CN107766847A - 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
- CN107766847A CN107766847A CN201711168750.XA CN201711168750A CN107766847A CN 107766847 A CN107766847 A CN 107766847A CN 201711168750 A CN201711168750 A CN 201711168750A CN 107766847 A CN107766847 A CN 107766847A
- Authority
- CN
- China
- Prior art keywords
- depth
- pixel
- straight line
- value
- 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
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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Traffic Control Systems (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本申请提供一种车道线检测方法及装置,涉及图像处理技术领域,所述方法包括:得到待检测图像的二值化图像,并在所述二值化图像上检测直线;确定所述直线上像素点的深度参数,所述深度参数用于表示所述像素点对应的监测场景中的实物点相对于摄像机的距离;根据所述深度参数,确定用于表示所述直线长度的深度范围与用于表示所述直线上点分布的深度分布情况;若所述深度范围满足第一设定条件,且所述深度分布情况满足第二设定条件,则确定所述直线为车道线。应用该方法,可以提高车道线检测的效率,以及车道线检测结果的准确度。
Description
技术领域
本申请涉及图像处理技术领域,尤其涉及一种车道线检测方法及装置。
背景技术
车道偏离预警系统可以通过报警的方式辅助驾驶员减少因车道偏离而发生交通事故,而在车道偏离预警系统的工作流程中,车道线检测识别是一项尤其重要的环节。
现有技术中,主要利用车道的直线特性从车载摄像机拍摄到的道路图像中识别出车道,具体的,可以对道路图像进行二值化处理,得到灰度图像,在利用霍夫线检测方式在该灰度图像上检测出直线,然后,通过直线距离以及角度这两个参数对检测出的直线进行筛选,以确定表示车道的直线。
然而,在实际情况下,常常有多辆车在道路上行驶,当有车辆超车时,车道线将被该超车车辆遮挡住,并且,在基于此时拍摄到的道路图像进行直线检测时,该超车车辆上的一些像素点也会被检测为直线,当该直线的角度与车道线角度相近时,会出现将该直线误判为车道线的情况,尤其是在夜间行驶的场景下,由于道路上光线较暗,而受车辆灯光影响,车辆上的光线则较亮,那么,在道路图像上,车辆将具有明显的边缘,从而将车辆上的直线误判为车道线的可能性更高。
发明内容
有鉴于此,为了解决现有技术中很可能将障碍物边缘误判为车道线的问题,本申请提供一种车道线检测方法及装置,以提高车道线检测结果的准确度。
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:
得到待检测图像的二值化图像,并在所述二值化图像上检测直线;
确定所述直线上像素点的深度参数,所述深度参数用于表示所述像素点对应的监测场景中的实物点相对于摄像机的距离;
根据所述深度参数,确定用于表示所述直线长度的深度范围与用于表示所述直线上点分布的深度分布情况;
若所述深度范围满足第一设定条件,且所述深度分布情况满足第二设定条件,则确定所述直线为车道线。
可选的,所述深度参数为下述其中一项:
深度值、视差值;
所述确定所述直线上像素点的深度参数,包括:
得到所述待检测图像的深度图或视差图;
在所述深度图或视差图上确定所述直线对应的像素点,将所述直线对应的像素点的像素值确定为深度参数。
可选的,所述根据所述深度参数,确定用于表示所述直线长度的深度范围与用于表示所述直线上点分布的深度分布情况,包括:
确定所述直线上像素点对应的深度参数中的最大深度值与最小深度值;
统计所述深度参数对应的像素点个数。
可选的,所述第一设定条件包括:
所述最大深度值与最小深度值之间差值的绝对值大于预设的深度阈值。
可选的,在统计所述深度参数对应的像素点个数之后,还包括:
确定所述深度参数对应的像素点个数中的最大个数值;
所述第二设定条件包括:所述最大个数值小于预设的个数阈值。
可选的,在统计所述深度参数对应的像素点个数之后,还包括:
计算所述像素点个数的方差;
所述第二设定条件包括:所述方差小于预设的方差阈值。
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:
直线检测模块,用于得到待检测图像的二值化图像,并在所述二值化图像上检测直线;
深度确定模块,用于确定所述直线上像素点的深度参数,所述深度参数用于表示所述像素点对应的监测场景中的实物点相对于摄像机的距离;
统计模块,用于根据所述深度参数,确定用于表示所述直线长度的深度范围与用于表示所述直线上点分布的深度分布情况;
判定模块,用于若所述深度范围满足第一设定条件,且所述深度分布情况满足第二设定条件,则确定所述直线为车道线。
可选的,所述深度参数为下述其中一项:
深度值、视差值;
所述深度确定模块包括:
获取子模块,用于得到所述待检测图像的深度图或视差图;
确定子模块,用于在所述深度图或视差图上确定所述直线对应的像素点,将所述直线对应的像素点的像素值确定为深度参数。
可选的,所述统计模块包括:
范围确定子模块,用于确定所述直线上像素点对应的深度参数中的最大深度值与最小深度值;
分布确定子模块,用于统计所述深度参数对应的像素点个数。
可选的,所述第一设定条件包括:
所述最大深度值与最小深度值之间差值的绝对值大于预设的深度阈值。
可选的,所述装置还包括:
最大值确定模块,用于确定所述深度参数对应的像素点个数中的最大个数值;
所述第二设定条件包括:所述最大个数值小于预设的个数阈值。
可选的,所述装置还包括:
方差计算模块,用于计算所述像素点个数的方差;
所述第二设定条件包括:所述方差小于预设的方差阈值。
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,通过得到待检测图像的二值化图像,并在二值化图像上检测直线,确定直线上像素点的深度参数,根据深度参数得到直线的在待检测图像上检测到的每一条直线的深度范围与深度分布情况,其中,深度范围可以表示出直线对应的实际物体与摄像机之间的实际距离范围,深度分布情况可以表示出该实际物体在不同距离处的分布情况,将深度范围满足第一设定条件,且深度分布情况满足第二设定条件的直线确定为车道线。
由于深度参数并不受光线影响,从而根据深度参数所确定出的深度范围与深度分布情况可以较为准确地显示出直线对应的实际物体与摄像机之间的距离以及分布情况;同时,由于第一设定条件是基于实际路面上车道线向远处伸展且车道线较长这一特征设定的,第二设定条件是基于实际路面上车道线在不同距离处宽窄一致,分布均匀这一特征设定的,从而,若直线的深度范围符合第一设定条件,并且深度分布情况符合第二设定条件,则可以将该直线确定为车道线。
综上所述,最终确定的车道线符合实际路面上车道线的特征,从而最终确定的车道线的准确度较高。
附图说明
图1A为本申请车道线检测方法的一个实施例流程图;
图1B为待检测图像的一种示例;
图1C为图1B所示例的待检测图像的二值化图像的一种示例;
图1D为在二值化图像上检测到的直线的一种示例;
图1E为深度分布图的一种示例;
图2为本申请车道检测装置的一个实施例框图;
图3为本申请车道检测装置的另一个实施例框图;
图4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”。
为了解决现有技术中有可能将路面上障碍物的边缘误判成车道线,而影响车道偏离预警系统工作效果的问题,本申请提出一种车道线检测方法及装置,以提高车道线检测结果的准确度。
如下,列出下述实施例对本申请提出的车道线检测方法进行说明。
请参见图1A,为本申请车道线检测方法的一个实施例流程图,该方法可以包括以下步骤:
步骤101:得到待检测图像的二值化图像,并在二值化图像上检测直线。
本申请实施例中,可以由摄像机采集道路图像,其中,该摄像机可以设置在车辆上,称为车载摄像机,该摄像机可以为双目摄像机,双目摄像机的左摄像头和右摄像头可以分别采集到一幅道路图像,其中,对于摄像机的数量不做限制,可以是一个或者多个。
本申请实施例中,可以将该两幅道路图像作为待检测图像,也可以在该两幅道路图像上各自划定感兴趣区域,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。
以感兴趣区域对应的部分图像作为待检测图像为例,如图1B所示,为待检测图像的一种示例。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(例如上3/4部分)在道路图像上截取感兴趣区域,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。
本步骤中,以对其中一幅待检测图像进行处理为例:
首先对图1B所示例的待检测图像进行灰度处理,得到灰度图像,之后,再基于设定的二值化阈值,将灰度图像中大于或等于该二值化阈值的像素点确定为特定物体,将该像素点的像素值设置为255,其他像素点则被排除在特定物体区域以外,将该其他像素点的像素值设置为0,从而得到图1B所示例的待检测图像的二值化图像,例如,如图1C所示,为图1B所示例的待检测图像的二值化图像的一种示例。
后续,针对图1C所示例的二值化图像,首先利用边缘检测算法,例如Canny边缘检测算法求取出边缘像素点,再利用霍夫变换对每一个像素值为255的边缘像素点进行投影,具体的,将像素值为255的边缘像素点,根据公式ρ=x*cosθ+y*sinθ,利用极坐标参数(ρ,θ)表示,之后针对每一对极坐标参数进行统计计数,选取出计数值最高的极坐标参数,该极坐标参数即决定一条直线。如上,通过霍夫线线检测技术,可以得到至少一条直线。
