CN113011293A - 一种行道线参数实时提取方法 - Google Patents

一种行道线参数实时提取方法 Download PDF

Info

Publication number
CN113011293A
CN113011293A CN202110243904.7A CN202110243904A CN113011293A CN 113011293 A CN113011293 A CN 113011293A CN 202110243904 A CN202110243904 A CN 202110243904A CN 113011293 A CN113011293 A CN 113011293A
Authority
CN
China
Prior art keywords
image
extreme point
point
ipm
coordinates
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
CN202110243904.7A
Other languages
English (en)
Other versions
CN113011293B (zh
Inventor
成海波
李林忠
项煜
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.)
Zhengzhou Tiamaes Technology Co ltd
Original Assignee
Zhengzhou Tiamaes 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 Zhengzhou Tiamaes Technology Co ltd filed Critical Zhengzhou Tiamaes Technology Co ltd
Priority to CN202110243904.7A priority Critical patent/CN113011293B/zh
Publication of CN113011293A publication Critical patent/CN113011293A/zh
Application granted granted Critical
Publication of CN113011293B publication Critical patent/CN113011293B/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
    • G06V20/56—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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明属于行道线检测技术领域，具体涉及一种行道线参数实时提取方法。本发明方法首先通过对原始图像做逆透视变换得到IPM图像将原始图像像素数量缩小；然后对IPM图像再次做bar filter滤波将图像再次缩小；然后逐行处理响应值，根据响应值的大小以及是否为极大值点，挑选出左右侧极值点集中的极大值点，最后根据响应值及极大值点的原始坐标做带权直线拟合，获得行道线参数。该方法能够大幅度减少用来拟合直线所需要的样本点的数量，参数统计运算的点的数量只有传统方法的几十分之一，极大地提高了算法的实时性。

