CN115346195B - 一种基于机器视觉的道内车辆探测方法 - Google Patents
一种基于机器视觉的道内车辆探测方法 Download PDFInfo
- Publication number
- CN115346195B CN115346195B CN202211272473.8A CN202211272473A CN115346195B CN 115346195 B CN115346195 B CN 115346195B CN 202211272473 A CN202211272473 A CN 202211272473A CN 115346195 B CN115346195 B CN 115346195B
- Authority
- CN
- China
- Prior art keywords
- lane
- vehicle
- centroid
- line
- front vehicle
- 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.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 21
- 238000000034 method Methods 0.000 claims abstract description 24
- 238000012545 processing Methods 0.000 claims abstract description 8
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 7
- 238000003909 pattern recognition Methods 0.000 claims abstract description 4
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000012067 mathematical method Methods 0.000 abstract description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012887 quadratic function Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 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
- G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/08—Projecting images onto non-planar surfaces, e.g. geodetic screens
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及智能车辆导航技术领域,且公开了一种基于机器视觉的道内车辆探测方法,判断前车与后车是否在同一车道内,包括:图像采集:通过安装在后车车头正前方的双目摄像头采集前方道路及车辆的图像;图像处理:通过模式识别算法对图像进行处理,识别出左右车道线及前方车辆;计算前车的道内偏移情况,包括:旋转垂线:将垂线以前方车辆形心为中心进行旋转;斜率二次曲线拟合:在旋转过程中,计算前方车辆形心与二次曲线的距离并组成序列;能够以机器视觉的方式探测前方车辆是否与后方车辆在同一车道内,若处于同一车道,能够快速计算其道内偏移情况。以数学方法替换昂贵的激光检测设备,具有较高的精度和可靠性。
Description
技术领域
本发明涉及智能车辆导航技术领域,具体为一种基于机器视觉的道内车辆探测方法。
背景技术
自主导航车辆在道路行驶时,不但要通过机器视觉识别车道线,而且还要识别前方车辆是否在本车道内以及左右偏移情况,以便进一步判断其行驶意图(变道或直行)。关于道内车辆探测方法,目前工程上较为常见的是直接通过激光雷达进行探测。该方法通过安装在后车的激光雷达探测前车相对于后车的几何位置,再结合已知的车道宽度,可以较为容易地判断出前车是否在车道内。但是该方法有一定的局限性。该方法在直道上使用较为可靠,但是在一些特殊情况下,如弯道或双侧不平行道路,将会无法正常工作。
发明内容
(一)解决的技术问题
针对现有技术的不足,本发明提供了一种基于机器视觉的道内车辆探测方法,具备能够有效检测出前方弯道或双侧不平行道路内的车辆是否与后车处于同一车道。若处于同一车道,计算前车的道内偏移情况,解决了在一些特殊情况下,如弯道或双侧不平行道路,激光雷达无法正常工作的问题。
(二)技术方案
为实现上述目的,本发明提供如下技术方案:一种基于机器视觉的道内车辆探测方法,该方法包括:
(一)判断前车与后车是否在同一车道内,包括:
图像采集:通过安装在后车车头正前方的双目摄像头采集前方道路及车辆的图像;
图像处理:通过模式识别算法对图像进行处理,识别出左右车道线及前方车辆;
计算形心:计算出图像中左右车道线的形心和前方车辆的形心的图像坐标;
建立空间坐标:通过双目摄像头的立体视觉功能,将图像中左右车道线的形心和前方车辆形心的图像坐标转换为对应的空间坐标;
坐标投影:将左右车道线的形心和前方车辆形心的空间坐标向xOy平面投影;
车道二次曲线拟合:对左右车道线形心投影分别用二次曲线进行拟合;
确定坐标点:在xOy平面上,过前方车辆形心向x轴作垂线,确定垂线与两条二次曲线的交点;
车辆位置计算:利用确定的坐标点,测算前车与后车的车道关系;
(二)计算前车的道内偏移情况,包括:
旋转垂线:将垂线以前方车辆形心为中心进行旋转;
斜率二次曲线拟合:在旋转过程中,分别计算前方车辆形心与左右车道二次曲线交点的距离并组成序列,对序列中的距离与对应的斜率进行二次曲线拟合;
测算道内偏移距离:分别采用一阶导数等于0的方法得到前方车辆距离左右车道线的最小距离;
得出道内偏移情况:最小距离反映前方车辆的道内偏移情况。
优选的,所述建立空间坐标中,空间坐标原点在后车车头中心,水平向右为x轴正方向,水平向前为y轴正方向,垂直向上为z轴正方向。
优选的,所述坐标投影中,得到左侧车道线形心的投影为{L N }={L 1 ,L 2 ,L 3 …L n }、右侧车道线形心的投影为{R N }={R 1 ,R 2 ,R 3 …R n }和前方车辆形心的投影为P 0 (x 0 , y 0 ),其中,N表示识别到的车道线数量。
优选的,所述车辆位置计算中,若(y 0-y 1)(y 0-y 2)<0,则说明P 0点位于两条曲线之间,前车与后车属于同一车道,反之则说明P 0点位于两条曲线之外,前车与后车属于不同车道。
优选的,所述旋转连线中,将直线P 1 P 2以P 0为旋转中心每隔X度进行旋转,旋转后的直线与两条车道曲线相交。
优选的,所述斜率二次曲线拟合中,在旋转过程中,计算P 0 P 1的距离和P 0 P 2的距离,组成序列{dL n }和{dR n },n表示元素个数,分别对序列{dL n }和{dR n }的最小值及其前M和后M组距离数据与其对应的P 0 P 1和P 0 P 2的斜率进行二次曲线拟合,得到距离d与斜率k关系曲线dL=f L(k)和dR=f R(k)。
优选的,所述测算道内偏移距离中,采用一阶导数等于0的方式得到曲线dL=f L(k)和dR=f R(k)的极小值,该极小值为P 0 L 0和P 0 R 0,即为前方车辆距离左右车道线的最小距离。
优选的,所述X的取值范围为0.1~1.0度,M的取值范围为20~40之间。
(三)有益效果
与现有技术相比,本发明提供了一种基于机器视觉的道内车辆探测方法,具备以下有益效果:
该基于机器视觉的道内车辆探测方法,能够以机器视觉的方式探测前方车辆是否与后方车辆在同一车道内,若处于同一车道,能够快速计算其道内偏移情况。以数学方法替换昂贵的激光检测设备,具有较高的精度和可靠性。
附图说明
图1为本发明的结构示意图。
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。
参阅图1,该方法包括:
(一)判断前车与后车是否在同一车道内,包括:
图像采集:通过安装在后车车头正前方的双目摄像头采集前方道路及车辆的图像;一般选择基线大于等于20cm的双目摄像头,这样才能保证其量程较大,符合无人驾驶场景需求;
图像处理:通过模式识别算法对图像进行处理,识别出左右车道线及前方车辆;可以采用常见的YOLO算法进行识别,也可以采用其他常见算法,算法的实时性要高,要有较快地识别速度;
计算形心:计算出图像中左右车道线的形心和前方车辆的形心的图像坐标;由于是从后方拍摄,前方车辆只拍摄到车尾,只需提取车尾的形心坐标即可;
建立空间坐标:通过双目摄像头的立体视觉功能,将图像中左右车道线的形心和前方车辆形心的图像坐标转换为对应的空间坐标;此处空间坐标为三维坐标。空间坐标原点在后车车头中心,水平向右为x轴正方向,水平向前为y轴正方向,垂直向上为z轴正方向;
坐标投影:将左右车道线的形心和前方车辆形心的空间坐标向xOy平面投影;
车道二次曲线拟合:对左右车道线形心投影分别用二次曲线进行拟合;在视觉测量的范围内道路是平滑的,不可能任意弯曲,因此二次曲线可以很好地拟合;
确定坐标点:过前方车辆形心向x轴作垂线,确定垂线与两条二次曲线的交点;
车辆位置计算:利用确定的坐标点,测算前车与后车的车道关系;
(二)计算前车的道内偏移情况,包括:
旋转垂线:将垂线以前方车辆形心为中心进行旋转;
斜率二次曲线拟合:在旋转过程中,分别计算前方车辆形心与左右车道二次曲线交点的距离并组成序列,对序列中的距离与对应的斜率进行二次曲线拟合;
测算道内偏移距离:采用二次函数求极值原理,分别令曲线的一阶导数等于0,得到前方车辆距离左右车道线的最小距离;
得出道内偏移情况:最小距离反映前方车辆的道内偏移情况。
本实施例中,具体的,建立空间坐标中,空间坐标原点在后车车头中心,水平向右为x轴正方向,水平向前为y轴正方向,垂直向上为z轴正方向。
本实施例中,具体的,坐标投影中,得到左侧车道线形心的投影为{L N }={L 1 ,L 2 ,L 3 …L n }、右侧车道线形心的投影为{R N }={R 1 ,R 2 ,R 3 …R n }和前方车辆形心的投影为P 0 (x 0 , y 0 ),其中,N表示识别到的车道线数量。
本实施例中,具体的,确定坐标点中,在xOy平面上,过P 0 点作x轴的垂线与 相交于P 1(x 0,y 1)点,与 相交于P 2(x 0,y 2)点,即y 1=f 1(x 0),y 2=f 2(x 0)。
本实施例中,具体的,车辆位置计算中,若(y 0-y 1)(y 0-y 2)<0,则说明P 0点位于两条曲线之间,前车与后车属于同一车道,反之则说明P 0点位于两条曲线之外,前车与后车属于不同车道。
本实施例中,具体的,旋转连线中,将直线P 1 P 2以P 0为旋转中心每隔X度进行旋转,旋转后的直线与两条车道曲线相交。
本实施例中,具体的,斜率二次曲线拟合中,在旋转过程中,计算P 0 P 1的距离和P 0 P 2的距离,组成序列{dL n }和{dR n },n表示元素个数,分别对序列{dL n }和{dR n }的最小值及其前M和后M组距离数据与其对应的P 0 P 1和P 0 P 2的斜率进行二次曲线拟合,得到距离d与斜率k关系曲线dL=f L(k)和dR=f R(k)。
本实施例中,具体的,测算道内偏移距离中,采用一阶导数等于0的方式得到曲线dL=f L(k)和dR=f R(k)的极小值,该极小值为P 0 L 0和P 0 R 0,即为前方车辆距离左右车道线的最小距离。
本实施例中,具体的,X的取值范围为0.1~1.0度,M的取值范围为20~40之间,X取值越小,数据量越大,但是精度越高,一般建议X取0.5度;M建议取值30,既能够保证精度,又有较小计算量。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (10)
1.一种基于机器视觉的道内车辆探测方法,用于车辆行驶过程中判断前车与车道的关系,其特征在于,该方法包括:
(一)判断前车与后车是否在同一车道内,包括:
图像采集:通过安装在后车车头正前方的双目摄像头采集前方道路及车辆的图像;
图像处理:通过模式识别算法对图像进行处理,识别出左右车道线及前方车辆;
计算形心:计算出图像中左右车道线的形心和前方车辆的形心的图像坐标;
建立空间坐标:通过双目摄像头的立体视觉功能,将图像中左右车道线的形心和前方车辆形心的图像坐标转换为对应的空间坐标;
坐标投影:将左右车道线的形心和前方车辆形心的空间坐标向xOy平面投影;
车道二次曲线拟合:对左右车道线形心投影分别用二次曲线进行拟合;
确定坐标点:在xOy平面上,过前方车辆形心向x轴作垂线,确定垂线与两条二次曲线的交点;
车辆位置计算:利用确定的坐标点,测算前车与后车的车道关系;
(二)计算前车的道内偏移情况,包括:
旋转垂线:将垂线以前方车辆形心为中心进行旋转;
斜率二次曲线拟合:在旋转过程中,分别计算前方车辆形心与左右车道二次曲线交点的距离并组成序列,对序列中的距离与对应的斜率进行二次曲线拟合;
测算道内偏移距离:分别采用一阶导数等于0的方法得到前方车辆距离左右车道线的最小距离;
得出道内偏移情况:最小距离反映前方车辆的道内偏移情况。
2.根据权利要求1所述的一种基于机器视觉的道内车辆探测方法,其特征在于:所述建立空间坐标中,空间坐标原点在后车车头中心,水平向右为x轴正方向,水平向前为y轴正方向,垂直向上为z轴正方向。
3.根据权利要求1所述的一种基于机器视觉的道内车辆探测方法,其特征在于:所述坐标投影中,得到左侧车道线形心的投影为{LN}={L1,L2,L3…Ln}、右侧车道线形心的投影为{RN}={R1,R2,R3…Rn}和前方车辆形心的投影为P0(x0,y0),其中,N表示识别到的车道线数量。
4.根据权利要求3所述的一种基于机器视觉的道内车辆探测方法,其特征在于:所述车道二次曲线拟合中,对左侧车道线形心投影{LN}用二次曲线进行拟合,得到拟合曲线为y=f1(x),对右侧车道线形心投影{RN}用二次曲线进行拟合,得到拟合曲线为y=f2(x)。
5.根据权利要求3或4所述的一种基于机器视觉的道内车辆探测方法,其特征在于:所述确定坐标点中,在xOy平面上,过P0点作x轴的垂线与y=f1(x)相交于P1(x0,y1)点,与y=f2(x)相交于P2(x0,y2)点,即y1=f1(x0),y2=f2(x0)。
6.根据权利要求5所述的一种基于机器视觉的道内车辆探测方法,其特征在于:所述车辆位置计算中,若(y0-y1)(y0-y2)<0,则说明P0点位于两条曲线之间,前车与后车属于同一车道,反之则说明P0点位于两条曲线之外,前车与后车属于不同车道。
7.根据权利要求5所述的一种基于机器视觉的道内车辆探测方法,其特征在于:旋转连线是将直线P1P2以P0为旋转中心每隔X度进行旋转,旋转后的直线与两条车道曲线相交。
8.根据权利要求7所述的一种基于机器视觉的道内车辆探测方法,其特征在于:所述斜率二次曲线拟合中,在旋转过程中,计算P0P1的距离和P0P2的距离,组成序列{dLn}和{dRn},n表示元素个数,分别对序列{dLn}和{dRn}的最小值及其前M和后M组距离数据与其对应的P0P1和P0P2的斜率进行二次曲线拟合,得到距离d与斜率k关系曲线dL=fL(k)和dR=fR(k)。
9.根据权利要求8所述的一种基于机器视觉的道内车辆探测方法,其特征在于:所述测算道内偏移距离中,采用一阶导数等于0的方式得到曲线dL=fL(k)和dR=fR(k)的极小值,该极小值为P0L0和P0R0,即为前方车辆距离左右车道线的最小距离。
10.根据权利要求7或8所述的一种基于机器视觉的道内车辆探测方法,其特征在于:所述X的取值范围为0.1~1.0度,M的取值范围为20~40之间。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211272473.8A CN115346195B (zh) | 2022-10-18 | 2022-10-18 | 一种基于机器视觉的道内车辆探测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211272473.8A CN115346195B (zh) | 2022-10-18 | 2022-10-18 | 一种基于机器视觉的道内车辆探测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115346195A CN115346195A (zh) | 2022-11-15 |
CN115346195B true CN115346195B (zh) | 2023-02-03 |
Family
ID=83957257
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211272473.8A Active CN115346195B (zh) | 2022-10-18 | 2022-10-18 | 一种基于机器视觉的道内车辆探测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115346195B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115731526B (zh) * | 2022-11-21 | 2023-10-13 | 禾多科技(北京)有限公司 | 车道线识别方法、装置、电子设备和计算机可读介质 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111591296B (zh) * | 2020-04-29 | 2021-07-02 | 惠州市德赛西威智能交通技术研究院有限公司 | 一种基于v2x技术的车辆同车道位置判断方法 |
CN114399748A (zh) * | 2022-01-19 | 2022-04-26 | 东南大学 | 一种基于视觉车道检测的农机实时路径校正方法 |
-
2022
- 2022-10-18 CN CN202211272473.8A patent/CN115346195B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN115346195A (zh) | 2022-11-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US8154594B2 (en) | Mobile peripheral monitor | |
US8180100B2 (en) | Plane detector and detecting method | |
CN108444390B (zh) | 一种无人驾驶汽车障碍物识别方法及装置 | |
US8331653B2 (en) | Object detector | |
US20090041337A1 (en) | Image processing apparatus and method | |
CN110307791B (zh) | 基于三维车辆边界框的车辆长度及速度计算方法 | |
CN104700414A (zh) | 一种基于车载双目相机的前方道路行人快速测距方法 | |
US20170287169A1 (en) | Extrinsic calibration method for cameras of an on-board system for formation of stereo images | |
JP2002123818A (ja) | 車両用周辺障害物検出装置 | |
JP2018092483A (ja) | 物体認識装置 | |
US20180065633A1 (en) | Vehicle driving assist apparatus | |
CN109827516B (zh) | 一种通过车轮来测量距离的方法 | |
CN115346195B (zh) | 一种基于机器视觉的道内车辆探测方法 | |
CN111612728A (zh) | 一种基于双目rgb图像的3d点云稠密化方法和装置 | |
US20210326612A1 (en) | Vehicle detection method and device | |
CN114724110A (zh) | 目标检测方法及设备 | |
CN112673280A (zh) | 用于装配有lidar传感器的机动车辆的道路检测方法 | |
JP2019096132A (ja) | 物体認識装置 | |
WO2019065970A1 (ja) | 車両用外界認識装置 | |
CN107851390B (zh) | 台阶检测装置及台阶检测方法 | |
CN112711027A (zh) | 一种基于激光雷达点云数据的隧道内横向定位方法 | |
CN113252052A (zh) | 地图制作装置、地图制作系统、地图制作方法及存储介质 | |
JP3440956B2 (ja) | 車両用走行路検出装置 | |
Labayrade et al. | Robust and fast stereovision based obstacles detection for driving safety assistance | |
JP2018055222A (ja) | 走路検出方法及び走路検出装置 |
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 |