CN111881748A - 一种基于vbai平台建模的车道线视觉识别方法和系统 - Google Patents
一种基于vbai平台建模的车道线视觉识别方法和系统 Download PDFInfo
- Publication number
- CN111881748A CN111881748A CN202010582198.4A CN202010582198A CN111881748A CN 111881748 A CN111881748 A CN 111881748A CN 202010582198 A CN202010582198 A CN 202010582198A CN 111881748 A CN111881748 A CN 111881748A
- Authority
- CN
- China
- Prior art keywords
- image
- lane line
- gray
- vbai
- processing
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 43
- 230000000007 visual effect Effects 0.000 title claims abstract description 23
- 238000012545 processing Methods 0.000 claims abstract description 57
- 238000007781 pre-processing Methods 0.000 claims abstract description 18
- 230000008859 change Effects 0.000 claims abstract description 7
- 230000009467 reduction Effects 0.000 claims description 29
- 238000001914 filtration Methods 0.000 claims description 24
- 238000011161 development Methods 0.000 claims description 16
- 230000018109 developmental process Effects 0.000 claims description 16
- 238000004422 calculation algorithm Methods 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 6
- 230000011218 segmentation Effects 0.000 claims description 6
- 239000000126 substance Substances 0.000 claims description 5
- 238000001514 detection method Methods 0.000 abstract description 19
- 230000000694 effects Effects 0.000 description 11
- 238000010586 diagram Methods 0.000 description 8
- 230000010287 polarization Effects 0.000 description 3
- 238000007689 inspection Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000011946 reduction process Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 238000005452 bending Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 208000001491 myopia Diseases 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000001681 protective effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000012549 training Methods 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
- G06V20/588—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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- 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
- G06V10/30—Noise filtering
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于VBAI平台建模的车道线视觉识别方法和系统,其中,方法包括:获取车辆前方的路面图像;对路面图像进行预处理以获得其对应的二值化图像;根据预二值化图像以及路面图像的获取点位置确定坐标原点,以建立笛卡尔坐标系;以坐标原点为圆心间隔设置多条灰度采集射线;其中,当灰度采集射线上的灰度值发生突变,且高于预设灰度阈值时,获得灰度变化的边缘点;对获取的多个边缘点进行直线拟合处理以获取车道线。该方法克服现有技术中对车道线的检测实现方法对服务器的运行速度、硬件配置要求很高,实时性较差,而且车道线最终的识别还存在一定的拟合误差,从而造成检测结果的准确性不高、效率低的问题。
Description
技术领域
本发明涉及汽车驾驶智能检测技术领域,具体地,涉及一种基于VBAI平台建模的车道线视觉识别方法和系统。
背景技术
随着无人驾驶技术的不断发展,车道线检测与跟踪算法被广泛研究,越来越多的学者提出不同的的算法和思路来实现车道线识别与跟踪。王玉萍等提出基于OpenCV的车道线识别与跟踪算法,利用计算机视觉构建ROI兴趣区域,利用库函数处理算法提取车道边缘特征。蔡英凤等提出一种基于形态学特征的车道线识别方法,根据区域内灰度各项结构张量的旋度,选择变化趋势最大作为特征点。王会峰等提出利用成像偏振在进行车道线检测,采集三个角度的道路偏振图像,对其进行二值化和感知处理,利用Hough变换原理识别车道线边缘。王其东等提出一种基于投影统计与双曲线拟合的车道识别算法,利用近视野车道直线信息和双曲线拟合,对车道线进行寻优。余万里提出基于深度学习的车道线检测与识别,研究Deeplab v3+网络结构,嵌入ARB模块,设计识别网络进行车道线的运算。魏玉东等提出通过Gist-SVM训练2中直线型和弯曲型分类模型,利用模型进行训练和预测学习,实现分类与识别。屈贤提出了一种基于机器视觉的车道线斜率偏航预警模型,有较高的预警准确度。陈家凡基于机器视觉,采用SHI-Tomasi角点检测和Hough变换相结合的方式,利用最小二乘拟合进行双曲线拟合,利用采集的视频数据,调用OpenCV进行开源的库算法实现。张亮提出一种利用机器视觉,建立CCP、TLC、FOD预警模型,在Simulink仿真环境下的分析车道偏离预警策略。Sunwoo等提出基于测量不确定度的自适应马尔可夫模型,提高识别的鲁棒性。Amandeep Katru等提出利用改进的加法霍夫变换改进并行车道检测。
但是现有技术中,对车道线的检测实现方法对服务器的运行速度、硬件配置要求很高,需要对每一帧的样本训练与新鲜数据预测,实时性较差,而且车道线最终的识别还存在一定的拟合误差,从而造成检测结果的准确性不高、效率低的问题。
因此,提供一种在机器视觉基础上,利用VBAI(NI Vision Builder AI)平台搭建车道线的识别模型,提出进行未划定ROI兴趣区域的一种基于VBAI平台建模的车道线视觉识别方法和系统是本发明亟需解决的问题。
发明内容
针对上述技术问题,本发明的目的是克服现有技术中对车道线的检测实现方法对服务器的运行速度、硬件配置要求很高,需要对每一帧的样本训练与新鲜数据预测,实时性较差,而且车道线最终的识别还存在一定的拟合误差,从而造成检测结果的准确性不高、效率低的问题,从而提供一种在机器视觉基础上,利用VBAI(NI Vision Builder AI)平台搭建车道线的识别模型,提出进行未划定ROI兴趣区域的一种基于VBAI平台建模的车道线视觉识别方法和系统。
为了实现上述目的,本发明提供了一种基于VBAI平台建模的车道线视觉识别方法,所述方法包括:
获取车辆前方的路面图像;
对所述路面图像进行预处理以获得其对应的二值化图像;
根据预二值化图像以及所述路面图像的获取点位置确定坐标原点,以建立笛卡尔坐标系;
以所述坐标原点为圆心间隔设置多条灰度采集射线;其中,
当所述灰度采集射线上的灰度值发生突变,且高于预设灰度阈值时,获得灰度变化的边缘点;
对获取的多个所述边缘点进行直线拟合处理以获取车道线。
优选地,所述对所述路面图像进行预处理包括以下步骤:
对所述实时图像进行灰度化处理;
对灰度化处理后的图像进行一次图像降噪处理;
采用大津算法对实时变化的单帧图像进行分析与运算,自动获得动态最优分割阈值,以实现对车道线目标与背景的二值化处理;
对所述二值化处理后的图像进行二次图像降噪处理。
优选地,所述一次图像降噪处理和所述二次图像降噪处理都是采用High Details(高亮细节)卷积高亮滤波进行处理的。
优选地,所述High Details(高亮细节)卷积高亮滤波中的Kernel Size设置为7。
优选地,所述对获取的多个所述边缘点进行直线拟合处理以获取车道线之后,所述方法还包括:
运行LabVIEW底层开发环境,建立项目或VI程序;
选择开发工具包Development Toolkit,构建API的脚本;
分别设计程序模块以实现VI编程环境中状态机条件循环的连续运行。
本发明还提供了一种基于VBAI平台建模的车道线视觉识别系统,其特征在于,所述系统包括:
图像获取模块,用于获取车辆前方的路面图像;
图像预处理模块,用于对所述路面图像进行预处理以获得其对应的二值化图像;
车道线获取模块,用于执行以下步骤:
根据预二值化图像以及所述路面图像的获取点位置确定坐标原点,以建立笛卡尔坐标系;
以所述坐标原点为圆心间隔设置多条灰度采集射线;其中,当所述灰度采集射线上的灰度值发生突变,且高于预设灰度阈值时,获得灰度变化的边缘点;
对获取的多个所述边缘点进行直线拟合处理以获取车道线。
优选地,所述图像预处理模块包括:
灰度化模块,用于对所述实时图像进行灰度化处理;
一次降噪模块,用于对灰度化处理后的图像进行一次图像降噪处理;
二值化处理模块,采用大津算法对实时变化的单帧图像进行分析与运算,自动获得动态最优分割阈值,以实现对车道线目标与背景的二值化处理;
二次降噪模块,用于对所述二值化处理后的图像进行二次图像降噪处理。
优选地,所述一次降噪模块和所述二次降噪模块都采用High Details(高亮细节)卷积高亮滤波。
优选地,所述High Details(高亮细节)卷积高亮滤波中的Kernel Size设置为7。
优选地,所述系统还包括:
API脚本调用模块,用于运行LabVIEW底层开发环境,建立项目或VI程序;选择开发工具包Development Toolkit,构建API的脚本;模块以实现VI编程环境中状态机条件循环的连续运行。
根据上述技术方案,本发明提供的基于VBAI平台建模的车道线视觉识别方法和系统在使用时的有益效果为:通过对获取的图像进行预处理以获得二值化图像,然后在建立的立笛卡尔坐标系中利用多条灰度采集射线来对车道线进行检测,再利用直线拟合算法对采集的边缘点进行直线拟合以获得最佳拟合直线,可以标记为红色样条线,这样得出的车道线会更加的精度,在后续的车道偏移预警等应用过程中,可以极大地提高预警的准确性以及驾驶的安全性。克服现有技术中对车道线的检测实现方法对服务器的运行速度、硬件配置要求很高,需要对每一帧的样本训练与新鲜数据预测,实时性较差,而且车道线最终的识别还存在一定的拟合误差,从而造成检测结果的准确性不高、效率低的问题。
本发明的其他特征和优点将在随后的具体实施方式部分予以详细说明;而且本发明中未涉及部分均与现有技术相同或可采用现有技术加以实现。
附图说明
附图是用来提供对本发明的进一步理解,并且构成说明书的一部分,与下面的具体实施方式一起用于解释本发明,但并不构成对本发明的限制。在附图中:
图1是本发明的一种优选的实施方式中提供的基于VBAI平台建模的车道线视觉识别方法的流程图;
图2是本发明的一种优选的实施方式中提供的路面图像预处理的流程图;
图3是本发明的一种优选的实施方式中提供的基于VBAI平台建模的车道线视觉识别系统的结构框图;
图4是本发明的一种优选的实施方式中提供的图像预处理模块的结构框图;
图5是本发明的一种优选的实施方式中提供的拉普拉斯(Laplacian)滤波的效果图;
图6是本发明的一种优选的实施方式中提供的Sobel算子滤波的效果图;
图7是本发明的一种优选的实施方式中提供的High Details(高亮细节)卷积高亮滤波的效果图;
图8是本发明的一种优选的实施方式中提供的构建灰度采集射线的图像效果图。
具体实施方式
以下结合附图对本发明的具体实施方式进行详细说明。应当理解的是,此处所描述的具体实施方式仅用于说明和解释本发明,并不用于限制本发明。
方法权利要求:
如图1和2所示,本发明提供了一种基于VBAI平台建模的车道线视觉识别方法,所述方法包括:
获取车辆前方的路面图像;
对所述路面图像进行预处理以获得其对应的二值化图像;
根据预二值化图像以及所述路面图像的获取点位置确定坐标原点,以建立笛卡尔坐标系;
以所述坐标原点为圆心间隔设置多条灰度采集射线;其中,
当所述灰度采集射线上的灰度值发生突变,且高于预设灰度阈值时,获得灰度变化的边缘点;
对获取的多个所述边缘点进行直线拟合处理以获取车道线。
在本发明的一种优选的实施方式中,所述对所述路面图像进行预处理包括以下步骤:
对所述实时图像进行灰度化处理;
对灰度化处理后的图像进行一次图像降噪处理;
采用大津算法对实时变化的单帧图像进行分析与运算,自动获得动态最优分割阈值,以实现对车道线目标与背景的二值化处理;
对所述二值化处理后的图像进行二次图像降噪处理。
在本发明的一种优选的实施方式中,所述一次图像降噪处理和所述二次图像降噪处理都是采用High Details(高亮细节)卷积高亮滤波进行处理的。
如图5-7为拉普拉斯(Laplacian)滤波的效果图、拉普拉斯(Laplacian)滤波的效果图、High Details(高亮细节)卷积高亮滤波的效果图,可以看出所述High Details(高亮细节)卷积高亮滤波的效果更佳;本发明优选地为所述High Details(高亮细节)卷积高亮滤波过滤。
在本发明的一种优选的实施方式中,所述High Details(高亮细节)卷积高亮滤波中的Kernel Size设置为7。
在本发明的一种优选的实施方式中,所述对获取的多个所述边缘点进行直线拟合处理以获取车道线之后,所述方法还包括:
运行LabVIEW底层开发环境,建立项目或VI程序;
选择开发工具包Development Toolkit,构建API的脚本;
分别设计程序模块以实现VI编程环境中状态机条件循环的连续运行。
根据上述方案,调用脚本的工作原理为:首先运行LabVIEW底层开发环境,建立项目或VI程序,选择开发工具包Development Toolkit,可以在相应LabVIEW软件版本上构建API的脚本,分别设计程序模块,包括图像载入与显示、布尔控件Launch Vision BuilderAI Engine运行引擎、Open Insection打开检测脚本、Inspection检测、Quit退出等步骤,实现VI编程环境中状态机条件循环的连续运行,从而实现了在LabVIEW中运行VBAI图像处理程序,做到了系统的实时采集、处理响应与界面输出。
根据上述内容,对本发明提供的基于VBAI平台建模的车道线视觉识别方法的工作原理进行举例说明:
本发明首先通过将使用的相机安装于车辆的纵向对称线面上,固定于车内挡风玻璃内,正向面对车辆前方,调节相机使其光轴在道路平面上的投影与左右车道线平行,且与车横轴垂直以相机拍摄图片下边界线中点为相机所在处,记为坐标原点,构建笛卡尔坐标系。如图8所示,以坐标原点为圆心,间隔相应角度设置灰度采集射线,当灰度采集射线穿过或者与车道线产生交点时,采集样条曲线上的灰度值将突变,当高于设定阈值时,获得灰度不连续的边缘点,不同的灰度采集线得到不同的边缘点,通过Fit Line直线拟合算法处理,完成边缘点的直线拟合,值最大时,返回为最佳拟合直线,为更加直观清楚地识别出的车道,可以将拟合的车道线标记为红色样条线;
因为经过摄像头采集的前方路面图像,为彩色RGB图像,直接用于边界检测,会增加整体计算时间和内存使用量,影响最后检测速度。因此,首先对原始彩色图像进行灰度化处理;
灰度化处理后为了防止图像上的噪点影响识别准确度,需要进行必要的滤波降噪处理,一般采用必要的滤波降噪处理,如图5-7所示为三种滤波的效果,根据效果图可以得出:在车道线上高频边缘的特征有较好的保留,但其它高频的噪点也被同时被保留下来。优选地,可以选择High Details(高亮细节)卷积高亮滤波进行降噪,其效果较好,其中,选择Kernel Size为7的模型,以达到更好的图像滤波降噪效果。
本发明中为了提高图像处理系统的实时性与高效性,通过LabVIEW对VBAI的脚本进行调用,在whlie循环中连续运行执行VBAI脚本程序。通过借助Development Toolkit工具包,构建API的脚本调用模块。执行图像显示、运行引擎、打开检测脚本、Inspection检测、退出等步骤,完成连续运行程序vi。
系统权利要求:
如图3-4所示,本发明还提供了一种基于VBAI平台建模的车道线视觉识别系统,其特征在于,所述系统包括:
图像获取模块,用于获取车辆前方的路面图像;
图像预处理模块,用于对所述路面图像进行预处理以获得其对应的二值化图像;
车道线获取模块,用于执行以下步骤:
根据预二值化图像以及所述路面图像的获取点位置确定坐标原点,以建立笛卡尔坐标系;
以所述坐标原点为圆心间隔设置多条灰度采集射线;其中,
当所述灰度采集射线上的灰度值发生突变,且高于预设灰度阈值时,获得灰度变化的边缘点;
对获取的多个所述边缘点进行直线拟合处理以获取车道线。
在本发明的一种优选的实施方式中,所述图像预处理模块包括:
灰度化模块,用于对所述实时图像进行灰度化处理;
一次降噪模块,用于对灰度化处理后的图像进行一次图像降噪处理;
二值化处理模块,采用大津算法对实时变化的单帧图像进行分析与运算,自动获得动态最优分割阈值,以实现对车道线目标与背景的二值化处理;
二次降噪模块,用于对所述二值化处理后的图像进行二次图像降噪处理。
在本发明的一种优选的实施方式中,所述一次降噪模块和所述二次降噪模块都采用High Details(高亮细节)卷积高亮滤波。
在本发明的一种优选的实施方式中,所述High Details(高亮细节)卷积高亮滤波中的Kernel Size设置为7。
在本发明的一种优选的实施方式中,所述系统还包括:
API脚本调用模块,用于运行LabVIEW底层开发环境,建立项目或VI程序;选择开发工具包Development Toolkit,构建API的脚本;模块以实现VI编程环境中状态机条件循环的连续运行。
根据上述内容,对本发明提供的基于VBAI平台建模的车道线视觉识别系统的工作原理进行举例说明:
本发明首先通过将使用的相机安装于车辆的纵向对称线面上,固定于车内挡风玻璃内,正向面对车辆前方,调节相机使其光轴在道路平面上的投影与左右车道线平行,且与车横轴垂直以相机拍摄图片下边界线中点为相机所在处,记为坐标原点,构建笛卡尔坐标系。如图8所示,以坐标原点为圆心,间隔相应角度设置灰度采集射线,当灰度采集射线穿过或者与车道线产生交点时,采集样条曲线上的灰度值将突变,当高于设定阈值时,获得灰度不连续的边缘点,不同的灰度采集线得到不同的边缘点,通过Fit Line直线拟合算法处理,完成边缘点的直线拟合,值最大时,返回为最佳拟合直线,为更加直观清楚地识别出的车道,可以将拟合的车道线标记为红色样条线。
综上所述,本发明提供的基于VBAI平台建模的车道线视觉识别方法和系统在使用时测量准确度较高,能够有效用识别出车道线。在车辆处于晴天、雨雾天、车道面不清、大曲率道路等环境进行测试与大数据分析,统计出近视野车道直线的识别率正确率达到96.7%以上,图像处理速度1s平均识别图像帧数为43以上,系统具有在不同环境下较高的识别率与运行实时性。克服现有技术中对车道线的检测实现方法对服务器的运行速度、硬件配置要求很高,需要对每一帧的样本训练与新鲜数据预测,实时性较差,而且车道线最终的识别还存在一定的拟合误差,从而造成检测结果的准确性不高、效率低的问题。
以上结合附图详细描述了本发明的优选实施方式,但是,本发明并不限于上述实施方式中的具体细节,在本发明的技术构思范围内,可以对本发明的技术方案进行多种简单变型,这些简单变型均属于本发明的保护范围。
另外需要说明的是,在上述具体实施方式中所描述的各个具体技术特征,在不矛盾的情况下,可以通过任何合适的方式进行组合,为了避免不必要的重复,本发明对各种可能的组合方式不再另行说明。
此外,本发明的各种不同的实施方式之间也可以进行任意组合,只要其不违背本发明的思想,其同样应当视为本发明所公开的内容。
Claims (10)
1.一种基于VBAI平台建模的车道线视觉识别方法,其特征在于,所述方法包括:
获取车辆前方的路面图像;
对所述路面图像进行预处理以获得其对应的二值化图像;
根据预二值化图像以及所述路面图像的获取点位置确定坐标原点,以建立笛卡尔坐标系;
以所述坐标原点为圆心间隔设置多条灰度采集射线;其中,
当所述灰度采集射线上的灰度值发生突变,且高于预设灰度阈值时,获得灰度变化的边缘点;
对获取的多个所述边缘点进行直线拟合处理以获取车道线。
2.根据权利要求1所述的基于VBAI平台建模的车道线视觉识别方法,其特征在于,所述对所述路面图像进行预处理包括以下步骤:
对所述实时图像进行灰度化处理;
对灰度化处理后的图像进行一次图像降噪处理;
采用大津算法对实时变化的单帧图像进行分析与运算,自动获得动态最优分割阈值,以实现对车道线目标与背景的二值化处理;
对所述二值化处理后的图像进行二次图像降噪处理。
3.根据权利要求2所述的基于VBAI平台建模的车道线视觉识别方法,其特征在于,所述一次图像降噪处理和所述二次图像降噪处理都是采用High Details(高亮细节)卷积高亮滤波进行处理的。
4.根据权利要求3所述的基于VBAI平台建模的车道线视觉识别方法,其特征在于,所述High Details(高亮细节)卷积高亮滤波中的Kernel Size设置为7。
5.根据权利要求1所述的基于VBAI平台建模的车道线视觉识别方法,其特征在于,所述对获取的多个所述边缘点进行直线拟合处理以获取车道线之后,所述方法还包括:
运行LabVIEW底层开发环境,建立项目或VI程序;
选择开发工具包Development Toolkit,构建API的脚本;
分别设计程序模块以实现VI编程环境中状态机条件循环的连续运行。
6.一种基于VBAI平台建模的车道线视觉识别系统,其特征在于,所述系统包括:
图像获取模块,用于获取车辆前方的路面图像;
图像预处理模块,用于对所述路面图像进行预处理以获得其对应的二值化图像;
车道线获取模块,用于执行以下步骤:
根据预二值化图像以及所述路面图像的获取点位置确定坐标原点,以建立笛卡尔坐标系;
以所述坐标原点为圆心间隔设置多条灰度采集射线;其中,
当所述灰度采集射线上的灰度值发生突变,且高于预设灰度阈值时,获得灰度变化的边缘点;
对获取的多个所述边缘点进行直线拟合处理以获取车道线。
7.根据权利要求6所述的基于VBAI平台建模的车道线视觉识别系统,其特征在于,所述图像预处理模块包括:
灰度化模块,用于对所述实时图像进行灰度化处理;
一次降噪模块,用于对灰度化处理后的图像进行一次图像降噪处理;
二值化处理模块,采用大津算法对实时变化的单帧图像进行分析与运算,自动获得动态最优分割阈值,以实现对车道线目标与背景的二值化处理;
二次降噪模块,用于对所述二值化处理后的图像进行二次图像降噪处理。
8.根据权利要求7所述的基于VBAI平台建模的车道线视觉识别系统,其特征在于,所述一次降噪模块和所述二次降噪模块都采用High Details(高亮细节)卷积高亮滤波。
9.根据权利要求8所述的基于VBAI平台建模的车道线视觉识别系统,其特征在于,所述High Details(高亮细节)卷积高亮滤波中的Kernel Size设置为7。
10.根据权利要求6所述的基于VBAI平台建模的车道线视觉识别系统,其特征在于,所述系统还包括:
API脚本调用模块,用于运行LabVIEW底层开发环境,建立项目或VI程序;选择开发工具包Development Toolkit,构建API的脚本;模块以实现VI编程环境中状态机条件循环的连续运行。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010582198.4A CN111881748B (zh) | 2020-06-23 | 2020-06-23 | 一种基于vbai平台建模的车道线视觉识别方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010582198.4A CN111881748B (zh) | 2020-06-23 | 2020-06-23 | 一种基于vbai平台建模的车道线视觉识别方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111881748A true CN111881748A (zh) | 2020-11-03 |
CN111881748B CN111881748B (zh) | 2023-11-10 |
Family
ID=73156566
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010582198.4A Active CN111881748B (zh) | 2020-06-23 | 2020-06-23 | 一种基于vbai平台建模的车道线视觉识别方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111881748B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117115631A (zh) * | 2023-10-25 | 2023-11-24 | 广州中鸣数码科技有限公司 | 摄像头的色彩采集方法及装置 |
CN117234375A (zh) * | 2023-11-14 | 2023-12-15 | 广州中鸣数码科技有限公司 | 虚拟化比赛场景的搭建方法及装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015043510A1 (zh) * | 2013-09-27 | 2015-04-02 | 比亚迪股份有限公司 | 车道线检测方法、系统、车道偏离预警方法及系统 |
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 |
-
2020
- 2020-06-23 CN CN202010582198.4A patent/CN111881748B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015043510A1 (zh) * | 2013-09-27 | 2015-04-02 | 比亚迪股份有限公司 | 车道线检测方法、系统、车道偏离预警方法及系统 |
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 (2)
Title |
---|
何建辉;潘陈兵;: "基于视觉的车道偏离预警系统研究", 时代汽车, no. 08 * |
刘芳;孙莉;: "X射线实时成像技术在汽车零件检测中的应用探索", 汽车与驾驶维修(维修版), no. 05 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117115631A (zh) * | 2023-10-25 | 2023-11-24 | 广州中鸣数码科技有限公司 | 摄像头的色彩采集方法及装置 |
CN117115631B (zh) * | 2023-10-25 | 2024-02-02 | 广州中鸣数码科技有限公司 | 摄像头的色彩采集方法及装置 |
CN117234375A (zh) * | 2023-11-14 | 2023-12-15 | 广州中鸣数码科技有限公司 | 虚拟化比赛场景的搭建方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN111881748B (zh) | 2023-11-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114926407A (zh) | 一种基于深度学习的钢材表面缺陷检测系统 | |
CN105069441A (zh) | 一种基于背景更新与粒子群算法的运动车辆检测方法 | |
CN111881748B (zh) | 一种基于vbai平台建模的车道线视觉识别方法和系统 | |
CN116310845B (zh) | 一种用于污水处理的智能监测系统 | |
CN115049821A (zh) | 一种基于多传感器融合的三维环境目标检测方法 | |
CN102610104B (zh) | 一种车载的前方车辆检测方法 | |
CN111105452A (zh) | 基于双目视觉的高低分辨率融合立体匹配方法 | |
CN112528868A (zh) | 一种基于改进Canny边缘检测算法的违章压线判别方法 | |
CN112683228A (zh) | 单目相机测距方法及装置 | |
CN113255444A (zh) | 图像识别模型的训练方法、图像识别方法和装置 | |
CN101320477B (zh) | 一种人体跟踪方法及其设备 | |
CN117746077A (zh) | 一种芯片缺陷的检测方法、装置、设备和存储介质 | |
CN117037105A (zh) | 基于深度学习的路面灌缝检测方法、系统、终端及介质 | |
Dragaš et al. | Development and Implementation of Lane Departure Warning System on ADAS Alpha Board | |
CN110688876A (zh) | 一种基于视觉的车道线检测方法及装置 | |
Ying et al. | Technique of measuring leading vehicle distance based on digital image processing theory | |
CN113052118A (zh) | 基于高速快球摄像机实现场景变换视频分析检测的方法、系统、装置、处理器及存储介质 | |
CN112288765A (zh) | 一种用于车载红外行人检测跟踪的图像处理方法 | |
CN111428537A (zh) | 一种道路导流带边缘提取方法、装置和设备 | |
CN114581890B (zh) | 确定车道线的方法、装置、电子设备和存储介质 | |
CN115272992B (zh) | 一种车辆姿态估计方法 | |
CN112016567B (zh) | 一种多尺度图像目标检测方法和装置 | |
CN117523205B (zh) | 少样本ki67多类别细胞核的分割识别方法 | |
Pan et al. | Fast road detection based on a dual-stage structure | |
CN117934403A (zh) | 模板锈蚀的处理方法、系统、设备及存储介质 |
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 | ||
CB02 | Change of applicant information |
Address after: 241000 No.1, Yonghe Road, Wanqi District, Wuhu City, Anhui Province Applicant after: ANHUI INSTITUTE OF INFORMATION TECHNOLOGY Address before: 241000 No.1 Yonghe Road, Wuhu County, Xinwu Economic Development Zone, Wuhu City, Anhui Province Applicant before: ANHUI INSTITUTE OF INFORMATION TECHNOLOGY |
|
CB02 | Change of applicant information | ||
GR01 | Patent grant | ||
GR01 | Patent grant |