CN205176883U - 基于数字图像的车道线检测系统 - Google Patents
基于数字图像的车道线检测系统 Download PDFInfo
- Publication number
- CN205176883U CN205176883U CN201520948086.0U CN201520948086U CN205176883U CN 205176883 U CN205176883 U CN 205176883U CN 201520948086 U CN201520948086 U CN 201520948086U CN 205176883 U CN205176883 U CN 205176883U
- Authority
- CN
- China
- Prior art keywords
- image
- lane line
- prompting device
- rgb
- hud
- 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.)
- Expired - Fee Related
Links
Abstract
本实用新型公开了一种基于数字图像的车道线检测系统,包含图像传感器、系统主机和提示报警器,所述图像传感器包含RGB摄像头和红外摄像头,所述提示报警器包含HUD提示器、LED提示器和声音提示器,所述图像传感器包含RGB图像和红外图像两路分别传输系统主机,再由系统主机分别对图像进行处理。其结合RGB图像和红外图像两路检测,可以相互弥补信息不足,做出的判断更为准确,经过系统主机的图像预处理方法、Hough变换车道线检测、车道线的高斯混合模型建立、车道线检测与跟踪系统实现车道线安全预警,通过HUD提示器、LED提示器和声音提示器,给予安全提示,可以帮助驾驶人员掌握安全信息,轻松、安全驾驶。
Description
技术领域
本实用新型涉及车道识别装置,具体为一种基于数字图像的车道线检测系统。
背景技术
车道线的识别是图像处理和交通智能化领域的一个重要分支,特别是近年来,随着只能汽车、自动识别的发展和应用,车道线识别的研究得到了长足的发展,并且会在未来随着人们对识别精度、速度的要求越来越高,车道线识别领域的研究将会愈发火热,可以说这是一个方兴未艾的研究领域。
车道线识别的研究成果很大程度上得益与数字图像处理和计算机技术的发展。数字图像处理最早出现于20世纪50年代,当时的电子计算机已经发展到一定水平,人们开始利用计算机来处理图形和图像信息。数字图像处理作为一门学科大约形成于20世纪60年代初期。早期的图像处理的目的是改善图像的质量,它以人为对象,以改善人的视觉效果为目的。图像处理中,输入的是质量低的图像,输出的是改善质量后的图像,常用的图像处理方法有图像增强、复原、编码、压缩等。首次获得实际成功应用的是美国喷气推进实验室(JPL)。他们对航天探测器徘徊者7号在1964年发回的几千张月球照片使用了图像处理技术,如几何校正、灰度变换、去除噪声等方法进行处理,并考虑了太阳位置和月球环境的影响,由计算机成功地绘制出月球表面地图,获得了巨大的成功。随后又对探测飞船发回的近十万张照片进行更为复杂的图像处理,以致获得了月球的地形图、彩色图及全景镶嵌图,获得了非凡的成果,为人类登月创举奠定了坚实的基础,也推动了数字图像处理这门学科的诞生。在以后的宇航空间技术,如对火星、土星等星球的探测研究中,数字图像处理技术都发挥了巨大的作用。随着图像处理技术的深入发展,从70年代中期开始,随着计算机技术和人工智能、思维科学研究的迅速发展,数字图像处理向更高、更深层次发展。人们已开始研究如何用计算机系统解释图像,实现类似人类视觉系统理解外部世界,这被称为图像理解或计算机视觉。很多国家,特别是发达国家投入更多的人力、物力到这项研究,取得了不少重要的研究成果。其中代表性的成果是70年代末MIT的Marr提出的视觉计算理论,这个理论成为计算机视觉领域其后十多年的主导思想。图像理解虽然在理论方法研究上已取得不小的进展,但它本身是一个比较难的研究领域,存在不少困难,因人类本身对自己的视觉过程还了解甚少,因此计算机视觉是一个有待人们进一步探索的新领域。
实用新型内容
本实用新型的目的在于提供一种车道检测、识别装置,具体为一种基于数字图像的车道线检测系统。
为达到上述目的,采用的技术方案为:一种基于数字图像的车道线检测系统,包含图像传感器、系统主机和提示报警器,所述图像传感器包含RGB摄像头和红外摄像头,所述提示报警器包含HUD提示器、LED提示器和声音提示器,所述图像传感器包含RGB图像和红外图像两路分别传输系统主机,再由系统主机分别对图像进行处理。
所述RGB摄像头与红外摄像头相互靠拢,并固定安装在一起。
所述HUD提示器包含抬头检测装置和投射显示装置。
图像在采集和传输的过程中,图像质量必然会有一定的程度的降低,比如噪声的增加等。本文研究的车道线检测,其道路图像在采集过程中受到外界光照强度,障碍物遮挡和摄像头抖动等各种因素的影响。对采集的道路图像在检测之前进行预处理可以提高车道线的检测率。现实图像预处理方法中,没有哪一种算法可以适用于所有图像,每一种算法都有自己的适用环境和局限性。因此在实际应用中,需要结合外界环境因素,做大量实验,并结合实际系统的需要,选取适合该系统的算法。
本文中道路图像预处理方法主要包括:彩色道路图像转换为灰度图像;对灰度图像进行滤波,提高信噪比,衰减或者消除外界的干扰;然后对图像进行阈值分割,并二值化图像,将行道线感兴趣的区域从道路图像中分割出来,便于下一步车道线的提取,再由系统主机进行障碍判断,评估安全系数,根据安全系数控制提示报警器,用于实时提醒车道线内的安全。HUD提示器和LED提示器通过颜色、闪烁频率,光强度报警,结合声音提示器给予安全提示。
采用上述方案的有益效果为:这种基于数字图像的车道线检测系统,结合RGB摄像头和红外摄像头传感器,经过系统主机的图像预处理方法、Hough变换车道线检测、车道线的高斯混合模型建立、车道线检测与跟踪系统实现车道线安全预警,通过HUD提示器、LED提示器和声音提示器,给予安全提示,可以帮助驾驶人员掌握安全信息,轻松、安全驾驶。
附图说明
图1为本实用新型基于数字图像的车道线检测系统的方框示意图。
具体实施方式
下面结合附图及实施例进一步介绍本实用新型,但本实用新型不仅限于下述实施例,可以预见本领域技术人员在结合现有技术的情况下,实施情况可能产生种种变化。
如图1的方框示意图,一种基于数字图像的车道线检测系统,包含图像传感器、系统主机和提示报警器,所述图像传感器包含RGB摄像头和红外摄像头,所述提示报警器包含HUD提示器、LED提示器和声音提示器,所述图像传感器包含RGB图像和红外图像两路分别传输系统主机,再由系统主机分别对图像进行处理。所述RGB摄像头与红外摄像头相互靠拢,并固定安装在一起。所述HUD提示器包含抬头检测装置和投射显示装置。
基于数字图像的车道线检测系统,包括道路图像预处理方法、基于Hough变换的车行道检测、车道线的高斯混合模型建立、车道线检测与跟踪系统的实现。
道路图像预处理方法图像在采集和传输的过程中,图像质量必然会有一定的程度的降低,比如噪声的增加等。本文研究的车道线检测,其道路图像在采集过程中受到外界光照强度,障碍物遮挡和摄像头抖动等各种因素的影响。对采集的道路图像在检测之前进行预处理可以提高车道线的检测率。现实图像预处理方法中,没有哪一种算法可以适用于所有图像,每一种算法都有自己的适用环境和局限性。因此在实际应用中,需要结合外界环境因素,做大量实验,并结合实际系统的需要,选取适合该系统的算法。
于Hough变换的车行道检测是将图像经过预处理后,车道线的检测便成为我们要解决的主要问题。基于Hough变换的车道线检测是目前应用最为广泛的车道识别方法之一,它完成从图像中识别特定的几何形状。利用Hough变换可以获得车道线所在直线的参数值,准确定位车道线的位置。Hough变换最大的缺点就是计算量复杂。
车道线的高斯混合模型建立由于车辆行驶速度有限,同一车道线目标在前后两帧图像中的位置变化缓慢,即当前帧中检测的车道线位置应在已经检测出来的车道线在序列图像中的历史位置附近。根据这一结论,当前车道线位置的存在范围是可以估计的。所以本文提出对检测出来的车道线位置进行校正,校正方法是当相邻两次检测得到的车道线位置变化不大时,认为检测出来的车道线无误;当相邻两次检测得到的车道线位置变化很大时,舍弃当前检测结果。RGB图像和红外图像两路检测,可以相互弥补信息不足,取其中的有用信息做出判断。
车道线检测与跟踪系统对道路图像预处理,其中包括彩色图像灰度化,然后对灰度图采取大津阈值进行二值分割。分割后的二值图像包含大量的干扰信息,通过连通域标记将大的干扰信号和小的噪声点消除掉。接着提取车道线的轮廓信息,方便后续的Hough变换求取车道线,最后对求得的车道线与混合高斯模型匹配,如果匹配成功,则说明车道线检测成功,并用当前检测的车道线更新混合高斯模型参数;如果匹配不成功,说明检测的车道线不正确,取历史车道线信息作为当前结果。
车道线检测成功是车道安全自动判断的基础,集合车道线内图像处理,对比,再得出的安全评估较为准确,最后通过通过HUD提示器、LED提示器和声音提示器给予安全提示,可以比较全面的给予驾驶者预警信息,作为辅助驾驶提示、报警器,或者自动驾驶的基础配置,可以帮助更为安全的驾驶。
Claims (3)
1.一种基于数字图像的车道线检测系统,包含图像传感器、系统主机和提示报警器,其特征是:所述图像传感器包含RGB摄像头和红外摄像头,所述提示报警器包含HUD提示器、LED提示器和声音提示器,所述图像传感器通过RGB图像和红外图像两路分别传输到系统主机,再由系统主机对图像进行处理,最后由提示报警器发出提示。
2.根据权利要求1所述的基于数字图像的车道线检测系统,其特征是:所述RGB摄像头与红外摄像头相互靠拢,并固定安装在一起。
3.根据权利要求1所述的基于数字图像的车道线检测系统,其特征是:所述HUD提示器包含抬头检测装置和投射显示装置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201520948086.0U CN205176883U (zh) | 2015-11-24 | 2015-11-24 | 基于数字图像的车道线检测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201520948086.0U CN205176883U (zh) | 2015-11-24 | 2015-11-24 | 基于数字图像的车道线检测系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN205176883U true CN205176883U (zh) | 2016-04-20 |
Family
ID=55740846
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201520948086.0U Expired - Fee Related CN205176883U (zh) | 2015-11-24 | 2015-11-24 | 基于数字图像的车道线检测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN205176883U (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106564501A (zh) * | 2016-08-16 | 2017-04-19 | 成都市和平科技有限责任公司 | 一种基于云技术的汽车智能辅助系统及方法 |
CN108177524A (zh) * | 2017-12-22 | 2018-06-19 | 联创汽车电子有限公司 | Arhud系统及其车道线绘制方法 |
-
2015
- 2015-11-24 CN CN201520948086.0U patent/CN205176883U/zh not_active Expired - Fee Related
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106564501A (zh) * | 2016-08-16 | 2017-04-19 | 成都市和平科技有限责任公司 | 一种基于云技术的汽车智能辅助系统及方法 |
CN108177524A (zh) * | 2017-12-22 | 2018-06-19 | 联创汽车电子有限公司 | Arhud系统及其车道线绘制方法 |
CN108177524B (zh) * | 2017-12-22 | 2020-01-14 | 联创汽车电子有限公司 | Arhud系统及其车道线绘制方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang | Research and application of traffic sign detection and recognition based on deep learning | |
CN110738121A (zh) | 一种前方车辆检测方法及检测系统 | |
US20180240194A1 (en) | Visual analytics based vehicle insurance anti-fraud detection | |
Gomez et al. | Traffic lights detection and state estimation using hidden markov models | |
WO2022151664A1 (zh) | 一种基于单目摄像头的3d物体检测方法 | |
JP2022511990A (ja) | 情報補完方法、車線認識方法、インテリジェント走行方法及び関連製品 | |
CN108106617A (zh) | 一种无人机自动避障方法 | |
CN205176883U (zh) | 基于数字图像的车道线检测系统 | |
CN114067292A (zh) | 用于智能驾驶的图像处理方法和装置 | |
Valeja et al. | Traffic sign detection using Clara and Yolo in python | |
Albayrak | Object recognition using TensorFlow | |
CN111210411B (zh) | 图像中灭点的检测方法、检测模型训练方法和电子设备 | |
CN110727269B (zh) | 车辆控制方法及相关产品 | |
CN113298044B (zh) | 基于定位补偿的障碍物检测方法、系统、设备及存储介质 | |
CN202771439U (zh) | 基于matlab交通标志自动识别装置 | |
US20210110218A1 (en) | Environment sensing method and device, control method and device, and vehicle | |
CN114708568A (zh) | 基于改进RTFNet的纯视觉自动驾驶控制系统、方法、介质 | |
Sari et al. | Traffic sign detection and recognition system for autonomous RC cars | |
Memon et al. | Self-driving car using lidar sensing and image processing | |
Said et al. | Real-time detection and classification of traffic light signals | |
CN113536973A (zh) | 一种基于显著性的交通标志检测方法 | |
Yang et al. | Analysis of Model Optimization Strategies for a Low-Resolution Camera-Lidar Fusion Based Road Detection Network | |
CN112654997B (zh) | 一种车道线检测方法和装置 | |
Son et al. | Recognition of the Shape and Location of Multiple Power Lines Based on Deep Learning With Post-Processing | |
US20230267749A1 (en) | System and method of segmenting free space based on electromagnetic waves |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CB03 | Change of inventor or designer information |
Inventor after: Jia Ruchun Inventor after: Yang Fei Inventor before: Jia Ruchun |
|
COR | Change of bibliographic data | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20160420 Termination date: 20161124 |
|
CF01 | Termination of patent right due to non-payment of annual fee |