CN109866684B - 车道偏离预警方法、系统、可读存储介质及计算机设备 - Google Patents
车道偏离预警方法、系统、可读存储介质及计算机设备 Download PDFInfo
- Publication number
- CN109866684B CN109866684B CN201910199887.4A CN201910199887A CN109866684B CN 109866684 B CN109866684 B CN 109866684B CN 201910199887 A CN201910199887 A CN 201910199887A CN 109866684 B CN109866684 B CN 109866684B
- Authority
- CN
- China
- Prior art keywords
- panoramic image
- lane
- lane line
- vehicle
- early warning
- 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.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000004458 analytical method Methods 0.000 claims abstract description 17
- 238000012545 processing Methods 0.000 claims description 36
- 238000004422 calculation algorithm Methods 0.000 claims description 30
- 238000001914 filtration Methods 0.000 claims description 16
- 238000007781 pre-processing Methods 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 12
- 239000003086 colorant Substances 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 238000003708 edge detection Methods 0.000 claims description 5
- 238000011045 prefiltration Methods 0.000 claims 2
- 230000000694 effects Effects 0.000 abstract description 4
- 230000004044 response Effects 0.000 description 4
- 206010039203 Road traffic accident Diseases 0.000 description 3
- 230000033001 locomotion Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 235000004522 Pentaglottis sempervirens Nutrition 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Abstract
本发明提供一种车道偏离预警方法、系统、可读存储介质及计算机设备,所述方法包括:获取车辆当前所在环境的全景图像,并获取车辆的当前行驶参数;根据全景图像,计算出车辆以当前行驶参数行驶至偏离当前车道所需的目标时间;判断目标时间是否小于时间阈值;若是,则获取全景图像中的车道线的类型,并发出与车道线的类型对应的预设的预警信息。本发明当中的车道偏离预警方法,通过对全景影像进行车道偏离分析,分析结果更加准确,可靠性高,同时全景影像是当今主流,具有更高的应用前景。此外,本车道偏离预警方法,还针对不用类型的车道线,作出不同强度的车道偏离预警提醒,达到更好的预警效果。
Description
技术领域
本发明涉及汽车技术领域,特别涉及一种车道偏离预警方法、系统、可读存储介质及计算机设备。
背景技术
随着生活水平的不断提高,汽车走进千家万户,成为了人们赖以交通的主要工具之一。但随着汽车的不断增多,交通事故也在不断增多,如何提高汽车的驾驶安全性能,是各大汽车制造厂商研究的方向。
研究表明,有很大一部分交通事故源于车辆偏离车道所致,特别对于一些新手司机,由于对驾驶车辆的位置把握不到位,频繁出现偏离车道的危险驾驶行驶,最终导致引发交通事故。因此,如果实现车道偏离预警是当前汽车制造厂商对驾驶安全性能的研究重点。
现有技术当中,目前车道偏离预警的实现方案为:利用车辆前视摄像头识别车道线的方案来实现,存在的缺陷在于,由于只采集车辆前方的图像进行车道偏离分析,可靠性差。
发明内容
基于此,本发明的目的是提供一种车道偏离预警方法、系统、可读存储介质及计算机设备,以解决现有车道偏离预警方案存在可靠性差的技术问题。
根据本发明实施例的一种车道偏离预警方法,包括:
获取车辆当前所在环境的全景图像,并获取所述车辆的当前行驶参数;
