CN113313071A - 一种道路区域识别方法及系统 - Google Patents
一种道路区域识别方法及系统 Download PDFInfo
- Publication number
- CN113313071A CN113313071A CN202110719545.8A CN202110719545A CN113313071A CN 113313071 A CN113313071 A CN 113313071A CN 202110719545 A CN202110719545 A CN 202110719545A CN 113313071 A CN113313071 A CN 113313071A
- Authority
- CN
- China
- Prior art keywords
- image
- road
- brightness
- real
- time
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 31
- 230000011218 segmentation Effects 0.000 claims abstract description 26
- 238000012549 training Methods 0.000 claims description 25
- 238000003709 image segmentation Methods 0.000 claims description 21
- 238000004458 analytical method Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 9
- 230000000694 effects Effects 0.000 claims description 8
- 230000007613 environmental effect Effects 0.000 claims 1
- 238000001514 detection method Methods 0.000 description 12
- 238000005516 engineering process Methods 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 6
- 230000002159 abnormal effect Effects 0.000 description 5
- 230000007246 mechanism Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 230000000007 visual effect Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 239000010426 asphalt Substances 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000004568 cement Substances 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 239000004575 stone Substances 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
-
- 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
- G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种道路区域识别方法及系统,方法包括:1)采集道路实时图像;2)判断道路实时图像的图像亮度值是否介于最佳亮度范围内,若是则执行步骤4),否则执行步骤3);3)判断自然环境因素是否影响图像采集亮度,若是则通过亮度调节步骤调节道路实时图像的亮度,并执行步骤2),否则执行步骤1);4)将道路实时图像输入训练好的道路区域分割网络,获得道路区域图像。与现有技术相比,本发明具有计算量小、实时性强和准确性高等优点。
Description
技术领域
本发明涉及图像识别领域,尤其是涉及一种道路区域识别方法及系统。
背景技术
随着传感技术、计算机技术以及无人驾驶技术的高速发展,基于视觉的无人驾驶汽车的研究也得到快速发展。确保无人驾驶汽车安全可靠运行的前提在于道路区域的准确识别。
