CN109472202A - 一种基于车载摄像头的路面标志检测方法 - Google Patents

一种基于车载摄像头的路面标志检测方法 Download PDF

Info

Publication number
CN109472202A
CN109472202A CN201811151725.5A CN201811151725A CN109472202A CN 109472202 A CN109472202 A CN 109472202A CN 201811151725 A CN201811151725 A CN 201811151725A CN 109472202 A CN109472202 A CN 109472202A
Authority
CN
China
Prior art keywords
vehicle
mounted camera
interest
method based
detection method
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
Application number
CN201811151725.5A
Other languages
English (en)
Inventor
褚晶辉
王学惠
吕卫
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.)
Tianjin University
Original Assignee
Tianjin University
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 Tianjin University filed Critical Tianjin University
Priority to CN201811151725.5A priority Critical patent/CN109472202A/zh
Publication of CN109472202A publication Critical patent/CN109472202A/zh
Pending legal-status Critical Current

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
    • G06F18/24—Classification 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
    • G06V10/255—Detecting or recognising potential candidate objects based on visual cues, e.g. shapes

Abstract

本发明公开了一种基于车载摄像头的路面标志检测方法，所述方法包括以下步骤：在车辆的前方路面图像中选取梯形感兴趣区域，该梯形感兴趣区域用于排除其他车道的车辆对检测过程的干扰；并对获得的梯形感兴趣区域进行二值化处理；当处理后检测到的白色像素点个数满足阈值条件时，判定为前方出现路面箭头，对路面箭头进行分类；将最终的检测结果发送到报警模块中，当报警模块接收结果为0或未接收到任何输入信息时，不报警。本发明使用车载摄像头获取车辆正前方的路面信息，提前提醒驾驶人注意转弯车道、提前减速等操作，实现对驾驶行为的实时监测和预警。

Description

一种基于车载摄像头的路面标志检测方法
技术领域
本发明涉及智能驾驶技术领域，尤其涉及一种基于车载摄像头的路面标志检测方法。
背景技术
近年来，随着经济的快速发展，全球人均车辆保有量逐年提高，而交通事故的高发生率也成了各国关注的热点问题。在众多交通事故原因中，除超载、超速、酒驾外，司机疲劳驾驶、吸烟、玩手机等行为也是十分常见的安全隐患。因此，ADAS(高级辅助驾驶系统)应运而生。ADAS是利用安装在车上的各种传感器，在汽车行驶过程中感应周围的环境，通过运算与分析来判断车辆是否处于安全行驶的状态，预先让驾驶者察觉到可能发生的危险。路面交通标志识别在ADAS系统中的主要作用为：通过识别车辆前方路面上的转向箭头、人行横道等交通标志，协助驾驶人员判断车辆所在的道路环境，预防因一时疏忽造成的违章驾驶行为。
目前国内外对于基于车载摄像头的交通标志的研究多集中于道路两旁交通标志牌的识别，而在当前公布的众多论文、专利中，均很少涉及路面上的人行横道、转向箭头等交通标志的识别方法。
基于车载摄像头的路面交通标志识别系统的主要问题有：公开的数据集较少，因角度不同而造成的形变、大小不一等问题为识别带来了一定的难度，系统复杂、实时性差等。
发明内容
本发明提供了一种基于车载摄像头的路面标志检测方法，本发明使用车载摄像头获取车辆正前方的路面信息，提前提醒驾驶人注意转弯车道、提前减速等操作，实现对驾驶行为的实时监测和预警，详见下文描述：
一种基于车载摄像头的路面标志检测方法，所述方法包括以下步骤：
在车辆的前方路面图像中选取梯形感兴趣区域，该梯形感兴趣区域用于排除其他车道的车辆对检测过程的干扰；并对获得的梯形感兴趣区域进行二值化处理；
当处理后检测到的白色像素点个数满足阈值条件时，判定为前方出现路面箭头，对路面箭头进行分类；
将最终的检测结果发送到报警模块中，当报警模块接收结果为0或未接收到任何输入信息时，不报警。
进一步地，所述在车辆的前方路面图像中选取梯形感兴趣区域的步骤具体为：
在车辆前方路面图像上选取一个合适大小的矩形感兴趣区域；在该矩形感兴趣区域中画出一个梯形轮廓，将画好的梯形轮廓覆盖在矩形感兴趣区域中，将梯形外部像素点设置为黑色。
其中，所述阈值条件为：检测到的白色像素点个数为20000-40000。
进一步地，所述对路面箭头进行分类具体为：
对梯形感兴趣区域进行透视变换，将视野变为俯视效果，再进行Harris角点检测；
从Harris角点检测中选取最上、最下、最左、最右四个角点，按照预设规律对四个角点组成的矩形进行第二次透视变换，用于将四个角点按照一定的模板长宽比进行拉伸，使所有角度和大小不同的箭头标志与样本库中的模板进行统一；
将拉伸处理后的图片与样本库中的各个模板进行匹配，计算各个匹配度，将拉伸处理后的图片归类到匹配度最高的模板，得到相似度最高的即可得到检测结果。
其中，所述方法还包括：
当处理后检测到的白色像素点个数为大于另一阈值条件时，判断前方出现人行横道，将对应编号发送给报警模块。
具体实现时，所述另一阈值条件具体为：检测到的白色像素点个数大于40000。
进一步地，所述方法还包括：将车载摄像头安装在车辆内部正中央的车玻璃上，通过车载摄像头获取车辆前方路面图像，车载摄像头稍向下倾斜。
其中，所述样本库中的模板具体为：
对七种箭头标志对应图片进行透视变换和长宽拉伸处理，从每种箭头标志中选取若干张清晰的结果图作为模板，同种标志的编号相同，保存到样本库中。
进一步地，所述方法还包括：
对干扰标志进行透视变换和长宽拉伸处理，，将处理结果作为负样本，保存到样本库中。
本发明提供的技术方案的有益效果是：
1、本发明相比于雷达检测，使用摄像头大大降低了产品成本，并且安装简便，对硬件要求不高；
2、本发明通过选取特定的感兴趣区域，使处理区域的面积大大减小，既减小了干扰，又提高了处理速度；
3、本发明很好地减少了因角度不同而出现的形变和大小不一等问题带来的巨大影响，因此该方法不确定因素少，十分稳定，结果准确；且算法简单，大大提高了实时性。
附图说明
图1为一种基于车载摄像头的路面标志检测方法的流程图；
图2为原图与矩形感兴趣区域位置关系的示意图；
图3为从图2中截取的矩形感兴趣区域的示意图；
图4为矩形感兴趣区域与梯形感兴趣区域位置关系的示意图；
图5为从图4中截取的梯形感兴趣区域的示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面对本发明实施方式作进一步地详细描述。
实施例1
一种基于车载摄像头的路面标志检测方法，参见图1，该检测方法包括以下步骤：
101：在车辆的前方路面图像中选取梯形感兴趣区域，该梯形感兴趣区域用于排除其他车道的车辆对检测过程的干扰；并对获得的梯形感兴趣区域进行二值化处理；
102：当处理后检测到的白色像素点个数满足阈值条件时，判定为前方出现路面箭头，对路面箭头进行分类；
103：将最终的检测结果发送到报警模块中，当报警模块接收结果为0或未接收到任何输入信息时，不报警。
进一步地，步骤101中的在车辆的前方路面图像中选取梯形感兴趣区域的步骤具体为：
在车辆前方路面图像上选取一个合适大小的矩形感兴趣区域；在该矩形感兴趣区域中画出一个梯形轮廓，将画好的梯形轮廓覆盖在矩形感兴趣区域中，将梯形外部像素点设置为黑色。
进一步地，步骤102中的对路面箭头进行分类具体为：
1)对梯形感兴趣区域进行透视变换，将视野变为俯视效果，再进行Harris角点检测；
2)从Harris角点检测中选取最上、最下、最左、最右四个角点，按照预设规律对四个角点组成的矩形进行第二次透视变换，用于将四个角点按照一定的模板长宽比进行拉伸，使所有角度和大小不同的箭头标志与样本库中的模板进行统一；
3)将拉伸处理后的图片与样本库中的各个模板进行匹配，计算各个匹配度，将拉伸处理后的图片归类到匹配度最高的模板，得到相似度最高的即可得到检测结果。
综上所述，本发明实施例提供了一种路面交通标志(包括人行横道、直行标志、左转标志、右转标志、直行加左转标志、直行加右转标志、掉头标志、禁止掉头标志)的检测方法，使用车载摄像头可以获取车辆正前方路面图像，提前提醒驾驶人注意转弯车道、提前减速等操作，实现对驾驶行为的实时监测和预警。方法简单，大大提高了系统的实时性。
实施例2
一种基于车载摄像头的路面交通标志检测方法，参见图2至图5，该方法包括以下步骤：
201：将车载摄像头(包括：图像传感器部分、以及镜头部分)安装在车辆内部正中央的车玻璃上，通过车载摄像头获取车辆前方路面图像，车载摄像头稍向下倾斜；
其中，本发明实施例对车载摄像头的型号不做限制，例如可以为：图像传感器部分使用Sony IMX224，镜头部分选择视场角在52°至92°范围中的定焦镜头等。
具体实现时，需将车载摄像头稍向下倾斜，具体倾斜角度可根据车载摄像头的分辨率和车辆的实际高度决定，只需保证拍摄到的路面信息清晰完整即可。
202：在车辆前方路面图像中选取梯形感兴趣区域，该梯形感兴趣区域用于排除其他车道的车辆对检测过程的干扰，仅观察本车道的路面信息；
具体实现时，考虑到在摄像头视野中，一条道路呈梯形分布，因此本方法在获得的车辆前方路面图像中选取梯形感兴趣区域，目的是排除其他车道以及车辆对检测的干扰，仅观察本车道的路面信息。
其中，参见图2，选取梯形感兴趣区域的方法具体为：
1)首先在车辆前方路面图像上使用opencv的cvSetImageROI()函数选取一个合适大小的矩形感兴趣区域；
其中，opencv的cvSetImageROI()函数为本领域技术人员所公知，本发明实施例对此不做赘述。矩形感兴趣区域的大小根据实际应用中的需要进行设定，本发明实施例对此不做限制。
2)然后在该矩形感兴趣区域中画出一个梯形轮廓(梯形的四个点的位置为手动选择，要求将车辆所在车道路面信息尽可能全面地显示出来，但要将车道线排除在外，避免不必要的干扰)，再将画好的梯形轮廓覆盖在矩形感兴趣区域中，将梯形外部像素点设置为黑色，便得到了一个梯形感兴趣区域。
参见图2-图5，其中，图2中的矩形框表示矩形感兴趣区域，图3表示在图2中截取出该矩形感兴趣区域，图4表示在图3的矩形感兴趣区域中绘制出梯形轮廓，图5表示将梯形轮廓外部的像素点设置为0像素(即黑色)，进而本发明实施例得到了一个图5中的梯形感兴趣区域。
203：对获得的梯形感兴趣区域进行二值化处理；
即，首先对梯形感兴趣区域进行二值化处理，获取二值图像，然后计算二值图像中的白色像素点个数，由于当路面箭头标志出现时检测到的白色像素点较多(本实验中为20000-40000左右，数值可根据具体情况变化)，当人行横道出现时检测到的白色像素点最多(本实验中为40000以上)，因此可根据检测到的白色像素点的个数来判断是否出现箭头和人行横道。
其中，二值化处理为本领域公知的技术，本发明实施例对此不做赘述。
204：对二值化处理结果进行判断，当前方出现路面箭头时，对路面箭头进行分类；
其中，当检测到的白色像素点个数为40000以上时，可直接判断前方出现人行横道，将编号8发送给报警模块；
其中，当检测到的白色像素点个数为20000-40000时，判定为前方出现路面箭头，具体地对路面箭头进行分类的方法如下：
(1)首先，对梯形感兴趣区域进行透视变换，将视野变为俯视效果，再进行Harris角点检测；
其中，透视变换和Harris角点检测技术均为本领域的公知技术，本发明实施例对此不做赘述。
(2)然后，从Harris角点检测中选取最上、最下、最左、最右四个角点，按照预设规律对四个角点组成的矩形进行第二次透视变换，目的是将四个角点按照一定的模板长宽比进行拉伸，使所有角度和大小不同的箭头标志与样本库中的模板进行统一；
其中，上述预设规律可以为：设最上点的纵坐标为y1，最下点的纵坐标为y2，最左点的横坐标为x3，最右点的横坐标为x4(上述四点坐标均通过Harris角点检测得到)，则令(y2-y1)/(x4-x3)等于模板的长宽比即可。
具体实现时，本发明实施例中的样本库中的模板长宽比统一设置为5：2，通过上述透视变换，也可以将矩形的长宽比设为5：2。
(3)最后，将拉伸处理后的图片与样本库中的各个模板进行匹配，计算各个匹配度，将拉伸处理后的图片归类到匹配度最高的模板，得到相似度最高的即可得到检测结果。
其中，上述样本库中的模板具体为：提前截取七种箭头标志(直行标志、左转标志、右转标志、直行加左转标志、直行加右转标志、掉头标志、以及禁止掉头标志)的对应图片，按照上述步骤(1)和(2)进行透视变换和长宽拉伸处理，从每种箭头标志中选取五张清晰的结果图作为模板(即正样本)，做好标记(编号为1-7，同种标志的编号相同)，且保存到样本库中。
例如：将某一标志图片，经过拉伸处理后逐一与样本库中的各个模板进行匹配，若与左转箭头的模板匹配度最高，则将该标志图片认定为左转箭头，归类于左转箭头。
另外，为了避免其他相似标志(如人行横道、车辆尾部、车道线等)的干扰，对这些干扰标志进行上述步骤(1)和(2)的处理，将处理结果作为负样本，同样做好标记(编号0)并保存到样本库中，可大大减小误检概率。
具体实现时，本发明实施例对上述的编号0-8不做限制，可以根据实际应用中的需要进行编号，例如：还可以用英文字符A-I或a-i进行编号等。
其中，上述模板匹配使用的是opencv的matchTemplate函数(为本领域技术人员所公知)，调用归一化平方差匹配法、或相关系数匹配法等，当与一个或多个模板进行匹配得到的匹配数值均小于设置的阈值时，取数值最小的那一类为检测结果，输出对应的编号；当与负样本匹配得到的匹配数值最小时，输出为0；当与所有样本进行匹配得到的匹配数值均大于设置的阈值时，输出为0。
其中，上述阈值的取值需根据多次测试规律而定，选取令匹配误差最小的数值，例如：在自行设计的程序中，根据设计前期多次测试得出当阈值设置为0.3时效果较好，因此取阈值为0.3，当测试视频的某一帧图像中出现标志箭头时，根据上述流程进行角点检测、透视变换，并通过matchTemplate函数将处理结果与样本库中的模板逐一进行匹配。
例如，将路面上出现的左转箭头经过上述处理后，再与各个模板进行逐一匹配，会得到：与直行标志、右转标志、直行加左转标志、直行加右转标志、掉头标志、禁止掉头标志这六种模板的匹配数值均大于0.5，仅与左转标志模板匹配数值小于0.3，因此得出该标志为左转标志，输出编号2；当畸变较为严重时，可能出现与直行标志、直行加左转标志、左转标志这三种标志模板的匹配数值均小于0.3，但与直行标志模板的匹配数值最小，这种情况则认为该标志为直行标志。
205：将上述检测结果(即编码0至8)发送到报警模块中，当报警模块接收结果为0或未接收到任何输入信息时，不报警；
当报警的接受结果为数值1-7中的某一个时，发出提示音：“您所在的道路为：直行道(1)或左转道(2)或右转道(3)或直行右转道(4)或直行左转道(5)或仅掉头(6)或禁止掉头(7)”；
当报警接收结果为8时，发出提示音：“前方人行横道，注意减速”。
综上所述，本发明实施例使用车载摄像头获得车辆前方路况图像，通过对车辆前方路况图像的处理来辅助驾驶人判断路况，当检测到前方存在相应路面标志时发出提示，达到预警效果。
本发明实施例对各器件的型号除做特殊说明的以外，其他器件的型号不做限制，只要能完成上述功能的器件均可。
本领域技术人员可以理解附图只是一个优选实施例的示意图，上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
以上所述仅为本发明的较佳实施例，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 (9)

1.一种基于车载摄像头的路面标志检测方法，其特征在于，所述方法包括以下步骤：
在车辆的前方路面图像中选取梯形感兴趣区域，该梯形感兴趣区域用于排除其他车道的车辆对检测过程的干扰；并对获得的梯形感兴趣区域进行二值化处理；
当处理后检测到的白色像素点个数满足阈值条件时，判定为前方出现路面箭头，对路面箭头进行分类；
将最终的检测结果发送到报警模块中，当报警模块接收结果为0或未接收到任何输入信息时，不报警。
2.根据权利要求1所述的一种基于车载摄像头的路面标志检测方法，其特征在于，所述在车辆的前方路面图像中选取梯形感兴趣区域的步骤具体为：
在车辆前方路面图像上选取一个合适大小的矩形感兴趣区域；在该矩形感兴趣区域中画出一个梯形轮廓，将画好的梯形轮廓覆盖在矩形感兴趣区域中，将梯形外部像素点设置为黑色。
3.根据权利要求1所述的一种基于车载摄像头的路面标志检测方法，其特征在于，所述阈值条件为：检测到的白色像素点个数为20000-40000。
4.根据权利要求1或2所述的一种基于车载摄像头的路面标志检测方法，其特征在于，所述对路面箭头进行分类具体为：
对梯形感兴趣区域进行透视变换，将视野变为俯视效果，再进行Harris角点检测；
从Harris角点检测中选取最上、最下、最左、最右四个角点，按照预设规律对四个角点组成的矩形进行第二次透视变换，用于将四个角点按照一定的模板长宽比进行拉伸，使所有角度和大小不同的箭头标志与样本库中的模板进行统一；
将拉伸处理后的图片与样本库中的各个模板进行匹配，计算各个匹配度，将拉伸处理后的图片归类到匹配度最高的模板，得到相似度最高的即可得到检测结果。
5.根据权利要求1所述的一种基于车载摄像头的路面标志检测方法，其特征在于，所述方法还包括：
当处理后检测到的白色像素点个数为大于另一阈值条件时，判断前方出现人行横道，将对应编号发送给报警模块。
6.根据权利要求5所述的一种基于车载摄像头的路面标志检测方法，其特征在于，所述另一阈值条件具体为：检测到的白色像素点个数大于40000。
7.根据权利要求1所述的一种基于车载摄像头的路面标志检测方法，其特征在于，所述方法还包括：将车载摄像头安装在车辆内部正中央的车玻璃上，通过车载摄像头获取车辆前方路面图像，车载摄像头稍向下倾斜。
8.根据权利要求4所述的一种基于车载摄像头的路面标志检测方法，其特征在于，所述样本库中的模板具体为：
对七种箭头标志对应图片进行透视变换和长宽拉伸处理，从每种箭头标志中选取若干张清晰的结果图作为模板，同种标志的编号相同，保存到样本库中。
9.根据权利要求1所述的一种基于车载摄像头的路面标志检测方法，其特征在于，所述方法还包括：
对干扰标志进行透视变换和长宽拉伸处理，将处理结果作为负样本，保存到样本库中。
CN201811151725.5A 2018-09-29 2018-09-29 一种基于车载摄像头的路面标志检测方法 Pending CN109472202A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811151725.5A CN109472202A (zh) 2018-09-29 2018-09-29 一种基于车载摄像头的路面标志检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811151725.5A CN109472202A (zh) 2018-09-29 2018-09-29 一种基于车载摄像头的路面标志检测方法

