CN114037970A - 一种基于滑动窗口的车道线检测方法、系统、终端及可读存储介质 - Google Patents
一种基于滑动窗口的车道线检测方法、系统、终端及可读存储介质 Download PDFInfo
- Publication number
- CN114037970A CN114037970A CN202111398178.2A CN202111398178A CN114037970A CN 114037970 A CN114037970 A CN 114037970A CN 202111398178 A CN202111398178 A CN 202111398178A CN 114037970 A CN114037970 A CN 114037970A
- Authority
- CN
- China
- Prior art keywords
- lane line
- image
- sliding window
- window
- extracting
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 53
- 238000000034 method Methods 0.000 claims abstract description 58
- 239000011159 matrix material Substances 0.000 claims abstract description 42
- 230000009466 transformation Effects 0.000 claims abstract description 22
- 238000012800 visualization Methods 0.000 claims abstract description 19
- 235000004522 Pentaglottis sempervirens Nutrition 0.000 claims abstract description 14
- 240000004050 Pentaglottis sempervirens Species 0.000 claims abstract description 12
- 238000005070 sampling Methods 0.000 claims abstract description 12
- 230000000877 morphologic effect Effects 0.000 claims abstract description 11
- 230000002708 enhancing effect Effects 0.000 claims abstract description 9
- 238000001914 filtration Methods 0.000 claims abstract description 8
- 238000004590 computer program Methods 0.000 claims description 11
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 6
- 238000003702 image correction Methods 0.000 claims description 6
- 239000012535 impurity Substances 0.000 claims description 6
- 238000012937 correction Methods 0.000 claims description 3
- 230000001965 increasing effect Effects 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 241001505456 Aloysia gratissima Species 0.000 description 1
- 235000018078 Aloysia gratissima var schulziae Nutrition 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000036544 posture Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 235000002894 whitebrush Nutrition 0.000 description 1
Images
Classifications
-
- G06T5/80—
-
- 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
Abstract
本发明提供一种基于滑动窗口的车道线检测方法、系统、终端及可读存储介质,通过车载相机采集多张棋盘格图像,进行相机内参标定,获得相机内参矩阵和畸变系数;对获取的实时道路图像进行校正,提取校正后图像的边缘特征信息获得二值图像,并根据本车车道线确定感兴趣区域;将二值图像转换成鸟瞰图,同时采用形态学滤波去除二值图像的噪声并增强车道线信息;通过滑动窗口方法提取左右车道线像素点坐标,然后采用随机采样一致性方法拟合车道线;绘制拟合的车道线并利用逆透视变换反投影到校正图像上用于可视化。方法实时性、抗噪性能好,并且解决了霍夫变换弯道检测率低的难题,保证了无人驾驶车辆的安全平稳的行驶。
Description
技术领域
本发明涉及自动驾驶领域,尤其涉及一种基于滑动窗口的车道线检测方法、系统、终端及可读存储介质。
背景技术
目前,在自动驾驶技术领域中,主要通过传感器获取周围环境信息,控制自动驾驶车辆安全自动的行驶。车辆在行驶过程中,需要实时获取当前道路车道线信息,确保车辆在车道内平稳行驶,因此使用低成本的单目车载相机结合图像处理技术完成车道线检测在自动驾驶系统中显得尤为重要。
国内外车道线检测方法主要分为:基于特征的检测方法、基于模型的检测方法,基于深度学习的检测方法。基于特征的检测方法,利用车道线与道路环境的物理特征差异进行后续图像的分割与处理,其方法复杂度较低,实时性较高,但易受环境干扰。
基于模型的检测方法,利用不同的二维/三维道路图像模型,采用相应方法确定各模型参数,然后拟合车道线,其方法具有较高的精度,但其局限性强,运算量大,实时性较差。基于深度学习的检测方法,通过搭建网络模型学习网络参数,该方法检测率高但实时性低,硬件要求特别高。
发明内容
本发明解决了霍夫变换弯道检测率低的难题,保证了无人驾驶车辆的安全平稳的行驶。
具体来讲,本发明提供四方面内容。
第一方面内容提供了一种基于滑动窗口的车道线检测方法,方法包括:
S1、通过车载相机采集多张棋盘格图像,利用张正友平面标定法进行相机内参标定,获得相机内参矩阵和畸变系数;
S2、对获取的实时道路图像进行校正,提取校正后图像的边缘特征信息获得二值图像,并根据本车车道线确定感兴趣区域;
S3、根据相机内参矩阵和消失点坐标获取逆透视变换矩阵,将二值图像转换成鸟瞰图,同时采用形态学滤波去除二值图像的噪声并增强车道线信息;
S4、通过滑动窗口方法提取左右车道线像素点坐标,然后采用随机采样一致性方法拟合车道线;
S5、绘制拟合的车道线并利用逆透视变换反投影到校正图像上用于可视化。
进一步需要说明的是,步骤S1还包括:
设置预设大小的黑白棋盘格,利用车载相机拍摄预设数量的棋盘格图像;
对每一张标定图像提取角点信息,并提取亚像素角点信息;
获取到标定图像的内角点坐标之后,使用张正友平面标定法获得相机的内参矩阵和畸变系数。
进一步需要说明的是,步骤S2还包括:
利用内参矩阵和畸变系数对获取的实时道路图像进行校正,利用Sobel算子提取校正图像的边缘特征信息获得二值图像,并根据本车车道线确定感兴趣区域。
进一步需要说明的是,S2.1:根据求得的相机内参矩阵和畸变系数,对实时获取的道路图像进行畸变校正,得到校正图像;
S2.2:将校正图像转换到灰度图像,然后采用Sobel的算子提取灰度图像边缘特征,得到灰度图像的横向梯度Gx;
获得梯度图像的Gx的最大值max、最小值min,取两者绝对值的最大值A,并将Gx归一化[0,255/A],并进行阈值化获得二值图像,其中阈值条件为[12,120];
S2.3:最后车道线位置提取二值图像的感兴趣区域。
进一步需要说明的是,步骤S3还包括:
S3.1:在车身与车道线平行情况下拍摄道路图像,去除道路图像畸变,并利用Canny算子提取该图像边缘特征;
S3.2:利用霍夫变换检测出白色车道线,找出到车道线的距离最小的点,即为消失点Vp;
同时声明两个点P1和P2,从消失点均匀偏移并且更靠近车辆,连接P1和Vp以及P2和Vp,求得分别与两条线上共线的另外两个点P3和P4,则梯形的四个坐标src=[P1,P2,P3,P4];
长方形坐标点为dst=[[0,0],[width,0],[width,high],[0,high]],其中width和high分别是原图的宽和高;
S3.3:使用src和dst及逆行透视变换获得透视矩阵M和由于恢复图像的反透视矩阵Min;
根据透视变换矩阵将二值图像转变到鸟瞰图,然后利用形态学闭运算去除噪声并增强车道线信息。
进一步需要说明的是,步骤S4还包括:
S4.1:遍历鸟瞰图像像素值不为零的所有像素点的坐标并存入数组中;统计鸟瞰图下半部分x轴上的像素点,以其两个峰值作为滑动窗口检测的左右起始基点;
S4.2:设置初始化参数,并建立存储数组;
在迭代循环中,对窗口内像素进行遍历,并存储非零像素值的坐标;
当窗口内的有效像素个数小于预设最小值时,以窗宽基数为单位递增窗宽直到满足最小像素个数为止;
以滑动窗口内有效像素横坐标的平均值作为下一个滑动窗口的基点坐标,一次迭代检测直至满足循环数;
S4.3:循环结束后使用随机采样一致性方法拟合筛选出的车道线像素点。
进一步需要说明的是,步骤S5还包括:
根据拟合系数计算鸟瞰图的车道线坐标数组,然后利用反透视矩阵Min将鸟瞰图坐标转换到原始图像坐标下,最后将原始车道线坐标绘制到原始图像中用于可视化。
第二方面内容提供了一种基于滑动窗口的车道线检测系统,系统包括:图像获取及标定模块、图像校正模块、图像转换除杂模块、图像提取拟合模块以及图像可视化模块;
图像获取及标定模块用于通过车载相机采集多张棋盘格图像,利用张正友平面标定法进行相机内参标定,获得相机内参矩阵和畸变系数;
图像校正模块用于对获取的实时道路图像进行校正,提取校正后图像的边缘特征信息获得二值图像,并根据本车车道线确定感兴趣区域;
图像转换除杂模块用于根据相机内参矩阵和消失点坐标获取逆透视变换矩阵,将二值图像转换成鸟瞰图,同时采用形态学滤波去除二值图像的噪声并增强车道线信息;
图像提取拟合模块用于通过滑动窗口方法提取左右车道线像素点坐标,然后采用随机采样一致性方法拟合车道线;
图像可视化模块用于绘制拟合的车道线并利用逆透视变换反投影到校正图像上用于可视化。
第三方面内容提供了一种实现基于滑动窗口的车道线检测方法的终端,包括:
存储器,用于存储计算机程序及基于滑动窗口的车道线检测方法;
处理器,用于执行所述计算机程序及基于滑动窗口的车道线检测方法,以实现基于滑动窗口的车道线检测方法的步骤。
第四方面内容提供了一种具有基于滑动窗口的车道线检测方法的可读存储介质,可读存储介质上存储有计算机程序,所述计算机程序被处理器执行以实现基于滑动窗口的车道线检测方法的步骤。
从以上技术方案可以看出,本发明具有以下优点:
本发明提供的基于滑动窗口的车道线检测方法和系统采用简单的梯度阈值法提取校正灰度图像的边缘特征,减少了颜色特征,混合Sobel特征的时间消耗。同时采用内参矩阵和计算的消失点坐标计算逆透视变换矩阵,提高了逆透视变换的鲁棒性。对鸟瞰图利用形态学闭运算过滤噪点增强边缘特征。
本发明提供的基于滑动窗口的车道线检测方法和系统使得在车辆行驶过程中,实时发布准确的车道线信息,保证自动驾驶车辆的安全行驶。
本发明利用滑动窗口和RANSAC算法提取并拟合车道线,通过遍历窗口内的非零像素点,寻找窗口内小于预设值的所有像素点,然后通过窗口内像素横坐标的平均值作为下一个窗口的基点坐标。最后利用随机采样拟合车道线,并反投影到原始图像上用于可视化。该算法T提高了弯道车道线检测的准确率有利于自动驾驶车辆的安全行驶。
附图说明
为了更清楚地说明本发明的技术方案,下面将对描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为基于滑动窗口的车道线检测方法流程图;
图2是基于滑动窗口的车道线检测方法的边缘检测图;
图3是基于滑动窗口的车道线检测方法的消失点检测图;
图4是基于滑动窗口的车道线检测方法的逆透视变换后的鸟瞰图;
图5是基于滑动窗口的车道线检测结果可视化示意图;
图6为基于滑动窗口的车道线检测系统示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明提供的基于滑动窗口的车道线检测方法和系统中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
本发明提供的基于滑动窗口的车道线检测方法和系统附图中所示的方框图仅仅是功能实体,不一定必须与物理上独立的实体相对应。即,可以采用软件形式来实现这些功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
本发明提供的基于滑动窗口的车道线检测方法包括:
S1、通过车载相机采集不同角度和不同高度的多张棋盘格图像,利用张正友平面标定法进行相机内参标定,获得相机内参矩阵和畸变系数,包括以下步骤:
S1.1:设置8*6大小的黑白棋盘格,利用安装在车内挡风玻璃正中间的前视单目相机拍摄在不同位置、不同角度、不同姿态下的棋盘格图像,至少拍摄10-20张;
S1.2:对每一张标定图像提取角点信息,然后进一步提取亚像素角点信息。获取到标定图像的内角点坐标之后,使用张正友平面标定法获得相机的内参矩阵mtx和畸变系数dist。
S2、利用内参矩阵和畸变系数对获取的实时道路图像进行校正,利用Sobel算子提取校正图像的边缘特征信息获得二值图像,并根据本车车道线确定感兴趣区域,包括以下步骤:
S2.1:根据求得的相机内参矩阵和畸变系数,对实时获取的道路图像进行畸变校正,得到校正图像。
S2.2:将校正图像转换到灰度图像,然后采用Sobel的算子提取灰度图像边缘特征,得到灰度图像的横向梯度Gx。然后获得梯度图像的Gx的最大值max、最小值min,取两者绝对值的最大值A,并将Gx归一化[0,255/A],并进行阈值化获得二值图像,其中阈值条件为[12,120],如图2所示。
S2.3:最后车道线位置提取二值图像的感兴趣区域。
S3、根据相机内参矩阵和消失点坐标获取逆透视变换矩阵,将二值图像转换成鸟瞰图,同时采用形态学滤波去除二值图像的噪声并增强车道线信息,包括以下步骤:
S3.1:选择地势平整,车道线清晰可见的路段,自动驾驶车辆车身与车道线平行情况下拍摄道路图像。使用画图软件处理获得图像,将车道线用白色画笔描写清楚,并用灰色画笔填充背景。读入处理后的图像,去除图像畸变并利用Canny算子提取该图像边缘特征;
S3.2:然后利用霍夫变换检测出白色车道线,找出到上述直线的距离最小的点,即为消失点Vp。同时声明两个点P1和P2,他们从消失点均匀偏移并且更靠近车辆,连接P1和Vp以及P2和Vp,求得分别与两条线上共线的另外两个点P3和P4,则原图中梯形的四个坐标src=[P1,P2,P3,P4]。同时俯视图中长方形坐标点为dst=[[0,0],[width,0],[width,high],[0,high]],其中width和high分别是原图的宽和高;
S3.3:使用src和dst及逆行透视变换获得透视矩阵M和由于恢复图像的反透视矩阵Min。根据透视变换矩阵将二值图像转变到鸟瞰图,如图4所示,然后利用形态学闭运算去除噪声并增强车道线信息。
S4、通过滑动窗口方法提取左右车道线像素点坐标,然后采用随机采样一致性(RANSAC)方法拟合车道线,包括以下步骤:
S4.1:首先需要遍历鸟瞰图像像素值不为零的所有像素点的坐标并存入数组中。统计鸟瞰图下半部分x轴上的像素点,以其两个峰值作为滑动窗口检测的左右起始基点;
S4.2:设置必要的初始化参数,包括滑动窗口的迭代个数、初始基点坐标、窗口高度和宽度,并建立存储数组。在迭代循环中,对窗口内像素进行遍历并存储非零像素值的坐标。对窗口内的有效像素个数小于预设最小值时,以窗宽基数为单位递增窗宽直到满足最小像素个数为止。以滑动窗口内有效像素横坐标的平均值作为下一个滑动窗口的基点坐标,一次迭代检测直至满足循环数;
S4.3:循环结束后使用随机采样一致性(RANSAC)方法拟合筛选出的车道线像素点。
S5、最后绘制拟合的车道线并利用逆透视变换反投影到校正图像上用于可视化,包括以下步骤:
根据拟合系数计算鸟瞰图的车道线坐标数组,然后利用反透视矩阵Min将鸟瞰图坐标转换到原始图像坐标下,最后将原始车道线坐标绘制到原始图像中用于可视化,如图5所示。
本发明利用滑动窗口和RANSAC算法提取并拟合车道线,通过遍历窗口内的非零像素点,寻找窗口内小于预设值的所有像素点,然后通过窗口内像素横坐标的平均值作为下一个窗口的基点坐标。最后利用随机采样拟合车道线,并反投影到原始图像上用于可视化。该算法T提高了弯道车道线检测的准确率有利于自动驾驶车辆的安全行驶。
基于上述方法本发明还提供基于滑动窗口的车道线检测系统,在基于滑动窗口的车道线检测系统的描述中,使用用于表示元件的诸如“模块”、“部件”或“单元”的后缀仅为了有利于本发明实施例的说明,其本身并没有特定的意义。因此,"模块"与"部件"可以混合地使用。
如图6所示,系统包括:图像获取及标定模块、图像校正模块、图像转换除杂模块、图像提取拟合模块以及图像可视化模块;
图像获取及标定模块用于通过车载相机采集多张棋盘格图像,利用张正友平面标定法进行相机内参标定,获得相机内参矩阵和畸变系数;
图像校正模块用于对获取的实时道路图像进行校正,提取校正后图像的边缘特征信息获得二值图像,并根据本车车道线确定感兴趣区域;
图像转换除杂模块用于根据相机内参矩阵和消失点坐标获取逆透视变换矩阵,将二值图像转换成鸟瞰图,同时采用形态学滤波去除二值图像的噪声并增强车道线信息;
图像提取拟合模块用于通过滑动窗口方法提取左右车道线像素点坐标,然后采用随机采样一致性方法拟合车道线;
图像可视化模块用于绘制拟合的车道线并利用逆透视变换反投影到校正图像上用于可视化。
基于上述方法和系统本发明还提供一种实现基于滑动窗口的车道线检测方法的终端,包括:存储器,用于存储计算机程序及基于滑动窗口的车道线检测方法;处理器,用于执行所述计算机程序及基于滑动窗口的车道线检测方法,以实现基于滑动窗口的车道线检测方法的步骤。
基于上述方法和系统一种具有基于滑动窗口的车道线检测方法的可读存储介质,可读存储介质上存储有计算机程序,所述计算机程序被处理器执行以实现基于滑动窗口的车道线检测方法的步骤。
本发明提供的基于滑动窗口的车道线检测方法和系统是结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
所属技术领域的技术人员能够理解,本发明提供的基于滑动窗口的车道线检测方法和系统的各个方面可以实现为系统、方法或程序产品。因此,本公开的各个方面可以具体实现为以下形式,即:完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等),或硬件和软件方面结合的实施方式,这里可以统称为“电路”、“模块”或“系统”。
本发明提供的基于滑动窗口的车道线检测方法和系统可以以一种或多种程序设计语言的任意组合来编写用于执行本公开操作的程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算设备,或者,可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种基于滑动窗口的车道线检测方法,其特征在于,方法包括:
S1、通过车载相机采集多张棋盘格图像,利用张正友平面标定法进行相机内参标定,获得相机内参矩阵和畸变系数;
S2、对获取的实时道路图像进行校正,提取校正后图像的边缘特征信息获得二值图像,并根据本车车道线确定感兴趣区域;
S3、根据相机内参矩阵和消失点坐标获取逆透视变换矩阵,将二值图像转换成鸟瞰图,同时采用形态学滤波去除二值图像的噪声并增强车道线信息;
S4、通过滑动窗口方法提取左右车道线像素点坐标,然后采用随机采样一致性方法拟合车道线;
S5、绘制拟合的车道线并利用逆透视变换反投影到校正图像上用于可视化。
2.根据权利要求1所述的基于滑动窗口的车道线检测方法,其特征在于,
步骤S1还包括:
设置预设大小的黑白棋盘格,利用车载相机拍摄预设数量的棋盘格图像;
对每一张标定图像提取角点信息,并提取亚像素角点信息;
获取到标定图像的内角点坐标之后,使用张正友平面标定法获得相机的内参矩阵和畸变系数。
3.根据权利要求1所述的基于滑动窗口的车道线检测方法,其特征在于,
步骤S2还包括:
利用内参矩阵和畸变系数对获取的实时道路图像进行校正,利用Sobel算子提取校正图像的边缘特征信息获得二值图像,并根据本车车道线确定感兴趣区域。
4.根据权利要求3所述的基于滑动窗口的车道线检测方法,其特征在于,
S2.1:根据求得的相机内参矩阵和畸变系数,对实时获取的道路图像进行畸变校正,得到校正图像;
S2.2:将校正图像转换到灰度图像,然后采用Sobel的算子提取灰度图像边缘特征,得到灰度图像的横向梯度Gx;
获得梯度图像的Gx的最大值max、最小值min,取两者绝对值的最大值A,并将Gx归一化[0,255/A],并进行阈值化获得二值图像,其中阈值条件为[12,120];
S2.3:最后车道线位置提取二值图像的感兴趣区域。
5.根据权利要求1或2所述的基于滑动窗口的车道线检测方法,其特征在于,
步骤S3还包括:
S3.1:在车身与车道线平行情况下拍摄道路图像,去除道路图像畸变,并利用Canny算子提取该图像边缘特征;
S3.2:利用霍夫变换检测出白色车道线,找出到车道线的距离最小的点,即为消失点Vp;
同时声明两个点P1和P2,从消失点均匀偏移并且更靠近车辆,连接P1和Vp以及P2和Vp,求得分别与两条线上共线的另外两个点P3和P4,则梯形的四个坐标src=[P1,P2,P3,P4];
长方形坐标点为dst=[[0,0],[width,0],[width,high],[0,high]],其中width和high分别是原图的宽和高;
S3.3:使用src和dst及逆行透视变换获得透视矩阵M和由于恢复图像的反透视矩阵Min;
根据透视变换矩阵将二值图像转变到鸟瞰图,然后利用形态学闭运算去除噪声并增强车道线信息。
6.根据权利要求1或2所述的基于滑动窗口的车道线检测方法,其特征在于,
步骤S4还包括:
S4.1:遍历鸟瞰图像像素值不为零的所有像素点的坐标并存入数组中;统计鸟瞰图下半部分x轴上的像素点,以其两个峰值作为滑动窗口检测的左右起始基点;
S4.2:设置初始化参数,并建立存储数组;
在迭代循环中,对窗口内像素进行遍历,并存储非零像素值的坐标;
当窗口内的有效像素个数小于预设最小值时,以窗宽基数为单位递增窗宽直到满足最小像素个数为止;
以滑动窗口内有效像素横坐标的平均值作为下一个滑动窗口的基点坐标,一次迭代检测直至满足循环数;
S4.3:循环结束后使用随机采样一致性方法拟合筛选出的车道线像素点。
7.根据权利要求1或2所述的基于滑动窗口的车道线检测方法,其特征在于,
步骤S5还包括:
根据拟合系数计算鸟瞰图的车道线坐标数组,然后利用反透视矩阵Min将鸟瞰图坐标转换到原始图像坐标下,最后将原始车道线坐标绘制到原始图像中用于可视化。
8.一种基于滑动窗口的车道线检测系统,其特征在于,系统采用如权利要求1只7任意一项所述的基于滑动窗口的车道线检测方法;
系统包括:图像获取及标定模块、图像校正模块、图像转换除杂模块、图像提取拟合模块以及图像可视化模块;
图像获取及标定模块用于通过车载相机采集多张棋盘格图像,利用张正友平面标定法进行相机内参标定,获得相机内参矩阵和畸变系数;
图像校正模块用于对获取的实时道路图像进行校正,提取校正后图像的边缘特征信息获得二值图像,并根据本车车道线确定感兴趣区域;
图像转换除杂模块用于根据相机内参矩阵和消失点坐标获取逆透视变换矩阵,将二值图像转换成鸟瞰图,同时采用形态学滤波去除二值图像的噪声并增强车道线信息;
图像提取拟合模块用于通过滑动窗口方法提取左右车道线像素点坐标,然后采用随机采样一致性方法拟合车道线;
图像可视化模块用于绘制拟合的车道线并利用逆透视变换反投影到校正图像上用于可视化。
9.一种实现基于滑动窗口的车道线检测方法的终端,其特征在于,包括:
存储器,用于存储计算机程序及基于滑动窗口的车道线检测方法;
处理器,用于执行所述计算机程序及基于滑动窗口的车道线检测方法,以实现如权利要求1至7任意一项所述基于滑动窗口的车道线检测方法的步骤。
10.一种具有基于滑动窗口的车道线检测方法的可读存储介质,其特征在于,所述可读存储介质上存储有计算机程序,所述计算机程序被处理器执行以实现如权利要求1至7任意一项所述基于滑动窗口的车道线检测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111398178.2A CN114037970A (zh) | 2021-11-19 | 2021-11-19 | 一种基于滑动窗口的车道线检测方法、系统、终端及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111398178.2A CN114037970A (zh) | 2021-11-19 | 2021-11-19 | 一种基于滑动窗口的车道线检测方法、系统、终端及可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114037970A true CN114037970A (zh) | 2022-02-11 |
Family
ID=80138543
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111398178.2A Pending CN114037970A (zh) | 2021-11-19 | 2021-11-19 | 一种基于滑动窗口的车道线检测方法、系统、终端及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114037970A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114719873A (zh) * | 2022-06-02 | 2022-07-08 | 四川省公路规划勘察设计研究院有限公司 | 一种低成本精细地图自动生成方法、装置及可读介质 |
CN115937825A (zh) * | 2023-01-06 | 2023-04-07 | 之江实验室 | 在线俯仰角估计的bev下鲁棒车道线生成方法及装置 |
CN115984806A (zh) * | 2023-03-20 | 2023-04-18 | 四川京炜数字科技有限公司 | 道路标线破损动态检测系统 |
RU2802991C1 (ru) * | 2022-12-30 | 2023-09-05 | Общество с ограниченной ответственностью "ЭвоКарго" | Способ детекции протяженных линейных объектов на изображении |
-
2021
- 2021-11-19 CN CN202111398178.2A patent/CN114037970A/zh active Pending
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114719873A (zh) * | 2022-06-02 | 2022-07-08 | 四川省公路规划勘察设计研究院有限公司 | 一种低成本精细地图自动生成方法、装置及可读介质 |
RU2802991C1 (ru) * | 2022-12-30 | 2023-09-05 | Общество с ограниченной ответственностью "ЭвоКарго" | Способ детекции протяженных линейных объектов на изображении |
CN115937825A (zh) * | 2023-01-06 | 2023-04-07 | 之江实验室 | 在线俯仰角估计的bev下鲁棒车道线生成方法及装置 |
CN115984806A (zh) * | 2023-03-20 | 2023-04-18 | 四川京炜数字科技有限公司 | 道路标线破损动态检测系统 |
CN115984806B (zh) * | 2023-03-20 | 2023-06-13 | 四川京炜数字科技有限公司 | 道路标线破损动态检测系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114037970A (zh) | 一种基于滑动窗口的车道线检测方法、系统、终端及可读存储介质 | |
CN109785291B (zh) | 一种车道线自适应检测方法 | |
CN104408460B (zh) | 一种车道线检测及跟踪检测方法 | |
KR101881243B1 (ko) | 깊이 이미지를 프로세싱하기 위한 방법 및 장치 | |
CN110232389B (zh) | 一种基于绿色作物特征提取不变性的立体视觉导航方法 | |
CN108229475B (zh) | 车辆跟踪方法、系统、计算机设备及可读存储介质 | |
CN109583365B (zh) | 基于成像模型约束非均匀b样条曲线拟合车道线检测方法 | |
CN110930411B (zh) | 一种基于深度相机的人体分割方法及系统 | |
US9122960B2 (en) | Patch size adaptation for image enhancement | |
CN110110608B (zh) | 一种全景监控下基于视觉的叉车速度监测方法和系统 | |
CN110414308B (zh) | 一种针对输电线路上动态异物的目标识别方法 | |
CN108492263B (zh) | 一种镜头径向畸变校正方法 | |
CN111368717A (zh) | 视线确定方法、装置、电子设备和计算机可读存储介质 | |
CN111444778A (zh) | 一种车道线检测方法 | |
CN113822942B (zh) | 一种基于二维码的单目摄像头测量物体尺寸的方法 | |
CN113988112A (zh) | 车道线的检测方法、装置、设备及存储介质 | |
CN108122209B (zh) | 一种基于对抗生成网络的车牌去模糊方法 | |
CN112435278B (zh) | 一种基于动态目标检测的视觉slam方法及装置 | |
CN107945119B (zh) | 基于拜耳模式的图像内相关噪声估计方法 | |
Yang et al. | Image deblurring utilizing inertial sensors and a short-long-short exposure strategy | |
CN115937825B (zh) | 在线俯仰角估计的bev下鲁棒车道线生成方法及装置 | |
CN112115778A (zh) | 一种在环仿真条件下车道线智能识别方法 | |
CN115937839A (zh) | 一种大角度车牌图像识别方法、计算设备及存储介质 | |
CN113487675B (zh) | 一种不完整棋盘格合作图标快速特征点检测方法 | |
CN115272482A (zh) | 一种相机外参标定方法及存储介质 |
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 |