CN109344704B - 一种基于行车方向与车道线夹角的车辆变道行为检测方法 - Google Patents
一种基于行车方向与车道线夹角的车辆变道行为检测方法 Download PDFInfo
- Publication number
- CN109344704B CN109344704B CN201810979041.8A CN201810979041A CN109344704B CN 109344704 B CN109344704 B CN 109344704B CN 201810979041 A CN201810979041 A CN 201810979041A CN 109344704 B CN109344704 B CN 109344704B
- Authority
- CN
- China
- Prior art keywords
- lane
- vehicle
- image
- line
- steps
- 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
Images
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
Abstract
本发明公开了一种基于行车方向与车道线夹角的车辆变道行为检测方法,包括以下步骤:步骤一:从车载视频图像中提取道路区域图像并进行二值化;步骤二:基于梯度方向最大原则,从二值化后的道路区域图像中提取左右两侧车道线;步骤三:检测左右两侧车道线的颜色和类型;步骤四:检测车辆行进方向与左右两侧车道线的夹角,判断车辆与左右两侧车道线的关系;步骤五:检测车辆变道行为。本发明的优点是:能从车载视频图像中提取的车辆与所在车道的两侧车道线的角度关系来判断车辆是否变道,从而能通过正确分析车载视频中驾驶人的变道行为习惯信息来为个性化保率提供参考,适用场景广阔。
Description
技术领域
本发明涉及视频处理技术领域,具体涉及一种基于行车方向与车道线夹角的车辆变道行为检测方法。
背景技术
随着生活水平的提高,汽车的保有量持续增长。汽车为现代社会的发展和人类生活条件的改善做出了巨大贡献。但是,随着汽车保有量的增加,许多问题也就跟着来了,例如交通事故、交通拥挤、环境污染、能源浪费等,尤其是随着汽车速度的提高,恶性交通事故的发生呈不断上升趋势,死亡人数逐年增长,由此造成的经济损失不可估量。而驾驶员的违章驾驶行为是造成交通事故的主要原因之一。
而现今我国的车险保费主要以车辆本身的各项情况为中心,根据车辆购置价、座位数、排量、购车年限等设置基础保费,车险理赔定价则是依据车辆违章、出险、行驶里程等信息。车辆保险调查表明,车险投保人中较多的安全驾驶的车主却要承担高额保费来为较少车主的频发道路安全事故买单。车载视频做为一种易而可得的存储驾驶记录的手段,里面存储着大量和驾驶行为有关的信息,如能正确分析车载视频中驾驶人的驾驶行为例如变道行为,则能为个性化保率提供参考。
发明内容
本发明的目的是提供一种能利用车辆与所在车道的两侧车道线的角度关系来判断车辆是否变道的基于行车方向与车道线夹角的车辆变道行为检测方法。
为实现上述目的,本发明采用了如下技术方案:所述的一种基于行车方向与车道线夹角的车辆变道行为检测方法,包括以下步骤:
步骤一:从车载视频图像中提取道路区域图像并进行二值化;
步骤二:基于梯度方向最大原则,从二值化后的道路区域图像中提取左右两侧车道线;
步骤三:检测左右两侧车道线的颜色和类型;
步骤四:检测车辆行进方向与左右两侧车道线的夹角,判断车辆与左右两侧车道线的关系;
步骤五:检测车辆变道行为。
进一步地,前述的一种基于行车方向与车道线夹角的车辆变道行为检测方法,其中:在步骤一中,提取道路区域图像并进行二值化,包括以下步骤:
步骤(1):将车载视频图像分解成反射光图像和入射光图像;其中,车载视频图像表示为S(i,j);反射光图像表示为G(i,j);入射光图像表示为L(i,j);
其中,L(i,j)=S(i,j)*F(i,j);
其中,G(i,j)=S(i,j)*L(i,j)
步骤(2):将反射光图像转换为灰度图像进行中值滤波;其中,灰度图像表示为g(i,j);
步骤(3):从灰度图像中提取道路区域图像;所述提取道路区域图像包括以下步骤:
步骤(32):从m1个行中找到灰度值变化最快的行I={i|max|gi-gi-1}i∈(1,m1),标记为道路区域的分割线,从分割线往下作为道路区域图像,其中,道路区域图像表示为g1(i,j),其大小为m*n;
