CN109583280A - 车道线识别方法、装置、设备及存储介质 - Google Patents

车道线识别方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN109583280A
CN109583280A CN201710906508.1A CN201710906508A CN109583280A CN 109583280 A CN109583280 A CN 109583280A CN 201710906508 A CN201710906508 A CN 201710906508A CN 109583280 A CN109583280 A CN 109583280A
Authority
CN
China
Prior art keywords
lane
point
end point
line
straight line
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
CN201710906508.1A
Other languages
English (en)
Inventor
丁赞
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.)
BYD Co Ltd
Original Assignee
BYD 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 BYD Co Ltd filed Critical BYD Co Ltd
Priority to CN201710906508.1A priority Critical patent/CN109583280A/zh
Publication of CN109583280A publication Critical patent/CN109583280A/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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及图像处理技术领域，本发明提供一种车道线识别方法、装置、设备及存储介质，车道线识别方法包括：对车道图像进行预处理和边缘检测以获取边缘点的位置坐标和方向角；获取消失线在坐标系中的位置，根据消失线上的候选消失点坐标以及边缘点的位置坐标和方向角在投票函数中对候选消失点进行投票以确定消失点坐标，并根据所述候选消失点记录下不同方向角的边缘点数量进行排序得到直线的参数信息；根据所述直线的参数信息进行置信度计算获取基准车道线，并根据基准车道线、所述直线之间的距离以及车道宽度确定车道线，本发明技术方案能有效检测模糊车道线边缘并抑制噪声，对消失点和直线的检测耗时少且准确性高，并且提高车道线识别实时性。

