CN109726708A - 一种车道线识别方法及装置 - Google Patents
一种车道线识别方法及装置 Download PDFInfo
- Publication number
- CN109726708A CN109726708A CN201910190231.6A CN201910190231A CN109726708A CN 109726708 A CN109726708 A CN 109726708A CN 201910190231 A CN201910190231 A CN 201910190231A CN 109726708 A CN109726708 A CN 109726708A
- Authority
- CN
- China
- Prior art keywords
- point
- identified
- mean value
- target image
- lane 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.)
- Granted
Links
Landscapes
- Image Analysis (AREA)
Abstract
本申请公开了一种车道线识别方法及装置,该方法包括:在获取到待识别的目标图像,并将其中每一像素点作为待识别点后,可以将目标图像转换为灰度图像,得到目标图像中各个待识别点对应的灰度值,若判断出待识别点的灰度值与其左侧预设个数内的像素点对应的灰度值的均值之比大于预设阈值,且与其右侧预设个数内的像素点对应的灰度值的均值之比也大于预设阈值,则确定待识别点为候选点,再根据候选点,即可确定出目标图像中的车道线。可见,本申请是通过判断待识别点的灰度值与其两侧预设个数内的像素点对应的灰度值的均值之比是否均大于预设阈值,来确定车道线候选点,从而可以有效减小光照不均匀对于识别结果的影响,提高车道线识别的准确性。
Description
技术领域
本申请涉及智能交通技术领域,尤其涉及一种车道线识别方法及装置。
背景技术
随着智能化系统被应用到车辆驾驶领域中,越来越多的车辆上配置了能够实现自动驾驶功能或辅助驾驶功能的智能系统。为了实现自动驾驶功能或辅助驾驶功能,车辆上的智能系统通常需要从车辆周围的道路图像中识别出车道线,以确定车辆附近的行驶车道,从而指导车辆的驾驶。
但是,目前现有的车道线识别方法通常是利用对称局部阈值(Symmetrical LocalThreshold,简称SLT)算法,先是从拍摄得到的车道图像中确定出组成车道线的候选点(白色/黄色像素点),然后再基于这些车道线候选点确定出车道线候选线,进而基于这些车道线候选线确定出车道线候选区域,最后,再由车道线候选区域确定出车道线,但在这种识别方法中,在利用SLT算法来确定车道线候选点时,该算法中判断前后窗像素差值对应的阈值是固定的,当光照不均匀时,会使得某个时段拍摄的车道图像整体比较暗,而另一个时段拍摄的车道图像整体比较亮,从而会造成这两幅车道图像之间存在亮度的差异,导致无法准确识别出车道线候选点,进而无法准确识别出车道线,因此,现有技术中缺乏当光照不均匀时,对车道线进行准确识别的方式。
发明内容
本申请实施例的主要目的在于提供一种车道线识别方法及装置,能够提高车道线识别结果的准确性。
本申请实施例提供了一种车道线识别方法,包括:
获取待识别的目标图像,并将所述目标图像中的每一像素点作为待识别点,所述目标图像为包含目标车道线的车道图像;
将所述目标图像转换为灰度图像,得到所述目标图像中各个待识别点对应的灰度值;
获取第一均值和第二均值,所述第一均值为所述待识别点的左侧预设个数内的像素点对应的灰度值的均值,所述第二均值为所述待识别点的右侧预设个数内的像素点对应的灰度值的均值;