步骤(4):采用遗传算法将道路区域图像进行二值化;所述采用遗传算法将道路区域图像进行二值化包括以下步骤:
步骤(41):分别在[160,255]和[60,160]的灰度范围内从道路区域图像中随机取五个灰度值,并以二进制表示,作为遗传算法的初始群体,选择适应度函数,使道路区域图像中车道线的颜色与非车道线颜色形成差别,从而得到最佳灰度分割阈值;其中,最佳灰度分割阈值表示为k;
步骤(42):以k为分割阈值将道路区域图像二值化得到二值化后的道路区域图像,其中二值化后的道路区域图像表示为g2(i,j)。
进一步地,前述的一种基于行车方向与车道线夹角的车辆变道行为检测方法,其中:在步骤二中,从二值化后的道路区域图像中提取左右两侧车道线,具体包括以下步骤:
步骤(1):计算二值化后的道路区域图像各个像素的梯度方向,其中,二值化后的道路区域图像表示为g2(i,j);梯度方向的具体计算公式为:θ(i,j)=arctan(Dj/Di);
其中,Dj和Di是以像素(i,j)为中心的图像g2(i,j)垂直和水平方向梯度;
步骤(2):提取左右车道线梯度方向;
具体方法是:以[-90°,90°]为横坐标,对图像中各个像素梯度方向进行统计,建立梯度方向直方图,找到[-90°,0°]和[0°,90°]中的最大值θl和θr,分别作为左右车道的梯度方向;
步骤(3):提取左右车道线边缘;
具体方法是:以图像中线为分割线,将图像分成左右两侧,分别提取左右侧车道线边缘;
左侧车道线边缘采用(g2(i,j)*G0)cos(θl)+(g2(i,j)*G90)sin(θl)检测;
右侧车道线边缘采用(g2(i,j)*G0)cos(θr)+(g2(i,j)*G90)sin(θr)检测;
步骤(4):提取车道线;
具体方法是:边缘检测后分别将左右侧图像的直角坐标系(i,j)转换为极坐标系(ρ,θ);对左侧图像,在极坐标下将范围θ=θl±5°下的累加函数的最大值所在位置作为左侧车道线位置拟合左侧车道线;对右侧图像,将范围θ=θr±5°下的累加函数的最大值所在位置作为右侧车道线位置拟合右侧车道线。
进一步地,前述的一种基于行车方向与车道线夹角的车辆变道行为检测方法,其中:在步骤三中,检测左右两侧车道线的颜色和类型,包括以下步骤:
步骤(1):将步骤二提取的左右两侧车道线分别向两侧扩展10个像素,然后与前述的步骤一中的步骤(1)得到的图像G(i,j)进行“与”运算,分别得到图像G1l(i,j)和G1r(i,j);然后计算得到G1l(i,j)和G1r(i,j)图像像素的Y和Cb颜色分量;
步骤(2):提取每行的车道线颜色;具体方法是:
(1)对左侧车道线从右往左从下往上逐行扫描G1l(i,j),若在第i行若有连续3个以上的像素的Y分量值大于阈值,则将i行白色点标志置1,即TL(i,1)=1;否则若连续3个以上像素Cb分量在一定范围内,则将i行黄色点标志置1,即TL(i,2)=1;否则将i行灰色点标志置1,即TL(i,3)=1;
(2)对右侧车道线从左往右从下往上逐行扫描G1r(i,j),若在第i行若有连续3个以上的像素的Y分量值大于阈值,则将i行白色点标志置1,即TR(i,1)=1;否则若连续3个以上像素Cb分量在一定范围内,则将i行黄色点标志置1,即TR(i,2)=1;否则将i行灰色点标志置1,即TR(i,3)=1;
步骤(3):判断车道线颜色;具体方法是:
对左侧车道,统计G1l(i,j)中所有行白色点的总个数lwc,黄色点的总个数lyc,灰色点的总个数lgc,即:
记ly=lyc/(lgc+lyc+lwc),lw=lwc/(lgc+lyc+lwc)
对右侧车道,统计G1r(i,j)中所有行白色点的总个数rwc,黄色点的总个数ryc,灰色点的总个数rgc,即:
记ry=ryc/(rgc+ryc+rwc),rw=rwc/(rgc+ryc+rwc),rw=rwc/(rgc+ryc+rwc)
步骤(4):判断车道线虚实类型;具体方法是:
利用所有行总的白色点数和黄色点数的比例判断车道线虚实类型;
对左侧车道,记lyr=(lyc+lwc)/(lgc+lyc+lwc)
对右侧车道,记ryr=(ryc+rwc)/(rgc+ryc+rwc)
步骤(5):联合步骤(3)和步骤(4),车道特征标记如下:
进一步地,前述的一种基于行车方向与车道线夹角的车辆变道行为检测方法,其中:在步骤四中,车辆行进方向与左右两侧车道线的夹角检测,判断车辆与左右两侧车道线的关系,具体包括以下步骤:
步骤(1):以左侧图像的右下角为原点建立直角坐标系,向上表示车辆前
进方向;左边车道线与车辆前进方向的夹角为θlc,θlc=|90-θl|;