Description

车道线识别方法、装置、设备及存储介质
技术领域
本发明涉及图像处理技术领域，尤其涉及一种车道线识别方法、装置、设备及存储介质。
背景技术
随着汽车的普及，利用传感器提高对路面对象的辨识能力，给驾驶人更多的安全警示及辅助，从而提高车辆的主动安全性，已成为智能交通系统领域发展的重要方向。目前在车道线识别中，主要是以直线模型描述车道线，通过Hough变换进行直线识别，此方法可以有效的识别直道车道线，但对于弯道识别效果差，并且对车道保持等更高阶的驾驶辅助功能，用直线模型描述车道线是不能够满足使用的，对车道线的检测存在的大量干扰点，尤其是在多种路况条件下降低了车道检测的准确率。
发明内容
本发明的目的在于提供一种车道线识别方法、装置、设备及存储介质，能够实现在多种路况条件下对车道线的快速准确的检测。
本发明是这样实现的，本发明第一方面提供一种车道线识别方法，所述车道线识别方法包括：
根据道路视频信息获取待检测的车道图像，在所述车道图像上建立坐标系，并对所述车道图像进行预处理和边缘检测以获取边缘点的位置坐标和方向角；
获取消失线在所述坐标系中的位置，根据所述消失线上的候选消失点坐标以及所述边缘点的位置坐标和方向角在投票函数中对候选消失点进行投票以确定消失点坐标，并根据所述候选消失点记录下不同方向角的边缘点数量进行排序得到直线的参数信息；
根据所述直线的参数信息进行置信度计算获取基准车道线，将所述消失点的坐标和所述直线的参数信息输入到车道模型中确定直线之间的距离，并根据所述基准车道线、所述直线之间的距离以及车道宽度确定车道线。
本发明第二方面提供一种车道线识别装置，所述车道线识别装置包括：
边缘点定位模块，用于根据道路视频信息获取待检测的车道图像，在所述车道图像上建立坐标系，并对所述车道图像进行预处理和边缘检测以获取边缘点的位置坐标和方向角；
消失点定位模块，用于获取消失线在所述坐标系中的位置，根据所述消失线上的候选消失点坐标以及所述边缘点的位置坐标和方向角在投票函数中对候选消失点进行投票以确定消失点坐标；
直线参数获取模块，用于并根据所述候选消失点记录下不同方向角的边缘点数量进行排序得到直线的参数信息；
车道线提取模块，用于根据所述直线的参数信息进行置信度计算获取基准车道线，将所述消失点的坐标和所述直线的参数信息输入到车道模型中确定直线之间的距离，并根据所述基准车道线、所述直线之间的距离以及车道宽度确定车道线。
本发明第三方面提供一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如本发明第一方面所述方法的步骤。
本发明第四方面提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如本发明第一方面所述方法的步骤。
本发明实施例提供一种车道线识别方法、装置、设备及存储介质，通过对车道图像进行预处理和边缘检测以获取边缘点的位置坐标和方向角；获取消失线在坐标系中的位置，根据消失线上的候选消失点坐标以及边缘点的位置坐标和方向角在投票函数中对候选消失点进行投票以确定消失点坐标，并根据所述候选消失点记录下不同方向角的边缘点数量进行排序得到直线的参数信息；根据所述直线的参数信息进行置信度计算获取基准车道线，并根据基准车道线、所述直线之间的距离以及车道宽度确定车道线，本发明技术方案能有效检测模糊车道线边缘并抑制噪声，对消失点和直线的检测耗时少且准确性高，在直线检测的基础上进行车道模型匹配能提高车道识别实时性，在车道线模糊、雨天、大雾和大区率等环境下均具有较好的适应性。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明一种实施例提供的一种车道线识别方法的流程图；
图2是本发明一种实施例提供的一种车道线识别方法中的步骤S10的一种实施方式提供的具体流程图；
图3是本发明一种实施例提供的一种车道线识别方法中的步骤S20的一种实施方式提供的具体流程图；
图4是本发明一种实施例提供的一种车道线识别方法中的步骤S30的一种实施方式提供的具体流程图；
图5是本发明一种实施例提供的另一种车道线识别方法的流程图；
图6是本发明另一种实施例提供的一种车道线识别装置的结构示意图；
图7是本发明另一种实施例提供的一种车道线识别装置中的边缘点定位模块的一种实施方式提供的具体结构示意图；
图8是本发明另一种实施例提供的一种车道线识别装置中的消失点定位模块的一种实施方式提供的具体结构示意图；
图9是本发明另一种实施例提供的终端设备的结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
为了说明本发明的技术方案，下面通过具体实施例来进行说明。
本发明实施例提供一种多车道识别方法，如图1所示，该多车道识别方法包括步骤S10、步骤S20以及步骤S30，具体步骤如下：
步骤S10.根据道路视频信息获取待检测的车道图像，在车道图像上建立坐标系，并对待检测的车道图像进行预处理和边缘检测以获取边缘点的位置坐标和方向角。
在步骤S10中，车辆开始行驶时，通过获取预先安装在车辆上的摄像机或者录像机在车辆行驶过程中拍摄到的当前帧的车道图像，以获取到的当前帧的车道图像作为检测的车道图像。
作为一种实施方式，如图2所示，步骤S10包括以下步骤S101、步骤S102、步骤S103以及步骤S104，具体步骤如下：
步骤S101.在车道图像上建立坐标系，其中，车道图像的顶部侧边为y轴，向右方向为y轴正方向，左侧边为x轴，向下方向为x轴正方向，每帧车道图像有M行N列像素点。
在步骤S101中，根据像素分辨率得到每帧车道图像有M行N列，每个像素点大小为单位长度，其中，本发明所用摄像头可以为分辨率为720像素*480像素，
步骤S102.对车道图像进行平滑滤波处理以及二值化处理得到二值化车道图像，获取初始像素点的第一灰度值，分别沿X轴方向和Y轴方向对车道图像进行扫描，获取与初始像素点相邻预设像素长度的像素点的第二灰度值，并对第一灰度值和第二灰度值进行差值运算得到灰度差值，并分别获取X轴方向和Y轴方向上灰度差值大于差值阈值的像素点集合。
在步骤S102中，通过对图像进行平滑滤波处理，减少噪声点的影响，并通过边缘检测突出道路边缘，具体的，当车辆在道路上正常行驶时，靠近道路消失线的远视野标志线与x轴趋近与垂直，而远离道路消失线的近视野车道线与y轴的夹角随着视野的靠近逐渐增大，因而，在图像的近景处和远景处分别采用不同扫描方向以获得边缘点。
作为一种实施方式，分别在二值化车道图像的第一近景内和第一远景内沿y轴正方向、在车道图像的第二近景内和第二远景内沿y轴负方向以及X轴正方向进行扫描，其中，第一近景为0～N/2像素长，第一远景为N/4～N/2像素长，第二近景为N/2～N像素长，第一远景为3N/4～N像素长。
在第一近景处(0～N/2像素长)和第一远景处(N/4～N/2像素长)内进行y轴正方向扫描，算法步骤如下：
按照如下公式(1)计算y轴正方向上相邻p个像素长度的像素点灰度值之差：
若则计算若则计算，并对大于差值阈值Tmin的像素点进行统计，否则重新按照公式(1)进行计算。
同理，在第二近景处y轴(N/2～N像素长)和第二远景处(3N/4～N)内进行y轴反方向扫描，需要说明的是，可以将边缘点的灰度值置为200已区别扫描方向。
同理，可以采用上述方法对x正轴方向进行扫描，在此不再赘述。
步骤S103.确定X轴方向的像素点集合中与初始像素点距离最近的点为最大跃变点，并当y轴方向上的像素点集合数所对应的长度大于车道最小宽度时，确定y轴方向的像素点集合中与初始像素点距离最近的点为最大跃变点，并根据边缘点的位置坐标获取方向角。
在步骤S103中，对灰度值之差大于差值阈值Tmin的像素点数进行统计，若统计数量超过车道最小宽度wmin时，则获取与初始像素点距离最近的点为最大跃变点，具体的，追踪所有像素灰度值之差的最大值点，若最大值点有多个，则将其中距离f(xi,yj)最近的点f(xi,ymin)作为最大跃变点，并将其对应的二值化图像数值置为255，其余点置为0，进而获取边缘点的位置坐标，同时转入公式(1)计算
其中，Tmin取较小的阈值，目的是为了检测到对比度小的车道线边缘，车道线最小宽度wmin是为保证在滤掉噪声的基础上能检测到宽度较小的车道线，其大小随着像素点在x轴坐标的增大而增大，初始跳跃长度p的大小决定能够检测到的车道线模糊程度，若取得过大则可能检测不到宽度窄的标志线，因而p的取值不宜过大且小于wmin。
由于x正轴方向上车道线的两边缘点之间不能构成车道线的宽度信息，且原图像在远处的噪声远比近景处小，因而这里不利用车道线的宽度信息，仅利用x轴方向上间隔像素点之间的灰度阈值之差进行分析。追踪所有像素灰度值之差的最大值点，若最大值点有多个，则将其中距离f(xi,yj)最近的点f(xmin,yj)作为最大跃变点，并将其对应的二值化图像像素置为255，其余点置为0，同时转入第1步计算其中，初始跳跃长度p比y轴方向扫描的取值小。
步骤S104.根据边缘点的位置坐标获取边缘点的方向角。
在步骤S104中，完成边缘点检测后在边缘点处计算梯度角，并根据梯度角计算器方位角，方位角方向与梯度角方向垂直。本实施方式中不计算整幅图像而计算边缘点处的梯度角是为了减少算法执行时间，同时为后面的直线和消失点检测做准备。
梯度角度计算公式(2)和(3)为：
式中：Gx、Gy为利用Sobel算子计算得到的边缘点x方向和y方向的梯度值。
本步骤S10中提出一种基于车道线宽度和边缘点统计的边缘检测算法，与现有的几种边缘检测方法相比能够准确检测较为模糊的车道边缘，检测的边缘细腻且能抑制噪声。
步骤S20.获取消失线在坐标系中的位置，根据消失线上的候选消失点坐标以及边缘点的位置坐标和方向角在投票函数中对候选消失点进行投票以确定消失点坐标，并根据候选消失点记录下不同方向角的边缘点数量进行排序得到直线的参数信息。
其中，如图3所示，步骤S20具体包括:
步骤S201.根据摄像头的位置参数经过坐标变换得到消失线在坐标系中的位置。
在步骤S201中，消失点的检测对于整个车道识别过程尤为重要，消失点不仅代表道路的延伸方向，还为各车道线提供参数信息，为提高实时性和可靠性，将消失点的位置圈定在消失线上，而消失线的x轴坐标可以根据摄像头安装参数经过坐标变换得到。
步骤S202.在消失线上选取多个候选消失点坐标，并根据以下投票函数公式(4)对候选消失点进行投票：
其中：xvp为消失点的x轴坐标；αD(x,y)为边缘点坐标为(x,y)处的方向角；αA(xvp,yj)为坐标为(xvp,yj)的候选消失点与边缘点之间连接线的方向；τ为方向角度偏差的阈值。
步骤S203.确定得票最多的候选消失点坐标为消失点的位置坐标。
在步骤S203中，经历边缘点对候选消失点投票选择后，消失点的位置坐标为得票最多的候选消失点坐标，其筛选消失点的表达式(5)为
vp＝maxvote(xvp,yj)；j∈(0,N) (5)
步骤S204.获取对候选消失点投票有效的边缘点，并记录下边缘点的方向角并对当前方向角进行统计，当遍历完所有边缘点后，利用不同方向角的边缘点数量，对其进行排序获得直线的参数信息。
在步骤S204中，在检测到消失点后，通过对投票消失点的边缘点进行分类和统计，缩短车道识别算法的计算时间，当边缘点对候选消失点投票有效时，候选消失点记录下边缘点的方向角并对当前方向角进行统计。当遍历完所有边缘点后，所有候选消失点均已记录下不同方向角的边缘点数量，对其进行排序即可获得直线的参数信息，例如直线的斜率。
本步骤S20中，根据车载摄像头安装位置不同，采用边缘点对图像的局部区域进行消失点投票来检测消失点，在多种路况条件下能准确定位消失点，算法在车道线模糊、雨天、大雾和大区率等环境下均具有较好的适应性。
步骤S30.根据直线的参数信息进行置信度计算获取基准车道线，将消失点的坐标和直线的参数信息输入到车道模型中确定直线之间的距离，并根据基准车道线、直线之间的距离以及车道宽度确定车道线。
具体的，如图4所示，步骤S30包括以下步骤：
步骤S301.将每条直线通过置信度函数进行置信度计算，将置信度最高的直线确定为基准车道线。
在步骤S301中，对每条直线进行候选车道线的置信度计算，找出其中置信度最高的直线确定为基准车道线，然后以基准车道线为基础，根据车道宽度的要求对其他直线是否成为候选车道线进行筛选。
具体的，第i条直线的候选车道线置信度函数公式(8)和(9)为：
式中：DISj为在消失点检测过程中第j条直线上的边缘点统计数量；NOL为检测直线的总数量；vij为第i条直线与第j条直线之间满足车道宽度的标志；d为车道的宽度，分别取单车道、双车道、三车道的宽度，单车道的标准宽度为3.5m；γ为车道宽度的判断阈值，找出CLi中的最大值并将其视为最合理的车道线。
步骤S302.将消失点的坐标和直线的参数信息输入到车道模型中确定直线之间的距离。
在步骤S302中，由于车道线满足车道模型的匹配关系，车道线之间的距离应满足车道宽度的要求。车道线由大地坐标系经过多重坐标系转换投影到像素坐标系下时，车道线方程(6)可近似表示为：
其中：式中：fe为摄像头等效焦距；C0为道路曲率；为摄像头安装俯角；H为摄像机安装高度；d为车道线与道路中心的距离；θ为车道线需摄像头光轴在水平面投影的夹角；yvp为消失点在图像坐标系下的y坐标；xvp为消失点在图像坐标系下的x坐标；c0为图像物理坐标原点在像素坐标下的纵坐标。
由于车道模型匹配的为直线型车道，故车道模型可简化为
y-yvp＝B(x-xvp) (7)
由于消失点的坐标(xvp，yvp)和代表直线的斜率B均在检测直线时已经获得，摄像头安装俯角和摄像头安装高度H在标定的过程中也已获得，因而通过比较不同直线之间的斜率即可判断不同直线之间的距离，从而对其是否为候选车道线进行判断。
步骤S303.根据基准车道线、直线之间的距离以及车道宽度搜索其余车道线，若车道线缺失，则补充相应的车道线。
本实施例根据车道模型中的车道宽度等信息设计车道线置信度函数能够准确提取车道线，避免了非车道线的干扰。
若步骤S30车道线预选取成功，则在下一帧图片处理时以第一帧图片中车道线的位置为基础，进行车道线的跟踪检测。
如图5所示，车道线识别方法还包括：
步骤S40.对前一帧图像进行预处理，并根据前一帧车道图像检测出的车道线形成的区域进行边缘检测，以对边缘点进行重定位。
在步骤S40中，对前一帧图像的预处理，包括对前一帧图像的局部区域进行平滑滤波和基于车道线方向进行边缘检测重新得到边缘点。车道线跟踪阶段的预处理包含局部区域平滑滤波和基于车道线方向的边缘检测两部分。平滑滤波区域比初帧检测的要小，而对应的边缘检测区域也相应缩小。
在当前车道(即中车道)左右两侧的直线周围采用y轴双方向扫描方式检测车道线边缘点，而在左车道和右车道分别进行x轴的正方向扫描，这是因为当前车道两侧车道线与y轴趋近于垂直而左车道的左侧车道线与右车道右侧车道线与x轴趋近与垂直。相应的平滑滤波算法和边缘检测算法与步骤S101中算法相同。
步骤S50.在消失点周围设置矩形框，根据矩形框内的候选消失点坐标以及重定位的边缘点的位置坐标和方向角在投票函数中对候选消失点进行投票以重新确定消失点坐标，并根据矩形框内的候选消失点记录下不同方向角的边缘点数量进行排序重新得到直线的参数信息。
在步骤S50中，消失点的重定位方法依然与步骤S201中消失点的算法相同，只是投票的候选区域发生了变化，预提取直线时候候选点的区域为消失线一整行上，而由于车辆在行驶过程中会发生上下颠簸或者道路上下坡等情况时道路消失线在图像坐标系中发生微小变化，因此，将消失点的候选区域设定为前帧消失点周围矩形框内，实现消失点的跟踪检测，对汇聚于重定位消失点的边缘点进行分类统计检测出不同方向的直线，实现对直线的重新定位。
步骤S60.对重定位直线进行校正得到校正直线，对校正直线进行车道模型的匹配，将匹配成功的车道参数进行曲线寻优以计算车道线曲率和车道宽度。
在步骤S60中，在摄像机坐标系中，车辆正常行驶时车道线一般应满足如下关系：当前车道左侧车道线的左侧边缘点应满足Gx≥0且Gy>0，当前车道左侧车道线的右侧边缘应满足Gx≤0且Gy>0，当前车道右侧车道线的左侧边缘点应满足Gx≥0且Gy<0，当前车道右侧车道线的右侧边缘点应满足Gx≤0且Gy>0。根据向图像坐标系投影可知，两条平行的车道线边缘投影到图像坐标系中会相交，且车道左侧边缘直线的方向角要比右侧的小，二者的差值范围可根据车道线的宽度和摄像头标定后估计得到。
若车道线确认成功则对检测直线进行车道模型的匹配，匹配的算法和前面类似，只是将车道线两侧的直线用内侧直线代替。
本实施例中，若车道线匹配成功则对车道线进行参数寻优。当前方车道为曲线型车道时，须在直线型车道的基础上对车道的曲率等参数进行寻优，以获得更加准确的车道信息。
曲线寻优的过程即为上述公式(6)中K和B使车道线上分布的边缘点在满足方向角度条件的情况下最多，保证非边缘点被剔除，即利用公式(6)对矩形框中所有灰度值为255的像素点进行搜索，得到灰度值为255的像素点个数最多时所对应的参数K和B作为曲线形车道线的最优解。通过K和B的寻优结果即可换算出车道的曲率和三车道各自的横向距离及其方向偏差，并作为车辆辅助控制系统的控制参数。
本实施例，为减少阴影对车道识别算法的影响，针对阴影和车道线在边缘检测方向上的区别，加入车道标志线进行确认，可排除阴影边缘直线对车道检测的影响。且寻优过程可以换算出车道的曲率和三车道各自的横向距离及其方向偏差，使算法更适应于弯道的识别。
本发明另一种实施例提供一种车道线识别装置40，如图6所示，车道线识别装置40包括：
边缘点定位模块410，用于根据道路视频信息获取待检测的车道图像，在车道图像上建立坐标系，并对车道图像进行预处理和边缘检测以获取边缘点的位置坐标和方向角；
消失点定位模块420，用于获取消失线在坐标系中的位置，根据消失线上的候选消失点坐标以及边缘点的位置坐标和方向角在投票函数中对候选消失点进行投票以确定消失点坐标；
直线参数获取模块430，用于并根据候选消失点记录下不同方向角的边缘点数量进行排序得到直线的参数信息；
车道线提取模块440，用于根据直线的参数信息进行置信度计算获取基准车道线，将消失点的坐标和直线的参数信息输入到车道模型中确定直线之间的距离，并根据基准车道线、直线之间的距离以及车道宽度确定车道线。
进一步的，如图7所示，边缘点定位模块410包括：
车道图像获取单元411，用于根据道路视频信息获取待检测的车道图像；
图像坐标系建立单元412，用于在车道图像上建立图像坐标系，其中，车道图像的顶部侧边为y轴，向右方向为y轴正方向，左侧边为x轴，向下方向为x轴正方向，每帧车道图像有M行N列像素点；
像素点获取单元413，用于对车道图像进行平滑滤波处理以及二值化处理得到二值化车道图像，设置初始像素点，获取初始像素点的第一灰度值，分别沿X轴方向和Y轴方向对车道图像进行扫描，获取与初始像素点相邻预设像素长度的像素点的第二灰度值，对第一灰度值和第二灰度值进行差值运算得到灰度差值，并分别获取X轴方向和Y轴方向上灰度差值大于差值阈值的像素点集合；
边缘点坐标获取单元414，用于确定X轴方向的像素点集合中与初始像素点距离最近的点为最大跃变点，并当y轴方向上的像素点集合数所对应的长度大于车道最小宽度时，确定y轴方向的像素点集合中与初始像素点距离最近的点为最大跃变点，并根据最大跃变点获取边缘点的位置坐标；
方向角获取单元415，用于根据边缘点的位置坐标获取边缘点的方向角。
进一步的，如图8所示，消失点定位模块420包括：
消失线定位单元421，用于根据摄像头的位置参数经过坐标变换得到消失线在坐标系中的位置；
投票单元422，用于在消失线上选取多个候选消失点坐标，并根据以下投票函数公式对候选消失点进行投票：
其中：xvp为消失点的x轴坐标；αD(x,y)为边缘点坐标为(x,y)处的方向角；αA(xvp,yj)为坐标为(xvp,yj)的候选消失点与边缘点之间连接线的方向；τ为方向角度偏差的阈值；
消失点定位单元423，用于确定得票最多的候选消失点坐标为消失点的位置坐标。
上述终端设备中模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
本发明另一种实施例提供一计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器执行时实现上述实施例中的车道线识别方法，为避免重复，这里不再赘述。或者，该计算机程序被处理器执行时实现上述实施例中车道线识别装置中各模块/单元的功能，为避免重复，这里不再赘述。
请参考图9，其示出了本实施例的终端设备的示意图，终端设备6包括处理器60、存储器61以及存储在存储器61中并可在处理器60上运行的计算机程序62。处理器60执行计算机程序62时实现上述实施例中货币基金系统自动化测试方法的各个步骤，例如图1所示的步骤S10、S20和S30。或者，处理器60执行计算机程序62时实现上述实施例中车道线识别装置各模块/单元的功能，如图6所示边缘点定位模块410、消失点定位模块420、直线参数获取模块430和车道线提取模块440的功能。
示例性的，计算机程序62可以被分割成一个或多个模块/单元，一个或者多个模块/单元被存储在存储器61中，并由处理器60执行，以完成本发明。一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述计算机程序62在终端设备6中的执行过程。例如，计算机程序62可以被分割成边缘点定位模块410、消失点定位模块420、直线参数获取模块430和车道线提取模块440。
该终端设备6可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。终端设备可包括，但不仅限于，处理器60、存储器61。本领域技术人员可以理解，图9仅仅是终端设备6的示例，并不构成对终端设备6的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如终端设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器60可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器61可以是终端设备6的内部存储单元，例如终端设备6的硬盘或内存。存储器61也可以是终端设备6的外部存储设备，例如终端设备6上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，存储器61还可以既包括终端设备6的内部存储单元也包括外部存储设备。存储器61用于存储计算机程序以及终端设备所需的其他程序和数据。存储器61还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括是电载波信号和电信信号。
以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。

Claims (10)

1.一种车道线识别方法，其特征在于，所述车道线识别方法包括：
根据道路视频信息获取待检测的车道图像，在所述车道图像上建立坐标系，并对所述车道图像进行预处理和边缘检测以获取边缘点的位置坐标和方向角；
获取消失线在所述坐标系中的位置，根据所述消失线上的候选消失点坐标以及所述边缘点的位置坐标和方向角在投票函数中对候选消失点进行投票以确定消失点坐标，并根据所述候选消失点记录下不同方向角的边缘点数量进行排序得到直线的参数信息；
根据所述直线的参数信息进行置信度计算获取基准车道线，将所述消失点的坐标和所述直线的参数信息输入到车道模型中确定直线之间的距离，并根据所述基准车道线、所述直线之间的距离以及车道宽度确定车道线。
2.如权利要求1所述的车道线识别方法，其特征在于，在所述车道图像上建立坐标系，对所述待检测的车道图像进行预处理和边缘检测以获取边缘点的位置坐标和方向角，包括：
在所述车道图像上建立坐标系，其中，所述车道图像的顶部侧边为y轴，向右方向为y轴正方向，左侧边为x轴，向下方向为x轴正方向，每帧车道图像有M行N列像素点；
对所述车道图像进行平滑滤波处理以及二值化处理得到二值化车道图像，设置初始像素点，获取所述初始像素点的第一灰度值，分别沿X轴方向和Y轴方向对所述车道图像进行扫描，获取与初始像素点相邻预设像素长度的像素点的第二灰度值，对所述第一灰度值和所述第二灰度值进行差值运算得到灰度差值，并分别获取X轴方向和Y轴方向上灰度差值大于差值阈值的像素点集合；
确定X轴方向的像素点集合中与初始像素点距离最近的点为最大跃变点，并当y轴方向上的像素点集合数所对应的长度大于车道最小宽度时，确定y轴方向的像素点集合中与初始像素点距离最近的点为最大跃变点，并根据所述最大跃变点获取边缘点的位置坐标；
根据所述边缘点的位置坐标获取所述边缘点的方向角。
3.如权利要求2所述的车道线识别方法，其特征在于，获取消失线的坐标，根据所述消失线上的候选消失点坐标以及所述边缘点的位置坐标和方向角在投票函数中对候选消失点进行投票以确定消失点坐标，并根据所述候选消失点记录下不同方向角的边缘点数量进行排序得到直线的参数信息，包括：
根据摄像头的位置参数经过坐标变换得到所述消失线在所述坐标系中的位置；
在所述消失线上选取多个候选消失点坐标，并根据以下投票函数公式对候选消失点进行投票：
其中：xvp为消失点的x轴坐标；αD(x,y)为边缘点坐标为(x,y)处的方向角；αA(xvp,yj)为坐标为(xvp,yj)的候选消失点与边缘点之间连接线的方向；τ为方向角度偏差的阈值；
确定得票最多的候选消失点坐标为消失点的位置坐标；
获取对候选消失点投票有效的边缘点，并记录下所述边缘点的方向角并对当前方向角进行统计，当遍历完所有边缘点后，利用不同方向角的边缘点数量，对其进行排序获得直线的参数信息。
4.如权利要求3所述的车道线识别方法，其特征在于，根据所述直线的参数信息进行置信度计算获取基准车道线，将所述消失点的坐标和所述直线的参数信息输入到车道模型中确定直线之间的距离，并根据所述基准车道线、所述直线之间的距离以及车道宽度确定车道线，包括：
将每条直线通过置信度函数进行置信度计算，将置信度最高的直线确定为基准车道线；
将所述消失点的坐标和所述直线的参数信息输入到车道模型中确定直线之间的距离；
根据基准车道线、直线之间的距离以及车道宽度搜索其余车道线，若车道线缺失，则补充相应的车道线。
5.如权利要求1所述的多车道识别方法，其特征在于，所述车道线识别方法还包括：
对前一帧图像进行预处理，并根据前一帧车道图像检测出的所述车道线形成的区域进行边缘检测，以对边缘点进行重定位；
在消失点周围设置矩形框，根据所述矩形框内的候选消失点坐标以及重定位的边缘点的位置坐标和方向角在投票函数中对候选消失点进行投票以重新确定消失点坐标，并根据所述矩形框内的候选消失点记录下不同方向角的边缘点数量进行排序重新得到直线的参数信息；
对所述重定位直线进行校正得到校正直线，对所述校正直线进行车道模型的匹配，将匹配成功的车道参数进行曲线寻优以计算车道线曲率和车道宽度。
6.一种车道线识别装置，其特征在于，所述车道线识别装置包括：
边缘点定位模块，用于根据道路视频信息获取待检测的车道图像，在所述车道图像上建立坐标系，并对所述车道图像进行预处理和边缘检测以获取边缘点的位置坐标和方向角；
消失点定位模块，用于获取消失线在所述坐标系中的位置，根据所述消失线上的候选消失点坐标以及所述边缘点的位置坐标和方向角在投票函数中对候选消失点进行投票以确定消失点坐标；
直线参数获取模块，用于并根据所述候选消失点记录下不同方向角的边缘点数量进行排序得到直线的参数信息；
车道线提取模块，用于根据所述直线的参数信息进行置信度计算获取基准车道线，将所述消失点的坐标和所述直线的参数信息输入到车道模型中确定直线之间的距离，并根据所述基准车道线、所述直线之间的距离以及车道宽度确定车道线。
7.如权利要求6所述的车道线识别装置，其特征在于，所述边缘点定位模块包括：
车道图像获取单元，用于根据道路视频信息获取待检测的车道图像；
图像坐标系建立单元，用于在所述车道图像上建立图像坐标系，其中，所述车道图像的顶部侧边为y轴，向右方向为y轴正方向，左侧边为x轴，向下方向为x轴正方向，每帧车道图像有M行N列像素点；
像素点获取单元，用于对所述车道图像进行平滑滤波处理以及二值化处理得到二值化车道图像，设置初始像素点，获取所述初始像素点的第一灰度值，分别沿X轴方向和Y轴方向对所述车道图像进行扫描，获取与初始像素点相邻预设像素长度的像素点的第二灰度值，对所述第一灰度值和所述第二灰度值进行差值运算得到灰度差值，并分别获取X轴方向和Y轴方向上灰度差值大于差值阈值的像素点集合；
边缘点坐标获取单元，用于确定X轴方向的像素点集合中与初始像素点距离最近的点为最大跃变点，并当y轴方向上的像素点集合数所对应的长度大于车道最小宽度时，确定y轴方向的像素点集合中与初始像素点距离最近的点为最大跃变点，并根据所述最大跃变点获取边缘点的位置坐标；
方向角获取单元，用于根据所述边缘点的位置坐标获取所述边缘点的方向角。
8.如权利要求6所述的车道线识别装置，其特征在于，所述消失点定位模块包括：
消失线定位模块，用于根据摄像头的位置参数经过坐标变换得到所述消失线在所述坐标系中的位置；
投票模块，用于在所述消失线上选取多个候选消失点坐标，并根据以下投票函数公式对候选消失点进行投票：
其中：xvp为消失点的x轴坐标；αD(x,y)为边缘点坐标为(x,y)处的方向角；αA(xvp,yj)为坐标为(xvp,yj)的候选消失点与边缘点之间连接线的方向；τ为方向角度偏差的阈值；
消失点定位模块，用于确定得票最多的候选消失点坐标为消失点的位置坐标。
9.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至5任一项所述方法的步骤。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至5任一项所述方法的步骤。
CN201710906508.1A 2017-09-29 2017-09-29 车道线识别方法、装置、设备及存储介质 Pending CN109583280A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710906508.1A CN109583280A (zh) 2017-09-29 2017-09-29 车道线识别方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710906508.1A CN109583280A (zh) 2017-09-29 2017-09-29 车道线识别方法、装置、设备及存储介质

Publications (1)

Publication Number Publication Date
CN109583280A true CN109583280A (zh) 2019-04-05

Family

ID=65914407

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710906508.1A Pending CN109583280A (zh) 2017-09-29 2017-09-29 车道线识别方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN109583280A (zh)

Cited By (32)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110443225A (zh) * 2019-08-15 2019-11-12 安徽半问科技有限公司 一种基于特征像素统计的虚实车道线识别方法及其装置
CN110781816A (zh) * 2019-10-25 2020-02-11 北京行易道科技有限公司 车辆在车道中的横向定位方法、装置、设备及存储介质
CN110988888A (zh) * 2019-11-08 2020-04-10 中科长城海洋信息系统有限公司 海底信息的获取方法和装置
CN111046829A (zh) * 2019-12-23 2020-04-21 上海交通大学 基于先验推理的在线车道级定位方法及系统
CN111160132A (zh) * 2019-12-12 2020-05-15 苏州智加科技有限公司 障碍物所在车道的确定方法、装置、电子设备和存储介质
CN111178193A (zh) * 2019-12-18 2020-05-19 深圳市优必选科技股份有限公司 一种车道线的检测方法、检测装置及计算机可读存储介质
CN111563463A (zh) * 2020-05-11 2020-08-21 上海眼控科技股份有限公司 路面车道线识别方法、装置、电子设备及存储介质
CN111598911A (zh) * 2020-07-14 2020-08-28 浙江大华技术股份有限公司 一种机器人平台的自主巡线方法、装置及存储介质
CN111652952A (zh) * 2020-06-05 2020-09-11 腾讯科技（深圳）有限公司 车道线生成方法、装置、计算机设备和存储介质
CN111798431A (zh) * 2020-07-06 2020-10-20 苏州市职业大学 一种实时消失点检测方法、装置、设备及存储介质
CN111797658A (zh) * 2019-04-09 2020-10-20 Oppo广东移动通信有限公司 车道线识别方法、装置、存储介质及电子设备
CN112101163A (zh) * 2020-09-04 2020-12-18 淮阴工学院 一种车道线检测方法
CN112132109A (zh) * 2020-10-10 2020-12-25 北京百度网讯科技有限公司 车道线处理和车道定位方法、装置、设备及存储介质
CN112150560A (zh) * 2020-09-27 2020-12-29 上海高德威智能交通系统有限公司 确定消失点的方法、装置及计算机存储介质
CN112200100A (zh) * 2020-10-15 2021-01-08 上海泽高电子工程技术股份有限公司 一种基于图像的轨道提取技术
CN112325780A (zh) * 2020-10-29 2021-02-05 青岛聚好联科技有限公司 一种基于社区监控的距离测算方法及装置
CN112396048A (zh) * 2020-11-17 2021-02-23 中国平安人寿保险股份有限公司 图片信息提取方法、装置、计算机设备及存储介质
CN112419351A (zh) * 2020-11-23 2021-02-26 深圳大学 一种基于fpga的靶位识别方法、装置及电子设备
CN112489136A (zh) * 2020-11-30 2021-03-12 商汤集团有限公司 标定方法、位置确定方法、装置、电子设备及存储介质
CN113053124A (zh) * 2021-03-25 2021-06-29 英博超算(南京)科技有限公司 一种智能车辆的测距系统
CN113743344A (zh) * 2021-09-10 2021-12-03 北京精英路通科技有限公司 道路信息的确定方法、装置和电子设备
WO2022001366A1 (zh) * 2020-07-03 2022-01-06 华为技术有限公司 车道线的检测方法和装置
CN114092919A (zh) * 2022-01-18 2022-02-25 深圳佑驾创新科技有限公司 一种车辆偏移告警的方法、设备及介质
WO2022051951A1 (zh) * 2020-09-09 2022-03-17 华为技术有限公司 车道线检测方法、相关设备及计算机可读存储介质
CN114724108A (zh) * 2022-03-22 2022-07-08 北京百度网讯科技有限公司 车道线处理方法及装置
CN114724118A (zh) * 2022-06-08 2022-07-08 苏州魔视智能科技有限公司 一种斑马线检测方法、装置、设备及存储介质
CN115294767A (zh) * 2022-08-02 2022-11-04 山西省智慧交通研究院有限公司 一种高速公路车道线实时检测与交通安全预警方法及装置
CN115393595A (zh) * 2022-10-27 2022-11-25 福思(杭州)智能科技有限公司 分割网络模型训练方法、车道线检测方法和电子装置
WO2023142865A1 (zh) * 2022-01-28 2023-08-03 灵动科技（北京）有限公司 自主移动机器人及利用其进行车道线检测的方法
EP4224361A4 (en) * 2020-10-22 2023-08-16 Huawei Technologies Co., Ltd. LANE LINE DETECTION METHOD AND DEVICE
CN116993637A (zh) * 2023-07-14 2023-11-03 禾多科技（北京）有限公司 用于车道线检测的图像数据处理方法、装置、设备和介质
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

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120072080A1 (en) * 2004-11-18 2012-03-22 Oliver Jeromin Image acquisition and processing system for vehicle equipment control
US20130266175A1 (en) * 2012-04-09 2013-10-10 GM Global Technology Operations LLC Road structure detection and tracking
CN104517111A (zh) * 2013-09-27 2015-04-15 比亚迪股份有限公司 车道线检测方法、系统、车道偏离预警方法及系统
CN105224909A (zh) * 2015-08-19 2016-01-06 奇瑞汽车股份有限公司 车道线检测系统中的车道线确认方法
CN106250816A (zh) * 2016-07-19 2016-12-21 武汉依迅电子信息技术有限公司 一种基于双摄像头的车道线识别方法及系统
CN106960193A (zh) * 2017-03-24 2017-07-18 佛山市南海区广工大数控装备协同创新研究院 一种车道线检测装置和方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120072080A1 (en) * 2004-11-18 2012-03-22 Oliver Jeromin Image acquisition and processing system for vehicle equipment control
US20130266175A1 (en) * 2012-04-09 2013-10-10 GM Global Technology Operations LLC Road structure detection and tracking
CN104517111A (zh) * 2013-09-27 2015-04-15 比亚迪股份有限公司 车道线检测方法、系统、车道偏离预警方法及系统
CN105224909A (zh) * 2015-08-19 2016-01-06 奇瑞汽车股份有限公司 车道线检测系统中的车道线确认方法
CN106250816A (zh) * 2016-07-19 2016-12-21 武汉依迅电子信息技术有限公司 一种基于双摄像头的车道线识别方法及系统
CN106960193A (zh) * 2017-03-24 2017-07-18 佛山市南海区广工大数控装备协同创新研究院 一种车道线检测装置和方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
BURAK BENLIGIRAY等: "Video-Based Lane Detection Using a Fast Vanishing Point Estimation Method", 《2012 IEEE INTERNATIONAL SYMPOSIUM ON MULTIMEDIA》 *
王家恩等: "车辆辅助驾驶系统中的三车道检测算法", 《汽车工程》 *

Cited By (48)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111797658A (zh) * 2019-04-09 2020-10-20 Oppo广东移动通信有限公司 车道线识别方法、装置、存储介质及电子设备
CN110443225A (zh) * 2019-08-15 2019-11-12 安徽半问科技有限公司 一种基于特征像素统计的虚实车道线识别方法及其装置
CN110443225B (zh) * 2019-08-15 2021-07-30 安徽卡思普智能科技有限公司 一种基于特征像素统计的虚实车道线识别方法及其装置
CN110781816A (zh) * 2019-10-25 2020-02-11 北京行易道科技有限公司 车辆在车道中的横向定位方法、装置、设备及存储介质
CN110988888A (zh) * 2019-11-08 2020-04-10 中科长城海洋信息系统有限公司 海底信息的获取方法和装置
CN111160132A (zh) * 2019-12-12 2020-05-15 苏州智加科技有限公司 障碍物所在车道的确定方法、装置、电子设备和存储介质
CN111178193A (zh) * 2019-12-18 2020-05-19 深圳市优必选科技股份有限公司 一种车道线的检测方法、检测装置及计算机可读存储介质
CN111046829A (zh) * 2019-12-23 2020-04-21 上海交通大学 基于先验推理的在线车道级定位方法及系统
CN111046829B (zh) * 2019-12-23 2023-07-04 上海交通大学 基于先验推理的在线车道级定位方法及系统
CN111563463A (zh) * 2020-05-11 2020-08-21 上海眼控科技股份有限公司 路面车道线识别方法、装置、电子设备及存储介质
CN111652952A (zh) * 2020-06-05 2020-09-11 腾讯科技（深圳）有限公司 车道线生成方法、装置、计算机设备和存储介质
CN111652952B (zh) * 2020-06-05 2022-03-18 腾讯科技（深圳）有限公司 车道线生成方法、装置、计算机设备和存储介质
WO2022001366A1 (zh) * 2020-07-03 2022-01-06 华为技术有限公司 车道线的检测方法和装置
CN111798431A (zh) * 2020-07-06 2020-10-20 苏州市职业大学 一种实时消失点检测方法、装置、设备及存储介质
CN111798431B (zh) * 2020-07-06 2023-09-15 苏州市职业大学 一种实时消失点检测方法、装置、设备及存储介质
CN111598911B (zh) * 2020-07-14 2020-12-04 浙江大华技术股份有限公司 一种机器人平台的自主巡线方法、装置及存储介质
CN111598911A (zh) * 2020-07-14 2020-08-28 浙江大华技术股份有限公司 一种机器人平台的自主巡线方法、装置及存储介质
CN112101163A (zh) * 2020-09-04 2020-12-18 淮阴工学院 一种车道线检测方法
WO2022051951A1 (zh) * 2020-09-09 2022-03-17 华为技术有限公司 车道线检测方法、相关设备及计算机可读存储介质
CN112150560A (zh) * 2020-09-27 2020-12-29 上海高德威智能交通系统有限公司 确定消失点的方法、装置及计算机存储介质
CN112150560B (zh) * 2020-09-27 2024-02-02 上海高德威智能交通系统有限公司 确定消失点的方法、装置及计算机存储介质
CN112132109A (zh) * 2020-10-10 2020-12-25 北京百度网讯科技有限公司 车道线处理和车道定位方法、装置、设备及存储介质
CN112200100A (zh) * 2020-10-15 2021-01-08 上海泽高电子工程技术股份有限公司 一种基于图像的轨道提取技术
EP4224361A4 (en) * 2020-10-22 2023-08-16 Huawei Technologies Co., Ltd. LANE LINE DETECTION METHOD AND DEVICE
CN112325780A (zh) * 2020-10-29 2021-02-05 青岛聚好联科技有限公司 一种基于社区监控的距离测算方法及装置
CN112396048B (zh) * 2020-11-17 2023-09-29 中国平安人寿保险股份有限公司 图片信息提取方法、装置、计算机设备及存储介质
CN112396048A (zh) * 2020-11-17 2021-02-23 中国平安人寿保险股份有限公司 图片信息提取方法、装置、计算机设备及存储介质
CN112419351A (zh) * 2020-11-23 2021-02-26 深圳大学 一种基于fpga的靶位识别方法、装置及电子设备
CN112419351B (zh) * 2020-11-23 2023-12-26 深圳大学 一种基于fpga的靶位识别方法、装置及电子设备
CN112489136B (zh) * 2020-11-30 2024-04-16 商汤集团有限公司 标定方法、位置确定方法、装置、电子设备及存储介质
CN112489136A (zh) * 2020-11-30 2021-03-12 商汤集团有限公司 标定方法、位置确定方法、装置、电子设备及存储介质
CN113053124A (zh) * 2021-03-25 2021-06-29 英博超算(南京)科技有限公司 一种智能车辆的测距系统
CN113743344A (zh) * 2021-09-10 2021-12-03 北京精英路通科技有限公司 道路信息的确定方法、装置和电子设备
CN114092919A (zh) * 2022-01-18 2022-02-25 深圳佑驾创新科技有限公司 一种车辆偏移告警的方法、设备及介质
CN114092919B (zh) * 2022-01-18 2022-05-03 深圳佑驾创新科技有限公司 一种车辆偏移告警的方法、设备及介质
WO2023142865A1 (zh) * 2022-01-28 2023-08-03 灵动科技（北京）有限公司 自主移动机器人及利用其进行车道线检测的方法
CN114724108A (zh) * 2022-03-22 2022-07-08 北京百度网讯科技有限公司 车道线处理方法及装置
CN114724108B (zh) * 2022-03-22 2024-02-02 北京百度网讯科技有限公司 车道线处理方法及装置
CN114724118B (zh) * 2022-06-08 2022-09-27 苏州魔视智能科技有限公司 一种斑马线检测方法、装置、设备及存储介质
CN114724118A (zh) * 2022-06-08 2022-07-08 苏州魔视智能科技有限公司 一种斑马线检测方法、装置、设备及存储介质
CN115294767B (zh) * 2022-08-02 2023-06-27 山西省智慧交通研究院有限公司 一种高速公路车道线实时检测与交通安全预警方法及装置
CN115294767A (zh) * 2022-08-02 2022-11-04 山西省智慧交通研究院有限公司 一种高速公路车道线实时检测与交通安全预警方法及装置
CN115393595A (zh) * 2022-10-27 2022-11-25 福思(杭州)智能科技有限公司 分割网络模型训练方法、车道线检测方法和电子装置
CN115393595B (zh) * 2022-10-27 2023-02-03 福思(杭州)智能科技有限公司 分割网络模型训练方法、车道线检测方法、装置和介质
CN116993637A (zh) * 2023-07-14 2023-11-03 禾多科技（北京）有限公司 用于车道线检测的图像数据处理方法、装置、设备和介质
CN116993637B (zh) * 2023-07-14 2024-03-12 禾多科技（北京）有限公司 用于车道线检测的图像数据处理方法、装置、设备和介质
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

Similar Documents

Publication Publication Date Title
CN109583280A (zh) 车道线识别方法、装置、设备及存储介质
CN106951879B (zh) 基于摄像头与毫米波雷达的多特征融合车辆检测方法
US20230111722A1 (en) Curb detection by analysis of reflection images
WO2018068653A1 (zh) 点云数据处理方法、装置及存储介质
CN110443225B (zh) 一种基于特征像素统计的虚实车道线识别方法及其装置
US8238610B2 (en) Homography-based passive vehicle speed measuring
US8447112B2 (en) Method for automatic license plate recognition using adaptive feature set
RU2549595C2 (ru) Система обнаружения периодических стационарных объектов и способ обнаружения периодических стационарных объектов
US20210342606A1 (en) Parking Detection Method, System, Processing Device and Storage Medium
CN104217427B (zh) 一种交通监控视频中车道线定位方法
CN105303189A (zh) 一种用于检测预定区域中特定标识图像的方法及装置
CN112069944A (zh) 一种道路拥堵等级确定方法
CN110799982A (zh) 用于自动驾驶车辆中的以物体为中心的立体视觉的方法和系统
CN110502983B (zh) 一种检测高速公路中障碍物的方法、装置及计算机设备
CN102419820A (zh) 一种快速检测视频与图像中汽车车标的方法
CN111179152A (zh) 一种道路标识识别方法及装置、介质、终端
CN110197173B (zh) 一种基于双目视觉的路沿检测方法
JP6226368B2 (ja) 車両監視装置、および車両監視方法
CN102842039B (zh) 一种基于Sobel算子的道路图像检测方法
CN109635737A (zh) 基于道路标记线视觉识别辅助车辆导航定位方法
CN107909047A (zh) 一种汽车及其应用的车道检测方法及系统
Tsai et al. Horizontal roadway curvature computation algorithm using vision technology
CN106845482A (zh) 一种车牌定位方法
CN112988922A (zh) 感知地图构建方法、装置、计算机设备和存储介质
CN109558765A (zh) 汽车及车道线的检测方法、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
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20190405