CN112380956A - 一种车道判断方法 - Google Patents

一种车道判断方法 Download PDF

Info

Publication number
CN112380956A
CN112380956A CN202011249307.7A CN202011249307A CN112380956A CN 112380956 A CN112380956 A CN 112380956A CN 202011249307 A CN202011249307 A CN 202011249307A CN 112380956 A CN112380956 A CN 112380956A
Authority
CN
China
Prior art keywords
lane
theta
sub
vehicle
sin
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
Application number
CN202011249307.7A
Other languages
English (en)
Other versions
CN112380956B (zh
Inventor
张磊
袁飞
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.)
Suzhou Aikrypton Inno Robot Technology Co ltd
Original Assignee
Suzhou Aikrypton Inno Robot 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 Suzhou Aikrypton Inno Robot Technology Co ltd filed Critical Suzhou Aikrypton Inno Robot Technology Co ltd
Priority to CN202011249307.7A priority Critical patent/CN112380956B/zh
Publication of CN112380956A publication Critical patent/CN112380956A/zh
Application granted granted Critical
Publication of CN112380956B publication Critical patent/CN112380956B/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
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • G06V20/54—Surveillance or monitoring of activities, e.g. for recognising suspicious objects of traffic, e.g. cars on the road, trains or boats
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions

Abstract

本发明公开了一种车道判断方法，包括：S1：获取车道的多个子车道的采集数据，所述采集数据包括所述多个子车道的中心线到监测单元的水平距离X以及对应子车道的宽度D；S2：基于多个所述子车道的所述采集数据并计算多个子车道的最左侧点相对所述监测单元的车道左边界值XLn和最右侧点相对所述监测单元的车道右侧边界值XRn，n为所述子车道编号；S3：获取车辆与所述监测单元的距离值L(θ)和所述监测单元与地面之间的垂线相对于所述车辆与所述监测单元之间连线的夹角值θ；S4：基于所述距离值L(θ)、所述夹角值θ、所述车道左边界值XLn和所述车道右侧边界值XRn生成所述车辆的所处子车道检测结果。

Description

一种车道判断方法
技术领域
本发明涉及行车监测技术领域，具体为一种车道判断方法。
背景技术
近年来，我国汽车产业飞速发展，车流量增大的同时也带来了很多交通安全问题，监管部门为了更好行使监管权利，需要对车道进行监视管理。随着科技的不断创新，设计者也针对车道测距做出了不少设计。
传统的车辆监控系统是在车道上方安装监控设备：①车道上方只安装一个CCD(Charge Coupled Device，电荷藕合器件)摄像监控设备对车道进行监视，该方法简单易实行，但是存在问题：车辆通过是一个三维立体目标，在区分车道时，若只针对二位平面做车道划分，在车道上出现高度较高车辆时，将对相邻车道的测量造成影响，导致监管不严；②每个车道上方安装摄像装置，每个摄像装置监视对应车道，所以需要配备多套相关设备，导致工程施工难度加大，使用成本过高，设备调试、维护也十分麻烦。
因此，传统的车辆监控方法仍具有无法通过单一摄像单元实现准确监控车辆行车状况的问题。
发明内容
本发明为了解决现有技术中存在的缺陷，提供一种车道判断方法，解决了传统的车辆监控方法仍具有无法通过单一摄像单元实现准确监控车辆行车状况的问题。
本发明首先提供一种车道判断方法，包括：S1：获取车道的多个子车道的采集数据，所述采集数据包括所述多个子车道的中心线到监测单元的水平距离X以及对应子车道的宽度D；S2：基于多个所述子车道的所述采集数据并计算多个子车道的最左侧点相对所述监测单元的车道左边界值XLn和最右侧点相对所述监测单元的车道右侧边界值XRn，n为所述子车道编号；S3：获取车辆与所述监测单元的距离值L(θ)和所述监测单元与地面之间的垂线相对于所述车辆与所述监测单元之间连线的夹角值θ；S4：基于所述距离值L(θ)、所述夹角值θ、所述车道左边界值XLn和所述车道右侧边界值XRn生成所述车辆的所处子车道检测结果。
进一步地，所述步骤S2包括：利用公式XLn＝X-(D/2)和XRn＝X+(D/2)计算多个所述子车道的所述车道左边界值XLn和所述车道右侧边界值XRn。
进一步地，所述步骤S4包括：基于所述车道左边界值XLn和所述车道右侧边界值XRn划分所述子车道类型，其中，第一子车道类型为XLn＜0且XRn＜0的子车道，第二子车道类型为XLn<0且XRn>0的子车道，第三车道类型为XLn>0且XRn>0的子车道。
进一步地，所述步骤S4还包括：在所述子车道属于所述第一子车道类型的情况下，若θ<0，L(θ)>|XL/sin(θ)|或L(θ)<|XR/sin(θ)|表征所述车辆不属于该子车道，反之，L(θ)<|XL/sin(θ)|或L(θ)>|XR/sin(θ)|表征所述车辆属于该子车道，若θ>0，表征所述车辆不属于该子车道。
进一步地，所述步骤S4还包括：在所述子车道属于所述第二子车道类型的情况下，若θ＜0，L(θ)<|XL/sin(θ)|表征所述车辆属于该子车道，反之，L(θ)>|XL/sin(θ)|表征所述车辆不属于该子车道；若θ＞0，L(θ)<|XR/sin(θ)|表征所述车辆属于该子车道，反之，L(θ)>|XR/sin(θ)|表征所述车辆不属于该子车道。
进一步地，所述步骤S4还包括：在所述子车道属于所述第三子车道类型的情况下，若θ＜0，表征所述车辆不属于该子车道；若θ＞0，L(θ)>|XL/sin(θ)|或L(θ)<|XR/sin(θ)|表征所述车辆属于该子车道，反之，L(θ)<|XL/sin(θ)|或L(θ)>|XR/sin(θ)|表征所述车辆不属于该子车道。
进一步地，所述步骤S4还包括：在数据处理单元基于所述距离值L(θ)和所述夹角值θ遍历全部所述子车道进行匹配计算后，所述数据处理单元生成所处子车道检测结果。
进一步地，所述步骤S3包括：获取所述车辆的车辆横向车身轮廓点作为车辆点，计算所述车辆点与所述监测单元的距离值L(θ)和所述监测单元与地面之间的垂线相对于所述车辆点与所述监测单元之间连线的夹角值θ。
进一步地，所述步骤S3还包括：若所述测距设备位于所述车辆点右方，则所述夹角θ小于零；若所述测距设备位于所述车辆点左方，则所述夹角θ大于零。
本发明提供的车道判断方法，通过改进数据处理方法，能够基于采集的车辆数据灵活判断采集的车辆数据中是否存在由于车辆高度产生的阴影遮挡干扰，并且在车辆数据存在阴影遮挡干扰问题的情况下，通过利用极坐标计算车辆的真实所处车道，避免检测结果出现车辆同时处于多个错误车道的问题。
附图说明
图1为本发明的车道判断方法的简化流程图；
图2为本发明的生成所处子车道检测结果的第一简化流程图；
图3为本发明的生成所处子车道检测结果的第二简化流程图；和
图4为本发明的监测单元获取采集数据的原理图。
具体实施方式
为了使本领域的技术人员更好地理解发明的技术方案，下面结合具体实施方式对本发明作进一步的详细说明。
如图1所示，一种车道判断方法，包括：S1：获取车道的多个子车道的采集数据，所述采集数据包括所述多个子车道的中心线到监测单元的水平距离X以及对应子车道的宽度D；S2：基于多个所述子车道的所述采集数据并计算多个子车道的最左侧点相对所述监测单元的车道左边界值XLn和最右侧点相对所述监测单元的车道右侧边界值XRn，n为所述子车道编号；S3：获取车辆与所述监测单元的距离值L(θ)和所述监测单元与地面之间的垂线相对于所述车辆与所述监测单元之间连线的夹角值θ；S4：基于所述距离值L(θ)、所述夹角值θ、所述车道左边界值XLn和所述车道右侧边界值XRn生成所述车辆的所处子车道检测结果。其中，所述监测单元可以是激光雷达，所述激光雷达的设置方式可以是：安装在多车道龙门架中间处，俯仰角为15°向下，与地面保持水平，偏转角和翻滚角均设为0°。具体的所述S1中获取采集数据的方式可以是：在没有车辆通过、天气状况良好且地面干燥的环境下采集地面背景信息数据，这样可减少由环境因素造成收集的数据存在无效数据。其中，监测单元获取车辆信息的方式可以是以100Ms的周期接收雷达采集数据。
进一步地，所述步骤S2包括：利用公式XLn＝X-(D/2)和XRn＝X+(D/2)计算多个所述子车道的所述车道左边界值XLn和所述车道右侧边界值XRn。
进一步地，如图4所示，所述步骤S3包括：获取所述车辆的车辆横向车身轮廓点作为车辆点，计算所述车辆点与所述监测单元的距离值L(θ)和所述监测单元与地面之间的垂线相对于所述车辆点与所述监测单元之间连线的夹角值θ。其中，若所述测距设备位于所述车辆点右方，则所述夹角θ小于零；若所述测距设备位于所述车辆点左方，则所述夹角θ大于零。
更进一步地，如图2和图3所示，所述步骤S4包括：基于所述车道左边界值XLn和所述车道右侧边界值XRn划分所述子车道类型，其中，第一子车道类型为XLn＜0且XRn＜0的子车道，第二子车道类型为XLn<0且XRn>0的子车道，第三车道类型为XLn>0且XRn>0的子车道。在所述子车道属于所述第一子车道类型的情况下，若θ<0，L(θ)>|XL/sin(θ)|或L(θ)<|XR/sin(θ)|表征所述车辆不属于该子车道，反之，L(θ)<|XL/sin(θ)|或L(θ)>|XR/sin(θ)|表征所述车辆属于该子车道，若θ>0，表征所述车辆不属于该子车道。在所述子车道属于所述第二子车道类型的情况下，若θ＜0，L(θ)<|XL/sin(θ)|表征所述车辆属于该子车道，反之，L(θ)>|XL/sin(θ)|表征所述车辆不属于该子车道；若θ＞0，L(θ)<|XR/sin(θ)|表征所述车辆属于该子车道，反之，L(θ)>|XR/sin(θ)|表征所述车辆不属于该子车道。在所述子车道属于所述第三子车道类型的情况下，若θ＜0，表征所述车辆不属于该子车道；若θ＞0，L(θ)>|XL/sin(θ)|或L(θ)<|XR/sin(θ)|表征所述车辆属于该子车道，反之，L(θ)<|XL/sin(θ)|或L(θ)>|XR/sin(θ)|表征所述车辆不属于该子车道。在数据处理单元基于所述距离值L(θ)和所述夹角值θ遍历全部所述子车道进行匹配计算后，所述数据处理单元生成所处子车道检测结果。
本发明通过改进数据处理方法，能够基于采集的车辆数据灵活判断采集的车辆数据中是否存在由于车辆高度产生的阴影遮挡干扰，并且在车辆数据存在阴影遮挡干扰问题的情况下，通过利用极坐标计算车辆的真实所处车道，避免检测结果出现车辆同时处于多个错误车道的问题。同时，避免了将采集到极坐标数据转换为对应的直角坐标再进行计算，降低了数据处理单元的算力负荷，并且避免了在转换过程中出现差错时，后期对数据的检索以及查错十分麻烦的问题的出现。
为便于理解本发明的工作方式，现举出以下三种使用情景：
当家庭车用轿车经过x3-x4车道时，激光雷达检测到车辆经过并采集数据，得到当前时刻车辆点与激光雷达的实际距离L(θ)以及对应的夹角θ，可以得到车辆经过x3-x4车道时各车辆点的夹角θ＞0，各车辆点的实际距离L(θ)大于|XR2/sin(θ)|，依次判断属于哪一车道：由于激光雷达在x1-x2车道中心线右侧，若车辆在x1-x2车道行驶，应满足各车辆点夹角θ<0，实际测得的激光雷达与各车辆点之间夹角θ＞0，因此，判断此时车辆不属于x1-x2车道。假设采集的车辆数据属于x2-x3车道，由于实际测得的夹角θ＞0，因此，需要进一步判断实际测得的车辆点与激光雷达的实际距离L(θ)是否小于|XR2/sin(θ)|，实际测得车辆点与激光雷达的实际距离L(θ)>|XR2/sin(θ)|，因此，判断此时车辆不属于x2-x3车道。假设采集的车辆数据属于x3-x4车道，由于实际测得的夹角θ＞0，进一步判断得到实际测得的车辆点与激光雷达的实际距离L(θ)满足L(θ)＞|XL/sin(θ)|且L(θ)＜|XR/sin(θ)|条件，因此，判断此时车辆属于x3-x4车道。
当大型车辆经过x2-x3车道时，激光雷达采集数据得到距离值L(θ)以及对应夹角θ，由于激光雷达采集的车辆数据由多个数据组成，所以车辆经过x2-x3时得到的数据对应的夹角θ有正有负，需要多个数据分别进行判断该数据属于哪个车道。假设该数据属于x1-x2车道时，将x1-x2车道距离激光雷达的长度Xm,以及x1-x2车道的车道长度D代入计算，得出XL＝Xm-(D/2)、XR＝Xm+(D/2)，此时XL＜0&XR＜0；当θ＜0时，由于L(θ)＞|XL/sin(θ)|且L(θ)＜|XR/sin(θ)|，所以数据不属于x1-x2车道，令L(θ)＝0；当夹角θ＞0时，此数据不属于x1-x2车道，令L(θ)＝0；假设该数据属于x2-x3车道时，将x2-x3车道距离激光雷达的长度Xm,以及x2-x3车道的车道长度D代入计算，得出XL＝Xm-(D/2)、XR＝Xm+(D/2)；此时XL＜0&XR＞0；当夹角θ＞0时，若L(θ)＜|XR/sin(θ)|，此数据属于x2-x3车道，L(θ)保留；当θ＜0时，若L(θ)＜|XL/sin(θ)|，此数据属于x2-x3车道，L(θ)保留。假设该数据属于x3-x4车道时，将x3-x4车道距离激光雷达的长度Xm,以及x3-x4车道的车道长度D代入计算，得出XL＝Xm-(D/2)、XR＝Xm+(D/2)；此时XL＞0&XR＞0；当夹角θ＞0时，此时L(θ)＜|XL/sin(θ)|或者L(θ)＞|XR/sin(θ)|，此数据不属于x3-x4车道，令L(θ)＝0；当θ＜0时，此数据不属于x3-x4车道，令L(θ)＝0。最后由采集的多个有效数据L(θ)组成对应的车辆信息，得到该车辆经过的是x2-x3对应的车道。
当家用轿车压着X3车道线经过时，即经过X2-X3和X3-X4车道时，激光雷达采集数据得到距离值L(θ)以及对应夹角θ，由于激光雷达采集的车辆数据由多个数据组成，车辆点距离L(点距满足|XL2/sin(θ)|＜L(θ)＜|XR3/sin(θ)|，且对应的车辆点的夹角θ有正有负，所以需要多个数据分别进行判断该数据属于哪个车道。假设该数据属于x1-x2车道，当车辆点的夹角θ<0时，对应的距离值L(θ)满足|XL2/sin(θ)|＜L(θ)＜|XR3/sin(θ)|，大于；当夹角θ＞0时，此数据不属于x1-x2车道。假设该车辆点数据属于X2-X3车道时，若车辆点的夹角θ<0时，车辆点L(θ)＜|XL2/sin(θ)|，此车辆点数据属于X2-X3车道；若车辆点的夹角θ>0时，车辆点L(θ)＜|XR2/sin(θ)|，此车辆点数据属于X2-X3车道。假设该车辆点数据属于X3-X4车道，若车辆点的夹角θ>0时，对应的距离值L(θ)满足|XL3/sin(θ)|＜L(θ)＜|XR3/sin(θ)|，该车辆点数据属于X3-X4车道；若车辆点的夹角θ<0时，该车辆点数据不属于X3-X4。最后由采集的多个有效数据L(θ)组成对应的车辆信息，得到该车辆经过的是x2-x3、x3-x4两个车道。
以上仅是本发明的优选实施方式，应当指出的是，上述优选实施方式不应视为对本发明的限制，本发明的保护范围应当以权利要求所限定的范围为准。对于本技术领域的普通技术人员来说，在不脱离本发明的精神和范围内，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (9)

1.一种车道判断方法，其特征在于，包括：
S1：获取车道的多个子车道的采集数据，所述采集数据包括所述多个子车道的中心线到监测单元的水平距离X以及对应子车道的宽度D；
S2：基于多个所述子车道的所述采集数据并计算多个子车道的最左侧点相对所述监测单元的车道左边界值XLn和最右侧点相对所述监测单元的车道右侧边界值XRn，n为所述子车道编号；
S3：获取车辆与所述监测单元的距离值L(θ)和所述监测单元与地面之间的垂线相对于所述车辆与所述监测单元之间连线的夹角值θ；
S4：基于所述距离值L(θ)、所述夹角值θ、所述车道左边界值XLn和所述车道右侧边界值XRn生成所述车辆的所处子车道检测结果。
2.根据权利要求1所述的车道判断方法，其特征在于，所述步骤S2包括：
利用公式XLn＝X-(D/2)和XRn＝X+(D/2)计算多个所述子车道的所述车道左边界值XLn和所述车道右侧边界值XRn。
3.根据权利要求1所述的车道判断方法，其特征在于，所述步骤S4包括：
基于所述车道左边界值XLn和所述车道右侧边界值XRn划分所述子车道类型，其中，第一子车道类型为XLn＜0且XRn＜0的子车道，第二子车道类型为XLn<0且XRn>0的子车道，第三车道类型为XLn>0且XRn>0的子车道。
4.根据权利要求3所述的车道判断方法，其特征在于，所述步骤S4还包括：
在所述子车道属于所述第一子车道类型的情况下，
若θ<0，L(θ)>|XL/sin(θ)|或L(θ)<|XR/sin(θ)|表征所述车辆不属于该子车道，反之，L(θ)<|XL/sin(θ)|或L(θ)>|XR/sin(θ)|表征所述车辆属于该子车道，
若θ>0，表征所述车辆不属于该子车道。
5.根据权利要求3所述的车道判断方法，其特征在于，所述步骤S4还包括：
在所述子车道属于所述第二子车道类型的情况下，
若θ＜0，L(θ)<|XL/sin(θ)|表征所述车辆属于该子车道，反之，L(θ)>|XL/sin(θ)|表征所述车辆不属于该子车道；
若θ＞0，L(θ)<|XR/sin(θ)|表征所述车辆属于该子车道，反之，L(θ)>|XR/sin(θ)|表征所述车辆不属于该子车道。
6.根据权利要求3所述的车道判断方法，其特征在于，所述步骤S4还包括：
在所述子车道属于所述第三子车道类型的情况下，
若θ＜0，表征所述车辆不属于该子车道；
若θ＞0，L(θ)>|XL/sin(θ)|或L(θ)<|XR/sin(θ)|表征所述车辆属于该子车道，反之，L(θ)<|XL/sin(θ)|或L(θ)>|XR/sin(θ)|表征所述车辆不属于该子车道。
7.根据权利要求6所述的车道判断方法，其特征在于，所述步骤S4还包括：
在数据处理单元基于所述距离值L(θ)和所述夹角值θ遍历全部所述子车道进行匹配计算后，所述数据处理单元生成所处子车道检测结果。
8.根据权利要求1所述的车道判断方法，其特征在于，所述步骤S3包括：
获取所述车辆的车辆横向车身轮廓点作为车辆点，计算所述车辆点与所述监测单元的距离值L(θ)和所述监测单元与地面之间的垂线相对于所述车辆点与所述监测单元之间连线的夹角值θ。
9.根据权利要求8所述的车道判断方法，其特征在于，所述步骤S3还包括：
若所述测距设备位于所述车辆点右方，则所述夹角θ小于零；若所述测距设备位于所述车辆点左方，则所述夹角θ大于零。
CN202011249307.7A 2020-11-10 2020-11-10 一种车道判断方法 Active CN112380956B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011249307.7A CN112380956B (zh) 2020-11-10 2020-11-10 一种车道判断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011249307.7A CN112380956B (zh) 2020-11-10 2020-11-10 一种车道判断方法

Publications (2)

Publication Number Publication Date
CN112380956A true CN112380956A (zh) 2021-02-19
CN112380956B CN112380956B (zh) 2024-02-27

Family

ID=74578232

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011249307.7A Active CN112380956B (zh) 2020-11-10 2020-11-10 一种车道判断方法

Country Status (1)

Country Link
CN (1) CN112380956B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112802094A (zh) * 2021-04-08 2021-05-14 顺为智能科技(常州)有限公司 一种无人驾驶车辆隧道内姿态检测方法

Citations (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6819779B1 (en) * 2000-11-22 2004-11-16 Cognex Corporation Lane detection system and apparatus
JP3722487B1 (ja) * 2004-05-19 2005-11-30 本田技研工業株式会社 車両用走行区分線認識装置
US20130063599A1 (en) * 2010-03-24 2013-03-14 Kabushiki Kaisha Toshiba Vehicle driving support processing device, vehicle driving support device and vehicle device
JP2013089111A (ja) * 2011-10-20 2013-05-13 Alpine Electronics Inc 車線監視システム及び車線監視方法
KR20140021826A (ko) * 2012-08-09 2014-02-21 현대모비스 주식회사 차선 인식 장치 및 방법
CN103942959A (zh) * 2014-04-22 2014-07-23 深圳市宏电技术股份有限公司 一种车道检测方法及装置
CN104890671A (zh) * 2014-03-03 2015-09-09 福特全球技术公司 挂车车道偏离警告系统
CN105480229A (zh) * 2015-11-24 2016-04-13 大连楼兰科技股份有限公司 一种基于信息融合的智能变道辅助系统及其方法
CN105599765A (zh) * 2015-12-11 2016-05-25 上海卓易科技股份有限公司 一种车道偏离的判断和预警方法
US20160171893A1 (en) * 2014-12-16 2016-06-16 Here Global B.V. Learning Lanes From Radar Data
US20160314358A1 (en) * 2015-04-21 2016-10-27 Alpine Electronics, Inc. Electronic Device, Traveling Lane Identifying System, and Traveling Lane Identifying Method
CN106205150A (zh) * 2016-07-20 2016-12-07 安徽建筑大学 一种车联网路况监测系统
CN108345008A (zh) * 2017-01-23 2018-07-31 郑州宇通客车股份有限公司 一种目标物检测方法、点云数据提取方法及装置
CN108647572A (zh) * 2018-04-04 2018-10-12 华南理工大学 一种基于霍夫变换的车道偏离预警方法
CN108830165A (zh) * 2018-05-22 2018-11-16 南通职业大学 一种考虑前车干扰的车道线检测方法
CN109147393A (zh) * 2018-10-18 2019-01-04 清华大学苏州汽车研究院（吴江） 基于视频分析的车辆变道检测方法
CN109484401A (zh) * 2017-09-12 2019-03-19 福特全球技术公司 用于交通车道识别的方法
CN110210303A (zh) * 2019-04-29 2019-09-06 山东大学 一种北斗视觉融合精准车道辨识与定位方法及其实现装置
CN110517521A (zh) * 2019-08-06 2019-11-29 北京航空航天大学 一种基于路车融合感知的车道偏离预警方法
CN110570664A (zh) * 2019-09-23 2019-12-13 山东科技大学 一种高速公路交通事件自动检测系统
US20200142067A1 (en) * 2018-11-01 2020-05-07 Automotive Research & Testing Center Lane stripe detecting method based on three-dimensional lidar and system thereof
CN111597905A (zh) * 2020-04-20 2020-08-28 淮阴工学院 一种基于视频技术的公路隧道停车检测方法

Patent Citations (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6819779B1 (en) * 2000-11-22 2004-11-16 Cognex Corporation Lane detection system and apparatus
JP3722487B1 (ja) * 2004-05-19 2005-11-30 本田技研工業株式会社 車両用走行区分線認識装置
US20130063599A1 (en) * 2010-03-24 2013-03-14 Kabushiki Kaisha Toshiba Vehicle driving support processing device, vehicle driving support device and vehicle device
JP2013089111A (ja) * 2011-10-20 2013-05-13 Alpine Electronics Inc 車線監視システム及び車線監視方法
KR20140021826A (ko) * 2012-08-09 2014-02-21 현대모비스 주식회사 차선 인식 장치 및 방법
CN104890671A (zh) * 2014-03-03 2015-09-09 福特全球技术公司 挂车车道偏离警告系统
CN103942959A (zh) * 2014-04-22 2014-07-23 深圳市宏电技术股份有限公司 一种车道检测方法及装置
US20160171893A1 (en) * 2014-12-16 2016-06-16 Here Global B.V. Learning Lanes From Radar Data
US20160314358A1 (en) * 2015-04-21 2016-10-27 Alpine Electronics, Inc. Electronic Device, Traveling Lane Identifying System, and Traveling Lane Identifying Method
CN105480229A (zh) * 2015-11-24 2016-04-13 大连楼兰科技股份有限公司 一种基于信息融合的智能变道辅助系统及其方法
CN105599765A (zh) * 2015-12-11 2016-05-25 上海卓易科技股份有限公司 一种车道偏离的判断和预警方法
CN106205150A (zh) * 2016-07-20 2016-12-07 安徽建筑大学 一种车联网路况监测系统
CN108345008A (zh) * 2017-01-23 2018-07-31 郑州宇通客车股份有限公司 一种目标物检测方法、点云数据提取方法及装置
CN109484401A (zh) * 2017-09-12 2019-03-19 福特全球技术公司 用于交通车道识别的方法
CN108647572A (zh) * 2018-04-04 2018-10-12 华南理工大学 一种基于霍夫变换的车道偏离预警方法
CN108830165A (zh) * 2018-05-22 2018-11-16 南通职业大学 一种考虑前车干扰的车道线检测方法
CN109147393A (zh) * 2018-10-18 2019-01-04 清华大学苏州汽车研究院（吴江） 基于视频分析的车辆变道检测方法
US20200142067A1 (en) * 2018-11-01 2020-05-07 Automotive Research & Testing Center Lane stripe detecting method based on three-dimensional lidar and system thereof
CN110210303A (zh) * 2019-04-29 2019-09-06 山东大学 一种北斗视觉融合精准车道辨识与定位方法及其实现装置
CN110517521A (zh) * 2019-08-06 2019-11-29 北京航空航天大学 一种基于路车融合感知的车道偏离预警方法
CN110570664A (zh) * 2019-09-23 2019-12-13 山东科技大学 一种高速公路交通事件自动检测系统
CN111597905A (zh) * 2020-04-20 2020-08-28 淮阴工学院 一种基于视频技术的公路隧道停车检测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
张森;董赞强;陈源;: "基于定向距离变换耦合多粒子滤波器的车道线检测算法", 电子测量与仪器学报, no. 06, pages 93 - 101 *
郭磊;王建强;李克强;: "基于点集优化和干扰点模糊化的车道线识别", 中国机械工程, no. 15, pages 1872 - 1876 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112802094A (zh) * 2021-04-08 2021-05-14 顺为智能科技(常州)有限公司 一种无人驾驶车辆隧道内姿态检测方法

Also Published As

Publication number Publication date
CN112380956B (zh) 2024-02-27

Similar Documents

Publication Publication Date Title
CN101075376B (zh) 基于多视点的智能视频交通监控系统及方法
CN103499337B (zh) 一种基于立式标靶的车载单目摄像头测距测高装置
CN103487034B (zh) 一种基于立式标靶的车载单目摄像头测距测高方法
CN106918299B (zh) 一种线结构光机器视觉轮胎磨损测量方法
CN200990147Y (zh) 基于多视点的智能视频交通监控系统
CN103837087B (zh) 基于主动形状模型的受电弓自动检测方法
CN108681337B (zh) 一种涵洞或桥梁专用巡查无人机及无人机巡查方法
CN113011283B (zh) 一种基于视频的非接触式钢轨轨枕相对位移实时测量方法
CN111722642A (zh) 一种光伏电站的巡检方法、巡检装置以及存储介质
CN107391631A (zh) 一种输电线路通道立体空间监控及快速测距方法
US20210174670A1 (en) Method for quickly determining mixed traffic conflict situation
CN108507533A (zh) 隧道断面连续测量机器人
CN112380956A (zh) 一种车道判断方法
CN110363988B (zh) 一种交叉口车辆通行效率的计算系统及方法
CN111753645A (zh) 一种光伏电站的巡检方法、巡检装置以及存储介质
CN111524323B (zh) 一种边坡裂变预警方法及系统
CN106482648A (zh) 基于不动点的远距离面内小位移绝对监测装置及方法
CN114333331B (zh) 一种多车道桥梁车辆通行信息与车重识别方法及系统
CN116385346A (zh) 掩模版关键尺寸数据分析处理方法及装置
CN116047496A (zh) 基于车载雷视动态加权融合结构模块的道路目标跟踪方法
CN115456060A (zh) 一种预测轨迹的处理方法和装置
CN115409691A (zh) 融合激光测距和监控图像的双模态学习边坡风险检测方法
CN110360944B (zh) 一种基于三维点云的吊钩形变监测与显示方法
CN113223090A (zh) 铁路调车动态视觉监控方法
CN112907978A (zh) 基于监控视频的交通流量监控方法

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