CN110210298B - 一种基于空中视野的曲折道路信息提取与表示方法 - Google Patents
一种基于空中视野的曲折道路信息提取与表示方法 Download PDFInfo
- Publication number
- CN110210298B CN110210298B CN201910339993.8A CN201910339993A CN110210298B CN 110210298 B CN110210298 B CN 110210298B CN 201910339993 A CN201910339993 A CN 201910339993A CN 110210298 B CN110210298 B CN 110210298B
- Authority
- CN
- China
- Prior art keywords
- road
- straight line
- extracting
- area
- discrete
- 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
- 238000000034 method Methods 0.000 title claims abstract description 20
- 238000012888 cubic function Methods 0.000 claims abstract description 20
- 239000012535 impurity Substances 0.000 claims description 11
- 238000010586 diagram Methods 0.000 claims description 7
- 230000000877 morphologic effect Effects 0.000 claims description 4
- 235000002566 Capsicum Nutrition 0.000 claims description 3
- 239000006002 Pepper Substances 0.000 claims description 3
- 235000016761 Piper aduncum Nutrition 0.000 claims description 3
- 235000017804 Piper guineense Nutrition 0.000 claims description 3
- 235000008184 Piper nigrum Nutrition 0.000 claims description 3
- 238000005452 bending Methods 0.000 claims description 3
- 238000004891 communication Methods 0.000 claims description 3
- 238000009472 formulation Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000013178 mathematical model Methods 0.000 claims description 3
- 239000000203 mixture Substances 0.000 claims description 3
- 230000002093 peripheral effect Effects 0.000 claims description 3
- 150000003839 salts Chemical class 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 claims description 2
- 244000203593 Piper nigrum Species 0.000 claims 1
- 238000000605 extraction Methods 0.000 abstract description 14
- 238000006243 chemical reaction Methods 0.000 abstract 1
- 241000722363 Piper Species 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/73—Deblurring; Sharpening
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/40—Analysis of texture
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- 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
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/048—Detecting movement of traffic to be counted or controlled with provision for compensation of environmental or other condition, e.g. snow, vehicle stopped at detector
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/09—Arrangements for giving variable traffic instructions
- G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