θ1是判断阈值,取θ1=16°;
cl=1表示车辆与左侧车道线靠近,cl=0表示车辆在道路中间;
同理,右车道线与车辆前进方向夹角θrc,θrc=|90-θr|;
cr=1表示车辆与右侧车道线靠近,cr=0表示车辆在道路中间;
步骤(2):为判别车辆与车道线的位置关系,设置标志位c;采用下列方法设置每帧图像的标志位c
若c=0,则如果cl和cr同时为1,表示此帧图像检测错误;否则,表示此帧中车辆在道路中间;
若c=1,表示此帧图像中车辆与一侧车道线靠近。
进一步地,前述的一种基于行车方向与车道线夹角的车辆变道行为检测方法,其中:在步骤五中,车辆变道行为检测具体包括以下步骤:
步骤(1):读取图像标志位c;
步骤(2):若c=0,跳转执行步骤(1);若c=1,执行步骤(3);
步骤(3):读取此帧的cl;cl=1,表示车辆开始向左变道,执行步骤步骤(4),否则执行步骤(5),表示车辆开始向右变道;
步骤(4):跟踪此后5帧的θlc,若θlc由大变小变为0,则检测到车辆向左变道且压左线,执行步骤(6);否则检测到车辆向左拐弯不压线,本次检测结束;
步骤(5):跟踪此后5帧的θrc,当θrc由大变小变为0,则检测到车辆向右变道且压右线,进入步骤(7);否则检测到车辆向右拐弯不压线,本次检测结束;
步骤(6):读取左侧车道线颜色和类型标志位l,得到车辆向左变道压线类型;
步骤(7):读取右侧车道线颜色和类型标志位r,得到车辆向右变道压线类型。
通过上述技术方案的实施,本发明的有益效果是:能从车载视频图像中提取的车辆与所在车道的两侧车道线的角度关系来判断车辆是否变道,不需要利用车辆所在车道线的两侧的虚实类型来分类车道类型进行变道判断,从而能通过正确分析车载视频中驾驶人的变道行为习惯信息来为个性化保率提供参考,适用场景广阔。
附图说明
图1为本发明所述的一种基于行车方向与车道线夹角的车辆变道行为检测方法的流程示意图。
图2为本发明中提取道路区域图像并进行二值化的流程示意图。
图3为图像分割线示意图。
图4为道路区域图像二值化分割结果示意图。
图5为左侧车道线颜色和类型的判断流程示意图。
图6为左边车道线与车辆前进方向的夹角、以及右边车道线与车辆前进方向的夹角示意图。
图7为车辆变道和压线行为判断流程示意图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步说明。
如图1、图2、图3、图4、图5、图6、图7所示,所述的一种基于行车方向与车道线夹角的车辆变道行为检测方法,包括以下步骤:
步骤一:从车载视频图像中提取道路区域图像并进行二值化,具体包括以下步骤:
步骤(1):将车载视频图像分解成反射光图像和入射光图像;其中,车载视频图像表示为S(i,j);反射光图像表示为G(i,j);入射光图像表示为L(i,j);
其中,L(i,j)=S(i,j)*F(i,j);
其中,G(i,j)=S(i,j)/L(i,j)
步骤(2):将反射光图像转换为灰度图像进行中值滤波;其中,灰度图像表示为g(i,j);
步骤(3):从灰度图像中提取道路区域图像;所述提取道路区域图像包括以下步骤:
步骤(32):从m1个行中找到灰度值变化最快的行I={i|max|gi-gi-1|}i∈(1,m1),标记为道路区域的分割线,从分割线往下作为道路区域图像,其中,道路区域图像表示为g1(i,j),其大小为m*n;
步骤(4):采用遗传算法将道路区域图像进行二值化;所述采用遗传算法将道路区域图像进行二值化包括以下步骤:
步骤(41):分别在[160,255]和[60,160]的灰度范围内从道路区域图像中随机取五个灰度值,并以二进制表示,作为遗传算法的初始群体,选择适应度函数,使道路区域图像中车道线的颜色与非车道线颜色形成差别,从而得到最佳灰度分割阈值;其中,最佳灰度分割阈值表示为k;
步骤(42):以k为分割阈值将道路区域图像二值化得到二值化后的道路区域图像,其中二值化后的道路区域图像表示为g2(i,j);
步骤二:基于梯度方向最大原则,从二值化后的道路区域图像中提取左右两侧车道线,具体包括以下步骤:
步骤(1):计算二值化后的道路区域图像各个像素的梯度方向,其中,二值化后的道路区域图像表示为g2(i,j);梯度方向的具体计算公式为:θ(i,j)=arctan(Dj/Di);
其中,Dj和Di是以像素(i,j)为中心的图像g2(i,j)垂直和水平方向梯度;
步骤(2):提取左右车道线梯度方向;
具体方法是:以[-90°,90°]为横坐标,对图像中各个像素梯度方向进行统计,建立梯度方向直方图,找到[-90°,0°]和[0°,90°]中的最大值θl和θr,分别作为左右车道的梯度方向;
