CN111414853A - 基于机器视觉的自动驾驶方法、装置、计算机设备和存储介质 - Google Patents
基于机器视觉的自动驾驶方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN111414853A CN111414853A CN202010196787.9A CN202010196787A CN111414853A CN 111414853 A CN111414853 A CN 111414853A CN 202010196787 A CN202010196787 A CN 202010196787A CN 111414853 A CN111414853 A CN 111414853A
- Authority
- CN
- China
- Prior art keywords
- image
- fitting
- ellipse
- contour
- obstacle
- 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- Withdrawn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
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000001514 detection method Methods 0.000 claims abstract description 24
- 238000001914 filtration Methods 0.000 claims abstract description 21
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 16
- 238000003708 edge detection Methods 0.000 claims abstract description 16
- 238000012545 processing Methods 0.000 claims abstract description 13
- 238000007781 pre-processing Methods 0.000 claims abstract description 9
- 230000004888 barrier function Effects 0.000 claims abstract description 5
- 238000004590 computer program Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 description 14
- 239000011159 matrix material Substances 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 239000000284 extract Substances 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000009191 jumping Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000011800 void material Substances 0.000 description 1
Images
Classifications
-
- 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
- G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
- G05D1/0238—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using obstacle or wall sensors
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Electromagnetism (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Automation & Control Theory (AREA)
- Image Analysis (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请涉及一种基于机器视觉的自动驾驶方法、装置、计算机设备和存储介质。方法包括:获取待检测图像,并根据边缘检测提取待检测图像中的目标障碍物;根据滤波预处理提取目标障碍物的图像轮廓;根据椭圆检测算法对图像轮廓进行拟合,获取拟合椭圆以及拟合椭圆的数据信息;根据拟合椭圆的数据信息,生成相应的避障指令以驱动车辆进行避障。上述方法,通过边缘检测和滤波预处理提取图像中的可疑坑洞,再通过椭圆检测算法对路面坑洞进行椭圆拟合和分析,再根据坑洞尺寸大小等级发送行驶指令,使车辆及时调整车速或行车轨迹,数据处理速度快且时效性高,达到了车辆安全行驶的目的。
Description
技术领域
本申请涉及智能驾驶技术领域,特别是涉及一种基于机器视觉的自动驾驶方法、装置、计算机设备和存储介质和存储介质和存储介质。
背景技术
自动驾驶技术是目前汽车自动化技术发展的潮流,在自动驾驶中,路面状况的实时检测是其中一项非常关键的技术,其中机器学习方法由于判断准确性高成为研究的热点。但由于普通机器学习算法对处理器要求较高,处理速度较慢因而时效性较差,因此在实际项目中难以应用。
发明内容
基于此,有必要针对上述技术问题,提供一种基于机器视觉的自动驾驶方法、装置、计算机设备和存储介质和存储介质和存储介质。
一种基于机器视觉的自动驾驶方法,方法包括:
获取待检测图像,并根据边缘检测提取待检测图像中的目标障碍物;根据滤波预处理提取目标障碍物的图像轮廓;根据椭圆检测算法对图像轮廓进行拟合,获取拟合椭圆以及拟合椭圆的数据信息;根据拟合椭圆的数据信息,生成相应的避障指令以驱动车辆进行避障。
上述方法,通过边缘检测和滤波预处理提取图像中的可疑坑洞,再通过椭圆检测算法对路面坑洞进行椭圆拟合和分析,再根据坑洞尺寸大小等级发送行驶指令,使车辆及时调整车速或行车轨迹,数据处理速度快且时效性高,达到了车辆安全行驶的目的。
一种基于机器视觉的自动驾驶装置,该装置包括:
障碍物获取模块,用于获取待检测图像,并根据边缘检测提取待检测图像中的目标障碍物;
轮廓提取模块,用于根据滤波预处理提取目标障碍物的图像轮廓;
拟合模块,用于根据椭圆检测算法对图像轮廓进行拟合,获取拟合椭圆以及拟合椭圆的数据信息;
指令生成模块,用于根据拟合椭圆的数据信息,生成相应的避障指令以驱动车辆进行避障。
上述装置,通过边缘检测和滤波预处理提取图像中的可疑坑洞,再通过椭圆检测算法对路面坑洞进行椭圆拟合和分析,再根据坑洞尺寸大小等级发送行驶指令,使车辆及时调整车速或行车轨迹,数据处理速度快且时效性高,达到了车辆安全行驶的目的。
一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行计算机程序时实现上述方法的步骤。
一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述方法的步骤。
附图说明
图1为一个实施例中基于机器视觉的自动驾驶方法的流程示意图;
图2为另一个实施例中基于机器视觉的自动驾驶方法的流程示意图;
图3为一个实施例中基于机器视觉的自动驾驶装置的结构框图;
图4为一个实施例中基于机器视觉的自动驾驶方法的流程示意图;
图5为拟合椭圆中心符合检测示意图;
图6为目标障碍物的图像轮廓符合度检测示意图;
图7为拟合椭圆轮廓符合度检测示意图;
图8为实际路面坑洞与拟合椭圆的对比示意图;
图9为实际路面坑洞与拟合椭圆的对比示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
在一个实施例中,如图1所示,提供了一种基于机器视觉的自动驾驶方法包括以下步骤:
S200、获取待检测图像,并根据边缘检测提取待检测图像中的目标障碍物。
具体的,在汽车行驶的过程中,采用摄像设备获取汽车行驶道路上的图像并将该图像经过相应处理后作为待检测图像,例如通过摄像设备采集汽车前方的路面图像,然后摄像设备对该图像的尺寸进行相应的调节之后,通过与处理器连接将采集的路面图像发送至处理器。当处理器获取到待检测图像之后,将根据边缘检测来获取待检测图像中的目标障碍物,目标障碍物为汽车行驶道路前方的坑洞。其中,边缘检测为现有的常规技术,本申请不再做详细赘述。
S300、根据滤波预处理提取目标障碍物的图像轮廓。具体的,当检测到目标障碍物(即坑洞)之后,可以理解,坑洞是一个圆形或不规则的椭圆,其具有相应的边缘轮廓,然后通过滤波预处理提取得到坑洞的图像轮廓,滤波预处理包括有灰度转换、二值化比操作以及中值滤波。
S400、根据椭圆检测算法对图像轮廓进行拟合,获取拟合椭圆以及拟合椭圆的数据信息。具体的,对图像轮廓进行最小二乘椭圆拟合,得到拟合度最高的拟合椭圆以及该拟合椭圆的方程、面积尺寸以及中心点位置坐标等作为拟合椭圆的数据信息。
S500、根据拟合椭圆的数据信息,生成相应的避障指令以驱动车辆进行避障。具体的,处理器通过判断拟合椭圆的面积尺寸大小来判断车轮的转向角度使得车辆避开坑洞或者当拟合椭圆的面积尺寸远小于车轮半径时,可以生成减速指令来是车辆减速慢行通过该坑洞。
上述方法,通过边缘检测和滤波预处理提取图像中的可疑坑洞,再通过椭圆检测算法对路面坑洞进行椭圆拟合和分析,再根据坑洞尺寸大小等级发送行驶指令,使车辆及时调整车速或行车轨迹,数据处理速度快且时效性高,达到了车辆安全行驶的目的。
在一个实施例中,如图2所示,在步骤S200之前还包括步骤S100、采集目标图像,根据预设尺寸对目标图像进行尺寸调整,得到待检测图像。
具体的,车辆在道路上行驶的过程中,通过摄像设备采集车辆当前行驶道路的图像作为目标图像,然后摄像设备将目标图像发送给处理器,处理器根据预设尺寸来对目标图像进行裁切,得到与预设尺寸一样大小的待检测图像。其中,预设尺寸小于目标图像的尺寸。
通过对目标图像的尺寸进行调整之后得到的待检测图像的尺寸相对变小,同时像素相应的降低,图像分辨率得到了降低,从而方便后续进行图像处理,提高目标障碍物的识别速度。
进一步的,在一个实施例中,步骤S200包括步骤S201、步骤S202以及步骤S203。步骤S201、对待检测图像进行明暗反转,并对待检测图像中的感兴趣区域进行灰度级扩展,得到灰度图像。具体的,由于车辆在道路上行驶的过程中,采集的道路的图像会受到外界环境影响,通过对待检测图像进行明暗反转并且对感兴趣区域的灰度级进行扩展,能够突出目标障碍物所在亮度带,方便查找到待检测图像中的目标障碍物。
步骤S202、对灰度图像进行二值化闭操作处理,得到二值化图像。具体的,通过二值化比操作能够消除待检测图像中的细长鸿沟和较小的空洞,使得待检测图像中的目标障碍物轮廓更加平滑。
步骤S203、对二值化图像进行中值滤波处理,并获取中值滤波处理之后的二值化图像中的块信息以获取目标障碍物的图像轮廓。具体的,使用中值滤波处理后能够消除噪声并且不会破坏目标障碍物轮廓的边缘,然后通过MATLAB工具箱中regionprops函数获取二值化图像的块信息,得到目标障碍物的图像轮廓以及轮廓边缘、轮廓的面积、轮廓长度以及像素点数据。进一步的,在其它实施例中,步骤S203之后还包括将目标障碍物的图像轮廓二维化的像素坐标存储到数据结构Aoval中(Aoval是N行2列的矩阵,第一列存储x坐标,第二列存储 y坐标)。
在一个实施例中,步骤S400包括步骤S401、步骤S402、步骤S403以及步骤S404。步骤S401、获取图像轮廓中各个像素点的像素坐标。其中,图像轮廓包含有若干个像素点,在对图像轮廓二维化之后,可以得到个像素点的像素坐标。步骤S402、对图像轮廓进行最小二乘椭圆拟合,得到拟合度最高的拟合椭圆。步骤S403、根据像素坐标,获取拟合椭圆上对应的拟合像素点的坐标。步骤S404、根据拟合像素点的坐标,获取拟合椭圆的数据信息。
具体的,椭圆的一般方程为ax2+bxy+cy2+dx+ey+f=0,通过最小二乘法拟合得到最佳a,b,c,d,e,f,得到拟合椭圆,拟合椭圆的数据信息包括拟合椭圆的方程、面积尺寸以及中心点位置坐标等。
进一步的,在一个实施例中,步骤S402与步骤S403之间,还包括步骤:对拟合椭圆进行椭圆中心符合度检测,获取拟合椭圆的中心点;获取图像轮廓的中心点,并将拟合椭圆的中心点与图像轮廓的中心点进行对比,获取对比结果;判断对比结果是否符合预设条件;若是,则返回步骤S403。
具体的,计算令拟合椭圆中心坐标为(XC,YC),其中获取轮廓的边界,LT=min(ai1),(i=1,2,3,...,n)为图像轮廓的左边界,RT=max(ai1),(i=1,2,3,...,n)为图像轮廓右边界,UT=min(ai2),(i=1,2,3,...,n)为图像轮廓上边界,DT=max(ai2),(i=1,2,3,...,n)为图像轮廓下边界,其中ai1,ai2分别是矩阵Aoval的第一列,第二列;完成边界计算后确定边界,然后设立图像轮廓中心坐标X轴,Y轴误差阈值,其中X方向阈值为BCX=0.4(RT-LT),Y方向阈值为Bcy=0.4(UT-DT),若拟合椭圆中心与图像轮廓边界满足:且则认为拟合椭圆的中心在图像轮廓中心范围,继续执行步骤S403。
进一步的,在一个实施例中,若比对结果不符合预设条件,则获取图像轮廓的边界数据,根据边界数据对图像轮廓的中心点进行调整,并返回获取图像轮廓中各个像素点的像素坐标的步骤。具体的,当拟合椭圆的中心不在图像轮廓中心范围时,采用图像轮廓中心(X′C,YC′),其中 X′C=(LT+RT)/2,YC′=(UT+DT)/2,跳转到步骤S401重新进行椭圆拟合。
在一个实施例中,在步骤S500之后,还包括步骤S600、获取车辆的车轮尺寸信息,根据拟合椭圆的数据信息以及车辆尺寸信息,生成相应的避障指令并发送至车辆驱动装置。
具体的,根据当前轮廓的拟合椭圆的尺寸,判断坑洞对行车安全影响的危险等级,并调整当前行车状态。令所开车辆的轮胎半径为R,具体坑洞尺寸危险准则为若则不减速行驶;若需减速至原来速度的一半行驶,使车辆缓慢通过;若需减速至原来速度的四分之一行驶,使车辆缓慢通过;若则认为坑洞过大,车辆直接从坑洞上面通过会影响到行车安全,需要改变当前运行路线,避让坑洞后,再回到原先运行路线继续行车。
在一个实施例中,如图3所示,提供了一种基于机器视觉的自动驾驶装置,该装置包括:障碍物获取模块200,用于获取待检测图像,并根据边缘检测提取待检测图像中的目标障碍物;轮廓提取模块300,用于根据滤波预处理提取目标障碍物的图像轮廓;拟合模块400,用于根据椭圆检测算法对图像轮廓进行拟合,获取拟合椭圆以及拟合椭圆的数据信息;指令生成模块500,用于根据拟合椭圆的数据信息,生成相应的避障指令以驱动车辆进行避障。
上述装置,通过边缘检测和滤波预处理提取图像中的可疑坑洞,再通过椭圆检测算法对路面坑洞进行椭圆拟合和分析,再根据坑洞尺寸大小等级发送行驶指令,使车辆及时调整车速或行车轨迹,数据处理速度快且时效性高,达到了车辆安全行驶的目的。
关于基于机器视觉的自动驾驶装置的具体限定可以参见上文中对于基于机器视觉的自动驾驶方法的限定,在此不再赘述。上述基于机器视觉的自动驾驶装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行所述计算机程序时实现上述方法的步骤。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述方法的步骤。
在一个实施例中,为了对本申请进行说明,参见图4至图9,图4为一种基于机器视觉的自动驾驶方法的示例,该方法首先通过边缘检测进行图像轮廓提取,然后通过滤波预处理提取图像中的可疑坑洞,再通过椭圆检测算法对路面坑洞大小进行分析,再通过坑洞尺寸危险准则发送不同级别的行驶指令,从而实现安全驾驶。图4的方法示例具体包括以下步骤:
步骤1、对目标图像进行尺寸调整,得到宽度为700px,高度为根据原始图像的宽高比等比例缩放的待检测图像,以减小图像分辨率加快识别速度,接着执行步骤2。
步骤2、在完成大小设置后,考虑到行车天气、时间不同,所采集到的目标图片的明暗度以及噪点多少等也相差很大,需要对待检测图像进行调整。首先采用MATLAB工具箱对待检测图像图片进行明暗反转并且对感兴趣区域的灰度级进行扩展,得到灰度图像,以突出障碍物所在亮度带,接着执行步骤3。
步骤3、将灰度图像进行二值化,并在二值化后使用闭操作消除细长鸿沟和小的空洞,并且使得轮廓变得平滑,得到二值化图像,然后使用中值滤波进一步消除噪声并且不会破坏目标障碍物图像轮廓的边缘,接着执行步骤4。
步骤4、使用MATLAB工具箱中regionprops函数获取中值滤波之后的二值化图像的块信息,得到目标障碍物图像轮廓的边缘,轮廓的面积,长度,像素点等数据;并将regionprops函数获取的目标障碍物图像轮廓二维化的像素坐标存储到数据结构Aoval中(Aoval是N行2列的矩阵,第一列存储x坐标,第二列存储y坐标),接着执行步骤5。
步骤5、对目标障碍物图像轮廓进行最小二乘椭圆拟合,其椭圆一般方程为 ax2+bxy+cy2+dx+ey+f=0,再通过最小二乘法拟合得到最佳a,b,c,d,e,f五个参数,从而确定椭圆拟合的参数,接着执行步骤6。
步骤6、对目标障碍物图像轮廓得到其最佳拟合椭圆后,再进行椭圆中心符合度检测,用于验证拟合椭圆与实际轮廓中心(即目标障碍物图像轮廓中心) 是否在误差范围内。其中,步骤6的过程具体为:
步骤6.2、获取目标障碍物图像轮廓的边界,LT=min(ai1),(i=1,2,3,...,n)为目标障碍物图像轮廓左边界,RT=max(ai1),(i=1,2,3,...,n)为目标障碍物图像轮廓右边界,UT=min(ai2),(i=1,2,3,...,n)为目标障碍物图像轮廓上边界 DT=max(ai2),(i=1,2,3,...,n)为目标障碍物图像轮廓下边界,其中ai1,ai2分别是矩阵Aoval的第一列,第二列。
步骤6.3、完成边界计算后确定边界,然后根据图像尺寸设立椭圆中心坐标 X轴,Y轴误差阈值,其中X方向阈值为BCX=0.4(RT-LT),Y方向阈值为 Bcy=0.4(UT-DT),若拟合得到的椭圆中心与实际轮廓边界满足:且如图5所示,则认为拟合椭圆的中心在实际轮廓中心范围,继续执行步骤7,否则采用轮廓中心(X′C,Y′C),其中X′C=(LT+RT)/2, Y′C=(UT+DT)/2,跳转到步骤5重新进行椭圆拟合。其中,图5为椭圆中心符合检测示意图,其中BCX,BCY分别代表左右,上下的控制值范围外的区域;LT、RT、 UT、DT,分别代表实际图像轮廓中最左、右、上、下的点;椭圆圆心坐标为(Xc,Yc)
步骤7、进行轮廓符合度计算。如图6所示,图6为轮廓符合度检测示意图,其中深黑色底色“1”代表椭圆上一点,浅黑色底色“1”代表误差容错范围内的点,每个方格代表一个像素。BUD,BLR分别代表左右,上下的误差值。根据已经得到的拟合椭圆参数,计算目标障碍物图像轮廓像素点(X,Y)其对应的拟合椭圆上相同横坐标X的点(X,Y′),比较拟合点与实际轮廓像素点的符合度,并将符合的点进行累加及保存,若符合点总数,达到一定比例则认为符合障碍物特征。其中,步骤7具体为:
步骤7.2,计算目标障碍物图像轮廓像素坐标检测需要用到的垂直和水平方向的误差阈值,分别为BUD=α×(UT-DT),BLR=β×(RT-LT),实验中设定α=0.04,β=0.035。
步骤7.3对比目标障碍物图像轮廓像素点与其对应的拟合椭圆上点是否符合条件若不符合条件则存储到矩阵 Pk,(k=1,2,3,...,n)中;其中X为步骤8.1中用来计算Y′big,Y′small的横坐标,xi,yi为Aoval中存储的x坐标与y坐标值,Pk维度为n行两列的矩阵,用于存放符合条件的像素坐标。
步骤7.4重复执行7.1~7.3操作,直至完成所有椭圆坐标点的检测。
步骤7.5完成所有Pk的计算后纵向合并Pk,(k=1,2,3,...,n)到矩阵并删除重复坐标点。
步骤7.6完成合并后对Pk中轮廓坐标点数量符合率进行计算并累加,获得最终统计结果。若当符合点的比值超过80%,则认为目标障碍物图像轮廓与拟合椭圆符合度达标,继续执行步骤8;否则采用修正的轮廓中心(X′C,Y′C),其中 X′C=(LT+RT)/2,Y′C=(UT+DT)/2,跳转到步骤5重新进行椭圆拟合计算。
图7为椭圆轮廓符合度检测示意图,其中图中中心黑点即为拟合椭圆的圆心,其它的线条为实际图形中获取的坑洞轮廓,此图展现了“椭圆轮廓符合度”算法的优势,能够很好的预测图片中的坑洞。图8为实际路面坑洞与其对应的最终椭圆检测的效果示意图。
步骤8、根据目标障碍物图像轮廓的拟合椭圆的尺寸,判断坑洞对行车安全影响的危险等级,并调整当前行车状态。令所开车辆的轮胎半径为R,具体坑洞尺寸危险准则为:若则不减速行驶;若需减速至原来速度的一半行驶,使车辆缓慢通过;若需减速至原来速度的四分之一行驶,使车辆缓慢通过;若则认为坑洞过大,车辆直接从坑洞上面通过会影响到行车安全,需要改变当前运行路线,避让坑洞后,再回到原先运行路线继续行车。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种基于机器视觉的自动驾驶方法,所述方法包括:
获取待检测图像,并根据边缘检测提取所述待检测图像中的目标障碍物;
根据滤波预处理提取所述目标障碍物的图像轮廓;
根据椭圆检测算法对所述图像轮廓进行拟合,获取拟合椭圆以及所述拟合椭圆的数据信息;
根据所述拟合椭圆的数据信息,生成相应的避障指令以驱动车辆进行避障。
2.根据权利要求1所述的方法,其特征在于,所述获取待检测图像,并根据边缘检测提取所述待检测图像中的目标障碍物之前,包括:
采集目标图像,根据预设尺寸对所述目标图像进行尺寸调整,得到所述待检测图像。
3.根据权利要求1所述的方法,其特征在于,所述根据滤波预处理提取所述目标障碍物的图像轮廓,包括:
对所述待检测图像进行明暗反转,并对待检测图像中的感兴趣区域进行灰度级扩展,得到灰度图像;
对所述灰度图像进行二值化闭操作处理,得到二值化图像;
对所述二值化图像进行中值滤波处理,并获取所述中值滤波处理之后的二值化图像中的块信息以获取所述目标障碍物的图像轮廓。
4.根据权利要求1所述的方法,其特征在于,所述根据椭圆检测算法对所述图像轮廓进行拟合,获取拟合椭圆以及所述拟合椭圆数据信息,包括:
获取所述图像轮廓中各个像素点的像素坐标;
对所述图像轮廓进行最小二乘椭圆拟合,得到拟合度最高的拟合椭圆;
根据所述像素坐标,获取所述拟合椭圆上对应的拟合像素点的坐标;
根据所述拟合像素点的坐标,获取所述拟合椭圆的数据信息。
5.根据权利要求4所述的方法,其特征在于,所述对所述图像轮廓进行最小二乘椭圆拟合,得到拟合度最高的拟合椭圆之后,根据所述像素坐标,获取所述拟合椭圆上对应的拟合像素点的坐标之前,包括:
对所述拟合椭圆进行椭圆中心符合度检测,获取所述拟合椭圆的中心点;
获取所述图像轮廓的中心点,并将所述拟合椭圆的中心点与所述图像轮廓的中心点进行对比,获取对比结果;
判断所述对比结果是否符合预设条件;
若是,则进入根据所述像素坐标,获取所述拟合椭圆上对应的拟合像素点的坐标的步骤。
6.根据权利要求5所述的方法,其特征在于,所述判断所述对比结果是否符合预设条件之后,包括:
若所述比对结果不符合所述预设条件,则获取所述图像轮廓的边界数据,根据所述边界数据对所述图像轮廓的中心点进行调整,并返回获取所述图像轮廓中各个像素点的像素坐标的步骤。
7.根据权利要求1所述的方法,其特征在于,所述根据拟合椭圆的数据信息,生成相应的避障指令并发送至车辆驱动装置,包括:
获取车辆的车轮尺寸信息,根据所述拟合椭圆的数据信息以及所述车辆尺寸信息,生成相应的避障指令并发送至车辆驱动装置。
8.一种基于机器视觉的自动驾驶装置,其特征在于,所述装置包括:
障碍物获取模块,用于获取待检测图像,并根据边缘检测提取所述待检测图像中的目标障碍物;
轮廓提取模块,用于根据滤波预处理提取所述目标障碍物的图像轮廓;
拟合模块,用于根据椭圆检测算法对所述图像轮廓进行拟合,获取拟合椭圆以及所述拟合椭圆的数据信息;
指令生成模块,用于根据所述拟合椭圆的数据信息,生成相应的避障指令以驱动车辆进行避障。
9.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010196787.9A CN111414853A (zh) | 2020-03-19 | 2020-03-19 | 基于机器视觉的自动驾驶方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010196787.9A CN111414853A (zh) | 2020-03-19 | 2020-03-19 | 基于机器视觉的自动驾驶方法、装置、计算机设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111414853A true CN111414853A (zh) | 2020-07-14 |
Family
ID=71491225
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010196787.9A Withdrawn CN111414853A (zh) | 2020-03-19 | 2020-03-19 | 基于机器视觉的自动驾驶方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111414853A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112634300A (zh) * | 2020-12-25 | 2021-04-09 | 创新奇智(北京)科技有限公司 | 一种工件装配方法、装置和系统 |
CN112698380A (zh) * | 2020-12-16 | 2021-04-23 | 南京大学 | 一种适用于强背景噪声下低能质子束的束流截面处理方法 |
CN113052888A (zh) * | 2020-11-03 | 2021-06-29 | 无锡臻永科技有限公司 | 异常环境实时监测系统 |
CN113420587A (zh) * | 2021-05-10 | 2021-09-21 | 江苏大学 | 一种基于路面坑洞检测的车辆主动避撞方法 |
CN113780200A (zh) * | 2021-09-15 | 2021-12-10 | 安徽理工大学 | 基于计算机视觉的路面多种病害面积检测及定位方法 |
CN114387500A (zh) * | 2020-10-16 | 2022-04-22 | 苏州科瓴精密机械科技有限公司 | 应用于自行走设备的图像识别方法、系统、自行走设备及可读存储介质 |
CN116620296A (zh) * | 2023-05-18 | 2023-08-22 | 中公高远(北京)汽车检测技术有限公司 | 一种智能汽车的避险方法和系统 |
-
2020
- 2020-03-19 CN CN202010196787.9A patent/CN111414853A/zh not_active Withdrawn
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114387500A (zh) * | 2020-10-16 | 2022-04-22 | 苏州科瓴精密机械科技有限公司 | 应用于自行走设备的图像识别方法、系统、自行走设备及可读存储介质 |
CN113052888A (zh) * | 2020-11-03 | 2021-06-29 | 无锡臻永科技有限公司 | 异常环境实时监测系统 |
CN113052888B (zh) * | 2020-11-03 | 2021-12-17 | 杭州尽享科技有限公司 | 异常环境实时监测系统 |
CN112698380A (zh) * | 2020-12-16 | 2021-04-23 | 南京大学 | 一种适用于强背景噪声下低能质子束的束流截面处理方法 |
CN112634300A (zh) * | 2020-12-25 | 2021-04-09 | 创新奇智(北京)科技有限公司 | 一种工件装配方法、装置和系统 |
CN113420587A (zh) * | 2021-05-10 | 2021-09-21 | 江苏大学 | 一种基于路面坑洞检测的车辆主动避撞方法 |
CN113780200A (zh) * | 2021-09-15 | 2021-12-10 | 安徽理工大学 | 基于计算机视觉的路面多种病害面积检测及定位方法 |
CN116620296A (zh) * | 2023-05-18 | 2023-08-22 | 中公高远(北京)汽车检测技术有限公司 | 一种智能汽车的避险方法和系统 |
CN116620296B (zh) * | 2023-05-18 | 2024-03-12 | 中公高远(北京)汽车检测技术有限公司 | 一种智能汽车的避险方法和系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111414853A (zh) | 基于机器视觉的自动驾驶方法、装置、计算机设备和存储介质 | |
EP2053861B1 (en) | Vehicle detection device, vehicle detection method, and vehicle detection program | |
EP0827127B1 (en) | Local positioning apparatus, and method therefor | |
EP2767927B1 (en) | Road surface information detection apparatus, vehicle device control system employing road surface information detection apparatus, and carrier medium of road surface information detection program | |
CN111563412B (zh) | 一种基于参数空间投票和贝塞尔拟合的快速车道线检测方法 | |
JP3169483B2 (ja) | 道路環境認識装置 | |
CN106647776B (zh) | 车辆变道趋势的判断方法、判断装置和计算机存储介质 | |
US7542835B2 (en) | Vehicle image processing device | |
Yan et al. | A method of lane edge detection based on Canny algorithm | |
US20120300078A1 (en) | Environment recognizing device for vehicle | |
KR100975749B1 (ko) | 단일 차선을 이용한 차선 인식 및 차량의 차선 이탈 검출 방법 | |
US11270133B2 (en) | Object detection device, object detection method, and computer-readable recording medium | |
CN107895151A (zh) | 一种强光照条件下基于机器视觉的车道线检测方法 | |
KR20150102546A (ko) | 차선 인식 장치 및 방법 | |
KR20110001427A (ko) | 관심영역 추출에 의한 차선 고속검출 방법 | |
EP3584763A1 (en) | Vehicle-mounted environment recognition device | |
US20150243169A1 (en) | Traffic lane situation determining device and method for determining traffic lane situation | |
KR101178508B1 (ko) | 차량 충돌 경보 시스템 및 방법 | |
JP5593217B2 (ja) | 車両用外界認識装置およびそれを用いた車両システム | |
WO2021199584A1 (en) | Detecting debris in a vehicle path | |
WO2020209046A1 (ja) | 物体検出装置 | |
CN115713557A (zh) | 交通场景的障碍物检测方法、装置、设备及存储介质 | |
JP3399113B2 (ja) | 車両用走行路認識装置及びこれを用いた警報・走行制御装置 | |
CN114663860A (zh) | 一种用于车道偏离系统中的车道线识别系统和方法 | |
Musleh et al. | Real-time pedestrian recognition in urban environments |
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: 20200714 |