CN109117866B - 车道识别算法评估方法、计算机设备及存储介质 - Google Patents
车道识别算法评估方法、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN109117866B CN109117866B CN201810784821.7A CN201810784821A CN109117866B CN 109117866 B CN109117866 B CN 109117866B CN 201810784821 A CN201810784821 A CN 201810784821A CN 109117866 B CN109117866 B CN 109117866B
- Authority
- CN
- China
- Prior art keywords
- lane
- recognition algorithm
- area
- line
- image
- 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
Links
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 80
- 238000011156 evaluation Methods 0.000 title claims abstract description 55
- 235000004522 Pentaglottis sempervirens Nutrition 0.000 claims abstract description 15
- 240000004050 Pentaglottis sempervirens Species 0.000 claims abstract description 11
- 230000009466 transformation Effects 0.000 claims abstract description 6
- 238000004590 computer program Methods 0.000 claims description 9
- 238000000034 method Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 7
- 230000002194 synthesizing effect Effects 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
-
- 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
Abstract
本发明车道识别算法评估方法、计算机设备及存储介质,通过车道识别算法识别一原始图像中的车道;将原始图像进行透视变换,以将原始图像转变为鸟瞰域图像;获取沿鸟瞰域图像中已识别车道两侧的第一车道边缘线的车道线方程;在鸟瞰域图像所在的平面坐标系内,根据在真实车道两侧的第二车道边缘线上间隔设置的标记的坐标值拟合得到表示第二车道边缘线的车道线方程;在鸟瞰域图像所在的平面坐标系内,得到该车道所对应真实车道两侧的第二车道边缘线的车道线方程;根据各第一车道边缘线和第二车道边缘线的车道线方程计算已识别车道和真实车道间的差异量,以用于评估车道识别算法得到评估结果;本申请所需要的标记的工作量小,评估快速且精准。
Description
技术领域
本发明涉及交通图像识别技术领域,特别是涉及车道识别算法评估方法、计算机设备及存储介质。
背景技术
近年来,乘用车高级驾驶辅助系统(ADAS)的图像处理功能大幅增加,诸如车道保持辅助之类的专用系统已成为大多数新车型中可用的标准ADAS组件。车道保持系统可以极大的辅助驾驶员平稳地在车道行驶,避免交通事故,而在其中车道识别算法起到了至关重要的作用。遗憾的是,虽然在学术界和工业界,车道识别算法层出不穷,但却缺乏一个统一有效的车道识别算法的评估方法,算法的准确性很难去评估和量化。
发明内容
鉴于以上所述现有技术的缺点,本发明的目的在于提供车道识别算法评估方法、计算机设备及存储介质,用于解决现有技术中的问题。
为实现上述目的及其他相关目的,本发明提供一种车道识别算法评估方法,包括:通过车道识别算法识别一原始图像中的车道;将原始图像进行透视变换,以将所述原始图像转变为鸟瞰域图像;获取沿所述鸟瞰域图像中已识别车道两侧的第一车道边缘线的车道线方程;在所述鸟瞰域图像所在的平面坐标系内,根据在真实车道两侧的第二车道边缘线上间隔设置的标记的坐标值拟合得到表示所述第二车道边缘线的车道线方程;在所述鸟瞰域图像所在的平面坐标系内,得到该车道所对应真实车道两侧的第二车道边缘线的车道线方程;根据各所述第一车道边缘线和第二车道边缘线的车道线方程计算所述已识别车道和真实车道间的差异量,以用于评估所述车道识别算法得到评估结果。
于本发明的一实施例中,所述标记包括:沿所述车道边缘线离散分布的多个点、线段、或点和线段的组合。
于本发明的一实施例中,所述车道线方程为二次多项式。
于本发明的一实施例中,所述根据各所述第一车道边缘线和第二车道边缘线的车道线方程计算所述已识别车道和真实车道间的差异量,包括:在该鸟瞰域图像中,将每个第一车道边缘线同与其邻近的第二车道边缘线为一组,根据该组中两条车道边缘线的车道线方程计算得到所述车道识别算法未识别的真实车道的区域的面积或所述车道识别算法识别错误的区域 的面积;从已识别车道的区域的面积中剔除所述车道识别算法识别错误的区域的面积,则得到该所述车道识别算法正确识别的真实车道的区域的面积。
于本发明的一实施例中,所述根据各组中的第一车道边缘线和第二车道边缘线的车道线方程计算得到各组分别在所述鸟瞰域图像中所围区域的面积,包括:通过对一组内的两条第一车道边缘线或第二车道边缘线的车道线方程之差作积分。
于本发明的一实施例中,所述车道识别算法的评估方式,包括:以所述车道识别算法正确识别的真实车道的区域面积为真正例,以所述车道识别算法未识别的真实车道的区域面积为假正例,以所述车道识别算法识别错误区域为假负例,计算精确率及召回率;其中,所述精确率的计算方式为真正例比上真正例和假负例之和的比值;所述召回率的计算方式为真正例比上真正例和假正例之和的比值;根据所述精确率及召回率评估所述车道识别算法。
于本发明的一实施例中,所述根据所述精确率及召回率评估所述车道识别算法,包括:计算表示精确率和召回率的调和平均指标来评估所述车道识别算法;所述调和平均指标的计算方式,包括:其中,F为调和平均指标的值,A为精确率,B为召回率。
于本发明的一实施例中,所述原始图像来自一数据集,所述数据集包括多个原始图像,所述方法还包括:对每个所述原始图像进行所述评估得到评估结果;综合各个评估结果以得到最终评估结果,所述最终评估结果包括:根据各个评估结果求得的平均值、中值、众值、方差值、或标准差值。
为实现上述目的及其他相关目的,本发明提供一种计算机设备,包括:处理器及存储器;所述存储器,存储计算机程序;所述处理器,用于运行所述计算机程序以执行所述的车道识别算法评估方法。
为实现上述目的及其他相关目的,本发明提供一种计算机存储介质,存储计算机程序,所述计算机程序被处理器运行时执行所述的车道识别算法评估方法。
如上所述,本发明的车道识别算法评估方法、计算机设备及存储介质,通过车道识别算法识别一原始图像中的车道;将原始图像进行透视变换,以将所述原始图像转变为鸟瞰域图像;获取沿所述鸟瞰域图像中已识别车道两侧的第一车道边缘线的车道线方程;在所述鸟瞰域图像所在的平面坐标系内,根据在真实车道两侧的第二车道边缘线上间隔设置的标记的坐标值拟合得到表示所述第二车道边缘线的车道线方程;在所述鸟瞰域图像所在的平面坐标系内,得到该车道所对应真实车道两侧的第二车道边缘线的车道线方程;根据各所述第一车道边缘线和第二车道边缘线的车道线方程计算所述已识别车道和真实车道间的差异量,以用于评估所述车道识别算法得到评估结果;本申请所需要的标记的工作量小,评估快速且精准。
附图说明
图1显示为本发明实施例中车道线识别算法的评估方法的流程示意图。
图2A显示为本发明实施例中包含已识别车道的原始图像的示意图。
图2B显示为本发明实施例中包含已识别车道的鸟瞰域图像的示意图。
图3A显示为本发明实施例中沿第二车道边缘线进行间隔设置标记的示意图。
图3A显示为本发明实施例中沿第二车道边缘线进行间隔设置标记的示意图。
图3B为根据图3A中的标记拟合得到第二车道边缘线的示意图。
图4显示为本发明实施例中根据车道边缘线进行区域划分的结构示意图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。需说明的是,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。
需要说明的是,以下实施例中所提供的图示仅以示意方式说明本发明的基本构想,遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制,其实际实施时各组件的型态、数量及比例可为一种随意的改变,且其组件布局型态也可能更为复杂。
本发明提供的技术方案应用于智能交通的图像处理的技术领域,尤其在驾驶辅助系统、无人驾驶技术等方面不可或缺。
本发明的技术方案是提供关于车道线识别算法的评估方法,车道线识别算法有很多,例如直线检测算法,包括hough变换或lsd直线检测等,其他还有各种曲线算法,通过本申请的技术方案可以对这些算法对车道识别的结果的精准度进行评估。
请参阅图1,展示本发明实施例中车道线识别算法的评估方法的流程示意图。
所述车道识别算法评估方法,包括:
步骤S101:通过车道识别算法识别一原始图像中的车道。
如图2A所示,展示通过某种车道识别算法来识别一原始图像中的车道,在所述图像中,已识别车道对应于图中的A区域。
步骤S102:将原始图像进行透视变换,以将所述原始图像转变为鸟瞰域图像。
如图2B所示,展示将原始图像转变为鸟瞰域之后的车道图像,其中展示已识别车道的图像,也展示了真实车道的图像,从中可见,通过鸟瞰域图像能更加直观准确地反映已识别车道与真实车道的偏差。
步骤S103:获取沿所述鸟瞰域图像中已识别车道两侧的第一车道边缘线的车道线方程。
进一步的,在以该鸟瞰域图像所在平面建立的平面坐标系中,根据该车道识别算法所得到的A区域中,其每个像素点的坐标数据肯定是已知的或是可以通过不同坐标系间的坐标转换计算求得的,则很容易就能得到(例如曲线拟合)所述已识别车道的边缘线即第一车道边缘的车道线方程。
步骤S104:在所述鸟瞰域图像所在的平面坐标系内,根据在真实车道两侧的第二车道边缘线上间隔设置的标记的坐标值拟合得到表示所述第二车道边缘线的车道线方程。
请参阅图3A所示,展示在鸟瞰域图像中沿第二车道边缘线进行间隔设置标记的示意图,所述标记包括:沿所述车道边缘线离散分布的多个点、线段、或点和线段的组合,在本实施例中展示了标记全部是点的情况。
从图示可见,在鸟瞰域图像的平面图像中,每条车道边缘线展示为规则的曲线,而在平面几何中,曲线可以通过二次多项方程式来表示,则根据已知的各个所标记点在该平面坐标系中的坐标值,通过对所标记的各个点进行拟合,就能得到真实车道的第二车道边缘线的方程,在图3B中即展示了该第二车道边缘线。
步骤S105:根据各所述第一车道边缘线和第二车道边缘线的车道线方程计算所述已识别车道和真实车道间的差异量,以用于评估所述车道识别算法得到评估结果。
如图4所示,具体来说明所述步骤S105的实现。
所述车道识别算法的评估方式为基于像素级度量的方式,即根据图像中识别正确、错误及未识别区域中所包含的像素数量来进行评估,换言之,即根据该些区域的面积大小来进行评估。
在本实施例中,将每个第一车道边缘线同与其邻近的第二车道边缘线为一组,根据该组中两条车道边缘线的车道线方程计算得到所述车道识别算法未识别的真实车道的区域的面积或所述车道识别算法识别错误的区域的面积。
例如,图中的B2区域,为真实车道包含而已识别车道未包含的区域,即为所述车道识别算法未识别的真实车道的区域,而图中的B1区域,则真实车道未包含而已识别车道包含的区域,即为所述车道识别算法识别错误的区域。
如图2B所示,所述已识别车道的区域即图中的A区域,其是由已识别的车道边缘线与 图像的边界(本实施例中是在Y轴方向上平行的上、下边界)相交所围成的图形,本发明的一或多个实施例中,所述已识别车道的区域的面积的求法,例如可以采用积分的方式,对两条第一车道边缘线的车道线方程之差求从下边界到上边界的定积分得到A区域的面积。
在鸟瞰域图像中,从已识别车道的区域的面积中剔除所述所述车道识别算法识别错误的区域的面积,则得到该所述车道识别算法正确识别的真实车道的区域(即如图中C区域所示)的面积。
B1和C区域组合即为所述已识别车道对应的区域,即图2B中的A区域,区域C和B2组合即为所述真实车道对应的区域。
同理,可以通过求积分的方式来根据第一车道边缘线和第二车道边缘线的车道线方程计算两者所围区域面积,即图4中的B1和B2区域的面积。
举例来讲,假设在平面坐标系内,真实车道的两条第二车道边缘线的车道线方程分别为:
区域B1处的第二车道边缘线的车道线方程B10为:x=0.00017y2-0.57503y+765.19187
区域B2处的第二车道边缘线的车道线方程B20为:x=0.00023y2-0.60718y+1164.22098
已识别车道的两条第一车道边缘线的车道线方程为:
区域B1处的第一车道边缘线的车道线方程B11为:x=0.00030y2-0.52112y+681.91871
区域B2处的第一车道边缘线的车道线方程B21为:x=0.00041y2-0.46225y+1120.1726
其中,x为该平面坐标系中横轴坐标,y为纵轴坐标。
区域B2的面积也可以以相同方式计算获得。
在计算获得B1、B2及C的面积之后,即可据以进行对车道识别算法的评估。
该评估方式包括:以所述车道识别算法正确识别的真实车道的区域面积为真正例TP,以所述车道识别算法未识别的真实车道的区域面积为假正例FP,以所述车道识别算法识别错误区域为假负例FN,计算精确率(precision)及召回率(recall);其中,所述精确率的计算方式为真正例比上真正例和假负例之和的比值;所述召回率的计算方式为真正例比上真正例和假正例之和的比值。
举例来说,设所计算的区域B1面积即假负例为31632.76,区域B2面积即假正例为18109.44,区域C面积即真正例为268495.49,则该车道识别算法的精确率为268495.49/(268495.49+18109.44)=93.7%,而召回率为268495.49/(268495.49+31632.76)=89.5%。
进一步的,根据所计算的精确率及召回率评估所述车道识别算法。
于本发明的一实施例中,所述根据所述精确率及召回率评估所述车道识别算法,包括:计算表示精确率和召回率的调和平均指标来评估所述车道识别算法;所述调和平均指标的计算方式,包括:其中,F为调和平均指标的值,A为精确率,B为召回率。
承接前述举例,若A=93.7%,B=89.5%,则F=0.916。
于本发明的一实施例中,所述原始图像来自一数据集,所述数据集包括多个原始图像,所述方法还包括:对每个所述原始图像进行所述评估得到评估结果(即对数据集中的每个原始图像重复执行步骤S101~S105,得到各个原始图像的F);进而综合各个评估结果以得到最终评估结果,所述最终评估结果包括:根据各个评估结果求得的平均值、中值、众值(即众数)、方差值、或标准差值。通过多幅图像来对车道识别算法进行评估得到多个评估结果,再综合所述多个评估结果的方式,能更精准客观地评估算法的好坏。
举例来讲,如果原始图像有5个,执行同一车道识别算法分别得到的评估结果F1~F5为{0.91,0.9,0.92,0.91,0.91},如果是通过求平均值的计算方式,则最终评估结果为(0.91+0.9+0.92+0.91+0.91)/5=0.91,如果是中值的计算方式,则最终评估结果为0.91。
为实现上述目的及其他相关目的,本发明提供一种计算机设备,包括:处理器及存储器;所述存储器,存储计算机程序;所述处理器,用于运行所述计算机程序以执行所述的车道识别算法评估方法。
所述处理器可以是通用处理器,包括中央处理器(CentralProcessingUnit,简称CPU)、网络处理器(NetworkProcessor,简称NP)等;还可以是数字信号处理器(DigitalSignalProcessing,简称DSP)、专用集成电路(ApplicationSpecificIntegratedCircuit,简称ASIC)、现场可编程门阵列(Field-ProgrammableGateArray,简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
所述存储器可能包含随机存取存储器(RandomAccessMemory,简称RAM),也可能还包括非易失性存储器(non-volatilememory),例如至少一个磁盘存储器。
为实现上述目的及其他相关目的,本发明提供一种计算机存储介质,存储计算机程序,所述计算机程序被处理器运行时执行所述的车道识别算法评估方法。所述的存储介质包括:ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
本发明有效克服了现有技术中的种种缺点而具高度产业利用价值。
上述实施例仅例示性说明本发明的原理及其功效,而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下,对上述实施例进行修饰或改变。因此,举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变,仍应由本发明的权利要求所涵盖。
Claims (9)
1.一种车道识别算法评估方法,其特征在于,包括:
通过车道识别算法识别一原始图像中的车道;
将原始图像进行透视变换,以将所述原始图像转变为鸟瞰域图像;
获取沿所述鸟瞰域图像中已识别车道两侧的第一车道边缘线的车道线方程;
在所述鸟瞰域图像所在的平面坐标系内,根据在真实车道两侧的第二车道边缘线上间隔设置的标记的坐标值拟合得到表示所述第二车道边缘线的车道线方程;
根据各所述第一车道边缘线和第二车道边缘线的车道线方程计算所述已识别车道和真实车道间的差异量,以用于评估所述车道识别算法得到评估结果,其包括:在该鸟瞰域图像中,将每个第一车道边缘线同与其邻近的第二车道边缘线为一组,根据该组中两条车道边缘线的车道线方程计算得到所述车道识别算法未识别的真实车道的区域的面积或所述车道识别算法识别错误的区域的面积;从已识别车道的区域的面积中剔除所述车道识别算法识别错误的区域的面积,则得到该所述车道识别算法正确识别的真实车道的区域的面积。
2.根据权利要求1所述的车道识别算法评估方法,其特征在于,所述标记包括:沿所述车道边缘线离散分布的多个点、线段、或点和线段的组合。
3.根据权利要求1所述的车道识别算法评估方法,其特征在于,所述车道线方程为二次多项式。
4.根据权利要求1所述的车道识别算法评估方法,其特征在于,所述根据各组中的第一车道边缘线和第二车道边缘线的车道线方程计算得到各组分别在所述鸟瞰域图像中所围区域的面积,包括:
通过对一组内的两条第一车道边缘线或第二车道边缘线的车道线方程之差作积分。
5.根据权利要求1或4所述的车道识别算法评估方法,其特征在于,所述车道识别算法的评估方式,包括:
以所述车道识别算法正确识别的真实车道的区域面积为真正例,以所述车道识别算法未识别的真实车道的区域面积为假正例,以所述车道识别算法识别错误区域为假负例,计算精确率及召回率;
其中,所述精确率的计算方式为真正例比上真正例和假负例之和的比值;所述召回率的计算方式为真正例比上真正例和假正例之和的比值;
根据所述精确率及召回率评估所述车道识别算法。
6.根据权利要求5所述的车道识别算法评估方法,其特征在于,所述根据所述精确率及召回率评估所述车道识别算法,包括:
计算表示精确率和召回率的调和平均指标来评估所述车道识别算法;
所述调和平均指标的计算方式,包括:F=2*A*BA+B,其中,F为调和平均指标的值,A为精确率,B为召回率。
7.根据权利要求1所述的车道识别算法评估方法,其特征在于,所述原始图像来自一数据集,所述数据集包括多个原始图像,所述方法还包括:
对每个所述原始图像进行所述评估得到评估结果;
综合各个评估结果以得到最终评估结果,所述最终评估结果包括:根据各个评估结果求得的平均值、中值、众值、方差值、或标准差值。
8.一种计算机设备,其特征在于,包括:处理器及存储器;
所述存储器,存储计算机程序;
所述处理器,用于运行所述计算机程序以执行如权利要求1至7中任一项所述的方法。
9.一种计算机存储介质,其特征在于,存储计算机程序,所述计算机程序被处理器运行时执行如权利要求1至7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810784821.7A CN109117866B (zh) | 2018-07-17 | 2018-07-17 | 车道识别算法评估方法、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810784821.7A CN109117866B (zh) | 2018-07-17 | 2018-07-17 | 车道识别算法评估方法、计算机设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109117866A CN109117866A (zh) | 2019-01-01 |
CN109117866B true CN109117866B (zh) | 2021-10-29 |
Family
ID=64862806
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810784821.7A Active CN109117866B (zh) | 2018-07-17 | 2018-07-17 | 车道识别算法评估方法、计算机设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109117866B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112540352B (zh) * | 2019-09-20 | 2022-09-27 | 魔门塔(苏州)科技有限公司 | 一种基于无人驾驶车辆的评测目标检测算法的方法及装置 |
CN110717141B (zh) * | 2019-09-22 | 2023-08-04 | 武汉中海庭数据技术有限公司 | 一种车道线优化方法、装置及存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106981082A (zh) * | 2017-03-08 | 2017-07-25 | 驭势科技(北京)有限公司 | 车载摄像头标定方法、装置及车载设备 |
CN107679520A (zh) * | 2017-10-30 | 2018-02-09 | 湖南大学 | 一种适用于复杂条件下的车道线视觉检测方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20130051681A (ko) * | 2011-11-10 | 2013-05-21 | 한국전자통신연구원 | 노면 표식물 인식 시스템 및 방법 |
JP6083976B2 (ja) * | 2012-08-22 | 2017-02-22 | 株式会社メガチップス | 車線状況判別装置および車線状況判別方法 |
-
2018
- 2018-07-17 CN CN201810784821.7A patent/CN109117866B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106981082A (zh) * | 2017-03-08 | 2017-07-25 | 驭势科技(北京)有限公司 | 车载摄像头标定方法、装置及车载设备 |
CN107679520A (zh) * | 2017-10-30 | 2018-02-09 | 湖南大学 | 一种适用于复杂条件下的车道线视觉检测方法 |
Non-Patent Citations (2)
Title |
---|
Extended-Search, Bézier Curve-Based Lane Detection and Reconstruction System for an Intelligent Vehicle;Huang X 等;《International Journal of Advanced Robotic Systems》;20150930;第1-11页 * |
实时车道线检测系统的设计和实现;刘伸展;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;20180215;C035-132 * |
Also Published As
Publication number | Publication date |
---|---|
CN109117866A (zh) | 2019-01-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11410435B2 (en) | Ground mark extraction method, model training METHOD, device and storage medium | |
CN110136182B (zh) | 激光点云与2d影像的配准方法、装置、设备和介质 | |
CN110148196B (zh) | 一种图像处理方法、装置以及相关设备 | |
CN109470254B (zh) | 地图车道线的生成方法、装置、系统及存储介质 | |
CN103759758B (zh) | 一种基于机械角度和刻度识别的汽车仪表指针的位置检测方法 | |
CN109583280A (zh) | 车道线识别方法、装置、设备及存储介质 | |
WO2021051344A1 (zh) | 高精度地图中车道线的确定方法和装置 | |
CN114051628B (zh) | 一种确定目标对象点云集的方法及装置 | |
CN109583365A (zh) | 基于成像模型约束非均匀b样条曲线拟合车道线检测方法 | |
CN109117866B (zh) | 车道识别算法评估方法、计算机设备及存储介质 | |
CN104167109A (zh) | 车辆位置的检测方法和检测装置 | |
CN111295666A (zh) | 一种车道线检测方法、装置、控制设备及存储介质 | |
CN114897669A (zh) | 一种标注方法、装置及电子设备 | |
CN115115607A (zh) | 一种基于图像分析的图像形状特征提取识别方法 | |
CN112912894B (zh) | 道路边界识别方法和装置 | |
CN112434583B (zh) | 车道横向减速标线检测方法、系统、电子设备及存储介质 | |
CN112329886A (zh) | 双车牌识别方法、模型训练方法、装置、设备及存储介质 | |
CN111881752A (zh) | 一种护栏检测分类方法、装置、电子设备及存储介质 | |
CN114913175B (zh) | 散斑图像质量评价方法、电子设备及存储介质 | |
CN114485684B (zh) | 一种基于地面要素拓扑关系的地图道路匹配方法和系统 | |
CN113674358A (zh) | 一种雷视设备的标定方法、装置、计算设备及存储介质 | |
CN114926817A (zh) | 识别车位的方法、装置、电子设备和计算机可读存储介质 | |
CN114140608A (zh) | 一种光伏板标记方法、装置、电子设备及存储介质 | |
CN109299652B (zh) | 一种用于图像定位的模型训练方法、图像定位方法及装置 | |
CN112381034A (zh) | 一种车道线检测方法、装置、设备及存储介质 |
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 | ||
TR01 | Transfer of patent right |
Effective date of registration: 20231115 Address after: Room 1206-3, building 3, No. 1366, Hongfeng Road, Huzhou City, Zhejiang Province, 313000 Patentee after: CORIGINE ELECTRONIC TECHNOLOGY CO.,LTD. Address before: 210046 7th floor, building a, Xingzhi science and Technology Park, Xingzhi Road, Nanjing Economic and Technological Development Zone, Nanjing City, Jiangsu Province Patentee before: XINQIYUAN (NANJING) SEMICONDUCTOR TECHNOLOGY Co.,Ltd. |
|
TR01 | Transfer of patent right |