CN107220976B - 一种航拍公路图像的公路定位方法 - Google Patents

一种航拍公路图像的公路定位方法 Download PDF

Info

Publication number
CN107220976B
CN107220976B CN201710346701.4A CN201710346701A CN107220976B CN 107220976 B CN107220976 B CN 107220976B CN 201710346701 A CN201710346701 A CN 201710346701A CN 107220976 B CN107220976 B CN 107220976B
Authority
CN
China
Prior art keywords
road
image
color
width
gradient
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
Application number
CN201710346701.4A
Other languages
English (en)
Other versions
CN107220976A (zh
Inventor
刘宁钟
王立春
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing University of Aeronautics and Astronautics
Original Assignee
Nanjing University of Aeronautics and Astronautics
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nanjing University of Aeronautics and Astronautics filed Critical Nanjing University of Aeronautics and Astronautics
Priority to CN201710346701.4A priority Critical patent/CN107220976B/zh
Publication of CN107220976A publication Critical patent/CN107220976A/zh
Application granted granted Critical
Publication of CN107220976B publication Critical patent/CN107220976B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics

Abstract

本发明公开了一种航拍公路图像的公路定位方法，特别是利用梯度、颜色信息以及定位公路两侧白色标线的方法实现对公路的精确定位。属于图像处理技术领域。本发明对预处理后的图片首先利用颜色以及梯度信息粗分割出公路区域，然后利用边缘检测以及公路白色标线宽度、颜色等信息，定位出白色标线，并利用公路宽度条件筛选出所有符合条件的拟公路区域，最后计算拟公路区域符合公路颜色和梯度条件的像素占比，实现对公路的精确分割。该方法降低了对图片质量的要求，具有较好的适应性以及可靠性。有效解决了公路颜色分布不均，以及航拍角度不同引起的图像畸变给公路定位分割带来的影响，同时适用于多条公路的定位分割。

Description

一种航拍公路图像的公路定位方法
技术领域
本发明属于图像处理技术领域，具体涉及一种航拍公路图像的公路定位方法，特别是利用梯度、颜色信息以及定位公路两侧白色标线的方法实现对公路的精确定位算法。
背景技术
随着无人机技术的快速发展，公路路面检测又多了一个新的有效的方法。以往，对于公路的检测工作需要路政工作人员开车对每一条公路路段进行人工检查，这种方式不仅费时费力同时由于人工检测受到工作人员精神状态等影响容易出现较大的误差。利用无人机航拍公路图像，并对公路路面进行自动分析可以有效克服以上局限性，同时减少路政工作人员的劳动力，提高工作效率。
目前公路检测算法主要由公路定位、标线检测、标线识别和损坏程度判断几部分组成[6](叶云.基于机器视觉的道路标线损坏智能检测设想[J].公路与汽运,2016(3):55-57.)所以在分析之前，对路面区域的检测是一个关键问题。
目前对于航拍公路图像路面定位的研究较少。高志峰等利用改进的Hough变换车道线直线检测方法，该方法利用车道线的线特征以及方向特性和强度信息以及最小二乘拟合方法，提高检测直线的精确性，但该方法较为复杂，计算量较高，适用性不强(高志峰,汪渤,周志强,等.一种鲁棒的非平坦路面车道线检测算法[J].北京理工大学学报,2013,33(1).)。刘富强等提出了一种适用于自主驾驶的车道标线检测跟踪算法，该算法可同时适应弯曲道路和直道路的检测，但该方法适用于车载环境，对环境要求较高(刘富强,张姗姗,朱文红,等.一种基于视觉的车道线检测与跟踪算法[J].同济大学学报:自然科学版,2010,38(2).)。胡晓等根据道路图像不同物体颜色特征，按照特征颜色设计转移函数，标记佳通视频图像中的特征颜色区域，提出了基于特征颜色的车道检测算法，由于颜色特征存在局限，不同公路，不同时间，颜色差异较大，所以该方法容易存在较大误差(胡骁,李岁劳,吴剑.基于特征颜色的车道线检测算法[J].计算机仿真,2011,28(10):344-348.)。
发明内容
发明目的：为了克服现有技术存在的问题，使公路定位更加高效、准确度更好、适应性更强，本发明提供一种航拍公路图像的公路定位方法。
技术方案：一种航拍公路图像的公路定位方法，包括以下步骤：
步骤S1：对公路进行航拍，得到航拍图像，对航拍图像进行预处理，得到待检测的规范化图像，并输入图像基本信息，所述图像基本信息包括公路的数量、每条公路的宽度、现实中对应的公路宽度、公路标线的颜色及宽度；
步骤S2：利用Hough变换方法定位规范化图像中的最长直线，依据所述最长直线的倾斜角度将规范化图像旋正；
步骤S3：从旋正的规范化图像中获取颜色信息和梯度信息，根据所述颜色信息以及梯度信息粗分割出公路区域；
步骤S4：根据步骤S3得到的粗分割出的公路区域以及步骤S1输入的图像基本信息，定位图像内所有符合步骤S1中输入的公路标线的颜色以及宽度条件的白色标线，从所述白色标线中筛选出所有符合步骤S1中输入的公路的宽度条件的拟公路区域；
步骤S5：对于所有的拟公路区域，计算步骤S3粗分割出的公路区域的像素个数以及公路区域占比，将公路区域占比按由大到小排序，并结合步骤S1中输入的公路的数量，得到最终定位结果。
进一步的，所述步骤S1中预处理的步骤包括：手动筛选航拍图像中公路为上下方向且倾斜角度小于45度的航拍图像；然后将筛选出来的航拍图像按等比例缩放到宽度为2000像素，并记录缩放比例。
进一步的，所述步骤S2的方法为：对规范化图像进行灰度化；利用Canny算子进行边缘检测；利用Hough变换方法检测直线，检测直线角度范围为-45度到45度，并从检测到的直线中筛选出最长直线；计算所述最长直线的倾斜角度；将规范化图像反向旋转倾斜角度至公路在图像中竖直分布。
进一步的，所述步骤S3粗分割出公路区域的方法包括：
步骤S31：对规范化图像进行复制，得到复制图像，所述复制图像用于绘制梯度与颜色检测结果；
步骤S32：用竖向Sobel算子对规范化图像进行边缘检测，得到梯度图像；
步骤S33：利用滑动窗口从所述梯度图像中提取局部梯度信息，所述滑动窗口的大小为白色标线宽度的两倍；
步骤S34：对于所述局部梯度信息，计算平均梯度以及梯度大于50的像素点的比例，如果平均梯度大于20，并且梯度大于50的像素点的比例大于30％，则在所述复制图像的对应滑动窗口位置的像素值设置为0，判定此处不是公路区域；
步骤S35：对图像进行颜色检验，对于不符合公路颜色条件的像素点，在所述复制图像中对应的像素位置的像素值设置为0；
步骤S36：对处理后的图像进行形态学闭操作，得到更完整的公路区域；
步骤S37：对步骤S36的结果进行竖向投影，以图像高度的50％为阈值，得到符合步骤S1中输入的公路的宽度条件的最左边与最右边位置，并将最左边向左外扩5％的宽度，最右边向右外扩5％的宽度，得到粗分割公路区域。
进一步的，所述步骤S35中公路颜色条件为：R、G、B三通道的灰度值相差小于25，且R、G、B三分量的最小值大于70。
进一步的，步骤S4具体包括：
步骤S41，根据步骤S3得到的粗分割的公路区域结果，在旋正的规范化图像中分割出相应区域作为精确定位区域；
步骤S42，利用竖向Sobel算子对步骤S41分割的精确定位区域进行边缘检测；
步骤S43，利用Hough变换方法对图像进行直线检测，Hough变换检测角度在-5度到5度之间；
步骤S44，对步骤S43检测到的直线进行归类，将直线间角度差小于5度且截距小于25像素的直线归为一类，根据直线的归类结果，计算等效直线方程以及等效直线的宽度和颜色；
步骤S45，根据等效直线的长度、倾斜角度、宽度以及颜色筛选出公路白色标线；
步骤S46，根据步骤S1中输入的图像基本信息中的每条公路的宽度对步骤S45找到的白色标线进行道路的宽度筛选，找到所有符合公路宽度的直线对，每对直线中间区域作为拟公路区域。
进一步的，所述步骤S44中，等效直线的宽度和颜色的计算方法为：以等效直线上每个像素点为中心，左右各取20像素，然后逐一计算相邻像素的梯度，找到梯度最大以及梯度最小对应的像素坐标，坐标差即为当前像素点的宽度，同时记录下坐标间的所有像素颜色值，对整条等效直线所有像素点按此方法求得所有宽度并记录对应的像素颜色值，最终取所有宽度的众数以及所有像素颜色值的众数为等效直线的宽度以及颜色。
进一步的，所述步骤S45中的筛选条件为：直线的长度大于图像高度的2/3，倾斜角度在-5度到5度之间，宽度在步骤S1中输入的图像基本信息中白色标线宽度之间，颜色灰度大于150。
进一步的，所述步骤S5中，公路区域占比为：计算每一组拟公路区域在步骤S3得到的粗分割结果图像上相应区域的有效像素个数，所述有效像素个数与图像总像素个数相除得到公路区域占比。
有益效果：相比较现有技术，本发明提供的一种航拍公路图像的公路定位方法，具有以下有益效果：降低了对图片质量的要求，算法简单，运行速度快，准确率高，实用性强，具有较好的适应性以及可靠性。有效解决了航拍高度不定，公路颜色分布不均，以及航拍角度不同引起的图像畸变给公路定位分割带来的影响，同时适用于多条公路的定位分割。
附图说明
图1是本发明一种航拍公路图像的公路定位方法的流程图；
图2(a)是输入的带有倾斜的原始图像；
图2(b)是将图像旋正(公路竖直)结果示意图；
图3(a)是利用Sobel算子计算梯度的结果示意图；
图3(b)利用梯度与颜色筛选后的结果示意图；
图3(c)形态学闭操作后的结果示意图；
图4(a)直线归类的结果示意图；
图4(b)利用标线颜色、宽度筛选后留下的直线示意图；
图5为定位结果示意图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步说明。
本发明是一种航拍公路图像的公路定位方法，特别是利用梯度、颜色信息以及定位公路两侧白色标线的方法实现对公路的精确定位，方法流程见图1。
步骤S1：对公路进行航拍，得到航拍图像，对航拍图像进行预处理，得到待检测的规范化图像，并输入图像基本信息。所述图像基本信息包括公路的数量、每条公路的宽度、现实中对应的公路宽度、公路标线的颜色及宽度。图像预处理包括：图像的缩放、图像的灰度化、图像基本信息的输入。
(1)图像输入为RGB格式图像。
(2)筛选条件为公路在图像中为竖直方向，并且倾斜角小于45度，如图2(a)所示。
(3)图像等比例缩放至图像宽度为2000像素。
(4)图像灰度化公式为Gray＝(306*R+601*G+117*B)>>10。
(5)输入的图像基本信息包括：公路的数量，每条公路的宽度(单位像素)、现实中对应的公路宽度(单位米)、白色标线的宽度(单位像素)。
步骤S2：首先对规范化图像进行灰度化，利用Canny算子进行边缘检测，然后利用Hough变换方法检测直线，检测直线角度范围为-45度到45度之间，之后检测出其中最长的直线，计算该直线倾斜角度，并根据该倾斜角度将图片旋正至图像中公路竖直分布。旋正的图像如图2(b)所示。
步骤S3：从旋正的规范化图像中获取颜色信息和梯度信息，根据公路颜色信息以及梯度信息粗分割出公路区域，得到粗分割结果图像。
步骤S31：对规范化图像进行复制，得到复制图像gradColorImage，用于绘制梯度与颜色检测结果。
步骤S32，首先对图像进行Sobel边缘检测，得到梯度图像gradImage，如图3(a)所示。
步骤S33，对步骤S32中得到的梯度图像gradImage，利用滑动窗口提取图像局部梯度信息，滑动窗口的大小计算方法为：标线宽度的2倍。
步骤S34，对步骤S33中提取的每一个局部梯度信息，计算平均梯度averageGrad。同时计算梯度大于50的像素点的比例ratioGrad。averageGrad大于20并且ratioGrad大于30％，则将gradColorImage图像上滑动窗口对应位置的像素值设置为0，判定此处不是公路区域。
步骤S35，对原图像进行颜色检验，对于不符合公路颜色条件的像素点，将gradColorImage图像上对应的像素位置的像素值设置为0。公路颜色条件为：R、G、B三通道的灰度值相差小于25，且R、G、B三分量的最小值大于70。
如图3(b)为颜色梯度检测结果图像gradColorImage。
步骤S36，对筛选过后得到的图像进行形态学闭操作，使公路区域更连贯，得到更完整的公路区域。如图3(c)为闭操作的结果图像。
步骤S37，根据步骤S36的结果进行竖向投影，以图像高度50％为阈值，得到符合条件的最左边与最右边位置，并将最左最右分别向外扩宽度的5％，以此位置作为粗分割公路区域。
步骤S4，在步骤S3得到的粗分割公路区域内，定位公路内部白色标线，并找到所有符合道路宽度条件的拟公路位置。
步骤S41，首先根据步骤S3得到的粗分割公路区域的结果，进行图像分割，在旋正的规范化图像中分割出相应区域作为精确定位区域，得到精确定位图像probImage。
步骤S42，对probImage，利用竖向Sobel算子进行边缘检测。
步骤S43，利用Hough变换方法对图像进行直线检测，Hough变换检测角度范围在-5度到5度之间。
步骤S44，对步骤S43找到的直线进行归类，归类条件为：角度差小于5度，截距小于25像素，如图4(a)。并计算等效直线以及等效直线的宽度和颜色。等效直线的宽度以及颜色的计算方法为：对等效直线上每个像素点横坐标X，在X-20到X+20范围内，逐一计算相邻像素的梯度，找到梯度最大值以及梯度最小值对应的像素的坐标max_x和min_x，坐标差即为当前像素点的宽度，即abs(max_x–min_x)，同时记录下坐标间的所有像素颜色值，对整条等效直线所有像素点按此方法求得所有宽度并记录对应的像素颜色值，最终取所有宽度的众数以及所有像素颜色值的众数为等效直线的宽度以及颜色。
步骤S45，根据等效直线的长度、倾斜角度、宽度以及颜色信息筛选出符合条件的标线。筛选条件为：
(1)直线的长度大于图像高度的2/3。
(2)倾斜角度小于5度。
(3)宽度在步骤1中输入的标线宽度之间。
(4)颜色灰度值大于150。
步骤S46，根据步骤S1中输入的公路路宽信息对步骤S45得到的标线进行筛选，找到所有符合路宽条件的等效直线对作为拟公路区域，如图4(b)为符合条件的示意图。
步骤S5，对所有拟公路区域，计算步骤S3粗分割结果gradColorImage中对应区域的像素个数以及占比，对占比由大到小排序，并结合步骤S1中输入的公路数量信息，得到最终定位结果，如图5所示。公路区域占比计算方法为：对步骤S4确定的每一组拟公路区域，计算其在步骤S3得到的粗分割结果图像gradColorImage相应区域的有效像素个数，与图像总像素个数相除得到公路区域占比。
本发明对公路的定位准确度达到95％以上，单次定位时间小于0.5s，对于公路颜色的适应性较广，对于由于拍摄原因产生的畸变同样具有较好的效果，同时适应多条公路的定位。
以上所述仅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技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (8)

1.一种航拍公路图像的公路定位方法，其特征在于，包括以下步骤：
步骤S1：对公路进行航拍，得到航拍图像，对航拍图像进行预处理，得到待检测的规范化图像，并输入图像基本信息，所述图像基本信息包括公路的数量、每条公路的宽度、现实中对应的公路宽度、公路标线的颜色及宽度；
步骤S2：利用Hough变换方法定位规范化图像中的最长直线，依据所述最长直线的倾斜角度将规范化图像旋正；
步骤S3：从旋正的规范化图像中获取颜色信息和梯度信息，根据所述颜色信息以及梯度信息粗分割出公路区域；
步骤S4：根据步骤S3得到的粗分割出的公路区域以及步骤S1输入的图像基本信息，定位图像内所有符合步骤S1中输入的公路标线的颜色以及宽度条件的白色标线，从所述白色标线中筛选出所有符合步骤S1中输入的公路的宽度条件的拟公路区域；
步骤S5：对于所有的拟公路区域，计算步骤S3粗分割出的公路区域的像素个数以及公路区域占比，将公路区域占比按由大到小排序，并结合步骤S1中输入的公路的数量，得到最终定位结果；
其中，所述步骤S3粗分割出公路区域的方法包括：
步骤S31：对规范化图像进行复制，得到复制图像，所述复制图像用于绘制梯度与颜色检测结果；
步骤S32：用竖向Sobel算子对规范化图像进行边缘检测，得到梯度图像；
步骤S33：利用滑动窗口从所述梯度图像中提取局部梯度信息，所述滑动窗口的大小为白色标线宽度的两倍；
步骤S34：对于所述局部梯度信息，计算平均梯度同时统计梯度大于50的像素点的比例，如果平均梯度大于20，并且梯度大于50的像素点的比例大于30％，则在所述复制图像的对应滑动窗口位置的像素值设置为0，判定此处不是公路区域；
步骤S35：对图像进行颜色检验，对于不符合公路颜色条件的像素点，在所述复制图像中对应的像素位置的像素值设置为0；
步骤S36：对处理后的图像进行形态学闭操作，得到更完整的公路区域；
步骤S37：对步骤S36的结果进行竖向投影，以图像高度的50％为阈值，得到符合步骤S1中输入的公路的宽度条件的所有区域中的最左边与最右边位置，并将最左边向左外扩5％的宽度，最右边向右外扩5％的宽度，得到粗分割公路区域。
2.根据权利要求1所述的航拍公路图像的公路定位方法，其特征在于，所述步骤S1中预处理的步骤包括：手动筛选航拍图像中公路为上下方向且倾斜角度小于45度的航拍图像；然后将筛选出来的航拍图像按等比例缩放到宽度为2000像素，并记录缩放比例。
3.根据权利要求1或2所述的航拍公路图像的公路定位方法，其特征在于，所述步骤S2的方法为：对规范化图像进行灰度化；利用Canny算子进行边缘检测；利用Hough变换方法检测直线，检测直线角度范围为-45度到45度，并从检测到的直线中筛选出最长直线；计算所述最长直线的倾斜角度；将规范化图像反向旋转倾斜角度至公路在图像中竖直分布。
4.根据权利要求1所述的航拍公路图像的公路定位方法，其特征在于，所述步骤S35中公路颜色条件为：R、G、B三通道的灰度值相差小于25，且R、G、B三分量的最小值大于70。
5.根据权利要求1或2所述的航拍公路图像的公路定位方法，其特征在于，步骤S4具体包括：
步骤S41，根据步骤S3得到的粗分割公路区域结果，在旋正的规范化图像中分割出相应区域作为精确定位区域；
步骤S42，利用竖向Sobel算子对步骤S41分割的精确定位区域进行边缘检测；
步骤S43，利用Hough变换方法对图像进行直线检测，Hough变换检测角度在-5度到5度之间；
步骤S44，对步骤S43检测到的直线进行归类，将直线间角度差小于5度且截距小于25像素的直线归为一类，根据直线的归类结果，计算等效直线方程以及等效直线的宽度和颜色；
步骤S45，根据等效直线的长度、倾斜角度、宽度以及颜色筛选出公路白色标线；
步骤S46，根据步骤S1中输入的图像基本信息中的每条公路的宽度对步骤S45找到的白色标线进行道路的宽度筛选，找到所有符合公路宽度的直线对，每对直线中间区域作为拟公路区域。
6.根据权利要求5所述的航拍公路图像的公路定位方法，其特征在于：所述步骤S44中，等效直线的宽度和颜色的计算方法为：以等效直线上每个像素点为中心，左右各取20像素，然后逐一计算相邻像素的梯度，找到梯度最大以及梯度最小对应的像素坐标，坐标差即为当前像素点的宽度，同时记录下坐标间的所有像素颜色值，对整条等效直线所有像素点按此方法求得所有宽度并记录对应的像素颜色值，最终取所有宽度的众数以及所有像素颜色值的众数为等效直线的宽度以及颜色。
7.根据权利要求5所述的航拍公路图像的公路定位方法，其特征在于：所述步骤S45中的筛选条件为：直线的长度大于图像高度的2/3，倾斜角度在-5度到5度之间，宽度在步骤S1中输入的图像基本信息中白色标线宽度之间，颜色灰度大于150。
8.根据权利要求1或2所述的航拍公路图像的公路定位方法，其特征在于：所述步骤S5中，公路区域占比为：计算每一组拟公路区域在步骤S3得到的粗分割结果图像上相应区域的有效像素个数，所述有效像素个数与图像总像素个数相除得到公路区域占比。
CN201710346701.4A 2017-05-17 2017-05-17 一种航拍公路图像的公路定位方法 Active CN107220976B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710346701.4A CN107220976B (zh) 2017-05-17 2017-05-17 一种航拍公路图像的公路定位方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710346701.4A CN107220976B (zh) 2017-05-17 2017-05-17 一种航拍公路图像的公路定位方法

Publications (2)

Publication Number Publication Date
CN107220976A CN107220976A (zh) 2017-09-29
CN107220976B true CN107220976B (zh) 2020-11-20

Family

ID=59944658

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710346701.4A Active CN107220976B (zh) 2017-05-17 2017-05-17 一种航拍公路图像的公路定位方法

Country Status (1)

Country Link
CN (1) CN107220976B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108803651B (zh) * 2018-04-24 2021-07-09 上海工程技术大学 一种基于图像特征的无人机公路巡检方法
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
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
WO2020139356A1 (en) * 2018-12-27 2020-07-02 Didi Research America, Llc 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
CN109934128A (zh) * 2019-02-27 2019-06-25 长安大学 一种用于道路病害检测的航拍图像路面识别方法
CN109948613A (zh) * 2019-03-22 2019-06-28 国网重庆市电力公司电力科学研究院 一种避雷器的红外图像识别方法及装置

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102682292A (zh) * 2012-05-10 2012-09-19 清华大学 基于单目视觉的道路边缘检测及粗定位方法
CN103366156A (zh) * 2012-04-09 2013-10-23 通用汽车环球科技运作有限责任公司 道路结构检测和跟踪
CN103489189A (zh) * 2013-09-24 2014-01-01 浙江工商大学 基于交通路口视频的车道检测和分割方法
CN103593649A (zh) * 2013-10-24 2014-02-19 惠州华阳通用电子有限公司 一种用于车道偏离预警的车道线检测方法
CN105825173A (zh) * 2016-03-11 2016-08-03 福州华鹰重工机械有限公司 通用道路和车道检测系统与方法
CN106446785A (zh) * 2016-08-30 2017-02-22 电子科技大学 基于双目视觉的可行道路检测方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104331873A (zh) * 2013-07-22 2015-02-04 浙江大学 一种从单幅图像检测道路的方法
US10262213B2 (en) * 2014-12-16 2019-04-16 Here Global B.V. Learning lanes from vehicle probes

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103366156A (zh) * 2012-04-09 2013-10-23 通用汽车环球科技运作有限责任公司 道路结构检测和跟踪
CN102682292A (zh) * 2012-05-10 2012-09-19 清华大学 基于单目视觉的道路边缘检测及粗定位方法
CN103489189A (zh) * 2013-09-24 2014-01-01 浙江工商大学 基于交通路口视频的车道检测和分割方法
CN103593649A (zh) * 2013-10-24 2014-02-19 惠州华阳通用电子有限公司 一种用于车道偏离预警的车道线检测方法
CN105825173A (zh) * 2016-03-11 2016-08-03 福州华鹰重工机械有限公司 通用道路和车道检测系统与方法
CN106446785A (zh) * 2016-08-30 2017-02-22 电子科技大学 基于双目视觉的可行道路检测方法

Also Published As

Publication number Publication date
CN107220976A (zh) 2017-09-29

Similar Documents

Publication Publication Date Title
CN107220976B (zh) 一种航拍公路图像的公路定位方法
CN106651872B (zh) 基于Prewitt算子的路面裂缝识别方法及系统
US10970566B2 (en) Lane line detection method and apparatus
CN109443480B (zh) 基于图像处理的水位标尺定位及水位测量方法
CN105718870B (zh) 自动驾驶中基于前向摄像头的道路标线提取方法
CN105913041B (zh) 一种基于预先标定的信号灯识别方法
CN105260699B (zh) 一种车道线数据的处理方法及装置
CN107424142B (zh) 一种基于图像显著性检测的焊缝识别方法
CN109299674B (zh) 一种基于车灯的隧道违章变道检测方法
CN110516550B (zh) 一种基于fpga的车道线实时检测方法
CN104899554A (zh) 一种基于单目视觉的车辆测距方法
CN107516077A (zh) 基于激光点云和影像数据融合的交通标牌信息提取方法
CN110210451B (zh) 一种斑马线检测方法
CN102915433B (zh) 基于字符组合的车牌定位和识别方法
CN107705301B (zh) 一种基于无人机航拍公路图像的公路标线破损检测方法
CN107239780A (zh) 一种多特征融合的图像匹配方法
CN108052904B (zh) 车道线的获取方法及装置
CN108198417B (zh) 一种基于无人机的道路巡检系统
CN102446355B (zh) 一种基于双视场的无标定平面突起目标检测方法
CN107314957A (zh) 一种岩石块度尺寸分布的测量方法
CN114372919B (zh) 一种双挂汽车列车全景环视图像拼接方法及系统
CN108416798A (zh) 一种基于光流的车辆距离估计方法
CN103093202B (zh) 车标定位方法和车标定位装置
CN111583341B (zh) 云台像机移位检测方法
Li et al. Road signs detection and recognition utilizing images and 3D point cloud acquired by mobile mapping system

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