若判断出所述待识别点的灰度值与所述第一均值的比值大于预设阈值,且所述待识别点的灰度值与所述第二均值的比值大于所述预设阈值,则确定所述待识别点为车道线候选点;
根据所述车道线候选点,确定所述目标图像中的车道线。
可选的,所述预设个数的范围为8-15。
可选的,所述预设个数为10。
可选的,所述预设阈值的范围为1-1.3。
可选的,所述预设阈值为1.15。
本申请实施例还提供了一种车道线识别装置,包括:
图像获取单元,用于获取待识别的目标图像,并将所述目标图像中的每一像素点作为待识别点,所述目标图像为包含目标车道线的车道图像;
灰度值获得单元,用于将所述目标图像转换为灰度图像,得到所述目标图像中各个待识别点对应的灰度值;
均值获取单元,用于获取第一均值和第二均值,所述第一均值为所述待识别点的左侧预设个数内的像素点对应的灰度值的均值,所述第二均值为所述待识别点的右侧预设个数内的像素点对应的灰度值的均值;
候选点确定单元,用于若判断出所述待识别点的灰度值与所述第一均值的比值大于预设阈值,且所述待识别点的灰度值与所述第二均值的比值大于所述预设阈值,则确定所述待识别点为车道线候选点;
车道线确定单元,用于根据所述车道线候选点,确定所述目标图像中的车道线。
可选的,所述预设个数的范围为8-15。
可选的,所述预设个数为10。
可选的,所述预设阈值的范围为1-1.3。
可选的,所述预设阈值为1.15。
本申请实施例提供的一种车道线识别方法及装置,在获取到待识别的目标图像,并将其中的每一像素点作为待识别点后,可以将该目标图像转换为灰度图像,得到目标图像中各个待识别点对应的灰度值,其中,目标图像为包含目标车道线的车道图像,然后,获取待识别点的左侧预设个数内的像素点对应的灰度值的均值作为第一均值,并获取待识别点的右侧预设个数内的像素点对应的灰度值的均值作为第二均值,接着,若判断出待识别点的灰度值与第一均值的比值大于预设阈值,且待识别点的灰度值与第二均值的比值大于预设阈值,则确定该待识别点为车道线候选点,进而可以根据车道线候选点,确定出目标图像中的车道线。可见,本申请实施例是通过判断待识别点的灰度值与其两侧预设个数内的像素点对应的灰度值的均值之比是否均大于预设阈值,来确定车道线候选点,相比于现有的SLT算法,本申请采用的方式可以有效减小光照不均匀对于识别结果的影响,进而提高了车道线识别的准确性。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,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,下面描述中的附图是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的一种车道线识别方法的流程示意图;
图2为本申请实施例提供的待识别点及两侧像素点的示意图;
图3为本申请实施例提供的根据车道线候选点确定目标图像中的车道线的流程示意图;
图4为本申请实施例提供的一种车道线识别装置的组成示意图。
具体实施方式
在一些车道线识别方法中,通常是基于SLT算法,先是从拍摄得到的车道图像中确定出组成车道线的候选点(白色/黄色像素点),但是在利用SLT算法来确定车道线候选点的过程中,判断前后窗像素差值对应的阈值是固定的,当不同时间段光线强度不同时,这种通过判断前后窗像素差值是否满足固定阈值来确定车道线候选点的方式,识别结果的准确性会变差。因此,现有技术中缺乏当光照不均匀时,对车道线进行准确识别的方式。
为解决上述缺陷,本申请实施例提供了一种车道线识别方法,在获取到待识别的目标图像,并将其中的每一像素点作为待识别点后,可以将该目标图像转换为灰度图像,得到目标图像中各个待识别点对应的灰度值,然后,获取待识别点的左侧预设个数内的像素点对应的灰度值的均值作为第一均值,并获取待识别点的右侧预设个数内的像素点对应的灰度值的均值作为第二均值,接着,若判断出待识别点的灰度值与第一均值的比值大于预设阈值,且待识别点的灰度值与第二均值的比值大于预设阈值,则确定该待识别点为车道线候选点,进而可以根据车道线候选点,确定出目标图像中的车道线。可见,本申请实施例是通过判断待识别点的灰度值与其两侧预设个数内的像素点对应的灰度值的均值之比是否均大于预设阈值,来确定车道线候选点,相比于现有的SLT算法,本申请采用的方式可以有效减小光照不均匀对于识别结果的影响,进而提高了车道线识别的准确性。
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
第一实施例
参见图1,为本实施例提供的一种车道线识别方法的流程示意图,该方法包括以下步骤:
S101:获取待识别的目标图像,并将目标图像中的每一像素点作为待识别点。
在本实施例中,将采用本实施例实现车道线识别的任一包含车道线的车道图像定义为目标图像,并将该目标图像中的车道线定义为目标车道线,同时,将目标图像中的每一像素点作为待识别点。并且,需要说明的是,本实施例不限制目标图像的获取方式,比如,目标图像可以通过安装在车顶的相机拍摄得到、或通过坐在车中的人员利用其它拍照设备(比如智能手机)拍摄得到等。
需要说明的是,本实施例不限制目标图像的类型,比如,目标图像可以是由红(G)、绿(G)、蓝(B)三原色组成的彩色图像、或灰度图像等。
S102:将目标图像转换为灰度图像,得到目标图像中各个待识别点对应的灰度值。
在本实施例中,若通过步骤S101获取到待识别的目标图像本身就是灰度图像,进而可直接计算出目标图像中各个待识别点对应的灰度值,定义为PO,用以执行后续步骤,实现车道线识别。
若通过步骤S101获取到待识别的目标图像本身不是灰度图像,比如是由红、绿、蓝三原色组成的彩色图像,即,目标图像中的每个像素点的颜色均对应一个RGB(R,G,B)值,此时,可以将目标图像转换为灰度图像,以得到目标图像中各个待识别点对应的灰度值。
其中,当将彩色的目标图像转换为灰度图像时,可以利用浮点算法(如下公式(1))、整数方法(如下公式(2))、移位方法(如下公式(3))、平均值法(如下公式(4))、仅取绿色(如下公式(5))中的任意一种方法,对彩色的目标图像进行灰度转换,具体的转换方式可根据实际情况进行选择,本申请实施例对此不进行限制。
Gray=R*0.3+G*0.59+B*0.11 (1)
Gray=(R*30+G*59+B*11)/100 (2)
Gray=(R*76+G*151+B*28)>>8 (3)
Gray=(R+G+B)/3 (4)
Gray=G (5)
其中,Gray表示转换后的灰度图像中每一像素点对应的灰度值;R表示目标图像中的每一像素点对应的红色(red)值;G表示目标图像中的每一像素点对应的绿色(green)值;B表示目标图像中的每一像素点对应的蓝色(blue)值。
S103:获取第一均值和第二均值。
在本实施例中,通过步骤S101和S102获取到目标图像并将该目标图像中的每一像素点作为待识别点,并计算出目标图像中各个像素点对应的灰度值后,可以按照后续步骤S103-S104对每一像素点进行识别。需要说明的是,在后续内容中,本实施例将以目标图像中的某一个待识别点为准来介绍如何识别该待识别点是否为车道线候选点,而其它待识别点的识别方式与之类似,不再一一赘述。
在本步骤S102中,需要首先计算出待识别点左侧预设个数内的像素点对应的灰度值的均值,作为第一均值,定义为同理,还需要计算出待识别点右侧预设个数内的像素点对应的灰度值的均值,作为第二均值,定义为为了提高识别准确度,一种可选的实现方式是,可以将预设个数的取值范围取为8-15,进一步的,可以将预设个数取为10,如图2所示,图中黑色方框代表待识别点,在该待识别点左右两侧的白色方框各代表10个像素点。.
S104:若判断出待识别点的灰度值与第一均值的比值大于预设阈值,且待识别点的灰度值与第二均值的比值也大于预设阈值,则确定待识别点为车道线候选点。
在本实施例中,通过步骤S102计算出待识别点对应的灰度值PO,以及通过步骤S103获取到第一均值和第二均值后,可以判断出待识别点的灰度值与第一均值的比值是否大于预设阈值,同时,还可以判断出待识别点的灰度值与第二均值的比值是否大于预设阈值,若的值大于预设阈值且的值也大于预设阈值,则可以确定待识别点为车道线候选点,需要说明的是,为了提高识别准确度,一种可选的实现方式是,可以将预设阈值的范围取为1-1.3,进一步的,可以将预设范围取为1.15。
举例说明:如图2所示,假设计算出的待识别点的灰度值PO为11,第一均值为9,由于受到光照不均匀的影响,导致再一次计算出的待识别点的灰度值PO为111,第二均值为91,则利用本方法,可得均大于预设范围1.15,则表明该待识别点为车道线候选点,但若仍利用现有的SLT算法,可以计算出待识别点的灰度值PO与第一均值的差值为11-9=2,待识别点的灰度值PO与第二均值的差值为111-91=20,若以固定阈值(如5)来衡量这两个差值,则会将该待识别点确定出非车道线候选点,导致失败错误,所以,本实施例采取的方式能够在缺乏当光照不均匀时,准确识别出车道线候选点,进而能够实现对车道线进行准确识别。
S105:根据车道线候选点,确定目标图像中的车道线。
在本实施例中,通过步骤S104确定待识别点为车道线候选点后,进一步根据所有通过上述方式被确定车道线候选点,确定出目标图像中的车道线,参见图3,本步骤S105的具体实现过程可以包括下述步骤S1051-S1053:
S1051:若判断出车道线候选点的连续个数在预设连续个数范围内,则将这些连续个数的车道线候选点组成的线作为车道线候选线。
在本实现方式中,通过步骤S104确定待识别点为车道线候选点后,进一步可以判断出车道线候选点的连续个数是否在预设的连续个数的范围内,若是,则表明这些连续的车道线候选点可以构成一条车道线候选线,用以执行后续步骤S1052。
S1052:若判断出车道线候选线的连续条数超过预设连续条数,则将这些连续条数的车道线候选线组成的区域作为车道线候选区域。
在本实现方式中,通过步骤S1051确定出目标图像中的车道线候选线后,进一步可以判断出车道线候选线的连续条数超过预设连续条数,若是,则表明这些连续的车道线候选线可以构成一个候选区域,用以通过后续步骤S1053构成车道线。
S1053:根据车道线候选区域,确定目标图像中的车道线。
在本实现方式中,通过步骤S1052确定出目标图像中的所有车道线候选区域后,可以将这些后续区域通过聚类进一步构成车道线,进而可以确定出目标图像中包含的车道线。
综上,本实施例提供的一种车道线识别方法,在获取到待识别的目标图像,并将其中的每一像素点作为待识别点后,可以将该目标图像转换为灰度图像,得到目标图像中各个待识别点对应的灰度值,其中,目标图像指的是包含目标车道线的车道图像,然后,获取待识别点的左侧预设个数内的像素点对应的灰度值的均值作为第一均值,并获取待识别点的右侧预设个数内的像素点对应的灰度值的均值作为第二均值,接着,若判断出待识别点的灰度值与第一均值的比值大于预设阈值,且待识别点的灰度值与第二均值的比值大于预设阈值,则确定该待识别点为车道线候选点,进而可以根据车道线候选点,确定出目标图像中的车道线。可见,本申请实施例是通过判断待识别点的灰度值与其两侧预设个数内的像素点对应的灰度值的均值之比是否均大于预设阈值,来确定车道线候选点,相比于现有的SLT算法,本申请采用的方式可以有效减小光照不均匀对于识别结果的影响,进而提高了车道线识别的准确性。
第二实施例
本实施例将对一种车道线识别装置进行介绍,相关内容请参见上述方法实施例。
参见图4,为本实施例提供的一种车道线识别装置的组成示意图,该装置包括:
图像获取单元401,用于获取待识别的目标图像,并将所述目标图像中的每一像素点作为待识别点,所述目标图像为包含目标车道线的车道图像;
灰度值获得单元402,用于将所述目标图像转换为灰度图像,得到所述目标图像中各个待识别点对应的灰度值;
均值获取单元403,用于获取第一均值和第二均值,所述第一均值为所述待识别点的左侧预设个数内的像素点对应的灰度值的均值,所述第二均值为所述待识别点的右侧预设个数内的像素点对应的灰度值的均值;
候选点确定单元404,用于若判断出所述待识别点的灰度值与所述第一均值的比值大于预设阈值,且所述待识别点的灰度值与所述第二均值的比值大于所述预设阈值,则确定所述待识别点为车道线候选点;
车道线确定单元405,用于根据所述车道线候选点,确定所述目标图像中的车道线。
在本实施例的一种实现方式中,所述预设个数的范围为8-15。
在本实施例的一种实现方式中,所述预设个数为10。
在本实施例的一种实现方式中,所述预设阈值的范围为1-1.3。
在本实施例的一种实现方式中,所述预设阈值为1.15。
在本实施例的一种实现方式中,所述车道线确定单元405包括:
候选线确定子单元,用于若判断出所述车道线候选点的连续个数在预设连续个数范围内,则将所述连续个数的车道线候选点组成的线作为车道线候选线;
候选区域确定子单元,用于若判断出所述车道线候选线的连续条数超过预设连续条数,则将所述连续条数的车道线候选线组成的区域作为车道线候选区域;
车道线确定子单元,用于根据所述车道线候选区域,确定所述目标图像中的车道线。
综上,本实施例提供的一种车道线识别装置,在获取到待识别的目标图像,并将其中的每一像素点作为待识别点后,可以将该目标图像转换为灰度图像,得到目标图像中各个待识别点对应的灰度值,其中,目标图像指的是包含目标车道线的车道图像,然后,获取待识别点的左侧预设个数内的像素点对应的灰度值的均值作为第一均值,并获取待识别点的右侧预设个数内的像素点对应的灰度值的均值作为第二均值,接着,若判断出待识别点的灰度值与第一均值的比值大于预设阈值,且待识别点的灰度值与第二均值的比值大于预设阈值,则确定该待识别点为车道线候选点,进而可以根据车道线候选点,确定出目标图像中的车道线。可见,本申请实施例是通过判断待识别点的灰度值与其两侧预设个数内的像素点对应的灰度值的均值之比是否均大于预设阈值,来确定车道线候选点,相比于现有的SLT算法,本申请采用的方式可以有效减小光照不均匀对于识别结果的影响,进而提高了车道线识别的准确性。
通过以上的实施方式的描述可知,本领域的技术人员可以清楚地了解到上述实施例方法中的全部或部分步骤可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者诸如媒体网关等网络通信设备,等等)执行本申请各个实施例或者实施例的某些部分所述的方法。
需要说明的是,本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下,在其它实施例中实现。因此,本申请将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种车道线识别方法,其特征在于,包括:
获取待识别的目标图像,并将所述目标图像中的每一像素点作为待识别点,所述目标图像为包含目标车道线的车道图像;
将所述目标图像转换为灰度图像,得到所述目标图像中各个待识别点对应的灰度值;
获取第一均值和第二均值,所述第一均值为所述待识别点的左侧预设个数内的像素点对应的灰度值的均值,所述第二均值为所述待识别点的右侧预设个数内的像素点对应的灰度值的均值;
若判断出所述待识别点的灰度值与所述第一均值的比值大于预设阈值,且所述待识别点的灰度值与所述第二均值的比值大于所述预设阈值,则确定所述待识别点为车道线候选点;
根据所述车道线候选点,确定所述目标图像中的车道线。
2.根据权利要求1所述的车道线识别方法,其特征在于,所述预设个数的范围为8-15。
3.根据权利要求2所述的车道线识别方法,其特征在于,所述预设的个数为10。
4.根据权利要求1所述的车道线识别方法,其特征在于,所述预设阈值的范围为1-1.3。
5.根据权利要求4所述的车道线识别方法,其特征在于,所述预设阈值为1.15。
6.一种车道线识别装置,其特征在于,包括:
图像获取单元,用于获取待识别的目标图像,并将所述目标图像中的每一像素点作为待识别点,所述目标图像为包含目标车道线的车道图像;
灰度值获得单元,用于将所述目标图像转换为灰度图像,得到所述目标图像中各个待识别点对应的灰度值;
均值获取单元,用于获取第一均值和第二均值,所述第一均值为所述待识别点的左侧预设个数内的像素点对应的灰度值的均值,所述第二均值为所述待识别点的右侧预设个数内的像素点对应的灰度值的均值;
候选点确定单元,用于若判断出所述待识别点的灰度值与所述第一均值的比值大于预设阈值,且所述待识别点的灰度值与所述第二均值的比值大于所述预设阈值,则确定所述待识别点为车道线候选点;
车道线确定单元,用于根据所述车道线候选点,确定所述目标图像中的车道线。
7.根据权利要求6所述的车道线识别装置,其特征在于,所述预设个数的范围为8-15。
8.根据权利要求7所述的车道线识别装置,其特征在于,所述预设个数为10。
9.根据权利要求6所述的车道线识别装置,其特征在于,所述预设阈值的范围为1-1.3。
10.根据权利要求9所述的车道线识别装置,其特征在于,所述预设阈值为1.15。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910190231.6A CN109726708B (zh) | 2019-03-13 | 2019-03-13 | 一种车道线识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910190231.6A CN109726708B (zh) | 2019-03-13 | 2019-03-13 | 一种车道线识别方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109726708A true CN109726708A (zh) | 2019-05-07 |
CN109726708B CN109726708B (zh) | 2021-03-23 |
Family
ID=66302409
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910190231.6A Active CN109726708B (zh) | 2019-03-13 | 2019-03-13 | 一种车道线识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109726708B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110310239A (zh) * | 2019-06-20 | 2019-10-08 | 四川阿泰因机器人智能装备有限公司 | 一种基于特性值拟合消除光照影响的图像处理方法 |
CN112434593A (zh) * | 2020-11-19 | 2021-03-02 | 武汉中海庭数据技术有限公司 | 一种基于投影图提取道路外侧线的方法及系统 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010152900A (ja) * | 2010-01-18 | 2010-07-08 | Toshiba Corp | 画像処理装置及び画像処理プログラム |
CN102096921A (zh) * | 2011-01-10 | 2011-06-15 | 西安电子科技大学 | 基于邻域对数比值及各向异性扩散的sar图像变化检测方法 |
CN102592114A (zh) * | 2011-12-26 | 2012-07-18 | 河南工业大学 | 复杂路况的车道线特征提取、识别方法 |
US20170061220A1 (en) * | 2015-08-31 | 2017-03-02 | Intel Corporation | Road Marking Extraction from In-Vehicle Video |
CN107680246A (zh) * | 2017-10-24 | 2018-02-09 | 深圳怡化电脑股份有限公司 | 一种纸币图案中的曲线边界定位方法及设备 |
CN107895151A (zh) * | 2017-11-23 | 2018-04-10 | 长安大学 | 一种强光照条件下基于机器视觉的车道线检测方法 |
CN108600740A (zh) * | 2018-04-28 | 2018-09-28 | Oppo广东移动通信有限公司 | 光学元件检测方法、装置、电子设备和存储介质 |
CN108716982A (zh) * | 2018-04-28 | 2018-10-30 | Oppo广东移动通信有限公司 | 光学元件检测方法、装置、电子设备和存储介质 |
WO2019007508A1 (en) * | 2017-07-06 | 2019-01-10 | Huawei Technologies Co., Ltd. | ADVANCED DRIVING ASSISTANCE SYSTEM AND METHOD |
-
2019
- 2019-03-13 CN CN201910190231.6A patent/CN109726708B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010152900A (ja) * | 2010-01-18 | 2010-07-08 | Toshiba Corp | 画像処理装置及び画像処理プログラム |
CN102096921A (zh) * | 2011-01-10 | 2011-06-15 | 西安电子科技大学 | 基于邻域对数比值及各向异性扩散的sar图像变化检测方法 |
CN102592114A (zh) * | 2011-12-26 | 2012-07-18 | 河南工业大学 | 复杂路况的车道线特征提取、识别方法 |
US20170061220A1 (en) * | 2015-08-31 | 2017-03-02 | Intel Corporation | Road Marking Extraction from In-Vehicle Video |
WO2019007508A1 (en) * | 2017-07-06 | 2019-01-10 | Huawei Technologies Co., Ltd. | ADVANCED DRIVING ASSISTANCE SYSTEM AND METHOD |
CN107680246A (zh) * | 2017-10-24 | 2018-02-09 | 深圳怡化电脑股份有限公司 | 一种纸币图案中的曲线边界定位方法及设备 |
CN107895151A (zh) * | 2017-11-23 | 2018-04-10 | 长安大学 | 一种强光照条件下基于机器视觉的车道线检测方法 |
CN108600740A (zh) * | 2018-04-28 | 2018-09-28 | Oppo广东移动通信有限公司 | 光学元件检测方法、装置、电子设备和存储介质 |
CN108716982A (zh) * | 2018-04-28 | 2018-10-30 | Oppo广东移动通信有限公司 | 光学元件检测方法、装置、电子设备和存储介质 |
Non-Patent Citations (4)
Title |
---|
DAJUN DING 等: "An Adaptive Road ROI Determination Algorithm for Lane Detection", 《2013 IEEE INTERNATIONAL CONFERENCE OF IEEE REGION 10》 * |
RIDHA TOUZI 等: "A Statistical and Geometrical Edge Detector for SAR Images", 《IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING》 * |
YUE DONG 等: "Robust lane Detection and tracking for lane departure warning", 《2012 INTERNATIONAL CONFERENCE ON COMPUTATIONAL PROBLEM-SOLVING(ICCP)》 * |
杨益 等: "基于RGB空间的车道线检测与辨识方法", 《计算机与现代化》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110310239A (zh) * | 2019-06-20 | 2019-10-08 | 四川阿泰因机器人智能装备有限公司 | 一种基于特性值拟合消除光照影响的图像处理方法 |
CN110310239B (zh) * | 2019-06-20 | 2023-05-05 | 四川阿泰因机器人智能装备有限公司 | 一种基于特性值拟合消除光照影响的图像处理方法 |
CN112434593A (zh) * | 2020-11-19 | 2021-03-02 | 武汉中海庭数据技术有限公司 | 一种基于投影图提取道路外侧线的方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN109726708B (zh) | 2021-03-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109948504A (zh) | 一种车道线识别方法及装置 | |
O'Malley et al. | Rear-lamp vehicle detection and tracking in low-exposure color video for night conditions | |
US9883148B2 (en) | Color mask for an image sensor of a vehicle camera | |
US8644605B2 (en) | Mapping colors of an image | |
US8077199B2 (en) | Target position identifying apparatus | |
CN109408008B (zh) | 影像辨识系统及其信息显示方法 | |
CN101378514A (zh) | 增强rgbw图像信号的饱和度的系统和方法 | |
US11100342B2 (en) | Image processing device and image processing method | |
KR102459778B1 (ko) | 라이다 및 카메라를 이용한 변화 탐지 방법 및 이를 실행하기 위하여 기록매체에 기록된 컴퓨터 프로그램 | |
CN114143940B (zh) | 隧道照明控制方法、装置、设备及存储介质 | |
US7065245B2 (en) | Image processing apparatus and the method thereof | |
CN109726708A (zh) | 一种车道线识别方法及装置 | |
US8482630B2 (en) | Apparatus and method for adjusting automatic white balance by detecting effective area | |
JP2011254311A (ja) | 車両周辺画像処理装置 | |
CN112312001B (zh) | 一种图像检测的方法、装置、设备和计算机存储介质 | |
US11170235B2 (en) | Image processing device and image processing method | |
US20200311961A1 (en) | Image processing device and image processing method | |
CN112966782B (zh) | 一种多视角特征融合的路面积水检测识别方法 | |
WO2009026966A1 (en) | Method of estimating illumination change of images for object detection | |
JP5252247B2 (ja) | ターゲット位置決定装置 | |
JP5590387B2 (ja) | カラーターゲット位置決定装置 | |
JP2013149040A (ja) | ナンバープレート色判定装置、コンピュータプログラム及びナンバープレート色判定方法 | |
JP4053280B2 (ja) | 画像処理装置および画像処理方法 | |
CN116129415A (zh) | 夜间车牌检测方法、系统及存储介质 | |
KR20150044138A (ko) | 교통표지판 인식장치 및 방법 |
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 |