CN116206126A - 驾驶员视角下道路固有几何特征的提取方法 - Google Patents
驾驶员视角下道路固有几何特征的提取方法 Download PDFInfo
- Publication number
- CN116206126A CN116206126A CN202310058271.1A CN202310058271A CN116206126A CN 116206126 A CN116206126 A CN 116206126A CN 202310058271 A CN202310058271 A CN 202310058271A CN 116206126 A CN116206126 A CN 116206126A
- Authority
- CN
- China
- Prior art keywords
- road
- pixel block
- edge
- curvature
- driver
- 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
Images
Classifications
-
- 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
- G06V10/20—Image preprocessing
- G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
-
- 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
-
- 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)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本申请涉及一种驾驶员视角下道路固有几何特征的提取方法,包括获取行车图像;对行车图像进行灰度处理,得到行车图像的灰度图片;对灰度图片进行区域生长处理,得到行车图像的二值化图片;对二值化图片进行边缘检测,提取二值化图片中的道路边缘线;将道路边缘线引入直角坐标系,得道路边缘线所包含的各边缘像素块的坐标和中心像素块的坐标;对各边缘像素块编号并进行固有线形指标计算,得到各边缘像素块的中心距离以及各边缘像素块的曲率;结合像素块的中心距离以及像素块的曲率,计算道路边缘线的线形偏度、线形峰度和线形曲率。能提取驾驶员视角下道路固有几何特征,将驾驶员视角下空间曲面的特点描述出来,便于描述驾驶员视角下的道路线形。
Description
技术领域
本申请涉及道路线形安全性技术领域,尤其涉及一种驾驶员视角下道路固有几何特征的提取方法。
背景技术
道路是车辆运动的承载体,更是诱导驾驶行为的主体。驾驶人在道路空间中行驶,需要不断观察道路线形的变化,并操控车辆进行加减速和转弯以适应道路线形的变化,从而达到安全、舒适的行车效果。
受“平-纵”拆分-拼凑式的道路线形设计模式影响,现有的道路线形安全性评估方法的评价对象主要集中在道路的平纵线形,这类方法由道路的平纵线形提取道路的线形几何特征,重点关注道路平纵线形中的某个点上线形几何特征的安全阈值,通过建立线形几何特征与车辆行驶轨迹、运行速度等的关系模型来对道路线形的安全性进行评估。
然而,从驾驶人的角度出发,道路线形除了需要满足车辆运动学约束以外,还应当符合驾驶人对道路线形变化进行感知并采取相应操作的行为能力的需求。车辆行驶的轨迹不仅取决于道路的平纵线形,还取决于驾驶员对真实道路情况的判断。驾驶员视角下的道路是一个空间曲面,曲面的弯曲程度、平滑程度都会对驾驶员的视觉造成影响,由道路平纵线形所提取的道路线形特征,无法描述空间曲面的几何特征。因此,需要一种能够提取驾驶员视角下道路的固有几何特征的方法,以便于描述驾驶员视角下的道路线形。
发明内容
为解决上述研究中的不足之处,本申请提出一种驾驶员视角下道路固有几何特征的提取方法,能够提取驾驶员视角下道路的固有几何特征,以便于描述驾驶员视角下的道路线形。
本申请实施例提供一种驾驶员视角下道路固有几何特征的提取方法,包括如下:
获取行车图像;
对行车图像进行灰度处理,得到行车图像的灰度图片;
对灰度图片进行区域生长处理,得到行车图像的二值化图片;
对二值化图片进行边缘检测,提取二值化图片中的道路边缘线;
建立平面直角坐标系,将道路边缘线引入平面直角坐标系中,得到道路边缘线所包含的各边缘像素块的坐标以及位于道路边缘线重心处的中心像素块的坐标;
对各边缘像素块编号并进行固有线形指标计算,得到各边缘像素块的中心距离以及各边缘像素块的曲率,计算公式如下:
式中,编号为t的边缘像素块的坐标为(xt,yt),中心像素块的坐标为(xc,yc),θt为编号为t的边缘像素块的正切角度,z(t)为编号为t的边缘像素块的中心距离,z′(t)为编号为t的边缘像素块的曲率;
结合各边缘像素块的中心距离以及各边缘像素块的曲率,计算道路边缘线的线形偏度、线形峰度和线形曲率,计算公式如下:
式中,z(t)为编号为t的边缘像素块的中心距离;z′(t)为编号为t的边缘像素块的曲率;mr为所有边缘像素块的中心距离集合的r阶原点矩;ur为所有边缘像素块的中心距离集合的r阶中心距;m′r为所有边缘像素块的曲率集合的r阶原点矩;u′r为所有边缘像素块的曲率集合的r阶中心矩;N为边缘像素块总数;F1为道路边缘线的线形偏度;F2为道路边缘线的线形峰度;F3为道路边缘线的线形曲率。
本申请实施例提供的驾驶员视角下道路固有几何特征的提取方法,能提取驾驶员视角下的道路固有几何特征,通过这些道路固有几何特征能够将驾驶员视角下空间曲面的特点描述出来,从而能便于描述驾驶员视角下的道路线形。
在其中一种实施方式中,本申请实施例提供的驾驶员视角下道路固有几何特征的提取方法,所述获取行车图像包括,由车载拍摄设备获取车辆行驶过程中的行车图像,行车图像包含了道路以及道路周边环境。
在其中一种实施方式中,本申请实施例提供的驾驶员视角下道路固有几何特征的提取方法,所述车载拍摄设备为行车记录仪。
在其中一种实施方式中,本申请实施例提供的驾驶员视角下道路固有几何特征的提取方法,所述对灰度图片进行区域生长处理,得到行车图像的二值化图片包括,选取图像中道路区域内的一个像素点定为种子点,在种子点附近像素点进行颜色差比较,若颜色差值较近,则该像素点也成为种子点并继续生长,以此迭代让一个颜色相近区域内的所有像素点成为种子点,最终将所有种子点的数值定为255,其余像素点数值定为0,得到行车图像的二值化图片。
附图说明
为了更清楚地说明本申请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一简单地介绍,显而易见地,下面描述中的附图是本申请的一些实施例,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为本申请的驾驶员视角下道路固有几何特征的提取方法的流程示意图;
图2为本申请的驾驶员视角下道路固有几何特征的提取方法中引入平面直角坐标系的道路边缘线示意图;
图3为实施例中灰度图像的示意图;
图4为实施例中二值化图片的示意图;
图5为实施例中引入平面直角坐标系的道路边缘线示意图;
具体实施方式
相关技术中,受“平-纵”拆分-拼凑式的道路线形设计模式影响,现有的道路线形安全性评估方法的评价对象主要集中在道路的平纵线形,这类方法由道路的平纵线形提取道路的线形几何特征,重点关注道路平纵线形中的某个点上线形几何特征的安全阈值,通过建立线形几何特征与车辆行驶轨迹、运行速度等的关系模型来对道路线形的安全性进行评估。
例如,有学者提出在三维空间视角下对道路线形安全性展开评估,该方法以曲率、挠率为几何特征参数,通过对道路线形二维平面、纵断面的组合形式进行分类,根据空间几何数学原理,建立起各类平纵组合段的三维几何特征参数(曲率和挠率)的求解模型。在此基础上,计算道路线形中各点的曲率和挠率,获取各组合段起点、终点的曲率和挠率,从而得到各组合段曲率、挠率的变化情况,据此建立曲率、挠率变化与交通事故的关系模型,进而以事故的分级情况作为判别曲率变化、挠率变化是否安全的标准,也称为曲率一致性、挠率一致性评价,具体通过如下公式计算:
式中,l为空间组合段中的桩号,K(l)为空间组合段中桩号为l处的曲率,i(l)为空间组合段中桩号为l处的纵坡,i(l)′为空间组合段中桩号为处的纵坡的变化率,kp(l)为空间组合段中桩号为处的平面曲率。
式中,l为空间组合段中的桩号,t(l)为空间组合段中桩号为l处的挠率,i(l)为空间组合段中桩号为l处的纵坡,i(l)′为空间组合段中桩号为l处的纵坡的变化率,kp(l)为空间组合段中桩号为处的平面曲率,kp(l)′为空间组合段中桩号为l处的平面曲率的变化率。
ck,j=|kj+1,s-kj,e|+|kj,s-kj-1,e|
式中,Ck,j为第j个空间组合段的曲率一致性,kj+1,s为第j+1个空间组合段的起点处的曲率,kj,e为第j个空间组合段的终点处的曲率,kj,s为第j个空间组合段的起点处的曲率,kj-1,e为第j-1个空间组合段的终点处的曲率,j为1~n之间的正整数,n为空间组合段的个数,在j=1时,kj-1,e=0,在j为n时,kj+1,s=0。
ct,j=|tj+1,s-tj,e|+|tj,s-tj-1,e|
式中,Ct,j为第j个空间组合段的曲率一致性,tj+1,s为第j+1个空间组合段的起点处的曲率,tj,e为第j个空间组合段的终点处的曲率,tj,s为第j个空间组合段的起点处的曲率,tj-1,e为第j-1个空间组合段的终点处的曲率,j为1~n之间的正整数,n为空间组合段的个数,在j=1时,tj-1,e=0,在j为n时,tj+1,s=0。
事故率ACR与曲率一致性ck之间的关系模型为:
事故率ACR与挠率一致性ct之间的关系模型为:
曲率、挠率等道路线形特征尽管能够客观地描述道路几何特征,但车辆行驶的轨迹不仅取决于道路的客观线形,还取决于驾驶员对真实道路情况的判断。驾驶员视角下的真实路面是一个空间曲面,曲面的弯曲程度、平滑程度都会对驾驶员的视觉造成影响,由道路平纵线形所提取的道路线形特征,无法全面地描述空间曲面的几何特征。
另外,这些道路线形特征在研究例如“某路段会车时事故率高”这类与驾驶员行为相关的问题时,不具备充分的说服力;在进行“道路线形对车辆轨迹引导作用”的研究中,现有道路线形特征也会存在一定的滞后性。
驾驶员视角下的真实路面是一个空间曲面,满足驾驶员的行为判断。真正诱导驾驶人驾驶行为的是空间曲面的特征变化,这种变化并不是现有道路线形特征所能表达的。若能够通过真实道路空间曲面提取到一种道路固有几何特征,这种道路固有几何特征需要具备一个重要的基本条件,即:此道路固有几何特征能够在不同角度的视角下具有相似性,这种相似性具体表现为假设在同一里程断面从不同车道位置、不同高度获取了多个行车图像,从这些行车图像中提取的道路几何特征值具有显著相关性的,则称此类具有相似不变性的几何特征为固有几何特征,能够表征驾驶员视角下道路的本质特征。
基于此,本申请实施例提供一种驾驶员视角下道路固有几何特征的提取方法,能提取驾驶员视角下具有相似不变性的道路固有几何特征。其中,所提取的固有几何特征包括:线形偏度、线形峰度、线形曲率,分别包含了道路形状对称性、道路形状离散性、道路弯曲性的信息。这些道路固有几何特征能够将驾驶员视角下空间曲面的特点描述出来,从而描述驾驶员视角下的道路线形。固有几何特征由驾驶员视角下的道路空间范围所提取,包含了驾驶员眼前的道路空间,因此该固有几何特征不存在滞后性。通过这些固有几何特征能够描述驾驶员视角下真实道路的几何特征,将道路线形与驾驶员行为相联系,以便于描述驾驶员视角下的道路线形。
为使本申请的目的、技术方案和优点更加清楚,下面将结合本申请的优选实施例中的附图,对本申请实施例中的技术方案进行更加详细的描述。在附图中,自始至终相同或类似的标号表示相同或类似的部件或具有相同或类似功能的部件。所描述的实施例是本申请一部分实施例,而不是全部的实施例。下面通过参考附图描述的实施例是示例性的,旨在用于解释本申请,而不能理解为对本申请的限制。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
参见图1所示,本申请实施例提供一种驾驶员视角下道路固有几何特征的提取方法,包括如下步骤:
S1、由车载拍摄设备获取车辆行驶过程中的行车图像,行车图像包含了道路以及道路周边环境。
S2、对行车图像进行灰度处理,得到行车图像的像素点数值和行车图像的灰度图片,以此将道路的轮廓清晰地显现出来。
S3、对灰度图片进行区域生长处理,使道路区域的像素点数值全为255,其余部分的像素点数值全为0,从而得到行车图像的二值化图片。
其中,区域生长处理为:选取图像上一点定为种子点,在种子点附近像素点进行颜色差比较,若颜色差值较近,则该像素点也成为种子点并继续生长,以此迭代让一个颜色相近区域内的所有像素点成为种子点。最终将所有种子点的数值定为255,其余像素点数值定为0。因此,若要提取道路的区域,将种子点设置在道路区域内即可。
S4、对二值化图片进行边缘检测,提取二值化图片中的道路边缘线;
可以理解的是,图片由若干个像素块组成,道路区域边缘线的实质是与道路边缘贴近的像素块集合,故二值化图片中黑白交界处的若干像素块的集合构成道路边缘线,将构成道路边缘线的像素块定义为边缘像素块,将位于道路边缘线重心处的像素块定义为中心像素块。
S5、建立平面直角坐标系,将道路边缘线引入平面直角坐标系中,得到道路边缘线所包含的各边缘像素块的坐标以及位于道路边缘线重心处的中心像素块的坐标。
参见图2所示,具体地,以像素块为单位,以二值化图片的左下角的像素块为坐标原点,以水平方向(即与水平道路横断面方向平行)为X轴,以竖直方向(即与水平道路横断面方向垂直)为Y轴建立平面直角坐标系,由此每个像素块都有其对应的坐标。
S6、对各边缘像素块编号,以位于道路边缘线起点的边缘像素块为1号边缘像素块,其坐标为(x1,y1),按顺时针方向依次编号,并按顺序赋予其坐标值,编号为t的边缘像素块的坐标为(xt,yt),通过多阶矩算法,得到中心像素块的坐标(xc,yc)。对各边缘像素块进行固有线形指标计算,可得到各边缘像素块的中心距离以及各边缘像素块的曲率,计算公式如下:
式中,编号为t的边缘像素块的坐标为(xt,yt),中心像素块的坐标为(xc,yc),θt为编号为t的边缘像素块的正切角度,z(t)为编号为t的边缘像素块的中心距离,z′(t)为编号为t的边缘像素块的曲率;
S7、结合各边缘像素块的中心距离以及各边缘像素块的曲率,计算道路边缘线的线形偏度F1、线形峰度F2和线形曲率F3,计算公式如下:
式中,z(t)为编号为t的边缘像素块的中心距离;z′(t)为编号为t的边缘像素块的曲率;mr为所有边缘像素块的中心距离集合的r阶原点矩;ur为所有边缘像素块的中心距离集合的r阶中心距;m′r为所有边缘像素块的曲率集合的r阶原点矩;u′r为所有边缘像素块的曲率集合的r阶中心矩;N为边缘像素块总数;F1为道路边缘线的线形偏度;F2为道路边缘线的线形峰度;F3为道路边缘线的线形曲率。
通过稳定界限判别方法,可检验线形偏度F1、线形峰度F2和线形曲率F3的显著相关性来验证其是否具有相似不变性,方法如下:
以5米为断面提取的单位长度间隔,对某段一公里的道路,分别从超车道、行车道提取行车图像,并计算出各图像的线形偏度、线形峰度和线形曲率,采用斯皮尔曼相关性检验方法确定稳定界限,计算公式如下:
P=[1-f(Q)]×2,f(Q)~N(0,1)
其中:i为行车图像序号;ci为两车道在第i个序号分别提取的同一个几何特征集合之间的等级差;n为行车图像数量;rs为相关系数;Q为检验值;P为稳定界限;f(Q)~N(0,1)表示f(Q)为标准正态分布函数。
若P≤0.05,说明连续图像形状变化的稳定界限属于稳定,检测的几何特征具有相似不变性;若P>0.05,说明连续图像形状变化的稳定界限属于不稳定,检测的几何特征不具有相似不变性。
若几何特征具有相似不变性,便说明该几何特征能作为驾驶员视角下道路的固有几何特征,其涵盖了道路空间曲面的形状信息,能描述驾驶员视角下的道路线形;而不具备相似不变性的几何特征则不能作为驾驶员视角下道路的固有几何特征,其未涵盖道路空间曲面的形状信息,不能描述驾驶员视角下的道路线形。
实施例
一辆长度为5m,宽度为1.9m的实验车,安装了帧率为24帧/秒、分辨率为960×720的行车记录仪,实验员驾驶实验车以10km/h的速度在实验道路上行驶。实验道路车道宽度为6m、路面为渗水砖铺装路面。当车辆在实验道路上行驶时,通过行车记录仪拍摄车辆前方的道路场景。本实施例共采集了两个视角下同一实验道路的行车视频记录(即同一实验道路的两个不同视角的行车轨迹),并将所记录的道路场景按5m每帧取出,从而获得每个行车轨迹的连续行车图像。
将所获得的连续行车图像导入计算机,对车载单元图片进行灰度处理得到图像像素点数值只在灰色数值区域的灰度图像,灰度图像如下图3所示。
其次,对灰度图像中像素点进行区域生长:选取道路区域内的某一像素点为种子点,该种子点数值定为255(纯白),对种子点周围的像素点进行颜色差值比较,若颜色差值较近,则该像素点也成为种子点并继续生长,以此迭代让一个颜色相近区域内的所有像素点也变成种子点。最终道路区域内所有种子点的数值全为255,其余像素点的数值全为0。最终得到的二值化图像中非道路区域全部变为纯黑色,道路区域全部变为纯白色,二值化图片如下图4所示。
采用边缘检测算法对得到的二值化黑白图片进行边缘检测,提取图片中黑白交界处的像素块,若干像素块集合构成了道路边缘线。
在图像中以像素块为单位,以图形左下角的像素块为坐标原点,以水平方向(即与水平道路横断面方向平行)为X轴,以竖直方向(即与水平道路横断面方向垂直)为Y轴建立平面直角坐标系,由此每个像素块都有其对应的坐标。编辑算法检测坐标系中的每一个像素块的坐标并加以计算,算法检测所建立的平面直角坐标系示意图如下图5所示。
计算道路边缘线的线形偏度F1、线形峰度F2和线形曲率F3,得到如下计算结果:
表1行车轨迹1的几何特征数值汇总表
表2行车轨迹2的几何特征数值汇总表
采用稳定界限判别方法,检验几何特征的显著相关性来验证其是否具有相似不变性,采用斯皮尔曼相关性检验方法确定稳定界限,计算结果如下:
表3斯皮尔曼相关性分析汇总表
参见表3,通过本申请实施例所提取的线形偏度、线形峰度以及线形曲率的稳定界限均≤0.05,说明上述几何特征均具有相似不变性,是稳定可靠的驾驶员视角下道路固有几何特征。
在本申请实施例的描述中,需要理解的是,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应作广义理解,例如,可以使固定连接,也可以是通过中间媒介间接相连,可以是两个元件内部的连通或者两个元件的相互作用关系。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本申请中的具体含义。术语“上”、“下”、“前”、“后”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或者位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本申请和简化描述,而不是指示或者暗示所指的装置或者元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本申请的限制。在本申请的描述中,“多个”的含义是两个或两个以上,除非是另有精确具体地规定。
本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施例,例如能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
最后应说明的是:以上各实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述各实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的范围。
Claims (4)
1.一种驾驶员视角下道路固有几何特征的提取方法,其特征在于,包括如下:
获取行车图像;
对行车图像进行灰度处理,得到行车图像的灰度图片;
对灰度图片进行区域生长处理,得到行车图像的二值化图片;
对二值化图片进行边缘检测,提取二值化图片中的道路边缘线;
建立平面直角坐标系,将道路边缘线引入平面直角坐标系中,得到道路边缘线所包含的各边缘像素块的坐标以及位于道路边缘线重心处的中心像素块的坐标;
对各边缘像素块编号并进行固有线形指标计算,得到各边缘像素块的中心距离以及各边缘像素块的曲率,计算公式如下:
式中,编号为t的边缘像素块的坐标为(xt,yt),中心像素块的坐标为(xc,yc),θt为编号为t的边缘像素块的正切角度,z(t)为编号为t的边缘像素块的中心距离,z′(t)为编号为t的边缘像素块的曲率;
结合各边缘像素块的中心距离以及各边缘像素块的曲率,计算道路边缘线的线形偏度、线形峰度和线形曲率,计算公式如下:
式中,z(t)为编号为t的边缘像素块的中心距离;z′(t)为编号为t的边缘像素块的曲率;mr为所有边缘像素块的中心距离集合的r阶原点矩;ur为所有边缘像素块的中心距离集合的r阶中心距;m′ r为所有边缘像素块的曲率集合的r阶原点矩;u′ r为所有边缘像素块的曲率集合的r阶中心矩;N为边缘像素块总数;F1为道路边缘线的线形偏度;F2为道路边缘线的线形峰度;F3为道路边缘线的线形曲率。
2.根据权利要求1所述的驾驶员视角下道路固有几何特征的提取方法,其特征在于,所述获取行车图像包括,由车载拍摄设备获取车辆行驶过程中的行车图像,行车图像包含了道路以及道路周边环境。
3.根据权利要求2所述的驾驶员视角下道路固有几何特征的提取方法,其特征在于,所述车载拍摄设备为行车记录仪。
4.根据权利要求1所述的驾驶员视角下道路固有几何特征的提取方法,其特征在于,所述对灰度图片进行区域生长处理,得到行车图像的二值化图片包括,选取图像中道路区域内的一个像素点定为种子点,在种子点附近像素点进行颜色差比较,若颜色差值较近,则该像素点也成为种子点并继续生长,以此迭代让一个颜色相近区域内的所有像素点成为种子点,最终将所有种子点的数值定为255,其余像素点数值定为0,得到行车图像的二值化图片。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310058271.1A CN116206126A (zh) | 2023-01-16 | 2023-01-16 | 驾驶员视角下道路固有几何特征的提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310058271.1A CN116206126A (zh) | 2023-01-16 | 2023-01-16 | 驾驶员视角下道路固有几何特征的提取方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116206126A true CN116206126A (zh) | 2023-06-02 |
Family
ID=86518449
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310058271.1A Pending CN116206126A (zh) | 2023-01-16 | 2023-01-16 | 驾驶员视角下道路固有几何特征的提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116206126A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117953434A (zh) * | 2024-03-27 | 2024-04-30 | 广州煜能电气有限公司 | 基于智能网关的输电线路外力破坏监测方法及系统 |
-
2023
- 2023-01-16 CN CN202310058271.1A patent/CN116206126A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117953434A (zh) * | 2024-03-27 | 2024-04-30 | 广州煜能电气有限公司 | 基于智能网关的输电线路外力破坏监测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109034047B (zh) | 一种车道线检测方法及装置 | |
CN106919915B (zh) | 基于adas系统的地图道路标记及道路质量采集装置及方法 | |
US20190154442A1 (en) | High speed stereoscopic pavement surface scanning system and method | |
CN104916163B (zh) | 泊车位检测方法 | |
CN103714343B (zh) | 线激光器照明条件下双线阵相机采集的路面图像拼接及匀化方法 | |
CN110879991B (zh) | 一种障碍物识别方法及系统 | |
CN106679567A (zh) | 基于双目立体视觉的接触网及支柱几何参数检测测量系统 | |
US20070127778A1 (en) | Object detecting system and object detecting method | |
US20100166259A1 (en) | Object enumerating apparatus and object enumerating method | |
KR101285106B1 (ko) | 영상 데이터 융합 기반의 장애물체 검출 방법 및 장치 | |
KR960042482A (ko) | 물체 관측 방법 및 그 방법을 이용한 물체 관측 장치와, 이 장치를 이용한 교통 흐름 계측 장치 및 주차장 관측 장치 | |
KR20140109990A (ko) | 3d 카메라를 사용한 차량 주변의 높이 윤곽 확인 | |
CN106128115A (zh) | 一种基于双摄像机检测道路交通信息的融合方法 | |
CN106503636A (zh) | 一种基于视觉图像的道路视距检测方法及装置 | |
CN105913013A (zh) | 双目视觉人脸识别算法 | |
CN109166125A (zh) | 一种基于多边缘融合机制的三维深度图像分割算法 | |
CN113221648B (zh) | 一种基于移动测量系统的融合点云序列影像路牌检测方法 | |
CN109791607A (zh) | 借助单应矩阵从摄像机的一系列图像中探测和验证对象 | |
CN113624225B (zh) | 一种用于发动机定位销安装的位姿解算方法 | |
CN109886064B (zh) | 确定可驾驶空间的边界的方法 | |
CN108021849B (zh) | 一种行人预警方法及装置 | |
CN110533686A (zh) | 线阵相机行频与物体运动速度是否匹配的判断方法及系统 | |
CN116206126A (zh) | 驾驶员视角下道路固有几何特征的提取方法 | |
JP3328711B2 (ja) | 車輌高さ計測装置およびこの装置を用いた車輌監視システム | |
JP3629935B2 (ja) | 移動体の速度計測方法およびその方法を用いた速度計測装置 |
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 |