CN110827347B - 一种道路宽度勘测方法、装置和勘测车 - Google Patents

一种道路宽度勘测方法、装置和勘测车 Download PDF

Info

Publication number
CN110827347B
CN110827347B CN201911113921.8A CN201911113921A CN110827347B CN 110827347 B CN110827347 B CN 110827347B CN 201911113921 A CN201911113921 A CN 201911113921A CN 110827347 B CN110827347 B CN 110827347B
Authority
CN
China
Prior art keywords
road
edge
image
camera module
distance
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
Application number
CN201911113921.8A
Other languages
English (en)
Other versions
CN110827347A (zh
Inventor
肖健
魏明明
李承涛
陈小二
高君凯
王营
王向阳
王正
孙扬
门阳
佟明
安吉斯
李志新
黄仁辉
王成龙
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Qingdao Yingzhi Technology Co ltd
Original Assignee
Qingdao Yingzhi Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Qingdao Yingzhi Technology Co ltd filed Critical Qingdao Yingzhi Technology Co ltd
Priority to CN201911113921.8A priority Critical patent/CN110827347B/zh
Publication of CN110827347A publication Critical patent/CN110827347A/zh
Application granted granted Critical
Publication of CN110827347B publication Critical patent/CN110827347B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/97—Determining parameters from multiple pictures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10028—Range image; Depth image; 3D point clouds

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Geometry (AREA)
  • Traffic Control Systems (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本申请公开一种道路宽度勘测方法、装置和勘测车。所述道路宽度勘测方法，包括：通过智能摄像模组采集道路两侧的深度图像和IR图像；对深度图像和IR图像进行边缘检测，得到获取到边缘的深度图像和IR图像；对获取到边缘的深度图像和IR图像进行拟合，确定道路两侧的边缘线；根据智能摄像模组到道路两侧的边缘线的距离计算道路宽度。采用本申请提供的道路宽度勘测方法，通过智能摄像模组采集到的深度图像和IR图像的边缘检测和拟合处理，得到准确的道路边缘线，由此能够精确的测量出道路宽度，操作简便且精确度高。

Description

一种道路宽度勘测方法、装置和勘测车
技术领域
本申请涉及道路测量领域，尤其涉及一种道路宽度勘测方法、装置和勘测车。
背景技术
道路宽度是物流运输的一个重要影响因素，道路宽度决定了道路的等级以及道路的通行能力。公路运输在我国的运输行业中扮演着重要角色。而道路宽度是一个制约物流运输的一个很重要的指标。在广大农村地区和偏远地区，道路的宽度很窄，所以对物流运输是一个很大的挑战。在特定场景下，如大件运输时，道路宽度极其重要。因此如何科学地测量道路的宽度，为物流运输提供数据支持成为一个很重要的课题。
目前，现行的方法主要有：
1、人工测量，但人工测量效率低下，人工实地测量目标路段耗时太长，需要反复确认，而且下车测量也存在很大的危险性。
2、基于遥感数据的道路宽度估算方法，但遥感估测方法精度较低，滞后性较大，而且基于遥感数据的导读宽度测量误差相对也比较大，另外，卫星遥感也需要付出很大的代价。
3、使用雷达成像装置测量道路宽度，但雷达的成像装置一般需要道路边缘有明显的标记物，然而很多路段不能满足该需求。
发明内容
本申请提供了一种道路宽度勘测方法，包括：
通过智能摄像模组采集道路两侧的深度图像和IR图像；
对深度图像和IR图像进行边缘检测，得到获取到边缘的深度图像和IR图像；
对获取到边缘的深度图像和IR图像进行拟合，确定道路两侧的边缘线；
根据智能摄像模组到道路两侧的边缘线的距离计算道路宽度。
如上所述的道路宽度勘测方法，其中对深度图像和IR图像进行边缘检测，具体包括如下子步骤：
使用高斯滤波器，以平滑图像滤除噪声；
计算深度图像和IR图像中每个像素点的梯度强度和方向；
应用非极大值抑制，以消除边缘检测带来的杂散响应；
应用双阈值检测来确定真实的和潜在的边缘；
通过抑制孤立的弱边缘最终完成边缘检测。
如上所述的道路宽度勘测方法，其中对获取到边缘的深度图像和IR图像进行拟合，具体包括如下子步骤：
计算IR图像和深度图像的边缘点；
获取IR图像和深度图像的边缘点中智能摄像模组视场角下的每个横坐标点对应的最小纵坐标；
根据智能摄像模组视场角下的每个横坐标点和对应的最小纵坐标点构建道路两侧的边缘线。
如上所述的道路宽度勘测方法，其中根据道路两侧的边缘线计算道路宽度，具体包括如下子步骤：
确定智能摄像模组到道路边缘的最小距离的边缘点；
根据确定的最小距离的边缘点和智能摄像模组到地面之间的距离，计算车辆左侧到道路左侧边缘的距离和车辆右侧到道路右侧边缘的距离；
根据车辆左侧到道路左侧边缘的距离、车辆右侧到道路右侧边缘的距离和摄像模组之间的距离计算道路宽度。
如上所述的道路宽度勘测方法，其中通过计算以下公式确定车辆左侧到道路左侧边缘的距离和车辆右侧到道路右侧边缘的距离：
Figure GDA0002314717810000021
Figure GDA0002314717810000022
其中，DL为左摄像模组到道路左侧边缘的距离，min(DL)即为左摄像模组到道路左侧边缘的最小距离，DR为右摄像模组确定右摄像模组到道路右侧边缘的距离，min(DR)即为右摄像模组确定右摄像模组到道路右侧边缘的最小距离；H为智能摄像模组到地面之间的距离；LD为车辆左侧到道路左侧边缘的距离，RD为车辆右侧到道路右侧边缘的距离；
通过以下公式确定道路宽度：道路宽度＝LD+RD+两个摄像模组之间的距离。
本申请还提供一种道路宽度勘测装置，包括：
图像采集模块，用于通过智能摄像模组采集深度图像和IR图像；
图像边缘检测模块，用于对深度图像和IR图像进行边缘检测，得到获取到边缘的深度图像和IR图像；
图像拟合模块，用于对获取到边缘的深度图像和IR图像进行拟合，确定道路两侧的边缘线；
道路宽度测量模块，用于根据智能摄像模组到道路两侧的边缘线的距离计算道路宽度。
如上所述的道路宽度勘测装置，其中图像边缘检测模块，具体用于使用高斯滤波器，以平滑图像滤除噪声；计算深度图像和IR图像中每个像素点的梯度强度和方向；应用非极大值抑制，以消除边缘检测带来的杂散响应；应用双阈值检测来确定真实的和潜在的边缘；通过抑制孤立的弱边缘最终完成边缘检测。
如上所述的道路宽度勘测装置，其中图像拟合模块，具体用于计算IR图像和深度图像的边缘点；获取IR图像和深度图像的边缘点中智能摄像模组视场角下的每个横坐标点对应的最小纵坐标；根据智能摄像模组视场角下的每个横坐标点和对应的最小纵坐标点构建道路两侧的边缘线。
如上所述的道路宽度勘测装置，其中道路宽度测量模块，具体用于确定智能摄像模组到道路边缘的最小距离的边缘点；根据确定的最小距离的边缘点和智能摄像模组到地面之间的距离，计算车辆左侧到道路左侧边缘的距离和车辆右侧到道路右侧边缘的距离；根据车辆左侧到道路左侧边缘的距离、车辆右侧到道路右侧边缘的距离和摄像模组之间的距离计算道路宽度。
本申请还提供一种道路宽度勘测车，包括上述道路宽度勘测装置，还包括外部传感装置，所述外部传感装置包括智能摄像模组和GPS模块；
智能摄像模组用于采集道路两侧的深度图像和IR图像；
GPS模块用于为道路宽度勘测车提供位置信息；
道路宽度勘测装置用于根据GPS模块提供的位置信息确定该位置信息下的道路宽度。
本申请实现的有益效果如下：采用本申请提供的道路宽度勘测方法，通过智能摄像模组采集到的深度图像和IR图像的边缘检测和拟合处理，得到准确的道路边缘线，由此能够精确的测量出道路宽度，操作简便且精确度高。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术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中记载的一些实施例，对于本领域普通技术人员来讲，还可以根据这些附图获得其他的附图。
图1是本申请实施例一提供一种道路宽度勘测方法流程图；
图2是智能摄像模组成像示意图；
图3是道路宽度勘测系统示意图；
图4是道路宽度勘测车勘测示意图。
具体实施方式
下面结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例一
本申请实施例一提供一种道路宽度勘测方法，如图1所示，包括如下步骤：
步骤110、通过智能摄像模组采集深度图像和IR图像；
本申请实施例中，在车辆顶部的边缘分别设置左摄像模组和右摄像模组，左摄像模组采集道路左侧深度图像和IR图像，右摄像模组采集道路右侧深度图像和IR图像；
可选地，本申请实施例提供的智能摄像模组采用TOF+IR+RGB深度传感模组，可同时采集深度图像、IR图像和RGB图像，然后对深度图像和IR图像进行图像预处理；
步骤120、采用边缘检测算法对深度图像和IR图像进行边缘检测，得到获取到边缘的深度图像和IR图像；
本申请实施例中，采用边缘检测算法对深度图像和IR图像分别进行边缘检测，具体包括如下子步骤：
步骤121、使用高斯滤波器，以平滑图像滤除噪声；
步骤122、计算深度图像和IR图像中每个像素点的梯度强度和方向；
步骤123、应用非极大值(Non-Maximum Suppression)抑制，以消除边缘检测带来的杂散响应；
步骤124、应用双阈值(Double-Threshold)检测来确定真实的和潜在的边缘；
步骤125、通过抑制孤立的弱边缘最终完成边缘检测。
步骤130、对获取到边缘的深度图像和IR图像进行拟合，确定道路两侧的边缘线；
本申请实施例中，通过智能摄像模组采集到的深度图像和IR图像由于道路边缘存在如下情形：(1)路边缘出现明显的高度变化，即道路边缘要比路面高或低，从而在深度图形上会出现明显的变化；(2)道路与道路外的物质有明显的不同，例如道路路面为沥青路面，而道路边缘外为草地；
因此，深度图像和IR图像测量得到的道路边缘线可能重合也可能不重合，故本申请采用将深度图像和IR图像进行拟合的方法以找到更精确的道路边缘线。
具体地，对获取到边缘的深度图像和IR图像进行拟合，确定道路两侧的边缘线，具体包括如下子步骤：
步骤131、计算IR图像和深度图像的边缘点；
步骤132、获取IR图像和深度图像的边缘点中智能摄像模组视场角下的每个横坐标点对应的最小纵坐标；
具体地，智能摄像模组视场角下的每个横坐标点对应的最小纵坐标具体为：
y＝min(y1,y2),y1＝f1(x),y2＝f2(x)
其中，x为智能摄像模组智能摄像模组视场角下的横坐标点，y1为IR图像的边缘点，y2为深度图像的边缘点，y为智能摄像模组视场角下的每个横坐标点对应的最小纵坐标，即最终得到的边缘点的纵坐标；
步骤133、根据智能摄像模组视场角下的每个横坐标点和对应的最小纵坐标点构建道路两侧的边缘线；
具体地，根据边缘检测算法和IR、深度图像的拟合得到道路边缘的坐标(Xi,Yi),其中i为边缘线上的边缘点，取值为{1,2,……,n}，由这些道路边缘坐标可确定道路边缘线。
步骤140、根据智能摄像模组到道路两侧的边缘线的距离计算道路宽度；
图2为智能摄像模组成像示意图，如图2所示，LL为道路左侧边缘线，LR为道路右侧边缘线；LLX为道路左侧边缘线上的一个点，LRX为道路右侧边缘线上的一个点(图上未示出)，其中X的取值为{1,2,3,……n}；深度D为智能摄像模组到道路边缘的距离，H为智能摄像模组到地面之间的距离，H＝车辆高度+摄像模组到车顶之间的距离；LD为车辆左侧到道路左侧边缘的实际距离；RD为车辆右侧到道路右侧边缘的实际距离(图上未示出)；
本申请实施例中，根据道路两侧的边缘线计算道路宽度，具体包括如下子步骤：
步骤141、确定智能摄像模组到道路边缘的最小距离的边缘点；
具体地，从智能摄像模组到道路边缘的距离中寻找距离最小的边缘点，将该点作为计算道路宽度的点，其中，左摄像模组确定左摄像模组到道路左侧边缘距离最小的点，右摄像模组确定右摄像模组到道路右侧边缘距离最小的点。
步骤142、根据确定的最小距离的边缘点和智能摄像模组到地面之间的距离，计算车辆左侧到道路左侧边缘的距离和车辆右侧到道路右侧边缘的距离；
具体地，通过计算以下公式确定车辆左侧到道路左侧边缘的距离和车辆右侧到道路右侧边缘的距离：
Figure GDA0002314717810000061
Figure GDA0002314717810000062
其中，DL为左摄像模组到道路左侧边缘的距离，min(DL)即为左摄像模组到道路左侧边缘的最小距离，DR为右摄像模组确定右摄像模组到道路右侧边缘的距离，min(DR)即为右摄像模组确定右摄像模组到道路右侧边缘的最小距离；H为智能摄像模组到地面之间的距离；LD为车辆左侧到道路左侧边缘的距离，RD为车辆右侧到道路右侧边缘的距离。
步骤143、根据车辆左侧到道路左侧边缘的距离、车辆右侧到道路右侧边缘的距离和摄像模组之间的距离计算道路宽度；
具体地，车辆左侧到道路左侧边缘的距离、车辆右侧到道路右侧边缘的距离和摄像模组之间的距离通过以下公式确定道路宽度：
道路宽度＝LD+RD+两个摄像模组之间的距离
本申请实施例通过车辆顶部设置的两个智能摄像模组采集道路两侧的I R图像和深度图像，对图像进行边缘计算和拟合处理，得到精确的道路两侧图像，然后获取智能摄像模组到道路边缘最小距离的位置作为计算道路宽度的参数，根据计算出的车辆左右两侧到道路两侧的距离和左右智能摄像模组的距离确定道路宽度。
实施例二
本申请实施例二提供一种道路宽度勘测装置，如图3所示，包括：
图像采集模块310，用于通过智能摄像模组采集深度图像和IR图像；
图像边缘检测模块320，用于对深度图像和IR图像进行边缘检测，得到获取到边缘的深度图像和IR图像；
进一步地，图像边缘检测模块320，具体用于使用高斯滤波器，以平滑图像滤除噪声；计算深度图像和IR图像中每个像素点的梯度强度和方向；应用非极大值抑制，以消除边缘检测带来的杂散响应；应用双阈值检测来确定真实的和潜在的边缘；通过抑制孤立的弱边缘最终完成边缘检测。
图像拟合模块330，用于对获取到边缘的深度图像和IR图像进行拟合，确定道路两侧的边缘线；
进一步地，图像拟合模块330，具体用于计算IR图像和深度图像的边缘点；获取IR图像和深度图像的边缘点中智能摄像模组视场角下的每个横坐标点对应的最小纵坐标；根据智能摄像模组视场角下的每个横坐标点和对应的最小纵坐标点构建道路两侧的边缘线。
道路宽度测量模块340，用于根据智能摄像模组到道路两侧的边缘线的距离计算道路宽度；
进一步地，道路宽度测量模块340，具体用于确定智能摄像模组到道路边缘的最小距离的边缘点；根据确定的最小距离的边缘点和智能摄像模组到地面之间的距离，计算车辆左侧到道路左侧边缘的距离和车辆右侧到道路右侧边缘的距离；根据车辆左侧到道路左侧边缘的距离、车辆右侧到道路右侧边缘的距离和摄像模组之间的距离计算道路宽度。
另外，本申请还提供一种道路宽度勘测系统，包括道路宽度勘测车(图4为勘测车示意图)和服务器，道路宽度勘测车，包括道路宽度勘测装置(如车载计算机)，还包括外部传感装置，所述外部传感装置包括智能摄像模组和GPS模块；
智能摄像模组用于采集道路两侧的深度图像和IR图像；
GPS模块用于为道路宽度勘测车提供位置信息；
道路宽度勘测装置用于根据GPS模块提供的位置信息确定该位置信息下的道路宽度。
道路宽度勘测装置还包括网络通信模块，通过网络通信模块将勘测的道路宽度以及GPS模块提供的位置信息传输至服务器。
尽管已描述了本申请的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。

Claims (6)

1.一种道路宽度勘测方法，其特征在于，所述方法应用于道路宽度勘测车中，在车辆顶部的边缘分别设置左摄像模组和右摄像模组，左摄像模组采集道路左侧深度图像和IR图像，右摄像模组采集道路右侧深度图像和IR图像；所述方法包括：
通过智能摄像模组采集道路两侧的深度图像和IR图像；
对深度图像和IR图像进行边缘检测，得到获取到边缘的深度图像和IR图像；
对获取到边缘的深度图像和IR图像进行拟合，确定道路两侧的边缘线；
根据智能摄像模组到道路两侧的边缘线的距离计算道路宽度；
对获取到边缘的深度图像和IR图像进行拟合，具体包括如下子步骤：
计算IR图像和深度图像的边缘点；
获取IR图像和深度图像的边缘点中智能摄像模组视场角下的每个横坐标点对应的最小纵坐标；智能摄像模组视场角下的每个横坐标点对应的最小纵坐标具体为：y＝min(y1,y2),y1＝f1(x),y2＝f2(x)，其中，x为智能摄像模组智能摄像模组视场角下的横坐标点，y1为IR图像的边缘点，y2为深度图像的边缘点，y为智能摄像模组视场角下的每个横坐标点对应的最小纵坐标，即最终得到的边缘点的纵坐标；
根据智能摄像模组视场角下的每个横坐标点和对应的最小纵坐标点构建道路两侧的边缘线；
根据道路两侧的边缘线计算道路宽度，具体包括如下子步骤：
确定智能摄像模组到道路边缘的最小距离的边缘点；
根据确定的最小距离的边缘点和智能摄像模组到地面之间的距离，计算车辆左侧到道路左侧边缘的距离和车辆右侧到道路右侧边缘的距离；
根据车辆左侧到道路左侧边缘的距离、车辆右侧到道路右侧边缘的距离和摄像模组之间的距离计算道路宽度。
2.如权利要求1所述的道路宽度勘测方法，其特征在于，对深度图像和IR图像进行边缘检测，具体包括如下子步骤：
使用高斯滤波器，以平滑图像滤除噪声；
计算深度图像和IR图像中每个像素点的梯度强度和方向；
应用非极大值抑制，以消除边缘检测带来的杂散响应；
应用双阈值检测来确定真实的和潜在的边缘；
通过抑制孤立的弱边缘最终完成边缘检测。
3.如权利要求1所述的道路宽度勘测方法，其特征在于，通过计算以下公式确定车辆左侧到道路左侧边缘的距离和车辆右侧到道路右侧边缘的距离：
Figure FDA0003728968770000021
Figure FDA0003728968770000022
其中，DL为左摄像模组到道路左侧边缘的距离，min(DL)即为左摄像模组到道路左侧边缘的最小距离，DR为右摄像模组确定右摄像模组到道路右侧边缘的距离，min(DR)即为右摄像模组确定右摄像模组到道路右侧边缘的最小距离；H为智能摄像模组到地面之间的距离；LD为车辆左侧到道路左侧边缘的距离，RD为车辆右侧到道路右侧边缘的距离；
通过以下公式确定道路宽度：道路宽度＝LD+RD+两个摄像模组之间的距离。
4.一种道路宽度勘测装置，其特征在于，在所述装置车辆顶部的边缘分别设置左摄像模组和右摄像模组，左摄像模组采集道路左侧深度图像和IR图像，右摄像模组采集道路右侧深度图像和IR图像；所述装置具体包括：
图像采集模块，用于通过智能摄像模组采集深度图像和IR图像；
图像边缘检测模块，用于对深度图像和IR图像进行边缘检测，得到获取到边缘的深度图像和IR图像；
图像拟合模块，用于对获取到边缘的深度图像和IR图像进行拟合，确定道路两侧的边缘线；
道路宽度测量模块，用于根据智能摄像模组到道路两侧的边缘线的距离计算道路宽度；
图像拟合模块，具体用于计算IR图像和深度图像的边缘点；获取IR图像和深度图像的边缘点中智能摄像模组视场角下的每个横坐标点对应的最小纵坐标；根据智能摄像模组视场角下的每个横坐标点和对应的最小纵坐标点构建道路两侧的边缘线；其中，智能摄像模组视场角下的每个横坐标点对应的最小纵坐标具体为：y＝min(y1,y2),y1＝f1(x),y2＝f2(x)，其中，x为智能摄像模组智能摄像模组视场角下的横坐标点，y1为IR图像的边缘点，y2为深度图像的边缘点，y为智能摄像模组视场角下的每个横坐标点对应的最小纵坐标，即最终得到的边缘点的纵坐标；
道路宽度测量模块，具体用于确定智能摄像模组到道路边缘的最小距离的边缘点；根据确定的最小距离的边缘点和智能摄像模组到地面之间的距离，计算车辆左侧到道路左侧边缘的距离和车辆右侧到道路右侧边缘的距离；根据车辆左侧到道路左侧边缘的距离、车辆右侧到道路右侧边缘的距离和摄像模组之间的距离计算道路宽度。
5.如权利要求4所述的道路宽度勘测装置，其特征在于，图像边缘检测模块，具体用于使用高斯滤波器，以平滑图像滤除噪声；计算深度图像和IR图像中每个像素点的梯度强度和方向；应用非极大值抑制，以消除边缘检测带来的杂散响应；应用双阈值检测来确定真实的和潜在的边缘；通过抑制孤立的弱边缘最终完成边缘检测。
6.一种道路宽度勘测车，其特征在于，包括如权利要求4-5中任意一项所述的道路宽度勘测装置，还包括外部传感装置，所述外部传感装置包括智能摄像模组和GPS模块；
智能摄像模组用于采集道路两侧的深度图像和IR图像；
GPS模块用于为道路宽度勘测车提供位置信息；
道路宽度勘测装置用于根据GPS模块提供的位置信息确定该位置信息下的道路宽度。
CN201911113921.8A 2019-11-14 2019-11-14 一种道路宽度勘测方法、装置和勘测车 Active CN110827347B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911113921.8A CN110827347B (zh) 2019-11-14 2019-11-14 一种道路宽度勘测方法、装置和勘测车

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911113921.8A CN110827347B (zh) 2019-11-14 2019-11-14 一种道路宽度勘测方法、装置和勘测车

Publications (2)

Publication Number Publication Date
CN110827347A CN110827347A (zh) 2020-02-21
CN110827347B true CN110827347B (zh) 2022-08-26

Family

ID=69555457

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911113921.8A Active CN110827347B (zh) 2019-11-14 2019-11-14 一种道路宽度勘测方法、装置和勘测车

Country Status (1)

Country Link
CN (1) CN110827347B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104185588A (zh) * 2012-03-28 2014-12-03 金泰克斯公司 用于确定道路宽度的车载成像系统及方法
CN107798855A (zh) * 2016-09-07 2018-03-13 高德软件有限公司 一种车道宽度计算方法和装置
CN108645342A (zh) * 2018-04-25 2018-10-12 国交空间信息技术（北京）有限公司 一种基于道路轨迹和高分辨率影像的道路宽度提取方法
CN108898055A (zh) * 2018-05-24 2018-11-27 长安大学 一种检测信息融合的移动机器人障碍物检测方法
CN109657641A (zh) * 2018-12-29 2019-04-19 北京经纬恒润科技有限公司 一种车辆主辅路判断方法及装置
CN110097025A (zh) * 2019-05-13 2019-08-06 奇瑞汽车股份有限公司 车道线的检测方法、装置及存储介质
CN110261866A (zh) * 2019-06-12 2019-09-20 重庆交通大学 一种基于路沿光阵的道路宽度几何检测方法和系统
CN110428433A (zh) * 2019-07-02 2019-11-08 西华师范大学 一种基于局部阈值的Canny边缘检测算法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102408743B1 (ko) * 2017-07-27 2022-06-14 주식회사 에이치엘클레무브 자동차의 도로 진입 가능 여부를 판단하는 방법 및 시스템
JP2019078648A (ja) * 2017-10-25 2019-05-23 パナソニックＩｐマネジメント株式会社 路面検出装置、路面検出方法、路面検出プログラムおよび路面検出プログラムを記録した記録媒体

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104185588A (zh) * 2012-03-28 2014-12-03 金泰克斯公司 用于确定道路宽度的车载成像系统及方法
CN107798855A (zh) * 2016-09-07 2018-03-13 高德软件有限公司 一种车道宽度计算方法和装置
CN108645342A (zh) * 2018-04-25 2018-10-12 国交空间信息技术（北京）有限公司 一种基于道路轨迹和高分辨率影像的道路宽度提取方法
CN108898055A (zh) * 2018-05-24 2018-11-27 长安大学 一种检测信息融合的移动机器人障碍物检测方法
CN109657641A (zh) * 2018-12-29 2019-04-19 北京经纬恒润科技有限公司 一种车辆主辅路判断方法及装置
CN110097025A (zh) * 2019-05-13 2019-08-06 奇瑞汽车股份有限公司 车道线的检测方法、装置及存储介质
CN110261866A (zh) * 2019-06-12 2019-09-20 重庆交通大学 一种基于路沿光阵的道路宽度几何检测方法和系统
CN110428433A (zh) * 2019-07-02 2019-11-08 西华师范大学 一种基于局部阈值的Canny边缘检测算法

Also Published As

Publication number Publication date
CN110827347A (zh) 2020-02-21

Similar Documents

Publication Publication Date Title
CN110988912B (zh) 自动驾驶车辆的道路目标与距离检测方法、系统、装置
CN111551958B (zh) 一种面向矿区无人驾驶的高精地图制作方法
CN110859044B (zh) 自然场景中的集成传感器校准
CN107703528B (zh) 自动驾驶中结合低精度gps的视觉定位方法及系统
CN107850449B (zh) 用于生成及使用定位参考数据的方法及系统
Schoepflin et al. Dynamic camera calibration of roadside traffic management cameras for vehicle speed estimation
WO2021143778A1 (zh) 一种基于激光雷达的定位方法
Ashraf et al. An investigation of interpolation techniques to generate 2D intensity image from LIDAR data
CN105300403B (zh) 一种基于双目视觉的车辆里程计算法
CN104677361B (zh) 一种综合定位的方法
Zhao et al. Global correlation based ground plane estimation using v-disparity image
CN110197173B (zh) 一种基于双目视觉的路沿检测方法
CN104236478A (zh) 一种基于视觉的车辆外廓尺寸自动测量系统及方法
CN104574393A (zh) 一种三维路面裂缝图像生成系统和方法
Marinelli et al. Mobile mapping systems and spatial data collection strategies assessment in the identification of horizontal alignment of highways
CN113885046A (zh) 针对低纹理车库的智能网联汽车激光雷达定位系统及方法
CN115900712A (zh) 一种信源可信度评价组合定位方法
CN117824666B (zh) 融合定位用二维码对、二维码标定方法及融合定位方法
Jiang et al. Determination of construction site elevations using drone technology
Fasiolo et al. Comparing LiDAR and IMU-based SLAM approaches for 3D robotic mapping
CN110827347B (zh) 一种道路宽度勘测方法、装置和勘测车
CN113221883A (zh) 无人机飞行导航路线实时修正方法
CN103688289A (zh) 用于估计两幅二进制图像之间相似性的方法和系统
Jiang et al. Precise vehicle ego-localization using feature matching of pavement images
WO2011010154A2 (en) System and method for monitoring activity of an operating device on a geographical scale

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