CN110097025A - 车道线的检测方法、装置及存储介质 - Google Patents
车道线的检测方法、装置及存储介质 Download PDFInfo
- Publication number
- CN110097025A CN110097025A CN201910394375.3A CN201910394375A CN110097025A CN 110097025 A CN110097025 A CN 110097025A CN 201910394375 A CN201910394375 A CN 201910394375A CN 110097025 A CN110097025 A CN 110097025A
- Authority
- CN
- China
- Prior art keywords
- lane
- lane line
- line
- highest
- histogram
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 76
- 230000000007 visual effect Effects 0.000 claims abstract description 90
- 238000000034 method Methods 0.000 claims abstract description 34
- 230000003068 static effect Effects 0.000 claims description 39
- 238000002594 fluoroscopy Methods 0.000 claims description 33
- 238000012545 processing Methods 0.000 claims description 18
- 230000004927 fusion Effects 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 238000009499 grossing Methods 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 abstract description 5
- 230000002093 peripheral effect Effects 0.000 description 10
- 238000004891 communication Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 230000008901 benefit Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 239000000919 ceramic Substances 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000001052 transient effect Effects 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
Classifications
-
- 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
- G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
-
- 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
- G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
- G06V10/507—Summing image-intensity values; Histogram projection analysis
-
- 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
-
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Traffic Control Systems (AREA)
- Image Processing (AREA)
Abstract
本申请公开了一种车道线的检测方法、装置及存储介质,属于智能汽车技术领域。所述方法包括:获取当前行驶方向上的视觉图像;基于所述视觉图像,确定车道线直方图;基于所述车道线直方图拟合车道线,以完成车道线的检测。在本申请中,可以获取汽车行驶方向上的视觉图像,并根据视觉图像确定车道线直方图,从而从车道线直方图中拟合得到车道线,实现车道线的检测。由于无需通过车道线特征点与车道线几何模型进行匹配来提取车道线,也无需通过车道线边缘点的梯度、方向和灰度值等一些特征来检测车道线,从而减少了车道线检测的计算量,提高了车道线检测的效率。
Description
技术领域
本申请涉及智能汽车技术领域,特别涉及一种车道线的检测方法、装置及存储介质。
背景技术
随着技术的发展,智能汽车智能化的程度越来越高,智能汽车可以实现自动驾驶。其中,智能汽车在自动驾驶过程中,为了能够获知前进轨迹,智能汽车则需要获取所处环境的车道线。
目前,通常可以通过模型法和特征法这两类车道线检测算法来进行车道线的检测。其中,模型法主要是通过提取的车道线特征点与车道线几何模型进行匹配来提取车道线,实现对车道线的检测。特征法主要是通过车道线边缘点的梯度、方向和灰度值等一些特征来检测车道线。
但是,通过特征法进行车道线检测时,容易受到道路环境的干扰,导致车道线的检测不准确。通过模型法进行车道线检测时,运算量大,车道线检测的实时性较差,导致车道线的检测效率低。
发明内容
本申请实施例提供了一种车道线的检测方法、装置及存储介质,用于解决相关技术中车道线检测运算量大、实时性差,导致车道线检测效率低的问题。所述技术方案如下:
一方面,提供了一种车道线的检测方法,所述方法包括:
获取当前行驶方向上的视觉图像;
基于所述视觉图像,确定车道线直方图;
基于所述车道线直方图拟合车道线,以完成车道线的检测。
在一些实施例中,所述基于所述视觉图像,确定车道线直方图,包括:
对所述视觉图像进行预处理,得到预处理的视觉图像;
将所述预处理的视觉图像从上到下均分为N个逆透视图像,所述N为大于或等于1的正整数;
确定所述N个逆透视图像中每个逆透视图像的直方图;
对所述N个逆透视图像进行平滑处理,得到所述车道线直方图。
在一些实施例中,所述对所述视觉图像进行预处理,得到预处理的视觉图像,包括:
对所述视觉图像进行阈值化处理,得到第一图像;
修改所述第一图像的颜色空间lab中的b通道阈值,得到第二图像;
将所述第一图像中描述车道线的像素点的像素值修改为第一像素值,并将其他像素点的像素值修改为第二像素值,得到第三图像;
将所述第二图像和第三图像进行融合处理,得到预处理后的视觉图像。
在一些实施例中,所述基于所述车道线直方图拟合车道线,以完成车道线的检测,包括:
从所述车道线直方图中确定描述车道线位置的波峰位置;
在所述最高波峰位置处设置选点框;
基于所述选点框内的点的坐标,拟合所述车道线。
在一些实施例中,所述从所述车道线直方图中确定描述车道线位置的波峰位置,包括:
当所述视觉图像为第一帧图像时,将所述车道线直方图中汽车当前所处位置的中心线确定为所述汽车当前所处车道的静态参考线;
基于所述静态参考线从所述车道线直方图中确定描述车道线位置的波峰位置;
当所述视觉图像不为所述第一帧图像时,基于所述第一帧图像中确定的波峰位置,确定动态参考线;
基于所述动态参考线,确定描述车道线位置的波峰位置。
在一些实施例中,所述基于所述静态参考线从所述车道线直方图中确定描述车道线位置的波峰位置,包括:
确定以所述静态参考线为中心的第一宽度范围内所述车道线直方图中第一最高波峰的位置和第二最高波峰的位置,并将所述第一最高波峰与所述第二最高波峰之间的距离确定为所述汽车当前所处车道的车道宽度,所述第一最高波峰位于所述静态参考线的左侧,且为所述汽车当前所处车道的左侧车道线所在位置,所述第二最高波峰位于所述静态参考线的右侧,且为所述汽车当前所处车道的右侧车道线所在位置;
当接收到向左转向的信号时,以所述汽车当前所处车道的左侧最高波峰位置向左的第二宽度范围内所述车道线直方图中第三最高波峰位置,并将所述第三最高波峰位置与所述第一最高波峰位置之间的距离确定为左边车道的车道宽度,所述第三最高波峰位置为所述左边车道的左侧车道线所在位置;
当接收到向右转向的信号时,以所述汽车当前所处车道的右侧最高波峰位置向右的第三宽度范围内所述车道线直方图中第四最高波峰位置,并将所述第四最高波峰位置与所述第二最高波峰位置之间的距离确定为右边车道的车道宽度,所述第四最高波峰位置为所述右边车道的右侧车道线所在位置。
在一些实施例中,所述基于所述第一帧图像中确定的波峰位置,确定动态参考线,包括:
将所述第一最高波峰位置的横坐标加上所述汽车当前所处车道的车道宽度的1/2,得到所述当前所处车道的动态参考线的横坐标;
当接收到向左转向的信号时,将所述第一最高波峰位置的横坐标加上所述左边车道的车道宽度的1/2,得到所述左边车道的动态参考线的横坐标;
当接收到向右转向的信号时,将所述第二最高波峰位置的横坐标加上所述右边车道的车道宽度的1/2,得到所述右边车道的动态参考线的横坐标。
另一方面,提供了一种车道线的检测装置,所述装置包括:
获取模块,用于获取当前行驶方向上的视觉图像;
确定模块,用于基于所述视觉图像,确定车道线直方图;
拟合模块,用于基于所述车道线直方图拟合车道线,以完成车道线的检测。
在一些实施例中,所述确定模块包括:
预处理子模块,用于对所述视觉图像进行预处理,得到预处理的视觉图像;
均分子模块,用于将所述预处理的视觉图像从上到下均分为N个逆透视图像,所述N为大于或等于1的正整数;
第一确定子模块,用于确定所述N个逆透视图像中每个逆透视图像的直方图;
平滑处理子模块,用于对所述N个逆透视图像进行平滑处理,得到所述车道线直方图。
在一些实施例中,所述预处理子模块用于:
对所述视觉图像进行阈值化处理,得到第一图像;
修改所述第一图像的颜色空间lab中的b通道阈值,得到第二图像;
将所述第一图像中描述车道线的像素点的像素值修改为第一像素值,并将其他像素点的像素值修改为第二像素值,得到第三图像;
将所述第二图像和第三图像进行融合处理,得到预处理后的视觉图像。
在一些实施例中,所述拟合模块包括:
第二确定子模块,用于从所述车道线直方图中确定描述车道线位置的波峰位置;
设置子模块,用于在所述最高波峰位置处设置选点框;
拟合子模块,用于基于所述选点框内的点的坐标,拟合所述车道线。
在一些实施例中,所述第二确定子模块用于:
当所述视觉图像为第一帧图像时,将所述车道线直方图中汽车当前所处位置的中心线确定为所述汽车当前所处车道的静态参考线;
基于所述静态参考线从所述车道线直方图中确定描述车道线位置的波峰位置;
当所述视觉图像不为所述第一帧图像时,基于所述第一帧图像中确定的波峰位置,确定动态参考线;
基于所述动态参考线,确定描述车道线位置的波峰位置。
在一些实施例中,所述第二确定子模块还用于:
确定以所述静态参考线为中心的第一宽度范围内所述车道线直方图中第一最高波峰的位置和第二最高波峰的位置,并将所述第一最高波峰与所述第二最高波峰之间的距离确定为所述汽车当前所处车道的车道宽度,所述第一最高波峰位于所述静态参考线的左侧,且为所述汽车当前所处车道的左侧车道线所在位置,所述第二最高波峰位于所述静态参考线的右侧,且为所述汽车当前所处车道的右侧车道线所在位置;
当接收到向左转向的信号时,以所述汽车当前所处车道的左侧最高波峰位置向左的第二宽度范围内所述车道线直方图中第三最高波峰位置,并将所述第三最高波峰位置与所述第一最高波峰位置之间的距离确定为左边车道的车道宽度,所述第三最高波峰位置为所述左边车道的左侧车道线所在位置;
当接收到向右转向的信号时,以所述汽车当前所处车道的右侧最高波峰位置向右的第三宽度范围内所述车道线直方图中第四最高波峰位置,并将所述第四最高波峰位置与所述第二最高波峰位置之间的距离确定为右边车道的车道宽度,所述第四最高波峰位置为所述右边车道的右侧车道线所在位置。
在一些实施例中,所述第二确定子模块还用于:
将所述第一最高波峰位置的横坐标加上所述汽车当前所处车道的车道宽度的1/2,得到所述当前所处车道的动态参考线的横坐标;
当接收到向左转向的信号时,将所述第一最高波峰位置的横坐标加上所述左边车道的车道宽度的1/2,得到所述左边车道的动态参考线的横坐标;
当接收到向右转向的信号时,将所述第二最高波峰位置的横坐标加上所述右边车道的车道宽度的1/2,得到所述右边车道的动态参考线的横坐标。
另一方面,提供了一种计算机可读存储介质,所述存储介质内存储有计算机程序,所述计算机程序被处理器执行时实现上述提供的一种车道线的检测方法的步骤。
另一方面,提供了一种汽车,所述汽车包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为执行上述提供的一种车道线的检测方法的步骤。
另一方面,提供了一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行上述提供的一种车道线的检测方法的步骤。
本申请实施例提供的技术方案带来的有益效果至少包括:
在本申请实施例中,可以获取汽车行驶方向上的视觉图像,并根据视觉图像确定车道线直方图,从而从车道线直方图中拟合得到车道线,实现车道线的检测。由于无需通过车道线特征点与车道线几何模型进行匹配来提取车道线,也无需通过车道线边缘点的梯度、方向和灰度值等一些特征来检测车道线,从而减少了车道线检测的计算量,提高了车道线检测的效率。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅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是本申请实施例提供的一种车道线的检测方法流程图;
图2是本申请实施例提供的另一种车道线的检测方法流程图;
图3是本申请实施例提供的一种汽车当前所处车道的两侧车道线的检测效果图;
图4是本申请实施例提供的一种汽车换道过程中车道线的检测效果图;
图5是本申请实施例提供的一种车道线的检测装置结构示意图;
图6是本申请实施例提供的一种确定模块的结构示意图;
图7是本申请实施例提供的一种拟合模块的结构示意图;
图8是本申请实施例提供的一种汽车的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将结合附图对本申请实施方式作进一步地详细描述。
在对本申请实施例进行详细的解释说明之前,先对本申请实施例中涉及到的应用场景进行解释说明。
随着技术的发展,智能汽车智能化的程度越来越高,智能汽车可以实现自动驾驶,并在自动驾驶过程中,获取所处环境的车道线。目前,可以通过模型法和特征法这两类车道线检测算法来进行车道线的检测。但是,通过特征法进行车道线检测时,容易受到道路环境的干扰,导致车道线的检测不准确。通过模型法进行车道线检测时,运算量大,车道线检测的实时性较差,导致车道线的检测效率低。
基于这样的应用场景,本申请实施例提供了一种能够提高检测效率的车道线的检测方法。
在对本申请实施例的应用场景进行介绍之后,接下来将结合附图对本申请实施例提供的车道线的检测方法进行详细介绍。
图1为本申请实施例提供的一种车道线的检测方法的流程图,参见图1,该方法应用于汽车中,包括如下步骤。
步骤101:获取当前行驶方向上的视觉图像。
步骤102:基于该视觉图像,确定车道线直方图。
步骤103:基于该车道线直方图拟合车道线,以完成车道线的检测。
在本申请实施例中,可以获取汽车行驶方向上的视觉图像,并根据视觉图像确定车道线直方图,从而从车道线直方图中拟合得到车道线,实现车道线的检测。由于无需通过车道线特征点与车道线几何模型进行匹配来提取车道线,也无需通过车道线边缘点的梯度、方向和灰度值等一些特征来检测车道线,从而减少了车道线检测的计算量,提高了车道线检测的效率。
在一些实施例中,基于该视觉图像,确定车道线直方图,包括:
对该视觉图像进行预处理,得到预处理的视觉图像;
将该预处理的视觉图像从上到下均分为N个逆透视图像,该N为大于或等于1的正整数;
确定该N个逆透视图像中每个逆透视图像的直方图;
对该N个逆透视图像进行平滑处理,得到该车道线直方图。
在一些实施例中,对该视觉图像进行预处理,得到预处理的视觉图像,包括:
对该视觉图像进行阈值化处理,得到第一图像;
修改该第一图像的颜色空间lab中的b通道阈值,得到第二图像;
将该第一图像中描述车道线的像素点的像素值修改为第一像素值,并将其他像素点的像素值修改为第二像素值,得到第三图像;
将该第二图像和第三图像进行融合处理,得到预处理后的视觉图像。
在一些实施例中,基于该车道线直方图拟合车道线,以完成车道线的检测,包括:
从该车道线直方图中确定描述车道线位置的波峰位置;
在该最高波峰位置处设置选点框;
基于该选点框内的点的坐标,拟合该车道线。
在一些实施例中,从该车道线直方图中确定描述车道线位置的波峰位置,包括:
当该视觉图像为第一帧图像时,将该车道线直方图中汽车当前所处位置的中心线确定为该汽车当前所处车道的静态参考线;
基于该静态参考线从该车道线直方图中确定描述车道线位置的波峰位置;
当该视觉图像不为该第一帧图像时,基于该第一帧图像中确定的波峰位置,确定动态参考线;
基于该动态参考线,确定描述车道线位置的波峰位置。
在一些实施例中,基于该静态参考线从该车道线直方图中确定描述车道线位置的波峰位置,包括:
确定以该静态参考线为中心的第一宽度范围内该车道线直方图中第一最高波峰的位置和第二最高波峰的位置,并将该第一最高波峰与该第二最高波峰之间的距离确定为该汽车当前所处车道的车道宽度,该第一最高波峰位于该静态参考线的左侧,且为该汽车当前所处车道的左侧车道线所在位置,该第二最高波峰位于该静态参考线的右侧,且为该汽车当前所处车道的右侧车道线所在位置;
当接收到向左转向的信号时,以该汽车当前所处车道的左侧最高波峰位置向左的第二宽度范围内该车道线直方图中第三最高波峰位置,并将该第三最高波峰位置与该第一最高波峰位置之间的距离确定为左边车道的车道宽度,该第三最高波峰位置为该左边车道的左侧车道线所在位置;
当接收到向右转向的信号时,以该汽车当前所处车道的右侧最高波峰位置向右的第三宽度范围内该车道线直方图中第四最高波峰位置,并将该第四最高波峰位置与该第二最高波峰位置之间的距离确定为右边车道的车道宽度,该第四最高波峰位置为该右边车道的右侧车道线所在位置。
在一些实施例中,基于该第一帧图像中确定的波峰位置,确定动态参考线,包括:
将该第一最高波峰位置的横坐标加上该汽车当前所处车道的车道宽度的1/2,得到该当前所处车道的动态参考线的横坐标;
当接收到向左转向的信号时,将该第一最高波峰位置的横坐标加上该左边车道的车道宽度的1/2,得到该左边车道的动态参考线的横坐标;
当接收到向右转向的信号时,将该第二最高波峰位置的横坐标加上该右边车道的车道宽度的1/2,得到该右边车道的动态参考线的横坐标。
上述所有可选技术方案,均可按照任意结合形成本申请的可选实施例,本申请实施例对此不再一一赘述。
图2为本申请实施例提供的一种车道线的检测方法的流程图,参见图2,该方法包括如下步骤。
步骤201:汽车获取当前行驶方向上的视觉图像。
由于汽车在行驶过程中,为了实现自动驾驶,通常会获取行驶方向上的一些消息,因此,为了检测车道线的位置,汽车可以获取当前行驶方向上的视觉图像。
作为一种示例,汽车可以通过安装的摄像头获取当前行驶方向上的视觉图像。
需要说明的是,汽车可以实时获取当前行驶方向上的视觉图像,也可以每隔检测时间间隔获取当前行驶方向上的视觉图像。该检测时间间隔可以事先设置,比如,该检测时间间隔可以为5分钟、10分钟等等。
步骤202:汽车基于该视觉图像,确定车道线直方图。
为了提高检测车道线的效率和准确性,汽车可以基于该视觉图像,确定车道线直方图。而汽车基于视觉图像,确定车道线直方图的操作可以为:对该视觉图像进行预处理,得到预处理的视觉图像;将该预处理的视觉图像从上到下均分为N个逆透视图像,N为大于或等于1的正整数;确定N个逆透视图像中每个逆透视图像的直方图;对N个逆透视图像进行平滑处理,得到该车道线直方图。
示例性地,N可以为4,也即是,汽车可以将该预处理的视觉图像从上到下均分为4个逆透视图像。
需要说明的是,为了使车道线的波峰更加突出,汽车可以对N个逆透视图像进行平滑处理,从而去除图像中的“毛刺”。
在一些实施例中,汽车对该视觉图像进行预处理,得到预处理的视觉图像的操作可以为:对该视觉图像进行阈值化处理,得到第一图像;修改第一图像的颜色空间lab中的b通道阈值,得到第二图像;将该第一图像中描述车道线的像素点的像素值修改为第一像素值,并将其他像素点的像素值修改为第二像素值,得到第三图像;将该第二图像和第三图像进行融合处理,得到预处理后的视觉图像。
需要说明的是,汽车对视觉图像进行阈值化处理时,type类型可以选用8RESH_TOZERO。
示例性地,汽车修改第一图像的颜色空间lab中的b通道阈值的操作可以为:汽车将第一图像的颜色空间lab中的b通道阈值修改为预设阈值,该预设阈值可以事先设置,比如,该预设阈值可以为200等等。第一像素值和第二像素值同样可以事先设置,该第一像素值可以为255,第二像素值可以为0。
示例性地,由于车道线具有一定的宽度,因此,汽车在将该第一图像中描述车道线的像素点的像素值修改为第一像素值时,可以将宽度范围内的像素点的像素值修改为第一像素值。该宽度范围为车道线的宽度范围。
为了便于说明,汽车可以通过下述公式说明得到第三图像的步骤。
需要说明的是,在上述公式(1)中,a(i,j)为像素坐标为(i,j)的像素值。
步骤203:汽车基于该车道线直方图拟合车道线,以完成车道线的检测。
在一些实施例中,汽车基于车道线直方图拟合车道线的操作可以为:从车道线直方图中确定描述车道线位置的波峰位置;在最高波峰位置处设置选点框;基于该选点框内的点的坐标,拟合该车道线。
由于汽车采集的视觉图像可能为第一帧图像,也可能不是第一帧图像,根据不同的帧图像,汽车确定描述车道线位置的波峰位置操作也不同。作为一种示例,汽车从车道线直方图中确定描述车道线位置的波峰位置的操作可以为:当视觉图像为第一帧图像时,将车道线直方图中汽车当前所处位置的中心线确定为该汽车当前所处车道的静态参考线;基于该静态参考线从该车道线直方图中确定描述车道线位置的波峰位置;当该视觉图像不为该第一帧图像时,基于该第一帧图像中确定的波峰位置,确定动态参考线;基于该动态参考线,确定描述车道线位置的波峰位置。
由于上述步骤202中将该预处理的视觉图像从上到下均分为N个逆透视图像,因此,对于N个逆透视图像,汽车均需要按照上述方式基于该车道线直方图拟合车道线。
又由于第一帧图像可以默认在汽车在直线行驶情况下得到,因此,对于N个逆透视图像,在逆透视操作时,可以将汽车置于图像中心,并将逆透视图像的中心线确定为汽车当前所处车道的中心线,并将该中心线确定为静态参考线。
作为一种示例,汽车基于静态参考线确定车道线直方图中确定描述车道线位置的波峰位置的操作可以为:确定以静态参考线为中心的第一宽度范围内车道线直方图中第一最高波峰的位置和第二最高波峰的位置,并将该第一最高波峰与该第二最高波峰之间的距离确定为该汽车当前所处车道的车道宽度,该第一最高波峰位于静态参考线的左侧,且为汽车当前所处车道的左侧车道线所在位置,该第二最高波峰位于该静态参考线的右侧,且为该汽车当前所处车道的右侧车道线所在位置;当接收到向左转向的信号时,以该汽车当前所处车道的左侧最高波峰位置向左的第二宽度范围内该车道线直方图中第三最高波峰位置,并将该第三最高波峰位置与该第一最高波峰位置之间的距离确定为左边车道的车道宽度,该第三最高波峰位置为该左边车道的左侧车道线所在位置;当接收到向右转向的信号时,以该汽车当前所处车道的右侧最高波峰位置向右的第三宽度范围内该车道线直方图中第四最高波峰位置,并将该第四最高波峰位置与该第二最高波峰位置之间的距离确定为右边车道的车道宽度,该第四最高波峰位置为该右边车道的右侧车道线所在位置。
需要说明的是,由于是在车道线直方图中确定描述车道线位置的波峰位置,因此,确定的车道线宽度可以通过像素宽度表示,比如,当前所处车道的车道宽度可以记为C1,左边车道的车道宽度可以记为C2,右边车道的车道宽度可以记为C3。
还需要说明的是,该第一宽度范围、第二宽度范围和第三宽度范围可以事先设置,比如,第一宽度范围为静态参考线左右M个像素以外,I个像素以内的范围,M和I均为大于或等于1的正整数;第二宽度范围可以为C1-I个像素以外,C1+M个像素以内的范围;第三宽度范围可以为C1-I个像素以外,C1+M个像素以内的范围。
作为一种示例,汽车基于该第一帧图像中确定的波峰位置,确定动态参考线的操作可以为:将该第一最高波峰位置的横坐标加上该汽车当前所处车道的车道宽度的1/2(也即是C1/2),得到该当前所处车道的动态参考线的横坐标;当接收到向左转向的信号时,将该第一最高波峰位置的横坐标加上该左边车道的车道宽度的1/2(也即是C2/2),得到该左边车道的动态参考线的横坐标;当接收到向右转向的信号时,将该第二最高波峰位置的横坐标加上该右边车道的车道宽度的1/2(也即是C3/2),得到该右边车道的动态参考线的横坐标。
在一些实施例中,汽车在确定各个车道的动态参考线后,可以基于该动态参考线,确定描述车道线位置的波峰位置。需要说明的是,汽车基于各个车道的动态参考线,确定描述各个车道的车道线位置的波峰位置的操作可以参考汽车基于静态参考线,确定描述汽车当前所处车道的车道线位置的波峰位置的操作。也即是,汽车可以确定以当前所处车道的动态参考线为中心的第四宽度范围内车道线直方图中第五最高波峰的位置和第六最高波峰的位置,并将该第五最高波峰与该第六最高波峰之间的距离确定为该汽车当前所处车道的车道宽度,该第五最高波峰位于当前所处车道的动态参考线的左侧,且为汽车当前所处车道的左侧车道线所在位置,该第六最高波峰位于该当前所处车道的动态参考线的右侧,且为该汽车当前所处车道的右侧车道线所在位置。同理,汽车可以确定以左边车道的动态参考线为中心的第五宽度范围内车道线直方图中第七最高波峰的位置和第八最高波峰的位置,并将该第七最高波峰与该第八最高波峰之间的距离确定为左边车道的车道宽度,该第七最高波峰位于左边车道的动态参考线的左侧,且为左边车道的左侧车道线所在位置,该第八最高波峰位于该左边车道的动态参考线的右侧,且为左边车道的右侧车道线所在位置。同理,汽车可以确定以右边车道的动态参考线为中心的第六宽度范围内车道线直方图中第九最高波峰的位置和第十最高波峰的位置,并将该第九最高波峰与该第十最高波峰之间的距离确定为右边车道的车道宽度,该第九最高波峰位于右边车道的动态参考线的左侧,且为右边车道的左侧车道线所在位置,该第十最高波峰位于该右边车道的动态参考线的右侧,且为右边车道的右侧车道线所在位置。
需要说明的是,该第四宽度范围、第五宽度范围和第六宽度范围同样可以事先设置,比如,第四宽度范围为当前所处车道的动态参考线左右M个像素以外,I个像素以内的范围,M和I均为大于或等于1的正整数;第五宽度范围可以为C1-I个像素以外,C1+M个像素以内的范围;第六宽度范围可以为C1-I个像素以外,C1+M个像素以内的范围。
为了便于对本申请实施例进行理解,本申请实施例通过附图对车道线的检测效果进行说明。图3提供了一种汽车当前所处车道的两侧车道线的检测效果图,以及图4提供了一种汽车换道过程中车道线的检测效果图。
在一些实施例中,汽车可以将第一帧图像中确定的描述当前所处车道、左边车道和/或右边车道的车道线位置的波峰位置,确定为历史帧数据。将当前帧图像中确定的波峰位置与历史帧数据进行对比,当当前帧图像中确定的波峰位置与历史帧数据所描述的位置相差较大时,比如,位置相差大于或等于位置误差时,丢弃从当前帧图像中确定的波峰位置,并将历史帧数据所描述的波峰位置确定为当前帧图像中确定的波峰位置。
作为一种示例,汽车可以在最高波峰位置处设置选点框,也即是,汽车可以最高波峰位置为选点框中点(或者为选点框最右下角的点、最右上角的点、最左下角的点、最左上角的点、选点框任一一边的中点等等),并设置宽度阈值为选点框的宽度,将每个逆透视图像的长度确定为选点框长度,从而得到选点框。
需要说明的是,宽度阈值可以事先设置,比如,该宽度阈值可以为20个像素点的宽度、10个像素点的宽度、30个像素点的宽度等等。
作为一种示例,汽车在基于该选点框内的点的坐标,拟合车道线时,可以选取二次曲线模型,也即是,y=a1x2+b1x+c,通过最小二乘法和选点框内点的坐标,确定参数a1、b1和c,从而得到车道线方程,并根据车道线方程拟合得到车道线。
步骤204:汽车基于车道线对汽车进行控制。
由于汽车可以根据车道线位置进行一系列的自动驾驶控制,因此,汽车在检测到车道线位置后,可以根据车道线位置控制汽车,比如,控制汽车进行车道线保持功能,或者,控制汽车提醒驾驶员偏离车道等等。
在本申请实施例中,可以获取汽车行驶方向上的视觉图像,并对视觉图像进行预处理得到车道线直方图,从而从车道线直方图中通过静态参考线和动态参考线确定最高波峰位置,根据设置的选点框在最高波峰位置处进行选点,从而拟合得到车道线,实现车道线的检测。由于无需通过车道线特征点与车道线几何模型进行匹配来提取车道线,也无需通过车道线边缘点的梯度、方向和灰度值等一些特征来检测车道线,从而减少了车道线检测的计算量。同时,对视觉图像预处理是建立在逆透视图上,车道线上的灰度值大于其两侧灰度值这种方法,与Lab颜色空间方法,融合这两种方法得到的图像,使各自优缺点相互弥补,相辅相成,车道线可以达到最优分离效果,从而提高了车道线检测的效率。
在对本申请实施例提供的车道线的检测方法进行解释说明之后,接下来,对本申请实施例提供的车道线的检测装置进行介绍。
图5是本公开实施例提供的一种车道线的检测装置的框图,参见图5,该装置可以由软件、硬件或者两者的结合实现。该装置包括:获取模块501、确定模块502和拟合模块503。
获取模块501,用于获取当前行驶方向上的视觉图像;
确定模块502,用于基于所述视觉图像,确定车道线直方图;
拟合模块503,用于基于所述车道线直方图拟合车道线,以完成车道线的检测。
在一些实施例中,参见图6,所述确定模块502包括:
预处理子模块5021,用于对所述视觉图像进行预处理,得到预处理的视觉图像;
均分子模块5022,用于将所述预处理的视觉图像从上到下均分为N个逆透视图像,所述N为大于或等于1的正整数;
第一确定子模块5023,用于确定所述N个逆透视图像中每个逆透视图像的直方图;
平滑处理子模块5024,用于对所述N个逆透视图像进行平滑处理,得到所述车道线直方图。
在一些实施例中,所述预处理子模块5021用于:
对所述视觉图像进行阈值化处理,得到第一图像;
修改所述第一图像的颜色空间lab中的b通道阈值,得到第二图像;
将所述第一图像中描述车道线的像素点的像素值修改为第一像素值,并将其他像素点的像素值修改为第二像素值,得到第三图像;
将所述第二图像和第三图像进行融合处理,得到预处理后的视觉图像。
在一些实施例中,参见图7,所述拟合模块503包括:
第二确定子模块5031,用于从所述车道线直方图中确定描述车道线位置的波峰位置;
设置子模块5032,用于在所述最高波峰位置处设置选点框;
拟合子模块5033,用于基于所述选点框内的点的坐标,拟合所述车道线。
在一些实施例中,所述第二确定子模块5031用于:
当所述视觉图像为第一帧图像时,将所述车道线直方图中汽车当前所处位置的中心线确定为所述汽车当前所处车道的静态参考线;
基于所述静态参考线从所述车道线直方图中确定描述车道线位置的波峰位置;
当所述视觉图像不为所述第一帧图像时,基于所述第一帧图像中确定的波峰位置,确定动态参考线;
基于所述动态参考线,确定描述车道线位置的波峰位置。
在一些实施例中,所述第二确定子模块5031还用于:
确定以所述静态参考线为中心的第一宽度范围内所述车道线直方图中第一最高波峰的位置和第二最高波峰的位置,并将所述第一最高波峰与所述第二最高波峰之间的距离确定为所述汽车当前所处车道的车道宽度,所述第一最高波峰位于所述静态参考线的左侧,且为所述汽车当前所处车道的左侧车道线所在位置,所述第二最高波峰位于所述静态参考线的右侧,且为所述汽车当前所处车道的右侧车道线所在位置;
当接收到向左转向的信号时,以所述汽车当前所处车道的左侧最高波峰位置向左的第二宽度范围内所述车道线直方图中第三最高波峰位置,并将所述第三最高波峰位置与所述第一最高波峰位置之间的距离确定为左边车道的车道宽度,所述第三最高波峰位置为所述左边车道的左侧车道线所在位置;
当接收到向右转向的信号时,以所述汽车当前所处车道的右侧最高波峰位置向右的第三宽度范围内所述车道线直方图中第四最高波峰位置,并将所述第四最高波峰位置与所述第二最高波峰位置之间的距离确定为右边车道的车道宽度,所述第四最高波峰位置为所述右边车道的右侧车道线所在位置。
在一些实施例中,所述第二确定子模块5031还用于:
将所述第一最高波峰位置的横坐标加上所述汽车当前所处车道的车道宽度的1/2,得到所述当前所处车道的动态参考线的横坐标;
当接收到向左转向的信号时,将所述第一最高波峰位置的横坐标加上所述左边车道的车道宽度的1/2,得到所述左边车道的动态参考线的横坐标;
当接收到向右转向的信号时,将所述第二最高波峰位置的横坐标加上所述右边车道的车道宽度的1/2,得到所述右边车道的动态参考线的横坐标。
综上所述,在本申请实施例中,可以获取汽车行驶方向上的视觉图像,并对视觉图像进行预处理得到车道线直方图,从而从车道线直方图中通过静态参考线和动态参考线确定最高波峰位置,根据设置的选点框在最高波峰位置处进行选点,从而拟合得到车道线,实现车道线的检测。由于无需通过车道线特征点与车道线几何模型进行匹配来提取车道线,也无需通过车道线边缘点的梯度、方向和灰度值等一些特征来检测车道线,从而减少了车道线检测的计算量。同时,对视觉图像预处理是建立在逆透视图上,车道线上的灰度值大于其两侧灰度值这种方法,与Lab颜色空间方法,融合这两种方法得到的图像,使各自优缺点相互弥补,相辅相成,车道线可以达到最优分离效果,从而提高了车道线检测的效率。
需要说明的是:上述实施例提供的车道线的检测装置在检测车道线时,仅以上述各功能模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将装置的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。另外,上述实施例提供的车道线的检测装置与车道线的检测方法实施例属于同一构思,其具体实现过程详见方法实施例,这里不再赘述。
图8示出了本申请一个示例性实施例提供的汽车800的结构框图。
通常,汽车800包括有:处理器801和存储器802。
处理器801可以包括一个或多个处理核心,比如4核心处理器、8核心处理器等。处理器801可以采用DSP(Digital Signal Processing,数字信号处理)、FPGA(Field-Programmable Gate Array,现场可编程门阵列)、PLA(Programmable Logic Array,可编程逻辑阵列)中的至少一种硬件形式来实现。处理器801也可以包括主处理器和协处理器,主处理器是用于对在唤醒状态下的数据进行处理的处理器,也称CPU(Central ProcessingUnit,中央处理器);协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中,处理器801可以在集成有GPU(Graphics Processing Unit,图像处理器),GPU用于负责显示屏所需要显示的内容的渲染和绘制。一些实施例中,处理器801还可以包括AI(Artificial Intelligence,人工智能)处理器,该AI处理器用于处理有关机器学习的计算操作。
存储器802可以包括一个或多个计算机可读存储介质,该计算机可读存储介质可以是非暂态的。存储器802还可包括高速随机存取存储器,以及非易失性存储器,比如一个或多个磁盘存储设备、闪存存储设备。在一些实施例中,存储器802中的非暂态的计算机可读存储介质用于存储至少一个指令,该至少一个指令用于被处理器801所执行以实现本申请中方法实施例提供的车道线的检测方法。
在一些实施例中,汽车800还可选包括有:外围设备接口803和至少一个外围设备。处理器801、存储器802和外围设备接口803之间可以通过总线或信号线相连。各个外围设备可以通过总线、信号线或电路板与外围设备接口803相连。具体地,外围设备包括:射频电路804、触摸显示屏805、摄像头806、音频电路807、定位组件808和电源809中的至少一种。
外围设备接口803可被用于将I/O(Input/Output,输入/输出)相关的至少一个外围设备连接到处理器801和存储器802。在一些实施例中,处理器801、存储器802和外围设备接口803被集成在同一芯片或电路板上;在一些其他实施例中,处理器801、存储器802和外围设备接口803中的任意一个或两个可以在单独的芯片或电路板上实现,本实施例对此不加以限定。
射频电路804用于接收和发射RF(Radio Frequency,射频)信号,也称电磁信号。射频电路804通过电磁信号与通信网络以及其他通信设备进行通信。射频电路804将电信号转换为电磁信号进行发送,或者,将接收到的电磁信号转换为电信号。可选地,射频电路804包括:天线系统、RF收发器、一个或多个放大器、调谐器、振荡器、数字信号处理器、编解码芯片组、用户身份模块卡等等。射频电路804可以通过至少一种无线通信协议来与其它终端进行通信。该无线通信协议包括但不限于:城域网、各代移动通信网络(2G、3G、4G及5G)、无线局域网和/或WiFi(Wireless Fidelity,无线保真)网络。在一些实施例中,射频电路804还可以包括NFC(Near Field Communication,近距离无线通信)有关的电路,本申请对此不加以限定。
显示屏805用于显示UI(User Interface,用户界面)。该UI可以包括图形、文本、图标、视频及其它们的任意组合。当显示屏805是触摸显示屏时,显示屏805还具有采集在显示屏805的表面或表面上方的触摸信号的能力。该触摸信号可以作为控制信号输入至处理器801进行处理。此时,显示屏805还可以用于提供虚拟按钮和/或虚拟键盘,也称软按钮和/或软键盘。在一些实施例中,显示屏805可以为一个,设置汽车800的前面板;在另一些实施例中,显示屏805可以为至少两个,分别设置在汽车800的不同表面或呈折叠设计;在再一些实施例中,显示屏805可以是柔性显示屏,设置在汽车800的弯曲表面上或折叠面上。甚至,显示屏805还可以设置成非矩形的不规则图形,也即异形屏。显示屏805可以采用LCD(LiquidCrystal Display,液晶显示屏)、OLED(Organic Light-Emitting Diode,有机发光二极管)等材质制备。
摄像头组件806用于采集图像或视频。可选地,摄像头组件806包括前置摄像头和后置摄像头。通常,前置摄像头设置在终端的前面板,后置摄像头设置在终端的背面。在一些实施例中,后置摄像头为至少两个,分别为主摄像头、景深摄像头、广角摄像头、长焦摄像头中的任意一种,以实现主摄像头和景深摄像头融合实现背景虚化功能、主摄像头和广角摄像头融合实现全景拍摄以及VR(Virtual Reality,虚拟现实)拍摄功能或者其它融合拍摄功能。
音频电路807可以包括麦克风和扬声器。麦克风用于采集用户及环境的声波,并将声波转换为电信号输入至处理器801进行处理,或者输入至射频电路804以实现语音通信。出于立体声采集或降噪的目的,麦克风可以为多个,分别设置在汽车800的不同部位。麦克风还可以是阵列麦克风或全向采集型麦克风。扬声器则用于将来自处理器801或射频电路804的电信号转换为声波。扬声器可以是传统的薄膜扬声器,也可以是压电陶瓷扬声器。当扬声器是压电陶瓷扬声器时,不仅可以将电信号转换为人类可听见的声波,也可以将电信号转换为人类听不见的声波以进行测距等用途。在一些实施例中,音频电路807还可以包括耳机插孔。
定位组件808用于定位汽车800的当前地理位置,以实现导航或LBS(LocationBased Service,基于位置的服务)。定位组件808可以是基于美国的GPS(GlobalPositioning System,全球定位系统)、中国的北斗系统、俄罗斯的格雷纳斯系统或欧盟的伽利略系统的定位组件。
电源809用于为汽车800中的各个组件进行供电。电源809可以是交流电、直流电、一次性电池或可充电电池。当电源809包括可充电电池时,该可充电电池可以支持有线充电或无线充电。该可充电电池还可以用于支持快充技术。
在一些实施例中,汽车800还包括有一个或多个传感器810。
也即是,本申请实施例不仅提供了一种汽车,包括处理器和用于存储处理器可执行指令的存储器,其中,处理器被配置为执行图1和图2所示的实施例中的方法,而且,本申请实施例还提供了一种计算机可读存储介质,该存储介质内存储有计算机程序,该计算机程序被处理器执行时可以实现图1和图2所示的实施例中的车道线的检测方法。
本领域技术人员可以理解,图8中示出的结构并不构成对汽车800的限定,可以包括比图示更多或更少的组件,或者组合某些组件,或者采用不同的组件布置。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成,也可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,上述提到的存储介质可以是只读存储器,磁盘或光盘等。
以上所述仅为本申请的较佳实施例,并不用以限制本申请,凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (10)
1.一种车道线的检测方法,其特征在于,所述方法包括:
获取当前行驶方向上的视觉图像;
基于所述视觉图像,确定车道线直方图;
基于所述车道线直方图拟合车道线,以完成车道线的检测。
2.如权利要求1所述的方法,其特征在于,所述基于所述视觉图像,确定车道线直方图,包括:
对所述视觉图像进行预处理,得到预处理的视觉图像;
将所述预处理的视觉图像从上到下均分为N个逆透视图像,所述N为大于或等于1的正整数;
确定所述N个逆透视图像中每个逆透视图像的直方图;
对所述N个逆透视图像进行平滑处理,得到所述车道线直方图。
3.如权利要求2所述的方法,其特征在于,所述对所述视觉图像进行预处理,得到预处理的视觉图像,包括:
对所述视觉图像进行阈值化处理,得到第一图像;
修改所述第一图像的颜色空间lab中的b通道阈值,得到第二图像;
将所述第一图像中描述车道线的像素点的像素值修改为第一像素值,并将其他像素点的像素值修改为第二像素值,得到第三图像;
将所述第二图像和第三图像进行融合处理,得到预处理后的视觉图像。
4.如权利要求1所述的方法,其特征在于,所述基于所述车道线直方图拟合车道线,以完成车道线的检测,包括:
从所述车道线直方图中确定描述车道线位置的波峰位置;
在所述最高波峰位置处设置选点框;
基于所述选点框内的点的坐标,拟合所述车道线。
5.如权利要求4所述的方法,其特征在于,所述从所述车道线直方图中确定描述车道线位置的波峰位置,包括:
当所述视觉图像为第一帧图像时,将所述车道线直方图中汽车当前所处位置的中心线确定为所述汽车当前所处车道的静态参考线;
基于所述静态参考线从所述车道线直方图中确定描述车道线位置的波峰位置;
当所述视觉图像不为所述第一帧图像时,基于所述第一帧图像中确定的波峰位置,确定动态参考线;
基于所述动态参考线,确定描述车道线位置的波峰位置。
6.如权利要求5所述的方法,其特征在于,所述基于所述静态参考线从所述车道线直方图中确定描述车道线位置的波峰位置,包括:
确定以所述静态参考线为中心的第一宽度范围内所述车道线直方图中第一最高波峰的位置和第二最高波峰的位置,并将所述第一最高波峰与所述第二最高波峰之间的距离确定为所述汽车当前所处车道的车道宽度,所述第一最高波峰位于所述静态参考线的左侧,且为所述汽车当前所处车道的左侧车道线所在位置,所述第二最高波峰位于所述静态参考线的右侧,且为所述汽车当前所处车道的右侧车道线所在位置;
当接收到向左转向的信号时,以所述汽车当前所处车道的左侧最高波峰位置向左的第二宽度范围内所述车道线直方图中第三最高波峰位置,并将所述第三最高波峰位置与所述第一最高波峰位置之间的距离确定为左边车道的车道宽度,所述第三最高波峰位置为所述左边车道的左侧车道线所在位置;
当接收到向右转向的信号时,以所述汽车当前所处车道的右侧最高波峰位置向右的第三宽度范围内所述车道线直方图中第四最高波峰位置,并将所述第四最高波峰位置与所述第二最高波峰位置之间的距离确定为右边车道的车道宽度,所述第四最高波峰位置为所述右边车道的右侧车道线所在位置。
7.如权利要求5或6所述的方法,其特征在于,所述基于所述第一帧图像中确定的波峰位置,确定动态参考线,包括:
将所述第一最高波峰位置的横坐标加上所述汽车当前所处车道的车道宽度的1/2,得到所述当前所处车道的动态参考线的横坐标;
当接收到向左转向的信号时,将所述第一最高波峰位置的横坐标加上所述左边车道的车道宽度的1/2,得到所述左边车道的动态参考线的横坐标;
当接收到向右转向的信号时,将所述第二最高波峰位置的横坐标加上所述右边车道的车道宽度的1/2,得到所述右边车道的动态参考线的横坐标。
8.一种车道线的检测装置,其特征在于,所述装置包括:
获取模块,用于获取当前行驶方向上的视觉图像;
确定模块,用于基于所述视觉图像,确定车道线直方图;
拟合模块,用于基于所述车道线直方图拟合车道线,以完成车道线的检测。
9.如权利要求8所述的装置,其特征在于,所述确定模块包括:
预处理子模块,用于对所述视觉图像进行预处理,得到预处理的视觉图像;
均分子模块,用于将所述预处理的视觉图像从上到下均分为N个逆透视图像,所述N为大于或等于1的正整数;
第一确定子模块,用于确定所述N个逆透视图像中每个逆透视图像的直方图;
平滑处理子模块,用于对所述N个逆透视图像进行平滑处理,得到所述车道线直方图。
10.一种计算机可读存储介质,其特征在于,所述存储介质内存储有计算机程序,所述计算机程序被处理器执行时实现权利要求1-7中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910394375.3A CN110097025B (zh) | 2019-05-13 | 2019-05-13 | 车道线的检测方法、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910394375.3A CN110097025B (zh) | 2019-05-13 | 2019-05-13 | 车道线的检测方法、装置及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110097025A true CN110097025A (zh) | 2019-08-06 |
CN110097025B CN110097025B (zh) | 2023-08-04 |
Family
ID=67447939
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910394375.3A Active CN110097025B (zh) | 2019-05-13 | 2019-05-13 | 车道线的检测方法、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110097025B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110827347A (zh) * | 2019-11-14 | 2020-02-21 | 青岛盈智科技有限公司 | 一种道路宽度勘测方法、装置和勘测车 |
CN111126276A (zh) * | 2019-12-24 | 2020-05-08 | 苏州智加科技有限公司 | 车道线检测方法、装置、计算机设备及存储介质 |
CN111461008A (zh) * | 2020-03-31 | 2020-07-28 | 华南理工大学 | 结合场景透视信息的无人机航拍目标检测方法 |
CN112163475A (zh) * | 2020-09-15 | 2021-01-01 | 北京三快在线科技有限公司 | 一种确定车道线方向的方法及装置 |
WO2021056341A1 (zh) * | 2019-09-26 | 2021-04-01 | 深圳市大疆创新科技有限公司 | 车道线融合方法、车道线融合装置、车辆和存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130120125A1 (en) * | 2011-11-16 | 2013-05-16 | Industrial Technology Research Institute | Method and system for lane departure warning |
KR20150086789A (ko) * | 2014-01-20 | 2015-07-29 | 한국전자통신연구원 | 영상 기반의 차선 인식 장치 |
CN105718872A (zh) * | 2016-01-15 | 2016-06-29 | 武汉光庭科技有限公司 | 两侧车道快速定位及检测车辆偏转角度的辅助方法及系统 |
CN107194342A (zh) * | 2017-05-16 | 2017-09-22 | 西北工业大学 | 基于逆透视变换的车道线检测方法 |
CN108985230A (zh) * | 2018-07-17 | 2018-12-11 | 深圳市易成自动驾驶技术有限公司 | 车道线检测方法、装置及计算机可读存储介质 |
-
2019
- 2019-05-13 CN CN201910394375.3A patent/CN110097025B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130120125A1 (en) * | 2011-11-16 | 2013-05-16 | Industrial Technology Research Institute | Method and system for lane departure warning |
KR20150086789A (ko) * | 2014-01-20 | 2015-07-29 | 한국전자통신연구원 | 영상 기반의 차선 인식 장치 |
CN105718872A (zh) * | 2016-01-15 | 2016-06-29 | 武汉光庭科技有限公司 | 两侧车道快速定位及检测车辆偏转角度的辅助方法及系统 |
CN107194342A (zh) * | 2017-05-16 | 2017-09-22 | 西北工业大学 | 基于逆透视变换的车道线检测方法 |
CN108985230A (zh) * | 2018-07-17 | 2018-12-11 | 深圳市易成自动驾驶技术有限公司 | 车道线检测方法、装置及计算机可读存储介质 |
Non-Patent Citations (2)
Title |
---|
郭剑鹰等: "一种基于机器学习的ADAS车道类型判别方法", 《汽车电器》 * |
郭剑鹰等: "一种基于机器学习的ADAS车道类型判别方法", 《汽车电器》, no. 12, 31 December 2017 (2017-12-31), pages 22 - 24 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021056341A1 (zh) * | 2019-09-26 | 2021-04-01 | 深圳市大疆创新科技有限公司 | 车道线融合方法、车道线融合装置、车辆和存储介质 |
CN110827347A (zh) * | 2019-11-14 | 2020-02-21 | 青岛盈智科技有限公司 | 一种道路宽度勘测方法、装置和勘测车 |
CN110827347B (zh) * | 2019-11-14 | 2022-08-26 | 青岛盈智科技有限公司 | 一种道路宽度勘测方法、装置和勘测车 |
CN111126276A (zh) * | 2019-12-24 | 2020-05-08 | 苏州智加科技有限公司 | 车道线检测方法、装置、计算机设备及存储介质 |
CN111126276B (zh) * | 2019-12-24 | 2022-09-20 | 苏州智加科技有限公司 | 车道线检测方法、装置、计算机设备及存储介质 |
CN111461008A (zh) * | 2020-03-31 | 2020-07-28 | 华南理工大学 | 结合场景透视信息的无人机航拍目标检测方法 |
CN111461008B (zh) * | 2020-03-31 | 2023-05-23 | 华南理工大学 | 结合场景透视信息的无人机航拍目标检测方法 |
CN112163475A (zh) * | 2020-09-15 | 2021-01-01 | 北京三快在线科技有限公司 | 一种确定车道线方向的方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN110097025B (zh) | 2023-08-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110097025A (zh) | 车道线的检测方法、装置及存储介质 | |
CN109978936B (zh) | 视差图获取方法、装置、存储介质及设备 | |
CN110097576B (zh) | 图像特征点的运动信息确定方法、任务执行方法和设备 | |
CN110059685A (zh) | 文字区域检测方法、装置及存储介质 | |
CN110309243A (zh) | 获取实景电子地图的方法、装置、设备和存储介质 | |
CN109285178A (zh) | 图像分割方法、装置及存储介质 | |
CN110400304A (zh) | 基于深度学习的物体检测方法、装置、设备及存储介质 | |
CN111104893B (zh) | 目标检测方法、装置、计算机设备及存储介质 | |
CN110796248A (zh) | 数据增强的方法、装置、设备及存储介质 | |
CN109302632A (zh) | 获取直播视频画面的方法、装置、终端及存储介质 | |
CN110081902A (zh) | 导航中的方向指示方法、装置及终端 | |
CN109947338A (zh) | 图像切换显示方法、装置、电子设备及存储介质 | |
CN110991457A (zh) | 二维码处理方法、装置、电子设备及存储介质 | |
CN109886208A (zh) | 物体检测的方法、装置、计算机设备及存储介质 | |
CN109835209A (zh) | 汽车的续航里程确定方法、装置及存储介质 | |
CN110070143A (zh) | 获取训练数据的方法、装置、设备及存储介质 | |
CN109581358A (zh) | 障碍物的识别方法、装置及存储介质 | |
CN109130854A (zh) | 限速提醒方法、装置及存储介质 | |
CN108491748A (zh) | 图形码的识别及生成方法、装置及计算机可读存储介质 | |
CN110535890A (zh) | 文件上传的方法和装置 | |
CN109308265A (zh) | 生成反向测试用例的方法和装置 | |
CN109189290A (zh) | 点击区域识别方法、装置和计算机可读存储介质 | |
CN113033341A (zh) | 图像处理方法、装置、电子设备及存储介质 | |
CN110166776A (zh) | 视频编码方法、装置及存储介质 | |
CN110533019A (zh) | 车牌定位方法、装置及存储介质 |
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 |