CN107909047A - 一种汽车及其应用的车道检测方法及系统 - Google Patents
一种汽车及其应用的车道检测方法及系统 Download PDFInfo
- Publication number
- CN107909047A CN107909047A CN201711215243.7A CN201711215243A CN107909047A CN 107909047 A CN107909047 A CN 107909047A CN 201711215243 A CN201711215243 A CN 201711215243A CN 107909047 A CN107909047 A CN 107909047A
- Authority
- CN
- China
- Prior art keywords
- track
- profile
- image
- lane
- described image
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
Abstract
本发明提供一种汽车及其应用的车道检测方法及系统,具体包括获取车辆的前方图像;截取前方图像的预设的检测区域图像,对预处理后的检测区域图像进行阈值二值化处理,以获得图像轮廓;对图像轮廓进行多边形拟合,提取并保存拟合后的多边形的顶点信息;根据顶点信息,计算预设的描述性特征,且将计算后的描述性特征以描述子的形式进行保存;结合描述子,且采用预设的判断条件,判断图像轮廓是否为车道,若是,则存储与车道相关的信息,若否,则删除与图像轮廓相关的信息。本发明在进行车道检测时,具有对于大量直线型干扰目标的抗干扰能力,从而提升传统车道识别方法的鲁棒性、准确性,同时可以满足车道检测识别对于实时性和快速性的需求。
Description
技术领域
本发明涉及车道识别技术领域,具体涉及一种汽车及其应用的车道检测方法及系统。
背景技术
车道识别方法是一种帮助行驶中的车辆的准确确定车道位置的方法,也是ADAS(Advanced Driver Assistant System高级辅助驾驶系统)的重要组成部分,它不仅能够为驾驶员提供车道位置的准确信息,在车辆偏离车道时提供提醒,还可以根据道路模型,帮助系统进一步确定道路上与其他车辆的位置关系并预警,因此正确获取行驶中车辆前方的车道信息变得更加重要。
经过现有技术的检索发现,现有的多种与车道识别、车道偏离确定有关的专利,均在识别车道前,通过采用Hough变换的算法,来实现对于线性目标的检测。这些专利包括申请号为201110306984.2的专利“一种车道识别偏离检测方法”,申请号为201510325357.1的专利“一种车道检测方法”和申请号为201520667143.8的专利“一种车道偏离预警系统”等。但由于在实际路面情况中,线性干扰目标会很多,包括道路两边的护栏、马路中央的伸缩缝、旁边经过车辆的直线边缘以及路面非车道的直线标示等,因此采用Hough变换后求得的线性目标很多会是错误的目标,而原有的车道线信息也会因为大量的干扰而与实际情况有较大误差。
发明内容
鉴于以上所述现有技术的缺点,本发明的目的在于提供一种汽车及其应用的车道检测方法及系统,用于解决现有技术中车道检测的抗干扰能力弱、准确性低以及时效性不高等的问题。
为实现上述目的及其他相关目的,本发明提供一种车道检测方法,包括:步骤S1:获取车辆的前方图像;步骤S2:截取所述前方图像的预设的检测区域图像,对预处理后的所述检测区域图像进行阈值二值化处理,以获得图像轮廓;步骤S3:对所述图像轮廓进行多边形拟合,提取并保存拟合后的多边形的顶点信息;步骤S4:根据所述顶点信息,计算预设的描述性特征,且将计算后的所述描述性特征以描述子的形式进行保存;步骤S5:结合所述描述子,且采用预设的判断条件,判断所述图像轮廓是否为车道,若是,则存储与所述车道相关的信息,若否,则删除与所述图像轮廓相关的信息。
于本发明一具体实施例中,所述步骤S5还包括:当判断所述图像轮廓为车道,且存在历史车道信息时,判断所述图像轮廓中是否具有所述历史车道信息中不存在的车道或者判断所述图像轮廓是否与所述历史车道信息中的历史轮廓差距大于一预设差距阈值,若是,则返回所述步骤S2,且对所述检测区域图像的全局进行阈值二值化处理。
于本发明一具体实施例中,根据所述前方图像对应的车道与历史车道的x轴截距信息、轮廓中心位置和轮廓多边形顶点位置中的一种或多种,计算对应车道在所述前方图像中的位置变化,从而预测下一帧前方图像中车道的位置。
于本发明一具体实施例中,与所述车道相关的信息包括车道线信息;根据存储的所述车道线信息,计算存储的各车道在对应的检测区域图像中的偏移量及误差值,且根据所述偏移量和所述误差值判断所述车辆是否压所述车道线。
于本发明一具体实施例中,还用以根据当前检测区域图像中与所述车道相关的信息以及所述偏移量和所述误差值,对下一帧检测区域图像中车辆的车道位置进行预测。
于本发明一具体实施例中,所述步骤S2还包括:判断是否存在历史车道信息,若是,则只对所述检测区域图像中与所述历史车道信息相关的局部进行阈值二值化处理,并获得图像轮廓。
于本发明一具体实施例中,所述步骤S2还包括:当存在所述历史车道信息时,对获得的所述图像轮廓依据以下中的至少一种特征进行筛选:所述图像轮廓的中心点位置、所述图像轮廓的中心点与无穷远点连线的斜率以及所述图像轮廓相关的x轴截距。
于本发明一具体实施例中,所述预设的描述性特征至少包括以下中的一种:所述图像轮廓的特征线条的斜率、截距以及x轴截距,所述图像轮廓的最长线和最短线的长度,所述图像轮廓的中心点位置,所述图像轮廓的轮廓宽度和面积;其中所述图像轮廓的特征线条至少包括以下中的一种:最长线、中心线、Hough变换线、以及改进最小二乘法拟合线。
于本发明一具体实施例中,所述预设的判断条件至少包括以下中的一种:所述图像轮廓的轮廓位置、轮廓方向以及所述图像轮廓的轮廓与历史车道或预设相关车道的位置关系;所述步骤S5还包括:结合所述描述子,且采用预设的判断条件,利用层级判断结构,对所述图像轮廓进行预设次数的筛选。
于本发明一具体实施例中,所述步骤S5还包括,根据所述图像轮廓的轮廓与历史车道或预设相关车道的位置关系判断所述图像轮廓是否为车道包括:利用所述图像轮廓的斜率差、x轴截距差、轮廓点到所述历史车道的车道线或预设相关车道的车道线的改进最小二乘拟合直线距离,判断所述图像轮廓是否为车道;且,若是车道,则进一步确定所述图像轮廓的车道对应的历史车道的车道线,且判断所述图像轮廓的车道是否与所述对应的历史车道的一虚线车道为同一条车道。
为实现上述目的及其他相关目的,本发明还提供一种车道检测系统,包括:图像获取模块,用以获取车辆的前方图像;图像轮廓获取模块,用以截取所述前方图像的预设的检测区域图像,对预处理后的所述检测区域图像进行阈值二值化处理,以获得图像轮廓;顶点信息获取模块,用以对所述图像轮廓进行多边形拟合,提取并保存拟合后的多边形的顶点信息;描述子生成模块,用以根据所述顶点信息,计算预设的描述性特征,且将计算后的所述描述性特征以描述子的形式进行保存;判断模块,用以结合所述描述子,且采用预设的判断条件,判断所述图像轮廓是否为车道,若是,则存储与所述车道相关的信息,若否,则删除与所述图像轮廓相关的信息。
为实现上述目的及其他相关目的,本发明还提供一种汽车,运行如上任一项所述的车道检测方法。
如上所述,本发明的汽车及其应用的车道检测方法及系统,具体包括获取车辆的前方图像;截取所述前方图像的预设的检测区域图像,对预处理后的所述检测区域图像进行阈值二值化处理,以获得图像轮廓;对所述图像轮廓进行多边形拟合,提取并保存拟合后的多边形的顶点信息;根据所述顶点信息,计算预设的描述性特征,且将计算后的所述描述性特征以描述子的形式进行保存;结合所述描述子,且采用预设的判断条件,判断所述图像轮廓是否为车道,若是,则存储与所述车道相关的信息,若否,则删除与所述图像轮廓相关的信息。本发明在进行车道检测时,具有对于大量直线型干扰目标的抗干扰能力,从而提升传统车道识别方法的鲁棒性、准确性,同时可以满足车道检测识别对于实时性和快速性的需求。
附图说明
图1显示为本发明的车道检测方法在一具体实施例中的流程示意图。
图2显示为本发明一具体实施例中应用车道检测方法的车道图像示意图。
图3显示为本发明一具体实施例中应用车道检测方法的轮廓图像示意图。
图4显示为本发明的车道检测系统在一具体实施例中的模块示意图。
元件标号说明
10 车道检测系统
11 图像获取模块
12 图像轮廓生成模块
13 顶点信息生成模块
14 描述子生成模块
15 判断模块
S1~S7 步骤
具体实施方式
以下通过特定的具体实例说明本发明的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。需说明的是,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。
需要说明的是,以下实施例中所提供的图示仅以示意方式说明本发明的基本构想,遂图示中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制,其实际实施时各组件的型态、数量及比例可为一种随意的改变,且其组件布局型态也可能更为复杂。
请参阅图1,显示为本发明的车道检测方法在一具体实施例中的流程示意图。
所述车道检测方法应用于一智能汽车上,所述车道检测方法包括:
步骤S1:获取车辆的前方图像;具体的,利用车载摄像头或移动设备连续获取车辆的前方图像;
步骤S2:截取所述前方图像的预设的检测区域图像,对预处理后的所述检测区域图像进行阈值二值化处理,以获得图像轮廓;其中,预设的检测区域例如为车辆的头部一定距离范围内的区域,例如为车辆前部5米范围内的区域。所述预处理在一具体实施例中包括将彩色图转为灰度图、利用均值滤波方法平滑灰度图、以及对图像进行高斯滤波的预处理等。参阅图2为经过预处理及阈值二值化处理的车道图像。
所述步骤S2还包括:判断是否存在历史车道信息,若是,则只对所述检测区域图像中与所述历史车道信息相关的局部进行阈值二值化处理,并获得图像轮廓。例如在述历史车道信息显示的车道线一定范围作为所述检测区域图像,所述一定范围可以根据具体情况进行设定。
进一步的,所述步骤S2还包括:当存在所述历史车道信息时,对获得的所述图像轮廓依据以下中的至少一种特征进行筛选:所述图像轮廓的中心点位置、所述图像轮廓的中心点与无穷远点连线斜率、所述图像轮廓相关的x轴截距。
步骤S3:对所述图像轮廓进行多边形拟合,提取并保存拟合后的多边形的顶点信息;
步骤S4:根据所述顶点信息,计算预设的描述性特征,且将计算后的所述描述性特征以描述子的形式进行保存;具体的,所述预设的描述性特征至少包括以下中的一种:所述图像轮廓的特征线条的斜率、截距以及x轴截距,所述图像轮廓的最长线和最短线的长度,所述图像轮廓的中心点位置、所述图像轮廓的轮廓宽度和面积;其中所述图像轮廓的特征线条至少包括以下中的一种:最长线、中心线、Hough变换线、以及改进最小二乘法拟合线。进一步的,其中,计算每行的轮廓宽度,用以非常精确的判定轮廓是否为车道轮廓,并具有一定的将与车道联结的复合轮廓分离的能力,进一步提高车道识别方法的抗干扰能力。
其中,改进的最小二乘法拟合方法,其特征在于:所述第六步骤(S6)中,对于阈值二值化得到的轮廓边缘点集P,通过最小化x方向轮廓点和拟合直线间的距离,计算求得拟合直线的斜率和截距,具体计算方法为:
斜率:截距:其中,n为所述轮廓边缘点集P的点的总数,x为所述轮廓边缘点集P中各点的x轴坐标,y为所述轮廓边缘点集P中各点的y轴坐标。上述改进的最小二乘法计算公式,对每个轮廓点集计算对应的最佳拟合直线,保存直线的斜率和截距。这组参数对于近似与无穷远点在同一直线上或者轮廓区域最长线接近竖直时,有良好判定是否为同一车道上不同轮廓的能力。
进一步的,所述步骤S4还包括,所述图像轮廓的轮廓与历史车道或预设相关车道的位置关系判断所述图像轮廓是否为车道包括:利用图像轮廓的斜率差、x轴截距差、轮廓点到所述历史车道的车道线的改进最小二乘拟合直线距离,判断所述图像轮廓是否为车道;且,若是则进一步确定所述图像轮廓的车道对应的所述历史车道的车道线,且判断所述图像轮廓的车道是否与历史车道的一虚线车道为同一条车道。
步骤S5:结合所述描述子,且采用预设的判断条件,判断所述图像轮廓是否为车道,若是,则执行步骤S6:存储与所述车道相关的信息,若否,则执行步骤S7:删除与所述图像轮廓相关的信息。所述预设的判断条件至少包括以下中的一种:所述图像轮廓的轮廓位置、轮廓方向以及所述图像轮廓的轮廓与历史车道或预设相关车道的位置关系。参阅图3,显示为应用本发明的车道检测方法的一具体实施例中,经过轮廓比较与车道判断后,确定的具体车道轮廓图像。与所述车道相关的信息例如包括所述车道对应的描述子、图像轮廓的顶点信息以及与所述车道相关的前方图像。与所述图像轮廓相关的信息例如包括所述图像轮廓对应的描述子、图像轮廓的顶点信息以及与所述图像轮廓相关的前方图像。
其中,与所述车道相关的信息包括车道线信息;根据存储的所述车道线信息,计算存储的各车道在对应的检测区域图像中的偏移量及误差值,且根据所述偏移量和所述误差值判断所述车辆是否压所述车道线。
本发明一具体实施例中,还用以根据当前检测区域图像中与所述车道相关的信息以及所述偏移量和所述误差值,对下一帧检测区域图像中车辆的车道位置进行预测。
进一步的,还根据当前前方图像对应的车道与历史车道的x轴截距信息、轮廓中心位置和轮廓多边形顶点位置中的一种或多种,计算对应车道在前方图像中的位置变化,从而预测下一帧前方图像中车道的位置。
进一步的,所述步骤S5还包括:当判断所述图像轮廓为车道,且存在历史车道信息时,判断所述图像轮廓中是否存在所述历史车道信息中不存在的车道或者判断所述图像轮廓是否与所述历史车道信息差距大于一预设差距阈值,若是,则返回所述步骤S2,且对所述检测区域图像的全局进行阈值二值化处理。
于本发明令一具体实施例中,通过通用车道信息判定(面积、斜率、中心点位置、长宽比、最长线长度)做第一次筛选,符合条件的被判定为车道;再通过历史对应车道信息匹配(多组斜率、截距)做第二次针对性筛选,可使所得信息精准、全面;之后通过与现有帧中已经找出的车道线信息(多组斜率、截距、与改进的最小二乘法拟合线的距离)比较,最终判定对应轮廓的有效性和位置信息。对于某些未能找全车道信息的区域做二次搜索,降低阈值二值化的阈值,使之保留更多有效信息,之后重复步骤S2到步骤S5,完成对车道信息的补充检查。
于本发明另一具体实施例中,通过以下步骤实现本发明的车道检测方法,具体为:
步骤(1)获取车前部图像,并对图像进行高斯滤波的预处理。
步骤(2)对处理后的图像进行区域阈值二值化处理,所选阈值可采用自适应阈值法确定或者根据从之前图像获得的车道线像素值确定。区域的选择是由上一帧图像求得的车道位置经过预测确定的,没有历史车道数据时,就进行全局搜索以获取初始车道信息。
步骤(3)根据得到的二值图像寻找图像中物体轮廓边缘,并通过多项式边缘拟合的方法拟合,并保存得到的多边形顶点坐标,作为对每一个轮廓区域更为精简的数据描述。
步骤(4)利用得到的轮廓顶点坐标,计算并保存区域中心点坐标,轮廓最长、最短边长度,进而获取最长边斜率、截距、x轴截距等信息。
步骤(5)求得图像无穷远点与区域中心点连线的斜率、x轴坐标,用于判断车道位置,并可帮助将同一条线上的不同轮廓区域联系起来。
步骤(6)利用改进最小二乘法计算公式,对每个轮廓点集计算对应的最佳拟合直线,保存直线的斜率和截距。这组参数对于近似与无穷远点在同一直线上或者轮廓区域最长线接近竖直时,有良好判定是否为同一车道上不同轮廓的能力。
步骤(7)计算轮廓区域面积及Hough变换产生的直线的相关参数。
步骤(8)计算每行的轮廓宽度,用以非常精确的判定轮廓是否为车道轮廓,并具有一定将与车道联结的复合轮廓分离的能力,进一步提高车道识别方法的抗干扰能力。
步骤(9)将以上所有轮廓信息整合为描述子,根据对应轮廓保存。
步骤(10)通过通用车道信息判定(面积、斜率、中心点位置、长宽比、最长线长度)做第一次筛选,符合条件的被判定为车道;再通过历史对应车道信息匹配(多组斜率、截距)做第二次针对性筛选,可使所得信息精准、全面;之后通过与现有帧中已经找出的车道线信息(多组斜率、截距、与改进的最小二乘法拟合线的距离)比较,最终判定对应轮廓的有效性和位置信息。
步骤(11)对于某些未能找全车道信息的区域做二次搜索,降低阈值二值化的阈值,使之保留更多有效信息,之后重复步骤(3)到步骤(10),完成对车道信息的补充检查。
步骤(12)对应保存各车道信息,并通过之前5-10帧中车道在x轴的位置信息,判定车辆处于正常行驶中还是具有变道趋势,并选用不同的方法预测车道在下一帧中的位置,为下一帧的对应车道轮廓搜索提供信息。
本发明的车道检测方法,在进行车道检测时,具有对于大量直线型干扰目标的抗干扰能力,从而提升传统车道识别方法的鲁棒性、准确性,同时可以满足车道检测识别对于实时性和快速性的需求。
进一步的,请参阅图4,显示为本发明的车道检测系统在一具体实施例中的模块示意图。所述车道检测系统10,包括:图像获取模块11、图像轮廓生成模块12、顶点信息生成模块13、描述子生成模块14以及判断模块15。
所述图像获取模块11用以获取车辆的前方图像;
所述图像轮廓生成模块12用以截取所述前方图像的预设的检测区域图像,对预处理后的所述检测区域图像进行阈值二值化处理,以获得图像轮廓;
所述顶点信息生成模块13用以对所述图像轮廓进行多边形拟合,提取并保存拟合后的多边形的顶点信息;
所述描述子生成模块14用以根据所述顶点信息,计算预设的描述性特征,且将计算后的所述描述性特征以描述子的形式进行保存;
所述判断模块15用以结合所述描述子,且采用预设的判断条件,判断所述图像轮廓是否为车道,若是,则存储与所述车道相关的信息,若否,则删除与所述图像轮廓相关的信息。
所述车道检测系统10为与所述车道检测方法对应的系统项,两者技术方案一一对应,所有关于所述车道检测方法的描述均可应用于本实施例中。在此不加赘述。
综上所述,本发明的汽车及其应用的车道检测方法及系统,具体包括获取车辆的前方图像;截取所述前方图像的预设的检测区域图像,对预处理后的所述检测区域图像进行阈值二值化处理,以获得图像轮廓;对所述图像轮廓进行多边形拟合,提取并保存拟合后的多边形的顶点信息;根据所述顶点信息,计算预设的描述性特征,且将计算后的所述描述性特征以描述子的形式进行保存;结合所述描述子,且采用预设的判断条件,判断所述图像轮廓是否为车道,若是,则存储与所述车道相关的信息,若否,则删除与所述图像轮廓相关的信息。本发明在进行车道检测时,具有对于大量直线型干扰目标的抗干扰能力,从而提升传统车道识别方法的鲁棒性、准确性,同时可以满足车道检测识别对于实时性和快速性的需求。所以,本发明有效克服了现有技术中的种种缺点而具高度产业利用价值。
上述实施例仅例示性说明本发明的原理及其功效,而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下,对上述实施例进行修饰或改变。因此,举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变,仍应由本发明的权利要求所涵盖。
Claims (12)
1.一种车道检测方法,其特征在于,包括:
步骤S1:获取车辆的前方图像;
步骤S2:截取所述前方图像的预设的检测区域图像,对预处理后的所述检测区域图像进行阈值二值化处理,以获得图像轮廓;
步骤S3:对所述图像轮廓进行多边形拟合,提取并保存拟合后的多边形的顶点信息;
步骤S4:根据所述顶点信息,计算预设的描述性特征,且将计算后的所述描述性特征以描述子的形式进行保存;
步骤S5:结合所述描述子,且采用预设的判断条件,判断所述图像轮廓是否为车道,若是,则存储与所述车道相关的信息,若否,则删除与所述图像轮廓相关的信息。
2.根据权利要求1所述的车道检测方法,其特征在于:所述步骤S5还包括:当判断所述图像轮廓为车道,且存在历史车道信息时,判断所述图像轮廓中是否具有所述历史车道信息中不存在的车道或者判断所述图像轮廓是否与所述历史车道信息中的历史轮廓差距大于一预设差距阈值,若是,则返回所述步骤S2,且对所述检测区域图像的全局进行阈值二值化处理。
3.根据权利要求2所述的车道检测方法,其特征在于:根据所述前方图像对应的车道与历史车道的x轴截距信息、轮廓中心位置和轮廓多边形顶点位置中的一种或多种,计算对应车道在所述前方图像中的位置变化,从而预测下一帧前方图像中车道的位置。
4.根据权利要求1所述的车道检测方法,其特征在于:与所述车道相关的信息包括车道线信息;根据存储的所述车道线信息,计算存储的各车道在对应的检测区域图像中的偏移量及误差值,且根据所述偏移量和所述误差值判断所述车辆是否压所述车道线。
5.根据权利要求4所述的车道检测方法,其特征在于:还用以根据当前检测区域图像中与所述车道相关的信息以及所述偏移量和所述误差值,对下一帧检测区域图像中车辆的车道位置进行预测。
6.根据权利要求1所述的车道检测方法,其特征在于:所述步骤S2还包括:判断是否存在历史车道信息,若是,则只对所述检测区域图像中与所述历史车道信息相关的局部进行阈值二值化处理,并获得图像轮廓。
7.根据权利要求6所述的车道检测方法,其特征在于:所述步骤S2还包括:当存在所述历史车道信息时,对获得的所述图像轮廓依据以下中的至少一种特征进行筛选:所述图像轮廓的中心点位置、所述图像轮廓的中心点与无穷远点连线的斜率以及所述图像轮廓相关的x轴截距。
8.根据权利要求1所述的车道检测方法,其特征在于:所述预设的描述性特征至少包括以下中的一种:所述图像轮廓的特征线条的斜率、截距以及x轴截距,所述图像轮廓的最长线和最短线的长度,所述图像轮廓的中心点位置,所述图像轮廓的轮廓宽度和面积;其中所述图像轮廓的特征线条至少包括以下中的一种:最长线、中心线、Hough变换线、以及改进最小二乘法拟合线。
9.根据权利要求1所述的车道检测方法,其特征在于:所述预设的判断条件至少包括以下中的一种:所述图像轮廓的轮廓位置、轮廓方向以及所述图像轮廓的轮廓与历史车道或预设相关车道的位置关系;所述步骤S5还包括:结合所述描述子,且采用预设的判断条件,利用层级判断结构,对所述图像轮廓进行预设次数的筛选。
10.根据权利要求9所述的车道检测方法,其特征在于:所述步骤S5还包括,根据所述图像轮廓的轮廓与历史车道或预设相关车道的位置关系判断所述图像轮廓是否为车道包括:利用所述图像轮廓的斜率差、x轴截距差、轮廓点到所述历史车道的车道线或预设相关车道的车道线的改进最小二乘拟合直线距离,判断所述图像轮廓是否为车道;且,若是车道,则进一步确定所述图像轮廓的车道对应的历史车道的车道线,且判断所述图像轮廓的车道是否与所述对应的历史车道的一虚线车道为同一条车道。
11.一种车道检测系统,其特征在于,包括:
图像获取模块,用以获取车辆的前方图像;
图像轮廓获取模块,用以截取所述前方图像的预设的检测区域图像,对预处理后的所述检测区域图像进行阈值二值化处理,以获得图像轮廓;
顶点信息获取模块,用以对所述图像轮廓进行多边形拟合,提取并保存拟合后的多边形的顶点信息;
描述子生成模块,用以根据所述顶点信息,计算预设的描述性特征,且将计算后的所述描述性特征以描述子的形式进行保存;
判断模块,用以结合所述描述子,且采用预设的判断条件,判断所述图像轮廓是否为车道,若是,则存储与所述车道相关的信息,若否,则删除与所述图像轮廓相关的信息。
12.一种汽车,其特征在于:运行如权利要求1~10中任一项所述的车道检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711215243.7A CN107909047B (zh) | 2017-11-28 | 2017-11-28 | 一种汽车及其应用的车道检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711215243.7A CN107909047B (zh) | 2017-11-28 | 2017-11-28 | 一种汽车及其应用的车道检测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107909047A true CN107909047A (zh) | 2018-04-13 |
CN107909047B CN107909047B (zh) | 2021-07-06 |
Family
ID=61847917
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711215243.7A Active CN107909047B (zh) | 2017-11-28 | 2017-11-28 | 一种汽车及其应用的车道检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107909047B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109683613A (zh) * | 2018-12-24 | 2019-04-26 | 驭势(上海)汽车科技有限公司 | 一种用于确定车辆的辅助控制信息的方法与设备 |
CN111797658A (zh) * | 2019-04-09 | 2020-10-20 | Oppo广东移动通信有限公司 | 车道线识别方法、装置、存储介质及电子设备 |
CN112020461A (zh) * | 2018-04-27 | 2020-12-01 | 图森有限公司 | 用于确定汽车到车道距离的系统和方法 |
CN112287778A (zh) * | 2020-10-16 | 2021-01-29 | 苏州万店掌网络科技有限公司 | 基于方向聚合的人流量分析方法及介质 |
CN112529014A (zh) * | 2020-12-14 | 2021-03-19 | 中国平安人寿保险股份有限公司 | 直线检测方法、信息提取方法、装置、设备及存储介质 |
CN113033592A (zh) * | 2019-12-25 | 2021-06-25 | 山东理工大学 | 基于斜率差分布的形状匹配与物体识别方法 |
CN113165669A (zh) * | 2018-12-17 | 2021-07-23 | 采埃孚汽车德国有限公司 | 用于控制机动车辆的方法及系统 |
Citations (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101872066A (zh) * | 2009-04-02 | 2010-10-27 | 通用汽车环球科技运作公司 | 外部视图在内部的柱和表面上的延续 |
CN103206957A (zh) * | 2012-12-26 | 2013-07-17 | 辽宁师范大学 | 车辆自主导航的车道线检测与跟踪方法 |
CN103842774A (zh) * | 2011-11-02 | 2014-06-04 | 爱信艾达株式会社 | 车道引导显示系统、车道引导显示方法及车道引导显示程序 |
CN104657735A (zh) * | 2013-11-21 | 2015-05-27 | 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 |
CN105046198A (zh) * | 2015-06-12 | 2015-11-11 | 上海修源网络科技有限公司 | 一种车道检测方法 |
CN105260713A (zh) * | 2015-10-09 | 2016-01-20 | 东方网力科技股份有限公司 | 一种车道线检测方法和装置 |
CN105426868A (zh) * | 2015-12-10 | 2016-03-23 | 山东大学 | 一种基于自适应感兴趣区域的车道检测方法 |
CN105809149A (zh) * | 2016-03-31 | 2016-07-27 | 电子科技大学 | 基于最大长度直线的车道线检测方法 |
CN106096525A (zh) * | 2016-06-06 | 2016-11-09 | 重庆邮电大学 | 一种复合型车道识别系统及方法 |
EP3098753A1 (en) * | 2015-05-28 | 2016-11-30 | Tata Consultancy Services Limited | Lane detection |
CN106203398A (zh) * | 2016-07-26 | 2016-12-07 | 东软集团股份有限公司 | 一种检测车道边界的方法、装置和设备 |
CN106203341A (zh) * | 2016-07-11 | 2016-12-07 | 百度在线网络技术(北京)有限公司 | 一种无人车的车道线识别方法及装置 |
US20170032196A1 (en) * | 2015-07-31 | 2017-02-02 | Magna Electronics Inc. | Vehicle vision system with object and lane fusion |
US20170083774A1 (en) * | 2015-09-23 | 2017-03-23 | Magna Electronics Inc. | Vehicle vision system with detection enhancement using light control |
CN106570495A (zh) * | 2016-11-19 | 2017-04-19 | 南宁市浩发科技有限公司 | 一种复杂环境下的道路检测方法 |
CN106682646A (zh) * | 2017-01-16 | 2017-05-17 | 北京新能源汽车股份有限公司 | 一种车道线的识别方法及装置 |
CN107003136A (zh) * | 2014-12-26 | 2017-08-01 | 日立汽车系统株式会社 | 信息处理装置 |
CN107045629A (zh) * | 2017-04-19 | 2017-08-15 | 南京理工大学 | 一种多车道线检测方法 |
CN107133600A (zh) * | 2017-05-11 | 2017-09-05 | 南宁市正祥科技有限公司 | 一种基于帧间关联的实时车道线检测方法 |
-
2017
- 2017-11-28 CN CN201711215243.7A patent/CN107909047B/zh active Active
Patent Citations (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101872066A (zh) * | 2009-04-02 | 2010-10-27 | 通用汽车环球科技运作公司 | 外部视图在内部的柱和表面上的延续 |
CN103842774A (zh) * | 2011-11-02 | 2014-06-04 | 爱信艾达株式会社 | 车道引导显示系统、车道引导显示方法及车道引导显示程序 |
CN103206957A (zh) * | 2012-12-26 | 2013-07-17 | 辽宁师范大学 | 车辆自主导航的车道线检测与跟踪方法 |
CN104657735A (zh) * | 2013-11-21 | 2015-05-27 | 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 |
CN107003136A (zh) * | 2014-12-26 | 2017-08-01 | 日立汽车系统株式会社 | 信息处理装置 |
EP3098753A1 (en) * | 2015-05-28 | 2016-11-30 | Tata Consultancy Services Limited | Lane detection |
CN105046198A (zh) * | 2015-06-12 | 2015-11-11 | 上海修源网络科技有限公司 | 一种车道检测方法 |
US20170032196A1 (en) * | 2015-07-31 | 2017-02-02 | Magna Electronics Inc. | Vehicle vision system with object and lane fusion |
US20170083774A1 (en) * | 2015-09-23 | 2017-03-23 | Magna Electronics Inc. | Vehicle vision system with detection enhancement using light control |
CN105260713A (zh) * | 2015-10-09 | 2016-01-20 | 东方网力科技股份有限公司 | 一种车道线检测方法和装置 |
CN105426868A (zh) * | 2015-12-10 | 2016-03-23 | 山东大学 | 一种基于自适应感兴趣区域的车道检测方法 |
CN105809149A (zh) * | 2016-03-31 | 2016-07-27 | 电子科技大学 | 基于最大长度直线的车道线检测方法 |
CN106096525A (zh) * | 2016-06-06 | 2016-11-09 | 重庆邮电大学 | 一种复合型车道识别系统及方法 |
CN106203341A (zh) * | 2016-07-11 | 2016-12-07 | 百度在线网络技术(北京)有限公司 | 一种无人车的车道线识别方法及装置 |
CN106203398A (zh) * | 2016-07-26 | 2016-12-07 | 东软集团股份有限公司 | 一种检测车道边界的方法、装置和设备 |
CN106570495A (zh) * | 2016-11-19 | 2017-04-19 | 南宁市浩发科技有限公司 | 一种复杂环境下的道路检测方法 |
CN106682646A (zh) * | 2017-01-16 | 2017-05-17 | 北京新能源汽车股份有限公司 | 一种车道线的识别方法及装置 |
CN107045629A (zh) * | 2017-04-19 | 2017-08-15 | 南京理工大学 | 一种多车道线检测方法 |
CN107133600A (zh) * | 2017-05-11 | 2017-09-05 | 南宁市正祥科技有限公司 | 一种基于帧间关联的实时车道线检测方法 |
Non-Patent Citations (3)
Title |
---|
BOK-SUKSHIN等: "A superparticle filter for lane detection", 《PATTERN RECOGNITION》 * |
刘国荣: "基于图像的车道线检测与跟踪算法研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
李松泽: "基于深度学习的车道线检测系统的设计与实现", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112020461A (zh) * | 2018-04-27 | 2020-12-01 | 图森有限公司 | 用于确定汽车到车道距离的系统和方法 |
US11727811B2 (en) | 2018-04-27 | 2023-08-15 | Tusimple, Inc. | System and method for determining car to lane distance |
CN112020461B (zh) * | 2018-04-27 | 2024-02-27 | 图森有限公司 | 用于确定汽车到车道距离的系统和方法 |
CN113165669A (zh) * | 2018-12-17 | 2021-07-23 | 采埃孚汽车德国有限公司 | 用于控制机动车辆的方法及系统 |
CN109683613A (zh) * | 2018-12-24 | 2019-04-26 | 驭势(上海)汽车科技有限公司 | 一种用于确定车辆的辅助控制信息的方法与设备 |
CN109683613B (zh) * | 2018-12-24 | 2022-04-29 | 驭势(上海)汽车科技有限公司 | 一种用于确定车辆的辅助控制信息的方法与设备 |
CN111797658A (zh) * | 2019-04-09 | 2020-10-20 | Oppo广东移动通信有限公司 | 车道线识别方法、装置、存储介质及电子设备 |
CN113033592A (zh) * | 2019-12-25 | 2021-06-25 | 山东理工大学 | 基于斜率差分布的形状匹配与物体识别方法 |
CN112287778A (zh) * | 2020-10-16 | 2021-01-29 | 苏州万店掌网络科技有限公司 | 基于方向聚合的人流量分析方法及介质 |
CN112287778B (zh) * | 2020-10-16 | 2021-07-27 | 苏州万店掌网络科技有限公司 | 基于方向聚合的人流量分析方法及介质 |
CN112529014A (zh) * | 2020-12-14 | 2021-03-19 | 中国平安人寿保险股份有限公司 | 直线检测方法、信息提取方法、装置、设备及存储介质 |
CN112529014B (zh) * | 2020-12-14 | 2023-09-26 | 中国平安人寿保险股份有限公司 | 直线检测方法、信息提取方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN107909047B (zh) | 2021-07-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107909047A (zh) | 一种汽车及其应用的车道检测方法及系统 | |
CN104318258B (zh) | 一种基于时域模糊和卡尔曼滤波器的车道线检测方法 | |
CN105069415B (zh) | 车道线检测方法和装置 | |
CN104217427B (zh) | 一种交通监控视频中车道线定位方法 | |
CN103927526B (zh) | 一种基于高斯差分多尺度边缘融合的车辆检测方法 | |
CN105160309B (zh) | 基于图像形态学分割及区域生长的三车道检测方法 | |
CN105550665B (zh) | 一种基于双目视觉的无人驾驶汽车可通区域检测方法 | |
CN104008645B (zh) | 一种适用于城市道路车道线预测及预警方法 | |
CN111563412B (zh) | 一种基于参数空间投票和贝塞尔拟合的快速车道线检测方法 | |
CN102708356B (zh) | 一种基于复杂背景下的车牌自动定位和识别方法 | |
CN108596129A (zh) | 一种基于智能视频分析技术的车辆越线检测方法 | |
CN109583280A (zh) | 车道线识别方法、装置、设备及存储介质 | |
CN102799857B (zh) | 一种视频多车辆轮廓检测方法 | |
CN106951879A (zh) | 基于摄像头与毫米波雷达的多特征融合车辆检测方法 | |
CN105005771A (zh) | 一种基于光流点轨迹统计的车道线实线的检测方法 | |
CN105426864A (zh) | 一种基于等距边缘点匹配的多车道线检测方法 | |
CN106022243B (zh) | 一种基于图像处理的机动车道车辆逆行识别方法 | |
Wu et al. | Adaptive vehicle detector approach for complex environments | |
CN104700072A (zh) | 基于车道线历史帧的识别方法 | |
CN102842039B (zh) | 一种基于Sobel算子的道路图像检测方法 | |
CN109101932B (zh) | 基于目标检测的多任务及临近信息融合的深度学习方法 | |
CN102419820A (zh) | 一种快速检测视频与图像中汽车车标的方法 | |
Liu et al. | ROI perspective transform based road marking detection and recognition | |
CN105426868A (zh) | 一种基于自适应感兴趣区域的车道检测方法 | |
CN111259796A (zh) | 一种基于图像几何特征的车道线检测方法 |
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 |