CN112115778B - 一种在环仿真条件下车道线智能识别方法 - Google Patents
一种在环仿真条件下车道线智能识别方法 Download PDFInfo
- Publication number
- CN112115778B CN112115778B CN202010800295.6A CN202010800295A CN112115778B CN 112115778 B CN112115778 B CN 112115778B CN 202010800295 A CN202010800295 A CN 202010800295A CN 112115778 B CN112115778 B CN 112115778B
- Authority
- CN
- China
- Prior art keywords
- image
- lane line
- pixel
- edge
- value
- 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
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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
-
- 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
- G06T2207/10016—Video; Image sequence
-
- 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
- G06T2207/20024—Filtering details
-
- 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
Abstract
本发明公开了一种在环仿真条件下车道线智能识别方法,包括以下步骤:采集在环仿真系统中包含车道线的场景图像,对采集图像截取感兴趣区域并对感兴趣区域进行滤波处理;对滤波处理后图像进行颜色空间转换,并提取Cb单通道图像;图像二值化,将提取的Cb单通道图像左右均分,分别对两部分图像的每一行求单通道的像素值的均值和标准差,依据3σ原则设定阈值进行单通道的二值化;图像模板化,将二值化图像与拟合车道线位置的模板图像做与运算;车道线识别,对模板化后的图像进行边缘检测和霍夫直线检测。本发明避免了车道线识别受室外强光影响的问题,具有识别率高、算法简单、实时性高、稳定、鲁棒性高等优点。
Description
技术领域
本发明属于车道线的智能识别技术领域,具体涉及一种环仿真条件下车道线智能识别方法。
背景技术
随着科学技术的发展,数字图像处理的应用愈加广泛,除了对视觉效果的增强之外,图像识别的应用场景也越来越多,随着科技数字化、智能化,图像识别技术越来越多地应用于军事、智能交通领域中。随着智能交通系统(Intelligent Transport System,ITS)的迅速发展,车道线自动识别技术早已成为图像处理与模式识别技术在智能交通领域重要的研究课题之一,车道线检测技术实现的精准程度在汽车驾驶辅助系统中尤其重要,直接决定了预警系统的及时性和准确性。
基于图像处理的前方车辆车道线识别逐渐成为当前研究热点。目前这类方法主要是通过摄像头获取图片或视频,然后在图像处理技术的基础上对获取的图片进行识别。检测与识别目标来自自然场景,这就为系统的设计带来更多的挑战。主要有以下几点:
1、图像受光照影响。不同天气和时间段,光照差别很大,且有树、电线杆之类的障碍物投影到车道线上,这使得车道线在图像中的成像产生很大变化。
2、实时性需求。由于车辆对于信息实时性要求很高,因此在准确检测与识别的同时要保证算法实时性。另外检测图像的来源是搭载在车辆上的相机,车辆在行驶过程中相机中会产生运动模糊,导致图像不清晰。
发明内容
本发明的主要目的在于克服现有技术的缺点与不足,提供一种在环仿真条件下车道线智能识别方法。本发明避免了车道线识别受室外强光影响的问题,具有识别率高、算法简单、实时性高、稳定、鲁棒性高等优点。
为了达到上述目的,本发明采用以下技术方案:
一种在环仿真条件下车道线智能识别方法,其特征在于,包括以下步骤:
采集在环仿真系统中包含车道线的场景图像,截取采集的图像的下半部分作为感兴趣区域并对感兴趣区域进行滤波处理;
对滤波处理后图像进行颜色空间转换和通道图像提取,得到Cb单通道图像;
图像二值化,将得到的Cb单通道图像左右均分,分别对两部分图像的每一行求像素值的均值和标准差,依据3σ原则设定阈值进行Cb单通道的二值化;
图像模板化,将二值化后的图像与拟合车道线位置的模板图像做与运算;
车道线识别,对模板化后的图像进行边缘检测,生成边缘图像,对边缘图像进行霍夫直线检测,得到车道线检测识别图像。
进一步的,所述截取感兴趣区域具体为:
将采集的场景图像中包含车道线的下半部分作为感兴趣区域,截取公式为:
image_roi=image(H/2:H,1:W)
其中,image_roi为截取后的图像,image为原始采集的场景图像,H为原始采集图像高,W为原始采集图像宽。
进一步的,所述滤波处理具体为:
对截取的感兴趣区域图像,采用高斯滤波器进行滤波,二维高斯函数为:
其中(x,y)为点坐标,σ为标准差,σ选择越大,滤波效果越明显;
由于奇数大小的窗口中心点坐标唯一确定,故高斯滤波器窗口模板选择奇数大小,通常大小为3*3或5*5;对于窗口大小为(2k+1)×(2k+1)的模板,模板中各元素值的计算公式为:
其中,k∈N,(i,j)表示点在图像中的位置,i表示第i行,j表示第j列。
进一步的,所述颜色空间转换和通道图像提取具体为从RGB颜色空间转为YCbCr空间,然后提取Cb单通道图像,RGB颜色空间与YCbCr颜色空间之间的关系为:
进一步的,所述分别对两部分图像的每一行求像素值的均值和标准差,均值和标准差的公式如下:
其中,μi表示图像第i行的平均像素值,pin表示图像第i行第n的像素值;σi表示图像第i行的标准差,pij表示图像第i行第j列的像素值,表示图像第i行的平均像素值。
进一步的,所述依据3σ原则设定阈值进行Cb单通道的二值化具体为:
对均分后的两部分图像,每一行依据3σ原则设定阈值来进行基于Cb通道的二值化,公式如下:
进一步的,所述图像模板化具体为:
将车道线的位置用一张二值图像来拟合,该二值图像命名为车道线模板图像,从该模板图像里定位车道线并将二值化的结果图像与该车道线模板图像做与运算,公式如下:
其中,tij代表模板的第i行第j列的像素值,p'ij代表二值化结果图像的第i行第j列的像素值,.&代表按位与。
进一步的,所述边缘检测具体为对图像模板化后的图像进行Canny边缘检测,包括以下步骤:
使用高斯滤波器平滑图像,滤去噪声;
计算图像中每个像素点的梯度幅值和方向;
应用非极大值抑制,以消除边缘检测带来的杂散相应;
应用双阈值检测来确定真实的和潜在的边缘,选择高低阈值,如果边缘像素的梯度值高于高阈值,将其标记为强边缘像素;如果边缘像素的梯度值小于高阈值并且大于低阈值,将其标记为弱边缘像素;如果边缘像素的梯度值小于低阈值,边缘像素受到抑制;所述阈值的选择取决于采集的场景图像的内容;
通过抑制孤立的弱边缘完成边缘检测,跟踪弱边缘连接,通过查看弱边缘像素及其8个邻域像素,只要其中一个为强边缘像素,则该弱边缘点保留为真实的边缘。
进一步的,所述计算图像中每个像素点的梯度幅值和方向具体为利用一阶偏导的有限差分来计算,一阶差分卷积模板为:
得到幅值与角度公式为:
进一步的,所述应用非极大值抑制中,为确定边缘,必须保留局部梯度最大的点,而抑制非极大值,即将非局部极大值点置零以得到细化的边缘;在每一点上,领域的中心像素与沿着梯度线的两个像素相比;如果中心像素的梯度值不比沿梯度线的两个相邻像素梯度值大,则令中心像素为零。
本发明与现有技术相比,具有如下优点和有益效果:
1、本发明采用在环仿真和图像处理技术相结合的方法,解决了环仿真条件中车道线识别效果差的技术问题,从而实现了准确率高、普适性强的在环仿真条件下车道线智能识别方法,而且本发明在准确检测与识别的同时保证了算法的实时性。
2、本发明具有识别准确度高、算法简单、稳定、鲁棒性高等优点。
附图说明
图1是本发明方法的流程图;
图2是在环仿真系统的包含车道线的场景图像的下半部分;
图3是本实施例YCbCr颜色空间Cb通道的图像;
图4是基于Cb通道二值化后的图像;
图5是本发明图像二值化步骤的流程图;
图6是车道线模板图;
图7是本发明边缘检测的示意图;
图8是车道线识别的图像;
图9是Canny边缘检测的流程图。
具体实施方式
下面结合实施例及附图对本发明作进一步详细的描述,但本发明的实施方式不限于此。
实施例
如图1所示,本发明一种在环仿真条件下车道线智能识别方法,包括以下步骤:
S1、采集在环仿真系统中包含车道线的场景图像,对图像进行预处理,具体为:
S11、采集在环仿真系统中包含车道线的场景图像并截取感兴趣区域图像,在本实施例中,具体为采用智能网联模型车上预设的摄像头获取在环仿真系统中包含车道线的场景图像,由于车道线部分图像只存在于场景图像的下半部分,故将图像的下半部分作为感兴趣区域图像,如图2所示;截取公式如下:
image_roi=image(H/2:H,1:W)
其中image_roi为截取后的图像,image为采集的原始图像,H元原始图像高,W为原始图像宽。
S12、对感兴趣区域图像进行滤波处理,具体为:
采用高斯滤波器进行滤波,二维高斯函数如下:
其中(x,y)为点坐标,σ为标准差,σ选择越大,滤波效果越明显;
由于奇数大小的窗口中心点坐标唯一确定,故高斯滤波器窗口模板选择奇数大小,通常大小为3*3或5*5;对于窗口大小为(2k+1)×(2k+1)的模板,模板中各元素值的计算公式为:
其中,k∈N,(i,j)表示点在图像中的位置,i表示第i行,j表示第j列。
S2、对滤波后图像进行颜色空间转换并提取Cb单通道图像,具体为:
将滤波后图像从RGB颜色空间转为YCbCr颜色空间,转换公式为:
对转换后图像,提取Cb通道的图像,本实施例中,Cb通道图像如图3所示。
S3、采用自动阈值方法提取所得Cb单通道图像进行图像二值化;
采用自动阈值方法对提取所得图像进行基于Cb通道的图像二值化,如图4所示,为基于Cb通道二值化后的图像;
在本实施例中,如图5所示,具体为:
S31、将提取所得图像分为左右均等的两部分;
S32、分别对左右两部分图像的每一行求YCbCr颜色空间Cb通道的像素值的均值和标准差,均值和标准差计算公式如下:
其中,μi表示Cb通道第i行的平均像素值,pin表示Cb通道第i行第n列的像素值;σi表示Cb通道第i行的标准差,pij表示通道第i行第j列的像素值,表示Cb通道第i行的平均像素值。
S33、根据3σ原则设定阈值进行基于Cb通道的二值化,二值化公式如下:
S4、图像模板化,将二值化图像与拟合车道线位置的模板图像做与运算,具体为:
在本实施例中,考虑到车道线出现在图像位置的规律性,故将车道线的大致位置用一张二值图像来拟合,将这张二值图像命名为车道线模板图像,如图6所示。从车道线模板图像里定位车道线,将二值化图像与其做与运算,公式为:
其中,tij代表模板图像的第i行第j列的像素值,p'ij代表二值化结果图像的第i行第j列的像素值,.&代表按位与。
S5、车道线识别,对与运算后结果图像进行边缘检测与霍夫直线检测,具体为:
S51、对与运算后结果图像进行Canny边缘检测,得到边缘图像,如图7、9所示,具体为:
使用高斯滤波器平滑图像,滤去噪声;
计算图像中每个像素点的梯度幅值和方向,具体为利用一阶偏导的有限差分来计算幅值和方向,一阶差分卷积模板为:
通过上式可以得到幅值公式为:
角度公式为:
应用非极大值(Non-Maximum Suppression)抑制,以消除边缘检测带来的杂散相应;
在本实施例中,应用非极大值抑制中,为确定边缘,必须保留局部梯度最大的点,而抑制非极大值,即将非局部极大值点置零以得到细化的边缘。在每一点上,领域的中心像素M与沿着梯度线的两个像素相比。如果M的梯度值不比沿梯度线的两个相邻像素梯度值大,则令M为零。
应用双阈值(Double-Threshold)检测来确定真实的和潜在的边缘,具体为:
用弱梯度值过滤边缘像素,并保留具有高梯度值的边缘像素,通过选择高低阈值来实现。如果边缘像素的梯度值高于高阈值,则将其标记为强边缘像素;如果边缘像素的梯度值小于高阈值并且大于低阈值,则将其标记为弱边缘像素;如果边缘像素的梯度值小于低阈值,则会被抑制。阈值的选择取决于给定输入图像的内容。
通过抑制孤立的弱边缘最终完成边缘检测,具体为:
在本实施例中,考虑到弱边缘像素可能是因噪声或颜色变化引起的,为了获得准确的结果,跟踪弱边缘连接,通过查看弱边缘像素及其8个邻域像素,只要其中一个为强边缘像素,则该弱边缘点就可以保留为真实的边缘。
S42、对边缘图像进行霍夫直线检测,得到车道线检测图像,所述霍夫直线检测是一种特征检测,用于辨别找出物件中的特征,如线条特征等。
在本实施例中,如图8所示,是车道线检测识别的结果图像。
还需要说明的是,在本说明书中,诸如术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其他实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (7)
1.一种在环仿真条件下车道线智能识别方法,其特征在于,包括以下步骤:
采集在环仿真系统中包含车道线的场景图像,截取采集的图像的下半部分作为感兴趣区域并对感兴趣区域进行滤波处理;
对滤波处理后图像进行颜色空间转换和通道图像提取,得到Cb单通道图像;
图像二值化,将得到的Cb单通道图像左右均分,分别对两部分图像的每一行求像素值的均值和标准差,依据3σ原则设定阈值进行Cb单通道的二值化;
图像模板化,将二值化后的图像与拟合车道线位置的模板图像做与运算;所述图像模板化具体为:
将车道线的位置用一张二值图像来拟合,该二值图像命名为车道线模板图像,从该模板图像里定位车道线并将二值化的结果图像与该车道线模板图像做与运算,公式如下:
其中,tij代表模板的第i行第j列的像素值,p'ij代表二值化结果图像的第i行第j列的像素值,.&代表按位与;
车道线识别,对模板化后的图像进行边缘检测,生成边缘图像,对边缘图像进行霍夫直线检测,得到车道线检测识别图像;所述边缘检测具体为对图像模板化后的图像进行Canny边缘检测,包括以下步骤:
使用高斯滤波器平滑图像,滤去噪声;
计算图像中每个像素点的梯度幅值和方向;
应用非极大值抑制,以消除边缘检测带来的杂散相应;
应用双阈值检测来确定真实的和潜在的边缘,选择高低阈值,如果边缘像素的梯度值高于高阈值,将其标记为强边缘像素;如果边缘像素的梯度值小于高阈值并且大于低阈值,将其标记为弱边缘像素;如果边缘像素的梯度值小于低阈值,边缘像素受到抑制;所述阈值的选择取决于采集的场景图像的内容;
通过抑制孤立的弱边缘完成边缘检测,跟踪弱边缘连接,通过查看弱边缘像素及其8个邻域像素,只要其中一个为强边缘像素,则该弱边缘像素保留为真实的边缘;
所述计算图像中每个像素点的梯度幅值和方向具体为利用一阶偏导的有限差分来计算,一阶差分卷积模板为:
得到幅值与角度公式为:
2.根据权利要求1所述的一种在环仿真条件下车道线智能识别方法,其特征在于,所述截取感兴趣区域具体为:
将采集的场景图像中包含车道线的下半部分作为感兴趣区域,截取公式为:
image_roi=image(H/2:H,1:W)
其中,image_roi为截取后的图像,image为原始采集的场景图像,H为原始采集图像高,W为原始采集图像宽。
3.根据权利要求1所述的一种在环仿真条件下车道线智能识别方法,其特征在于,所述滤波处理具体为:
对截取的感兴趣区域图像,采用高斯滤波器进行滤波,二维高斯函数为:
其中(x,y)为点坐标,σ为标准差,σ选择越大,滤波效果越明显;
由于奇数大小的窗口中心点坐标唯一确定,故高斯滤波器窗口模板选择奇数大小,通常大小为3*3或5*5;对于窗口大小为(2k+1)×(2k+1)的模板,模板中各元素值的计算公式为:
其中,k∈N,(i,j)表示点在图像中的位置,i表示第i行,j表示第j列。
4.根据权利要求1所述的一种在环仿真条件下车道线智能识别方法,其特征在于,所述颜色空间转换和通道图像提取具体为从RGB颜色空间转为YCbCr空间,然后提取Cb单通道图像,RGB颜色空间与YCbCr颜色空间之间的关系为:
5.根据权利要求1所述的一种在环仿真条件下车道线智能识别方法,其特征在于,所述分别对两部分图像的每一行求像素值的均值和标准差,均值和标准差的公式如下:
其中,μi表示图像第i行的平均像素值,pin表示图像第i行第n的像素值;σi表示图像第i行的标准差,pij表示图像第i行第j列的像素值,表示图像第i行的平均像素值。
6.根据权利要求5所述的一种在环仿真条件下车道线智能识别方法,其特征在于,所述依据3σ原则设定阈值进行Cb单通道的二值化具体为:
对均分后的两部分图像,每一行依据3σ原则设定阈值来进行基于Cb通道的二值化,公式如下:
7.根据权利要求1所述的一种在环仿真条件下车道线智能识别方法,其特征在于,所述应用非极大值抑制中,为确定边缘,必须保留局部梯度最大的点,而抑制非极大值,即将非局部极大值点置零以得到细化的边缘;在每一点上,领域的中心像素与沿着梯度线的两个像素相比;如果中心像素的梯度值不比沿梯度线的两个相邻像素梯度值大,则令中心像素为零。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010800295.6A CN112115778B (zh) | 2020-08-11 | 2020-08-11 | 一种在环仿真条件下车道线智能识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010800295.6A CN112115778B (zh) | 2020-08-11 | 2020-08-11 | 一种在环仿真条件下车道线智能识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112115778A CN112115778A (zh) | 2020-12-22 |
CN112115778B true CN112115778B (zh) | 2023-07-21 |
Family
ID=73804755
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010800295.6A Active CN112115778B (zh) | 2020-08-11 | 2020-08-11 | 一种在环仿真条件下车道线智能识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112115778B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112767359B (zh) * | 2021-01-21 | 2023-10-24 | 中南大学 | 复杂背景下的钢板角点检测方法及系统 |
CN115082701B (zh) * | 2022-08-16 | 2022-11-08 | 山东高速集团有限公司创新研究院 | 一种基于双摄像头的多水线交叉识别定位方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104077756A (zh) * | 2014-07-16 | 2014-10-01 | 中电海康集团有限公司 | 一种基于车道线置信度的方向滤波方法 |
KR101584907B1 (ko) * | 2014-07-29 | 2016-01-22 | 울산대학교 산학협력단 | 관심 영역을 이용한 차선 인식 방법 및 그 장치 |
CN109711284A (zh) * | 2018-12-11 | 2019-05-03 | 江苏博墨教育科技有限公司 | 一种考试答题卡系统智能识别分析方法 |
CN109886168A (zh) * | 2019-02-01 | 2019-06-14 | 淮阴工学院 | 一种基于层阶的地面交通标志识别方法 |
CN110298216A (zh) * | 2018-03-23 | 2019-10-01 | 中国科学院沈阳自动化研究所 | 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 |
WO2020048027A1 (zh) * | 2018-09-06 | 2020-03-12 | 惠州市德赛西威汽车电子股份有限公司 | 一种基于动态感兴趣区域的鲁棒性车道线检测方法 |
-
2020
- 2020-08-11 CN CN202010800295.6A patent/CN112115778B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104077756A (zh) * | 2014-07-16 | 2014-10-01 | 中电海康集团有限公司 | 一种基于车道线置信度的方向滤波方法 |
KR101584907B1 (ko) * | 2014-07-29 | 2016-01-22 | 울산대학교 산학협력단 | 관심 영역을 이용한 차선 인식 방법 및 그 장치 |
CN110298216A (zh) * | 2018-03-23 | 2019-10-01 | 中国科学院沈阳自动化研究所 | 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 |
WO2020048027A1 (zh) * | 2018-09-06 | 2020-03-12 | 惠州市德赛西威汽车电子股份有限公司 | 一种基于动态感兴趣区域的鲁棒性车道线检测方法 |
CN109711284A (zh) * | 2018-12-11 | 2019-05-03 | 江苏博墨教育科技有限公司 | 一种考试答题卡系统智能识别分析方法 |
CN109886168A (zh) * | 2019-02-01 | 2019-06-14 | 淮阴工学院 | 一种基于层阶的地面交通标志识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112115778A (zh) | 2020-12-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107463918B (zh) | 基于激光点云与影像数据融合的车道线提取方法 | |
CN109657632B (zh) | 一种车道线检测识别方法 | |
CN103077384B (zh) | 一种车标定位识别的方法与系统 | |
US20190340446A1 (en) | Shadow removing method for color image and application | |
CN109784344A (zh) | 一种用于地平面标识识别的图像非目标滤除方法 | |
CN110647850A (zh) | 一种基于逆透视原理的车道偏移自动测量方法 | |
CN108052904B (zh) | 车道线的获取方法及装置 | |
CN111444778B (zh) | 一种车道线检测方法 | |
CN109711256B (zh) | 一种低空复杂背景无人机目标检测方法 | |
CN105139391B (zh) | 一种雾霾天气交通图像边缘检测方法 | |
CN112115778B (zh) | 一种在环仿真条件下车道线智能识别方法 | |
CN106203237A (zh) | 集装箱拖车编号的识别方法和装置 | |
CN110175556B (zh) | 基于Sobel算子的遥感图像云检测方法 | |
CN109685827B (zh) | 一种基于dsp的目标检测与跟踪方法 | |
Prabhakar et al. | A novel design for vehicle license plate detection and recognition | |
CN106875407B (zh) | 一种结合形态学和标记控制的无人机影像林冠分割方法 | |
CN110414308A (zh) | 一种针对输电线路上动态异物的目标识别方法 | |
CN111539980B (zh) | 一种基于可见光的多目标追踪方法 | |
CN111695373B (zh) | 斑马线的定位方法、系统、介质及设备 | |
CN111768455A (zh) | 一种基于图像的木材区域和主色提取方法 | |
Miller et al. | Person tracking in UAV video | |
WO2020001631A1 (zh) | 基于视觉摄像机的自阴影物体边缘识别方法、装置及车辆 | |
CN113095283A (zh) | 一种基于动态roi和改进萤火虫算法的车道线提取方法 | |
Wang et al. | Lane-line detection algorithm for complex road based on OpenCV | |
WO2024016632A1 (zh) | 亮点定位方法、亮点定位装置、电子设备及存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |