CN112597846A - 车道线检测方法、装置、计算机设备和存储介质 - Google Patents
车道线检测方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN112597846A CN112597846A CN202011472440.9A CN202011472440A CN112597846A CN 112597846 A CN112597846 A CN 112597846A CN 202011472440 A CN202011472440 A CN 202011472440A CN 112597846 A CN112597846 A CN 112597846A
- Authority
- CN
- China
- Prior art keywords
- target
- line
- region
- interest
- group
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 121
- 238000003708 edge detection Methods 0.000 claims abstract description 51
- 238000000034 method Methods 0.000 claims abstract description 34
- 238000012216 screening Methods 0.000 claims abstract description 26
- 238000004590 computer program Methods 0.000 claims description 15
- 230000009467 reduction Effects 0.000 claims description 7
- 230000008569 process Effects 0.000 description 10
- 238000004422 calculation algorithm Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 5
- 238000003384 imaging method Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000001931 thermography Methods 0.000 description 2
- DEYFWGXTPWNADC-UHFFFAOYSA-N 6-[2-phenylethyl(propyl)amino]-5,6,7,8-tetrahydronaphthalen-1-ol Chemical compound C1CC2=C(O)C=CC=C2CC1N(CCC)CCC1=CC=CC=C1 DEYFWGXTPWNADC-UHFFFAOYSA-N 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000000007 visual effect Effects 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
- 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
- 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
- G06V10/20—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
Abstract
本发明公开了一种车道线检测方法、装置、计算机设备和存储介质。所述方法包括:在当前帧红外图像中选定车道线对应的原始感兴趣区域;根据所述当前帧红外图像中的目标对象生成目标对象区域;根据所述原始感兴趣区域和所述目标对象区域得到所述车道线对应的目标感兴趣区域;对所述目标感兴趣区域内的目标边缘检测结果进行直线检测;对所述直线检测的结果进行筛选得到车道线。本发明中通过原始感兴趣区域结合目标对象区域从而得到目标感兴趣区域,在保留需要检测的车道线信息的基础上,去除掉影响检测结果的因素,比如,车辆、行人等障碍物,降低了边缘检测的噪声,缩小了后续的直线检测以及选择的范围,不仅提高了车道线检测的效率,更提高了车道线检测的准确性。
Description
技术领域
本发明涉及计算机技术领域,特别是涉及一种车道线检测方法、装置、计算机设备和存储介质。
背景技术
车道线检测是自动驾驶中的一个基础模块,目前采用可见光是车道线检测的常用手段。但是随着人们对自动驾驶需求的增多,也需考虑一些特殊场景,如夜间,雾霾等恶劣天气,驾驶员的可视距离变小,可见光的成像质量变差,而此时采用红外热成像则为这些场景提供很好的解决方案。
采用红外热成像时,由于红外图像本身并没有颜色信息,无法根据颜色信息提取车道线,因此难以进行二值化,现有技术中常常采用的是霍夫变换进行的红外车道线检测。在进行霍夫变换前,虽然采用了感兴趣区域进行合适的区域选择,可以滤去不在选择区域内的噪声,但是当其他障碍物,比如,行人和车辆等,进入感兴趣区域中,或者,车辆靠近车道线边缘附近,在后续的霍夫变换中会带来很大的噪声,会产生误检,极大的影响了车道线检测的效果,现有技术中常用的是选择更小范围的感兴趣区域,然而过小的感兴趣区域的选取虽然可以滤去车辆等带来的噪声,但是当车道变宽,或者车辆在车道内左右移动时,车道线并不在感兴趣区域内,无法检测到车道线。
发明内容
基于此,有必要针对上述技术问题,提供一种车道线检测方法、装置、计算机设备和存储介质。
第一方面,一种车道线检测方法,其特征在于,所述方法包括:
在当前帧红外图像中选定车道线对应的原始感兴趣区域;
根据所述当前帧红外图像中的目标对象生成目标对象区域;
根据所述原始感兴趣区域和所述目标对象区域得到所述车道线对应的目标感兴趣区域;
对所述目标感兴趣区域内的目标边缘检测结果进行直线检测;
对所述直线检测的结果进行筛选得到车道线。
在一个实施例中,所述目标对象为目标障碍物,所述目标对象区域为目标障碍物所在区域,所述根据所述原始感兴趣区域和所述目标对象区域得到所述车道线对应的目标感兴趣区域为:获取所述原始感兴趣区域与所述目标障碍物区域的公共区域;将原始感兴趣区域去除掉所述公共区域得到目标感兴趣区域。
在一个实施例中,所述目标对象为可行驶道路,所述目标对象区域为对不包含目标障碍物的可行驶区域,所述根据所述原始感兴趣区域和所述目标对象区域得到所述车道线对应的目标感兴趣区域为:获取所述原始感兴趣区域与所述可行驶区域的公共区域,将所述公共区域作为目标感兴趣区域。
在一个实施例中,所述对目标感兴趣区域内的目标边缘检测结果进行直线检测之前还包括:对所述当前帧红外图像做边缘检测,得到边缘检测结果;提取所述目标感兴趣区域内的边缘检测结果作为目标边缘检测结果。
在一个实施例中,在对所述目标边缘检测结果进行直线检测前还包括对所述目标边缘检测结果进行降噪处理。
在一个实施例中,步骤对所述直线检测结果进行筛选得到车道线包括:
以图像左上角为原点,图像上边缘线为X轴,图像左边缘线为Y轴,建立直角坐标系,计算得到所述直线检测结果中所有线段的斜率;
对斜率和位置满足预设斜率范围和预设位置范围的线段按照斜率的正负值分为左侧组和右侧组,其中,所述左侧组中线段的斜率小于0,所述右侧组中线段的斜率大于0;
将左侧组中所在直线经过消失点区域的线段按照斜率的大小分为不同的左侧小组,将右侧组中所在直线经过消失点区域的线段按照斜率的大小分为不同的右侧小组,其中所述消失点是由红外摄像头标定的,每一个小组中线段的斜率大小相同或相近;
分别获取所述左侧小组和所述右侧小组中线段数量最大的第一目标小组和第二目标小组;
分别从所述第一目标小组和所述第二目标小组中筛选出第一目标线段和第二目标线段,作为车道线检测结果。
在一个实施例中,步骤分别从所述第一目标小组和所述第二目标小组中筛选出目标线段,作为车道线检测结果,包括:
若所述第一目标小组和所述第二目标小组的数量均为0,则未检出车道线;
若所述第一目标小组和所述第二目标小组的数量有一个为0,则将数量不为0的第一目标小组或第二目标小组做直线交点选择得到第一目标线段或第二目标线段,将所述第一目标线段或第二目标线段作为车道线检测结果;
若所述第一目标小组和所述第二目标小组的数量均不为0,则分别对第一目标小组和第二目标小组做直线交点选择,得到第一目标线段和第二目标线段,将所述第一目标线段和所述第二目标线段作为车道线检测结果;
其中,所述直线交点选择的步骤为:对于所述第一目标小组,则获取线段所在直线与Y轴交点的纵坐标,将所述纵坐标最大的直线对应的线段作为直线交点选择筛选出的线段;
对于所述第二目标小组,则获取线段所在直线与图像右边缘或其延长线的交点的纵坐标,将纵坐标最大的直线对应的线段作为直线交点选择筛选出的线段。
第二方面,一种车道线检测装置,其特征在于,所述装置包括:
原始感兴趣区域生成模块,在当前帧红外图像中选定车道线对应的原始感兴趣区域;
目标对象区域生成模块,根据所述当前帧红外图像中的目标对象生成目标对象区域;
目标感兴趣区域生成模块,根据所述原始感兴趣区域和所述目标对象区域得到所述车道线对应的目标感兴趣区域;
直线检测模块,用于对所述目标感兴趣区域内的目标边缘检测结果进行直线检测;
车道线确定模块,用于对所述直线检测的结果进行筛选得到车道线。
第三方面,一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现所述的方法的步骤。
第四方面,一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现所述的方法的步骤。
上述车道线检测方法、装置、计算机设备和存储介质,在当前帧红外图像中选定车道线对应的原始感兴趣区域;根据所述当前帧红外图像中的目标对象生成目标对象区域;根据所述原始感兴趣区域和所述目标对象区域得到所述车道线对应的目标感兴趣区域;对所述目标感兴趣区域内的目标边缘检测结果进行直线检测;对所述直线检测的结果进行筛选得到车道线,通过将原始感兴趣区域结合目标对象区域得到目标感兴趣区域,从而得到合适的目标感兴趣区域,在保留需要检测的车道线信息的基础上,去除掉影响检测结果的因素,比如,车辆、行人等障碍物,降低了边缘检测的噪声,缩小了后续的直线检测以及选择的范围,不仅提高了车道线检测的效率,更提高了车道线检测的准确性。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为一个实施例中车道线检测方法的流程图;
图2为一个实施例中得到目标感兴趣区域的过程的示意图;
图3为一个实施例中根据原始感兴趣区域和目标对象区域得到检测结果的对比图;
图4为一个实施例中得到目标边缘检测结果的示意图;
图5为一个实施例中是否结合消失点区域判断的结果对比图;
图6为一个实施例中车道线检测装置的示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本发明实施例提供的车道线检测方法所涉及的实施环境可以为室外的道路环境,车辆行驶在该道路中,也可为仓储环境,车辆为仓储环境中的自动导引运输车。在道路环境下,车道线可能会被其他车辆、行人或其他障碍物遮挡,或者车辆靠近车道线边缘,在仓储环境中,可能会出现车道线被障碍物遮挡,从而导致采用红外图像进行车道线检测时,感兴趣区域选择不当不仅会带来较大的噪声,还会降低车道线检测的准确性,本实施例提供的一种车道线检测方法、装置、计算机设备和存储介质,其在原始感兴趣区域的基础上重新确立目标感兴趣区域,从而提高了车道线检测的准确性。
下面将结合具体实施例对车道线检测方法、装置、计算机设备和存储介质作进一步说明。
实施例一
结合图1-5所示,本实施例提供了一种车道线检测方法,如图1所示,该方法至少包括如下步骤:
S1、在当前帧红外图像中选定车道线对应的原始感兴趣区域。
其中,红外图像通过安装在车辆前方的红外摄像头所拍摄的红外视频中截取,在一个实施例中,通过一定的时间间隔从红外视频中截取一帧红外图像作为当前帧红外图像。
在对红外图像处理中,从被处理的图像以方框、圆、椭圆、不规则多边形等方式勾勒出需要处理的区域,称为感兴趣区域,ROI。以在室外环境道路为例,通常,车道线出现在靠近图像下方的位置。
S2、根据所述当前帧红外图像中的目标对象生成目标对象区域。
在一个实施例中,步骤S2中所述目标对象为目标障碍物,比如,在实际道路环境中,可能会存在的车辆、行人、小动物等,影响最终车道线检测的结果,在另外一个实施例中,步骤S2中的所述目标对象为可行驶道路,比如,在实际道路环境中,车辆前方的道路。
S3、根据所述原始感兴趣区域和所述目标对象区域得到所述车道线对应的目标感兴趣区域。
本实施例中,对于不同的目标对象,得到目标感兴趣区域的方法不同。
