CN108932472A - 一种基于车道线检测的自动驾驶行驶区域判别方法 - Google Patents
一种基于车道线检测的自动驾驶行驶区域判别方法 Download PDFInfo
- Publication number
- CN108932472A CN108932472A CN201810504034.2A CN201810504034A CN108932472A CN 108932472 A CN108932472 A CN 108932472A CN 201810504034 A CN201810504034 A CN 201810504034A CN 108932472 A CN108932472 A CN 108932472A
- Authority
- CN
- China
- Prior art keywords
- image
- indicate
- lane
- running region
- detection
- 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
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
- G06V10/30—Noise filtering
-
- 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
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)
- Traffic Control Systems (AREA)
Abstract
本发明提出了一种基于车道线检测的自动驾驶预行驶区域判别方法,在预处理阶段灰度变换中对黄色和白色区域进行重点突出,建立道路感兴趣区域标注模型来提高车道线检测的准确率与处理速率,引入相关滤波算法对车道线进行检测与提取,通过霍夫变换进行车道线的提取,最后通过最小二乘法拟合得到检测的车道线并提取预行驶区域。本发明的方法取得了较好的实验结果,可以应用于不同光照条件和不同道路条件下预行驶区域的判别,提高了车道线识别的准确性,加快了车道线识别的速度,能在实际道路上实时提取预行驶区域。在不同的光照和路况条件下,算法整体准确率达到93.75%。进一步保证了无人车行驶安全。
Description
技术领域
本发明属于车道检测技术领域,尤其是涉及一种基于车道线检测的自动驾驶行驶区域判别方法。
背景技术
自动驾驶是当今的热门话题,同时也产生了很多需要解决的技术问题。无人车在道路行驶时需通过感知算法实现对前方障碍物的检测和识别。预行驶区域是车辆即将驶过的道路区域,预行驶区域的检测可以划定障碍物检测的空间范围,减轻感知算法的运算量,甚至可以帮助提升感知算法的识别精度,对保证无人车的行驶安全具有重要意义。在结构化道路上,通过车道线的检测来实现预行驶区域的判别是一种可行的方式,而实现车道线的检测手段主要是通过机器视觉。
发明内容
有鉴于此,本发明旨在提出一种基于车道线检测的自动驾驶行驶区域判别方法,通过判别与划分无人车预行驶区域,从而提取障碍物检测区域(即感兴趣区域),帮助减少感知算法的运算量以及提高障碍物检测精度;当汽车驶进封闭区域,GPS传感器失效时,能起到暂时辅助无人车安全行驶的作用。
为达到上述目的,本发明的技术方案是这样实现的:
一种基于车道线检测的自动驾驶行驶区域判别方法,具体包括如下步骤:
(1)采集车道线图像,对采集的图像进行预处理;
(2)对预处理后的图像进行边缘化检测提取;
(3)对边缘化处理的图像进行霍夫变换处理,并进行预行驶区域检测;
(4)通过最小二乘法拟合得到检测的车道线,并提取预行驶区域。
进一步的,所述步骤(1)中预处理分为两步,首先对图像进行滤波去噪,采用高斯滤波算法:
其中,W表示高斯滤波核的权重;wx wy表示像素在滤波核窗口内的坐标;σ为标准差;
再对滤波处理后的图像进行基于ROI区域的局部二值转化,灰度化方法为:Gary=α*R+β*G,
其中,α、β表示权重系数,其中α+β=1,R表示red红色,G表示green绿色。
进一步的,所述步骤(2)中,图像边缘化检测提取分为两个步骤:
首先对待提取边缘的图像进行滤波处理,滤波算法模型为:g(i,j)=∑k,lf(i+k,j+l)h(k,l),
其中,f表示输入的灰度图像,g表示输出图像,h表示输出滤波器的滤波核,i、j表示像素坐标,k、l表示滤波核窗口的坐标,滤波核h为[-15 0 15];
再对滤波处理后的图像进行基于ROI区域的局部二值转化,利用基于类间方差最大化的分割算法计算的局部阈值作为整幅图像的全局阈值,对整幅图像进行二值化分割。
进一步的,所述步骤(3)具体包括两个步骤:
首先进行车道线划分,
车道划分方程为
其中,m表示斜率;xintial表示直线的初始点的横坐标;xfinal表示直线的终点的横坐标;xcenter表示图像的中心像素点的横坐标;
然后将检测得到的左边车道与右边车道上的所有点分别进行曲线拟合,得到最终的车道线,形成预行驶区域。
进一步的,所述步骤(4)具体包括:
计算步骤(3)中检测到的两条车道线在图像上最远处交汇于一点形成的车道线消失点,
消失点计算方程为:
其中,ml、mr分别表示左、右侧车道线直线的斜率;bl、br分别表示左右直线的截距;xv、yv分别表示消失点的横纵坐标;
通过车道线消失点和图像区域中心像素点的偏差判断车道线左右转向,判断转向方程为:
其中,xv表示消失点的横坐标,xcenter表示图像的中心像素点的横坐标,Th表示先验阈值。
相对于现有技术,本发明所述的一种基于车道线检测的自动驾驶行驶区域判别方法具有以下优势:
本发明的检测方法提高了车道线识别的准确性,加快了车道线识别的速度,能在实际道路上实时提取预行驶区域。在不同的光照和路况条件下,算法整体准确率达到93.75%。进一步保证了无人车行驶安全。
附图说明
构成本发明的一部分的附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1为本发明实施例所述的一种基于车道线检测的自动驾驶行驶区域判别方法示意图;
图2为本发明实施例的提取预提取区域的2/5区域为预行驶区域的示意图。
具体实施方式
需要说明的是,在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。
下面将参考附图并结合实施例来详细说明本发明。
如图1所示,本发明首先对输入的图像进行图像预处理。图像预处理分为两个步骤:对图像进行滤波去噪,滤波模型选用高斯滤波算法:其中W表示高斯滤波核的权重;wx wy表示像素在滤波核窗口内的坐标;σ为标准差;再对滤波后的图像进行灰度转换,灰度化方法为:Gary=α*R+β*G,其中,α、β表示权重系数,其中α+β=1,R表示red红色,G表示green绿色。
然后对预处理后的图像进行边缘化检测提取。图像边缘化检测提取分为两个步骤:先对待提取边缘的图像进行滤波处理,目的在于减轻车道线边缘信息提取的计算量和提高检测效果,相关滤波算法模型为:g(i,j)=∑k,lf(i+k,j+l)h(k,l),其中,f表示输入的灰度图像,g表示输出图像,h表示输出滤波器的滤波核,i、j表示像素坐标,k、l表示滤波核窗口的坐标,本发明选用的滤波核h为[-15 0 15];再对滤波处理后的图像进行基于ROI区域的局部二值转化。本发明所用数据采集车为江淮S7型SUV,采集数据时我们选用的感兴趣区域宽度比车道线稍宽,高度约为整个图像高度的一半;在提取的感兴趣区域的基础上,我们进而利用基于类间方差最大化的分割算法(Otsu)计算的局部阈值作为整幅图像的全局阈值,对整幅图像进行二值化分割。
接下来对边缘化处理的图像进行霍夫变换处理。参数空间中的直线方程表示为:ρ=xcosθ+ysinθ(ρ表示极坐标系中原点到直线的距离;θ表示极坐标系中直线的夹角)。
然后,对霍夫变换处理后的图像进行预行驶区域的检测。检测分为两个步骤:先进行车道线划分,车道划分方程为:其中,m表示斜率;xintial表示直线的初始点的横坐标;xfinal表示直线的终点的横坐标;xcenter表示图像的中心像素点的横坐标,然后将检测得到的左边车道与右边车道上的所有点分别进行曲线拟合,得到最终的车道线。
该步骤具体原理为:对上一步用霍夫变换检测到的直线段(包含有起始点和终点的坐标信息)进行左右车道线的划分,划分的依据为:斜率+该线段起始点、终点的横坐标与图像中心像素点的横坐标的比较——即车道线划分方程。车道线划分后得到左、右车道线的线段的起始点与终点(可能含有多条线段),再分别对得到的左边车道与右边车道上的所有点分别进行曲线拟合,得到最终的车道线。
最后进行预行驶区域判别。上一步检测到的两条车道线在图像上最远处交汇于一点,这一点称为车道线消失点,考虑到消失点距离较远和弯道行驶的情况,本发明选取预提取区域的2/5区域为预行驶区域,如图2。消失点计算方程为:其中,ml,mr分别表示左、右侧车道线直线的斜率;bl、br分别表示左右直线的截距;xv、yv分别表示消失点的横纵坐标,然后根据两边的车道线对出无人车左右转向的预行驶区域进行预测,方法为通过车道线消失点和图像区域中心像素点的偏差判断车道线左右转向。判断转向方程为:其中,xv表示消失点的横坐标,xcenter表示图像的中心像素点的横坐标,Th表示先验阈值。
至此,根据以上实施步骤判别出自动驾驶预行驶区域。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (5)
1.一种基于车道线检测的自动驾驶行驶区域判别方法,其特征在于:具体包括如下步骤:
(1)采集车道线图像,对采集的图像进行预处理;
(2)对预处理后的图像进行边缘化检测提取;
(3)对边缘化处理的图像进行霍夫变换处理,并进行预行驶区域检测;
(4)通过最小二乘法拟合得到检测的车道线,并提取预行驶区域。
2.根据权利要求1所述的一种基于车道线检测的自动驾驶行驶区域判别方法,其特征在于:所述步骤(1)中预处理分为两步,
首先对图像进行滤波去噪,采用高斯滤波算法:
其中,W表示高斯滤波核的权重;wx、wy表示像素在滤波核窗口内的坐标;σ为标准差;
再对滤波处理后的图像进行基于ROI区域的局部二值转化,灰度化方法为:Gary=α*R+β*G,
其中,α、β表示权重系数,α+β=1,R表示red红色,G表示green绿色。
3.根据权利要求1所述的一种基于车道线检测的自动驾驶行驶区域判别方法,其特征在于:所述步骤(2)中,图像边缘化检测提取分为两个步骤:
首先对待提取边缘的图像进行滤波处理,
滤波算法模型为:g(i,j)=∑k,lf(i+k,j+l)h(k,l),
其中,f表示输入的灰度图像,g表示输出图像,h表示输出滤波器的滤波核,i、j表示像素坐标,k、l表示滤波核窗口的坐标,滤波核h为[-15 0 15];
再对滤波处理后的图像进行基于ROI区域的局部二值转化,利用基于类间方差最大化的分割算法计算的局部阈值作为整幅图像的全局阈值,对整幅图像进行二值化分割。
4.根据权利要求1所述的一种基于车道线检测的自动驾驶行驶区域判别方法,其特征在于:所述步骤(3)具体包括两个步骤:
首先进行车道线划分,
车道划分方程为
其中,m表示斜率;xintial表示直线的初始点的横坐标;xfinal表示直线的终点的横坐标;xcenter表示图像的中心像素点的横坐标;
然后将检测得到的左边车道与右边车道上的所有点分别进行曲线拟合,得到最终的车道线,形成预行驶区域。
5.根据权利要求4所述的一种基于车道线检测的自动驾驶行驶区域判别方法,其特征在于:所述步骤(4)具体包括:
计算步骤(3)中检测到的两条车道线在图像上最远处交汇于一点形成的车道线消失点,
消失点计算方程为:
其中ml、mr分别表示左、右侧车道线直线的斜率;bl、br分别表示左右直线的截距;xv、yv分别表示消失点的横纵坐标;
通过车道线消失点和图像区域中心像素点的偏差判断车道线左右转向,判断转向方程为:
其中xv表示消失点的横坐标,xcenter表示图像的中心像素点的横坐标,Th表示先验阈值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810504034.2A CN108932472A (zh) | 2018-05-23 | 2018-05-23 | 一种基于车道线检测的自动驾驶行驶区域判别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810504034.2A CN108932472A (zh) | 2018-05-23 | 2018-05-23 | 一种基于车道线检测的自动驾驶行驶区域判别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108932472A true CN108932472A (zh) | 2018-12-04 |
Family
ID=64449029
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810504034.2A Pending CN108932472A (zh) | 2018-05-23 | 2018-05-23 | 一种基于车道线检测的自动驾驶行驶区域判别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108932472A (zh) |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109657632A (zh) * | 2018-12-25 | 2019-04-19 | 重庆邮电大学 | 一种车道线检测识别方法 |
CN109711372A (zh) * | 2018-12-29 | 2019-05-03 | 驭势科技(北京)有限公司 | 一种车道线的识别方法和系统、存储介质、服务器 |
CN109919144A (zh) * | 2019-05-15 | 2019-06-21 | 长沙智能驾驶研究院有限公司 | 可行驶区域检测方法、装置、计算机存储介质及路测视觉设备 |
CN110610153A (zh) * | 2019-09-10 | 2019-12-24 | 重庆工程职业技术学院 | 一种用于自动驾驶的车道识别方法及系统 |
CN110705342A (zh) * | 2019-08-20 | 2020-01-17 | 上海阅面网络科技有限公司 | 一种车道线分割检测方法及装置 |
CN110796084A (zh) * | 2019-10-29 | 2020-02-14 | 华人运通(上海)自动驾驶科技有限公司 | 车道线识别方法、装置、设备和计算机可读存储介质 |
CN111316337A (zh) * | 2018-12-26 | 2020-06-19 | 深圳市大疆创新科技有限公司 | 车载成像装置的安装参数的确定与驾驶控制方法及设备 |
CN111539363A (zh) * | 2020-04-28 | 2020-08-14 | 中交信息技术国家工程实验室有限公司 | 一种公路落石识别分析方法 |
CN111611862A (zh) * | 2020-04-22 | 2020-09-01 | 浙江众合科技股份有限公司 | 一种基于曲线拟合的地铁轨道半自动标注方法 |
CN112036220A (zh) * | 2019-06-04 | 2020-12-04 | 郑州宇通客车股份有限公司 | 一种车道线跟踪方法及系统 |
CN112639814A (zh) * | 2020-05-29 | 2021-04-09 | 华为技术有限公司 | 一种路况检测方法和装置 |
CN113239733A (zh) * | 2021-04-14 | 2021-08-10 | 重庆利龙科技产业(集团)有限公司 | 一种多车道车道线检测方法 |
CN114037977A (zh) * | 2022-01-07 | 2022-02-11 | 深圳佑驾创新科技有限公司 | 道路灭点的检测方法、装置、设备及存储介质 |
CN114913496A (zh) * | 2022-05-07 | 2022-08-16 | 山东大学 | 一种弯道车道骨架快速提取方法 |
TWI838187B (zh) * | 2023-03-24 | 2024-04-01 | 神達數位股份有限公司 | 感趣區域的校正方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102663744A (zh) * | 2012-03-22 | 2012-09-12 | 杭州电子科技大学 | 梯度点对约束下的复杂道路检测方法 |
CN103927754A (zh) * | 2014-04-21 | 2014-07-16 | 大连理工大学 | 一种车载摄像机的标定方法 |
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 |
CN105261020A (zh) * | 2015-10-16 | 2016-01-20 | 桂林电子科技大学 | 一种快速车道线检测方法 |
CN105893949A (zh) * | 2016-03-29 | 2016-08-24 | 西南交通大学 | 一种复杂路况场景下的车道线检测方法 |
CN106599760A (zh) * | 2015-10-14 | 2017-04-26 | 山东鲁能智能技术有限公司 | 一种变电站巡检机器人行驶区域计算方法 |
-
2018
- 2018-05-23 CN CN201810504034.2A patent/CN108932472A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102663744A (zh) * | 2012-03-22 | 2012-09-12 | 杭州电子科技大学 | 梯度点对约束下的复杂道路检测方法 |
CN103927754A (zh) * | 2014-04-21 | 2014-07-16 | 大连理工大学 | 一种车载摄像机的标定方法 |
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 |
CN106599760A (zh) * | 2015-10-14 | 2017-04-26 | 山东鲁能智能技术有限公司 | 一种变电站巡检机器人行驶区域计算方法 |
CN105261020A (zh) * | 2015-10-16 | 2016-01-20 | 桂林电子科技大学 | 一种快速车道线检测方法 |
CN105893949A (zh) * | 2016-03-29 | 2016-08-24 | 西南交通大学 | 一种复杂路况场景下的车道线检测方法 |
Non-Patent Citations (3)
Title |
---|
CHAN YEE LOW ET AL.: ""Simple robust road lane detection algorithm"", 《IEEE》 * |
王晓锦: ""基于单目视觉的结构化道路车道线识别和SAE算法的车道线偏离检测研究"", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
郭子逸: ""一种基于单目视觉的车道偏离检测与预警方法"", 《机械制造》 * |
Cited By (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109657632A (zh) * | 2018-12-25 | 2019-04-19 | 重庆邮电大学 | 一种车道线检测识别方法 |
CN109657632B (zh) * | 2018-12-25 | 2022-05-06 | 重庆邮电大学 | 一种车道线检测识别方法 |
CN111316337A (zh) * | 2018-12-26 | 2020-06-19 | 深圳市大疆创新科技有限公司 | 车载成像装置的安装参数的确定与驾驶控制方法及设备 |
CN109711372A (zh) * | 2018-12-29 | 2019-05-03 | 驭势科技(北京)有限公司 | 一种车道线的识别方法和系统、存储介质、服务器 |
CN109919144A (zh) * | 2019-05-15 | 2019-06-21 | 长沙智能驾驶研究院有限公司 | 可行驶区域检测方法、装置、计算机存储介质及路测视觉设备 |
CN109919144B (zh) * | 2019-05-15 | 2019-08-16 | 长沙智能驾驶研究院有限公司 | 可行驶区域检测方法、装置、计算机存储介质及路测视觉设备 |
CN112036220A (zh) * | 2019-06-04 | 2020-12-04 | 郑州宇通客车股份有限公司 | 一种车道线跟踪方法及系统 |
CN112036220B (zh) * | 2019-06-04 | 2024-04-05 | 宇通客车股份有限公司 | 一种车道线跟踪方法及系统 |
CN110705342A (zh) * | 2019-08-20 | 2020-01-17 | 上海阅面网络科技有限公司 | 一种车道线分割检测方法及装置 |
CN110610153A (zh) * | 2019-09-10 | 2019-12-24 | 重庆工程职业技术学院 | 一种用于自动驾驶的车道识别方法及系统 |
CN110796084A (zh) * | 2019-10-29 | 2020-02-14 | 华人运通(上海)自动驾驶科技有限公司 | 车道线识别方法、装置、设备和计算机可读存储介质 |
CN111611862A (zh) * | 2020-04-22 | 2020-09-01 | 浙江众合科技股份有限公司 | 一种基于曲线拟合的地铁轨道半自动标注方法 |
CN111611862B (zh) * | 2020-04-22 | 2022-09-09 | 浙江众合科技股份有限公司 | 一种基于曲线拟合的地铁轨道半自动标注方法 |
CN111539363A (zh) * | 2020-04-28 | 2020-08-14 | 中交信息技术国家工程实验室有限公司 | 一种公路落石识别分析方法 |
CN112639814A (zh) * | 2020-05-29 | 2021-04-09 | 华为技术有限公司 | 一种路况检测方法和装置 |
WO2021237754A1 (zh) * | 2020-05-29 | 2021-12-02 | 华为技术有限公司 | 一种路况检测方法和装置 |
CN112639814B (zh) * | 2020-05-29 | 2022-02-11 | 华为技术有限公司 | 一种路况检测方法和装置 |
CN113239733A (zh) * | 2021-04-14 | 2021-08-10 | 重庆利龙科技产业(集团)有限公司 | 一种多车道车道线检测方法 |
CN114037977B (zh) * | 2022-01-07 | 2022-04-26 | 深圳佑驾创新科技有限公司 | 道路灭点的检测方法、装置、设备及存储介质 |
CN114037977A (zh) * | 2022-01-07 | 2022-02-11 | 深圳佑驾创新科技有限公司 | 道路灭点的检测方法、装置、设备及存储介质 |
CN114913496A (zh) * | 2022-05-07 | 2022-08-16 | 山东大学 | 一种弯道车道骨架快速提取方法 |
TWI838187B (zh) * | 2023-03-24 | 2024-04-01 | 神達數位股份有限公司 | 感趣區域的校正方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108932472A (zh) | 一种基于车道线检测的自动驾驶行驶区域判别方法 | |
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 | |
Aly | Real time detection of lane markers in urban streets | |
Guo et al. | Lane detection method based on improved RANSAC algorithm | |
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 | |
CN105426864B (zh) | 一种基于等距边缘点匹配的多车道线检测方法 | |
Li et al. | Nighttime lane markings recognition based on Canny detection and Hough transform | |
CN104700072A (zh) | 基于车道线历史帧的识别方法 | |
CN107066986A (zh) | 一种基于单目视觉的车道线与前方障碍物检测方法 | |
CN108805065A (zh) | 一种基于几何特征改进的车道线检测方法 | |
DE102011001037B4 (de) | Fahrzeuginterne Vorrichtung zur Weiß-Linien-Erkennung | |
CN104392212A (zh) | 一种基于视觉的道路信息检测及前方车辆识别方法 | |
CN105005771A (zh) | 一种基于光流点轨迹统计的车道线实线的检测方法 | |
CN109606346A (zh) | 一种自动驾驶的车道保持系统 | |
CN107316486A (zh) | 基于双摄像头的无人驾驶汽车视觉识别系统 | |
CN104036246A (zh) | 一种基于多特征融合及多态均值的车道线定位方法 | |
CN102314599A (zh) | 一种车道识别偏离检测方法 | |
CN108038416A (zh) | 车道线检测方法及系统 | |
CN105224909A (zh) | 车道线检测系统中的车道线确认方法 | |
CN108280840A (zh) | 一种基于三维激光雷达的道路实时分割方法 | |
CN109522847A (zh) | 一种基于深度图的轨道和道路障碍物检测方法 | |
CN105654073A (zh) | 一种基于视觉检测的速度自动控制方法 | |
CN104299009A (zh) | 基于多特征融合的车牌字符识别方法 | |
CN104537348B (zh) | 特种车辆识别方法及其识别系统 | |
CN103996030A (zh) | 一种车道线检测方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181204 |
|
RJ01 | Rejection of invention patent application after publication |