CN108615242B - 一种高速护栏跟踪方法 - Google Patents

一种高速护栏跟踪方法 Download PDF

Info

Publication number
CN108615242B
CN108615242B CN201810420757.4A CN201810420757A CN108615242B CN 108615242 B CN108615242 B CN 108615242B CN 201810420757 A CN201810420757 A CN 201810420757A CN 108615242 B CN108615242 B CN 108615242B
Authority
CN
China
Prior art keywords
guardrail
image
tracking
equation
speed
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
Application number
CN201810420757.4A
Other languages
English (en)
Other versions
CN108615242A (zh
Inventor
朱浩
邹可
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.)
Chongqing University of Post and Telecommunications
Original Assignee
Chongqing University of Post and Telecommunications
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 Chongqing University of Post and Telecommunications filed Critical Chongqing University of Post and Telecommunications
Priority to CN201810420757.4A priority Critical patent/CN108615242B/zh
Publication of CN108615242A publication Critical patent/CN108615242A/zh
Application granted granted Critical
Publication of CN108615242B publication Critical patent/CN108615242B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/277—Analysis of motion involving stochastic approaches, e.g. using Kalman filters
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30248—Vehicle exterior or interior
    • G06T2207/30252—Vehicle exterior; Vicinity of vehicle

Landscapes

  • Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Traffic Control Systems (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明涉及一种高速护栏跟踪方法，属于无人驾驶中道路环境感知领域，用于在高速路环境中建立护栏模型并对护栏进行跟踪，包括：首先采用摄像机获取道路图像，其次对采集的图像预处理，并对图像进行逆透视变换，然后对于预处理后的图像数据，采用一种可操纵滤波器的方法，建立图像中的护栏模型，并用迭代加权最小二乘法去除干扰线段拟合护栏，从而获得护栏相关参数，随后采用卡尔曼滤波跟踪护栏模型，得到护栏位置、斜率以及曲率的最优估计值，最终实现对高速护栏的跟踪。上述高速护栏跟踪方法可以仅利用摄像机精确稳定地实现高速护栏的跟踪。

Description

一种高速护栏跟踪方法
技术领域
本发明属于无人驾驶中道路环境感知领域，具体涉及一种高速护栏跟踪方法。
背景技术
随着社会和经济技术的发展，交通道路上的车辆越来越多，道路环境也越来越复杂，随之而来的交通事故也频繁发生，为了减少此类情况的发生，智能交通应运而生，而在智能交通中，智能车是智能交通中关键的一部分，智能车的出现帮助驾驶员驾驶，使得交通事故发生的频率得以减少。
智能车主动安全研究是智能交通研究中重要一环，而智能车防碰撞系统就是为解决智能车主动安全设计的，智能车行驶在高速路上时，护栏检测与跟踪对于区分潜在的碰撞威胁有很重要的作用，并且由于护栏限制了道路的边界，提供了车道的变化信息，这些对于车辆的路径规划和局部感知都能提供更丰富的信息；另外，对于更加复杂的高速环境，可以利用护栏的位置来确定的车辆最大行驶横向区域来更好的行驶在本车道内，从而降低了交通事故的发生率。因此高速护栏的检测和跟踪在智能车研究上，特别是高速道路的安全中具有重要的意义。
现有护栏检测技术主要有两种，一是采用摄像头图像处理的方法采集护栏，单一图像对于护栏检测具有；二是根据激光点云采集护栏的特征点，但是，激光点云数据既包括有用的护栏信息，也包括与护栏有交叠部分的植被、树木或阴影等不易去除，导致目前护栏的检测准确度较低。
发明内容
有鉴于此，本发明的目的在于提供一种基于卡尔曼滤波的护栏跟踪方法，以实现高速护栏检测与跟踪在环境感知中的应用，区分智能车在高速路上行驶时潜在的碰撞威胁，提高护栏的跟踪精度、稳定性及鲁棒性，并能实时的跟踪护栏。
为达到上述目的，本发明提供如下技术方案：
一种高速护栏跟踪方法，包括以下步骤：
S1：获取道路图像数据，所述道路图像数据包含高速道路和护栏的图像；
S2：对采集的图像进行预处理，并对图像进行逆透视变换；
S3：对于预处理后的图像数据，采用可操纵滤波器建立图像中的护栏模型；
S4：采用迭代加权最小二乘法去除干扰线段拟合护栏，获得护栏相关参数用于护栏跟踪；
S5：采用卡尔曼滤波跟踪护栏模型，对高速护栏进行跟踪。
进一步，在步骤S1中，采用摄像机获取道路图像数据，摄像机位置为固定视频采集，并安装在智能汽车的车顶中间位置，安装位置距离地面1-1.5米，摄像广角大于110度，分辨率大于640*480，以每秒钟30帧的速率采集车辆前方的图像。
进一步，在步骤S2中，对图像的预处理包括：
S21：将图像灰度化，采用以下公式将RGB图像转化为灰度图像：
Gray＝0.3R+0.59G+0.11B (1)
S22：对图像采取形态学梯度操作，将团块的边缘突出出来；
所述逆透视变换包括将图像经过一系列旋转和平移转换，整体变换公式如下：
Figure BDA0001650618040000021
其中R，T分别为数据由世界坐标系转为摄像机坐标系的旋转和平移矩阵，F为相机焦距，
Figure BDA0001650618040000022
和
Figure BDA0001650618040000023
表示：x方向和y方向的每单位长度包含的像素个数；u0、v0分别表示图像的中心像素坐标和图像原点像素坐标之间相差的横向和纵向像素数。
进一步，在步骤S3中所述的采用可操纵滤波器建立护栏模型包括：
S31：采用公式(3)对逆透视后的高速场景图构建护栏模型，式中Xl表示左侧护栏的参数模型，Xr表示右侧护栏的参数模型，tanθ为护栏的斜率，φ为护栏内的横向距离，W为护栏宽度，
Figure BDA0001650618040000024
为曲率，θ为车道角度；
Figure BDA0001650618040000025
S32：利用霍夫变换求解图像中的斜率tanθ；
S33：采用二维高斯滤波求解曲率
Figure BDA0001650618040000026
可操纵的过滤器能够分离且能够定位各种车道标记取向，采用公式(4)、(5)、(6)定向高斯滤波器的二阶导数来构造：
Figure BDA0001650618040000031
Figure BDA0001650618040000032
Figure BDA0001650618040000033
其中Gxx、Gyy和Gxy分别对应于x，y和x-y方向上的二阶导数，分别求解出
Figure BDA0001650618040000034
而由于护栏是防止高速行驶的车偏离车道的保障，所以其曲率应该更接近于
Figure BDA0001650618040000035
以此来限制高速车道中车的横向距离。
进一步，在步骤S5中，使用卡尔曼滤波跟踪护栏的位置、护栏宽度和护栏曲率与斜率参数，系统的线性动态模型公式如下：
gk＝Agk-1+Buk-1+sk-1 (7)
yk＝Hgk+ok (8)
Pk＝APk-1AT+Q (9)
Kk＝PkHT(HPkHT+R)-1 (10)
Figure BDA0001650618040000036
Figure BDA0001650618040000037
其中：
Figure BDA0001650618040000038
Figure BDA0001650618040000039
Figure BDA00016506180400000310
Buk-1＝[0 ΦΔt 0 0]T (16)
其中，tanθ为护栏的斜率，φ为护栏内的横向距离，
Figure BDA0001650618040000041
为曲率，W为护栏宽度，v为车速，Φ为智能车车轮的转向角，sk-1状态噪声，ok为观测噪声，Q为状态噪声协方差，R为观测噪声协方差；
公式(7)表示卡尔曼滤波方程中的状态变量gk，其使用护栏位置、斜率、曲率来估计护栏下一时刻的状态，其中Buk-1为智能车的车轮转向角；
公式(8)表示卡尔曼滤波方程中的观测变量yk，其用护栏内的横向距离、护栏宽度和斜率的观测值来对系统状态变量进行校正；
公式(9)为卡尔曼滤波方程中的误差协方差Pk；
公式(10)表示卡尔曼滤波方程中的卡尔曼增益Kk，其用作护栏状态值和护栏观测值之间的权重，从而构成护栏位置、斜率、曲率的最优估计值
Figure BDA0001650618040000042
即公式(11)；
公式(12)表示卡尔曼滤波方程中的误差协方差更新值
Figure BDA0001650618040000043
其为下一时刻估计护栏位置的参数做准备。
进一步，在步骤S1中，采用的摄像机为微光相机或者光学相机。
本发明的有益效果在于：
1、本发明采用摄像头采集图像数据用于高速护栏的跟踪与检测，如此减少了实施成本，避免了运用激光雷达时对庞大数据的处理。
2、相比于现有的其他护栏检测的方法，本发明采用结合可操纵滤波器和迭代加权最小二乘法的方法能更加准确、稳定地检测护栏。
3、本发明利用卡尔曼滤波对高速护栏实现跟踪，以估计下一时刻护栏的位置、斜率、曲率等信息，区分智能车在高速路上行驶时潜在的碰撞威胁，提高护栏的跟踪精度、稳定性及鲁棒性，并能实时的跟踪护栏。
附图说明
为了使本发明的目的、技术方案和有益效果更加清楚，本发明提供如下附图进行说明：
图1为本发明实施例所述高速护栏跟踪方法的主流程图；
图2为发明实施例所述的摄像头安装位置图；
图3为发明实施例所述的应用卡尔曼滤波器跟踪护栏模型流程图；
图4为发明实施例所述的护栏模型图。
具体实施方式
下面将结合附图，对本发明的优选实施例进行详细的描述。
本实施例选用微光摄像机或者光学作为图像数据采集传感器，在VS2013环境中编写算法以实现一种基于卡尔曼滤波的高速护栏跟踪方法。
具体实施方式如图1所示，包括以下步骤：
101，采用摄像机获取道路图像，所述道路图像数据包含高速道路和护栏的图像。
102：对采集的图像预处理，并对图像进行逆透视变换。
103：对于预处理后的图像数据，采用一种可操纵滤波器的方法，提取图像中的护栏模型。
104：采用迭代加权最小二乘法去除干扰线段拟合护栏，从而获得护栏相关参数用于护栏跟踪。
105：采用卡尔曼滤波跟踪护栏模型，最终完成对高速护栏进行跟踪的结果。
所述步骤101摄像机位置如图2所示，应为固定视频采集，并安装在智能汽车的车顶中间位置，其位置距离地面1-1.5米，摄像广角大于110度，分辨率大于640*480，以每秒钟30帧的速率采集车辆前方的图像。
所述步骤102图像预处理包括：
(1)将图像灰度化，采用如下公式将RGB图像转化为灰度图像
Gray＝0.3R+0.59G+0.11B (1)
(2)对图像采取形态学梯度操作，对二值图像进行这一操作可以将团块的边缘突出出来，从而保留了车道线、护栏等边缘信息，也一定程度上去除了噪声。
所述步骤102的逆透视变换就是将图像经过一系列旋转和平移转换得到，整体变换公式如下
Figure BDA0001650618040000051
其中：R，T分别为数据由世界坐标系转为摄像机坐标系的旋转和平移矩阵，F为相机焦距，
Figure BDA0001650618040000052
和
Figure BDA0001650618040000053
表示：x方向和y方向的每单位长度包含多少像素个数(可是小数)；u0、v0分别表示图像的中心像素坐标和图像原点像素坐标之间相差的横向和纵向像素数。
所述步骤103采用可操纵滤波器，建立护栏模型，如图4所示包括：
a.对逆透视后的高速场景图构建护栏模型，如公式(3)，式中Xl表示左侧护栏的参数模型，Xr表示右侧护栏的参数模型，tanθ为护栏的斜率，φ为护栏内的横向距离，W为护栏宽度，
Figure BDA0001650618040000061
为曲率，θ为车道角度。
Figure BDA0001650618040000062
b.利用霍夫变换求解图像中的斜率tanθ。对于预处理和逆透视变换后的图像，在opencv2.4.6的环境下，在设置感兴趣区域的条件下对图像采取霍夫变换，从而求得护栏的参数：斜率tanθ。
c.采用二维高斯滤波求解曲率
Figure BDA0001650618040000063
可操纵的过滤器是可分离的，并且能够定位各种车道标记取向，它们通过定向高斯滤波器的二阶导数来构造，如公式(4)、(5)、(6)：
Figure BDA0001650618040000064
Figure BDA0001650618040000065
Figure BDA0001650618040000066
其中Gxx、Gyy和Gxy分别对应于x，y和x-y方向上的二阶导数，分别求解出
Figure BDA0001650618040000067
而由于护栏是防止高速行驶的车偏离车道的保障，所以其曲率应该更接近于
Figure BDA0001650618040000068
以此来限制高速车道中车的横向距离。
如图3所示，所述步骤105的使用卡尔曼滤波跟踪护栏的位置、护栏宽度和护栏曲率与斜率参数。系统的线性动态模型如公式如下：
gk＝Agk-1+Buk-1+sk-1 (7)
yk＝Hgk+ok (8)
Pk＝APk-1AT+Q (9)
Kk＝PkHT(HPkHT+R)-1 (10)
Figure BDA0001650618040000069
Figure BDA00016506180400000610
其中：
Figure BDA0001650618040000071
Figure BDA0001650618040000072
Figure BDA0001650618040000073
Buk-1＝[0 ΦΔt 0 0]T (16)
上式中，tanθ为护栏的斜率，φ为护栏内的横向距离，
Figure BDA0001650618040000074
为曲率，此三项都从求解出的护栏模型中得出。W为护栏宽度，为经验测试得到。v为车速，Φ为智能车车轮的转向角，此两项都可观测得到。sk-1状态噪声，ok为观测噪声，Q为状态噪声协方差，R为观测噪声协方差。
公式(7)表示卡尔曼滤波方程中的状态变量gk，其使用护栏位置、斜率、曲率来估计护栏下一时刻的状态，其中Buk-1为系统的输入，这里用智能车的车轮转向角来作为输入。公式(8)表示卡尔曼滤波方程中的观测变量yk，其用护栏内的横向距离、护栏宽度和斜率的观测值来对系统状态变量进行校正。公式(9)为卡尔曼滤波方程中的误差协方差Pk。公式(10)表示卡尔曼滤波方程中的卡尔曼增益Kk，其用作护栏状态值和护栏观测值之间的权重，从而构成护栏位置、斜率、曲率的最优估计值
Figure BDA0001650618040000075
即公式(11)。公式(12)表示卡尔曼滤波方程中的误差协方差更新值
Figure BDA0001650618040000076
其为下一时刻估计护栏位置等参数准备。
卡尔曼滤波器利用状态方程(7)与观测方程(8)对护栏位置、护栏宽度和护栏斜率进行估计。状态噪声协方差Q和观测噪声协方差R由经验测试决定，将控制输入添加到卡尔曼方程(7)中，通过观测方程(8)来确定使用卡尔曼增益Kk即加权值，从而经卡尔曼方程(11)校正得到护栏的最优估计值
Figure BDA0001650618040000081
可以有效地对下一时刻护栏位置、护栏的斜率、曲率进行跟踪。
最后说明的是，以上优选实施例仅用以说明本发明的技术方案而非限制，尽管通过上述优选实施例已经对本发明进行了详细的描述，但本领域技术人员应当理解，可以在形式上和细节上对其作出各种各样的改变，而不偏离本发明权利要求书所限定的范围。

Claims (6)

1.一种高速护栏跟踪方法，其特征在于：包括以下步骤：
S1：获取道路图像数据，所述道路图像数据包含高速道路和护栏的图像；
S2：对采集的图像进行预处理，并对图像进行逆透视变换；
S3：对于预处理后的图像数据，采用可操纵滤波器建立图像中的护栏模型，所述可操纵滤波器能够分离且能够定位各种车道标记取向；
S4：采用迭代加权最小二乘法去除干扰线段拟合护栏，获得护栏相关参数用于护栏跟踪；
S5：采用卡尔曼滤波跟踪护栏模型，对高速护栏进行跟踪。
2.根据权利要求1所述的高速护栏跟踪方法，其特征在于：在步骤S2中，对图像的预处理包括：
S21：将图像灰度化，采用以下公式将RGB图像转化为灰度图像：
Gray＝0.3R+0.59G+0.11B (1)
S22：对图像采取形态学梯度操作，将团块的边缘突出出来；
所述逆透视变换包括将图像经过一系列旋转和平移转换，整体变换公式如下：
Figure FDA0003100936390000011
其中R，T分别为数据由世界坐标系转为摄像机坐标系的旋转和平移矩阵，F为相机焦距，
Figure FDA0003100936390000012
和
Figure FDA0003100936390000013
表示：x方向和y方向的每单位长度包含的像素个数；u0、v0分别表示图像的中心像素坐标和图像原点像素坐标之间相差的横向和纵向像素数。
3.根据权利要求2所述的高速护栏跟踪方法，其特征在于：在步骤S3中所述的采用可操纵滤波器建立护栏模型包括：
S31：采用公式(3)对逆透视后的高速场景图构建护栏模型，式中Xl表示左侧护栏的参数模型，Xr表示右侧护栏的参数模型，tanθ为护栏的斜率，φ为护栏内的横向距离，W为护栏宽度，
Figure FDA0003100936390000014
为曲率，θ为车道角度；
Figure FDA0003100936390000015
S32：利用霍夫变换求解图像中的斜率tanθ；
S33：采用二维高斯滤波求解曲率
Figure FDA0003100936390000021
可操纵滤波器能够分离且能够定位各种车道标记取向，采用公式(4)、(5)、(6)定向高斯滤波器的二阶导数来构造：
Figure FDA0003100936390000022
Figure FDA0003100936390000023
Figure FDA0003100936390000024
其中Gxx、Gyy和Gxy分别对应于x，y和x-y方向上的二阶导数，分别求解出
Figure FDA0003100936390000025
而由于护栏是防止高速行驶的车偏离车道的保障，所以其曲率应该更接近于
Figure FDA0003100936390000026
以此来限制高速车道中车的横向距离。
4.根据权利要求3所述的高速护栏跟踪方法，其特征在于：在步骤S5中，使用卡尔曼滤波跟踪护栏的位置、护栏宽度和护栏曲率与斜率参数，系统的线性动态模型公式如下：
gk＝Agk-1+Buk-1+sk-1 (7)
yk＝Hgk+ok (8)
Pk＝APk-1AT+Q (9)
Kk＝PkHT(HPkHT+R)-1 (10)
Figure FDA0003100936390000027
Figure FDA0003100936390000028
其中：
Figure FDA0003100936390000029
Figure FDA00031009363900000210
Figure FDA00031009363900000211
Buk-1＝[0 ΦΔt 0 0]T (16)
其中，tanθ为护栏的斜率，φ为护栏内的横向距离，
Figure FDA0003100936390000031
为曲率，W为护栏宽度，v为车速，Φ为智能车车轮的转向角，sk-1状态噪声，ok为观测噪声，Q为状态噪声协方差，R为观测噪声协方差；
公式(7)表示卡尔曼滤波方程中的状态变量gk，其使用护栏位置、斜率、曲率来估计护栏下一时刻的状态，其中Buk-1为智能车的车轮转向角；
公式(8)表示卡尔曼滤波方程中的观测变量yk，其用护栏内的横向距离、护栏宽度和斜率的观测值来对系统状态变量进行校正；
公式(9)为卡尔曼滤波方程中的误差协方差Pk；
公式(10)表示卡尔曼滤波方程中的卡尔曼增益Kk，其用作护栏状态值和护栏观测值之间的权重，从而构成护栏位置、斜率、曲率的最优估计值
Figure FDA0003100936390000032
即公式(11)；
公式(12)表示卡尔曼滤波方程中的误差协方差更新值
Figure FDA0003100936390000033
其为下一时刻估计护栏位置的参数做准备。
5.根据权利要求4所述的高速护栏跟踪方法，其特征在于：在步骤S1中，采用的摄像机为微光相机或者光学相机。
6.根据权利要求5所述的高速护栏跟踪方法，其特征在于：在步骤S1中，采用摄像机获取道路图像数据，摄像机位置为固定视频采集，并安装在智能汽车的车顶中间位置，安装位置距离地面1-1.5米，摄像广角大于110度，分辨率大于640*480，以每秒钟30帧的速率采集车辆前方的图像。
CN201810420757.4A 2018-05-04 2018-05-04 一种高速护栏跟踪方法 Active CN108615242B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810420757.4A CN108615242B (zh) 2018-05-04 2018-05-04 一种高速护栏跟踪方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810420757.4A CN108615242B (zh) 2018-05-04 2018-05-04 一种高速护栏跟踪方法

Publications (2)

Publication Number Publication Date
CN108615242A CN108615242A (zh) 2018-10-02
CN108615242B true CN108615242B (zh) 2021-07-27

Family

ID=63662056

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810420757.4A Active CN108615242B (zh) 2018-05-04 2018-05-04 一种高速护栏跟踪方法

Country Status (1)

Country Link
CN (1) CN108615242B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110021167A (zh) * 2019-04-09 2019-07-16 杭州路灵信息技术有限公司 一种高速公路云巡查系统及数据处理方法
CN111241900B (zh) * 2019-04-12 2021-02-05 宁夏爱特云翔信息技术有限公司 交通环境现场维护方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5807287A (en) * 1996-08-01 1998-09-15 Cheng; Tzu-Keng Massaging apparatus with audio signal control
CN103699899A (zh) * 2013-12-23 2014-04-02 北京理工大学 基于等距曲线模型的车道线检测方法
CN104008645A (zh) * 2014-06-12 2014-08-27 湖南大学 一种适用于城市道路车道线预测及预警方法
CN105760812A (zh) * 2016-01-15 2016-07-13 北京工业大学 一种基于Hough变换的车道线检测方法
CN106056100A (zh) * 2016-06-28 2016-10-26 重庆邮电大学 一种基于车道检测与目标跟踪的车辆辅助定位方法
CN106780524A (zh) * 2016-11-11 2017-05-31 厦门大学 一种三维点云道路边界自动提取方法
CN106778668A (zh) * 2016-12-30 2017-05-31 明见（厦门）技术有限公司 一种联合ransac和cnn的鲁棒的车道线检测方法
CN107330906A (zh) * 2017-06-28 2017-11-07 江南大学 基于曲线拟合的改进细化算法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5807287A (en) * 1996-08-01 1998-09-15 Cheng; Tzu-Keng Massaging apparatus with audio signal control
CN103699899A (zh) * 2013-12-23 2014-04-02 北京理工大学 基于等距曲线模型的车道线检测方法
CN104008645A (zh) * 2014-06-12 2014-08-27 湖南大学 一种适用于城市道路车道线预测及预警方法
CN105760812A (zh) * 2016-01-15 2016-07-13 北京工业大学 一种基于Hough变换的车道线检测方法
CN106056100A (zh) * 2016-06-28 2016-10-26 重庆邮电大学 一种基于车道检测与目标跟踪的车辆辅助定位方法
CN106780524A (zh) * 2016-11-11 2017-05-31 厦门大学 一种三维点云道路边界自动提取方法
CN106778668A (zh) * 2016-12-30 2017-05-31 明见（厦门）技术有限公司 一种联合ransac和cnn的鲁棒的车道线检测方法
CN107330906A (zh) * 2017-06-28 2017-11-07 江南大学 基于曲线拟合的改进细化算法

Also Published As

Publication number Publication date
CN108615242A (zh) 2018-10-02

Similar Documents

Publication Publication Date Title
Kang et al. Pothole detection system using 2D LiDAR and camera
Assidiq et al. Real time lane detection for autonomous vehicles
CN106529493B (zh) 一种基于透视图的鲁棒性多车道线检测方法
EP1796043B1 (en) Object detection
US11373532B2 (en) Pothole detection system
CN105718872B (zh) 两侧车道快速定位及检测车辆偏转角度的辅助方法及系统
CN108398672B (zh) 基于前倾2d激光雷达移动扫描的路面与障碍检测方法
Zhang et al. Robust inverse perspective mapping based on vanishing point
CN111369541A (zh) 一种智能汽车恶劣天气条件下车辆检测方法
Berg et al. Detecting rails and obstacles using a train-mounted thermal camera
Fernández et al. Free space and speed humps detection using lidar and vision for urban autonomous navigation
DE102016104732A1 (de) Verfahren zur Bewegungsabschätzung zwischen zwei Bildern eines Umgebungsbereichs eines Kraftfahrzeugs, Rechenvorrichtung, Fahrerassistenzsystem sowie Kraftfahrzeug
KR20110001427A (ko) 관심영역 추출에 의한 차선 고속검출 방법
CN202134079U (zh) 一种无人驾驶车辆车道标志线识别与报警装置
CN103204104B (zh) 一种车辆全视角驾驶监控系统及方法
CN108615242B (zh) 一种高速护栏跟踪方法
Khalifa et al. A hyperbola-pair based lane detection system for vehicle guidance
Lim et al. Lane detection and Kalman-based linear-parabolic lane tracking
Li et al. A lane marking detection and tracking algorithm based on sub-regions
CN111368797A (zh) 一种基于路端单目摄像头的目标实时测距方法
Kuramoto et al. Mono-camera based 3D object tracking strategy for autonomous vehicles
CN114399748A (zh) 一种基于视觉车道检测的农机实时路径校正方法
Sun Vision based lane detection for self-driving car
CN113516711A (zh) 相机位姿估计技术
FAN et al. Robust lane detection and tracking based on machine vision

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