- G08G1/0967—Systems involving transmission of highway information, e.g. weather, speed limits
- G08G1/096708—Systems involving transmission of highway information, e.g. weather, speed limits where the received information might be used to generate an automatic action on the vehicle control
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/09—Arrangements for giving variable traffic instructions
- G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
- G08G1/0968—Systems involving transmission of navigation instructions to the vehicle
- G08G1/096805—Systems involving transmission of navigation instructions to the vehicle where the transmitted instructions are used to compute a route
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/09—Arrangements for giving variable traffic instructions
- G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
- G08G1/0968—Systems involving transmission of navigation instructions to the vehicle
- G08G1/096833—Systems involving transmission of navigation instructions to the vehicle where different aspects are considered when computing the route
-
- 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)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Atmospheric Sciences (AREA)
- Mathematical Physics (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于空中视野的曲折道路提取与表示方法,其特征在于,首先是根据空中全局视野视频流获取道路所在区域图像信息,并结合灰度值等级分级原理和拉普拉斯算子锐化纹理原理等方法提取道路,得到覆盖整个路面的离散点数据。其次是根据参照点信息对道路离散数据进行矫正,实现图像坐标系到世界坐标系的转换。再次利用上面矫正后的道路数据进行几何参数拟合,用直线、圆弧、三次函数线三种线段,实现曲率连续的自由道路线拟合。实现了从空中全局图像中提取曲率连续的几何参数表示的曲折道路线,将辨识的几何参数传给地面智能驾驶车辆,可以为车辆提供全局下的路径参考。
Description
技术领域
本发明涉及道路识别,尤其涉及一种基于空中视野的曲折道路信息提取与表示方法。
背景技术
随着无人驾驶技术的发展,不同场景下道路提取技术不断进步。研究范围涵盖室内、城市和非结构化区域,常用设备主要有相机和激光雷达。技术方案最初为利用地面智能车辆车载的视觉或激光检测前方道路及周边环境,得到自己的安全区域,并对前方道路进行提取从中得到自己的可运行轨迹,如Keyu Lu等人(A hierarchical approach for roaddetection[C]//IEEE International Conference on Robotics&Automation.IEEE,2014)的技术方案。这种技术从智能驾驶车辆本体角度识别道路,是无人驾驶过程中必不可少的。但是由于车载设备视野狭小,为保证安全往往要降低速度。随着空中拍摄技术的发展,越来越多的研究开始利用空中全局视野作为辅助条件,给地面设备以参考,如Jan D.Wegner等人(A higher-order CRF model for road network extraction[C]//Computer Vision&Pattern Recognition.IEEE,2013)利用空中影像提取出道路区域。近来,随着硬件计算性能的提高和深入学习算法的进步,越来越多的道路提取算法被提出,如中国科学院自动化研究所模式识别国家实验室Cheng G等人(Automatic Road Detection and CenterlineExtraction via Cascaded End-to-End Convolutional Neural Network[J].IEEETransactions on Geoscience&Remote Sensing,2017,55(6):3322-3337)利用卷积神经网络来提取道路中心线。但只是从图像处理的角度得到的中心线的位置信息,并未考虑机器人行驶过程中轨迹线要曲率连续才能保持速度连续。我国的道路是结合车辆的行驶特性而建设的(道路几何设计对车辆行驶特性的影响机理研究[D].西南交通大学,2010),因此在提取道路中心线时应符合道路原始设计政策,从而符合智能车辆的运动特性。综上,上述现有的方法尚未能从全局图像到曲率连续的道路线提取。
发明内容
本发明目的是针对传统智能驾驶道路识别仅针对前方局部视野的不足,提供一套全局视野下的曲折道路提取方法,可以用于地面智能驾驶车辆的轨迹规划,有利于加速其通过道路时间。
本发明的目的是通过以下技术方案来实现的:
一种基于空中视野的曲折道路信息提取与表示方法,包括以下步骤:
步骤A:提取路面离散数据;
步骤B:对离散数据进行几何参数拟合;
步骤C:采用较少的几何数据完整的数学公式化表达复杂的道路曲线,辨识出基于复杂道路数学模型表达的几何参数并传给地面智能驾驶车辆。
优选地,所述步骤A包括以下几个子步骤:
A1:利用无人机设备于某一高度获得空中全局视野视频流并获取道路所在区域图像信息;
A2:结合灰度值等级分级原理,利用灰度值的亮度等级不同,区分道路和周围杂质区域;
A3:运用形态学开运算,去除椒盐噪声,将道路区域和周围杂质区域分离;
A4:根据道路区域的面积最大或是道路区域的外围矩形在整图中的比例特征将道路轮廓提取出来,得到道路的RIO区域;
A5:利用拉普拉斯算子锐化纹理原理对道路RIO区域进行锐化,再利用二值化原理对道路区域和周围杂质区域离散点进行区分;
A6:根据区域内离散点疏密的特征提取路面的离散点,得到覆盖整个路面的离散数据。
优选地,所述步骤B包括以下几个子步骤;
B1:得到道路离散点后,对离散点做膨胀操作,将离散点融为以道路线为中心的连通区域,并对该区域提取骨架;
B2:利用霍夫变换原理从骨架图中提取直线,得到直线位置;
B3:将直线位置映射到离散数据中,在离散数据中利用最小二乘法拟合出直线段,两个直线段之间利用圆弧拟合,找到圆弧的位置;
B4:确定直线和圆弧位置后,利用三次函数拟合直线和圆弧的连接处,令三次函数的中心对称点位于直线上且与直线两侧均相切,另一侧与圆弧相接处与圆弧相切且曲率相等,实现曲率连续的道路拟合;
优选地,所述步骤C包括以下几个子步骤:
C1:用直线、三次函数线、圆弧作为一个弯曲单元,其参数表示形式为,其中l表示直线长度,表示第一个三次函数回旋角度,R表示圆弧半径,表示圆弧偏转角度,表示第二个三次函数回旋角度,表示左右偏转标志,将直线、三次函数、圆弧的参数以的形式进行存储;
C2:将每六个这样参数作为一组,多组按照顺序依次拟合拼接,得到曲率连续的复杂自由道路曲线,基于曲率连续的特点用较少的几何数据完整的数学公式化表达复杂的道路曲线;C3:在拥有多帧图像的情况下,从中选取最优的参数组合,传给地面智能驾驶车辆。
本发明的有益效果:
第一,基于空中视野的道路提取,可以从全局层面得到路径,用于地面智能驾驶车辆轨迹规划,避免车辆因转弯后路径状况未知而不得不大幅减速的情况,使机器人可以更合理的控制速度状态,减少通过道路的时间。
第二,将道路曲线以几何参数的形式存储,并可以数学公式的形式表达出来,实现了用很少的数据表达复杂的道路曲线,固定的数据格式便于在地面智能车辆上存储和迁移。
第三,道路线的曲率连续,可以保证刚体智能车辆运动的柔顺性,从而保护车辆机械结构的稳定性。
附图说明
图1是本发明的道路信息提取与表示方法框图
图2是实施例中实验场景空中全局视野图
图3是实施例中基于亮度信息的道路区域提取图
图4是实施例中形态学去噪声图
图5是实施例中提取的道路RIO区域图
图6是实施例中拉普拉斯算子锐化显示纹理图
图7是实施例中提取道路路面离散点
图8是实施例中膨胀连通道路区域
图9是实施例中提取道路线骨架并得到直线段
图10是实施例中两直线之间或道路端点周围拟合圆弧
图11是实施例中三次函数回旋线连接直线圆弧
图12是实施例中道路拟合效果图
图13是实施例中道路拟合的几何参数表。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚,下面将结合实施例对本发明的进行详细地阐述,以使本发明的优点和特征能更易于被本领域技术人员理解,从而对本发明的保护范围做出更清楚明确的界定。
一种基于空中视野的曲折道路信息提取与表示方法,包括以下步骤:
步骤A:提取路面离散数据;
步骤B:对离散数据进行几何参数拟合;
步骤C:采用较少的几何数据完整的数学公式化表达复杂的道路曲线,辨识出基于复杂道路数学模型表达的几何参数并传给地面智能驾驶车辆。
优选地,所述步骤A包括以下几个子步骤:
A1:利用无人机设备于某一高度获得空中全局视野视频流并获取道路所在区域图像信息,图2所示是无人机拍摄的野外自然保护区内的曲折道路;
A2:结合灰度值等级分级原理,利用道路和非道路灰度等级不同进行二值化提取,区分道路和周围杂质区域,得到含有很多杂质区域的道路区域,如图3所示;
A3:运用形态学开运算,去除椒盐噪声,将道路区域和周围杂质区域分离;
A4:根据道路区域的面积最大或是道路区域的外围矩形在整图中的比例特征将道路轮廓提取出来,如图4所示,膨胀轮廓并从原图中得到道路的RIO区域,如图5所示;
A5:利用拉普拉斯算子锐化纹理原理对道路RIO区域进行锐化,再利用二值化原理对道路区域和周围杂质区域离散点进行区分,可以观察到路面因光滑而纹理稀疏,路边沿及外围杂质因杂乱而纹理稠密,如图6所示;
A6:根据区域内离散点疏密的特征提取路面的离散点,得到覆盖整个路面的离散数据,如图7所示。
优选地,所述步骤B包括以下几个子步骤;
B1:得到道路离散点后,对离散点做膨胀操作,将离散点融为以道路线为中心的连通区域,如图8所示,并对该区域提取骨架;
B2:利用霍夫变换原理从骨架图中提取直线,得到直线位置,如图9所示,图9中灰色曲线中两段纯白色直线段即为所求;
B3:将直线位置映射到离散数据中,在离散数据中利用最小二乘法拟合出直线段,两个直线段之间利用圆弧拟合,找到圆弧的位置,如图10所示;
B4:确定直线和圆弧位置后,利用三次函数拟合直线和圆弧的连接处,令三次函数的中心对称点位于直线上且与直线两侧均相切,另一侧与圆弧相接处与圆弧相切且曲率相等,实现曲率连续的道路拟合,如图11所示;
优选地,所述步骤C包括以下几个子步骤:
C1:用直线、三次函数线、圆弧作为一个弯曲单元,其参数表示形式为,其中l表示直线长度,表示第一个三次函数回旋角度,R表示圆弧半径,表示圆弧偏转角度,表示第二个三次函数回旋角度,表示左右偏转标志,将直线、三次函数、圆弧的参数以的形式进行存储如表1所示,本例中第一组数据和第三组数据缺省部分数据,就实现了将曲折道路以几何参数的形式提取出来;
C2:将每六个这样参数作为一组,多组按照顺序依次拟合拼接,得到曲率连续的复杂自由道路曲线,基于曲率连续的特点用较少的几何数据完整的数学公式化表达复杂的道路曲线,将道路曲线标记在原图上,如图12所示,图中的1表示为三次函数回旋线,3表示为圆弧,2表示为直线;
C3:在拥有多帧图像的情况下,从中选取最优的参数组合,传给地面智能驾驶车辆。
综上,本发明提供一种基于空中全局视野的曲折道路提取与表示方法,采用简单的几何参数数据表示任意弯曲且曲率连续的道路线,可用于地面智能驾驶车辆的轨迹规划。
Claims (3)
1.一种基于空中视野的曲折道路信息提取与表示方法,其特征在于,包括以下步骤:
步骤A:提取路面离散数据;
步骤B:对离散数据进行几何参数拟合;
步骤C:采用较少的几何数据完整的数学公式化表达复杂的道路曲线,辨识出基于复杂道路数学模型表达的几何参数并传给地面智能驾驶车辆;所述的步骤C包括以下几个子步骤:
C1:用直线、三次函数线、圆弧作为一个弯曲单元,其参数表示形式为{l,θc1,R,θs,θc2,±1},其中l表示直线长度,θc1表示第一个三次函数回旋角度,R表示圆弧半径,θs表示圆弧偏转角度,θc2表示第二个三次函数回旋角度,±1表示左右偏转标志,将直线、三次函数、圆弧的参数以{l,θc1,R,θs,θc2,±1}的形式进行存储;
C2:将每六个这样参数{l,θc1,R,θs,θc2,±1}作为一组,多组按照顺序依次拟合拼接,得到曲率连续的复杂自由道路曲线,基于曲率连续的特点用较少的几何数据完整的数学公式化表达复杂的道路曲线;
C3:在拥有多帧图像的情况下,从中选取最优的参数组合,传给地面智能驾驶车辆。
2.根据权利要求1所述的一种基于空中视野的曲折道路信息提取与表示方法,其特征在于,所述的步骤A包括以下几个子步骤:
A1:利用无人机设备于某一高度获得空中全局视野视频流并获取道路所在区域图像信息;
A2:结合灰度值等级分级原理,利用灰度值的亮度等级不同,区分道路和周围杂质区域;
A3:运用形态学开运算,去除椒盐噪声,将道路区域和周围杂质区域分离;
A4:根据道路区域的面积最大或是道路区域的外围矩形在整图中的比例特征将道路轮廓提取出来,得到道路的RIO区域;
A5:利用拉普拉斯算子锐化纹理原理对道路RIO区域进行锐化,再利用二值化原理对道路区域和周围杂质区域离散点进行区分;
A6:根据区域内离散点疏密的特征提取路面的离散点,得到覆盖整个路面的离散数据。
3.根据权利要求1所述的一种基于空中视野的曲折道路信息提取与表示方法,其特征在于,所述的步骤B包括以下几个子步骤;
B1:得到道路离散点后,对离散点做膨胀操作,将离散点融为以道路线为中心的连通区域,并对该区域提取骨架;
B2:利用霍夫变换原理从骨架图中提取直线,得到直线位置;
B3:将直线位置映射到离散数据中,在离散数据中利用最小二乘法拟合出直线段,两个直线段之间利用圆弧拟合,找到圆弧的位置;
B4:确定直线和圆弧位置后,利用三次函数拟合直线和圆弧的连接处,令三次函数的中心对称点位于直线上且与直线两侧均相切,另一侧与圆弧相接处与圆弧相切且曲率相等,实现曲率连续的道路拟合。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910339993.8A CN110210298B (zh) | 2019-04-25 | 2019-04-25 | 一种基于空中视野的曲折道路信息提取与表示方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910339993.8A CN110210298B (zh) | 2019-04-25 | 2019-04-25 | 一种基于空中视野的曲折道路信息提取与表示方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110210298A CN110210298A (zh) | 2019-09-06 |
CN110210298B true CN110210298B (zh) | 2023-06-02 |
Family
ID=67786490
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910339993.8A Active CN110210298B (zh) | 2019-04-25 | 2019-04-25 | 一种基于空中视野的曲折道路信息提取与表示方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110210298B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112329553B (zh) * | 2020-10-16 | 2022-10-28 | 福瑞泰克智能系统有限公司 | 一种车道线标注方法及装置 |
CN112529955B (zh) * | 2020-12-08 | 2023-09-29 | 北京首科丰汇科技有限公司 | 一种高速公路的道路归一化与速度恢复方法、装置 |
CN113514037A (zh) * | 2021-07-06 | 2021-10-19 | 东华理工大学 | 基于便携无人机摄影筛查的岩体露头测量方法 |
Family Cites Families (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2507289B2 (ja) * | 1983-08-03 | 1996-06-12 | 株式会社日立製作所 | 画像デ―タ処理方法及び装置 |
US9990556B2 (en) * | 2012-07-27 | 2018-06-05 | Kyocera Corporation | Image processing apparatus, imaging apparatus, movable object, program, and region setting method |
CN103413313B (zh) * | 2013-08-19 | 2016-08-10 | 国家电网公司 | 基于电力机器人的双目视觉导航系统及方法 |
CN103500322B (zh) * | 2013-09-10 | 2016-08-17 | 北京航空航天大学 | 基于低空航拍图像的车道线自动识别方法 |
CN103646249B (zh) * | 2013-12-12 | 2017-11-17 | 江苏大学 | 一种温室智能移动机器人视觉导航路径识别方法 |
CN104392212B (zh) * | 2014-11-14 | 2017-09-01 | 北京工业大学 | 一种基于视觉的道路信息检测及前方车辆识别方法 |
CN108286979B (zh) * | 2017-01-09 | 2021-07-20 | 北京四维图新科技股份有限公司 | 一种获取高精度导航路径数据的方法和装置以及导航系统、驾驶系统 |
CN107462243B (zh) * | 2017-08-04 | 2019-09-20 | 浙江大学 | 一种基于高精度地图的云控自动驾驶任务生成方法 |
CN107590438A (zh) * | 2017-08-16 | 2018-01-16 | 中国地质大学(武汉) | 一种智能辅助驾驶方法及系统 |
CN108280450B (zh) * | 2017-12-29 | 2020-12-29 | 安徽农业大学 | 一种基于车道线的高速公路路面检测方法 |
CN109000678B (zh) * | 2018-08-23 | 2020-11-17 | 武汉中海庭数据技术有限公司 | 基于高精度地图的驾驶辅助装置及方法 |
-
2019
- 2019-04-25 CN CN201910339993.8A patent/CN110210298B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN110210298A (zh) | 2019-09-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109740465B (zh) | 一种基于实例分割神经网络框架的车道线检测算法 | |
CN108519605B (zh) | 基于激光雷达和摄像机的路沿检测方法 | |
CN102682292B (zh) | 基于单目视觉的道路边缘检测及粗定位方法 | |
CN110210298B (zh) | 一种基于空中视野的曲折道路信息提取与表示方法 | |
CN112801022B (zh) | 一种无人驾驶矿卡作业区道路边界快速检测更新的方法 | |
CN114842438B (zh) | 用于自动驾驶汽车的地形检测方法、系统及可读存储介质 | |
CN113255520B (zh) | 基于双目视觉和深度学习的车辆避障方法与电子设备 | |
CN117441197A (zh) | 一种基于行车安全风险场的激光雷达点云动态分割及融合方法 | |
CN111580131B (zh) | 三维激光雷达智能车在高速公路上识别车辆的方法 | |
CN114413881B (zh) | 高精矢量地图的构建方法、装置及存储介质 | |
CN103731652A (zh) | 移动面分界线认知装置和方法、以及移动体设备控制系统 | |
US11024042B2 (en) | Moving object detection apparatus and moving object detection method | |
CN111401150A (zh) | 一种基于实例分割和自适应变换算法的多车道线检测方法 | |
CN106446785A (zh) | 基于双目视觉的可行道路检测方法 | |
CN111209779A (zh) | 可行驶区域检测及智能驾驶控制方法、装置和系统 | |
CN110348273B (zh) | 神经网络模型训练方法、系统及车道线识别方法、系统 | |
CN111860321A (zh) | 一种障碍物识别方法及系统 | |
CN112906616A (zh) | 一种车道线提取与生成方法 | |
CN106803073B (zh) | 基于立体视觉目标的辅助驾驶系统及方法 | |
CN107220632B (zh) | 一种基于法向特征的路面图像分割方法 | |
CN117078717A (zh) | 基于无人机单目相机的道路车辆轨迹提取方法 | |
CN117073664A (zh) | 一种露天矿山道路地形建图方法 | |
CN109389095B (zh) | 一种路面标线图像识别方法和训练方法 | |
Hernández et al. | Lane marking detection using image features and line fitting model | |
CN114266724A (zh) | 基于雷达红外可见光图像融合的高压线检测方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |