CN111179220B - 车道标识线质量检测方法、系统及存储介质 - Google Patents
车道标识线质量检测方法、系统及存储介质 Download PDFInfo
- Publication number
- CN111179220B CN111179220B CN201911251022.4A CN201911251022A CN111179220B CN 111179220 B CN111179220 B CN 111179220B CN 201911251022 A CN201911251022 A CN 201911251022A CN 111179220 B CN111179220 B CN 111179220B
- Authority
- CN
- China
- Prior art keywords
- quality detection
- lane marking
- image
- sinusoids
- statistical
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30168—Image quality inspection
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30248—Vehicle exterior or interior
- G06T2207/30252—Vehicle exterior; Vicinity of vehicle
- G06T2207/30256—Lane; Road marking
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
一种车道标识线质量检测方法、系统及存储介质,该车道标识线质量检测方法包括:从道路图像中选择车道标识线所在区域作为感兴趣区域;对感兴趣区域进行逆透视变换,得到感兴趣区域的俯视图;将感兴趣区域的俯视图转换为二值图像,并通过霍夫变换得到二值图像的参数空间图;根据参数空间图计算质量检测系数,以便判断车道标识线质量。该车道标识线质量检测方法计算效率高,能够为后续车道标识线的准确检测识别提供参考。
Description
技术领域
本发明涉及图像处理领域,特别涉及一种车道标识线质量检测方法、系统及存储介质。
背景技术
随着经济的发展,城市交通问题日益突出。为了提高现有道路利用率,保证车辆在最大限度内畅通无阻,科研人员借助计算机图像技术和人工智能技术实现了现代城市的交通智能化,开发了许多保障行车安全的驾驶系统,能够在车辆出现无意识偏离时给予主动报警。现代智能汽车主动安全系统和辅助驾驶系统是一个集环境感知、规划决策、自动驾驶等多种功能于一体的综合系统,是当前国际智能交通系统研究的重要内容。
对外部环境的感知是智能车辆辅助驾驶系统的核心部分,可以使用多种传感器对道路环境进行感知,其中,相对于雷达、超声波等,采用视觉传感器进行道路信息感知具有检测信息量大的特点。通过摄像头可以对道路路面、交通标志、交通信号灯等外界环境进行感知和处理。其中,最主要的任务是完成道路线的检测与识别,这也是辅助驾驶系统中的一个重要环节,因为只有精确了解道路信息才可以准确地获得车体相对于道路的位置和方向,为后续的车辆自适应巡航,障碍物检测等提供基础。
利用图像处理技术对道路线进行检测与识别对实时性与鲁棒性均有很高的要求。实时性是指系统处理数据的速度能与车速保持一致,不能出现延迟;鲁棒性是指对不同的场景条件均有良好的适应性,包括不同的道路环境,如高速公路、普通公路等,复杂的路面环境,如路面及车道线的宽度、纹理、动态随机障碍等,以及变化的气候条件,如日照及景物阴影、夜晚、阴天与雨雪等。这些要求对智能车辆环境感知中计算机视觉部分提出很大挑战。
在一种现有技术中,在专利CN201410337930.6《一种基于车道线置信度的方向滤波方法》中,为保证车道线识别的准确性,在利用霍夫(Hough)变换找出左右两条直线后,依据直线的角度、宽度以及线条中点横坐标值设定了置信度函数,以此判断当前车道线的有效性。这种方法先利用霍夫变换检测车道标识线后再通过设定一系列的判断规则对所检测的车道线的质量(即在图像中的清晰程度)进行评判,对车道标识线质量的判断是在检测到车道线的前提下进行的,检测车道线的方法势必会对车道线质量的判断产生影响,不能完全真实反映车辆所行驶区域道路线质量的真实情况。
此外,在一些复杂的车道线检测系统中,利用机器学习的方法将车辆行驶的当前场景(包括天气、光照等条件)进行区分判断,同时对车道标识线的清晰程度进行检测,以此为后续多传感器的车道线检测方法提供参考。这种方法比较复杂,在对车道线场景进行区分判断过程中计算量较大,为保证检测的实时性,对处理器等硬件资源的要求很高。
发明内容
本发明的目的是提出一种计算效率更高的车道标识线质量检测方法。
本发明一方面提供一种车道标识线质量检测方法,包括:
从道路图像中选择车道标识线所在区域作为感兴趣区域;
对所述感兴趣区域进行逆透视变换,得到感兴趣区域的俯视图;
将所述感兴趣区域的俯视图转换为二值图像,并通过霍夫变换得到所述二值图像的参数空间图;
根据所述参数空间图计算质量检测系数,以便判断车道标识线质量。
优选地,所述车道标识线质量检测方法还包括对所述道路图像进行预处理,所述预处理包括:
将所述道路图像转换为灰度图像;
对所述灰度图像进行滤波以去除噪声。
优选地,所述通过霍夫变换得到所述二值图像的参数空间图包括:
根据霍夫变换公式r=x·cosθ+y·sinθ,分别将所述二值图像中的每个白色像素点从图像坐标系转换至极坐标系,其中(x,y)表示像素点在图像坐标系内的坐标,x表示横坐标,y表示纵坐标,(r,θ)表示像素点在极坐标系内的坐标,r表示极径,θ表示极角;
根据预设极角范围在所有白色像素点中选择有效像素点,针对每个有效像素点,根据霍夫变换在所述极坐标系内用一条正弦曲线表示通过所述有效像素点的所有直线;
分别统计通过每个有效像素点的正弦曲线的数量并将其进行归一化处理,使其落入0~255的范围内;
建立参数坐标系,所述参数坐标系的横坐标表示极径,纵坐标表示归极角,分别根据每个有效像素点在极坐标系内的坐标及其对应的归一化的正弦曲线的数量将其表示在所述参数坐标系内,获得所述二值图像的参数空间图,在所述参数空间图内,坐标(r,θ)处的灰度值为所述坐标对应的有效像素点的归一化的正弦曲线的数量。
优选地,所述预设极角范围为70°~110°,以及将极角处于所述预设极角范围内的白色像素点选择为有效像素点。
优选地,根据以下公式将有效像素点对应的正弦曲线的数量进行归一化处理,使其落入0~255的范围内:
其中,L表示归一化处理前的正弦曲线的数量,L’表示归一化处理后的正弦曲线的数量,Lmax表示所有有效像素点对应的正弦曲线的数量的最大值,Lmin表示所有有效像素点对应的正弦曲线的数量的最小值。
优选地,所述根据所述参数空间图计算质量检测系数包括:
计算所述参数空间图的中线,在所述参数空间图中选定与所述中线距离最近的两个有效像素点作为统计像素点,其中,所述中线表示为xmax表示二值图像中像素的横坐标最大值,ymax表示二值图像中像素的纵坐标最大值;
计算两个统计像素点之间的距离d,d=|θ1-θ2|,其中θ1、θ2分别表示两个统计像素点对应的极角;
针对每个统计像素点,分别计算以所述统计像素点为中心位于预设统计范围内的所有有效像素点的灰度值之和;
根据以下公式计算质量检测系数Q:
其中,t1和t2表示调节系数,均为常数,g1表示针对第一个统计像素点计算的所有有效像素点的灰度值之和,g2表示针对第二个统计像素点计算的所有有效像素点的灰度值之和。
优选地,所述预设统计范围是以所述统计像素点为中心的正方形或以所述统计像素点为圆心的圆形。
本发明另一方面提供一种车道标识线质量检测系统,包括:
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,执行所述车道标识线质量检测方法。
优选地,所述车道标识线质量检测系统还包括图像采集单元,用于采集所述道路图像。
本发明再一方面提供一种计算机可读存储介质,该计算机可读存储介质存储有计算机程序,该计算机程序被处理器执行时实现所述的车道标识线质量检测方法。
本发明的有益效果在于:本发明的车道标识线质量检测方法利用霍夫变换获得参数空间图,基于参数空间图计算质量检测系数,以便判断车道标识线质量,能够克服现有的机器学习等方法的复杂算法,降低对硬件资源的要求。在实际应用中,可在进行准确的车道标识线检测之前先应用本方法进行车道标识线质量检测,检测质量较低的车道标识线可不用于后续的准确的车道标识线检测,以提高车道标识线检测的精度;或者,针对不同质量的车道标识线可在后续过程中选用不同的车道标识线检测算法,以提高车道标识线检测的精度。
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方式中将是显而易见的,或者将在并入本文中的附图和随后的具体实施方式中进行详细陈述,这些附图和具体实施方式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例进行更详细的描述,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例中,相同的附图标记通常代表相同部件。
图1显示根据本发明示例性实施例的车道标识线质量检测方法的流程图;
图2显示根据本发明示例性实施例的车道标识线质量检测方法中的道路图像和感兴趣区域;
图3显示根据本发明示例性实施例的车道标识线质量检测方法中的感兴趣区域的俯视图;
图4显示根据本发明示例性实施例的车道标识线质量检测方法中的二值图像;
图5显示根据本发明示例性实施例的车道标识线质量检测方法中的参数空间图;
图6显示根据本发明示例性实施例的车道标识线质量检测方法中的统计像素点及其对应的预设统计范围。
具体实施方式
下面将参照附图更详细地描述本发明。虽然附图中显示了本发明的优选实施例,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例所限制。相反,提供这些实施例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。
在基于图像处理技术的车道标识线检测过程中,由于所处场景复杂多变,所拍摄的道路图像中的车道标识线易受光照、路面条件影响,导致其清晰程度不同。此外,道路图像中除了包括车道标识线以外,还会包括一些难以去除的噪声干扰点,这些噪声干扰点一般是由道路污损及障碍物阴影造成的。在某些场景下,由于道路本身的原因,车道标识线还可能产生断裂或缺失。这些因素都可能影响车道标识线检测的精度。
为此,本发明提出一种车道标识线质量检测方法,在对车道标识线进行准确的检测识别之前首先对道路图像中的车道标识线的质量进行判断,判断其清晰程度是否满足后续检测的要求,为后续车道标识线的准确检测识别提供参考。例如,如果通过本发明的车道标识线质量检测方法判断当前车道标识线质量较低,可在后续的车道标识线检测识别过程中放弃使用当前车道标识线,或者针对不同质量的车道标识线可在后续的车道标识线检测识别过程中选用不同的车道标识线检测算法,以提高后续检测识别的精度。
图1显示了根据本发明示例性实施例的车道标识线质量检测方法的流程图,其包括以下步骤:
步骤1:从道路图像中选择车道标识线所在区域作为感兴趣区域。
为了最大程度获得前方道路图像,通常将摄像机安装在车身前部。摄像机拍摄的道路图像中除了包括车道标识线的有效道路区域外,一般还包括天空、树木、房屋等景物。为了提高检测方法的速度和准确性,首先从道路图像中选择车道标识线所在区域作为感兴趣区域(ROI)。
由于摄像机的安装位置和角度是固定的,因此可以从道路图像中选择位于图像下部的区域作为感兴趣区域,下部区域的高度范围可根据摄像机的安装角度进行设定。
此外,在城市化道路中,车辆前方及左右侧道路上不可避免的会出现其它干扰车辆,且相比于高速公路,城市道路标识线中实线与虚线切换相对频繁,受光线及道路两侧物体影响产生的阴影及不规则场景更为复杂。优选地,为降低光线干扰、提高算法鲁棒性,可在从道路图像中选择车道标识线所在区域作为感兴趣区域之前,先对道路图像进行预处理,预处理可包括将道路图像转换为灰度图像,对灰度图像进行滤波以去除噪声等。例如,可通过高斯平滑滤波去除道路图像中的干扰噪点。
步骤2:对感兴趣区域进行逆透视变换,得到感兴趣区域的俯视图。
例如可通过IPM算法对感兴趣区域进行逆透视变换,得到感兴趣区域的俯视图。在感兴趣区域的俯视图中,车道标识线平行,便于还原真实车道标识线场景。
步骤3:将感兴趣区域的俯视图转换为二值图像,并通过霍夫变换得到二值图像的参数空间图。
步骤3具体包括以下子步骤:
子步骤301:对感兴趣区域的俯视图进行预处理,去除俯视图中的干扰噪声;在俯视图的图像质量较好时,可省略该子步骤。
子步骤302:将感兴趣区域的俯视图转换为二值图像。例如,可通过大津(OTSU)算法对感兴趣区域的俯视图进行二值化处理,将其转换为二值图像。
子步骤303:通过霍夫变换得到二值图像的参数空间图,具体方法如下:
1)根据霍夫变换公式r=x2cosθ+y2sinθ,分别将二值图像中的每个白色像素点从图像坐标系转换至极坐标系,其中(x,y)表示像素点在图像坐标系内的坐标,x表示横坐标,y表示纵坐标,(r,θ)表示像素点在极坐标系内的坐标,r表示极径,θ表示极角。
2)根据预设极角范围在所有白色像素点中选择有效像素点,针对每个有效像素点,根据霍夫变换在极坐标系内用一条正弦曲线表示通过所述有效像素点的所有直线;
在霍夫变换中,越多正弦曲线交于一点也就意味着这个交点表示的直线由更多的点组成,一般来说可以通过设置阈值来定义多少条正弦曲线交于一点才认为检测到了一条直线。
在二值图像中,有效车道标识线对应的极角一般在90°左右,为了保证准确性及提高检测效率,将预设极角范围设为70°~110°,以及将极角处于预设极角范围内的白色像素点选择为有效像素点。
3)分别统计通过每个有效像素点的正弦曲线的数量并将其进行归一化处理,使其落入0~255的范围内。
具体地根据以下公式将有效像素点对应的正弦曲线的数量进行归一化处理,使其落入0~255的范围内:
其中,L表示归一化处理前的正弦曲线的数量,L’表示归一化处理后的正弦曲线的数量,Lmax表示所有有效像素点对应的正弦曲线的数量的最大值,Lmin表示所有有效像素点对应的正弦曲线的数量的最小值。
4)建立参数坐标系,参数坐标系的横坐标表示极径,纵坐标表示归极角,分别根据每个有效像素点在极坐标系内的坐标及其对应的归一化的正弦曲线的数量将其表示在参数坐标系内,获得二值图像的参数空间图,在参数空间图内,坐标(r,θ)处的灰度值为该坐标对应的有效像素点的归一化的正弦曲线的数量。
步骤4:根据参数空间图计算质量检测系数,以便判断车道标识线质量。
步骤4具体包括以下子步骤:
子步骤401:计算参数空间图的中线,在参数空间图中选定与中线距离最近的两个有效像素点作为统计像素点,其中,中线表示为xmax表示二值图像中像素的横坐标最大值,ymax表示二值图像中像素的纵坐标最大值。
子步骤402:计算两个统计像素点之间的距离d,d=|θ1-θ2|,其中θ1、θ2分别表示两个统计像素点对应的极角。
子步骤403:针对每个统计像素点,分别计算以统计像素点为中心位于预设统计范围内的所有有效像素点的灰度值之和。
特别地,预设统计范围可以是以统计像素点为中心的正方形或以统计像素点为圆心的圆形,正方形的边长或者圆形的半径可根据道路图像的分辨率、霍夫变换中直线采样精度等因素事先设定。如果道路图像的分辨率较高,在霍夫变换中直线采样精度较高,则边长或半径可以设得较大。一般情况下,正方形的边长或者圆形的半径可以为15个像素。
子步骤404:根据以下公式计算质量检测系数Q:
其中,t1和t2表示调节系数,均为常数,g1表示针对第一个统计像素点计算的所有有效像素点的灰度值之和,g2表示针对第二个统计像素点计算的所有有效像素点的灰度值之和。
t1和t2表示调节系数,均为常数,可依据用户在调节整体系统中的经验确定。其中,t1可设定为与标准情况下计算所得d相同的值;t2可依据用于计算灰度值之和的预设统计范围来确定。
在计算获得质量检测系数Q之后,即可根据Q值判断车道标识线质量,Q值越大则车道标识线质量越高,反之,Q值越小则车道标识线质量越低。也可以预先设定几个质量等级,每个质量等级对应于一个Q值范围。根据计算得到的Q值确定当前车道线属于哪个质量等级。
一般地,在同一参数下进行霍夫变换形成的参数空间图中,d是基本相同的,如果当前车道标识线破损或消失时,d会成倍增大,从而使Q值减小。另一方面,当前车道标识线清晰可见时,在灰度值的预设统计范围中,除中心点外其它点灰度均很低,因此若在预设统计范围中灰度值之和越高则表示采集的道路图像中车道标识线周围噪声越大,车道标识线质量越低。因此,通过质量检测系数Q能够判断车道标识线质量。
本发明实施例还提供一种车道标识线质量检测系统,包括:
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,执行以下所述的车道标识线质量检测方法。
在一个示例中,车道标识线质量检测系统还包括图像采集单元,用于采集所述道路图像。
本发明实施例还提供一种计算机可读存储介质,其特征在于,该计算机可读存储介质存储有计算机程序,该计算机程序被处理器执行时实现所述的车道标识线质量检测方法。
实施例
以下参考具体实施例描述根据本发明的车道标识线质量检测方法,其具体包括以下步骤:
步骤1:从道路图像中选择车道标识线所在区域作为感兴趣区域。图2显示了道路图像,其中矩形框内的区域为感兴趣区域。
步骤2:对感兴趣区域进行逆透视变换,得到感兴趣区域的俯视图。图3显示了感兴趣区域的俯视图。
步骤3:将感兴趣区域的俯视图转换为二值图像,并通过霍夫变换得到二值图像的参数空间图。具体包括:
子步骤301:利用滤波算法对感兴趣区域的俯视图进行预处理,去除俯视图中的干扰噪声;
子步骤302:通过二值化处理将感兴趣区域的俯视图转换为二值图像,如图4所示,图4中的白线即为车道标识线;
子步骤303:通过霍夫变换得到二值图像的参数空间图,如图5所示。
步骤4:根据参数空间图计算质量检测系数,以便判断车道标识线质量。
具体包括:
子步骤401:计算参数空间图的中线,在参数空间图中选定与中线距离最近的两个有效像素点作为统计像素点,图5中四个亮点中处于中间位置的两个亮点即为统计像素点;
子步骤402:计算两个统计像素点之间的距离d;
子步骤403:针对每个统计像素点,分别计算以统计像素点为中心位于预设统计范围内的所有有效像素点的灰度值之和,在本实施例中,预设统计范围是以统计像素点为中心的正方形,如图6中的白色框所示;
子步骤404:根据以下公式计算质量检测系数Q,以便判断车道标识线质量:
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)
1.一种车道标识线质量检测方法,其特征在于,包括:
从道路图像中选择车道标识线所在区域作为感兴趣区域;
对所述感兴趣区域进行逆透视变换,得到感兴趣区域的俯视图;
将所述感兴趣区域的俯视图转换为二值图像,并通过霍夫变换得到所述二值图像的参数空间图;
所述通过霍夫变换得到所述二值图像的参数空间图包括:
根据霍夫变换公式r=x·cosθ+y·sinθ,分别将所述二值图像中的每个白色像素点从图像坐标系转换至极坐标系,其中(x,y)表示像素点在图像坐标系内的坐标,x表示横坐标,y表示纵坐标,(r,θ)表示像素点在极坐标系内的坐标,r表示极径,θ表示极角;
根据预设极角范围在所有白色像素点中选择有效像素点,针对每个有效像素点,根据霍夫变换在所述极坐标系内用一条正弦曲线表示通过所述有效像素点的所有直线;
分别统计通过每个有效像素点的正弦曲线的数量并将其进行归一化处理,使其落入0~255的范围内;
建立参数坐标系,所述参数坐标系的横坐标表示极径,纵坐标表示归极角,分别根据每个有效像素点在极坐标系内的坐标及其对应的归一化的正弦曲线的数量将其表示在所述参数坐标系内,获得所述二值图像的参数空间图,在所述参数空间图内,坐标(r,θ)处的灰度值为所述坐标对应的有效像素点的归一化的正弦曲线的数量;
根据所述参数空间图计算质量检测系数,以便判断车道标识线质量;
所述根据所述参数空间图计算质量检测系数包括:
计算所述参数空间图的中线,在所述参数空间图中选定与所述中线距离最近的两个有效像素点作为统计像素点,其中,所述中线表示为xmax表示二值图像中像素的横坐标最大值,ymax表示二值图像中像素的纵坐标最大值;
计算两个统计像素点之间的距离d,d=|θ1-θ2|,其中θ1、θ2分别表示两个统计像素点对应的极角;
针对每个统计像素点,分别计算以所述统计像素点为中心位于预设统计范围内的所有有效像素点的灰度值之和;
根据以下公式计算质量检测系数Q:
其中,t1和t2表示调节系数,均为常数,g1表示针对第一个统计像素点计算的所有有效像素点的灰度值之和,g2表示针对第二个统计像素点计算的所有有效像素点的灰度值之和。
2.根据权利要求1所述的车道标识线质量检测方法,其特征在于,还包括对所述道路图像进行预处理,所述预处理包括:
将所述道路图像转换为灰度图像;
对所述灰度图像进行滤波以去除噪声。
3.根据权利要求1所述的车道标识线质量检测方法,其特征在于,所述预设极角范围为70°~110°,以及将极角处于所述预设极角范围内的白色像素点选择为有效像素点。
5.根据权利要求1所述的车道标识线质量检测方法,其特征在于,所述预设统计范围是以所述统计像素点为中心的正方形或以所述统计像素点为圆心的圆形。
6.一种车道标识线质量检测系统,其特征在于,包括:
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,执行根据权利要求1-5中任一项所述的车道标识线质量检测方法。
7.根据权利要求6所述的车道标识线质量检测系统,其特征在于,还包括图像采集单元,用于采集所述道路图像。
8.一种计算机可读存储介质,其特征在于,该计算机可读存储介质存储有计算机程序,该计算机程序被处理器执行时实现权利要求1-5中任一项所述的车道标识线质量检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911251022.4A CN111179220B (zh) | 2019-12-09 | 2019-12-09 | 车道标识线质量检测方法、系统及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911251022.4A CN111179220B (zh) | 2019-12-09 | 2019-12-09 | 车道标识线质量检测方法、系统及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111179220A CN111179220A (zh) | 2020-05-19 |
CN111179220B true CN111179220B (zh) | 2023-05-05 |
Family
ID=70655432
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911251022.4A Active CN111179220B (zh) | 2019-12-09 | 2019-12-09 | 车道标识线质量检测方法、系统及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111179220B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112927283B (zh) * | 2021-01-29 | 2023-05-05 | 成都安智杰科技有限公司 | 测距方法及装置、存储介质及电子设备 |
CN112949398B (zh) * | 2021-01-29 | 2023-05-05 | 成都安智杰科技有限公司 | 车道线检测方法、测距方法及对应装置 |
CN113435350A (zh) * | 2021-06-30 | 2021-09-24 | 浙江大华技术股份有限公司 | 一种交通标线检测方法、装置、设备和介质 |
CN117745793A (zh) * | 2024-01-30 | 2024-03-22 | 北京交通发展研究院 | 一种慢行道路宽度测量方法、系统及设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103389733A (zh) * | 2013-08-02 | 2013-11-13 | 重庆市科学技术研究院 | 一种基于机器视觉的车辆巡线方法及系统 |
CN107862290A (zh) * | 2017-11-10 | 2018-03-30 | 智车优行科技(北京)有限公司 | 车道线检测方法及系统 |
CN109657632A (zh) * | 2018-12-25 | 2019-04-19 | 重庆邮电大学 | 一种车道线检测识别方法 |
CN109993099A (zh) * | 2019-03-27 | 2019-07-09 | 西安航空职业技术学院 | 一种基于机器视觉的车道线提取识别方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102227843B1 (ko) * | 2014-08-22 | 2021-03-15 | 현대모비스 주식회사 | 차선 이탈 경보 시스템의 동작방법 |
-
2019
- 2019-12-09 CN CN201911251022.4A patent/CN111179220B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103389733A (zh) * | 2013-08-02 | 2013-11-13 | 重庆市科学技术研究院 | 一种基于机器视觉的车辆巡线方法及系统 |
CN107862290A (zh) * | 2017-11-10 | 2018-03-30 | 智车优行科技(北京)有限公司 | 车道线检测方法及系统 |
CN109657632A (zh) * | 2018-12-25 | 2019-04-19 | 重庆邮电大学 | 一种车道线检测识别方法 |
CN109993099A (zh) * | 2019-03-27 | 2019-07-09 | 西安航空职业技术学院 | 一种基于机器视觉的车道线提取识别方法 |
Non-Patent Citations (1)
Title |
---|
一种新的车道线快速识别算法;沈瑜;罗维薇;王小鹏;雷涛;;计算机应用研究(04);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111179220A (zh) | 2020-05-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111179220B (zh) | 车道标识线质量检测方法、系统及存储介质 | |
CN107463918B (zh) | 基于激光点云与影像数据融合的车道线提取方法 | |
CN108960183B (zh) | 一种基于多传感器融合的弯道目标识别系统及方法 | |
CN110244322B (zh) | 基于多源传感器的路面施工机器人环境感知系统及方法 | |
CN106951879B (zh) | 基于摄像头与毫米波雷达的多特征融合车辆检测方法 | |
CN110298216B (zh) | 基于车道线梯度图像自适应阈值分割的车辆偏离报警方法 | |
US20200041284A1 (en) | Map road marking and road quality collecting apparatus and method based on adas system | |
CN110647850A (zh) | 一种基于逆透视原理的车道偏移自动测量方法 | |
CN102867414B (zh) | 一种基于ptz摄像机快速标定的车辆排队长度测量方法 | |
CN107389084B (zh) | 行车路径规划方法及存储介质 | |
CN111694010A (zh) | 一种基于视觉与激光雷达融合的路侧车辆识别方法 | |
CN109017780A (zh) | 一种车辆智能驾驶控制方法 | |
CN111563469A (zh) | 一种不规范停车行为识别方法及装置 | |
CN108759973A (zh) | 一种水位测量方法 | |
CN108280450A (zh) | 一种基于车道线的高速公路路面检测方法 | |
KR20110001427A (ko) | 관심영역 추출에 의한 차선 고속검출 방법 | |
CN103714538A (zh) | 道路边缘检测方法、装置及车辆 | |
CN110197173B (zh) | 一种基于双目视觉的路沿检测方法 | |
CN108171695A (zh) | 一种基于图像处理的高速公路路面检测方法 | |
Liu et al. | Development of a vision-based driver assistance system with lane departure warning and forward collision warning functions | |
CN109635737A (zh) | 基于道路标记线视觉识别辅助车辆导航定位方法 | |
CN105426868A (zh) | 一种基于自适应感兴趣区域的车道检测方法 | |
CN106803066B (zh) | 一种基于Hough变换的车辆偏航角确定方法 | |
CN116168028B (zh) | 低可见度下基于边缘滤波的高铁原始图像处理方法和系统 | |
CN111694011A (zh) | 一种摄像机和三维激光雷达数据融合的路沿检测方法 |
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 |