CN109034047A - 一种车道线检测方法及装置 - Google Patents

一种车道线检测方法及装置 Download PDF

Info

Publication number
CN109034047A
CN109034047A CN201810805059.6A CN201810805059A CN109034047A CN 109034047 A CN109034047 A CN 109034047A CN 201810805059 A CN201810805059 A CN 201810805059A CN 109034047 A CN109034047 A CN 109034047A
Authority
CN
China
Prior art keywords
lane line
pixel
super
image
interest
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
Application number
CN201810805059.6A
Other languages
English (en)
Other versions
CN109034047B (zh
Inventor
谷玉
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.)
BOE Technology Group Co Ltd
Original Assignee
BOE Technology Group 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 BOE Technology Group Co Ltd filed Critical BOE Technology Group Co Ltd
Priority to CN201810805059.6A priority Critical patent/CN109034047B/zh
Publication of CN109034047A publication Critical patent/CN109034047A/zh
Priority to US16/398,700 priority patent/US10970566B2/en
Application granted granted Critical
Publication of CN109034047B publication Critical patent/CN109034047B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • 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
    • 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
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Image Analysis (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明提供了一种车道线检测方法和装置。所述方法包括：在待检测图像中确定感兴趣区域；在感兴趣区域中提取各车道线像素特征；将相似的所述车道线像素特征进行合并处理，生成与合并的所述车道线像素特征对应的超像素；对各所述超像素进行聚类拟合处理，获得目标车道线。本发明基于超像素生成目标车道线，不需要任何关于车道线和道路模型的假设，也不依赖车道线平行的假设，可在城市环境中鲁棒的工作，而且不受前方车辆的干扰，从而降低了车道线检测过程中出现漏检或误检的概率。

Description

一种车道线检测方法及装置
技术领域
本发明涉及智能交通领域，特别是涉及一种车道线检测方法及装置。
背景技术
随着汽车辅助驾驶和无人车技术的飞速发展，机器视觉传感器能否精确获取车辆周围的标志、标示或车道线信息是汽车辅助驾驶系统最重要的一环，其中车道线的实时检测和预警技术保障了车辆各行其道，在偏离预警、车道保持等方面发挥了重要作用。
目前，在车道线检测算法中，主要依赖于车道线平行的假设，或者需要事先知道车道线或者道路模型，这些算法在高速道路上表现很好，但在城市环境中，比如车道线出现交叉、分叉、融合等情况时，这些算法就会出现漏检的现象，并且，当前方有车辆过近时，也会对当前车道的车道线检测带来干扰，导致车道线误检。
发明内容
本发明提供一种车道线检测方法及装置，以解决现有车道线检测算法容易出现漏检或误检的问题。
为了解决上述问题，本发明公开了一种车道线检测方法，包括：在待检测图像中确定感兴趣区域；在感兴趣区域中提取各车道线像素特征；将相似的所述车道线像素特征进行合并处理，生成与合并的所述车道线像素特征对应的超像素；对各所述超像素进行聚类拟合处理，获得目标车道线。
优选地，所述在待检测图像中确定感兴趣区域的步骤，包括：在所述车载设备的周边设定车道线处理区域；确定所述车道线处理区域各边界线的中点在所述车载设备所处真实坐标系中的坐标值；将各所述坐标值转换到所述待检测图像对应的图像坐标系中，获得各图像坐标值；依据各所述图像坐标值，确定所述待检测图像的感兴趣区域。
优选地，所述在感兴趣区域中提取各车道线像素特征的步骤，包括：在所述感兴趣区域中选取第一边缘图像和第二边缘图像；分别对所述第一边缘图像和所述第二边缘图像进行二值化处理，得到第一二值化边缘图像及第二二值化边缘图像；对所述第一二值化边缘图像和所述第二二值化边缘图像分别进行行扫描处理，分别获取各行中的第一车车道线像素特征点和第二车道线像素特征点。
优选地，所述将相似的所述车道线像素特征进行合并处理，生成与合并的所述车道线像素特征对应的超像素的步骤，包括：在所述第一车道线像素特征点和所述第二车道线像素特征点之间的距离满足设定距离阈值时，将所述第一车道线像素特征点和所述第二车道线像素特征点复制保存至新的图像中，以得到车道线特征图；从所述车道线像素特征图的边缘位置处进行超像素特征的搜索，并将搜索到的第一个超像素特征作为超像素特征参考点；在所述超像素特征参考点的候选范围内查找所述超像素特征参考点的相似特征；将所述超像素特征参考点与查找到的所述相似特征进行合并，生成所述超像素。
优选地，所述对各所述超像素进行聚类拟合处理，获得目标车道线的步骤，包括：对各所述超像素进行聚类处理，获得多条候选车道线；计算各所述候选车道线的长度值；对所述长度值大于设定阈值的各所述候选车道线进行二次曲线拟合，获得目标车道线。
为了解决上述技术问题，本发明实施例还公开了一种车道线检测装置，包括：感兴趣区域确定模块，用于在待检测图像中确定感兴趣区域；像素特征提取模块，用于在感兴趣区域中提取各车道线像素特征；超像素生成模块，用于将相似的所述车道线像素特征进行合并处理，生成与合并的所述车道线像素特征对应的超像素；目标车道线模块，用于对各所述超像素进行聚类拟合处理，获得目标车道线。
优选地，所述感兴趣区域确定模块包括：处理区域设定子模块，用于在所述车载设备的周边设定车道线处理区域；坐标值确定子模块，用于确定所述车道线处理区域各边界线的中点在所述车载设备所处真实坐标系中的坐标值；图像坐标值获取子模块，用于将各所述坐标值转换到所述待检测图像对应的图像坐标系中，获得各图像坐标值；感兴趣区域确定子模块，用于依据各所述图像坐标值，确定所述待检测图像的感兴趣区域。
优选地，所述像素特征提取模块包括：边缘图像选取子模块，用于在所述感兴趣区域中选取第一边缘图像和第二边缘图像；二值化处理子模块，用于分别对所述第一边缘图像和所述第二边缘图像进行二值化处理，得到第一二值化边缘图像及第二二值化边缘图像；扫描处理子模块，用于对所述第一二值化边缘图像和所述第二二值化边缘图像分别进行行扫描处理，分别获取各行中的第一车车道线像素特征点和第二车道线像素特征点。
优选地，所述超像素生成模块包括：车道线特征图获取子模块，用于在所述第一车道线像素特征点和所述第二车道线像素特征点之间的距离满足设定距离阈值时，将所述第一车道线像素特征点和所述第二车道线像素特征点复制保存至新的图像中，以得到车道线特征图；参考点选取子模块，用于从所述车道线特征图的边缘位置处进行超像素特征的搜索，并将搜索到的第一个超像素特征作为超像素特征参考点；查找子模块，用于在所述超像素特征参考点的候选范围内查找所述超像素特征参考点的相似特征；超像素生成子模块，用于将所述超像素特征参考点与查找到的所述相似特征进行合并，生成所述超像素。
优选地，所述目标车道线模块包括：聚类拟合处理子模块，用于对各所述超像素进行聚类处理，获得多条候选车道线；长度值计算子模块，用于计算各所述候选车道线的长度值；目标车道线获取子模块，用于对所述长度值大于设定阈值的各所述候选车道线进行二次曲线拟合，获得目标车道线。
与现有技术相比，本发明包括以下优点：
本发明实施例提供了一种车道线检测方法及装置，应用于车载设备，通过在待检测图像中确定感兴趣区域，并在感兴趣区域中提取各车道线像素特征，进而将相似的所述车道线像素特征进行合并处理，生成与合并的车道线像素特征对应的超像素，对各超像素进行聚类拟合处理，以获得目标车道线。本发明实施例基于超像素生成目标车道线，不需要任何关于车道线和道路模型的假设，也不依赖车道线平行的假设，可在城市环境中鲁棒的工作，而且不受前方车辆的干扰，从而降低了车道线检测过程中出现漏检或误检的概率。
附图说明
图1示出了本发明实施例提供的一种车道线检测方法的步骤流程图；
图2示出了本发明实施例提供的一种车道线检测方法的步骤流程图；
图2a示出了本发明实施例提供的一种设定车道线处理区域的示意图；
图2b示出了本发明实施例提供的一种车道线示意图；
图2c示出了本发明实施例提供的一种超像素搜索范围的示意图；
图2d示出了本发明实施例提供的一种超像素梯度方向说明示意图；及
图3示出了本发明实施例提供的一种车道线检测装置的结构示意图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例一
参照图1，示出了本发明实施例提供的一种车道线检测方法的步骤流程图，该车道线检测方法可以应用于车载设备，具体可以包括如下步骤：
步骤101：在待检测图像中确定感兴趣区域。
本发明实施例可以应用于对车载设备前方的车道线进行实时检测，车载设备可以为车辆前方安装的集拍摄分析等为一体的装置，对于具体的装置本发明实施例不加以限制。
在车载设备的车头处可以预先设置图像采集装置，如摄像头等，在车载设备行驶过程中可以实时拍摄车载设备前方和左右方向上的道路情况，以后续对车道线进行实时分析。
感兴趣区域(Region ofInterest，ROI)是从图像中选择的一个图像区域，这个区域是后续图像分析所关注的重点，圈定该区域以便进行进一步处理。即本发明实施例提及的感兴趣区域是待检测图像中圈定需要进行后续处理的区域，通过设定感兴趣区域可以减少图像分析的处理时间，增加分析精度。
可以通过设定距离阈值的方式来得到待检测图像中的感兴趣区域，而对于待检测图像中感兴趣区域的设定方式将在下述实施例二中进行详细描述，本发明实施例在此不再加以赘述。
在待检测图像中确定感兴趣区域之后，则执行步骤102。
步骤102：在感兴趣区域中提取各车道线像素特征。
在确定待检测图像中的感兴趣区域之后，可以从感兴趣区域中提取车道线像素特征，对于待检测图像中感兴趣区域中的某一行而言，车道线像素特征是由多个成对的边缘特征点所确定的，而对于任何一种车道线(如弯道、直线、双黄线、双白线等)采集的图像都有边缘，都可以通过成对的边缘特征点进行检测。
在本发明实施例中，可以使用定向边缘抽取算子和包含自适应阈值的双阈值二值化方法对待检测图像中的感兴趣区域进行预处理，以提取车道线像素特征，具体地，将在下述实施例二中进行详细描述，本发明实施例在此不再加以赘述。
在感兴趣区域中提取各车道线像素特征之后，则执行步骤103。
步骤103：将相似的所述车道线像素特征进行合并处理，生成与合并的所述车道线像素特征对应的超像素。
超像素是指将一幅原本是像素级(pixel-level)的图像划分为区域级(district-level)的图像，本发明实施例中，是将多个相似的车道线像素特征进行合并，作为一个超像素进行后续的处理。
在从感兴趣区域中提取车道线像素特征之后，可以将相似的车道线像素特征进行合并，从而生成与合并的车道线像素特征对应的超像素，例如，提取的车道线像素特征包括：A、B、C、D、E、F、G、H、I、J、K，其中，A、B、I、J、K为相似的车道线像素特征，C、D、E、F为相似的车道线像素特征，G、H为相似的车道线像素特征，进而，将A、B、I、J、K进行合并，将C、D、E、F进行合并，将G、H进行合并，从而可以得到对应于A、B、I、J、K的超像素，对应于C、D、E、F的超像素，以及对应于G、H的超像素。
可以理解地，上述示例仅是为了更好地理解本发明实施例的方案而列举的示例，不作为对本发明的唯一限制。
对于将相似的车道线像素特征进行合并处理，生成与合并的车道线像素特征对应的超像素的具体过程将在下述实施例二中进行详细描述，本发明实施例在此不再加以赘述。
在生成与合并的车道线像素特征对应的超像素之后，则执行步骤104。
步骤104：对各所述超像素进行聚类拟合处理，获得目标车道线。
在获取至少一个超像素之后，可以采用预设聚类算法对各超像素进行聚类拟合处理，以获得目标车道线。
本发明实施例采用的待检测图像是直接由拍摄装置采集的原始图像，基于原始图像进行图像的后续分析，检测出的是所有的车道线像素，待检测图像中相邻两帧图像数据的差异比较小，不会产生视觉抖动。
本发明实施例提供的车道线检测方法，可以应用于车载设备，通过在待检测图像中确定感兴趣区域，并在感兴趣区域中提取各车道线像素特征，进而将相似的所述车道线像素特征进行合并处理，生成与合并的车道线像素特征对应的超像素，对各超像素进行聚类拟合处理，以获得目标车道线。本发明实施例基于超像素生成目标车道线，不需要任何关于车道线和道路模型的假设，也不依赖车道线平行的假设，可在城市环境中鲁棒的工作，而且不受前方车辆的干扰，从而降低了车道线检测过程中出现漏检或误检的概率。
实施例二
参照图2，示出了本发明实施例提供的一种车道线检测方法的步骤流程图，该车道线检测方法可以应用于车载设备，具体可以包括如下步骤：
步骤201：在所述车载设备的周边设定车道线处理区域。
在本发明实施例中，可以预先在车载设备的周边设定车道线处理区域，例如，参照图2a，示出了本发明实施例提供的一种设定车道线处理区域的示意图，如图2a所示，车载设备位于图2a的底边缘位置处，以车载设备为中心坐标，设定车载设备的前后方向为Y轴，左右方向为X轴，设定在车载设备前方距离X轴3m-40m，3m为确定的距离车载设备前方最近的检测距离，40m为确定的距离车载设备前方最远的检测距离，且在车载设备左右方距离Y轴-7m～7m的区域为车道线处理区域等等，采用如上四个距离参数可以确定出真实的检测范围，即车道线处理区域。
可以理解地，上述示例仅是为了更好地理解本发明的技术方案而列举的示例，不作为对本发明的唯一限制。
车道线处理区域可以是由系统设定的，此处非本发明实施例的发明点所在，对于具体的设定过程，本发明实施例不加以详述。
在车载设备的周边设定车道线处理区域之后，则执行步骤202。
步骤202：确定所述车道线处理区域各边界线的中点在所述车载设备所处真实坐标系中的坐标值。
车道线处理区域优选方形区域，即以车载设备为中心坐标，设定车载设备的前后方向为Y轴，左右方向为X轴，以距离X轴第一设定距离值和距离Y轴第二设定距离值所组成的区域为车道线处理区域。
在确定车道线处理区域之后，可以获取车道线处理区域各边界线的中点，并确定各中点在车载设备所处世界坐标系中的坐标值。
在确定车道线处理区域各边界线的中点在车载设备所处真实坐标系中的坐标值之后，则执行步骤203。
步骤203：将各所述坐标值转换到所述待检测图像对应的图像坐标系中，获得各图像坐标值。
在确定车道线处理区域各边界线中点在车载设备所处真实坐标系中的坐标值之后，可以对各真实坐标系中的坐标值进行转换，以转换到待检测图像对应的图像坐标系中，以获得各坐标值所对应的各图像坐标值。
具体地，可以采用下述公式(1)进行坐标值的转换：
其中，fu和fv分别表示传感器在u和v方向上的焦距，u和v分别表示图像坐标系的横坐标和纵坐标，u0和v0分别表示传感器的光心坐标，即待检测图像的中心点坐标，R和T为设定值，是通过摄像头外参数标定得到。
可以理解地，上述公式中X，Y，Z是某一点在世界坐标系中的坐标值，R和T分别表示世界坐标系和摄像头坐标系间的旋转矩阵和平移矩阵。
通过上述公式(1)可以将车道线处理区域各边界线中点在车载设备所处真实坐标系中的坐标值转换到待检测图像所处图像坐标系中，进而可以获取到各真实坐标值对应的图像坐标值。
通常地，在本领域中，图像坐标系中是以图像左上角的对应点作为图像坐标系的原点，在本发明实施例中，即将待检测图像左上角对应的点作为图像坐标系的原点。
在获取各图像坐标值之后，则执行步骤204。
步骤204：依据各所述图像坐标值，确定所述待检测图像的感兴趣区域。
感兴趣区域(Region ofInterest，ROI)是从图像中选择的一个图像区域，这个区域是后续图像分析所关注的重点，圈定该区域以便进行进一步处理。即本发明实施例提及的感兴趣区域是待检测图像中圈定需要进行后续处理的区域，通过设定感兴趣区域可以减少图像分析的处理时间，增加分析精度。
在将车道线处理区域在车载设备所处真实坐标系中的坐标值转换到待检测图像所处的图像坐标系中，并获取各坐标值对应的图像坐标值之后，可以依据各图像坐标值确定出待检测图像的待处理区域，该待处理区域即为待检测图像的感兴趣区域。例如，获取待检测图像中待处理区域的left(左，即车载设备左方)，right(右，即车载设备右方)，top(顶端，即车载设备前方距离最远处)和bottom(底端，车载设备前方紧靠近车载设备处)的图像坐标值，依据这四个图像坐标值即可确定出待检测图像的感兴趣区域。
在确定待检测图像的感兴趣区域之后，则执行步骤205。
步骤205：在所述感兴趣区域中选取第一边缘图像和第二边缘图像。
在本发明实施例中，可以采用左右两个滤波器对处于车载设备左右两方感兴趣区域的边缘进行检测，可以获得左右两个边缘图像，即第一边缘图像和第二边缘图像。
两个滤波器可以分别通过下述公式(2)和(3)进行表示：
其中，fl(u,v)表示左滤波器，fr(u,v)表示右滤波器，(u,v)表示以车载设备为原点、以车载设备正左/右方向为x轴的坐标点，wf/2表示左/右滤波器的宽度参数，可以设置为设定值。
左/右滤波器即可以分别采用上述公式(2)和(3)表示，用于对感兴趣区域滤波而得到两幅边缘图像(即第一边缘图像和第二边缘图像)，进而后续通过两边缘图像得到车道线特征。
在选取第一边缘图像和第二边缘图像之后，则执行步骤206。
步骤206：分别对所述第一边缘图像和所述第二边缘图像进行二值化处理，得到第一二值化边缘图像及第二二值化边缘图像。
在本发明实施例中，在获取第一边缘图像和第二边缘图像之后，可以分别对第一边缘图像和第二边缘图像进行二值化处理，以得到第一边缘图像对应的第一二值化边缘图像，及第二边缘图像对应的第二二值化边缘图像。
具体地，二值化处理过程可以采用下述公式(4)和(5)表示：
其中，Il(u,v)、Ir(u,v)分别表示第一二值化边缘图像和第二二值化边缘图像，Tl和Tr分别表示第一边缘图像和第二边缘图像的像素阈值，Tl和Tr不仅与当前像素邻域的亮度值有关，这里还结合像素在竖直方向的梯度进行判断，对于车道线而言，其在水平方向梯度较大，竖直方向梯度很小，而对于干扰因素来说，比如车辆和栏杆等，其竖直方向梯度答，因此，结合梯度信息，本发明能很好的滤除其他因素造成的干扰。
图像上的每个像素都对应一个阈值，每个像素对应的阈值均不相同，对于第一边缘图像和第二边缘图像来说，每个像素都会与对应阈值进行比较，从而生成新的第一二值化边缘图像和第二二值化边缘图像。
例如，假设当前像素位置是，其像素值是，则当前像素梯度计算如下：
Δgrad＝min(abs(data(u,v-width)-data(u,v)),
abs(data(u-1,v-width)-data(u,v)),abs(data(u+1,v-width-data(u,v))) (6)
上述公式(6)中，data(u,v)表示图像中(u,v)点的像素值，abs是求绝对值，通过上述公式(6)可以求出三个梯度的最小值，三个梯度分别是：当前像素与左上相邻像素的梯度绝对值、当前像素与上方相邻像素的梯度绝对值、当前像素与右上相邻像素的梯度绝对值。而本发明实施例中，之所以加绝对值是因为当前像素与相邻像素之间的梯度与正负无关，只与梯度绝对值大小有关。
在本发明中，竖直方向的梯度，只需要计算图像的一边即可(例如，像素上方，或像素下方等)。
当前像素的梯度阈值Tgrad计算：以当前像素为中心，左右各搜索16个像素的梯度Δgrad(用上述公式(6)进行计算)，选择最大梯度作为当前像素的梯度阈值。
依据最大梯度阈值Tgrad，结合像素所在位置可以计算出Tl、Tr。
采用公式(4)可以对车载设备左方的边缘图像(即第一边缘图像进行二值化处理)，从而获取第一二值化边缘图像。采用公式(5)可以对车载设备右方的边缘图像(即第二边缘图像进行二值化处理)，从而获取第二二值化边缘图像。
当然，在实际应用中，本领域技术人员也可以采用其它方式对第一边缘图像和第二边缘图像进行二值化处理，本发明实施例对此不加以限制。
本发明实施例通过对第一边缘图像和第二边缘图像进行二值化处理，可以减少光照对特征点提取所带来的影响。
在得到第一二值化边缘图像和第二二值化边缘图像之后，则执行步骤207。
步骤207：对所述第一二值化边缘图像和所述第二二值化边缘图像分别进行行扫描处理，分别获取各行中第一特征点和第二像素特征点。
通过对第一二值化边缘图像和第二二值化边缘图像分别进行行扫描，即针对第一二值化图像和第二二值化图像中的各行像素，针对每行中的像素进行处理，从而可以从第一二值化边缘图像中获取第一特征点，也即第一车道线像素特征点，从第二二值化边缘图像中获取第二特征点，也即第二车道线像素特征点。
分别提取第一二值化边缘图像和第二二值化边缘图像各行中相互匹配的第一车道线像素特征点和第二车道线像素特征点之后，则执行步骤208。
步骤208：在所述第一车道线像素特征点和所述第二车道线像素特征点之间的距离满足设定距离阈值时，将所述第一车道线像素特征点和所述第二车道线像素特征点复制保存至新的图像中，以得到车道线特征图。
当相互匹配的第一特征点和第二特征点之间的距离满足设定值时，则第一特征点和第二特征点之间的像素特征也为车道线像素特征，则将满足设定距离阈值条件的各第一特征点和各第二特征点复制保存至新的图像中，以得到车道线特征图。
在本发明实施例中，设定距离阈值可以用第一阈值和第二阈值表示，满足设定距离阈值条件是指相互匹配的第一车道线像素特征点和第二车道线像素特征点的距离值处于第一阈值和第二阈值之间，第一阈值和第二阈值是根据真实车道线的宽度设定，在待检测图像中，不同位置的特征点，其所采用的宽度阈值是不相同的，距离车载设备越近的车道线，在图像中呈现的宽度就越宽，则所采用的宽度阈值就越大。
具体地，可以采用下述方式来获取宽度阈值：
在车载设备所处真实坐标系中，设定车道线宽度为w。参照图2b，示出了本发明实施例提供的一种车道线示意图，可以将视场分为上下两个，即近视场和远视场，由于相机透视投影效果，真实世界中宽度相同的车道线在图像中，会呈现近宽远窄的效果，因此，划分近视场和远视场是为了获得图像中更准确的车道线宽度。近视场得到计算过程为：近视场第二阈值的计算时，假设在D点处有车道线，其左右边缘在世界坐标系中的坐标值分别为和；近视场第一阈值计算时，假设在在A点处有车道线，其左右边缘在世界坐标系中的坐标值分别为和。远视场的计算过程为：远视场第二阈值计算时，假设在O点处有车道线，其左右边缘在世界坐标系中的坐标值分别为和；远视场第一阈值计算时，假设在E点处有车道线，其左右边缘在世界坐标系中的坐标值分别为和；其中，是前面车道线检测范围设定的，如上述示例中设定的感兴趣区域车辆前方的7m，则是最远检测距离的二分之一(如30m/2)。
在获取第一阈值和第二阈值之后，根据第一阈值和第二阈值，可以将第一二值化边缘图像和第二二值化边缘图像中的第一车道线像素特征点和第二车道线像素特征点进行配对，在行扫描时，只有两个车道线像素特征点距离在第一阈值和第二阈值之间时，该第一车道线像素特征点和第二车道线像素特征点组成了车道线特征边缘点对，两点之间的像素属于车道线特征，将可以配对的左右特征点(即左右特征点之间的距离符合车道线宽度要求)复制保存到新的图像中，可以得到最终的车道线特征图。
各边缘点在世界坐标系中的坐标值转换到图像坐标系可以采用上述公式(1)进行表示，也可以采用其它方式进行转换，本发明实施例对此不加以限制。
在得到车道线特征图之后，则执行步骤209。
步骤209：从所述车道线特征图的边缘位置处进行超像素特征的搜索，并将搜索到的第一个超像素特征作为超像素特征参考点。
在本发明实施例中，在得到感兴趣区域的最终车道线像素特征后，则可以从最终的车道线特征图中，进行自底向上和自左向右的扫描与合并，将搜索到的第一个未被合并的特征点作为一个新的超像素的特征参考点。
可以对车道线特征图从底向上进行搜索，以将搜索到的第一个超像素特征作为超像素特征参考点，参照图2c，示出了本发明实施例提供的一种超像素搜索范围的示意图，如图2c左半部分图所示，从一张图的底部开始，先从左到右，后从下到上进行搜索，从图中查找未被合并和搜索过的特征点(对应图中白色像素点，即图2c左半部分图中的虚线描述部分)，以该像素点为参考点(也就是对应图2c右半部分图中的黑色部分区域)，黑色部分区域代表搜索到的第一个超像素特征，即将该超像素特征作为超像素特征参考点，进而执行步骤210。
步骤210：在所述超像素特征参考点的候选范围内查找所述超像素特征参考点的相似特征。
在确定某一超像素特征参考点之后，则可以在超像素特征参考点的候选范围内查找是否存在相似特征，在本发明中，可以采用逐行扫描的方式来查找是否存在相似特征，如图2b所示，黑色代表一个超像素特征参考点，而灰色部分代表该超像素特征参考点的搜索范围，从该搜索范围中查找是否存在相似特征，进而执行步骤210。
步骤211：将所述超像素特征参考点与查找到的所述相似特征进行合并，生成所述超像素。
在超像素特征参考点的候选范围内查找到相似特征时，则将查找到的相似特征合并到该超像素特征参考点的候选范围内，以生成对应于该超像素特征参考点的超像素，进而执行步骤211。
步骤212：对各所述超像素进行聚类处理，获得多条候选车道线。
在本发明实施例中，可以采用聚类算法将属于同一条车道线的超像素进行聚类，从而可以形成多条候选车道线。
在实际应用中，本领域技术人员可以根据实际需要选择将属于同一条车道线的超像素进行聚类的聚类算法，本发明实施例对此不加以限制。
对于采用如下聚类算法进行聚类获取候选车道线的过程如下：
首先，定义聚类样本集即超像素的点集合D＝(x1,x2,x3,x4,x5,...,xm)，邻域参数为(∈,MinPts)，样本距离度量方式：d(ui,uj)＝α·abs(θti-θtj)+α·abs(θmi-θmj)+α·abs(θbi-θbj)+
β·abs(ti·u-tj·u)+β·abs(mi·u-mj·u)+β·abs(bi·u-bj·u)，
其中，每个超像素分别由θti、θmi、θbi、ti、mi、bi表示。由于超像素是个点集，θti是该点集的最上面的像素点的梯度方向，θmi是点集中间位置像素点mi的梯度方向，θbi是点集最靠下的像素点bi的梯度方向，α表示角度的权重，β表示距离的权重，α和β为预设固定值。
以下述附图对本发明实施例中的超像素的梯度方向进行详细说明，参照图2d，示出了本发明实施例提供的一种超像素梯度方向说明示意图，如图2d所示，top、middle、bottom分别是超像素处于最顶端、中间位置和最低端的像素点，top点的梯度方向是指该超像素中top点下一行的中间位置像素点与top点的连线方向；middle点的梯度方向是指该超像素中middle点下一行的中间位置像素点与middle点的连线方向；bottom点与该超像素中bottom点上一行中的中间位置像素点的连线方向。
具体执行过程可以参照下述步骤：
(1)初始化核心对象集合Ω＝Φ，初始化聚类的车道线条数K＝0，初始化未访问的超像素样本集合Γ＝D，车道线划分C＝Φ；其中，C为集合；
(2)对于所有的超像素点j＝1，2，...，m，按照下述步骤a)-b)找到所有超像素点的核心对象：；
a)按照距离度量方式，找到超像素点xj的∈-邻域子超像素点集N∈(xj)；
b)如果子超像素点集个数满足|N∈(xj)|≥Minpts，将超像素点xj加入核心对象集合：Ω＝Ω∪{xj}；
(3)如果核心对象集合Ω＝φ，则算法结束，否则转入步骤(4)；
(4)在核心对象集合Ω中，随机选择一个核心对象o，初始化当前簇(本发明中，每条候选车道线均对应一个簇)核心对象队列Ωcur＝{o}，初始化类别序号，k＝k+1，初始化当前簇样本集合Ck＝{o}，更新未访问的样本集合Γ＝Γ-{o}；
(5)如果当前簇核心对象队列Ωcur＝φ，则当前聚类簇Ck生成完毕，更新簇划分C＝{C1,C2,C3,...,Ck}，更新核心对象集合Ω＝Ω-Ck，转入步骤(3)；
(6)在当前簇核心对象队列Ωcur中取出一个核心对象o'，通过邻域距离阈值∈找出所有的∈邻域子样本集N∈(o')，Δ＝N∈(o')∩Γ，更新当前簇样本集合Ck＝Ck∪Δ，更新未访问样本集合Γ＝Γ-Δ，转入步骤(5)；
(7)输出簇划分结果C＝C＝{C1,C2,C3,...,Ck}，并将簇划分结果作为候选车道线。
当然，在实际应用中，本领域技术人员也可以采用其它聚类算法将属于同一条车道线的超像素进行聚类处理，本发明实施例对此不加以限制。
步骤213：计算各所述候选车道线的长度值。
在获取多条候选车道线之后，可以对各候选车道线的长度值进行计算。
步骤214：对所述长度值大于设定阈值的各所述候选车道线进行二次曲线拟合，获得目标车道线。
设定阈值是根据道路实际情况进行设定的，本发明对此不加以限制。
本发明实施例通过对各候选车道线的长度值与设定阈值进行比较，从而可以减少道路上其它因素的干扰，降低了对车道线误检的概率。
将长度值与设定阈值进行比较之后，可以对长度值大于设定阈值的各候选车道线进行二次曲线拟合(即二次方程拟合)，以形成目标车道线的曲线表达，从而可以获取目标车道线。
在实际应用中，车道线有直线，也有曲线，采用二次方程可以更好地拟合得到目标车道线的曲线表达形式，从而获取目标车道线。
本发明实施例提供的车道线检测方法，可以应用于车载设备，通过在待检测图像中确定感兴趣区域，并在感兴趣区域中提取各车道线像素特征，进而将相似的所述车道线像素特征进行合并处理，生成与合并的车道线像素特征对应的超像素，对各超像素进行聚类拟合处理，以获得目标车道线。本发明实施例基于超像素生成目标车道线，不需要任何关于车道线和道路模型的假设，也不依赖车道线平行的假设，可在城市环境中鲁棒的工作，而且不受前方车辆的干扰，从而降低了车道线检测过程中出现漏检或误检的概率。
实施例三
参照图3，示出了本发明实施例提供的一种车道线检测装置的结构示意图，具体可以包括：
感兴趣区域确定模块310，用于在待检测图像中确定感兴趣区域；像素特征提取模块320，用于在感兴趣区域中提取各车道线像素特征；超像素生成模块330，用于将相似的所述车道线像素特征进行合并处理，生成与合并的所述车道线像素特征对应的超像素；目标车道线模块340，用于对各所述超像素进行聚类拟合处理，获得目标车道线。
优选地，所述感兴趣区域确定模块310包括：处理区域设定子模块，用于在所述车载设备的周边设定车道线处理区域；坐标值确定子模块，用于确定所述车道线处理区域各边界线的中点在所述车载设备所处真实坐标系中的坐标值；图像坐标值获取子模块，用于将各所述坐标值转换到所述待检测图像对应的图像坐标系中，获得各图像坐标值；感兴趣区域确定子模块，用于依据各所述图像坐标值，确定所述待检测图像的感兴趣区域。
优选地，所述像素特征提取模块320包括：边缘图像选取子模块，用于在所述感兴趣区域中选取第一边缘图像和第二边缘图像；二值化处理子模块，用于分别对所述第一边缘图像和所述第二边缘图像进行二值化处理，得到第一二值化边缘图像及第二二值化边缘图像；扫描处理子模块，用于对所述第一二值化边缘图像和所述第二二值化边缘图像分别进行行扫描处理，分别获取各行中的第一车车道线像素特征点和第二车道线像素特征点。
优选地，所述超像素生成模块330包括：车道线特征图获取子模块，用于在所述第一车道线像素特征点和所述第二车道线像素特征点之间的距离满足设定距离阈值时，将所述第一车道线像素特征点和所述第二车道线像素特征点复制保存至新的图像中，以得到车道线特征图；参考点选取子模块，用于从所述车道线特征图的边缘位置处进行超像素特征的搜索，并将搜索到的第一个超像素特征作为超像素特征参考点；查找子模块，用于在所述超像素特征参考点的候选范围内查找所述超像素特征参考点的相似特征；超像素生成子模块，用于将所述超像素特征参考点与查找到的所述相似特征进行合并，生成所述超像素。
优选地，所述目标车道线模块340包括：聚类处理子模块，用于对各所述超像素进行聚类处理，获得多条候选车道线；长度值计算子模块，用于计算各所述候选车道线的长度值；目标车道线获取子模块，用于对所述长度值大于设定阈值的各所述候选车道线进行二次曲线拟合，获得目标车道线。
本发明实施例提供的车道线检测装置，通过在待检测图像中确定感兴趣区域，并在感兴趣区域中提取各车道线像素特征，进而将相似的所述车道线像素特征进行合并处理，生成与合并的车道线像素特征对应的超像素，对各超像素进行聚类拟合处理，以获得目标车道线。本发明实施例基于超像素生成目标车道线，不需要任何关于车道线和道路模型的假设，也不依赖车道线平行的假设，可在城市环境中鲁棒的工作，而且不受前方车辆的干扰，从而降低了车道线检测过程中出现漏检或误检的概率。
对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明并不受所描述的动作顺序的限制，因为依据本发明，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本发明所必须的。
本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
以上对本发明所提供的一种车道线检测方法和一种车道线检测装置，进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (10)

1.一种车道线检测方法，应用于车载设备，其特征在于，包括：
在待检测图像中确定感兴趣区域；
在感兴趣区域中提取各车道线像素特征；
将相似的所述车道线像素特征进行合并处理，生成与合并的所述车道线像素特征对应的超像素；
对各所述超像素进行聚类拟合处理，获得目标车道线。
2.根据权利要求1所述的方法，其特征在于，所述在待检测图像中确定感兴趣区域的步骤，包括：
在所述车载设备的周边设定车道线处理区域；
确定所述车道线处理区域各边界线的中点在所述车载设备所处真实坐标系中的坐标值；
将各所述坐标值转换到所述待检测图像对应的图像坐标系中，获得各图像坐标值；
依据各所述图像坐标值，确定所述待检测图像的感兴趣区域。
3.根据权利要求1所述的方法，其特征在于，所述在感兴趣区域中提取各车道线像素特征的步骤，包括：
在所述感兴趣区域中选取第一边缘图像和第二边缘图像；
分别对所述第一边缘图像和所述第二边缘图像进行二值化处理，得到第一二值化边缘图像及第二二值化边缘图像；
对所述第一二值化边缘图像和所述第二二值化边缘图像分别进行行扫描处理，分别获取各行中的第一车车道线像素特征点和第二车道线像素特征点。
4.根据权利要求3所述的方法，其特征在于，所述将相似的所述车道线像素特征进行合并处理，生成与合并的所述车道线像素特征对应的超像素的步骤，包括：
在所述第一车道线像素特征点和所述第二车道线像素特征点之间的距离满足设定距离阈值时，将所述第一车道线像素特征点和所述第二车道线像素特征点复制保存至新的图像中，以得到车道线特征图；
从所述车道线像素特征图的边缘位置处进行超像素特征的搜索，并将搜索到的第一个超像素特征作为超像素特征参考点；
在所述超像素特征参考点的候选范围内查找所述超像素特征参考点的相似特征；
将所述超像素特征参考点与查找到的所述相似特征进行合并，生成所述超像素。
5.根据权利要求1所述的方法，其特征在于，所述对各所述超像素进行聚类拟合处理，获得目标车道线的步骤，包括：
对各所述超像素进行聚类处理，获得多条候选车道线；
计算各所述候选车道线的长度值；
对所述长度值大于设定阈值的各所述候选车道线进行二次曲线拟合，获得目标车道线。
6.一种车道线检测装置，其特征在于，包括：
感兴趣区域确定模块，用于在待检测图像中确定感兴趣区域；
像素特征提取模块，用于在感兴趣区域中提取各车道线像素特征；
超像素生成模块，用于将相似的所述车道线像素特征进行合并处理，生成与合并的所述车道线像素特征对应的超像素；
目标车道线模块，用于对各所述超像素进行聚类拟合处理，获得目标车道线。
7.根据权利要求6所述的装置，其特征在于，所述感兴趣区域确定模块包括：
处理区域设定子模块，用于在所述车载设备的周边设定车道线处理区域；
坐标值确定子模块，用于确定所述车道线处理区域各边界线的中点在所述车载设备所处真实坐标系中的坐标值；
图像坐标值获取子模块，用于将各所述坐标值转换到所述待检测图像对应的图像坐标系中，获得各图像坐标值；
感兴趣区域确定子模块，用于依据各所述图像坐标值，确定所述待检测图像的感兴趣区域。
8.根据权利要求6所述的装置，其特征在于，所述像素特征提取模块包括：
边缘图像选取子模块，用于在所述感兴趣区域中选取第一边缘图像和第二边缘图像；
二值化处理子模块，用于分别对所述第一边缘图像和所述第二边缘图像进行二值化处理，得到第一二值化边缘图像及第二二值化边缘图像；
扫描处理子模块，用于对所述第一二值化边缘图像和所述第二二值化边缘图像分别进行行扫描处理，分别获取各行中的第一车车道线像素特征点和第二车道线像素特征点。
9.根据权利要求8所述的装置，其特征在于，所述超像素生成模块包括：
车道线特征图获取子模块，用于在所述第一车道线像素特征点和所述第二车道线像素特征点之间的距离满足设定距离阈值时，将所述第一车道线像素特征点和所述第二车道线像素特征点复制保存至新的图像中，以得到车道线特征图；
参考点选取子模块，用于从所述车道线特征图的边缘位置处进行超像素特征的搜索，并将搜索到的第一个超像素特征作为超像素特征参考点；
查找子模块，用于在所述超像素特征参考点的候选范围内查找所述超像素特征参考点的相似特征；
超像素生成子模块，用于将所述超像素特征参考点与查找到的所述相似特征进行合并，生成所述超像素。
10.根据权利要求6所述的装置，其特征在于，所述目标车道线模块包括：
聚类拟合处理子模块，用于对各所述超像素进行聚类处理，获得多条候选车道线；
长度值计算子模块，用于计算各所述候选车道线的长度值；
目标车道线获取子模块，用于对所述长度值大于设定阈值的各所述候选车道线进行二次曲线拟合，获得目标车道线。
CN201810805059.6A 2018-07-20 2018-07-20 一种车道线检测方法及装置 Active CN109034047B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201810805059.6A CN109034047B (zh) 2018-07-20 2018-07-20 一种车道线检测方法及装置
US16/398,700 US10970566B2 (en) 2018-07-20 2019-04-30 Lane line detection method and apparatus

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810805059.6A CN109034047B (zh) 2018-07-20 2018-07-20 一种车道线检测方法及装置

Publications (2)

Publication Number Publication Date
CN109034047A true CN109034047A (zh) 2018-12-18
CN109034047B CN109034047B (zh) 2021-01-22

Family

ID=64643956

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810805059.6A Active CN109034047B (zh) 2018-07-20 2018-07-20 一种车道线检测方法及装置

Country Status (2)

Country Link
US (1) US10970566B2 (zh)
CN (1) CN109034047B (zh)

Cited By (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109670455A (zh) * 2018-12-21 2019-04-23 联创汽车电子有限公司 计算机视觉车道线检测系统及其检测方法
CN110826468A (zh) * 2019-11-01 2020-02-21 南京工程学院 一种辅助驾驶的基于车道线检测的车辆检测测距方法
CN111141208A (zh) * 2019-01-09 2020-05-12 银河水滴科技（北京）有限公司 一种平行线检测方法及装置
CN111460073A (zh) * 2020-04-01 2020-07-28 北京百度网讯科技有限公司 车道线检测方法、装置、设备和存储介质
CN111695389A (zh) * 2019-03-15 2020-09-22 北京四维图新科技股份有限公司 一种车道线聚类方法及装置
CN111829484A (zh) * 2020-06-03 2020-10-27 江西江铃集团新能源汽车有限公司 基于视觉的目标距离测算方法
CN111860319A (zh) * 2020-07-20 2020-10-30 北京百度网讯科技有限公司 车道线的确定方法、定位精度的评测方法、装置、设备
CN112010236A (zh) * 2020-08-18 2020-12-01 国以贤智能科技(上海)股份有限公司 无人驾驶叉车自动控制指令的识别方法、装置和设备
CN112597846A (zh) * 2020-12-14 2021-04-02 合肥英睿系统技术有限公司 车道线检测方法、装置、计算机设备和存储介质
CN112989991A (zh) * 2021-03-09 2021-06-18 贵州京邦达供应链科技有限公司 车道线检测方法及装置、电子设备和计算机可读存储介质
CN113255404A (zh) * 2020-02-11 2021-08-13 北京百度网讯科技有限公司 车道线识别方法、装置、电子设备和计算机可读存储介质
CN113269165A (zh) * 2021-07-16 2021-08-17 智道网联科技(北京)有限公司 数据获取方法及其装置
CN113762004A (zh) * 2020-11-04 2021-12-07 北京京东乾石科技有限公司 车道线检测方法及装置
CN113822218A (zh) * 2021-09-30 2021-12-21 厦门汇利伟业科技有限公司 车道线检测方法及计算机可读存储介质
WO2022082574A1 (zh) * 2020-10-22 2022-04-28 华为技术有限公司 一种车道线检测方法和装置
CN114863385A (zh) * 2022-03-23 2022-08-05 禾多科技（北京）有限公司 道路曲面信息生成方法、装置、设备和计算机可读介质
CN117392634A (zh) * 2023-12-13 2024-01-12 上海闪马智能科技有限公司 车道线的获取方法、装置、存储介质及电子装置

Families Citing this family (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109034047B (zh) * 2018-07-20 2021-01-22 京东方科技集团股份有限公司 一种车道线检测方法及装置
CN109389650B (zh) * 2018-09-30 2021-01-12 京东方科技集团股份有限公司 一种车载相机的标定方法、装置、车辆和存储介质
KR102633140B1 (ko) * 2018-10-23 2024-02-05 삼성전자주식회사 주행 정보를 결정하는 방법 및 장치
CN113534170A (zh) * 2020-04-20 2021-10-22 上海禾赛科技有限公司 车道线检测方法、数据处理单元以及车载激光雷达系统
CN113673274A (zh) * 2020-05-13 2021-11-19 长沙智能驾驶研究院有限公司 道路边界检测方法、装置、计算机设备和存储介质
CN111881878B (zh) * 2020-08-07 2024-02-02 吉林大学 一种环视复用的车道线识别方法
CN112598762B (zh) * 2020-09-16 2021-10-12 禾多科技（北京）有限公司 三维车道线信息生成方法、装置、电子设备和介质
US20230051155A1 (en) * 2021-08-13 2023-02-16 Here Global B.V. System and method for generating linear feature data associated with road lanes
CN113705513B (zh) * 2021-09-03 2023-09-26 北京百度网讯科技有限公司 模型训练和车道线预测方法、电子设备和自动驾驶车辆
CN115019280B (zh) * 2022-04-18 2024-05-14 开封大学 融合梯度与平均相对差的车道线检测方法、系统及应用
CN114820547B (zh) * 2022-05-09 2024-06-04 一汽解放汽车有限公司 车道线检测方法、装置、计算机设备、存储介质
CN114724117B (zh) * 2022-06-07 2022-09-13 腾讯科技（深圳）有限公司 车道线关键点数据生成方法、装置、电子设备及存储介质
CN115071733B (zh) * 2022-07-21 2022-10-25 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
CN115546766B (zh) * 2022-11-30 2023-04-07 广汽埃安新能源汽车股份有限公司 车道线生成方法、装置、电子设备和计算机可读介质

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104992145A (zh) * 2015-06-15 2015-10-21 山东大学 一种矩采样车道跟踪检测方法
CN105160309A (zh) * 2015-08-24 2015-12-16 北京工业大学 基于图像形态学分割及区域生长的三车道检测方法
CN105930800A (zh) * 2016-04-21 2016-09-07 北京智芯原动科技有限公司 一种车道线检测方法及装置
CN107767383A (zh) * 2017-11-01 2018-03-06 太原理工大学 一种基于超像素的道路图像分割方法
CN108038416A (zh) * 2017-11-10 2018-05-15 智车优行科技（北京）有限公司 车道线检测方法及系统
CN108154114A (zh) * 2017-12-22 2018-06-12 温州大学激光与光电智能制造研究院 一种车道线检测的方法
CN108205667A (zh) * 2018-03-14 2018-06-26 海信集团有限公司 车道线检测方法及装置、车道线检测终端、存储介质
US20180197021A1 (en) * 2017-01-11 2018-07-12 Foundation Of Soongsil University Industry Cooperation Lane detection device, lane departure determination device, lane detection method and lane departure determination method

Family Cites Families (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4616046B2 (ja) * 2005-03-22 2011-01-19 本田技研工業株式会社 車両用画像処理システム、車両用画像処理方法、車両用画像処理プログラム、及び車両
JP4937030B2 (ja) * 2007-07-24 2012-05-23 ルネサスエレクトロニクス株式会社 車両用画像処理装置
US8311283B2 (en) * 2008-07-06 2012-11-13 Automotive Research&Testing Center Method for detecting lane departure and apparatus thereof
KR20120072020A (ko) * 2010-12-23 2012-07-03 한국전자통신연구원 자율주행 시스템의 주행정보 인식 방법 및 장치
US8750567B2 (en) * 2012-04-09 2014-06-10 GM Global Technology Operations LLC Road structure detection and tracking
WO2014031086A1 (en) * 2012-08-24 2014-02-27 Agency For Science, Technology And Research Methods and systems for automatic location of optic structures in an image of an eye, and for automatic retina cup-to-disc ratio computation
WO2014071060A2 (en) * 2012-10-31 2014-05-08 Environmental Systems Research Institute Scale-invariant superpixel region edges
JP6221283B2 (ja) * 2013-03-19 2017-11-01 富士通株式会社 画像処理装置、画像処理方法および画像処理プログラム
KR101621370B1 (ko) * 2014-08-13 2016-05-17 고려대학교 산학협력단 도로에서의 차선 검출 방법 및 장치
US9389311B1 (en) * 2015-02-19 2016-07-12 Sandia Corporation Superpixel edges for boundary detection
US9916508B2 (en) * 2015-03-12 2018-03-13 Toyota Jidosha Kabushiki Kaisha Detecting roadway objects in real-time images
CN105005771B (zh) 2015-07-13 2018-04-10 西安理工大学 一种基于光流点轨迹统计的车道线实线的检测方法
US10562531B2 (en) * 2016-04-28 2020-02-18 Hyundai Motor Company Adaptive cruise control apparatus and method thereof
JP2018116369A (ja) * 2017-01-16 2018-07-26 株式会社Ｓｏｋｅｎ 車線認識装置
GB2563596B (en) * 2017-06-19 2021-06-09 Shortbite Ltd System and method for modeling a three dimensional space based on a two dimensional image
CN107341478A (zh) * 2017-07-11 2017-11-10 京东方科技集团股份有限公司 一种辅助驾驶系统的车辆检测方法及其装置
JP2019061658A (ja) * 2017-08-02 2019-04-18 株式会社Ｐｒｅｆｅｒｒｅｄ Ｎｅｔｗｏｒｋｓ 領域判別器訓練方法、領域判別装置、領域判別器訓練装置及びプログラム
CN108416320B (zh) * 2018-03-23 2021-04-06 京东方科技集团股份有限公司 巡检设备、巡检设备的控制方法及控制装置
CN109034047B (zh) * 2018-07-20 2021-01-22 京东方科技集团股份有限公司 一种车道线检测方法及装置
CN109389650B (zh) * 2018-09-30 2021-01-12 京东方科技集团股份有限公司 一种车载相机的标定方法、装置、车辆和存储介质

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104992145A (zh) * 2015-06-15 2015-10-21 山东大学 一种矩采样车道跟踪检测方法
CN105160309A (zh) * 2015-08-24 2015-12-16 北京工业大学 基于图像形态学分割及区域生长的三车道检测方法
CN105930800A (zh) * 2016-04-21 2016-09-07 北京智芯原动科技有限公司 一种车道线检测方法及装置
US20180197021A1 (en) * 2017-01-11 2018-07-12 Foundation Of Soongsil University Industry Cooperation Lane detection device, lane departure determination device, lane detection method and lane departure determination method
CN107767383A (zh) * 2017-11-01 2018-03-06 太原理工大学 一种基于超像素的道路图像分割方法
CN108038416A (zh) * 2017-11-10 2018-05-15 智车优行科技（北京）有限公司 车道线检测方法及系统
CN108154114A (zh) * 2017-12-22 2018-06-12 温州大学激光与光电智能制造研究院 一种车道线检测的方法
CN108205667A (zh) * 2018-03-14 2018-06-26 海信集团有限公司 车道线检测方法及装置、车道线检测终端、存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
XINXIN DU 等: "Vision-based approach towards lane line detection and vehicle localization", 《MACHINE VISION AND APPLICATIONS》 *
冯莉 等: "基于超像素和各向异性扩散的车道线识别算法", 《激光杂志》 *

Cited By (26)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109670455A (zh) * 2018-12-21 2019-04-23 联创汽车电子有限公司 计算机视觉车道线检测系统及其检测方法
CN111141208B (zh) * 2019-01-09 2021-08-27 银河水滴科技（北京）有限公司 一种平行线检测方法及装置
CN111141208A (zh) * 2019-01-09 2020-05-12 银河水滴科技（北京）有限公司 一种平行线检测方法及装置
CN111695389A (zh) * 2019-03-15 2020-09-22 北京四维图新科技股份有限公司 一种车道线聚类方法及装置
CN111695389B (zh) * 2019-03-15 2023-06-20 北京四维图新科技股份有限公司 一种车道线聚类方法及装置
CN110826468A (zh) * 2019-11-01 2020-02-21 南京工程学院 一种辅助驾驶的基于车道线检测的车辆检测测距方法
CN110826468B (zh) * 2019-11-01 2022-06-28 南京工程学院 一种辅助驾驶的基于车道线检测的车辆检测测距方法
CN113255404A (zh) * 2020-02-11 2021-08-13 北京百度网讯科技有限公司 车道线识别方法、装置、电子设备和计算机可读存储介质
CN111460073A (zh) * 2020-04-01 2020-07-28 北京百度网讯科技有限公司 车道线检测方法、装置、设备和存储介质
CN111460073B (zh) * 2020-04-01 2023-10-20 北京百度网讯科技有限公司 车道线检测方法、装置、设备和存储介质
CN111829484A (zh) * 2020-06-03 2020-10-27 江西江铃集团新能源汽车有限公司 基于视觉的目标距离测算方法
CN111829484B (zh) * 2020-06-03 2022-05-03 江西江铃集团新能源汽车有限公司 基于视觉的目标距离测算方法
CN111860319A (zh) * 2020-07-20 2020-10-30 北京百度网讯科技有限公司 车道线的确定方法、定位精度的评测方法、装置、设备
CN111860319B (zh) * 2020-07-20 2024-03-26 阿波罗智能技术(北京)有限公司 车道线的确定方法、定位精度的评测方法、装置、设备
CN112010236B (zh) * 2020-08-18 2021-07-20 国以贤智能科技(上海)股份有限公司 无人驾驶叉车自动控制指令的识别方法、装置和设备
CN112010236A (zh) * 2020-08-18 2020-12-01 国以贤智能科技(上海)股份有限公司 无人驾驶叉车自动控制指令的识别方法、装置和设备
WO2022082574A1 (zh) * 2020-10-22 2022-04-28 华为技术有限公司 一种车道线检测方法和装置
CN113762004A (zh) * 2020-11-04 2021-12-07 北京京东乾石科技有限公司 车道线检测方法及装置
CN112597846B (zh) * 2020-12-14 2022-11-11 合肥英睿系统技术有限公司 车道线检测方法、装置、计算机设备和存储介质
CN112597846A (zh) * 2020-12-14 2021-04-02 合肥英睿系统技术有限公司 车道线检测方法、装置、计算机设备和存储介质
CN112989991A (zh) * 2021-03-09 2021-06-18 贵州京邦达供应链科技有限公司 车道线检测方法及装置、电子设备和计算机可读存储介质
CN113269165A (zh) * 2021-07-16 2021-08-17 智道网联科技(北京)有限公司 数据获取方法及其装置
CN113822218A (zh) * 2021-09-30 2021-12-21 厦门汇利伟业科技有限公司 车道线检测方法及计算机可读存储介质
CN114863385A (zh) * 2022-03-23 2022-08-05 禾多科技（北京）有限公司 道路曲面信息生成方法、装置、设备和计算机可读介质
CN117392634A (zh) * 2023-12-13 2024-01-12 上海闪马智能科技有限公司 车道线的获取方法、装置、存储介质及电子装置
CN117392634B (zh) * 2023-12-13 2024-02-27 上海闪马智能科技有限公司 车道线的获取方法、装置、存储介质及电子装置

Also Published As

Publication number Publication date
US10970566B2 (en) 2021-04-06
CN109034047B (zh) 2021-01-22
US20200026930A1 (en) 2020-01-23

Similar Documents

Publication Publication Date Title
CN109034047A (zh) 一种车道线检测方法及装置
Mei et al. A cost effective solution for pavement crack inspection using cameras and deep neural networks
CN105913093B (zh) 一种用于文字识别处理的模板匹配方法
CN109615611B (zh) 一种基于巡检影像的绝缘子自爆缺陷检测方法
CN109598794B (zh) 三维gis动态模型的构建方法
Gupta et al. Detection and localization of potholes in thermal images using deep neural networks
CN110033431B (zh) 钢桥表面锈蚀区域检测的非接触式检测装置及检测方法
JP7091686B2 (ja) 立体物認識装置、撮像装置および車両
CN106951898B (zh) 一种车辆候选区域推荐方法及系统、电子设备
CN107452035B (zh) 车道线图像分析方法、装置及其计算机可读取式媒体
CN112734761B (zh) 工业品图像边界轮廓提取方法
CN110245600B (zh) 自适应起始快速笔画宽度无人机道路检测方法
CN106530407A (zh) 一种用于虚拟现实的三维全景拼接方法、装置和系统
CN112488229A (zh) 一种基于特征分离和对齐的域自适应无监督目标检测方法
CN117036641A (zh) 一种基于双目视觉的公路场景三维重建与缺陷检测方法
CN112261390B (zh) 车载摄像设备及其图像优化装置和优化方法
Jang et al. Pothole detection using spatio‐temporal saliency
CN113033385A (zh) 一种基于深度学习的违章建筑遥感识别方法及系统
CN109993107B (zh) 一种基于非迭代k均值算法的移动机器人障碍物视觉检测方法
CN110826364B (zh) 一种库位识别方法及装置
CN110097569B (zh) 基于颜色马尔科夫链显著性模型的油罐目标检测方法
CN109063543B (zh) 一种考虑局部形变的视频车辆重识别方法、系统及装置
Mouzinho et al. Hierarchical semantic segmentation based approach for road surface damages and markings detection on paved road
CN115760790A (zh) 机场路面异物检测方法、服务器及存储介质
CN113284158B (zh) 一种基于结构约束聚类的图像边缘提取方法及系统

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