此外,在本申请实施例中,为了提高后续车道线检测的效率,当通过霍夫线检测技术在图1C所示例的图像上检测得到至少一条直线后,可以通过直线的直线距离ρ与角度θ排除掉明显不符合车道线特征的直线,例如,排除掉明显的直线距离ρ过短的直线,后续,再执行下述步骤。如图1D所示,为在二值化图像上检测到的直线的一种示例,在图1D中,包括3条直线,为了描述方便,将该3条直线分别编号为1#、2#、3#。
本领域技术人员可以理解的是,图1D中所示例的3条直线仅仅作为举例,在实际应用中,可以检测得到多条直线,本申请对此并不作限制。
步骤102:确定直线上像素点的深度参数,该深度参数用于表示像素点对应的监测场景中的实物点相对于摄像机的距离。
在本申请实施例中,以图1D中所示例的直线1#为例,可以确定该直线上每一像素点的深度参数,该深度参数可以用于表示像素点对应的监测场景中的实物点相对于摄像机的距离。
基于上述深度参数的物理意义,在一个可选的实现方式中,可以通过主动测距传感技术、TOF技术、激光扫描技术等等,获取图1B所示例的待检测图像的深度图,在该深度图中,每一像素点的深度值,也即像素值则可以表示像素点对应的监控场景中的实物点相对于车载摄像机的距离。那么,可以在该深度图上确定直线1#对应的像素点,获取这些像素点的像素值,也即获取到了直线1#上像素点的深度参数。
在另一可选的实现方式中,可以通过立体特征匹配算法获取步骤101中所描述的两幅待检测图像的视差图,在该视差图中,每一像素点的视差值,也即像素值则可以表示像素点对应的监控场景中的实物点相对于摄像机的距离。那么,可以在该视差图上确定直线1#对应的像素点,获取这些像素点的像素值,也即获取到了直线1#上像素点的深度参数。
本领域技术人员可以理解的是,对于监测场景中的一个实物点而言,该实物点在深度图上的深度值与在视差图上的视差值之间满足固定关系,该固定关系可以如下述公式(一)所示。
在上述公式(一)中,Z表示深度值,B为车载摄像机的基线长度,F为车载摄像机的焦距,d为视差值。
基于此,在本申请实施例中,使用视差值作为深度参数与使用深度值作为深度参数具有等价意义。
步骤103:根据所述深度参数确定用于表示所述直线长度的深度范围与用于表示所述直线上点分布的深度分布情况。
本步骤中继续以图1D中所示例的直线1#为例:
首先确定该直线上每一像素点对应的深度参数中的最大值与最小值,为了描述方便,将该最大值称为最大深度值,将该最小值称为最小深度值,那么,该直线的深度范围则可以表示为[最小深度值,最大深度值],该深度范围可以表示直线的长度。
其次,可以统计出用于表示该直线上点分布的深度分布情况,具体的,即统计出每一深度参数对应的像素点个数。举例来说,假设该直线上具有6个像素点,该6个像素点的视差值分别为120、60、130、120、120、60,那么,该直线的深度分布情况则可以如下述表1所示:
表1
本领域技术人员可以理解的是,上述表1中所示例的6个像素点仅仅作为举例,本申请对直线上像素点的个数并不作限制。
至于是如何确定图1D中所示例的直线2#和直线3#各自的深度范围与深度分布情况的,可以参见上述确定直线1#的深度范围与深度分布情况的描述,本申请对此不再详述。
在一实施例中,确定每一条直线的深度范围与深度分布情况后,可以绘制深度分布图,例如,如图1E所示,为深度分布图的一种示例,在该深度分布图中,横轴可以表示深度值,纵轴则表示深度值对应的像素点个数。本领域技术人员可以理解的是,通过图1E所示例的深度分布图,可以直观地显示出每一条直线的深度范围与深度分布情况。
步骤104:若深度范围满足第一设定条件,且深度分布情况满足第二设定条件,则确定直线为车道线。
在本申请实施例中,基于“路面上真实的车道线较长,从而车道线的深度变化范围也较大,而障碍物,例如其他车辆边缘较短,即深度变化范围较小”这样的考虑,可以针对深度范围设置第一设定条件,具体为最大深度值与最小深度值之间差值的绝对值大于预设的深度阈值,也即深度范围超过一定范围阈值。
同时,在本申请实施例中,基于“路面上真实的车道线为连续直线,其在不同距离处宽窄一致,均匀分布,从而其深度分布也较为均匀”这样的考虑,则可以基于步骤103所得到的深度分布情况来判断步骤101中所检测到的直线的深度分布是否均匀来判断该直线是否为车道线。
具体的,在一个可选的实现方式中,在步骤103中统计得到每一深度参数对应的像素点个数之后,可以继续确定这些像素点个数中的最大个数值,确定该最大个数值是否满足第二设定条件,该第二设定条件具体可以为:最大个数值小于预设的个数阈值,若该最大个数值满足该第二设定条件,则可以认为直线的深度分布均匀。
同理,在另一个可选的实现方式中,在步骤103中统计得到每一深度参数对应的像素点个数之后,可以继续确定每一深度参数对应的个数比例,即每一深度参数对应的像素点个数占图像中像素点总个数的比值,后续,可以继续确定这些个数比例中的最大比例值,确定该最大比例值是否满足第二设定条件,该第二设定条件具体可以为:最大比例值小于预设的比例阈值,若该最大比例值满足该第二设定条件,则可以认为直线的深度分布均匀。
在再一个可选的实现方式中,在步骤103中统计得到每一深度参数对应的像素点个数之后,可以计算出这些像素点个数的方差,由方差的数学概念可知,若方差越大,表示样本中数据越为离散,反之,若方差越小,则表示样本中数据越为集中,基于此,第二设定条件可以为:方差小于预设的方差阈值,从而,若计算出的方差满足该第二设定条件,则可以认为直线的深度分布均匀。
