CN107748882B - 一种车道线检测方法及装置 - Google Patents
一种车道线检测方法及装置 Download PDFInfo
- Publication number
- CN107748882B CN107748882B CN201711182513.9A CN201711182513A CN107748882B CN 107748882 B CN107748882 B CN 107748882B CN 201711182513 A CN201711182513 A CN 201711182513A CN 107748882 B CN107748882 B CN 107748882B
- Authority
- CN
- China
- Prior art keywords
- gradient
- value
- image
- determining
- subset
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
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
Abstract
本申请提供一种车道线检测方法及装置,涉及汽车辅助驾驶技术领域,该方法包括:确定待检测图像的梯度图像;根据所述梯度图像中像素点的梯度值与第一设定条件确定二值化阈值;根据所述二值化阈值得到所述梯度图像的二值化图像;若所述二值化图像中白色像素点的梯度值与黑色像素点的梯度值之间满足第二设定条件,则确定所述待检测图像中存在车道线。应用该方法,可以提高检测道路上是否存在车道线的检测结果的准确度,节省系统计算资源。
Description
技术领域
本申请涉及汽车辅助驾驶技术领域,尤其涉及一种车道线检测方法及装置。
背景技术
车道线检测识别是汽车辅助驾驶系统(Advanced Driver Assistance System,ADAS)中的重要环节,同时也是一项计算量较大的环节。在车辆实际行驶过程中,车辆会经过一些并没有车道线的区域,例如十字路口,因此,若在车辆行驶过程中,汽车辅助驾驶系统持续进行车道线的检测,不仅浪费系统计算资源,也很有可能导致检测错误,而对驾驶员造成干扰。
基于此,现有技术中提出,对车辆获取到的道路图像进行二值化处理,在得到的二值化图像中,白色像素点即表示车道线,通过计算白色像素点占整个二值化图像的比例来判断当前监测区域中是否存在车道线。若存在车道线,则再进一步进行车道线的检测处理,若不存在车道线,则可以不对该道路图像进行车道线的检测处理,从而节省系统计算资源。
然而,在实际情况下,由于光照、车道线磨损等因素,使用单一的阈值对道路图像进行二值化处理,很可能使得二值化图像中白色像素点的数量相对于真实的车道线而言并不准确,例如,道路上原本并不存在车道线,但由于道路磨损,再加上光照影响,在二值化图像上会呈现很多的白色像素点,因此,根据白色像素点占整个二值化图像的比例来判断当前监测区域中是否存在车道线的结果并不准确。
发明内容
有鉴于此,为了解决现有技术中采用单一阈值对道路图像进行二值化处理,使得二值化图像中白色像素点的数量相对于真实的车道线而言并不准确,导致后续根据白色像素点占整个二值化图像的比例来判断当前监测区域中是否存在车道线的结果并不准确的问题,本申请提供一种车道线检测方法及装置,以提高检测道路上是否存在车道线的检测结果的准确度,节省系统计算资源。
具体地,本申请是通过如下技术方案实现的:
根据本申请实施例的第一方面,提供一种车道线检测方法,所述方法包括:
确定待检测图像的梯度图像;
根据所述梯度图像中像素点的梯度值与第一设定条件确定二值化阈值;
根据所述二值化阈值得到所述梯度图像的二值化图像;
若所述二值化图像中白色像素点的梯度值与黑色像素点的梯度值之间满足第二设定条件,则确定所述待检测图像中存在车道线。
可选的,所述根据所述梯度图像中像素点的梯度值确定二值化阈值,包括:
将所述梯度图像中所有像素点的梯度值所组成的数据集确定为目标数据集;
对所述目标数据集进行下述处理:
根据预设的梯度参数将所述目标数据集划分为第一子集和第二子集;
若所述第一子集与所述第二子集之间满足第一设定条件,则在所述目标数据集中确定新的目标数据集;返回执行对所述目标数据集进行处理的步骤;
若所述第一子集与所述第二子集之间不满足所述第一设定条件,则根据所述第一子集和所述第二子集确定二值化阈值。
可选的,在所述将所述梯度图像中所有像素点的梯度值所组成的数据集确定为目标数据集之后,所述方法还包括:
确定所述目标数据集中梯度值的平均梯度值、最小值以及最大值,将所述平均梯度值设为所述梯度参数;
所述根据预设的梯度参数将所述目标数据集划分为第一子集和第二子集,包括:
将所述目标数据集中小于所述平均梯度值,且大于所述最小值的梯度值划分到第一子集中;将所述目标数据集中不小于所述平均梯度值,且小于所述最大值的梯度值划分到第二子集中。
可选的,在所述根据预设的梯度参数将所述目标数据集划分为第一子集和第二子集之后,所述方法还包括:
在所述第一子集中,确定个数最多的第一梯度值,并在所述第二子集中,确定个数最多的第二梯度值;
所述第一设定条件包括:所述第二梯度值与所述第一梯度值之间的差值大于2;
所述在所述目标数据集中确定新的目标数据集,包括:
在所述目标数据集中,将不小于所述第一梯度值且不大于所述第二梯度值的梯度值所组成的数据集确定为新的目标数据集。
可选的,所述若所述第一子集与所述第二子集之间不满足所述第一设定条件,则根据所述第一子集和所述第二子集确定二值化阈值,包括:
若所述第二梯度值与所述第一梯度值之间的差值等于2,则将所述第一梯度值与所述第二梯度值的中间值确定为二值化阈值;
若所述第二梯度值与所述第一梯度值之间的差值等于1,则分别确定所述第二梯度值与所述第一梯度值各自的个数比例;将个数比例最高的梯度值确定为二值化阈值。
可选的,所述方法还包括:
确定所述待检测图像中像素点的平均灰度值Mw;
确定所述二值化图像中白色像素点的第一梯度均值Mr;
确定所述二值化图像中黑色像素点的第二梯度均值Mb;
若所述Mw小于预设的灰度阈值T2,所述设定条件为:所述Mr与所述Mb之间的差值大于预设的第一梯度阈值T4。
可选的,若所述Mw不小于所述T2,所述方法还包括:
在所述梯度图像中,将梯度值大于预设的梯度阈值Td的像素点确定为边缘像素点;
计算出所述边缘像素点的第三梯度均值Md;
所述第二设定条件为:所述Mr与所述Mb之间的差值大于预设的第二梯度阈值T3,且所述Md大于预设的第三梯度阈值T1。
若所述Mw小于所述T2,所述第二设定条件为:所述Md大于预设的第四梯度阈值T5。
根据本申请实施例的第二方面,提供一种车道线检测装置,所述装置包括:
第一图像确定模块,用于确定待检测图像的梯度图像;
阈值确定模块,用于根据所述梯度图像中像素点的梯度值与第一设定条件确定二值化阈值;
第二图像确定模块,根据所述二值化阈值得到所述梯度图像的二值化图像;
判定模块,用于若所述二值化图像中白色像素点的梯度值与黑色像素点的梯度值之间满足第二设定条件,则确定所述待检测图像中存在车道线。
可选的,所述阈值确定模块包括:
目标确定子模块,用于将所述梯度图像中所有像素点的梯度值所组成的数据集确定为目标数据集;
划分子模块,用于根据预设的梯度参数将所述目标数据集划分为第一子集和第二子集;
第一处理子模块,用于若所述第一子集与所述第二子集之间满足第一设定条件,则在所述目标数据集中确定新的目标数据集;返回执行所述划分子模块所执行的根据预设的梯度参数将所述目标数据集划分为第一子集和第二子集的过程;
第二处理子模块,用于若所述第一子集与所述第二子集之间不满足所述第一设定条件,则根据所述第一子集与所述第二子集确定二值化阈值。
可选的,所述装置还包括:
参数确定模块,用于确定所述目标数据集中梯度值的平均梯度值、最小值以及最大值,将所述平均梯度值设为所述梯度参数;
所述划分子模块,具体用于:将所述目标数据集中小于所述平均梯度值,且大于所述最小值的梯度值划分到第一子集中;将所述目标数据集中不小于所述平均梯度值,且小于所述最大值的梯度值划分到第二子集中。
可选的,所述装置还包括:
峰值确定模块,用于在所述第一子集中,确定个数最多的第一梯度值,并在所述第二子集中,确定个数最多的第二梯度值;
所述第一设定条件包括:所述第二梯度值与所述第一梯度值之间的差值大于2;
所述第一处理子模块,具体用于:在所述目标数据集中,将不小于所述第一梯度值且不大于所述第二梯度值的梯度值所组成的数据集确定为新的目标数据集。
可选的,所述第二处理子模块包括:
第一确定子模块,用于若所述第二梯度值与所述第一梯度值之间的差值等于2,则将所述第一梯度值与所述第二梯度值的中间值确定为二值化阈值;
第二确定子模块,用于若所述第二梯度值与所述第一梯度值之间的差值等于1,则分别确定所述第二梯度值与所述第一梯度值各自的个数比例;将个数比例最高的梯度值确定为二值化阈值。
可选的,所述装置还包括:
灰度平均值确定模块,用于确定所述待检测图像中像素点的平均灰度值Mw;
第一梯度均值确定模块,用于确定所述二值化图像中白色像素点的第一梯度均值Mr;
第二梯度均值确定模块,用于确定所述二值化图像中黑色像素点的第二梯度均值Mb;
若所述Mw小于预设的灰度阈值T2,所述设定条件为:所述Mr与所述Mb之间的差值大于预设的第一梯度阈值T4。
可选的,所述装置还包括:
边缘确定模块,用于在所述梯度图像中,将梯度值大于预设的梯度阈值Td的像素点确定为边缘像素点;
边缘均值计算模块,用于计算出所述边缘像素点的第三梯度均值Md;
所述第二设定条件为:所述Mr与所述Mb之间的差值大于预设的第二梯度阈值T3,且所述Md大于预设的第三梯度阈值T1。
若所述Mw小于所述T2,所述第二设定条件为:所述Md大于预设的第四梯度阈值T5。
根据本申请实施例的第三方面,提供一种车道线检测终端,包括存储器、处理器、通信接口、摄像头组件,以及通信总线;
其中,所述存储器、处理器、通信接口、摄像头组件通过所述通信总线进行相互间的通信;
所述摄像头组件,用于采集待检测图像,并通过所述通信总线将所述待检测图像发送至所述处理器;
所述存储器,用于存放计算机程序;
所述处理器,用于执行所述存储器上所存放的计算机程序,所述处理器执行所述计算机程序时对所述待检测图像实现本申请实施例提供的任一车道线检测方法的步骤。
根据本申请实施例的第四方面,提供一种计算机可读存储介质,所述计算机可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时实现本申请实施例提供的任一车道线检测方法的步骤。
由上述实施例可见,通过确定待检测图像的梯度图像,根据梯度图像中像素点的梯度值与第一设定条件确定二值化阈值,根据二值化阈值得到梯度图像的二值化图像,若二值化图像中白色像素点的梯度值与黑色像素点的梯度值之间满足第二设定条件,则确定待检测图像中存在车道线。
由于二值化阈值是根据梯度图像中像素点的梯度值确定的,而梯度值可以较好的表示出边缘信息,且梯度值不受光照影响,因此基于梯度值所确定的二值化阈值可以较好地适应当前场景,从而后续根据该二值化阈值对梯度图像进行二值化处理,所得到的二值化图像中,白色像素点即表示车道线,黑色像素点即表示道路,也即,本申请可以实现前景和背景的准确区分,那么,后续在根据白色像素点,即前景的梯度值与黑色像素点,即背景的梯度值可以准确地确定待检测图像中是否存在车道线;同时,由于基于梯度值确定二值化阈值的过程中,无需针对每一梯度值均进行一些计算过程,而是通过少量的迭代计算过程即可确定出二值化阈值,从而,本申请提出的基于梯度值确定二值化阈值的过程效率较高,可以避免系统资源的浪费。
综上所述,本申请实施例提供的车道线检测方法可以提高检测道路上是否存在车道线的检测结果的准确度,同时节省系统计算资源。
附图说明
图1A为道路图像的灰度图像的一种示例;
图1B是对图1A所示例的道路图像进行二值化处理后的示意图;
图2A为道路图像的灰度图像的另一示例;
图2B是对图2A所示例的道路图像进行二值化处理后的示意图;
图3A为道路图像的灰度图像的再一示例;
图3B是对图3A所示例的道路图像进行二值化处理后的示意图;
图4为本申请车道线检测方法的一个实施例流程图;
图5为本申请车道线检测方法的另一个实施例流程图;
图6为本申请车道线检测装置的一个实施例框图;
图7为本申请车道线检测装置所在车道线检测终端的一种硬件结构图。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
在本申请使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本申请。在本申请和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。还应当理解,本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解,尽管在本申请可能采用术语第一、第二、第三等来描述各种信息,但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如,在不脱离本申请范围的情况下,第一信息也可以被称为第二信息,类似地,第二信息也可以被称为第一信息。取决于语境,如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。
车道线检测识别是汽车辅助驾驶系统(Advanced Driver Assistance System,ADAS)中的重要环节,其主要是利用实际道路上车道线的直线特性,从车载的摄像机采集到的道路图像中识别出车道线,以实现当车辆偏离车道时进行报警,从而辅助驾驶员减少因偏离车道而发生交通事故。
然而目前,在车辆实际行驶过程中,车辆会经过一些并没有车道线的区域,例如十字路口,因此,若在车辆行驶过程中,汽车辅助驾驶系统持续进行车道线的检测,不仅浪费系统计算资源,也很有可能导致检测错误,而对驾驶员造成干扰。
基于此,现有技术中提出一种基于道路图像检测道路上是否存在车道线的方法,在该方法中,通过常规的二值化处理方法,即采用单一的二值化阈值对车载摄像机采集到的道路图像进行二值化处理,例如,如图1A所示,为原始道路图像的灰度图像的一种示例,该图1A所示例的道路图像是在白天场景下正常拍摄的,如图1B所示,是对图1A所示例的道路图像进行二值化处理后的示意图,对比图1A,可以发现,在图1B中,白色像素点即表示车道线,那么,则可以通过计算出白色像素点占道路区域的比例,以根据该比例来判断道路上是否存在车道线。当判断得出道路上存在车道线时,再进一步基于图1A所示例的道路图像进行车道线的检测;当判断得出道路上不存在车道线时,则可以跳过图1A所示例的道路图像,即不对该道路图像进行处理,由此可见,通过该方法可以节省系统计算资源。
然而,在实际情况下,由于黑夜、光照,道路磨损等情况,上述方法的判断结果很可能并不准确。举例来说,如图2A所示,为道路图像的灰度图像的另一示例,该图2A所示例的道路图像是在光照场景下拍摄的,且道路已有磨损,如图2B所示,是对图2A所示例的道路图像进行二值化处理后的示意图,对比图2A,可以发现,在图2B中,白色像素点中包含非车道线的像素点,这也就是说,若将所有的白色像素点看作车道线,会使得图像中很多像素点被误判定为车道线,从而,后续依据白色像素点占道路区域的比例来判断道路上是否存在车道线的判断结果并不准确。
再举例来说,如图3A所示,为道路图像的灰度图像的再一示例,如图3B所示,是对图3A所示例的道路图像进行二值化处理后的示意图,该图3A所示例的道路图像是在光照场景下拍摄的,且道路中并不存在车道线,但由于车道磨损,再加上光照影响,导致图3A所示例的二值化图像中存在很多白色像素点,那么,后续依据白色像素点占道路区域的比例来判断道路上是否存在车道线的判断结果很可能为“道路上存在车道线”,由此可见,该判断结果并不准确。
基于上述描述,本申请提供一种车道线检测方法,以提高检测道路上是否存在车道线的检测结果的准确度,节省系统计算资源。
为了使本领域技术人员可以清楚地理解本申请提供的车道线检测方法,示出下述实施例进行详细说明。
实施例一:
请参见图4,为本申请车道线检测方法的一个实施例流程图,包括以下步骤:
步骤401:确定待检测图像的梯度图像。
在本申请实施例中,可以将摄像机采集到的道路图像作为待检测图像,也可以在该道路图像上划定感兴趣区域,将感兴趣区域对应的部分图像作为待检测图像,本申请对此并不作限制。
本领域技术人员可以理解的是,可以采用多种方式在道路图像上确定感兴趣区域,例如,可以通过人工选框的方式在道路图像上框定感兴趣区域,又例如,可以通过预设的高度比例(例如下3/4部分)在道路图像上截取感兴趣区域,再例如,可以将道路消失点以下的部分确定为感兴趣区域,本申请对在道路图像上确定感兴趣区域的具体过程不做限制。
在本申请实施例中,首先确定待检测图像的梯度图像,具体的,可以采用任意梯度模板,例如Roberts梯度、Sobel梯度、Prewitt梯度,或者Laplacian梯度,确定待检测图像的梯度图像,本申请对此并不作限制,且确定梯度图像的具体过程本领域技术人员可以参见现有技术中的相关描述,本申请对此不再过多着墨。
步骤402:根据梯度图像中像素点的梯度值与第一设定条件确定二值化阈值。
在本申请实施例中,基于“常规的二值化处理方法使用固定单一的二值化阈值难以适用于复杂场景”这一考虑,提出了动态的二值化阈值。
现有技术中,存在一种自适应的二值化阈值确定方法,称为大津法(简称OTSU),大津法确定二值化阈值的基本原理为:按照图像的灰度特性,使用阈值将图像分成背景和前景两部分,背景和前景之间的类间方差越大,说明背景和前景的差别越大,当部分前景错分为背景,或部分背景错分为前景,都会导致背景和前景的差别变小,因此,使背景和前景之间的类间方差越大,以为前景和背景错分的概率最小。基于这一基本原理,大津法的基本过程为:将图像中出现的每一灰阶值依次作为阈值,将图像分成背景和前景两部分,计算两部分之间的类间方差,最终,选取最大的类间方差所对应的阈值作为二值化阈值,这也就是说,现有的大津法需要针对图像中出现的每一灰阶计算出前景与背景的类间方差,因此,大津法计算量较大。
基于此,本申请实施例中提出一种改进的二值化方法,以实现针对不同场景,使用不同的二值化阈值,该改进的二值化方法的基本原理是:根据梯度图像中像素点的梯度值与第一设定条件确定二值化阈值。
该改进的二值化方法通过少量的迭代计算过程即可确定出二值化阈值,该改进的二值化方法确定二值化阈值的具体过程请参见下述实施例二中的详细描述,在此先不作详述。
步骤403:根据二值化阈值得到梯度图像的二值化图像。
步骤404:若二值化图像中白色像素点的梯度值与黑色像素点的梯度值之间满足第二设定条件,则确定待检测图像中存在车道线。
在本申请实施例中,可首先基于“白天场景下,拍摄到的道路图像较亮,灰度值较高,夜间场景下拍摄到的道路图像较暗,灰度值较低”这一原理,确定待检测图像是在白天场景下拍摄的,还是在夜间场景下拍摄的。
具体的,可以确定待检测图像中像素点的平均灰度值,为了描述方便,将该平均灰度值记为Mw,将该Mw与预设的灰度阈值T2进行比较,若比较得出该Mw大于T2,则可以认为该待检测图像是在白天场景下拍摄的;若比较得出该Mw不大于T2,则可以认为该待检测图像是在夜间场景下拍摄的。
如下,对上述确定待检测图像中像素点的平均灰度值Mw的过程进行描述:
在一个可选的实现方式中,可以将待检测图像中所有像素点的灰度值进行累加,得到灰度值和,再使用该灰度值和除以待检测图像中像素点的总个数,即可得到待检测图像中像素点的平均灰度值Mw。
在另一可选的实现方式中,首先确定待检测图像中所包括的灰度值,之后,统计得到每一灰度值各自对应的像素点的个数,再针对每一灰度值,计算出该灰度值对应的像素点的个数占待检测图像中的像素点总个数的比例,再将该比例与该灰度值作乘,得到该灰度值对应的比例值,最后将每一灰度值对应的比例值进行累加,即可得到待检测图像中像素点的平均灰度值Mw。举例来说,假设待检测图像中共包括3种灰度值,分别为M1、M2、M3,每一灰度值对应的像素点的个数占像素点总个数的比例分别为R1、R2、R3,那么,则可以使用如下公式(一)计算得出平均灰度值Mw。
Mw=M1*R1+M2*R2+M3*R3公式(一)
本领域技术人员可以理解的是,上述所描述的两种可选的实现方式仅仅作为举例,在实际应用中可能还存在其他确定平均灰度值Mw的方式,本申请对此并不作限制。
至此,完成对确定待检测图像中像素点的平均灰度值Mw这一过程的相关描述。
在本申请实施例中,考虑到:对于存在车道线的道路而言,在白天场景下,前景,也即车道线的梯度值较大,而背景的梯度值较小,这也就是说,在白天场景下,前景与背景的梯度值之间的差别较大;在夜间场景下,由于道路图像整体较暗,因此前景与背景之间的差别较小,从而,针对待检测图像所对应的不同场景采取不同的判断过程。
如下,首先针对在白天场景下拍摄得到的待检测图像,确定该待检测图像中是否存在车道线的过程进行描述:
在本申请实施例中,按照上述描述,在白天场景下拍摄得到的待检测图像中,像素点的平均灰度值Mw不小于预设的灰度阈值T2,在该情况下,首先在步骤401得到的梯度图像中,将梯度值大于预设的梯度阈值的像素点确定为边缘像素点,之后,计算出这些边缘像素点的梯度均值,记为Md,若Md大于预设的梯度阈值T1,则可以认为道路图像中存在较强的边缘,有可能包含车道线,反之,若Md不大于T1,则可以认为道路图像中不存在较强的边缘,也就是说,道路图像中梯度分布较为均为,此时,则可以认为道路图像中不包括车道线。
在上述过程中,认为道路图像中有可能包含车道线,也即Md大于预设的梯度阈值T1时,需要做进一步检测:
具体的,确定步骤403得到的二值化图像中前景像素点,也即白色像素点的梯度均值,记为Mr,并确定该二值化图像中背景像素点,也即黑色像素点的梯度均值,记为Mb。
在一个可选的实现方式中,确定白色像素点所包括的梯度值,之后,统计得到每一梯度值各自对应的白色像素点的个数,再针对每一梯度值,计算出该梯度值对应的白色像素点的个数占待检测图像中的像素点总个数的比例,再将该比例与该梯度值作乘,得到该梯度值对应的比例值,最后将每一梯度值对应的比例值进行累加,即可得到白色像素点的梯度值Mr。
确定黑色像素点的梯度均值Mb的实现方式可以参见上述确定白色像素点的梯度均值Mr的实现方式,在此不再详述。
基于上述描述,若白色像素点的梯度均值Mr与黑色像素点的梯度均值Mb之间的差值较大,例如大于预设的梯度阈值T3,则可以确定待检测图像中存在车道线。
相应的,若白色像素点的梯度均值Mr与黑色像素点的梯度均值Mb之间的差值较小,例如不大于预设的梯度阈值T3,则可以确定待检测图像中不存在车道线。
综上所述,若待检测图像中像素点的平均灰度值Mw不小于预设的灰度阈值T2,第二设定条件可以为:白色像素点的梯度均值Mr与黑色像素点的梯度均值Mb之间的差值大于预设的梯度阈值T3,且待检测图像中边缘像素点的第三梯度均值Md大于预设的梯度阈值T1。
至此,完成对针对在白天场景下,拍摄得到待检测图像,确定待检测图像中是否存在车道线过程的相关描述。
其次,针对在夜间场景下拍摄得到的待检测图像,确定该待检测图像中是否存在车道线的过程进行描述:
按照上述描述,在夜间场景下拍摄得到的待检测图像中,像素点的平均灰度值Mw小于预设的灰度阈值T2,在该情况下,由于道路图像整体较暗,前景与背景之间的差别较小,可以基于两个判断条件来确定待检测图像中是否存在车道线。
其一,可以判断梯度图像中边缘像素点的梯度均值Md,是否大于预设的梯度阈值T5,若Md大于预设的梯度阈值T5,则可以确定待检测图像中存在较强的边缘,包含车道线。
其二,可以判断白色像素点的梯度均值Mr与黑色像素点的梯度均值Mb之间的差值是否大于预设的梯度阈值T4,若该差值大于T4,则可以确定待检测图像中存在车道线。
需要说明的是,只有当Md不大于预设的梯度阈值T5,且白色像素点的梯度均值Mr与黑色像素点的梯度均值Mb之间的差值不大于预设的梯度阈值T4时,才确定待检测图像中不存在车道线。
综上所述,若待检测图像中像素点的平均灰度值Mw小于预设的灰度阈值T2,第二设定条件可以为:待检测图像中边缘像素点的第三梯度均值Md大于预设的第四梯度阈值T5,或者为:白色像素点的梯度均值Mr与黑色像素点的梯度均值Mb之间的差值大于预设的第一梯度阈值T4。
至此,完成对针对在夜间场景下,拍摄得到待检测图像,确定待检测图像中是否存在车道线过程的相关描述。
此外,在本申请实施例中,需要说明的是,上述T5与T1,T4与T3之间的关系可以如下所示:
T5≤T1;T4≤T3。
由上述实施例可见,通过确定待检测图像的梯度图像,根据梯度图像中像素点的梯度值与第一设定条件确定二值化阈值,根据二值化阈值得到梯度图像的二值化图像,若二值化图像中白色像素点的梯度值与黑色像素点的梯度值之间满足第二设定条件,则确定待检测图像中存在车道线。
由于二值化阈值是根据梯度图像中像素点的梯度值确定的,而梯度值可以较好的表示出边缘信息,且梯度值不受光照影响,因此基于梯度值所确定的二值化阈值可以较好地适应当前场景,从而后续根据该二值化阈值对梯度图像进行二值化处理,所得到的二值化图像中,白色像素点即表示车道线,黑色像素点即表示道路,也即,本申请可以实现前景和背景的准确区分,那么,后续在根据白色像素点,即前景的梯度值与黑色像素点,即背景的梯度值可以准确地确定待检测图像中是否存在车道线;同时,由于基于梯度值确定二值化阈值的过程中,无需针对每一梯度值均进行一些计算过程,而是通过少量的迭代计算过程即可确定出二值化阈值,从而,本申请提出的基于梯度值确定二值化阈值的过程效率较高,可以避免系统资源的浪费。
综上所述,本申请实施例提供的车道线检测方法可以提高检测道路上是否存在车道线的检测结果的准确度,同时节省系统计算资源。
至此,完成实施例一的相关描述。
实施例二:
请参见图5,为本申请车道线检测方法的另一个实施例流程图,该图5所示方法着重描述根据梯度图像中像素点的梯度值与第一设定条件确定二值化阈值的过程,包括以下步骤:
步骤501:将梯度图像中所有像素点的梯度值所组成的数据集确定为目标数据集。
本申请实施例中,首先将梯度图像中所有像素点的梯度值所组成的数据集确定为目标数据集,例如,假设梯度图像中共有256个像素点,则目标数据集中包括256个元素。
步骤502:确定目标数据集中梯度值的平均梯度值、最小值以及最大值,将平均梯度值设为梯度参数。
本申请实施例中,可以确定目标数据集中梯度值,例如上述256个元素的平均值,为了描述方便,将该平均值称为平均梯度值,记为Mp,将该平均梯度值Mp设为梯度参数。
步骤503:根据梯度参数将目标数据集划分为第一子集和第二子集。
后续,在目标数据集中,将小于Mp,且大于最小值的梯度值划分到一个子集中,为了描述方便,将该子集称为第一子集;将不小于Mp,且小于最大值的梯度值划分到另一个子集中,为了描述方便,将该子集称为第二子集。
