CN109815836A - 一种城市道路路面导向箭头检测识别方法 - Google Patents
一种城市道路路面导向箭头检测识别方法 Download PDFInfo
- Publication number
- CN109815836A CN109815836A CN201811633955.5A CN201811633955A CN109815836A CN 109815836 A CN109815836 A CN 109815836A CN 201811633955 A CN201811633955 A CN 201811633955A CN 109815836 A CN109815836 A CN 109815836A
- Authority
- CN
- China
- Prior art keywords
- template
- image
- arrow
- urban road
- recognition 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
Links
Abstract
本发明公开了一种城市道路路面导向箭头检测识别方法,属于无人驾驶识别技术领域,通过采用在无人车上固定采用动态光圈高清的摄像机及改进的模板匹配的方式进行检测识别城市道路的指示箭头。本发明可有效的提高识别城市道路箭头的准确性和鲁棒性,降低了光照、几何形变、旋转等因素的影响,具有较高的抗干扰能力,使得智能无人车能够按照道路箭头的含义进行安全的前进和转向。
Description
技术领域
本发明涉及一种导向箭头检测识别方法,特别是涉及一种城市道路路面导向箭头检测识别方法,属于无人驾驶识别技术领域。
背景技术
道路标志是重要的交通安全设施,可以向驾驶员、行人等传递准确的信息,指引车辆在规定区域内行驶。然而,随着科技技术的不断发展,无人驾驶作为前沿科技,已经被人们所熟知,无人驾驶的感知系统相当于人类的眼睛,无人驾驶就是利用车载传感器来感知车辆周围的环境信息,并根据感知所获得的道路、车辆位置和障碍物理信息来控制车辆的转向和速度,从而使车辆能够安全、可靠的在道路上行驶。其中,如何能够准确的识别道路路面箭头标志,并控制车辆按照道路路面标志的方向行驶,已经无人驾驶控制的重要研究课题。
发明内容
本发明的主要目的是解决现有技术中识别道路路面箭头标志不够精确,从而不能很好地控制车辆按照道路路面标志的方向行驶的问题,而提供一种城市道路路面导向箭头检测识别方法。
本发明的目的可以通过采用如下技术方案达到:
一种城市道路路面导向箭头检测识别方法,包括无人车及设置在无人车上的动态光圈摄像头,包括如下步骤:
步骤1:预处理阶段
固定摄像头,设定模板,设定阀值,获取ROI;
步骤2:检测识别阶段
匹配模块,差值识别。
步骤1中,固定摄像头包括如下步骤:将摄像头设置在车顶中央处,调制视场能覆盖大面积车道的位置处固定,固定的摄像头保证采集到的图片分辨率一致,便于后期的模板匹配和差值识别。
步骤1中,设定模板包括城市道路上导向箭头,导向箭头包括行导、左转、右转头、直行加左转导、直行加右转及掉转,依此作为检测和识别的模板类别,各类别对应多个模板数。
步骤1中,设定阀值是通过安置好的摄像头采集600副道路图片,每个类别箭头各100副图片,通过图像灰度化、图像压缩、二值化处理图像,设定匹配像素点个数阀值范围为[a,b]。
步骤1中,获取ROI是通过车辆上固定的摄像头,以30帧/秒的帧率实时获取智能车辆前方道路的图像信息,对获取的原始图像进行剪切,通过实际路测实验,发现地面部分占据整体图像的下部1/3之处,其余2/3为非地面图像,对采集的图片,截取的部分从图像的左侧到右侧,图像左侧宽度为0,图像右侧宽度为1,从宽度0.2部分开始裁剪,到宽度0.8截止,得到感兴趣区域ROI。
步骤2中,匹配模块中,模板图像的二值图像在待测区域图像ROI中遍历扫描,计算模板与待测图片的重叠区域的相似度,采用模板templ_bw和图像Src_bw间的乘法操作,较大的数表示匹配程度较高,0表示最坏的匹配效果,使用模板匹配的方法对图像中路面箭头进行识别定位,对每个模板的最相似区域,求取其平行于坐标轴的外接矩形。
步骤2中,差值识别是将模板和最相似区域的外接矩形归一化为统一大小,计算模板和其最相似区域的外接矩形的像素差值,像素点个数最小,就说明该组模板和其最相似区域的外接矩形相似度最高,将与预先设定的阈值相比较,若在阈值范围内部,则图像中含有相对应的模板所代表的导向箭头,就可以输出该模板所含有的指示信息,否则,不含有相对应的模板。
本发明的有益技术效果:
本发明提供的一种城市道路路面导向箭头检测识别方法,通过采用改进的模板匹配的方式进行检测识别,预先设定的单一类别多个模板,设定阀值范围,在待检测区域中进行图像二值化、待测图像压缩、腐蚀与膨胀,对检测对象轮廓求其面积并设置面积过滤范围,在无人车上固定的摄像机采用动态光圈高清相机,能够实时准确地识别出城市道路路面导向箭头标志所代表的含义,使得智能无人车辆能够按照道路箭头含义进行安全驾驶,并控制无人车前进和转向;通过采用动态光圈相机、单一类别多个模板和面积过滤相结合方法,可有效的提高道路箭头识别准确性和鲁棒性,有效的降低了光照、几何形变、旋转等影响,具有较高的抗干扰能力。
附图说明
