CN112507867B - 一种基于EDLines线特征的车道线检测方法 - Google Patents
一种基于EDLines线特征的车道线检测方法 Download PDFInfo
- Publication number
- CN112507867B CN112507867B CN202011415499.4A CN202011415499A CN112507867B CN 112507867 B CN112507867 B CN 112507867B CN 202011415499 A CN202011415499 A CN 202011415499A CN 112507867 B CN112507867 B CN 112507867B
- Authority
- CN
- China
- Prior art keywords
- line
- line segment
- path
- length
- lane
- 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
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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于EDLines线特征的车道线检测方法,该车道线检测方法采用EDLines算法提取线段,估计近场灭点并用灭点筛选近场线段;然后建立线段关系图,根据线段关系图进行深度优先遍历和路径检验,生成车道线的候选路径;最后通过路径长度和初始线段斜率确定左右车道线。本发明基于EDLines线特征检测线段,并利用快速深度优先遍历方法生成车道线的候选路径,可以在嵌入式设备和移动设备上实时实现。
Description
技术领域
本发明涉及计算机视觉技术领域,具体涉及一种基于EDLines线特征的车道线检测方法。
背景技术
人们的生活水平不断提高,经济得到发展。汽车逐渐成为家家户户的一种主要的代步工具。汽车的持有量也在增加,而且高速公路的建设使得人们驾车更加便捷。然而随着公路上行驶的车辆增加,伴随而来的交通事故问题也不能忽视。由相关的调查数据显示,交通事故的更多的起因是驾驶员本身的问题导致的,而车道偏离是一个主要原因。
车道偏离预警系统是以车道线检测为基础,车道线检测对实时性有一定要求。基于深度学习的车道线检测算法计算复杂度较高。
发明内容
本发明的目的是为了解决现有技术中的上述缺陷,提供一种基于EDLines线特征的车道线检测方法,提高车道线检测的实时性。
本发明的目的可以通过采取如下技术方案达到:
一种基于EDLines线特征的车道线检测方法,所述的车道线检测方法包括以下步骤:
S1、利用EDLines算法,从采集的道路图像中检测线段,将得到的线段集合记为AllLines;
S2、近场灭点估计,结合灭点和当前车道特点筛选当前车道线近场部分的线段,记为集合ProposalLines;
S3、建立线段关系图,将AllLines中的所有线段根据起点的纵坐标大小,由小到大排列,根据该由小到大排列顺序依次建立关系,每条线段只和其上方线段终点纵坐标小于其起点纵坐标的线段建立关系,同时采用动态规划方法计算以当前线段进行深度优先遍历的最长路径长度;
S4、路径深度优先遍历和检验,取集合ProposalLines中的一条线段作为初始线段,初始线段的一次遍历是根据线段关系图进行深度优先遍历和检验,直到找不到下一条有关系的线段,一次遍历结束时得到从初始线段出发的一条路径,这条路径的拟合平均误差不大于指定阈值,从集合ProposalLines中的一条线段出发,最后只保留长度最长的有效路径;
S5、获取当前的左右车道线,根据路径的初始线段的斜率符号来划分为左右车道线集,当斜率为负时,将对应的路径加入左车道线集,当斜率为正时,将对应的路径加入右车道线集,根据路径的初始线段的斜率绝对值和路径长度分别确定左、右车道线对应的路径,拟合的曲线分别作为左、右车道线。
进一步地,所述的步骤S2过程如下:
S21、利用下面的投票公式搜索近场灭点:
其中,VanishPoint(x0,y0)表示估计的灭点坐标,lk表示第k条长度大于长度阈值LengthThreshold的线段,p(x,y)表示道路图像中参与投票的候选像素点坐标,d(lk,p(x,y))为候选像素点到线段lk的距离,Lk表示线段的长度,N表示满足长度要求的线段的总数;
S22、获取车道线近场部分候选线段:首先将线段的终点纵坐标小于灭点纵坐标的所有线段全部排除;对于剩下的线段,计算灭点到线段的距离;当距离小于或者等于距离阈值LineDistanceTH时,将该线段加入到集合ProposalLines。
进一步地,所述的步骤S21中,只有斜率小于0的线段延长线和斜率大于0的线段延长线的交点作为候选像素点参与投票,其余像素点不参与投票。
进一步地,所述的步骤S21中,估计每个候选像素点的最大可能投票数用于加速灭点估计,过程如下:
记MaxVote为当前已搜索的候选灭点的最大投票数,对于下一个遍历的像素点,计算前i条线段的投票数CurVote(i)后,当前像素点可能获得的最大投票数PossibleMaxVote为
当最大投票数PossibleMaxVote小于等于MaxVote时,当前像素点不需进行之后的投票计算,提前终止,遍历下一个像素点;当最大投票数PossibleMaxVote大于MaxVote,当前像素点继续进行投票计算。
进一步地,所述的步骤S3中,利用两条线段的夹角和两条线段相对两端点的中点到两线段的距离来判断是否有关系,过程如下:
设上下两条线段分别为li和lj,线段起点的纵坐标小于终点,A和B分别为线段li的起点和终点,C和D为lj的起点和终点,点P为点C和点B之间的中点,则
distance=d(P,li)+d(P,lj)
上式中,d(P,li)和d(P,lj)分别表示点P到li和lj的距离,cosθ为li和lj对应的向量张成的夹角的余弦;当distance≤距离比较阈值DistanceTH且cosθ≥角度比较阈值AngleTH时,认为两条直线有关系,否则无关系。
进一步地,所述的步骤S3中,根据线段关系图,按线段起点的纵坐标由小到大排列的顺序,从线段q出发,进行深度优先遍历,得到的最长路径长度maxscorepathq按照下式递归计算,
式中,Lq表示线段q的长度,graphLineq为与线段q有关系的线段集合,线段p为集合graphLineq中的线段,maxscorepathp为从线段p出发,进行深度优先遍历的最长路径长度;若graphLineq为空集,maxscorepathq就等于Lq。
进一步地,所述的步骤S4过程如下:
从初始线段i出发根据线段关系图生成一条路径,当前已生成的局部路径为G,遍历到线段q,路径G中加入线段q后,能得到的最长路径长度PossibleMaxLength为
PossibleMaxLength=CurLength(G)+maxscorepathq
式中,maxscorepathq为步骤S3中求得的从线段q出发的最长路径长度,CurLength(G)为当前局部路径G的长度;
从初始线段i出发已经生成的有效路径中,最长路径长度为CurMaxLength;若PossibleMaxLength小于等于CurMaxLength,线段q不加入到路径G,遍历下一条线段;若PossibleMaxLength大于CurMaxLength,检验线段q的拟合平均误差。
进一步地,所述的步骤S4中,路径在进行深度优先遍历时,需对新添加的线段进行路径检验,拟合的车道线模型为函数y=f(x),以一条路径中的所有线段的两个端点作为采样点,拟合车道线模型,使用最小二乘法求解模型参数;
计算拟合平均误差diff,
式中,n为采样点数目,yi为第i个采样点对应的纵坐标,xi为第i个采样点对应的横坐标,若diff≤ERRORTH,则该路径通过检验,线段q加入到路径G,否则排除该路径,遍历下一条线段,其中,ERRORTH为事先指定的比较门限阈值;
遍历终止生成一条路径时,比较生成的路径长度是否大于CurMaxLength;若生成的路径长度大于CurMaxLength,CurMaxLength更新为生成的路径长度,并记录对应的路径;
从集合ProposalLines中的一条线段出发,最后只选择长度最长的有效路径。
进一步地,所述的步骤S5过程如下:
根据以下公式计算以线段k作为初始线段的路径的车道线评分LineScorek,
其中,maxscorepathk为从线段k出发的最长路径的路径长度,|KValuek|表示从线段k出发的路径的初始线段斜率绝对值,|KValuei|表示从线段i出发的路径的初始线段斜率绝对值,Size表示左车道线或者右车道线集合的路径总数;
然后,左车道线集合取集合内评分最高的对应路径,拟合出的曲线作为左车道线;右车道线集合取集合内评分最高的对应路径,拟合出的曲线作为右车道线。
本发明相对于现有技术具有如下的优点及效果:
1、本发明利用EDLines线特征检测车道线的线段,检测速度快,不需要调整参数;
2、本发明根据车道线特点,利用快速深度优先遍历方法生成车道线的候选路径,提取车道线,算法计算复杂度不高,可以实时实现,适用于嵌入式设备和移动设备。
附图说明
图1是本发明公开的基于EDLines线特征的车道线检测方法的步骤流程图;
图2是本发明公开的线段关系的示意图;
图3是本发明公开的灭点筛选后的线段检测结果示意图;
图4是本发明公开的当前车道的左右车道线检测结果示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例
本实施例公开了一种基于EDLines线特征的车道线检测方法,如图1所示,包括以下步骤:
S1、利用EDLines算法,从采集的道路图像中检测线段,将得到的线段集合记为AllLines;
S2、近场灭点估计,结合灭点和当前车道特点筛选当前车道线近场部分的线段,记为集合ProposalLines;
S21、利用下面的投票公式搜索近场灭点:
其中,VanishPoint(x0,y0)表示估计的灭点坐标,lk表示第k条长度大于长度阈值LengthThreshold的线段,p(x,y)表示道路图像中参与投票的候选像素点坐标,d(lk,p(x,y))为候选像素点到线段lk的距离,Lk表示线段的长度,N表示满足长度要求的线段的总数;只有斜率小于0的线段延长线和斜率大于0的线段延长线的交点作为候选像素点参与投票,其余像素点不参与投票,在本实施例中,长度阈值LengthThreshold示例性地取值20,但是上述示例性取值不构成对本发明技术方案的限制。
本实施例中,估计每个候选像素点的最大可能投票数,可以加速灭点估计;MaxVote为当前已搜索的候选灭点的最大投票数;对于下一个遍历的像素点,计算前i条线段的投票数CurVote(i)后,当前像素点可能获得的最大投票数PossibleMaxVote为
当最大投票数PossibleMaxVote小于等于MaxVote时,当前像素点不需进行之后的投票计算,提前终止,遍历下一个像素点;当最大投票数PossibleMaxVote大于MaxVote,当前像素点继续进行投票计算;
S22、获取车道线近场部分候选线段;首先将线段的终点纵坐标小于灭点纵坐标的所有线段全部排除;对于剩下的线段,计算灭点到线段的距离;当距离小于或者等于距离阈值LineDistanceTH时,将该线段加入到集合ProposalLines;在本实施例中,距离阈值LineDistanceTH取10。
S3、建立线段关系图,每条线段只和其上方线段终点纵坐标小于其起点纵坐标的线段建立关系,AllLines中的所有线段根据起点的纵坐标大小,由小到大排列;在生成线段关系图时,根据该排列顺序依次建立关系,同时采用动态规划方法计算以当前线段进行深度优先遍历的最长路径长度;在当前线段和其他线段建立关系时,起点纵坐标小于当前线段起点纵坐标的线段都已经确定关系;利用两条线段的夹角和两条线段相对两端点的中点到两线段的距离来判断是否有关系;具体实现如图2所示;
设上下两条线段分别为li和lj,线段起点的纵坐标小于终点,A和B分别为线段li的起点和终点,C和D为lj的起点和终点,点P为点C和点B之间的中点,则
distance=d(P,li)+d(P,lj)
上式中,d(P,li)和d(P,lj)分别表示点P到li和lj的距离,cosθ为li和lj对应的向量张成的夹角的余弦;当distance≤DistanceTH且cosθ≥AngleTH时,认为两条直线有关系,否则无关系;在本实施例中,线段比较阈值DistanceTH取10,角度比较阈值AngleTH取
根据线段关系图,从线段q出发,进行深度优先遍历,得到的最长路径的长度maxscorepathq可以按照下式递归计算,
式中,Lq表示线段q的长度,graphLineq为与线段q有关系的线段集合,线段p为集合graphLineq中的线段,maxscorepathp为从线段p出发,进行深度优先遍历的最长路径长度;若graphLineq为空集,maxscorepathq就等于Lq。
S4、路径深度优先遍历和检验;取集合ProposalLines中的一条线段作为初始线段,初始线段的一次遍历是根据线段关系图进行深度优先遍历和检验,直到找不到下一条有关系的线段;一次遍历结束时得到从初始线段出发的一条路径,这条路径的拟合平均误差不大于阈值;
在深度遍历生成一条路径的过程中,使用剪枝减小搜索空间;
从初始线段i出发根据线段关系图生成一条路径,当前已生成的局部路径为G,遍历到线段q,路径G中加入线段q后,能得到的最长路径长度PossibleMaxLength为
PossibleMaxLength=Curlength(G)+maxscorepathq
式中,maxscorepathq在步骤S3中求得,CurLength(G)为当前局部路径G的长度;
从初始线段i出发已经生成的有效路径中,最长路径长度为CurMaxLength;若PossibleMaxLength小于等于CurMaxLength,线段q不加入到路径G,遍历下一条线段;若PossibleMaxLength大于CurMaxLength,检验线段q的拟合平均误差;
路径在进行深度优先遍历时,需对新添加的线段进行路径检验;在本实施例中,拟合的车道线模型采用如下的抛物线模型,
y=f(x)=a+bx+cx2
以一条路径中的所有线段的两个端点作为采样点,拟合抛物线,当采样点数目n大于2时,使用最小二乘法求解参数K;
K=(XTX)-1XTY
当采样点只有两个时,令c=0,直接对这两个采样点进行直线拟合求a和b;
计算拟合平均误差diff,
若diff≤ERRORTH,则该路径通过检验,线段q加入到路径G,否则排除该路径,遍历下一条线段;在本实施例中,ERRORTH取2;
遍历终止生成一条路径时,比较生成的路径长度是否大于CurMaxLength;若生成的路径长度大于CurMaxLength,CurMaxLength更新为生成的路径长度,并记录对应的路径;
从集合ProposalLines中的一条线段出发,最后只选择长度最长的有效路径;
S5、获取当前的左右车道线;根据路径的初始线段的斜率符号来划分为左右车道线集;斜率为负的,对应的路径加入左车道线集;斜率为正的,对应的路径加入右车道线集;具体实施如下:
LineScorek表示以线段k作为初始线段的路径的车道线评分,maxscorepathk为从线段k出发的最长路径的路径长度;|KValuek|表示从线段k出发的路径的初始线段斜率绝对值;|KValuei|表示从线段i出发的路径的初始线段斜率绝对值;Size表示左车道线或者右车道线集合的路径总数;左车道线集合取集合内评分最高的对应路径,拟合出的曲线作为左车道线;右车道线集合取集合内评分最高的对应路径,拟合出的曲线作为右车道线。
上述实施例为本发明较佳的实施方式,但本发明的实施方式并不受上述实施例的限制,其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化,均应为等效的置换方式,都包含在本发明的保护范围之内。
Claims (7)
1.一种基于EDLines线特征的车道线检测方法,其特征在于,所述的车道线检测方法包括以下步骤:
S1、利用EDLines算法,从采集的道路图像中检测线段,将得到的线段集合记为AllLines;
S2、近场灭点估计,结合灭点和当前车道特点筛选当前车道线近场部分的线段,记为集合ProposalLines;其中,所述的步骤S2过程如下:
S21、利用下面的投票公式搜索近场灭点:
其中,VanishPoint(x0,y0)表示估计的灭点坐标,lk表示第k条长度大于长度阈值LengthThreshold的线段,p(x,y)表示道路图像中参与投票的候选像素点坐标,d(lk,p(x,y))为候选像素点到线段lk的距离,Lk表示线段的长度,N表示满足长度要求的线段的总数;
所述的步骤S21中,估计每个候选像素点的最大可能投票数用于加速灭点估计,过程如下:
记MaxVote为当前已搜索的候选灭点的最大投票数,对于下一个遍历的像素点,计算前i条线段的投票数CurVote(i)后,当前像素点可能获得的最大投票数PossibleMaxVote为
当最大投票数PossibleMaxVote小于等于MaxVote时,当前像素点不需进行之后的投票计算,提前终止,遍历下一个像素点;当最大投票数PossibleMaxVote大于MaxVote,当前像素点继续进行投票计算;
S22、获取车道线近场部分候选线段:首先将线段的终点纵坐标小于灭点纵坐标的所有线段全部排除;对于剩下的线段,计算灭点到线段的距离;当距离小于或者等于距离阈值LineDistanceTH时,将该线段加入到集合ProposalLines;
S3、建立线段关系图,将AllLines中的所有线段根据起点的纵坐标大小,由小到大排列,根据该由小到大排列顺序依次建立关系,每条线段只和其上方线段终点纵坐标小于其起点纵坐标的线段建立关系,同时采用动态规划方法计算以当前线段进行深度优先遍历的最长路径长度;
S4、路径深度优先遍历和检验,取集合ProposalLines中的一条线段作为初始线段,初始线段的一次遍历是根据线段关系图进行深度优先遍历和检验,直到找不到下一条有关系的线段,一次遍历结束时得到从初始线段出发的一条路径,这条路径的拟合平均误差不大于指定阈值,从集合ProposalLines中的一条线段出发,最后只保留长度最长的有效路径;
S5、获取当前的左右车道线,根据路径的初始线段的斜率符号来划分为左右车道线集,当斜率为负时,将对应的路径加入左车道线集,当斜率为正时,将对应的路径加入右车道线集,根据路径的初始线段的斜率绝对值和路径长度分别确定左、右车道线对应的路径,拟合的曲线分别作为左、右车道线。
2.根据权利要求1所述的一种基于EDLines线特征的车道线检测方法,其特征在于,所述的步骤S21中,只有斜率小于0的线段延长线和斜率大于0的线段延长线的交点作为候选像素点参与投票,其余像素点不参与投票。
3.根据权利要求1所述的一种基于EDLines线特征的车道线检测方法,其特征在于,所述的步骤S3中,利用两条线段的夹角和两条线段相对两端点的中点到两线段的距离来判断是否有关系,过程如下:
设上下两条线段分别为li和lj,线段起点的纵坐标小于终点,A和B分别为线段li的起点和终点,C和D为lj的起点和终点,点P为点C和点B之间的中点,则
distance=d(P,li)+d(P,lj)
上式中,d(P,li)和d(P,lj)分别表示点P到li和lj的距离,cosθ为li和lj对应的向量张成的夹角的余弦;当distance≤距离比较阈值DistanceTH且cosθ≥角度比较阈值AngleTH时,认为两条直线有关系,否则无关系。
5.根据权利要求1所述的一种基于EDLines线特征的车道线检测方法,其特征在于,所述的步骤S4过程如下:
从初始线段i出发根据线段关系图生成一条路径,当前已生成的局部路径为G,遍历到线段q,路径G中加入线段q后,能得到的最长路径长度PossibleMaxLength为
PossibleMaxLength=CurLength(G)+maxscorepathq
式中,maxscorepathq为步骤S3中求得的从线段q出发的最长路径长度,CurLength(G)为当前局部路径G的长度;
从初始线段i出发已经生成的有效路径中,最长路径长度为CurMaxLength;若PossibleMaxLength小于等于CurMaxLength,线段q不加入到路径G,遍历下一条线段;若PossibleMaxLength大于CurMaxLength,检验线段q的拟合平均误差。
6.根据权利要求5所述的一种基于EDLines线特征的车道线检测方法,其特征在于,所述的步骤S4中,路径在进行深度优先遍历时,需对新添加的线段进行路径检验,拟合的车道线模型为函数y=f(x),以一条路径中的所有线段的两个端点作为采样点,拟合车道线模型,使用最小二乘法求解模型参数;
计算拟合平均误差diff,
式中,n为采样点数目,yi为第i个采样点对应的纵坐标,xi为第i个采样点对应的横坐标,若diff≤ERRORTH,则该路径通过检验,线段q加入到路径G,否则排除该路径,遍历下一条线段,其中,ERRORTH为事先指定的比较门限阈值;
遍历终止生成一条路径时,比较生成的路径长度是否大于CurMaxLength;若生成的路径长度大于CurMaxLength,CurMaxLength更新为生成的路径长度,并记录对应的路径;
从集合ProposalLines中的一条线段出发,最后只选择长度最长的有效路径。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011415499.4A CN112507867B (zh) | 2020-12-04 | 2020-12-04 | 一种基于EDLines线特征的车道线检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011415499.4A CN112507867B (zh) | 2020-12-04 | 2020-12-04 | 一种基于EDLines线特征的车道线检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112507867A CN112507867A (zh) | 2021-03-16 |
CN112507867B true CN112507867B (zh) | 2022-04-22 |
Family
ID=74970705
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011415499.4A Active CN112507867B (zh) | 2020-12-04 | 2020-12-04 | 一种基于EDLines线特征的车道线检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112507867B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113221926B (zh) * | 2021-06-23 | 2022-08-02 | 华南师范大学 | 一种基于角点优化的线段提取方法 |
CN117428582B (zh) * | 2023-12-22 | 2024-03-15 | 泉州装备制造研究所 | 一种异形工件的加工方法及介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104988818A (zh) * | 2015-05-26 | 2015-10-21 | 浙江工业大学 | 一种基于透视变换的交叉路口多车道标定方法 |
CN108052880A (zh) * | 2017-11-29 | 2018-05-18 | 南京大学 | 交通监控场景虚实车道线检测方法 |
CN110414425A (zh) * | 2019-07-26 | 2019-11-05 | 清华大学 | 一种基于灭点检测的宽度自适应车道线检测方法及系统 |
-
2020
- 2020-12-04 CN CN202011415499.4A patent/CN112507867B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104988818A (zh) * | 2015-05-26 | 2015-10-21 | 浙江工业大学 | 一种基于透视变换的交叉路口多车道标定方法 |
CN108052880A (zh) * | 2017-11-29 | 2018-05-18 | 南京大学 | 交通监控场景虚实车道线检测方法 |
CN110414425A (zh) * | 2019-07-26 | 2019-11-05 | 清华大学 | 一种基于灭点检测的宽度自适应车道线检测方法及系统 |
Non-Patent Citations (2)
Title |
---|
A Framework for Automatic Building Detection from Low-Contrast Satellite Images;Muhammad Aamir et.al;《MDPI》;20181221;第1-2页 * |
Real-Time Lane Detection and Tracking for Advanced Driver Assistance Systems;Hazrat Bilal et.al;《Proceedings of the 38th Chinese Control Conference》;20190730;第1-2页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112507867A (zh) | 2021-03-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107729818B (zh) | 一种基于深度学习的多特征融合车辆重识别方法 | |
US10970566B2 (en) | Lane line detection method and apparatus | |
CN109816024B (zh) | 一种基于多尺度特征融合与dcnn的实时车标检测方法 | |
CN105069415B (zh) | 车道线检测方法和装置 | |
CN104239867B (zh) | 车牌定位方法及系统 | |
CN106323301B (zh) | 一种道路情报的获取方法及装置 | |
CN111652293B (zh) | 一种多任务联合判别学习的车辆重识别方法 | |
CN109325418A (zh) | 基于改进YOLOv3的道路交通环境下行人识别方法 | |
CN112507867B (zh) | 一种基于EDLines线特征的车道线检测方法 | |
CN109214422B (zh) | 基于dcgan的停车数据修补方法、装置、设备及存储介质 | |
CN110379007B (zh) | 基于车载移动激光扫描点云的三维公路曲线重建方法 | |
CN110751099A (zh) | 一种基于深度学习的无人机航拍视频轨迹高精度提取方法 | |
CN112215128A (zh) | 融合fcos的r-cnn城市道路环境识别方法及装置 | |
CN106951898B (zh) | 一种车辆候选区域推荐方法及系统、电子设备 | |
CN111340855A (zh) | 一种基于轨迹预测的道路移动目标检测方法 | |
CN114022729A (zh) | 基于孪生网络和监督训练的异源图像匹配定位方法和系统 | |
CN117496384B (zh) | 一种无人机图像物体检测方法 | |
CN114627437B (zh) | 一种交通目标识别方法及系统 | |
CN111915583A (zh) | 复杂场景中基于车载红外热像仪的车辆和行人检测方法 | |
CN115311229A (zh) | 基于激光雷达的路面病害检测分类方法、系统和存储介质 | |
CN116573017A (zh) | 城市轨道列车行驶限界异物感知方法、系统、装置和介质 | |
Bello-Salau et al. | An examination of different vision based approaches for road anomaly detection | |
Lang et al. | Pavement cracking detection and classification based on 3d image using multiscale clustering model | |
CN113865581A (zh) | 基于多层级地图的封闭场景定位方法 | |
CN114116926A (zh) | 基于公交站点信息匹配的乘客出行方式识别方法 |
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 |