步骤(3):提取左右车道线边缘;
具体方法是:以图像中线为分割线,将图像分成左右两侧,分别提取左右侧车道线边缘;
左侧车道线边缘采用(g2(i,j)*G0)cos(θl)+(g2(i,j)*G90)sin(θl)检测;
右侧车道线边缘采用(g2(i,j)*G0)cos(θr)+(g2(i,j)*G90)sin(θr)检测;
步骤(4):提取车道线;
具体方法是:边缘检测后分别将左右侧图像的直角坐标系(i,j)转换为极坐标系(ρ,θ);对左侧图像,在极坐标下将范围θ=θl±5°下的累加函数的最大值所在位置作为左侧车道线位置拟合左侧车道线;对右侧图像,将范围θ=θr±5°下的累加函数的最大值所在位置作为右侧车道线位置拟合右侧车道线;
步骤三:检测左右两侧车道线的颜色和类型,具体包括以下步骤:
步骤(1):将步骤二提取的左右两侧车道线分别向两侧扩展10个像素,然后与步骤一中的步骤(1)得到的图像G(i,j)进行“与”运算,分别得到图像G1l(i,j)和G1r(i,j);然后计算得到G1l(i,j)和G1r(i,j)图像像素的Y和Cb颜色分量;
步骤(2):提取每行的车道线颜色;具体方法是:
(1)对左侧车道线从右往左从下往上逐行扫描G1l(i,j),若在第i行若有连续3个以上的像素的Y分量值大于阈值(可设为175/255),则将i行白色点标志置1,即TL(i,1)=1;否则若连续3个以上像素Cb分量在一定范围内(可设为[90/255,127/255]),则将i行黄色点标志置1,即TL(i,2)=1;否则将i行灰色点标志置1,即TL(i,3)=1;
(2)对右侧车道线从左往右从下往上逐行扫描G1r(i,j),若在第i行若有连续3个以上的像素的Y分量值大于阈值(可设为175/255),则将i行白色点标志置1,即TR(i,1)=1;否则若连续3个以上像素Cb分量在一定范围内(可设为[90/255,127/255]),则将i行黄色点标志置1,即TR(i,2)=1;否则将i行灰色点标志置1,即TR(i,3)=1;
步骤(3):判断车道线颜色;具体方法是:
对左侧车道,统计C1l(i,j)中所有行白色点的总个数lwc,黄色点的总个数lyc,灰色点的总个数lgc,即:
记ly=lyc/(lgc+lyc+lwc),lw=lwc/(lgc+lyc+lwc)
对右侧车道,统计G1r(i,j)中所有行白色点的总个数rwc,黄色点的总个数ryc,灰色点的总个数rgc,即:
记ry=ryc/(rgc+ryc+rwc),rw=rwc/(rgc+ryc+rwc)
步骤(4):判断车道线虚实类型;具体方法是:
利用所有行总的白色点数和黄色点数的比例判断车道线虚实类型;
对左侧车道,记lyr=(lyc+lwc)/(lgc+lyc+lwc)
对右侧车道,记ryr=(ryc+rwc)/(rgc+ryc+rwc)
步骤(5):联合步骤(3)和步骤(4),车道特征标记如下:
步骤四:检测车辆行进方向与左右两侧车道线的夹角,判断车辆与左右两侧车道线的关系,具体包括以下步骤:
步骤(1):以左侧图像的右下角为原点建立直角坐标系,向上表示车辆前
进方向;左边车道线与车辆前进方向的夹角为θlc,θlc=|90-θl|;
θ1是判断阈值,取θ1=16°;
cl=1表示车辆与左侧车道线靠近,cl=0表示车辆在道路中间;
同理,右车道线与车辆前进方向夹角θrc,θrc=|90-θr|;
cr=1表示车辆与右侧车道线靠近,cr=0表示车辆在道路中间;
步骤(2):为判别车辆与车道线的位置关系,设置标志位c;采用下列方法设置每帧图像的标志位c
若c=0,则如果cl和cr同时为1,表示此帧图像检测错误;否则,表示此帧中车辆在道路中间;
若c=1,表示此帧图像中车辆与一侧车道线靠近;
步骤五:检测车辆变道行为,具体包括以下步骤:
步骤(1):读取图像标志位c;
步骤(2):若c=0,跳转执行步骤(1);若c=1,执行步骤(3);
步骤(3):读取此帧的cl;cl=1,表示车辆开始向左变道,执行步骤步骤(4),否则执行步骤(5),表示车辆开始向右变道;
步骤(4):跟踪此后5帧的θlc,若θlc由大变小变为0,则检测到车辆向左变道且压左线,执行步骤(6);否则检测到车辆向左拐弯不压线,本次检测结束;
步骤(5):跟踪此后5帧的θrc,当θrc由大变小变为0,则检测到车辆向右变道且压右线,进入步骤(7);否则检测到车辆向右拐弯不压线,本次检测结束;
步骤(6):读取左侧车道线颜色和类型标志位l,得到车辆向左变道压线类型;
步骤(7):读取右侧车道线颜色和类型标志位r,得到车辆向右变道压线类型。
本发明的优点是:能从车载视频图像中提取的车辆与所在车道的两侧车道线的角度关系来判断车辆是否变道,不需要利用车辆所在车道线的两侧的虚实类型来分类车道类型进行变道判断,从而能通过正确分析车载视频中驾驶人的变道行为习惯信息来为个性化保率提供参考,适用场景广阔。
Claims (5)
1.一种基于行车方向与车道线夹角的车辆变道行为检测方法,其特征在于:包括以下步骤:
步骤一:从车载视频图像中提取道路区域图像并进行二值化;
其中,提取道路区域图像并进行二值化,包括以下步骤:
步骤(1):将车载视频图像分解成反射光图像和入射光图像;其中,车载视频图像表示为S(i,j);反射光图像表示为G(i,j);入射光图像表示为L(i,j);
其中,L(i,j)=S(i,j)*F(i,j);
其中,G(i,j)=S(i,j)/L(i,j)
步骤(2):将反射光图像转换为灰度图像并进行中值滤波;其中,灰度图像表示为g(i,j);
步骤(3):从灰度图像中提取道路区域图像;所述提取道路区域图像包括以下步骤:
步骤(32):从ml个行中找到灰度值变化最快的行I={i|max|gi-gi-1|}i∈(1,ml),标记为道路区域的分割线,从分割线往下作为道路区域图像,其中,道路区域图像表示为g1(i,j),其大小为m*n;
步骤(4):采用遗传算法将道路区域图像进行二值化;所述采用遗传算法将道路区域图像进行二值化包括以下步骤:
步骤(41):分别在[160,255]和[60,160]的灰度范围内从道路区域图像中随机取五个灰度值,并以二进制表示,作为遗传算法的初始群体,选择适应度函数,使道路区域图像中车道线的颜色与非车道线颜色形成差别,从而得到最佳灰度分割阈值;其中,最佳灰度分割阈值表示为k;
步骤(42):以k为分割阈值将道路区域图像二值化得到二值化后的道路区域图像,其中二值化后的道路区域图像表示为g2(i,j);
步骤二:基于梯度方向最大原则,从二值化后的道路区域图像中提取左右两侧车道线;
步骤三:检测左右两侧车道线的颜色和类型;
步骤四:检测车辆行进方向与左右两侧车道线的夹角,判断车辆与左右两侧车道线的关系;
步骤五:检测车辆变道行为。
2.根据权利要求1所述的一种基于行车方向与车道线夹角的车辆变道行为检测方法,其特征在于:在步骤二中,从二值化后的道路区域图像中提取左右两侧车道线,具体包括以下步骤:
步骤(1):计算二值化后的道路区域图像各个像素的梯度方向,其中,二值化后的道路区域图像表示为g2(i,j);梯度方向的具体计算公式为:θ(i,j)=arctan(Dj/Di);
其中,Dj和Di是以像素(i,j)为中心的图像g2(i,j)垂直和水平方向梯度;
步骤(2):提取左右车道线梯度方向;
具体方法是:以[-90°,90°]为横坐标,对图像中各个像素梯度方向进行统计,建立梯度方向直方图,找到[-90°,0°]和[0°,90°]中的最大值θl和θr,分别作为左右车道的梯度方向;
步骤(3):提取左右车道线边缘;
具体方法是:以图像中线为分割线,将图像分成左右两侧,分别提取左右侧车道线边缘;
左侧车道线边缘采用(g2(i,j)*G0)cos(θl)+(g2(i,j)*G90)sin(θl)检测;
右侧车道线边缘采用(g2(i,j)*G0)cos(θr)+(g2(i,j)*G90)sin(θr)检测;
步骤(4):提取车道线;
具体方法是:边缘检测后分别将左右侧图像的直角坐标系(i,j)转换为极坐标系(ρ,θ);对左侧图像,在极坐标下将范围θ=θl±5°下的累加函数的最大值所在位置作为左侧车道线位置拟合左侧车道线;对右侧图像,将范围θ=θr±5°下的累加函数的最大值所在位置作为右侧车道线位置拟合右侧车道线。
3.根据权利要求1所述的一种基于行车方向与车道线夹角的车辆变道行为检测方法,其特征在于:在步骤三中,检测左右两侧车道线的颜色和类型,包括以下步骤:
步骤(1):将步骤二提取的左右两侧车道线分别向两侧扩展10个像素,然后与所述的步骤一中的步骤(1)得到的图像G(i,j)进行“与”运算,分别得到图像G1l(i,j)和G1r(i,j);然后计算得到G1l(i,j)和G1r(i,j)图像像素的Y和Cb颜色分量;
步骤(2):提取每行的车道线颜色;具体方法是:
(1)对左侧车道线从右往左从下往上逐行扫描G1l(i,j),若在第i行若有连续3个以上的像素的Y分量值大于阈值,则将i行白色点标志置1,即TL(i,1)=1;否则若连续3个以上像素Cb分量在一定范围内,则将i行黄色点标志置1,即TL(i,2)=1;否则将i行灰色点标志置1,即TL(i,3)=1;
(2)对右侧车道线从左往右从下往上逐行扫描G1r(i,j),若在第i行若有连续3个以上的像素的Y分量值大于阈值,则将i行白色点标志置1,即TR(i,1)=1;否则若连续3个以上像素Cb分量在一定范围内,则将i行黄色点标志置1,即TR(i,2)=1;否则将i行灰色点标志置1,即TR(i,3)=1;
步骤(3):判断车道线颜色;具体方法是:
对左侧车道,统计G1l(i,j)中所有行白色点的总个数lwc,黄色点的总个数lyc,灰色点的总个数lgc,即:
记ly=lyc/(lgc+lyc+lwc),lw=lwc/(lgc+lyc+lwc)
对右侧车道,统计G1r(i,j)中所有行白色点的总个数rwc,黄色点的总个数ryc,灰色点的总个数rgc,即:
记ry=ryc/(rgc+ryc+rwc),rw=rwc/(rgc+ryc+rwc)
步骤(4):判断车道线虚实类型;具体方法是:
利用所有行总的白色点数和黄色点数的比例判断车道线虚实类型;
对左侧车道,记lyr=(lyc+lwc)/(lgc+lyc+lwc)
对右侧车道,记ryr=(ryc+rwc)/(rgc+ryc+rwc)
步骤(5):联合步骤(3)和步骤(4),车道特征标记如下:
4.根据权利要求1所述的一种基于行车方向与车道线夹角的车辆变道行为检测方法,其特征在于:在步骤四中,车辆行进方向与左右两侧车道线的夹角检测,判断车辆与左右两侧车道线的关系,具体包括以下步骤:
步骤(1):以左侧图像的右下角为原点建立直角坐标系,向上表示车辆前进方向;左边车道线与车辆前进方向的夹角为θlc,θlc=|90-θl|;
θ1是判断阈值,取θ1=16°;
cl=1表示车辆与左侧车道线靠近,cl=0表示车辆在道路中间;
同理,右车道线与车辆前进方向夹角θrc,θrc=|90-θr|;
cr=1表示车辆与右侧车道线靠近,cr=0表示车辆在道路中间;
步骤(2):为判别车辆与车道线的位置关系,设置标志位c;采用下列方法设置每帧图像的标志位c
若c=0,则如果cl和cr同时为1,表示此帧图像检测错误;否则,表示此帧中车辆在道路中间;
若c=1,表示此帧图像中车辆与一侧车道线靠近。
5.根据权利要求1所述的一种基于行车方向与车道线夹角的车辆变道行为检测方法,其特征在于:在步骤五中,车辆变道行为检测具体包括以下步骤:
步骤(1):读取图像标志位c;
步骤(2):若c=0,跳转执行步骤(1);若c=1,执行步骤(3);
步骤(3):读取此帧的cl;cl=1,表示车辆开始向左变道,执行步骤步骤(4),否则执行步骤(5),表示车辆开始向右变道;
步骤(4):跟踪此后5帧的θlc,若θlc由大变小变为0,则检测到车辆向左变道且压左线,执行步骤(6);否则检测到车辆向左拐弯不压线,本次检测结束;
步骤(5):跟踪此后5帧的θrc,当θrc由大变小变为0,则检测到车辆向右变道且压右线,进入步骤(7);否则检测到车辆向右拐弯不压线,本次检测结束;
步骤(6):读取左侧车道线颜色和类型标志位l,得到车辆向左变道压线类型;
步骤(7):读取右侧车道线颜色和类型标志位r,得到车辆向右变道压线类型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810979041.8A CN109344704B (zh) | 2018-08-24 | 2018-08-24 | 一种基于行车方向与车道线夹角的车辆变道行为检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810979041.8A CN109344704B (zh) | 2018-08-24 | 2018-08-24 | 一种基于行车方向与车道线夹角的车辆变道行为检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109344704A CN109344704A (zh) | 2019-02-15 |
CN109344704B true CN109344704B (zh) | 2021-09-14 |
Family
ID=65291881
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810979041.8A Active CN109344704B (zh) | 2018-08-24 | 2018-08-24 | 一种基于行车方向与车道线夹角的车辆变道行为检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109344704B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110688954A (zh) * | 2019-09-27 | 2020-01-14 | 上海大学 | 一种基于向量运算的车辆变道检测方法 |
CN111703424B (zh) * | 2020-05-26 | 2021-12-24 | 武汉理工大学 | 一种智能网联汽车多传感器融合辅助变道方法及系统 |
CN112233417A (zh) * | 2020-09-17 | 2021-01-15 | 新石器慧义知行智驰(北京)科技有限公司 | 车辆轨迹预测方法、控制装置及无人车 |
CN112347969B (zh) * | 2020-11-18 | 2022-11-04 | 合肥湛达智能科技有限公司 | 一种基于深度学习的变道不打灯行为检测方法 |
CN112562406B (zh) * | 2020-11-27 | 2022-08-16 | 众安在线财产保险股份有限公司 | 一种越线行驶的识别方法及装置 |
CN112580516A (zh) * | 2020-12-21 | 2021-03-30 | 上海眼控科技股份有限公司 | 一种道路场景识别方法、装置、设备及存储介质 |
CN112758107B (zh) * | 2021-02-07 | 2023-01-03 | 的卢技术有限公司 | 一种车辆自动变道方法、控制装置、电子设备及汽车 |
CN113450335B (zh) * | 2021-06-30 | 2023-03-17 | 湖南三一华源机械有限公司 | 一种路沿检测方法、路沿检测装置及路面施工车辆 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101894271A (zh) * | 2010-07-28 | 2010-11-24 | 重庆大学 | 汽车偏离车道线角度和距离的视觉计算及预警方法 |
CN102208019A (zh) * | 2011-06-03 | 2011-10-05 | 东南大学 | 基于车载摄像机的车辆变道检测方法 |
CN102785661A (zh) * | 2012-08-20 | 2012-11-21 | 深圳先进技术研究院 | 车道偏离控制系统及方法 |
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 |
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 |
CN105718872A (zh) * | 2016-01-15 | 2016-06-29 | 武汉光庭科技有限公司 | 两侧车道快速定位及检测车辆偏转角度的辅助方法及系统 |
CN107481526A (zh) * | 2017-09-07 | 2017-12-15 | 公安部第三研究所 | 用于行车变道检测记录及违章变道举报控制的系统及方法 |
-
2018
- 2018-08-24 CN CN201810979041.8A patent/CN109344704B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101894271A (zh) * | 2010-07-28 | 2010-11-24 | 重庆大学 | 汽车偏离车道线角度和距离的视觉计算及预警方法 |
CN102208019A (zh) * | 2011-06-03 | 2011-10-05 | 东南大学 | 基于车载摄像机的车辆变道检测方法 |
CN102785661A (zh) * | 2012-08-20 | 2012-11-21 | 深圳先进技术研究院 | 车道偏离控制系统及方法 |
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 |
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 |
CN105718872A (zh) * | 2016-01-15 | 2016-06-29 | 武汉光庭科技有限公司 | 两侧车道快速定位及检测车辆偏转角度的辅助方法及系统 |
CN107481526A (zh) * | 2017-09-07 | 2017-12-15 | 公安部第三研究所 | 用于行车变道检测记录及违章变道举报控制的系统及方法 |
Non-Patent Citations (5)
Title |
---|
An Improved Vehicle Logo Recognition Method for Road Surveillance Images;Quan Sun等;《2014 Seventh International Symposium on Computational Intelligence and Design》;20141231;第373-376页 * |
Lane-Change Detection Based on Vehicle-Trajectory Prediction;Hanwool Woo等;《IEEE ROBOTICS AND AUTOMATION LETTERS》;20170430;第2卷(第2期);第1109-1116页 * |
基于Matlab的汽车偏离车道报警系统;王越;《汽车工程师》;20121231;第35-37页 * |
基于数字图像处理的车道线检测;张慧;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;20150315(第3期);C034-1630 * |
基于车载摄像机的车辆压线与变道检测技术研究与实现;胡海辉;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;20170215(第2期);C035-329 * |
Also Published As
Publication number | Publication date |
---|---|
CN109344704A (zh) | 2019-02-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109344704B (zh) | 一种基于行车方向与车道线夹角的车辆变道行为检测方法 | |
CN102375982B (zh) | 一种融合多字符特征的车牌定位方法 | |
CN109190523B (zh) | 一种基于视觉的车辆检测跟踪预警方法 | |
CN103324930B (zh) | 一种基于灰度直方图二值化的车牌字符分割方法 | |
CN109657632B (zh) | 一种车道线检测识别方法 | |
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 | |
CN109299674B (zh) | 一种基于车灯的隧道违章变道检测方法 | |
CN104050450A (zh) | 一种基于视频的车牌识别方法 | |
CN104700072B (zh) | 基于车道线历史帧的识别方法 | |
US20130266175A1 (en) | Road structure detection and tracking | |
CN110334634A (zh) | 一种车道线类别的检测方法和预警装置 | |
CN107316486A (zh) | 基于双摄像头的无人驾驶汽车视觉识别系统 | |
CN109948552B (zh) | 一种复杂交通环境中的车道线检测的方法 | |
CN107886034B (zh) | 行车提醒方法、装置及车辆 | |
CN106887004A (zh) | 一种基于块匹配的车道线检测方法 | |
CN102298693A (zh) | 基于计算机视觉的高速公路弯道检测方法 | |
CN109190483B (zh) | 一种基于视觉的车道线检测方法 | |
CN103093200A (zh) | 快速精准定位图像中车牌的算法 | |
CN103440785B (zh) | 一种快速的车道偏移警示方法 | |
CN103530608A (zh) | 车辆类型判断方法和装置 | |
Chang et al. | An efficient method for lane-mark extraction in complex conditions | |
CN110688907A (zh) | 基于夜间道路光源识别物体的方法及装置 | |
CN111695565A (zh) | 基于道路关卡模糊图像的汽车标志精准定位方法 | |
CN103996031A (zh) | 一种自适应阈值分割的车道线检测系统及其方法 | |
CN101369312B (zh) | 检测图像中交叉口的方法和设备 |
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 |