图1为本发明道路箭头检测识别的流程图;
图2为本发明六种道路箭头;
图3为本发明现场模拟实验图。
图中:1-路面箭头,2-路面无人车,3-动态光圈摄像头。
具体实施方式
为使本领域技术人员更加清楚和明确本发明的技术方案,下面对本发明作进一步详细的描述,但本发明的实施方式不限于此。
实施例:
本实施例公开提供的城市道路路面导向箭头检测识别方法,包括无人车及设置在无人车上的动态光圈摄像头,包括如下步骤:
步骤1:预处理阶段
固定摄像头,设定模板,设定阀值,获取ROI;
步骤2:检测识别阶段
匹配模块,差值识别。,
如图1所示为道路箭头检测识别方法流程图;
将摄像头置于车顶中央处,调制视场能覆盖大面积车道的位置处固定,固定的摄像头能保证采集到的图片分辨率一致,便于后期的模板匹配和差值识别;
城市道路上导向箭头主要包括如下六种:行导、左转、右转头、直行加左转导、直行加右转、掉转,如图2所示,该方法不只限于以上六种对象的识别,依此作为检测和识别的模板类别,为了提高模板匹配度,各类别对应多个模板数;
通过安置好的摄像头采集600副道路图片,每个类别箭头各100副图片,通过图像灰度化、图像压缩、二值化等处理图像,设定匹配像素点个数阀值范围为[a,b];
如图3所示:通过车辆上固定的摄像头,以30帧/秒的帧率实时获取智能车辆前方道路的图像信息,对获取的原始图像进行剪切。摄像头采集的图像中,当前车道仅占据部分区域,若对图像整体检测、识别进行处理,影响处理时间,增加算法复杂度。通过实际路测实验,发现地面部分占据整体图像的下部1/3之处,其余2/3为非地面图像。对采集的图片,截取的部分从图像的左侧到右侧,图像左侧宽度为0,图像右侧宽度为1,从宽度0.2部分开始裁剪,到宽度0.8截止,得到感兴趣区域ROI;
实时性和准确率是路面导向箭头检测的基本要求,将ROI进行压缩,能够减少数据量,提升处理速度。采用双线性插值方法,将ROI压缩;
数字形态学处理被广泛应用于图像处理和计算机视觉中,根据图像和结构元素的并集或交集,可以得到两种基本的形态学运算——腐烛和膨胀,对二值图进行膨胀会加长或变粗其中的连通域,路面导向箭头磨损、油污情况较为严重,通过膨胀,能够减少磨损、油污对算法的影响,提升准确率;
对实时的每一帧图像遍历所有轮廓,求取所有轮廓的面积;由于地面导向箭头种类不同、随距离增减面积改变,因此选取不同条件下最远距离获得的面积最小值和最近距离获得的面积最大值作为阈值,面积满足[min_area,max_area]阈值范围内的轮廓保留,面积方法设定阀值可以有效的提高匹配的可靠性和鲁棒性;
在光照有明显波动的路面条件下,通过摄像机动态光圈灵敏的调节下,避免了路面箭头无法识别的现象,保证了图像顺利的采集和无人驾驶的安全行驶;
模板图像的二值图像在待测区域图像ROI中遍历扫描,计算模板与待测图片的重叠区域的相似度,遍历扫描的步骤是:在待测图片中用处理过的模板建立一个滑动窗口,该窗口大小与对应模板大小一致,从顶点位置开始逐点滑动扫描,每次在横向或是纵向上移动一个像素,作一次比较计算,通过归一化相关匹配法来计算相似度,采用模板templ_bw和图像Src_bw间的乘法操作,较大的数表示匹配程度较高,0表示最坏的匹配效果,使用模板匹配的方法对图像中路面箭头进行识别定位,对每个模板的最相似区域,求取其平行于坐标轴的外接矩形。
将模板和最相似区域的外接矩形归一化为统一大小,计算模板和其最相似区域的外接矩形的像素差值,计算方程式如下:
Sum=∑∑diff(x,y)-templ_bw(x,y),像素点个数最小,就说明该组模板和其最相似区域的外接矩形相似度最高,将与预先设定的阈值相比较,若在阈值范围内部,则图像中含有相对应的模板所代表的导向箭头,就可以输出该模板所含有的指示信息;否则,不含有相对应的模板。
在本实施例中,结合图1、图2及图3所示,本发明提供的一种城市道路路面导向箭头检测识别方法,通过采用改进的模板匹配的方式进行检测识别,首先固定摄像机的位置,通过预先设定的单一类别多个模板,设定阀值范围,在待检测区域中进行图像二值化、待测图像压缩、腐蚀与膨胀,对检测对象轮廓求其面积并设置面积过滤范围,在无人车上固定的摄像机采用动态光圈高清相机,对光线的强度变化灵敏度高,能够实时准确地识别出城市道路路面导向箭头标志所代表的含义,使得智能无人车辆能够按照道路箭头含义进行安全驾驶,并控制无人车前进和转向;通过采用动态光圈相机、单一类别多个模板和面积过滤相结合方法,可有效的提高道路箭头识别准确性和鲁棒性,有效的降低了光照、几何形变、旋转等影响,具有较高的抗干扰能力。
以上所述,仅为本发明进一步的实施例,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明所公开的范围内,根据本发明的技术方案及其构思加以等同替换或改变,都属于本发明的保护范围。
Claims (7)
1.一种城市道路路面导向箭头检测识别方法,其特征在于,包括无人车及设置在无人车上的动态光圈摄像头,包括如下步骤:
步骤1:预处理阶段
固定摄像头,设定模板,设定阀值,获取ROI;
步骤2:检测识别阶段
匹配模块,差值识别。
2.如权利要求1所述的一种城市道路路面导向箭头检测识别方法,其特征在于,步骤1中,固定摄像头包括如下步骤:将摄像头设置在车顶中央处,调制视场能覆盖大面积车道的位置处固定,固定的摄像头保证采集到的图片分辨率一致,便于后期的模板匹配和差值识别。
3.如权利要求1所述的一种城市道路路面导向箭头检测识别方法,其特征在于,步骤1中,设定模板包括城市道路上导向箭头,导向箭头包括行导、左转、右转头、直行加左转导、直行加右转及掉转,依此作为检测和识别的模板类别,各类别对应多个模板数。
4.如权利要求1所述的一种城市道路路面导向箭头检测识别方法,其特征在于,步骤1中,设定阀值是通过安置好的摄像头采集600副道路图片,每个类别箭头各100副图片,通过图像灰度化、图像压缩、二值化处理图像,设定匹配像素点个数阀值范围为[a,b]。
5.如权利要求1所述的一种城市道路路面导向箭头检测识别方法,其特征在于,步骤1中,获取ROI是通过车辆上固定的摄像头,以30帧/秒的帧率实时获取智能车辆前方道路的图像信息,对获取的原始图像进行剪切,通过实际路测实验,发现地面部分占据整体图像的下部1/3之处,其余2/3为非地面图像,对采集的图片,截取的部分从图像的左侧到右侧,图像左侧宽度为0,图像右侧宽度为1,从宽度0.2部分开始裁剪,到宽度0.8截止,得到感兴趣区域ROI。
6.如权利要求1所述的一种城市道路路面导向箭头检测识别方法,其特征在于,步骤2中,匹配模块中,模板图像的二值图像在待测区域图像ROI中遍历扫描,计算模板与待测图片的重叠区域的相似度,采用模板templ_bw和图像Src_bw间的乘法操作,较大的数表示匹配程度较高,0表示最坏的匹配效果,使用模板匹配的方法对图像中路面箭头进行识别定位,对每个模板的最相似区域,求取其平行于坐标轴的外接矩形。
7.如权利要求1所述的一种城市道路路面导向箭头检测识别方法,其特征在于,步骤2中,差值识别是将模板和最相似区域的外接矩形归一化为统一大小,计算模板和其最相似区域的外接矩形的像素差值,像素点个数最小,就说明该组模板和其最相似区域的外接矩形相似度最高,将与预先设定的阈值相比较,若在阈值范围内部,则图像中含有相对应的模板所代表的导向箭头,就可以输出该模板所含有的指示信息,否则,不含有相对应的模板。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811633955.5A CN109815836A (zh) | 2018-12-29 | 2018-12-29 | 一种城市道路路面导向箭头检测识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811633955.5A CN109815836A (zh) | 2018-12-29 | 2018-12-29 | 一种城市道路路面导向箭头检测识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109815836A true CN109815836A (zh) | 2019-05-28 |
Family
ID=66602701
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811633955.5A Pending CN109815836A (zh) | 2018-12-29 | 2018-12-29 | 一种城市道路路面导向箭头检测识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109815836A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112464737A (zh) * | 2020-11-04 | 2021-03-09 | 浙江预策科技有限公司 | 道路标线的检测与识别方法、电子装置和存储介质 |
CN113240775A (zh) * | 2021-07-12 | 2021-08-10 | 智道网联科技(北京)有限公司 | 导向箭头地图标志的修正方法及相关装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103577809A (zh) * | 2013-11-12 | 2014-02-12 | 北京联合大学 | 一种基于智能驾驶的地面交通标志实时检测的方法 |
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 |
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 |
-
2018
- 2018-12-29 CN CN201811633955.5A patent/CN109815836A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103577809A (zh) * | 2013-11-12 | 2014-02-12 | 北京联合大学 | 一种基于智能驾驶的地面交通标志实时检测的方法 |
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 |
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 |
Non-Patent Citations (2)
Title |
---|
刘国华等著: "《HALCON数字图像处理》", vol. 1, 西安电子科技大学出版社, pages: 115 - 117 * |
王科等: "基于不定Bezier变形模板的城市道路检测算法", 《机械工程学报》, no. 08, 20 April 2013 (2013-04-20) * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112464737A (zh) * | 2020-11-04 | 2021-03-09 | 浙江预策科技有限公司 | 道路标线的检测与识别方法、电子装置和存储介质 |
CN112464737B (zh) * | 2020-11-04 | 2022-02-22 | 浙江预策科技有限公司 | 道路标线的检测与识别方法、电子装置和存储介质 |
CN113240775A (zh) * | 2021-07-12 | 2021-08-10 | 智道网联科技(北京)有限公司 | 导向箭头地图标志的修正方法及相关装置 |
CN113240775B (zh) * | 2021-07-12 | 2021-09-21 | 智道网联科技(北京)有限公司 | 导向箭头地图标志的修正方法及相关装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109017780B (zh) | 一种车辆智能驾驶控制方法 | |
US8699754B2 (en) | Clear path detection through road modeling | |
US9652980B2 (en) | Enhanced clear path detection in the presence of traffic infrastructure indicator | |
US8634593B2 (en) | Pixel-based texture-less clear path detection | |
US8452053B2 (en) | Pixel-based texture-rich clear path detection | |
US8611585B2 (en) | Clear path detection using patch approach | |
US8890951B2 (en) | Clear path detection with patch smoothing approach | |
US8670592B2 (en) | Clear path detection using segmentation-based method | |
US9852357B2 (en) | Clear path detection using an example-based approach | |
Wu et al. | Applying a functional neurofuzzy network to real-time lane detection and front-vehicle distance measurement | |
Hautière et al. | Real-time disparity contrast combination for onboard estimation of the visibility distance | |
CN102682292B (zh) | 基于单目视觉的道路边缘检测及粗定位方法 | |
CN106647776B (zh) | 车辆变道趋势的判断方法、判断装置和计算机存储介质 | |
CN104036246B (zh) | 一种基于多特征融合及多态均值的车道线定位方法 | |
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 | |
CN104008377A (zh) | 基于时空关联的地面交通标志实时检测识别方法 | |
US20100121577A1 (en) | Three-dimensional lidar-based clear path detection | |
CN104392212A (zh) | 一种基于视觉的道路信息检测及前方车辆识别方法 | |
CN103577809B (zh) | 一种基于智能驾驶的地面交通标志实时检测的方法 | |
CN107462223A (zh) | 一种公路转弯前行车视距自动测量装置及测量方法 | |
CN104011737A (zh) | 用于探测雾的方法 | |
Wei et al. | Research on lane detection and tracking algorithm based on improved hough transform | |
CN104077756A (zh) | 一种基于车道线置信度的方向滤波方法 | |
CN103714659A (zh) | 基于双光谱融合的疲劳驾驶识别系统 | |
CN109815836A (zh) | 一种城市道路路面导向箭头检测识别方法 |
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 |