CN108805065A - 一种基于几何特征改进的车道线检测方法 - Google Patents

一种基于几何特征改进的车道线检测方法 Download PDF

Info

Publication number
CN108805065A
CN108805065A CN201810550201.7A CN201810550201A CN108805065A CN 108805065 A CN108805065 A CN 108805065A CN 201810550201 A CN201810550201 A CN 201810550201A CN 108805065 A CN108805065 A CN 108805065A
Authority
CN
China
Prior art keywords
profile
image
boundary
roadway segment
point
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.)
Pending
Application number
CN201810550201.7A
Other languages
English (en)
Inventor
李巍华
黄如意
孙宇飞
刘晓楠
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.)
South China University of Technology SCUT
Original Assignee
South China University of Technology SCUT
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 South China University of Technology SCUT filed Critical South China University of Technology SCUT
Priority to CN201810550201.7A priority Critical patent/CN108805065A/zh
Publication of CN108805065A publication Critical patent/CN108805065A/zh
Pending 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
    • 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
    • G06V10/20—Image preprocessing

Landscapes

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

Abstract

本发明公开了一种基于几何特征改进的车道线检测方法，包括以下步骤：(1)利用车载摄像机获取当前道路场景中的图像；(2)对获取的图像进行预处理，提高图像识别的正确率；(3)利用边界跟踪方法提取二值图像中的车道线轮廓；(4)利用车道段的几何特征，对提取出的轮廓进行筛选，提取有效车道段；(5)对有效车道段进行直线拟合，划定车辆的可行驶区域。本发明利用车道段的几何特征和属性识别出车道线并划定出车辆的可行驶区域，降低车道线误检概率，同时不降低实时性，达到同时兼顾准确性和实时性的目的。高级辅助驾驶系统或者未来的智能驾驶系统可通过此方法进行车辆偏离预警、车辆行驶方向判断以及驾驶车道内道路障碍物的识别。

