CN107577996A - 一种车辆驾驶路径偏移的识别方法及系统 - Google Patents
一种车辆驾驶路径偏移的识别方法及系统 Download PDFInfo
- Publication number
- CN107577996A CN107577996A CN201710717866.8A CN201710717866A CN107577996A CN 107577996 A CN107577996 A CN 107577996A CN 201710717866 A CN201710717866 A CN 201710717866A CN 107577996 A CN107577996 A CN 107577996A
- Authority
- CN
- China
- Prior art keywords
- lane line
- vehicle
- mrow
- point
- camera
- 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
Landscapes
- Image Processing (AREA)
- Image Analysis (AREA)
- Traffic Control Systems (AREA)
Abstract
一种车辆驾驶路径横向偏移的识别方法及系统,该方法及系统先获取安装于车辆上的摄像头所拍摄的车辆行使方向上的道路的图像,利用相机内参矩阵对视频帧进行去畸变处理,对选定待变换区域src进行逆透视变换,然后视频帧进行阈值分割,分离车道线与背景区域,然后统计出出现极大值的位置作为车道线与图像底部的交点,根据所述交点的位置与预设的摄像头在车辆上的横向安装位置之间的间距,判断是否需要进行驾驶路径横向偏移的纠正。在车辆偏离道路中心过远的情况下,本方法及系统能及时地得知并提醒驾驶员或者进行更正,并且该方法及系统对光照突变、树阴遮挡、路面污渍等众多情况均能准确检测,适用性强、成本低、精度高、实时性以及稳定性较好。
Description
技术领域
本发明涉及智能辅助驾驶领域,更具体地说,涉及一种车辆驾驶路径横向偏移的识别方法及系统。
背景技术
目前,国内外相关研究机构对无人驾驶汽车已展开了广泛深入的研究,研制的产品技术性能不断提高,2011年7月中旬,由国防科技大学自主研制的红旗HQ3无人车从京珠高速长沙杨梓冲收费站出发,历时3小时22分钟到达武汉,总里程286公里,行驶过程中自主超车67次,全程自主驾驶平均时速87公里,达到了世界领先水平;北京理工大学也是国内最早开始研究无人驾驶的单位之一,2013年,北京理工大学与比亚迪汽车有限公司签订合作协议,打造了一个用于研究和测试无人驾驶汽车的实验平台,并于去年在北京三环线上实现了全功能自动驾驶路测,无人车全程行驶平稳;百度深度学习研究院将视觉、听觉等识别技术应用在无人汽车系统的研发中,提高了无人车的实用性。在今年4月份的上海车展上,百度高调宣布向所有合作伙伴免费开放无人驾驶能力,这将再一次加速无人驾驶的发展。传统车企方面,北汽、上汽、东风等企业也都开始了无人驾驶的研发,并相继展示了它们的研究成果,2016年4月,位于光谷的依迅公司发布了其联合武汉大学、华为、东风共同开发的北斗自动驾驶技术,且依迅公司将4G、5G通信技术运用到无人驾驶技术中来,使得车载端不再需要进行繁杂的运算,解决了散热和成本等现实问题,保证无人驾驶车辆的可靠运行。
目前,无人驾驶系统的实现主要有两种方法,其中一种是基于英伟达公司提出的端到端学习模型来实现的,这种方法直接训练一个深度卷积神经网络(CNN),形成一种输入图像到驾驶决策之间的映射关系,从而让汽车具备自主驾驶的能力。这种方法不需要人类提供驾驶汽车的先验知识,只需要告诉计算机在不同场景下应该做出何种反应,经过不断的训练最终让车辆学会驾驶行为,验证了端到端学习的可行性。
Comma.ai公司提出了另一种基于端到端学习的自动驾驶模拟器。利用变分自编码器 (VAE)和生成式对抗网络(GAN)实现道路视频预测的代价函数,然后在此基础上训练一个基于循环神经网络(RNN)的转换模型,可以对未来几帧驾驶画面进行预测,包括车道线、靠近车辆、前车驶离等驾驶事件。但该模型无法训练出弯道场景。
普林斯顿大学的Chenyi Chen等提出的DeepDriving算法在开源赛车游戏TORCS上进行驾驶仿真。这种算法也是以图像作为输入,但并不直接输出驾驶行为,而是输出以车辆的角度、与车道线和前方车辆的距离等13个参数来描述当前驾驶环境,从而进行驾驶决策。普林斯顿的另一项工作在大量的真实驾驶数据集上训练车辆的驾驶行为。这些基于端到端学习的方法步骤简单,能利用图片中的全部信息,但需要大量的数据进行训练,且无法适应复杂的驾驶场景。
另一种实现无人驾驶的方法是分为感知加决策两个部分来做的,其中感知部分是无人车采集周边环境的重要环节,主要包括车道、车辆、行人、交通标志等驾驶场景中的主要信息。目前感知部分的实现有很多方法,其中提出的基于激光雷达的道路边缘与十字路口检测得到了较好的精度。利用激光雷达还能与传统地图结合,生成高精地图,实现车道级的定位。激光雷达精度高,适合进行测距、定位等,但其现阶段成本极高,不利于商业应用。
计算机视觉算法在视觉感知中的应用越来越广泛,传统的计算机视觉算法主要有基于先验知识、基于立体视觉以及基于运动信息的三种方法。其中先验知识主要包括目标的几何特征、纹理、颜色等信息,例如DPM算法就是利用目标几何信息实现目标检测的。但这些方法都是采用一些人工提取的特征,对图像的表达不够准确,因此精度较低。
最近,Shaoqing Ren、Ross Girshick等提出的一系列基于深度学习的算法将目标检测的精度不断提高,其中Faster R-CNN算法达到了73.2%的精度,但这些算法的实时性不高; R Girshick等提出的YOLO算法的计算速度大幅提升,适合实时应用,但是以牺牲精度为代价。
基于上述原因,目前在车辆无人驾驶领域,车辆驾驶路径横向偏移的识别方法及系统均存在场景的适用性低、成本高、精度低、实时性低等中的一种或者多种缺陷,该些缺陷同样存在于有人驾驶的车辆之中。
发明内容
本发明要解决的技术问题在于,针对上述的目前的车辆驾驶路径横向偏移的识别方法及系统均存在场景的适用性低、成本高、精度低、实时性低等中的一种或者多种技术缺陷,本发明提供了一种车辆驾驶路径横向偏移的识别方法及系统。
根据本发明的其中一方面,本发明为解决其技术问题,提供了一种车辆驾驶路径横向偏移的识别方法,包含如下步骤:
S1、获取安装于车辆上的摄像头所拍摄的车辆行使方向上道路的图像;
S2、利用相机内参矩阵对所述图像的视频帧进行去畸变处理,然后对去畸变处理后的视频帧的选定待变换区域src利用逆透视变换矩阵进行逆透视变换;
S3、对逆透视变换后的视频帧进行阈值分割,分离车道线与背景区域;
S4、以横坐标代表像素个数,纵坐标代表像素值,对阈值分割后的图像的下面部分进行统计,统计出出现极大值的位置作为车道线与图像底部的交点;
S5、根据所述交点的位置与预设的摄像头在车辆上的横向安装位置之间的间距,判断是否需要进行驾驶路径横向偏移的纠正。
进一步的,在本发明的车辆驾驶路径横向偏移的识别方法的步骤S2中,
所述相机内参矩阵为根据张正友标定法计算计算得出;
所述逆透视变换矩阵根据下述方法得出:根据选取的一张含直线车道的图片,利用所述相机内参矩阵进行去畸变处理,接着执行Hough变换提取直线车道,并计算消失点vp和待变换区域src,根据消失点vp和待变换区域src计算出逆透视变换矩阵。
进一步的,在本发明的车辆驾驶路径横向偏移的识别方法中,
消失点vp通过下述公式计算得出,
式中,点pi与法向量ni来表示Hough变换时车道线对应的第i条直线上的点以及法向量;
待变换区域src为梯形,所述梯形通过下述方法得到:
将梯形的上底确定在消失点以下预设像素,随后根据变换范围的宽度确定梯形上底的两个端点,再由消失点分别与两端点相连,连接线与图像底部形成的交点作为梯形的下底的两个端点。
进一步的,在本发明的车辆驾驶路径横向偏移的识别方法中,摄像头投安装在车辆上的横向的中间位置,所述步骤S5具体为,以图像底部的中点作为本车的中心位置,根据本车的中心位置与所述交点之间在图像中的像素间距离是否大于第一预设值判断是否进行需要进行驾驶路径横向偏移的纠正,或者基于预设的转换关系,将所述像素间距离转为实际距离后,根据所述实际距离是否大于第二预设值判断是否进行驾驶路径横向偏移的纠正。
进一步的,在本发明的车辆驾驶路径横向偏移的识别方法中,步骤S4之后还包括:对于单张视频帧,以该张视频帧的所述交点为起点,利用滑动窗口进行搜索,确定车道线对应的m个像素,对m个车道线像素点采用最小二乘法进行曲线方程拟合得到拟合的车道线;
上述识别方法还包括:将前面一段时间内拟合出的车道线存入一个缓冲区,而当一帧新的图片输入时,结合前面多张图片拟合的车道线与当前拟合的车道线进行平滑滤波,作为最终的车道线输出至车内的显示装置上。
根据本发明的另一方面,本发明为解决其技术问题,还提供了一种车辆驾驶路径横向偏移的识别系统,包含:
图像获取模块,用于获取安装于车辆上的摄像头所拍摄的车辆行使方向上的道路的图像;
去畸变及逆透视变换模块,用于利用相机内参矩阵对所述图像的视频帧进行去畸变处理,然后对去畸变处理后的视频帧的选定待变换区域src利用逆透视变换矩阵进行逆透视变换;
阈值分割模块,用于对逆透视变换后的视频帧进行阈值分割,分离车道线与背景区域;
交点确认模块,用于以横坐标代表像素个数,纵坐标代表像素值,对阈值分割后的图像的下面部分进行统计,统计出出现极大值的位置作为车道线与图像底部的交点;
综合处理模块,用于根据预设的摄像头在车辆上上的左右安装位置与所述交点的位置之间的间距,判断是否需要进行驾驶路径横向偏移的纠正。
进一步的,在本发明的车辆驾驶路径横向偏移的识别系统的去畸变及逆透视变换模块包含:
相机内参矩阵获取模块,用于根据张正友标定法计算计算得出相机内参矩阵;
逆透视变换矩阵获取模块,用于根据选取的一张含直线车道的图片,利用所述相机内参矩阵进行去畸变处理,接着执行Hough变换提取直线车道,并计算消失点vp和待变换区域src,根据消失点vp和待变换区域src计算出逆透视变换矩阵H。
进一步的,在本发明的车辆驾驶路径横向偏移的识别系统中,
消失点vp通过下述公式计算得出,
式中,点pi与法向量ni来表示车道线对应的第i条直线上的点以及法向量;
待变换区域src为梯形,所述梯形通过下述方法得到:
将梯形的上底确定在消失点以下预设像素,随后根据变换范围的宽度确定梯形上底的两个端点,再由消失点分别与两端点相连,连接线与图像底部形成的交点便为梯形的下底的两个端点。
进一步的,在本发明的车辆驾驶路径横向偏移的识别系统中,摄像头投安装在车辆上的横向的中间位置,所述综合处理模块具体用于以图像底部的中点作为本车的中心位置,根据本车的中心位置与所述交点之间在图像中的像素间距离是否大于第一预设值判断是否进行需要进行驾驶路径横向偏移的纠正,或者基于预设的转换关系,将所述像素间距离转为实际距离后,根据所述实际距离是否大于第二预设值判断是否进行需要进行驾驶路径横向偏移的纠正。
进一步的,在本发明的车辆驾驶路径横向偏移的识别系统中还包括:
车道线拟合模块,用于对于单张视频帧,以该张视频帧的所述交点为起点,利用滑动窗口进行搜索,确定车道线对应的m个像素,对m个车道线像素点采用最小二乘法进行曲线方程拟合得到拟合的车道线;
平滑滤波模块,用于将前面一段时间内拟合出的车道线存入一个缓冲区,而当一帧新的图片输入时,结合前面多张图片拟合的车道线与当前拟合的车道线进行平滑滤波,作为最终的车道线输出至车内的显示装置上。
在车辆偏离道路中心过远的情况下,本发明的车辆驾驶路径横向偏移的识别方法及系统能及时地得知,并提醒驾驶员或者进行更正,并且该方法及系统对光照突变、树阴遮挡、路面污渍等众多情况均能准确检测,适用性强、成本低、精度高、实时性以及稳定性较好。
附图说明
下面将结合附图及实施例对本发明作进一步说明,附图中:
图1是本发明的车辆驾驶路径横向偏移的识别方法一实施例的流程图
图2本发明的车辆驾驶路径横向偏移的识别方法的像素直方图统计图;
图3本发明的车辆驾驶路径横向偏移的识别方法利用滑动窗口进行搜索的示意图;
图4是本发明的车辆驾驶路径横向偏移的识别方法在进行霍夫变换时多条直线产生多个交点的示意图;
图5是本发明的车辆驾驶路径横向偏移的识别系统一实施例的原理框图。
具体实施方式
为了对本发明的技术特征、目的和效果有更加清楚的理解,现对照附图详细说明本发明的具体实施方式。
如图1所示,其为本发明的车辆驾驶路径横向偏移的识别方法一实施例的流程图。本实施的驾驶路径横向偏移的纠正方法主要通过下述步骤实现。
S1、获取安装于车辆上的摄像头所拍摄的车辆行使方向上的道路的图像。在本实施例中,摄像头安装在车辆上的横向的中间,横向也即从车子的左边到右边或者右边到左边。
S2、利用相机内参矩阵对所述图像的视频帧进行去畸变处理,对然后对去畸变处理后的视频帧的选定待变换区域src利用逆透视变换矩阵进行逆透视变换。
在本步骤中,首先采用张正友标定法计算相机内参矩阵M,即用待标定摄像机从不同角度拍摄若干张包含标定板的图像,通过单目视觉标定实验可以得到计算得到相机标定矩阵M。使用张正友标定法时,需要用相机预先拍摄一些模板图像,假定模板平面在世界坐标系Z=0的平面上,则有:
其中,s是常数,[X Y 1]T为模板平面上的齐次坐标,[u v 1]T为模板平面上的点投影到图像平面上对应点的齐次坐标,[r1 r2 r3]和t分别是摄像机坐标系相对于世界坐标系的旋转矩阵和平移向量。对于投影变换,我们给出单应性矩阵H:
H=[h1h2h3]=λK[r1r2t]
根据旋转矩阵的性质,即和‖r1‖=‖r2‖=1,每幅图像可以获得以下两个内参数矩阵的基本约束,即
在根据上述约束矩阵得出相机内参矩阵M后,然后选取一张含直线车道的图片,利用相机内参矩阵M进行去畸变处理;接着执行Hough变换提取直线车道,并计算消失点vp和待变换区域src,确定逆透视图象尺寸,根据消失点vp和待变换区域src计算出逆透视变换矩阵H。与相机标定算法一样,该算法也会输出一个矩阵,即逆透视变换矩阵H,这个矩阵H以及相机内参矩阵M可以在文件中存储,后续中可直接重复利用。
在得出相机内参矩阵M以及透视变换矩阵H后,就可以利用这两个矩阵对安装于车辆上的摄像头所拍摄的图像进行处理。该摄像头拍摄的图像一般为视频图像,对待处理的视频帧利用相机内参矩阵M进行去畸变处理,然后对去畸变处理后的视频帧的选定待变换区域src区域利用逆透视变换矩阵H进行逆透视变换,即
其中[uw vw 1]T为世界坐标系的坐标,s是常数,H是逆透视变换矩阵,[u v 1]T为模板平面上的点投影到图像平面上对应点的齐次坐标。
S3、对逆透视变换后的视频帧进行阈值分割,分离车道线与背景区域。
S4、对阈值分割后的图像下半部分的像素做直方图统计,根据直方图统计,直方图的横坐标代表像素个数,纵坐标代表像素值,统计图出现极大值的地方作为车道线与图像底部的交点。
由于在车辆正常行驶过程当中,车道线应该无限向前延伸,所以在逆透视图像中车道线表现为具有纵向走势的曲线(段),且车道线不可能具有很大的弯曲程度,因此在较近的一段距离内近似为直线,在鸟瞰图中表现为一段与图像底部接近垂直的线。考虑到这两点特性,我们可以对图像下半部分的像素做直方图统计,出现极大值的地方可认为是车道线与图像底部的交点,如图2所示。
S5、计算车辆相对于车道的偏离情况,此时需要知道本车在图像中的位置,这与摄像头的安装位置有关,本方法采用的摄像头安装在车辆上的左右两边最中间,因此图像底部的中点为本车的中心位置,两条车道线与图像底部的交点为车道线位置,这样便能计算出车辆中心与两条车道线的距离从而计算出车辆偏离道路中心的距离。具体的,根据本车的中心位置与所述交点之间在图像中的像素间距离是否大于第一预设值判断是否进行需要进行驾驶路径横向偏移的纠正,或者基于预设的转换关系,将所述像素间距离转为实际距离后,根据所述实际距离是否大于第二预设值判断是否进行需要进行驾驶路径横向偏移的纠正。当像素间距离大于第一预设值/实际距离大于第二预设值时,说明车辆偏离道路中心较大,需要驾驶路径横向偏移的纠正,此时告知驾驶者需要调整车辆驶向道路中心或者直接控制车辆驶向道路中心。当然,在其他一些实施例中,出关于上述的像素间距离/实际距离的判断外,可以还会结合其他的一些车道因素,如车道曲率等。在其他实施例中,摄像头也可以安装在车辆除横向中间的其他位置,此时预先设置好摄像头到车辆的左右两边的距离即可。
在本发明的另一实施例中,在步骤S4之后,对于单张视频帧,还可以以该张视频帧的步骤S4中的交点为起点,利用滑动窗口进行搜索,确定车道线对应的m个像素,对m个车道线像素点采用最小二乘法进行曲线方程拟合,根据滑动窗口搜索得到的一系列坐标点,求解出一条曲线y=p(x)来表达车道线。假使检测出m个属于车道线的像素点,坐标分别为(i=0,1,···,m),设经过这m个坐标点的近似多项式函数如下:
为求解该多项式的解,使得下式取得最小值:
上述问题可以看做是求解a0,a1,…,an的多元函数的极值问题。对每个变量求偏导得:
即
上述方程是关于a0,a1,…,an的线性方程组,用矩阵表示为:
式中,xi、yi为第i个像素的横坐标和纵坐标。由上述方程解出ak(k=0,1,···,n),即可得到曲线的拟合方程,由于车道线变化较为平缓,本方法采用二次曲线(n=2)进行拟合。
由于车道线是连续的,因此可以从两个交点开始进行搜索。给定一系列的滑动窗口,从下往上搜索,对于每一个滑动窗口统计窗口内灰度值不为0的像素,若当前统计得到的像素个数大于某一阈值,则认为搜索成功,下一个窗口中心由当前窗口中所有非零像素的横坐标平均值确定;若统计值小于阈值,则可能车道是弯曲的,且即将超出当前滑动窗口的范围,或窗口处于虚线车道的间隔位置,此时取前面N个窗口搜索到的所有像素横坐标的平均值作为下一个窗口的中心位置,从而保证滑动窗口能跟随车道的变化而移动,滑动窗口搜索过程如图3所示。
这种搜索需要大量重复的计算,影响算法的实时性,但考虑到车道变化的连续性,我本发明并不需要对每一帧图片都进行完整的窗口搜索。事实上,在一帧图片处理完成后,可以得到一个曲线方程来表达检测出的车道线,当下一帧图像到来时,可根据前面得到的曲线方程大致预测下一帧的车道线位置,因此不用再对整个区域进行窗口搜索。考虑到车道线是相互平行的,可以计算两条检出车道线所有对应点横坐标的标准差,若此标准差大于某一阈值,说明车道跟踪出现偏离,需要重新对整幅图像进行滑动窗口搜索以重新确定车道位置。
再渲染车道区域,透视变换还原到透视图像。车道线的曲线方程可以很好地表达车道的形状,但是计算机还需要计算出车道相关的参数才能为车辆做出正确的驾驶决策或在出现异常情况时向驾驶员发出警告,对于车道而言,最重要的两个参数是前方车道的弯曲程度(车道曲率半径)以及当前车辆的横向偏移距离。这里得到的车道线的曲线方程,以像素为单位来表示的,要得到真实世界中的车道曲率半径,需要寻找实际距离与像素间距离的对应关系,然后得到曲率半径R。
具体的,将图像坐标转化为实际坐标为:
xreal=Mxxpix,yreal=Myypix;
式中,Mx以及My分别为x轴与y轴的转换系数,该坐标的转换同样适用于本发明的各转换关系,即将xpix、ypix替换为图像中的像素间距离,xreal、yreal替换为实际距离。
设拟合得到的车道线方程为:
从而得到曲率半径R:
xreal、yreal分别表示根据图片图像坐标xpix、ypix转换得到的实际物理坐标。
在对连续视频进行处理时,若只考虑单张图片的信息,将出现较大的噪声,表现为车道线的坐标出现大量不连续的跳变。由于在连续的视频序列中,每帧视频间车道的变化应该是平缓而连续的,所以本发明采用平滑滤波,将前面一段时间内拟合出的车道线存入一个缓冲区,而当一帧新的图片输入时,结合前面多张图片处理的结果与当前检测的结果进行平滑滤波,作为最终的车道线的输出。这里多张的取值决定了滤波的效果,若多张的张数值过小,滤波的效果较差,无法使车道坐标平滑;若张数值过大,会使车道变换过于缓慢而使车道信息存在过大的延时,同时也会增大运算量与存储资源的消耗。本文取张数值=9,得到较好的效果。
在进行平滑滤波后,车道线坐标变得更加平滑。但是,平滑滤波会带来误差的积累,随着误差的不断增加可能会使车道跟踪失败。为了解决此问题,本方法对两车道线横坐标之差设定了一个阈值,若差值大于这一阈值,说明车道跟踪出现了偏离,此时将丢弃缓冲区中的数据,重新对全图进行搜索从而重新跟踪车道。
因为现实中的车道是始终平行的,根据这一规律,本实验对车道之间的关系进行了约束,当左右两车道的横坐标之差的标准差大于某一阈值,说明检测出的车道线不满足相互平行的关系,此时算法应丢弃已有的车道线数据,进行全图窗口搜索,重新跟踪车道。为了验证车道自校验功能,本实验加长逆透视变换的视距,使逆透视图像中噪声更大,从而增大车道跟踪失败的几率。
接着,本方法采用SSD(Single Shot MultiBox Detector)算法进行车辆检测,即利用自动驾驶领域常用的KITTI数据集对SSD算法网络参数进行训练和优化,以得到网络模型对车辆特征的准确提取和识别,从而提取出摄像头拍摄到的其他车辆的模型。
在上述步骤中,要计算逆透视变换矩阵,首先要找到图像的消失点,本方法通过霍夫变换检测图片中的直线,霍夫变换的实质是对图像进行坐标变换,使变换的结果更易于识别和检测,其表达式为:
ρ=xcosθ+ysinθ
其中,(x,y)表示图像空间的某一点,ρ是图像空间中直线到坐标原点的距离,θ是直线与x轴的夹角。传统的Hough变换算法投票空间ρ和θ的选择范围通常为ρ∈(0,r)(其中r为图像对角线的长度),θ∈(0,180°),(ρ,θ)为坐标变换后的参数空间某一点,其将图像空间(x-y)的点转换到参数空间(ρ,θ),可以证明图像空间中同一直线上的点再参数空间中对应的正弦曲线交于一点(ρ,θ)。因此对图像空间的目标点进行坐标变换投影到参数空间,通过统计参数空间的总投票次数较多的点,即可找到图像空间对应的直线方程。
通过霍夫直线变换检测出的车道线延长后的交点便为消失点,但由于车道线有两个边缘,对于每条车道霍夫变换可能得出多条直线,由于算法的误差,这些直线会产生不止一个交点,如图4所示,这给消失点的确定带来了困难。
本方法定义与所有直线均方距离I最小的一点为消失点vp。图中,每条直线可以用其上的一点pi与其法向量ni来表示,则均方距离可表示为:
上式中vp为自变量,均方距离I为因变量。为了找到I最小时对应的vp,可用I对 vp求导数:
求解式得:
由于逆透视变换不能到达消失点,且越靠近消失点失真越严重,因此本方法将梯形的上底确定在消失点以下预设像素,通过调节预设像素可以改变最终俯视图所看到的距离,即得到不同视距的逆透视图像。随后确定变换范围的宽度,也就是梯形上底的两个端点,再由消失点分别与两端点相连与图像底部形成的交点便为梯形的下底的两个端点,至此待变换的梯形区域便确定了。
最后融合以上所述算法,构建智能辅助驾驶系统,即在系统信息面板上显示拟合出的车道线、车辆偏移车道中心距离、当前检测到的车辆等信息。
参考图5,其为本发明的车辆驾驶路径横向偏移的识别系统一实施例的原理框图。在本实施例中,该车辆驾驶路径横向偏移的识别系统,包含图像获取模块1、去畸变及逆透视变换模块2、阈值分割模块3、交点确认模块4以及综合处理模块5。
图像获取模块1获取安装于车辆上的摄像头所拍摄的车辆行使方向上的道路的图像,去畸变及逆透视变换模块2利用相机内参矩阵对所述图像的视频帧进行去畸变处理,然后对定待变换区域src利用逆透视变换矩阵进行逆透视变换,阈值分割模块3对逆透视变换后的视频帧进行阈值分割,分离车道线与背景区域,交点确认模块4以横坐标代表像素个数,纵坐标代表像素值,对阈值分割后的图像进行统计,统计出出现极大值的位置作为车道线与图像底部的交点,综合处理模块5根据预设的摄像头在车辆上上的左右安装位置与所述交点的位置之间的间距,判断是否需要进行驾驶路径横向偏移的纠正。
本发明的车辆驾驶路径横向偏移的识别系统与上述的识别方法对应,具体可参考上述方法。
上面结合附图对本发明的实施例进行了描述,但是本发明并不局限于上述的具体实施方式,上述的具体实施方式仅仅是示意性的,而不是限制性的,本领域的普通技术人员在本发明的启示下,在不脱离本发明宗旨和权利要求所保护的范围情况下,还可做出很多形式,这些均属于本发明的保护之内。
Claims (10)
1.一种车辆驾驶路径横向偏移的识别方法,其特征在于,包含如下步骤:
S1、获取安装于车辆上的摄像头所拍摄的车辆行使方向上道路的图像;
S2、利用相机内参矩阵对所述图像的视频帧进行去畸变处理,然后对去畸变处理后的视频帧的选定待变换区域src利用逆透视变换矩阵进行逆透视变换;
S3、对逆透视变换后的视频帧进行阈值分割,分离车道线与背景区域;
S4、以横坐标代表像素个数,纵坐标代表像素值,对阈值分割后的图像的下面部分进行统计,统计出出现极大值的位置作为车道线与图像底部的交点;
S5、根据所述交点的位置与预设的摄像头在车辆上的横向安装位置之间的间距,判断是否需要进行驾驶路径横向偏移的纠正。
2.根据权利要求1所述的识别方法,其特征在于,所述步骤S2中,
所述相机内参矩阵为根据张正友标定法计算计算得出;
所述逆透视变换矩阵根据下述方法得出:根据选取的一张含直线车道的图片,利用所述相机内参矩阵进行去畸变处理,接着执行Hough变换提取直线车道,并计算消失点vp和待变换区域src,根据消失点vp和待变换区域src计算出逆透视变换矩阵。
3.根据权利要求2所述的识别方法,其特征在于,
消失点vp通过下述公式计算得出,
<mrow>
<mi>v</mi>
<mi>p</mi>
<mo>=</mo>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>&Sigma;n</mi>
<mi>i</mi>
</msub>
<msubsup>
<mi>n</mi>
<mi>i</mi>
<mi>T</mi>
</msubsup>
<mo>)</mo>
</mrow>
<mrow>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msup>
<mrow>
<mo>(</mo>
<msub>
<mi>&Sigma;n</mi>
<mi>i</mi>
</msub>
<msubsup>
<mi>n</mi>
<mi>i</mi>
<mi>T</mi>
</msubsup>
<msub>
<mi>p</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
式中,点pi与法向量ni来表示Hough变换时车道线对应的第i条直线上的点以及法向量;
待变换区域src为梯形,所述梯形通过下述方法得到:
将梯形的上底确定在消失点以下预设像素,随后根据变换范围的宽度确定梯形上底的两个端点,再由消失点分别与两端点相连,连接线与图像底部形成的交点作为梯形的下底的两个端点。
4.根据权利要求1所述的识别方法,其特征在于,摄像头投安装在车辆上的横向的中间位置,所述步骤S5具体为,以图像底部的中点作为本车的中心位置,根据本车的中心位置与所述交点之间在图像中的像素间距离是否大于第一预设值判断是否进行需要进行驾驶路径横向偏移的纠正,或者基于预设的转换关系,将所述像素间距离转为实际距离后,根据所述实际距离是否大于第二预设值判断是否进行驾驶路径横向偏移的纠正。
5.根据权利要求1所述的识别方法,其特征在于,所述步骤S4之后还包括:对于单张视频帧,以该张视频帧的所述交点为起点,利用滑动窗口进行搜索,确定车道线对应的m个像素,对m个车道线像素点采用最小二乘法进行曲线方程拟合得到拟合的车道线;
所述识别方法还包括:将前面一段时间内拟合出的车道线存入一个缓冲区,而当一帧新的图片输入时,结合前面多张图片拟合的车道线与当前拟合的车道线进行平滑滤波,作为最终的车道线输出至车内的显示装置上。
6.一种车辆驾驶路径横向偏移的识别系统,其特征在于,包含:
图像获取模块,用于获取安装于车辆上的摄像头所拍摄的车辆行使方向上的道路的图像;
去畸变及逆透视变换模块,用于利用相机内参矩阵对所述图像的视频帧进行去畸变处理,然后对去畸变处理后的视频帧的选定待变换区域src利用逆透视变换矩阵进行逆透视变换;
阈值分割模块,用于对逆透视变换后的视频帧进行阈值分割,分离车道线与背景区域;
交点确认模块,用于以横坐标代表像素个数,纵坐标代表像素值,对阈值分割后的图像的下面部分进行统计,统计出出现极大值的位置作为车道线与图像底部的交点;
综合处理模块,用于根据预设的摄像头在车辆上上的左右安装位置与所述交点的位置之间的间距,判断是否需要进行驾驶路径横向偏移的纠正。
7.根据权利要求1所述的识别系统,其特征在于,所述去畸变及逆透视变换模块包含:
相机内参矩阵获取模块,用于根据张正友标定法计算计算得出相机内参矩阵;
逆透视变换矩阵获取模块,用于根据选取的一张含直线车道的图片,利用所述相机内参矩阵进行去畸变处理,接着执行Hough变换提取直线车道,并计算消失点vp和待变换区域src,根据消失点vp和待变换区域src计算出逆透视变换矩阵。
8.根据权利要求7所述的识别系统,其特征在于,
消失点vp通过下述公式计算得出,
<mrow>
<mi>v</mi>
<mi>p</mi>
<mo>=</mo>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>&Sigma;n</mi>
<mi>i</mi>
</msub>
<msubsup>
<mi>n</mi>
<mi>i</mi>
<mi>T</mi>
</msubsup>
<mo>)</mo>
</mrow>
<mrow>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msup>
<mrow>
<mo>(</mo>
<msub>
<mi>&Sigma;n</mi>
<mi>i</mi>
</msub>
<msubsup>
<mi>n</mi>
<mi>i</mi>
<mi>T</mi>
</msubsup>
<msub>
<mi>p</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
式中,点pi与法向量ni来表示车道线对应的第i条直线上的点以及法向量;
待变换区域src为梯形,所述梯形通过下述方法得到:
将梯形的上底确定在消失点以下预设像素,随后根据变换范围的宽度确定梯形上底的两个端点,再由消失点分别与两端点相连,连接线与图像底部形成的交点便为梯形的下底的两个端点。
9.根据权利要求1所述的识别系统,其特征在于,摄像头投安装在车辆上的横向的中间位置,所述综合处理模块具体用于以图像底部的中点作为本车的中心位置,根据本车的中心位置与所述交点之间在图像中的像素间距离是否大于第一预设值判断是否进行需要进行驾驶路径横向偏移的纠正,或者基于预设的转换关系,将所述像素间距离转为实际距离后,根据所述实际距离是否大于第二预设值判断是否进行需要进行驾驶路径横向偏移的纠正。
10.根据权利要求6所述的识别系统,其特征在于,还包括:
车道线拟合模块,用于对于单张视频帧,以该张视频帧的所述交点为起点,利用滑动窗口进行搜索,确定车道线对应的m个像素,对m个车道线像素点采用最小二乘法进行曲线方程拟合得到拟合的车道线;
平滑滤波模块,用于将前面一段时间内拟合出的车道线存入一个缓冲区,而当一帧新的图片输入时,结合前面多张图片拟合的车道线与当前拟合的车道线进行平滑滤波,作为最终的车道线输出至车内的显示装置上。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710717866.8A CN107577996A (zh) | 2017-08-16 | 2017-08-16 | 一种车辆驾驶路径偏移的识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710717866.8A CN107577996A (zh) | 2017-08-16 | 2017-08-16 | 一种车辆驾驶路径偏移的识别方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107577996A true CN107577996A (zh) | 2018-01-12 |
Family
ID=61034835
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710717866.8A Pending CN107577996A (zh) | 2017-08-16 | 2017-08-16 | 一种车辆驾驶路径偏移的识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107577996A (zh) |
Cited By (34)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108416428A (zh) * | 2018-02-28 | 2018-08-17 | 中国计量大学 | 一种基于卷积神经网络的机器人视觉定位方法 |
CN108470142A (zh) * | 2018-01-30 | 2018-08-31 | 西安电子科技大学 | 基于逆透视投影和车道距离约束的车道定位方法 |
CN108528336A (zh) * | 2018-04-18 | 2018-09-14 | 福州大学 | 一种车辆压线提前预警系统 |
CN109190452A (zh) * | 2018-07-09 | 2019-01-11 | 北京农业智能装备技术研究中心 | 作物行识别方法及装置 |
CN109344778A (zh) * | 2018-10-10 | 2019-02-15 | 成都信息工程大学 | 基于生成对抗网络的无人机影像道路信息提取方法 |
CN109871776A (zh) * | 2019-01-23 | 2019-06-11 | 昆山星际舟智能科技有限公司 | 全天候车道线偏离的预警方法 |
CN109886200A (zh) * | 2019-02-22 | 2019-06-14 | 南京邮电大学 | 一种基于生成式对抗网络的无人驾驶车道线检测方法 |
CN109886215A (zh) * | 2019-02-26 | 2019-06-14 | 常熟理工学院 | 基于机器视觉的低速园区无人车巡航及紧急制动系统 |
CN109927722A (zh) * | 2019-03-01 | 2019-06-25 | 武汉光庭科技有限公司 | 自动驾驶中基于视觉与组合惯导的车道保持的方法及系统 |
CN109934140A (zh) * | 2019-03-01 | 2019-06-25 | 武汉光庭科技有限公司 | 基于检测地面横向标线的自动倒车辅助停车方法及系统 |
CN109948470A (zh) * | 2019-03-01 | 2019-06-28 | 武汉光庭科技有限公司 | 基于霍夫变换的停车线距离检测方法及系统 |
CN110084133A (zh) * | 2019-04-03 | 2019-08-02 | 百度在线网络技术(北京)有限公司 | 障碍物检测方法、装置、车辆、计算机设备和存储介质 |
CN110203210A (zh) * | 2019-06-19 | 2019-09-06 | 厦门金龙联合汽车工业有限公司 | 一种车道偏离预警方法、终端设备及存储介质 |
CN110399762A (zh) * | 2018-04-24 | 2019-11-01 | 北京四维图新科技股份有限公司 | 一种基于单目图像的车道线检测的方法及装置 |
CN110597250A (zh) * | 2019-08-27 | 2019-12-20 | 山东浩睿智能科技有限公司 | 一种道路清扫设备的自动巡边系统 |
CN110647850A (zh) * | 2019-09-27 | 2020-01-03 | 福建农林大学 | 一种基于逆透视原理的车道偏移自动测量方法 |
CN110753239A (zh) * | 2018-07-23 | 2020-02-04 | 深圳地平线机器人科技有限公司 | 视频预测方法、视频预测装置、电子设备和车辆 |
CN111123927A (zh) * | 2019-12-20 | 2020-05-08 | 北京三快在线科技有限公司 | 轨迹规划方法、装置、自动驾驶设备和存储介质 |
CN111178122A (zh) * | 2018-11-13 | 2020-05-19 | 通用汽车环球科技运作有限责任公司 | 道路场景中三维车道的检测及平面表示 |
CN111209843A (zh) * | 2020-01-03 | 2020-05-29 | 西安电子科技大学 | 一种适用智能终端的车道偏离预警方法 |
CN111428538A (zh) * | 2019-01-09 | 2020-07-17 | 阿里巴巴集团控股有限公司 | 一种车道线提取方法、装置和设备 |
CN111539303A (zh) * | 2020-04-20 | 2020-08-14 | 长安大学 | 基于单目视觉的车辆驾驶偏移预警方法 |
CN111627215A (zh) * | 2020-05-21 | 2020-09-04 | 平安国际智慧城市科技股份有限公司 | 基于人工智能的视频图像识别方法及相关设备 |
CN111626078A (zh) * | 2019-02-27 | 2020-09-04 | 湖南湘江地平线人工智能研发有限公司 | 识别车道线的方法及装置 |
CN112292695A (zh) * | 2018-06-20 | 2021-01-29 | 西门子工业软件公司 | 用于产生测试数据集的方法、用于测试的方法、用于运行系统的方法、设备、控制系统、计算机程序产品、计算机可读介质、产生和应用 |
CN112329722A (zh) * | 2020-11-26 | 2021-02-05 | 上海西井信息科技有限公司 | 行车方向检测方法、系统、设备及存储介质 |
CN112528829A (zh) * | 2020-12-07 | 2021-03-19 | 中国科学院深圳先进技术研究院 | 一种基于视觉的非结构化道路的居中行驶方法 |
CN113379717A (zh) * | 2021-06-22 | 2021-09-10 | 山东高速工程检测有限公司 | 一种适用于道路修补的图形识别装置及识别方法 |
CN113569663A (zh) * | 2021-07-08 | 2021-10-29 | 东南大学 | 车辆车道偏移的测量方法 |
CN114128461A (zh) * | 2021-10-27 | 2022-03-04 | 江汉大学 | 穴盘育苗移栽机器人的控制方法及穴盘育苗移栽机器人 |
CN114397877A (zh) * | 2021-06-25 | 2022-04-26 | 南京交通职业技术学院 | 一种智能汽车自动驾驶系统 |
CN116823909A (zh) * | 2023-06-30 | 2023-09-29 | 广东省机场管理集团有限公司工程建设指挥部 | 一种驾驶环境综合信息提取方法、装置、设备及介质 |
CN117036505A (zh) * | 2023-08-23 | 2023-11-10 | 长和有盈电子科技(深圳)有限公司 | 车载摄像头在线标定方法及系统 |
CN117274939A (zh) * | 2023-10-08 | 2023-12-22 | 北京路凯智行科技有限公司 | 安全区域检测方法和安全区域检测装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104408460A (zh) * | 2014-09-17 | 2015-03-11 | 电子科技大学 | 一种车道线检测及跟踪检测方法 |
CN105760812A (zh) * | 2016-01-15 | 2016-07-13 | 北京工业大学 | 一种基于Hough变换的车道线检测方法 |
-
2017
- 2017-08-16 CN CN201710717866.8A patent/CN107577996A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104408460A (zh) * | 2014-09-17 | 2015-03-11 | 电子科技大学 | 一种车道线检测及跟踪检测方法 |
CN105760812A (zh) * | 2016-01-15 | 2016-07-13 | 北京工业大学 | 一种基于Hough变换的车道线检测方法 |
Non-Patent Citations (6)
Title |
---|
JONATHANCMITCHELL: "Advanced-Lane-Line-Detection", 《HTTPS://GITHUB.COM/JONATHANCMITCHELL/ADVANCED-LANE-LINE-DETECTION》 * |
MARCOS NIETO等: "Stabilization of Inverse Perspective Mapping Images based on Robust Vanishing Point Estimation", 《2007 IEEE INTELLIGENT VEHICLES SYMPOSIUM》 * |
