CN109241929A - 自动驾驶车辆的车道线检测方法、装置及自动驾驶车辆 - Google Patents
自动驾驶车辆的车道线检测方法、装置及自动驾驶车辆 Download PDFInfo
- Publication number
- CN109241929A CN109241929A CN201811100180.5A CN201811100180A CN109241929A CN 109241929 A CN109241929 A CN 109241929A CN 201811100180 A CN201811100180 A CN 201811100180A CN 109241929 A CN109241929 A CN 109241929A
- Authority
- CN
- China
- Prior art keywords
- lane line
- point
- lane
- image
- automatic driving
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种自动驾驶车辆的车道线检测方法、装置及自动驾驶车辆,包括以下步骤:采集车道图像,并确定车道图像中检测区域;将检测区域转为灰度图,并从灰度图中提取多个车道线中心点;将多个车道线中心点分类到多个直线段中,并滤除不符合第一预设条件的车道线中心点;将多个直线段中属于同一条车道线的直线段聚类,并确定图像动态消隐点;根据图像动态消隐点滤除不符合第二预设条件的车道线,以完成车道线检测。该方法根据车道图像提取车道线中心点,并滤除不符合条件的车道线中心点,同时加入动态消隐点约束滤除不符合条件的车道线,从而有效消除大部分非车道线点干扰,进一步提高鲁棒性。
Description
技术领域
本发明涉及自动驾驶车辆技术领域,特别涉及一种自动驾驶车辆的车道线检测方法、装置及自动驾驶车辆。
背景技术
相关技术,随着智能驾驶技术在国内外的发展,智能驾驶辅助系统在车上的应用越来越广泛。在道路检测当中,车道线检测至关重要,它为后续的车道偏离提供车道线信息,有效进行预警。然而,现存的多种车道线检测技术依然存在误检漏检现象,鲁棒性较差,亟待解决。
发明内容
本发明旨在至少在一定程度上解决相关技术中的技术问题之一。
为此,本发明的一个目的在于提出一种自动驾驶车辆的车道线检测方法,该方法有效消除大部分非车道线点干扰,进一步提高鲁棒性。
本发明的另一个目的在于提出一种自动驾驶车辆的车道线检测装置。
本发明的再一个目的在于提出一种自动驾驶车辆。
为达到上述目的,本发明一方面实施例提出了一种自动驾驶车辆的车道线检测方法,包括以下步骤:采集车道图像,并确定所述车道图像中检测区域;将所述检测区域转为灰度图,并从所述灰度图中提取多个车道线中心点;将所述多个车道线中心点分类到多个直线段中,并滤除不符合第一预设条件的车道线中心点;将多个直线段中属于同一条车道线的直线段聚类,并确定图像动态消隐点;根据所述图像动态消隐点滤除不符合第二预设条件的车道线,以完成车道线检测。
本发明实施例的自动驾驶车辆的车道线检测方法,根据车道图像提取车道线中心点,并滤除不符合条件的车道线中心点,同时加入动态消隐点约束滤除不符合条件的车道线,从而有效消除大部分非车道线点干扰,进一步提高鲁棒性。
另外,根据本发明上述实施例的自动驾驶车辆的车道线检测方法还可以具有以下附加的技术特征:
进一步地,在本发明的一个实施例中,所述将所述多个车道线中心点分类到多个预设直线段中,并滤除不符合第一预设条件的车道线中心点,进一步包括:根据预设方向对所述灰度图进行扫描,获取每个车道线中心点的方向信息;根据每个车道线中心点的方向信息判断是否符合所述第一预设条件,以滤除不符合所述第一预设条件的车道线中心点;根据符合所述第一预设条件的车道线中心点之间的距离与方向之间的夹角信息将所述符合第一预设条件的车道线中心点进行直线块归类;获取每个直线块的中心点、起点、终点和直线块方向。
进一步地,在本发明的一个实施例中,所述确定图像动态消隐点,进一步包括:根据第一帧图像获取初始消隐点在图像中的粗定位,并根据所述粗定位确定消隐点选区范围;根据每类车道线的点数对所述每类车道线进行拟合,并对每个候选消隐点设立滤波窗口;检测拟合后的直线是否穿过所述滤波窗口,以得到穿过次数,直到完成所有候选消隐点扫描;将所述穿过次数最多的候选消隐点确定为所述图像动态消隐点,并作为下一帧图像的初始消隐点。
