CN107452035A - 车道线图像分析方法、装置及其计算机可读取式媒体 - Google Patents
车道线图像分析方法、装置及其计算机可读取式媒体 Download PDFInfo
- Publication number
- CN107452035A CN107452035A CN201610528154.7A CN201610528154A CN107452035A CN 107452035 A CN107452035 A CN 107452035A CN 201610528154 A CN201610528154 A CN 201610528154A CN 107452035 A CN107452035 A CN 107452035A
- Authority
- CN
- China
- Prior art keywords
- image
- track
- line
- model
- parameter
- 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
- 238000000034 method Methods 0.000 title abstract description 6
- 238000012545 processing Methods 0.000 claims abstract description 30
- 238000012360 testing method Methods 0.000 claims description 92
- 238000001514 detection method Methods 0.000 claims description 38
- 238000010191 image analysis Methods 0.000 claims description 36
- 238000004458 analytical method Methods 0.000 claims description 23
- 230000007613 environmental effect Effects 0.000 claims description 14
- 238000009434 installation Methods 0.000 claims description 14
- 238000006073 displacement reaction Methods 0.000 claims description 6
- 230000001419 dependent effect Effects 0.000 claims description 5
- 241000208340 Araliaceae Species 0.000 claims description 2
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 claims description 2
- 235000003140 Panax quinquefolius Nutrition 0.000 claims description 2
- 235000008434 ginseng Nutrition 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 13
- 238000003703 image analysis method Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 102100034112 Alkyldihydroxyacetonephosphate synthase, peroxisomal Human genes 0.000 description 1
- 101000799143 Homo sapiens Alkyldihydroxyacetonephosphate synthase, peroxisomal Proteins 0.000 description 1
- 238000000848 angular dependent Auger electron spectroscopy Methods 0.000 description 1
- 238000000205 computational method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000010408 sweeping Methods 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60R—VEHICLES, VEHICLE FITTINGS, OR VEHICLE PARTS, NOT OTHERWISE PROVIDED FOR
- B60R11/00—Arrangements for holding or mounting articles, not otherwise provided for
- B60R11/04—Mounting of cameras operative during drive; Arrangement of controls thereof relative to the vehicle
-
- 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
- G06V10/24—Aligning, centring, orientation detection or correction of the image
- G06V10/242—Aligning, centring, orientation detection or correction of the image by image rotation, e.g. by 90 degrees
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
- G06V10/7515—Shifting the patterns to accommodate for positional errors
-
- 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
-
- 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
Abstract
本发明提供一种车道线图像分析方法、装置及其计算机可读取式媒体，该图像分析装置具有投影计算模块、处理模块及分类模块。投影计算模块以基准点为中心，于多个预设方向辨识车道线图像。于每一个预设方向辨识车道线图像时，以多个预设区间定义车道线图像，并判断车道线图像于每一个预设区间中的特征值。处理模块电连接投影计算模块，且依据于至少一个预设方向辨识车道线图像时车道线图像于每一个预设区间中的特征值，判断第一特征参数。分类模块电连接处理模块用以至少依据第一特征参数判断车道线图像对应的实际车道参数值。
Description
技术领域
本发明是关于一种车道线图像分析方法、图像分析装置及其计算机可读取式媒体，特别是一种分类车道线图像的图像分析装置、分析方法及其计算机可读取式媒体。
背景技术
近年自动驾驶车技术受到各界关注，越来越多车厂、企业投入研发。自动驾驶车技术的核心来自先进驾驶辅助系统(Advanced Driving Assistance Systems，ADAS)包含如车道偏离警示、防碰撞警示、自动剎车等技术。
然而，自动驾驶车技术必须随时地对行车状况进行检测，并且即时地对行车状况进行驾驶的判断。再者，多样化的路况亦增加自动驾驶车技术的困难度。为了满足自动驾驶车技术的各种需求及运算和辨识的速度，自动驾驶辅助系统必须具有高规格的效能，以进行自动驾驶的判断和复杂的数据运算，使得自动驾驶辅助系统无法降低成本。
发明内容
本发明在于提供一种车道线图像(image)分析方法、图像分析装置及其计算机可读取式媒体，藉以解决自动驾驶车技术必须采用高效能规格的自动驾驶辅助系统，才能满足高速度辨识和进行复杂的数据运算的问题。
本发明所揭露的车道线图像的分析方法，具有以下步骤：以基准点为中心，于多个预设方向辨识车道线图像。于每一个预设方向辨识车道线图像时，以多个预设区间定义车道线图像。多个预设区间平行排列于基准线的延伸方向，且基准线的延伸方向垂直于预设方向。判断车道线图像于每一个预设区间中的特征值。依据于至少一预设方向辨识车道线图像时车道线图像于每一个预设区间中的特征值，判断第一特征参数。至少依据第一特征参数，判断车道线图像对应的至少一个实际车道参数值，该实际车道参数值关联于实际车道的环境信息。
本发明所揭露的图像分析装置，具有投影计算模块、处理模块及判断模块。投影计算模块以基准点为中心，于多个预设方向辨识车道线图像。于每一个预设方向辨识车道线图像时，以多个预设区间定义车道线图像，并判断车道线图像于每一个预设区间中的特征值。多个预设区间平行排列于基准线的延伸方向，且基准线的延伸方向与预设方向垂直。处理模块电连接投影计算模块，且依据于至少一个预设方向辨识车道线图像时车道线图像于每一个预设区间中的特征值，判断第一特征参数。判断模块电连接处理模块，用以至少依据第一特征参数判断车道线图像对应的至少一个实际车道参数值，该实际车道参数值关联于实际车道的环境信息。
本发明所揭露的计算机可读取式媒体，经由电子装置载入。电子装置包括投影计算模块、处理模块及判断模块。电子装置依据计算机可读取式媒体执行下列步骤。驱动投影计算模块以基准点为中心，于多个预设方向辨识车道线图像。驱动投影计算模块于每一该预设方向辨识车道线图像时，以多个预设区间定义车道线图像，并判断车道线图像于每一个预设区间中的特征值。预设区间平行排列于基准线的延伸方向，基准线的延伸方向垂直于预设方向。驱动处理模块于判断第一特征参数。第一特征参数关联于在至少一个预设方向辨识车道线图像时，车道线图像于每一个预设区间中的特征值。驱动判断模块至少依据第一特征参数，判断车道线图像对应的至少一个实际车道参数值。实际车道参数值关联于实际车道的环境信息。
根据上述本发明所揭露的车道线图像分析方法、图像分析装置及其计算机可读取式媒体，通过旋转车道线图像，以不同的预设角度来分析车道线图像于每一个预设区间中的特征值，并依据分析得到的特征值判断车道线图像对应的模型分类，进而降低分析车道线的复杂度，解决以往自动驾驶车技术必须采用高效能规格的自动驾驶辅助系统，才能辨识效率和复杂的数据运算的问题。
以上的关于本发明内容的说明及以下的实施方式的说明是用以示范与解释本发明的精神与原理，并且提供本发明的权利要求更进一步的解释。
附图说明
图1A是根据本发明一实施例所绘示的图像分析装置的功能方块图；
图1B是根据本发明一实施例所绘示的车道线图像的示意图
图2是根据本发明另一实施例所绘示的图像分析装置的功能方块图；
图3A至图3E是根据图2实施例所绘示的道路图像和车道线图像的示意图；
图4A至图4C是根据本发明另一实施例所绘示的车道线模型的示意图；
图5是根据本发明另一实施例所绘示的车道线图像和车道线模型比对的示意图；
图6是根据本发明再一实施例所绘示的图像分析装置的功能方块图；
图7是根据本发明一实施例所绘示的车道线图像分析方法的步骤流程图；
图8是根据本发明一实施例所绘示的车道线图像分析装置执行计算机可读取媒体的步骤流程图。
附图标记
10、20、50 图像分析装置
11、21、51 投影计算模块
12、22、52 处理模块
13、23、53 判断模块
24、54 图像撷取模块
25、55 检测模块
26、56 噪声处理模块
30 道路图像
15、31、50 车道线图像
231、531 分类单元
232、532 模型产生单元
233、533 比较单元
234、534 查表单元
40a～40c 车道线模型
41 扫描区域
57 参数表建立模块
L1 第一车道线
L2 第二车道线
Pt、P 基准点
Base、B 基准线
C 图像中心点
V 垂直方向
α 第一夹角
β 第二夹角
RG、an、bn 预设区间
L、预设方向
具体实施方式
以下在实施方式中详细叙述本发明的详细特征以及优点，其内容足以使任何本领域技术人员了解本发明的技术内容并据以实施，且根据本说明书所揭露的内容、权利要求书及图式，任何本领域技术人员可轻易地理解本发明相关的目的及优点。以下的实施例是进一步详细说明本发明的观点，但非以任何观点限制本发明的范畴。
请参照图，图1A是根据本发明一实施例所绘示的图像分析装置的功能方块图，图1B是根据本发明一实施例所绘示的车道线图像的示意图。如图所示，图像分析装置10具有投影计算模块11、处理模块12及判断模块13，其中处理模块12分别电连接投影计算模块11及判断模块13。投影计算模块11接收车道线图像15，并以车道线图像15上的一个基准点为中心，于多个预设方向辨识车道线图像15。于一个实施例中，投影计算模块11辨识车道线图像15的方法例如顺时针旋转车道线图像15从0°至90°，并于其间每15°为一个间隔作为一个预设角度。当每次车道线图像15旋转至其中一个预设角度时，投影计算模块11以多个预设区间RG定义车道线图像15，并判断车道线图像15于每一个预设区间RG中的特征值。多个预设区间RG平行排列于基准线Base的延伸方向，且基准线Base的延伸方向垂直于预设方向L。换言之，投影计算模块11例如于车道线图像15分别顺时针旋转至15°、30°、45°…时，以多个预设区间RG定义车道线图像15，并判断车道线图像15于每一个预设区间RG中的特征值。于本实施例中，投影计算模块11未旋转车道线图像15时，亦即预设角度为0°时，投影计算模块11亦以多个预设区间RG定义车道线图像15，判断车道线图像15于每一个预设区间RG中的特征值。
于实务上，基准线Base例如平行车道线图像15未旋转时车道线图像15的边缘线，而预设区间RG例如平行排列于边缘线延伸方向上的多个图像区域。于另一个实施例中，于多个预设方向辨识车道线图像的方式例如改由旋转基准线和预设区间取代旋转车道线图像。具体来说，基准线以基准点为中心，顺时针旋转0°至90°，并于其间每15°为一个间隔以平行排列于基准线延伸方向上的预设区间，定义车道线图像，以判断车道线图像于每一个预设区间中的特征值。换言之，于本实施例中，每一次旋转基准线至预设角度后，亦即以基准线垂直方向的角度辨识车道线图像。接着，以多个平行排列于基准线延伸方向的预设区间定义车道线图像，并判断车道线图像于每一个预设区间中的特征值。为了方便说明，以下实施例是以旋转车道线图像为例来说，非用以限制辨识车道线图像的实施方式。
车道线图像于每一个预设区间中的特征值例如车道线所占据的像素个数、单位区块个数或其他合适的特征值。举例来说，基准线例如平行于未旋转车道线图像的列像素，而预设区间例如未旋转车道线图像的多个行像素。车道线图像于预设区间中的特征值则为每一行像素中车道线图像中车道线所占据的像素个数。于另一个例子中，预设区间亦可以是多个相同宽度，且平行排列于基准线延伸方向上的区域。每一个预设区间中又具有多个相同长度的单位区块平行排列于基准线的垂直方向上。车道线图像于预设区间中的特征值则为车道线图像于每一个预设区域中车道线所占据的单位区块个数。
处理模块12依据投影计算模块11于至少一个预设方向辨识车道线图像时车道线图像于每一个预设区间中的特征值，判断第一特征参数。以前述的例子来说，第一特征参数例如包含车道线图像未旋转时每一个预设区间中车道线所占据的单位区块个数、车道线图像顺时针旋转15°时每一个预设区间中车道线所占据的单位区块个数、车道线图像顺时针旋转30°时每一个预设区间中车道线所占据的单位区块个数，其余以此类推。第一特征参数亦例如是车道线图像未旋转和车道线图像被旋转15°、30°、45°、…时，每一个预设区间中车道线所占据的单位区块个数总和。本实施例不限制第一特征参数的数量，处理模块12亦可以依据其他计算方法将特征值整理为第一特征参数，本实施例不予限制。
判断模块13依据第一特征参数判断车道线图像对应的至少一个实际车道参数值。实际车道参数值关联于实际车道的环境信息，例如为实际的车道宽度、实际的车道曲率、左车道线与车辆之间的实际距离、车辆的前倾角、车道中线与车辆中线的夹角或其他实际的车道参数值。当判断模块13依据第一特征参数判断车道线图像的实际车道参数值时，实际车道参数值即可作为拍摄车道线图像当下车道的实际状况。
判断模块13例如采用支持向量机(support vector machine，SVM)、深度学习(Deep learning)或其他合适的演算法来判断车道线图像属于的模型判断，本实施例不予限制。
请一并参照图2至图5，图2是根据本发明另一实施例所绘示的图像分析装置的功能方块图，图3A至图3E是根据图2实施例所绘示的道路图像和车道线图像的示意图，图4A至图4C是根据本发明另一实施例所绘示的车道线模型的示意图，图5是根据本发明另一实施例所绘示的车道线图像和车道线模型比对的示意图。如图所示，图像分析装置20具有投影计算模块21、处理模块22、判断模块23、图像撷取模块24、检测模块25及噪声处理模块26，其中图像撷取模块24电连接检测模块25，处理模块22分别电连接投影计算模块21及判断模块23，检测模块25分别电连接图像撷取模块24、噪声处理模块26及判断模块23，噪声处理模块26电连接投影计算模块21、检测模块25及判断模块23。
于本实施例中，图像撷取模块24撷取道路图像30。图像撷取模块24例如设置于车辆的挡风玻璃上，跟随车辆行驶以拍摄道路图像30。检测模块25接收图像撷取装置撷取的道路图像30，并辨识道路图像30中的第一车道线L1和第二车道线L2。检测模块25依据道路图像30中的第一车道线L1和第二车道线L2，判断基准点P。
第一车道线L1例如车道上位于车辆左侧的交通规则标线或其他可辨识车辆行驶车道的界线。第二车道线L2例如车道上位于车辆右侧的交通规则标线或其他可辨识车辆行驶车道的界线。于一个实施例中，基准点P位于第一车道线L1的一个切线延伸方向和第二车道线L2的一个切线延伸方向上。具体来说，检测模块25辨识道路图像30于边界区域R中的第一车道线L1和第二车道线L2，并延伸边界区域R中的第一车道线L1和第二车道线L2，以第一车道线L1和第二车道线L2延伸的交点位置作为基准点P。换言之，基准点P例如为道路图像30的消失点(vanish point)。第一车道线L1和第二车道线L2的延伸线收束于消失点。
噪声处理模块26接收检测模块25辨识出的基准点P，且依据基准点P过滤道路图像30的噪声，产生并输出车道线图像31至投影计算模块21。举例来说，噪声处理模块26对道路图像30进行灰阶或色彩的梯度处理或依据道路图像30的脊线进行图像梯度处理，形成如图3B的图像。接着，噪声处理模块26依据基准点P的位置或坐标，消除道路图像30上的噪声。于一个实施例中，噪声处理模块26消除Y方向上基准点P之上的噪声，如图3C上图所示。噪声处理模块26过滤道路图像30后产生的车道线图像31将输出至投影计算模块21。换言之，车道线图像31是噪声处理模块26对道路图像30进行图像处理后，筛选出道路图像30中可能是车道线的像素。
投影计算模块21接收车道线图像31，并以车道线图像31上的基准点P为旋转中心，旋转车道线图像31至多个预设角度。如图3C上图所示，投影计算模块21未旋转车道线图像31时，以多个预设区间定义车道线图像31，判断车道线图像31于每一个预设区间中的特征值。以基准线B来说，预设区间平行地排列于基准线B的延伸方向上，其中一个预设区间an，如图3C所示。投影计算模块21依据车道线图像31于预设区间中车道线的单位区块个数作为特征值，并形成如图3C下图的分布。
接下来，投影计算模块21例如顺时针旋转车道线图像31自0°至90°，并于其间每15°为一个间隔作为一个预设角度，以判断车道线图像31于每一个预设区间中的特征值。如图3D所示，车道线图像31被顺时针旋转60°，并以多个预设区间定义车道线图像31，判断车道线图像31于每一个预设区间中的特征值。于本实施例中，以基准线B来说，预设区间平行地排列于基准线B的延伸方向上，其中一个预设区间bn，如图3D所示。投影计算模块21依据顺时针旋转60°后的车道线图像31于预设区间bn中车道线的单位区块个数作为特征值，并形成如图3D下图的分布。处理模块22依据投影计算模块21于每次车道线图像旋转至预设角度时车道线图像于每一个预设区间中的特征值，判断第一特征参数。
于一个实施例中，如图3E所示，检测模块25更判断道路图像31的图像中心点C，依据基准点P对图像中心点C的位移，判断第二特征参数。第二特征参数例如是基准点P对图像中心点C的位移向量，或者第二特征参数包含基准点P的X坐标到图像中心点C的X坐标的位移量和基准点P的Y坐标到图像中心点C的Y坐标的位移量，又或者第二特征参数是基准点P对图像中心点C的位移向量于基准线B上的投影量，本实施例不予限制。
于另一个实施例中，检测模块25更判断第一车道线L1的切线延伸方向和基准线B的垂直方向V之间的第一夹角α，依据第一夹角α判断第三特征参数。检测模块25更判断第二车道线L2的切线延伸方向和基准线B的垂直方向V之间的第二夹角β，依据第二夹角β判断第四特征参数。
于本实施例中，判断模块23具有分类单元231、模型产生单元232、比较单元233和查找单元234。分类单元231依据第一特征参数、第二特征参数、第三特征参数和第四特征参数其中任一或其组合，判断车道线图像31对应的模型判断。于本实施例中，分类单元231定义有多个模型分类，每一个模型分类对应多个特征参数范围，分类单元231依据第一特征参数所位于的特征参数范围、第二特征参数所位于的特征参数范围、第三特征参数所位于的特征参数范围和第四特征参数所位于的特征参数范围，决定车道线图像31的模型分类。
于本实施例中，每一个模型分类定义有至少一组模型参数范围，模型参数范围例如为车道模型的宽度范围、车道模型的曲率范围、左车道线与图像中心点之间的横向距离、车道模型的前倾角、车道模型中线与图像中线的夹角、车道模型模拟取像时距离地面的高度、车道模型模拟取像时图像撷取模块24的焦距参数或其他关联于车道模型的参数范围。当分类单元231依据第一特征参数、第二特征参数、第三特征参数和第四特征参数其中任一或其组合决定车道线图像31的模型分类时，亦即取得模型分类定义的一组模型参数范围。
模型产生单元232接收车道线图像31对应的一组模型参数范围，且依据每一个模型参数范围中的每一个模型参数值，分别产生多个车道线模型，例如图4A至图4C显示的车道线模型40a～40c。于一个实施例中，模型产生单元232将每一个模型参数范围中的其中一个模型参数值代入模型产生公式中，产生车道线模型。
模型产生公式例如为：
其中L为车道模型的宽度、C0为车道模型的曲率、xc为左车道线与图像中心点之间的横向距离、为车道模型的前倾角、θ为车道模型中线与图像中线的夹角、H为车道模型模拟取像时距离地面的高度、fu和fv为车道模型模拟取像时图像撷取模块24的焦距参数。
以其中一个模型参数范围为例来说，车道线图像31的模型判断所对应的车道曲率范围例如为0.25～0.28之间，模型产生单元232则例如分别将0.25、0.26、0.27、0.28代入C0中，产生多个车道线模型。换言之，模型产生单元232将各个模型参数排列组合地代入模型产生公式中，产生属于每一个模型判断中的多个车道线模型。
于另一实施例中，模型产生公式亦例如为：
其中(ul,v)、(ur,v)分别为第一车道线和第二车道线上的坐标、(u0,v0)为基准点的坐标、al和ar分别为第一车道线和第二车道线的一个切线斜率、b为与车道曲率半径相关的参数。
于再一个实施例中，模型产生公式亦例如为：
ul＝alv2+blv+cl，
ur＝arv2+brv+cr，
其中(ul,v)、(ur,v)分别为第一车道线和第二车道线上的坐标、a、b、c为二次曲线参数。除了上述揭示的模型产生公式外，其他适合的模型产生公式皆可被应用于本实施例模型产生单元232中，本实施例不予限制。
比较单元233从噪声处理模块26接收车道线图像31，且从模型产生单元232接收车道线图像31对应的模型判断中的车道线模型。比较单元233比较车道线图像31与模型判断中的每一个车道线模型，并依据车道线图像31和每一个车道线模型的差异，选择一个车道线模型。
于一个实施例中，如图5所示，比较单元233将车道线模型40c与车道线图像31重叠比较，并以扫描区域41沿着车道线模型40c扫描车道线图像40。扫描区域41如图5下方的放大图所示，扫描区域41具有平行排列的多个扫描方格，比较单元233检测车道线图像31中车道线与车道线模型40c的差异值，例如间隔的扫描方格数量xi，并且使扫描区域41中间的扫描方格沿着车道线模型40c移动，检测整个车道线模型40c与车道线图像31的车道线差异值。接着，比较单元233采用绝对差异总和(Sum of Absolute Difference)、平方平均数(Root Mean Square，RMS)或其他适合的计算方式来判断车道线图像31和模型判断中的每一个车道线模型的差异。
平方平均数的计算公式例如：
其中x1～xn例如为每一次扫描区域41检测到的车道线模型40c与车道线图像31的车道线差异值。比较单元233依据车道线图像31和模型判断中的每一个车道线模型的差异，选择模型判断中其中一个车道线模型。选择的车道线模型例如是与车道线图像31差异较小者。
查找单元234依据比较单元233选择的车道线模型自一个参数对应表中查找车道线模型对应的一组实际车道参数值。参数对应表指示每一个车道线模型对应的实际车道参数值。实际车道参数值关联于实际车道的环境信息，例如为实际的车道宽度、实际的车道曲率、左车道线与车辆之间的实际距离、车辆的前倾角、车道中线与车辆中线的夹角、图像撷取模块24与地面的高度、图像撷取模块24的焦距参数或其他实际的车道参数范围。
于本实施例中，查找单元234所查找出的实际车道参数值可作为拍摄车道线图像当下车道的实际状况，并例如提供给自动驾驶系统作为自动驾驶辅助系统判断驾驶的依据。更进一步地来看，由于图像分析装置20通过对车道线图像进行分类，再将车道线图像与所属分类中的车道线模型进行比对，可以使得即时判断图像的复杂度更为简化，自动驾驶辅助系统的效能可以被运用的更有效率。
于前述的实施例中，投影计算模块21顺时针旋转车道线图像31自0°至90°且以其间的每15°作为一个预设角度仅为举例说明，于其他实施例中，投影计算模块21亦可以于逆时针90°自顺时针90°之间每15°作为一个预设角度，或是每20°作为一个预设角度，本实施例不予限制。
请一并参照图6，图6是根据本发明再一实施例所绘示的图像分析装置的功能方块图。如图6所示，图像分析装置50具有投影计算模块51、处理模块52、判断模块53、图像撷取模块54、检测模块55、噪声处理模块56及参数表建立模块57，其中处理模块52分别电连接投影计算模块51及判断模块53，检测模块55分别电连接图像撷取模块54、噪声处理模块56及判断模块53，噪声处理模块56电连接投影计算模块51，判断模块53具有分类单元531、模型产生单元532、比较单元533和查找单元534。比较单元533分别电连接噪声处理模块56、模型产生单元532及查表单元534，分类单元531电连接模型产生单元532、处理模块52及检测模块55。参数表建立模块57电连接比较单元533和查找单元534。
投影计算模块51、处理模块52、判断模块53、图像撷取模块54、检测模块55、噪声处理模块56与前一个实施例大致上相同。与前一个实施例不同的是，本实施例中，查找单元534所查找的参数对应表是经由数据收集和参数表建立模块57所建立的。于本实施例中，图像撷取模块54在一个测试环境中撷取多个测试图像，并经由检测模块55和噪声处理模块56对测试图像进行图像处理后，使测试图像消除车道线以外的图像。测试环境的环境信息指示每一个测试图像对应的至少一个实际车道参数值。测试环境的环境信息例如实际量测车道后所得到的车道宽度距离、车道曲率或其他合适的信息。当图像撷取模块54在一个测试环境中不同的图像撷取位置撷取测试图像时，不同撷取位置所对应的实际车道参数值就不同。换言之，图像撷取模块54在一个测试环境中于不同的图像撷取位置具有不同的实际车道参数值，因此图像撷取模块54在不同的图像撷取位置所撷取到的测试图像即对应该撷取位置的一组实际车道参数值。
投影计算模块51接收测试图像，并以测试图像上的基准点为旋转中心，旋转测试图像至多个预设角度。当每次测试图像旋转至其中一个预设角度时，投影计算模块51以多个预设区间定义测试图像，并判断测试图像于每一个预设区间中的特征值。处理模块52依据投影计算模块51于至少一预设方向辨识测试图像时每一个预设区间中的特征值，判断测试图像的第一特征参数。于其他实施例中，检测模块55判断测试图像的图像中心点，并依据测试图像中基准点对图像中心点的位移，判断测试图像的第二特征参数。检测模块55依据第一车道线的切线延伸方向和基准线垂直方向之间的第一夹角，判断测试图像的第三特征参数。检测模块45依据第二车道线的切线延伸方向和基准线垂直方向的第二夹角，判断测试图像的第四特征参数。
分类单元531依据第一特征参数、第二特征参数、第三特征参数和第四特征参数其中任一或其组合，判断测试图像对应的模型分类。实务上，分类单元531定义有多个模型分类，每一个模型分类对应多个特征参数范围，分类模块43依据第一特征参数所位于的特征参数范围、第二特征参数所位于的特征参数范围、第三特征参数所位于的特征参数范围和第四特征参数所位于的特征参数范围，决定测试图像的模型分类。
模型产生单元532接收测试图像对应的一组模型参数范围，且依据每一个模型参数范围中的每一个模型参数值，分别产生多个车道线模型。模型产生单元532产生车道线模型的方法例如前述实施例或其他合适的方法，不再加以赘述。
接着，比较单元533从噪声处理模块56接收测试图像，且从模型产生单元532接收测试图像对应的模型分类中的车道线模型。比较单元533比较测试图像与模型分类中的每一个车道线模型，并依据测试图像和每一个车道线模型的差异，选择一个测试图像对应的车道线模型。比较单元533例如与前一个实施例所述，将测试图像和车道线模型重叠比较，但不以此为限。
比较单元533依据测试图像和模型判断中的每一个车道线模型的差异，选择模型分类中其中一个车道线模型。选择的车道线模型例如是与测试图像差异较小者。
参数表建立模块57依据比较单元533选择的车道线模型和测试图像对应的实际车道参数值，建立参数对应表。换言之，图像分析装置50通过撷取测试环境中的多个测试图像，将测试环境中已知的实际车道参数值与测试图像对应的车道线模型建立关系表，使得之后查找单元534可以通过参数对应表来查找车道线图像对应的一组实际车道参数值，进而提供给例如自动驾驶辅助系统做为自动驾驶的判断依据。
于本实施例中，通过参数表建立模块57可以让图像分析装置50建构完整的资讯判断。另一方面，当每一个图像分析装置设置于各种环境中时，例如用于不同车型的自动驾驶辅助系统中时，不同的车型在同一个实体车道线环境中的判断依据就会不同。通过参数表建立模块57就可以达到对不同车型建立不同参数对应表的效果，使得图像分析装置可以更为广泛地运用。
为了更清楚地说明车道线的分析方法，接下来请一并参照图7，图7是根据本发明一实施例所绘示的车道线图像分析方法的步骤流程图。如图7所示，于步骤S601中，以基准点为中心，于多个预设方向辨识车道线图像。于步骤S602中，于每一个预设方向辨识车道线图像时，以多个预设区间定义车道线图像，预设区间平行排列于基准线的延伸方向上，而基准线的延伸方向垂直于预设方向。于步骤S603中，判断车道线图像于每一个预设区间中的特征值。于步骤S604中，依据于至少一个预设方向辨识车道线图像时车道线图像于每一个预设区间中的特征值，判断第一特征参数。于步骤S605中，至少依据第一特征参数，判断车道线图像对应的至少一个实际车道参数值。实际车道参数值关联于实际车道的环境信息。本发明所述之车道线的分析方法实际上均已经揭露在前述记载的实施例中，本实施例在此不重复说明。
接下来请参照图1及图8，图8是根据本发明一实施例所绘示的车道线检测装置执行计算机可读取媒体的步骤流程图。如图8所示，前述的车道线的分析方法实际上可运用于自动驾驶辅助系统、车辆的计算机系统、行车计算机、图像分析装置10或其他合适的电子装置中，换言之，本实施例的车道线的分析方法可以计算机程序语言撰写成计算机可读取式媒体，由图像分析装置10读取以进行车道线图像分析。当图像分析装置10执行本实施例的车道线图像分析方法的计算机可读取式媒体时，执行的步骤如图7所示。于步骤S701中，驱动投影计算模块11以基准点为中心，于多个预设方向辨识车道线图像。于步骤S702中，驱动投影计算模块11于每一个预设方向辨识车道线图像旋转时，以多个预设区间定义车道线图像。于步骤S703中，驱动投影计算模块11判断车道线图像于每一个预设区间中的特征值。于步骤S704中，驱动处理模块12判断第一特征参数。于步骤S704中，驱动判断模块13至少依据第一特征参数，判断车道线图像对应的至少一个实际车道参数值。于所属技术领域技术人员应可从上述的实施例中，理解处理器读取本实施例计算机可读取式媒体执行的内容，于此不再加以赘述。
综合以上所述，本发明实施例提供一种图像分析装置、分析方法及其计算机可读取式媒体，通过旋转车道线图像，以不同的预设角度来分析车道线图像于每一个预设区间中的特征值，并依据分析得到的特征值判断车道线图像对应的模型判断，达到降低分析车道线时的运算复杂度，进而降低自动驾驶辅助系统的成本。
虽然本发明以前述的实施例揭露如上，然其并非用以限定本发明。在不脱离本发明的精神和范围内，所为的更动与润饰，均属本发明的专利保护范围。关于本发明所界定的保护范围请参考权利要求书所限定的范围。
Claims (24)
1.一种车道线图像的分析方法，其特征在于，所述的分析方法包括：
以一基准点为中心，于多个预设方向辨识一车道线图像；
于每一所述预设方向辨识所述车道线图像时，以多个预设区间定义所述车道线图像，所述多个预设区间平行排列于一基准线的延伸方向，所述基准线的延伸方向垂直于所述预设方向；
判断所述车道线图像于每一所述预设区间中的一特征值；
依据于所述多个预设方向中至少其一辨识所述车道线图像时所述车道线图像于每一所述预设区间中的所述特征值，判断一第一特征参数；以及
至少依据所述第一特征参数，判断所述车道线图像对应的至少一实际车道参数值，所述实际车道参数值关联于实际车道的环境信息。
2.根据权利要求1所述的车道线图像的分析方法，其特征在于，于每一所述预设方向辨识所述车道线图像的步骤中，包括以所述基准点为旋转中心，旋转所述车道线图像至多个预设角度，并于每次所述车道线图像旋转至所述多个预设角度其中之一时，辨识所述车道线图像。
3.根据权利要求1所述的车道线图像的分析方法，其特征在于，于判断所述车道线图像对应的所述实际车道参数值的步骤中，包括：
至少依据所述第一特征参数，判断所述车道线图像对应的一模型分类，所述车道线图像对应的所述模型分类定义有一模型参数范围，所述模型参数范围具有多个模型参数值；
依据所述模型参数范围中的每一所述模型参数值，分别产生多个车道线模型；
比对所述车道线图像与所述多个车道线模型；
依据所述车道线图像和每一所述车道线模型的差异，选择所述多个车道线模型其中之一；以及
依据已选择的所述车道线模型自一参数对应表中查找已选择的所述车道线模型对应的所述实际车道参数值，所述参数对应表指示每一所述车道线模型对应的所述实际车道参数值。
4.根据权利要求3所述的车道线图像的分析方法，其特征在于，所述的分析方法更包括：
以一图像撷取模块撷取一道路图像；
辨识所述道路图像中的一第一车道线和一第二车道线；
依据所述道路图像中的所述第一车道线和所述第二车道线，判断所述基准点，所述基准点位于所述第一车道线的一切线延伸方向和所述第二车道线的一切线延伸方向上；以及
依据所述基准点，过滤所述道路图像的噪声，产生所述车道线图像。
5.根据权利要求4所述的车道线图像的分析方法，其特征在于，所述的分析方法更包括：判断所述道路图像的一图像中心点，依据所述基准点对所述图像中心点的位移，判断一第二特征参数，于判断所述车道线图像对应的所述模型分类步骤中，更依据所述第二特征参数判断所述车道线图像对应的所述模型分类。
6.根据权利要求5所述的车道线图像的分析方法，其特征在于，所述的分析方法更包括判断所述第一车道线的所述切线延伸方向和所述基准线垂直方向的一第一夹角，依据所述第一夹角判断一第三特征参数，判断所述第二车道线的所述切线延伸方向和所述基准线的垂直方向的一第二夹角，依据所述第二夹角判断一第四特征参数，于判断所述车道线图像对应的所述模型分类的步骤中，更依据所述第三特征参数和所述第四特征参数判断所述车道线图像对应的所述模型分类。
7.根据权利要求4所述的车道线图像的分析方法，其特征在于，所述的分析方法更包括：
于一测试环境中以所述图像撷取模块撷取多个测试图像，所述测试环境的环境信息指示每一所述测试图像对应的所述至少一实际车道参数值；
判断每一所述测试图像对应的所述车道线模型；以及
依据每一所述测试图像对应的所述车道线模型及所述至少一实际车道参数值，建立所述参数对应表。
8.根据权利要求7所述的车道线图像的分析方法，其特征在于，于判断每一所述测试图像对应的所述车道线模型的步骤中，包括：
以所述基准点为旋转中心，旋转所述多个测试图像其中之一至所述多个预设角度；
于每次所述测试图像旋转至所述多个预设角度其中之一时，以所述多个预设区间定义所述测试图像；
依据每次所述测试图像旋转至所述多个预设角度其中之一时，所述测试图像于每一所述预设区间中的所述特征值，判断所述测试图像的一测试参数；
至少依据所述测试参数判断所述测试图像对应的所述模型分类；
比对所述测试图像与所述多个车道线模型；以及
依据所述测试图像和每一所述车道线模型的差异，选择所述测试图像对应的所述车道线模型。
9.一种图像分析装置，其特征在于，所述的图像分析装置包括：
一投影计算模块，以一基准点为中心，于多个预设方向辨识一车道线图像，于每一所述预设方向辨识所述车道线图像时，以多个预设区间定义所述车道线图像，并判断所述车道线图像于每一所述预设区间中的一特征值，所述多个预设区间平行排列于一基准线的延伸方向，所述基准线的延伸方向垂直于所述预设方向；
一处理模块，电连接所述投影计算模块，且依据于所述多个预设方向中至少其一辨识所述车道线图像时所述车道线图像于每一所述预设区间中的所述特征值，判断一第一特征参数；以及
一判断模块，电连接所述处理模块，用以至少依据所述第一特征参数，判断所述车道线图像对应的至少一实际车道参数值，所述实际车道参数值关联于实际车道的环境信息。
10.根据权利要求9所述的图像分析装置，其特征在于，所述投影计算模块更以所述基准点为旋转中心，旋转所述车道线图像至多个预设角度，并于每次所述车道线图像旋转至所述多个预设角度其中之一时，辨识所述车道线图像。
11.根据权利要求9所述的图像分析装置，其特征在于，所述判断模块包括：
一分类单元，至少依据所述第一特征参数，判断所述车道线图像对应的一模型分类，所述车道线图像对应的所述模型分类定义有一模型参数范围，所述模型参数范围具有多个模型参数值；
一模型产生单元，电连接所述分类单元，且依据所述模型参数范围中的每一所述模型参数值，分别产生多个车道线模型；
一比较单元，电连接所述模型产生单元，所述比较单元比对所述车道线图像与所述多个车道线模型，并依据所述车道线图像和每一所述车道线模型的差异，选择所述多个车道线模型其中之一；以及
一查找单元，依据所述比较单元已选择的所述车道线模型自一参数对应表中查找所述车道线模型对应的所述实际车道参数值，所述参数对应表指示每一所述车道线模型对应的所述实际车道参数值。
12.根据权利要求11所述的图像分析装置，其特征在于，所述的图像分析装置更包括：
一图像撷取模块，用以撷取一道路图像；
一检测模块，电连接所述图像撷取模块，所述检测模块辨识所述道路图像中的至少一第一车道线和一第二车道线，并依据所述道路图像中的所述第一车道线和所述第二车道线，判断所述基准点，所述基准点位于所述第一车道线的一切线延伸方向和所述第二车道线的一切线延伸方向上；以及
一噪声处理模块，电连接所述检测模块及所述投影计算模块，所述噪声处理模块依据所述检测模块辨识的所述基准点过滤所述道路图像的噪声，产生并输出所述车道线图像至所述投影计算模块。
13.根据权利要求12所述的图像分析装置，其特征在于，所述检测模块更判断所述道路图像的一图像中心点，依据所述基准点对所述图像中心点的位移，判断一第二特征参数，所述分类单元更依据所述第二特征参数判断所述车道线图像对应的所述模型分类。
14.根据权利要求13所述的图像分析装置，其特征在于，所述检测模块更判断所述第一车道线的所述切线延伸方向和所述基准线垂直方向的一第一夹角，依据所述第一夹角判断一第三特征参数，所述检测模块更判断所述第二车道线的所述切线延伸方向和所述基准线的垂直方向的一第二夹角，依据所述第二夹角判断一第四特征参数，所述分类单元更依据所述第三特征参数和所述第四特征参数判断所述车道线图像对应的所述模型分类。
15.根据权利要求12所述的图像分析装置，其特征在于，所述的图像分析装置更包括一参数表建立模块，所述图像撷取模块于一测试环境中撷取多个测试图像，所述测试环境的环境信息指示每一所述测试图像对应的所述至少一实际车道参数值，所述投影计算模块、所述处理模块及所述判断模块判断每一所述测试图像对应的所述车道线模型，所述参数表建立模块依据每一所述测试图像对应的所述车道线模型及所述至少一实际车道参数值，建立所述参数对应表。
16.根据权利要求15所述的图像分析装置，其特征在于，所述投影计算模块以所述基准点为旋转中心，旋转所述多个测试图像其中之一至所述多个预设角度，于每次所述测试图像旋转至所述多个预设角度其中之一时，以所述多个预设区间定义所述测试图像，并判断所述测试图像于每一所述预设区间中的所述特征值，所述处理模块依据所述测试图像于每一所述预设方向的所述多个特征值判断所述测试图像的一测试参数，所述分类单元至少依据所述测试参数判断所述测试图像对应的所述模型分类，所述比较单元比对所述测试图像与所述多个车道线模型，并依据所述测试图像和每一所述车道线模型的差异，选择所述测试图像对应的所述车道线模型。
17.一种计算机可读取式媒体，经由一电子装置载入，所述电子装置包括一投影计算模块、一处理模块及一判断模块，其特征在于，所述电子装置依据所述计算机可读取式媒体执行下列步骤：
驱动所述投影计算模块以一基准点为中心，于多个预设方向辨识一车道线图像；
驱动所述投影计算模块于每一所述预设方向辨识所述车道线图像时，以多个预设区间定义所述车道线图像，并判断所述车道线图像于每一所述预设区间中的一特征值，所述多个预设区间平行排列于一基准线的延伸方向，所述基准线的延伸方向垂直于所述预设方向；
驱动所述处理模块判断一第一特征参数，所述第一特征参数关联于在所述多个预设方向中至少其一辨识所述车道线图像时，所述车道线图像于每一所述预设区间中的所述特征值；以及
驱动所述判断模块至少依据所述第一特征参数，判断所述车道线图像对应的至少一实际车道参数值，所述实际车道参数值关联于实际车道的环境信息。
18.根据权利要求17所述的计算机可读取式媒体，其特征在于，于驱动所述投影计算模块以所述基准点为中心，于所述多个预设方向辨识所述车道线图像的步骤中包括驱动所述投影计算模块以所述基准点为旋转中心，旋转所述车道线图像至多个预设角度，并于每次所述车道线图像旋转至所述多个预设角度其中之一时，辨识所述车道线图像。
19.根据权利要求17所述的计算机可读取式媒体，其特征在于，所述判断模块更包括一分类单元、一模型产生单元、一比较单元及一查找单元，所述电子装置依据所述计算机可读取式媒体执行的步骤更包括：
驱动所述分类单元至少依据所述第一特征参数，判断所述车道线图像对应的一模型分类，所述车道线图像对应的所述模型分类定义有一模型参数范围，所述模型参数范围具有多个模型参数值；
驱动所述模型产生单元依据所述模型参数范围中的每一所述模型参数值，分别产生多个车道线模型；
驱动所述比较单元比对所述车道线图像与所述多个车道线模型，并依据所述车道线图像和每一所述车道线模型的差异，选择所述多个车道线模型其中之一；以及
驱动所述查找单元自一参数对应表中查找已选择的所述车道线模型对应的所述实际车道参数值，所述参数对应表指示每一所述车道线模型对应的所述实际车道参数值。
20.根据权利要求19所述的计算机可读取式媒体，其特征在于，所述电子装置更包括一图像撷取模块、一检测模块及一噪声处理模块，所述电子装置依据所述计算机可读取式媒体执行的步骤更包括：
驱动所述图像撷取模块撷取一道路图像；
驱动所述检测模块辨识所述道路图像中的一第一车道线和一第二车道线；
驱动所述检测模块依据所述道路图像中的所述第一车道线和所述第二车道线，判断所述基准点，所述基准点位于所述第一车道线的一切线延伸方向和所述第二车道线的一切线延伸方向上；以及
驱动所述噪声处理模块依据所述检测模块辨识的所述基准点，过滤所述道路图像的噪声，产生并输出所述车道线图像至所述投影计算模块。
21.根据权利要求20所述的计算机可读取式媒体，其特征在于，所述电子装置依据所述计算机可读取式媒体执行的步骤更包括：
驱动所述检测模块判断所述道路图像的一图像中心点；
驱动所述检测模块依据所述基准点对所述图像中心点的位移，判断一第二特征参数；以及
驱动所述分类单元更依据所述第二特征参数判断所述车道线图像对应的所述模型分类。
22.根据权利要求21所述的计算机可读取式媒体，其特征在于，所述电子装置依据所述计算机可读取式媒体执行的步骤更包括：
驱动所述检测模块判断所述第一车道线的所述切线延伸方向和所述基准线垂直方向的一第一夹角，使所述检测模块依据所述第一夹角判断一第三特征参数；
驱动所述检测模块判断所述第二车道线的所述切线延伸方向和所述基准线的垂直方向的一第二夹角，使所述检测模块依据所述第二夹角判断一第四特征参数；以及
驱动所述分类单元更依据所述第三特征参数和所述第四特征参数判断所述车道线图像对应的所述模型分类。
23.根据权利要求20所述的计算机可读取式媒体，其特征在于，所述电子装置更具有一参数表建立模块，所述电子装置依据所述计算机可读取式媒体执行的步骤更包括：
驱动所述图像撷取模块于一测试环境中撷取多个测试图像，所述测试环境的环境信息指示每一所述测试图像对应的所述至少一实际车道参数值；
驱动所述投影计算模块、所述处理模块及所述判断模块判断每一所述测试图像对应的所述车道线模型；以及
驱动所述参数表建立模块依据每一所述测试图像对应的所述车道线模型及所述至少一实际车道参数值，建立所述参数对应表。
24.根据权利要求23所述的计算机可读取式媒体，其特征在于，所述电子装置依据所述计算机可读取式媒体执行的步骤更包括：
驱动所述投影计算模块以所述基准点为旋转中心，旋转所述多个测试图像其中之一至所述多个预设角度；
驱动所述投影计算模块于每次所述测试图像旋转至所述多个预设角度其中之一时，以所述多个预设区间定义所述测试图像，并判断所述测试图像于每一所述预设区间中的所述特征值；
驱动所述处理模块依据所述测试图像于每一所述预设方向的所述多个特征值判断所述测试图像的一测试参数；
驱动所述分类单元至少依据所述测试参数判断所述测试图像对应的所述模型分类；以及
驱动所述比较单元比对所述测试图像与所述多个车道线模型，并依据所述测试图像和每一所述车道线模型的差异，选择所述测试图像对应的所述车道线模型。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| TW105117239 | 2016-06-01 | ||
| TW105117239A TWI611961B (zh) | 2016-06-01 | 2016-06-01 | 車道線影像分析方法、影像分析裝置及其電腦可讀取式媒體 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107452035A true CN107452035A (zh) | 2017-12-08 |
| CN107452035B CN107452035B (zh) | 2020-01-07 |
Family
ID=60483312
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610528154.7A Active CN107452035B (zh) | 2016-06-01 | 2016-07-06 | 车道线图像分析方法、装置及其计算机可读取式媒体 |
Country Status (3)
| Country | Link |
|---|---|
| US (1) | US10235576B2 (zh) |
| CN (1) | CN107452035B (zh) |
| TW (1) | TWI611961B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110060266A (zh) * | 2019-04-24 | 2019-07-26 | 百度在线网络技术（北京）有限公司 | 车道线提取方法及装置、服务器及计算机可读介质 |
| CN110395257A (zh) * | 2018-04-20 | 2019-11-01 | 北京图森未来科技有限公司 | 一种车道线实例检测方法和装置、自动驾驶车辆 |
| CN111460072A (zh) * | 2020-04-01 | 2020-07-28 | 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 |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TWI611966B (zh) * | 2017-01-20 | 2018-01-21 | 機械式交通工具輔助系統 | |
| DE102020202964A1 (de) * | 2020-03-09 | 2021-09-09 | Continental Automotive Gmbh | Die Erfindung betrifft ein Verfahren zur Erhöhung der Sicherheit von Fahrfunktionen. |
| CN114743178B (zh) * | 2021-12-29 | 2024-03-08 | 北京百度网讯科技有限公司 | 道路边缘线生成方法、装置、设备及存储介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140139673A1 (en) * | 2012-11-22 | 2014-05-22 | Fujitsu Limited | Image processing device and method for processing image |
| 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 |
| CN104766058A (zh) * | 2015-03-31 | 2015-07-08 | 百度在线网络技术（北京）有限公司 | 一种获取车道线的方法和装置 |
| CN104966050A (zh) * | 2015-06-02 | 2015-10-07 | 长安大学 | 一种基于asm的车道线检测方法 |
| CN105096591A (zh) * | 2014-05-14 | 2015-11-25 | 杭州海康威视数字技术股份有限公司 | 道路智能监控系统和方法 |
Family Cites Families (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8924078B2 (en) * | 2004-11-18 | 2014-12-30 | Gentex Corporation | Image acquisition and processing system for vehicle equipment control |
| TWI253998B (en) * | 2004-11-19 | 2006-05-01 | Jiun-Yuan Tseng | Method and apparatus for obstacle avoidance with camera vision |
| TWI311961B (en) * | 2007-07-16 | 2009-07-11 | Univ Chung Yuan Christian | Optical collision avoidance system and method |
| TW200922816A (en) * | 2007-11-30 | 2009-06-01 | Automotive Res & Amp Testing Ct | Method and device for detecting the lane deviation of vehicle |
| US8605947B2 (en) | 2008-04-24 | 2013-12-10 | GM Global Technology Operations LLC | Method for detecting a clear path of travel for a vehicle enhanced by object detection |
| EP2539197B1 (en) * | 2010-02-26 | 2020-12-16 | Gentex Corporation | Automatic vehicle equipment monitoring, warning, and control system |
| TWI431560B (zh) * | 2010-12-14 | 2014-03-21 | Inst Information Industry | 駕駛輔助系統、方法以及儲存其之電腦可讀取記錄媒體 |
| US9076046B2 (en) | 2010-12-15 | 2015-07-07 | Honda Motor Co., Ltd. | Lane recognition device |
| TWI549102B (zh) * | 2013-01-08 | 2016-09-11 | 原相科技股份有限公司 | 車道偏離警示系統與車道辨識裝置以及相關方法 |
| TWI534028B (zh) * | 2013-05-03 | 2016-05-21 | Driveway with lane departure (LDWS) and front vehicle distance (FCWS) warning function (EDR) |
-
2016
- 2016-06-01 TW TW105117239A patent/TWI611961B/zh active
- 2016-07-06 CN CN201610528154.7A patent/CN107452035B/zh active Active
- 2016-10-21 US US15/331,635 patent/US10235576B2/en active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140139673A1 (en) * | 2012-11-22 | 2014-05-22 | Fujitsu Limited | Image processing device and method for processing image |
| CN105096591A (zh) * | 2014-05-14 | 2015-11-25 | 杭州海康威视数字技术股份有限公司 | 道路智能监控系统和方法 |
| 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 |
| CN104766058A (zh) * | 2015-03-31 | 2015-07-08 | 百度在线网络技术（北京）有限公司 | 一种获取车道线的方法和装置 |
| CN104966050A (zh) * | 2015-06-02 | 2015-10-07 | 长安大学 | 一种基于asm的车道线检测方法 |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110395257A (zh) * | 2018-04-20 | 2019-11-01 | 北京图森未来科技有限公司 | 一种车道线实例检测方法和装置、自动驾驶车辆 |
| CN110395257B (zh) * | 2018-04-20 | 2021-04-23 | 北京图森未来科技有限公司 | 一种车道线实例检测方法和装置、自动驾驶车辆 |
| CN110060266A (zh) * | 2019-04-24 | 2019-07-26 | 百度在线网络技术（北京）有限公司 | 车道线提取方法及装置、服务器及计算机可读介质 |
| CN111460072A (zh) * | 2020-04-01 | 2020-07-28 | 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 |
| 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 |
Also Published As
| Publication number | Publication date |
|---|---|
| US10235576B2 (en) | 2019-03-19 |
| TWI611961B (zh) | 2018-01-21 |
| US20170351925A1 (en) | 2017-12-07 |
| TW201742771A (zh) | 2017-12-16 |
| CN107452035B (zh) | 2020-01-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107452035A (zh) | 车道线图像分析方法、装置及其计算机可读取式媒体 | |
| CN108875911B (zh) | 一种泊车位检测方法 | |
| CN107341453B (zh) | 一种车道线提取方法及装置 | |
| US9467645B2 (en) | System and method for recognizing parking space line markings for vehicle | |
| CN110285793A (zh) | 一种基于双目立体视觉系统的车辆智能测轨迹方法 | |
| CN110619279B (zh) | 一种基于跟踪的路面交通标志实例分割方法 | |
| CN109635768B (zh) | 一种图像帧中停车位状态检测方法、系统及相关设备 | |
| CN107633516A (zh) | 一种识别路面变形类病害的方法和装置 | |
| CN106203398A (zh) | 一种检测车道边界的方法、装置和设备 | |
| CN107092856A (zh) | 用于车辆分类的方法和系统 | |
| CN106022285A (zh) | 一种基于卷积神经网络的车款识别方法及装置 | |
| JP2013505509A (ja) | 近赤外線カメラを使用して歩行者を検出、分類、および追跡するための費用対効果の高いシステムおよび方法 | |
| CN107256636A (zh) | 一种融合激光扫描与视频技术的交通流获取方法 | |
| CN105426894B (zh) | 铁道塞钉图像检测方法及装置 | |
| CN109190483B (zh) | 一种基于视觉的车道线检测方法 | |
| CN113221648B (zh) | 一种基于移动测量系统的融合点云序列影像路牌检测方法 | |
| CN102915433A (zh) | 基于字符组合的车牌定位和识别方法 | |
| CN103049733A (zh) | 人脸检测方法和人脸检测设备 | |
| CN106548131A (zh) | 一种基于行人检测的施工人员安全帽实时检测方法 | |
| CN105160292A (zh) | 一种车辆标识识别方法与系统 | |
| CN110163109A (zh) | 一种车道线标注方法及装置 | |
| CN109117702A (zh) | 目标车辆的检测与跟踪计数方法及系统 | |
| CN105740806B (zh) | 一种基于多视角的透视变换目标特征提取方法 | |
| Tschentscher et al. | Comparing image features and machine learning algorithms for real-time parking space classification | |
| CN103559492A (zh) | 一种车标识别装置及方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |