CN113095283A - 一种基于动态roi和改进萤火虫算法的车道线提取方法 - Google Patents

一种基于动态roi和改进萤火虫算法的车道线提取方法 Download PDF

Info

Publication number
CN113095283A
CN113095283A CN202110478580.5A CN202110478580A CN113095283A CN 113095283 A CN113095283 A CN 113095283A CN 202110478580 A CN202110478580 A CN 202110478580A CN 113095283 A CN113095283 A CN 113095283A
Authority
CN
China
Prior art keywords
firefly
roi
lane line
frame
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
CN202110478580.5A
Other languages
English (en)
Other versions
CN113095283B (zh
Inventor
沈业辉
毕云蕊
杨振
柴鑫波
方英达
张岩
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.)
Nanjing Institute of Technology
Original Assignee
Nanjing Institute of Technology
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 Nanjing Institute of Technology filed Critical Nanjing Institute of Technology
Priority to CN202110478580.5A priority Critical patent/CN113095283B/zh
Publication of CN113095283A publication Critical patent/CN113095283A/zh
Application granted granted Critical
Publication of CN113095283B publication Critical patent/CN113095283B/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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • 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
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/48—Extraction of image or video features by mapping characteristic values of the pattern into a parameter space, e.g. Hough transformation
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Abstract

本发明公开了一种基于动态ROI和改进萤火虫算法的车道线提取方法，涉及车道线检测领域。该方法包括：(1)将车道线视频帧进行预处理；(2)对于第一视频帧，选取视频帧的下1/2图像作为ROI区域；(3)对ROI区域通过改进的萤火虫算法进行边缘检测，得到车道线的边缘坐标；(4)对步骤(3)得到的车道线的边缘坐标进行概率Hough变换，找出ROI区域的直线，并使用最小二乘法对检测出的直线进行拟合，获得车道线方程；(5)对于第二帧以后的视频帧基于上一帧的ROI区域进行动态调整，得到所述预处理视频帧的ROI区域，然后重复步骤(3)‑(4)，直至车辆停止运行，完成车道线方程的提取。该车道线提取方法提高了车道线提取的准确性和鲁棒性。

Description

一种基于动态ROI和改进萤火虫算法的车道线提取方法
技术领域
本发明涉及定位技术领域，特别涉及一种基于动态ROI和改进萤火虫算法的车道线提取方法。
背景技术
近年来，无人驾驶汽车成为研究热点。无人驾驶汽车通过车载传感系统感知道路环境，根据感知到的环境信息给车辆导航，从而使车辆能够安全可靠地在道路上行驶，其中车道线的正确检测是实现无人驾驶的前提，通过检测车道线实时对车辆进行调整，可以极大的降低事故发生率。
车道线检测的准确率低和鲁棒性差的首要原因是选取的ROI范围太大，除了车道线区域包含太多干扰因素，此外由于传统方法中的Canny算子过于敏感，易把噪声误检为边缘。因此需要一种新的ROI调整方法和新的边缘检测方法来解决上述问题。
发明内容
针对现有技术中存在的问题，本发明提出一种基于动态ROI和改进萤火虫算法的车道线提取方法，该车道线提取方法通过对ROI进行动态调整，准确提取出车道线边缘，提高车道线检测的准确性和鲁棒性。
为实现上述目的，本发明采用如下技术方案：一种基于动态ROI和改进萤火虫算法的车道线提取方法，具体包括如下步骤：
(1)实时获取车辆行使过程中的车道线视频，将视频帧进行畸变校正、灰度化处理和高斯模糊处理，得到预处理视频帧；
(2)对于第一帧预处理视频帧，选取所述预处理视频帧的下1/2图像作为ROI区域；
(3)对所述ROI区域通过改进的萤火虫算法进行边缘检测，得到车道线的边缘坐标；
(4)对步骤(3)得到的车道线的边缘坐标进行概率Hough变换，找出ROI区域的直线，保留直线斜率在
Figure BDA0003047847590000021
的直线，并使用最小二乘法对检测出的直线进行拟合，获得车道线方程；
(5)对于第二帧以后的预处理视频帧基于上一帧的ROI区域进行动态调整，得到所述预处理视频帧的ROI区域，然后重复步骤(3)-(4)，直至车辆停止运行，完成车道线方程的提取。
进一步地，步骤(3)包括如下子步骤：
(3.1)在ROI区域中随机选取像素点作为萤火虫的分布点，并将萤火虫分为m组，分别计算萤火虫亮度L(x,y)：
Figure BDA0003047847590000022
其中，Hx,y表示像素点坐标(x,y)的灰度值，Hx+1,y+1表示像素点坐标(x+1,y+1)的灰度值，Hx-1,y-1表示像素点坐标(x-1,y-1)的灰度值，Hx-1,y+1表示像素点坐标(x-1,y+1)的灰度值，Hx+1,y-1表示像素点坐标(x+1,y-1)的灰度值，Hx,y-1表示像素点坐标(x,y-1)的灰度值，Hx,y+1表示像素点坐标(x,y+1)的灰度值，Hx-1,y表示像素点坐标(x-1,y)的灰度值，Hx+1,y表示像素点坐标(x+1,y)的灰度值；
(3.2)将每组中萤火虫亮度超过边缘阈值的萤火虫亮度均设为本组中萤火虫亮度最大的值，并将组内萤火虫亮度超过边缘阈值的萤火虫作为本组中的目标萤火虫，以本组中的目标萤火虫为中心，求取3×3区域的发光亮度的平均值，再结合本组内萤火虫与所述目标萤火虫之间的距离，计算目标萤火虫对萤火虫的吸引度β(r)；
(3.3)根据吸引度更新组内萤火虫的坐标，并找出每组中萤火虫亮度最小的萤火虫，随机更新亮度最小的萤火虫的坐标，获得更新的萤火虫坐标；
(3.4)将更新的萤火虫坐标分别计算萤火虫亮度L(x,y)，重复步骤(3.2)-(3.3)30次，获得最终的萤火虫坐标，将其作为车道线的边缘坐标。
进一步地，所述边缘阈值取值为150。
进一步地，步骤(3.2)中吸引度β(r)的计算过程为：
Figure BDA0003047847590000031
其中，β0表示亮度对吸引度的影响系数，γ为介质对光的吸收系数，r为本组内萤火虫与所述目标萤火虫之间的距离。
进一步地，步骤(5)中对于第二帧以后的预处理视频帧基于上一帧的ROI区域进行动态调整的具体过程为：以消失点的纵坐标为所述ROI区域的纵坐标，将纵坐标分割成等高的box，将box的顶点纵坐标带入上一帧获取的车道线方程中，得到所述ROI区域的横坐标。
进一步地，所述消失点通过以下方法获得：使用36个方向，角度分辨率为5°的gLoG滤波器对预处理视频帧进行滤波，对滤波后的视频帧求取明亮纹理特征点，并用255减去滤波后的视频帧中的所有像素点值，并求取黑暗纹理特征点，然后将36组gLoG内核产生的卷积核叠加，与明亮纹理特征点、黑暗纹理特征点做卷积，投票选取出消失点。
进一步地，对于第一帧预处理视频帧，步骤(4)中H表示第一帧预处理视频帧中ROI区域的高度，W表示第一帧预处理视频帧中ROI区域的宽度；对于第二帧以后的预处理视频帧，步骤(4)中H表示box的高度，W表示box的宽度。
与现有技术相比，本发明具有如下有益效果：本发明的车道线提取方法通过动态调整ROI区域，实现只对车道线区域进行图像处理，然后基于改进的萤火虫算法进行边缘检测，以解决传统方法中canny算子对噪声敏感的问题，再对车道线的边缘像素点进行使用加以斜率限制的概率Hough变换找到在直线上的点，最后基于最小二乘法先拟合出车道线方程。本发明的车道线提取方法提高了车道线检测的准确性和鲁棒性。
附图说明
图1为本发明的基于动态ROI和改进萤火虫算法的车道线提取方法的流程图；
图2为本发明的动态ROI调整流程图；
图3为本发明的应用效果图：图3中的(a)为真实车道线图；图3中的(b)为通过本发明车道线提取方法提取的车道线效果图。
具体实施方式
下面将结合附图对本发明作进一步地解释说明。
如图1为本发明基于动态ROI和改进萤火虫算法的车道线提取方法流程图，该车道线提取方法具体包括以下步骤：
(1)实时获取车辆行使过程中的车道线视频，将视频帧进行畸变校正、灰度化处理和高斯模糊处理，得到预处理视频帧。
(2)对于第一帧预处理视频帧，选取预处理视频帧的下1/2图像作为ROI区域。
(3)对ROI区域通过改进的萤火虫算法进行边缘检测，得到车道线的边缘坐标；步骤(3)包括如下子步骤：
(3.1)在ROI区域中随机选取像素点作为萤火虫的分布点，并将萤火虫分为m组，将萤火虫分组后，使得萤火虫算法具有更好的跳出局部最优的能力，降低了将噪点误检测成边缘的概率，之后分别计算萤火虫亮度L(x,y)：
Figure BDA0003047847590000051
其中，Hx,y表示像素点坐标(x,y)的灰度值，Hx+1,y+1表示像素点坐标(x+1,y+1)的灰度值，Hx-1,y-1表示像素点坐标(x-1,y-1)的灰度值，Hx-1,y+1表示像素点坐标(x-1,y+1)的灰度值，Hx+1,y-1表示像素点坐标(x+1,y-1)的灰度值，Hx,y-1表示像素点坐标(x,y-1)的灰度值，Hx,y+1表示像素点坐标(x,y+1)的灰度值，Hx-1,y表示像素点坐标(x-1,y)的灰度值，Hx+1,y表示像素点坐标(x+1,y)的灰度值；
(3.2)显然在边缘区域像素点的灰度值变化大，具有更好的亮度，因此，本发明使用萤火虫算法进行边缘检测，并不需要寻找全局最优的位置，只要找到是边缘概率较大的位置，为了防止萤火虫收敛于发光最亮的位置，而忽视其余边缘概率较大的位置，将每组中萤火虫亮度超过边缘阈值的萤火虫亮度均设为本组中萤火虫亮度最大的值，本发明中将边缘阈值取值为150，并将组内萤火虫亮度超过边缘阈值的萤火虫作为本组中的目标萤火虫，以本组中的目标萤火虫为中心，求取3×3区域的发光亮度的平均值，再结合本组内萤火虫与所述目标萤火虫之间的距离，计算目标萤火虫对萤火虫的吸引度β(r)；吸引度β(r)的计算过程为：
Figure BDA0003047847590000061
其中，β0表示亮度对吸引度的影响系数，β0＝M*(L(x1,y1)-L(x,y))，M为3×3区域的发光亮度的平均值，L(x1,y1)表示目标萤火虫的发光亮度，γ为介质对光的吸收系数，r为本组内萤火虫与目标萤火虫之间的距离。
(3.3)根据吸引度更新组内萤火虫的坐标，并找出每组中萤火虫亮度最小的萤火虫，随机更新亮度最小的萤火虫的坐标，提高了萤火虫算法的全局搜索能力，最终获得更新的萤火虫坐标；
(3.4)将更新的萤火虫坐标分别计算萤火虫亮度L(x,y)，重复步骤(3.2)-(3.3)30次，获得最终的萤火虫坐标，将其作为车道线的边缘坐标。
(4)对步骤(3)得到的车道线的边缘坐标进行概率Hough变换，找出ROI区域的直线，保留直线斜率在
Figure BDA0003047847590000062
的直线，并使用最小二乘法对检测出的直线进行拟合，获得车道线方程；
对于第一帧预处理视频帧，步骤(4)中H表示第一帧预处理视频帧中ROI区域的高度，W表示第一帧预处理视频帧中ROI区域的宽度；对于第二帧以后的预处理视频帧，步骤(4)中H表示box的高度，W表示box的宽度；提高了车道线提取的准确率。
(5)对于第二帧以后的预处理视频帧基于上一帧的ROI区域进行动态调整，如图2，考虑到视频帧之间的连续性，下一帧的车道线必然位于当前帧的车道线附近，因此对于第二帧以后的预处理视频帧基于上一帧的ROI区域进行动态调整，具体过程为：以消失点的纵坐标为所述ROI区域的纵坐标，将纵坐标分割成等高的box，将box的顶点纵坐标带入上一帧获取的车道线方程中，得到所述ROI区域的横坐标，得到预处理视频帧的ROI区域，然后重复步骤(3)-(4)，直至车辆停止运行，完成车道线方程的提取。
本发明中的消失点通过以下方法获得：使用36个方向，角度分辨率为5°的gLoG滤波器对预处理视频帧进行滤波，对滤波后的视频帧求取明亮纹理特征点，并用255减去滤波后的视频帧中的所有像素点值，并求取黑暗纹理特征点，然后将36组gLoG内核产生的卷积核叠加，与明亮纹理特征点、黑暗纹理特征点做卷积，投票选取出消失点，从而降低消失点检测所需的时间。
如图3中的(a)为真实的车道线图；图3中的(b)为通过本发明车道线提取方法提取的车道线效果图，可以看出图3中的(b)中提取的车道线与图3中的(a)的真实的车道线相匹配，说明本发明的车道线提取方法具有良好的鲁棒性和实时性，即使在复杂环境下，仍然可以较准确的检测出车道线。
以上仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理前提下的若干改进和润饰，应视为本发明的保护范围。

Claims (7)

1.一种基于动态ROI和改进萤火虫算法的车道线提取方法，其特征在于，具体包括如下步骤：
(1)实时获取车辆行使过程中的车道线视频，将视频帧进行畸变校正、灰度化处理和高斯模糊处理，得到预处理视频帧；
(2)对于第一帧预处理视频帧，选取所述预处理视频帧的下1/2图像作为ROI区域；
(3)对所述ROI区域通过改进的萤火虫算法进行边缘检测，得到车道线的边缘坐标；
(4)对步骤(3)得到的车道线的边缘坐标进行概率Hough变换，找出ROI区域的直线，保留直线斜率在
Figure FDA0003047847580000011
的直线，并使用最小二乘法对检测出的直线进行拟合，获得车道线方程；
(5)对于第二帧以后的预处理视频帧基于上一帧的ROI区域进行动态调整，得到所述预处理视频帧的ROI区域，然后重复步骤(3)-(4)，直至车辆停止运行，完成车道线方程的提取。
2.根据权利要求1所述基于动态ROI和改进萤火虫算法的车道线提取方法，其特征在于，步骤(3)包括如下子步骤：
(3.1)在ROI区域中随机选取像素点作为萤火虫的分布点，并将萤火虫分为m组，分别计算萤火虫亮度L(x,y)：
Figure FDA0003047847580000021
其中，Hx,y表示像素点坐标(x,y)的灰度值，Hx+1,y+1表示像素点坐标(x+1,y+1)的灰度值，Hx-1,y-1表示像素点坐标(x-1,y-1)的灰度值，Hx-1,y+1表示像素点坐标(x-1,y+1)的灰度值，Hx+1,y-1表示像素点坐标(x+1,y-1)的灰度值，Hx,y-1表示像素点坐标(x,y-1)的灰度值，Hx,y+1表示像素点坐标(x,y+1)的灰度值，Hx-1,y表示像素点坐标(x-1,y)的灰度值，Hx+1,y表示像素点坐标(x+1,y)的灰度值；
(3.2)将每组中萤火虫亮度超过边缘阈值的萤火虫亮度均设为本组中萤火虫亮度最大的值，并将组内萤火虫亮度超过边缘阈值的萤火虫作为本组中的目标萤火虫，以本组中的目标萤火虫为中心，求取3×3区域的发光亮度的平均值，再结合本组内萤火虫与所述目标萤火虫之间的距离，计算目标萤火虫对萤火虫的吸引度β(r)；
(3.3)根据吸引度更新组内萤火虫的坐标，并找出每组中萤火虫亮度最小的萤火虫，随机更新亮度最小的萤火虫的坐标，获得更新的萤火虫坐标；
(3.4)将更新的萤火虫坐标分别计算萤火虫亮度L(x,y)，重复步骤(3.2)-(3.3)30次，获得最终的萤火虫坐标，将其作为车道线的边缘坐标。
3.根据权利要求2所述基于动态ROI和改进萤火虫算法的车道线提取方法，其特征在于，所述边缘阈值取值为150。
4.根据权利要求2所述基于动态ROI和改进萤火虫算法的车道线提取方法，其特征在于，步骤(3.2)中吸引度β(r)的计算过程为：
Figure FDA0003047847580000031
其中，β0表示亮度对吸引度的影响系数，γ为介质对光的吸收系数，r为本组内萤火虫与所述目标萤火虫之间的距离。
5.根据权利要求1所述基于动态ROI和改进萤火虫算法的车道线提取方法，其特征在于，步骤(5)中对于第二帧以后的预处理视频帧基于上一帧的ROI区域进行动态调整的具体过程为：以消失点的纵坐标为所述ROI区域的纵坐标，将纵坐标分割成等高的box，将box的顶点纵坐标带入上一帧获取的车道线方程中，得到所述ROI区域的横坐标。
6.根据权利要求5所述基于动态ROI和改进萤火虫算法的车道线提取方法，其特征在于，所述消失点通过以下方法获得：使用36个方向，角度分辨率为5°的gLoG滤波器对预处理视频帧进行滤波，对滤波后的视频帧求取明亮纹理特征点，并用255减去滤波后的视频帧中的所有像素点值，并求取黑暗纹理特征点，然后将36组gLoG内核产生的卷积核叠加，与明亮纹理特征点、黑暗纹理特征点做卷积，投票选取出消失点。
7.根据权利要求1所述基于动态ROI和改进萤火虫算法的车道线提取方法，其特征在于，对于第一帧预处理视频帧，步骤(4)中H表示第一帧预处理视频帧中ROI区域的高度，W表示第一帧预处理视频帧中ROI区域的宽度；对于第二帧以后的预处理视频帧，步骤(4)中H表示box的高度，W表示box的宽度。
CN202110478580.5A 2021-04-30 2021-04-30 一种基于动态roi和改进萤火虫算法的车道线提取方法 Active CN113095283B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110478580.5A CN113095283B (zh) 2021-04-30 2021-04-30 一种基于动态roi和改进萤火虫算法的车道线提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110478580.5A CN113095283B (zh) 2021-04-30 2021-04-30 一种基于动态roi和改进萤火虫算法的车道线提取方法

Publications (2)

Publication Number Publication Date
CN113095283A true CN113095283A (zh) 2021-07-09
CN113095283B CN113095283B (zh) 2023-08-25

Family

ID=76681473

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110478580.5A Active CN113095283B (zh) 2021-04-30 2021-04-30 一种基于动态roi和改进萤火虫算法的车道线提取方法

Country Status (1)

Country Link
CN (1) CN113095283B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113988112A (zh) * 2021-12-08 2022-01-28 深圳佑驾创新科技有限公司 车道线的检测方法、装置、设备及存储介质
JP7340667B1 (ja) 2022-08-25 2023-09-07 株式会社デンソーテン 情報処理装置、情報処理方法およびプログラム

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170330043A1 (en) * 2016-05-11 2017-11-16 Icatch Technology, Inc. Method and System for Synthesizing a Lane Image
CN109211244A (zh) * 2018-11-12 2019-01-15 重庆交通大学 基于utmd算法的路径规划方法
CN109409202A (zh) * 2018-09-06 2019-03-01 惠州市德赛西威汽车电子股份有限公司 基于动态感兴趣区域的鲁棒性车道线检测方法
CN110826468A (zh) * 2019-11-01 2020-02-21 南京工程学院 一种辅助驾驶的基于车道线检测的车辆检测测距方法
CN111783666A (zh) * 2020-07-01 2020-10-16 北京计算机技术及应用研究所 一种基于连续视频帧角点特征匹配的快速车道线检测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170330043A1 (en) * 2016-05-11 2017-11-16 Icatch Technology, Inc. Method and System for Synthesizing a Lane Image
CN109409202A (zh) * 2018-09-06 2019-03-01 惠州市德赛西威汽车电子股份有限公司 基于动态感兴趣区域的鲁棒性车道线检测方法
CN109211244A (zh) * 2018-11-12 2019-01-15 重庆交通大学 基于utmd算法的路径规划方法
CN110826468A (zh) * 2019-11-01 2020-02-21 南京工程学院 一种辅助驾驶的基于车道线检测的车辆检测测距方法
CN111783666A (zh) * 2020-07-01 2020-10-16 北京计算机技术及应用研究所 一种基于连续视频帧角点特征匹配的快速车道线检测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
J HICKSON等: "Noninvasive molecular imaging of apoptosis in vivo using a modified firefly luciferase substrate, Z-DEVD-aminoluciferin", pages 1 - 8, Retrieved from the Internet <URL:《网页在线公开：https://www.nature.com/articles/cdd2009205》> *
刘丹萍: "基于ROI 自适应定位的复杂场景车道线检测", 《长春师范大学学报》, vol. 39, no. 10, pages 66 - 70 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113988112A (zh) * 2021-12-08 2022-01-28 深圳佑驾创新科技有限公司 车道线的检测方法、装置、设备及存储介质
CN113988112B (zh) * 2021-12-08 2022-04-05 深圳佑驾创新科技有限公司 车道线的检测方法、装置、设备及存储介质
JP7340667B1 (ja) 2022-08-25 2023-09-07 株式会社デンソーテン 情報処理装置、情報処理方法およびプログラム

Also Published As

Publication number Publication date
CN113095283B (zh) 2023-08-25

Similar Documents

Publication Publication Date Title
CN109785291B (zh) 一种车道线自适应检测方法
CN107862290B (zh) 车道线检测方法及系统
CN109784344B (zh) 一种用于地平面标识识别的图像非目标滤除方法
CN108038416B (zh) 车道线检测方法及系统
CN107330376B (zh) 一种车道线识别方法及系统
CN109886896B (zh) 一种蓝色车牌分割与矫正方法
Yan et al. A method of lane edge detection based on Canny algorithm
CN113298810B (zh) 结合图像增强和深度卷积神经网络的道线检测方法
CN110414355A (zh) 基于视觉的右方位空停车位与泊车过程中车位线检测方法
CN113095283B (zh) 一种基于动态roi和改进萤火虫算法的车道线提取方法
CN107832674B (zh) 一种车道线检测方法
CN106887004A (zh) 一种基于块匹配的车道线检测方法
CN108198417A (zh) 一种基于无人机的道路巡检系统
CN109886168B (zh) 一种基于层阶的地面交通标志识别方法
CN108229247A (zh) 一种移动车辆检测方法
CN110674812A (zh) 一种面向复杂背景的民用车牌定位与字符分割方法
CN111652033A (zh) 基于OpenCV的车道线检测方法
CN111881878B (zh) 一种环视复用的车道线识别方法
CN113053164A (zh) 一种利用环视图像的车位识别方法
CN112115778A (zh) 一种在环仿真条件下车道线智能识别方法
Chen et al. A novel lane departure warning system for improving road safety
CN116823756A (zh) 一种桩腿焊缝缺陷检测方法
CN109800693B (zh) 一种基于颜色通道混合特征的夜间车辆检测方法
CN112926365A (zh) 一种车道线检测方法及其系统
Chen et al. Algorithm design of lane departure warning system based on image processing

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