CN107578037A - 一种基于似物性估计的道线检测方法 - Google Patents
一种基于似物性估计的道线检测方法 Download PDFInfo
- Publication number
- CN107578037A CN107578037A CN201710914166.8A CN201710914166A CN107578037A CN 107578037 A CN107578037 A CN 107578037A CN 201710914166 A CN201710914166 A CN 201710914166A CN 107578037 A CN107578037 A CN 107578037A
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- straight line
- plane
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 33
- 230000000704 physical effect Effects 0.000 title claims abstract description 15
- 238000004364 calculation method Methods 0.000 claims abstract description 11
- 238000013507 mapping Methods 0.000 claims abstract description 10
- 238000012545 processing Methods 0.000 claims abstract description 8
- 230000009466 transformation Effects 0.000 claims abstract 3
- 238000001514 detection method Methods 0.000 claims description 11
- 239000011159 matrix material Substances 0.000 claims description 7
- 238000013139 quantization Methods 0.000 claims description 7
- 238000011002 quantification Methods 0.000 claims description 4
- 238000009825 accumulation Methods 0.000 claims description 2
- 230000000717 retained effect Effects 0.000 claims description 2
- 239000004576 sand Substances 0.000 claims description 2
- 241000208340 Araliaceae Species 0.000 claims 2
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 claims 2
- 235000003140 Panax quinquefolius Nutrition 0.000 claims 2
- 235000008434 ginseng Nutrition 0.000 claims 2
- 238000000205 computational method Methods 0.000 claims 1
- 230000001186 cumulative effect Effects 0.000 claims 1
- 230000008034 disappearance Effects 0.000 claims 1
- 238000005259 measurement Methods 0.000 abstract description 3
- 238000007689 inspection Methods 0.000 abstract description 2
- 238000012795 verification Methods 0.000 abstract description 2
- 238000005516 engineering process Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000009931 harmful effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种基于似物性估计的道线检测方法，包括：扫描输入图像，在每个扫描位置计算块内图像的似物性值；对似物性值作映射处理，增强较大的似物性值，抑制较小的值，以映射后的像素似物性值乘以该像素的梯度强度作为投票权值；在图像平面预设两条直线，以直线与所述两条直线的交点坐标为参数，以Hough变换的方式将图像平面中每个投票权值大于阈值的点变换成参数平面的一条曲线，在曲线经过的点上累加所述点的权值；在参数平面搜索极大值，由极大值位置坐标确定直线；将检测所得的直线按其斜率分成两个集合，分别在斜率为负和非负的直线集合中确定左右道线。通过本发明的方法，能有效地提高检测率，降低虚检率。
Description
技术领域
本发明涉及图像处理领域，特别涉及一种基于似物性估计的道线检测方法。
背景技术
随着传感器技术和电子技术的发展，先进驾驶辅助系统(ADAS)成为汽车工业发展的一个重要方向。在ADAS系统中，道线检测是车道偏离预警、车道跟随、前车防撞预警等应用的重要基础。
目前已有的道线检测方法可以粗略地分成两大类：基于低层次图像特征的方法和基于模型匹配的方法。在使用低层次特征的方法中，中国专利CN100424724C、CN103617412B、CN105426868A、CN105046198A、CN104573618A以边缘点检测为算法基础；在基于模型匹配的方法中，中国专利CN106228125A以学习的方法建立包含道线的图像块所对应的模型。
除了道线标记之外，ADAS系统的摄像机所观察的视域中经常出现如各式车辆、车道分隔护栏、路旁的绿化等物体。无论是基于低层次特征的方法还是基于模型匹配的方法或多或少都会受到这些对象所引入的虚假信息的困扰。例如，基于边缘点检测的方法通常不加区分地将车辆、路旁植物的边缘点与真实道线的边缘点一起输入到Hough变换的投票模块；对基于模型匹配的方法而言，由于图像中存在与道线结构类似的区域，增加检测率与降低虚检率始终是一个两难的问题。另外，由车辆等非道线对象引入的虚假信息不可避免地会增加ADAS系统花费在道线检测中的计算代价。
发明内容
本发明实施例提供一种基于似物性估计的道线检测方法，所提供的技术以车载摄像机采集的图像序列为输入，通过似物性估计自动地确定候选道线区域中每个像素的投票权值，以Hough投票的方式检测道线在图像中的位置。
一种基于似物性估计的道线检测方法，如下：
以块扫描的形式扫描输入图像，在每个扫描位置计算块内图像数据的似物性值C；
以如下的分段函数对似物性值作映射处理，增强较大的似物性值，抑制较小的值
其中η是一个实数，且0＜η≤0.5，T1和T2是两个预设的阈值，且T1＞T2；
以处理后的似物性值CM和像素的梯度强度的乘积作为后续Hough投票的权值；
在图像平面预设两条直线，第一条直线Lver平行于图像平面的Y轴且经过前一帧图像检测所得的消失点(x0，y0)，第二条直线Lhor平行于图像平面的X轴且接近图像的底部，其Y坐标为H-ΔH，其中H为图像的高度，ΔH是一个预设的常数；
假设所检测的直线与所述第一条直线Lver存在交点(x0，ym)，且交点的Y坐标ym的取值范围为y0-ΔY≤ym≤y0+ΔY，其中ΔY为一个预设的常数；若点(x，y)有投票权值，则由点(x0，ym)和(x，y)可确定一条直线，该直线与所述第二条直线Lhor的交点可按下式计算：
对ym取值范围内的所有整数，由上述公式计算对应的xb，对每一个计算所得的(xb，ym)，在参数平面的相应位置累加投票权值；
对所有具有大于阈值的投票权值的点实施上述投票过程；
在xb-ym参数平面中搜索极大值点，由极大值点的ym和xb坐标对应的直线确定两侧的道线。
附图说明
图1示出了方框标示的四个以图像块表示的局部区域，其中的区域①和②包含了部分道线，③和④没有包含道线；
图2为对图1的4个图像块计算方向梯度分布直方图所得的结果；
图3示意了在前一帧图像计算所得的消失点设置一条垂直线，在接近图像底部设置一条水平线，由这两条直线上的交点可确定道线所在的直线；
图4为本发明实施例基于似物性估计道线检测方法的流程示意图。
具体实施方式
本发明提供一种基于似物性估计的道线检测方法。所提供的方法对输入图像以基于似物性估计的算法自动地为候选区域内的边缘点确定进行后续Hough投票的权值，由Hough投票检测得到的直线确定道线。
ADAS系统的摄像机所采集的道路图像经常包含车辆、路面破损和坑洼、路旁树木和建筑物的阴影等引入的边缘。如果不加区别地让这些区域的边缘信息参与Hough投票，则势必会引入虚假的线段，对道线检测的结果产生不良影响。
观察包含道线的道路图像，不难发现在道线区域，不仅其边缘两侧具有明显的梯度变化，而且在一条道线同侧的边缘像素具有接近的梯度方向。图1示出了一个示意图，图中示出了4个图像块，其中的块①包含了道线的左侧部分，块②则在水平方向跨越了道线区域，块③位于路面具有明显纹理的区域，块④则包含车身的边缘部分；图2是对这4个图像块计算方向梯度分布直方图所得的结果，其中的梯度方向以公式(2)计算的弧度值转换成角度表示，且将[-90，90]范围内的整数均匀量化成18个量化等级，对具有相应区间范围梯度方向的像素的梯度强度值进行累加计算形成图2所示的直方图。由图中例子容易发现，与位于非道线区域的块相比，①块和②块的直方图的分布更为集中。
基于上述观察，本发明提供了一种以如下方法计算的针对道线检测的似物性度量：首先对输入图像计算X和Y方向的梯度图像Gx和Gy，按公式(1)和公式(2)计算像素(x，y)的梯度强度和方向：
α(x，y)＝tan-1(Gy(x，y)/Gx(x，y)) (2)
其次，按公式(2)计算的值为[-π/2，π/2]范围内实数表示的弧度，将其换算成对应的[-90，90]范围内的角度值，且作均匀量化；再次，统计预设大小的块的方向梯度直方图h，其横坐标表示角度经均匀量化后的量化等级，纵坐标是块内具有该等级对应角度范围的所有像素的梯度强度之和；最后，按以下公式(3)计算以(x，y)为中心，大小为M×M的图像块的似物性度量：
其中hs代表对直方图h按由大到小排序后形成的数组，hs(1)和hs(2)是排序后数组中具有最大和次大值的元素。
