CN111985436B - 一种基于lsd的车间地标线识别拟合方法 - Google Patents

一种基于lsd的车间地标线识别拟合方法 Download PDF

Info

Publication number
CN111985436B
CN111985436B CN202010890946.5A CN202010890946A CN111985436B CN 111985436 B CN111985436 B CN 111985436B CN 202010890946 A CN202010890946 A CN 202010890946A CN 111985436 B CN111985436 B CN 111985436B
Authority
CN
China
Prior art keywords
straight line
image
landmark
line segment
coordinate
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
CN202010890946.5A
Other languages
English (en)
Other versions
CN111985436A (zh
Inventor
陈勇
陈燚
王昊天
俞飞扬
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.)
Zhejiang University of Technology ZJUT
Original Assignee
Zhejiang University of Technology ZJUT
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 Zhejiang University of Technology ZJUT filed Critical Zhejiang University of Technology ZJUT
Priority to CN202010890946.5A priority Critical patent/CN111985436B/zh
Publication of CN111985436A publication Critical patent/CN111985436A/zh
Application granted granted Critical
Publication of CN111985436B publication Critical patent/CN111985436B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/80—Geometric correction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/90—Dynamic range modification of images or parts thereof
    • G06T5/94—Dynamic range modification of images or parts thereof based on local image properties, e.g. for local contrast enhancement
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • 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
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
    • Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于LSD的车间地标线识别拟合方法，方法步骤包括：1、首先利用AGV小车进行拍摄影像提取目标图像；2、利用漫水填充方法对步骤一获得的目标图像进行地标颜色块的提取操作，获得目标颜色区域；3、对目标图像进行预处理操作；4、随后对预处理后的目标图像依次进行LSD直线检测、地标线的筛选、坐标点的归类和地标线边缘直线的拟合操作，最终实现工厂地标线的识别拟合。本发明使用以LSD检测结果作为直线拟合的原始数据集，并使用MLP算法进行目标颜色地标线的判定，将满足条件的地标线坐标点提取，并进行数据集的异常值剔除操作，最终结合最小二乘法进行单张图片的原始数据集直线拟合，存在处理过程简单、抗干扰能力强的优点。

Description

一种基于LSD的车间地标线识别拟合方法
技术领域
本发明涉及一种基于LSD的车间地标线识别拟合方法。本发明属于机器视觉技术与机器学习技术在直线检测领域的应用，通过对AGV小车获取的车间地标线进行图像处理并结合机器学习模型，对车间地标线进行实时的检测，该发明主要适用于车间地标线地图的绘制。
背景技术
近年来，伴随智能制造以及5G技术的普及。AGV小车在工厂当中使用越来越普遍。与此同时，对车间内的智能导航技术以及人车分流安全技术提出了更高的要求。为了保障AGV小车在运行过程当中实现车间内的人车分流并保证AGV小车在指定的车间地标线内运行，需要进行车间地标线全局地图的绘制工作，以实现AGV小车导航功能。
针对地标线的直线检测研究，最常用的算法有Hough变换算法,Hough算法往往结合Canny边缘检测算法同时使用。但是该算法存在计算复杂程度高，对光照要求较高，抗干扰程度较弱的缺点。
发明内容
针对现有技术存在的上述技术问题，本发明的目的在于提供一种基于LSD的车间地标线识别拟合方法。本发明的方法采用包括AGV小车进行拍摄影像提取，并使用机器视觉方法对数据集进行图像预处理操作。后将搜集到数据进行筛选，地标线合并与拟合操作。最终实现工厂地标线的识别拟合。
为了能够实现上述目的，本发明采用了以下的技术方案：
步骤一：AGV小车拍摄影像的提取
为了保证AGV小车摄像头的准确性，首先对AGV小车摄像头进行畸变矫正处理，处理公式如下：
其中，[x',y']为畸变矫正后在图像中位置坐标；
[x,y]为畸变矫正前在图像坐标系中的位置坐标；
r2为x2与y2的和；
[k1,k2,k3]表示径向畸变参数，[p1,p2]表示切向畸变参数。
利用AGV小车，在指定的车间地标线范围内进行录像数据的采集工作，获得RGB格式的目标图像。在拍摄过程当中，为了保证数据集的完整性和准确性，尽可能多地进行数据集的循环采集操作。为了避免其他干扰因素对结果的影响，在拍摄过程当中，应当尽可能避免在拍摄区域出现行人、光线昏暗等情况。
步骤二：MLP模型(多层神经网络模型)训练
对步骤一获得的目标图像，使用机器视觉当中的漫水填充方法进行地标线颜色块的提取操作，获得目标颜色区域；将所述目标颜色区域像素的像素值输入到MLP模型中进行神经网络的训练，该预先准备好的MLP模型用于后续地标线的筛选步骤中。
步骤三：目标图像的预处理
对步骤一获得的目标图像，设置ROI区域，并将图像从RGB图像格式转换至HSV图像格式。对于已经进行完图像格式转换的图片，进行HSV通道中地标线颜色的图像增强操作，使得该增强的地标线颜色在HSV图像格式下，相较于其他颜色更为突出。最后将已进行完图像增强的图像转换为灰度图像。
其中，HSV通道中地标线颜色的图像增强的处理公式如下：
G＝(S+V)/2-H
H、S、V分别表示图像在HSV图像模式下的各通道参数值，G表示灰度图像中某坐标值下的像素值。
步骤四：LSD地标线直线检测
将已经进行完图像增强的灰度图像投入到LSD直线检测模型当中。对图像进行LSD直线检测操作，获得包含地标线边缘直线及干扰直线的若干直线段。
步骤五：地标线的筛选
在步骤四中搜集获得的左右上下端点坐标中，有一部分数据坐标点为与地标线颜色块颜色较为接近色块的干扰坐标点，需要将此类坐标点进行剔除操作。
在筛选过程当中，对步骤四检测出的直线段，获取直线段上的多个坐标点，并对坐标点进行偏置处理，即是将直线段向左或向右平移若干个像素值；然后将平移后的直线段上的多个坐标点输入到步骤二预先准备好的MLP模型中进行判定，若直线段上的某一坐标点像素值在目标颜色区域像素的像素值范围内，则MLP模型训练输出的参数为1，该坐标点记为有效坐标点，否则为0，该坐标点记为无效坐标点；当直线段上的有效坐标点的数量达到一定阀值时，则该直线段为地标线边缘线段的某一线段，否则为干扰直线，予以剔除；
步骤六：坐标点归类
对步骤五中获得的直线段上的坐标点，通过向左或向右平移，对坐标点进行图像位移处理；经过位移处理后的坐标点在地标颜色块上，以此判定该坐标点在地标线的左右位置状况，以此进行坐标点的归类操作；
步骤七：地标线边缘直线的拟合
对归为一类的坐标点，进行直线段的插值计算，提取对应直线段上的一系列坐标点，将提取的同一类坐标点，利用最小二乘法操作进行直线的拟合处理，最终获得完整的地标线边缘直线。
相对于现有技术，本发明取得的有益效果是：为了能够使AGV小车实现地标线的导航功能，在传统方法的基础上，本发明使用以LSD检测结果作为直线拟合的原始数据集，并使用MLP算法进行目标颜色地标线的判定，将满足条件的地标线坐标点提取，并进行数据集的异常值剔除操作，最终结合最小二乘法进行单张图片的原始数据集直线拟合，存在处理过程简单、抗干扰能力强的优点。
附图说明
图1为地标线识别拟合流程图；
图2为地标线识别输入原始图；
图3为目标区域漫水填充图；
图4为目标颜色区域图像强化图；
图5为地标线识别效果图；
图6为地标线拟合最终效果图。
具体实施方式
下面结合具体实施例对本发明作进一步说明，但本发明的保护范围并不限于此。
实施例：
本发明提供了一种使用LSD进行地标线识别与拟合方法，本方法在使用过程当中，首先要确保地标线颜色与地面颜色有明显的差异，同时要确保场景内的光线充足，在数据采集过程当中尽可能避免有物体、行人遮挡住地标线的发生。此具体案例中，目标地标线的颜色为黄色，具体的实施包括以下步骤：
步骤一：AGV小车拍摄影像的提取
步骤二：MLP模型(多层神经网络模型)训练
步骤三：目标图像的预处理
步骤四：LSD地标线直线检测
步骤五：地标线的筛选
步骤六：坐标点归类
步骤七：地标线边缘直线的拟合。
1、利用AGV小车进行地标线数据的采集：
本实施例方法的数据采集主要通过AGV小车进行，由于在AGV图像的获取当中，可能存在摄像头的图像畸变。因此需要对摄像头进行图像校正处理，从而避免出现地标线弯曲、扭曲等问题，具体的畸变矫正函数如下：
其中[x',y']为畸变矫正后在图像中位置坐标(单位：米，米)；
[x,y]为畸变矫正前在图像坐标系中的位置坐标(单位：米，米)；
r2为x2与y2的和；
[k1,k2,k3]表示径向畸变参数，[p1,p2]表示切向畸变参数。
利用以上已进行相机标定的相机作为AGV的前置摄像头进行地标线图像的搜集工作。在地标线内部区域进行循环采集，进行来回3圈以上的图像采集操作。具体采集到的车间图像如图2所示。
2、MLP模型(多层神经网络模型)训练:
本模型的地标线检测主要是通过MLP神经网络进行。
对步骤1获得的车间图像，首先利用漫水填充的方式，提取如图3所示的目标颜色区域像素对应的像素值作为ANN神经网络的输入参数，设置输入参数数量为3(即目标颜色区域像素的3个通道)，设置第一层隐藏层为8个节点，第二层参数为8个节点，最后的输出层为1个参数结果，进行模型的训练。
在训练结果中，若车间图像中某一像素点像素值为目标区域颜色，也就是说车间图像中某一像素点像素值在目标颜色区域的像素值范围内，则输出为1，否则输出为0。
3、目标图像的预处理:
输入图像是以RGB形式输入，为了能够更好地检测到目标区域内的地标线，首先将目标图像转换为HSV图像格式，在该图像格式下，增强黄色地标线区域的图像，避免其他颜色对黄色区域的干扰，具体的图像增强公式如下：
G＝(S+V)/2-H
H、S、V分别表示图像在HSV图像模式下的各通道参数值，G表示灰度图像中某坐标值下的像素值。具体的图像增强结果则如图4所示。
4、LSD地标线直线检测：
使用LSD直线检测方法，对已经进行图像预处理的灰度图像进行直线检测，最终的直线检测结果如图5所示。图5中白色显示的为LSD直线检测的结果，从结果中可以发现LSD直线检测可以基本实现地标线的检出，但是直线检测结果存在干扰直线，且检测出的地标线边缘直线存在分段现象。
5、地标线的筛选：
对检测出的直线段，获取其上端点po1(x1,y1)与下端点po2(x2,y2)，利用插值法对直线段上的数据点(即坐标点)进行采集工作，设置每条线段上数据点的提取数量为z，则搜集获得第m个数据点坐标为pm(xm,ym)，采集数据点的具体公式如下：
对检测出的直线段，按照上述方式获取直线段上的多个坐标点，并对坐标点进行偏置处理，即是将直线段向左或向右平移若干个像素值；然后将平移后的直线段上的多个坐标点的像素值输入到步骤二预先准备好的MLP模型中进行判定，若直线段上的某一坐标点像素值在目标颜色区域像素的像素值范围内，则MLP模型训练输出的参数为1，该坐标点记为有效坐标点，否则为0，该坐标点记为无效坐标点；当直线段上的有效坐标点的数量达到一定阀值时，则该直线段为地标线边缘线段的某一线段，否则为干扰直线，予以剔除；
在此案例中，偏置像素为10个像素。进行偏置处理的目的是为了方便获得目标颜色区域的地标线边缘线段，位于目标颜色区域左侧的数据点向右偏移，以便地标线边缘上的坐标点经过偏置处理后落入目标颜色区域内；同理，位于目标颜色区域右侧的数据点向左偏移。
当地标线平移后对应的满足条件像素点达到一定比例，则判定该地标线边缘符合要求，通过此办法对所有检测获得的地标线边缘直线进行判定，获得所有符合条件的地标线边缘直线。例如，如果一条直线段上有8个有效坐标点、2个无效坐标点，那么地标线平移后对应的满足条件像素点达到80％，我们定义它是符合条件的地标线边缘直线。
同时按照左右的偏置情况，设置对应坐标点的偏置类型。
6.坐标点归类：
对于已经完成筛选操作的地标分线段，首先按照在步骤5中设置的偏置类型，对地标分线段上的坐标点进行归类，即是按照在步骤5中进行偏置处理时，向左偏移的坐标点归为一类，而向右偏移的坐标点归为另一类，总共数量有2类。
对于同一类的直线段，计算所有线段相对于水平位置的夹角a1，并求出所有线段相对于水平位置的平均水平夹角a2。再将所有线段的水平夹角a1均与该平均水平夹角a2进行比较，若某一线段的水平夹角a1的角度比该平均水平夹角a2的角度大或小5°(即相对于平均水平夹角a2的角度偏差达到5°以上)，则剔除该线段，避免此类干扰线段对最终的地标线拟合产生影响。
7、地标线边缘直线的拟合：
对已经归类完毕的地标线边缘分线段再次进行直线插值法计算获得直线上的一系列点。将通过插值法获得的所有同一类车间地标线数据点通过最小二乘法进行直线的拟合操作，其中ly为直线应变量，kl为直线的斜率，lx为直线的自变量，截距为bl。
将提取的同一类坐标点，利用最小二乘法操作进行直线的拟合处理的过程如以下公式1和公式2所示：
ly＝kllx+bl 公式1
当通过公式1和公式2的处理方式，计算获得的平方偏差项e2为最小时，则获得拟合直线，最终获得完整的地标线边缘直线。最终地标线拟合最终效果图如图6所示。
本说明书所述的内容仅仅是对发明构思实现形式的列举，本发明的保护范围不应当被视为仅限于实施例所陈述的具体形式。

Claims (5)

1.一种基于LSD的车间地标线识别拟合方法，其特征在于包括以下步骤：
步骤一，在车间地标线范围内进行录像数据的采集工作，获得RGB格式的目标图像；
步骤二，首先利用漫水填充方法对步骤一获得的目标图像进行地标颜色块的提取操作，获得目标颜色区域；将所述目标颜色区域像素的像素值输入到MLP模型中进行神经网络的训练，形成预先准备好的MLP模型，用于后续地标线的筛选步骤中；
步骤三，对步骤一获得的目标图像，设置ROI区域，并将目标图像从RGB图像格式转换至HSV图像格式；对于已完成图像格式转换的图片，进行HSV通道中地标线颜色的图像增强操作，使得该增强的地标线颜色在HSV图像格式下，相较于其他颜色更为突出；最后将已完成图像增强的图像转换为灰度图像；
步骤四：LSD直线检测
使用LSD直线检测方法对已完成图像增强的灰度图像进行直线检测，获得包含地标线边缘直线及干扰直线的若干直线段；
步骤五：地标线的筛选
对步骤四检测出的直线段，获取直线段上的多个坐标点，并对坐标点进行偏置处理，即是将直线段向左或向右平移若干个像素值；然后将平移后的直线段上的多个坐标点的像素值输入到步骤二预先准备好的MLP模型中进行判定，若直线段上的某一坐标点像素值在目标颜色区域像素的像素值范围内，则MLP模型训练输出的参数为1，该坐标点记为有效坐标点，否则为0，该坐标点记为无效坐标点；当直线段上的有效坐标点的数量达到一定阀值时，则该直线段为地标线边缘线段的某一线段，否则为干扰直线，予以剔除；
步骤六：坐标点归类
对步骤五中获得的直线段上的坐标点，通过向左或向右平移，对坐标点进行图像位移处理；经过位移处理后的坐标点在地标颜色块上，以此判定该坐标点在地标线的左右位置状况，以此进行坐标点的归类操作；
步骤七：地标线边缘直线的拟合
对归为一类的坐标点，进行直线段的插值计算，提取对应直线段上的一系列坐标点，将提取的同一类坐标点，利用最小二乘法操作进行直线的拟合处理，最终获得完整的地标线边缘直线。
2.如权利要求1所述的一种基于LSD的车间地标线识别拟合方法，其特征在于步骤一中，利用AGV小车在车间地标线范围内进行录像数据的采集工作，获得RGB格式的目标图像；AGV小车在进行采集图像前，先进行畸变矫正处理，处理公式如下：
其中，[x',y']为畸变矫正后在图像中位置坐标；
[x,y]为畸变矫正前在图像坐标系中的位置坐标；
r2为x2与y2的和；
[k1,k2,k3]表示径向畸变参数，[p1,p2]表示切向畸变参数。
3.如权利要求1所述的一种基于LSD的车间地标线识别拟合方法，其特征在于步骤三中，HSV通道中地标线颜色的图像增强的处理公式如下：
G＝(S+V)/2-H
H、S、V分别表示图像在HSV图像模式下的各通道参数值，G表示灰度图像中某坐标值下的像素值。
4.如权利要求1所述的一种基于LSD的车间地标线识别拟合方法，其特征在于步骤五中，对于检测出的直线段，获取该直线段上的多个坐标点的过程为：获取直线段上的上端点坐标po1(x1,y1)与下端点坐标po2(x2,y2)，利用插值法对该直线段上的数据点进行采集工作，处理公式如下：
其中，z为利用插值法采集直线段上的数据点的数量，m为利用插值法采集直线段上的第m个数据点，pm(xm,ym)为第m个数据的坐标。
5.如权利要求4所述的一种基于LSD的车间地标线识别拟合方法，其特征在于步骤七中，将提取的同一类坐标点，利用最小二乘法操作进行直线的拟合处理的过程如以下公式1和公式2所示：
ly＝kllx+bl 公式1
其中，ly为直线应变量，kl为直线的斜率，lx为直线的自变量，bl为截距，e2为平方偏差项；
当通过公式1和公式2的处理方式，计算获得的平方偏差项为最小时，则获得拟合直线，最终获得完整的地标线边缘直线。
CN202010890946.5A 2020-08-29 2020-08-29 一种基于lsd的车间地标线识别拟合方法 Active CN111985436B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010890946.5A CN111985436B (zh) 2020-08-29 2020-08-29 一种基于lsd的车间地标线识别拟合方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010890946.5A CN111985436B (zh) 2020-08-29 2020-08-29 一种基于lsd的车间地标线识别拟合方法

Publications (2)

Publication Number Publication Date
CN111985436A CN111985436A (zh) 2020-11-24
CN111985436B true CN111985436B (zh) 2024-03-12

Family

ID=73441418

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010890946.5A Active CN111985436B (zh) 2020-08-29 2020-08-29 一种基于lsd的车间地标线识别拟合方法

Country Status (1)

Country Link
CN (1) CN111985436B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112906665A (zh) * 2021-04-06 2021-06-04 北京车和家信息技术有限公司 交通标线融合方法、装置、存储介质及电子设备
CN113705524A (zh) * 2021-09-06 2021-11-26 上海景吾智能科技有限公司 图像中垂直线检测方法及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107121981A (zh) * 2017-04-20 2017-09-01 杭州南江机器人股份有限公司 一种基于视觉的agv巡线导航和定位方法
CN107679520A (zh) * 2017-10-30 2018-02-09 湖南大学 一种适用于复杂条件下的车道线视觉检测方法
WO2018058356A1 (zh) * 2016-09-28 2018-04-05 驭势科技（北京）有限公司 基于双目立体视觉的汽车防碰撞预警方法和系统
CN110348307A (zh) * 2019-06-10 2019-10-18 武汉理工大学 一种起重机金属结构攀爬机器人的路径边缘识别方法及系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018058356A1 (zh) * 2016-09-28 2018-04-05 驭势科技（北京）有限公司 基于双目立体视觉的汽车防碰撞预警方法和系统
CN107121981A (zh) * 2017-04-20 2017-09-01 杭州南江机器人股份有限公司 一种基于视觉的agv巡线导航和定位方法
CN107679520A (zh) * 2017-10-30 2018-02-09 湖南大学 一种适用于复杂条件下的车道线视觉检测方法
CN110348307A (zh) * 2019-06-10 2019-10-18 武汉理工大学 一种起重机金属结构攀爬机器人的路径边缘识别方法及系统

Also Published As

Publication number Publication date
CN111985436A (zh) 2020-11-24

Similar Documents

Publication Publication Date Title
CN107330376B (zh) 一种车道线识别方法及系统
CN109657632B (zh) 一种车道线检测识别方法
CN104408460B (zh) 一种车道线检测及跟踪检测方法
CN103077384B (zh) 一种车标定位识别的方法与系统
CN110232389B (zh) 一种基于绿色作物特征提取不变性的立体视觉导航方法
CN110210350A (zh) 一种基于深度学习的快速停车位检测方法
CN110647850A (zh) 一种基于逆透视原理的车道偏移自动测量方法
CN106251353A (zh) 弱纹理工件及其三维位姿的识别检测方法及系统
Li et al. Nighttime lane markings recognition based on Canny detection and Hough transform
CN105809138A (zh) 一种基于分块识别的道路警告标志检测与识别方法
CN111985436B (zh) 一种基于lsd的车间地标线识别拟合方法
CN102831618A (zh) 基于霍夫森林的视频目标跟踪方法
CN102938057B (zh) 一种车辆阴影消除方法及装置
CN112488046B (zh) 一种基于无人机高分辨率影像的车道线提取方法
CN107895151A (zh) 一种强光照条件下基于机器视觉的车道线检测方法
CN107563301A (zh) 基于图像处理技术的红灯信号检测方法
CN107563331B (zh) 一种基于几何关系的道路标志线检测方法及系统
CN108304749A (zh) 道路减速线识别方法、装置及车辆
CN111539303B (zh) 基于单目视觉的车辆驾驶偏移预警方法
CN116486287A (zh) 基于环境自适应机器人视觉系统的目标检测方法及系统
CN107507140B (zh) 基于特征融合的高速公路露天场景车辆阴影干扰抑制方法
CN113095283B (zh) 一种基于动态roi和改进萤火虫算法的车道线提取方法
Zong et al. Traffic light detection based on multi-feature segmentation and online selecting scheme
CN109800693B (zh) 一种基于颜色通道混合特征的夜间车辆检测方法
CN104573703A (zh) 基于偏导分布与边界策略的输电线快速识别方法

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