在本申请实施例中,若直线的深度范围满足第一设定条件,同时直线的深度分布情况满足第二设定条件,则可以确定该直线为车道线。
相应的,若直线的深度范围不满足第一设定条件,和/或,直线的深度分布情况不满足第二设定条件,则可以确定该直线不为车道线。
为了使本领域技术人员可以直观地理解本申请提出的车道线检测方法,结合图1E所示例的深度分布图进行说明:如图1E所示,从深度范围这一角度而言,直线3#的深度范围较小,并不满足第一设定条件;从深度分布情况这一角度而言,直线2#在两个深度参数d1和d2处的分布较其他深度参数处出现明显密集,从而直线2#的深度分布并不均匀,而直线1#的深度范围满足第一设定条件,同时直线1#的深度分布较为均匀,从而直线1#最可能为车道线。
由上述实施例可见,通过得到待检测图像的二值化图像,并在二值化图像上检测直线,确定直线上像素点的深度参数,根据深度参数得到直线的在待检测图像上检测到的每一条直线的深度范围与深度分布情况,其中,深度范围可以表示出直线对应的实际物体与摄像机之间的实际距离范围,深度分布情况可以表示出该实际物体在不同距离处的分布情况,将深度范围满足第一设定条件,且深度分布情况满足第二设定条件的直线确定为车道线。
由于深度参数并不受光线影响,从而根据深度参数所确定出的深度范围与深度分布情况可以较为准确地显示出直线对应的实际物体与摄像机之间的距离以及分布情况;同时,由于第一设定条件是基于实际路面上车道线向远处伸展且车道线较长这一特征设定的,第二设定条件是基于实际路面上车道线在不同距离处宽窄一致,分布均匀这一特征设定的,从而,若直线的深度范围符合第一设定条件,并且深度分布情况符合第二设定条件,则可以将该直线确定为车道线。
综上所述,最终确定的车道线符合实际路面上车道线的特征,从而最终确定的车道线的准确度较高。
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2,为本申请车道检测装置的一个实施例框图,该装置可以包括:直线检测模块21、深度确定模块22、统计模块23、判定模块24。
其中,该直线检测模块21,可以用于得到待检测图像的二值化图像,并在所述二值化图像上检测直线;
该深度确定模块22,可以用于确定所述直线上像素点的深度参数,所述深度参数用于表示所述像素点对应的监测场景中的实物点相对于摄像机的距离;
该统计模块23,可以用于根据所述深度参数,确定用于表示所述直线长度的深度范围与用于表示所述直线上点分布的深度分布情况;
该判定模块24,用于若所述深度范围满足第一设定条件,且所述深度分布情况满足第二设定条件,则确定所述直线为车道线。
在一实施例中,所述深度参数为下述其中一项:深度值、视差值。
请参考图3,为本申请车道检测装置的另一个实施例框图,该装置在上述图2所示装置的基础上,其中,深度确定模块22可以包括获取子模块221、确定子模块222;统计模块23可以包括范围确定子模块231、分布确定子模块232。
其中,该获取子模块221,可以用于得到所述待检测图像的深度图或视差图;
该确定子模块222,可以用于在所述深度图或视差图上确定所述直线对应的像素点,将所述直线对应的像素点的像素值确定为深度参数。
该范围确定子模块231,可以用于确定所述直线上像素点对应的深度参数中的最大深度值与最小深度值;
该分布确定子模块232,可以用于统计所述深度参数对应的像素点个数。
在一实施例中,所述第一设定条件可以包括:所述最大深度值与最小深度值之间差值的绝对值大于预设的深度阈值。
在一实施例中,所述装置还可以包括(图3中未示出):
最大值确定模块,用于确定所述深度参数对应的像素点个数中的最大个数值;
所述第二设定条件可以包括:所述最大个数值小于预设的个数阈值。
在一实施例中,所述装置还可以包括(图3中未示出):
方差计算模块,用于计算所述像素点个数的方差;
所述第二设定条件包括:所述方差小于预设的方差阈值。
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4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401是该车道线检测装置400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402内的软件程序和/或模块,以及调用存储在存储器402内的数据,执行车道线检测装置400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401可包括(图4中未示出)一个或多个处理核心;可选的,处理器401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401中。
存储器402可用于存储软件程序以及模块,处理器401通过运行存储在存储器402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402主要包括(图4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400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402可以包括(图4中未示出)高速随机存取存储器,还可以包括(图4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402还可以包括(图4中未示出)存储器控制器,以提供处理器401对存储器402的访问。
在一些实施例中,装置400还可选包括有:外围设备接口403和至少一个外围设备。处理器401、存储器402和外围设备接口403之间可以通信总线或信号线(图4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403相连。具体地,外围设备可以包括:射频组件404、触摸显示屏405、摄像头组件406、音频组件407、定位组件408和电源组件409中的至少一种。
其中,摄像头组件406用于采集待检测图像。可选地,摄像头组件406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406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4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4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 (10)
1.一种车道线检测方法,其特征在于,所述方法包括:
得到待检测图像的二值化图像,并在所述二值化图像上检测直线;
确定所述直线上像素点的深度参数,所述深度参数用于表示所述像素点对应的监测场景中的实物点相对于摄像机的距离;
根据所述深度参数,确定用于表示所述直线长度的深度范围与用于表示所述直线上点分布的深度分布情况;
若所述深度范围满足第一设定条件,且所述深度分布情况满足第二设定条件,则确定所述直线为车道线。
2.根据权利要求1所述的方法,其特征在于,所述深度参数为下述其中一项:
深度值、视差值;
所述确定所述直线上像素点的深度参数,包括:
得到所述待检测图像的深度图或视差图;
在所述深度图或视差图上确定所述直线对应的像素点,将所述直线对应的像素点的像素值确定为深度参数。
3.根据权利要求1所述的方法,其特征在于,所述根据所述深度参数,确定用于表示所述直线长度的深度范围与用于表示所述直线上点分布的深度分布情况,包括:
确定所述直线上像素点对应的深度参数中的最大深度值与最小深度值;
统计所述深度参数对应的像素点个数。
4.根据权利要求3所述的方法,其特征在于,所述第一设定条件包括:
所述最大深度值与最小深度值之间差值的绝对值大于预设的深度阈值。
5.根据权利要求3所述的方法,其特征在于,在统计所述深度参数对应的像素点个数之后,还包括:
确定所述深度参数对应的像素点个数中的最大个数值;
所述第二设定条件包括:所述最大个数值小于预设的个数阈值。
6.根据权利要求4所述的方法,其特征在于,在统计所述深度参数对应的像素点个数之后,还包括:
计算所述像素点个数的方差;
所述第二设定条件包括:所述方差小于预设的方差阈值。
7.一种车道线检测装置,其特征在于,所述装置包括:
直线检测模块,用于得到待检测图像的二值化图像,并在所述二值化图像上检测直线;
深度确定模块,用于确定所述直线上像素点的深度参数,所述深度参数用于表示所述像素点对应的监测场景中的实物点相对于摄像机的距离;
统计模块,用于根据所述深度参数,确定用于表示所述直线长度的深度范围与用于表示所述直线上点分布的深度分布情况;
判定模块,用于若所述深度范围满足第一设定条件,且所述深度分布情况满足第二设定条件,则确定所述直线为车道线。
8.根据权利要求7所述的装置,其特征在于,所述深度参数为下述其中一项:
深度值、视差值;
所述深度确定模块包括:
获取子模块,用于得到所述待检测图像的深度图或视差图;
确定子模块,用于在所述深度图或视差图上确定所述直线对应的像素点,将所述直线对应的像素点的像素值确定为深度参数。
9.一种车道线检测终端,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。
10.一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 |
---|---|---|---|
CN201711168750.XA CN107766847B (zh) | 2017-11-21 | 2017-11-21 | 一种车道线检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711168750.XA CN107766847B (zh) | 2017-11-21 | 2017-11-21 | 一种车道线检测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107766847A true CN107766847A (zh) | 2018-03-06 |
CN107766847B CN107766847B (zh) | 2020-10-30 |
Family
ID=61278492
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711168750.XA Active CN107766847B (zh) | 2017-11-21 | 2017-11-21 | 一种车道线检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107766847B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108389228A (zh) * | 2018-03-12 | 2018-08-10 | 海信集团有限公司 | 地面检测方法、装置及设备 |
CN109190275A (zh) * | 2018-09-13 | 2019-01-11 | 东莞市燕秀信息技术有限公司 | 长度标注方法、装置及计算机可读存储介质 |
CN111316119A (zh) * | 2018-12-28 | 2020-06-19 | 深圳市大疆创新科技有限公司 | 雷达仿真方法及装置 |
CN111387932A (zh) * | 2019-01-02 | 2020-07-10 | 中国移动通信有限公司研究院 | 一种视力检测方法、装置及设备 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103593649A (zh) * | 2013-10-24 | 2014-02-19 | 惠州华阳通用电子有限公司 | 一种用于车道偏离预警的车道线检测方法 |
CN103871042A (zh) * | 2012-12-12 | 2014-06-18 | 株式会社理光 | 基于视差图的视差方向上连续型物体检测方法和装置 |
CN104005325A (zh) * | 2014-06-17 | 2014-08-27 | 武汉武大卓越科技有限责任公司 | 基于深度和灰度图像的路面裂缝检测装置和方法 |
US9536155B2 (en) * | 2014-02-07 | 2017-01-03 | Toyota Jidosha Kabushiki Kaisha | Marking line detection system and marking line detection method of a distant road surface area |
CN106327466A (zh) * | 2015-06-24 | 2017-01-11 | 株式会社理光 | 道路分割物的检测方法和装置 |
CN106485233A (zh) * | 2016-10-21 | 2017-03-08 | 深圳地平线机器人科技有限公司 | 可行驶区域检测方法、装置和电子设备 |
CN106709443A (zh) * | 2016-12-19 | 2017-05-24 | 同观科技(深圳)有限公司 | 一种安全带佩戴状态的检测方法及终端 |
CN107305688A (zh) * | 2016-04-15 | 2017-10-31 | 株式会社理光 | 检测道路消失点的方法、装置和系统 |
CN107392956A (zh) * | 2017-06-08 | 2017-11-24 | 北京农业信息技术研究中心 | 作物根系表型检测方法和装置 |
-
2017
- 2017-11-21 CN CN201711168750.XA patent/CN107766847B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103871042A (zh) * | 2012-12-12 | 2014-06-18 | 株式会社理光 | 基于视差图的视差方向上连续型物体检测方法和装置 |
CN103593649A (zh) * | 2013-10-24 | 2014-02-19 | 惠州华阳通用电子有限公司 | 一种用于车道偏离预警的车道线检测方法 |
US9536155B2 (en) * | 2014-02-07 | 2017-01-03 | Toyota Jidosha Kabushiki Kaisha | Marking line detection system and marking line detection method of a distant road surface area |
CN104005325A (zh) * | 2014-06-17 | 2014-08-27 | 武汉武大卓越科技有限责任公司 | 基于深度和灰度图像的路面裂缝检测装置和方法 |
CN106327466A (zh) * | 2015-06-24 | 2017-01-11 | 株式会社理光 | 道路分割物的检测方法和装置 |
CN107305688A (zh) * | 2016-04-15 | 2017-10-31 | 株式会社理光 | 检测道路消失点的方法、装置和系统 |