注意到按上述公式(3)计算的似物性值更多地取决于区域是否包含道线的边缘部分，而对包含的区域面积不敏感，所以本发明的一个实施例对较大分辨率的图像首先进行缩小处理。具体地，对于分辨率不小于1280×720的图像，X和Y方向各缩小到其原始尺寸的二分之一；对于不小于1920×1080的图像，缩小到其原始尺寸的四分之一。
以块扫描的形式处理输入图像，若某块具有较大的C值，则该块有较大的可能性位于道线边缘区域；反之，较小的C值则对应较小的可能性。本发明的一个实施例进一步地按公式(4)的分段函数增强较大的似物性值，抑制较小的似物性值，且将处理以后的似物性值赋值给块内的所有像素：
其中η是一个实数，且0＜η≤0.5，T1和T2是两个预设的阈值，本发明的一个实施例取T1＝0.7，T2＝0.4。
对图像的每个像素，以该像素的梯度值乘以CM值作为该像素的投票权值，从而得到权值图R，具体地，计算公式如公式(5)：
R(x，y)＝CM(x，y)×G(x，y) (5)
对于大量正常安装的驾驶辅助系统，地平线通常出现在图像的中心附近，平行的道线相交于消失点没入地平面而消失不见。参照图3，设前一帧图像检测所得的消失点为(x0，y0)，则当前帧图像中左右道线的交点应该在(x0，y0)附近的位置。本发明的实施例在图像平面中设定两条直线，第一条直线Lver平行于图像平面的Y轴且经过点(x0，y0)；第二条直线Lhor平行于图像平面的X轴且接近图像的底部，其Y坐标为H-ΔH。如果检测到了道线上的一点(x，y)，设道线与Lver的交点e1的Y坐标为ym，连接e1和p成一条直线，由公式(6)可以得到该直线与Lhor的交点e2的X坐标值xb。
以xb和ym为参数，公式(6)表示了xb和ym之间的函数关系，图像平面中的任意一点(x，y)由公式(5)将映射为xb-ym平面中的一条曲线。进一步地，图像平面中位于一条直线上的点，由公式(5)将映射成xb-ym平面中的多条曲线，由于图像平面中的直线上的点有相同的xb和ym值，所以这些曲线将在xb-ym平面中交于一点。由此，若对于图像平面中具有投票权值的点，在xb-ym平面由该点确定的曲线经过的点上累加其权值，然后，通过检测xb-ym平面中的极大值点可以确定直线与Lver的交点的Y坐标ym，与Lbot的交点的X坐标xb，从而确定图像平面中的一条直线。
根据上述分析，本发明提供了一种基于似物性估计的道线检测方法，为了更具体地描述本发明，以下结合附图以及具体实施方式对本发明的技术方案进行详细说明。
如图4所示，本发明基于似物性估计的道线检测方法的流程可以包括：
步骤401，以一维梯度算子[-1，0，+1]和[-1，0，+1]T分别沿X和Y两个方向与图像作卷积运算计算X和Y方向的梯度图像Gx和Gy，按公式(1)计算每个像素(x，y)的梯度强度，按公式(2)计算梯度方向，且将计算所得以弧度表示的梯度方向转换成以角度表示。
步骤402，以ΔX和ΔY为X和Y方向的步长扫描输入图像，在每个扫描位置计算以该位置为中心，M×M大小块的方向梯度分布直方图h，其横坐标表示按步骤401计算的角度经均匀量化后的量化等级，纵坐标是块内具有该等级对应角度范围的所有像素的梯度强度之和，其中，本发明的一个实施例预设量化等级数为18。
步骤403，根据块的方向梯度分布直方图计算块所在位置的似物性值，具体地，对直方图h，按其元素从大到小排序，按公式(3)计算块所在位置的似物性值。
步骤404，按公式(4)的分段函数增强较大的似物性值，抑制较小的似物性值，且将映射处理后的似物性值记作CM。
对图像进行块扫描的时候，相邻块可以存在重叠区域，对位于重叠区域的像素，取所有覆盖所述像素的块计算所得的CM值的最大值作为该像素的CM值。
步骤405，对图像的每个像素，以该像素的梯度强度值乘以CM值作为该像素的投票权值，从而得到权值图R，具体地，计算公式如公式(5)。
步骤406，以Hough变换的方式将图像平面中每个投票权值大于预设阈值的点(x，y)以公式(6)映射成xb-ym参数平面的一条曲线，且在曲线经过的点累加权值R(x，y)。
具体地，设定参数平面的一个坐标轴对应参数xb，另一个坐标轴对应参数ym。本发明的一个实施例使用一个二维矩阵Q记录参数平面中的累加权值，且初始化所有的矩阵元素为0。签于在辅助驾驶系统中，容易保证图像中消失点位置不会在较小的时间间隔内有很大的变化，可以通过减少ym的搜索范围来减小计算代价，本发明的一个实施例设定ym的取值范围为y0-ΔY≤ym≤y0+ΔY，其中(x0，y0)为前一帧图像计算所得的消失点，ΔY是根据图像大小预设的常数，对于不大于1920×1080的图像，本发明的一个实施例取ΔY＝32；对权值图R的每个权值大于预设阈值RTH的位置，由图像平面坐标(x，y)，依次取所述ym取值范围内的所有整数，根据公式(6)计算相应的xb，在矩阵Q的(xb，ym)位置按公式(7)累加权值：
Q(xb，ym)＝Q(xb，ym)+R(x，y) (7)
步骤407，按公式(8)以窗口扫描的方式在矩阵Q中搜索满足条件的极大值位置，
Q(m，b)＝max{Q(m+u，b+v)，-BTH≤u，v≤BTH}且Q(m，b)≥QTH (8)
其中(m，b)表示矩阵中的一个搜索位置，u和v为整数，表示两个方向与搜索位置的偏离，BTH是表示窗口大小的预设值，本发明的一个实施例取BTH＝16，QTH是一个预设的阈值，本发明的一个实施例取QTH＝64。对于满足公式(8)的极大值位置，将其坐标与Q值构成一个元组(m，b，Q(m，b))，加入集合Z。
步骤408，若Z中的元素数目不多于一个预设的阈值NTH，则保留所有的极大值位置；否则对Z中的元素按其Q值从大到小排序，只保留集合中较大的NTH个元素进行后续运算。
步骤409，集合Z中的每一个坐标可确定一条直线，具体地，若有坐标(m0，b0)，则图像平面中对应的直线由两点(x0，m0)和(b0，H-ΔH)确定，其中x0为所述前一帧检测所得消失点的X方向坐标，H为图像的高度，ΔH是一个预设的常数。
步骤410，将前一个步骤确定的直线按其斜率是否为负数划分成两个集合，在斜率为负的直线集合中，选择累积了最大权值的一条直线作为左道线；在斜率为非负的直线集合中，选择累积了最大权值的一条直线作为右道线。
步骤411，更新消失点，具体地，设当前帧计算所得的左右道线的交点为(xc，yc)，前一帧的消失点为(xp，yp)，则按公式(9)更新消失点为(x0，y0)：
其中q是一个预设的常数，本发明的一个实施例取0.7≤q≤0.9。
以上所述仅为本发明的较佳实施例，但本发明的保护范围并不局限于此，凡在本发明的精神和原则之内，所做的任何修改或替换等，都应涵盖在本发明的保护范围内。
Claims (7)
1.一种基于似物性估计的道线检测方法，其特征在于，该方法包括：
以块扫描的形式扫描输入图像，在每个扫描位置计算块内图像数据的似物性值；
对似物性值作映射处理，增强较大的似物性值，抑制较小的似物性值，以映射后点的似物性值乘以该点的梯度强度作为投票权值；
在图像平面预设两条直线，以待检测的道线与所述预设的两条直线的交点坐标为参数，根据预设的参数取值范围和精度，以Hough变换的方式将图像平面中每个投票权值大于预设阈值的点变换成参数平面中的一条曲线，在曲线经过的点上累积所述点的投票权值；
在参数平面搜索极大值，由极大值位置的坐标确定直线；
将检测所得的直线按其斜率是否为负数划分成两个集合，在斜率为非负的直线集合中，选择累积了最多权值的那一条直线作为右道线；在斜率为负的直线集合中，选择累积了最多权值的那一条直线作为左道线。
2.如权利要求1所述的方法，其特征在于，在每个扫描位置计算块内图像数据的似物性值，包括：
计算X和Y方向的梯度图像Gx和Gy，按以下公式计算每个像素(x，y)的梯度强度G(x，y)和梯度方向α(x，y)，对梯度方向按预设的量化等级数作均匀量化；
<mrow>
<mi>G</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msqrt>
<mrow>
<msup>
<msub>
<mi>G</mi>
<mi>x</mi>
</msub>
<mn>2</mn>
</msup>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>+</mo>
<msup>
<msub>
<mi>G</mi>
<mi>y</mi>
</msub>
<mn>2</mn>
</msup>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
</mrow>
</msqrt>
</mrow>
α(x，y)＝tan-1(Gy(x，y)/Gx(x，y))
统计预设大小的块的方向梯度直方图h，其横坐标表示梯度方向经均匀量化后的量化等级，纵坐标是块内具有该等级对应角度范围的所有像素的梯度强度之和；
按以下公式计算以(x，y)为中心，大小为M×M的图像块的似物性值C(x，y)：
<mrow>
<mi>C</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mrow>
<msub>
<mi>h</mi>
<mi>s</mi>
</msub>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>+</mo>
<msub>
<mi>h</mi>
<mi>s</mi>
</msub>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
</mrow>
<msup>
<mi>M</mi>
<mn>2</mn>
</msup>
</mfrac>
</mrow>
其中hs代表对直方图h按由大到小排序后形成的数组，hs(1)和hs(2)是排序后数组中具有最大和次大值的元素。
3.如权利要求1或2所述的方法，其特征在于，对似物性值作映射处理，增强较大的似物性值，抑制较小的似物性值，以映射后点的似物性值乘以该点的梯度强度作为投票权值，具体包括：
以如下的分段函数对似物性值作映射处理：
<mrow>
<mi>C</mi>
<mi>M</mi>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>+</mo>
<mi>&eta;</mi>
<mo>)</mo>
<mi>C</mi>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>C</mi>
<mo>></mo>
<msub>
<mi>T</mi>
<mn>1</mn>
</msub>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>-</mo>
<mi>&eta;</mi>
<mo>)</mo>
<mi>C</mi>
</mrow>
</mtd>
<mtd>
<mrow>
<msub>
<mi>T</mi>
<mn>2</mn>
</msub>
<mo><</mo>
<mi>C</mi>
<mo>&le;</mo>
<msub>
<mi>T</mi>
<mn>1</mn>
</msub>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mn>0</mn>
</mtd>
<mtd>
<mrow>
<mi>C</mi>
<mo>&le;</mo>
<msub>
<mi>T</mi>
<mn>2</mn>
</msub>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
其中η是一个实数，且0＜η≤0.5，T1和T2是两个预设的阈值，且T1＞T2；
对像素(x，y)，按以下公式以映射后的似物性值乘以该像素的梯度强度作为投票权值：
R(x，y)＝CM(x，y)×G(x，y)。
4.如权利要求1所述的方法，其特征在于，在图像平面预设两条直线，第一条直线Lver平行于图像平面的Y轴且经过前一帧图像检测所得的消失点，第二条直线Lhor平行于图像平面的X轴且接近图像的底部，其Y坐标为H-ΔH，其中H为图像的高度，ΔH是一个预设的常数。
5.如权利要求1，3或4所述的方法，其特征在于，以待检测的道线与所述预设的两条直线的交点坐标为参数，根据预设的参数取值范围和精度，以Hough变换的方式将图像平面中每个投票权值大于预设阈值的点变换成参数平面中的一条曲线，包括：
设前一帧图像检测所得的消失点为(x0，y0)，当前帧检测所得的道线与所述第一条直线Lwer存在交点(x0，ym)，与所述第二条直线Lhor存在交点(xb，H-ΔH)，以xb和ym为参数，设定参数平面的一个坐标轴对应参数xb，另一个坐标轴对应参数ym；
预设待检测的道线与所述第一条直线Lver交点的Y坐标的取值范围为y0-ΔY≤ym≤y0+ΔY，其中ΔY为一个预设的常数，若图像平面点(x，y)的投票权值为R(x，y)，且R(x，y)大于某个预设的权值，则由点(x0，ym)和(x，y)确定一条直线，该直线与所述第二条直线Lhor的交点按下式计算：
<mrow>
<msub>
<mi>x</mi>
<mi>b</mi>
</msub>
<mo>=</mo>
<msub>
<mi>x</mi>
<mn>0</mn>
</msub>
<mo>+</mo>
<mfrac>
<mrow>
<mi>H</mi>
<mo>-</mo>
<msub>
<mi>&Delta;</mi>
<mi>H</mi>
</msub>
<mo>-</mo>
<msub>
<mi>y</mi>
<mi>m</mi>
</msub>
</mrow>
<mrow>
<mi>y</mi>
<mo>-</mo>
<msub>
<mi>y</mi>
<mi>m</mi>
</msub>
</mrow>
</mfrac>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>-</mo>
<msub>
<mi>x</mi>
<mn>0</mn>
</msub>
<mo>)</mo>
</mrow>
</mrow>
对所述ym取值范围内的所有整数，由上述公式计算对应的xb，在参数平面的(xb，ym)位置累加投票权值，计算公式如下：
Q(xb，ym)＝Q(xb，ym)+R(x，y)
其中Q是用于记录累积权值的一个二维数组。
6.如权利要求1或5所述的方法，其特征在于，在参数平面搜索极大值，由极大值位置的坐标确定直线，具体包括：
按下式以窗口扫描的方式在所述记录参数平面中累积权值的矩阵Q中搜索满足条件的极大值位置，
Q(m，b)＝max{Q(m+u，b+v)，-BTH≤u，v≤BTH}且Q(m，b)≥QTH
其中(m，b)表示矩阵中的一个搜索位置，u和v为整数，表示在两个方向与搜索位置的偏离，BTH是表示窗口大小的预设值，QTH是一个预设的阈值，对于满足上述条件的极大值位置，将其坐标与Q值构成一个元组(m，b，Q(m，b))，加入集合Z；
若Z中的元素数目小于或等于一个预设的阈值NTH，则保留所有的极大值位置，否则对Z中的元素按其Q值从大到小排序，只保留集合中较大的NTH个元素进行后续运算；
集合Z中的每一个坐标可确定一条直线，若有坐标(m0，b0)，则图像平面中对应的直线由(x0，m0)和(b0，H-ΔH)两点确定，其中x0为所述前一帧检测所得消失点的X方向坐标，H为图像的高度，ΔH是一个预设的常数。
7.如权利要求4，5或6所述的方法，其特征在于，所述消失点的计算方法包括：若前一帧计算所得的消失点为(xp，yp)，当前帧计算所得的左右道线的交点为(xc，yc)，则按下式更新当前帧的消失点坐标(x0，y0)：
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<msub>
<mi>x</mi>
<mn>0</mn>
</msub>
<mo>=</mo>
<msub>
<mi>qx</mi>
<mi>p</mi>
</msub>
<mo>+</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>-</mo>
<mi>q</mi>
<mo>)</mo>
</mrow>
<msub>
<mi>x</mi>
<mi>c</mi>
</msub>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>y</mi>
<mn>0</mn>
</msub>
<mo>=</mo>
<msub>
<mi>qy</mi>
<mi>p</mi>
</msub>
<mo>+</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>-</mo>
<mi>q</mi>
<mo>)</mo>
</mrow>
<msub>
<mi>y</mi>
<mi>c</mi>
</msub>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
其中q是一个预设的常数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710914166.8A CN107578037B (zh) | 2017-09-27 | 2017-09-27 | 一种基于似物性估计的道线检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710914166.8A CN107578037B (zh) | 2017-09-27 | 2017-09-27 | 一种基于似物性估计的道线检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107578037A true CN107578037A (zh) | 2018-01-12 |
| CN107578037B CN107578037B (zh) | 2020-10-16 |
Family
ID=61039940
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710914166.8A Expired - Fee Related CN107578037B (zh) | 2017-09-27 | 2017-09-27 | 一种基于似物性估计的道线检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107578037B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108830182A (zh) * | 2018-05-28 | 2018-11-16 | 浙江工商大学 | 一种基于级联卷积神经网络的道线检测方法 |
| CN111915883A (zh) * | 2020-06-17 | 2020-11-10 | 西安交通大学 | 一种基于车载摄像的道路交通状况检测方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103473762A (zh) * | 2013-08-29 | 2013-12-25 | 奇瑞汽车股份有限公司 | 一种车道线检测方法和装置 |
| WO2015043510A1 (zh) * | 2013-09-27 | 2015-04-02 | 比亚迪股份有限公司 | 车道线检测方法、系统、车道偏离预警方法及系统 |
| CN105678791A (zh) * | 2016-02-24 | 2016-06-15 | 西安交通大学 | 一种基于参数不唯一的车道线检测与跟踪方法 |
| 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 |
| CN106251344A (zh) * | 2016-07-26 | 2016-12-21 | 北京理工大学 | 一种基于视觉感受野的多尺度红外目标自适应检测方法 |
-
2017
- 2017-09-27 CN CN201710914166.8A patent/CN107578037B/zh not_active Expired - Fee Related
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103473762A (zh) * | 2013-08-29 | 2013-12-25 | 奇瑞汽车股份有限公司 | 一种车道线检测方法和装置 |
| WO2015043510A1 (zh) * | 2013-09-27 | 2015-04-02 | 比亚迪股份有限公司 | 车道线检测方法、系统、车道偏离预警方法及系统 |
| 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 |
| CN105678791A (zh) * | 2016-02-24 | 2016-06-15 | 西安交通大学 | 一种基于参数不唯一的车道线检测与跟踪方法 |
| CN106251344A (zh) * | 2016-07-26 | 2016-12-21 | 北京理工大学 | 一种基于视觉感受野的多尺度红外目标自适应检测方法 |
Non-Patent Citations (6)
| Title |
|---|
| BOGDAN ALEXE等: "Measuring the Objectness of Image Windows", 《IEEE TRANSACTIONS ON PATTERN ANALYSIS AND MACHINE INTELLIGENCE》 * |
| LEANDRO A.F. FERNANDES等: "Real-time line detection through an improved Hough transform voting scheme", 《PATTERN RECOGNITION》 * |
| 刘涛等: "基于似物性的快速视觉目标识别算法", 《计算机科学》 * |
| 李星等: "基于HOG特征和SVM的前向车辆识别方法", 《计算机科学》 * |
| 程鹏等: "一种基于梯度Hough变换和SVM的圆检测算法", 《计算机与现代化》 * |
| 韩廷卯: "视频人体检测算法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108830182A (zh) * | 2018-05-28 | 2018-11-16 | 浙江工商大学 | 一种基于级联卷积神经网络的道线检测方法 |
| CN108830182B (zh) * | 2018-05-28 | 2020-08-07 | 浙江工商大学 | 一种基于级联卷积神经网络的道线检测方法 |
| CN111915883A (zh) * | 2020-06-17 | 2020-11-10 | 西安交通大学 | 一种基于车载摄像的道路交通状况检测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107578037B (zh) | 2020-10-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Cheng et al. | Extraction and classification of road markings using mobile laser scanning point clouds | |
| US11989951B2 (en) | Parking detection method, system, processing device and storage medium | |
| CN105005771B (zh) | 一种基于光流点轨迹统计的车道线实线的检测方法 | |
| CN106203398B (zh) | 一种检测车道边界的方法、装置和设备 | |
| CN105760812B (zh) | 一种基于Hough变换的车道线检测方法 | |
| CN103324930B (zh) | 一种基于灰度直方图二值化的车牌字符分割方法 | |
| CN109583267B (zh) | 车辆用目标检测方法、车辆用目标检测装置和车辆 | |
| CN105678285B (zh) | 一种自适应的道路鸟瞰图变换方法和道路车道检测方法 | |
| JP2917661B2 (ja) | 交通流計測処理方法及び装置 | |
| US9373043B2 (en) | Method and apparatus for detecting road partition | |
| CN106156752B (zh) | 一种基于逆投影三视图的车型识别方法 | |
| CN106503627A (zh) | 一种基于视频分析的车辆避让行人检测方法 | |
| CN109635733B (zh) | 基于视觉显著性和队列修正的停车场和车辆目标检测方法 | |
| CN104376297A (zh) | 道路上的线型指示标志的检测方法和装置 | |
| CN107392139A (zh) | 一种基于霍夫变换的车道线检测方法及终端设备 | |
| WO2008020544A1 (en) | Vehicle detection device, vehicle detection method, and vehicle detection program | |
| CN108171695A (zh) | 一种基于图像处理的高速公路路面检测方法 | |
| DE102018129993A1 (de) | Verfahren zur fahrzeugdetektion, verfahren zur fahrzeugdetektion bei nacht auf basis von dynamischer lichtintensität und system dafür | |
| CN105005989A (zh) | 一种弱对比度下的车辆目标分割方法 | |
| CN109635737A (zh) | 基于道路标记线视觉识别辅助车辆导航定位方法 | |
| CN105678287A (zh) | 一种基于脊度量的车道线检测方法 | |
| CN108021849B (zh) | 一种行人预警方法及装置 | |
| CN107578037A (zh) | 一种基于似物性估计的道线检测方法 | |
| CN111079541A (zh) | 一种基于单目视觉的道路停止线检测方法 | |
| CN104331708B (zh) | 一种人行横道线自动检测分析方法及系统 |
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 | ||
| CF01 | Termination of patent right due to non-payment of annual fee | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20201016 |