CN110008895B - 一种赛道特征识别方法及智能赛车 - Google Patents
一种赛道特征识别方法及智能赛车 Download PDFInfo
- Publication number
- CN110008895B CN110008895B CN201910258574.1A CN201910258574A CN110008895B CN 110008895 B CN110008895 B CN 110008895B CN 201910258574 A CN201910258574 A CN 201910258574A CN 110008895 B CN110008895 B CN 110008895B
- Authority
- CN
- China
- Prior art keywords
- track
- correlation coefficient
- dimension
- position information
- threshold
- 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.)
- Active
Links
Images
Classifications
-
- A—HUMAN NECESSITIES
- A63—SPORTS; GAMES; AMUSEMENTS
- A63H—TOYS, e.g. TOPS, DOLLS, HOOPS OR BUILDING BLOCKS
- A63H17/00—Toy vehicles, e.g. with self-drive; ; Cranes, winches or the like; Accessories therefor
- A63H17/14—Endless-track automobiles or trucks
-
- A—HUMAN NECESSITIES
- A63—SPORTS; GAMES; AMUSEMENTS
- A63H—TOYS, e.g. TOPS, DOLLS, HOOPS OR BUILDING BLOCKS
- A63H17/00—Toy vehicles, e.g. with self-drive; ; Cranes, winches or the like; Accessories therefor
- A63H17/26—Details; Accessories
-
- A—HUMAN NECESSITIES
- A63—SPORTS; GAMES; AMUSEMENTS
- A63H—TOYS, e.g. TOPS, DOLLS, HOOPS OR BUILDING BLOCKS
- A63H18/00—Highways or trackways for toys; Propulsion by special interaction between vehicle and track
- A63H18/02—Construction or arrangement of the trackway
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
-
- 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)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种赛道特征识别方法及智能赛车,包括:获取赛道图像,提取赛道图像中特定行内左边线位置信息和右边线位置信息;根据特定行内左边线位置信息和右边线位置信息,计算特定行对应的参数信息;根据参数信息判断赛道图像对应的赛道特征。本发明在提取赛道图像中特定行内左边线位置信息和右边线位置信息,根据左边线位置信息和右边线位置信息,计算对应的参数信息,进一步根据参数信息赛道特征,需要整定、判断的参数少,运算量少,程序简单,节约了运算资源,且不易受到图像畸变和整个赛道环境变化的影响,提高了识别赛道特征的准确性。
Description
技术领域
本发明属于赛道领域,更具体地,涉及一种赛道特征识别方法及智能赛车。
背景技术
在智能小车比赛中,小车要通过直道、弯道、十字以及环岛等各种复杂的赛道特征。为了使智能小车以最佳运动状态按照赛道特征规划的路线行驶,通常需要对赛道特征路径特征进行提取,分析判断属于哪一类赛道特征,再控制智能小车的运动决策。而识别这些赛道特征,一般采用判断赛道边线的丢线数、斜率、连续性或是赛道图像的明暗分布等办法。现有的识别办法较易受到赛道图像畸变和环境光线影响,为识别不同的赛道特征,需要整定、判断的参数过多,常常需要遍历整个赛道图像,过于繁琐、冗余,极大的占用的运算资源,缺乏时效性,且通过这些办法判断得到不同的赛道特征的数据较为接近,容易交叉误判。
因此,特别需要一种简单、快速、准确性高的赛道特征识别方法。
发明内容
本发明的目的是提出了一种赛道特征识别方法及智能赛车,以实现简单、快速、准确地识别赛道特征。
为了实现上述目的,本发明提供了一种赛道特征识别方法,包括:获取赛道图像,提取所述赛道图像中特定行内左边线位置信息和右边线位置信息;根据所述特定行内左边线位置信息和右边线位置信息,计算所述特定行对应的参数信息;根据所述参数信息判断所述赛道图像对应的赛道特征。
优选地,所述提取所述赛道图像中特定行内左边线位置信息和右边线位置信息包括:从所述赛道图像每行的中间位置分别向左右两侧搜索灰度变化超过预定阈值的像素点,所述像素点对应的位置即为所述左边线位置和右边线位置。
优选地,所述参数信息包括左边线盒维数和右边线盒维数。
优选地,所述根据所述参数信息判断所述赛道图像对应的赛道特征包括:当所述左边线盒维数和所述右边线盒维数均小于盒维数阈值且均不等于0时,所述赛道特征为直道;当所述左边线盒维数或所述右边线盒维数大于或等于所述盒维数阈值时,所述赛道特征为弯道;当所述左边线盒维数和所述右边线盒维数均等于0时,所述赛道特征为十字。
优选地,所述参数信息还包括左边线与右边线的相关系数ρXY,其中:
其中,X为左边线位置信息,Y为对应X所在行的右边线位置信息,Cov(X,Y)为X与Y的协方差,σX为X的标准差,σY为Y的标准差。
优选地,所述根据所述参数信息判断所述赛道图像对应的赛道特征包括:当所述左边线盒维数和所述右边线盒维数均小于盒维数阈值且均不等于0,且所述相关系数等于相关系数第一阈值时,所述赛道特征为直道;当所述左边线盒维数或所述右边线盒维数大于或等于所述盒维数阈值,且所述相关系数小于或等于相关系数第二阈值且大于所述相关系数第一阈值时,所述赛道特征为左弯道;当所述左边线盒维数或所述右边线盒维数大于或等于所述盒维数阈值,且所述相关系数大于相关系数第三阈值时,所述赛道特征为右弯道;当所述左边线盒维数和所述右边线盒维数均等于0且所述相关系数不存在时,则所述赛道特征为十字;当左边线盒维数和右边线盒维数其中一个小于盒维数阈值,另一个大于或等于盒维数阈值,且所述相关系数小于或等于相关系数第四阈值且大于相关系数第二阈值时,所述赛道特征为收敛赛道;当左边线盒维数和右边线盒维数其中一个小于盒维数阈值,另一个大于或等于盒维数阈值,且所述相关系数大于或等于相关系数第五阈值且小于或等于相关系数第三阈值时,所述赛道特征为发散赛道;其中,所述相关系数第一阈值、所述相关系数第二阈值、所述相关系数第四阈值、所述相关系数第五阈值、所述相关系数第三阈值依次增大。
优选地,所述根据所述参数信息判断所述赛道图像对应的赛道特征还包括:当根据连续多帧赛道图像判断所述赛道特征由收敛赛道变化为直道再变化为发散赛道时,判断当前赛道图像对应的赛道特征为环岛。
优选地,所述赛道特征识别方法还包括根据所述赛道特征计算预期运动路线,其中,当所述赛道特征为直道时,根据所述左边线位置信息和所述右边线位置信息计算赛道中线位置信息,作为所述预期运动路线;当所述赛道特征为弯道时,根据所述左边线位置信息或所述右边线位置信息向赛道内侧偏移赛道宽度的一半计算所述预期运动路线;当所述赛道特征为十字时,将当前运动路线沿直线延伸作为所述预期运动路线。
优选地,所述赛道特征识别方法还包括根据所述赛道特征计算预期运动路线;当所述赛道特征为直道时,根据所述左边线位置信息和所述右边线位置信息计算赛道中线位置信息,作为所述预期运动路线;当所述赛道特征为左弯道时,根据所述左边线位置信息向赛道内侧偏移赛道宽度的一半计算所述预期运动路线;当所述赛道特征为右弯道时,根据所述右边线位置信息向赛道内侧偏移赛道宽度的一半计算所述预期运动路线;当所述赛道特征为十字时,将当前运动路线沿直线延伸作为所述预期运动路线;当所述赛道特征为收敛赛道或发散赛道时,根据盒维数小于盒维数阈值的一侧边线位置信息向赛道内侧偏移赛道宽度的一半计算所述预期运动路线。
本发明提供了一种智能赛车,包括:摄像头,用于采集赛道图像;存储器,存储有计算机可执行指令;处理器,所述处理器运行所述存储器中的计算机可执行指令,执行以下步骤:获取所述赛道图像,提取所述赛道图像中特定行内左边线位置信息和右边线位置信息;根据所述特定行内左边线位置信息和右边线位置信息,计算所述特定行对应的参数信息;根据所述参数信息判断所述赛道图像对应的赛道特征。
本发明的有益效果在于:本发明的赛道特征识别方法在赛道图像中提取特定行内左边线位置信息和右边线位置信息,根据左边线位置信息和右边线位置信息,计算对应的参数信息,进一步根据参数信息赛道特征,需要整定、判断的参数少,运算量少,程序简单,节约了运算资源,且不易受到图像畸变和整个赛道环境变化的影响,提高了识别赛道特征的准确性。
本发明具有其它的特性和优点,这些特性和优点从并入本文中的附图和随后的具体实施例中将是显而易见的,或者将在并入本文中的附图和随后的具体实施例中进行详细陈述,这些附图和具体实施例共同用于解释本发明的特定原理。
附图说明
通过结合附图对本发明示例性实施方式进行更详细的描述,本发明的上述以及其它目的、特征和优势将变得更加明显,其中,在本发明示例性实施方式中,相同的参考标号通常代表相同部件。
图1示出了根据本发明的一个实施例的赛道特征识别方法的流程图。
图2示出了根据本发明的一个实施例的赛道特征识别方法的搜索赛道所有行得到的赛道边线图。
图3示出了根据本发明的一个实施例的赛道特征识别方法的搜索赛道特定行得到的赛道边线图。
图4a示出了根据本发明的一个实施例的赛道特征识别方法的左弯道的赛道边线图。
图4b示出了根据本发明的一个实施例的赛道特征识别方法的右弯道的赛道边线图。
图4c示出了根据本发明的一个实施例的赛道特征识别方法的直道的赛道边线图。
图5-1至图5-9分别示出了根据本发明的一个实施例的赛道特征识别方法的赛车位置示意图。
图6-1至图6-9分别示出了与图5-1至5-9的赛车位置对应的赛道图像。
图7示出了根据本发明的一个实施例的赛道特征识别方法的赛道轮廓图。
具体实施方式
下面将更详细地描述本发明的优选实施方式。虽然以下描述了本发明的优选实施方式,然而应该理解,可以以各种形式实现本发明而不应被这里阐述的实施方式所限制。相反,提供这些实施方式是为了使本发明更加透彻和完整,并且能够将本发明的范围完整地传达给本领域的技术人员。
根据本发明的赛道特征识别方法,包括:获取赛道图像,提取赛道图像中特定行内左边线位置信息和右边线位置信息;根据特定行内左边线位置信息和右边线位置信息,计算特定行对应的参数信息;根据参数信息判断赛道图像对应的赛道特征。
具体地,在获取的赛道图像中提取赛道图像中特定行内左边线位置信息和右边线位置信息,根据左边线位置信息和右边线位置信息,计算对应的参数信息,进一步根据参数信息判断赛道图像对应的赛道特征。
在实际应用中,特定行可以是位于赛道图像中部的连续行。选择特定行代替整个赛道图像可以降低运算量,此外,赛道图像顶部和底部由于过于靠近或远离摄像头而发生图像畸变,不利于准确提取边线位置,可能影响计算精度。因此,选择位于赛道图像中部的特定行进行计算以提高计算效率和精度。
根据示例性的赛道特征识别方法通过提取左边线位置信息和右边线位置信息,根据左边线位置信息和右边线位置信息计算对应的参数信息,进一步根据参数信息赛道特征,需要整定、判断的参数少,运算量少,节约了运算资源,且不易受到图像畸变和整个赛道环境变化的影响,提高了识别赛道特征的准确性和实时性。
作为优选方案,提取赛道图像中特定行内左边线位置信息和右边线位置信息包括:从赛道图像每行的中间位置分别向左右两侧搜索灰度变化超过预定阈值的像素点,像素点对应的位置即为左边线位置和右边线位置。
具体的,从赛道图像的中间向两边搜索灰度变化超过预定阈值的像素点,也就是寻找有黑白变化的点,该点所在的位置即为左、右边线的位置,记录图像每行左、右边线的位置。
作为优选方案,参数信息包括左边线盒维数和右边线盒维数。
具体的,盒维数又称分形维数,由美国数学家B.B.Mandelbrot于1975年提出并在B.Mandelbrot.The fractal geometry of nature[M].New York:WH Freeman中详细阐述。分形维数是描述分形最主要的参量。欧几里德描述:复杂的海岸线既不是1维直线或曲线,也不是2维的平面或球面,更不像拥有长、宽、高特征的3维的立体图形,不能用维数等于1、2、3这样的整数来描述。分形能够快速将不同维数的图形分开,再进行接下来的分析。由于盒维数适用于计算那些不具有严格自相似的图形的分形维数,并且计算容易,所以在提取一些分形特征方面有重要应用。
计算平面点集F盒维数的方法:按等差数列边长为δ正方形(盒),然后计算这些正方形盒子与点集相交的个数NδF,再以δ为横坐标,NδF为纵坐标,绘出数据点随δ变化曲线,利用最小二乘法预测直线斜率,最后得到任意平面点集F的盒维数。
本发明将盒维数应用在赛道边线特征提取中,在赛道边线特征识别中主要计算局部(特定行)左右边线的盒维数,计算简单,运算量小,判断赛道特征迅速。
作为优选方案,根据参数信息判断赛道图像对应的赛道特征包括:当左边线盒维数和右边线盒维数均小于盒维数阈值且均不等于0时,赛道特征为直道;当左边线盒维数或右边线盒维数大于或等于盒维数阈值时,赛道特征为弯道;当左边线盒维数和右边线盒维数均等于0时,赛道特征为十字。
具体的,当左边线盒维数和右边线盒维数均小于盒维数阈值且均不等于0时,左边线和右边线都存在,赛道特征为直道;当左边线盒维数或右边线盒维数大于或等于盒维数阈值时,这种情况下左边线和右边线都存在或者左边线和右边线只存在其中一个,赛道特征为弯道;当左边线盒维数和右边线盒维数均等于0时,左边线和右边线都不存在,赛道特征为十字。
作为优选方案,参数信息还包括左边线与右边线的相关系数ρXY,其中:
其中,X为左边线位置信息,Y为对应X所在行的右边线位置信息,Cov(X,Y)为X与Y的协方差,σX为X的标准差,σY为Y的标准差。
具体的,相关系数可以直观的反映随机变量之间的线性相关程度,用左边线与右边线的相关系数反映左边线与右边线之间的线性相关程度。
作为优选方案,根据参数信息判断赛道图像对应的赛道特征包括:当左边线盒维数和右边线盒维数均小于盒维数阈值且均不等于0,且相关系数等于相关系数第一阈值时,赛道特征为直道;当左边线盒维数或右边线盒维数大于或等于盒维数阈值,且相关系数小于或等于相关系数第二阈值且大于相关系数第一阈值时,赛道特征为左弯道;当左边线盒维数或右边线盒维数大于或等于盒维数阈值,且相关系数大于相关系数第三阈值时,赛道特征为右弯道;当左边线盒维数和右边线盒维数均等于0且相关系数不存在时,则赛道特征为十字;当左边线盒维数和右边线盒维数其中一个小于盒维数阈值,另一个大于或等于盒维数阈值,且相关系数小于或等于相关系数第四阈值且大于相关系数第二阈值时,赛道特征为收敛赛道;当左边线盒维数和右边线盒维数其中一个小于盒维数阈值,另一个大于或等于盒维数阈值,且相关系数大于或等于相关系数第五阈值且小于或等于相关系数第三阈值时,赛道特征为发散赛道;其中,相关系数第一阈值、相关系数第二阈值、相关系数第四阈值、相关系数第五阈值、相关系数第三阈值依次增大。
具体的,不同的赛道特征的左边线盒维数、右边线盒维数和相关系数大小不同,因此结合左边线盒维数、右边线盒维数和相关系数作为判断赛道特征的依据,方法简单,判断准确。优选相关系数第一阈值为-1、相关系数第二阈值为-0.9、相关系数第四阈值为-0.8、相关系数第五阈值为0.2、相关系数第三阈值为0.5。在路径识别过程中,盒维数阈值是1.15,小于1.15呈现直道特征,大于1.15呈现弯道特征,再结合相关系数判断具体是左弯、右弯、收敛赛道、发散赛道。
作为优选方案,根据参数信息判断赛道图像对应的赛道特征还包括:当根据连续多帧赛道图像判断赛道特征由收敛赛道变化为直道再变化为发散赛道时,判断当前赛道图像对应的赛道特征为环岛。
具体的,环岛征识别较为复杂,当根据连续多帧赛道图像判断赛道特征由收敛赛道变化为直道再变化为发散赛道时,判断当前赛道图像对应的赛道特征为环岛。
当左边线盒维数和右边线盒维数其中一个小于盒维数阈值,另一个从大于或等于盒维数阈值变化为小于盒维数阈值再变化为大于或等于盒维数阈值且左边线与右边线的相关系数对应的从相关系数小于或等于相关系数第四阈值且大于相关系数第二阈值变化为等于相关系数第一阈值再变化为大于或等于相关系数第五阈值且小于或等于相关系数第三阈值时,判断当前赛道图像对应的赛道特征为环岛。
作为优选方案,赛道特征识别方法还包括根据赛道特征计算预期运动路线,其中,当赛道特征为直道时,根据左边线位置信息和右边线位置信息计算赛道中线位置信息,作为预期运动路线;当赛道特征为弯道时,根据左边线位置信息或右边线位置信息向赛道内侧偏移赛道宽度的一半计算预期运动路线;当赛道特征为十字时,将当前运动路线沿直线延伸作为预期运动路线。
具体的,当赛道特征为直道时,左边线和右边线都存在,根据左边线位置信息和右边线位置信息计算赛道中线位置信息,将中线位置信息作为预期运动路线;当赛道特征为弯道时,若左边线和右边线均存在,根据左边线位置信息和右边线位置信息计算中线位置信息,将中线位置信息作为预期运动路线,若左边线或右边线存在,根据存在的单边线位置信息加上赛道宽度的一半计算预期运动路线;当赛道特征为十字时,左边线和右边线都不存在,将当前运动路线沿直线延伸作为预期运动路线。
作为优选方案,赛道特征识别方法还包括根据赛道特征计算预期运动路线;当赛道特征为直道时,根据左边线位置信息和右边线位置信息计算赛道中线位置信息,作为预期运动路线;当赛道特征为左弯道时,根据左边线位置信息向赛道内侧偏移赛道宽度的一半计算预期运动路线;当赛道特征为右弯道时,根据右边线位置信息向赛道内侧偏移赛道宽度的一半计算预期运动路线;当赛道特征为十字时,将当前运动路线沿直线延伸作为预期运动路线;当赛道特征为收敛赛道或发散赛道时,根据盒维数小于盒维数阈值的一侧边线位置信息向赛道内侧偏移赛道宽度的一半计算预期运动路线。
具体的,当赛道特征为直道时,左边线和右边线都存在,根据左边线位置信息和右边线位置信息计算赛道中线位置信息,将中线位置信息作为预期运动路线;当赛道特征为左弯道时,若左边线和右边线均存在,根据左边线位置信息和右边线位置信息计算中线位置信息,将中线位置信息作为预期运动路线,若左边线或右边线存在,根据存在的单边线位置信息加上赛道宽度的一半计算预期运动路线;当赛道特征为右弯道时,若左边线和右边线均存在,根据左边线位置信息和右边线位置信息计算中线位置信息,将中线位置信息作为预期运动路线,若左边线或右边线存在,根据存在的单边线位置信息加上赛道宽度的一半计算预期运动路线;当赛道特征为十字时,左边线和右边线都不存在,将当前运动路线沿直线延伸作为预期运动路线;当赛道特征为收敛赛道时,左边线和右边线都存在,根据盒维数小于盒维数阈值的一侧边线位置信息加上赛道宽度的一半计算;当赛道特征为发散赛道时,左边线和右边线都存在,根据盒维数小于盒维数阈值的一侧边线位置信息加上赛道宽度的一半计算。
根据本发明的智能赛车,包括:摄像头,用于采集赛道图像;存储器,存储有计算机可执行指令;处理器,处理器运行存储器中的计算机可执行指令,执行以下步骤:获取赛道图像,提取赛道图像中特定行内左边线位置信息和右边线位置信息;根据特定行内左边线位置信息和右边线位置信息,计算特定行对应的参数信息;根据参数信息判断赛道图像对应的赛道特征。
具体地,智能赛车在获取赛道图像中提取赛道图像中特定行内左边线位置信息和右边线位置信息,根据左边线位置信息和右边线位置信息,计算对应的参数信息,进一步根据参数信息判断赛道图像对应的赛道特征。
根据示例性的智能赛车通过提取左边线位置信息和右边线位置信息,根据左边线位置信息和右边线位置信息计算对应的参数信息,进一步根据参数信息赛道特征,需要整定、判断的参数少,运算量少,程序简单,节约了运算资源,且不易受到图像畸变和整个赛道环境变化的影响,提高了识别赛道特征的准确性和实时性。
作为优选方案,提取赛道图像中特定行内左边线位置信息和右边线位置信息包括:从赛道图像每行的中间位置分别向左右两侧搜索灰度变化超过预定阈值的像素点,像素点对应的位置即为左边线位置和右边线位置。
作为优选方案,参数信息包括左边线盒维数和右边线盒维数。
作为优选方案,根据参数信息判断赛道图像对应的赛道特征包括:当左边线盒维数和右边线盒维数均小于盒维数阈值且均不等于0时,赛道特征为直道;当左边线盒维数或右边线盒维数大于或等于盒维数阈值时,赛道特征为弯道;当左边线盒维数和右边线盒维数均等于0时,赛道特征为十字。
作为优选方案,参数信息还包括左边线与右边线的相关系数ρXY,其中:
其中,X为左边线位置信息,Y为对应X所在行的右边线位置信息,Cov(X,Y)为X与Y的协方差,σX为X的标准差,σY为Y的标准差。
作为优选方案,根据参数信息判断赛道图像对应的赛道特征包括:当左边线盒维数和右边线盒维数均小于盒维数阈值且均不等于0,且相关系数等于相关系数第一阈值时,赛道特征为直道;当左边线盒维数或右边线盒维数大于或等于盒维数阈值,且相关系数小于或等于相关系数第二阈值且大于相关系数第一阈值时,赛道特征为左弯道;当左边线盒维数或右边线盒维数大于或等于盒维数阈值,且相关系数大于相关系数第三阈值时,赛道特征为右弯道;当左边线盒维数和右边线盒维数均等于0且相关系数不存在时,则赛道特征为十字;当左边线盒维数和右边线盒维数其中一个小于盒维数阈值,另一个大于或等于盒维数阈值,且相关系数小于或等于相关系数第四阈值且大于相关系数第二阈值时,赛道特征为收敛赛道;当左边线盒维数和右边线盒维数其中一个小于盒维数阈值,另一个大于或等于盒维数阈值,且相关系数大于或等于相关系数第五阈值且小于或等于相关系数第三阈值时,赛道特征为发散赛道;其中,相关系数第一阈值、相关系数第二阈值、相关系数第四阈值、相关系数第五阈值、相关系数第三阈值依次增大。
作为优选方案,根据参数信息判断赛道图像对应的赛道特征还包括:当根据连续多帧赛道图像判断赛道特征由收敛赛道变化为直道再变化为发散赛道时,判断当前赛道图像对应的赛道特征为环岛。
作为优选方案,处理器执行的步骤还包括根据赛道特征计算预期运动路线,其中,当赛道特征为直道时,根据左边线位置信息和右边线位置信息计算赛道中线位置信息,作为预期运动路线;当赛道特征为弯道时,根据左边线位置信息或右边线位置信息向赛道内侧偏移赛道宽度的一半计算预期运动路线;当赛道特征为十字时,将当前运动路线沿直线延伸作为预期运动路线。
作为优选方案,处理器执行的步骤还包括根据赛道特征计算预期运动路线;当赛道特征为直道时,根据左边线位置信息和右边线位置信息计算赛道中线位置信息,作为预期运动路线;当赛道特征为左弯道时,根据左边线位置信息向赛道内侧偏移赛道宽度的一半计算预期运动路线;当赛道特征为右弯道时,根据右边线位置信息向赛道内侧偏移赛道宽度的一半计算预期运动路线;当赛道特征为十字时,将当前运动路线沿直线延伸作为预期运动路线;当赛道特征为收敛赛道或发散赛道时,根据盒维数小于盒维数阈值的一侧边线位置信息向赛道内侧偏移赛道宽度的一半计算预期运动路线。
实施例
图1示出了根据本发明的一个实施例的赛道特征识别方法的流程图。图2示出了根据本发明的一个实施例的赛道特征识别方法的搜索赛道所有行得到的赛道边线图。图3示出了根据本发明的一个实施例的赛道特征识别方法的搜索赛道特定行得到的赛道边线图。图4a、图4b和图4c分别示出了根据本发明的一个实施例的赛道特征识别方法的左弯道、右弯道、直道的赛道边线图。图5-1至图5-9分别示出了根据本发明的一个实施例的赛道特征识别方法的赛车位置示意图。图6-1至图6-9分别示出了与图5-1至5-9的赛车位置对应的赛道图像。图7示出了根据本发明的一个实施例的赛道特征识别方法的赛道轮廓图。
如图1所示,根据本实施例的赛道特征识别方法,包括以下步骤:
S102:获取赛道图像,提取赛道图像中特定行内左边线位置信息和右边线位置信息;
提取赛道图像中特定行内左边线位置信息和右边线位置信息包括:从赛道图像每行的中间位置分别向左右两侧搜索灰度变化超过预定阈值的像素点,像素点对应的位置即为左边线位置和右边线位置。在本实施例中,特定行为位于赛道图像中部的第23行-35行。
如图2所示,传统获得赛道边线的方法是搜索赛道所有行得到赛道边线,赛道边线的像素点非常多,赛道边线长,而且由于图像顶部和底部的图像畸变,往往难以正确获得赛道变现。在本实施例中,如图3所示,搜索位于赛道图像中部的23行-35行得到赛道边线,赛道边线的像素点比较少,能提高计算速度,实时性强,且能避免图像畸变带来的误差。
S104:根据特定行内左边线位置信息和右边线位置信息,计算特定行对应的参数信息;
参数信息包括左边线盒维数、右边线盒维数和左边线与右边线的相关系数。
计算平面点集F盒维数的方法:按等差数列边长为δ正方形(盒),然后计算这些正方形盒子与点集相交的个数NδF,再以δ为横坐标,NδF为纵坐标,绘出数据点随δ变化曲线,利用最小二乘法预测直线斜率,最后得到任意平面点集F的盒维数。计算平面点集盒维数的方法属于现有技术,在此不再赘述。
根据公式(1)计算左边线与右边线的相关系数。
S106:根据参数信息判断赛道图像对应的赛道特征。
在本实施例中,根据左边线盒维数、右边线盒维数、左边线与右边线的相关系数判断赛道特征。具体地,当左边线盒维数和右边线盒维数均小于盒维数阈值且均不等于0,且相关系数等于相关系数第一阈值时,赛道特征为直道;当左边线盒维数或右边线盒维数大于或等于盒维数阈值,且相关系数小于或等于相关系数第二阈值且大于相关系数第一阈值时,赛道特征为左弯道;当左边线盒维数或右边线盒维数大于或等于盒维数阈值,且相关系数大于相关系数第三阈值时,赛道特征为右弯道;当左边线盒维数和右边线盒维数均等于0且相关系数不存在时,则赛道特征为十字;当左边线盒维数和右边线盒维数其中一个小于盒维数阈值,另一个大于或等于盒维数阈值,且相关系数小于或等于相关系数第四阈值且大于相关系数第二阈值时,赛道特征为收敛赛道;当左边线盒维数和右边线盒维数其中一个小于盒维数阈值,另一个大于或等于盒维数阈值,且相关系数大于或等于相关系数第五阈值且小于或等于相关系数第三阈值时,赛道特征为发散赛道;其中,相关系数第一阈值、相关系数第二阈值、相关系数第四阈值、相关系数第五阈值、相关系数第三阈值依次增大。在本实施例中,盒维数阈值为1.15,相关系数第一阈值为-1、相关系数第二阈值为-0.9、相关系数第四阈值为-0.8、相关系数第五阈值为0.2、相关系数第三阈值为0.5。根据赛道图像的左、右边线盒维数、盒维数阈值、相关系数、相关系数阈值判断的赛道特征如表1所示。
表1赛道特征判断示例
赛道特征 | 左边线盒维数 | 右边线盒维数 | 相关系数 |
直道 | 1.12 | 1.08 | -1 |
左弯 | 1.03 | 1.32 | -0.99 |
右弯 | 1.08 | 1.38 | 0.6 |
十字 | 0 | 0 | 不存在 |
收敛赛道 | 1.09 | 1.7 | -0.84 |
发散赛道 | 1.12 | 1.19 | 0.4 |
图4a、图4b、图4c对应的赛道特征分别为左弯道、右弯道、直道。
当根据连续多帧赛道图像判断赛道特征由收敛赛道变化为直道再变化为发散赛道时,判断当前赛道图像对应的赛道特征为环岛。
赛道特征识别方法还包括根据赛道特征计算预期运动路线。具体地,当赛道特征为直道时,根据左边线位置信息和右边线位置信息计算赛道中线位置信息,作为预期运动路线;当赛道特征为左弯道时,根据左边线位置信息向赛道内侧偏移赛道宽度的一半计算预期运动路线;当赛道特征为右弯道时,根据右边线位置信息向赛道内侧偏移赛道宽度的一半计算预期运动路线;当赛道特征为十字时,将当前运动路线沿直线延伸作为预期运动路线;当赛道特征为收敛赛道或发散赛道时,根据盒维数小于盒维数阈值的一侧边线位置信息向赛道内侧偏移赛道宽度的一半计算预期运动路线。
如图6-1至图6-9所示,提取9帧赛道图像23-35行的赛道边线位置信息,分别计算对应的左、右边线盒维数和左边线与右边线的相关系数,根据左、右边线的相关盒维数和左边线与右边线的相关系数判断赛道特征,并根据赛道特征计算预期运动路线。在不同位置计算得到的左、右边线盒维数、相关系数和判断的赛道特征如表2所示。
表2赛道特征判断和预期运动路线计算结果
如图5-1和图6-1所示,接近环岛第1个入口时,提取边线位置信息,计算左边线盒维数是1.085,右边线盒维数是1.1155,相关系数是-1,左边、右边都是直道,赋值标志记为0,根据左边线位置信息和右边线位置信息计算中线位置信息,并按照中线位置信息进行运动,此时处于正常直道上,继续保持直行。
如图5-2和图6-2所示,左边线盒维数是1.085,右边线盒维数是0,相关系数不存在,左边线存在,即发现环岛第一个入口,根据左边线位置信息加上赛道宽度的一半计算运动路线,并按照运动路线进行运动,继续保持直行,若当前赋值标志为0,则将赋值标志记为1。在左边线盒维数和右边线盒维数之一为0且相关系数不存在时,不判断赛道特征,根据存在的边线的位置信息加上赛道宽度的一半计算预期运动路线。
如图5-3和图6-3所示,左边线盒维数是1.085,右边线盒维数是1.7004,相关系数是-0.84,赛道特征为收敛赛道,根据左边线位置信息加上赛道宽度的一半计算运动路线,并按照运动路线进行运动,若赋值标志为1,则赋值标志记为2,直行经过环岛第一个入口,继续发现第二个入口。
如图5-4和图6-4所示,左边线盒维数是1.085,右边线盒维数是1.0544,相关系数是-1,赛道特征为直道,当前赋值标志为2,根据左边线位置信息和右边线位置信息计算中线位置信息,并按照中线位置信息进行运动;小车处于环岛第一和第二入口之间的近似直道上,保持直行。
如图5-5和图6-5所示,左边线盒维数是1.1155,右边线盒维数是1.1926,相关系数是0.4,赛道特征为发散赛道,根据左边线位置信息加上赛道宽度的一半计算运动路线,并按照运动路线进行运动,若当前赋值标志为2,则赋值标志记为3,环岛标志为2,意味着到达了环岛的第二个入口,因此驶入环岛,并将环岛标志设定赋值标志记为3。
如图5-6和图6-6所示,左边线盒维数是1.0854,右边线盒维数是0,相关系数不存在,左边线存在,赋值标志为3,根据左边线位置信息加上赛道宽度的一半计算运动路线,并按照运动路线进行运动,在环岛中运行。
如图5-7和图6-7所示,左边线盒维数是1.085,右边线盒维数是0,相关系数不存在,左边线存在,赋值标志为3,根据左边线位置信息加上赛道宽度的一半计算运动路线,并按照运动路线进行运动,在环岛中运行。
如图5-8和图6-8所示,左边线盒维数是1.1155,右边线盒维数是0,相关系数不存在,左边线存在,赋值标志为3,根据左边线位置信息加上赛道宽度的一半计算运动路线,并按照运动路线进行运动,在环岛中运行。
如图5-9和图6-9所示,左边线盒维数是1.1155,右边线盒维数是0.6,相关系数是-1,赛道特征为直道,根据左边线位置信息和右边线位置信息计算中线位置信息,并按照中线位置信息进行运动,若当前赋值标志为3,则赋值标志记为0;经过环岛第二个入口,左边和右边都是直线特征,且满足赋值标志==3;不满足再入环的条件(赋值标志==2),所以按照左边线和正常程序进入后续赛道特征,并在此时赋值标志=0不进入环岛直接驶离。
如图7所示,赛道轮廓图包含的赛道特征有直道、弯道、大S、小S、十字、环岛,根据本实施例的赛道特征识别方法能准确实时地识别这种复杂赛道轮廓图中的赛道特征。
以上已经描述了本发明的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。
Claims (8)
1.一种赛道特征识别方法,其特征在于,包括:
获取赛道图像,提取所述赛道图像中特定行内左边线位置信息和右边线位置信息;所述特定行为位于赛道图像中部的若干连续行;
根据所述特定行内左边线位置信息和右边线位置信息,计算所述特定行对应的参数信息;所述参数信息包括左边线盒维数和右边线盒维数;所述参数信息还包括左边线与右边线的相关系数;
根据所述参数信息判断所述赛道图像对应的赛道特征;
所述根据所述参数信息判断所述赛道图像对应的赛道特征包括:
当所述左边线盒维数和所述右边线盒维数均小于盒维数阈值且均不等于0,且所述相关系数等于相关系数第一阈值时,所述赛道特征为直道;
当所述左边线盒维数或所述右边线盒维数大于或等于所述盒维数阈值,且所述相关系数小于或等于相关系数第二阈值且大于所述相关系数第一阈值时,所述赛道特征为左弯道;
当所述左边线盒维数或所述右边线盒维数大于或等于所述盒维数阈值,且所述相关系数大于相关系数第三阈值时,所述赛道特征为右弯道;
当所述左边线盒维数和所述右边线盒维数均等于0且所述相关系数不存在时,则所述赛道特征为十字;
当左边线盒维数和右边线盒维数其中一个小于盒维数阈值,另一个大于或等于盒维数阈值,且所述相关系数小于或等于相关系数第四阈值且大于相关系数第二阈值时,所述赛道特征为收敛赛道;
当左边线盒维数和右边线盒维数其中一个小于盒维数阈值,另一个大于或等于盒维数阈值,且所述相关系数大于或等于相关系数第五阈值且小于或等于相关系数第三阈值时,所述赛道特征为发散赛道;
其中,所述相关系数第一阈值、所述相关系数第二阈值、所述相关系数第四阈值、所述相关系数第五阈值、所述相关系数第三阈值依次增大。
2.根据权利要求1所述的赛道特征识别方法,其特征在于,所述提取所述赛道图像中特定行内左边线位置信息和右边线位置信息包括:
从所述赛道图像每行的中间位置分别向左右两侧搜索灰度变化超过预定阈值的像素点,所述像素点对应的位置即为所述左边线位置和右边线位置。
3.根据权利要求1所述的赛道特征识别方法,其特征在于,所述根据所述参数信息判断所述赛道图像对应的赛道特征包括:
当所述左边线盒维数和所述右边线盒维数均小于盒维数阈值且均不等于0时,所述赛道特征为直道;
当所述左边线盒维数或所述右边线盒维数大于或等于所述盒维数阈值时,所述赛道特征为弯道;
当所述左边线盒维数和所述右边线盒维数均等于0时,所述赛道特征为十字。
5.根据权利要求1所述的赛道特征识别方法,其特征在于,所述根据所述参数信息判断所述赛道图像对应的赛道特征还包括:
当根据连续多帧赛道图像判断所述赛道特征由收敛赛道变化为直道再变化为发散赛道时,判断当前赛道图像对应的赛道特征为环岛。
6.根据权利要求3所述的赛道特征识别方法,其特征在于,还包括根据所述赛道特征计算预期运动路线,其中,
当所述赛道特征为直道时,根据所述左边线位置信息和所述右边线位置信息计算赛道中线位置信息,作为所述预期运动路线;
当所述赛道特征为弯道时,根据所述左边线位置信息或所述右边线位置信息向赛道内侧偏移赛道宽度的一半计算所述预期运动路线;
当所述赛道特征为十字时,将当前运动路线沿直线延伸作为所述预期运动路线。
7.根据权利要求1所述的赛道特征识别方法,其特征在于,还包括根据所述赛道特征计算预期运动路线;
当所述赛道特征为直道时,根据所述左边线位置信息和所述右边线位置信息计算赛道中线位置信息,作为所述预期运动路线;
当所述赛道特征为左弯道时,根据所述左边线位置信息向赛道内侧偏移赛道宽度的一半计算所述预期运动路线;
当所述赛道特征为右弯道时,根据所述右边线位置信息向赛道内侧偏移赛道宽度的一半计算所述预期运动路线;
当所述赛道特征为十字时,将当前运动路线沿直线延伸作为所述预期运动路线;
当所述赛道特征为收敛赛道或发散赛道时,根据盒维数小于盒维数阈值的一侧边线位置信息向赛道内侧偏移赛道宽度的一半计算所述预期运动路线盒维数阈值。
8.一种智能赛车,其特征在于,包括:
摄像头,用于采集赛道图像;
存储器,存储有计算机可执行指令;
处理器,所述处理器运行所述存储器中的计算机可执行指令,执行以下步骤:
获取所述赛道图像,提取所述赛道图像中特定行内左边线位置信息和右边线位置信息;所述特定行为位于赛道图像中部的若干连续行;
根据所述特定行内左边线位置信息和右边线位置信息,计算所述特定行对应的参数信息;所述参数信息包括左边线盒维数和右边线盒维数;所述参数信息还包括左边线与右边线的相关系数;
根据所述参数信息判断所述赛道图像对应的赛道特征;
所述根据所述参数信息判断所述赛道图像对应的赛道特征包括:
当所述左边线盒维数和所述右边线盒维数均小于盒维数阈值且均不等于0,且所述相关系数等于相关系数第一阈值时,所述赛道特征为直道;
当所述左边线盒维数或所述右边线盒维数大于或等于所述盒维数阈值,且所述相关系数小于或等于相关系数第二阈值且大于所述相关系数第一阈值时,所述赛道特征为左弯道;
当所述左边线盒维数或所述右边线盒维数大于或等于所述盒维数阈值,且所述相关系数大于相关系数第三阈值时,所述赛道特征为右弯道;
当所述左边线盒维数和所述右边线盒维数均等于0且所述相关系数不存在时,则所述赛道特征为十字;
当左边线盒维数和右边线盒维数其中一个小于盒维数阈值,另一个大于或等于盒维数阈值,且所述相关系数小于或等于相关系数第四阈值且大于相关系数第二阈值时,所述赛道特征为收敛赛道;
当左边线盒维数和右边线盒维数其中一个小于盒维数阈值,另一个大于或等于盒维数阈值,且所述相关系数大于或等于相关系数第五阈值且小于或等于相关系数第三阈值时,所述赛道特征为发散赛道;
其中,所述相关系数第一阈值、所述相关系数第二阈值、所述相关系数第四阈值、所述相关系数第五阈值、所述相关系数第三阈值依次增大。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910258574.1A CN110008895B (zh) | 2019-04-01 | 2019-04-01 | 一种赛道特征识别方法及智能赛车 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910258574.1A CN110008895B (zh) | 2019-04-01 | 2019-04-01 | 一种赛道特征识别方法及智能赛车 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110008895A CN110008895A (zh) | 2019-07-12 |
CN110008895B true CN110008895B (zh) | 2023-01-17 |
Family
ID=67169290
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910258574.1A Active CN110008895B (zh) | 2019-04-01 | 2019-04-01 | 一种赛道特征识别方法及智能赛车 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110008895B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102662402A (zh) * | 2012-06-05 | 2012-09-12 | 北京理工大学 | 一种用于赛道的摄像头智能循迹车模 |
CN104574400A (zh) * | 2015-01-12 | 2015-04-29 | 北京联合大学 | 一种基于局部差分盒维数算法的遥感图像分割方法 |
JP2016071817A (ja) * | 2014-10-02 | 2016-05-09 | 株式会社日本自動車部品総合研究所 | 道路区画線情報取得装置 |
CN106570302A (zh) * | 2016-11-15 | 2017-04-19 | 北京大学 | 民用机场地形特征对飞行超限事件影响的分析方法 |
CN106990786A (zh) * | 2017-05-12 | 2017-07-28 | 中南大学 | 智能小车的循迹方法 |
CN108898578A (zh) * | 2018-05-29 | 2018-11-27 | 杭州晟视科技有限公司 | 一种医疗图像的处理方法、装置及计算机存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10089750B2 (en) * | 2017-02-02 | 2018-10-02 | Intel Corporation | Method and system of automatic object dimension measurement by using image processing |
-
2019
- 2019-04-01 CN CN201910258574.1A patent/CN110008895B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102662402A (zh) * | 2012-06-05 | 2012-09-12 | 北京理工大学 | 一种用于赛道的摄像头智能循迹车模 |
JP2016071817A (ja) * | 2014-10-02 | 2016-05-09 | 株式会社日本自動車部品総合研究所 | 道路区画線情報取得装置 |
CN104574400A (zh) * | 2015-01-12 | 2015-04-29 | 北京联合大学 | 一种基于局部差分盒维数算法的遥感图像分割方法 |
CN106570302A (zh) * | 2016-11-15 | 2017-04-19 | 北京大学 | 民用机场地形特征对飞行超限事件影响的分析方法 |
CN106990786A (zh) * | 2017-05-12 | 2017-07-28 | 中南大学 | 智能小车的循迹方法 |
CN108898578A (zh) * | 2018-05-29 | 2018-11-27 | 杭州晟视科技有限公司 | 一种医疗图像的处理方法、装置及计算机存储介质 |
Non-Patent Citations (4)
Title |
---|
Adaptive methods of time-dependent crowd density distribution visualization;Marianna Parzych 等;《2018 Signal Processing: Algorithms, Architectures, Arrangements, and Applications (SPA)》;20181206;全文 * |
基于K60的光电追逐系统的设计与实现;段彦卉 等;《汽车实用技术》;20180831(第16期);全文 * |
基于分形特征的机场跑道识别算法的研究;朱梦宇 等;《红外技术》;20050228;第27卷(第2期);第151-153页 * |
基于分形理论的红外图像机场跑道自动目标识别;闫晓珂 等;《激光与红外》;20060930(第9期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN110008895A (zh) | 2019-07-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107346420B (zh) | 一种基于深度学习的自然场景下文字检测定位方法 | |
CN105046196B (zh) | 基于级联卷积神经网络的前车车辆信息结构化输出方法 | |
CN102609686B (zh) | 一种行人检测方法 | |
CN111640089B (zh) | 一种基于特征图中心点的缺陷检测方法及装置 | |
WO2018072233A1 (zh) | 一种基于选择性搜索算法的车标检测识别方法及系统 | |
CN109753949B (zh) | 一种基于深度学习的多视窗交通标志检测方法 | |
CN110598698B (zh) | 基于自适应区域建议网络的自然场景文本检测方法和系统 | |
CN107103326A (zh) | 基于超像素聚类的协同显著性检测方法 | |
CN103473785B (zh) | 一种基于三值化图像聚类的快速多目标分割方法 | |
CN108038434B (zh) | 基于多示例学习的视频人脸表情预检测方法 | |
CN111368830A (zh) | 基于多视频帧信息和核相光滤波算法的车牌检测识别方法 | |
CN113435240A (zh) | 一种端到端的表格检测和结构识别方法及系统 | |
CN109102538A (zh) | 利用等值线数据提取槽脊特征点与槽脊特征线的方法、天气图分析方法 | |
CN105261021A (zh) | 去除前景检测结果阴影的方法及装置 | |
CN104123554A (zh) | 基于mmtd的sift图像特征提取方法 | |
CN110334709A (zh) | 基于端到端多任务深度学习的车牌检测方法 | |
CN106156750A (zh) | 一种基于卷积神经网络的以图搜车方法 | |
CN102708367A (zh) | 基于目标轮廓特征的图像识别方法 | |
CN112541491A (zh) | 基于图像字符区域感知的端到端文本检测及识别方法 | |
CN107247967B (zh) | 一种基于r-cnn的车窗年检标检测方法 | |
CN107146233A (zh) | 基于岩石薄片偏光序列图的颗粒分割方法 | |
CN112508836A (zh) | 一种基于标注框拼接的深度学习图像增强方法 | |
CN110349176B (zh) | 基于三重卷积网络和感知干扰学习的目标跟踪方法和系统 | |
CN113989308B (zh) | 一种基于霍夫变换与模板匹配的多边形目标分割方法 | |
CN110008895B (zh) | 一种赛道特征识别方法及智能赛车 |
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 |