CN106485233A (zh) * | 2016-10-21 | 2017-03-08 | 深圳地平线机器人科技有限公司 | 可行驶区域检测方法、装置和电子设备 |
CN106709443A (zh) * | 2016-12-19 | 2017-05-24 | 同观科技(深圳)有限公司 | 一种安全带佩戴状态的检测方法及终端 |
CN107392956A (zh) * | 2017-06-08 | 2017-11-24 | 北京农业信息技术研究中心 | 作物根系表型检测方法和装置 |
Non-Patent Citations (2)
Title |
---|
杨帆等: "《精通图像处理经典算法(MATLAB版)》", 30 April 2014, 《北京航空航天大学出版社》 * |
陈继民: "《3D打印技术基础教程》", 31 January 2016, 《国防工业出版社》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108389228A (zh) * | 2018-03-12 | 2018-08-10 | 海信集团有限公司 | 地面检测方法、装置及设备 |
CN108389228B (zh) * | 2018-03-12 | 2021-04-20 | 海信集团有限公司 | 地面检测方法、装置及设备 |
CN109190275A (zh) * | 2018-09-13 | 2019-01-11 | 东莞市燕秀信息技术有限公司 | 长度标注方法、装置及计算机可读存储介质 |
CN109190275B (zh) * | 2018-09-13 | 2022-11-08 | 东莞市燕秀信息技术有限公司 | 长度标注方法、装置及计算机可读存储介质 |
CN111316119A (zh) * | 2018-12-28 | 2020-06-19 | 深圳市大疆创新科技有限公司 | 雷达仿真方法及装置 |
CN111387932A (zh) * | 2019-01-02 | 2020-07-10 | 中国移动通信有限公司研究院 | 一种视力检测方法、装置及设备 |
Also Published As
Publication number | Publication date |
---|---|
CN107766847B (zh) | 2020-10-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107766847A (zh) | 一种车道线检测方法及装置 | |
CN108520536B (zh) | 一种视差图的生成方法、装置及终端 | |
US20200195908A1 (en) | Apparatus and method for focal length adjustment and depth map determination | |
CN108629292B (zh) | 弯曲车道线检测方法、装置及终端 | |
CN103164851B (zh) | 道路分割物检测方法和装置 | |
US20140313347A1 (en) | Traffic camera calibration update utilizing scene analysis | |
CN111462503B (zh) | 车辆测速方法、装置及计算机可读存储介质 | |
CN109284674A (zh) | 一种确定车道线的方法及装置 | |
CN107748882A (zh) | 一种车道线检测方法及装置 | |
WO2019080557A1 (zh) | 一种障碍物检测方法及装置 | |
CN108229406A (zh) | 一种车道线检测方法、装置及终端 | |
CN102693632A (zh) | 一种基于视觉图像的监控装置和监控方法 | |
CN110443212B (zh) | 用于目标检测的正样本获取方法、装置、设备及存储介质 | |
CN104335244A (zh) | 对象物识别装置 | |
CN108629763A (zh) | 一种视差图的评判方法、装置及终端 | |
CN107909036A (zh) | 一种基于视差图的道路检测方法及装置 | |
CN113034586B (zh) | 道路倾角检测方法和检测系统 | |
CN108052921A (zh) | 一种车道线检测方法、装置及终端 | |
CN105070094B (zh) | 一种基于机器视觉的车位检测系统及车位检测方法 | |
CN108319931A (zh) | 一种图像处理方法、装置及终端 | |
CN110120012B (zh) | 基于双目摄像头的同步关键帧提取的视频拼接方法 | |
KR101797544B1 (ko) | 차량 유무 판단 장치 및 방법 | |
CN111476062A (zh) | 车道线检测方法、装置、电子设备及驾驶系统 | |
CN108090425A (zh) | 一种车道线检测方法、装置及终端 | |
CN107958222A (zh) | 一种路面检测方法、装置及终端 |
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 |