Publications (1)

Publication Number Publication Date
CN109472202A true CN109472202A (zh) 2019-03-15

Family

ID=65664583

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811151725.5A Pending CN109472202A (zh) 2018-09-29 2018-09-29 一种基于车载摄像头的路面标志检测方法

Country Status (1)

Country Link
CN (1) CN109472202A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111766872A (zh) * 2020-06-05 2020-10-13 北京汽车研究总院有限公司 车辆巡线方法、装置、车辆和电子设备

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104008377A (zh) * 2014-06-07 2014-08-27 北京联合大学 基于时空关联的地面交通标志实时检测识别方法
US20160224851A1 (en) * 2015-01-31 2016-08-04 Tata Consultancy Services Ltd. Computer Implemented System and Method for Extracting and Recognizing Alphanumeric Characters from Traffic Signs
CN106845508A (zh) * 2015-12-07 2017-06-13 腾讯科技（深圳）有限公司 一种检测图像中信息卡的方法、装置和系统
CN107845107A (zh) * 2017-11-22 2018-03-27 殷周平 一种图像透视变换的优化方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104008377A (zh) * 2014-06-07 2014-08-27 北京联合大学 基于时空关联的地面交通标志实时检测识别方法
US20160224851A1 (en) * 2015-01-31 2016-08-04 Tata Consultancy Services Ltd. Computer Implemented System and Method for Extracting and Recognizing Alphanumeric Characters from Traffic Signs
CN106845508A (zh) * 2015-12-07 2017-06-13 腾讯科技（深圳）有限公司 一种检测图像中信息卡的方法、装置和系统
CN107845107A (zh) * 2017-11-22 2018-03-27 殷周平 一种图像透视变换的优化方法

Non-Patent Citations (8)

* Cited by examiner, † Cited by third party
Title
吴贯亮: "基于多路摄像头的二维环视图生成方法研究与实现", 《中国优秀硕士学位论文全文数据库-信息科技辑》 *
康拉德莱夫: "《BOSCH车辆稳定系统和驾驶员辅助系统》", 31 January 2015 *
徐立中等: "《数字图像的智能信息处理》", 31 January 2007 *
朱宏辉: "《知识驱动型拟人智能控制系统研究》", 30 June 2012 *
李世林: "基于视频的道路交通参数提取方法研究", 《中国优秀硕士学位论文全文数据库-工程科技Ⅱ辑》 *
秦飞: "交通标志实时检测与识别技术研究", 《中国优秀硕士学位论文全文数据库-信息科技辑》 *
赵小川: "《MATLAB图像处理-程序实现与模块化仿真》", 31 January 2014 *
陈慧岩等: "《车辆信息技术》", 31 December 2013 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111766872A (zh) * 2020-06-05 2020-10-13 北京汽车研究总院有限公司 车辆巡线方法、装置、车辆和电子设备
CN111766872B (zh) * 2020-06-05 2023-11-24 北京汽车研究总院有限公司 车辆巡线方法、装置、车辆和电子设备

Similar Documents

Publication Publication Date Title
CN110501018B (zh) 一种服务于高精度地图生产的交通标志牌信息采集方法
CN110619279B (zh) 一种基于跟踪的路面交通标志实例分割方法
CA2885019C (en) Robust windshield detection via landmark localization
CN109284674B (zh) 一种确定车道线的方法及装置
CN103778786B (zh) 一种基于显著车辆部件模型的交通违章检测方法
CN103324930B (zh) 一种基于灰度直方图二值化的车牌字符分割方法
Omachi et al. Detection of traffic light using structural information
CN105488454A (zh) 基于单目视觉的前方车辆检测与测距
CN103559507A (zh) 基于颜色与形状特征相结合的交通标志检测方法
CN104751145B (zh) 局部霍夫变换与形态学优化的sar图像电力线检测方法
Li et al. Inverse perspective mapping based urban road markings detection
CN110866479A (zh) 一种检测摩托车驾驶员未戴头盔的方法、装置及系统
CN105184301B (zh) 一种利用四轴飞行器判别车辆方位的方法
CN109948552A (zh) 一种复杂交通环境中的车道线检测的方法
CN108090459A (zh) 一种适用于车载视觉系统的交通标志检测识别方法
CN108021849B (zh) 一种行人预警方法及装置
CN107918775B (zh) 一种辅助车辆安全驾驶的斑马线检测方法及系统
CN114419874A (zh) 基于路侧感知设备数据融合的目标行车安全风险预警方法
KR101787292B1 (ko) 영상을 이용한 차선 인식 성능 향상 방법
CN109472202A (zh) 一种基于车载摄像头的路面标志检测方法
CN114067287A (zh) 一种基于车侧路侧数据感知融合的异物识别及预警系统
CN107992788B (zh) 识别交通灯的方法、装置及车辆
Aldoski et al. Impact of Traffic Sign Diversity on Autonomous Vehicles: A Literature Review
CN103680148B (zh) 一种出租车识别方法
JP2012160116A (ja) 物体識別装置

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: 20190315

RJ01 Rejection of invention patent application after publication