CN107977664A - 一种基于单幅图像的道路消失点检测方法 - Google Patents
一种基于单幅图像的道路消失点检测方法 Download PDFInfo
- Publication number
- CN107977664A CN107977664A CN201711294984.9A CN201711294984A CN107977664A CN 107977664 A CN107977664 A CN 107977664A CN 201711294984 A CN201711294984 A CN 201711294984A CN 107977664 A CN107977664 A CN 107977664A
- Authority
- CN
- China
- Prior art keywords
- image
- road
- ballot
- log
- gabor
- 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
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- 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
- G06V10/443—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 by matching or filtering
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于单幅图像的道路消失点检测方法,包括如下步骤:对输入的道路图像尺寸大小进行调整,转换为灰度图,对灰度图进行中值滤波去噪;在灰度图上提取图像的二维Log‑Gabor纹理和方向特征信息;根据图像尺寸确定有效候选目标区域;选取所有满足条件的纹理特征点作为候选投票点集;在候选投票点集上采用基于主方向的快速投票方式检测道路消失点。本发明采用了基于Log‑Gabor纹理特征表达方式,设计了一种快速有效的方向投票方法,能提高道路消失点的检测精度和检测速度,适用于实时交通监控系统、智能驾驶汽车等相关计算机视觉领域。
Description
技术领域
本发明涉及道路消失点检测领域,涉及到适用于结构化道路和非结构化道路的通用的道路消失点检测方法,尤其涉及一种基于单幅图像的道路消失点检测方法。
背景技术
道路消失点检测是交通监控、智能驾驶等计算机视觉相关领域的重要研究问题。现有方法主要可分为两类,一类是基于图像边缘的方法,另一类是基于纹理方向的方法。前者在结构化道路上具有较好的性能,但在非结构化道路上却效果不佳。后者能适用于结构化道路和非结构化道路,但现有的这类方法在检测精度和运行速度等性能上都还有待提升。此外,现有的基于纹理方向的方法大部分采用Gabor滤波器进行纹理方向计算,由于Gabor滤波器包含直流分量,受图像亮度条件影响较大,同时存在低频过度表示,高频表示不足的缺点,因此,有必要提出一种更为有效的道路消失点检测方法。
发明内容
本发明旨在至少解决现有技术中存在的技术问题,特别创新地提出了一种基于单幅图像的道路消失点检测方法。
为了实现本发明的上述目的,本发明提供了一种基于单幅图像的道路消失点检测方法,包括如下步骤:
S1,对输入的道路图像尺寸大小进行调整,转换为灰度图,对灰度图进行中值滤波去噪;
S2,在灰度图上提取图像的二维Log-Gabor纹理和方向特征信息;
S3,根据图像尺寸确定有效候选目标区域;
S4,选取所有满足条件的纹理特征点作为候选投票点集;
S5,在候选投票点集上采用基于主方向的快速投票方式检测道路消失点。
所述的基于单幅图像的道路消失点检测方法,优选的,所述S1包括:
将输入的道路图像尺寸大小归一化到W×H,其中W为图像的宽,H为图像的高,将图像转换为灰度图像,然后对灰度图像进行中值滤波去噪;
所述的基于单幅图像的道路消失点检测方法,优选的,所述S2包括:
S2-1:首先构造二维Log-Gabor滤波器,用G(f,θ)表示,其中(f,θ)表示极坐标,f表示极坐标的半径,(x,y)为道路图像坐标,θ表示极坐标的方向,θ=arctan(y/x),则G(f,θ)能够用以下公式表示:
G(f,θ)=G(f)G(θ)
其中G(f)表示径向分量,G(θ)表示角度分量;
G(f)能够通过以下公式得到:
其中f0为中心频率,σ1为标量带宽;
G(θ)能够通过以下公式得到:
θ0为滤波器方向,σ2为角度带宽;
S2-2:利用S2-1构造的滤波器进一步构造二维Log-Gabor滤波器组Gs,o,尺度索引s=1,方向索引o={1,2,3,4,5,6,7,8},对滤波器组Gs,o中的每一个滤波器,涉及的参数取值不变。
所述的基于单幅图像的道路消失点检测方法,优选的,所述S2包括:
S2-3:寻找Log-Gabor响应极值,设I为S1步骤得到的灰度图像,I和Log-Gabor滤波器组Gs,o的卷积能够定义为:
将滤波器响应EOs,o在每个图像坐标中的最大值作为Log-Gabor响应极值Rm,下标m为最大值max的缩写,即
Rm(x,y)=max(||EOs,o(x,y)||1)
(x,y)为道路图像坐标,||·||1表示1范数。
将Rm归一化至[0,1],即
S2-4:寻找Log-Gabor最大响应方向。将滤波器响应EOs,o在每个道路图像坐标中的最大值对应的方向作为Log-Gabor最大响应方向O,即
(x,y)为道路图像坐标,||·||1表示1范数。
所述的基于单幅图像的道路消失点检测方法,优选的,所述S3包括:
设定消失点的候选目标区域为Ω,则
其中W为道路图像的宽,H为道路图像的高。
所述的基于单幅图像的道路消失点检测方法,优选的,所述S4包括:
S4-1:确定初始消失点投票点集区域为Θ1
S4-2:确定Log-Gabor响应极值R中满足条件的投票点集区域Θ2
Θ2(x,y)={(x,y)|R(x,y)≥0.05}
S4-3:确定有效投票点集Θ
Θ=Θ1∩Θ2。
所述的基于单幅图像的道路消失点检测方法,优选的,所述S5包括:
S5-1:将S3中确定的消失点候选目标区域Ω作为初始累加投票空间,将初始累加投票空间中所有位置的初始票数设为0。
S5-2:根据有效投票点集Θ中的点的位置和方向可确定一条直线,记录这条直线与消失点候选目标区域Ω的所有交点位置,在累加投票空间中对应的这些位置增加投票数1;
S5-3:对投票点集Θ中所有点采用S5-2中的方法进行投票,并对得到的累加投票空间做5×5的滑动求和操作,得到最终的累加投票空间;
S5-4:将最终的累加投票空间中最大值的坐标作为道路消失点的坐标。
综上所述,由于采用了上述技术方案,本发明的有益效果是:
本发明采用了基于Log-Gabor纹理特征表达方式,设计了一种快速有效的方向投票方法,适用于实时交通监控系统、智能驾驶汽车等相关计算机视觉领域的检测,能提高道路消失点的检测精度和检测速度。
本发明的附加方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解,其中:
图1是本发明工作流程图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本发明,而不能理解为对本发明的限制。
在本发明的描述中,需要理解的是,术语“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
在本发明的描述中,除非另有规定和限定,需要说明的是,术语“安装”、“相连”、“连接”应做广义理解,例如,能够是机械连接或电连接,也能够是两个元件内部的连通,能够是直接相连,也能够通过中间媒介间接相连,对于本领域的普通技术人员而言,能够根据具体情况理解上述术语的具体含义。
如图1所示,S1:图像预处理:将输入的道路图像尺寸大小归一化到W×H,其中W为图像的宽,H为图像的高,将图像转换为灰度图,然后对灰度图进行中值滤波去噪;
S2:特征提取:在灰度图上提取图像的二维Log-Gabor纹理和方向特征信息;
S2-1:首先构造二维Log-Gabor滤波器,用G(f,θ)表示,其中(f,θ)表示极坐标,f表示极坐标的半径,(x,y)为图像坐标,θ表示极坐标的方向,θ=arctan(y/x),则G(f,θ)能够用以下公式表示:
G(f,θ)=G(f)G(θ)
其中G(f)表示径向分量,G(θ)表示角度分量。
G(f)能够通过以下公式得到:
其中f0为中心频率,σr为标量带宽。
G(θ)能够通过以下公式得到:
θ0为滤波器方向,σθ为角度带宽。
S2-2:利用S2-1构造的滤波器进一步构造二维Log-Gabor滤波器组Gs,o。尺度索引s=1,方向索引o={1,2,3,4,5,6,7,8},即采用1个尺度和8个方向构造滤波器组Gs,o。8个方向的角度分别为(0°,22.5°,45°,67.5°,90°,112.5°,135°,157.5°)。对滤波器组Gs,o中的每一个滤波器,涉及的参数取值不变,分别为f0=1/3,σr=0.45,σθ=1。
S2-3:寻找Log-Gabor响应极值。设I为S1步骤得到的灰度图像,I和Log-Gabor滤波器组Gs,o的卷积能够定义为:
将滤波器响应EOs,o在每个图像坐标中的最大值作为Log-Gabor响应极值Rm,即
Rm(x,y)=max(||EOs,o(x,y)||1)
(x,y)为图像坐标,||·||1表示1范数。
将Rm归一化至[0,1],即
S2-4:寻找Log-Gabor最大响应方向。将滤波器响应EOs,o在每个图像坐标中的最大值对应的方向作为Log-Gabor最大响应方向O,即
(x,y)为图像坐标,||·||1表示1范数。
S3:有效候选目标区域确定:根据图像尺寸确定有效候选目标区域;
设定消失点的候选目标区域为Ω,则
其中W为图像的宽,H为图像的高。
S4:有效投票点集选取:选取所有满足条件的纹理特征点作为有效投票点集;
S4-1:确定初始消失点投票点集区域为Θ1
S4-2:确定Log-Gabor响应极值R中满足条件的投票点集区域Θ2
Θ2(x,y)={(x,y)|R(x,y)≥0.05}
S4-3:确定有效投票点集Θ
Θ=Θ1∩Θ2
S5:主方向投票:在候选投票点集上采用基于主方向的快速投票方式检测道路消失点。
S5-1:将S3中确定的消失点候选目标区域Ω作为初始累加投票空间,将初始累加投票空间中所有位置的初始票数设为0。
S5-2:根据有效投票点集Θ中的点的位置和方向可确定一条直线,记录这条直线与消失点候选目标区域Ω的所有交点位置,在累加投票空间中对应的这些位置增加投票数1;
S5-3:对投票点集Θ中所有点采用S5-2中的方法进行投票,并对得到的累加投票空间做5×5的滑动求和操作,得到最终的累加投票空间。
S5-4:将最终的累加投票空间中最大值的坐标作为道路消失点的坐标。
尽管已经示出和描述了本发明的实施例,本领域的普通技术人员能够理解:在不脱离本发明的原理和宗旨的情况下能够对这些实施例进行多种变化、修改、替换和变型,本发明的范围由权利要求及其等同物限定。
Claims (7)
1.一种基于单幅图像的道路消失点检测方法,其特征在于,包括如下步骤:
S1,对输入的道路图像尺寸大小进行调整,转换为灰度图,对灰度图进行中值滤波去噪;
S2,在灰度图上提取图像的二维Log-Gabor纹理和方向特征信息;
S3,根据图像尺寸确定有效候选目标区域;
S4,选取所有满足条件的纹理特征点作为候选投票点集;
S5,在候选投票点集上采用基于主方向的快速投票方式检测道路消失点。
2.根据权利要求1所述的基于单幅图像的道路消失点检测方法,其特征在于,所述S1包括:
将输入的道路图像尺寸大小归一化到W×H,其中W为图像的宽,H为图像的高,将图像转换为灰度图像,然后对灰度图像进行中值滤波去噪。
3.根据权利要求1所述的基于单幅图像的道路消失点检测方法,其特征在于,所述S2包括:
S2-1:首先构造二维Log-Gabor滤波器,用G(f,θ)表示,其中(f,θ)表示极坐标,f表示极坐标的半径,(x,y)为道路图像坐标,θ表示极坐标的方向,θ=arctan(y/x),则G(f,θ)能够用以下公式表示:
G(f,θ)=G(f)G(θ)
其中G(f)表示径向分量,G(θ)表示角度分量;
G(f)能够通过以下公式得到:
其中f0为中心频率,σ1为标量带宽;
G(θ)能够通过以下公式得到:
θ0为滤波器方向,σ2为角度带宽;
S2-2:利用S2-1构造的滤波器进一步构造二维Log-Gabor滤波器组Gs,o,尺度索引s=1,方向索引o={1,2,3,4,5,6,7,8},对滤波器组Gs,o中的每一个滤波器,涉及的参数取值不变。
4.根据权利要求3所述的基于单幅图像的道路消失点检测方法,其特征在于,所述S2包括:
S2-3:寻找Log-Gabor响应极值,设I为S1步骤得到的灰度图像,I和Log-Gabor滤波器组Gs,o的卷积能够定义为:
将滤波器响应EOs,o在每个图像坐标中的最大值作为Log-Gabor响应极值Rm,下标m为最大值max的缩写,即
Rm(x,y)=max(||EOs,o(x,y)||1)
(x,y)为道路图像坐标,||·||1表示1范数。
将Rm归一化至[0,1],即
S2-4:寻找Log-Gabor最大响应方向。将滤波器响应EOs,o在每个道路图像坐标中的最大值对应的方向作为Log-Gabor最大响应方向O,即
(x,y)为道路图像坐标,||·||1表示1范数。
5.根据权利要求1所述的基于单幅图像的道路消失点检测方法,其特征在于,所述S3包括:
设定消失点的候选目标区域为Ω,则
其中W为道路图像的宽,H为道路图像的高。
6.根据权利要求1所述的基于单幅图像的道路消失点检测方法,其特征在于,所述S4包括:
S4-1:确定初始消失点投票点集区域为Θ1
S4-2:确定Log-Gabor响应极值R中满足条件的投票点集区域Θ2
Θ2(x,y)={(x,y)|R(x,y)≥0.05}
S4-3:确定有效投票点集Θ
Θ=Θ1∩Θ2。
7.根据权利要求5所述的基于单幅图像的道路消失点检测方法,其特征在于,所述S5包括:
S5-1:将S3中确定的消失点候选目标区域Ω作为初始累加投票空间,将初始累加投票空间中所有位置的初始票数设为0。
S5-2:根据有效投票点集Θ中的点的位置和方向可确定一条直线,记录这条直线与消失点候选目标区域Ω的所有交点位置,在累加投票空间中对应的这些位置增加投票数1;
S5-3:对投票点集Θ中所有点采用S5-2中的方法进行投票,并对得到的累加投票空间做5×5的滑动求和操作,得到最终的累加投票空间;
S5-4:将最终的累加投票空间中最大值的坐标作为道路消失点的坐标。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711294984.9A CN107977664B (zh) | 2017-12-08 | 2017-12-08 | 一种基于单幅图像的道路消失点检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711294984.9A CN107977664B (zh) | 2017-12-08 | 2017-12-08 | 一种基于单幅图像的道路消失点检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107977664A true CN107977664A (zh) | 2018-05-01 |
CN107977664B CN107977664B (zh) | 2019-12-31 |
Family
ID=62009540
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711294984.9A Active CN107977664B (zh) | 2017-12-08 | 2017-12-08 | 一种基于单幅图像的道路消失点检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107977664B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109446917A (zh) * | 2018-09-30 | 2019-03-08 | 长安大学 | 一种基于级联霍夫变换的消失点检测方法 |
CN110532892A (zh) * | 2019-08-05 | 2019-12-03 | 西安交通大学 | 一种非结构化道路单幅图像道路消失点检测方法 |
CN112667842A (zh) * | 2020-12-29 | 2021-04-16 | 中国电子科技集团公司第五十八研究所 | 图像纹理检索方法 |
CN113065391A (zh) * | 2021-02-20 | 2021-07-02 | 北京理工大学 | 一种复杂场景非结构化道路消失点检测方法 |
CN116109638A (zh) * | 2023-04-13 | 2023-05-12 | 中铁四局集团有限公司 | 一种钢轨折断检测方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102609938A (zh) * | 2012-01-16 | 2012-07-25 | 浙江大学 | 一种从单幅图像检测道路消失点的方法 |
CN102915441A (zh) * | 2012-08-30 | 2013-02-06 | 杭州电子科技大学 | 基于Haar纹理的非结构化道路检测方法 |
CN104050681A (zh) * | 2014-07-04 | 2014-09-17 | 哈尔滨工业大学 | 一种基于视频图像的道路消失点检测方法 |
CN104331873A (zh) * | 2013-07-22 | 2015-02-04 | 浙江大学 | 一种从单幅图像检测道路的方法 |
CN104700071A (zh) * | 2015-01-16 | 2015-06-10 | 北京工业大学 | 一种全景图道路轮廓的提取方法 |
CN107292234A (zh) * | 2017-05-17 | 2017-10-24 | 南京邮电大学 | 一种基于信息边缘和多模态特征的室内场景布局估计方法 |
-
2017
- 2017-12-08 CN CN201711294984.9A patent/CN107977664B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102609938A (zh) * | 2012-01-16 | 2012-07-25 | 浙江大学 | 一种从单幅图像检测道路消失点的方法 |
CN102915441A (zh) * | 2012-08-30 | 2013-02-06 | 杭州电子科技大学 | 基于Haar纹理的非结构化道路检测方法 |
CN104331873A (zh) * | 2013-07-22 | 2015-02-04 | 浙江大学 | 一种从单幅图像检测道路的方法 |
CN104050681A (zh) * | 2014-07-04 | 2014-09-17 | 哈尔滨工业大学 | 一种基于视频图像的道路消失点检测方法 |
CN104700071A (zh) * | 2015-01-16 | 2015-06-10 | 北京工业大学 | 一种全景图道路轮廓的提取方法 |
CN107292234A (zh) * | 2017-05-17 | 2017-10-24 | 南京邮电大学 | 一种基于信息边缘和多模态特征的室内场景布局估计方法 |
Non-Patent Citations (6)
Title |
---|
DAIMING ZHANG 等: ""Robust Inverse Perspective Mapping Based on Vanishing Point"", 《2014 IEEE INTERNATIONAL CONFERENCE ON SECURITY, PATTERN ANALYSIS, AND CYBERNETICS》 * |
HUI KONG 等: ""Generalizing Laplacian of Gaussian Filters for Vanishing-Point Detection"", 《IEEE TRANSACTIONS ON INTELLIGENT TRANSPORTATION SYSTEMS》 * |
WEIBIN YANG 等: ""Fast and Accurate Vanishing Point Detection in Complex Scenes"", 《2014 IEEE 17TH INTERNATIONAL CONFERENCE ON INTELLIGENT TRANSPORTATION SYSTEMS》 * |
刘理 等: ""基于路面积水反射模型和对称特征的车道检测方法"", 《集成技术》 * |
崔月平 等: ""基于Log-Gabor滤波器组的织物疵点检测算法"", 《北京服装学院学报》 * |
潘奎刚: ""智能车辆基于视觉的可通行区域检测方法"", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109446917A (zh) * | 2018-09-30 | 2019-03-08 | 长安大学 | 一种基于级联霍夫变换的消失点检测方法 |
CN109446917B (zh) * | 2018-09-30 | 2022-08-30 | 长安大学 | 一种基于级联霍夫变换的消失点检测方法 |
CN110532892A (zh) * | 2019-08-05 | 2019-12-03 | 西安交通大学 | 一种非结构化道路单幅图像道路消失点检测方法 |
CN110532892B (zh) * | 2019-08-05 | 2021-12-28 | 西安交通大学 | 一种非结构化道路单幅图像道路消失点检测方法 |
CN112667842A (zh) * | 2020-12-29 | 2021-04-16 | 中国电子科技集团公司第五十八研究所 | 图像纹理检索方法 |
CN112667842B (zh) * | 2020-12-29 | 2022-08-02 | 中国电子科技集团公司第五十八研究所 | 图像纹理检索方法 |
CN113065391A (zh) * | 2021-02-20 | 2021-07-02 | 北京理工大学 | 一种复杂场景非结构化道路消失点检测方法 |
CN113065391B (zh) * | 2021-02-20 | 2022-09-06 | 北京理工大学 | 一种复杂场景非结构化道路消失点检测方法 |
CN116109638A (zh) * | 2023-04-13 | 2023-05-12 | 中铁四局集团有限公司 | 一种钢轨折断检测方法及系统 |
CN116109638B (zh) * | 2023-04-13 | 2023-07-04 | 中铁四局集团有限公司 | 一种钢轨折断检测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN107977664B (zh) | 2019-12-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107977664A (zh) | 一种基于单幅图像的道路消失点检测方法 | |
CN105760812B (zh) | 一种基于Hough变换的车道线检测方法 | |
CN105261020B (zh) | 一种快速车道线检测方法 | |
CN103793712B (zh) | 一种基于边缘几何特征的图像识别方法及系统 | |
CN102609934B (zh) | 一种基于深度图像的多目标分割和跟踪方法 | |
CN100414560C (zh) | 基于小波变换和雷登变换的车牌提取方法 | |
CN109635656A (zh) | 基于神经网络的车辆属性识别方法、装置、设备及介质 | |
CN109460709A (zh) | 基于rgb和d信息融合的rtg视觉障碍物检测的方法 | |
CN105426864A (zh) | 一种基于等距边缘点匹配的多车道线检测方法 | |
Ying et al. | Robust lane marking detection using boundary-based inverse perspective mapping | |
CN104134209A (zh) | 一种视觉导航中的特征提取与匹配方法及系统 | |
CN111209780A (zh) | 车道线属性检测方法、装置、电子设备及可读存储介质 | |
CN111178150B (zh) | 车道线检测方法、系统及存储介质 | |
Wang et al. | A vision-based road edge detection algorithm | |
CN109472262A (zh) | 车牌识别方法、装置、计算机设备及存储介质 | |
Borkar et al. | Polar randomized hough transform for lane detection using loose constraints of parallel lines | |
CN106709518A (zh) | 基于Android平台的盲道识别系统 | |
CN111950537B (zh) | 斑马线信息获取方法、地图更新方法、装置及系统 | |
CN108304749A (zh) | 道路减速线识别方法、装置及车辆 | |
CN114037966A (zh) | 高精地图特征提取方法、装置、介质及电子设备 | |
CN111950345A (zh) | 摄像头的识别方法、装置、电子设备和存储介质 | |
CN110599509B (zh) | 一种基于八方向分数阶微分算子的边缘检测方法 | |
CN109558765A (zh) | 汽车及车道线的检测方法、装置 | |
Manoharan et al. | Image processing-based framework for continuous lane recognition in mountainous roads for driver assistance system | |
Xuan et al. | Robust lane-mark extraction for autonomous driving under complex real conditions |
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 |