Description

一种行道线参数实时提取方法
技术领域
本发明属于行道线检测技术领域，具体涉及一种行道线参数实时提取方法。
背景技术
随着汽车的不断普及，交通安全成为人类面对的重大问题，行道线的识别是图像处理和交通智能化领域的一个重要分支，近些年得到了长足的发展。目前针对行道线识别常用的方法是采用1个常用摄像头、LVDS传输同轴线，然后通过获取摄像头到地面的距离，汽车轮距，摄像头到保险杆的距离，摄像头与汽车中心的偏离距离，计算出图像中地平线到天空的像素范围，汽车引擎盖到图像底部的像素范围，以3米为车道宽度，计算出1.5到2个车道的像素范围，然后裁剪掉上述部分的图像，对剩余的图像进行缩放，然后对缩放后的每一个像素做遍历性的hough变换。
不过上述方法存在以下两个问题：
1、通过裁剪与缩放后，剩余的图像像素数量任然较多，缩放后的图像约为原图像的0.25*0.8*0.6大小；
2、传统对裁剪及缩放后的图像中的每一个像素做遍历性的hough变换，造成运算量相对较高，不利于实时提取行道线参数。
发明内容
针对目前对图像的裁剪与缩放后，剩余图像像素数量仍然较多，且后期需要对裁剪和缩放后的图像中每一个像素做遍历性的hough变换，运算量较大且不利于实时提取行道线参数的缺陷和问题，本发明提供一种能够大幅度减少运算量，提高算法实时性的行道线参数实时提取方法。
本发明解决其技术问题所采用的方案是：一种行道线参数实时提取方法，包括以下步骤：
步骤一、获取图像的原始图像坐标(xraw,yraw,zraw)，对原始图像做逆透视变换，得到经过逆透视变换后的IPM图像坐标；
步骤二、截取IPM图像的下半部分进行卷积变换，得到一个N*M的矩阵的卷积核barfilter，其中N＝lw+2floor(0.6lw),M＝floor(0.6lw)
Figure BDA0002963356490000021
式中：lw表示逆透视变换后图像中的行道线宽度；barfilter(i,j)为卷积核。
步骤三、将卷积变换后的输出图像分为左右两侧，逐行计算卷积图像左、右两侧灰度值的数值微分，得到微分图，
dif(i,j)＝0.5(respons(i,j+1)-respons(i,j-1))
式中：dif(i,j)为输出的微分图，respons(i,j)为IPM图像使用bar filter卷积以后的输出图；
步骤四、对微分图进行逐行扫描，根据极值点邻域内的微分值是否异号确定极值点的位置，若dif(i,j)*dif(i,j+1)<0，则说明该点为极值点；然后进一步判断极值点的性质，若respons(i,j)>th2，th2为正数，则说明该点为极大值点；若respons(i,j)<th1，th1为负数，则说明该极值点为极小值点，从而得到极值点分布图；
步骤五、判断极值点的横坐标是否大于0.5*W，W为卷积后图像的宽度；若横坐标小于0.5*W，将该极值点放入左侧极值点集中；若横坐标大于0.5*W，将该极值点放入右侧极值点集中；
步骤六、根据左、右侧极值点集中每个极值点的灰度值分别找出左侧极值点集以及右侧极值点集中的最大值，根据左、右侧极值点集中最大值的元素信息extreme(i,j,flag,val)，其中：i，j表示极大值点的坐标；flag表示极值点的性质，1表示极大值点、-1表示极小值点、0表示普通点；val记录了该极值点处该点的bar filter卷积响应值；将最大极值点的坐标(i，j)变换还原成原始图像坐标(xi，yi)，然后以极大值点处的原始图像坐标、极大值点处的IPM图像bar filter卷积值wi作为权重进行带权直线拟合，
Figure BDA0002963356490000031
求解即得直线x＝k*y+b中的参数k，b。
上述的的行道线参数实时提取方法，将原始图像坐标(xraw,yraw,zraw)进行IPM变换，得到IPM变换后的图像坐标u，v，
Figure BDA0002963356490000032
Figure BDA0002963356490000033
Figure BDA0002963356490000041
式中：mij为原始图像转换为IPM坐标的变换矩阵M在i行j列的值，zraw取值为1。
上述的行道线参数实时提取方法，将最大极值点的坐标(i，j)经过一次线性变换还原成IPM坐标，再经一次射影变换还原成原始图像坐标，具体如下：
Figure BDA0002963356490000042
Figure BDA0002963356490000043
式中：m′ij为原始图像转换为IPM坐标的变换矩阵M的逆矩阵M-1中在i行j列的值。
上述的行道线参数实时提取方法，步骤六中对F函数的两个变量求偏导：
Figure BDA0002963356490000044
Figure BDA0002963356490000045
转换成矩阵形式为：
Figure BDA0002963356490000046
求解即得直线x＝k*y+b中的参数k，b。
本发明的有益效果：本发明通过对原始图像做逆透视变换，逆透视变换后的图像经过裁剪后的像素数量，仅为原来图像的0.15到0.2倍；对逆透视后的图像再次做barfilter滤波，滤波后的图像再次缩小到原来的六分之一大小，然后逐行处理响应值，根据响应值的大小以及是否为极大值点，挑选出左右侧的极大值点，然后根据响应值(作为拟合时的权重)及极大值点的坐标(通过仿射变换，变换回原始图像坐标)做带权直线拟合，获得行道线参数。本算法只跟踪汽车近处的行道线，且假设在汽车近处的行道线在图像中能用直线较好地拟合，图像中汽车近处的直线方程为x＝k*y+b，通过拟合求解的参数为k和b，较之传统算法大幅度减少了用来拟合直线所需要的样本点的数量，参数统计运算的点的数量只有传统方法的几十分之一，极大地提高了算法的实时性。
附图说明
图1为原始图像与IPM变换后的IPM图像示意图。
图2为IPM图像与卷积变换后的卷积图像示意图。
图3为本发明流程示意图。
图4为卷积图像与卷积图像的微分图，其中A为经bar filter滤波后的响应图，B为对卷积图像进行逐行微分所得图。
图5为本发明bar fitler整体取值示意图。
图6为bar filter各单元取值示意图。
图7为图像直线拟合示意图。
图8为IPM图像与二值化处理后的图像示意图。
图9为Hough变换原理图。
图10为houghTable统计值图像。
具体实施方式
下面结合附图和实施例对本发明进一步说明。
步骤一、获取原始图像的坐标(xraw,yraw,zraw)，zraw实际取值为1；对原始图像做逆透视(IPM)变换，经过此步骤后，如图1所示，原图像的行道线变得大致平行，得到经过IPM变换后的IPM图像坐标u，v，原理如下公式：
Figure BDA0002963356490000061
Figure BDA0002963356490000062
Figure BDA0002963356490000063
这一步同时结合了裁剪和缩放的功能，经过逆透视变换处理之后，原始图像可从1280*720降至370*372大小，u的取值范围为0到369，v的取值范围为0到372。
步骤二、对IPM图像进行裁剪，截取IPM图像的下半部分进行卷积变换，得到一个N*M的矩阵的卷积核barfilter，其中N＝lw+2floor(0.6lw),M＝floor(0.6lw),lw＝11，可推出N＝22，M＝6。
Figure BDA0002963356490000064
式中：lw表示逆透视变换后图像中的行道线宽度；barfilter(i,j)为卷积核。
卷积算法如下：
Figure BDA0002963356490000065
Figure BDA0002963356490000071
如图5和图6所示，这个卷积核的值为中间高、两侧低的矩阵，当图像中的目标比较像白色条状物时，其响应值较高。
步骤三、将卷积变换后的输出图像分为左右两侧，对左、右两侧逐行计算灰度值的数值微分，dif(i,j)＝0.5(respons(i,j+1)-respons(i,j-1))，得到如图4所示的微分图。
算法伪代码如下：
dif(i,j)为本步骤的输出的微分图，respons(i,j)为IPM图像使用bar filter卷积以后的输出图
Figure BDA0002963356490000072
步骤四、对微分图进行逐行扫描，根据极值点处邻域内的微分值是否异号来确定极值点的位置，若dif(i,j)*dif(i,j+1)<0，则说明该点为极值点；然后进一步判断极值点的性质，若respons(i,j)>th2，th2为正数，则说明该点为极大值；若respons(i,j)<th1，th1为负数，则说明该极值点为极小值，从而得到极值点分布图。
算法伪代码如下：
extreme(i,j,flag,val)为此步骤的输出图，i，j记录了极大值点的坐标；flag记录极值点的性质；1表示极大值点；-1表示极小值点；0表示普通点；val记录了该极值点处该点的barfilter卷积响应值，在轨迹线处这个响应值会大于路面的响应值。
Figure BDA0002963356490000081
步骤五、判断极值点的横坐标是否大于0.5*W(W为卷积后图像的宽度)，若横坐标小于0.5*W，将该极值点放入左侧极值点集中，若横坐标大于0.5*W，将该极值点放入右侧极值点集中；左右侧极值点集中的每个元素extrem(i,j,flag,val)，式中i为极值点的横坐标，其范围是(0，IPM图像宽度-1)；j为极值点纵坐标，其取值范围是
Figure BDA0002963356490000091
flag为极值点的性质，1表示此极值点为极大值点；-1表示极小值点，0表示普通点，val为IPM图像卷积处理后的坐标(i，j)处的响应值，此值可以作为带权直线拟合的权重值；并根据左、右侧极值点集中每个极值点的灰度值分别找出左侧极值点集和右侧极值点中的最大值。
算法伪代码如下：
假设输出图像为extreme(i,j,flag,val)，其中i为此向量的横坐标，extrem(i,j,flag,val).flag为此向量的极值点标志，val为此向量的响应值。
Figure BDA0002963356490000092
Figure BDA0002963356490000101
(4)将获取的extreme(i,j,flag,val)，将坐标(i，j)经过一次线性变换(u＝i,v＝j*6+3)还原成IPM坐标，再经一次仿射变换还原成原始图像坐标(xi，yi)，然后以极大值点处的原始图像坐标、极大值点处的IPM图像bar filter卷积值wi作为权重进行带权直线拟合，获得x＝k*y+b中的参数k,b。
其中转换为原始图像坐标的方法为：
假设M为将原始图像转换为IPM坐标的变换矩阵，通过求取M的逆矩阵M-1,假设m′ij为此逆矩阵在i行j列的值
Figure BDA0002963356490000102
Figure BDA0002963356490000103
带权直线拟合方法为：
Figure BDA0002963356490000104
式中：wi为极大值点处的原始图像bar filter卷积值，图像中的行道线处的卷积值相对较高,对F函数的两个变量求偏导，为：
Figure BDA0002963356490000111
Figure BDA0002963356490000112
写成矩阵形式则为：
Figure BDA0002963356490000113
求解即得直线x＝k*y+b参数k，b。
实施例2：本实施例与实施例1的相同之处不再赘述，不同之处在于：对原始图像做IPM变换后，对IPM图像设定合适的阈值，将超过此阈值的灰度值设为1，低于此阈值的灰度值设为0对图形进行二值化处理，然后对非零的点做hough统计，也能提取出行道线参数。其中二值化处理算法为：
输出图像为Bin，输入图像为IPM，Bin(i，j)为Bin图像中i行j列的灰度值，IPM(i,j)为IPM图像中i行j列的灰度值，此步骤的输出图像见图8。
算法代码如下：
Figure BDA0002963356490000114
Figure BDA0002963356490000121
Hough变换原理如图9所示，直线y＝k*x+b上的点(x,y)，在矢量(cosθ,sinθ)上的投影值x·cosθ+y·sinθ＝r,由此可知一条直线可以和一对参数(r,θ)对应起来。
Hough统计算法如下：输入为Bin图像，输出为左右两侧的直线方程，y＝k1*x+b，y＝k2*x+b。
houghTable最后的统计值图像如图10所示；算法伪代码为：
Figure BDA0002963356490000122
最后在HoughTable中找到统计值最高的两个点，从而得到rho和angs，通过下式，可以求得轨迹线y＝k*x+b中的参数k，b。
Figure BDA0002963356490000123
以上所述仅为本发明的较佳实施例，并不限制本发明，凡在本发明的精神和原则范围内所做的任何修改、等同替换和改进，均应包含在本发明的保护范围之内。

Claims (4)

1.一种行道线参数实时提取方法，其特征在于：包括以下步骤：
步骤一、获取图像的原始图像坐标(xraw，yraw，zraw)，对原始图像做逆透视变换，得到经过逆透视变换后的IPM图像坐标；
步骤二、截取IPM图像的下半部分进行卷积变换，得到一个N*M的矩阵的卷积核barfilter，其中N＝lw+2floor(0.6lw)，M＝floor(0.6lw)
Figure FDA0002963356480000011
式中：lw表示逆透视变换后图像中的行道线宽度；barfilter(i，j)为卷积核；
步骤三、将卷积变换后的输出图像分为左右两侧，逐行计算卷积图像左、右两侧灰度值的数值微分，得到微分图，
dif(i，j)＝0.5(respons(i，j+1)-respons(i，j-1))
式中：dif(i，j)为输出的微分图，respons(i，j)为IPM图像使用bar filter卷积以后的输出图；
步骤四、对微分图进行逐行扫描，根据极值点邻域内的微分值是否异号确定极值点的位置，若dif(i,j)*dif(i,j+1)＜0，则说明该点为极值点；然后进一步判断极值点的性质，若respons(i，j)＞th2，th2为正数，则说明该点为极大值点；若respons(i，j)＜th1，th1为负数，则说明该极值点为极小值点，从而得到极值点分布图；
步骤五、判断极值点的横坐标是否大于0.5*W，W为卷积后图像的宽度；若横坐标小于0.5*W，将该极值点放入左侧极值点集中；若横坐标大于0.5*W，将该极值点放入右侧极值点集中；
步骤六、根据左、右侧极值点集中每个极值点的灰度值分别找出左侧极值点集以及右侧极值点集中的最大值，根据左、右侧极值点集中最大值的元素信息extreme(i,j,flag,val)，其中：i，j表示极大值点的坐标；flag表示极值点的性质，1表示极大值点、-1表示极小值点、0表示普通点；val记录了该极值点处该点的bar filter卷积响应值；将最大极值点的坐标(i，j)变换还原成原始图像坐标(xi，yi)，然后以极大值点处的原始图像坐标、极大值点处的IPM图像bar filter卷积值wi作为权重进行带权直线拟合，
Figure FDA0002963356480000021
求解即得直线x＝k*y+b中的参数k，b。
2.根据权利要求1所述的行道线参数实时提取方法，其特征在于：将原始图像坐标(xraw，yraw，zraw)进行IPM变换，得到IPM变换后的图像坐标u，v，
Figure FDA0002963356480000022
Figure FDA0002963356480000023
Figure FDA0002963356480000024
式中：mij为原始图像转换为IPM坐标的变换矩阵M在i行j列的值，zraw取值为1。
3.根据权利要求1所述的行道线参数实时提取方法，其特征在于：将最大极值点的坐标经过一次线性变换还原成IPM坐标，再经一次仿射变换还原成原始图像坐标，具体如下：
Figure FDA0002963356480000031
Figure FDA0002963356480000032
式中m′ij为原始图像转换为IPM坐标的变换矩阵M的逆矩阵M-1中在i行j列的值。
4.根据权利要求1所述的行道线参数实时提取方法，其特征在于：
步骤六中对F函数的两个变量求偏导：
Figure FDA0002963356480000033
Figure FDA0002963356480000034
矩阵形式为：
Figure FDA0002963356480000035
求解即得直线x＝k*y+b中的参数k，b。
CN202110243904.7A 2021-03-05 2021-03-05 一种行道线参数实时提取方法 Active CN113011293B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110243904.7A CN113011293B (zh) 2021-03-05 2021-03-05 一种行道线参数实时提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110243904.7A CN113011293B (zh) 2021-03-05 2021-03-05 一种行道线参数实时提取方法

Publications (2)

Publication Number Publication Date
CN113011293A true CN113011293A (zh) 2021-06-22
CN113011293B CN113011293B (zh) 2022-09-30

Family

ID=76406404

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110243904.7A Active CN113011293B (zh) 2021-03-05 2021-03-05 一种行道线参数实时提取方法

Country Status (1)

Country Link
CN (1) CN113011293B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114511832A (zh) * 2022-04-21 2022-05-17 深圳比特微电子科技有限公司 车道线分析方法、装置、电子设备及存储介质

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104036253A (zh) * 2014-06-20 2014-09-10 智慧城市系统服务（中国）有限公司 一种车道线追踪方法及系统
CN104217427A (zh) * 2014-08-22 2014-12-17 南京邮电大学 一种交通监控视频中车道线定位方法
CN105046235A (zh) * 2015-08-03 2015-11-11 百度在线网络技术（北京）有限公司 车道线的识别建模方法和装置、识别方法和装置
CN105261020A (zh) * 2015-10-16 2016-01-20 桂林电子科技大学 一种快速车道线检测方法
US20170061220A1 (en) * 2015-08-31 2017-03-02 Intel Corporation Road Marking Extraction from In-Vehicle Video
CN107045629A (zh) * 2017-04-19 2017-08-15 南京理工大学 一种多车道线检测方法
CN107590438A (zh) * 2017-08-16 2018-01-16 中国地质大学（武汉） 一种智能辅助驾驶方法及系统
CN108038416A (zh) * 2017-11-10 2018-05-15 智车优行科技（北京）有限公司 车道线检测方法及系统
CN108256445A (zh) * 2017-12-29 2018-07-06 北京华航无线电测量研究所 车道线检测方法及系统
CN109242776A (zh) * 2018-09-11 2019-01-18 江苏君英天达人工智能研究院有限公司 一种基于视觉系统的双车道线检测方法
CN110363160A (zh) * 2019-07-17 2019-10-22 河南工业大学 一种多车道线识别方法及装置
CN110516550A (zh) * 2019-07-26 2019-11-29 电子科技大学 一种基于fpga的车道线实时检测方法
CN110705342A (zh) * 2019-08-20 2020-01-17 上海阅面网络科技有限公司 一种车道线分割检测方法及装置

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104036253A (zh) * 2014-06-20 2014-09-10 智慧城市系统服务（中国）有限公司 一种车道线追踪方法及系统
CN104217427A (zh) * 2014-08-22 2014-12-17 南京邮电大学 一种交通监控视频中车道线定位方法
US20180225527A1 (en) * 2015-08-03 2018-08-09 Baidu Online Network Technology (Beijing) Co., Ltd. Method, apparatus, storage medium and device for modeling lane line identification, and method, apparatus, storage medium and device for identifying lane line
CN105046235A (zh) * 2015-08-03 2015-11-11 百度在线网络技术（北京）有限公司 车道线的识别建模方法和装置、识别方法和装置
US20170061220A1 (en) * 2015-08-31 2017-03-02 Intel Corporation Road Marking Extraction from In-Vehicle Video
CN105261020A (zh) * 2015-10-16 2016-01-20 桂林电子科技大学 一种快速车道线检测方法
CN107045629A (zh) * 2017-04-19 2017-08-15 南京理工大学 一种多车道线检测方法
CN107590438A (zh) * 2017-08-16 2018-01-16 中国地质大学（武汉） 一种智能辅助驾驶方法及系统
CN108038416A (zh) * 2017-11-10 2018-05-15 智车优行科技（北京）有限公司 车道线检测方法及系统
CN108256445A (zh) * 2017-12-29 2018-07-06 北京华航无线电测量研究所 车道线检测方法及系统
CN109242776A (zh) * 2018-09-11 2019-01-18 江苏君英天达人工智能研究院有限公司 一种基于视觉系统的双车道线检测方法
CN110363160A (zh) * 2019-07-17 2019-10-22 河南工业大学 一种多车道线识别方法及装置
CN110516550A (zh) * 2019-07-26 2019-11-29 电子科技大学 一种基于fpga的车道线实时检测方法
CN110705342A (zh) * 2019-08-20 2020-01-17 上海阅面网络科技有限公司 一种车道线分割检测方法及装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
YU-CHEN LIN等: "Adaptive IPM-Based Lane Filtering for Night Forward Vehicle Detection", 《2011 6TH IEEE CONFERENCE ON INDUSTRIAL ELECTRONICS AND APPLICATIONS》 *
张浩: "基于车道线宽度特征的车道线识别", 《南方论坛》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114511832A (zh) * 2022-04-21 2022-05-17 深圳比特微电子科技有限公司 车道线分析方法、装置、电子设备及存储介质
CN114511832B (zh) * 2022-04-21 2022-07-12 深圳比特微电子科技有限公司 车道线分析方法、装置、电子设备及存储介质

Also Published As

Publication number Publication date
CN113011293B (zh) 2022-09-30

Similar Documents

Publication Publication Date Title
CN109785291B (zh) 一种车道线自适应检测方法
CN107045629B (zh) 一种多车道线检测方法
Mithun et al. Detection and classification of vehicles from video using multiple time-spatial images
CN103714538B (zh) 道路边缘检测方法、装置及车辆
CN110414385B (zh) 一种基于单应性变换和特征窗口的车道线检测方法及系统
CN107506711A (zh) 基于卷积神经网络的双目视觉障碍物检测系统及方法
CN111444778A (zh) 一种车道线检测方法
CN112183325B (zh) 基于图像对比的公路车辆检测方法
CN103646381B (zh) 一种线阵ccd的行进畸变校正方法
CN109919832B (zh) 一种用于无人驾驶的交通图像拼接方法
CN114626445B (zh) 基于光流网络与高斯背景建模的大坝白蚁视频识别方法
CN112836573A (zh) 一种基于对抗生成网络的车道线图像增强与补全方法
CN113011338A (zh) 一种车道线检测方法及系统
CN113011293B (zh) 一种行道线参数实时提取方法
CN105335704B (zh) 一种基于双线性插值的车道线识别方法与装置
CN114581914A (zh) 一种雾霾环境下的车牌识别方法
CN112801021B (zh) 基于多级语义信息的车道线检测方法及系统
CN111881914B (zh) 一种基于自学习阈值的车牌字符分割方法及系统
CN113627481A (zh) 一种面向智慧园林的多模型组合的无人机垃圾分类方法
Rahaman et al. Lane detection for autonomous vehicle management: PHT approach
CN111914749A (zh) 基于神经网络的车道线识别方法及其系统
CN114724119B (zh) 车道线提取方法、检测设备及存储介质
CN115830567A (zh) 一种弱光条件下道路目标融合感知方法及系统
CN116152758A (zh) 一种智能实时事故检测及车辆跟踪方法
CN110633705A (zh) 一种低照度成像车牌识别方法及装置

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