进一步地,在本发明的一个实施例中,根据所述图像动态消隐点滤除不符合第二预设条件的车道线,进一步包括:判断所述图像动态消隐点到每条车道线的最短距离;如果所述最短距离大于预设阈值,则判定不符合所述第二预设条件。
进一步地,在本发明的一个实施例中,还包括:通过卡尔曼滤波弥补漏检车道线或删除误检车道线。
为达到上述目的,本发明另一方面实施例提出了一种自动驾驶车辆的车道线检测装置,包括:采集模块,用于采集车道图像,并确定所述车道图像中检测区域;转换模块,用于将所述检测区域转为灰度图,并从所述灰度图中提取多个车道线中心点;分类模块,用于将所述多个车道线中心点分类到多个直线段中,并滤除不符合第一预设条件的车道线中心点;聚类模块,用于将多个直线段中属于同一条车道线的直线段聚类,并确定图像动态消隐点;滤除模块,用于根据所述图像动态消隐点滤除不符合第二预设条件的车道线,以完成车道线检测。
本发明实施例的自动驾驶车辆的车道线检测装置,根据车道图像提取车道线中心点,并滤除不符合条件的车道线中心点,同时加入动态消隐点约束滤除不符合条件的车道线,从而有效消除大部分非车道线点干扰,进一步提高鲁棒性。
另外,根据本发明上述实施例的自动驾驶车辆的车道线检测装置还可以具有以下附加的技术特征:
进一步地,在本发明的一个实施例中,其中,所述分类模块进一步用于根据预设方向对所述灰度图进行扫描,获取每个车道线中心点的方向信息,且根据每个车道线中心点的方向信息判断是否符合所述第一预设条件,以滤除不符合所述第一预设条件的车道线中心点,并根据符合所述第一预设条件的车道线中心点之间的距离与方向之间的夹角信息将所述符合第一预设条件的车道线中心点进行直线块归类,以及获取每个直线块的中心点、起点、终点和直线块方向;所述聚类模块进一步用于根据第一帧图像获取初始消隐点在图像中的粗定位,并根据所述粗定位确定消隐点选区范围,根据每类车道线的点数对所述每类车道线进行拟合,并对每个候选消隐点设立滤波窗口,并检测拟合后的直线是否穿过所述滤波窗口,以得到穿过次数,直到完成所有候选消隐点扫描,且将所述穿过次数最多的候选消隐点确定为所述图像动态消隐点,并作为下一帧图像的初始消隐点。
进一步地,在本发明的一个实施例中,所述滤除模块进一步用于判断所述图像动态消隐点到每条车道线的最短距离,且在所述最短距离大于预设阈值时,判定不符合所述第二预设条件。
进一步地,在本发明的一个实施例中,还包括:补漏或删除模块,用于通过卡尔曼滤波弥补漏检车道线或删除误检车道线。
为达到上述目的,本发明再一方面实施例提出了一种自动驾驶车辆。本发明实施例的自动驾驶车辆根据车道图像提取车道线中心点,并滤除不符合条件的车道线中心点,同时加入动态消隐点约束滤除不符合条件的车道线,从而有效消除大部分非车道线点干扰,进一步提高鲁棒性。
本发明附加的方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解,其中:
图1为根据本发明一个实施例的自动驾驶车辆的车道线检测方法的流程图;
图2为根据本发明一个具体实施例的自动驾驶车辆的车道线检测方法的流程图;
图3为根据本发明一个实施例的Steger提取出车道线中心示意图;
图4为根据本发明一个实施例的步骤S3将中心点聚集到不同直线段示意图;
图5为根据本发明一个实施例的消隐点选区示意图;
图6为根据本发明一个实施例的自动驾驶车辆的车道线检测装置的结构示意图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本发明,而不能理解为对本发明的限制。
下面参照附图描述根据本发明实施例提出的自动驾驶车辆的车道线检测方法、装置及自动驾驶车辆,首先将参照附图描述根据本发明实施例提出的自动驾驶车辆的车道线检测方法。
图1是本发明一个实施例的自动驾驶车辆的车道线检测方法的流程图。
如图1所示,该自动驾驶车辆的车道线检测方法包括以下步骤:
在步骤S1中,采集车道图像,并确定车道图像中检测区域。
可以理解的是,如图2所示,本发明实施例首先采集图像,并划分出车道线所在的感兴趣区域,其中,检测区域即为感兴趣区域。
例如,摄像机安装在车前,根据车道线所在区域选择检测区域,排除非车道线所在区域的干扰,从而减少运算量。
在步骤S2中,将检测区域转为灰度图,并从灰度图中提取多个车道线中心点。
可以理解的是,本发明实施例可以将检测区域转换为灰度图,并可以采用Steger方法提取车道线中心点,当然,本领域技术人员也可以根据实际情况选择其方法提取车道线中心点,本发明实施例以Steger方法作为示例,在此不做具体限定。
具体而言,步骤S21:本发明实施例可以将检测区域的图像转化为灰度图。
步骤S22:对已转化成灰度图的感兴趣区域,本发明实施例可以采用Steger算法提取车道线中心pij,如图3中的右图所示。具体提取光条中心方法采用Steger的“Unbiasedextraction of curvilinear structures”方法。
在步骤S3中,将多个车道线中心点分类到多个直线段中,并滤除不符合第一预设条件的车道线中心点。
可以理解的是,第一预设条件为不符合要求的中心点,如图2所示,本发明实施例可以将中心点分类到不同的直线段中,并滤除不符合要求的中心点。
进一步地,在本发明的一个实施例中,将多个车道线中心点分类到多个预设直线段中,并滤除不符合第一预设条件的车道线中心点,进一步包括:根据预设方向对灰度图进行扫描,获取每个车道线中心点的方向信息;根据每个车道线中心点的方向信息判断是否符合第一预设条件,以滤除不符合第一预设条件的车道线中心点;根据符合第一预设条件的车道线中心点之间的距离与方向之间的夹角信息将符合第一预设条件的车道线中心点进行直线块归类;获取每个直线块的中心点、起点、终点和直线块方向。
可以理解的是,(1)本发明实施例将中心点分类到不同的直线段中,通过中心点的方向及点与点之间的距离进行直线段分类,包括:扫描每个提取出来的点,记录其方向与坐标信息;判断点与点之间的距离与方向夹角,若小于之前所设定的阈值,则归为一个直线段。(2)本发明实施例可以根据Steger方法得到的中心点的方向,滤除与水平方向夹角超过一定阈值的点。
具体而言,步骤S31:对灰度图进行从上到下,从左到右扫描,对于每个车道线中心点pij,由Hessian矩阵(Steger方法中用到)的特征向量可以确定每个点pij的方向信息θij,θij沿pij所在车道线走向;设定角度阈值θ,若θij>θ,则滤除。其中,阈值的设定根据先验知识即车道线与图像水平方向夹角的最大值来进行设定,在此不做具体限定。
步骤S32:根据点pij(x1,y1,θ1)与点pij(x2,y2,θ2)之间的距离方向之间的夹角信息θt=<θ1,θ2>,将距离相近,方向夹角在一定范围内的点归为同类直线块Lm;
步骤S33:如图4所示,对于每个直线块Lm(m=1,2,…),选取Lm点集中,纵坐标位于中间的点(按顺序排列点集中的纵坐标)pcen作为直线的中心点,纵坐标最小的点psta为起点,最大的点pend为终点,直线块拟合后的方向为直线块的方向,这些信息为步骤S41做准备。直线拟合,对于点数设置阈值NUM_P,针对不同的点数,采用不同的直线拟合方法(一次,二次)。
在步骤S4中,将多个直线段中属于同一条车道线的直线段聚类,并确定图像动态消隐点。
可以理解的是,如图2所示,本发明实施例可以采用CRF方法将属于同一条车道线的直线段聚类,形成不同车道线,并确定图像动态消隐点。
进一步地,在本发明的一个实施例中,确定图像动态消隐点,进一步包括:根据第一帧图像获取初始消隐点在图像中的粗定位,并根据粗定位确定消隐点选区范围;根据每类车道线的点数对每类车道线进行拟合,并对每个候选消隐点设立滤波窗口;检测拟合后的直线是否穿过滤波窗口,以得到穿过次数,直到完成所有候选消隐点扫描;将穿过次数最多的候选消隐点确定为图像动态消隐点,并作为下一帧图像的初始消隐点。
可以理解的是,第一帧图像消隐点初始位置可以根据观察确定,其他帧的消隐点粗定位由上一帧的消隐点确定;并以初始消隐点为中心建立消隐点选区,选区中的每一点为候选消隐点。对于每个候选消隐点,通过拟合后的直线,对每条直线经过每个候选消隐点次数进行计数投票,得到投票数最多的候选消隐点为最终消隐点位置。
具体而言,步骤S41:通过CRF聚类方法,进一步将隶属于同一条车道线的直线块Lm聚为一类,每类车道线记为lp(p=1,2,…)。
步骤S42:对于第一帧图像,根据摄像机位置及图像中观察到的车道线交点,手动确定初始消隐点在图像中的粗定位(像素坐标)V0;非第一帧图像,以上一帧的消隐点作为初始消隐点V0.
步骤S43:如图5所示,根据初始消隐点的粗定位V0,以V0为中心在其周围选定消隐点选区范围(2M+1)×(2N+1),此范围大小依据图像进行人工设定,并设此范围内的每个像素点为Vij(候选消隐点)。
步骤S44:对步骤S41中的每类直线lp进行拟合,根据lp中pij的点数多少选用不同直线拟合方法,并剔除点数极少的lp。
步骤S45:针对每个候选消隐点Vij(i=1,2,…,2M+1;j=1,2,…,2N+1),以Vij为中心,设立滤波窗口Wm*Wn,滤波窗口大小根据经验设定。
步骤S46:判断步骤S44拟合直线lp是否穿过滤波窗口选区Wm*Wn,若穿过计数加一,用NUMVij记录Vij被直线穿过的次数,NUMVij初始值为0。
其中,步骤S46进一步包括:
步骤S461:以Vij为中心,设立滤波窗口Wm*Wn的左上角点的坐标为Wlu(u1,v1),右上角为Wru(u2,v2),左下角为Wld(u3,v3),右下角为Wrd(u4,v4);
步骤S462:对于拟合的直线lp,根据窗口四个角的横坐标u1,u2,u3,u4,通过直线方程求出对应的纵坐标
步骤S463:若求出的纵坐标大于原始纵坐标vi,则标志位flag[i]置为真;
步骤S464:若flag[1]==flag[2]&&flag[2]==flag[3]&&flag[3]==flag[4],则说明直线没有穿过窗口,NUMVij不计数,否则NUMVij计数加一。
步骤S47:针对所有直线lp重复步骤54到55,直到所有候选消隐点Vij扫描完成;
步骤S48:计数最多的点,即相应NUMVij最大的点Vij,确定为这一帧图像的消隐点V,并以V作为下一帧图像初始消隐点。
在步骤S5中,根据图像动态消隐点滤除不符合第二预设条件的车道线,完成车道线检测。
可以理解的是,第二预设条件为不符合要求的车道线,本发明实施例可以根据步骤S4的动态消隐点,滤除不符合要求的车道线;并通过卡尔曼滤波,完成最终车道线检测。
进一步地,在本发明的一个实施例中,根据图像动态消隐点滤除不符合第二预设条件的车道线,进一步包括:判断图像动态消隐点到每条车道线的最短距离;如果最短距离大于预设阈值,则判定不符合第二预设条件。
可以理解的是,本发明实施例可以根据动态消隐点,滤除不符合要求的车道线,根据消隐点到车道线的距离来判断。具体地,判断消隐点V到各lp的最短距离,若最短距离依旧大于最先设定好的阈值,则滤除这条车道线,直到所有直线lp均扫描完成,保留下来的即为最终确定的车道线。
进一步地,在本发明的一个实施例中,还包括:通过卡尔曼滤波弥补漏检车道线或删除误检车道线。
可以理解的是,通过卡尔曼滤波,弥补某些帧漏检的车道线或删除误检车道线,完成最终车道线检测。
综上,本发明实施例可以采用steger方法提取车道线中心,相较于直接进行车道线边缘提取,具有更强的鲁棒性,可以滤除大部分非车道线点干扰。加入动态消隐点约束,排除非车道线干扰,进一步提高鲁棒性。
根据本发明实施例提出的自动驾驶车辆的车道线检测方法,根据车道图像提取车道线中心点,并滤除不符合条件的车道线中心点,同时加入动态消隐点约束滤除不符合条件的车道线,从而有效消除大部分非车道线点干扰,进一步提高鲁棒性。
其次参照附图描述根据本发明实施例提出的自动驾驶车辆的车道线检测装置。
图6是本发明一个实施例的自动驾驶车辆的车道线检测装置的结构示意图。
如图6所示,该自动驾驶车辆的车道线检测装置10包括:采集模块100、转换模块200、分类模块300、聚类模块400和滤除模块500。
其中,采集模块100用于采集车道图像,并确定车道图像中检测区域。转换模块200用于将检测区域转为灰度图,并从灰度图中提取多个车道线中心点。分类模块300用于将多个车道线中心点分类到多个直线段中,并滤除不符合第一预设条件的车道线中心点。聚类模块400用于将多个直线段中属于同一条车道线的直线段聚类,并确定图像动态消隐点。滤除模块500用于根据图像动态消隐点滤除不符合第二预设条件的车道线,并辅以卡尔曼滤波,完成车道线检测。本发明实施例的装置10有效消除大部分非车道线点干扰,进一步提高鲁棒性。
进一步地,在本发明的一个实施例中,其中,分类模块300进一步用于根据预设方向对灰度图进行扫描,获取每个车道线中心点的方向信息,且根据每个车道线中心点的方向信息判断是否符合第一预设条件,以滤除不符合第一预设条件的车道线中心点,并根据符合第一预设条件的车道线中心点之间的距离与方向之间的夹角信息将符合第一预设条件的车道线中心点进行直线块归类,以及获取每个直线块的中心点、起点、终点和直线块方向;聚类模块进一步用于根据第一帧图像获取初始消隐点在图像中的粗定位,并根据粗定位确定消隐点选区范围,根据每类车道线的点数对每类车道线进行拟合,并对每个候选消隐点设立滤波窗口,并检测拟合后的直线是否穿过滤波窗口,以得到穿过次数,直到完成所有候选消隐点扫描,且将穿过次数最多的候选消隐点确定为图像动态消隐点,并作为下一帧图像的初始消隐点。
进一步地,在本发明的一个实施例中,滤除模块500进一步用于判断图像动态消隐点到每条车道线的最短距离,且在最短距离大于预设阈值时,判定不符合第二预设条件。
进一步地,在本发明的一个实施例中,本发明实施例的装置10还包括:补漏或删除模块。补漏或删除模块用于通过卡尔曼滤波弥补漏检车道线或删除误检车道线。
需要说明的是,前述对自动驾驶车辆的车道线检测方法实施例的解释说明也适用于该实施例的自动驾驶车辆的车道线检测装置,此处不再赘述。
根据本发明实施例提出的自动驾驶车辆的车道线检测装置,根据车道图像提取车道线中心点,并滤除不符合条件的车道线中心点,同时加入动态消隐点约束滤除不符合条件的车道线,从而有效消除大部分非车道线点干扰,进一步提高鲁棒性。
此外,本发明实施例还提出了一种自动驾驶车辆。本发明实施例的自动驾驶车辆根据车道图像提取车道线中心点,并滤除不符合条件的车道线中心点,同时加入动态消隐点约束滤除不符合条件的车道线,从而有效消除大部分非车道线点干扰,进一步提高鲁棒性。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种自动驾驶车辆的车道线检测方法,其特征在于,包括以下步骤:
采集车道图像,并确定所述车道图像中检测区域;
将所述检测区域转为灰度图,并从所述灰度图中提取多个车道线中心点;
将所述多个车道线中心点分类到多个直线段中,并滤除不符合第一预设条件的车道线中心点;
将多个直线段中属于同一条车道线的直线段聚类,并确定图像动态消隐点;以及
根据所述图像动态消隐点滤除不符合第二预设条件的车道线,以完成车道线检测。
2.根据权利要求1所述的自动驾驶车辆的车道线检测方法,其特征在于,所述将所述多个车道线中心点分类到多个预设直线段中,并滤除不符合第一预设条件的车道线中心点,进一步包括:
根据预设方向对所述灰度图进行扫描,获取每个车道线中心点的方向信息;
根据每个车道线中心点的方向信息判断是否符合所述第一预设条件,以滤除不符合所述第一预设条件的车道线中心点;
根据符合所述第一预设条件的车道线中心点之间的距离与方向之间的夹角信息将所述符合第一预设条件的车道线中心点进行直线块归类;
获取每个直线块的中心点、起点、终点和直线块方向。
3.根据权利要求2所述的自动驾驶车辆的车道线检测方法,其特征在于,所述确定图像动态消隐点,进一步包括:
根据第一帧图像获取初始消隐点在图像中的粗定位,并根据所述粗定位确定消隐点选区范围;
根据每类车道线的点数对所述每类车道线进行拟合,并对每个候选消隐点设立滤波窗口;
检测拟合后的直线是否穿过所述滤波窗口,以得到穿过次数,直到完成所有候选消隐点扫描;
将所述穿过次数最多的候选消隐点确定为所述图像动态消隐点,并作为下一帧图像的初始消隐点。
4.根据权利要求3所述的自动驾驶车辆的车道线检测方法,其特征在于,所述根据所述图像动态消隐点滤除不符合第二预设条件的车道线,进一步包括:
判断所述图像动态消隐点到每条车道线的最短距离;
如果所述最短距离大于预设阈值,则判定不符合所述第二预设条件。
5.根据权利要求1-4任一项所述的自动驾驶车辆的车道线检测方法,其特征在于,还包括:
通过卡尔曼滤波弥补漏检车道线或删除误检车道线。
6.一种自动驾驶车辆的车道线检测装置,其特征在于,包括:
采集模块,用于采集车道图像,并确定所述车道图像中检测区域;
转换模块,用于将所述检测区域转为灰度图,并从所述灰度图中提取多个车道线中心点;
分类模块,用于将所述多个车道线中心点分类到多个直线段中,并滤除不符合第一预设条件的车道线中心点;
聚类模块,用于将多个直线段中属于同一条车道线的直线段聚类,并确定图像动态消隐点;以及
滤除模块,用于根据所述图像动态消隐点滤除不符合第二预设条件的车道线,以完成车道线检测。
7.根据权利要求6所述的自动驾驶车辆的车道线检测装置,其特征在于,其中,
所述分类模块进一步用于根据预设方向对所述灰度图进行扫描,获取每个车道线中心点的方向信息,且根据每个车道线中心点的方向信息判断是否符合所述第一预设条件,以滤除不符合所述第一预设条件的车道线中心点,并根据符合所述第一预设条件的车道线中心点之间的距离与方向之间的夹角信息将符合所述第一预设条件的车道线中心点进行直线块归类,以及获取每个直线块的中心点、起点、终点和直线块方向;
所述聚类模块进一步用于根据第一帧图像获取初始消隐点在图像中的粗定位,并根据所述粗定位确定消隐点选区范围,根据每类车道线的点数对所述每类车道线进行拟合,并对每个候选消隐点设立滤波窗口,并检测拟合后的直线是否穿过所述滤波窗口,以得到穿过次数,直到完成所有候选消隐点扫描,且将所述穿过次数最多的候选消隐点确定为所述图像动态消隐点,并作为下一帧图像的初始消隐点。
8.根据权利要求7所述的自动驾驶车辆的车道线检测装置,其特征在于,所述滤除模块进一步用于判断所述图像动态消隐点到每条车道线的最短距离,且在所述最短距离大于预设阈值时,判定不符合所述第二预设条件。
9.根据权利要求6-8任一项所述的自动驾驶车辆的车道线检测装置,其特征在于,还包括:
补漏或删除模块,用于通过卡尔曼滤波弥补漏检车道线或删除误检车道线。
10.一种自动驾驶车辆,其特征在于,包括:如权利要求6-9任一项所述的自动驾驶车辆的车道线检测装置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811100180.5A CN109241929A (zh) | 2018-09-20 | 2018-09-20 | 自动驾驶车辆的车道线检测方法、装置及自动驾驶车辆 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811100180.5A CN109241929A (zh) | 2018-09-20 | 2018-09-20 | 自动驾驶车辆的车道线检测方法、装置及自动驾驶车辆 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109241929A true CN109241929A (zh) | 2019-01-18 |
Family
ID=65059750
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811100180.5A Pending CN109241929A (zh) | 2018-09-20 | 2018-09-20 | 自动驾驶车辆的车道线检测方法、装置及自动驾驶车辆 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109241929A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109835337A (zh) * | 2019-02-27 | 2019-06-04 | 北京海纳川汽车部件股份有限公司 | 转弯控制方法、装置及自动驾驶车辆 |
CN109948656A (zh) * | 2019-02-21 | 2019-06-28 | 百度在线网络技术(北京)有限公司 | 一种信息处理方法、装置及存储介质 |
CN110345952A (zh) * | 2019-07-09 | 2019-10-18 | 同济人工智能研究院(苏州)有限公司 | 一种序列化车道线地图构建方法及构建系统 |
CN110979162A (zh) * | 2019-12-20 | 2020-04-10 | 北京海纳川汽车部件股份有限公司 | 车辆的前大灯控制方法、系统及车辆 |
CN111476057A (zh) * | 2019-01-23 | 2020-07-31 | 北京市商汤科技开发有限公司 | 车道线获取方法及装置、车辆驾驶方法及装置 |
CN113221701A (zh) * | 2021-04-30 | 2021-08-06 | 东风商用车有限公司 | 一种基于方向预测的车道线轨道线识别方法及系统 |
CN113705513A (zh) * | 2021-09-03 | 2021-11-26 | 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 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102360499A (zh) * | 2011-06-30 | 2012-02-22 | 电子科技大学 | 一种基于卡尔曼滤波器组的多车道线追踪方法 |
CN103162669A (zh) * | 2013-03-01 | 2013-06-19 | 西北工业大学 | 航拍图像机场区域检测方法 |
CN103839264A (zh) * | 2014-02-25 | 2014-06-04 | 中国科学院自动化研究所 | 一种车道线的检测方法 |
CN104318258A (zh) * | 2014-09-29 | 2015-01-28 | 南京邮电大学 | 一种基于时域模糊和卡尔曼滤波器的车道线检测方法 |
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 |
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 |
CN106228125A (zh) * | 2016-07-15 | 2016-12-14 | 浙江工商大学 | 基于集成学习级联分类器的车道线检测方法 |
CN106778593A (zh) * | 2016-12-11 | 2017-05-31 | 北京联合大学 | 一种基于多地面标志融合的车道级定位方法 |
US20170337699A1 (en) * | 2016-05-18 | 2017-11-23 | Conduent Business Services, Llc | Camera calibration based on moving vehicle line segments |
-
2018
- 2018-09-20 CN CN201811100180.5A patent/CN109241929A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102360499A (zh) * | 2011-06-30 | 2012-02-22 | 电子科技大学 | 一种基于卡尔曼滤波器组的多车道线追踪方法 |
CN103162669A (zh) * | 2013-03-01 | 2013-06-19 | 西北工业大学 | 航拍图像机场区域检测方法 |
CN103839264A (zh) * | 2014-02-25 | 2014-06-04 | 中国科学院自动化研究所 | 一种车道线的检测方法 |
CN104318258A (zh) * | 2014-09-29 | 2015-01-28 | 南京邮电大学 | 一种基于时域模糊和卡尔曼滤波器的车道线检测方法 |
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 |
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 |
US20170337699A1 (en) * | 2016-05-18 | 2017-11-23 | Conduent Business Services, Llc | Camera calibration based on moving vehicle line segments |
CN106228125A (zh) * | 2016-07-15 | 2016-12-14 | 浙江工商大学 | 基于集成学习级联分类器的车道线检测方法 |
CN106778593A (zh) * | 2016-12-11 | 2017-05-31 | 北京联合大学 | 一种基于多地面标志融合的车道级定位方法 |
Non-Patent Citations (9)
Title |
---|
JU HAN YOO ETAL: "A Robust Lane Detection Method Based on Vanishing Point Estimation Using the Relevance of Line Segments", 《IEEE TRANSACTIONS ON INTELLIGENT TRANSPORTATION SYSTEMS》 * |
WU-JA LIN ET AL: "Detection of roads in aerial images by using edge information", 《 2012 5TH INTERNATIONAL CONGRESS ON IMAGE AND SIGNAL PROCESSING》 * |
XU FANGFANG ET AL: "Real-Time Lane Detection for Intelligent Vehicles Based on Monocular Vision", 《PROCEEDINGS OF THE 31ST CHINESE CONTROL CONFERENCE》 * |
党宏社等: "一种基于纹理特征的车道线检测方法研究", 《重庆交通大学学报(自然科学版)》 * |
周绍光: "高分辨率遥感影像中提取复杂道路的新方法", 《计算机工程与应用》 * |
姜朝曦等: "一种基于先验知识的车道识别偏离检测方法", 《自动化与仪器仪表》 * |
宣寒宇等: "一种鲁棒性的多车道线检测算法", 《计算机科学》 * |
王云建: "基于DM6446的车辆前方安全警示系统关键技术", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
陈涛等: "基于优先像素与卡尔曼滤波追踪的车道线检测", 《汽车工程》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111476057A (zh) * | 2019-01-23 | 2020-07-31 | 北京市商汤科技开发有限公司 | 车道线获取方法及装置、车辆驾驶方法及装置 |
CN111476057B (zh) * | 2019-01-23 | 2024-03-26 | 北京市商汤科技开发有限公司 | 车道线获取方法及装置、车辆驾驶方法及装置 |
CN109948656A (zh) * | 2019-02-21 | 2019-06-28 | 百度在线网络技术(北京)有限公司 | 一种信息处理方法、装置及存储介质 |
CN109835337A (zh) * | 2019-02-27 | 2019-06-04 | 北京海纳川汽车部件股份有限公司 | 转弯控制方法、装置及自动驾驶车辆 |
CN109835337B (zh) * | 2019-02-27 | 2021-02-19 | 北京海纳川汽车部件股份有限公司 | 转弯控制方法、装置及自动驾驶车辆 |
CN110345952A (zh) * | 2019-07-09 | 2019-10-18 | 同济人工智能研究院(苏州)有限公司 | 一种序列化车道线地图构建方法及构建系统 |
CN110979162A (zh) * | 2019-12-20 | 2020-04-10 | 北京海纳川汽车部件股份有限公司 | 车辆的前大灯控制方法、系统及车辆 |
CN113221701A (zh) * | 2021-04-30 | 2021-08-06 | 东风商用车有限公司 | 一种基于方向预测的车道线轨道线识别方法及系统 |
CN113221701B (zh) * | 2021-04-30 | 2022-06-10 | 东风商用车有限公司 | 一种基于方向预测的车道线轨道线识别方法及装置 |
CN113705513A (zh) * | 2021-09-03 | 2021-11-26 | 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 |
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 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109241929A (zh) | 自动驾驶车辆的车道线检测方法、装置及自动驾驶车辆 | |
CN109949578B (zh) | 一种基于深度学习的车辆压线违法自动审核方法 | |
US20220172348A1 (en) | Information processing device, information processing method, and storage medium | |
CN105893949B (zh) | 一种复杂路况场景下的车道线检测方法 | |
CN104463138B (zh) | 基于视觉结构属性的文本定位方法及系统 | |
CN108921089A (zh) | 车道线检测方法、装置和系统及存储介质 | |
CN106778614B (zh) | 一种人体识别方法和装置 | |
CN104462380A (zh) | 商标检索方法 | |
CN106651828A (zh) | 一种工业小尺度运动模糊成像条件下的产品尺寸亚像素测量方法 | |
CN107452035B (zh) | 车道线图像分析方法、装置及其计算机可读取式媒体 | |
CN107180230B (zh) | 通用车牌识别方法 | |
CN106448257A (zh) | 一种车位占用情况检测方法及装置 | |
CN108073918A (zh) | 眼底视网膜的血管动静脉交叉压迫特征提取方法 | |
CN107705301A (zh) | 一种基于无人机航拍公路图像的公路标线破损检测方法 | |
CN106709518A (zh) | 基于Android平台的盲道识别系统 | |
US9197860B2 (en) | Color detector for vehicle | |
CN106650752B (zh) | 一种车身颜色识别方法 | |
WO2021000948A1 (zh) | 配重重量的检测方法与系统、获取方法与系统及起重机 | |
CN111213154A (zh) | 一种车道线检测方法、设备、移动平台及存储介质 | |
JP6364565B1 (ja) | 解析装置、ひび割れ検出処理装置、および解析プログラム | |
CN105260559B (zh) | 一种基于轮廓面积和轮廓细化的纸浆纤维形态参数计算方法 | |
CN103852034A (zh) | 一种电梯导轨垂直度检测方法 | |
CN114235814B (zh) | 一种建筑玻璃幕墙裂纹识别方法 | |
CN112749741A (zh) | 一种基于深度学习的手闸紧固故障识别方法 | |
CN109410233A (zh) | 一种边缘特征约束的高分辨率图像道路精准提取方法 |
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: 20190118 |
|
RJ01 | Rejection of invention patent application after publication |