对于行驶的道路,一般将其划分为两大类:结构化道路和非结构化道路。结构化道路,是具有标准车道线、标准宽度的沥青道路,比如常见的城市主干道、高速公路等;非结构化道路与之相反,没有固定宽度、模糊甚至没有车道线确定道路边界,而且道路的材质也是多样的,比如有石子路、水泥路、土路、沙子路等等,增加了识别的困难性。
道路区域的检测研究,根据道路类型的划分,一般也划分为两种,结构化道路区域识别与非结构化道路区域识别。结构化道路区域的识别技术,即车道线的检测,由于道路具有统一的特点,检测技术也取得了较快的发展,检测技术也趋于成熟。根据车道线检测算法的差异,目前将结构化道路车道线检测算法主要分为两类:一类是基于特征的车道线检测方法,算法实现主要是利用车道线本身具有颜色、宽度、边缘和梯度变化等特征信息,从路面区域中将车道线分割出来;另一类是基于模型的车道线检测算法,根据对车道线进行建模,选择一个能较好描述车道线的几何模型,常见的车道线模型有:直线模型、双曲线模型、线性抛物线模型和样条曲线模型。非机构化道路检测技术,由于缺乏易于识别的车道线、没有明晰的道路边界且道路形状不规则难以识别,外加道路周边环境较为原始且差异性不同,导致检测效果只能在特点道路类型中取得较好的结果。现阶段取得较好检测的算法有:基于消失点改进算法、基于道路特征的方法、基于道路模型的方法和基于神经网络的方法等。
综上,现有技术存在的缺陷在如下几方面:
对于实际应用中,道路是结构化道路与非结构化道路相结合的,结构化道路检测技术虽然趋于成熟,但应用于非结构化道路区域检测的效果并不佳,算法不具有通用性,由于非结构化道路具有多样性,大多提出的算法只能应用在特定的道路类型,不具有普遍性。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种道路区域识别方法及系统,计算量小,实时性强,准确性高。
本发明的目的可以通过以下技术方案来实现:
一种道路区域识别方法,包括:
1)采集道路实时图像;
2)判断道路实时图像的图像亮度值是否介于最佳亮度范围内,若是则执行步骤4),否则执行步骤3);
3)判断自然环境因素是否影响图像采集亮度,若是则通过亮度调节步骤调节道路实时图像的亮度,并执行步骤2),否则执行步骤1);
4)将道路实时图像输入训练好的道路区域分割网络,获得道路区域图像。
通过最佳亮度范围作为亮度的判断条件,若道路实时图像的图像亮度值在最佳亮度范围内,则直接进行图像分割,否则对道路实时图像进行亮度调节,极大地减少了算法计算量,增强了实时性。
进一步地,所述的最佳亮度范围为[a,b],其中a为最小亮度值,b为最大亮度值;
所述的亮度调节步骤包括:
若道路实时图像的图像亮度值io<a,通过对比度增强算法提高道路实时图像的图像亮度,若道路实时图像的图像亮度值io>b,通过直方图均衡化算法降低道路实时图像的图像亮度;
根据不同的亮度值确定相应的算法,避免了采用单一算法处理所有情况的局限性,提高了道路区域识别的准确性。
进一步地,所述的自然环境因素包括天气和时间,恶劣天气会影响环境亮度,不同时间段的环境亮度也不同,通过引入实时天气状况、采集图片时间等外在判断条件作为对采集图像是否异常的辅助判断机制,有效避免分析无效图像后得到错误结果。
进一步地,所述的道路区域分割网络为ENET网络,所述的ENET网络常应用于多分类任务,ENET网络结构较简单,相比较于其他网络,利用ENET网络进行道路区域分割,运行速度快。
进一步地,所述的最佳亮度范围的获取过程包括:
采集道路样本图像,构成训练集,利用训练集对道路区域分割网络进行预训练,获得道路区域图像分割效果最佳的图像亮度范围,即最佳亮度范围。
一种道路区域识别系统,包括:
图像采集模块,用于采集道路实时图像,并生成亮度判断指令;
亮度判断模块,用于接收亮度判断指令,并判断道路实时图像的图像亮度值是否介于最佳亮度范围内,若是则生成图像分割指令,否则生成环境分析指令;
环境分析模块,用于接收模块环境分析指令,并判断自然环境因素是否影响图像采集亮度,若是则生成图像调节指令,否则生成图像采集指令,所述图像采集模块接收图像采集指令,并重新采集道路实时图像;
图像调节模块,用于接收图像调节指令,并对道路实时图像进行亮度调节,并生成亮度判断指令;
图像分割模块,用于接收图像分割指令,并通过训练好的道路区域分割网络对道路实时图像进行分割,获得道路区域图像;
