CN107462223A - 一种公路转弯前行车视距自动测量装置及测量方法 - Google Patents
一种公路转弯前行车视距自动测量装置及测量方法 Download PDFInfo
- Publication number
- CN107462223A CN107462223A CN201710671702.6A CN201710671702A CN107462223A CN 107462223 A CN107462223 A CN 107462223A CN 201710671702 A CN201710671702 A CN 201710671702A CN 107462223 A CN107462223 A CN 107462223A
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- image
- sight distance
- driving sight
- 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
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C11/00—Photogrammetry or videogrammetry, e.g. stereogrammetry; Photographic surveying
- G01C11/02—Picture taking arrangements specially adapted for photogrammetry or photographic surveying, e.g. controlling overlapping of pictures
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C11/00—Photogrammetry or videogrammetry, e.g. stereogrammetry; Photographic surveying
- G01C11/04—Interpretation of pictures
- G01C11/30—Interpretation of pictures by triangulation
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Traffic Control Systems (AREA)
- Image Processing (AREA)
Abstract
本发明提供的一种公路转弯前行车视距自动测量装置及测量方法,首先通过工控机对采集到的道路图像依次进行灰度均衡化、滤波和Sobel边缘检测的处理,然后确定检测图像的感兴趣区域,接着利用最优阈值法对感兴趣区域进行阈值分割,得到目标区域和背景区域;接着获取目标区域的车道线方程;根据车道线方程提取车道线上的行车视距的计算特征点,最后依据行车视距计算特征点的像素坐标值,经过逆透视投影变换得到世界坐标系下行车视距计算特征点至本车的距离;该测量方法操作简单、检测方便、使用成本低、测量精度高且计算结果直观,不需要利用激光测距仪、皮尺等进行人工测量。
Description
技术领域
本发明涉及行车视距测量技术,尤其涉及一种公路转弯前行车视距自动测量装置及测量方法。
背景技术
行车视距是保证驾驶员道路行车安全极为重要的因素之一,也是分析和评价公路设计和运营质量的重要指标之一。公路弯道是公路载体中特殊的构造物,线形设计复杂,公路弯道作为公路的主要线形之一,已经成为交通事故的多发地段,严重制约着我国公路交通安全水平的提高。相关研究发现,驾驶员行车视距不足、对弯道路段道路状况判断不准,导致错误的驾驶操作行为是众多公路弯道路段交通事故发生的重要原因。
传统的公路转弯前行车视距测量方法是使用激光测距仪、皮尺等进行人工测量或者目测,这些测量仪器使用成本较高、测量不方便且误差较大。
发明内容
本发明的目的在于提供一种公路转弯前行车视距自动测量装置及测量方法,解决了传统的公路转弯前行车视距测量方法是使用激光测距仪、皮尺等进行人工测量或者目测,这些测量仪器使用成本较高、测量不方便且误差较大的缺陷。
为了达到上述目的,本发明采用的技术方案是:
本发明提供的一种公路转弯前行车视距自动测量装置,其特征在于:包括CCD摄像头,CCD摄像头置于车辆的前挡风玻璃内侧的中间位置;且通过视频采集卡和BNC视频线与工控机连接。
优选地,车辆的前方顶部钢板上焊接有支架,支架的一端与CCD摄像头连接。
一种公路转弯前行车视距自动测量方法,包括以下步骤:
第一步,通过CCD摄像头采集道路图像,并将采集到的图像传输到工控机系统上;
第二步,工控机系统对接收到的图像进行灰度均衡化增强处理,得到均衡化后的灰度图像;
第三步,通过中值滤波法对第二步得到的均衡化后的灰度图像进行处理,得到滤波图像;
第四步,采用Sobel边缘检测算法提取第三步中所得的滤波图像中车道线的边缘轮廓信息,得到检测图像;
第五步,利用车道线在道路图像中的位置及车道宽度和车道线宽度先验知识,确定第四步中得到的检测图像的感兴趣区域;
第六步,采用最优阈值法对第五步中得到的感兴趣区域进行阈值分割,得到目标区域和背景区域;
第七步,采用Hough变换算法将第六步所得的目标区域的二值化图像映射到参数空间中,进而获取目标区域的车道线方程;
第八步,根据第七步所得的车道线方程提取车道线上的行车视距的计算特征点;
第九步,依据行车视距计算特征点的像素坐标值,经过逆透视投影变换得到世界坐标系下行车视距计算特征点至本车的距离,即为公路转弯前行车视距。
优选地,在通过CCD摄像头进行图像采集之前,对CCD摄像头进行标定,得到CCD摄像头的内部参数和外部参数,其中,内部参数包括有效焦距f、图像中心坐标(xc,yc)、横坐标方向畸变系数Nx和纵坐标方向畸变系数Ny;外部参数包括摄像头距地面的安装高度h和俯仰角β。
优选地,第二步中,通过公式(2)对灰度图像进行均衡化处理:
其中,sj为图像均衡化之后的灰度,rj为第j个灰度级的值,Pr(rj)是第j级灰度值的概率,nj为图像中具有灰度级rj的像素数,N为图像中总像素数。
优选地,第三步中,采用5×5平滑窗口进行中值滤波,其中,通过公式(3)计算中值滤波输出像素值:
优选地,第五步中,检测图像中的感兴趣区域的确认具体为:在水平方向上,分别以左、右车道线为中心,向左右两个方向各平移20Δv个像素;在垂直方向上,考虑到车道线基本处于图像的下半区,因此,以图像的下边缘线设定为感兴趣区域的下边缘线;以图像下边缘线距图像的十二分之五的位置设定为感兴趣区域的上边缘线;进而构成感兴趣区域,其中,Δv的计算公式(4)如下:
其中:v为当前车速,v0为公路规定的最低行车速度。
优选地,第六步中,通过最优阈值进行分割具体是:设灰度值t为最优阈值,则当图像中灰度值大于最优阈值的像素点输出为白,即为目标区域;灰度值小于最优阈值的像素点输出为黑,即为背景区域;其中,最优阈值的确定:首先通过公式(5)计算目标区域错分为背景区域的概率p1(t)及背景区域错分为目标区域的概率p2(t),得到若干组一一对应的目标区域错分为背景区域的概率p1(t)和背景区域错分为目标区域的概率p2(t);当某一组中的目标区域错分为背景区域的概率p1(t)和背景区域错分为目标区域的概率p2(t)之和为最小值时,则对应的灰度值t为最优阈值:
其中,p1和p2分别为分别是背景和目标区域灰度值的先验概率,μ1和μ2分别为背景和目标区域的灰度期望值,σ1和σ2分别为背景和目标区域的灰度标准差。
优选地,第八步中,行车视距计算特征点的提取是:根据第七步中所得的车道线方程沿着拟合的车道线由近及远逐行检测车道线上实际像素点的灰度值,若遍历到第n+1行和第n+2行的像素点的灰度值小于最优阈值t时,则停止检测,进而取原始道线上第n行的像素点P为行车视距计算特征点,其图像坐标值为(xε,yε)。
优选地,第九步中,公路转弯前行车视距OP的计算公式为:其中,(Xw,Yw,Zw)表示行车视距计算特征点P在世界坐标系上的坐标。
与现有技术相比,本发明的有益效果是:
本发明提供的一种公路转弯前行车视距自动测量装置,通过在车辆前挡风玻璃内侧的中间位置设置CCD摄像头,通过CCD摄像头采集道路图像信息,并将图像信息传输到工控机进行处理。本装置能够实时得到驾驶员的视距值,道路图像的处理及数据的计算全部由工控机组件完成,操作简单、检测方便、使用成本低、测量精度高且计算结果直观,不需要利用激光测距仪、皮尺等进行人工测量。此外,还可获取驾驶员在不同路段、不同天气等情况下的视距值,能够为驾驶员提供安全行车建议,评估公路弯道线型设计的安全性,保障道路交通安全。
本发明还提供的一种公路转弯前行车视距自动测量方法,工控机对采集到的道路图像依次进行灰度均衡化、滤波和Sobel边缘检测的处理,然后确定检测图像的感兴趣区域,接着利用最优阈值法对感兴趣区域进行阈值分割,得到目标区域和背景区域;接着获取目标区域的车道线方程;根据车道线方程提取车道线上的行车视距的计算特征点,最后依据行车视距计算特征点的像素坐标值,经过逆透视投影变换得到世界坐标系下行车视距计算特征点至本车的距离;该测量方法操作简单、检测方便、使用成本低、测量精度高且计算结果直观,不需要利用激光测距仪、皮尺等进行人工测量。此外,还可获取驾驶员在不同路段、不同天气等情况下的视距值,能够为驾驶员提供安全行车建议,评估公路弯道线型设计的安全性,保障道路交通安全。
附图说明
图1是CCD摄像头的安装示意图;
图2是公路转弯前行车视距自动测量方法流程图;
图3是公路转弯前行车视距测量示意图;
图4是感兴趣区域确定示意图;
其中,1、CCD摄像头 2、车辆。
具体实施方式
下面结合附图,对本发明进一步详细说明。
如图1所示,本发明提供的一种公路转弯前行车视距自动测量装置,包括CCD摄像头1,CCD摄像头1通过柱状支架固定在车辆2的前挡风玻璃内侧的中间位置;其中,柱状支架焊接在车辆2的前方顶部钢板上;CCD摄像头1通过视频采集卡和BNC视频线与工控机连接。
在安装时,CCD摄像头1与地面之间的高度h为1.86米,有效焦距f为26.866毫米,镜头朝向前方偏下(图1中的标记Z0),CCD摄像头的俯仰角β为12.5°。
本实施例中,CCD摄像头采用1/4"SONY机器视觉专用摄像头,有效像素500万,该CCD摄像头通过视频采集卡和BNC视频线与工控机连接,用于接收道路图像,通过图像预处理、Hough变换车道线检测、行车视距计算特征点提取,再经过逆透视投影变换计算即可得到转弯前行车视距。视频采集卡型号为天敏VC4000,所述的工控机型号为威强IEI-TANK-820。
如图2所示,本发明的公路转弯前行车视距自动测量方法具体步骤如下:
步骤1、CCD摄像头的标定:
首先制作一块标准标定平面靶标对CCD摄像头进行标定,标定平面靶标由相互距离为30mm×30mm的黑白相间的大小为30mm×30mm棋盘方格组成,每个方向上有9个方格,利用CCD摄像头1采集20帧不同角度方向的标定平面靶标图像,载入MATLAB软件内的Toolbox标定工具箱,分别对采集的每一帧标定平面靶标图像选取角点,设置网格参数,最后由Toolbox工具箱内Calibration模块解算出标定结果。
标定的目的是为了得到CCD摄像头的内部参数和外部参数,进行步骤10转弯前行车视距的计算,其中内部参数主要有:有效焦距f,图像中心坐标(xc,yc),横坐标方向畸变系数Nx,纵坐标方向畸变系数Ny,这些参数反应了摄像机本身所带来的图像畸变;外部参数有:摄像头距地面的安装高度h,俯仰角β。
步骤2、道路图像的采集与传输:
CCD摄像头1采集道路图像,并将采集的道路图像传输至工控机。启动系统,初始化CCD摄像头,道路图像经BNC视频线、视频采集卡传输至工控机系统供图像处理软件使用。
步骤3、道路图像灰度均衡化增强处理:
首先,由于CCD摄像头采集的道路图像中包含大量色彩信息,为了去除序列图像中无关的信息,最大限度地简化数据,需通过图像灰度化,采用公式(1)将色彩图像转化为灰度图像,
Gray(x,y)=0.3Red(x,y)+0.59Green(x,y)+0.11Blue(x,y) (1)
其中,(x,y)代表图像中任一像素点的坐标值。
接着,对得到的灰度图像进行直方图均衡化增强处理,主要是为了减少光线变化对道路标识线识别的干扰,增强道路标识线与路面之间的对比度,通过公式(2)改造原图像的直方图,目的是增大灰度反差,延长灰度级集中区域,增加像素灰度值的动态范围,得到增强处理后的灰度图像,从而提高图像内有用信息的可检测性:
其中,sj为图像均衡化之后的灰度,rj为第j个灰度级的值,Pr(rj)是第j级灰度值的概率,nj为图像中具有灰度级rj的像素数,N为图像中总像素数。
步骤4、中值滤波抑制噪声处理:
CCD摄像头1在获取道路图像过程中,不可避免的产生不均匀的内部干扰、图像信息中夹杂的信号干扰以及由于路面阴影带来的杂物干扰等,会模糊图像信息的边缘,本发明采用5×5平滑窗口中值滤波算法,对于窗口内的每一列像素分别计算最大值、中值和最小值,这样就得到3组数据,分别为最大值组Max、中值组Med和最小值组Min,滤波结果的输出像素值为对最大值组的最小值Maxmin、中值组中的中值Medmed及最小值组中的最大值Minmax取中值,以此来代替指定点的灰度值。公式(3)为中值滤波输出像素值计算过程。
5×5平滑窗口中值滤波算法与传统算法相比,比较次数减少了近一半,提高图像处理的实时性,抑制道路图像内的脉冲噪声,滤除尖波干扰噪声和边缘毛刺,有效保护目标图像边缘信息。
步骤5、Sobel边缘检测:
对得到的灰度图像进行边缘检测是基于边界的分割方法的第一步,利用边缘检测算子可以准确提取车道线的边缘轮廓信息,同时可适当消除光照不均的影响。此处采用Sobel算子,Sobel算子将方向差分运算与局部平均相结合,利用像素点上下、左右邻点的灰度加权算法,根据在边缘点处达到极值这一现象进行车道线边缘的快速检测,取定的水平边缘Sobel算子、垂直边缘Sobel算子分别如下:
步骤6、融合道路结构先验知识的感兴趣区域确定:
CCD摄像头1的安装位置确定之后,车道线在图像中的位置也随之确定,建立感兴趣区域可以缩小图像处理范围,减少天空景物背景等与车道检测无关的冗余信息,提高车道线检测识别实时性和鲁棒性。一般左右车道线关于车道中心对称分布且一般处于图像的下半部分;因此,通过设定一个参数Δv确定感兴趣区域,其中,参数Δv满足公式(4);
其中:v为当前车速,v0为公路规定的最低行车速度;
感兴趣区域确定具体方法:在水平方向上,分别以左、右车道线为中心,向左右两个方向各平移20Δv个像素;在垂直方向上,考虑到车道线基本处于图像的下半区,因此,以图像的下边缘线设定为感兴趣区域的下边缘线;以图像下边缘线距图像的十二分之五的位置设定为感兴趣区域的上边缘线;进而构成感兴趣区域,如图4中由ACFB四点组成的梯形结构:
本发明融合道路结构先验知识搜索左右车道标识线所在大概位置,根据虚拟车道线斜率变换关系将左右车道线外侧的多余信息过滤,缩短车道线检测时间,确立车道线检测感兴趣区域。
步骤7、最优阈值分割:
利用最优阈值将感兴趣区域进行分割,阈值分割的关键是合理的选取阈值,设置图像中灰度值大于阈值的像素点输出为白,即目标区域,灰度值小于阈值的像素点输出为黑,即背景区域。一般包含目标和背景信息的图像灰度值会呈“驼峰”分布,假设灰度值t为分割阈值,则目标区域错分为背景区域的概率及背景区域错分为目标区域的概率如公式(5)所示;其中,在得到的若干组一一对应的目标区域错分为背景区域的概率p1(t)和背景区域错分为目标区域的概率p2(t)中,当目标区域错分为背景区域的概率p1(t)和背景区域错分为目标区域的概率p2(t)之和为最小值时,则对应的灰度值t为最优阈值:
其中,p1和p2分别为分别是背景和目标区域灰度值的先验概率,μ1和μ2分别为背景和目标区域的灰度期望值,σ1和σ2分别为背景和目标区域的灰度标准差。
步骤8、Hough变换车道线检测:
Hough变换是将步骤7所得的目标区域的二值化图像变换到参数空间,在参数空间用极值点的检测来完成目标的检测,其中,对于直角坐标系中的直线,通过公式(6)转化为极坐标方程:
ρ=x cosθ+y sinθ (6)
其中,直角坐标系中任意一点(x0,y0),其对应ρ-θ极坐标平面内的一条正弦曲线。要检测最优阈值t分割后的图像中的直线,首先建立二维累加数组A,其元素可以写为A(ρ,θ);然后对于二值化图像上的每个目标点(x0,y0),让θ依次变化而根据公式(6)计算ρ,并对A累加:A(ρ,θ)=A(ρ,θ)+1;最后所有的目标点计算完成以后,累加数组A中最大值的点(ρ,θ)就对应了图像中的车道线方程。
步骤9、行车视距计算特征点提取:
参照图3,根据步骤8所得的车道线方程沿着拟合的车道线由近及远逐行检测车道线上实际像素点的灰度值,若遍历到第n+1行和第n+2行像素点的灰度值小于最优阈值t时停止检测,取原始车道线上第n行的像素点P为行车视距计算特征点,其图像坐标值为(xε,yε)。
步骤10、转弯前行车视距计算:
由于CCD摄像头采集的道路环境图像并不是客观立体空间的真实描述,从平面图像获得立体空间某点的位置,需要对道路空间位置关系进行逆透视投影变换。具体包括以下三个步骤:
第一步,世界坐标(Xw,Yw,Zw)到相机坐标(X,Y,Z)的变换。设定世界坐标系的原点为CCD摄像头焦点在道路平面的投影点,Xw轴平行于路面,世界坐标系的XwYw平面为道路平面,Zw轴垂直路面向上,相机坐标系的空间位置关系可以表述为:与世界坐标系完全重合的相机坐标系先平移到世界坐标系的(0,0,h)点,然后相机绕Xw轴顺时针旋转β角度后形成最终的相机坐标系。因此,世界坐标(Xw,Yw,Zw)到相机坐标(X,Y,Z)的变换关系为:
第二步,相机坐标(X,Y,Z)到像平面坐标(xε,yε)的变换。实际成像系统采用透镜原理,若用u表示物距、v表示像距、f表示有效焦距,则有由于物距远大于透镜焦距,所以像距近视等于焦距。相机坐标系的任一点(X,Y,Z)和对应像平面内成像点(xε,yε)的坐标变换关系为:
第四步,像平面坐标(xε,yε)到图像坐标(x,y)的变换。坐标(xε,yε)到(x,y)的变换关系可简化为:
其中,Nx为横坐标方向畸变系数,Ny为纵坐标方向畸变系数,(xc,yc)为图像中心坐标。
第五步,结合公式(7)、(8)、(9),可以得出图像坐标系上任意一点(x,y)与其对应的世界坐标系的坐标关系为:
因此,行车视距长度为结合车辆运行瞬时速度,可以进行驾驶员安全车速控制研究,也可应用于公路弯道路段线形设计安全性评价。
本发明具有成本低、实时性强、操作简便、测量精度高的特点,而且不需要人工使用激光测距仪、皮尺等工具进行测量,方便进行驾驶员进入弯道前安全车速控制研究及公路弯道路段线形设计安全性评价。
Claims (10)
1.一种公路转弯前行车视距自动测量装置,其特征在于:包括CCD摄像头(1),CCD摄像头(1)置于车辆(2)的前挡风玻璃内侧的中间位置;且通过视频采集卡和BNC视频线与工控机连接。
2.根据权利要求1所述的一种公路转弯前行车视距自动测量装置,其特征在于:车辆(2)的前方顶部钢板上焊接有支架,支架的一端与CCD摄像头(1)连接。
3.一种基于权利要求1或2所述的公路转弯前行车视距自动测量装置的测量方法,其特征在于,包括以下步骤:
第一步,通过CCD摄像头(1)采集道路图像,并将采集到的图像传输到工控机系统上;
第二步,工控机系统对接收到的图像进行灰度均衡化增强处理,得到均衡化后的灰度图像;
第三步,通过中值滤波法对第二步得到的均衡化后的灰度图像进行处理,得到滤波图像;
第四步,采用Sobel边缘检测算法提取第三步中所得的滤波图像中车道线的边缘轮廓信息,得到检测图像;
第五步,利用车道线在道路图像中的位置及车道宽度和车道线宽度先验知识,确定第四步中得到的检测图像的感兴趣区域;
第六步,采用最优阈值法对第五步中得到的感兴趣区域进行阈值分割,得到目标区域和背景区域;
第七步,采用Hough变换算法将第六步所得的目标区域的二值化图像映射到参数空间中,进而获取目标区域的车道线方程;
第八步,根据第七步所得的车道线方程提取车道线上的行车视距的计算特征点;
第九步,依据行车视距计算特征点的像素坐标值,经过逆透视投影变换得到世界坐标系下行车视距计算特征点至本车的距离,即为公路转弯前行车视距。
4.根据权利要求3所述的一种公路转弯前行车视距自动测量方法,其特征在于:在通过CCD摄像头(1)进行图像采集之前,对CCD摄像头(1)进行标定,得到CCD摄像头(1)的内部参数和外部参数,其中,内部参数包括有效焦距f、图像中心坐标(xc,yc)、横坐标方向畸变系数Nx和纵坐标方向畸变系数Ny;外部参数包括摄像头距地面的安装高度h和俯仰角β。
5.根据权利要求3所述的一种公路转弯前行车视距自动测量方法,其特征在于:第二步中,通过公式(2)对灰度图像进行均衡化处理:
<mrow>
<msub>
<mi>s</mi>
<mi>j</mi>
</msub>
<mo>=</mo>
<mi>T</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>r</mi>
<mi>j</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>0</mn>
</mrow>
<mi>j</mi>
</munderover>
<msub>
<mi>P</mi>
<mi>r</mi>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>r</mi>
<mi>j</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>0</mn>
</mrow>
<mi>j</mi>
</munderover>
<mfrac>
<msub>
<mi>n</mi>
<mi>j</mi>
</msub>
<mi>N</mi>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
</mrow>
其中,sj为图像均衡化之后的灰度,rj为第j个灰度级的值,Pr(rj)是第j级灰度值的概率,nj为图像中具有灰度级rj的像素数,N为图像中总像素数。
6.根据权利要求3所述的一种公路转弯前行车视距自动测量方法,其特征在于:第三步中,采用5×5平滑窗口进行中值滤波,其中,通过公式(3)计算中值滤波输出像素值:
<mrow>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<msub>
<mi>Max</mi>
<mrow>
<mi>m</mi>
<mi>i</mi>
<mi>n</mi>
</mrow>
</msub>
<mo>=</mo>
<mi>m</mi>
<mi>i</mi>
<mi>n</mi>
<mo>&lsqb;</mo>
<msub>
<mi>Max</mi>
<mn>1</mn>
</msub>
<mo>,</mo>
<msub>
<mi>Max</mi>
<mn>2</mn>
</msub>
<mo>,</mo>
<msub>
<mi>Max</mi>
<mn>3</mn>
</msub>
<mo>,</mo>
<msub>
<mi>Max</mi>
<mn>4</mn>
</msub>
<mo>,</mo>
<msub>
<mi>Max</mi>
<mn>5</mn>
</msub>
<mo>&rsqb;</mo>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>Med</mi>
<mrow>
<mi>m</mi>
<mi>e</mi>
<mi>d</mi>
</mrow>
</msub>
<mo>=</mo>
<mi>m</mi>
<mi>e</mi>
<mi>d</mi>
<mo>&lsqb;</mo>
<msub>
<mi>Med</mi>
<mn>1</mn>
</msub>
<mo>,</mo>
<msub>
<mi>Med</mi>
<mn>2</mn>
</msub>
<mo>,</mo>
<msub>
<mi>Med</mi>
<mn>3</mn>
</msub>
<mo>,</mo>
<msub>
<mi>Med</mi>
<mn>4</mn>
</msub>
<mo>,</mo>
<msub>
<mi>Med</mi>
<mn>5</mn>
</msub>
<mo>&rsqb;</mo>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>Min</mi>
<mrow>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
</mrow>
</msub>
<mo>=</mo>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
<mo>&lsqb;</mo>
<msub>
<mi>Min</mi>
<mn>1</mn>
</msub>
<mo>,</mo>
<msub>
<mi>Min</mi>
<mn>2</mn>
</msub>
<mo>,</mo>
<msub>
<mi>Min</mi>
<mn>3</mn>
</msub>
<mo>,</mo>
<msub>
<mi>Min</mi>
<mn>4</mn>
</msub>
<mo>,</mo>
<msub>
<mi>Min</mi>
<mn>5</mn>
</msub>
<mo>&rsqb;</mo>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mi>O</mi>
<mi>u</mi>
<mi>t</mi>
<mo>=</mo>
<mi>m</mi>
<mi>e</mi>
<mi>d</mi>
<mo>&lsqb;</mo>
<mi>M</mi>
<mi>a</mi>
<mi>x</mi>
<mi> </mi>
<mi>min</mi>
<mo>,</mo>
<mi>M</mi>
<mi>e</mi>
<mi>d</mi>
<mi>m</mi>
<mi>e</mi>
<mi>d</mi>
<mo>,</mo>
<mi>M</mi>
<mi>i</mi>
<mi>n</mi>
<mi> </mi>
<mi>max</mi>
<mo>&rsqb;</mo>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>3</mn>
<mo>)</mo>
</mrow>
<mo>.</mo>
</mrow>
7.根据权利要求3所述的一种公路转弯前行车视距自动测量方法,其特征在于:第五步中,检测图像中的感兴趣区域的确认具体为:在水平方向上,分别以左、右车道线为中心,向左右两个方向各平移20Δv个像素;在垂直方向上,考虑到车道线基本处于图像的下半区,因此,以图像的下边缘线设定为感兴趣区域的下边缘线;以图像下边缘线距图像的十二分之五的位置设定为感兴趣区域的上边缘线;进而构成感兴趣区域,其中,Δv的计算公式(4)如下:
<mrow>
<mi>&Delta;</mi>
<mi>v</mi>
<mo>=</mo>
<mfrac>
<mi>v</mi>
<msub>
<mi>v</mi>
<mn>0</mn>
</msub>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>4</mn>
<mo>)</mo>
</mrow>
</mrow>
其中:v为当前车速,v0为公路规定的最低行车速度。
8.根据权利要求3所述的一种公路转弯前行车视距自动测量方法,其特征在于:第六步中,通过最优阈值进行分割具体是:设灰度值t为最优阈值,则当图像中灰度值大于最优阈值的像素点输出为白,即为目标区域;灰度值小于最优阈值的像素点输出为黑,即为背景区域;其中,最优阈值的确定:首先通过公式(5)计算目标区域错分为背景区域的概率p1(t)及背景区域错分为目标区域的概率p2(t),得到若干组一一对应的目标区域错分为背景区域的概率p1(t)和背景区域错分为目标区域的概率p2(t);当某一组中的目标区域错分为背景区域的概率p1(t)和背景区域错分为目标区域的概率p2(t)之和为最小值时,则对应的灰度值t为最优阈值:
<mrow>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<msub>
<mi>p</mi>
<mn>1</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mrow>
<msqrt>
<mrow>
<mn>2</mn>
<mi>&pi;</mi>
</mrow>
</msqrt>
<msub>
<mi>&sigma;</mi>
<mn>1</mn>
</msub>
</mrow>
</mfrac>
<mi>exp</mi>
<mrow>
<mo>(</mo>
<mo>-</mo>
<mfrac>
<msup>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>-</mo>
<msub>
<mi>&mu;</mi>
<mn>1</mn>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mrow>
<mn>2</mn>
<msubsup>
<mi>&sigma;</mi>
<mn>1</mn>
<mn>2</mn>
</msubsup>
</mrow>
</mfrac>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>p</mi>
<mn>2</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mrow>
<msqrt>
<mrow>
<mn>2</mn>
<mi>&pi;</mi>
</mrow>
</msqrt>
<msub>
<mi>&sigma;</mi>
<mn>2</mn>
</msub>
</mrow>
</mfrac>
<mi>exp</mi>
<mrow>
<mo>(</mo>
<mo>-</mo>
<mfrac>
<msup>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>-</mo>
<msub>
<mi>&mu;</mi>
<mn>2</mn>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mrow>
<mn>2</mn>
<msubsup>
<mi>&sigma;</mi>
<mn>2</mn>
<mn>2</mn>
</msubsup>
</mrow>
</mfrac>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>5</mn>
<mo>)</mo>
</mrow>
</mrow>
其中,p1和p2分别为分别是背景和目标区域灰度值的先验概率,μ1和μ2分别为背景和目标区域的灰度期望值,σ1和σ2分别为背景和目标区域的灰度标准差。
9.根据权利要求3所述的一种公路转弯前行车视距自动测量方法,其特征在于:第八步中,行车视距计算特征点的提取是:根据第七步中所得的车道线方程沿着拟合的车道线由近及远逐行检测车道线上实际像素点的灰度值,若遍历到第n+1行和第n+2行的像素点的灰度值小于最优阈值t时,则停止检测,进而取原始道线上第n行的像素点P为行车视距计算特征点,其图像坐标值为(xε,yε)。
10.根据权利要求3所述的一种公路转弯前行车视距自动测量方法,其特征在于:第九步中,公路转弯前行车视距OP的计算公式为:其中,(Xw,Yw,Zw)表示行车视距计算特征点P在世界坐标系上的坐标。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710671702.6A CN107462223B (zh) | 2017-08-08 | 2017-08-08 | 一种公路转弯前行车视距自动测量装置及测量方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710671702.6A CN107462223B (zh) | 2017-08-08 | 2017-08-08 | 一种公路转弯前行车视距自动测量装置及测量方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107462223A true CN107462223A (zh) | 2017-12-12 |
CN107462223B CN107462223B (zh) | 2020-06-16 |
Family
ID=60547622
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710671702.6A Active CN107462223B (zh) | 2017-08-08 | 2017-08-08 | 一种公路转弯前行车视距自动测量装置及测量方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107462223B (zh) |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108254748A (zh) * | 2018-01-15 | 2018-07-06 | 武汉理工大学 | 基于激光测距和雷达图像的内河船舶超高报警系统及方法 |
CN109613544A (zh) * | 2018-12-26 | 2019-04-12 | 长安大学 | 一种基于激光雷达的高速公路视距检测方法 |
CN109711385A (zh) * | 2019-01-09 | 2019-05-03 | 宽凳(北京)科技有限公司 | 一种车道线识别方法、装置、设备和存储介质 |
CN109784344A (zh) * | 2019-01-24 | 2019-05-21 | 中南大学 | 一种用于地平面标识识别的图像非目标滤除方法 |
CN109815859A (zh) * | 2019-01-10 | 2019-05-28 | 中交信息技术国家工程实验室有限公司 | 一种低等级道路自动提取及变化分析方法 |
CN110490033A (zh) * | 2018-10-29 | 2019-11-22 | 长城汽车股份有限公司 | 用于车道检测的图像处理方法及装置 |
CN110647801A (zh) * | 2019-08-06 | 2020-01-03 | 北京汽车集团有限公司 | 设置感兴趣区域的方法、装置、存储介质及电子设备 |
CN110909575A (zh) * | 2018-09-17 | 2020-03-24 | 长城汽车股份有限公司 | 在车道线检测中确定分析区域的方法及装置 |
CN110954067A (zh) * | 2019-12-28 | 2020-04-03 | 长安大学 | 一种基于靶标的单目视觉挖掘机位姿测量系统及测量方法 |
CN110969103A (zh) * | 2019-11-21 | 2020-04-07 | 同济大学 | 一种基于ptz相机的高速公路路面病害长度测量方法 |
CN111046795A (zh) * | 2019-12-12 | 2020-04-21 | 扬州后潮科技有限公司 | 一种基于双目视觉的实时车辆压线行为检测方法 |
CN111121714A (zh) * | 2019-12-25 | 2020-05-08 | 中公高科养护科技股份有限公司 | 一种行车视距的测量方法及系统 |
CN112287888A (zh) * | 2020-11-20 | 2021-01-29 | 中国铁建电气化局集团第二工程有限公司 | 一种基于预测权重的轨道转弯识别方法 |
CN112985360A (zh) * | 2021-05-06 | 2021-06-18 | 中汽数据(天津)有限公司 | 基于车道线的双目测距校正方法、装置、设备和存储介质 |
CN113091693A (zh) * | 2021-04-09 | 2021-07-09 | 天津大学 | 一种基于图像超分辨率技术的单目视觉长程测距方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103448634A (zh) * | 2012-05-31 | 2013-12-18 | 通用汽车环球科技运作有限责任公司 | 与图像裁剪叠加的动态参考 |
CN106407924A (zh) * | 2016-09-10 | 2017-02-15 | 上海大学 | 基于路面特征的双目道路识别检测方法 |
CN106407893A (zh) * | 2016-08-29 | 2017-02-15 | 东软集团股份有限公司 | 一种检测车道线的方法、装置和设备 |
CN106503636A (zh) * | 2016-10-12 | 2017-03-15 | 同济大学 | 一种基于视觉图像的道路视距检测方法及装置 |
-
2017
- 2017-08-08 CN CN201710671702.6A patent/CN107462223B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103448634A (zh) * | 2012-05-31 | 2013-12-18 | 通用汽车环球科技运作有限责任公司 | 与图像裁剪叠加的动态参考 |
CN106407893A (zh) * | 2016-08-29 | 2017-02-15 | 东软集团股份有限公司 | 一种检测车道线的方法、装置和设备 |
CN106407924A (zh) * | 2016-09-10 | 2017-02-15 | 上海大学 | 基于路面特征的双目道路识别检测方法 |
CN106503636A (zh) * | 2016-10-12 | 2017-03-15 | 同济大学 | 一种基于视觉图像的道路视距检测方法及装置 |
Non-Patent Citations (2)
Title |
---|
刘永涛: "基于环境感知技术的客运车辆危险行驶状态辨识技术研究", 《中国博士学位论文全文数据库 工程科技Ⅱ辑》 * |
葛平淑,徐国凯,宫长明,赵秀春: "基于特征点提取的弯道识别算法研究", 《大连民族学院学报》 * |
Cited By (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108254748A (zh) * | 2018-01-15 | 2018-07-06 | 武汉理工大学 | 基于激光测距和雷达图像的内河船舶超高报警系统及方法 |
CN110909575A (zh) * | 2018-09-17 | 2020-03-24 | 长城汽车股份有限公司 | 在车道线检测中确定分析区域的方法及装置 |
CN110909575B (zh) * | 2018-09-17 | 2023-04-18 | 毫末智行科技有限公司 | 在车道线检测中确定分析区域的方法及装置 |
CN110490033A (zh) * | 2018-10-29 | 2019-11-22 | 长城汽车股份有限公司 | 用于车道检测的图像处理方法及装置 |
CN110490033B (zh) * | 2018-10-29 | 2022-08-23 | 毫末智行科技有限公司 | 用于车道检测的图像处理方法及装置 |
CN109613544A (zh) * | 2018-12-26 | 2019-04-12 | 长安大学 | 一种基于激光雷达的高速公路视距检测方法 |
CN109613544B (zh) * | 2018-12-26 | 2022-11-11 | 长安大学 | 一种基于激光雷达的高速公路视距检测方法 |
CN109711385A (zh) * | 2019-01-09 | 2019-05-03 | 宽凳(北京)科技有限公司 | 一种车道线识别方法、装置、设备和存储介质 |
CN109815859A (zh) * | 2019-01-10 | 2019-05-28 | 中交信息技术国家工程实验室有限公司 | 一种低等级道路自动提取及变化分析方法 |
CN109815859B (zh) * | 2019-01-10 | 2021-10-01 | 中交信息技术国家工程实验室有限公司 | 一种低等级道路自动提取及变化分析方法 |
CN109784344B (zh) * | 2019-01-24 | 2020-09-29 | 中南大学 | 一种用于地平面标识识别的图像非目标滤除方法 |
CN109784344A (zh) * | 2019-01-24 | 2019-05-21 | 中南大学 | 一种用于地平面标识识别的图像非目标滤除方法 |
CN110647801A (zh) * | 2019-08-06 | 2020-01-03 | 北京汽车集团有限公司 | 设置感兴趣区域的方法、装置、存储介质及电子设备 |
CN110969103A (zh) * | 2019-11-21 | 2020-04-07 | 同济大学 | 一种基于ptz相机的高速公路路面病害长度测量方法 |
CN111046795A (zh) * | 2019-12-12 | 2020-04-21 | 扬州后潮科技有限公司 | 一种基于双目视觉的实时车辆压线行为检测方法 |
CN111121714A (zh) * | 2019-12-25 | 2020-05-08 | 中公高科养护科技股份有限公司 | 一种行车视距的测量方法及系统 |
CN110954067B (zh) * | 2019-12-28 | 2023-02-07 | 长安大学 | 一种基于靶标的单目视觉挖掘机位姿测量系统及测量方法 |
CN110954067A (zh) * | 2019-12-28 | 2020-04-03 | 长安大学 | 一种基于靶标的单目视觉挖掘机位姿测量系统及测量方法 |
CN112287888A (zh) * | 2020-11-20 | 2021-01-29 | 中国铁建电气化局集团第二工程有限公司 | 一种基于预测权重的轨道转弯识别方法 |
CN113091693A (zh) * | 2021-04-09 | 2021-07-09 | 天津大学 | 一种基于图像超分辨率技术的单目视觉长程测距方法 |
CN113091693B (zh) * | 2021-04-09 | 2022-08-05 | 天津大学 | 一种基于图像超分辨率技术的单目视觉长程测距方法 |
CN112985360A (zh) * | 2021-05-06 | 2021-06-18 | 中汽数据(天津)有限公司 | 基于车道线的双目测距校正方法、装置、设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN107462223B (zh) | 2020-06-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107462223A (zh) | 一种公路转弯前行车视距自动测量装置及测量方法 | |
CN102682292B (zh) | 基于单目视觉的道路边缘检测及粗定位方法 | |
CN106919915B (zh) | 基于adas系统的地图道路标记及道路质量采集装置及方法 | |
CN110979321B (zh) | 一种用于无人驾驶车辆的障碍物躲避方法 | |
CN105488454B (zh) | 基于单目视觉的前方车辆检测与测距 | |
CN104392212B (zh) | 一种基于视觉的道路信息检测及前方车辆识别方法 | |
Hautière et al. | Towards fog-free in-vehicle vision systems through contrast restoration | |
CN103714538B (zh) | 道路边缘检测方法、装置及车辆 | |
CN101750049B (zh) | 基于道路和车辆自身信息的单目视觉车距测量方法 | |
US9251426B2 (en) | Three-dimensional object detection device, three-dimensional object detection method | |
CN109024417A (zh) | 一种智能道路清扫车及其道路污染物识别方法和控制方法 | |
CN105574552A (zh) | 一种基于单目视觉的车辆测距与碰撞预警方法 | |
CN106682646A (zh) | 一种车道线的识别方法及装置 | |
CN104008377A (zh) | 基于时空关联的地面交通标志实时检测识别方法 | |
CN104129389A (zh) | 一种有效判别车辆行驶状态的方法及其装置 | |
CN104573646A (zh) | 基于激光雷达和双目相机的车前行人检测方法及系统 | |
CN105373135A (zh) | 一种基于机器视觉的飞机入坞引导和机型识别的方法及系统 | |
CN103593671B (zh) | 基于三摄像机协同的大范围车道线视觉检测方法 | |
CN101776438A (zh) | 道路标线测量装置及其测量方法 | |
CN109635737A (zh) | 基于道路标记线视觉识别辅助车辆导航定位方法 | |
CN107796373A (zh) | 一种基于车道平面几何模型驱动的前方车辆单目视觉的测距方法 | |
CN103204104A (zh) | 一种车辆全视角驾驶监控系统及方法 | |
CN103481842B (zh) | 一种车辆检测与跟踪模式的切换方法 | |
CN110733416B (zh) | 一种基于逆透视变换的车道偏离预警方法 | |
CN106803073B (zh) | 基于立体视觉目标的辅助驾驶系统及方法 |
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 |