CN115100620A - 一种基于道路颜色和行驶方向的车道线拟合方法 - Google Patents
一种基于道路颜色和行驶方向的车道线拟合方法 Download PDFInfo
- Publication number
- CN115100620A CN115100620A CN202211002705.8A CN202211002705A CN115100620A CN 115100620 A CN115100620 A CN 115100620A CN 202211002705 A CN202211002705 A CN 202211002705A CN 115100620 A CN115100620 A CN 115100620A
- Authority
- CN
- China
- Prior art keywords
- edge
- lane
- edge point
- point
- degree
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000004364 calculation method Methods 0.000 claims abstract description 73
- 238000001514 detection method Methods 0.000 claims abstract description 25
- 230000008859 change Effects 0.000 claims abstract description 11
- 238000003708 edge detection Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 5
- 230000009466 transformation Effects 0.000 description 8
- 239000003086 colorant Substances 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 3
- 150000001875 compounds Chemical class 0.000 description 3
- 238000003909 pattern recognition Methods 0.000 description 3
- 235000011437 Amygdalus communis Nutrition 0.000 description 1
- 241000220304 Prunus dulcis Species 0.000 description 1
- 238000005299 abrasion Methods 0.000 description 1
- 235000020224 almond Nutrition 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000005562 fading Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/36—Applying a local operator, i.e. means to operate on image points situated in the vicinity of a given point; Non-linear local filtering operations, e.g. median filtering
-
- 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
- G06V10/56—Extraction of image or video features relating to colour
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Nonlinear Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及智能驾驶技术领域，具体涉及一种基于道路颜色和行驶方向的车道线拟合方法，包括：获取待检测车道的边缘图；利用各边缘点的HSV值的各通道值计算各边缘点趋于白色的程度；根据各边缘点的8邻域内边缘点的数量及所有边缘点趋于白色的程度得到各边缘点的计算必要程度；获取多帧连续的车道图像，根据相邻帧图像中像素点的灰度变化得到帧差图像；利用最小二乘法对各帧差图像中运动目标的位置坐标进行直线拟合；根据拟合直线的垂线与x轴的夹角获取各边缘点角度方向的计算范围；根据各边缘点的计算必要程度和各边缘点角度方向的计算范围对待检测车道的边缘图进行霍夫变换直线检测。上述方法用于检测直线，可提高直线检测的效率。
Description
技术领域
本发明涉及智能驾驶技术领域，具体涉及一种基于道路颜色和行驶方向的车道线拟合方法。
背景技术
随着科技的进步和发展，人们的生活越来越智能化，其中智能驾驶也逐步进入大众视野。在智能驾驶场景中，智能系统需要识别车道中的直线，因此对车道进行直线检测是非常必要的。
目前检测直线常用的技术手段为霍夫变换，运用两个坐标空间之间的变换，实现对直线的检测。
然而霍夫变换直线检测涉及的冗余计算较多，对很多不可能的边缘点都进行了相应的角度计算，计算量较大，无疑增大了对硬件设备计算能力的需求。因此亟需一种方法降低霍夫变换的计算量，提高直线检测的效率。
发明内容
本发明提供一种基于道路颜色和行驶方向的车道线拟合方法，包括：获取待检测车道的边缘图；利用各边缘点的HSV值的各通道值计算各边缘点趋于白色的程度；根据各边缘点的8邻域内边缘点的数量及所有边缘点趋于白色的程度得到各边缘点的计算必要程度；获取多帧连续的车道图像，根据相邻帧图像中像素点的灰度变化得到帧差图像；利用最小二乘法对各帧差图像中运动目标的位置坐标进行直线拟合；根据拟合直线的垂线与x轴的夹角获取各边缘点角度方向的计算范围；根据各边缘点的计算必要程度和各边缘点角度方向的计算范围对待检测车道的边缘图进行霍夫变换直线检测，相比于现有技术，本发明结合图像处理，根据车道线的颜色特征得到各边缘点的计算必要程度，根据车辆行驶方向得到各角度方向的计算必要性，进一步根据必要程度对边缘点的必要角度进行霍夫变换直线检测，有效降低了霍夫变换的计算量，提高了直线检测的效率和速度。
为达到上述目的，本发明采用以下技术方案，一种基于道路颜色和行驶方向的车道线拟合方法，包括：
获取待检测车道的边缘图。
利用各边缘点的HSV值的各通道值计算各边缘点趋于白色的程度。
根据各边缘点的8邻域内边缘点的数量及所有边缘点趋于白色的程度得到各边缘点的计算必要程度。
获取多帧连续的车道图像，根据相邻帧图像中像素点的灰度变化得到帧差图像。
利用最小二乘法对各帧差图像中运动目标的位置坐标进行直线拟合。
根据拟合直线的垂线与x轴的夹角获取各边缘点角度方向的计算范围。
根据各边缘点的计算必要程度和各边缘点角度方向的计算范围对待检测车道的边缘图进行霍夫变换直线检测。
进一步的，所述一种基于道路颜色和行驶方向的车道线拟合方法，所述各边缘点趋于白色的程度是按照如下方式计算：
将待检测车道RGB图转换为HSV图，获取所有边缘点的HSV值。
对所有边缘点的HSV值的各通道值进行归一化。
根据各边缘点归一化后的HSV值的各通道值计算各边缘点趋于白色的程度。
进一步的，所述一种基于道路颜色和行驶方向的车道线拟合方法，所述各边缘点趋于白色的程度的表达式如下：
式中，A表示各边缘点趋于白色的程度，Hl、Sl、Vl分别为各边缘点归一化后的HSV值的各通道值，α、β为权重参数。
进一步的，所述一种基于道路颜色和行驶方向的车道线拟合方法，所述各边缘点的计算必要程度的表达式如下：
式中，P为第k个边缘点的计算必要程度，
为第k个边缘点的第i个8邻域点的趋于白色的程度，
为第k个边缘点的第i个8邻域点是否为边缘点的判断结果，n为第k个边缘点的8邻域点中属于边缘点的数目，CL为第k个边缘点的第i个8邻域点在边缘图中的值。
进一步的，所述一种基于道路颜色和行驶方向的车道线拟合方法，所述各边缘点角度方向的计算范围是按照如下方式获取：
获取多帧连续的车道图像，根据相邻帧图像中像素点的灰度变化得到帧差图像。
获取各帧差图像中运动目标的位置坐标。
利用最小二乘法对各运动目标的位置坐标进行直线拟合。
选取拟合直线外任意点为原点建立坐标系，对拟合直线做过原点的垂线，得到垂线与x轴的夹角。
以垂线与x轴的夹角为基准，将与该夹角的差值为20°的角度范围作为各边缘点角度方向的计算范围。
进一步的，所述一种基于道路颜色和行驶方向的车道线拟合方法，所述对待检测车道的边缘图进行霍夫变换直线检测的过程具体如下：
设置累加器，初始值设为0。
设置计算必要程度阈值，遍历待检测车道边缘图中的所有边缘点，对每个边缘点的计算必要程度进行判断：当边缘点的计算必要程度大于阈值时，得到该边缘点的坐标（
），获取所有需要计算的边缘点的坐标。
将获取的所有需要计算的边缘点的坐标（
）和各边缘点角度方向的计算范围内的各角度θ分别代入公式
中计算出相应的r，得到累加器的值。
设置直线阈值，对得到的累加器的值进行判断，当累加器的值大于阈值时，认为存在一条直线。
利用存在的直线对应的边缘点的坐标及其在霍夫空间中的参数得到待检测车道的边缘图中的直线。
进一步的，所述一种基于道路颜色和行驶方向的车道线拟合方法，所述待检测车道的边缘图是按照如下方式获取：
采集待检测车道RGB图。
对待检测车道RGB图进行二值化处理，得到待检测车道二值图。
对待检测车道二值图进行边缘检测，获取待检测车道的边缘图。
本发明的有益效果在于：
本发明结合图形识别，根据车道线的颜色特征得到各边缘点的计算必要程度，根据车辆行驶方向得到各角度方向的计算必要性，进一步根据必要程度对边缘点的必要角度进行霍夫变换直线检测，有效降低了霍夫变换的计算量，提高了直线检测的效率和速度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术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性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例1提供的一种车道直线检测方法流程示意图；
图2为本发明实施例2提供的一种车道直线检测方法流程示意图；
图3为本发明实施例2提供的一种车道边缘图示意图；
图4为本发明实施例2提供的一种边缘点的8邻域点示意图。
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。
实施例1
本发明实施例提供一种基于道路颜色和行驶方向的车道线拟合方法，如图1所示，包括：
S101、获取待检测车道的边缘图。
其中，边缘检测是图像处理和计算机视觉中的基本问题，边缘检测的目的是标识数字图像中亮度变化明显的点。
S102、利用各边缘点的HSV值的各通道值计算各边缘点趋于白色的程度。
其中，HSV值的各通道值分别是：色调（H），饱和度（S），明度（V）。
S103、根据各边缘点的8邻域内边缘点的数量及所有边缘点趋于白色的程度得到各边缘点的计算必要程度。
其中，计算必要程度越小，说明这个边缘点在霍夫变换中越有可能被跳过。
S104、获取多帧连续的车道图像，根据相邻帧图像中像素点的灰度变化得到帧差图像。
其中，帧差图像是为了得到运动目标的位置变化情况。
S105、利用最小二乘法对各帧差图像中运动目标的位置坐标进行直线拟合。
其中，最小二乘法是一种在误差估计、不确定度、系统辨识及预测、预报等数据处理诸多学科领域得到广泛应用的数学工具。
S106、根据拟合直线的垂线与x轴的夹角获取各边缘点角度方向的计算范围。
其中，将与所述夹角的差值为20°的角度范围作为各边缘点角度方向的计算范围。
S107、根据各边缘点的计算必要程度和各边缘点角度方向的计算范围对待检测车道的边缘图进行霍夫变换直线检测。
其中，设置阈值，将计算必要程度大于阈值的边缘点进行计算。
本实施例的有益效果在于：
本实施例结合图形识别，根据车道线的颜色特征得到各边缘点的计算必要程度，根据车辆行驶方向得到各角度方向的计算必要性，进一步根据必要程度对边缘点的必要角度进行霍夫变换直线检测，有效降低了霍夫变换的计算量，提高了直线检测的效率和速度。
实施例2
本实施例的主要目的是：结合车道颜色特征和车辆行驶方向特征，来避免常规使用霍夫变换直线检测中冗余计算量大的缺陷。
本发明实施例提供一种基于道路颜色和行驶方向的车道线拟合方法，如图2所示，包括：
S201、采集车辆在道路上的行驶照片，并获取边缘图像。
通过摄像头采集多张高速公路上汽车的道路行驶图像。对原图像进行二值化处理得到二值化图像，再使用canny算子对其进行边缘检测，获取边缘图像，如图3所示。
常规的霍夫变换直线检测计算量大是因为要对所有点的所有角度都进行计算，但是对于车道线来说大多都是白色边界线。我们根据先验颜色信息，筛选出白色或者可能是白色的点，从而减少点的计算量。再根据车辆的行驶方向来判断车道直线的大致方向，从而减少不必要角度的计算。
S202、获取各边缘点的计算必要程度。
对于白色的车道线来说，有些车道线的颜色保护良好，可以直观的看出该点是白色点，但是对于部分线段，由于各种情况致使其褪色、破损，我们无法确定其是否为白色，需要结合该点自身的灰度值以及其周围像素点的特征进行综合分析判断。所以我们需要对所有边缘点获取其计算必要程度，从而判断其是否需要进行霍夫变换直线检测。
具体过程为：
1）获得各边缘点趋于白色的程度。
将我们获得的RGB图像转换为HSV图像，其中H是指色调，S是饱和度，V是亮度。对于车道线，没有破损区域的颜色为纯白色，该区域的HSV值为[0,0,100]。
但是对于界面破损的区域来说，可能出现的颜色为灰白色，亮灰色，海贝色、杏仁色等都是与破损边界色相邻近的颜色。我们知道白色与其临近色的H值在一个有限范围内，设定一个阈值，对于白色邻近色的H值范围是[0,60]，S值范围是[0,15]，V值范围是[96,100]。
根据各边缘点的HSV值我们得到各边缘点的区域趋于白色的程度A的计算过程为：
首先对所有边缘点的HSV各通道进行归一化：
式中，
、
、
分别为各边缘点的HSV各通道归一化后的值；
、
分别是白色邻近色的HSV最小值；H、S、V分别是各边缘点的HSV各通道值；
、
分别是白色邻近色的HSV最大值。
因为HSV中H是色调，所以H值的变化对颜色的影响程度更大，综合来看，H值越小，S值越小，V值越大该边缘点越趋于白色。
对于非白色，其HSV的值通常会大于白色的临界值60、15、100，因此计算各边缘点趋于白色的程度A，公式如下：
式中，
、
、
分别为各边缘点的HSV各通道归一化后的值。
、
为权重参数，由于H通道对颜色的影响程度大，S和V通道对颜色变化的影响小，所以H所占的权重
,建议
取值为0.3。对于HSV值大于白色的边界值时，认为该边缘点不需要计算，使用relu函数将其进行归0。
2）获得各边缘点的计算必要程度。
对于有些像素点也是属于车道线上的点，但是由于各种情况，比如磨损比较严重等原因，导致其表现为非白色，所以需要根据该边缘点的8邻域边缘点像素趋于白色的程度来综合得到各边缘点的计算必要程度。
本实施例采用8邻域的方式来判断其邻域点对该点计算必要程度的影响。
我们上步骤已经计算出各边缘点趋近于白色的程度A，接下来根据各边缘点的8邻域点的趋于白色的程度以及这些8邻域点的分布情况，进一步计算各边缘点的计算必要程度。
对该边缘点的8邻域进行标号，假设该边缘点8邻域的灰度值按顺时针标号依次是
，如图4所示。其对应的趋近于白色的程度为
,综合各种情况分析计算该边缘点的计算必要程度公式为：
式中，P为第k个边缘点的计算必要程度，
为第k个边缘点的第i个8邻域点的趋于白色的程度；
为第k个边缘点的第i个8邻域点是否为边缘点的判断结果；n为第k个边缘点的8邻域点中属于边缘点的数目，当第k个边缘点的8邻域内存在至少三个8邻域点为边缘点时才进行综合计算；CL为第k个边缘点的第i个8邻域点在边缘图中的值。
对于某一边缘点的8邻域点，如果该边缘点的邻域存在至少三点是边缘点，即至少有三点的A值我们已知，且其
，则对这些属于边缘点的8邻域点的趋近于白色的程度进行累加求均值。如果该边缘点的邻域内属于边缘点的数量少于3个，那该边缘点的计算必要程度为0。
至此，各边缘点的计算必要程度获取完成。
S203、获取各边缘点角度方向的计算范围。
对于常规的霍夫变换检测，需要计算其所有角度，但是对于车道上的直线来说，我们可以根据汽车的行驶方向，获得直线的大致方向，根据直线的大致方向计算部分角度即可。
具体过程：
1）利用多帧图像获得帧差图像。
利用监控摄像头获取多帧汽车在道路上的行驶图像（为了计算方便，所述图像为只有一辆汽车的情况下），由于场景中作为目标的汽车在运动，目标的影像在不同图像帧中的位置不同，根据汽车在行驶过程中在不同图像中的灰度值变化，获取相邻帧间的差分图像D：
式中，
为第L帧图像中像素点的灰度值，
为第L+1帧图像中像素点的灰度值。
由此根据多帧图像中位置发生变化的像素点的灰度值变化可以获得汽车的运动图像。
2）得到行驶方向。
将帧差图像中的运动目标（即为运动的汽车）标记为点。依次下来，多张帧差图像可得到多个点，以第一帧图像中的点为原点，水平方向为x轴，垂直方向为y轴建立坐标系。将多张帧差图像中获得的点按照上述坐标系得到各点的位置坐标，利用最小二乘法对这些点进行直线拟合，获取该条拟合直线与x轴形成的角度
，将角度
作为汽车的行驶方向。
3）获得角度范围。
由于车辆在直线道路上行驶时与道路直线的方向基本一致，因此取拟合直线周围任意点为原点建立坐标系。使得拟合直线始终不经过原点坐标，然后对拟合直线做过原点的垂线，并求得垂线与x轴形成的夹角
。以
为基准，取其左右20°的范围作为我们需要计算的角度范围Q。
至此，根据车辆行驶方向获得车道的大致方向，得到边缘点需要计算的角度范围。
S204、根据必要程度对边缘点的必要角度进行霍夫变换直线检测。
霍夫变换检测直线算法：
1)将（r，θ）空间量化，得到二维矩阵M（r，θ），M是一个累加器，初始值为0。
2)遍历边缘检测图像上的所有边缘点，若边缘点对应的计算必要程度P>K1，则获得其坐标值（
）继续进行下面的计算，否则跳过该边缘点。K1可根据系统实际运行情况自行选择调整，经验值为0.6。
3)获得边缘点的坐标（
）后，遍历上述角度范围Q内的各角度θ,则将θ代入公式
中计算出相应的r。得到霍夫空间坐标（r，θ），并将对应位置M的值加一。
4)将有必要计算的点（
）的必要角度θ计算完后，分析M的值，如果M>T，就认为存在一条道路上的直线；其中T是一个剔除虚假或无意义的直线阈值，由图像先验知识决定。
5)通过（
）和（r，θ）共同确定图像中的一条直线。对于大于阈值T的点，使用霍夫空间的参数对其（r，θ）通过逆映射可以得到空间中的直线：
本实施例的有益效果在于：
本实施例结合图形识别，根据车道线的颜色特征得到各边缘点的计算必要程度，根据车辆行驶方向得到各角度方向的计算必要性，进一步根据必要程度对边缘点的必要角度进行霍夫变换直线检测，有效降低了霍夫变换的计算量，提高了直线检测的效率和速度。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (7)
1.一种基于道路颜色和行驶方向的车道线拟合方法，其特征在于，包括：
获取待检测车道的边缘图；
利用各边缘点的HSV值的各通道值计算各边缘点趋于白色的程度；
根据各边缘点的8邻域内边缘点的数量及所有边缘点趋于白色的程度得到各边缘点的计算必要程度；
获取多帧连续的车道图像，根据相邻帧图像中像素点的灰度变化得到帧差图像；
利用最小二乘法对各帧差图像中运动目标的位置坐标进行直线拟合；
根据拟合直线的垂线与x轴的夹角获取各边缘点角度方向的计算范围；
根据各边缘点的计算必要程度和各边缘点角度方向的计算范围对待检测车道的边缘图进行霍夫变换直线检测。
2.根据权利要求1所述的一种基于道路颜色和行驶方向的车道线拟合方法，其特征在于，所述各边缘点趋于白色的程度是按照如下方式计算：
将待检测车道RGB图转换为HSV图，获取所有边缘点的HSV值；
对所有边缘点的HSV值的各通道值进行归一化；
根据各边缘点归一化后的HSV值的各通道值计算各边缘点趋于白色的程度。
3.根据权利要求1或2所述的一种基于道路颜色和行驶方向的车道线拟合方法，其特征在于，所述各边缘点趋于白色的程度的表达式如下：
式中，A表示各边缘点趋于白色的程度，Hl、Sl、Vl分别为各边缘点归一化后的HSV值的各通道值，α、β为权重参数。
4.根据权利要求1所述的一种基于道路颜色和行驶方向的车道线拟合方法，其特征在于，所述各边缘点的计算必要程度的表达式如下：
式中，P为第k个边缘点的计算必要程度，
为第k个边缘点的第i个8邻域点的趋于白色的程度，
为第k个边缘点的第i个8邻域点是否为边缘点的判断结果，n为第k个边缘点的8邻域点中属于边缘点的数目， CL为第k个边缘点的第i个8邻域点在边缘图中的值。
5.根据权利要求1所述的一种基于道路颜色和行驶方向的车道线拟合方法，其特征在于，所述各边缘点角度方向的计算范围是按照如下方式获取：
获取多帧连续的车道图像，根据相邻帧图像中像素点的灰度变化得到帧差图像；
获取各帧差图像中运动目标的位置坐标；
利用最小二乘法对各运动目标的位置坐标进行直线拟合；
选取拟合直线外任意点为原点建立坐标系，对拟合直线做过原点的垂线，得到垂线与x轴的夹角；
以垂线与x轴的夹角为基准，将与该夹角的差值为20°的角度范围作为各边缘点角度方向的计算范围。
6.根据权利要求1所述的一种基于道路颜色和行驶方向的车道线拟合方法，其特征在于，所述对待检测车道的边缘图进行霍夫变换直线检测的过程具体如下：
设置累加器，初始值设为0；
设置计算必要程度阈值，遍历待检测车道边缘图中的所有边缘点，对每个边缘点的计算必要程度进行判断：当边缘点的计算必要程度大于阈值时，得到该边缘点的坐标（
），获取所有需要计算的边缘点的坐标；
将获取的所有需要计算的边缘点的坐标（
）和各边缘点角度方向的计算范围内的各角度θ分别代入公式
中计算出相应的r，得到累加器的值；
设置直线阈值，对得到的累加器的值进行判断，当累加器的值大于阈值时，认为存在一条直线；
利用存在的直线对应的边缘点的坐标及其在霍夫空间中的参数得到待检测车道的边缘图中的直线。
7.根据权利要求1所述的一种基于道路颜色和行驶方向的车道线拟合方法，其特征在于，所述待检测车道的边缘图是按照如下方式获取：
采集待检测车道RGB图；
对待检测车道RGB图进行二值化处理，得到待检测车道二值图；
对待检测车道二值图进行边缘检测，获取待检测车道的边缘图。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211002705.8A CN115100620B (zh) | 2022-08-22 | 2022-08-22 | 一种基于道路颜色和行驶方向的车道线拟合方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211002705.8A CN115100620B (zh) | 2022-08-22 | 2022-08-22 | 一种基于道路颜色和行驶方向的车道线拟合方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115100620A true CN115100620A (zh) | 2022-09-23 |
| CN115100620B CN115100620B (zh) | 2024-02-20 |
Family
ID=83300431
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211002705.8A Active CN115100620B (zh) | 2022-08-22 | 2022-08-22 | 一种基于道路颜色和行驶方向的车道线拟合方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115100620B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105260713A (zh) * | 2015-10-09 | 2016-01-20 | 东方网力科技股份有限公司 | 一种车道线检测方法和装置 |
| CN108280450A (zh) * | 2017-12-29 | 2018-07-13 | 安徽农业大学 | 一种基于车道线的高速公路路面检测方法 |
| CN109657632A (zh) * | 2018-12-25 | 2019-04-19 | 重庆邮电大学 | 一种车道线检测识别方法 |
| CN110287884A (zh) * | 2019-06-26 | 2019-09-27 | 长安大学 | 一种辅助驾驶中压线检测方法 |
| CN111950394A (zh) * | 2020-07-24 | 2020-11-17 | 中南大学 | 一种车辆变道的预测方法、装置及计算机存储介质 |
| CN114663859A (zh) * | 2022-03-24 | 2022-06-24 | 宋春蓉 | 灵敏准确的复杂路况车道偏移实时预警系统 |
| CN114898335A (zh) * | 2022-05-16 | 2022-08-12 | 南通顺沃供应链管理有限公司 | 基于霍夫变换的车道线识别方法及系统 |
-
2022
- 2022-08-22 CN CN202211002705.8A patent/CN115100620B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105260713A (zh) * | 2015-10-09 | 2016-01-20 | 东方网力科技股份有限公司 | 一种车道线检测方法和装置 |
| CN108280450A (zh) * | 2017-12-29 | 2018-07-13 | 安徽农业大学 | 一种基于车道线的高速公路路面检测方法 |
| CN109657632A (zh) * | 2018-12-25 | 2019-04-19 | 重庆邮电大学 | 一种车道线检测识别方法 |
| CN110287884A (zh) * | 2019-06-26 | 2019-09-27 | 长安大学 | 一种辅助驾驶中压线检测方法 |
| CN111950394A (zh) * | 2020-07-24 | 2020-11-17 | 中南大学 | 一种车辆变道的预测方法、装置及计算机存储介质 |
| CN114663859A (zh) * | 2022-03-24 | 2022-06-24 | 宋春蓉 | 灵敏准确的复杂路况车道偏移实时预警系统 |
| CN114898335A (zh) * | 2022-05-16 | 2022-08-12 | 南通顺沃供应链管理有限公司 | 基于霍夫变换的车道线识别方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115100620B (zh) | 2024-02-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109886896B (zh) | 一种蓝色车牌分割与矫正方法 | |
| CN109215020B (zh) | 基于计算机视觉的高压输电线路故障识别方法 | |
| CN107679520B (zh) | 一种适用于复杂条件下的车道线视觉检测方法 | |
| US9558412B2 (en) | Vehicle exterior environment recognition device | |
| CN110322522B (zh) | 一种基于目标识别区域截取的车辆颜色识别方法 | |
| CN110033431B (zh) | 钢桥表面锈蚀区域检测的非接触式检测装置及检测方法 | |
| CN112819094A (zh) | 一种基于结构相似度度量的目标检测与识别方法 | |
| CN103400150A (zh) | 一种基于移动平台进行道路边缘识别的方法及装置 | |
| CN107895151A (zh) | 一种强光照条件下基于机器视觉的车道线检测方法 | |
| US20160171314A1 (en) | Unstructured road boundary detection | |
| JP4156084B2 (ja) | 移動物体追跡装置 | |
| CN112862832B (zh) | 一种基于同心圆分割定位的脏污检测方法 | |
| CN108830131A (zh) | 基于深度学习的交通目标检测与测距方法 | |
| CN107644538A (zh) | 交通信号灯的识别方法及装置 | |
| CN111652033A (zh) | 基于OpenCV的车道线检测方法 | |
| CN114241438B (zh) | 一种基于先验信息的交通信号灯快速精确的识别方法 | |
| CN107507140B (zh) | 基于特征融合的高速公路露天场景车辆阴影干扰抑制方法 | |
| CN116229423A (zh) | 基于改进的Canny边缘检测算法和SVM的无人驾驶中的小目标检测方法 | |
| CN112926365A (zh) | 一种车道线检测方法及其系统 | |
| CN111241911B (zh) | 一种自适应的车道线检测方法 | |
| CN107066929B (zh) | 一种融合多种特征的高速公路隧道停车事件分级识别方法 | |
| CN110321828B (zh) | 一种基于双目摄像机和车底阴影的前方车辆检测方法 | |
| CN115100620B (zh) | 一种基于道路颜色和行驶方向的车道线拟合方法 | |
| CN109165659B (zh) | 一种基于超像素分割的车辆颜色识别方法 | |
| Rui | Lane line detection technology based on machine vision |
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 | ||
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20240117 Address after: Room 8149, Building C, No. 555 Dongchuan Road, Minhang District, Shanghai, 2011 Applicant after: Shanghai Fenghua Artificial Intelligence Technology Co.,Ltd. Address before: Group 17, Linxi Village, Sanxing Town, Haimen District, Nantong City, Jiangsu Province, 226100 Applicant before: Nantong shunwo Supply Chain Management Co.,Ltd. |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |