，(xf2,yf2)…(xfn,yfn)为在远视场存在车道线区域内搜索到的n个非零像素点，远视场车道线抛物线拟合：
<mrow>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mrow>
<mo>(</mo>
<mfrac>
<mi>b</mi>
<mrow>
<mn>2</mn>
<msub>
<mi>x</mi>
<mi>m</mi>
</msub>
</mrow>
</mfrac>
<msup>
<mi>x</mi>
<mn>2</mn>
</msup>
<mo>+</mo>
<mfrac>
<mi>b</mi>
<mn>2</mn>
</mfrac>
<msub>
<mi>x</mi>
<mi>m</mi>
</msub>
<mo>+</mo>
<mi>a</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mfrac>
<mi>d</mi>
<mrow>
<mn>2</mn>
<msub>
<mi>x</mi>
<mi>m</mi>
</msub>
</mrow>
</mfrac>
<msup>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>-</mo>
<msub>
<mi>x</mi>
<mi>m</mi>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
其中：
<mrow>
<mi>d</mi>
<mo>=</mo>
<mo>-</mo>
<mn>2</mn>
<msub>
<mi>x</mi>
<mi>m</mi>
</msub>
<mo>&CenterDot;</mo>
<mfrac>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<mo>&lsqb;</mo>
<msub>
<mi>y</mi>
<mi>j</mi>
</msub>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mi>j</mi>
</msub>
<mo>-</mo>
<msub>
<mi>x</mi>
<mi>m</mi>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>&rsqb;</mo>
</mrow>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mi>j</mi>
</msub>
<mo>-</mo>
<msub>
<mi>x</mi>
<mi>m</mi>
</msub>
<mo>)</mo>
</mrow>
<mn>4</mn>
</msup>
</mrow>
</mfrac>
</mrow>
式中，xf1为远视场车道线直线f1点的横坐标；yf1为远视场车道线直线f1点的纵坐标；xf2为远视场车道线直线f2点的横坐标；yf2为远视场车道线直线f2点的纵坐标；xfn为远视场车道线直线fn点的横坐标；yfn为远视场车道线直线fn点的纵坐标；yj为远视场点的纵坐标；xj为远视场点的横坐标；j为远视场存在车道线区域内的点，1≤j≤n；n为远视场存在车道线区域内的所有点，取值为正整数；
(3c)、在进行检测近视场车道线上的点的坐标时，在霍夫变换检测得到的直线Lhough的两侧临域内各△y的范围内进行实际车道线坐标的搜索，并确定经过预处理及DLD算法处理后的图像中每一行左右车道线内侧边缘点对应的点的坐标；
(3d)、在进行检测远视场车道线上的点的坐标时，首先在霍夫变换检测得的直线Lhough上点坐标的左右临域各△y0的范围内进行实际车道线坐标的搜索，设第n行Lhough上的坐标为(xn,yn)h，实际搜索到的车道线坐标对应为(xn,yn)；根据实际存在的车道线坐标(xn,yn)与对应的Lhough上的坐标(xn,yn)h进行比较，计算其差值△yn，将此差值作为修正距离，不断将步骤一的灰度图像中上一行Lhough上的坐标点(xn-1,yn-1)h修正为(x'n-1,y'n-1)h，即(x'n-1,y'n-1)h＝(xn-1,yn-1)h+△yn，然后再以(x'n-1,y'n-1)h为基准点，在左右临域各△y0的范围内进行实际车道线坐标的搜索。
10.根据权利要求9所述一种基于单目视觉的车道线与前方障碍物检测方法，其特征在于：所述步骤五中对步骤四得到的拟合车道线的内部进行车辆障碍物检测；具体过程为：
采用自适应双阈值法检测车辆底部阴影，然后再确定阴影位置，即可确定前方车辆障碍物的位置；
其中自适应双阈值法的主要步骤包括：
1)利用索贝尔算子计算出步骤一得到的灰度图像的水平边缘图像；
2)在步骤一得到的灰度图像存在车道线区域内计算水平边缘图像每行内的点在X轴上的投影均值，分为两个步骤来进行：a)对车道线区域内每行上的点的灰度值进行求和；b)将得到的和值除以对应行左右车道线的宽度，即可得到每行灰度投影均值Iav(i)；
3)根据得到的水平边缘图像每行内的点在X轴上的投影均值确定两个用于判断车辆底部阴影是否存在的阈值，即所谓的双阈值，过程为：
通过对水平边缘图像每行内的点在X轴上的投影均值乘以不同的常数系数得到双阈值；即
Ttreat(i)＝α·Iav(i)
Torigin(i)＝β·Iav(i)
式中，α为常数系数；β为常数系数；Iav(i)为每行灰度投影均值；Ttreat为进行水平边缘强化后图像的自适应阈值；Torigin为用于原始灰度图像的自适应阈值；
计算每行灰度投影均值Iav(i)分为两个步骤来进行，首先对存在车道线区域内每行上的点的灰度值进行求和，然后将得到的和值除以对应行左右车道线的宽度，即可得到每行灰度投影均值Iav(i)；
确定车辆底部阴影点；
当步骤一得到的灰度图像上的点的原始灰度值小于Torigin，并且该灰度图像上的点经过Sobel算子进行水平边缘强化后的灰度值大于Ttreat时，该灰度图像上的点才被认为是阴影候选点；
障碍物检测：
a)在存在车道线区域内，计算阴影候选点在灰度图像上每行向X轴的投影均值；
b)根据行数在步骤一的灰度图像上的位置确定不同的门限值；
c)将某行的底部阴影投影均值与对应行的门限值相比较确定某一行是否存在候选障碍物；当某行的底部阴影投影均值大于等于对应行的门限值时，存在候选障碍物；当某行的底部阴影投影均值小于对应行的门限值时，不存在候选障碍物。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710266975.2A CN107066986A (zh) | 2017-04-21 | 2017-04-21 | 一种基于单目视觉的车道线与前方障碍物检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710266975.2A CN107066986A (zh) | 2017-04-21 | 2017-04-21 | 一种基于单目视觉的车道线与前方障碍物检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107066986A true CN107066986A (zh) | 2017-08-18 |
Family
ID=59601125
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710266975.2A Pending CN107066986A (zh) | 2017-04-21 | 2017-04-21 | 一种基于单目视觉的车道线与前方障碍物检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107066986A (zh) |
Cited By (23)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107590470A (zh) * | 2017-09-18 | 2018-01-16 | 浙江大华技术股份有限公司 | 一种车道线检测方法及装置 |
| CN107730520A (zh) * | 2017-09-22 | 2018-02-23 | 智车优行科技（北京）有限公司 | 车道线检测方法及系统 |
| CN107944388A (zh) * | 2017-11-24 | 2018-04-20 | 海信集团有限公司 | 一种车道线检测方法、装置及终端 |
| CN108345855A (zh) * | 2018-02-08 | 2018-07-31 | 青岛慧拓智能机器有限公司 | 一种车道压线检测方法及系统 |
| CN109050388A (zh) * | 2018-08-07 | 2018-12-21 | 武汉理工大学 | 一种基于数字微镜技术的车道线投影系统及方法 |
| CN109241920A (zh) * | 2018-09-17 | 2019-01-18 | 中远海运科技股份有限公司 | 一种用于车载道路监控取证系统的车道线检测方法 |
| CN109305171A (zh) * | 2018-11-01 | 2019-02-05 | 长安大学 | 一种前方车辆行驶姿态观测装置及其方法 |
| CN109636820A (zh) * | 2018-10-31 | 2019-04-16 | 百度在线网络技术（北京）有限公司 | 电子地图车道线修正方法、设备及计算机可读存储介质 |
| CN109740469A (zh) * | 2018-12-24 | 2019-05-10 | 百度在线网络技术（北京）有限公司 | 车道线检测方法、装置、计算机设备和存储介质 |
| CN109859526A (zh) * | 2019-01-18 | 2019-06-07 | 长安大学 | 一种超车时前方目标车辆运动姿态实时观测装置及方法 |
| CN110045736A (zh) * | 2019-04-12 | 2019-07-23 | 淮安信息职业技术学院 | 一种基于无人机的弯道障碍物避让方法及其系统 |
| CN110334638A (zh) * | 2019-06-28 | 2019-10-15 | 西安理工大学 | 基于快速music算法的道路双黄线检测方法 |
| CN110349172A (zh) * | 2019-06-28 | 2019-10-18 | 华南理工大学 | 基于图像处理和双目立体测距的输电线路防外破预警方法 |
| CN110502982A (zh) * | 2019-07-11 | 2019-11-26 | 平安科技（深圳）有限公司 | 一种检测高速公路中障碍物的方法、装置及计算机设备 |
| CN110598517A (zh) * | 2019-06-25 | 2019-12-20 | 一汽轿车股份有限公司 | 一种弯道车道偏离的检测方法 |
| CN110705342A (zh) * | 2019-08-20 | 2020-01-17 | 上海阅面网络科技有限公司 | 一种车道线分割检测方法及装置 |
| CN111523360A (zh) * | 2019-09-09 | 2020-08-11 | 长城汽车股份有限公司 | 用于识别路面标记的方法、装置及单目摄像头 |
| CN111563474A (zh) * | 2020-05-18 | 2020-08-21 | 北京茵沃汽车科技有限公司 | 运动背景下的基于车载鱼眼镜头的障碍物检测方法、系统 |
| CN111815981A (zh) * | 2019-04-10 | 2020-10-23 | 黑芝麻智能科技(重庆)有限公司 | 用于检测远距离道路上的物体的系统和方法 |
| CN112009466A (zh) * | 2019-05-31 | 2020-12-01 | 上海博泰悦臻网络技术服务有限公司 | 一种开门防撞方法和防撞系统 |
| CN113033418A (zh) * | 2021-03-25 | 2021-06-25 | 南京工程学院 | 一种适用于移动终端的车道偏离预警方法 |
| CN113706535A (zh) * | 2021-10-28 | 2021-11-26 | 江苏启力锻压机床有限公司 | 基于图像处理的钣金件折弯切口检测方法及系统 |
| CN114782915A (zh) * | 2022-04-11 | 2022-07-22 | 哈尔滨工业大学 | 基于辅助监督和知识蒸馏的智能汽车端到端车道线检测系统及设备 |
-
2017
- 2017-04-21 CN CN201710266975.2A patent/CN107066986A/zh active Pending
Cited By (37)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107590470B (zh) * | 2017-09-18 | 2020-08-04 | 浙江大华技术股份有限公司 | 一种车道线检测方法及装置 |
| CN107590470A (zh) * | 2017-09-18 | 2018-01-16 | 浙江大华技术股份有限公司 | 一种车道线检测方法及装置 |
| CN107730520A (zh) * | 2017-09-22 | 2018-02-23 | 智车优行科技（北京）有限公司 | 车道线检测方法及系统 |
| CN107730520B (zh) * | 2017-09-22 | 2020-10-27 | 智车优行科技（北京）有限公司 | 车道线检测方法及系统 |
| CN107944388A (zh) * | 2017-11-24 | 2018-04-20 | 海信集团有限公司 | 一种车道线检测方法、装置及终端 |
| CN108345855A (zh) * | 2018-02-08 | 2018-07-31 | 青岛慧拓智能机器有限公司 | 一种车道压线检测方法及系统 |
| CN108345855B (zh) * | 2018-02-08 | 2020-08-18 | 青岛平行智能产业管理有限公司 | 一种车道压线检测方法及系统 |
| CN109050388A (zh) * | 2018-08-07 | 2018-12-21 | 武汉理工大学 | 一种基于数字微镜技术的车道线投影系统及方法 |
| CN109241920A (zh) * | 2018-09-17 | 2019-01-18 | 中远海运科技股份有限公司 | 一种用于车载道路监控取证系统的车道线检测方法 |
| CN109636820A (zh) * | 2018-10-31 | 2019-04-16 | 百度在线网络技术（北京）有限公司 | 电子地图车道线修正方法、设备及计算机可读存储介质 |
| CN109305171A (zh) * | 2018-11-01 | 2019-02-05 | 长安大学 | 一种前方车辆行驶姿态观测装置及其方法 |
| CN109740469A (zh) * | 2018-12-24 | 2019-05-10 | 百度在线网络技术（北京）有限公司 | 车道线检测方法、装置、计算机设备和存储介质 |
| CN109859526A (zh) * | 2019-01-18 | 2019-06-07 | 长安大学 | 一种超车时前方目标车辆运动姿态实时观测装置及方法 |
| CN111815981A (zh) * | 2019-04-10 | 2020-10-23 | 黑芝麻智能科技(重庆)有限公司 | 用于检测远距离道路上的物体的系统和方法 |
| CN110045736B (zh) * | 2019-04-12 | 2022-02-15 | 淮安信息职业技术学院 | 一种基于无人机的弯道障碍物避让方法 |
| CN110045736A (zh) * | 2019-04-12 | 2019-07-23 | 淮安信息职业技术学院 | 一种基于无人机的弯道障碍物避让方法及其系统 |
| CN112009466B (zh) * | 2019-05-31 | 2022-03-01 | 上海博泰悦臻网络技术服务有限公司 | 一种开门防撞方法和防撞系统 |
| CN112009466A (zh) * | 2019-05-31 | 2020-12-01 | 上海博泰悦臻网络技术服务有限公司 | 一种开门防撞方法和防撞系统 |
| CN110598517B (zh) * | 2019-06-25 | 2023-11-24 | 一汽奔腾轿车有限公司 | 一种弯道车道偏离的检测方法 |
| CN110598517A (zh) * | 2019-06-25 | 2019-12-20 | 一汽轿车股份有限公司 | 一种弯道车道偏离的检测方法 |
| CN110334638A (zh) * | 2019-06-28 | 2019-10-15 | 西安理工大学 | 基于快速music算法的道路双黄线检测方法 |
| CN110349172A (zh) * | 2019-06-28 | 2019-10-18 | 华南理工大学 | 基于图像处理和双目立体测距的输电线路防外破预警方法 |
| CN110349172B (zh) * | 2019-06-28 | 2022-12-16 | 华南理工大学 | 基于图像处理和双目立体测距的输电线路防外破预警方法 |
| CN110334638B (zh) * | 2019-06-28 | 2021-09-10 | 西安理工大学 | 基于快速music算法的道路双黄线检测方法 |
| CN110502982B (zh) * | 2019-07-11 | 2024-03-05 | 平安科技（深圳）有限公司 | 一种检测高速公路中障碍物的方法、装置及计算机设备 |
| CN110502982A (zh) * | 2019-07-11 | 2019-11-26 | 平安科技（深圳）有限公司 | 一种检测高速公路中障碍物的方法、装置及计算机设备 |
| CN110705342A (zh) * | 2019-08-20 | 2020-01-17 | 上海阅面网络科技有限公司 | 一种车道线分割检测方法及装置 |
| EP4006774A4 (en) * | 2019-09-09 | 2022-09-21 | Great Wall Motor Company Limited | METHOD, DEVICE AND MONOCULAR IMAGE-MAKING DEVICE USED TO IDENTIFY ROAD SURFACE MARKINGS |
| WO2021047452A1 (zh) * | 2019-09-09 | 2021-03-18 | 长城汽车股份有限公司 | 用于识别路面标记的方法、装置及单目摄像头 |
| CN111523360B (zh) * | 2019-09-09 | 2023-06-13 | 毫末智行科技有限公司 | 用于识别路面标记的方法、装置及单目摄像头 |
| CN111523360A (zh) * | 2019-09-09 | 2020-08-11 | 长城汽车股份有限公司 | 用于识别路面标记的方法、装置及单目摄像头 |
| CN111563474A (zh) * | 2020-05-18 | 2020-08-21 | 北京茵沃汽车科技有限公司 | 运动背景下的基于车载鱼眼镜头的障碍物检测方法、系统 |
| CN113033418A (zh) * | 2021-03-25 | 2021-06-25 | 南京工程学院 | 一种适用于移动终端的车道偏离预警方法 |
| CN113706535A (zh) * | 2021-10-28 | 2021-11-26 | 江苏启力锻压机床有限公司 | 基于图像处理的钣金件折弯切口检测方法及系统 |
| CN113706535B (zh) * | 2021-10-28 | 2022-03-15 | 江苏启力锻压机床有限公司 | 基于图像处理的钣金件折弯切口检测方法及系统 |
| CN114782915A (zh) * | 2022-04-11 | 2022-07-22 | 哈尔滨工业大学 | 基于辅助监督和知识蒸馏的智能汽车端到端车道线检测系统及设备 |
| CN114782915B (zh) * | 2022-04-11 | 2023-04-07 | 哈尔滨工业大学 | 基于辅助监督和知识蒸馏的智能汽车端到端车道线检测系统及设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107066986A (zh) | 一种基于单目视觉的车道线与前方障碍物检测方法 | |
| CN102682292B (zh) | 基于单目视觉的道路边缘检测及粗定位方法 | |
| CN103177246B (zh) | 基于动态区域划分的双模型车道线识别方法 | |
| CN104392212B (zh) | 一种基于视觉的道路信息检测及前方车辆识别方法 | |
| CN102708356B (zh) | 一种基于复杂背景下的车牌自动定位和识别方法 | |
| CN105005771B (zh) | 一种基于光流点轨迹统计的车道线实线的检测方法 | |
| CN111563412B (zh) | 一种基于参数空间投票和贝塞尔拟合的快速车道线检测方法 | |
| CN108830165A (zh) | 一种考虑前车干扰的车道线检测方法 | |
| Li et al. | Nighttime lane markings recognition based on Canny detection and Hough transform | |
| CN104182756B (zh) | 一种基于单目视觉的车辆前方障碍物检测方法 | |
| CN106887004A (zh) | 一种基于块匹配的车道线检测方法 | |
| DE102009050492A1 (de) | Detektion eines freien Pfads unter Verwendung eines segmentierungsbasierten Verfahrens | |
| CN105740782A (zh) | 一种基于单目视觉的驾驶员换道过程量化方法 | |
| CN104700072A (zh) | 基于车道线历史帧的识别方法 | |
| CN101608924A (zh) | 一种基于灰度估计和级联霍夫变换的车道线检测方法 | |
| DE102009050501A1 (de) | Verbesserte Detektion eines freien Pfads bei Vorhandensein eines Verkehrsinfrastrukturindikators | |
| DE102009050505A1 (de) | Detektion eines freien Pfads durch Strassenmodellerstellung | |
| CN105608429B (zh) | 基于差分激励的鲁棒车道线检测方法 | |
| CN102314599A (zh) | 一种车道识别偏离检测方法 | |
| CN105678287A (zh) | 一种基于脊度量的车道线检测方法 | |
| CN103020948A (zh) | 智能车载防撞预警系统中的夜间图像特征提取方法 | |
| CN103440785B (zh) | 一种快速的车道偏移警示方法 | |
| CN112001216A (zh) | 一种基于计算机的汽车行驶车道检测系统 | |
| CN107284455A (zh) | 一种基于图像处理的adas系统 | |
| CN103996031A (zh) | 一种自适应阈值分割的车道线检测系统及其方法 |
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 |