根据所述全景图像,计算出所述车辆以所述当前行驶参数行驶至偏离当前车道所需的目标时间;
判断所述目标时间是否小于时间阈值;
若是,则获取所述全景图像中的车道线的类型,并发出与所述车道线的类型对应的预设的预警信息,其中,所述车道线为所述车辆偏向一侧的车道线,且不同类型的所述车道线对应不同强度的预警信息。
另外,根据本发明上述实施例的一种车道偏离预警方法,还可以具有如下附加的技术特征:
进一步地,在获取所述全景图像的步骤之后,还包括:
根据预设算法,对所述全景图像进行图像预处理。
进一步地,所述根据预设算法,对所述全景图像进行图像预处理的步骤包括:
对所述全景图像进行灰度化处理;
对灰度化处理后的图像进行中值滤波处理;
其中,灰度化处理算法为:
F(i,j)=0.30*fR(i,j)+0.59*fG(i,j)+0.11*fB(i,j),F(i,j)为灰度化处理后的像素值,fR(i,j)、fG(i,j)、fB(i,j)分别为灰度化处理前的图像中的R分量、G分量及B分量的值;
中值滤波算法为:
g(x,y)=med{f(x-k,y-1),(k,1∈W),f(x,y)及g(x,y)分别为滤波前和滤波后的图像的像素值。
进一步地,在获取所述全景图像的步骤之后,还包括:
判断所述全景图像中是否存在车道线;
若是,则开始进行车道偏离预警分析。
进一步地,所述根据所述全景图像,计算出所述车辆以所述当前行驶参数行驶至偏离当前车道所需的目标时间的步骤包括:
根据所述当前行驶参数,确定所述车辆的车轮的行驶轨迹曲线,所述当前行驶参数包括纵向速度及方向盘转角;
根据所述全景图像,确定所述车道线的轨迹曲线及所述车轮在所述当前车道中的当前位置坐标;
计算出所述车轮的行驶轨迹曲线与所述车道线的轨迹曲线的交点坐标,并计算出所述交点坐标和所述当前位置之间的纵向距离;
计算出所述纵向距离与所述纵向速度之间的差值,以得到所述目标时间。
进一步地,所述获取全景图像的步骤包括:
实时获取所述全景图像,并将获取的每一帧全景图像按时序存入视频栈中。
进一步地,所述全景图像由布置在所述车辆四周的多个广角镜头拍摄并合成而来,所述预警信息的发出形式为方向盘振动、中控屏画显、语言播报、声音警报当中的一种或多种。
根据本发明实施例的一种车道偏离预警系统,包括:
数据获取模块,用于获取车辆当前所在环境的全景图像,并获取所述车辆的当前行驶参数;
时间计算模块,用于根据所述全景图像,计算出所述车辆以所述当前行驶参数行驶至偏离当前车道所需的目标时间;
时间判断模块,用于判断所述目标时间是否小于时间阈值;
预警模块,用于当判断到所述目标时间小于所述时间阈值时,获取所述全景图像中的车道线的类型,并发出与所述车道线的类型对应的预设的预警信息,其中,所述车道线为所述车辆偏向一侧的车道线,且不同类型的所述车道线对应不同强度的预警信息。
本发明还提出一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述的车道偏离预警方法。
本发明还提出一种计算机设备,包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现上述的车道偏离预警方法。
本发明当中的车道偏离预警方法、系统、可读存储介质及计算机设备,通过对全景影像进行车道偏离分析,而全景影像反应了车辆四周的环境,分析结果更加准确,可靠性高,同时全景影像是当今主流,因此本车道偏离预警方法具有更高的应用前景。此外,本车道偏离预警方法,还可以针对不用类型的车道线,作出不同强度的车道偏离预警提醒,使预警具有层次化,能够给驾驶员带来不同等级的安全提示,使驾驶员能够作出更有针对性的响应,从而达到更好的预警效果。
附图说明
图1为本发明第一实施例中的车道偏离预警方法的流程图;
图2为本发明第二实施例中的车道偏离预警方法的流程图;
图3为本发明第二实施例中的纵向距离的计算原理图;
图4为本发明第三实施例中的车道偏离预警系统的结构示意图。
主要元件符号说明:
数据获取模块 | 11 | 时间计算模块 | 12 |
时间判断模块 | 13 | 预警模块 | 14 |
预处理模块 | 15 | 灰度化单元 | 151 |
滤波单元 | 152 | 车道线判断模块 | 16 |
第一曲线单元 | 121 | 第二曲线单元 | 122 |
距离计算单元 | 123 | 时间计算单元 | 124 |
图像获取单元 | 111 |
以下具体实施方式将结合上述附图进一步说明本发明。
具体实施方式
为了便于理解本发明,下面将参照相关附图对本发明进行更全面的描述。附图中给出了本发明的若干实施例。但是,本发明可以以许多不同的形式来实现,并不限于本文所描述的实施例。相反地,提供这些实施例的目的是使对本发明的公开内容更加透彻全面。
需要说明的是,当元件被称为“固设于”另一个元件,它可以直接在另一个元件上或者也可以存在居中的元件。当一个元件被认为是“连接”另一个元件,它可以是直接连接到另一个元件或者可能同时存在居中元件。本文所使用的术语“垂直的”、“水平的”、“左”、“右”以及类似的表述只是为了说明的目的。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本发明。本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。
请参阅图1,所示为本发明第一实施例中的车道偏离预警方法,包括步骤S01至步骤S03。
步骤S01,获取车辆当前所在环境的全景图像,并获取所述车辆的当前行驶参数。
其中,全景图像又称全景影像或360度全景图像等,是由布置在车辆四周的多个广角镜头拍摄并合成而来。具体来说,可以为由布置在车辆四周的四个超广角鱼眼镜头拍摄,并通过图像融合以及无缝拼接技术合成的一张包含车身轮廓及车辆周围环境的全景俯视图(鸟瞰图像)。
此外,当前行驶参数包括但不限于车速、方向盘转角等。一般地,车辆都会设置相应的传感器,例如方向盘转角传感器,来采集车辆的包括行驶参数在内的各项运行参数,这些参数都会传输至车载电脑上,因此对于行驶参数,可以直接从车载电脑上获取,当然也可以采用对应的传感器来单独获取。
步骤S02,根据所述全景图像,计算出所述车辆以所述当前行驶参数行驶至偏离当前车道所需的目标时间。
需要指出的是,由于全景图像为包含了车身轮廓及车辆周围环境的俯视图,因此可以从全景图像中计算出车辆到车道线的纵向距离,在车速及方向盘转角已知的情况下,即可计算出车辆以当前行驶参数行驶至偏离当前车道所需的时间。
步骤S03,判断所述目标时间是否小于时间阈值。
其中,当判断到目标时间小于时间阈值时,代表车辆达到车道偏离预警的条件,车辆正在偏离当前车道,则执行步骤S04,当判断到目标时间不小于时间阈值时,代表车辆未达到车道偏离预警的条件,无需进行车道偏离预警。
步骤S04,获取所述全景图像中的车道线的类型,并发出与所述车道线的类型对应的预设的预警信息,其中,所述车道线为车辆偏向一侧的车道线,且不同类型的所述车道线对应不同强度的预警信息。
在本步骤当中,需要获取类型的车道线为车辆偏向一侧的车道线。由于在执行步骤S04时,车辆正在发生偏离当前车道的行为,因此在全景图像中,车辆必然会偏向某一侧的车道线。
同时,所述车道线的类型包括但不限于白色虚线、白色实线、白色双实线、黄色双实线等等。这些类型的车道线,均为在实际道路上常见的车道线。一般情况下,虚线车道线为可跨越车道线,实线车道线为不可跨越车道线,特别是双实线。因此不同类型的车道线,其跨越的危险程度不同,也即车道偏离的风险不同。
为了使预警更具针对性,在本实施例当中,针对不同类型的车道线将发出不同等级的预警信息。所述预警信息的发出形式为方向盘振动、中控屏画显、语言播报、声音警报当中的一种或多种,优选为中控屏画显配合声音警报的形式。例如,当车辆发生车道偏离行为,且偏向一侧的车道线为虚线时,中控屏显示指定画面(如车辆压线画面等),同时报警器发出“滴滴滴”的报警声,又如,当车辆发生车道偏离行为,且偏向一侧的车道线为实线时,中控屏显示指定画面,同时报警器发出更加急促的“滴滴滴”的报警声。
在具体实施时,获取全景图像中的车道线的类型的方式可以按以下步骤进行:
步骤一、利用图像边缘检测算法识别出全景图像中的车道线的轮廓,并截取出识别的车道线轮廓限定的车道线图案;
步骤二、将截取的车道线图案在预设的车道线的标识图像库中进行匹配,以确定全景图像中的车道线的类型。
可选得,当需要进一步区分车道线颜色时,可在上述步骤一之后,增加分析车道线图案颜色的步骤,以获知车道线的颜色,这样就可以实现针对不同颜色的车道线作出不同的车道偏离预警。
综上,本发明上述实施例当中的车道偏离预警方法,通过对全景影像进行车道偏离分析,而全景影像反应了车辆四周的环境,分析结果更加准确,可靠性高,同时全景影像是当今主流,因此本车道偏离预警方法具有更高的应用前景。此外,本车道偏离预警方法,还可以针对不用类型的车道线,作出不同强度的车道偏离预警提醒,使预警具有层次化,能够给驾驶员带来不同等级的安全提示,使驾驶员能够作出更有针对性的响应,从而达到更好的预警效果。
请参阅图2,所示为本发明第二实施例中的车道偏离预警方法,包括步骤S11至步骤S17。
步骤S11,获取车辆当前所在环境的全景图像,并获取所述车辆的当前行驶参数。
其中,所述全景图像由布置在所述车辆四周的多个广角镜头拍摄并合成而来。
在具体实施时,获取全景图像的步骤可以具体包括:实时获取所述全景图像,并将获取的每一帧全景图像按时序存入视频栈中。
可以理解的,由于车载全景影像系统会实时的捕捉车辆所在环境的全景图像,而车道偏离预警分析需要花费一定的响应时间,为了确保每一帧全景图像都能够被分析到,故在图像处理模块中定义一个视频栈,根据栈的特性先进先出原则很好解决了访存冲突的问题,同时系统还可以使用多线程技术,一路线程进行实时的全景视频流的读取,另一路线程则将读取的全景视频流进行相应图像分析处理,这样就很好的解决了处理数据会存在延时情况的发生。
步骤S12,判断所述全景图像中是否存在车道线。
其中,当判断到所述全景图像中存在车道线时,执行步骤S12至步骤S19,当判断到所述全景图像中不存在车道线时,则不动作并换下一张全景图像继续分析。
可以理解的,由于车载全景影像系统具有一定的视角范围,即只能捕捉车辆周围一定范围内(一般为30至50cm,车身前后会宽一些)的图像,这样就会使得当车辆处在车道正中间时,所捕捉的全景图像当中不存在车道线,这种情况恰好为无需进行车道偏离预警的情况。因此,为了节约资源,特对全景视频流进行筛选,即只有当全景图像中存在车道线,才开始进行车道偏离预警分析。
在具体实施时,判断所述全景图像中是否存在车道线的方式可以按以下步骤进行:先用Canny边缘检测算法对全景图像进行边缘检测,以获得图像中的所有边缘,然后通过Hough变换算法对图像中是否存在直线边缘并计算其位置的方式来识别是否存在车道线。
步骤S13,根据预设算法,对所述全景图像进行图像预处理。
具体地,根据预设算法,对所述全景图像进行图像预处理的具体方式可以按如下步骤执行:
对所述全景图像进行灰度化处理;
对灰度化处理后的图像进行中值滤波处理;
其中,灰度化处理算法为:
F(i,j)=0.30*fR(i,j)+0.59*fG(i,j)+0.11*fB(i,j),F(i,j)为灰度化处理后的像素值,fR(i,j)、fG(i,j)、fB(i,j)分别为灰度化处理前的图像中的R分量、G分量及B分量的值;
中值滤波算法为:
g(x,y)=med{f(x-k,y-1),(k,1∈W),f(x,y)及g(x,y)分别为滤波前和滤波后的图像的像素值。
需要说明的是,在图像处理中,一般用RGB三个分量(R:Red,G:Green,B:Blue),即红、绿、蓝三原色来代表真彩色,且R分量,G分量,B分量的取值范围均为0~255,例如屏幕上一个白色的像素点3个通道的值分别是:255,255,255。
同时,由于全景图像原始为彩色图片,对于处理一张彩色图片来说,数据量是比较大的,为了尽可能的减少数据量,将彩色全景图像进行灰度化处理。图像的灰度化处理就是让像素点矩阵中的每一个像素点都满足:R=G=B(即3个值相等,但这里的等于不是程序语言中的赋值,是数学中的相等),这个值就是图像处理常用的术语灰度值。图像的灰度化处理一般有分量法、最大值法、平均值法和加权平均法四种方法,本专利采用的是加权平均法。根据重要性及其它指标,将三个分量以不同的权值进行加权平均,由于人眼对绿色的敏感最高,对蓝色敏感最低,因此,按上式对RGB三分量进行加权平均能得到比较合理的灰度图像,即每个像素点的RGB三分量都按上述公式进行加权平均运算,并将加权平均运算值赋值给对应像素点的RGB三分量,使该像素点的R分量、G分量及B分量的值均为该加权平均运算值,从而实现灰度化。
可以理解的,由于图像传输的过程中噪音的产生是避免不了的,因此在经过图像灰度化处理后选择对图像进行去噪处理,目的是尽可能的去除噪声点。在本实施例当中,采用的是中值滤波方法。
步骤S14,根据所述当前行驶参数,确定所述车辆的车轮的行驶轨迹曲线,所述当前行驶参数包括纵向速度及方向盘转角。
可以理解的,方向盘转角代表车辆的运动方向,因此车辆的纵向速度Vx可由车速V进行纵向分解而来,其原理如图3所示。同时,本步骤中需确定的车轮的行驶轨迹曲线为车辆偏向一侧的车轮的行驶轨迹曲线,如图3中的左车轮行驶轨迹曲线。
步骤S15,根据所述全景图像,确定所述车道线的轨迹曲线及所述车轮在所述当前车道中的当前位置坐标。
其中,所述车轮为车辆偏向一侧的车轮,如图3中所示的左车轮。
步骤S16,计算出所述车轮的行驶轨迹曲线与所述车道线的轨迹曲线的交点坐标,并计算出所述交点坐标和所述当前位置之间的纵向距离。
步骤S17,计算出所述纵向距离与所述纵向速度之间的差值,以得到目标时间。
其中,所述目标时间为所述车辆以所述当前行驶参数行驶至偏离当前车道所需要的时间。由于,全景图像为平面图像,可以通过建立平面坐标系的方式来进行上述运算。
可以理解的,步骤S14至步骤S17的目的在于计算出车辆以当前行驶参数行驶至偏离当前车道所需要的时间,其所依据的原理为TLC(Time to Lane Crossing)预警决策算法,TLC是指从车辆当前的时刻开始到汽车偏离本车道之前所剩余的时间。基本原理是如果TLC小于给定的时间阈值T(TLC<T),就认为汽车将发生车道偏离,触发系统报警。TLC评价算法分为横向TLC和纵向TLC算法,本专利采用的纵向TLC算法,其公式为:
TLC=L/VX
上式中VX表示车辆纵向速度,L表示从当前时刻开始到车辆前轮接触车道线为止在汽车纵轴线方向的纵向距离。
由公式可见,纵向的TLC算法关键之处是如何确定纵向距离L的值。请参阅图3,本实施例采用如下方式来计算纵向距离L的值:
其中,车道边界线可以近似表述为常见的回旋曲线,公式可以表示为:
上式中ch0为道路曲线在水平方向的曲率,ch1表示道路曲线在水平方向的曲率变化率,b表示道路的宽度并且为已知常数,加号对应右侧车道线,减号对应左侧车道线。
同时,汽车质心的运动行驶轨迹可以表示为如下公式:
上式中,cc为汽车运动轨迹曲率,可通过当前的方向盘转角得到,下式可以表示左右车轮的运动:
其中左、右车轮由下标l、r分别对应,bc为车辆宽度并且为已知常数,加号对应右车轮,减号对应左车轮。由此得到的车轮行驶轨迹曲线和对应的道路边界曲线的交点与当前车轮在道路中的位置之间的距离就称之为L(如图3所示),在L和VX均已知的情况下,依据纵向TLC算法,即可计算出目标时间。
步骤S18,判断所述目标时间是否小于时间阈值。
其中,当判断到目标时间小于时间阈值时,代表车辆达到车道偏离预警的条件,车辆正在偏离当前车道,则执行步骤S19,当判断到目标时间不小于时间阈值时,代表车辆未达到车道偏离预警的条件,无需进行车道偏离预警。
步骤S19,获取所述全景图像中的车道线的类型,并发出与所述车道线的类型对应的预设的预警信息,其中,所述车道线为车辆偏向一侧的车道线,且不同类型的所述车道线对应不同强度的预警信息。
其中,所述预警信息的发出形式为方向盘振动、中控屏画显、语言播报、声音警报当中的一种或多种。优选为中控屏画显配合声音警报的形式。
需要指出的是,本方法当中的各步骤的序号并不代表对执行先后顺序的限定,具体的执行顺序可以根据实际情况作适当调整。
进一步优化本车道偏离预警方法,还可以将转向灯、驾驶时间等因素加入到车道偏离预警分析当中,即在其它实施例当中,所述车道偏离预警方法还可以包括:
当目标时间小于时间阈值时,判断车辆是否开启偏向一侧的转向灯,若是则可根据车道线的类型来发出相应等级的预警信息;若否,则发出预设等级(例如最高等级)的预警信息。
此外,所述车道偏离预警方法还可以包括:
当目标时间小于时间阈值时,判断车辆的驾驶时间是否达到预设的疲劳驾驶时间,若否则可根据车道线的类型来发出相应等级的预警信息;若是,则发出预设等级(例如最高等级)的预警信息。
本发明另一方面还提供一种车道偏离预警系统,请查阅图4,所示为本发明第三实施例中的车道偏离预警系统,包括:
数据获取模块11,用于获取车辆当前所在环境的全景图像,并获取所述车辆的当前行驶参数;
时间计算模块12,用于根据所述全景图像,计算出所述车辆以所述当前行驶参数行驶至偏离当前车道所需的目标时间;
时间判断模块13,用于判断所述目标时间是否小于时间阈值;
预警模块14,用于当判断到所述目标时间小于所述时间阈值时,获取所述全景图像中的车道线的类型,并发出与所述车道线的类型对应的预设的预警信息,其中,所述车道线为所述车辆偏向一侧的车道线,且不同类型的所述车道线对应不同强度的预警信息。
进一步地,所述车道偏离预警系统还包括:
预处理模块15,用于根据预设算法,对所述全景图像进行图像预处理。
进一步地,所述预处理模块15包括:
灰度化单元151,用于对所述全景图像进行灰度化处理;
滤波单元152,用于对灰度化处理后的图像进行中值滤波处理;
其中,灰度化处理算法为:
F(i,j)=0.30*fR(i,j)+0.59*fG(i,j)+0.11*fB(i,j),F(i,j)为灰度化处理后的像素值,fR(i,j)、fG(i,j)、fB(i,j)分别为灰度化处理前的图像中的R分量、G分量及B分量的值;
中值滤波算法为:
g(x,y)=med{f(x-k,y-1),(k,1∈W),f(x,y)及g(x,y)分别为滤波前和滤波后的图像的像素值。
进一步地,所述车道偏离预警系统还包括:
车道线判断模块16,用于判断所述全景图像中是否存在车道线;
当判断到所述全景图像中存在车道线时,所述车道偏离预警系统开始进行车道偏离预警分析。
进一步地,所述时间计算模块12包括:
第一曲线单元121,用于根据所述当前行驶参数,确定所述车辆的车轮的行驶轨迹曲线,所述当前行驶参数包括纵向速度及方向盘转角;
第二曲线单元122,用于根据所述全景图像,确定所述车道线的轨迹曲线及所述车轮在所述当前车道中的当前位置坐标;
距离计算单元123,用于计算出所述车轮的行驶轨迹曲线与所述车道线的轨迹曲线的交点坐标,并计算出所述交点坐标和所述当前位置之间的纵向距离;
时间计算单元124,用于计算出所述纵向距离与所述纵向速度之间的差值,以得到所述目标时间。
进一步地,所述数据获取模块11包括;
图像获取单元111,用于实时获取所述全景图像,并将获取的每一帧全景图像按时序存入视频栈中。
其中,所述全景图像由布置在所述车辆四周的多个广角镜头拍摄并合成而来,所述预警信息的发出形式为方向盘振动、中控屏画显、语言播报、声音警报当中的一种或多种。
综上,本发明上述实施例当中的车道偏离预警系统,通过对全景影像进行车道偏离分析,而全景影像反应了车辆四周的环境,分析结果更加准确,可靠性高,同时全景影像是当今主流,因此本车道偏离预警方法具有更高的应用前景。此外,本车道偏离预警方法,还可以针对不用类型的车道线,作出不同强度的车道偏离预警提醒,使预警具有层次化,能够给驾驶员带来不同等级的安全提示,使驾驶员能够作出更有针对性的响应,从而达到更好的预警效果。
本发明还提出一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如上述的车道偏离预警方法。
本发明还提出一种计算机设备,包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述的车道偏离预警方法。
具体地,所述计算机设备可以为车载电脑。
本领域技术人员可以理解,在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用,或结合这些指令执行系统、装置或设备而使用。就本说明书而言,“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。
计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或多个布线的电连接部(电子装置),便携式计算机盘盒(磁装置),随机存取存储器(RAM),只读存储器(ROM),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤装置,以及便携式光盘只读存储器(CDROM)。另外,计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序,然后将其存储在计算机存储器中。
应当理解,本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如,如果用硬件来实现,和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或它们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (6)
1.一种车道偏离预警方法,其特征在于,包括:
获取车辆当前所在环境的全景图像,并获取所述车辆的当前行驶参数;
其中,获取所述全景图像的步骤之后,还包括:
判断所述全景图像中是否存在车道线;
若是,则开始进行车道偏离预警分析;
根据预设算法,对所述全景图像进行图像预处理;
所述根据预设算法,对所述全景图像进行图像预处理的步骤包括:
对所述全景图像进行灰度化处理;
对灰度化处理后的图像进行中值滤波处理;
其中,灰度化处理算法为:
F(i,j)=0.30*fR(i,j)+0.59*fG(i,j)+0.11*fB(i,j),F(i,j)为灰度化处理后的像素值,fR(i,j)、fG(i,j)、fB(i,j)分别为灰度化处理前的图像中的R分量、G分量及B分量的值;
中值滤波算法为:
g(x,y)=med{f(x-k,y-1),(k,1∈W),f(x,y)及g(x,y)分别为滤波前和滤波后的图像的像素值;
根据所述全景图像,计算出所述车辆以所述当前行驶参数行驶至偏离当前车道所需的目标时间;
判断所述目标时间是否小于时间阈值;
若是,则获取所述全景图像中的车道线的类型和颜色,并发出与所述车道线的类型和颜色对应的预设的预警信息,其中,所述车道线为所述车辆偏向一侧的车道线,且不同类型和颜色的所述车道线对应不同强度的预警信息;
其中,根据所述全景图像,计算出所述车辆以所述当前行驶参数行驶至偏离当前车道所需的目标时间的步骤包括:
根据所述当前行驶参数,确定所述车辆的车轮的行驶轨迹曲线,所述当前行驶参数包括纵向速度及方向盘转角;
根据所述全景图像,确定所述车道线的轨迹曲线及所述车轮在所述当前车道中的当前位置坐标;
计算出所述车轮的行驶轨迹曲线与所述车道线的轨迹曲线的交点坐标,并计算出所述交点坐标和所述当前位置之间的纵向距离;
计算出所述纵向距离与所述纵向速度之间的差值,以得到所述目标时间;
其中,获取所述全景图像中的车道线的类型和颜色的步骤包括:
利用图像边缘检测算法识别出全景图像中的车道线的轮廓,并截取出识别的车道线轮廓限定的车道线图案;
分析车道线图案颜色,以获知车道线的颜色;
将截取的车道线图案在预设的车道线的标识图像库中进行匹配,以确定全景图像中的车道线的类型。
2.根据权利要求1所述的车道偏离预警方法,其特征在于,获取所述全景图像的步骤包括:
实时获取所述全景图像,并将获取的每一帧全景图像按时序存入视频栈中。
3.根据权利要求1所述的车道偏离预警方法,其特征在于,所述全景图像由布置在所述车辆四周的多个广角镜头拍摄并合成而来,所述预警信息的发出形式为方向盘振动、中控屏画显、语言播报、声音警报当中的一种或多种。
4.一种车道偏离预警系统,其特征在于,包括:
数据获取模块,用于获取车辆当前所在环境的全景图像,并获取所述车辆的当前行驶参数;
车道线判断模块,用于判断所述全景图像中是否存在车道线;
若是,则开始进行车道偏离预警分析;
预处理模块,用于根据预设算法,对所述全景图像进行图像预处理;
所述预处理模块包括:
灰度化单元,用于对所述全景图像进行灰度化处理;
滤波单元,用于对灰度化处理后的图像进行中值滤波处理;
其中,灰度化处理算法为:
F(i,j)=0.30*fR(i,j)+0.59*fG(i,j)+0.11*fB(i,j),F(i,j)为灰度化处理后的像素值,fR(i,j)、fG(i,j)、fB(i,j)分别为灰度化处理前的图像中的R分量、G分量及B分量的值;
中值滤波算法为:
g(x,y)=med{f(x-k,y-1),(k,1∈W),f(x,y)及g(x,y)分别为滤波前和滤波后的图像的像素值;
时间计算模块,用于根据所述全景图像,计算出所述车辆以所述当前行驶参数行驶至偏离当前车道所需的目标时间;
时间判断模块,用于判断所述目标时间是否小于时间阈值;
预警模块,用于当判断到所述目标时间小于所述时间阈值时,获取所述全景图像中的车道线的类型和颜色,并发出与所述车道线的类型和颜色对应的预设的预警信息,其中,所述车道线为所述车辆偏向一侧的车道线,且不同类型和颜色的所述车道线对应不同强度的预警信息;
其中,获取所述全景图像中的车道线的类型和颜色的步骤包括:
利用图像边缘检测算法识别出全景图像中的车道线的轮廓,并截取出识别的车道线轮廓限定的车道线图案;
分析车道线图案颜色,以获知车道线的颜色;
将截取的车道线图案在预设的车道线的标识图像库中进行匹配,以确定全景图像中的车道线的类型;
所述时间计算模块包括:
第一曲线单元,用于根据所述当前行驶参数,确定所述车辆的车轮的行驶轨迹曲线,所述当前行驶参数包括纵向速度及方向盘转角;
第二曲线单元,用于根据所述全景图像,确定所述车道线的轨迹曲线及所述车轮在所述当前车道中的当前位置坐标;
距离计算单元,计算出所述车轮的行驶轨迹曲线与所述车道线的轨迹曲线的交点坐标,并计算出所述交点坐标和所述当前位置之间的纵向距离;
时间计算单元,计算出所述纵向距离与所述纵向速度之间的差值,以得到所述目标时间。
5.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-3任一所述的方法。
6.一种计算机设备,包括存储器、处理器以及存储在存储器上并可在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程序时实现如权利要求1-3任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910199887.4A CN109866684B (zh) | 2019-03-15 | 2019-03-15 | 车道偏离预警方法、系统、可读存储介质及计算机设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910199887.4A CN109866684B (zh) | 2019-03-15 | 2019-03-15 | 车道偏离预警方法、系统、可读存储介质及计算机设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109866684A CN109866684A (zh) | 2019-06-11 |
CN109866684B true CN109866684B (zh) | 2021-06-22 |
Family
ID=66920566
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910199887.4A Expired - Fee Related CN109866684B (zh) | 2019-03-15 | 2019-03-15 | 车道偏离预警方法、系统、可读存储介质及计算机设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109866684B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112109633A (zh) * | 2019-06-19 | 2020-12-22 | 上海高德威智能交通系统有限公司 | 车道偏离预警方法、装置、设备、车辆及存储介质 |
CN110427850B (zh) * | 2019-07-24 | 2022-03-08 | 中国科学院自动化研究所 | 驾驶员高速道路换道意图预测方法、系统、装置 |
CN110610137B (zh) * | 2019-08-21 | 2022-04-15 | 北京地平线机器人技术研发有限公司 | 检测车辆行驶状态的方法、装置以及电子设备、存储介质 |
CN110435652A (zh) * | 2019-08-27 | 2019-11-12 | 北京茵沃汽车科技有限公司 | 车道偏离预警方法、系统、装置以及存储介质 |
CN112991790B (zh) * | 2019-12-02 | 2022-06-07 | 宇龙计算机通信科技(深圳)有限公司 | 提示用户的方法、装置、电子设备及介质 |
CN111382696A (zh) * | 2020-03-06 | 2020-07-07 | 北京百度网讯科技有限公司 | 用于检测目标的边界点的方法和装置 |
CN113581196B (zh) * | 2021-08-30 | 2023-08-22 | 上海商汤临港智能科技有限公司 | 一种车辆行驶预警的方法、装置、计算机设备及存储介质 |
CN114863707A (zh) * | 2022-05-07 | 2022-08-05 | 中国第一汽车股份有限公司 | 车辆信息的处理方法、装置、存储介质和车辆 |
CN116495004A (zh) * | 2023-06-28 | 2023-07-28 | 杭州鸿泉物联网技术股份有限公司 | 车辆环境感知方法、装置、电子设备和存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104085396A (zh) * | 2014-07-03 | 2014-10-08 | 上海纵目科技有限公司 | 一种全景车道偏离预警方法及系统 |
CN106203267A (zh) * | 2016-06-28 | 2016-12-07 | 成都之达科技有限公司 | 基于机器视觉的车辆防碰撞方法 |
CN106627575A (zh) * | 2016-12-30 | 2017-05-10 | 吉林大学 | 一种车辆偏航预警方法及系统 |
CN108875603A (zh) * | 2018-05-31 | 2018-11-23 | 上海商汤智能科技有限公司 | 基于车道线的智能驾驶控制方法和装置、电子设备 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH09270098A (ja) * | 1996-04-02 | 1997-10-14 | Mitsubishi Motors Corp | 車線逸脱警報装置 |
KR20140006463A (ko) * | 2012-07-05 | 2014-01-16 | 현대모비스 주식회사 | 차선 인식 방법 및 장치 |
CN105922991B (zh) * | 2016-05-27 | 2018-08-17 | 广州大学 | 基于生成虚拟车道线的车道偏离预警方法及系统 |
CN109263660A (zh) * | 2018-11-12 | 2019-01-25 | 江铃汽车股份有限公司 | 一种基于360°环视影像系统的车道偏移预警控制方法 |
-
2019
- 2019-03-15 CN CN201910199887.4A patent/CN109866684B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104085396A (zh) * | 2014-07-03 | 2014-10-08 | 上海纵目科技有限公司 | 一种全景车道偏离预警方法及系统 |
CN106203267A (zh) * | 2016-06-28 | 2016-12-07 | 成都之达科技有限公司 | 基于机器视觉的车辆防碰撞方法 |
CN106627575A (zh) * | 2016-12-30 | 2017-05-10 | 吉林大学 | 一种车辆偏航预警方法及系统 |
CN108875603A (zh) * | 2018-05-31 | 2018-11-23 | 上海商汤智能科技有限公司 | 基于车道线的智能驾驶控制方法和装置、电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN109866684A (zh) | 2019-06-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109866684B (zh) | 车道偏离预警方法、系统、可读存储介质及计算机设备 | |
JP7332726B2 (ja) | ヒートマップを使用したドライバーの注目の検出 | |
US9384401B2 (en) | Method for fog detection | |
US8064643B2 (en) | Detecting and recognizing traffic signs | |
CA2885019C (en) | Robust windshield detection via landmark localization | |
US10643091B2 (en) | Automatic feature point detection for calibration of multi-camera systems | |
US20070273554A1 (en) | Parking assist method and parking assist apparatus | |
JP5023872B2 (ja) | 画像表示制御装置及び画像表示制御システム | |
CN105678787A (zh) | 一种基于双目鱼眼摄像头的载重货车行驶障碍物检测及跟踪方法 | |
CN112084232B (zh) | 基于目标他车视野信息的车辆行驶风险评估方法及装置 | |
CN108345855B (zh) | 一种车道压线检测方法及系统 | |
CN107284455B (zh) | 一种基于图像处理的adas系统 | |
CN104057882A (zh) | 基于双摄像机的前方路缘观察系统 | |
EP3157255A1 (en) | Calibration apparatus and calibration method | |
CN109389060B (zh) | 一种基于视觉的车周碰撞预警方法 | |
DE102016215115A1 (de) | Vorrichtung und Verfahren zum Detektieren von Verkehrsteilnehmern in einem Umfeld eines Ego-Fahrzeugs | |
CN113635833A (zh) | 基于汽车a柱的车载显示装置、方法、系统及存储介质 | |
DE102006037600B4 (de) | Verfahren zur auflösungsabhängigen Darstellung der Umgebung eines Kraftfahrzeugs | |
CN113071500A (zh) | 车道线的获取方法、装置、计算机设备和存储介质 | |
CN115527395B (zh) | 用于辅助判断的智能交通安全鉴定装置 | |
JP2005173899A (ja) | 周囲状況表示装置 | |
CN112954309B (zh) | 一种基于ar-hud增强现实在车载对目标跟踪效果的试验方法 | |
CN113688662A (zh) | 机动车过车警示方法、装置、电子装置和计算机设备 | |
KR20180081966A (ko) | 차량 인식을 통한 영상 교정 방법 | |
WO2016079117A1 (en) | Gradient detection based on perspective-transformed image |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20210622 |