步骤504:确定第一子集与第二子集之间是否满足第一设定条件,若是,则执行步骤505;否则,执行步骤506。
在本步骤中,确定第一子集中出现个数最多的梯度值,为了描述方便,将该梯度值称为第一梯度值,同样的,确定第二子集中出现个数最多的梯度值,为了描述方便,将该梯度值称为第二梯度值。
此外,需要说明的是,若第一子集中出现两个以上个数最多的梯度值,那么则可以在该两个以上梯度值中选择较小的梯度值作为第一梯度值;相应的,若第二子集中出现两个以上个数最多的梯度值,那么则可以在该两个以上梯度值中选择较大的梯度值作为第一梯度值。
在本申请实施例中,第一设定条件可以为:第二梯度值与第一梯度值之间的差值大于2。若第一子集与第二子集之间满足第一设定条件,则继续执行步骤505;若第一子集与第二子集之间不满足第一设定条件,则执行步骤506。
步骤505:在目标数据集中确定新的目标数据集,返回执行步骤503。
在本申请实施例中,若第一子集与第二子集之间满足第一设定条件,则在当前的目标数据集中,找出所有不小于第一梯度值且不大于第二梯度值的元素,将这些元素所组成的数据集确定为新的目标数据集。
对该新的目标数据集进行处理,即返回执行上述步骤503。
步骤506:根据第一子集和第二子集确定二值化阈值。
在本申请实施例中,若第一子集与第二子集之间不满足第一设定条件,则可以根据当前的第二梯度值与第一梯度值确定二值化阈值,具体的:
若第二梯度值与第一梯度值之间的差值等于2,则将第一梯度值与第二梯度值的中间值确定为二值化阈值,例如,假设第一梯度值为N,第二梯度值为N+2,那么,二值化阈值为N+1;
若第二梯度值与第一梯度值之间的差值等于1,则可以分别确定第二梯度值与第一梯度值各自的个数比例,将个数比例最高的梯度值确定为二值化阈值,例如,假设第一梯度值的个数比例为40%,第二梯度值的个数比例为20%,那么,则可以将第一梯度值确定为二值化阈值。
此外,需要说明的是,若在上述迭代过程中,出现第一子集为空或者是第二子集为空的情况,则可以将当前的梯度参数,即Mp取整后作为二值化阈值。
为了使本领域技术人员可以更加清楚地理解本申请提供的动态确定二值化阈值的过程,示出如下举例:
假设梯度图像中具有48个像素点,该48个像素点的梯度值分布情况如下述表1所示:
表1
梯度值 | 像素点个数 |
1 | 5 |
2 | 10 |
3 | 8 |
4 | 3 |
5 | 4 |
6 | 5 |
7 | 6 |
8 | 1 |
9 | 2 |
10 | 4 |
按照上述描述,可以将上述表1所示例的48个像素点的梯度值所组成的数据集称为目标数据集,通过计算可以得出该目标数据集的平均梯度值为4.56,也即梯度参数为4.56,并且,该目标数据集中的最小值为1,最大值为10,根据上述描述,可以将表1所示例的目标数据集划分成两个子集,其中,第一子集如下述表2所示,第二子集如下述表3所示:
表2
梯度值 | 像素点个数 |
2 | 10 |
3 | 8 |
4 | 3 |
表3
梯度值 | 像素点个数 |
5 | 4 |
6 | 5 |
7 | 6 |
8 | 1 |
9 | 2 |
上述表2所示例的第一子集中,个数最多的第一梯度值为2,上述表3所示例的第二子集中,个数最多的第二梯度值为7,此时,第一梯度值2与第二梯度值7之间的差值大于2,那么,则可以在上述表1所示例的目标数据集中,将不小于2,且不大于7的梯度值所组成的数据集确定为新的目标数据集,该新的目标数据集可以如下述表4所示:
表4
梯度值 | 像素点个数 |
2 | 10 |
3 | 8 |
4 | 3 |
5 | 4 |
6 | 5 |
7 | 6 |
通过计算可以得出上述表4所示例的目标数据集的平均梯度值为4.1,也即梯度参数为4.1,并且表4所示例的目标数据集中的最小值为2,最大值为7,根据上述描述,可以将表4所示例的目标数据集划分成两个子集,其中,第一子集如下述表5所示,第二子集如下述表6所示:
表5
梯度值 | 像素点个数 |
3 | 8 |
4 | 3 |
表6
梯度值 | 像素点个数 |
5 | 4 |
6 | 5 |
上述表5所示例的第一子集中,个数最多的第一梯度值为3,上述表6所示例的第二子集中,个数最多的第二梯度值为6,此时,第一梯度值3与第二梯度值6之间的差值大于2,那么,则可以在上述表4所示例的目标数据集中,将不小于3,且不大于6的梯度值所组成的数据集确定为新的目标数据集,该新的目标数据集可以如下述表7所示:
表7
梯度值 | 像素点个数 |
3 | 8 |
4 | 3 |
5 | 4 |
6 | 5 |
通过计算可以得出上述表7所示例的目标数据集的平均梯度值为4.3,也即梯度参数为4.3,并且表7所示例的目标数据集中的最小值为3,最大值为6,根据上述描述,可以将表7所示例的目标数据集划分成两个子集,其中,第一子集如下述表8所示,第二子集如下述表9所示:
表8
梯度值 | 像素点个数 |
4 | 3 |
表9
梯度值 | 像素点个数 |
5 | 4 |
上述表8所示例的第一子集中,个数最多的第一梯度值为4,上述表6所示例的第二子集中,个数最多的第二梯度值为5,此时,该第一梯度值4与第二梯度值之间的差值小于2,那么,按照上述描述,则可以将像素点个数最多的梯度值5确定为二值化阈值。
由上述实施例可见,由于二值化阈值是根据梯度图像中像素点的梯度值确定的,而梯度值可以较好的表示出边缘信息,且梯度值不受光照影响,从而基于梯度值所确定的二值化阈值可以较好地适应当前场景;并且,通过比较现有技术中利用大津法确定动态二值化阈值的过程,与本申请提供的基于梯度值确定动态二值化阈值的过程,可以得知,在大津法中,需针对每一灰阶均进行前景背景的区分,以及前景与背景之间类间方差的计算,最后再确定出最大类间方差,将最大类间方差对应的灰阶确定为二值化阈值,由此可见,大津法的整个计算过程很繁杂,而在本申请中,只需有限的几步迭代计算过程,即可得到二值化阈值,从而,相较于大津法而言,本申请提供的基于梯度值确定动态二值化阈值的过程效率较高,节省系统计算资源。
与前述车道线检测方法的实施例相对应,本申请还提供了车道线检测装置的实施例。
请参考图6,为本申请车道线检测装置的一个实施例框图,该装置包括:第一图像确定模块61、阈值确定模块62、第二图像确定模块63、判断模块64。
其中,第一图像确定模块61,可以用于确定待检测图像的梯度图像;
阈值确定模块62,可以用于根据所述梯度图像中像素点的梯度值与第一设定条件确定二值化阈值;
第二图像确定模块63,可以用于根据所述二值化阈值得到所述梯度图像的二值化图像;
判定模块64,用于若所述二值化图像中白色像素点的梯度值与黑色像素点的梯度值之间满足第二设定条件,则确定所述待检测图像中存在车道线。
在一实施例中,所述阈值确定模块62可以包括(图6中未示出):
目标确定子模块,用于将所述梯度图像中所有像素点的梯度值所组成的数据集确定为目标数据集;
划分子模块,用于根据预设的梯度参数将所述目标数据集划分为第一子集和第二子集;
第一处理子模块,用于若所述第一子集与所述第二子集之间满足第一设定条件,则在所述目标数据集中确定新的目标数据集;返回执行所述划分子模块所执行的根据预设的梯度参数将所述目标数据集划分为第一子集和第二子集的过程;
第二处理子模块,用于若所述第一子集与所述第二子集之间不满足所述第一设定条件,则根据所述第一子集与所述第二子集确定二值化阈值。
在一实施例中,所述装置还可以包括(图6中未示出):
参数确定模块,用于确定所述目标数据集中梯度值的平均梯度值、最小值以及最大值,将所述平均梯度值设为所述梯度参数;
所述划分子模块,具体用于:将所述目标数据集中小于所述平均梯度值,且大于所述最小值的梯度值划分到第一子集中;将所述目标数据集中不小于所述平均梯度值,且小于所述最大值的梯度值划分到第二子集中。
在一实施例中,所述装置还可以包括(图6中未示出):
峰值确定模块,用于在所述第一子集中,确定个数最多的第一梯度值,并在所述第二子集中,确定个数最多的第二梯度值;
所述第一设定条件包括:所述第二梯度值与所述第一梯度值之间的差值大于2;
所述第一处理子模块,具体用于:在所述目标数据集中,将不小于所述第一梯度值且不大于所述第二梯度值的梯度值所组成的数据集确定为新的目标数据集。
在一实施例中,所述第二处理子模块可以包括(图6中未示出):
第一确定子模块,用于若所述第二梯度值与所述第一梯度值之间的差值等于2,则将所述第一梯度值与所述第二梯度值的中间值确定为二值化阈值;
第二确定子模块,用于若所述第二梯度值与所述第一梯度值之间的差值等于1,则分别确定所述第二梯度值与所述第一梯度值各自的个数比例;将个数比例最高的梯度值确定为二值化阈值。
在一实施例中,所述装置还可以包括(图6中未示出):
灰度平均值确定模块,用于确定所述待检测图像中像素点的平均灰度值Mw;
第一梯度均值确定模块,用于确定所述二值化图像中白色像素点的第一梯度均值Mr;
第二梯度均值确定模块,用于确定所述二值化图像中黑色像素点的第二梯度均值Mb;
若所述Mw小于预设的灰度阈值T2,所述设定条件为:所述Mr与所述Mb之间的差值大于预设的第一梯度阈值T4。
在一实施例中,所述装置还可以包括(图6中未示出):
边缘确定模块,用于在所述梯度图像中,将梯度值大于预设的梯度阈值Td的像素点确定为边缘像素点;
边缘均值计算模块,用于计算出所述边缘像素点的第三梯度均值Md;
所述第二设定条件为:所述Mr与所述Mb之间的差值大于预设的第二梯度阈值T3,且所述Md大于预设的第三梯度阈值T1。
若所述Mw小于所述T2,所述第二设定条件为:所述Md大于预设的第四梯度阈值T5。
上述装置中各个单元的功能和作用的实现过程具体详见上述方法中对应步骤的实现过程,在此不再赘述。
本申请车道线检测装置的实施例可以应用在车道线检测终端上。装置实施例可以通过软件实现,也可以通过硬件或者软硬件结合的方式实现。以软件实现为例,作为一个逻辑意义上的装置,是通过其所在车道线检测终端的处理器将非易失性存储器中对应的计算机程序指令读取到内存中运行形成的。从硬件层面而言,如图7所示,为本申请车道线检测装置所在车道线检测终端的一种硬件结构图,其中,处理器701是该车道线检测装置700的控制中心,利用各种接口和线路连接整个该车道线检测装置的各个部分,通过运行或执行存储在存储器702内的软件程序和/或模块,以及调用存储在存储器702内的数据,执行车道线检测装置700的各种功能和处理数据,从而对该车道线检测装置进行整体监控。
可选的,处理器701可包括(图7中未示出)一个或多个处理核心;可选的,处理器701可集成应用处理器和调制解调处理器,其中,应用处理器主要处理操作系统、用户界面和应用程序等,调制解调处理器主要处理无线通信。可以理解的是,上述调制解调处理器也可以不集成到处理器701中。
存储器702可用于存储软件程序以及模块,处理器801通过运行存储在存储器702的软件程序以及模块,从而执行各种功能应用以及数据处理。存储器702主要包括(图7中未示出)存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序等;存储数据区可存储根据车道线检测装置700的使用所创建的数据(比如采集到的图像、计算得到的视差图像或者处理得到的灰度图像)等。
此外,存储器702可以包括(图7中未示出)高速随机存取存储器,还可以包括(图7中未示出)非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。相应地,存储器702还可以包括(图7中未示出)存储器控制器,以提供处理器701对存储器702的访问。
在一些实施例中,装置700还可选包括有:外围设备接口703和至少一个外围设备。处理器701、存储器702和外围设备接口703之间可以通信总线或信号线(图7中未示出)相连。各个外围设备可以通信总线或信号线与外围设备接口703相连。具体地,外围设备可以包括:射频组件704、触摸显示屏705、摄像头组件706、音频组件707、定位组件708和电源组件709中的至少一种。
其中,摄像头组件706用于采集待检测图像。可选地,摄像头组件706可以包括至少两个摄像头。在一些实施例中,至少两个摄像头可以分别为双目摄像头中的左右摄像头。
在一些实施例中,摄像头组件706还可以包括闪光灯。闪光灯可以是单色温闪光灯,也可以是双色温闪光灯。双色温闪光灯是指暖光闪光灯和冷光闪光灯的组合,可以用于不同色温下的光线补偿。
除了图7所示例的各个硬件之外,实施例中装置所在的车道线检测终端通常根据该车道线检测终端的实际功能,还可以包括其他硬件,对此不再赘述。
本领域技术人员可以理解的是,图7所示例的车道线检测终端可以应用在汽车上,也可以应用在电脑、智能手机等其他设备上,本申请对此并不作限制。
本申请还提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现本申请提供的任一车道线检测方法的步骤。
对于装置实施例而言,由于其基本对应于方法实施例,所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本申请方案的目的。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
以上所述仅为本申请的较佳实施例而已,并不用以限制本申请,凡在本申请的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本申请保护的范围之内。
Claims (9)
1.一种车道线检测方法,其特征在于,所述方法包括:
确定待检测图像的梯度图像;
根据所述梯度图像中像素点的梯度值与第一设定条件确定二值化阈值;
根据所述二值化阈值得到所述梯度图像的二值化图像;
若所述二值化图像中白色像素点的梯度值与黑色像素点的梯度值之间满足第二设定条件,则确定所述待检测图像中存在车道线。
2.根据权利要求1所述的方法,其特征在于,所述根据所述梯度图像中像素点的梯度值与第一设定条件确定二值化阈值,包括:
将所述梯度图像中所有像素点的梯度值所组成的数据集确定为目标数据集;
对所述目标数据集进行下述处理:
根据预设的梯度参数将所述目标数据集划分为第一子集和第二子集;
若所述第一子集与所述第二子集之间满足第一设定条件,则在所述目标数据集中确定新的目标数据集;返回执行对所述目标数据集进行处理的步骤;
若所述第一子集与所述第二子集之间不满足所述第一设定条件,则根据所述第一子集和所述第二子集确定二值化阈值。
3.根据权利要求2所述的方法,其特征在于,在所述将所述梯度图像中所有像素点的梯度值所组成的数据集确定为目标数据集之后,所述方法还包括:
确定所述目标数据集中梯度值的平均梯度值、最小值以及最大值,将所述平均梯度值设为所述梯度参数;
所述根据预设的梯度参数将所述目标数据集划分为第一子集和第二子集,包括:
将所述目标数据集中小于所述平均梯度值,且大于所述最小值的梯度值划分到第一子集中;将所述目标数据集中不小于所述平均梯度值,且小于所述最大值的梯度值划分到第二子集中。
4.根据权利要求2所述的方法,其特征在于,在所述根据预设的梯度参数将所述目标数据集划分为第一子集和第二子集之后,所述方法还包括:
在所述第一子集中,确定个数最多的第一梯度值,并在所述第二子集中,确定个数最多的第二梯度值;
所述第一设定条件包括:所述第二梯度值与所述第一梯度值之间的差值大于2;
所述在所述目标数据集中确定新的目标数据集,包括:
在所述目标数据集中,将不小于所述第一梯度值且不大于所述第二梯度值的梯度值所组成的数据集确定为新的目标数据集。
5.根据权利要求4所述的方法,其特征在于,所述若所述第一子集与所述第二子集之间不满足所述第一设定条件,则根据所述第一子集和所述第二子集确定二值化阈值,包括:
若所述第二梯度值与所述第一梯度值之间的差值等于2,则将所述第一梯度值与所述第二梯度值的中间值确定为二值化阈值;
若所述第二梯度值与所述第一梯度值之间的差值等于1,则分别确定所述第二梯度值与所述第一梯度值各自的个数比例;将个数比例最高的梯度值确定为二值化阈值。
6.根据权利要求1所述的方法,其特征在于,所述方法还包括:
确定所述待检测图像中像素点的平均灰度值Mw;
确定所述二值化图像中白色像素点的第一梯度均值Mr;
确定所述二值化图像中黑色像素点的第二梯度均值Mb;
若所述Mw不小于所述T2,所述方法还包括:
在所述梯度图像中,将梯度值大于预设的梯度阈值Td的像素点确定为边缘像素点;计算出所述边缘像素点的第三梯度均值Md;所述第二设定条件为:所述Mr与所述Mb之间的差值大于预设的第二梯度阈值T3,且所述Md大于预设的第三梯度阈值T1;
若所述Mw小于预设的灰度阈值T2,所述第二设定条件为:所述Mr与所述Mb之间的差值大于预设的第一梯度阈值T4,或者所述Md大于预设的第四梯度阈值T5。
7.一种车道线检测装置,其特征在于,所述装置包括:
第一图像确定模块,用于确定待检测图像的梯度图像;
阈值确定模块,用于根据所述梯度图像中像素点的梯度值与第一设定条件确定二值化阈值;
第二图像确定模块,根据所述二值化阈值得到所述梯度图像的二值化图像;
判定模块,用于若所述二值化图像中白色像素点的梯度值与黑色像素点的梯度值之间满足第二设定条件,则确定所述待检测图像中存在车道线。
8.一种车道线检测终端,其特征在于,包括存储器、处理器、通信接口、摄像头组件,以及通信总线;
其中,所述存储器、处理器、通信接口、摄像头组件通过所述通信总线进行相互间的通信;
所述摄像头组件,用于采集待检测图像,并通过所述通信总线将所述待检测图像发送至所述处理器;
所述存储器,用于存放计算机程序;
所述处理器,用于执行所述存储器上所存放的计算机程序,所述处理器执行所述计算机程序时对所述待检测图像实现权利要求1-6任一所述方法的步骤。
9.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时实现权利要求1-6任一所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711182513.9A CN107748882B (zh) | 2017-11-23 | 2017-11-23 | 一种车道线检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711182513.9A CN107748882B (zh) | 2017-11-23 | 2017-11-23 | 一种车道线检测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107748882A CN107748882A (zh) | 2018-03-02 |
CN107748882B true CN107748882B (zh) | 2020-10-20 |
Family
ID=61251527
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711182513.9A Active CN107748882B (zh) | 2017-11-23 | 2017-11-23 | 一种车道线检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107748882B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108629292B (zh) * | 2018-04-16 | 2022-02-18 | 海信集团有限公司 | 弯曲车道线检测方法、装置及终端 |
CN111429396B (zh) * | 2019-01-09 | 2023-08-22 | 银河水滴科技(北京)有限公司 | 一种图像检测方法及装置 |
CN112183413A (zh) * | 2020-09-30 | 2021-01-05 | 东风柳州汽车有限公司 | 一种车位检测方法、装置、存储介质及车辆 |
CN112752093B (zh) * | 2020-12-25 | 2022-08-16 | 浙江大华技术股份有限公司 | 视频条纹检测方法、装置、存储介质及电子装置 |
CN112862686B (zh) * | 2021-02-19 | 2023-10-27 | 杭州国科微电子有限公司 | 一种基于明暗线条的去马赛克方法、装置、设备及介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104112279A (zh) * | 2013-04-19 | 2014-10-22 | 浙江大华技术股份有限公司 | 一种目标检测方法及装置 |
CN105159630A (zh) * | 2014-05-26 | 2015-12-16 | 联想(北京)有限公司 | 一种获取标记物的标识的方法及装置 |
CN105426863A (zh) * | 2015-11-30 | 2016-03-23 | 奇瑞汽车股份有限公司 | 检测车道线的方法和装置 |
CN105740809A (zh) * | 2016-01-28 | 2016-07-06 | 东南大学 | 一种基于机载摄像机的高速公路车道线检测方法 |
CN106295491A (zh) * | 2016-03-09 | 2017-01-04 | 北京智芯原动科技有限公司 | 车道直线检测方法及装置 |
US20170017848A1 (en) * | 2015-07-17 | 2017-01-19 | Magna Electronics Inc. | Vehicle parking assist system with vision-based parking space detection |
-
2017
- 2017-11-23 CN CN201711182513.9A patent/CN107748882B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104112279A (zh) * | 2013-04-19 | 2014-10-22 | 浙江大华技术股份有限公司 | 一种目标检测方法及装置 |
CN105159630A (zh) * | 2014-05-26 | 2015-12-16 | 联想(北京)有限公司 | 一种获取标记物的标识的方法及装置 |
US20170017848A1 (en) * | 2015-07-17 | 2017-01-19 | Magna Electronics Inc. | Vehicle parking assist system with vision-based parking space detection |
CN105426863A (zh) * | 2015-11-30 | 2016-03-23 | 奇瑞汽车股份有限公司 | 检测车道线的方法和装置 |
CN105740809A (zh) * | 2016-01-28 | 2016-07-06 | 东南大学 | 一种基于机载摄像机的高速公路车道线检测方法 |
CN106295491A (zh) * | 2016-03-09 | 2017-01-04 | 北京智芯原动科技有限公司 | 车道直线检测方法及装置 |
Non-Patent Citations (1)
Title |
---|
基于视觉的车道线检测与车辆识别技术研究;刘冠宇;《中国优秀硕士学位论文全文数据库 信息科技辑》;20160315(第03期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN107748882A (zh) | 2018-03-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107748882B (zh) | 一种车道线检测方法及装置 | |
CN108629292B (zh) | 弯曲车道线检测方法、装置及终端 | |
US9846823B2 (en) | Traffic lane boundary line extraction apparatus and method of extracting traffic lane boundary line | |
CN111047615B (zh) | 基于图像的直线检测方法、装置以及电子设备 | |
CN111862228B (zh) | 遮挡检测的方法、系统、计算机设备和可读存储介质 | |
US11482016B2 (en) | Division line recognition apparatus | |
CN108629763B (zh) | 一种视差图的评判方法、装置及终端 | |
CN110929655B (zh) | 一种行驶过程中车道线识别方法、终端设备及存储介质 | |
CN112598922B (zh) | 车位检测方法、装置、设备及存储介质 | |
JP2021051802A (ja) | 付着物検出装置、付着物検出方法 | |
US8520898B2 (en) | Method and system for determining a region of interest in an image | |
CN111783573B (zh) | 一种远光灯检测方法、装置及设备 | |
CN111027535A (zh) | 一种车牌识别方法及相关设备 | |
CN108052921B (zh) | 一种车道线检测方法、装置及终端 | |
CN112597846A (zh) | 车道线检测方法、装置、计算机设备和存储介质 | |
KR101236223B1 (ko) | 차선 검출 방법 | |
CN113808135B (zh) | 图像亮度异常检测方法、电子设备及存储介质 | |
CN108090425B (zh) | 一种车道线检测方法、装置及终端 | |
US10970592B2 (en) | Adhering substance detection apparatus and adhering substance detection method | |
JP2021050931A (ja) | 付着物検出装置、および付着物検出方法 | |
JP2020095631A (ja) | 画像処理装置および画像処理方法 | |
CN112784817B (zh) | 车辆所在车道检测方法、装置、设备及存储介质 | |
CN114298987A (zh) | 一种反光条检测方法及装置 | |
CN113902740A (zh) | 图像模糊程度评价模型的构建方法 | |
US11195032B2 (en) | Image processing device and image processing method detecting vehicle parking space |
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 |