CN108241829A - 车辆行驶图像识别方法 - Google Patents

车辆行驶图像识别方法 Download PDF

Info

Publication number
CN108241829A
CN108241829A CN201611207578.XA CN201611207578A CN108241829A CN 108241829 A CN108241829 A CN 108241829A CN 201611207578 A CN201611207578 A CN 201611207578A CN 108241829 A CN108241829 A CN 108241829A
Authority
CN
China
Prior art keywords
image
vehicle traveling
identified
target object
vehicle
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.)
Withdrawn
Application number
CN201611207578.XA
Other languages
English (en)
Inventor
李松泽
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
FAFA Automobile (China) Co., Ltd.
Original Assignee
LeTV Automobile Beijing Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by LeTV Automobile Beijing Co Ltd filed Critical LeTV Automobile Beijing Co Ltd
Priority to CN201611207578.XA priority Critical patent/CN108241829A/zh
Publication of CN108241829A publication Critical patent/CN108241829A/zh
Withdrawn legal-status Critical Current

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
    • 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
    • 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)
  • Image Analysis (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明实施例提供一种车辆行驶图像识别方法，属于图像处理技术领域。所述方法包括：获取待识别的车辆行驶图像，所述待识别的车辆行驶图像为车辆在道路上行驶过程中所记录的图像；以及利用目标对象识别模型对所述待识别的车辆行驶图像中的目标对象进行识别。本发明实施例只需要将获取的待识别的车辆行驶图像输入到目标对象识别模型，即可以自动地、实时地、有效地、准确地对待识别的车辆行驶图像中的目标对象进行识别，具有很高的智能性和鲁棒性。

Description

车辆行驶图像识别方法
技术领域
本发明实施例涉及图像处理技术领域，具体地，涉及一种车辆行驶图像识别方法。
背景技术
为了满足用户对设备智能性的期望，越来越多的智能、自动操作被研究和扩展。例如，对于车辆领域，用户车辆能够更加智能、更加安全的同时，用户的操作可以进一步减少。为了实现这一目的，车辆中可以安装数据检测设备，例如摄像头等，以为车辆的自动分析提供数据基础。
举例来说，对于车辆自动驾驶来说，对于车辆行驶图像中目标对象的正确识别是车辆精确定位、路径规划的重要依据。例如，以目标对象为车道线为例，现有技术中车道线检测方法主要为计算机视觉检测方法，其基于图像处理算法，检测出图像中行车道路的车道线标志区域。本申请发明人在实现本发明的过程中发现：由于车道线标志的种类繁多，车辆拥挤造成车道线标志区域被遮挡，车道线可能有腐蚀磨损的情况，以及天气等因素都能给车道线检测任务带来不小的挑战。此外，这类算法需要人工手动去调滤波算子，根据算法所针对的街道场景特点手动调节参数，工作量大且鲁棒性较差，当行车环境出现明显变化时，车道线的检测效果不佳。
发明内容
为了实现上述目的，本发明实施例提供一种车辆行驶图像识别方法，该方法包括：获取待识别的车辆行驶图像，所述待识别的车辆行驶图像为车辆在道路上行驶过程中所记录的图像；以及利用目标对象识别模型对所述待识别的车辆行驶图像中的目标对象进行识别。
可选的，该方法还包括：在利用目标对象识别模型对所述待识别的车辆行驶图像中的目标对象进行识别之前，对所述待识别的车辆行驶图像进行预处理。
可选的，所述预处理包括：对所述待识别的车辆行驶图像进行感兴趣区域(ROI)提取和/或图像逆透视映射(IPM)。
可选的，所述目标对象识别模型根据以下步骤建立：建立训练样本集的步骤，其中该步骤包括：采集多个包括目标对象的车辆行驶图像并标注出所述多个车辆行驶图像中的每一个车辆行驶图像中的目标对象，将所述多个车辆行驶图像以及对应的标注的目标对象作为训练集样本；建立深度神经网络的步骤，其中该步骤包括：将所述训练集样本中的所述多个车辆行驶图像作为深度神经网络的输入、所述训练集样本中的所述多个车辆行驶图像的对应的标注的目标对象作为所述深度神经网络的输出来进行训练；以及将训练完成后的深度神经网络作为目标对象识别模型。
可选的，所述建立训练样本集的步骤进一步包括：将所述多个车辆行驶图像进行预处理，所述预处理包括对所述多个车辆行驶图像进行感兴趣区域(ROI)提取和/或图像逆透视映射(IPM)；以及将预处理后的多个车辆行驶图像以及对应的标注的目标对象作为训练集样本。
可选的，其中所述目标对象为车辆行驶图像中的道路上的车道线。
可选的，该方法还包括：利用特征信息聚类和最小二乘法获得识别的车道线的参数方程和/或车道线的数量。
通过上述技术方案，只需要将获取的待识别的车辆行驶图像输入到目标对象识别模型，即可以自动地、实时地、有效地、准确地对待识别的车辆行驶图像中的目标对象进行识别，具有很高的智能性和鲁棒性。
本发明实施例的其它特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本发明实施例的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本发明实施例，但并不构成对本发明实施例的限制。在附图中：
图1是根据本发明实施例的一种实施例的车辆行驶图像识别装置的结构示意图；
图2-3是根据本发明实施例的一种实施例的示例目标对象识别过程的示意图；
图4是根据本发明实施例的一种实施例的车辆行驶图像识别装置的结构示意图；
图5是根据本发明实施例的一种实施例的示例目标对象识别过程的示意图；以及
图6是根据本发明实施例的一种实施例的车辆行驶图像识别方法的示例流程图。
具体实施方式
以下结合附图对本发明实施例的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本发明实施例，并不用于限制本发明实施例。
为了实现对车辆行驶图像中的目标对象进行自动地、实时地、有效地、准确地识别，本发明实施例考虑了多种实施例，下面将一一进行详细地说明：
实施例1
图1是根据本发明实施例的一种实施例的车辆行驶图像识别装置100的结构示意图，如图1所示，该装置可以包括：获取模块10，能够用于获取待识别的车辆行驶图像，所述待识别的车辆行驶图像可以为车辆在道路上行驶过程中所记录的图像，例如所述待识别的车辆行驶图像可以获取自在车辆上安装的摄像头(例如工业高清摄像头)、行车记录仪等图像获取装置；以及识别模块20，能够用于利用目标对象识别模型对所述待识别的车辆行驶图像中的目标对象进行识别，其中所述目标对象可以是用户或者技术人员需要的图像中的任何对象。例如，对于车辆自动驾驶来说，由于道路上的车道线为车辆精确定位、路径规划的重要依据，因此，可以将获取的车辆行驶图像中的道路上的车道线设定为目标对象。识别模块20可以利用目标对象识别模型对车道线进行识别并示出。
采用本实施例，车辆行驶图像识别装置100只需要将获取的待识别的车辆行驶图像输入到目标对象识别模型，即可以自动地、实时地、有效地、准确地对待识别的车辆行驶图像中的目标对象进行识别，具有很高的智能性和鲁棒性。
实施例2
图2-3是根据本发明实施例的一种实施例的示例目标对象识别过程的示意图，如图2所示，在该实施例2中进一步描述了实施例1的车辆行驶图像识别装置100的目标对象识别过程的一种示例。具体地，识别模块20在获取到待识别的车辆行驶图像后，可以将其输入到预先建立好的目标对象识别模型，该目标对象识别模型可以根据输入的图像对其中存在的目标对象进行识别，例如将所述目标对象从所述图像中分割出来。以车道线为例，目标对象识别模型可以从车辆行驶图像中将车道线在图像中的像素区域分割出来，以为后续的车道线分析提供数据基础，例如用于车辆自动驾驶系统的路径规划上等。
对于该目标对象识别模型，如图2所示，可以根据以下步骤建立：
建立训练样本集1000的步骤，其中该步骤可以包括：采集多个包括目标对象的车辆行驶图像，如图3所示，并标注出所述多个车辆行驶图像中的每一个车辆行驶图像中的目标对象，例如图3所示的1、2、3、4、5、6等，用不同的标号(或者颜色，这里由于附图中无法显示出不同颜色，因此用标号代替)来标注图像中的不同车道线，属于同一条车道线的线段用相同的标号或颜色标注，将所述多个车辆行驶图像以及对应的标注的目标对象作为训练集样本；以及
建立深度神经网络的步骤1001，其中该步骤可以包括：将所述训练集样本中的所述多个车辆行驶图像作为深度神经网络的输入、所述训练集样本中的所述多个车辆行驶图像的对应的标注的目标对象作为所述深度神经网络的输出来进行训练；以及将训练完成后的深度神经网络作为目标对象识别模型。其中深度神经网络是一种深度学习过程，由简单神经元组成的层数较深的多层感知机模型，其利用强大的非线性特性实现高维非凸函数的数学逼近，数学描述能力极强，复杂的网络结构使其能够从海量数据中学习出具代表性的特征。应当理解的是，所述深度神经网络可以选用任何适当的神经网络，例如多层前馈(BP)神经网络、径向基(RBF)神经网络、模糊神经网络、支持向量机(SVM)等。
为了进一步提高目标识别模型的精确度和降低模型的复杂性，所述深度神经网络可以为卷积神经网络(Convolutional Neural Network)。
采用这样的实施例，目标对象识别模型可以快速地、准确地识别车辆行驶图像中的目标对象。例如，以车道线为例，目标对象识别模型可以从车辆行驶图像中将车道线在图像中的像素区域分割出来，以为后续的车道线分析提供数据基础，例如用于车辆自动驾驶系统的路径规划上等。
实施例3
图4是根据本发明实施例的一种实施例的车辆行驶图像识别装置100的结构示意图；图5是根据本发明实施例的一种实施例的示例目标对象识别过程的示意图，如图4所示，在该实施例3中，与实施例2不同之处在于，该车辆行驶图像识别装置100除了可以包括获取模块10和识别模块20之外，还可以包括预处理模块30。
具体地，该预处理模块30可以在利用目标对象识别模型对所述待识别的车辆行驶图像中的目标对象进行识别之前对所述待识别的车辆行驶图像进行预处理，以去除不必要的噪声，并降低计算的复杂度。
例如，所述预处理模块可以对所述待识别的车辆行驶图像进行感兴趣区域(ROI)提取；或者图像逆透视映射(IPM)；或者进行感兴趣区域(ROI)提取和图像逆透视映射(IPM)两者。这主要是考虑到，例如，如图3所示的车辆行驶图像，其中一大部分示出的是天空以及其他建筑物(例如树木、路灯、指示牌)等等，这部分图像不包含车道线，因此可以将该区域进行裁剪，只提取出感兴趣的区域(即ROI提取)，从而降低需要识别的图像的尺寸大小，提高程序的执行效率。
并且，采集的图像多是从行车的视角，具有近大远小的效果，近处的车道线显示较粗，像素占比高，远处则慢慢变细，像素占比越来越少，原本应平行的车道线最终汇聚在一个消失点。而IPM映射可以消除这种透视效果。
因此，可以选择将感兴趣区域ROI提取后的图像进行IPM映射，这样车道线基本处于平行状态。此外，在IPM映射前还可以对感兴趣区域下采样，降低图像分辨率，提高后续车道线识别过程的运行速度。
对应地，也可以在目标对象识别模型阶段，对训练样本集中的图像进行相类似的预处理操作。如图5所示，所述建立训练样本集的步骤1000进一步包括：将所述多个车辆行驶图像进行预处理，所述预处理包括对所述多个车辆行驶图像进行感兴趣区域(ROI)提取和/或图像逆透视映射(IPM)；以及将预处理后的多个车辆行驶图像以及对应的标注的目标对象作为训练集样本。
采用这样的实施例，由于进行了预处理(例如感兴趣区域ROI提取和/或图像逆透视映射IPM)，去除了不必要的噪声，降低了待识别的图像的尺寸大小以及消除了透视效果，因此车辆行驶图像识别装置100可以更加快速地、准确地识别车辆行驶图像中的目标对象，例如，以车道线为例，可以更加快速地、准确地从车辆行驶图像中将车道线在图像中的像素区域分割出来，鲁棒性高，且分割结果噪声小。
实施例4
在该实施例4中，与实施例1-3不同之处在于，所述识别模块20可以进一步利用特征信息聚类和最小二乘法获得识别的车道线的参数方程和/或车道线的数量。具体地，通过实施例1-3所述，通过卷积神经网络等深度神经网络分割得到的车道线在图像中的像素区域之后，识别模块20可以利用特征信息聚类(例如，位置特征信息聚类)得到属于同一条车道线的像素区域，并采样每一条车道线上的点，最终使用最小二乘法对车道线进行二次曲线拟合，获取得到车道线的参数方程、或者车道线的数量、或者车道线的参数方程和车道线的数量两者。
采用这样的实施例，不仅可以车辆行驶图像中的车道线进行分割，还可以用最小二乘法对车道线进行参数回归，得到车道线参数方程以及数量，为后续车辆自动行驶等技术的研发提供了技术基础。
本发明实施例提供的车辆行驶图像识别装置可以以硬件或软件的形式实现，例如可以以软件的形式应用于需要对车辆行驶图像进行识别的任何适当的场景中，例如车辆控制平面、电子控制单元ECU、以及其他车载设备等，也可以以硬件的形式与上述场景中的设备集成，本发明实施例对此不进行限定。应当理解的是，本领域技术人员可以根据本发明实施例的公开选择上述各种实施例中的任一者，或者选择上述各种实施例的组合来配置车辆行驶图像识别装置，并且其他的替换实施例也落入本发明实施例的保护范围。
图6是根据本发明实施例的一种实施例的车辆行驶图像识别方法的示例流程图，如图6所示，该方法可以包括以下步骤：
步骤S11，获取待识别的车辆行驶图像，所述待识别的车辆行驶图像为车辆在道路上行驶过程中所记录的图像；以及
步骤S12，利用目标对象识别模型对所述待识别的车辆行驶图像中的目标对象进行识别。
可选的，该方法还包括：在利用目标对象识别模型对所述待识别的车辆行驶图像中的目标对象进行识别之前，对所述待识别的车辆行驶图像进行预处理。
可选的，所述预处理包括：对所述待识别的车辆行驶图像进行感兴趣区域(ROI)提取和/或图像逆透视映射(IPM)。
可选的，所述目标对象识别模型根据以下步骤建立：建立训练样本集的步骤，其中该步骤包括：采集多个包括目标对象的车辆行驶图像并标注出所述多个车辆行驶图像中的每一个车辆行驶图像中的目标对象，将所述多个车辆行驶图像以及对应的标注的目标对象作为训练集样本；建立深度神经网络的步骤，其中该步骤包括：将所述训练集样本中的所述多个车辆行驶图像作为深度神经网络的输入、所述训练集样本中的所述多个车辆行驶图像的对应的标注的目标对象作为所述深度神经网络的输出来进行训练；以及将训练完成后的深度神经网络作为目标对象识别模型。
可选的，所述建立训练样本集的步骤进一步包括：将所述多个车辆行驶图像进行预处理，所述预处理包括对所述多个车辆行驶图像进行感兴趣区域(ROI)提取和/或图像逆透视映射(IPM)；以及将预处理后的多个车辆行驶图像以及对应的标注的目标对象作为训练集样本。
可选的，所述深度神经网络为卷积神经网络(Convolutional Neural Network)。
可选的，其中所述目标对象为车辆行驶图像中的道路上的车道线。
可选的，该方法还包括：利用特征信息聚类和最小二乘法获得识别的车道线的参数方程和/或车道线的数量。
应当理解的是，上述车辆行驶图像识别方法的各个具体实施例，均已在示例车辆行驶图像识别装置的实施例中做了详细地说明(如上所述)，在此不再赘述。
采用本发明实施例的车辆行驶图像识别装置以及方法，只需要将获取的待识别的车辆行驶图像输入到目标对象识别模型，即可以自动地、实时地、有效地、准确地对待识别的车辆行驶图像中的目标对象进行识别，具有很高的智能性和鲁棒性。
以上结合附图详细描述了本发明实施例的可选实施方式，但是，本发明实施例并不限于上述实施方式中的具体细节，在本发明实施例的技术构思范围内，可以对本发明实施例的技术方案进行多种简单变型，这些简单变型均属于本发明实施例的保护范围。
另外需要说明的是，在上述具体实施方式中所描述的各个具体技术特征，在不矛盾的情况下，可以通过任何合适的方式进行组合。为了避免不必要的重复，本发明实施例对各种可能的组合方式不再另行说明。
本领域技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序存储在一个存储介质中，包括若干指令用以使得一个(可以是单片机，芯片等)或处理器(processor)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
此外，本发明实施例的各种不同的实施方式之间也可以进行任意组合，只要其不违背本发明实施例的思想，其同样应当视为本发明实施例所公开的内容。

Claims (7)

1.一种车辆行驶图像识别方法，其特征在于，该方法包括：
获取待识别的车辆行驶图像，所述待识别的车辆行驶图像为车辆在道路上行驶过程中所记录的图像；以及
利用目标对象识别模型对所述待识别的车辆行驶图像中的目标对象进行识别。
2.根据权利要求1所述的方法，其特征在于，该方法还包括：在利用目标对象识别模型对所述待识别的车辆行驶图像中的目标对象进行识别之前，对所述待识别的车辆行驶图像进行预处理。
3.根据权利要求2所述的方法，其特征在于，所述预处理包括：对所述待识别的车辆行驶图像进行感兴趣区域(ROI)提取和/或图像逆透视映射(IPM)。
4.根据权利要求1所述的方法，其特征在于，所述目标对象识别模型根据以下步骤建立：
建立训练样本集的步骤，其中该步骤包括：
采集多个包括目标对象的车辆行驶图像并标注出所述多个车辆行驶图像中的每一个车辆行驶图像中的目标对象，将所述多个车辆行驶图像以及对应的标注的目标对象作为训练集样本；
建立深度神经网络的步骤，其中该步骤包括：
将所述训练集样本中的所述多个车辆行驶图像作为深度神经网络的输入、所述训练集样本中的所述多个车辆行驶图像的对应的标注的目标对象作为所述深度神经网络的输出来进行训练；以及将训练完成后的深度神经网络作为目标对象识别模型。
5.根据权利要求4所述的方法，其特征在于，所述建立训练样本集的步骤进一步包括：
将所述多个车辆行驶图像进行预处理，所述预处理包括对所述多个车辆行驶图像进行感兴趣区域(ROI)提取和/或图像逆透视映射(IPM)；以及
将预处理后的多个车辆行驶图像以及对应的标注的目标对象作为训练集样本。
6.根据权利要求1-5中任一项权利要求所述的方法，其特征在于，其中所述目标对象为车辆行驶图像中的道路上的车道线。
7.根据权利要求6所述的方法，其特征在于，该方法还包括：
利用特征信息聚类和最小二乘法获得识别的车道线的参数方程和/或车道线的数量。
CN201611207578.XA 2016-12-23 2016-12-23 车辆行驶图像识别方法 Withdrawn CN108241829A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201611207578.XA CN108241829A (zh) 2016-12-23 2016-12-23 车辆行驶图像识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201611207578.XA CN108241829A (zh) 2016-12-23 2016-12-23 车辆行驶图像识别方法

Publications (1)

Publication Number Publication Date
CN108241829A true CN108241829A (zh) 2018-07-03

Family

ID=62703597

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201611207578.XA Withdrawn CN108241829A (zh) 2016-12-23 2016-12-23 车辆行驶图像识别方法

Country Status (1)

Country Link
CN (1) CN108241829A (zh)

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108898697A (zh) * 2018-07-25 2018-11-27 广东工业大学 一种路面特征获取方法及相关装置
CN109376594A (zh) * 2018-09-11 2019-02-22 百度在线网络技术（北京）有限公司 基于自动驾驶车辆的视觉感知方法、装置、设备以及介质
CN109389095A (zh) * 2018-10-24 2019-02-26 中车株洲电力机车研究所有限公司 一种路面标线图像识别方法和训练方法
CN109671286A (zh) * 2018-12-26 2019-04-23 东软睿驰汽车技术（沈阳）有限公司 一种道路信息和道路交通信息的处理方法和装置
CN110595499A (zh) * 2019-09-26 2019-12-20 北京四维图新科技股份有限公司 变道提醒方法、装置和系统
CN111103594A (zh) * 2018-10-10 2020-05-05 现代自动车株式会社 车辆中区分虚假目标的装置和方法及包括其的车辆
CN111127541A (zh) * 2018-10-12 2020-05-08 杭州海康威视数字技术股份有限公司 车辆尺寸的确定方法、装置及存储介质
CN111507226A (zh) * 2020-04-10 2020-08-07 北京觉非科技有限公司 道路图像识别模型建模方法、图像识别方法及电子设备
CN111563840A (zh) * 2019-01-28 2020-08-21 北京初速度科技有限公司 分割模型的训练方法、装置、位姿检测方法及车载终端
CN113703015A (zh) * 2020-05-22 2021-11-26 阿里巴巴集团控股有限公司 数据处理方法、装置、设备及介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104361350A (zh) * 2014-10-28 2015-02-18 奇瑞汽车股份有限公司 一种交通标识识别系统
CN105046235A (zh) * 2015-08-03 2015-11-11 百度在线网络技术（北京）有限公司 车道线的识别建模方法和装置、识别方法和装置
CN105260738A (zh) * 2015-09-15 2016-01-20 武汉大学 基于主动学习的高分辨率遥感影像变化检测方法及系统
CN105930830A (zh) * 2016-05-18 2016-09-07 大连理工大学 一种基于卷积神经网络的路面交通标志识别方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104361350A (zh) * 2014-10-28 2015-02-18 奇瑞汽车股份有限公司 一种交通标识识别系统
CN105046235A (zh) * 2015-08-03 2015-11-11 百度在线网络技术（北京）有限公司 车道线的识别建模方法和装置、识别方法和装置
CN105260738A (zh) * 2015-09-15 2016-01-20 武汉大学 基于主动学习的高分辨率遥感影像变化检测方法及系统
CN105930830A (zh) * 2016-05-18 2016-09-07 大连理工大学 一种基于卷积神经网络的路面交通标志识别方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
MOHAMED ALY: "Real time Detection of Lane Markers in Urban Streets", 《2008 IEEE INTELLIGENT VEHICLES SYMPOSIUM》 *
刘占文等: "面向智能车辆应用的智能仿真车研究与设计", 《现代电子技术》 *
钟晓明等: "基于快速区域卷积神经网络的交通标志识别算法研究", 《2016中国汽车工程学会年会论文集》 *

Cited By (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108898697A (zh) * 2018-07-25 2018-11-27 广东工业大学 一种路面特征获取方法及相关装置
CN109376594A (zh) * 2018-09-11 2019-02-22 百度在线网络技术（北京）有限公司 基于自动驾驶车辆的视觉感知方法、装置、设备以及介质
US11120275B2 (en) 2018-09-11 2021-09-14 Baidu Online Network Technology (Beijing) Co., Ltd. Visual perception method, apparatus, device, and medium based on an autonomous vehicle
CN111103594A (zh) * 2018-10-10 2020-05-05 现代自动车株式会社 车辆中区分虚假目标的装置和方法及包括其的车辆
CN111127541A (zh) * 2018-10-12 2020-05-08 杭州海康威视数字技术股份有限公司 车辆尺寸的确定方法、装置及存储介质
CN111127541B (zh) * 2018-10-12 2024-02-27 杭州海康威视数字技术股份有限公司 车辆尺寸的确定方法、装置及存储介质
CN109389095A (zh) * 2018-10-24 2019-02-26 中车株洲电力机车研究所有限公司 一种路面标线图像识别方法和训练方法
CN109389095B (zh) * 2018-10-24 2021-10-22 中车株洲电力机车研究所有限公司 一种路面标线图像识别方法和训练方法
CN109671286A (zh) * 2018-12-26 2019-04-23 东软睿驰汽车技术（沈阳）有限公司 一种道路信息和道路交通信息的处理方法和装置
CN111563840B (zh) * 2019-01-28 2023-09-05 北京魔门塔科技有限公司 分割模型的训练方法、装置、位姿检测方法及车载终端
CN111563840A (zh) * 2019-01-28 2020-08-21 北京初速度科技有限公司 分割模型的训练方法、装置、位姿检测方法及车载终端
CN110595499A (zh) * 2019-09-26 2019-12-20 北京四维图新科技股份有限公司 变道提醒方法、装置和系统
CN111507226B (zh) * 2020-04-10 2023-08-11 北京觉非科技有限公司 道路图像识别模型建模方法、图像识别方法及电子设备
CN111507226A (zh) * 2020-04-10 2020-08-07 北京觉非科技有限公司 道路图像识别模型建模方法、图像识别方法及电子设备
CN113703015A (zh) * 2020-05-22 2021-11-26 阿里巴巴集团控股有限公司 数据处理方法、装置、设备及介质
CN113703015B (zh) * 2020-05-22 2024-05-03 阿里巴巴集团控股有限公司 数据处理方法、装置、设备及介质

Similar Documents

Publication Publication Date Title
CN108241829A (zh) 车辆行驶图像识别方法
CN105069415B (zh) 车道线检测方法和装置
CN110414451B (zh) 一种基于端对端的车牌识别方法、装置、设备及存储介质
CN103077407B (zh) 车标定位识别方法及系统
CN103324930B (zh) 一种基于灰度直方图二值化的车牌字符分割方法
WO2017041396A1 (zh) 一种车道线数据的处理方法、装置、存储介质及设备
CN103268489B (zh) 基于滑窗搜索的机动车号牌识别方法
Guo et al. Lane detection method based on improved RANSAC algorithm
CN104766046A (zh) 一种利用交通标识颜色及形状特征进行检测与识别算法
CN104156734A (zh) 一种基于随机蕨分类器的全自主在线学习方法
CN103679168A (zh) 文字区域检测方法及装置
CN104700072A (zh) 基于车道线历史帧的识别方法
CN104268596A (zh) 一种车牌识别器及其车牌检测方法与系统
CN105426863A (zh) 检测车道线的方法和装置
CN110807123A (zh) 车辆长度计算方法、装置、系统、计算机设备及存储介质
Kavitha et al. Pothole and object detection for an autonomous vehicle using yolo
CN107704833A (zh) 一种基于机器学习的前方车辆检测与跟踪方法
CN107133588A (zh) 基于车窗特征提取的车辆识别方法
Hatolkar et al. A survey on road traffic sign recognition system using convolution neural network
Premachandra et al. Road crack detection using color variance distribution and discriminant analysis for approaching smooth vehicle movement on non-smooth roads
Wei et al. Detection of lane line based on Robert operator
Rakotondrajao et al. Road boundary detection for straight lane lines using automatic inverse perspective mapping
CN109977862B (zh) 一种车位限位器的识别方法
CN105512662A (zh) 一种无牌车辆检测方法及装置
Chen Road vehicle recognition algorithm in safety assistant driving based on artificial intelligence

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
TA01 Transfer of patent application right

Effective date of registration: 20180711

Address after: 511458 9, Nansha District Beach Road, Guangzhou, Guangdong, 9

Applicant after: Rui Chi intelligent automobile (Guangzhou) Co., Ltd.

Address before: 100026 8 floor 909, 105 building 3, Yao Yuan Road, Chaoyang District, Beijing.

Applicant before: Music Automotive (Beijing) Co., Ltd.

TA01 Transfer of patent application right
CB02 Change of applicant information

Address after: 511458 9, Nansha District Beach Road, Guangzhou, Guangdong, 9

Applicant after: Hengda Faraday future intelligent vehicle (Guangdong) Co., Ltd.

Address before: 511458 9, Nansha District Beach Road, Guangzhou, Guangdong, 9

Applicant before: Rui Chi intelligent automobile (Guangzhou) Co., Ltd.

CB02 Change of applicant information
TA01 Transfer of patent application right

Effective date of registration: 20190318

Address after: 100015 Building No. 7, 74, Jiuxianqiao North Road, Chaoyang District, Beijing, 001

Applicant after: FAFA Automobile (China) Co., Ltd.

Address before: 511458 9, Nansha District Beach Road, Guangzhou, Guangdong, 9

Applicant before: Hengda Faraday future intelligent vehicle (Guangdong) Co., Ltd.

TA01 Transfer of patent application right
WW01 Invention patent application withdrawn after publication

Application publication date: 20180703

WW01 Invention patent application withdrawn after publication