CN112819711A - 一种基于单目视觉的利用道路车道线的车辆反向定位方法 - Google Patents

一种基于单目视觉的利用道路车道线的车辆反向定位方法 Download PDF

Info

Publication number
CN112819711A
CN112819711A CN202110075472.3A CN202110075472A CN112819711A CN 112819711 A CN112819711 A CN 112819711A CN 202110075472 A CN202110075472 A CN 202110075472A CN 112819711 A CN112819711 A CN 112819711A
Authority
CN
China
Prior art keywords
lane line
positioning
camera
road
plane
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
CN202110075472.3A
Other languages
English (en)
Other versions
CN112819711B (zh
Inventor
程洪
詹惠琴
单春翔
田环根
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.)
University of Electronic Science and Technology of China
Original Assignee
University of Electronic Science and Technology of China
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 University of Electronic Science and Technology of China filed Critical University of Electronic Science and Technology of China
Priority to CN202110075472.3A priority Critical patent/CN112819711B/zh
Publication of CN112819711A publication Critical patent/CN112819711A/zh
Application granted granted Critical
Publication of CN112819711B publication Critical patent/CN112819711B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • G06T7/75—Determining position or orientation of objects or cameras using feature-based methods involving models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/80—Analysis of captured images to determine intrinsic or extrinsic camera parameters, i.e. camera calibration
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30244—Camera pose
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30248—Vehicle exterior or interior
    • G06T2207/30252—Vehicle exterior; Vicinity of vehicle

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种基于单目视觉的利用道路车道线的车辆反向定位方法，包括：采集道路图像并进行畸变矫正、车道线检测及直线近似、基于道路平面假设模型构建道路平面定位模型、定位车道线并进行处理并定位得到车辆距离左右车道线的距离以及与车道线的夹角，完成利用车道线的车辆定位。本发明针对单目定位车道线的难点问题，提出了道路平面定位模型以及相应定位框架，实现了单目单帧图像对车道线、车辆相对位置的定位，并通过预先标定好的相机参数解决了单目视觉尺度不确定问题，这样获得了精准的尺度信息，提高了车辆定位精度。

Description

一种基于单目视觉的利用道路车道线的车辆反向定位方法
技术领域
本发明属于车辆定位技术领域，更为具体地讲，涉及一种基于单目视觉的利用道路车道线的车辆反向定位方法，用于确定车辆自身在车道中的位置。
背景技术
在无人驾驶中，获取车辆自身定位是进行感知决策的先决条件，并且定位系统需要具有较好的鲁棒性和较高的精确性。通常用来定位的传感器包括相机、激光雷达、全局GPS定位等，其中，单目相机在无人驾驶中具有重要的使用价值。单目相机具有高质量的信息，并且不需要做外参标定，同时相比于多目视觉和激光雷达节省了大量计算资源；同时，单目相机不依赖外界信号，相比GPS具有更好的鲁棒性。遗憾的是，单目相机一般具有尺度不确定性，在无外界知识的先验下，仅依赖单目相机不能获得完整、具有尺度的定位信息，
在2011年10月19日公布的、公布号为CN102221358A的中国发明专利申请中，公开了一种基于逆透视投影变换的单目视觉定位方法，其将姿态传感器与相机固定在一起，安装在轮式车辆上，对行驶过程中拍摄的图像进行下述处理：第一步，对图像序列进行逆透视投影变换；第二步，计算相邻图像间的变换矩阵；第三步，确定轮式车辆行驶轨迹曲线。该技术方案利用姿态传感器获得的实时姿态信息辅助轮式车辆的定位，获得了较高精度的定位结果；将图像进行逆透视投影变换，消除了透视效果，进一步提高了轮式车辆定位精度。然而，该技术方案所使用的单目相机定位方法比较依赖姿态传感器的测量结果，同时，为了拍摄到尽可能多的路面信息，相机的安装位置和角度也具有较大难度，无人驾驶汽车的感知定位需要更多前向信息作为参考，此种方式的感知力度比较差。另外，在只有单目相机的基础上，仍然很难获得精准的尺度信息。
在2017年05月10日公布的、公布号为CN106651953A的中国发明专利申请中，公开了一种基于交通指示牌的车辆位姿估计方法，其首先通过常规GPS设备获得车辆概略位置，通过安装在车辆前方的单目相机获取车辆前方的影像。之后在一帧图像中检测交通指示牌，如未检测到指示牌即处理下一帧图像。检测得到交通指示牌后，提取指示牌的4个控制点坐标，再通过GPS概略信息获得数据库中预存的该指示牌的4个正交控制点坐标，4对控制点之间一一对应，计算由输入图像中指示牌位置到数据库正交位置的平面透视变换矩阵，由该矩阵解算得到车辆在交通指示牌坐标系下的精确位置和姿态。当车辆在设有交通指示牌的道路上行驶时，该技术方案能够快速定位车辆在指示牌坐标系下的位置和姿态，具有实时性高，成本低廉，易于大规模推广的优点。尽管该技术方案在速度上能达到无人驾驶需求，但是具有对交通指示牌的高度依赖性，同时，控制点的坐标对交通指示牌的选取具有一定要求，在没有路标牌的地点失去定位功能。
发明内容
本发明的目的在于克服现有技术的不足，提供一种基于单目视觉的利用道路车道线的车辆反向定位方法，以获得精准的尺度信息，提高车辆定位精度。
为实现上述发明目的，本发明基于单目视觉的利用道路车道线的车辆反向定位方法，其特征在于，包括以下步骤：
(1)、采集道路图像并进行畸变矫正
利用车辆前视摄像头(单目相机)，采集单帧车辆运行时的道路图像，并依据预先标定好的相机参数，对采集到的道路图像进行畸变矫正；
(2)、车道线检测及直线近似
使用车道线检测模型对道路图像进行车道线检测，车道线检测模型输出为N条车道线；
在车道线靠近车辆的端点一定距离处，取切线(直线近似)，作为定位车道线，每根定位车道线用两个点(u1,v1)、(u2,v2)表示；
(3)、构建道路平面定位模型
构建相机坐标系、道路图像坐标系：在相机坐标系中(与相机拍摄方向同向)X轴的方向向右，Y轴方向向下，Z轴方向向前，在道路图像坐标系中，x轴向右，y轴向下；
视道路是完全的平面(即构成道路平面Plane)，得到道路平面定位模型：
Figure BDA0002907324200000031
其中，fx、fy分别为横向和纵向的相机焦距，单位为pixel(像素)，其根据值为fx＝f/dx,fy＝f/dy，dx为道路图像的行中每个像素对应的实际距离，dy为道路图像的列中每个像素对应的实际距离，单位为mm/pixel，f为相机焦距，单位是mm(当然也可以是其他长度单位)；
其中，XC、YC、ZC为道路平面上一个点在相机坐标系中的坐标(XC,YC,ZC)在X轴、Y轴、Z轴的坐标值，u、v为对应点在道路图像坐标系的坐标(u,v)在x轴、y轴的坐标值，u0、v0为相机光轴与成像平面(道路图像)的交点在道路图像坐标系的坐标(u0,v0)在x轴、y轴的坐标值；
其中，a、b、c、d为在相机坐标系下道路平面方程的系数；
(4)、定位车道线并进行处理
对步骤(2)得到定位车道线(2D位置)，依据道路平面定位模型，得到定位车道线在相机坐标系下的3D位置：将点(u1,v1)的坐标u1、v1分别作为u、v代入道路平面定位模型得到相机坐标系下对应点的坐标(XC1,YC1,ZC1)，将点(u2,v2)的坐标u2、v2分别作为u、v代入道路平面定位模型得到相机坐标系下对应点的坐标(XC2YC2,ZC2)，这样得到相机坐标系下的定位车道线；
4.1)、单车道线补全
如果仅有一条定位车道线，在相机坐标系下，以该定位车道线法向量为方向，将车道线向相机坐标系原点一侧平移路宽w米，形成第二条定位车道线；
4.2)、正确区分左右车道线
在相机坐标系下位于原点左边的定位车道线为左车道线，右边的定位车道线为右车道线；
(5)、定位
将左车道线表示为道路平面Plane与道路平面垂直的平面Plane左的交线，将右车道线表示为道路平面Plane与道路平面垂直的平面Plane右的交线，计算相机中心即相机坐标系原点到平面Plane左的距离，得到车辆距离左车道线的距离d左，计算相机中心即相机坐标系原点到平面Plane右的距离，得到车辆距离右车道线的距离d右；
先计算相机中心射线即Z轴方向射线与平面Plane左或平面Plane右的交点PO、与道路平面Plane的夹角θcamera，然后计算相机坐标系原点到交点PO的距离do，最后得到相机光心所在方向与车道线夹角θ左或夹角θ右：
Figure BDA0002907324200000041
如果相机中心射线即Z轴方向射线与平面Plane左或平面Plane右都不相交，则相机光心所在方向与车道线夹角为0。
本发明的目的是这样实现的。
本发明基于单目视觉的利用道路车道线的车辆反向定位方法，包括：采集道路图像并进行畸变矫正、车道线检测及直线近似、基于道路平面假设模型构建道路平面定位模型、定位车道线并进行处理并定位得到车辆距离左右车道线的距离以及与车道线的夹角，完成利用车道线的车辆定位。本发明针对单目定位车道线的难点问题，提出了道路平面定位模型以及相应定位框架，实现了单目单帧图像对车道线、车辆相对位置的定位，并通过预先标定好的相机参数解决了单目视觉尺度不确定问题，这样获得了精准的尺度信息，提高了车辆定位精度。
附图说明
图1是本发明基于单目视觉的利用道路车道线的车辆反向定位方法一种具体实施方式流程图；
图2是传统车道线直线近似结果图；
图3是本发明基于单目视觉的利用道路车道线的车辆反向定位方法中车道线直线近似结果图；
图4是单目相机车道线定位示意图；
图5是道路点与道路图像点的关系示意图；
图6是左右车道线区分示意图；
图7是车辆与车道线位置和方向与车道线夹角计算示意图。
图8是本发明基于单目视觉的利用道路车道线的车辆反向定位方法一种具体实施方式原理示意图。
具体实施方式
下面结合附图对本发明的具体实施方式进行描述，以便本领域的技术人员更好地理解本发明。需要特别提醒注意的是，在以下的描述中，当已知功能和设计的详细描述也许会淡化本发明的主要内容时，这些描述在这里将被忽略。
图1是基于单目视觉的利用道路车道线的车辆反向定位方法一种具体实施方式流程图。
在本实施例中，如图1所示，本发明基于单目视觉的利用道路车道线的车辆反向定位方法包括以下步骤：
步骤S1：采集道路图像并进行畸变矫正
利用车辆前视摄像头(单目相机)，采集单帧车辆运行时的道路图像，并依据预先标定好的相机参数，对采集到的道路图像进行畸变矫正。
步骤S2：车道线检测及直线近似
使用车道线检测模型对道路图像进行车道线检测，车道线检测模型输出为N条车道线。
在车道线靠近车辆的端点一定距离处，取切线(直线近似)，作为定位车道线，每根定位车道线用两个点(u1,v1)、(u2,v2)表示。
在本实施例中，车道线检测使用基于lanenet的深度学习方法，获取道路图像中的车道线像素位置，从而得到N条车道线。
如图2所示，传统的车道线直线近似是将首尾两点作为车道线的直线近似，这种方法在车道线为直线是正确的，但是当车道线是大曲率弯道时，会带来很大的误差。
如图3所示，本发明车道线直线近似是在车道线靠近车辆的端点一定距离处，取切线并将切线作为定位车道线，这样无论是直道还是弯道，都能获得准确的直线近似，鲁棒性较好。
步骤S3：构建道路平面定位模型
构建相机坐标系、道路图像坐标系：在相机坐标系中(与相机拍摄方向同向)X轴的方向向右，Y轴方向向下，Z轴方向向前，在道路图像坐标系中，x轴向右，y轴向下。
视道路是完全的平面(即构成道路平面Plane)，得到道路平面定位模型：
Figure BDA0002907324200000061
其中，fx、fy分别为横向和纵向的相机焦距，单位为pixel(像素)，其根据值为fx＝f/dx,fy＝f/dy，dx为道路图像的行中每个像素对应的实际距离，dy为道路图像的列中每个像素对应的实际距离，单位为mm/pixel，f为相机焦距，单位是mm(当然也可以是其他长度单位)；
其中，XC、YC、ZC为道路平面上一个点在相机坐标系中的坐标(XC,YC,ZC)在X轴、Y轴、Z轴的坐标值，u、v为对应点在道路图像坐标系的坐标(u,v)在x轴、y轴的坐标值，u0、v0为相机光轴与成像平面(道路图像)的交点在道路图像坐标系的坐标(u0,v0)在x轴、y轴的坐标值；
其中，a、b、c、d为在相机坐标系下道路平面方程的系数。
要利用相机对实际环境中的元素进行定位，大部分情况下需要依赖不同帧或者不同相机视角之间的点匹配，这就必须要求待定位点纹理丰富，而车道线表面很有可能纹理并不丰富，为了能够正常定位车道线，考虑到大部分情况下路面是平面，并且与车载摄像头(单目相机)之间的位置关系不会改变，于是如图4所示，单目相机车道线定位中，道路上的点与相机成像(道路图像)点存在一一对应的关系，仅通过单帧单目就可以定位道路上的点。
本发明做了一个基本假设：
①、道路是完全的平面，②、车辆平稳运行时，相机与道路平面相对位置关系不会改变。
假设①指假定道路路面是一个平面，或在车辆行驶的短暂区域内是平面，假设②指的是，车在这个道路平面上平稳运行，不会大角度前倾或者后仰。
如图5所示，当道路平面确定时，道路图像上观测到一点pC，那么其在真实世界(相机坐标系)的3D坐标点PC就可以通过pC所在直线与道路平面的交点(道路点)计算获得。
下面开始推导道路图像上一点pC，到真实世界点PC的计算原理：
1、道路平面
设相机坐标系下，道路平面方程为：
a·XC+b·YC+c·ZC+d＝0
道路平面方程中有四个参数a、b、c、d，可通过室外人工采点进行标定获得。道路平面方程描述的是平面约束，满足方程的点一定在道路平面上，在道路平面上的点也一定满足该道路平面方程。
2、相机观测直线
已知相机坐标系下存在一平面(道路平面)，点PC坐标表示为：
PC＝[XC,YC,ZC]T
相机观测到点PC，公式描述即：
pC＝K·PC
Figure BDA0002907324200000071
pC＝[u,v,1]T
公式展开，简化可得：
Figure BDA0002907324200000072
联立方程u、v以及相机内参都为已知，有三个未知数分别为：XC、YC、ZC，两个方程三个未知数，可以有线性空间解，该方程组本质上描述的是一条空间中的直线。
由以上分析可知，相机观测到点pC，实际上在相机坐标系下描述的是一条光心O到pC的直线，而三维空间点PC必定存在于这条直线上，PC又是道路平面上的点，即点PC必定满足道路平面方程:
a·XC+b·YC+c·ZC+d＝0
联立三个方程，就可以唯一的求出点PC的位置坐标了：
Figure BDA0002907324200000081
即解出XC、YC、ZC即可。这样就完成了图像上点pC其真实世界坐标点PC的推导过程。
步骤S4：定位车道线并进行处理
对步骤S2得到的定位车道线(2D位置)，依据道路平面定位模型，得到定位车道线在相机坐标系下的3D位置：将点(u1,v1)的坐标u1、v1分别作为u、v代入道路平面定位模型得到相机坐标系下对应点的坐标(XC1,YC1,ZC1)，将点(u2,v2)的坐标u2、v2分别作为u、v代入道路平面定位模型得到相机坐标系下对应点的坐标(XC2YC2,ZC2)，这样得到相机坐标系下的定位车道线；
步骤S4.1：单车道线补全
如果运行中仅检测到单条车道线，为了后续能够计算车道线车辆相对位置关系结果，按照路宽，对车道线补全。具体方法为：
在相机坐标系下，以该定位车道线法向量为方向，将车道线向相机坐标系原点一侧平移路宽w米，形成第二条定位车道线。
步骤S4.2：正确区分左右车道线
预先不区分左右车道线，对所有车道线检测结果进行定位，得到车道线在相机坐标系下的3D位置。由于相机投影矩阵已知，而车辆行驶路线总在两车道线之间，因此在相机坐标系下位于原点左边的定位车道线为左车道线，右边的定位车道线为右车道线，如图6所示。
步骤S5：定位
图7是车辆与车道线位置和方向与车道线夹角计算示意图。图7给出的是相机中心射线即Z轴方向射线与平面Plane右的交点PO，与平面Plane左相交的情形类似。
将左车道线lleft表示为道路平面Plane与道路平面垂直的平面Plane左的交线，将右车道线lright表示为道路平面Plane与道路平面垂直的平面Plane右的交线，计算相机中心即相机坐标系原点到平面Plane左的距离，得到车辆距离左车道线的距离d左，计算相机中心即相机坐标系原点到平面Plane右的距离，得到车辆距离右车道线的距离d右。
先计算相机中心射线即Z轴方向射线与平面Plane左或平面Plane右的交点PO、与道路平面Plane的夹角θcamera，然后计算相机坐标系原点到交点PO的距离do，最后得到相机光心所在方向与车道线夹角θ左或夹角θ右：
Figure BDA0002907324200000091
如果相机中心射线即Z轴方向射线与平面Plane左或平面Plane右都不相交，则相机光心所在方向与车道线夹角为0。
本发明基于单目视觉的利用道路车道线的车辆反向定位方法的原理示意图如图8所示。
由于单目相机安装与无人驾驶汽车为刚体连接，通过固定的外参转换，可得到车身与车道线的相对位姿，在此基础上，在结构化道路内，车辆具有局部已知位姿和周围环境位置，足够完成车道线巡航、循迹导航等一系列无人驾驶功能，具有实际应用价值。
尽管上面对本发明说明性的具体实施方式进行了描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。

Claims (1)

1.一种基于单目视觉的利用道路车道线的车辆反向定位方法，其特征在于，包括以下步骤：
(1)、采集道路图像并进行畸变矫正
利用车辆前视摄像头(单目相机)，采集单帧车辆运行时的道路图像，并依据预先标定好的相机参数，对采集到的道路图像进行畸变矫正；
(2)、车道线检测及直线近似
使用车道线检测模型对道路图像进行车道线检测，车道线检测模型输出为N条车道线；
在车道线靠近车辆的端点一定距离处，取切线(直线近似)，作为定位车道线，每根定位车道线用两个点(u1,v1)、(u2,v2)表示；
(3)、构建道路平面定位模型
构建相机坐标系、道路图像坐标系：在相机坐标系中(与相机拍摄方向同向)X轴的方向向右，Y轴方向向下，Z轴方向向前，在道路图像坐标系中，x轴向右，y轴向下；
视道路是完全的平面(即构成道路平面Plane)，得到道路平面定位模型：
Figure FDA0002907324190000011
其中，fx、fy分别为横向和纵向的相机焦距，单位为pixel(像素)，其根据值为fx＝f/dx,fy＝f/dy，dx为道路图像的行中每个像素对应的实际距离，dy为道路图像的列中每个像素对应的实际距离，单位为mm/pixel，f为相机焦距，单位是mm(当然也可以是其他长度单位)；
其中，XC、YC、ZC为道路平面上一个点在相机坐标系中的坐标(XC,YC,ZC)在X轴、Y轴、Z轴的坐标值，u、v为对应点在道路图像坐标系的坐标(u,v)在x轴、y轴的坐标值，u0、v0为相机光轴与成像平面(道路图像)的交点在道路图像坐标系的坐标(u0,v0)在x轴、y轴的坐标值；
其中，a、b、c、d为在相机坐标系下道路平面方程的系数；
(4)、定位车道线并进行处理
对步骤(2)得到定位车道线(2D位置)，依据道路平面定位模型，得到定位车道线在相机坐标系下的3D位置：将点(u1,v1)的坐标u1、v1分别作为u、v代入道路平面定位模型得到相机坐标系下对应点的坐标(XC1,YC1,ZC1)，将点(u2,v2)的坐标u2、v2分别作为u、v代入道路平面定位模型得到相机坐标系下对应点的坐标(XC2YC2,ZC2)，这样得到相机坐标系下的定位车道线；
4.1)、单车道线补全
如果仅有一条定位车道线，在相机坐标系下，以该定位车道线法向量为方向，将车道线向相机坐标系原点一侧平移路宽w米，形成第二条定位车道线；
4.2)、正确区分左右车道线
在相机坐标系下位于原点左边的定位车道线为左车道线，右边的定位车道线为右车道线；
(5)、定位
将左车道线表示为道路平面Plane与道路平面垂直的平面Plane左的交线，将右车道线表示为道路平面Plane与道路平面垂直的平面Plane右的交线，计算相机中心即相机坐标系原点到平面Plane左的距离，得到车辆距离左车道线的距离d左，计算相机中心即相机坐标系原点到平面Plane右的距离，得到车辆距离右车道线的距离d右；
先计算相机中心射线即Z轴方向射线与平面Plane左或平面Plane右的交点PO、与道路平面Plane的夹角θcamera，然后计算相机坐标系原点到交点PO的距离do，最后得到相机光心所在方向与车道线夹角θ左或夹角θ右：
Figure FDA0002907324190000021
如果相机中心射线即Z轴方向射线与平面Plane左或平面Plane右都不相交，则相机光心所在方向与车道线夹角为0。
CN202110075472.3A 2021-01-20 2021-01-20 一种基于单目视觉的利用道路车道线的车辆反向定位方法 Active CN112819711B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110075472.3A CN112819711B (zh) 2021-01-20 2021-01-20 一种基于单目视觉的利用道路车道线的车辆反向定位方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110075472.3A CN112819711B (zh) 2021-01-20 2021-01-20 一种基于单目视觉的利用道路车道线的车辆反向定位方法

Publications (2)

Publication Number Publication Date
CN112819711A true CN112819711A (zh) 2021-05-18
CN112819711B CN112819711B (zh) 2022-11-22

Family

ID=75858405

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110075472.3A Active CN112819711B (zh) 2021-01-20 2021-01-20 一种基于单目视觉的利用道路车道线的车辆反向定位方法

Country Status (1)

Country Link
CN (1) CN112819711B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114170320A (zh) * 2021-10-29 2022-03-11 广西大学 一种基于多传感器融合的打桩机自动定位和工况自适应方法
CN114998849A (zh) * 2022-05-27 2022-09-02 电子科技大学 一种基于路端单目相机的交通流要素感知与定位方法及其应用
CN115468576A (zh) * 2022-09-29 2022-12-13 东风汽车股份有限公司 一种基于多模态数据融合的自动驾驶定位方法及系统
CN115468576B (zh) * 2022-09-29 2024-10-25 东风汽车股份有限公司 一种基于多模态数据融合的自动驾驶定位方法及系统

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030030546A1 (en) * 2001-07-11 2003-02-13 Din-Chang Tseng Monocular computer vision aided road vehicle driving for safety
JP2007264712A (ja) * 2006-03-27 2007-10-11 Fuji Heavy Ind Ltd 車線検出装置
WO2011118110A1 (ja) * 2010-03-24 2011-09-29 株式会社 東芝 車両運転支援用処理装置、車両運転支援装置および車両装置
CN105206090A (zh) * 2015-10-13 2015-12-30 厦门星辰天羽汽车设计有限公司 一种车辆定位方法
EP3086284A1 (en) * 2015-04-23 2016-10-26 Application Solutions (Electronics and Vision) Limited Camera extrinsic parameters estimation from image lines
CN107703528A (zh) * 2017-09-25 2018-02-16 武汉光庭科技有限公司 自动驾驶中结合低精度gps的视觉定位方法及系统
WO2018196391A1 (zh) * 2017-04-28 2018-11-01 华为技术有限公司 一种车载摄像机的外部参数标定方法及装置
CN110487562A (zh) * 2019-08-21 2019-11-22 北京航空航天大学 一种用于无人驾驶的车道保持能力检测系统及方法
WO2019233286A1 (zh) * 2018-06-05 2019-12-12 北京市商汤科技开发有限公司 视觉定位方法、装置、电子设备及系统
WO2020072050A1 (en) * 2018-10-03 2020-04-09 Gentex Corporation Rear facing lane detection overlay
CN111753605A (zh) * 2019-06-11 2020-10-09 北京京东尚科信息技术有限公司 车道线定位方法、装置、电子设备及可读介质
US10867190B1 (en) * 2019-11-27 2020-12-15 Aimotive Kft. Method and system for lane detection

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030030546A1 (en) * 2001-07-11 2003-02-13 Din-Chang Tseng Monocular computer vision aided road vehicle driving for safety
JP2007264712A (ja) * 2006-03-27 2007-10-11 Fuji Heavy Ind Ltd 車線検出装置
WO2011118110A1 (ja) * 2010-03-24 2011-09-29 株式会社 東芝 車両運転支援用処理装置、車両運転支援装置および車両装置
EP3086284A1 (en) * 2015-04-23 2016-10-26 Application Solutions (Electronics and Vision) Limited Camera extrinsic parameters estimation from image lines
CN105206090A (zh) * 2015-10-13 2015-12-30 厦门星辰天羽汽车设计有限公司 一种车辆定位方法
WO2018196391A1 (zh) * 2017-04-28 2018-11-01 华为技术有限公司 一种车载摄像机的外部参数标定方法及装置
CN107703528A (zh) * 2017-09-25 2018-02-16 武汉光庭科技有限公司 自动驾驶中结合低精度gps的视觉定位方法及系统
WO2019233286A1 (zh) * 2018-06-05 2019-12-12 北京市商汤科技开发有限公司 视觉定位方法、装置、电子设备及系统
WO2020072050A1 (en) * 2018-10-03 2020-04-09 Gentex Corporation Rear facing lane detection overlay
CN111753605A (zh) * 2019-06-11 2020-10-09 北京京东尚科信息技术有限公司 车道线定位方法、装置、电子设备及可读介质
CN110487562A (zh) * 2019-08-21 2019-11-22 北京航空航天大学 一种用于无人驾驶的车道保持能力检测系统及方法
US10867190B1 (en) * 2019-11-27 2020-12-15 Aimotive Kft. Method and system for lane detection

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
MUR-ARTAL R等: "Orb-slam2:An open-source slam system for monocular,stereo,and rgb-d cameras", 《IEEE TRANSACTIONS ON ROBOTICS》 *
田环根: "面向认知地图的视觉定位系统", 《中国优秀硕士学位论文全文数据库 工程科技II辑》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114170320A (zh) * 2021-10-29 2022-03-11 广西大学 一种基于多传感器融合的打桩机自动定位和工况自适应方法
CN114170320B (zh) * 2021-10-29 2022-10-28 广西大学 一种基于多传感器融合的打桩机自动定位和工况自适应方法
CN114998849A (zh) * 2022-05-27 2022-09-02 电子科技大学 一种基于路端单目相机的交通流要素感知与定位方法及其应用
CN114998849B (zh) * 2022-05-27 2024-04-16 电子科技大学 一种基于路端单目相机的交通流要素感知与定位方法及其应用
CN115468576A (zh) * 2022-09-29 2022-12-13 东风汽车股份有限公司 一种基于多模态数据融合的自动驾驶定位方法及系统
CN115468576B (zh) * 2022-09-29 2024-10-25 东风汽车股份有限公司 一种基于多模态数据融合的自动驾驶定位方法及系统

Also Published As

Publication number Publication date
CN112819711B (zh) 2022-11-22

Similar Documents

Publication Publication Date Title
CN109766757B (zh) 一种融合车辆和视觉信息的泊车位高精度定位方法及系统
JP7461720B2 (ja) 車両位置決定方法及び車両位置決定装置
JP6821712B2 (ja) 自然光景中での統合センサの較正
CN106228110B (zh) 一种基于车载双目相机的障碍物及可行驶区域检测方法
CN107704821B (zh) 一种弯道的车辆位姿计算方法
CN105844624B (zh) 动态标定系统、动态标定系统中的联合优化方法及装置
WO2018196391A1 (zh) 一种车载摄像机的外部参数标定方法及装置
CN111065043B (zh) 一种基于车路通信的隧道内车辆融合定位系统及方法
WO2012043045A1 (ja) 画像処理装置及びそれを用いた撮像装置
CN106289159B (zh) 基于测距补偿的车辆测距方法及装置
CN110031829A (zh) 一种基于单目视觉的目标精准测距方法
CN111967360B (zh) 基于车轮的目标车辆姿态检测方法
CN108759823B (zh) 基于图像匹配的指定道路上低速自动驾驶车辆定位及纠偏方法
CN110766760B (zh) 用于相机标定的方法、装置、设备和存储介质
CN112819711B (zh) 一种基于单目视觉的利用道路车道线的车辆反向定位方法
US10554951B2 (en) Method and apparatus for the autocalibration of a vehicle camera system
CN111678518B (zh) 一种用于修正自动泊车路径的视觉定位方法
CN112037159A (zh) 一种跨相机道路空间融合及车辆目标检测跟踪方法及系统
CN112862818B (zh) 惯性传感器和多鱼眼相机联合的地下停车场车辆定位方法
CN109029442A (zh) 基于多视角匹配的定位装置及方法
CN114413958A (zh) 无人物流车的单目视觉测距测速方法
CN115239822A (zh) 分体式飞行车辆多模块间实时视觉识别定位方法及系统
CN115015956A (zh) 一种室内无人车的激光与视觉slam系统
US11477371B2 (en) Partial image generating device, storage medium storing computer program for partial image generation and partial image generating method
CN107886472B (zh) 全景泊车系统的图像拼接校准方法和图像拼接校准装置

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