通过最佳亮度范围作为亮度的判断条件,若道路实时图像的图像亮度值在最佳亮度范围内,则直接进行图像分割,否则对道路实时图像进行亮度调节,极大地减少了算法计算量,增强了实时性。
进一步地,所述的最佳亮度范围为[a,b],其中a为最小亮度值,b为最大亮度值;
所述的亮度调节的过程包括:
若道路实时图像的图像亮度值io<a,所述的图像调节模块通过对比度增强算法提高道路实时图像的图像亮度,若道路实时图像的图像亮度值io>b,所述的图像调节模块通过直方图均衡化算法降低道路实时图像的图像亮度;
根据不同的亮度值确定相应的算法,避免了采用单一算法处理所有情况的局限性,提高了道路区域识别的准确性。
进一步地,所述的自然环境因素包括天气和时间,恶劣天气会影响环境亮度,不同时间段的环境亮度也不同,通过引入实时天气状况、采集图片时间等外在判断条件作为对采集图像是否异常的辅助判断机制,有效避免分析无效图像后得到错误结果。
进一步地,所述的道路区域分割网络为ENET网络,所述的ENET网络常应用于多分类任务,ENET网络结构较简单,相比较于其他网络,利用ENET网络进行道路区域分割,运行速度快。
进一步地,还包括网络训练模块,所述的最佳亮度范围的获取过程包括:
所述的网络训练模块采集道路样本图像,构成训练集,所述的网络训练模块利用训练集对道路区域分割网络进行预训练,获得道路区域图像分割效果最佳的图像亮度范围,即最佳亮度范围。
与现有技术相比,本发明具有以如下有益效果:
(1)本发明通过最佳亮度范围作为亮度的判断条件,若道路实时图像的图像亮度值在最佳亮度范围内,则直接进行图像分割,否则对道路实时图像进行亮度调节,极大地减少了算法计算量,增强了实时性;
(2)本发明自然环境因素包括天气和时间,恶劣天气会影响环境亮度,不同时间段的环境亮度也不同,通过引入实时天气状况、采集图片时间等外在判断条件作为对采集图像是否异常的辅助判断机制,确保采集到图像的有效性,有效避免分析无效图像后得到错误结果,适用于复杂的道路环境;
(3)本发明根据不同的亮度值确定相应的算法,若道路实时图像的图像亮度值小于最小亮度值,则通过对比度增强算法提高道路实时图像的图像亮度,若道路实时图像的图像亮度值大于最大亮度值,则通过直方图均衡化算法降低道路实时图像的图像亮度,避免了采用单一算法处理所有情况的局限性,提高了道路区域识别的准确性;
(4)本发明道路区域分割网络为ENET网络,ENET网络常应用于多分类任务,ENET网络结构较简单,相比较于其他网络,利用ENET网络进行道路区域分割,运行速度快。
附图说明
图1为本发明的方法流程;
图2为图像亮度值较高的道路图像;
图3为图2经亮度调节后获得的图像;
图4为图像亮度值较低的道路图像;
图5为图4经亮度调节后获得的图像。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施,给出了详细的实施方式和具体的操作过程,但本发明的保护范围不限于下述的实施例。
实施例1
一种道路区域识别方法,在车辆上方安装视觉设备,通过视觉设备采集图像,如图1,方法包括:
1)采集道路实时图像;
2)判断道路实时图像的图像亮度值是否介于最佳亮度范围内,若是则执行步骤4),否则执行步骤3);
3)判断自然环境因素是否影响图像采集亮度,若是则通过亮度调节步骤调节道路实时图像的亮度,并执行步骤2),否则说明采集道路实时图像时碰到外界干扰,如树叶遮挡视觉设备,该张道路实时图像无效,执行步骤1);
4)将道路实时图像输入训练好的道路区域分割网络,获得道路区域图像。
通过最佳亮度范围作为亮度的判断条件,若道路实时图像的图像亮度值在最佳亮度范围内,则直接进行图像分割,否则对道路实时图像进行亮度调节,极大地减少了算法计算量,增强了实时性。
最佳亮度范围为[a,b],其中a为最小亮度值,b为最大亮度值;
亮度调节步骤包括:
若道路实时图像的图像亮度值io<a,说明采集到的道路实时图像的图像亮度值过小,通过对比度增强算法提高道路实时图像的图像亮度,若道路实时图像的图像亮度值io>b,说明采集到的道路实时图像的图像亮度值过大,通过直方图均衡化算法降低道路实时图像的图像亮度;
根据不同的亮度值确定相应的算法,避免了采用单一算法处理所有情况的局限性,提高了道路区域识别的准确性,图2为图像亮度值较高的道路图像,图3 为图2经亮度调节后获得的图像,图4为图像亮度值较低的道路图像,图5为图4 经亮度调节后获得的图像
自然环境因素包括天气和时间,恶劣天气会影响环境亮度,不同时间段的环境亮度也不同,通过引入实时天气状况、采集图片时间等外在判断条件作为对采集图像是否异常的辅助判断机制,有效避免分析无效图像后得到错误结果。
道路区域分割网络为ENET网络,ENET网络常应用于多分类任务,ENET网络结构较简单,相比较于其他网络,利用ENET网络进行道路区域分割,运行速度快。
最佳亮度范围的获取过程包括:
采集道路样本图像,构成训练集,利用训练集对道路区域分割网络进行预训练,获得道路区域图像分割效果最佳的图像亮度范围,即最佳亮度范围。
实施例2
一种道路区域识别系统,在车辆上方安装视觉设备,通过视觉设备采集图像,系统包括图像采集模块、亮度判断模块、环境分析模块、图像调节模块、图像分割模块和网络训练模块;
网络训练模块采集道路样本图像,构成训练集,网络训练模块利用训练集对道路区域分割网络进行预训练,获得道路区域图像分割效果最佳的图像亮度范围,即最佳亮度范围。
图像采集模块,用于采集道路实时图像,并生成亮度判断指令;
亮度判断模块,用于接收亮度判断指令,并判断道路实时图像的图像亮度值是否介于最佳亮度范围内,若是则生成图像分割指令,否则生成环境分析指令;
环境分析模块,用于接收模块环境分析指令,并判断自然环境因素是否影响图像采集亮度,若是则生成图像调节指令,否则生成图像采集指令,所述图像采集模块接收图像采集指令,并重新采集道路实时图像;
图像调节模块,用于接收图像调节指令,并对道路实时图像进行亮度调节,并生成亮度判断指令;
图像分割模块,用于接收图像分割指令,并通过训练好的道路区域分割网络对道路实时图像进行分割,获得道路区域图像;
通过最佳亮度范围作为亮度的判断条件,若道路实时图像的图像亮度值在最佳亮度范围内,则直接进行图像分割,否则对道路实时图像进行亮度调节,极大地减少了算法计算量,增强了实时性。
最佳亮度范围为[a,b],其中a为最小亮度值,b为最大亮度值;
亮度调节的过程包括:
若道路实时图像的图像亮度值io<a,图像调节模块通过对比度增强算法提高道路实时图像的图像亮度,若道路实时图像的图像亮度值io>b,图像调节模块通过直方图均衡化算法降低道路实时图像的图像亮度;
根据不同的亮度值确定相应的算法,避免了采用单一算法处理所有情况的局限性,提高了道路区域识别的准确性。
自然环境因素包括天气和时间,恶劣天气会影响环境亮度,不同时间段的环境亮度也不同,通过引入实时天气状况、采集图片时间等外在判断条件作为对采集图像是否异常的辅助判断机制,有效避免分析无效图像后得到错误结果。
道路区域分割网络为ENET网络,ENET网络常应用于多分类任务,ENET网络结构较简单,相比较于其他网络,利用ENET网络进行道路区域分割,运行速度快。
实施例1和实施例2提出了一种道路区域识别方法及系统,对采集到的道路实时图像的图像亮度进行判断,同时引入时间、天气两个辅助判断的实时因素,确保采集到图像的有效性,针对不同的图像亮度问题,选择特定的算法进行图像增强,根据ENET分割网络处理图像,得到所述目标道路区域的分割图像,极大地减少了算法计算量,增强了实时性,有效避免分析无效图像后得到错误结果,避免了采用单一算法处理所有情况的局限性,提高了道路区域识别的准确性,运行速度快,适用于复杂的道路环境。
以上详细描述了本发明的较佳具体实施例。应当理解,本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此,凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案,皆应在由权利要求书所确定的保护范围内。
Claims (10)
1.一种道路区域识别方法,其特征在于,包括:
1)采集道路实时图像;
2)判断道路实时图像的图像亮度值是否介于最佳亮度范围内,若是则执行步骤4),否则执行步骤3);
3)判断自然环境因素是否影响图像采集亮度,若是则通过亮度调节步骤调节道路实时图像的亮度,并执行步骤2),否则执行步骤1);
4)将道路实时图像输入训练好的道路区域分割网络,获得道路区域图像。
2.根据权利要求1所述的一种道路区域识别方法,其特征在于,所述的最佳亮度范围为[a,b],其中a为最小亮度值,b为最大亮度值;
所述的亮度调节步骤包括:
若道路实时图像的图像亮度值io<a,通过对比度增强算法提高道路实时图像的图像亮度,若道路实时图像的图像亮度值io>b,通过直方图均衡化算法降低道路实时图像的图像亮度。
3.根据权利要求1所述的一种道路区域识别方法,其特征在于,所述的自然环境因素包括天气和时间。
4.根据权利要求1所述的一种道路区域识别方法,其特征在于,所述的道路区域分割网络为ENET网络。
5.根据权利要求1所述的一种道路区域识别方法,其特征在于,所述的最佳亮度范围的获取过程包括:
采集道路样本图像,构成训练集,利用训练集对道路区域分割网络进行预训练,获得道路区域图像分割效果最佳的图像亮度范围,即最佳亮度范围。
6.一种道路区域识别系统,其特征在于,包括:
图像采集模块,用于采集道路实时图像,并生成亮度判断指令;
亮度判断模块,用于接收亮度判断指令,并判断道路实时图像的图像亮度值是否介于最佳亮度范围内,若是则生成图像分割指令,否则生成环境分析指令;
环境分析模块,用于接收模块环境分析指令,并判断自然环境因素是否影响图像采集亮度,若是则生成图像调节指令,否则生成图像采集指令,所述图像采集模块接收图像采集指令,并重新采集道路实时图像;
图像调节模块,用于接收图像调节指令,并对道路实时图像进行亮度调节,并生成亮度判断指令;
图像分割模块,用于接收图像分割指令,并通过训练好的道路区域分割网络对道路实时图像进行分割,获得道路区域图像。
7.根据权利要求6所述的一种道路区域识别系统,其特征在于,所述的最佳亮度范围为[a,b],其中a为最小亮度值,b为最大亮度值;
所述的亮度调节的过程包括:
若道路实时图像的图像亮度值io<a,所述的图像调节模块通过对比度增强算法提高道路实时图像的图像亮度,若道路实时图像的图像亮度值io>b,所述的图像调节模块通过直方图均衡化算法降低道路实时图像的图像亮度。
8.根据权利要求6所述的一种道路区域识别系统,其特征在于,所述的自然环境因素包括天气和时间。
9.根据权利要求6所述的一种道路区域识别系统,其特征在于,所述的道路区域分割网络为ENET网络。
10.根据权利要求6所述的一种道路区域识别系统,其特征在于,还包括网络训练模块,所述的最佳亮度范围的获取过程包括:
所述的网络训练模块采集道路样本图像,构成训练集,所述的网络训练模块利用训练集对道路区域分割网络进行预训练,获得道路区域图像分割效果最佳的图像亮度范围,即最佳亮度范围。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110719545.8A CN113313071A (zh) | 2021-06-28 | 2021-06-28 | 一种道路区域识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110719545.8A CN113313071A (zh) | 2021-06-28 | 2021-06-28 | 一种道路区域识别方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113313071A true CN113313071A (zh) | 2021-08-27 |
Family
ID=77380624
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110719545.8A Pending CN113313071A (zh) | 2021-06-28 | 2021-06-28 | 一种道路区域识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113313071A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115294767A (zh) * | 2022-08-02 | 2022-11-04 | 山西省智慧交通研究院有限公司 | 一种高速公路车道线实时检测与交通安全预警方法及装置 |
CN117114141A (zh) * | 2023-10-20 | 2023-11-24 | 安徽蔚来智驾科技有限公司 | 模型训练的方法、评估方法、计算机设备及存储介质 |
TWI846177B (zh) * | 2022-11-30 | 2024-06-21 | 鴻海精密工業股份有限公司 | 道路分割方法、電腦設備及儲存介質 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070253622A1 (en) * | 2004-05-19 | 2007-11-01 | Tetsuo Ikeda | Traffic Lane Marking Line Recognition System for Vehicle |
CN105069410A (zh) * | 2015-07-24 | 2015-11-18 | 深圳市佳信捷技术股份有限公司 | 基于非结构化的道路识别方法及装置 |
CN105493141A (zh) * | 2013-08-23 | 2016-04-13 | 哈曼国际工业有限公司 | 非结构化道路边界检测 |
CN106940784A (zh) * | 2016-12-26 | 2017-07-11 | 无锡高新兴智能交通技术有限公司 | 一种基于视频的公交车检测与识别方法及系统 |
CN107205125A (zh) * | 2017-06-30 | 2017-09-26 | 广东欧珀移动通信有限公司 | 一种图像处理方法、装置、终端及计算机可读存储介质 |
JP2018005682A (ja) * | 2016-07-05 | 2018-01-11 | 日立オートモティブシステムズ株式会社 | 画像処理装置 |
CN108052933A (zh) * | 2018-01-16 | 2018-05-18 | 杭州国辰机器人科技有限公司 | 基于卷积神经网络的道路识别系统及方法 |
CN109345547A (zh) * | 2018-10-19 | 2019-02-15 | 天津天地伟业投资管理有限公司 | 基于深度学习多任务网络的交通车道线检测方法及装置 |
CN110008848A (zh) * | 2019-03-13 | 2019-07-12 | 华南理工大学 | 一种基于双目立体视觉的道路可行驶区域识别方法 |
KR20190103508A (ko) * | 2018-02-12 | 2019-09-05 | 경북대학교 산학협력단 | 차선 검출 방법, 이를 수행하기 위한 장치 및 기록매체 |
CN111507347A (zh) * | 2020-04-09 | 2020-08-07 | 华北电力大学 | 一种基于偏微分方程的电力设备红外图像增强与分割方法 |
-
2021
- 2021-06-28 CN CN202110719545.8A patent/CN113313071A/zh active Pending
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070253622A1 (en) * | 2004-05-19 | 2007-11-01 | Tetsuo Ikeda | Traffic Lane Marking Line Recognition System for Vehicle |
CN105493141A (zh) * | 2013-08-23 | 2016-04-13 | 哈曼国际工业有限公司 | 非结构化道路边界检测 |
CN105069410A (zh) * | 2015-07-24 | 2015-11-18 | 深圳市佳信捷技术股份有限公司 | 基于非结构化的道路识别方法及装置 |
JP2018005682A (ja) * | 2016-07-05 | 2018-01-11 | 日立オートモティブシステムズ株式会社 | 画像処理装置 |
CN106940784A (zh) * | 2016-12-26 | 2017-07-11 | 无锡高新兴智能交通技术有限公司 | 一种基于视频的公交车检测与识别方法及系统 |
CN107205125A (zh) * | 2017-06-30 | 2017-09-26 | 广东欧珀移动通信有限公司 | 一种图像处理方法、装置、终端及计算机可读存储介质 |
CN108052933A (zh) * | 2018-01-16 | 2018-05-18 | 杭州国辰机器人科技有限公司 | 基于卷积神经网络的道路识别系统及方法 |
KR20190103508A (ko) * | 2018-02-12 | 2019-09-05 | 경북대학교 산학협력단 | 차선 검출 방법, 이를 수행하기 위한 장치 및 기록매체 |
CN109345547A (zh) * | 2018-10-19 | 2019-02-15 | 天津天地伟业投资管理有限公司 | 基于深度学习多任务网络的交通车道线检测方法及装置 |
CN110008848A (zh) * | 2019-03-13 | 2019-07-12 | 华南理工大学 | 一种基于双目立体视觉的道路可行驶区域识别方法 |
CN111507347A (zh) * | 2020-04-09 | 2020-08-07 | 华北电力大学 | 一种基于偏微分方程的电力设备红外图像增强与分割方法 |
Non-Patent Citations (2)
Title |
---|
中国图学学会: "《2018-2019年图学学科发展报告》", 31 July 2020, 中国科学技术出版社, pages: 99 - 100 * |
杨娴;李勃;丁文;陈启美;: "基于路面亮度特征估算的视频能见度检测系统", 上海交通大学学报, no. 08 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115294767A (zh) * | 2022-08-02 | 2022-11-04 | 山西省智慧交通研究院有限公司 | 一种高速公路车道线实时检测与交通安全预警方法及装置 |
CN115294767B (zh) * | 2022-08-02 | 2023-06-27 | 山西省智慧交通研究院有限公司 | 一种高速公路车道线实时检测与交通安全预警方法及装置 |
TWI846177B (zh) * | 2022-11-30 | 2024-06-21 | 鴻海精密工業股份有限公司 | 道路分割方法、電腦設備及儲存介質 |
CN117114141A (zh) * | 2023-10-20 | 2023-11-24 | 安徽蔚来智驾科技有限公司 | 模型训练的方法、评估方法、计算机设备及存储介质 |
CN117114141B (zh) * | 2023-10-20 | 2024-02-27 | 安徽蔚来智驾科技有限公司 | 模型训练的方法、评估方法、计算机设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108830188B (zh) | 基于深度学习的车辆检测方法 | |
CN113313071A (zh) | 一种道路区域识别方法及系统 | |
CN108765443B (zh) | 一种自适应颜色阈值分割的标志增强处理方法 | |
CN101339616B (zh) | 道路识别方法及装置 | |
CN103065138B (zh) | 一种机动车牌号的识别方法 | |
CN108009518A (zh) | 一种基于快速二分卷积神经网络的层次化交通标识识别方法 | |
CN105205821B (zh) | 一种焊接图像分割方法 | |
CN108764345B (zh) | 一种基于局部与全局聚类的水下大坝裂缝检测方法 | |
CN107590470B (zh) | 一种车道线检测方法及装置 | |
CN106778551B (zh) | 一种高速路段及城市道路车道线识别方法 | |
CN107798335A (zh) | 一种融合滑动窗口与Faster R‑CNN卷积神经网络的车标识别方法 | |
CN114998852A (zh) | 一种基于深度学习的公路路面病害智能检测方法 | |
CN104021574A (zh) | 路面病害自动识别方法 | |
CN102298698A (zh) | 基于角点与边缘信息融合的遥感图像飞机检测方法 | |
CN110659649A (zh) | 一种基于近红外光成像的图像处理与字符识别算法 | |
CN112001216A (zh) | 一种基于计算机的汽车行驶车道检测系统 | |
CN111259796A (zh) | 一种基于图像几何特征的车道线检测方法 | |
CN102073852A (zh) | 基于最优阈值和随机标号法的多车辆分割方法 | |
CN112528868A (zh) | 一种基于改进Canny边缘检测算法的违章压线判别方法 | |
CN116310845B (zh) | 一种用于污水处理的智能监测系统 | |
CN109886168B (zh) | 一种基于层阶的地面交通标志识别方法 | |
CN116259032A (zh) | 基于改进YOLOv5的道路交通标志检测与识别算法 | |
Wang et al. | Lane detection based on two-stage noise features filtering and clustering | |
CN102313740B (zh) | 太阳能电池板裂痕检测方法 | |
CN113053164A (zh) | 一种利用环视图像的车位识别方法 |
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 |