在一个实施例中,步骤S2中的所述目标对象区域为目标障碍物所在区域,那么根据所述原始感兴趣区域和所述目标对象区域得到所述车道线对应的目标感兴趣区域为:
获取所述原始感兴趣区域与所述目标障碍物区域的公共区域,将原始感兴趣区域去除掉所述公共区域得到目标感兴趣区域。
下面将结合图2(a)-(b)所示的内容,对目标对象为目标障碍物的情况,对得到目标感兴趣区域的过程进行进一步阐述。
图2(a)所示的时当前帧红外图像,该当前帧红外图像为车辆行驶在室外道路中的图像,可以看出,在该红外图像中存在多种可能会影响车道线检测的因素,比如,车辆前方包括目标较大的第一车辆和目标较小的第二车辆,在红外图像靠近右下角的位置还可以看到存在阴井盖,第一车辆的右下方存在阴影区域,这些都会对车道线的检测都会带来影响。如果在选取感兴趣区域时,缩小范围,仅选取第一车辆下方的部分,那么将会造成右侧车道线几乎没有被选中,并且右侧阴井盖可能会作为车道线被误检。
在本实施例中,先忽略前述这些障碍物的影响,选择一定区域作为原始感兴趣区域,原始感兴趣区域中不仅包括了大量的车道线信息,而且包括了第一车辆和第二车辆信息以及可能其他的影响因素,并获取到原始感兴趣区域在当前帧红外图像的位置。为了使得到目标感兴趣区域的过程更加直观,选取一张纯黑色的背景图,该背景图的大小与当前帧红外图像的大小相同,根据原始感兴趣区域在当前帧红外图像的位置,将背景图的对应位置填充为白色,如图2(b)所示。
选定当前帧红外图像中目标对象,如,第一车辆和第二车辆的位置,通过目标对象检测模型得到目标对象在当前帧红外图像中的所在的区域作为目标对象区域,该算法的目标对象检测模型可以是任意目标检测模型,例如yolov3、mobilenet_yolov3、SSD、mobilenet_ssd等等,目标对象检测需要对视频的每一帧进行检测,得到每一帧的目标信息,进一步的,为了提高目标检测的效率,仅需要目标的位置信息。选取一张纯黑色的背景图,该背景图的大小与当前帧红外图像的大小相同,根据目标对象区域在当前帧红外图像的位置,将背景图的对应位置填充为白色,如图2(c)所示。
本实施例采用这种方法,获取所述原始感兴趣区域与所述目标障碍物区域的公共区域,原始感兴趣区域和目标对象区域的公共区域为原始感兴趣区域中包含第一车辆和第二车辆的区域,如图2(b)和2(c)所示,将原始感兴趣区域去除掉所述公共区域得到目标感兴趣区域,也即,在原始感兴趣区域的基础上将所包含的目标障碍物的区域去除掉,即得到目标感兴趣区域,如图2(d)所示的白色区域,为最终的目标感兴趣区域,该目标感兴趣区域中不包括目标障碍物,在一个实施例中可以调用opencv的subtract函数,将图2(b)和2(c)减法运算,最终得到如图2(d)所示的目标感兴趣区域,当然,本发明并不局限于此一种算法,还可以包括其他多种算法,并可以根据实际情况进行相应选择。
在本实施例中目标感兴趣区域在尽量包含较多的车道线信息的同时,去除掉目标障碍物的影响,不仅降低了后续的在边缘检测过程中目标障碍物所带来的的噪声,而且减少了在直线检测后的可能误检的线段,避免了目标障碍物所带来的误检,提高了车道线检测的效率,请进一步参照图3(a)为直接根据原始感兴趣区域做边缘检测以及直线检测得到的车道线的结果,由于右侧车辆的轮胎下方的阴影,因此,在检测结果中出现了误检的线段,图3(a)中黑色的线段,而采用本发明中通过原始感兴趣区域和目标对象区域得到目标感兴趣区域的方法,如图3(b)所示,不会误检出图3(b)中所示的黑色线段,很好地消除了目标障碍物所带来的影响,没有出现该车道线的误检。
在另一个实施例中,步骤S2中所述目标对象为可行驶道路,所述目标对象区域为对不包含目标障碍物的可行驶区域,根据所述原始感兴趣区域和所述目标对象区域得到所述车道线对应的目标感兴趣区域为:
获取所述原始感兴趣区域与所述可行驶区域的公共区域,将所述公共区域作为目标感兴趣区域。
在该实施例中目标对象为可行驶道路,目标对象区域为不包含目标障碍物的可行驶区域,在一个实施例中,可以采用语义分割法提取出当前帧红外图像中的可行驶道路得到该目标对象区域,该目标对象区域不包括目标障碍物,比如在图2(a)所示的当前帧红外图像中,通过语义分割法得到的的是包括车道线的可行驶道路区域,并不包括第一车辆和第二车辆的所在的区域,那么,原始感兴趣区域和可行驶区域的公共区域则为原始感兴趣区域中去除掉目标障碍物的区域,因此,将该区域作为目标感兴趣区域。当然,本发明并不局限于此一种算法得到可行驶区域,还可以包括其他多种算法,并可以根据实际情况进行相应选择。
S4、对所述目标感兴趣区域内的目标边缘检测结果进行直线检测。
在一个实施例中通过边缘检测进一步缩小所要检测的范围,采用的是canny算子的边缘检测,由于红外图像中车道线的轮廓不是特别清晰和明显,为了保证能对红外图像的车道线进行检测,需要设置较低的阈值范围进行检测,当然,还可以采用其他算法进行边缘检测,如sobel算子等,在此不进行一一举例。通过对目标感兴趣区域内的边缘检测结果进行直线检测,从而减少了直线检测的工作量,进一步提高车道线检测的效率。
直线检测是指检测出图像中所存在的线段,在一个实施例中,直线检测是通过霍夫变换进行的,通过调用opencv的函数HoughLinesP,得到直线检测结果,其中HoughLinesP与标准的霍夫变换不同,其是采用累计概率霍夫变换(PPHT)的方法找到二值图中的直线,是标准霍夫变换(SHT)算法的一个改进,它在一定的范围内进行霍夫变换,计算单独线段的方向以及范围,从而减少计算量,缩短计算时间。当然,还可以采用其他算法进行直线检测,如LSD检测算法,在此不进行一一举例。
在一个实施例中,为了进一步降低边缘检测的噪声,所述对目标感兴趣区域内的边缘检测进行直线检测之前还包括:
对所述当前帧红外图像做边缘检测,得到边缘检测结果;
提取所述目标感兴趣区域内的边缘检测结果作为目标边缘检测结果。
为了使该过程更加直观,选择目标对象为目标障碍物的情况,结合图4和图2所示的内容进行阐述,图4(a)为对当前帧红外图像整张图像进行边缘检测所得到的结果,图4(b)为在图4(a)的基础上提取图2(d)中目标感兴趣区域所对应的边缘检测结果所得到的目标边缘检测结果,从图4(b)中可以看出,目标边缘检测结果中已经将大多数的障碍物去除掉,噪声较小。
在一个实施例中,在对所述目标边缘检测结果进行直线检测前还包括对所述目标边缘检测结果进行降噪处理。
进一步参照图4,图4(c)为对图4(b)中目标边缘检测结果进行降噪处理的结果图,从图中可以看出,经过降噪处理后,将图4(b)中不连通的区域,较小的连通区域删除,从而进一步降低噪声。
S5、对所述直线检测的结果进行筛选得到车道线。
在一个实施例中,对所述直线检测结果进行筛选得到车道线包括:
S51、以图像左上角为原点,图像上边缘线为X轴,图像左边缘线为Y轴,建立直角坐标系,计算得到所述直线检测结果中所有线段的斜率。
S52、对斜率和位置满足预设斜率范围和预设位置范围的线段按照斜率的正负值分为左侧组和右侧组,其中,所述左侧组中线段的斜率小于0,所述右侧组中线段的斜率大于0。
根据车道线的成像特点可知,左侧车道线的斜率小于0,右侧车道线的斜率大于0,并且是在一定范围内的,故此,可以通过斜率范围的限定,筛选掉不在车道线斜率范围内的直线,如水平(接近水平)的直线,垂直(接近垂直)的直线,还可以筛选掉其他斜率与车道线相差较大的线段,如道路中的坑洼所带来的线段。
由于车道线的位置在图像中出现的位置是有限的,一般车道线分为左右两条车道线,其通常分布在图像的底部靠边缘附近,不会出现在图像的中线附近,其次当车辆在车道内正常行驶时,其车道线或其延长线与图像的左右边缘的交点一般不会超过图像本身的坐下角点和右下角点,因此采用预设位置范围进行进一步筛选,预设位置范围可以包括横坐标范围和纵坐标范围。
获取所有线段的端点的横坐标,由车道线成像特点可知,斜率小于0的线段应当出现在当前帧红外图像中线的左侧,斜率大于0的线段应当出现在当前帧红外图像中线的右侧,斜率小于0的线段的两个端点的横坐标都应当小于当前帧红外图像中线与X轴交点的横坐标,同理,斜率大于0的线段的两个端点的横坐标都应当大于当前帧红外图像中线与X轴交点的横坐标。进一步地,车道线一般距离图像中线有一段距离,不会紧邻中线,因此为了提高筛选的精确度,在当前帧红外图像中线与X轴交点的横坐标的基础上加上一个阈值范围从而得到中线所在区域,斜率小于0的线段应当出现在中线区域左侧,斜率大于0的线段应当出现在中线区域右侧,例如图像的宽为640,中线的横坐标为320,阈值取60(可以调整),那么中线区域的横坐标为(260,380),那么在进行位置判断时,斜率小于0的线段两个端点的横坐标都应当小于260,斜率大于0的线段两个端点的横坐标都应当大于380。通过对横坐标范围的限定,可以得到左侧线段的斜率均小于0,右侧线段的斜率均大于0,从而缩小直线检测结果筛选的范围。
由车道线成像的特点可知,其一般不会超过图像左下角和右下角,获取线段所在直线与图像左右边缘交点的纵坐标,其中,对于左侧线段,获取的是与图像左侧边缘交点的纵坐标,对于右侧线段,获取的是与图像右侧边缘交点的纵坐标,若该纵坐标大于图像左下角或右下角的纵坐标,则将其所对应的线段筛选掉,此方法是为了避免车道内部出现的字,箭头等带来的误检。
本实施例中,将满足斜率范围和位置范围的线段分为左侧组和右侧组,其中左侧组中线段的斜率小于0,右侧组中线段的斜率大于0。
S503、将左侧组中所在直线经过消失点区域的线段按照斜率的大小分为不同的左侧小组,将右侧组中所在直线经过消失点区域的线段按照斜率的大小分为不同的右侧小组,其中所述消失点是由红外摄像头标定的,每一个小组中线段的斜率大小相同或相近。
根据平行线的成像原理,平行线的交点在无穷远处,成像在图像上显示为交于一点,称之为消失点,可以通过直线是否过以消失点为圆心,判断所检测的直线是否与车道线平行,在本实施例中,消失点为通过红外摄像头标定的,由于车道线很宽,在确定消失点时,根据红外摄像头得出消失点是在图像上的一定范围内,故此对车道线用消失点进行选择时,允许有一定的误差范围,并不要求其严格过消失点,而是要求其过以消失点为圆心,允许误差范围为半径的圆,该区域为消失点区域,计算圆心到直线的距离,判断其是否小于半径,从而判断其是否经过消失点区域。
在本实施例中,筛选出经过消失点区域的线段,从而排除掉在车道线附近并且比车道线更靠近图像下方,通过直线检测也能出现大量线段的障碍物,如图5所示,在两侧的车道线中间出现了一个“小”字,该“小”字两侧的斜线部分,通过直线检测出现一些线段,这些线段满足斜率范围和位置范围,并且比车道线的位置更靠下,但是不与车道线平行,如果不经过是否经过消失点区域的判断,则可能将其作为最终的车道线检测结果,如图5(a)所示,“小”字两侧的黑色线段为车道线检测的结果,这样会带来较大的误差,本实施例中,通过对是否经过消失点进行判断,从而将“小”字的影响排除,仅保留与车道线平行的线段,这些线段可能是马路边缘,当然也可能是其他影响因素,再结合后续的直线检测结果进行筛选的过程能够准确检测到车道线,如图5(b)所示,检测出的黑色线段为真正的车道线。
进一步地,按照斜率大小经过消失点区域的线段进行分组,分为左侧小组和右侧小组,其中,每一个左侧小组中的线段斜率相同或者相近,每一个右侧小组中的线段斜率相同或者相近,比如,将斜率差小于0.05的线段分为一组,左侧组中存在斜率-0.25,-0.25,-0.27,-0.27,-0.29,-0.48,-0.51的线段,那么,将斜率-0.25,-0.25,-0.27,-0.27,-0.29的线段作为第一左侧小组,将斜率为-0.48,-0.51的线段作为第二左侧小组。
S504、分别获取所述左侧小组和所述右侧小组中线段数量最大的第一目标小组和第二目标小组。
获取左侧小组和右侧小组中的线段数量,找到数量最大的一组,例如前述中的第一左侧小组内线段5条,第二左侧小组内线段有2条,那么将第一左侧小组为第一目标小组,右侧小组中存在第一右侧小组中线段5条,第二右侧小组中线段7条,第三右侧小组中线段6条,则将第二右侧小组作为第二目标小组。
S505、分别从所述第一目标小组和所述第二目标小组中筛选出第一目标线段和第二目标线段,作为车道线检测结果。
在本实施例中,从第一目标小组和第二目标小组中筛选出第一目标线段和第二目标线段的过程,分为几下几种情况:
若所述第一目标小组和所述第二目标小组的数量均为0,也即是,不存在线段数量最大的组,此种情况下左侧小组和右侧小组中线段数量均为0,则未检出车道线,这种情况存在于车辆行驶在较为空旷的区域,在该区域中并没有车道线,因此,第一目标小组和第二目标小组的数量均为0,不存在数量最大的组,其中第一目标小组和第二目标小组中的线段也为空,没有检测出车道线。
若所述第一目标小组和所述第二目标小组的数量有一个为0,则将数量不为0的第一目标小组或第二目标小组做直线交点选择得到第一目标线段或第二目标线段,将所述第一目标线段或第二目标线段作为车道线检测结果,此种情况存在于只有一侧有车道线的情况,可能另一侧车道线被遮挡,或者没有另一侧车道线,或者,车辆较偏向一侧。其中,直线交点选择的步骤为:对于所述第一目标小组,则获取线段所在直线与Y轴交点的纵坐标,将所述纵坐标最大的直线对应的线段作为直线交点选择筛选出的线段;对于所述第二目标小组,则获取线段所在直线与图像右边缘或其延长线的交点的纵坐标,将纵坐标最大的直线对应的线段作为直线交点选择筛选出的线段,比如,第一目标小组中的线段5条,那么将这5条线段都做直线交点选择,选择与Y轴交点的纵坐标最大的线段作为第一目标线段,该第一目标线段为车道线检测结果。
若所述第一目标小组和所述第二目标小组的数量均不为0,则分别对第一目标小组和第二目标小组做直线交点选择,得到第一目标线段和第二目标线段,将所述第一目标线段和所述第二目标线段作为车道线检测结果。
进一步地,在第一目标小组和所述第二目标小组的数量均不为0的情况下,还包括第一目标小组和/或第二目标小组的数量大于1或者等于1的情形:
若第一目标小组和第二小组的数量均为1,如前述中的第一左侧小组和第二右侧小组,分别作为第一目标小组和第二目标小组,将第一目标小组中5条线段做直线交点选择得到第一目标线段,将第二目标小组中7条线段做直线交点选择得到第二目标线段。
若第一目标小组的数量大于1,第二目标小组的数量等于1,也即,存在多个第一目标小组,例如,在经过消失点区域的筛选后,存在-0.25,-0.48,-0.6,由于这三条线段斜率相差较大,那么分别将三条线段作为三个左侧小组,线段数量均为1,那么第一目标小组的数量为3,那么,此时将这三个第一目标小组中的线段进行直线交点选择得到第一目标线段,将第二目标小组中的线段做直线交点选择得到第二目标线段。
若第一目标小组的数量等于1,第二目标小组的数量大于1,则将第一目标小组中的线段做直线交点选择得到第一目标线段,分别将多个第二目标小组中的线段进行直线交点选择得到第二目标线段。
若第一目标小组和第二目标小组的数量均大于1,则分别将多个第一目标小组中的线段进行直线交点选择得到第一目标线段,将多个第二目标小组中的线段进行直线交点选择得到第二目标线段。
以上情况为正常行驶中的常见情况,左右车道线均能检测出。
应该理解的是,虽然图1的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。
至此,本发明通过结合目标对象区域得到目标感兴趣区域,从而得到合适的感兴趣区域,在保留需要检测的车道线信息的基础上,去除掉影响检测结果的因素,比如,车辆、行人等障碍物,降低了边缘检测的噪声,缩小了后续的直线检测以及选择的范围,提高了车道线检测的效率和准确性,更进一步地,在直线检测结果筛选的过程中,通过是否经过消失点区域进行进一步筛选,排除对结果影响较大的干扰因素,进一步提高了车道线检测的准确性。
实施例二
如图6所示,提供了一种车道线检测装置,包括:原始感兴趣区域生成模块、目标对象区域生成模块、目标感兴趣区域生成模块、直线检测模块和车道线确定模块,其中:
原始感兴趣区域生成模块,在当前帧红外图像中选定车道线对应的原始感兴趣区域;
目标对象区域生成模块,根据所述当前帧红外图像中的目标对象生成目标对象区域;
目标感兴趣区域生成模块,根据所述原始感兴趣区域和所述目标对象区域得到所述车道线对应的目标感兴趣区域;
直线检测模块,用于对所述目标感兴趣区域内的目标边缘检测结果进行直线检测;
车道线确定模块,用于对所述直线检测的结果进行筛选得到车道线。
在一个实施例中,所述目标对象为目标障碍物,所述目标对象区域为目标障碍物所在区域,所述目标感兴趣区域生成模块还用于获取所述原始感兴趣区域与所述目标障碍物区域的公共区域,将原始感兴趣区域去除掉所述公共区域得到目标感兴趣区域。
在另外一个实施例中,所述目标对象为可行驶道路,所述目标对象区域为对不包含目标障碍物的可行驶区域,所述目标感兴趣区域生成模块还用于获取所述原始感兴趣区域与所述可行驶区域的公共区域,将所述公共区域作为目标感兴趣区域。
在一个实施例中,车道线检测装置还包括目标边缘检测结果确定模块,用于对所述当前帧红外图像做边缘检测,得到边缘检测结果;提取所述目标感兴趣区域内的边缘检测结果作为目标边缘检测结果。
在一个实施例中,车道线检测装置还包括降噪模块用于对所述目标边缘检测结果进行降噪处理。
在一个实施例中,车道线确定模块还包括:
斜率生成模块,用于以图像左上角为原点,图像上边缘线为X轴,图像左边缘线为Y轴,建立直角坐标系,计算得到所述直线检测结果中所有线段的斜率。
分组模块,对斜率和位置满足预设斜率范围和预设位置范围的线段按照斜率的正负值分为左侧组和右侧组,其中,所述左侧组中线段的斜率小于0,所述右侧组中线段的斜率大于0;将左侧组中所在直线经过消失点区域的线段按照斜率的大小分为不同的左侧小组,将右侧组中所在直线经过消失点区域的线段按照斜率的大小分为不同的右侧小组,其中所述消失点是由红外摄像头标定的,每一个小组中线段的斜率大小相同或相近。
目标小组获取模块,用于分别获取左侧小组和右侧小组中线段数量最大的第一目标小组和第二目标小组。
筛选模块,用于分别从所述第一目标小组和所述第二目标小组中筛选出第一目标线段和第二目标线段,作为车道线检测结果。
在一个实施例中,筛选模块还用于若所述第一目标小组和所述第二目标小组的数量均为0,则未检出车道线;
若所述第一目标小组和所述第二目标小组的数量有一个为0,则将数量不为0的第一目标小组或第二目标小组做直线交点选择得到第一目标线段或第二目标线段,将所述第一目标线段或第二目标线段作为车道线检测结果;
若所述第一目标小组和所述第二目标小组的数量均不为0,则分别对第一目标小组和第二目标小组做直线交点选择,得到第一目标线段和第二目标线段,将所述第一目标线段和所述第二目标线段作为车道线检测结果;
其中,所述直线交点选择的步骤为:对于所述第一目标小组,则获取线段所在直线与Y轴交点的纵坐标,将所述纵坐标最大的直线对应的线段作为直线交点选择筛选出的线段;
对于所述第二目标小组,则获取线段所在直线与图像右边缘或其延长线的交点的纵坐标,将纵坐标最大的直线对应的线段作为直线交点选择筛选出的线段。
关于车道线检测装置的具体限定可以参见上文中对于车道线检测方法的限定,在此不再赘述。上述车道线装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
实施例三
在本实施例中,提供了一种计算机设备,该计算机设备可以是服务器。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种车道线检测方法。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现如实施例车道线检测方法,该方法的执行过程及所能实现的技术效果请参照实施例一中的描述,此处不再赘述。
实施例四
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现如实施例车道线检测方法,该方法的执行过程及所能实现的技术效果请参照实施例一中的描述,此处不再赘述。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本发明所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory,ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic Random Access Memory,DRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种车道线检测方法,其特征在于,所述方法包括:
在当前帧红外图像中选定车道线对应的原始感兴趣区域;
根据所述当前帧红外图像中的目标对象生成目标对象区域;
根据所述原始感兴趣区域和所述目标对象区域得到所述车道线对应的目标感兴趣区域;
对所述目标感兴趣区域内的目标边缘检测结果进行直线检测;
对所述直线检测的结果进行筛选得到车道线。
2.根据权利要求1所述的方法,其特征在于,所述目标对象为目标障碍物,所述目标对象区域为目标障碍物所在区域,所述根据所述原始感兴趣区域和所述目标对象区域得到所述车道线对应的目标感兴趣区域为:
获取所述原始感兴趣区域与所述目标障碍物区域的公共区域;
将原始感兴趣区域去除掉所述公共区域得到目标感兴趣区域。
3.根据权利要求1所述的方法,其特征在于,所述目标对象为可行驶道路,所述目标对象区域为对不包含目标障碍物的可行驶区域,所述根据所述原始感兴趣区域和所述目标对象区域得到所述车道线对应的目标感兴趣区域为:
获取所述原始感兴趣区域与所述可行驶区域的公共区域,将所述公共区域作为目标感兴趣区域。
4.根据权利要求1所述的方法,其特征在于,所述对目标感兴趣区域内的目标边缘检测结果进行直线检测之前还包括:
对所述当前帧红外图像做边缘检测,得到边缘检测结果;
提取所述目标感兴趣区域内的边缘检测结果作为目标边缘检测结果。
5.根据权利要求1至4任一项所述的方法,其特征在于,在对所述目标边缘检测结果进行直线检测前还包括对所述目标边缘检测结果进行降噪处理。
6.根据权利要求2或3所述的方法,其特征在于,步骤对所述直线检测结果进行筛选得到车道线包括:
以图像左上角为原点,图像上边缘线为X轴,图像左边缘线为Y轴,建立直角坐标系,计算得到所述直线检测结果中所有线段的斜率;
对斜率和位置满足预设斜率范围和预设位置范围的线段按照斜率的正负值分为左侧组和右侧组,其中,所述左侧组中线段的斜率小于0,所述右侧组中线段的斜率大于0;
将左侧组中所在直线经过消失点区域的线段按照斜率的大小分为不同的左侧小组,将右侧组中所在直线经过消失点区域的线段按照斜率的大小分为不同的右侧小组,其中所述消失点是由红外摄像头标定的,每一个小组中线段的斜率大小相同或相近;
分别获取所述左侧小组和所述右侧小组中线段数量最大的第一目标小组和第二目标小组;
分别从所述第一目标小组和所述第二目标小组中筛选出第一目标线段和第二目标线段,作为车道线检测结果。
7.根据权利要求6所述的方法,其特征在于,步骤分别从所述第一目标小组和所述第二目标小组中筛选出目标线段,作为车道线检测结果,包括:
若所述第一目标小组和所述第二目标小组的数量均为0,则未检出车道线;
若所述第一目标小组和所述第二目标小组的数量有一个为0,则将数量不为0的第一目标小组或第二目标小组做直线交点选择得到第一目标线段或第二目标线段,将所述第一目标线段或第二目标线段作为车道线检测结果;
若所述第一目标小组和所述第二目标小组的数量均不为0,则分别对第一目标小组和第二目标小组做直线交点选择,得到第一目标线段和第二目标线段,将所述第一目标线段和所述第二目标线段作为车道线检测结果;
其中,所述直线交点选择的步骤为:对于所述第一目标小组,则获取线段所在直线与Y轴交点的纵坐标,将所述纵坐标最大的直线对应的线段作为直线交点选择筛选出的线段;
对于所述第二目标小组,则获取线段所在直线与图像右边缘或其延长线的交点的纵坐标,将纵坐标最大的直线对应的线段作为直线交点选择筛选出的线段。
8.一种车道线检测装置,其特征在于,所述装置包括:
原始感兴趣区域生成模块,在当前帧红外图像中选定车道线对应的原始感兴趣区域;
目标对象区域生成模块,根据所述当前帧红外图像中的目标对象生成目标对象区域;
目标感兴趣区域生成模块,根据所述原始感兴趣区域和所述目标对象区域得到所述车道线对应的目标感兴趣区域;
直线检测模块,用于对所述目标感兴趣区域内的目标边缘检测结果进行直线检测;
车道线确定模块,用于对所述直线检测的结果进行筛选得到车道线。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011472440.9A CN112597846B (zh) | 2020-12-14 | 2020-12-14 | 车道线检测方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011472440.9A CN112597846B (zh) | 2020-12-14 | 2020-12-14 | 车道线检测方法、装置、计算机设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112597846A true CN112597846A (zh) | 2021-04-02 |
CN112597846B CN112597846B (zh) | 2022-11-11 |
Family
ID=75195506
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011472440.9A Active CN112597846B (zh) | 2020-12-14 | 2020-12-14 | 车道线检测方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112597846B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113703455A (zh) * | 2021-08-27 | 2021-11-26 | 广州文远知行科技有限公司 | 一种激光点云的语义信息标注方法及相关设备 |
CN114019973A (zh) * | 2021-11-05 | 2022-02-08 | 西安铁蜗牛自动化设备有限公司 | 自动引导车的视觉寻边导航方法 |
CN114581890A (zh) * | 2022-03-24 | 2022-06-03 | 北京百度网讯科技有限公司 | 确定车道线的方法、装置、电子设备和存储介质 |
WO2023279966A1 (zh) * | 2021-07-08 | 2023-01-12 | 中移(上海)信息通信科技有限公司 | 一种多车道线检测方法、装置及检测设备 |
Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2012011713A2 (ko) * | 2010-07-19 | 2012-01-26 | 주식회사 이미지넥스트 | 차선 인식 시스템 및 방법 |
CN102521589A (zh) * | 2011-11-18 | 2012-06-27 | 深圳市宝捷信科技有限公司 | 一种车道线检测的方法及系统 |
CN103617412A (zh) * | 2013-10-31 | 2014-03-05 | 电子科技大学 | 实时车道线检测方法 |
CN103971521A (zh) * | 2014-05-19 | 2014-08-06 | 清华大学 | 道路交通异常事件实时检测方法及装置 |
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 |
WO2015078075A1 (zh) * | 2013-11-27 | 2015-06-04 | 智慧城市系统服务(中国)有限公司 | 一种车道线检测方法及装置 |
CN105740782A (zh) * | 2016-01-25 | 2016-07-06 | 北京航空航天大学 | 一种基于单目视觉的驾驶员换道过程量化方法 |
CN106529505A (zh) * | 2016-12-05 | 2017-03-22 | 惠州华阳通用电子有限公司 | 一种基于图像视觉的车道线检测方法 |
CN108052921A (zh) * | 2017-12-27 | 2018-05-18 | 海信集团有限公司 | 一种车道线检测方法、装置及终端 |
CN108171225A (zh) * | 2018-03-14 | 2018-06-15 | 海信集团有限公司 | 车道检测方法、装置、终端及存储介质 |
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 |
CN108875607A (zh) * | 2017-09-29 | 2018-11-23 | 惠州华阳通用电子有限公司 | 车道线检测方法、装置以及计算机可读存储介质 |
CN109034047A (zh) * | 2018-07-20 | 2018-12-18 | 京东方科技集团股份有限公司 | 一种车道线检测方法及装置 |
CN109101957A (zh) * | 2018-10-29 | 2018-12-28 | 长沙智能驾驶研究院有限公司 | 双目立体数据处理方法、装置、智能驾驶设备及存储介质 |
CN111291601A (zh) * | 2018-12-07 | 2020-06-16 | 阿里巴巴集团控股有限公司 | 车道线识别方法和装置以及电子设备 |
CN111353446A (zh) * | 2020-03-05 | 2020-06-30 | 广智微芯(扬州)有限公司 | 一种车道线检测方法及系统 |
CN111881832A (zh) * | 2020-07-28 | 2020-11-03 | 苏州浪潮智能科技有限公司 | 车道目标检测方法、装置、设备及计算机可读存储介质 |
-
2020
- 2020-12-14 CN CN202011472440.9A patent/CN112597846B/zh active Active
Patent Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2012011713A2 (ko) * | 2010-07-19 | 2012-01-26 | 주식회사 이미지넥스트 | 차선 인식 시스템 및 방법 |
CN102521589A (zh) * | 2011-11-18 | 2012-06-27 | 深圳市宝捷信科技有限公司 | 一种车道线检测的方法及系统 |
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 |
CN103617412A (zh) * | 2013-10-31 | 2014-03-05 | 电子科技大学 | 实时车道线检测方法 |
WO2015078075A1 (zh) * | 2013-11-27 | 2015-06-04 | 智慧城市系统服务(中国)有限公司 | 一种车道线检测方法及装置 |
CN103971521A (zh) * | 2014-05-19 | 2014-08-06 | 清华大学 | 道路交通异常事件实时检测方法及装置 |
CN105740782A (zh) * | 2016-01-25 | 2016-07-06 | 北京航空航天大学 | 一种基于单目视觉的驾驶员换道过程量化方法 |
CN106529505A (zh) * | 2016-12-05 | 2017-03-22 | 惠州华阳通用电子有限公司 | 一种基于图像视觉的车道线检测方法 |
CN108875607A (zh) * | 2017-09-29 | 2018-11-23 | 惠州华阳通用电子有限公司 | 车道线检测方法、装置以及计算机可读存储介质 |
CN108052921A (zh) * | 2017-12-27 | 2018-05-18 | 海信集团有限公司 | 一种车道线检测方法、装置及终端 |
CN108171225A (zh) * | 2018-03-14 | 2018-06-15 | 海信集团有限公司 | 车道检测方法、装置、终端及存储介质 |
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 |
CN109034047A (zh) * | 2018-07-20 | 2018-12-18 | 京东方科技集团股份有限公司 | 一种车道线检测方法及装置 |
CN109101957A (zh) * | 2018-10-29 | 2018-12-28 | 长沙智能驾驶研究院有限公司 | 双目立体数据处理方法、装置、智能驾驶设备及存储介质 |
CN111291601A (zh) * | 2018-12-07 | 2020-06-16 | 阿里巴巴集团控股有限公司 | 车道线识别方法和装置以及电子设备 |
CN111353446A (zh) * | 2020-03-05 | 2020-06-30 | 广智微芯(扬州)有限公司 | 一种车道线检测方法及系统 |
CN111881832A (zh) * | 2020-07-28 | 2020-11-03 | 苏州浪潮智能科技有限公司 | 车道目标检测方法、装置、设备及计算机可读存储介质 |
Non-Patent Citations (3)
Title |
---|
JU HAN YOO 等: "A Robust Lane Detection Method Based on Vanishing Point Estimation Using the Relevance of Line Segments", 《IEEE TRANSACTIONS ON INTELLIGENT TRANSPORTATION SYSTEMS》 * |
段建民 等: "基于改进简单图像统计算法的车道线识别", 《计算机工程与设计》 * |
王晓锦等: "基于消失点检测与分段直线模型的车道线识别", 《机电一体化》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023279966A1 (zh) * | 2021-07-08 | 2023-01-12 | 中移(上海)信息通信科技有限公司 | 一种多车道线检测方法、装置及检测设备 |
CN113703455A (zh) * | 2021-08-27 | 2021-11-26 | 广州文远知行科技有限公司 | 一种激光点云的语义信息标注方法及相关设备 |
CN114019973A (zh) * | 2021-11-05 | 2022-02-08 | 西安铁蜗牛自动化设备有限公司 | 自动引导车的视觉寻边导航方法 |
CN114581890A (zh) * | 2022-03-24 | 2022-06-03 | 北京百度网讯科技有限公司 | 确定车道线的方法、装置、电子设备和存储介质 |
CN114581890B (zh) * | 2022-03-24 | 2023-03-10 | 北京百度网讯科技有限公司 | 确定车道线的方法、装置、电子设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112597846B (zh) | 2022-11-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112597846B (zh) | 车道线检测方法、装置、计算机设备和存储介质 | |
CN110084095B (zh) | 车道线检测方法、车道线检测装置和计算机存储介质 | |
CN107045629B (zh) | 一种多车道线检测方法 | |
CN108280450B (zh) | 一种基于车道线的高速公路路面检测方法 | |
CN110717489B (zh) | Osd的文字区域的识别方法、装置及存储介质 | |
US7639878B2 (en) | Shadow detection in images | |
Mu et al. | Lane detection based on object segmentation and piecewise fitting | |
US20170177951A1 (en) | Lane Detection System And Method | |
CN111862228B (zh) | 遮挡检测的方法、系统、计算机设备和可读存储介质 | |
CN111047615B (zh) | 基于图像的直线检测方法、装置以及电子设备 | |
US9747507B2 (en) | Ground plane detection | |
CN107748882B (zh) | 一种车道线检测方法及装置 | |
WO2013116598A1 (en) | Low-cost lane marker detection | |
CN112990087B (zh) | 一种车道线检测方法、装置、设备及可读存储介质 | |
US10380743B2 (en) | Object identifying apparatus | |
CN111191482A (zh) | 一种刹车灯识别方法、装置及电子设备 | |
CN111695373A (zh) | 斑马线的定位方法、系统、介质及设备 | |
US10970592B2 (en) | Adhering substance detection apparatus and adhering substance detection method | |
CN115861315B (zh) | 缺陷检测方法和装置 | |
CN114724119B (zh) | 车道线提取方法、检测设备及存储介质 | |
CN116486130A (zh) | 障碍物识别的方法、装置、自移动设备及存储介质 | |
CN114898306B (zh) | 一种检测目标朝向的方法、装置及电子设备 | |
CN115830049A (zh) | 角点检测的方法和装置 | |
CN113673362A (zh) | 对象的运动状态确定方法、装置、计算机设备和存储介质 | |
CN114140760A (zh) | 智能驾驶中障碍物检测去干扰方法、装置和计算机设备 |
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 |