CN111523360B - 用于识别路面标记的方法、装置及单目摄像头 - Google Patents

用于识别路面标记的方法、装置及单目摄像头 Download PDF

Info

Publication number
CN111523360B
CN111523360B CN201910847309.7A CN201910847309A CN111523360B CN 111523360 B CN111523360 B CN 111523360B CN 201910847309 A CN201910847309 A CN 201910847309A CN 111523360 B CN111523360 B CN 111523360B
Authority
CN
China
Prior art keywords
image
region
intensity
average
standard deviation
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
CN201910847309.7A
Other languages
English (en)
Other versions
CN111523360A (zh
Inventor
宫原俊二
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.)
Haomo Zhixing Technology Co Ltd
Original Assignee
Haomo Zhixing 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 Haomo Zhixing Technology Co Ltd filed Critical Haomo Zhixing Technology Co Ltd
Priority to CN201910847309.7A priority Critical patent/CN111523360B/zh
Publication of CN111523360A publication Critical patent/CN111523360A/zh
Priority to US17/637,885 priority patent/US20220319195A1/en
Priority to PCT/CN2020/113499 priority patent/WO2021047452A1/zh
Priority to EP20863534.2A priority patent/EP4006774A4/en
Application granted granted Critical
Publication of CN111523360B publication Critical patent/CN111523360B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
    • 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
    • G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
    • G06V10/225—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition based on a marking or identifier characterising the area
    • 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
    • G06V10/457—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 by analysing connectivity, e.g. edge linking, connected component analysis or slices
    • 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
    • G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
    • 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
    • G06T2207/10004—Still image; Photographic image
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Traffic Control Systems (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明涉及智能交通技术领域，提供一种用于识别路面标记的方法、装置及单目摄像头。所述方法包括：获取车辆上的单目摄像头所拍摄的原始图像；在所述原始图像中确定物体所在的中间区域以及位于该中间区域两侧的左区域和右区域；获取所述原始图像在所述左区域、所述右区域及所述中间区域的沿垂直方向的图像强度分布；以及通过比较所述左区域或所述右区域相对于所述中间区域的图像强度来确定所述物体是否为路面标记。本发明可以达到准确识别路面标记的目的。

Description

用于识别路面标记的方法、装置及单目摄像头
技术领域
本发明涉及智能交通技术领域，特别涉及一种用于识别路面标记的方法、装置及单目摄像头。
背景技术
目前，具有AD(Autonomous driving，自主驾驶)功能或ADAS(Advanced DriverAssistance System，高级驾驶辅助系统)的车辆已开始逐步推向市场，极大地促进了智能交通的发展。现有技术中，支持AD/ADAS的传感器主要有雷达、视觉相机系统、激光雷达、超声波传感器等，其中视觉相机系统因能够获得与人类视觉一样的二维图像信息而应用最为广泛，且随着应用范围的扩展，对视学相机系统在检测率、误识别、距离准确度等方面的要求会变得越来越高。
但是，现有视觉相机系统在准确区别路面标记和物体方面存在很大的麻烦。以交通锥和路面点线为例，两者在视觉上呈现出肉眼可见的不同，但采用车辆上的视觉相机系统拍摄的相机图像却几乎相同。举例而言，图1(a)和图1(b)是分别示出路面点线的原始图像及经视觉相机系统处理后的差分图像的示图，图1(c)和图1(d)是分别示出交通锥的原始图像及经视觉相机系统处理后的差分图像的示图，对应于图1(a)和图1(b)的，易知点线标记和交通锥在视觉上明显不同，而在差分图像中却是相似的。这是使用单目摄像头的视觉相机系统的固有问题，使得单目摄像头识别路面标记变得困难。
对此，现有技术中提出了多种方法来提升视觉相机系统区分路面标记和立方体物体的能力，而主要包括以下两种方法：
1)采用至少具有两个相机的立体相机来区分路面标记和物体。该方案一方面需要至少两个相机，另一方面还对两个相机的距离设置有严格要求，例如在两个相机之间的距离设置为小于350mm时能勉强区分开前方的路面标记的物体，但此时该立体相机的测距范围限制在于小于70m的范围。
2)使用获取多个图像的时间序列来区分路面标记和物体，但这需要不同距离的多个图像。
因此，目前没有有效的方法来通过使用单目摄像头的视觉相机系统中准确识别路面标记。
发明内容
有鉴于此，本发明旨在提出一种用于识别路面标记的方法，以实现基于单目摄像头的图像准确识别路面目标。
为达到上述目的，本发明的技术方案是这样实现的：
一种用于识别路面标记的方法，包括：获取车辆上的单目摄像头所拍摄的原始图像；在所述原始图像中确定物体所在的中间区域以及位于该中间区域两侧的左区域和右区域；获取所述原始图像在所述左区域、所述右区域及所述中间区域的沿垂直方向的图像强度分布；以及通过比较所述左区域或所述右区域相对于所述中间区域的图像强度来确定所述物体是否为路面标记。
进一步的，在所述获取车辆上的单目摄像头所拍摄的原始图像之后，所述方法还包括：对所述原始图像进行图像预处理以获得对应的差分图像；获取所述差分图像中的边缘点；根据边缘点连续性对所述边缘点进行分组，并根据得到的各个边缘点组来估计所述物体的边缘线；在所述边缘线包括的组的数量大于预设的组阈值且其中的每一组中的边缘点数量小于预设的点阈值时，确定所述物体为路面标记。
进一步的，在所述原始图像中确定物体所在的中间区域以及位于该中间区域两侧的左区域和右区域包括：对所述原始图像进行图像预处理以获得对应的差分图像；获取所述差分图像中的边缘点；根据边缘点连续性对所述边缘点进行分组，以得到若干边缘点组；设置所述中间区域包括所述差分图像中的边缘点组；以及在所述中间区域的左侧和右侧分别设置所述左区域和所述右区域。
进一步的，所述通过比较所述左区域或所述右区域相对于所述中间区域的图像强度来确定所述物体是否为路面标记包括：计算第一强度平均值，其中所述第一强度平均值为所述左区域或所述右区域中的图像强度平均值；计算第二强度平均值，其中所述第二强度平均值为所述中间区域中的图像强度分布的峰值或谷值的图像强度平均值；以及若所述第一强度平均值和所述第二强度平均值的差值小于预设平均值阈值，则确定所述物体为路面标记；其中，所述预设平均值阈值被配置为小于所述峰值的图像强度平均值和所述谷值的图像强度平均值之间的差值。
进一步的，在所述通过比较所述左区域或所述右区域相对于所述中间区域的图像强度来确定所述物体是否为路面标记之后，所述方法还包括：计算第一强度标准差，其中所述第一强度标准差为所述左区域或所述右区域中的图像强度标准差；计算第二强度标准差，其中所述第二强度标准差为所述中间区域中的图像强度分布的峰值或谷值的图像强度标准差；以及若所述第一强度标准差和所述第二强度标准差的差值小于预设标准差阈值且所述峰值和所述谷值的平均图像强度之间的差值大于所述第一强度标准差，则确定所述物体为路面标记。
进一步的，在所述获取所述原始图像在所述左区域、所述右区域及所述中间区域的沿垂直方向的图像强度分布之后，以及在所述通过比较所述左区域或所述右区域相对于所述中间区域的图像强度来确定所述物体是否为路面标记之前，所述方法还包括：对所述左区域和所述右区域进行线性回归处理，以得到各自对应的线性回归线；根据所述左区域和所述右区域各自对应的线性回归线，计算所述左区域和所述右区域的平均线性回归线；以及根据所述平均线性回归线补偿所述原始图像在所述左区域、所述右区域及所述中间区域的沿垂直方向的图像强度分布。
相对于现有技术，本发明所述的用于识别路面标记的方法可以基于单目相机的单帧图像区分出路面标记和立方体物体，从而达到准确识别路面标记的目的。
本发明的另一目的在于提出一种用于识别路面标记的装置，以实现基于单目摄像头的图像准确识别路面目标。
为达到上述目的，本发明的技术方案是这样实现的：
一种用于识别路面标记的装置，包括：图像获取模块，用于获取车辆上的单目摄像头所拍摄的原始图像；区域确定模块，用于在所述原始图像中确定物体所在的中间区域以及位于该中间区域两侧的左区域和右区域；强度获取模块，用于获取所述原始图像在所述左区域、所述右区域及所述中间区域的沿垂直方向的图像强度分布；以及第一识别模块，用于通过比较所述左区域或所述右区域相对于所述中间区域的图像强度来确定所述物体是否为路面标记。
进一步的，所述装置还包括第二识别模块，被配置为执行：对所述原始图像进行图像预处理以获得对应的差分图像；获取所述差分图像中的边缘点；根据边缘点连续性对所述边缘点进行分组，并根据得到的各个边缘点组来估计所述物体的边缘线；以及在所述边缘线包括的组的数量大于预设的组阈值且其中的每一组中的边缘点数量小于预设的点阈值时，确定所述物体为路面标记。
进一步的，所述区域确定模块包括：图像处理子模块，用于对所述原始图像进行图像预处理以获得对应的差分图像，并获取所述差分图像中的边缘点，以及根据边缘点连续性对所述边缘点进行分组，以得到若干边缘点组；区域确定子模块，用于设置所述中间区域包括所述差分图像中的边缘点组，并在所述中间区域的左侧和右侧分别设置所述左区域和所述右区域。进一步的，所述第一识别模块包括：第一计算子模块，用于计算第一强度平均值，其中所述第一强度平均值为所述左区域或所述右区域中的图像强度平均值；第二计算子模块，用于计算第二强度平均值，其中所述第二强度平均值为所述中间区域中的图像强度分布的峰值或谷值的图像强度平均值；以及第一确定子模块，用于在所述第一强度平均值和所述第二强度平均值的差值小于预设平均值阈值时，确定所述物体为路面标记，其中，所述预设平均值阈值被配置为小于所述峰值的图像强度平均值和所述谷值的图像强度平均值之间的差值。
进一步的，所述第一识别模块还包括：第三计算子模块，用于计算第一强度标准差，其中所述第一强度标准差为所述左区域或所述右区域中的图像强度标准差；第四计算子模块，用于计算第二强度标准差，其中所述第二强度标准差为所述中间区域中的图像强度分布的峰值或谷值的图像强度标准差；以及第二确定子模块，用于在所述第一强度标准差和所述第二强度标准差的差值小于预设标准差阈值且所述峰值和所述谷值的平均图像强度之间的差值大于所述第一强度标准差时，确定所述物体为路面标记。
进一步的，所述装置还包括强度补偿模块，被配置为执行：对所述左区域和所述右区域进行线性回归处理，以得到各自对应的线性回归线；根据所述左区域和所述右区域各自对应的线性回归线，计算所述左区域和所述右区域的平均线性回归线；以及根据所述平均线性回归线补偿所述原始图像在所述左区域、所述右区域及所述中间区域的沿垂直方向的图像强度分布。
所述用于识别路面标记的装置与上述用于识别路面标记的方法相对于现有技术所具有的优势相同，在此不再赘述。
本发明的另一目的在于提出一种单目摄像头，以实现基于单目摄像头的图像准确识别路面目标。
为达到上述目的，本发明的技术方案是这样实现的：
一种单目摄像头，设置有上述的用于识别路面标记的装置。
所述单目摄像头与上述用于识别路面标记的方法相对于现有技术所具有的优势相同，在此不再赘述。
本发明的另一目的在于提出一种机器可读存储介质，以实现基于单目摄像头的图像准确识别路面目标。
为达到上述目的，本发明的技术方案是这样实现的：
一种机器可读存储介质，该机器可读存储介质上存储有指令，该指令用于使得机器执行上述的用于识别路面标记的方法。
所述机器可读存储介质与上述用于识别路面标记的方法相对于现有技术所具有的优势相同，在此不再赘述。
本发明的其它特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
构成本发明的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施方式及其说明用于解释本发明，并不构成对本发明的不当限定。
在附图中：
图1(a)和图1(b)是分别示出路面点线的原始图像及经视觉相机系统处理的差分图像的示图；
图1(c)和图1(d)是分别示出交通锥的原始图像及经视觉相机系统处理的差分图像的示图；
图2是本发明实施例一的用于识别路面标记的方法的流程示意图；
图3(a)是本发明实施例中示出针对图1(a)的点线标记定义的区域的示意图；
图3(b)是本发明实施例中初始获得的左区域、所述右区域及所述中间区域对应的图像强度分布示意图；
图3(c)是采用图4的方法对图3(b)的图像强度分布进行补偿后的新的图像强度分布的示意图；
图3(d)是从图3(c)的图像强度分布图像中拾取峰值和谷值的示意图；
图3(e)是对图3(a)的场景进行目标检测的结果示意图；
图4是本发明实施例中利用线性回归补偿中间区域的图像强度的线性偏移的方法的流程示意图；
图5是示出基于三个区域的图像强度来确定对应物体是否为路面标记的流程示意图；
图6是本发明实施例二的用于识别路面标记的方法的流程示意图；
图7是结合实施例一与实施例二的方法的示例的执行步骤示意图；
图8是本发明实施例三的路面标记识别方法的流程示意图；
图9是本发明实施例中进行边缘点分组的示意图；以及
图10是本发明实施例四的用于识别路面标记的装置的结构示意图。
附图标记说明：
310、左区域；320、中间区域；330、右区域；340、待估计物体；
1010、图像获取模块；1020、强度获取模块；1030、第一识别模块。
具体实施方式
需要说明的是，在不冲突的情况下，本发明中的实施方式及实施方式中的特征可以相互组合。
需说明的是，在本发明实施例中，涉及识别物体时所针对的物体既包括路面标记，也包括立方体物体，即对应于某一物体，在应用本发明实施例的方案进行识别之前，无法确定其为路面标记还是立方体物体。其中，所述路面标记包括点线等，所述立方体物体包括交通锥等。
下面将参考附图并结合实施方式来详细说明本发明。
实施例一
图2是本发明实施例一的用于识别路面标记的方法的流程示意图。如图2所示，该用于识别路面标记的方法可以包括以下步骤：
步骤S210，获取车辆上的单目摄像头所拍摄的原始图像。
步骤S220，在所述原始图像中确定物体所在的中间区域以及位于该中间区域两侧的左区域和右区域。
在优选的实施例中，该步骤S220进一步包括：对所述原始图像进行图像预处理以获得对应的差分图像；获取所述差分图像中的边缘点；根据边缘点连续性对所述边缘点进行分组，以得到若干边缘点组；设置所述中间区域包括所述差分图像中的边缘点组；以及在所述中间区域的左侧和右侧分别设置所述左区域和所述右区域。
其中将单目摄像头的原始图像转变为差分图像的方法在本领域是常规的，故不再对其细节进行描述。本发明实施例中，所述差分图像可以为二值化差分图像或三元差分图像。另外，对差分图像应用常规边缘处理技术，从而获得相应的边缘点，并进而分组成为边缘点组。
据此，使得所述原始图像设置有物体所在的中间区域以及位于该中间区域两侧的左区域和右区域，以图1(a)所示的点线标记为例，图3(a)是示出针对图1(a)的点线定义的区域的示意图，其中，中间区域320位于待估计物体340处，而左区域310和右区域330位于待估计物体340的两侧。
步骤S230，获取所述原始图像在所述左区域、所述右区域及所述中间区域的沿垂直方向的图像强度分布。
其中，图像强度是指每一像素的强度，对应的图像强度分布可从单目摄像头直接获得。在此，图3(b)是初始获得的所述左区域、所述右区域及所述中间区域对应的图像强度分布示意图，如该图3(b)所示，中间区域320因包含物体，故而呈现的图像强度变化很大，而左区域310和右区域320则呈现相对较为平缓的图像强度。
另外，如图3(b)所示，中间区域320的图像强度曲线存在线性偏移的问题，其所有图像强度值都沿水平轴线性减小。对此，为保证后续识别路面标记的准确度，应考虑消除中间区域320的图像强度的线性偏移。如此，在本发明优选的实施例中，提出了利用线性回归补偿中间区域320的图像强度的线性偏移的方法。图4是该利用线性回归补偿中间区域320的图像强度的线性偏移的方法的流程示意图，如图4所示，该方法包括以下步骤：
步骤S410，对所述左区域和所述右区域进行线性回归处理，以得到各自对应的线性回归线。
步骤S420，根据所述左区域和所述右区域各自对应的线性回归线，计算所述左区域和所述右区域的平均线性回归线。
步骤S430，根据所述平均线性回归线补偿所述原始图像在所述左区域、所述右区域及所述中间区域的沿垂直方向的图像强度分布。
图3(c)是采用图4的方法对图3(b)的图像强度分布进行补偿后的新的图像强度分布的示意图，如图3(c)所示，补偿后的中间区域320的图像强度不再存在线性偏差。
步骤S240，通过比较所述左区域或所述右区域相对于所述中间区域的图像强度来确定所述物体是否为路面标记。
其中，对于路面标记，其相对于立方体物体(如交通锥)，图像强度的峰值或谷值会更为接近于两侧的图像部分的图像强度，故而可通过比较所述左区域或所述右区域相对于所述中间区域的图像强度来确定原始图像中的物体是否为路面标记。在优选的实施例中，图5是示出基于三个区域的图像强度来确定对应物体是否为路面标记的流程示意图，如图5所示，可包括以下步骤：
步骤S510，计算第一强度平均值，其中所述第一强度平均值为所述左区域或所述右区域中的图像强度平均值。
举例而言，设左区域和右区域的图像强度平均值分别为ave_1和ave_2，其通过对左区域和右区域的图像像素进行常规的数理统计分析就可以得到。
步骤S520，计算第二强度平均值，其中所述第二强度平均值为所述中间区域中的图像强度分布的峰值或谷值的图像强度平均值。
其中，图3(d)是从图3(c)的图像强度分布图像中拾取峰值和谷值的示意图，参考图3(d)，进一步对拾取的峰值和谷值进行关于平均值的数理统计分析，得到对应的峰值或谷值的图像强度平均值，举例而言，可分别设置为ave2_h和ave2_b。
步骤S530，若所述第一强度平均值和所述第二强度平均值的差值小于预设平均值阈值，则确定所述物体为路面标记。
在此，预设平均值阈值一般设置为较小的值，以使得所述第一强度平均值和所述第二强度平均值的差值足够小。优选地，预设平均值阈值被配置为远小于所述峰值的图像强度平均值和所述谷值的图像强度平均值之间的差值，据此表明中间区域320的坡峰和坡谷的像素与左区域330或右区域330更为接近，从而物体为路面标记的可能性更高。
在优选的实施例中，预设平均值阈值可以为峰值和谷值的图像强度平均值的差值的四分之一，以此为例，步骤S530的判定过程可表达如下：
若abs(ave2_h-ave_1)<abs(ave2_h-ave2_b)/4，则判定为点线，其中波峰在左侧；(1)
若abs(ave2_b-ave_1)<abs(ave2_h-ave2_b)/4，则判定为点线，其中波谷在左侧；(2)
式中，可用ave_3代替ave_1。
参考图3(d)，对应数值为[ave_1，ave_3]＝[94.5，93.9]，[ave2_b]＝94.5，[ave2_h]＝120.7，可知满足上面的式(2)，所识别的物体为波谷在左侧的点线。据此，图3(e)是对图3(a)的场景进行目标检测的结果示意图，可知分析区域内的物体为点线，因此实质上未识别到属于立方体物体的目标。
返回至图1(a)-图1(d)，采用本发明实施例的方法可以基于单目相机的单帧图像准确识别待估计物体是否为路面标记，且通过图3(a)-图3(有)证实了本发明实施例的方法在应用于实际图像数据时，运行良好。
实施例二
本发明实施例一的方法能够在大多数场景中准确识别出路面标记，但在一些非常复杂的场景中，例如涉及多种类型的点线、立方体物体时，本发明实施例一的方法的识别可靠性会有所降低。其中，及重影(ghost)物体是最为典型的一种路面标记，其可以是点线，但不是真实存在的立方体物体，因为其仅仅能在路面进行绘制。对此，本发明实施例二在实施例一的基础上，引入更多的参数来更好识别路面标记。
图6是本发明实施例二的用于识别路面标记的方法的流程示意图，该方法在实施例一的方法的基础上，可进一步包括以下步骤：
步骤S610，计算第一强度标准差。
其中，所述第一强度标准差为所述左区域或所述右区域中的图像强度标准差。
举例而言，设左区域和右区域的图像强度标准差分别为std_1和std_3，其中，标准差与平均值都是数理统计中的常用参数，在此可通过对左区域和右区域的图像像素进行常规的数理统计分析得到对应的标准差。
步骤S620，计算第二强度标准差。
其中，所述第二强度标准差为所述中间区域中的图像强度分布的峰值或谷值的图像强度标准差。
参考步骤S520中确定峰值或谷值的图像强度平均值的方案，举例而言，可分别设置峰值或谷值的图像强度标准差为std2_h和std2_b。
步骤S630，若所述第一强度标准差和所述第二强度标准差的差值小于预设标准差阈值且所述峰值和所述谷值的平均图像强度之间的差值大于所述第一强度标准差，则确定所述物体为路面标记。其中，所述峰值和所述谷值的平均图像强度之间的差值优选为远大于所述第一强度标准差。
其中，预设标准差阈值可根据需要进行设定，优选设定为较小值，以便基于标准差，使中间区域320的坡峰和坡谷的像素与左区域310或右区域330更为接近，从而判断物体是否为路面标记的可靠性更高。
在优选的实施例中，第一强度标准差std_1和std_3还可与中间区域对应的第二强度平均值ave2_h、ave2_b相结合以判断是否结束路面标记的识别，举例而言，对应于上述的式(1)和式(2)，判定过程可进一步表达为如下：
若abs(ave2_h-ave2_b)/4<std_1或者abs(ave2_h-ave2_b)/4<std_1，则结束识别；(3)
式中，可使用std_3代替std_1。
结合实施例一的内容，本发明实施例二在其基础上增加了利用图像强度标准差进一步判断是否识别到路面标记，使得本发明实施例的方法能够适用于更为复杂的道路场景，提高了路面标记识别的准确度。
综合上文，以点线判断为例，下面给出融合了实施例一和实施例二方法的示例的具体执行步骤，如图7所示，具体包括以下步骤：
步骤S710，选中原始图像中预期要进行点线识别的物体。
如图1(a)所示，用圆圈确定分析区域，该分析区域中包括了预期进行识别的待估计物体。
步骤S720，定义三个区域。
如图3(a)所示，定义左区域310、中间区域320和右区域330。
步骤S730，获得各区域的图像强度分布。
如图3(b)所示，绘制各区域的图像强度分布图。
步骤S740，对左区域和右区域进行线性回归处理，并得到的线性回归线补偿三个区域的图像强度分布。
具体地，可参考上述的步骤S410-S430，获得如图3(c)所示的补偿后的图像强度分布图。
步骤S750，从补偿后的图像强度分布中拾取中间区域的峰值和谷值。
如图3(d)所示，对中间区域的峰值和谷值进行了拾取。
步骤S760，计算所拾取的峰值和谷值的平均值及标准差，即平均值ave2_h、ave2_b以及标准差std2_h和std2_b。
步骤S770，计算左区域和右区域的平均值和标准差，即平均值ave_1、ave_3以及标准差std_1、std_3。
步骤S780，进行点线判断。
具体地，判断上述的公式(1)-(3)是否成立，若式(3)成立，表明无法判断是否为点线，故结束判断；若式(1)和式(2)成立，则判定为点线，并结束判断。在通过公式(1)-(3)无法判断是否为点线的情况下，可进一步引入图像强度的标准差进行判断，例如通过以下公式进行判断：
若abs(std2_h-std_1)<abs(std2_h-std2_b)/n，则判定为点线，其中波峰在左侧；(4)
若abs(std2_b-std_1)<abs(std2_h-std2_b)/n，则判定为点线，其中波谷在左侧；(4)
其中，可用std_3代替std_1，且n为正整数，例如n为4，以使得作为预设标准差阈值的abs(std2_h-std2_b)/n的值足够小。
如此，相比于实施例一，通过增加标准差判断环节，可提高本发明实施例的用于识别路面标记的方法的应用性和可靠性。
实施例三
在实施例一的基础上，本发明实施例三提供了另一种识别路面标记的方法，其可以单独执行，也可以与实施例一相配合以更全面地识别出路面标记。图8是本发明实施例三的路面标记识别方法的流程示意图，如图8所示，可以包括以下步骤：
步骤S810，对所述原始图像进行图像预处理以获得对应的差分图像。
步骤S820，获取所述差分图像中的边缘点。
步骤S830，根据边缘点连续性对所述边缘点进行分组，并根据得到的各个组来估计所述物体的边缘线。
图9是本发明实施例中进行边缘点分组的示意图，其中形成的边缘组定义为连续边缘点的组合，且各些边缘组相互进行关联可估计出对应的边缘线。在此，以点线为例，可知点线的边缘点由许多边缘组组成，且每一边缘组有少量的边缘点。
步骤S840，在所述边缘线包括的组的数量大于预设的组阈值且其中的每一组中的边缘点数量小于预设的点阈值时，确定所述物体为路面标记。
举例而言，针对点线的特点，设所述组阈值和点阈值都为6，则对于满足以下两个条件的线段，可判定为不是点线：1)存在少于或等于6个组；2)组中边缘点数量大于或等于6。对应地，与之相反的线段则可判定为点线。需说明的是，每一组中边缘点尺寸可能不相同，优选采用最大边缘点进行判断。
该实施例三的方法在多数场景下运行良好，且相对于实施例一和实施例二的方法更加易于实现，从而在一些场景下可只采用实施例三的方法来进行路面标记识别。但是，当进行边缘组连接或某些边缘组丢弃时，这种方法将无法正常实现，从而本发明实施例进一步提出了实施例一和实施例二的方法，以保证能够在多种场景和工况下实现对路面标记的准确识别。
实施例四
本发明实施例四与实施例一基于相同的发明思路，其提供了一种用于识别路面标记的装置。图10是本发明实施例四的用于识别路面标记的装置的结构示意图。如图10所示，该装置可以包括：图像获取模块1010，用于获取车辆上的单目摄像头所拍摄的原始图像；区域确定模块1020，用于在所述原始图像中确定物体所在的中间区域以及位于该中间区域两侧的左区域和右区域；强度获取模块1030，用于获取所述原始图像在所述左区域、所述右区域及所述中间区域的沿垂直方向的图像强度分布；以及第一识别模块1040，用于通过比较所述左区域或所述右区域相对于所述中间区域的图像强度来确定所述物体是否为路面标记。
在优选的实施例中，所述区域确定模块1020可以包括：图像处理子模块，用于对所述原始图像进行图像预处理以获得对应的差分图像，并获取所述差分图像中的边缘点，以及根据边缘点连续性对所述边缘点进行分组，以得到若干边缘点组；区域确定子模块，用于设置所述中间区域包括所述差分图像中的边缘点组，并在所述中间区域的左侧和右侧分别设置所述左区域和所述右区域。
在优选的实施例中，所述第一识别模块1040可以包括：第一计算子模块，用于计算第一强度平均值，其中所述第一强度平均值为所述左区域或所述右区域中的图像强度平均值；第二计算子模块，用于计算第二强度平均值，其中所述第二强度平均值为所述中间区域中的图像强度分布的峰值或谷值的图像强度平均值；以及第一确定子模块，用于在所述第一强度平均值和所述第二强度平均值的差值小于预设平均值阈值时，确定所述物体为路面标记，其中，所述预设平均值阈值被配置为小于所述峰值的图像强度平均值和所述谷值的图像强度平均值之间的差值。
其中，为了补偿所述原始图像在所述左区域、所述右区域及所述中间区域的图像强度的线性减少，本发明实施例四的装置还可以包括强度补偿模块，其被配置为执行：对所述左区域和所述右区域进行线性回归处理，以得到各自对应的线性回归线；根据所述左区域和所述右区域各自对应的线性回归线，计算所述左区域和所述右区域的平均线性回归线；以及根据所述平均线性回归线补偿所述原始图像在所述左区域、所述右区域及所述中间区域的沿垂直方向的图像强度分布。
参考本发明实施例二的思路，在更为优选的实施例中，所述第一识别模块1040还可以包括：第三计算子模块，用于计算第一强度标准差，其中所述第一强度标准差为所述左区域或所述右区域中的图像强度标准差；第四计算子模块，用于计算第二强度标准差，其中所述第二强度标准差为所述中间区域中的图像强度分布的峰值或谷值的图像强度标准差；以及第二确定子模块，用于在所述第一强度标准差和所述第二强度标准差的差值小于预设标准差阈值且所述峰值和所述谷值的平均图像强度之间的差值大于所述第一强度标准差时，确定所述物体为路面标记。
参考本发明实施例三的发明思路，在更为优选的实施例中，本发明实施例四的装置还可以包括第二识别模块，其被配置为执行：对所述原始图像进行图像预处理以获得对应的差分图像；获取所述差分图像中的边缘点；根据边缘点连续性对所述边缘点进行分组，并根据得到的各个边缘点组来估计所述物体的边缘线；以及在所述边缘线包括的组的数量大于预设的组阈值且其中的每一组中的边缘点数量小于预设的点阈值时，确定所述物体为路面标记。
本发明实施四的其他实施细节及效果可参考前述的实施例一至实施例三，在此不再进行赘述。
本发明其他实施例还提供了一种单目摄像头，其设置有上述实施例四的用于识别路面标记的装置。举例而言，可将所述单目摄像头的控制器配置为上述的实施例四的装置。
本发明其他实施例还提供了一种机器可读存储介质，该机器可读存储介质上存储有指令，该指令用于使得机器执行上述的实施例一、实施例二和/或实施例三的用于识别路面标记的方法。其中，所述机器可读存储介质包括但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体(Flash Memory)或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁盘存储或其他磁性存储设备等各种可以存储程序代码的介质。其中，所述机器可以例如是单目摄像头的控制器。
需说明的是，本发明实施例所述的目标检测装置与上述关于目标检测方法的实施例的实施细节及效果相同或相似，故在此不再赘述。
以上所述仅为本发明的较佳实施方式而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (12)

1.一种用于识别路面标记的方法，其特征在于，所述方法包括：
获取车辆上的单目摄像头所拍摄的原始图像；
在所述原始图像中确定物体所在的中间区域以及位于该中间区域两侧的左区域和右区域；
获取所述原始图像在所述左区域、所述右区域及所述中间区域的沿垂直方向的图像强度分布；以及
通过比较所述左区域或所述右区域相对于所述中间区域的图像强度来确定所述物体是否为路面标记，包括：
计算第一强度平均值，其中所述第一强度平均值为所述左区域或所述右区域中的图像强度平均值；
计算第二强度平均值，其中所述第二强度平均值为所述中间区域中的图像强度分布的峰值或谷值的图像强度平均值；以及
若所述第一强度平均值和所述第二强度平均值的差值小于预设平均值阈值，则确定所述物体为路面标记；
其中，所述预设平均值阈值被配置为小于所述峰值的图像强度平均值和所述谷值的图像强度平均值之间的差值。
2.根据权利要求1所述的用于识别路面标记的方法，其特征在于，在所述获取车辆上的单目摄像头所拍摄的原始图像之后，所述方法还包括：
对所述原始图像进行图像预处理以获得对应的差分图像；
获取所述差分图像中的边缘点；
根据边缘点连续性对所述边缘点进行分组，并根据得到的各个边缘点组来估计所述物体的边缘线；
在所述边缘线包括的组的数量大于预设的组阈值且其中的每一组中的边缘点数量小于预设的点阈值时，确定所述物体为路面标记。
3.根据权利要求1所述的方法，其特征在于，在所述原始图像中确定物体所在的中间区域以及位于该中间区域两侧的左区域和右区域包括：
对所述原始图像进行图像预处理以获得对应的差分图像；
获取所述差分图像中的边缘点；
根据边缘点连续性对所述边缘点进行分组，以得到若干边缘点组；
设置所述中间区域包括所述差分图像中的边缘点组；以及
在所述中间区域的左侧和右侧分别设置所述左区域和所述右区域。
4.根据权利要求1所述的用于识别路面标记的方法，其特征在于，在所述通过比较所述左区域或所述右区域相对于所述中间区域的图像强度来确定所述物体是否为路面标记之后，所述方法还包括：
计算第一强度标准差，其中所述第一强度标准差为所述左区域或所述右区域中的图像强度标准差；
计算第二强度标准差，其中所述第二强度标准差为所述中间区域中的图像强度分布的峰值或谷值的图像强度标准差；以及
若所述第一强度标准差和所述第二强度标准差的差值小于预设标准差阈值且所述峰值和所述谷值的平均图像强度之间的差值大于所述第一强度标准差，则确定所述物体为路面标记。
5.根据权利要求1所述的用于识别路面标记的方法，其特征在于，在所述获取所述原始图像在所述左区域、所述右区域及所述中间区域的沿垂直方向的图像强度分布之后，以及在所述通过比较所述左区域或所述右区域相对于所述中间区域的图像强度来确定所述物体是否为路面标记之前，所述方法还包括：
对所述左区域和所述右区域进行线性回归处理，以得到各自对应的线性回归线；
根据所述左区域和所述右区域各自对应的线性回归线，计算所述左区域和所述右区域的平均线性回归线；以及
根据所述平均线性回归线补偿所述原始图像在所述左区域、所述右区域及所述中间区域的沿垂直方向的图像强度分布。
6.一种用于识别路面标记的装置，其特征在于，所述装置包括：
图像获取模块，用于获取车辆上的单目摄像头所拍摄的原始图像；
区域确定模块，用于在所述原始图像中确定物体所在的中间区域以及位于该中间区域两侧的左区域和右区域；
强度获取模块，用于获取所述原始图像在所述左区域、所述右区域及所述中间区域的沿垂直方向的图像强度分布；以及
第一识别模块，用于通过比较所述左区域或所述右区域相对于所述中间区域的图像强度来确定所述物体是否为路面标记；
其中，所述第一识别模块包括：
第一计算子模块，用于计算第一强度平均值，其中所述第一强度平均值为所述左区域或所述右区域中的图像强度平均值；
第二计算子模块，用于计算第二强度平均值，其中所述第二强度平均值为所述中间区域中的图像强度分布的峰值或谷值的图像强度平均值；以及
第一确定子模块，用于在所述第一强度平均值和所述第二强度平均值的差值小于预设平均值阈值时，确定所述物体为路面标记，其中，所述预设平均值阈值被配置为小于所述峰值的图像强度平均值和所述谷值的图像强度平均值之间的差值。
7.根据权利要求6所述的用于识别路面标记的装置，其特征在于，所述装置还包括：
第二识别模块，被配置为执行：
对所述原始图像进行图像预处理以获得对应的差分图像；
获取所述差分图像中的边缘点；
根据边缘点连续性对所述边缘点进行分组，并根据得到的各个边缘点组来估计所述物体的边缘线；以及
在所述边缘线包括的组的数量大于预设的组阈值且其中的每一组中的边缘点数量小于预设的点阈值时，确定所述物体为路面标记。
8.根据权利要求7所述的用于识别路面标记的装置，其特征在于，所述区域确定模块包括：
图像处理子模块，用于对所述原始图像进行图像预处理以获得对应的差分图像，并获取所述差分图像中的边缘点，以及根据边缘点连续性对所述边缘点进行分组，以得到若干边缘点组；
区域确定子模块，用于设置所述中间区域包括所述差分图像中的边缘点组，并在所述中间区域的左侧和右侧分别设置所述左区域和所述右区域。
9.根据权利要求6所述的用于识别路面标记的装置，其特征在于，所述第一识别模块还包括：
第三计算子模块，用于计算第一强度标准差，其中所述第一强度标准差为所述左区域或所述右区域中的图像强度标准差；
第四计算子模块，用于计算第二强度标准差，其中所述第二强度标准差为所述中间区域中的图像强度分布的峰值或谷值的图像强度标准差；以及
第二确定子模块，用于在所述第一强度标准差和所述第二强度标准差的差值小于预设标准差阈值且所述峰值和所述谷值的平均图像强度之间的差值大于所述第一强度标准差时，确定所述物体为路面标记。
10.根据权利要求6所述的用于识别路面标记的装置，其特征在于，所述装置还包括：
强度补偿模块，被配置为执行：
对所述左区域和所述右区域进行线性回归处理，以得到各自对应的线性回归线；
根据所述左区域和所述右区域各自对应的线性回归线，计算所述左区域和所述右区域的平均线性回归线；以及
根据所述平均线性回归线补偿所述原始图像在所述左区域、所述右区域及所述中间区域的沿垂直方向的图像强度分布。
11.一种单目摄像头，其特征在于，设置有权利要求6-10中任意一项所述的用于识别路面标记的装置。
12.一种机器可读存储介质，该机器可读存储介质上存储有指令，该指令用于使得机器执行权利要求1至5中任意一项所述的用于识别路面标记的方法。
CN201910847309.7A 2019-09-09 2019-09-09 用于识别路面标记的方法、装置及单目摄像头 Active CN111523360B (zh)

Priority Applications (4)

Application Number Priority Date Filing Date Title
CN201910847309.7A CN111523360B (zh) 2019-09-09 2019-09-09 用于识别路面标记的方法、装置及单目摄像头
US17/637,885 US20220319195A1 (en) 2019-09-09 2020-09-04 Method for identifying road markings and monocular camera
PCT/CN2020/113499 WO2021047452A1 (zh) 2019-09-09 2020-09-04 用于识别路面标记的方法、装置及单目摄像头
EP20863534.2A EP4006774A4 (en) 2019-09-09 2020-09-04 METHOD, DEVICE AND MONOCULAR IMAGE-MAKING DEVICE USED TO IDENTIFY ROAD SURFACE MARKINGS

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910847309.7A CN111523360B (zh) 2019-09-09 2019-09-09 用于识别路面标记的方法、装置及单目摄像头

Publications (2)

Publication Number Publication Date
CN111523360A CN111523360A (zh) 2020-08-11
CN111523360B true CN111523360B (zh) 2023-06-13

Family

ID=71900494

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910847309.7A Active CN111523360B (zh) 2019-09-09 2019-09-09 用于识别路面标记的方法、装置及单目摄像头

Country Status (4)

Country Link
US (1) US20220319195A1 (zh)
EP (1) EP4006774A4 (zh)
CN (1) CN111523360B (zh)
WO (1) WO2021047452A1 (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111523360B (zh) * 2019-09-09 2023-06-13 毫末智行科技有限公司 用于识别路面标记的方法、装置及单目摄像头

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2014026608A (ja) * 2012-07-30 2014-02-06 Clarion Co Ltd 車載環境認識装置
CN105809104A (zh) * 2015-01-15 2016-07-27 丰田自动车株式会社 复合标记判定装置和复合标记判定方法
CN106203398A (zh) * 2016-07-26 2016-12-07 东软集团股份有限公司 一种检测车道边界的方法、装置和设备
CN107066986A (zh) * 2017-04-21 2017-08-18 哈尔滨工业大学 一种基于单目视觉的车道线与前方障碍物检测方法
CN108280450A (zh) * 2017-12-29 2018-07-13 安徽农业大学 一种基于车道线的高速公路路面检测方法
CN109389024A (zh) * 2018-01-30 2019-02-26 长城汽车股份有限公司 基于影像识别路锥的方法、装置、存储介质以及车辆

Family Cites Families (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3102478B2 (ja) * 1998-08-17 2000-10-23 日本電気株式会社 線状マーク検出方法および装置
US7983446B2 (en) * 2003-07-18 2011-07-19 Lockheed Martin Corporation Method and apparatus for automatic object identification
WO2008091565A1 (en) * 2007-01-23 2008-07-31 Valeo Schalter & Sensoren Gmbh Method and system for universal lane boundary detection
CN101477629B (zh) * 2008-12-29 2012-01-11 东软集团股份有限公司 车道线的感兴趣区域提取方法和装置
JP5321497B2 (ja) * 2010-02-22 2013-10-23 株式会社デンソー 白線認識装置
WO2013133086A1 (ja) * 2012-03-05 2013-09-12 日産自動車株式会社 白線検出装置、白線検出フィルタ装置及び白線検出方法
JP6185418B2 (ja) * 2014-03-27 2017-08-23 トヨタ自動車株式会社 走路境界区画線検出装置
JP6141787B2 (ja) * 2014-04-01 2017-06-07 本田技研工業株式会社 レーンマーク認識装置
EP3734504A1 (en) * 2015-02-10 2020-11-04 Mobileye Vision Technologies Ltd. Sparse map for autonomous vehicle navigation
CN106373134B (zh) * 2016-09-18 2018-12-07 武汉武大卓越科技有限责任公司 一种基于线结构光三维测量的公路标线检测方法
WO2018225446A1 (ja) * 2017-06-09 2018-12-13 株式会社デンソー 地図変化点検出装置
CN109635737B (zh) * 2018-12-12 2021-03-26 中国地质大学（武汉） 基于道路标记线视觉识别辅助车辆导航定位方法
CN111523360B (zh) * 2019-09-09 2023-06-13 毫末智行科技有限公司 用于识别路面标记的方法、装置及单目摄像头

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2014026608A (ja) * 2012-07-30 2014-02-06 Clarion Co Ltd 車載環境認識装置
CN105809104A (zh) * 2015-01-15 2016-07-27 丰田自动车株式会社 复合标记判定装置和复合标记判定方法
CN106203398A (zh) * 2016-07-26 2016-12-07 东软集团股份有限公司 一种检测车道边界的方法、装置和设备
CN107066986A (zh) * 2017-04-21 2017-08-18 哈尔滨工业大学 一种基于单目视觉的车道线与前方障碍物检测方法
CN108280450A (zh) * 2017-12-29 2018-07-13 安徽农业大学 一种基于车道线的高速公路路面检测方法
CN109389024A (zh) * 2018-01-30 2019-02-26 长城汽车股份有限公司 基于影像识别路锥的方法、装置、存储介质以及车辆

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
孙亮;韩柯;范红武.基于单目视觉的智能车车道线识别方法研究.信息与电脑(理论版).2010,(12),第33-34页. *

Also Published As

Publication number Publication date
EP4006774A4 (en) 2022-09-21
WO2021047452A1 (zh) 2021-03-18
CN111523360A (zh) 2020-08-11
EP4006774A1 (en) 2022-06-01
US20220319195A1 (en) 2022-10-06

Similar Documents

Publication Publication Date Title
JP3596314B2 (ja) 物体端の位置計測装置および移動体の通行判断装置
KR100550299B1 (ko) 차량 주변 이미지 처리 장치 및 기록 매체
JP4956452B2 (ja) 車両用環境認識装置
US8102427B2 (en) Camera egomotion estimation from an infra-red image sequence for night vision
US20150294160A1 (en) Object detection apparatus, object detection method, object detection program and device control system for moveable apparatus
CN110717445B (zh) 一种用于自动驾驶的前车距离跟踪系统与方法
Oniga et al. Polynomial curb detection based on dense stereovision for driving assistance
US20240144507A1 (en) Electronic device and control method
JP6622664B2 (ja) 自車位置特定装置、及び自車位置特定方法
CN111523360B (zh) 用于识别路面标记的方法、装置及单目摄像头
CN108399360A (zh) 一种连续型障碍物检测方法、装置及终端
US11256929B2 (en) Image-based road cone recognition method and apparatus, storage medium, and vehicle
FR2899363A1 (fr) Procede et dispositif de detection de mouvement d&#39;objets sur des images d&#39;une scene
CN113822260A (zh) 基于深度图像的障碍物检测方法及装置、电子设备、介质
CN113989755A (zh) 识别目标的方法、装置和计算可读存储介质
CN107886036B (zh) 车辆控制方法、装置及车辆
CN108256510B (zh) 一种道路边缘线检测方法、装置及终端
JP7134780B2 (ja) ステレオカメラ装置
CN108009508B (zh) 基于景深估计运动物体视觉检测方法与系统
CN114762019A (zh) 摄像机系统
CN108319910A (zh) 一种车辆识别方法、装置及终端
EP2919191B1 (en) Disparity value deriving device, equipment control system, movable apparatus, robot, and disparity value producing method
JP3476177B2 (ja) 物体有無判定方法および物体移動判定方法ならびにその実施装置
CN114279410B (zh) 摄像头测距方法
JP6943092B2 (ja) 情報処理装置、撮像装置、機器制御システム、移動体、情報処理方法、及び、情報処理プログラム

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
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20210518

Address after: 100055 1802, 18 / F, building 3, yard 9, Guang'an Road, Fengtai District, Beijing

Applicant after: Momo Zhixing Technology Co.,Ltd.

Address before: 071000 No. 2266 Chaoyang South Street, Hebei, Baoding

Applicant before: Great Wall Motor Co.,Ltd.

GR01 Patent grant
GR01 Patent grant