RZUCCOLO: "Finding Lane Lines on the Road-Advanced Techniques", 《HTTPS://GITHUB.COM/RZUCCOLO/RZ-ADVANCED-LANE-DETECTION/BLOB/MASTER/WRITEUP_ADVANCED-LANE-DETECTION.MD》 * |
STEPHEN BOYD等: "《Convex Optimization》", 31 December 2004 * |
曾长雄: "离散数据的最小二乘曲线拟合及应用分析", 《岳阳职业技术学院学报》 * |
蔡耀仪: "一种快速的车载实时视频稳像方法", 《电脑知识与技术》 * |
Cited By (50)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108470142A (zh) * | 2018-01-30 | 2018-08-31 | 西安电子科技大学 | 基于逆透视投影和车道距离约束的车道定位方法 |
CN108416428A (zh) * | 2018-02-28 | 2018-08-17 | 中国计量大学 | 一种基于卷积神经网络的机器人视觉定位方法 |
CN108528336A (zh) * | 2018-04-18 | 2018-09-14 | 福州大学 | 一种车辆压线提前预警系统 |
CN108528336B (zh) * | 2018-04-18 | 2021-05-18 | 福州大学 | 一种车辆压线提前预警系统 |
CN110399762A (zh) * | 2018-04-24 | 2019-11-01 | 北京四维图新科技股份有限公司 | 一种基于单目图像的车道线检测的方法及装置 |
CN112292695A (zh) * | 2018-06-20 | 2021-01-29 | 西门子工业软件公司 | 用于产生测试数据集的方法、用于测试的方法、用于运行系统的方法、设备、控制系统、计算机程序产品、计算机可读介质、产生和应用 |
CN109190452A (zh) * | 2018-07-09 | 2019-01-11 | 北京农业智能装备技术研究中心 | 作物行识别方法及装置 |
CN110753239B (zh) * | 2018-07-23 | 2022-03-08 | 深圳地平线机器人科技有限公司 | 视频预测方法、视频预测装置、电子设备和车辆 |
CN110753239A (zh) * | 2018-07-23 | 2020-02-04 | 深圳地平线机器人科技有限公司 | 视频预测方法、视频预测装置、电子设备和车辆 |
CN109344778A (zh) * | 2018-10-10 | 2019-02-15 | 成都信息工程大学 | 基于生成对抗网络的无人机影像道路信息提取方法 |
CN111178122A (zh) * | 2018-11-13 | 2020-05-19 | 通用汽车环球科技运作有限责任公司 | 道路场景中三维车道的检测及平面表示 |
CN111178122B (zh) * | 2018-11-13 | 2024-05-03 | 通用汽车环球科技运作有限责任公司 | 道路场景中三维车道的检测及平面表示 |
CN111428538A (zh) * | 2019-01-09 | 2020-07-17 | 阿里巴巴集团控股有限公司 | 一种车道线提取方法、装置和设备 |
CN109871776B (zh) * | 2019-01-23 | 2023-04-14 | 昆山星际舟智能科技有限公司 | 全天候车道线偏离的预警方法 |
CN109871776A (zh) * | 2019-01-23 | 2019-06-11 | 昆山星际舟智能科技有限公司 | 全天候车道线偏离的预警方法 |
CN109886200A (zh) * | 2019-02-22 | 2019-06-14 | 南京邮电大学 | 一种基于生成式对抗网络的无人驾驶车道线检测方法 |
CN109886200B (zh) * | 2019-02-22 | 2020-10-09 | 南京邮电大学 | 一种基于生成式对抗网络的无人驾驶车道线检测方法 |
CN109886215A (zh) * | 2019-02-26 | 2019-06-14 | 常熟理工学院 | 基于机器视觉的低速园区无人车巡航及紧急制动系统 |
CN109886215B (zh) * | 2019-02-26 | 2021-10-19 | 常熟理工学院 | 基于机器视觉的低速园区无人车巡航及紧急制动系统 |
CN111626078A (zh) * | 2019-02-27 | 2020-09-04 | 湖南湘江地平线人工智能研发有限公司 | 识别车道线的方法及装置 |
CN109948470A (zh) * | 2019-03-01 | 2019-06-28 | 武汉光庭科技有限公司 | 基于霍夫变换的停车线距离检测方法及系统 |
CN109934140B (zh) * | 2019-03-01 | 2022-12-02 | 武汉光庭科技有限公司 | 基于检测地面横向标线的自动倒车辅助停车方法及系统 |
CN109927722A (zh) * | 2019-03-01 | 2019-06-25 | 武汉光庭科技有限公司 | 自动驾驶中基于视觉与组合惯导的车道保持的方法及系统 |
CN109948470B (zh) * | 2019-03-01 | 2022-12-02 | 武汉光庭科技有限公司 | 基于霍夫变换的停车线距离检测方法及系统 |
CN109934140A (zh) * | 2019-03-01 | 2019-06-25 | 武汉光庭科技有限公司 | 基于检测地面横向标线的自动倒车辅助停车方法及系统 |
CN110084133A (zh) * | 2019-04-03 | 2019-08-02 | 百度在线网络技术(北京)有限公司 | 障碍物检测方法、装置、车辆、计算机设备和存储介质 |
CN110084133B (zh) * | 2019-04-03 | 2022-02-01 | 百度在线网络技术(北京)有限公司 | 障碍物检测方法、装置、车辆、计算机设备和存储介质 |
CN110203210A (zh) * | 2019-06-19 | 2019-09-06 | 厦门金龙联合汽车工业有限公司 | 一种车道偏离预警方法、终端设备及存储介质 |
CN110597250A (zh) * | 2019-08-27 | 2019-12-20 | 山东浩睿智能科技有限公司 | 一种道路清扫设备的自动巡边系统 |
CN110647850A (zh) * | 2019-09-27 | 2020-01-03 | 福建农林大学 | 一种基于逆透视原理的车道偏移自动测量方法 |
CN111123927A (zh) * | 2019-12-20 | 2020-05-08 | 北京三快在线科技有限公司 | 轨迹规划方法、装置、自动驾驶设备和存储介质 |
CN111209843B (zh) * | 2020-01-03 | 2022-03-22 | 西安电子科技大学 | 一种适用智能终端的车道偏离预警方法 |
CN111209843A (zh) * | 2020-01-03 | 2020-05-29 | 西安电子科技大学 | 一种适用智能终端的车道偏离预警方法 |
CN111539303B (zh) * | 2020-04-20 | 2023-04-18 | 长安大学 | 基于单目视觉的车辆驾驶偏移预警方法 |
CN111539303A (zh) * | 2020-04-20 | 2020-08-14 | 长安大学 | 基于单目视觉的车辆驾驶偏移预警方法 |
CN111627215A (zh) * | 2020-05-21 | 2020-09-04 | 平安国际智慧城市科技股份有限公司 | 基于人工智能的视频图像识别方法及相关设备 |
CN112329722B (zh) * | 2020-11-26 | 2021-09-28 | 上海西井信息科技有限公司 | 行车方向检测方法、系统、设备及存储介质 |
CN112329722A (zh) * | 2020-11-26 | 2021-02-05 | 上海西井信息科技有限公司 | 行车方向检测方法、系统、设备及存储介质 |
CN112528829B (zh) * | 2020-12-07 | 2023-10-24 | 中国科学院深圳先进技术研究院 | 一种基于视觉的非结构化道路的居中行驶方法 |
CN112528829A (zh) * | 2020-12-07 | 2021-03-19 | 中国科学院深圳先进技术研究院 | 一种基于视觉的非结构化道路的居中行驶方法 |
CN113379717A (zh) * | 2021-06-22 | 2021-09-10 | 山东高速工程检测有限公司 | 一种适用于道路修补的图形识别装置及识别方法 |
CN114397877A (zh) * | 2021-06-25 | 2022-04-26 | 南京交通职业技术学院 | 一种智能汽车自动驾驶系统 |
CN113569663A (zh) * | 2021-07-08 | 2021-10-29 | 东南大学 | 车辆车道偏移的测量方法 |
CN113569663B (zh) * | 2021-07-08 | 2022-11-22 | 东南大学 | 车辆车道偏移的测量方法 |
CN114128461A (zh) * | 2021-10-27 | 2022-03-04 | 江汉大学 | 穴盘育苗移栽机器人的控制方法及穴盘育苗移栽机器人 |
CN116823909A (zh) * | 2023-06-30 | 2023-09-29 | 广东省机场管理集团有限公司工程建设指挥部 | 一种驾驶环境综合信息提取方法、装置、设备及介质 |
CN117036505A (zh) * | 2023-08-23 | 2023-11-10 | 长和有盈电子科技(深圳)有限公司 | 车载摄像头在线标定方法及系统 |
CN117036505B (zh) * | 2023-08-23 | 2024-03-29 | 长和有盈电子科技(深圳)有限公司 | 车载摄像头在线标定方法及系统 |
CN117274939A (zh) * | 2023-10-08 | 2023-12-22 | 北京路凯智行科技有限公司 | 安全区域检测方法和安全区域检测装置 |
CN117274939B (zh) * | 2023-10-08 | 2024-05-28 | 北京路凯智行科技有限公司 | 安全区域检测方法和安全区域检测装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107577996A (zh) | 一种车辆驾驶路径偏移的识别方法及系统 | |
CN107590438A (zh) | 一种智能辅助驾驶方法及系统 | |
CN107609486A (zh) | 一种车辆前向防撞预警方法及系统 | |
CN109740465B (zh) | 一种基于实例分割神经网络框架的车道线检测算法 | |
CN102682292B (zh) | 基于单目视觉的道路边缘检测及粗定位方法 | |
CN110569704B (zh) | 一种基于立体视觉的多策略自适应车道线检测方法 | |
CN107679520B (zh) | 一种适用于复杂条件下的车道线视觉检测方法 | |
CN106462968B (zh) | 用于校准机动车的摄影机系统的方法和装置 | |
CN109886215B (zh) | 基于机器视觉的低速园区无人车巡航及紧急制动系统 | |
US9665781B2 (en) | Moving body detection device and moving body detection method | |
CN107750364A (zh) | 使用稳定的坐标系的道路垂直轮廓检测 | |
EP2713310A2 (en) | System and method for detection and tracking of moving objects | |
CN104408460A (zh) | 一种车道线检测及跟踪检测方法 | |
CN105069859B (zh) | 车辆行驶状态监测方法和装置 | |
CN108645409B (zh) | 一种基于无人驾驶的行车安全系统 | |
CN110059683A (zh) | 一种基于端到端神经网络的大角度车牌倾斜矫正方法 | |
CN111439259A (zh) | 基于端到端卷积神经网络的农业园场景车道偏移预警控制方法及系统 | |
CN105718872A (zh) | 两侧车道快速定位及检测车辆偏转角度的辅助方法及系统 | |
CN109299656B (zh) | 一种车载视觉系统场景视深确定方法 | |
CN109961013A (zh) | 车道线的识别方法、装置、设备及计算机可读存储介质 | |
CN111539303B (zh) | 基于单目视觉的车辆驾驶偏移预警方法 | |
CN111079675A (zh) | 基于目标检测与目标跟踪的行驶行为分析方法 | |
CN106803073B (zh) | 基于立体视觉目标的辅助驾驶系统及方法 | |
CN113221739B (zh) | 基于单目视觉的车距测量方法 | |
CN117078717A (zh) | 基于无人机单目相机的道路车辆轨迹提取方法 |
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 |
Application publication date: 20180112 |
|
RJ01 | Rejection of invention patent application after publication |