CN109800641A - 基于阈值自适应二值化和连通域分析的车道线检测方法 - Google Patents
基于阈值自适应二值化和连通域分析的车道线检测方法 Download PDFInfo
- Publication number
- CN109800641A CN109800641A CN201811535720.2A CN201811535720A CN109800641A CN 109800641 A CN109800641 A CN 109800641A CN 201811535720 A CN201811535720 A CN 201811535720A CN 109800641 A CN109800641 A CN 109800641A
- Authority
- CN
- China
- Prior art keywords
- connected domain
- image
- threshold
- lane
- 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
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种基于阈值自适应二值化和连通域分析的车道线检测方法,所述方法包括:利用摄像机的几何信息,将采集到的图像分为道路部分和非道路部分;将彩色的道路图像通过自适应的二值化阈值转化成二值图像;对二值图像进行连通域分析,排除其他因素的干扰,检测出正确的车道线;利用连通域的几何矩拟合出直线用来表示车道线。本发明利用车道线像素在灰度图像中占有固定比例的特征实现了阈值自适应二值化,并根据车道线部分的连通域所具有的特征设计了一种连通域的筛选方法,在保证速度的前提下很大地提高了车道线检测的准确率。
Description
技术领域
本发明涉及车道线检测领域,尤其涉及一种基于阈值自适应二值化和连通域分析的车道线检测方法。
背景技术
车道线检测是一种为了实现车辆辅助驾驶算法而对车道线进行定位的基本任务。车道线检测大致可以分成特征检测和特征细化两个部分。边缘是在车道表示和检测中应用最广泛的特征之一,现有的开源算法中较为常用的有通过检测具有强梯度幅值的像素来实现的Canny算法,还有利用梯度方向信息提取边缘特征的可引导高斯滤波器。然而这些方法中用于确定边缘的阈值是需要经过手动设置的常数,这使得这些算法并不完全适用于动态变化的交通场景。
而对于边缘特征的细化,过去较为常用的算法有阈值分割和高斯滤波器等经典的图像处理算法,这些方法需要手动设置阈值,并没有充分利用车道线的空间特征,而且并不能有效地去除路面的阴影、标识等噪声的影响。
后来有人提出了利用车道线是平行的这一空间特征,将道路图像转换为鸟瞰视角再进行筛选来消除噪声。但这一方法需要建立在道路是完全平坦的情况下,否则车道边界有可能被映射为非平行线。
发明内容
本发明提供了一种基于阈值自适应二值化和连通域分析的车道线检测方法,本发明利用车道线像素在灰度图像中占有固定比例的特征实现了阈值自适应二值化,并根据车道线部分的连通域所具有的特征设计了一种连通域的筛选方法,在保证速度的前提下很大地提高了车道线检测的准确率,详见下文描述:
一种基于阈值自适应二值化和连通域分析的车道线检测方法,所述方法包括:
利用摄像机的几何信息,将采集到的图像分为道路部分和非道路部分;将彩色的道路图像通过自适应的二值化阈值转化成二值图像;
对二值图像进行连通域分析,排除其他因素的干扰,检测出正确的车道线;利用连通域的几何矩拟合出直线用来表示车道线。
进一步地,所述将彩色的道路图像通过自适应的二值化阈值转化成二值图像具体为:
使用一个循环结构,令灰度级从255向0开始递减,依次累加各灰度级在灰度直方图中所占的比例,当总比例超过预设值时停止循环,此时的灰度值就是对当前图像进行二值化的最佳阈值;
用计算出的最佳二值化阈值对ROI区域进行二值化。
其中,所述对二值图像进行连通域分析具体为:根据连通域的属性对连通域进行筛选。
进一步,所述根据连通域的属性对连通域进行筛选具体为:
1)根据每个连通域所包含的像素个数area,筛选掉像素个数过少的连通域;
2)计算边框的高度和宽度的比值h/w、以及连通域的像素个数占边框所包含的总像素个数的比值;
3)根据连通域横坐标中点来区分连通域是否出现在图像的中部区域;
4)如果连通域出现在图像的中部区域,判断边框的宽度w是否小于阈值以及高度与宽度的比值h/w是否大于阈值;
5)如果连通域出现在图像的两旁,判断area/(h*w)的比值是否小于阈值;
6)将图像中的每一个连通域都按照上述步骤2)至5)的顺序进行处理,完成后保留下的连通域就是车道线部分。
其中,所述判断边框的宽度w是否小于阈值以及高度与宽度的比值h/w是否大于阈值具体为:
两个条件如果都满足则判断为车道线,否则删去连通域。
进一步地,所述如果连通域出现在图像的两旁,判断area/(h*w)的比值是否小于阈值具体为:
如满足条件则判断为车道线,否则删去连通域。
其中,所述方法还包括:计算连通域的主轴偏向角的的二倍角的正切值,计算方法如下:
其中,u1,1(Si)为高度h和宽度w关于连通域质心的1+1阶混合中心距;u2,0(Si)为高度h和宽度w关于连通域质心的2+0阶混合中心距;u0,2(Si)为高度h和宽度w关于连通域质心的0+2阶混合中心距;θ为连通域的主轴偏向角;Si为第i个连通域。
其中,所述方法还包括:计算出用来表示车道线的直线,计算方法如下:
其中,x为车道线直线方程的横坐标;为连通域质心的横坐标;为连通域质心的纵坐标。
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,激光检测,使用摄像头大大减小了产品成本,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,使处理区域大大减小,既减小了干扰,又提高了处理速度;
3、本发明自适应地计算二值化的阈值,可以适用于不同环境状况的路面;很好地减少了因为路面阴影、道路上车辆和地面路标等的影响,结果稳定准确;
4、本发明的算法简单,算法简单,大大提高了系统的实时性;
5、本方法可用于车载辅助驾驶系统,使用车载摄像头获得车辆前方路况信息,帮助驾驶人获取前方车道信息,达到预警效果。
附图说明
图1为一种基于阈值自适应二值化和连通域分析的车道线检测方法的流程图;
图2为捕捉到的路面图像的示意图;
其中,(a)为摄像头安装角度过小的情况,拍摄图像中只有路面近景部分。(b)为摄像头安装角度正常的情况,拍摄图像中路面和天空部分都包含在内。
图3为待处理的原图像以及经过ROI限定的灰度图像;
其中,(a)为待处理的原图像;(b)为经过ROI限定的灰度图像。
图4为连通域分析部分的流程图;
图5为利用自适应阈值处理后的二值化图像;
图6为通过连通域的最大行值,最小行值,最大列值和最小列值计算连通域的高度,宽度和图片中心点的列值;
图7为车道线的连通域的示意图;
其中,(a)为位于图像中部的车道线的连通域,连通域部分几乎占据了整个边框;(b)为位于图像两侧的车道线的连通域,连通域仅占据了边框的一小部分。
图8为噪声区域的连通域的示意图;
图9为连通域分析得到的二值图像;
图10为经过直线拟合处理并将直线在原始图像上显示出来后的最终图像。
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
本发明实施例提供了一种基于阈值自适应二值化和连通域分析的车道线检测方法,参见图1,该方法包括以下步骤:
101:利用摄像机的几何信息,将采集到的图像分为道路部分和非道路部分;
102:将彩色的道路图像通过自适应的二值化阈值转化成二值图像;
103:对二值图像进行连通域分析,排除其他因素的干扰,检测出正确的车道线;
104:利用连通域的几何矩拟合出直线用来表示车道线。
综上所述,本发明实施例通过上述步骤101-步骤104,利用车道线像素在灰度图像中占有固定比例的特征实现了阈值自适应二值化,并根据车道线部分的连通域所具有的特征设计了一种连通域的筛选方法,在保证速度的前提下很大地提高了车道线检测的准确率。
实施例2
下面结合具体的计算公式、实例对实施例1中的方案进行进一步地介绍,详见下文描述:
一、车道图像提取
1、捕捉图像
为了实现辅助驾驶的功能,应该将摄像机安装在车辆上用来捕捉路面图像,通过测量车道边界来确保车辆行驶在正确的车道上。摄像机的安装涉及了三个参数:摄像机的安装位置,摄像机安装的高度以及摄像机镜头倾斜的角度。
为了使需要检测的车道大致出现在待检测图像的中央部分,应该使摄像机和车辆的中轴线处于同一个平面。而安装高度和镜头角度可以根据车辆的实际高度和摄像机的分辨率进行调整,只要拍摄的图像中的路面部分清晰且完整即可。
参见图2,(a)中的摄像头安装角度过小,拍摄图像仅能拍摄到路面的近景部分;(b)为摄像头安装角度正常的情况,图像中包含完整的道路部分和部分天空。
2、图像灰度化
对于一幅采用RGB三个通道的彩色图像进行灰度化时,最适宜人眼接受的像素的计算方法是P=0.3*R+0.59*G+0.11*B,其中R、G、B分别为红色、绿色和蓝色三个通道的像素值,P为灰度图像的像素值。像素值在0到255之间。
具体的方法是选用OpenCV中提供的cv2.cvtColor()函数,从而将彩色图像转化为单通道的灰度图像,本发明实施例对此不做限制。
3、感兴趣区域(ROI)的设定
考虑到在实际拍摄的道路图像中,车道区域大致呈现梯形分布,因此本算法在获取的道路图像中选取梯形的感兴趣区域,目的是为了初步排除道路周边的建筑物和相邻车道上行驶的车辆的干扰,仅仅提取出本车道上的路面信息。
上述操作应用了OpenCV提供的cv2.fillPoly()函数,本发明实施例对此不做赘述。
4、处理结果
参见图3,图像(a)为待处理的原图像,通过上述三步的处理,可以得到图像(b)的经过ROI限定的灰度图像。
二、图像二值化
在实际的道路图像中,路面区域大多为黑色或者灰色等亮度较暗的颜色,而车道线部分多为白色等亮度较高的颜色,因此对路面图像进行二值化操作可以将车道线部分的像素设为255,将路面区域的像素设置为0,这样就可以从路面区域提取出车道线部分,但是由于使用年限的不同,不同的道路的路面和车道线的磨损情况都有所不同,所以导致各部分的灰度值也是不确定的。其次,天气状况也会对二值化的过程产生影响,在不同的光照条件下,路面的灰度图像中各部分的灰度也会由较大差别。这些不确定因素导致使用一个确定的阈值来对图像进行二值化是不可行的。
在理想的二值化过程中,车道线的灰度值会标记为255,而其他的路面区域会标记为0,并且灰度值为0的路面部分像素个数占ROI区域总像素个数的百分比远大于车道线的百分比。根据经验可以得知,车道线部分的像素所占比值大概为10%。因此本方法提出了基于以上信息针对每一幅图像动态地计算二值化阈值的方法。参见图4,具体步骤如下:
1、计算ROI区域的灰度直方图
目的是得出在当前路面状况和光照条件下,ROI区域的各灰度级的分布情况。假设ROI区域的像素总数量为S,灰度级为P(P可为0至255之间的任意值)的像素个数为N(P),则灰度直方图D(P)=N(P)/S,P=0,1,2…,255。
2、使用一个循环结构,令灰度级从255向0开始递减,依次累加各灰度级在灰度直方图中所占的比例,当总比例超过10%时停止循环,此时的灰度值当前图像进行二值化的最佳二值化阈值。
3、用计算出的最佳二值化阈值对ROI区域进行二值化。
4、处理结果
参见图5,通过上述三步的处理,可以得到利用自适应阈值处理后的二值化图像。
三、连通域分析
在实际的路面中,路面上的标识、车道前方的行驶车辆和路面的裂痕等与车道线的颜色相近,在图像二值化过程可能无法将这些影响因素完全剔除,于是就形成了噪声。但是这些噪声又和车道线一样都是按块分布的,形成了大小形状不同的连通域。本方法根据连通域的不同特征进行筛选,剔除噪声部分,保留车道线部分。具体的筛选步骤如下:
1、形态学滤波
对二值图像进行腐蚀和膨胀处理,目的是去除一些细微的噪声,将不同的连通域之间更好地区分出来。
2、计算图像的连通域
在二值图像中只存在两种像素值,0或者255。因此划分图像的连通域时,可以以某一个未划分连通域的像素为起点,将与之相邻且像素相同的像素点都归为同一个连通域,直到图像中所有的像素点都属于某个连通域后结束。
本方法采用了skimage提供的label()函数[1]来获取连通域图像,并对每一个连通域进行标号,然后根据连通域的属性对连通域进行筛选。
具体实现时,还可以选择其他的算法函数等,本发明实施例对此不做限制。
其中,根据连通域的属性对连通域进行筛选具体包括以下步骤:
1)根据每个连通域所包含的像素个数area,筛选掉像素个数过少的连通域;
因为过小的连通域一般是路面裂痕等形成的,而用于判断的阈值大小和整幅图像的大小成正比。例如:对于一幅1920x1080的道路图像,车道线连通域包含的像素个数不低于780,因此阈值选取为780,阈值占总像素个数的780/(1920x1080)=0.00038。
2)计算边框的高度和宽度的比值h/w以及连通域的像素个数占边框所包含的总像素个数的比值;
其中,每一个连通域四周都可以生成一个包围着这个连通域的边框(Boundingbox)。先利用measure.regionprops()函数计算连通域相对于整幅图像的最大行值max_row,最小行值min_row,最大列值max_col和最小列值min_col;参见图6,再根据这些坐标得出围绕连通域的边框的高度h和宽度w以及横坐标的中心点m,并计算边框的高度和宽度的比值h/w以及连通域的像素个数占边框所包含的总像素个数的比值area/(h*w)。
3)根据连通域横坐标中点来区分连通域是否出现在图像的中部区域;
因为此时检测到的有可能是变换车道时检测到的车道线。而位于中部的车道线和位于车辆两侧的正常车道线的连通域特征有很大区别,应分别进行处理。参见图7,图(a)中部的车道线的倾斜角度很小,接近于竖直,连通域与边框的重合程度很高,因此area/(h*w)的比值很大,但边框的宽度w和车道线的宽度相似,比较小。参见图(b)两侧的车道线是倾斜的,而且在图像中的长度较长,因此边框的高度和宽度比较大,而area/(h*w)的比值却很小。
4)如果连通域出现在图像的中部区域,判断边框的宽度w是否小于阈值以及高度与宽度的比值h/w是否大于阈值;
两个条件如果都可以满足则判断为车道线,否则删去连通域。高度与宽度的比值阈值设置为80%。宽度的阈值和整幅图像的宽度成正比,在宽度为1920的图像中,阈值为宽度的0.02倍,即50。
5)如果连通域出现在图像的两旁,判断area/(h*w)的比值是否小于阈值;
如满足条件则判断为车道线,否则删去连通域。这是因为两侧的车道线往往只占据了边框内对角线的区域,其他部分的像素值为0,所占比值小于设定的阈值。而由车辆或者路旁景物的阴影造成的噪声多为密度较高的块状区域,因此比值大于设定的阈值。
本发明实施例中的阈值设定为20%,具体实现时,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。参见图8为噪声区域的连通域。
6)将图像中的每一个连通域都按照上述步骤2)至5)的顺序进行处理,完成后保留下的连通域就是车道线部分。将剩余连通域的像素值都设置为255,至此车道线连通域检测部分就完成了。
3、处理结果
参见图9为经过连通域分析的仅包含车道线部分连通域的二值图像。
四、直线拟合
经过第三部分的连通域分析阶段后,本方法筛选得到了仅包含车道线部分连通域的二值图像。虽然至此本方法已经完成了对道路图像中车道线部分的提取,但是提取出来的是一个区域,此时使用车道线连通域的二值图像不能定量地计算车道线的位置和车道线相对于水平线的偏移角度。
因此本方法加入了直线拟合部分,目的是将车道线连通域拟合成端点和斜率都可以确定的直线;同时本方法将拟合出的直线展示在原始图像上生成了最终结果图像,从结果图像上可以清楚地看到算法的准确性。直线拟合部分主要包含:计算连通域的质心和计算连通域的主轴偏向角两个部分,具体的实现步骤如下:
1、计算连通域的质心
图像中第i个连通域的几何矩计算方法如下:
其中,a和b均为非负数,a与b之和表示了几何矩的阶数,x和y分别对应了连通域中某点的横纵坐标值,I为坐标(x,y)处像素点的像素值。
当a+b=0且I=0时,上式表示的是连通域的零阶矩,也就是连通域的面积。同理连通域的一阶矩如下:
一阶矩与连通域面积的比值就是连通域质心的横纵坐标,其中area表示连通域的面积,每个连通域的area在第三部分中已经计算了,直接使用即可。具体质心坐标如下:
2、计算连通域的主轴偏向角
得到质心坐标后就可以继续计算直线的第二个参数偏向角。首先计算连通域的中心距u,计算方法如下:
其中,a和b均为非负数,a和b之和表示了中心矩的阶数。那么连通域的主轴偏向角的的二倍角的正切值就可以计算出来。计算方法如下:
3、计算用来表示车道线的直线
其中,有了连通域的质心和偏向角,就可以计算出用来表示车道线的直线,计算方法如下:
4、将计算出的直线显示在原始图像上即可。
参见图10,是经过直线拟合处理并将直线在原始图像上显示出来后的最终图像。
参考文献
[1]Label image regions[J].
http://scikit-image.org/docs/0.12.x/auto_examples/segmentation/plot_label.html
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 (8)
1.一种基于阈值自适应二值化和连通域分析的车道线检测方法,其特征在于,所述方法包括:
利用摄像机的几何信息,将采集到的图像分为道路部分和非道路部分;将彩色的道路图像通过自适应的二值化阈值转化成二值图像;
对二值图像进行连通域分析,排除其他因素的干扰,检测出正确的车道线;利用连通域的几何矩拟合出直线用来表示车道线。
2.根据权利要求1所述的一种基于阈值自适应二值化和连通域分析的车道线检测方法,其特征在于,所述将彩色的道路图像通过自适应的二值化阈值转化成二值图像具体为:
使用一个循环结构,令灰度级从255向0开始递减,依次累加各灰度级在灰度直方图中所占的比例,当总比例超过预设值时停止循环,此时的灰度值就是对当前图像进行二值化的最佳阈值;
用计算出的最佳二值化阈值对ROI区域进行二值化。
3.根据权利要求1所述的一种基于阈值自适应二值化和连通域分析的车道线检测方法,其特征在于,所述对二值图像进行连通域分析具体为:根据连通域的属性对连通域进行筛选。
4.根据权利要求3所述的一种基于阈值自适应二值化和连通域分析的车道线检测方法,其特征在于,所述根据连通域的属性对连通域进行筛选具体为:
1)根据每个连通域所包含的像素个数area,筛选掉像素个数过少的连通域;
2)计算边框的高度和宽度的比值h/w、以及连通域的像素个数占边框所包含的总像素个数的比值;
3)根据连通域横坐标中点来区分连通域是否出现在图像的中部区域;
4)如果连通域出现在图像的中部区域,判断边框的宽度w是否小于阈值以及高度与宽度的比值h/w是否大于阈值;
5)如果连通域出现在图像的两旁,判断area/(h*w)的比值是否小于阈值;
6)将图像中的每一个连通域都按照上述步骤2)至5)的顺序进行处理,完成后保留下的连通域就是车道线部分。
5.根据权利要求4所述的一种基于阈值自适应二值化和连通域分析的车道线检测方法,其特征在于,所述判断边框的宽度w是否小于阈值以及高度与宽度的比值h/w是否大于阈值具体为:
两个条件如果都满足则判断为车道线,否则删去连通域。
6.根据权利要求4所述的一种基于阈值自适应二值化和连通域分析的车道线检测方法,其特征在于,所述如果连通域出现在图像的两旁,判断area/(h*w)的比值是否小于阈值具体为:
如满足条件则判断为车道线,否则删去连通域。
7.根据权利要求1所述的一种基于阈值自适应二值化和连通域分析的车道线检测方法,其特征在于,所述方法还包括:计算出连通域的主轴偏向角的的二倍角的正切值,计算方法如下:
其中,u1,1(Si)为高度h和宽度w关于连通域质心的1+1阶混合中心距;u2,0(Si)为高度h和宽度w关于连通域质心的2+0阶混合中心距;u0,2(Si)为高度h和宽度w关于连通域质心的0+2阶混合中心距;θ为连通域的主轴偏向角;Si为第i个连通域。
8.根据权利要求7所述的一种基于阈值自适应二值化和连通域分析的车道线检测方法,其特征在于,所述方法还包括:计算出用来表示车道线的直线,计算方法如下:
其中,x为车道线直线方程的横坐标;为连通域质心的横坐标;为连通域质心的纵坐标。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811535720.2A CN109800641B (zh) | 2018-12-14 | 2018-12-14 | 基于阈值自适应二值化和连通域分析的车道线检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811535720.2A CN109800641B (zh) | 2018-12-14 | 2018-12-14 | 基于阈值自适应二值化和连通域分析的车道线检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109800641A true CN109800641A (zh) | 2019-05-24 |
CN109800641B CN109800641B (zh) | 2023-04-18 |
Family
ID=66556787
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811535720.2A Active CN109800641B (zh) | 2018-12-14 | 2018-12-14 | 基于阈值自适应二值化和连通域分析的车道线检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109800641B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112734916A (zh) * | 2021-01-25 | 2021-04-30 | 华侨大学 | 基于图像处理的彩色共聚焦并行测量三维形貌还原算法 |
CN112926354A (zh) * | 2019-12-05 | 2021-06-08 | 北京超星未来科技有限公司 | 一种基于深度学习的车道线检测方法及装置 |
CN113284160A (zh) * | 2021-04-23 | 2021-08-20 | 北京天智航医疗科技股份有限公司 | 一种手术导航标记珠体识别的方法、装置和设备 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6410239B1 (en) * | 1996-06-14 | 2002-06-25 | Curagen Corporation | Identification and comparison of protein—protein interactions that occur in populations and identification of inhibitors of these interactors |
CN101911122A (zh) * | 2008-01-11 | 2010-12-08 | 日本电气株式会社 | 车道识别系统、车道识别方法和车道识别程序 |
CN103903254A (zh) * | 2012-12-31 | 2014-07-02 | 中国科学院深圳先进技术研究院 | 一种x光图像处理方法、系统及x光图像处理设备 |
CN104573627A (zh) * | 2014-11-19 | 2015-04-29 | 湖南大学 | 基于二值图像的车道线保留与检测算法 |
CN104792792A (zh) * | 2015-04-27 | 2015-07-22 | 武汉武大卓越科技有限责任公司 | 一种逐步求精的路面裂缝检测方法 |
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 |
CN105740809A (zh) * | 2016-01-28 | 2016-07-06 | 东南大学 | 一种基于机载摄像机的高速公路车道线检测方法 |
CN106204617A (zh) * | 2016-07-21 | 2016-12-07 | 大连海事大学 | 基于残差图像直方图循环移位的自适应图像二值化方法 |
CN106372619A (zh) * | 2016-09-20 | 2017-02-01 | 北京工业大学 | 一种车辆鲁棒检测及分车道到达累计曲线估计方法 |
CN106407893A (zh) * | 2016-08-29 | 2017-02-15 | 东软集团股份有限公司 | 一种检测车道线的方法、装置和设备 |
CN106650635A (zh) * | 2016-11-30 | 2017-05-10 | 厦门理工学院 | 一种驾驶员后视镜查看行为检测方法及系统 |
US20180181817A1 (en) * | 2015-09-10 | 2018-06-28 | Baidu Online Network Technology (Beijing) Co., Ltd. | Vehicular lane line data processing method, apparatus, storage medium, and device |
-
2018
- 2018-12-14 CN CN201811535720.2A patent/CN109800641B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6410239B1 (en) * | 1996-06-14 | 2002-06-25 | Curagen Corporation | Identification and comparison of protein—protein interactions that occur in populations and identification of inhibitors of these interactors |
CN101911122A (zh) * | 2008-01-11 | 2010-12-08 | 日本电气株式会社 | 车道识别系统、车道识别方法和车道识别程序 |
CN103903254A (zh) * | 2012-12-31 | 2014-07-02 | 中国科学院深圳先进技术研究院 | 一种x光图像处理方法、系统及x光图像处理设备 |
CN104573627A (zh) * | 2014-11-19 | 2015-04-29 | 湖南大学 | 基于二值图像的车道线保留与检测算法 |
CN104792792A (zh) * | 2015-04-27 | 2015-07-22 | 武汉武大卓越科技有限责任公司 | 一种逐步求精的路面裂缝检测方法 |
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 |
US20180181817A1 (en) * | 2015-09-10 | 2018-06-28 | Baidu Online Network Technology (Beijing) Co., Ltd. | Vehicular lane line data processing method, apparatus, storage medium, and device |
CN105740809A (zh) * | 2016-01-28 | 2016-07-06 | 东南大学 | 一种基于机载摄像机的高速公路车道线检测方法 |
CN106204617A (zh) * | 2016-07-21 | 2016-12-07 | 大连海事大学 | 基于残差图像直方图循环移位的自适应图像二值化方法 |
CN106407893A (zh) * | 2016-08-29 | 2017-02-15 | 东软集团股份有限公司 | 一种检测车道线的方法、装置和设备 |
CN106372619A (zh) * | 2016-09-20 | 2017-02-01 | 北京工业大学 | 一种车辆鲁棒检测及分车道到达累计曲线估计方法 |
CN106650635A (zh) * | 2016-11-30 | 2017-05-10 | 厦门理工学院 | 一种驾驶员后视镜查看行为检测方法及系统 |
Non-Patent Citations (4)
Title |
---|
孙宇飞: ""高级辅助驾驶中的车道线检测研究"", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
宋锐 等: ""基于几何矩采样的车道检测算法"", 《中国科学:信息科学》 * |
王宝峰: ""基于机器学习与传感器融合的车辆与车道线识别研究"", 《中国博士学位论文全文数据库信息科技辑》 * |
王立春: ""基于单目视觉的车道线检测和车辆检测方法研究"", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112926354A (zh) * | 2019-12-05 | 2021-06-08 | 北京超星未来科技有限公司 | 一种基于深度学习的车道线检测方法及装置 |
CN112734916A (zh) * | 2021-01-25 | 2021-04-30 | 华侨大学 | 基于图像处理的彩色共聚焦并行测量三维形貌还原算法 |
CN112734916B (zh) * | 2021-01-25 | 2022-08-05 | 华侨大学 | 基于图像处理的彩色共聚焦并行测量三维形貌还原方法 |
CN113284160A (zh) * | 2021-04-23 | 2021-08-20 | 北京天智航医疗科技股份有限公司 | 一种手术导航标记珠体识别的方法、装置和设备 |
CN113284160B (zh) * | 2021-04-23 | 2024-03-12 | 北京天智航医疗科技股份有限公司 | 一种手术导航标记珠体识别的方法、装置和设备 |
Also Published As
Publication number | Publication date |
---|---|
CN109800641B (zh) | 2023-04-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106651872B (zh) | 基于Prewitt算子的路面裂缝识别方法及系统 | |
CN109800641A (zh) | 基于阈值自适应二值化和连通域分析的车道线检测方法 | |
CN105005778B (zh) | 一种基于视觉背景提取的高速公路车辆检测方法 | |
CN104899554A (zh) | 一种基于单目视觉的车辆测距方法 | |
US7970178B2 (en) | Visibility range estimation method and system | |
JP2007234019A (ja) | 車両画像領域特定装置およびその方法 | |
CN110414355A (zh) | 基于视觉的右方位空停车位与泊车过程中车位线检测方法 | |
Qingbo | Pavement crack detection algorithm based on image processing analysis | |
CN107220976B (zh) | 一种航拍公路图像的公路定位方法 | |
TW201716266A (zh) | 影像修補系統及其方法 | |
CN106778534B (zh) | 一种车辆行驶中周围环境灯光识别方法 | |
CN102314599A (zh) | 一种车道识别偏离检测方法 | |
CN107895151A (zh) | 一种强光照条件下基于机器视觉的车道线检测方法 | |
CN114004834B (zh) | 一种图像处理中的雾天情况分析方法、设备及装置 | |
CN116542969B (zh) | 一种基于视觉技术的道路沥青粘连检测方法 | |
CN113239733B (zh) | 一种多车道车道线检测方法 | |
CN117094914B (zh) | 基于计算机视觉的智慧城市道路监控系统 | |
Choi et al. | Fog detection for de-fogging of road driving images | |
CN110807406B (zh) | 一种雾天检测方法及装置 | |
Avery et al. | Investigation into shadow removal from traffic images | |
CN104156727B (zh) | 一种基于单目视觉的灯光倒影检测的方法 | |
CN109766846B (zh) | 一种基于视频的自适应多车道车流检测方法及系统 | |
CN112863194B (zh) | 一种图像处理方法、装置、终端及介质 | |
Hautiere et al. | Meteorological conditions processing for vision-based traffic monitoring | |
JP7092616B2 (ja) | 物体検出装置、物体検出方法、及び物体検出プログラム |
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 |