Description

一种基于几何特征改进的车道线检测方法
技术领域
本发明涉及图像处理及计算机视觉领域，尤其涉及一种基于几何特征改进的车道线检测方法。
背景技术
众所周知，随着我国经济的飞速发展，机动化步伐加快，汽车逐渐成为人们标准的代步工具，但随之而来所面临的安全驾驶问题比舒适化的体验更加亟待解决。危险驾驶、疲劳驾驶、酒后驾驶等不规范的汽车驾驶行为引发了一系列的交通事故惨案，不断地撞击驾驶人员和家属的安全警钟。所以，高级驾驶辅助系统应运而生，其中的车道线检测技术，作为该系统得以实现的关键技术也受到各国的广泛关注。车道线作为道路上最重要的记号，为驾驶员的行驶起到了约束的作用。无论是在汽车驾驶辅助系统中还是在自动驾驶中，车道线的识别与检测都是一个最基本且必不可少的模块，通过它可以减少道路事故发生的几率，甚至可以给之后智能化交通的深入研究打下基础。
国际上应用较为频繁的车道线检测方法主要分为基于道路特征和基于道路模型两大类，其检测依据主要是道路两侧的标准线，通过车道线与周围环境的差异提取车道线的特征进行图像的识别与分割，基于不同的二维或三维道路图像模型采用相应的方法确定各个模型的参数，最终实施车道线的拟合。目前车道线检测技术存在的最主要的问题便是准确性和实时性不能同时兼顾的问题。在一些复杂环境下，传统道路检测方法鲁棒性不高，容易受到阴影、道路宽度变化、光照、水渍、车道线边缘退化等道路环境的影响，尽管有些方法的复杂度可以准确检测出车道线，但是方法的执行速度又受到了影响，有些方法在实时性方面有了提高，但却是以准确性作为代价。
发明内容
本发明的目的是以车道线的实时追踪和检测作为研究目标，综合考虑车道线检测的准确性与实时性，结合实际应用场景，提出一种基于几何特征改进的车道线检测方法。本发明首先利用边界跟踪方法对车道线轮廓进行提取，然后加入车道线轮廓的面积、长宽比、角度以及距离等几何特征元素进行筛选，将最终筛选出来的轮廓进行直线拟合，划定出车辆的可行驶区域，进一步降低车道线误检的概率，同时不降低方法的实时性，达到同时兼顾准确性和实时性的目的。
本发明的目的是通过以下技术方案实现的：
一种基于几何特征改进的车道线检测方法，包括以下步骤：
(1)利用车载摄像机获取当前道路场景中的图像；
(2)对获取的图像进行预处理，提高图像识别的正确率；
(3)利用边界跟踪方法提取二值图像中的车道线轮廓；
(4)利用车道段的几何特征，对提取出的轮廓进行筛选，提取有效车道段；
(5)对有效车道段进行直线拟合，划定车辆的可行驶区域。
进一步地，所述步骤(2)中对图像的预处理具体包括以下步骤：
(21)对图像进行灰度化处理：使用加权平均方法对图像进行灰度化，灰度图像在像素(i,j)处的取值f(i,j)为：
f(i,j)＝0.30R(i,j)+0.59G(i,j)+0.11B(i,j)； (1)
(22)对图像进行滤波处理：采用中值滤波对图像进行平滑处理；
(23)对图像进行感兴趣区域提取：根据架好相机的特点，可知道相机拍摄的车道线位于图像的下半部分，因而选中图像的下半部分；
(24)对图像进行二值化处理：由于透视，车道宽度基于距离而变化，在基地附近是最大的，而在消失点附近，它是最小的，图像的任何行(r)处的通道宽度δr：
其中，min和max分别为给定图像中可能的最小和最大车道宽度，rvanishingpoint和rtotal分别是图像消失点处的行数和图像的总行数，ε是常数；
车道相对于其侧面的强度更亮，只有当两侧都较暗并且任一侧的强度值差的和在给定范围之间时，则仅将像素视为车道分段的一部分，像素f(i,j)处图像二值化的取值L(i,j)：
d1＝f(i,j)-f(i-δ,j) (3)
d2＝f(i,j)-f(i+δ,j) (4)
D＝d1+d2-|[f(i+δ,j)-f(i-δ,y)]| (5)
L＝0.15*f(i,j) (6)
其中d1、d2为相邻像素间的亮度差；D为梯度值；L为二值化阈值。
进一步地，所述步骤(3)中的边界跟踪方法具体包括以下步骤：
(31)寻找边界的起始点，像素点(i,j)满足f(i,j-1)＝0,f(i,j)＝1为外边界起始点，满足f(i,j)≥1,f(i,j+1)＝0为孔边界起始点；
(32)根据最新找到的边界的类型以及具有序列号LNBD边界的类型，即当前行上遇到的上一个边界，确定当前边界的父边界；
(33)从起始点(i,j)开始跟踪此边界，将此边界的序列号记为NBD；
(34)跟踪并标记完整个边界后，重新开始光栅扫描，当扫描到图片的右下角时，方法终止。
进一步地，所述步骤(4)中轮廓筛选方法具体包括以下步骤：
(41)面积筛选：设置一个轮廓的最小面积阈值minsize，面积小于minsize的轮廓被认为不是有效的车道段，因而被舍弃；满足此条件的轮廓被保留，同时绘制这些轮廓的最小面积的外接矩形，并保存矩形的信息，包括中心点坐标、长宽、旋转角度信息；
(42)边长筛选：设置一个车道线的最小长度阈值longLane，当外接矩形的长度或者宽度有一条边大于longLane时，认定具有此外接矩形的轮廓是有效的车道段，满足此条件的轮廓被保留；
(43)边长比率、矩形角度筛选：不满足步骤(42)条件的轮廓进行进一步的筛选，即轮廓的外接矩形的长宽比率在2:1至4:1之间，同时车道段除非遇到小于或等于九十度的转弯时，其余情况都不会出现水平的车道段，并且只有当车辆在车道上时，垂直车道段才是可能的，在这种情况下，车道段将仅靠近图像的底部中心区域，满足此条件的轮廓被保留；
(44)距离筛选：首先将之前筛选出来的轮廓外接矩形中心点坐标的x轴坐标与图像中心点的x轴坐标相比较，将轮廓分为左右两部分，之后选取一个参照点，计算此参照点与每个轮廓外接矩形中心点的距离，将距离参照点最近的左右两个轮廓作为目标车道线的左右轮廓，其余轮廓全部舍弃，参照点选取在图像中心靠底部位置；
(45)阈值筛选：设置参照点与轮廓外接矩形中心点距离的最小与最大的阈值，当参照点与轮廓外接矩形中心点的距离小于最小阈值或者大于最大阈值时，轮廓将被舍弃；
(46)轮廓个数筛选：轮廓个数为2时保留轮廓信息，少于2时按照上一帧补全轮廓信息。
进一步地，所述步骤(5)中利用最小二乘法进行直线拟合，绘制轮廓，对车道线圈定的四边形区域进行填充，划定出车辆的可行驶区域。
与现有技术相比，本发明的技术方案所带来的有益效果是：
本发明利用车道段的几何特征，并基于车道段的属性，识别出车道线并划定出车辆的可行驶区域，采用此方法，在复杂路况下，可以进一步降低车道线误检的概率，同时不降低方法的实时性，达到同时兼顾准确性和实时性的目的，高级辅助驾驶系统或者未来的智能驾驶系统都可以通过此方法进行车辆偏离预警、车辆行驶方向判断以及驾驶车道内道路障碍物的识别。
附图说明
图1为本发明的简要流程图；
图2为本发明轮廓筛选部分的详细流程图；
图3为图像预处理后的二值图像；
图4为提取轮廓之后的图像；
图5(a)为参照点选取的图像；
图5(b)为轮廓筛选后的图像；
具体实施方式
下面结合附图和实施例对本发明作进一步的描述。
本实施例选取一个图像作为待描述图像，使用本发明中基于几何特征改进的车道线检测方法，从中提取出道路场景中的车道线。
如图1所示，一种基于几何特征改进的车道线检测方法，包括以下步骤：
(1)首先对车载摄像头的参数以及角度进行调节，利用车载摄像机获取当前道路场景中清晰度高、噪声少的图像；
(2)对获取的图像进行预处理，提高图像识别的正确率；
(3)利用边界跟踪方法提取二值图像中的车道线轮廓；
(4)利用车道段的几何特征，对提取出的轮廓进行筛选，提取有效车道段；
(5)对有效车道段进行直线拟合，划定车辆的可行驶区域。
具体而言，所述步骤(2)中对图像的预处理具体包括以下步骤：
(21)对图像进行灰度化处理：使用加权平均方法对图像进行灰度化，减少光照以及颜色等无关紧要的因素对每帧图像检测的影响，灰度图像在像素(i,j)处的取值f(i,j)为：
f(i,j)＝0.30R(i,j)+0.59G(i,j)+0.11B(i,j)； (1)
(22)对图像进行滤波处理：采用中值滤，获取窗口大小为5的方核，并在整幅图像上通过滤除噪声对图像的影响；
(23)对图像进行感兴趣区域提取：根据架好相机的特点，可知道相机拍摄的车道线位于图像的下半部分，因而选中图像的下半部分，从而减少车道线的搜索区域；
(24)对图像进行二值化处理：由于透视，车道宽度基于距离而变化，在基地附近是最大的，而在消失点附近，它是最小的，图像的任何行(r)处的通道宽度δr：
其中，min和max分别为给定图像中可能的最小和最大车道宽度，rvanishingpoint和rtotal分别是图像消失点处的行数和图像的总行数，ε是常数，保持ε值等于5有助于避免噪声，默认min在消失点始终保持为0，max取决于图像尺寸和安装的相机位置，如果照相机保持非常低，则由于高透视并且更接近车道，与照相机安装在顶部上的时间相比，在基座附近的车道宽度将更大；
车道相对于其侧面的强度更亮，只有当两侧都较暗并且任一侧的强度值差的和在给定范围之间时，则仅将像素视为车道分段的一部分，像素f(i,j)处图像二值化的取值L(i,j)：
d1＝f(i,j)-f(i-δ,j) (3)
d2＝f(i,j)-f(i+δ,j) (4)
D＝d1+d2-|[f(i+δ,j)-f(i-δ,y)]| (5)
L＝0.15*f(i,j) (6)
其中d1、d2为相邻像素间的亮度差；D为梯度值；L为二值化阈值，处理结果见图3。
具体而言，所述步骤(3)中的边界跟踪方法具体包括以下步骤：
(31)寻找边界的起始点，像素点(i,j)满足f(i,j-1)＝0,f(i,j)＝1为外边界起始点，满足f(i,j)≥1,f(i,j+1)＝0为孔边界起始点；
(32)根据最新找到的边界的类型以及具有序列号LNBD边界的类型，即当前行上遇到的上一个边界，确定当前边界的父边界；
(33)从起始点(i,j)开始跟踪此边界，将此边界的序列号记为NBD；
(34)跟踪并标记完整个边界后，重新开始光栅扫描，当扫描到图片的右下角时，方法终止。提取轮廓之后的图像如图4所示。
具体而言，如图2所示，所述步骤(4)中轮廓筛选方法具体包括以下步骤：
(41)面积筛选：设置一个轮廓的最小面积阈值minsize，面积小于minsize的轮廓被认为不是有效的车道段，因而被舍弃；满足此条件的轮廓被保留，同时绘制这些轮廓的最小面积的外接矩形，并保存矩形的信息，包括中心点坐标、长宽、旋转角度信息；
(42)边长筛选：设置一个车道线的最小长度阈值longLane，当外接矩形的长度或者宽度有一条边大于longLane时，认定具有此外接矩形的轮廓是有效的车道段，满足此条件的轮廓被保留；
(43)边长比率、矩形角度筛选：不满足步骤(42)条件的轮廓进行进一步的筛选，即轮廓的外接矩形的长宽比率在2:1至4:1之间，同时车道段除非遇到小于或等于九十度的转弯时，其余情况都不会出现水平的车道段，并且只有当车辆在车道上时，垂直车道段才是可能的，在这种情况下，车道段将仅靠近图像的底部中心区域，满足此条件的轮廓被保留；
(44)距离筛选：首先将之前筛选出来的轮廓外接矩形中心点坐标的x轴坐标与图像中心点的x轴坐标相比较，将轮廓分为左右两部分，之后选取一个参照点，计算此参照点与每个轮廓外接矩形中心点的距离，将距离参照点最近的左右两个轮廓作为目标车道线的左右轮廓，其余轮廓全部舍弃，参照点选取在图像中心靠底部位置；
(45)阈值筛选：设置参照点与轮廓外接矩形中心点距离的最小与最大的阈值，当参照点与轮廓外接矩形中心点的距离小于最小阈值或者大于最大阈值时，轮廓将被舍弃；
(46)轮廓个数筛选：轮廓个数为2时保留轮廓信息，少于2时按照上一帧补全轮廓信息。
实验结果如图：图5(a)为参照点选取的图像，图5(b)为轮廓筛选后的图像。
具体而言，所述步骤(5)中利用最小二乘法进行直线拟合，绘制轮廓，对车道线圈定的四边形区域进行填充，划定出车辆的可行驶区域。
综上所述，本发明针对真实路况下提出了一种基于几何特征改进的车道线检测方法，利用车道段的几何特征，并基于车道段的属性，划定出车辆的可行驶区域，进一步降低车道线误检的概率，同时不降低方法的实时性，达到同时兼顾准确性和实时性的目的。高级辅助驾驶系统通过此方法可以进行车辆偏离预警、车辆行驶方向判断以及驾驶车道内道路障碍物的识别等。
本发明并不限于上文描述的实施方式。以上对具体实施方式的描述旨在描述和说明本发明的技术方案，上述的具体实施方式仅仅是示意性的，并不是限制性的。在不脱离本发明宗旨和权利要求所保护的范围情况下，本领域的普通技术人员在本发明的启示下还可做出很多形式的具体变换，这些均属于本发明的保护范围之内。

Claims (5)

1.一种基于几何特征改进的车道线检测方法，其特征在于，包括以下步骤：
(1)利用车载摄像机获取当前道路场景中的图像；
(2)对获取的图像进行预处理，提高图像识别的正确率；
(3)利用边界跟踪方法提取二值图像中的车道线轮廓；
(4)利用车道段的几何特征，对提取出的轮廓进行筛选，提取有效车道段；
(5)对有效车道段进行直线拟合，划定车辆的可行驶区域。
2.根据权利要求1所述的一种基于几何特征改进的车道线检测方法，其特征在于，所述步骤(2)中对图像的预处理具体包括以下步骤：
(21)对图像进行灰度化处理：使用加权平均方法对图像进行灰度化，灰度图像在像素(i,j)处的取值f(i,j)为：
f(i,j)＝0.30R(i,j)+0.59G(i,j)+0.11B(i,j)； (1)
(22)对图像进行滤波处理：采用中值滤波对图像进行平滑处理；
(23)对图像进行感兴趣区域提取：根据架好相机的特点，可知道相机拍摄的车道线位于图像的下半部分，因而选中图像的下半部分；
(24)对图像进行二值化处理：由于透视，车道宽度基于距离而变化，在基地附近是最大的，而在消失点附近，它是最小的，图像的任何行(r)处的通道宽度δr：
其中，min和max分别为给定图像中可能的最小和最大车道宽度，rvanishingpoint和rtotal分别是图像消失点处的行数和图像的总行数，ε是常数；
车道相对于其侧面的强度更亮，只有当两侧都较暗并且任一侧的强度值差的和在给定范围之间时，则仅将像素视为车道分段的一部分，像素f(i,j)处图像二值化的取值L(i,j)：
d1＝f(i,j)-f(i-δ,j) (3)
d2＝f(i,j)-f(i+δ,j) (4)
D＝d1+d2-|[f(i+δ,j)-f(i-δ,y)]| (5)
L＝0.15*f(i,j) (6)
其中d1、d2为相邻像素间的亮度差；D为梯度值；L为二值化阈值。
3.根据权利要求1所述的一种基于几何特征改进的车道线检测方法，其特征在于，所述步骤(3)中的边界跟踪方法具体包括以下步骤：
(31)寻找边界的起始点，像素点(i,j)满足f(i,j-1)＝0,f(i,j)＝1为外边界起始点，满足f(i,j)≥1,f(i,j+1)＝0为孔边界起始点；
(32)根据最新找到的边界的类型以及具有序列号LNBD边界的类型，即当前行上遇到的上一个边界，确定当前边界的父边界；
(33)从起始点(i,j)开始跟踪此边界，将此边界的序列号记为NBD；
(34)跟踪并标记完整个边界后，重新开始光栅扫描，当扫描到图片的右下角时，方法终止。
4.根据权利要求1所述的一种基于几何特征改进的车道线检测方法，其特征在于，所述步骤(4)中轮廓筛选方法具体包括以下步骤：
(41)面积筛选：设置一个轮廓的最小面积阈值minsize，面积小于minsize的轮廓被认为不是有效的车道段，因而被舍弃；满足此条件的轮廓被保留，同时绘制这些轮廓的最小面积的外接矩形，并保存矩形的信息，包括中心点坐标、长宽、旋转角度信息；
(42)边长筛选：设置一个车道线的最小长度阈值longLane，当外接矩形的长度或者宽度有一条边大于longLane时，认定具有此外接矩形的轮廓是有效的车道段，满足此条件的轮廓被保留；
(43)边长比率、矩形角度筛选：不满足步骤(42)条件的轮廓进行进一步的筛选，即轮廓的外接矩形的长宽比率在2:1至4:1之间，同时车道段除非遇到小于或等于九十度的转弯时，其余情况都不会出现水平的车道段，并且只有当车辆在车道上时，垂直车道段才是可能的，在这种情况下，车道段将仅靠近图像的底部中心区域，满足此条件的轮廓被保留；
(44)距离筛选：首先将之前筛选出来的轮廓外接矩形中心点坐标的x轴坐标与图像中心点的x轴坐标相比较，将轮廓分为左右两部分，之后选取一个参照点，计算此参照点与每个轮廓外接矩形中心点的距离，将距离参照点最近的左右两个轮廓作为目标车道线的左右轮廓，其余轮廓全部舍弃，参照点选取在图像中心靠底部位置；
(45)阈值筛选：设置参照点与轮廓外接矩形中心点距离的最小与最大的阈值，当参照点与轮廓外接矩形中心点的距离小于最小阈值或者大于最大阈值时，轮廓将被舍弃；
(46)轮廓个数筛选：轮廓个数为2时保留轮廓信息，少于2时按照上一帧补全轮廓信息。
5.根据权利要求1所述的一种基于几何特征改进的车道线检测方法，其特征在于，所述步骤(5)中利用最小二乘法进行直线拟合，绘制轮廓，对车道线圈定的四边形区域进行填充，划定出车辆的可行驶区域。
CN201810550201.7A 2018-05-31 2018-05-31 一种基于几何特征改进的车道线检测方法 Pending CN108805065A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810550201.7A CN108805065A (zh) 2018-05-31 2018-05-31 一种基于几何特征改进的车道线检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810550201.7A CN108805065A (zh) 2018-05-31 2018-05-31 一种基于几何特征改进的车道线检测方法

Publications (1)

Publication Number Publication Date
CN108805065A true CN108805065A (zh) 2018-11-13

Family

ID=64089852

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810550201.7A Pending CN108805065A (zh) 2018-05-31 2018-05-31 一种基于几何特征改进的车道线检测方法

Country Status (1)

Country Link
CN (1) CN108805065A (zh)

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109359632A (zh) * 2018-11-30 2019-02-19 重庆昂布瑞拉科技有限公司 道路边线检测方法及装置
CN109657628A (zh) * 2018-12-24 2019-04-19 驭势（上海）汽车科技有限公司 一种用于确定车辆的可行驶区域的方法与设备
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
CN109886122A (zh) * 2019-01-23 2019-06-14 珠海市杰理科技股份有限公司 车道线检测方法、装置、计算机设备和存储介质
CN110321828A (zh) * 2019-06-27 2019-10-11 四川大学 一种基于双目摄像机和车底阴影的前方车辆检测方法
CN111597995A (zh) * 2020-05-15 2020-08-28 弗徕威智能机器人科技（上海）有限公司 一种车道标记线检测方法、系统、以及存储介质
CN112215144A (zh) * 2020-10-12 2021-01-12 北京四维智联科技有限公司 一种处理车道线的方法及系统
CN112519672A (zh) * 2019-09-19 2021-03-19 比亚迪股份有限公司 车辆及其转向灯的控制方法、装置、系统以及存储介质
CN112686070A (zh) * 2020-11-27 2021-04-20 浙江工业大学 一种基于改进二维码的agv定位及导航方法
CN113479191A (zh) * 2021-06-30 2021-10-08 重庆长安汽车股份有限公司 用于泊车的无车道线的车道边界检测系统、方法及车辆
CN114612736A (zh) * 2020-12-08 2022-06-10 广州汽车集团股份有限公司 一种车道线检测方法、系统及计算机可读介质
CN114842448A (zh) * 2022-05-11 2022-08-02 禾多科技（北京）有限公司 三维车道线生成方法、装置、电子设备和计算机可读介质
CN115071733A (zh) * 2022-07-21 2022-09-20 成都工业职业技术学院 一种基于计算机的辅助驾驶方法及装置

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104460505A (zh) * 2014-11-12 2015-03-25 沈阳新松机器人自动化股份有限公司 工业机器人相对位姿估计方法
CN106529505A (zh) * 2016-12-05 2017-03-22 惠州华阳通用电子有限公司 一种基于图像视觉的车道线检测方法
KR20170104287A (ko) * 2016-03-07 2017-09-15 한국전자통신연구원 주행 가능 영역 인식 장치 및 그것의 주행 가능 영역 인식 방법

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104460505A (zh) * 2014-11-12 2015-03-25 沈阳新松机器人自动化股份有限公司 工业机器人相对位姿估计方法
KR20170104287A (ko) * 2016-03-07 2017-09-15 한국전자통신연구원 주행 가능 영역 인식 장치 및 그것의 주행 가능 영역 인식 방법
CN106529505A (zh) * 2016-12-05 2017-03-22 惠州华阳通用电子有限公司 一种基于图像视觉的车道线检测方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
MACHINELP: "Lane Detection", <<网页》 *
SATOSHI SUZUKI ETC: "Topological Structural Analysis of Digitized Binary IMages By Border Following", <<COMPUTER VISION,GRAPHICS, AND IMAGE PROCESSING>> *
张远: "基于车道线边缘及分而特征的车道线识别算法研究与实现", 《中国优秀硕士学位论文全文数据库信息科技辑》 *
詹海浪: "基于计算机视觉的车道线检测与交通路标识别", 《中国优秀硕士学位论文全文数据库信息科技辑》 *

Cited By (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109359632A (zh) * 2018-11-30 2019-02-19 重庆昂布瑞拉科技有限公司 道路边线检测方法及装置
CN109359632B (zh) * 2018-11-30 2021-08-10 重庆子粒科技有限公司 道路边线检测方法及装置
CN109657628A (zh) * 2018-12-24 2019-04-19 驭势（上海）汽车科技有限公司 一种用于确定车辆的可行驶区域的方法与设备
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
CN109886122A (zh) * 2019-01-23 2019-06-14 珠海市杰理科技股份有限公司 车道线检测方法、装置、计算机设备和存储介质
CN110321828A (zh) * 2019-06-27 2019-10-11 四川大学 一种基于双目摄像机和车底阴影的前方车辆检测方法
CN110321828B (zh) * 2019-06-27 2022-07-01 四川大学 一种基于双目摄像机和车底阴影的前方车辆检测方法
CN112519672A (zh) * 2019-09-19 2021-03-19 比亚迪股份有限公司 车辆及其转向灯的控制方法、装置、系统以及存储介质
CN111597995A (zh) * 2020-05-15 2020-08-28 弗徕威智能机器人科技（上海）有限公司 一种车道标记线检测方法、系统、以及存储介质
CN111597995B (zh) * 2020-05-15 2023-04-28 汇智机器人科技(深圳)有限公司 一种车道标记线检测方法、系统、以及存储介质
CN112215144A (zh) * 2020-10-12 2021-01-12 北京四维智联科技有限公司 一种处理车道线的方法及系统
CN112215144B (zh) * 2020-10-12 2024-05-14 北京四维智联科技有限公司 一种处理车道线的方法及系统
CN112686070A (zh) * 2020-11-27 2021-04-20 浙江工业大学 一种基于改进二维码的agv定位及导航方法
CN114612736A (zh) * 2020-12-08 2022-06-10 广州汽车集团股份有限公司 一种车道线检测方法、系统及计算机可读介质
CN113479191B (zh) * 2021-06-30 2023-04-07 重庆长安汽车股份有限公司 用于泊车的无车道线的车道边界检测系统、方法及车辆
CN113479191A (zh) * 2021-06-30 2021-10-08 重庆长安汽车股份有限公司 用于泊车的无车道线的车道边界检测系统、方法及车辆
CN114842448A (zh) * 2022-05-11 2022-08-02 禾多科技（北京）有限公司 三维车道线生成方法、装置、电子设备和计算机可读介质
CN115071733A (zh) * 2022-07-21 2022-09-20 成都工业职业技术学院 一种基于计算机的辅助驾驶方法及装置

Similar Documents

Publication Publication Date Title
CN108805065A (zh) 一种基于几何特征改进的车道线检测方法
CN107862290B (zh) 车道线检测方法及系统
CN107330376B (zh) 一种车道线识别方法及系统
KR101864066B1 (ko) 차선 인식 장치, 차선 이탈 판단 장치, 차선 인식 방법 및 차선 이탈 판단 방법
CN108038416B (zh) 车道线检测方法及系统
CN109299674B (zh) 一种基于车灯的隧道违章变道检测方法
CN110298216A (zh) 基于车道线梯度图像自适应阈值分割的车辆偏离报警方法
Li et al. Nighttime lane markings recognition based on Canny detection and Hough transform
CN108932472A (zh) 一种基于车道线检测的自动驾驶行驶区域判别方法
KR101094752B1 (ko) 에이치에스아이 색정보의 통계적 모델을 이용한 차선 분류방법
CN107506760A (zh) 基于gps定位与视觉图像处理的交通信号检测方法及系统
CN103902985B (zh) 一种基于roi的强鲁棒性实时车道侦测算法
JP2003228711A (ja) レーンマーク認識方法
KR101224027B1 (ko) 영상의 장면 정보를 이용한 전방 차량 검출 방법
CN106887004A (zh) 一种基于块匹配的车道线检测方法
CN105654073A (zh) 一种基于视觉检测的速度自动控制方法
CN112381870B (zh) 一种基于双目视觉的船舶识别与航速测量系统及方法
CN109522847A (zh) 一种基于深度图的轨道和道路障碍物检测方法
CN109886175B (zh) 一种直线与圆弧相结合的车道线检测方法
CN109190483B (zh) 一种基于视觉的车道线检测方法
CN107578012A (zh) 一种基于聚类算法选择敏感区域的驾驶辅助系统
KR20110001427A (ko) 관심영역 추출에 의한 차선 고속검출 방법
CN111783666A (zh) 一种基于连续视频帧角点特征匹配的快速车道线检测方法
CN104537636B (zh) 隧道入口“黑洞效应”的图像检测方法
CN109948552A (zh) 一种复杂交通环境中的车道线检测的方法

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20181113