CN113221748A - 一种基于图像处理的车检雷达车道识别方法 - Google Patents

一种基于图像处理的车检雷达车道识别方法 Download PDF

Info

Publication number
CN113221748A
CN113221748A CN202110521776.8A CN202110521776A CN113221748A CN 113221748 A CN113221748 A CN 113221748A CN 202110521776 A CN202110521776 A CN 202110521776A CN 113221748 A CN113221748 A CN 113221748A
Authority
CN
China
Prior art keywords
lane
line
lane line
special
image
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.)
Pending
Application number
CN202110521776.8A
Other languages
English (en)
Inventor
董文杰
李涛
陶万军
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.)
Jiangsu Jinxiao Electronic Information Co ltd
Original Assignee
Jiangsu Jinxiao Electronic Information 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 Jiangsu Jinxiao Electronic Information Co ltd filed Critical Jiangsu Jinxiao Electronic Information Co ltd
Priority to CN202110521776.8A priority Critical patent/CN113221748A/zh
Publication of CN113221748A publication Critical patent/CN113221748A/zh
Pending legal-status Critical Current

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
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10032—Satellite or aerial image; Remote sensing
    • G06T2207/10044—Radar image
    • 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
    • G06T2207/30256—Lane; Road marking

Abstract

本发明涉及一种基于图像处理的车检雷达车道识别方法，包括：1.获取车道线图，2.标记和存储车道线位置，3.合并车道线，4.特殊车道线分割，5.形成车道，6.车道标定，7.绘制车道中线。本发明能够快速的将车道线图转化为车道图和车道中线图，省时省力，效率高；根据绘制的车道图能够快速获得当前车检雷达所在的车道及所在车道的位置，根据绘制的车道中线图能够便于车间雷达识别，便于车辆的轨迹模拟。

Description

一种基于图像处理的车检雷达车道识别方法
技术领域
本发明涉及一种基于图像处理的车检雷达车道识别方法，属于车检雷达车道识别技术领域。
背景技术
车检雷达能够实时测量道路中行驶车辆的位置以及速度，并能够提供车道级的车流量、平均速度等，对于交通管控和事件检测具有不可替代的作用。目前车检雷达的车道数据主要是通过上位机对车道的坐标进行配置，只能处理直道，并不能满足实际场景中车道复杂情况。通过雷达绘制出车辆轨迹图是解决这一问题的方法，但是将雷达绘制出的车辆轨迹图转换为雷达能够识别的车道图以及车道中线图目前主要采用人工方法，效率低，不利于车检雷达的工程化推广。在上述转换过程中，首先需要根据车辆轨迹图绘制出车道线图，然后根据车道线图再绘制出车道图和车道中线图。考虑到实际场景的复杂已经雷达检测区域的车道可变性，车道线图的绘制可由人工迅速画出，但是根据车道线图绘制车道图和车道中线图将会消耗大量的时间和精力。上述车道线图是指描绘了车道边界的图像，车道图是用于雷达根据目标的横纵坐标判断所在车道，而车道中线主要用于目标遮挡或丢失时的模拟。
因此，需要一种将车道线图转化为车道图以及车道中线图的图像处理方法。
发明内容
为了解决上述技术问题，本发明提供一种基于图像处理的车检雷达车道识别方法，其具体技术方案如下：
一种基于图像处理的车检雷达车道识别方法，包括以下步骤：
步骤1：获取车道线图，根据车检雷达轨迹获取绘制车道线图，读取车道线图图像的宽度和高度；
步骤2：标记和存储车道线位置，建立车道存储数据库，对步骤1获得的车道线图进行灰度处理，根据车道线图图像的宽度和高度，逐行采用差值边缘检测算法检测车道线所在的位置，标记车道线所在位置并将每行车道线所在位置存入车道存储数据库，其中，差值边缘检测算法包括以下步骤：
2.1车道线图像灰度化
将车道线图像的RGB图像更改为灰度图，其表达式如下
Gray=0.299R+0.587G+0.114B（1）
其中，Gray是计算后图像的灰度值，R、G、B分别表示某一像素点的红色、绿色和蓝色值；
2.2梯度计算
由于图像像素具有离散性，因此采用计算差值代替求导，其表达式如下
Grad i =|Gray i -Gray i+1|（2）
其中，Gray i 表示该行中第i列的像素的灰度值，Grad i 表示该行中第i列和第i+1列的像素的差值，绝对值可确保像素灰度差值始终非负；
2.3差值判断
当图像像素差值大于一定阈值时，将该像素的行列进行标记，如下式所示
Grad i >Value_Grad（3）
其中，Value_Grad是差值阈值，大于该差值阈值时表明该图像像素即为车道线；
步骤3：合并车道线，对步骤2中通过检测并标记存储的车道线进行连续性判断，将车道线连续的归为一个车道线；
步骤4：特殊车道线分割，建立特殊车道线数据存储库，对车检雷达获取的车道线进行特征识别并与特殊车道线数据存储库进行匹配判断，当此车道线与特殊车道线数据存储库的特殊车道线匹配度达到预先设定的标准值时，则将此车道线判定为特殊车道线，分割特殊车道线；
步骤5：形成车道，根据就进原则，将不属于特殊车道线的一般车道线赋值给就近车道的两侧，形成车道边界，进而形成车道；
步骤6：车道标定，对已经形成车道的车道两侧边界进行编号和涂色，每个车道的编号和涂色唯一，车道的编号和涂色与车检雷达的识别系统匹配，将完成编号和涂色的车道存入车道存储数据库；
步骤7：绘制车道中线，根据车道两侧边界计算并生成车道中线，对车道中线进行编号和涂色，车道中线的编号和涂色唯一，车道中线的编号和涂色与车检雷达的识别系统匹配。
进一步的，所述步骤4中车道线与特殊车道线数据存储库的特殊车道线匹配度达到70%时，即将此车道线判定为特殊车道线。
进一步的，所述步骤2中采用差值边缘检测算法进行梯度计算时对图像像素进行横向的梯度计算。
进一步的，所述特殊车道线数据存储库设置在车道存储数据库内。
进一步的，所述步骤4中特殊车道包括渠化道路、匝道口道路或多条车道线交汇的车道。
本发明的有益效果：
本发明能够快速的将车道线图转化为车道图和车道中线图，省时省力，效率高；根据绘制的车道图能够快速获得当前车检雷达所在的车道及所在车道的位置，根据绘制的车道中线图能够便于车间雷达识别，便于车辆的轨迹模拟。
附图说明
图1是本发明的整体流程示意图，
图2是本发明的差值边缘检测算法流程图。
具体实施方式
现在结合附图对本发明作进一步详细的说明。这些附图均为简化的示意图，仅以示意方式说明本发明的基本结构，因此其仅显示与本发明有关的构成。
如图1所示，本发明的一种基于图像处理的车检雷达车道识别方法。首先，获取车道线图。根据车检雷达轨迹获取绘制车道线图，读取车道线图图像的宽度和高度。其次，标记和存储车道线位置。建立车道存储数据库，对获得的车道线图进行灰度处理，根据车道线图图像的宽度和高度，逐行采用差值边缘检测算法检测车道线所在的位置，标记车道线所在位置并将每行车道线所在位置存入车道存储数据库。然后，合并车道线。对通过检测并标记存储的车道线进行连续性判断，将车道线连续的归为一个车道线。紧接着，特殊车道线分割。建立特殊车道线数据存储库，特殊车道包括渠化道路、匝道口道路或多条车道线交汇的车道等不规则车道。对车检雷达获取的车道线进行特征识别并与特殊车道线数据存储库进行匹配判断，当此车道线与特殊车道线数据存储库的特殊车道线匹配度达到预先设定的标准值时，即此车道线与特殊车道线数据存储库的特殊车道线匹配度达到70%时，即将此车道线判定为特殊车道线，分割特殊车道线。下一步，形成车道。根据就进原则，将不属于特殊车道线的一般车道线赋值给就近车道的两侧，形成车道边界，进而形成车道。随后进行车道标定。对已经形成车道的车道两侧边界进行编号和涂色，每个车道的编号和涂色唯一，车道的编号和涂色与车检雷达的识别系统匹配，将完成编号和涂色的车道存入车道存储数据库。最后，绘制车道中线。根据车道两侧边界计算并生成车道中线，对车道中线进行编号和涂色，车道中线的编号和涂色唯一，车道中线的编号和涂色与车检雷达的识别系统匹配。其中，特殊车道线数据存储库设置在车道存储数据库内。
如图2所示，差值边缘检测算法。首先，进行车道线图像灰度化。将车道线图像的RGB图像更改为灰度图，其表达式如下
Gray=0.299R+0.587G+0.114B（1）
其中，Gray是计算后图像的灰度值，R、G、B分别表示某一像素点的红色、绿色和蓝色值。其次进行梯度计算。由于针对每行进行边缘检测，因此只需要计算横向的梯度，且图像像素具有离散性，因此采用计算差值代替求导，其表达式如下
Grad i =|Gray i -Gray i+1|（2）
其中，Gray i 表示该行中第i列的像素的灰度值，Grad i 表示该行中第i列和第i+1列的像素的差值，绝对值可确保像素灰度差值始终非负。最后，进行差值判断。当图像像素差值大于一定阈值时，将该像素的行列进行标记，如下式所示
Grad i >Value_Grad（3）
其中，Value_Grad是差值阈值，大于该差值阈值时表明该图像像素即为车道线，差值阈值是根据大量实验数据总结选定经验值。
以上述依据本发明的理想实施例为启示，通过上述的说明内容，相关工作人员完全可以在不偏离本项发明技术思想的范围内，进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容，必须要根据权利要求范围来确定其技术性范围。

Claims (5)

1.一种基于图像处理的车检雷达车道识别方法，其特征在于：包括以下步骤：
步骤1：获取车道线图，根据车检雷达轨迹获取绘制车道线图，读取车道线图图像的宽度和高度；
步骤2：标记和存储车道线位置，建立车道存储数据库，对步骤1获得的车道线图进行灰度处理，根据车道线图图像的宽度和高度，逐行采用差值边缘检测算法检测车道线所在的位置，标记车道线所在位置并将每行车道线所在位置存入车道存储数据库，其中，差值边缘检测算法包括以下步骤：
2.1车道线图像灰度化
将车道线图像的RGB图像更改为灰度图，其表达式如下
Gray=0.299R+0.587G+0.114B（1）
其中，Gray是计算后图像的灰度值，R、G、B分别表示某一像素点的红色、绿色和蓝色值；
2.2梯度计算
由于图像像素具有离散性，因此采用计算差值代替求导，其表达式如下
Grad i =|Gray i -Gray i+1|（2）
其中，Gray i 表示该行中第i列的像素的灰度值，Grad i 表示该行中第i列和第i+1列的像素的差值，绝对值可确保像素灰度差值始终非负；
2.3差值判断
当图像像素差值大于一定阈值时，将该像素的行列进行标记，如下式所示
Grad i >Value_Grad（3）
其中，Value_Grad是差值阈值，大于该差值阈值时表明该图像像素即为车道线；
步骤3：合并车道线，对步骤2中通过检测并标记存储的车道线进行连续性判断，将车道线连续的归为一个车道线；
步骤4：特殊车道线分割，建立特殊车道线数据存储库，对车检雷达获取的车道线进行特征识别并与特殊车道线数据存储库进行匹配判断，当此车道线与特殊车道线数据存储库的特殊车道线匹配度达到预先设定的标准值时，则将此车道线判定为特殊车道线，分割特殊车道线；
步骤5：形成车道，根据就进原则，将不属于特殊车道线的一般车道线赋值给就近车道的两侧，形成车道边界，进而形成车道；
步骤6：车道标定，对已经形成车道的车道两侧边界进行编号和涂色，每个车道的编号和涂色唯一，车道的编号和涂色与车检雷达的识别系统匹配，将完成编号和涂色的车道存入车道存储数据库；
步骤7：绘制车道中线，根据车道两侧边界计算并生成车道中线，对车道中线进行编号和涂色，车道中线的编号和涂色唯一，车道中线的编号和涂色与车检雷达的识别系统匹配。
2.根据权利要求1所述的基于图像处理的车检雷达车道识别方法，其特征在于：所述步骤4中车道线与特殊车道线数据存储库的特殊车道线匹配度达到70%时，即将此车道线判定为特殊车道线。
3.根据权利要求1所述的基于图像处理的车检雷达车道识别方法，其特征在于：所述步骤2中采用差值边缘检测算法进行梯度计算时对图像像素进行横向的梯度计算。
4.根据权利要求1所述的基于图像处理的车检雷达车道识别方法，其特征在于：所述特殊车道线数据存储库设置在车道存储数据库内。
5.根据权利要求1所述的基于图像处理的车检雷达车道识别方法，其特征在于：所述步骤4中特殊车道包括渠化道路、匝道口道路或多条车道线交汇的车道。
CN202110521776.8A 2021-05-13 2021-05-13 一种基于图像处理的车检雷达车道识别方法 Pending CN113221748A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110521776.8A CN113221748A (zh) 2021-05-13 2021-05-13 一种基于图像处理的车检雷达车道识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110521776.8A CN113221748A (zh) 2021-05-13 2021-05-13 一种基于图像处理的车检雷达车道识别方法

Publications (1)

Publication Number Publication Date
CN113221748A true CN113221748A (zh) 2021-08-06

Family

ID=77095463

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110521776.8A Pending CN113221748A (zh) 2021-05-13 2021-05-13 一种基于图像处理的车检雷达车道识别方法

Country Status (1)

Country Link
CN (1) CN113221748A (zh)

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002225657A (ja) * 2001-02-06 2002-08-14 Oki Electric Ind Co Ltd 車両の走行レーン検出システム
EP1341140A1 (en) * 2002-03-01 2003-09-03 Hitachi Ltd. Vehicle control apparatus
DE102014217230A1 (de) * 2013-08-29 2015-03-05 Denso Corporation Verfahren und Vorrichtung zum Erkennen einer Strassenform
CN105667518A (zh) * 2016-02-25 2016-06-15 福州华鹰重工机械有限公司 车道检测的方法及装置
KR20190080009A (ko) * 2017-12-28 2019-07-08 한국국토정보공사 차선 정보를 이용한 자동 도화 방법
CN110443225A (zh) * 2019-08-15 2019-11-12 安徽半问科技有限公司 一种基于特征像素统计的虚实车道线识别方法及其装置
US20200101983A1 (en) * 2018-09-30 2020-04-02 Boe Technology Group Co., Ltd. Method and apparatus for early warning of vehicle offset
CN111212260A (zh) * 2018-11-21 2020-05-29 杭州海康威视数字技术股份有限公司 一种基于监控视频绘制车道线的方法及装置
CN112433203A (zh) * 2020-10-29 2021-03-02 同济大学 一种基于毫米波雷达数据的车道线形检测方法
CN112632198A (zh) * 2019-09-24 2021-04-09 阿里巴巴集团控股有限公司 地图数据的显示方法、装置及电子设备

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002225657A (ja) * 2001-02-06 2002-08-14 Oki Electric Ind Co Ltd 車両の走行レーン検出システム
EP1341140A1 (en) * 2002-03-01 2003-09-03 Hitachi Ltd. Vehicle control apparatus
DE102014217230A1 (de) * 2013-08-29 2015-03-05 Denso Corporation Verfahren und Vorrichtung zum Erkennen einer Strassenform
CN105667518A (zh) * 2016-02-25 2016-06-15 福州华鹰重工机械有限公司 车道检测的方法及装置
KR20190080009A (ko) * 2017-12-28 2019-07-08 한국국토정보공사 차선 정보를 이용한 자동 도화 방법
US20200101983A1 (en) * 2018-09-30 2020-04-02 Boe Technology Group Co., Ltd. Method and apparatus for early warning of vehicle offset
CN111212260A (zh) * 2018-11-21 2020-05-29 杭州海康威视数字技术股份有限公司 一种基于监控视频绘制车道线的方法及装置
CN110443225A (zh) * 2019-08-15 2019-11-12 安徽半问科技有限公司 一种基于特征像素统计的虚实车道线识别方法及其装置
CN112632198A (zh) * 2019-09-24 2021-04-09 阿里巴巴集团控股有限公司 地图数据的显示方法、装置及电子设备
CN112433203A (zh) * 2020-10-29 2021-03-02 同济大学 一种基于毫米波雷达数据的车道线形检测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
闫利，李赞: "车载激光点云道路标线提取方法", 遥感信息, vol. 33, no. 1, pages 1 *

Similar Documents

Publication Publication Date Title
CN108519605B (zh) 基于激光雷达和摄像机的路沿检测方法
CN109389121B (zh) 一种基于深度学习的铭牌识别方法及系统
US10133941B2 (en) Method, apparatus and device for detecting lane boundary
CN107092877B (zh) 基于建筑物基底矢量的遥感影像屋顶轮廓提取方法
CN108961235B (zh) 一种基于YOLOv3网络和粒子滤波算法的缺陷绝缘子识别方法
US10429193B2 (en) Method and apparatus for generating high precision map
CN109886896B (zh) 一种蓝色车牌分割与矫正方法
CN106951879B (zh) 基于摄像头与毫米波雷达的多特征融合车辆检测方法
CN109165549B (zh) 基于三维点云数据的道路标识获取方法、终端设备及装置
CN111179152B (zh) 一种道路标识识别方法及装置、介质、终端
CN109726717B (zh) 一种车辆综合信息检测系统
CN110349260B (zh) 一种路面标线自动提取方法及装置
KR101268523B1 (ko) 레이저 스캐너를 이용한 도시 환경에서의 빠른 주변 환경 인식 방법
CN110516550A (zh) 一种基于fpga的车道线实时检测方法
CN106407924A (zh) 基于路面特征的双目道路识别检测方法
CN105809149A (zh) 基于最大长度直线的车道线检测方法
CN111681259B (zh) 基于无Anchor机制检测网络的车辆跟踪模型建立方法
CN112800938B (zh) 无人驾驶车辆检测侧面落石发生的方法及装置
EP3680608A1 (en) Antenna downward inclination angle measurement method based on multi-scale detection algorithm
CN106845458B (zh) 一种基于核超限学习机的快速交通标识检测方法
CN111476157A (zh) 一种路口监控环境下的车道导向箭头识别方法
US11588955B2 (en) Apparatus, method, and computer program for image conversion
CN112053407B (zh) 一种交通执法影像中基于ai技术的车道线自动检测方法
CN105654140A (zh) 面向复杂工业环境的铁路油罐车车号定位与识别方法
CN113221748A (zh) 一种基于图像处理的车检雷达车道识别方法

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