CN110334634A - 一种车道线类别的检测方法和预警装置 - Google Patents
一种车道线类别的检测方法和预警装置 Download PDFInfo
- Publication number
- CN110334634A CN110334634A CN201910571678.8A CN201910571678A CN110334634A CN 110334634 A CN110334634 A CN 110334634A CN 201910571678 A CN201910571678 A CN 201910571678A CN 110334634 A CN110334634 A CN 110334634A
- Authority
- CN
- China
- Prior art keywords
- image
- lane line
- lane
- line
- module
- 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.)
- Withdrawn
Links
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60Q—ARRANGEMENT OF SIGNALLING OR LIGHTING DEVICES, THE MOUNTING OR SUPPORTING THEREOF OR CIRCUITS THEREFOR, FOR VEHICLES IN GENERAL
- B60Q9/00—Arrangement or adaptation of signal devices not provided for in one of main groups B60Q1/00 - B60Q7/00, e.g. haptic signalling
-
- 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
- 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)
- Human Computer Interaction (AREA)
- Mechanical Engineering (AREA)
- Traffic Control Systems (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
一种车道线类别的检测方法:(1)拍摄车身前方的路面,获得路面图像;(2)从路面图像中获得感兴趣区域图像,对感兴趣区域图像进行以下两种操作:一,对感兴趣区域图像转换为灰度图像,然后对灰度图像进行图像卷积滤波,从而获得边缘灰度图像;二,对感兴趣区域图像的原始RGB图像,转换为Lab色彩空间图像;(3)对边缘灰度图像执行分行分割,获得多行分割图像;对每一行分割图像分别识别出车道线标记,再将各车道线标记合并为完整的拟合车道线,最后根据拟合车道线和Lab色彩空间图像进行车道线类别划分。本发明能够应对各种光照环境,对图像进行分行分割能够提高效率,减少计算量,同时减少错误率,比直线更能准确拟合实际车道,能够很好地区分黄、白色,提高车道线类别识别率,能够识别不同特征的车道线。
Description
技术领域
本发明涉及电子信息领域,具体的是指一种车道线类别的检测方法和预警装置。
背景技术
随着公路运输发展,路面的车道线种类日益繁多。常见的实际路况中,车道线可以做以下类别的区分:(1)虚线:白色单虚线、黄色单虚线、白色双虚线、黄色双虚线(潮汐车道线);(2)实线:白色单实线、黄色单实线、白色双实线、黄色双实线;(3)虚线+实线:内侧虚线+外侧实线(白色),内侧实线+外侧虚线(白色),中间虚线+两侧虚线(白色),中间实线+两侧虚线(白色)。
现有技术通过采用诸如Canny边缘检测算法的滤波器对灰度图像进行滤波,得到边缘的二值图像。该类方法对有树荫等阴影的路面图像、或是车道线不够明显的道路图像检测效果不好。
针对路面图像中的车道线识别来具体分析,采用诸如Canny边缘检测算法的滤波器,获得二值图像后进行Hough变换等操作,得到拟合边缘的直线,再根据其它一些筛选依据提取车道线。而现有技术一般是用直线拟合车道线,对于弯道的路况存在明显的局限性。
为了突破上述局限,或利用深度学习的方法检测车道,这种方法需要大量的标记数据做训练,同时对算法运算的硬件要求较高。
而且,现有技术中的以上方法均没有对检测到的车道线类别进行详细区分,从而无法对各种实际车道线情况提供更符合交通规则的预警提醒。
发明内容
本发明为了克服上述的现有技术不足之处,提供了一种车道线类别的检测方法,能够快速、高效地检测多种类别车道线,对各种天气、不同光照情形下的路面识别均具有较好鲁棒性。
一种车道线类别的检测方法,包括如下步骤:
(1)图像采集,拍摄车身前方的路面,获得路面图像;
(2)图像处理,从路面图像中获得感兴趣区域图像,并对感兴趣区域图像进行图像卷积滤波使其从RGB转Lab的色彩转换,从而获得边缘灰度图像;
(3)车道线检测,对边缘灰度图像执行分行分割,获得多行分割图像;对于每一行分割图像分别识别出车道线标记,再将各车道线标记合并为完整的拟合车道线,最后根据拟合车道线进行车道线类别划分。
基于上述一种车道线类别的检测方法,本发明还提供了一种车道线类别的预警装置,根据上述一种车道线类别的检测方法所检测到的车道线,结合本车速度和转向信息,对行车做出符合交通法规的预警提醒,具体如下。
一种车道线类别的预警装置,包括设于车身的图像采集模块、图像预处理模块、车道检测模块、车辆信息获取模块、车道偏离预警模块、预警信息保存模块;其中:
图像采集模块,用于图像采集,拍摄车身前方的路面,获得路面图像;
图像预处理模块,用于图像处理,从路面图像中获得感兴趣区域图像,对感兴趣区域图像进行以下两种操作:一,对感兴趣区域图像转换为灰度图像,然后对灰度图像进行图像卷积滤波,从而获得边缘灰度图像;二,对感兴趣区域图像的原始RGB图像,转换为Lab色彩空间图像;
车道检测模块,用于车道线检测,对边缘灰度图像执行分行分割,获得多行分割图像;对于每一行分割图像分别识别出车道线标记,再将各车道线标记合并为完整的拟合车道线,最后根据拟合车道线和Lab色彩空间图像进行车道线类别划分;
车辆信息获取模块,用于获取车速信息和转向信息;
车道偏离预警模块,用于结合检测到的车道线、车速信息和转向信息,依据交通法规,做出分级预警;
预警信息保存模块,用于将分级预警时图像采集模块获取的视频或是图片保存为预警信息。
与现有技术相比,本发明的有益效果在于:
(1)图像处理过程中,通过卷积滤波算法能够应对各种光照环境,通过感兴趣区域图像分行分割检测等预处理能够提高效率,减少计算量,同时减少错误率;
(2)拟合车道线更加符合实际车道线在图像中的位置,比直线更能准确拟合;
(3)Lab色彩空间的转换能够很好地区分黄、白色,提高车道线类别识别率;
(4)分行分割检测能够识别不同特征的车道线;
(5)针对不同类别的车道线,结合车速和转向信息,可以作出合理的判断并预警,对预警视频或图片的保存可以作为管理依据。
下面结合说明附图和具体实施方式对本发明做进一步的说明。
附图说明
图1是本发明的一种车道线类别的检测方法获得的边缘灰度图像示意图。
图2是本发明的一种车道线类别的检测方法获得的一个拟合车道线示意图。
图3是本发明的一种车道线类别的检测方法获得的另一个拟合车道线示意图。
图4是本发明的一种车道线类别的预警装置的系统框图。
具体实施方式
本发明提供的一种车道线类别的检测方法,包括如下步骤:
(1)图像采集,拍摄车身前方的路面,获得路面图像;
(2)图像处理,从路面图像中获得感兴趣区域图像,并对感兴趣区域图像转换为灰度图像,然后对灰度图像进行图像卷积滤波,从而获得如图1所示的边缘灰度图像;
(3)车道线检测,如图2到图3所示,对边缘灰度图像执行分行分割,获得多行分割图像,图示以分为等值的9行图像为例;对于每一行分割图像分别识别出车道线标记,再将各车道线标记合并为完整的拟合车道线,最后根据拟合车道线进行车道线类别划分。
采用上述技术方案的一种车道线类别的检测方法,在图像处理过程中,通过卷积滤波算法能够应对各种光照环境,通过感兴趣区域图像分行分割检测等预处理能够提高效率,减少计算量,同时减少错误率;并且进行Lab色彩空间转换,能够很好地区分黄、白色,提高车道线类别识别率;因此该一种车道线类别的检测方法能快速、高效地检测各种类别车道线,对各种天气、不同光照情形均具有较好鲁棒性。
作为上述技术方案的改进,步骤(2)中获得感兴趣区域图像的具体方法是对路面图像中消失线以上的图像进行裁剪去除。消失线是指在焦点透视中变线延长至灭点之间的线段,消失线以上的图像区域对于车道线识别无贡献,因此对消失线以上的图像进行裁剪去除,有效的减少了计算量,从而提高识别效率。
作为上述技术方案的改进,步骤(2)中图像卷积滤波的具体方法是利用掩膜矩阵,对灰度图像进行两次水平sobel卷积操作,以消除水平干扰线,保留和行车方向一致的的车道线。执行水平sobel卷积操作,而不执行垂直sobel卷积,从而排除不需要关注水平的干扰线,只保留和行车方向一致的的车道线,可以减少干扰因素,减少运算量,提高准确率,可以取得更有效的边缘灰度图像。
进一步的,两次水平sobel卷积操作的卷积核分别为:
kernel1={6.0,0.0,-6.0};
kernel2={-6.0,0.0,6.0}。
在具体实施时,也可以修改该卷积核的值,使之匹配不同的对比度,以适应当地的气候环境。
作为上述技术方案的改进,步骤(3)中得到拟合车道线的具体步骤是:
(301)对每一行像素点,从左至右检测车道线边缘点,根据边缘灰度图像,动态计算比较明显车道边缘的阈值,大于该阈值的像素点被判断为车道线边缘点并对其进行标记;
(302)对于车道线边缘的左、右车道线边缘点取中间值,得到车道线中间值;如果各个分行点对应如果没有检测到车道线边缘点,则利用相邻两点之间的连线,按等比取值;对于两端不存在车道线边缘点的情况,根据检测到的其它点连线的延长线,按等比取值;
(303)对车道线中间值点进行三次曲线拟合,得到拟合车道曲线,拟合公式为y=ax3+bx2+cx+d,其中,x为边缘灰度图像像素点的水平坐标值,y为边缘灰度图像像素点的垂直坐标值,a、b、c、d为三次曲线的系数值;三次曲线拟合的效果如图2和图3所示,图中的沿车道线示出的小圆圈所连成的路径即为三次曲线拟合获得的拟合车道曲线。
可见,上述改进中的车道线中间值可能是实际点,也可能是计算出来的。而三次曲线拟合更加符合实际车道线在图像中的位置,比直线更能准确拟合车道线。
作为上述技术方案的改进,步骤(3)中进行车道线类别划分的具体步骤为:
(311)针对上述的拟合车道线,沿着分行分割点,计算对应车道线上的位置点,在边缘灰度图像中,判断对应位置点的颜色,以靠近车辆的车道线颜色作为当前车道线的颜色标志,更远处的不作为判断依据;
(312)针对上述的拟合车道线,等间隔取一定数量的y值,计算对应车道线上的位置点,在图像卷积滤波得到的边缘灰度图像中检测是否存在车道线边缘点;如果大部分y值都存在车道线边缘点,则判断该拟合车道线为实线,否则判断该拟合车道线为虚线;
(313)在拟合车道线左右两侧一定宽度范围内,查找是否存在其它的车道边缘点;如果两条车道线靠的比较近,符合双车道线的距离要求,判断为双虚线或是双实线,或者虚线+实线的组合线;
(314)再次在Lab颜色空间对颜色进行判断,最终判断拟合车道线的类别。
上述改进既避免误检,同时又兼顾效率。比如等间隔取20个y值,计算对应车道线上的位置点,在图像滤波得到的边缘灰度图像中检测是否存在车道线边缘点,如果有一定百分比数量的位置点(假定因为有些车道线有污损等情形,80%以上的位置点都存在对应的车道边缘点),则判断该车道线为实线,否者为虚线。
如图4所示,本发明提供的一种车道线类别的预警装置,采用了以上所述的一种车道线类别的检测方法,包括设于车身的图像采集模块1、图像预处理模块2、车道检测模块3、车辆信息获取模块4、车道偏离预警模块5、预警信息保存模块6;其中:
图像采集模块1,用于图像采集,拍摄车身前方的路面,获得路面图像;
图像预处理模块2,用于图像处理,从路面图像中获得感兴趣区域图像,并对感兴趣区域图像进行图像卷积滤波使其从RGB转Lab的色彩转换,从而获得边缘灰度图像;
车道检测模块3,用于车道线检测,对边缘灰度图像执行分行分割,获得多行分割图像;对于每一行分割图像分别识别出车道线标记,再将各车道线标记合并为完整的拟合车道线,最后根据拟合车道线进行车道线类别划分;
车辆信息获取模块4,用于获取车速信息和转向信息;
车道偏离预警模块5,用于结合检测到的车道线、车速信息和转向信息,依据交通法规,做出分级预警;
预警信息保存模块6,用于将分级预警时图像采集模块1获取的视频或是图片保存为预警信息。
上述技术方案中的一种车道线类别的预警装置,图像采集模块1可以采用车载摄像头来实现,图像预处理模块2、车道检测模块3、车辆信息获取模块4、车道偏离预警模块5、预警信息保存模块6则可以集成在车辆自身的行车电脑中,或集成在车辆加装的计算机设备中。
上述技术方案中的一种车道线类别的预警装置,能够对驾驶员做出符合交通法规的提醒,减少司机由于疲劳等因素导致的有意或无意的违规驾驶行为,从而减少驾驶交通事故的发生率,缓解交通压力。同时记录预警时的违规驾驶行为,可以为运输企业对驾驶员行为进行监管,对违规行为进行追溯保留依据,从而减少运输企业事故发生率,减轻运营成本,提高效率。
下面举例说明分级预警判断机制。设定预警分级为0级(一般)、1级(严重)、2级(危险),共3个等级的预警。
对于虚线车道线,(1)打同侧转向灯(左偏移打左转向灯,右偏移打右转向灯),不预警;(2)没有打转向灯或者打异侧转向灯(左偏移打右转向灯,右偏移打左转向灯),发出0级预警(声音和灯光提醒,比如:请注意车道偏移)。
对于实线车道线,(1)无论车道线颜色、单实线,无论是否打转向灯,均发出1级预警(声音和灯光提醒,比如:请勿越实线);(2)无论车道线颜色、双实线,无论是否打转向灯,均发出2级预警(声音和灯光提醒,比如:请勿越双实线)
对于虚线+实车道线,(1)如果车道偏离一侧的车道线内侧是虚线,外侧是实线,打了同侧转向灯则不预警,没有打转向灯或者打了异侧转向灯则发出0级预警(声音和灯光提醒,比如:请注意车道偏移);(2)如果车道偏离一侧的车道线内侧是实线,外侧是虚线,无论是否打转向灯则发出1级预警(声音和灯光提醒,比如:请勿越实线);(3)如果车道偏离一侧的车道线中间是虚线,两侧是虚线,打了同侧转向灯则不预警,没有打转向灯或者打了异侧转向灯则发出0级预警(声音和灯光提醒,比如:请注意车道偏移);(4)如果车道偏离一侧的车道线中间是实线,两侧是虚线,无论是否打转向灯则发出1级预警(声音和灯光提醒,比如:请勿越实线)。
上述示例的预警逻辑如下表:
可选的,预警信息保存到本地设备存储器上或是通过通讯模块发送到网络端存储。预警信息保存,以便后期能够查看追溯,保存的预警信息可以是预警发生时刻的前后一段时间(比如前后5s,总共10s)的视频。
较佳的,预警信息按报警时间、报警车道线类型作为标题进行存储,以方便查找为原则。
较佳的,预警信息中嵌入车辆信息作为水印信息,以便追溯时有更多可以分析的信息。
对于本领域的技术人员来说,可根据本发明所揭示的结构和原理获得其它各种相应的改变以及变形,而所有的这些改变以及变形都属于本发明的保护范畴。
Claims (10)
1.一种车道线类别的检测方法,其特征在于,包括如下步骤:
(1)图像采集,拍摄车身前方的路面,获得路面图像;
(2)图像处理,从路面图像中获得感兴趣区域图像,并对感兴趣区域图像转换为灰度图像,然后对灰度图像进行图像卷积滤波,从而获得边缘灰度图像;
(3)车道线检测,对边缘灰度图像执行分行分割,获得多行分割图像;对于每一行分割图像分别识别出车道线标记,再将各车道线标记合并为完整的拟合车道线,最后根据拟合车道线进行车道线类别划分。
2.根据权利要求1所述的一种车道线类别的检测方法,其特征在于,步骤(2)中获得感兴趣区域图像的具体方法是对路面图像中消失线以上的图像进行裁剪去除。
3.根据权利要求1所述的一种车道线类别的检测方法,其特征在于,步骤(2)中图像卷积滤波的具体方法是利用掩膜矩阵,对灰度图像进行两次水平sobel卷积操作,以消除水平干扰线,保留和行车方向一致的的车道线。
4.根据权利要求3所述的一种车道线类别的检测方法,其特征在于,两次水平sobel卷积操作的卷积核分别为:
kernel1={6.0,0.0,-6.0};
kernel2={-6.0,0.0,6.0}。
5.根据权利要求1所述的一种车道线类别的检测方法,其特征在于,步骤(3)中得到拟合车道线的具体步骤是:
(301)对每一行像素点,从左至右检测车道线边缘点,根据边缘灰度图像,动态计算比较明显车道边缘的阈值,大于该阈值的像素点被判断为车道线边缘点并对其进行标记;
(302)对于车道线边缘的左、右车道线边缘点取中间值,得到车道线中间值;如果各个分行点对应如果没有检测到车道线边缘点,则利用相邻两点之间的连线,按等比取值;对于两端不存在车道线边缘点的情况,根据检测到的其它点连线的延长线,按等比取值;
(303)对车道线中间值点进行三次曲线拟合,得到拟合车道曲线,拟合公式为y=ax3+bx2+cx+d,其中,x为边缘灰度图像像素点的水平坐标值,y为边缘灰度图像像素点的垂直坐标值,a、b、c、d为三次曲线的系数值。
6.根据权利要求5所述的一种车道线类别的检测方法,其特征在于,步骤(3)中进行车道线类别划分的具体步骤为:
(311)针对上述的拟合车道线,沿着分行分割点,计算对应车道线上的位置点,在边缘灰度图像中,判断对应位置点的颜色,以靠近车辆的车道线颜色作为当前车道线的颜色标志,更远处的不作为判断依据;
(312)针对上述的拟合车道线,垂直方向等间隔取一定数量的y值,计算对应车道线上的位置点,在图像卷积滤波得到的边缘灰度图像中检测是否存在车道线边缘点;如果大部分y值存在车道线边缘点,则判断该拟合车道线为实线,否则判断该拟合车道线为虚线;
(313)在拟合车道线左右两侧一定宽度范围内,查找是否存在其它的车道边缘点;如果两条车道线靠的比较近,符合双车道线的距离要求,判断为双虚线或是双实线,或者虚线+实线的组合线;
(314)再次在Lab颜色空间对颜色进行判断,最终判断拟合车道线的类别。
7.一种车道线类别的预警装置,采用了权利要求1到6所述的一种车道线类别的检测方法,其特征在于,包括设于车身的图像采集模块、图像预处理模块、车道检测模块、车辆信息获取模块、车道偏离预警模块、预警信息保存模块;其中:
图像采集模块,用于图像采集,拍摄车身前方的路面,获得路面图像;
图像预处理模块,用于图像处理,从路面图像中获得感兴趣区域图像,对感兴趣区域图像进行以下两种操作:一,对感兴趣区域图像转换为灰度图像,然后对灰度图像进行图像卷积滤波,从而获得边缘灰度图像;二,对感兴趣区域图像的原始RGB图像,转换为Lab色彩空间图像;
车道检测模块,用于车道线检测,对边缘灰度图像执行分行分割,获得多行分割图像;对于每一行分割图像分别识别出车道线标记,再将各车道线标记合并为完整的拟合车道线,最后根据拟合车道线和Lab色彩空间图像进行车道线类别划分;
车辆信息获取模块,用于获取车速信息和转向信息;
车道偏离预警模块,用于结合检测到的车道线、车速信息和转向信息,依据交通法规,做出分级预警;
预警信息保存模块,用于将分级预警时图像采集模块获取的视频或是图片保存为预警信息。
8.根据权利要求7所述的一种车道线类别的预警装置,其特征在于,预警信息保存到本地设备存储器上或是通过通讯模块发送到网络端存储。
9.根据权利要求7所述的一种车道线类别的预警装置,其特征在于,预警信息按报警时间、报警车道线类型作为标题进行存储。
10.根据权利要求7所述的一种车道线类别的预警装置,其特征在于,预警信息中嵌入车辆信息作为水印信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910571678.8A CN110334634A (zh) | 2019-06-28 | 2019-06-28 | 一种车道线类别的检测方法和预警装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910571678.8A CN110334634A (zh) | 2019-06-28 | 2019-06-28 | 一种车道线类别的检测方法和预警装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110334634A true CN110334634A (zh) | 2019-10-15 |
Family
ID=68144672
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910571678.8A Withdrawn CN110334634A (zh) | 2019-06-28 | 2019-06-28 | 一种车道线类别的检测方法和预警装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110334634A (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111191619A (zh) * | 2020-01-02 | 2020-05-22 | 北京百度网讯科技有限公司 | 车道线虚线段的检测方法、装置、设备和可读存储介质 |
CN112507977A (zh) * | 2021-01-21 | 2021-03-16 | 国汽智控(北京)科技有限公司 | 一种车道线定位方法、装置及电子设备 |
CN112818792A (zh) * | 2021-01-25 | 2021-05-18 | 北京百度网讯科技有限公司 | 车道线检测方法、装置、电子设备及计算机存储介质 |
WO2021103651A1 (zh) * | 2019-11-30 | 2021-06-03 | 华为技术有限公司 | 道路信息检测方法以及装置 |
CN112907597A (zh) * | 2021-02-04 | 2021-06-04 | 西华师范大学 | 基于深度卷积神经网络的铁路轨道线检测方法 |
CN112926365A (zh) * | 2019-12-06 | 2021-06-08 | 广州汽车集团股份有限公司 | 一种车道线检测方法及其系统 |
CN113033395A (zh) * | 2021-03-25 | 2021-06-25 | 太原科技大学 | 基于DeFCN和灭点边缘检测的可行驶区域分割方法 |
CN113033418A (zh) * | 2021-03-25 | 2021-06-25 | 南京工程学院 | 一种适用于移动终端的车道偏离预警方法 |
CN113157827A (zh) * | 2020-01-22 | 2021-07-23 | 阿里巴巴集团控股有限公司 | 车道类型的生成方法、装置、数据处理设备及存储介质 |
CN113709950A (zh) * | 2021-08-25 | 2021-11-26 | 深圳市全景达科技有限公司 | 一种车内氛围灯控制方法、系统、装置及存储介质 |
CN114155508A (zh) * | 2021-12-08 | 2022-03-08 | 北京百度网讯科技有限公司 | 一种道路变化检测方法、装置、设备以及存储介质 |
CN116311140A (zh) * | 2023-05-11 | 2023-06-23 | 吉咖智能机器人有限公司 | 用于检测车道线的方法、设备和存储介质 |
-
2019
- 2019-06-28 CN CN201910571678.8A patent/CN110334634A/zh not_active Withdrawn
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021103651A1 (zh) * | 2019-11-30 | 2021-06-03 | 华为技术有限公司 | 道路信息检测方法以及装置 |
CN112926365A (zh) * | 2019-12-06 | 2021-06-08 | 广州汽车集团股份有限公司 | 一种车道线检测方法及其系统 |
CN111191619A (zh) * | 2020-01-02 | 2020-05-22 | 北京百度网讯科技有限公司 | 车道线虚线段的检测方法、装置、设备和可读存储介质 |
CN111191619B (zh) * | 2020-01-02 | 2023-09-05 | 北京百度网讯科技有限公司 | 车道线虚线段的检测方法、装置、设备和可读存储介质 |
CN113157827B (zh) * | 2020-01-22 | 2023-10-10 | 阿里巴巴集团控股有限公司 | 车道类型的生成方法、装置、数据处理设备及存储介质 |
CN113157827A (zh) * | 2020-01-22 | 2021-07-23 | 阿里巴巴集团控股有限公司 | 车道类型的生成方法、装置、数据处理设备及存储介质 |
CN112507977B (zh) * | 2021-01-21 | 2021-12-07 | 国汽智控(北京)科技有限公司 | 一种车道线定位方法、装置及电子设备 |
CN112507977A (zh) * | 2021-01-21 | 2021-03-16 | 国汽智控(北京)科技有限公司 | 一种车道线定位方法、装置及电子设备 |
CN112818792A (zh) * | 2021-01-25 | 2021-05-18 | 北京百度网讯科技有限公司 | 车道线检测方法、装置、电子设备及计算机存储介质 |
US11741726B2 (en) | 2021-01-25 | 2023-08-29 | Beijing Baidu Netcom Science Technology Co., Ltd. | Lane line detection method, electronic device, and computer storage medium |
CN112907597A (zh) * | 2021-02-04 | 2021-06-04 | 西华师范大学 | 基于深度卷积神经网络的铁路轨道线检测方法 |
CN113033418A (zh) * | 2021-03-25 | 2021-06-25 | 南京工程学院 | 一种适用于移动终端的车道偏离预警方法 |
CN113033395A (zh) * | 2021-03-25 | 2021-06-25 | 太原科技大学 | 基于DeFCN和灭点边缘检测的可行驶区域分割方法 |
CN113709950A (zh) * | 2021-08-25 | 2021-11-26 | 深圳市全景达科技有限公司 | 一种车内氛围灯控制方法、系统、装置及存储介质 |
CN114155508A (zh) * | 2021-12-08 | 2022-03-08 | 北京百度网讯科技有限公司 | 一种道路变化检测方法、装置、设备以及存储介质 |
CN114155508B (zh) * | 2021-12-08 | 2024-04-05 | 北京百度网讯科技有限公司 | 一种道路变化检测方法、装置、设备以及存储介质 |
CN116311140A (zh) * | 2023-05-11 | 2023-06-23 | 吉咖智能机器人有限公司 | 用于检测车道线的方法、设备和存储介质 |
CN116311140B (zh) * | 2023-05-11 | 2023-08-15 | 吉咖智能机器人有限公司 | 用于检测车道线的方法、设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110334634A (zh) | 一种车道线类别的检测方法和预警装置 | |
US11854272B2 (en) | Hazard detection from a camera in a scene with moving shadows | |
CN109829403B (zh) | 一种基于深度学习的车辆防碰撞预警方法及系统 | |
CN106652445B (zh) | 一种公路交通事故判别方法及装置 | |
CN107798335B (zh) | 一种融合滑动窗口与Faster R-CNN卷积神经网络的车标识别方法 | |
US20190122059A1 (en) | Signal light detection | |
CN101694718B (zh) | 基于感兴趣区域的遥感图像变化检测方法 | |
CN106652468A (zh) | 车辆道路前车违规检测和自车违规预警提醒装置及方法 | |
CN102509098B (zh) | 一种鱼眼图像车辆识别方法 | |
CN103077384A (zh) | 一种车标定位识别的方法与系统 | |
CN109344704B (zh) | 一种基于行车方向与车道线夹角的车辆变道行为检测方法 | |
CN110160536A (zh) | 利用人行横道识别结果的引导信息提供装置及方法 | |
CN109948552B (zh) | 一种复杂交通环境中的车道线检测的方法 | |
CN103116985A (zh) | 一种违章停车检测方法和装置 | |
CN105528609A (zh) | 一种基于字符位置的车牌定位方法 | |
CN103927548B (zh) | 一种新的避免车辆碰撞的刹车行为检测方法 | |
CN111626170B (zh) | 一种铁路边坡落石侵限检测的图像识别方法 | |
CN106446150A (zh) | 一种车辆精确检索的方法及装置 | |
CN103400111A (zh) | 基于视频检测技术的高速公路隧道火灾事件检测方法 | |
CN109886168B (zh) | 一种基于层阶的地面交通标志识别方法 | |
JP2020064583A (ja) | 車両検出方法、動的光強度に基づく夜間の車両検出方法及びそのシステム | |
CN107133588A (zh) | 基于车窗特征提取的车辆识别方法 | |
CN105046948A (zh) | 一种黄色网格线区域内交通违章停车监测系统和方法 | |
CN106203338B (zh) | 基于网格区域分割和阈值自适应的人眼状态快速识别方法 | |
CN111488808A (zh) | 基于交通违法图像数据的车道线检测方法 |
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 | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20191015 |