CN102592114A - 复杂路况的车道线特征提取、识别方法 - Google Patents
复杂路况的车道线特征提取、识别方法 Download PDFInfo
- Publication number
- CN102592114A CN102592114A CN2011104416915A CN201110441691A CN102592114A CN 102592114 A CN102592114 A CN 102592114A CN 2011104416915 A CN2011104416915 A CN 2011104416915A CN 201110441691 A CN201110441691 A CN 201110441691A CN 102592114 A CN102592114 A CN 102592114A
- Authority
- CN
- China
- Prior art keywords
- lane line
- area
- interest
- unique point
- gray
- 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
Images
Landscapes
- Traffic Control Systems (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种复杂路况的车道线检测方法,该方法首先将彩色道路图像转换为灰度图像并进行中值滤波处理;然后,对滤波后的图像进行感兴趣区域的划分,并应用对称局部阈值分割方法在感兴趣区域内对道路图像进行二值化处理,从而提取车道线特征信息;最后,基于提取出的车道线特征点分布规律,采用去相关RANSAC方法对左、右车道线分别进行并行识别。本发明所提出的车道线检测方法相对于传统RANSAC方法不仅实时性得到很大提高而且鲁棒性得到显著增强;本发明对由于光照变化、阴影遮挡、车道线破损以及污迹覆盖等原因造成的复杂路况,可快速、有效地检测出车道线。
Description
技术领域
本发明涉及复杂路况下的车道线检测方法,特别是一种基于对称局部阈值和去相关RANSAC的实时鲁棒车道线检测方法,属于汽车智能辅助驾驶***技术领域。
背景技术
近年来,随着我国经济的快速发展,客货运量的增加,我国公路建设路程迅猛增长,特别是高速公路的快速发展,大大缓解了我国经济发展给交通运输业带来的压力。但是随着公路建设路程的增长、汽车保有量的增加、车流量的加大以及行车速度的提高,道路交通事故呈逐年恶化的态势,特别是特大恶***通事故频繁发生,给人们的生命财产和国民经济造成了巨大的损失。例如,2009年,中国汽车保有量约占世界汽车保有量的百分之三,但交通事故死亡人数却占世界的百分之十六。据公安部交通管理局通报,2009年,全国共发生道路交通事故238351起,造成67759人死亡、275125人受伤,直接财产损失9.1亿元。因此研究车道偏离预警***,辅助驾驶员在单调驾驶环境中保持车辆在车道内行驶,已经成为国内外的研究重点。
在安全辅助驾驶***中,车道线的正确检测是该***正常工作的基本前提和关键技术。目前,已经提出了很多基于视觉的车道线识别方法。按照识别方法的不同总体上可分为两大类:基于特征的识别方法和基于模型的识别方法。
基于特征的识别方法主要是结合道路图像的一些特征(如颜色特征、灰度梯度特征等),从所获取的图像中识别出车道线。基于特征的识别方法可分为:基于灰度特征和基于彩色特征的识别。基于模型的车道线识别方法主要是基于不同的道路图像模型(2D或3D模型),采用不同的识别技术(Hough变换、模板匹配技术、神经网络技术等)来对车道线进行识别。
一方面,由于基于特征的方法通过结合底层特征(如边缘)对路面图像分割定位车道线,当道路路面结构不均匀、光照变化、阴影遮挡、车道线破损以及污痕存在使得车道线不规则时,在此情况下该方法就无能为力了。另一方面,基于模型的方法仅采用少量的参数描述车道线,如事先假定车道线的形状为直线或双曲线,那么车道线识别过程可看作是计算这些模型参数的过程,同样当道路路面结构不均匀、光照变化、阴影遮挡、车道线破损以及污痕存在使得车道线不规则、不清晰或是某段完全失去标识信息时,无法找到足够的车道线特征点来拟合假定的模型或者拟合出错误的模型,所以此情况下,该方法有时也不能有效地识别出正确的车道线。
发明内容
本发明的目的是提供一种复杂路况的车道线特征提取、识别方法,以解决现有方法对车道线存在光照变化、阴影遮挡、破损或污迹覆盖等复杂路况下鲁棒性和实时性都偏低甚至误识别的问题。
为实现上述目的,本发明的复杂路况的车道线特征提取方法步骤如下:
(1)将车载视觉***采集到的彩色道路图像转换为灰度图像;
(2)对灰度图像进行中值滤波处理;
(3)根据道路图像对车道线特征提取的重要程度将滤波处理后的图像划分为不考虑区域和感兴趣区域;
(4)对感兴趣区域利用对称局部阈值分割法进行二值化处理,从而实现车道线特征提取。
进一步的,所述步骤(4)中利用对称局部阈值分割法进行二值化处理的具体步骤如下:
1)定义感兴趣区域的左上角为坐标原点,纵向为x轴、横向为y轴,设感兴趣区域大小为M行N列;
2)对于感兴趣区域中任一点坐标为(xi,yj)的像素,以其横坐标yj为基准,在同一横行上分别向左、右延伸c个像素距离,分别构成关于y=yj对称的左边像素区域、右边像素区域;计算左像素区域和右像素区域的灰度平均值VmeanL和VmeanR;
3)判断感兴趣区域中任一点像素的横坐标yj的值,若yj的值小于等于c,则比较此像素点的灰度值V(xi,yj)与VmeanR+T的大小,当V(xi,yj)>VmeanR+T时置此像素点的灰度值为255,否则就置为0,所述T是用最大类间方差法得到的感兴趣区域的分割阈值的二分之一;
4)若yj的值大于c且小于N-c,分别比较此点的灰度值V(xi,yj)与VmeanL+T、VmeanR+T的大小,当V(xi,yj)>max{VmeanL+T,VmeanR+T}时置此像素点的灰度值为255,否则就置为0;
5)若yj的值大于等于N-c,比较此点的灰度值V(xi,yj)与VmeanL+T的大小,当V(xi,yj)>VmeanL+T时,置此像素点的灰度值为255,否则就置为0;
6)所有感兴趣区域内的像素点重复步骤(3)、(4)和(5),就实现了感兴趣区域的二值化,得出车道线特征提取结果。
进一步的,所述步骤(4)的2)步中,根据透视投影影响和实时性要求,对于第一行到第M行的各像素点,c值按下式依次取值为:
进一步的,所述步骤(1)中将彩色道路图像转换为灰度图像的灰度化公式为:Vgray=0.30R+0.59G+0.11B,式中Vgray为灰度化后的像素灰度值,R、G、B分别代表RGB彩色模型的三个分量。
进一步的,所述步骤(3)中感兴趣区域的划分是根据道路图像对车道线识别的重要程度将图像划分为3个区域:左车道线存在区域、右车道线存在区域和不考虑区域,其中,左车道线存在区域和右车道线存在区域大小相同,一起构成感兴趣区域。
本发明的复杂路况的车道线识别方法步骤如下:
(1)将车载视觉***采集到的彩色道路图像转换为灰度图像,对灰度图像进行中值滤波处理,并进行感兴趣区域划分,利用对称局部阈值分割法分割、提取车道线特征信息;
(2)将感兴趣区域中提取出的所有一侧车道线特征点存入该侧车道线特征点集合PR;
(3)在该侧车道线特征点集合PR内随机抽取β个特征点构成抽取集合,并用其初始化该侧车道线模型MR;
(4)计算该侧车道线特征点集合PR中其余各点与车道线模型MR之间的垂直距离,选取模型误差容限di,设垂直距离小于该误差容限的特征点个数为γ;
(5)β个特征点与γ个特征点的合集构成误差容限集合S,设定阈值t,若集合S内特征点个数(β+γ)小于t,则重复步骤(3)、(4);若集合S内特征点个数大于等于t,则利用集合S,采用最小二乘法构建新的车道线模型MR *。
(6)计算特征点集合PR中各点与新车道线模型MR *之间的垂直距离,选取删除误差容限do,从PR中删除步骤(5)中选定的集合S中的全部特征点以及所有与MR *的垂直距离小于do的特征点,由此得到新的特征点集合PR。
进一步的,重复步骤(3)、(4)、(5)和(6)不断建立新的车道线模型并且保留每次建立的新车道线模型参数,完成设定的抽取次数后,选取包含特征点最多的误差容限集合,并以该误差容限集合构建的车道线模型为识别的最优车道线模型。
进一步的,所述设定的抽取次数为2E(K),E(K)为随机抽取次数K的统计均值,E(K)=w-β,其中w为集合PR中车道线特征点个数与PR中特征点总数(包含车道线特征点与噪声点)的比值,β为步骤(3)中初始化车道线模型时从PR中随机抽取的特征点个数。
进一步的,所述步骤(5)中阈值t的设定是根据拟合出的车道线模型是正确车道模型的置信度计算得到。
本发明所提出的复杂路况的车道线特征提取方法是将原始道路图像经灰度化和中值滤波处理后,应用对称局部阈值分割方法对其进行分割以提取车道线信息。此分割方法利用对称局部信息来确定最终分割的阈值,对于光照变化、阴影遮挡或污迹覆盖造成的低对比度道路图像,此方法可有效地确定合理的阈值对其进行分割从而提取出正确的车道线特征信息。
本发明所提出的复杂路况的车道线识别方法,根据提取出的特征点数量较少、分布不规则并且包含干扰点多的特点,应用去相关RANSAC方法进行识别,通过设定删除误差容限,不断删除前次拟合模型时所用到的所有特征点,降低模型之间的相关性。因此,相对于传统RANSAC方法不仅实时性得到很大提高而且鲁棒性得到明显增强,对于由于光照变化、阴影遮挡、破损或污迹覆盖造成提取出的车道线特征点少、干扰点多并且特征点分布不规则的情况下,可以有效地对车道线进行识别。本方法克服了大多道路图像预处理方法在光照变化以及车道线存在光照变化、阴影遮挡、污迹覆盖等情况下,不能有效提取车道线特征信息的缺点,适应性更广;在提取出的车道线特征点分布很不规则并且存在大量干扰点的情况下,本方法能有效地识别出车道线,相比经典识别方法鲁棒性大大增强;由于建模时使用的特征点少并且在迭代过程中不断使用误差容限删除原有特征点,因此去相关RANSAC方法相对于原有的RANSAC方法实时性得到很大提高。
附图说明
图1是车道线检测算法的整体流程图
图2是中值滤波示意图;
图3是道路图像分区示意图;
图4是基于对称局部阈值分割方法示意图;
图5是车道线区域特征点集合示意图;
图6是初始化车道线模型示意图;
图7是基于对称局部阈值的道路图像特征提取方法流程图;
图8是道路图像特征提取方法实验结果比较图;
图9是基于去相关RANSAC算法的车道线识别方法流程图;
图10是不同路况下的车道线检测实验结果图。
具体实施方式
一、应用对称局部阈值分割的车道线特征提取
本发明的车道线特征提取方法包括:道路图像的灰度化、中值滤波、感兴趣区域的划分以及应用对称局部阈值分割提取车道线特征信息。
具体实施步骤:
1、首先将车载视觉***采集到的彩色图像经灰度化转换为灰度图像。灰度化采用如下形式:
式中,Vgray代表灰度化后的像素灰度值,R、G、B分别代表RGB彩色模型的三个分量。
2、对灰度化后的图像进行中值滤波处理。采用3x3的窗口,把二维窗口中的数据一维化,并排列其顺序,由公式(2)求出其中值Me,然后用中值Me代替窗口中心X22原来的灰度值,如图2所示。
Me=Median{x11,x12,x13…x33} (2)
3、将中值滤波后图像进行感兴趣区域的划分。根据道路图像对车道线识别的重要程度将其按图3划分为3个区域:左车道线存在区域A1、右车道线存在区域A2以及不考虑区域A3,且左车道线存在区域A1、右车道线存在区域A2大小相同,一起构成感兴趣区域。设整幅图像平面面积为S,区域A1、A2、A3的面积分别为:7S/24、7S/24、5S/12。由于A3区域主要为天空区域,基本不含车道线信息,车道线特征提取时直接将其作为背景处理,只在感兴趣区域A1和A2中进行特征提取。
4、在感兴趣区域内利用对称局部阈值分割方法进行车道线特征提取。如图4所示,定义感兴趣区域的左上角为坐标原点,纵向为x轴、横向为y轴;设感兴趣区域大小为M行N列,用I(x,y)表示道路图像感兴趣区域,用V(xi,yj)表示像素点(xi,yj)的灰度值。
5、判断像素点(xi,yj)的横坐标yj的值,当yj≤c时,计算像素区域[I(xi,yj),I(xi,yj+c)]的灰度平均值,记为VmeanR。考虑到透视投影影响和实时性要求,对于第一行到第M行的各像素点,c按(3)式依次取值:
式中M是图像中感兴趣区域的行数,L1是正常情况下测得的完好的车道线的像素宽度。
6、计算像素点(xi,yj)的灰度值V(xi,yj),当V(xi,yj)>VmeanR+T时置V(xi,yj)=255,否则置V(xi,yj)=0。上述关系式中,T是一个阈值常量,取T=1/2Totsu,Totsu为利用最大类间方差法(otsu)获得的感兴趣区域的全局阈值,这里取的是“去归一化”后的值。
7、当c<yj<N-c时,分别计算像素区域[I(xi,yj-c),I(xi,yj)]和[I(xi,yj),I(xi,yj+c)]的均值,并分别记为VmeanL和VmeanR;当V(xi,yj)>max{VmeanL+T,VmeanR+T}时置V(xi,yj)=255,否则置V(xi,yj)=0。
8、当yj≥N-c时,计算像素区域[I(xi,yj-c),I(xi,yj)]的均值记为VmeanL;当V(xi,yj)>VmeanL+T时置V(xi,yj)=255,否则置V(xi,yj)=0。
9、重复步骤5、6、7、8遍历感兴趣区域所有像素点,得出分割后图像S(xi,yj),分割后图像S(xi,yj)为:
实验结果比较
为了比较本发明提出的对称局部阈值分割方法对车道线特征提取的效果,分别利用经典阈值分割算法-otsu分割算法和对称局部阈值分割方法对两种典型工况下的车道线进行特征提取,实验结果如附图8所示。
图8(a)~(c)是针对普通公路车道线被阴影遮挡和污迹覆盖情况下的车道线特征提取。此车道线被大面积污迹覆盖、部分已破损同时又有路旁建筑物、树木造成的阴影遮挡。由提取结果可明显看到,otsu算法几乎提取不出车道线信息,如图8(b),而本发明所用方法能较好地提取出车道线信息,如图8(c)。
图8(d)~(f)是针对高速公路上方存在高架桥等建筑物,从而造成阴影遮挡情况下的车道线特征提取。由于在感兴趣区域内存在大量阴影,otsu算法无法正确确定阈值从而出现误提取,如图8(e);与其不同的是,本发明所用方法却实现了很好的提取效果,如图8(f)。
二、应用去相关RANSAC的车道线识别
为描述问题方便,本发明以直线道路模型为例,但该方法也可适用于曲线道路模型。实施时可以对左、右车道线独立、并行地识别,以下给出右车道线的识别方法,同理可应用于左车道线的识别。
具体实施步骤:
1、如图5所示,对利用对称局部阈值分割法分割、提取车道线特征信息的图像的感兴趣区域中,提取出的所有右车道线特征点存入右车道线特征点集合P。
2、如图6所示,在集合P中随机抽取β个特征点构成集合S,则这β个特征点中任意一点是车道线特征点的概率为w,这里:
并用S中的β个特征点使用最小二乘法初始化右车道线模型MouR。对于直线道路模型,取β=2。
3、计算余集Sc(即集合P中去掉集合S以后的点所构成的集合)中的点与右车道线模型MouR的距离,选取距离小于di的点构成集合Q,Q和S构成集合S*。di确定了识别出车道线的位置精度,一般取di∈(1,5),di越大拟合得到的车道线就越精确,但计算量相应越大,实时性就越差,因此选取时需要综合考虑鲁棒性与实时性的制约关系。
4、若集合S*中所包含的特征点数大于等于t,认为得到正确的右车道线模型参数,并利用集合S*中的点采用式(6)的形式(最小二乘法)计算出新的右车道线模型MouR *,否则,转到步骤2执行。
式中xi、yi表示S*中的特征点i的坐标,α代表待求的右车道线参数向量,f(α,xj)表示右车道线满足的模型,N*表示集合S*中的特征点总数。
t值选取的合理与否对整个算法影响较大,若选取太小则得到的模型不够精确。假设拟合出的车道线模型是正确车道线模型的置信度为η%,则要求t-β=100-η,即t=100-η+β。在实际选取时,t值在满足上述关系的前提下尽可能选的大一些,但如果选择太大将会降低算法的实时性并可能出现正确车道线模型漏检的现象。因此,应根据给定的车道线模型置信度以及实际路况适当选择阈值t。
5、从集合P中删除构成集合S*的全部特征点(模型MouR *的内点)以及与模型MouR *的距离大于di小于do的特征点,构成新的集合P,并且保留已计算出的模型MouR *。参数do用于去除各次车道线模型拟合时所使用的特征点之间的相关性,以提高识别算法的鲁棒性,do的值不能取得太小以便于尽可能提高识别算法的实时性,但也不能取得太大以免漏检正确的车道线特征点,使用时可兼顾实时性和鲁棒性,do=(2~7)di之间选取。
6、在新的集合P中重新随机抽取β个特征点构成新的S并用其初始化右车道线模型,重复步骤3、4和5。
7、完成2E(K)次抽取后,选取包含特征点数最多的S*集合,记为Smax,利用Smax中的点计算出的车道线参数为最终的右车道线参数。
这里E(K)为随机抽取次数K的统计均值,其值可以用如下方法确定:
E(K)=b+2(1-b)b+3(1-b)2b…+i(1-b)i-1b+… (7)
这里b=wβ,令a=1-b得:
E(K)=b[1+2a+3a2…+iai-1+…] (8)
由幂级数性质可知:
对(8)式求导可得:
比较(7)、(9)可得:
其中,w为(5)式定义的集合PR中车道线特征点个数与PR中特征点总数(包含车道线特征点与噪声点)的比值,β为步骤2中初始化车道线模型时随机抽取的特征点个数。
实验结果
图10(a)中左、右车道线都出现破损且左车道线中的部分标识已完全消失,在此情况下提取出的车道线特征点数量较少并且分布不规则,而去相关RANSAC识别方法能从由于车道线破损而造成数量少、不规则的特征点中很好地找到符合要求的车道线模型,所以在此工况下能很好地进行车道线的识别。
图10(b)的车道线被树荫严重遮挡,而图10(c)中的车道线被大面积的污迹覆盖并且有破损。由于阴影和污痕的存在使得车道线与路面的对比度降低,故提取出的特征点存在大量非车道线点并且这些非车道线点的分布又是不规则的。实验结果表明,本发明所提出的去相关RANSAC识别方法能够从存在大量干扰点的道路图像中,较好地找到符合要求的车道线模型。
图10(d)是夜晚车道线识别结果,可以看到,本发明也能很好地在此工况进行车道线的识别。
以上所述的具体实施例,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施例而已,并不用于限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种复杂路况的车道线特征提取方法,其特征在于,该方法的步骤如下:
(1)将车载视觉***采集到的彩色道路图像转换为灰度图像;
(2)对灰度图像进行中值滤波处理;
(3)根据道路图像对车道线特征提取的重要程度将滤波处理后的图像划分为不考虑区域和感兴趣区域;
(4)对感兴趣区域利用对称局部阈值分割法进行二值化处理,从而实现车道线特征提取。
2.根据权利要求1所述的复杂路况的车道线特征提取方法,其特征在于,所述步骤(4)中利用对称局部阈值分割法进行二值化处理的具体步骤如下:
1)定义感兴趣区域的左上角为坐标原点,纵向为x轴、横向为y轴,设感兴趣区域大小为M行N列;
2)对于感兴趣区域中任一点坐标为(xi,yj)的像素,以其横坐标yj为基准,在同一横行上分别向左、右延伸c个像素距离,分别构成关于y=yj对称的左边像素区域、右边像素区域;计算左像素区域和右像素区域的灰度平均值VmeanL和VmeanR;
3)判断感兴趣区域中任一点像素的横坐标yj的值,若yj的值小于等于c,则比较此像素点的灰度值V(xi,yj)与VmeanR+T的大小,当V(xi,yj)>VmeanR+T时置此像素点的灰度值为255,否则就置为0,所述T是用最大类间方差法得到的感兴趣区域的分割阈值的二分之一;
4)若yj的值大于c且小于N-c,分别比较此点的灰度值V(xi,yj)与VmeanL+T、VmeanR+T的大小,当V(xi,yj)>max{VmeanL+T,VmeanR+T}时置此像素点的灰度值为255,否则就置为0;
5)若yj的值大于等于N-c,比较此点的灰度值V(xi,yj)与VmeanL+T的大小,当V(xi,yj)>VmeanL+T时,置此像素点的灰度值为255,否则就置为0;
6)所有感兴趣区域内的像素点重复步骤(3)、(4)和(5),就实现了感兴趣区域的二值化,得出车道线特征提取结果。
3.根据权利要求2所述的复杂路况的车道线特征提取方法,其特征在于:所述步骤(4)的2)步中,根据透视投影影响和实时性要求,对于第一行到第M行的各像素点,c值按下式依次取值为:
4.根据权利要求1-3中任一项所述的复杂路况的车道线提取方法,其特征在于,所述步骤(1)中将彩色道路图像转换为灰度图像的灰度化公式为:Vgray=0.30R+0.59G+0.11B,式中Vgray为灰度化后的像素灰度值,R、G、B分别代表RGB彩色模型的三个分量。
5.根据权利要求4所述的复杂路况的车道线特征提取方法,其特征在于,所述步骤(3)中感兴趣区域的划分是根据道路图像对车道线识别的重要程度将图像划分为3个区域:左车道线存在区域、右车道线存在区域和不考虑区域,其中,左车道线存在区域和右车道线存在区域大小相同,一起构成感兴趣区域。
6.一种复杂路况的车道线识别方法,其特征在于,该方法的步骤如下:
(1)将车载视觉***采集到的彩色道路图像转换为灰度图像,对灰度图像进行中值滤波处理,并进行感兴趣区域划分,利用对称局部阈值分割法分割、提取车道线特征信息;
(2)将感兴趣区域中提取出的所有一侧车道线特征点存入该侧车道线特征点集合PR;
(3)在该侧车道线特征点集合PR内随机抽取β个特征点构成抽取集合,并用其初始化该侧车道线模型MR;
(4)计算该侧车道线特征点集合PR中其余各点与车道线模型MR之间的垂直距离,选取模型误差容限di,设垂直距离小于该误差容限的特征点个数为γ;
(5)β个特征点与γ个特征点的合集构成误差容限集合S,设定阈值t,若集合S内特征点个数(β+γ)小于t,则重复步骤(3)、(4);若集合S内特征点个数大于等于t,则利用集合S,采用最小二乘法构建新的车道线模型MR *;
(6)计算特征点集合PR中各点与新车道线模型MR *之间的垂直距离,选取删除误差容限do,从PR中删除步骤(5)中选定的集合S的全部特征点以及所有与MR *的垂直距离小于do的特征点,由此得到新的特征点集合PR。
7.根据权利要求6所述的复杂路况的车道线识别方法,其特征在于:重复步骤(3)、(4)、(5)和(6)不断建立新的车道线模型并且保留每次建立的新车道线模型参数,完成设定的抽取次数后,选取包含特征点最多的误差容限集合,并以该误差容限集合构建的车道线模型为识别的最优车道线模型。
8.根据权利要求7所述的复杂路况的车道线识别方法,其特征在于:所述设定的抽取次数为2E(K),E(K)为随机抽取次数K的统计均值,E(K)=w-β,其中,w为集合PR中车道线特征点个数与PR中特征点总数(包含车道线特征点与噪声点)的比值,β为步骤(3)中初始化车道线模型时从PR中随机抽取的特征点个数。
根据权利要求6-8中任一项所述的复杂路况的车道线识别方法,其特征在于,所述步骤(5)中阈值t的设定是根据拟合出的车道线模型是正确车道模型的置信度计算得到。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 201110441691 CN102592114B (zh) | 2011-12-26 | 2011-12-26 | 复杂路况的车道线特征提取、识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 201110441691 CN102592114B (zh) | 2011-12-26 | 2011-12-26 | 复杂路况的车道线特征提取、识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102592114A true CN102592114A (zh) | 2012-07-18 |
CN102592114B CN102592114B (zh) | 2013-07-31 |
Family
ID=46480729
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN 201110441691 Expired - Fee Related CN102592114B (zh) | 2011-12-26 | 2011-12-26 | 复杂路况的车道线特征提取、识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102592114B (zh) |
Cited By (41)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103198320A (zh) * | 2013-04-24 | 2013-07-10 | 厦门大学 | 一种自适应视觉辅助驾驶装置 |
CN103632140A (zh) * | 2013-11-27 | 2014-03-12 | 智慧城市***服务(中国)有限公司 | 一种车道线检测方法及装置 |
CN104008387A (zh) * | 2014-05-19 | 2014-08-27 | 山东科技大学 | 一种基于特征点分段线性拟合的车道线检测方法 |
CN103020609B (zh) * | 2012-12-30 | 2015-08-19 | 上海师范大学 | 复杂纤维图像的识别方法 |
CN105260699A (zh) * | 2015-09-10 | 2016-01-20 | 百度在线网络技术(北京)有限公司 | 一种车道线数据的处理方法及装置 |
CN105891220A (zh) * | 2016-06-02 | 2016-08-24 | 昆山市交通工程试验检测中心有限公司 | 一种路面标志线缺陷检测装置及其检测方法 |
CN105894000A (zh) * | 2016-03-28 | 2016-08-24 | 江南大学 | 基于ransac的激光网格标记图像特征提取 |
CN106682646A (zh) * | 2017-01-16 | 2017-05-17 | 北京新能源汽车股份有限公司 | 一种车道线的识别方法及装置 |
CN106778551A (zh) * | 2016-11-30 | 2017-05-31 | 南京理工大学 | 一种高速路段及城市道路车道线识别方法 |
CN106778668A (zh) * | 2016-12-30 | 2017-05-31 | 明见(厦门)技术有限公司 | 一种联合ransac和cnn的鲁棒的车道线检测方法 |
CN106909903A (zh) * | 2017-03-01 | 2017-06-30 | 河海大学常州校区 | 一种基于图像的路径识别方法及*** |
CN107153823A (zh) * | 2017-05-22 | 2017-09-12 | 北京北昂科技有限公司 | 一种基于视觉关联双空间的车道线特征提取方法 |
CN104512327B (zh) * | 2013-09-27 | 2017-11-21 | 比亚迪股份有限公司 | 盲区车辆检测方法、***、车辆变道预警方法及*** |
CN107944388A (zh) * | 2017-11-24 | 2018-04-20 | 海信集团有限公司 | 一种车道线检测方法、装置及终端 |
CN108038858A (zh) * | 2017-12-26 | 2018-05-15 | 青岛大学 | 用于纺织领域机器视觉***中纱线管上纱线量的识别方法 |
CN108090401A (zh) * | 2016-11-23 | 2018-05-29 | 株式会社理光 | 线检测方法和线检测设备 |
CN108109156A (zh) * | 2017-12-25 | 2018-06-01 | 西安电子科技大学 | 基于比值特征的sar图像道路检测方法 |
CN108205667A (zh) * | 2018-03-14 | 2018-06-26 | 海信集团有限公司 | 车道线检测方法及装置、车道线检测终端、存储介质 |
CN108216229A (zh) * | 2017-09-08 | 2018-06-29 | 北京市商汤科技开发有限公司 | 交通工具、道路线检测和驾驶控制方法及装置 |
CN108417042A (zh) * | 2017-09-18 | 2018-08-17 | 西安金路交通工程科技发展有限责任公司 | 基于车辆图像的客车和货车分类方法 |
CN108470159A (zh) * | 2018-03-09 | 2018-08-31 | 腾讯科技(深圳)有限公司 | 车道线数据处理方法、装置、计算机设备和存储介质 |
CN108509919A (zh) * | 2018-04-03 | 2018-09-07 | 哈尔滨哈船智控科技有限责任公司 | 一种基于深度学习对视频或图片中水线的检测和识别方法 |
CN108629228A (zh) * | 2017-03-15 | 2018-10-09 | 高德软件有限公司 | 一种道路对象识别方法和装置 |
CN108801273A (zh) * | 2017-04-28 | 2018-11-13 | 高德软件有限公司 | 一种道路参考线的生成方法及装置 |
CN109284701A (zh) * | 2018-09-06 | 2019-01-29 | 南京威尔思汽车部件科技有限公司 | 一种基于区域对比的行车识别方法 |
CN109359632A (zh) * | 2018-11-30 | 2019-02-19 | 重庆昂布瑞拉科技有限公司 | 道路边线检测方法及装置 |
CN109447979A (zh) * | 2018-11-09 | 2019-03-08 | 哈尔滨工业大学 | 基于深度学习和图像处理算法的目标检测方法 |
CN109657077A (zh) * | 2018-10-31 | 2019-04-19 | 百度在线网络技术(北京)有限公司 | 模型训练方法、车道线生成方法、设备及存储介质 |
CN109726708A (zh) * | 2019-03-13 | 2019-05-07 | 东软睿驰汽车技术(沈阳)有限公司 | 一种车道线识别方法及装置 |
CN109740469A (zh) * | 2018-12-24 | 2019-05-10 | 百度在线网络技术(北京)有限公司 | 车道线检测方法、装置、计算机设备和存储介质 |
CN109886122A (zh) * | 2019-01-23 | 2019-06-14 | 珠海市杰理科技股份有限公司 | 车道线检测方法、装置、计算机设备和存储介质 |
CN109934169A (zh) * | 2019-03-13 | 2019-06-25 | 东软睿驰汽车技术(沈阳)有限公司 | 一种车道线识别方法及装置 |
CN109948504A (zh) * | 2019-03-13 | 2019-06-28 | 东软睿驰汽车技术(沈阳)有限公司 | 一种车道线识别方法及装置 |
CN109993099A (zh) * | 2019-03-27 | 2019-07-09 | 西安航空职业技术学院 | 一种基于机器视觉的车道线提取识别方法 |
CN110008838A (zh) * | 2019-03-07 | 2019-07-12 | 开易(北京)科技有限公司 | 基于改进拟合算法的车道线检测方法和*** |
CN110232835A (zh) * | 2019-06-27 | 2019-09-13 | 浙江工业大学 | 一种基于图像处理的地下车库停车位检测方法 |
CN110967026A (zh) * | 2018-09-30 | 2020-04-07 | 长城汽车股份有限公司 | 车道线拟合方法及*** |
CN111126109A (zh) * | 2018-10-31 | 2020-05-08 | 沈阳美行科技有限公司 | 一种车道线识别方法、装置和电子设备 |
CN111626180A (zh) * | 2020-05-22 | 2020-09-04 | 清华大学 | 基于偏振成像的车道线检测方法及其装置 |
CN114399588A (zh) * | 2021-12-20 | 2022-04-26 | 禾多科技(北京)有限公司 | 三维车道线生成方法、装置、电子设备和计算机可读介质 |
US11802092B2 (en) | 2021-12-28 | 2023-10-31 | Qingdao university of technology | Concrete curing agent, curing coating layer and preparation method thereof |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108564874B (zh) * | 2018-05-07 | 2021-04-30 | 腾讯大地通途(北京)科技有限公司 | 地面标志提取的方法、模型训练的方法、设备及存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101807352A (zh) * | 2010-03-12 | 2010-08-18 | 北京工业大学 | 一种模糊模式识别的车位检测方法 |
CN102201054A (zh) * | 2011-01-07 | 2011-09-28 | 南京理工大学 | 一种基于鲁棒统计的行道线检测方法 |
-
2011
- 2011-12-26 CN CN 201110441691 patent/CN102592114B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101807352A (zh) * | 2010-03-12 | 2010-08-18 | 北京工业大学 | 一种模糊模式识别的车位检测方法 |
CN102201054A (zh) * | 2011-01-07 | 2011-09-28 | 南京理工大学 | 一种基于鲁棒统计的行道线检测方法 |
Non-Patent Citations (1)
Title |
---|
龚建伟,王安帅,熊光明,刘伟,陈慧岩: "一种自适应动态窗口车道线高速检测方法", 《北京理工大学学报》, 30 June 2008 (2008-06-30) * |
Cited By (63)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103020609B (zh) * | 2012-12-30 | 2015-08-19 | 上海师范大学 | 复杂纤维图像的识别方法 |
CN103198320A (zh) * | 2013-04-24 | 2013-07-10 | 厦门大学 | 一种自适应视觉辅助驾驶装置 |
CN104512327B (zh) * | 2013-09-27 | 2017-11-21 | 比亚迪股份有限公司 | 盲区车辆检测方法、***、车辆变道预警方法及*** |
CN103632140B (zh) * | 2013-11-27 | 2017-01-04 | 智慧城市***服务(中国)有限公司 | 一种车道线检测方法及装置 |
CN103632140A (zh) * | 2013-11-27 | 2014-03-12 | 智慧城市***服务(中国)有限公司 | 一种车道线检测方法及装置 |
CN104008387A (zh) * | 2014-05-19 | 2014-08-27 | 山东科技大学 | 一种基于特征点分段线性拟合的车道线检测方法 |
CN104008387B (zh) * | 2014-05-19 | 2017-02-15 | 山东科技大学 | 一种基于特征点分段线性拟合的车道线检测方法 |
CN105260699A (zh) * | 2015-09-10 | 2016-01-20 | 百度在线网络技术(北京)有限公司 | 一种车道线数据的处理方法及装置 |
WO2017041396A1 (zh) * | 2015-09-10 | 2017-03-16 | 百度在线网络技术(北京)有限公司 | 一种车道线数据的处理方法、装置、存储介质及设备 |
US10074020B2 (en) | 2015-09-10 | 2018-09-11 | Baidu Online Network Technology (Beijing) Co., Ltd. | Vehicular lane line data processing method, apparatus, storage medium, and device |
CN105260699B (zh) * | 2015-09-10 | 2018-06-26 | 百度在线网络技术(北京)有限公司 | 一种车道线数据的处理方法及装置 |
KR101856401B1 (ko) | 2015-09-10 | 2018-05-09 | 바이두 온라인 네트웍 테크놀러지 (베이징) 캄파니 리미티드 | 차선 데이터의 처리 방법, 장치, 저장매체 및 기기 |
CN105894000A (zh) * | 2016-03-28 | 2016-08-24 | 江南大学 | 基于ransac的激光网格标记图像特征提取 |
CN105891220A (zh) * | 2016-06-02 | 2016-08-24 | 昆山市交通工程试验检测中心有限公司 | 一种路面标志线缺陷检测装置及其检测方法 |
CN108090401A (zh) * | 2016-11-23 | 2018-05-29 | 株式会社理光 | 线检测方法和线检测设备 |
CN106778551A (zh) * | 2016-11-30 | 2017-05-31 | 南京理工大学 | 一种高速路段及城市道路车道线识别方法 |
CN106778668A (zh) * | 2016-12-30 | 2017-05-31 | 明见(厦门)技术有限公司 | 一种联合ransac和cnn的鲁棒的车道线检测方法 |
CN106778668B (zh) * | 2016-12-30 | 2019-08-09 | 明见(厦门)技术有限公司 | 一种联合ransac和cnn的鲁棒的车道线检测方法 |
CN106682646B (zh) * | 2017-01-16 | 2020-12-22 | 北京新能源汽车股份有限公司 | 一种车道线的识别方法及装置 |
CN106682646A (zh) * | 2017-01-16 | 2017-05-17 | 北京新能源汽车股份有限公司 | 一种车道线的识别方法及装置 |
CN106909903A (zh) * | 2017-03-01 | 2017-06-30 | 河海大学常州校区 | 一种基于图像的路径识别方法及*** |
CN106909903B (zh) * | 2017-03-01 | 2020-01-10 | 河海大学常州校区 | 一种基于图像的路径识别方法及*** |
CN108629228B (zh) * | 2017-03-15 | 2020-12-01 | 阿里巴巴(中国)有限公司 | 一种道路对象识别方法和装置 |
CN108629228A (zh) * | 2017-03-15 | 2018-10-09 | 高德软件有限公司 | 一种道路对象识别方法和装置 |
CN108801273B (zh) * | 2017-04-28 | 2021-07-30 | 阿里巴巴(中国)有限公司 | 一种道路参考线的生成方法及装置 |
CN108801273A (zh) * | 2017-04-28 | 2018-11-13 | 高德软件有限公司 | 一种道路参考线的生成方法及装置 |
CN107153823A (zh) * | 2017-05-22 | 2017-09-12 | 北京北昂科技有限公司 | 一种基于视觉关联双空间的车道线特征提取方法 |
CN108216229B (zh) * | 2017-09-08 | 2020-01-10 | 北京市商汤科技开发有限公司 | 交通工具、道路线检测和驾驶控制方法及装置 |
CN108216229A (zh) * | 2017-09-08 | 2018-06-29 | 北京市商汤科技开发有限公司 | 交通工具、道路线检测和驾驶控制方法及装置 |
CN108417042A (zh) * | 2017-09-18 | 2018-08-17 | 西安金路交通工程科技发展有限责任公司 | 基于车辆图像的客车和货车分类方法 |
CN107944388A (zh) * | 2017-11-24 | 2018-04-20 | 海信集团有限公司 | 一种车道线检测方法、装置及终端 |
CN108109156A (zh) * | 2017-12-25 | 2018-06-01 | 西安电子科技大学 | 基于比值特征的sar图像道路检测方法 |
CN108109156B (zh) * | 2017-12-25 | 2019-10-11 | 西安电子科技大学 | 基于比值特征的sar图像道路检测方法 |
CN108038858A (zh) * | 2017-12-26 | 2018-05-15 | 青岛大学 | 用于纺织领域机器视觉***中纱线管上纱线量的识别方法 |
CN108470159A (zh) * | 2018-03-09 | 2018-08-31 | 腾讯科技(深圳)有限公司 | 车道线数据处理方法、装置、计算机设备和存储介质 |
WO2019170012A1 (zh) * | 2018-03-09 | 2019-09-12 | 腾讯科技(深圳)有限公司 | 车道线数据处理方法、装置、计算机设备和存储介质 |
US11417118B2 (en) | 2018-03-09 | 2022-08-16 | Tencent Technology (Shenzhen) Company Limited | Lane line data processing method and apparatus, computer device, and storage medium |
CN108205667A (zh) * | 2018-03-14 | 2018-06-26 | 海信集团有限公司 | 车道线检测方法及装置、车道线检测终端、存储介质 |
CN108509919B (zh) * | 2018-04-03 | 2022-04-29 | 哈尔滨哈船智控科技有限责任公司 | 一种基于深度学习对视频或图片中水线的检测和识别方法 |
CN108509919A (zh) * | 2018-04-03 | 2018-09-07 | 哈尔滨哈船智控科技有限责任公司 | 一种基于深度学习对视频或图片中水线的检测和识别方法 |
CN109284701A (zh) * | 2018-09-06 | 2019-01-29 | 南京威尔思汽车部件科技有限公司 | 一种基于区域对比的行车识别方法 |
CN110967026A (zh) * | 2018-09-30 | 2020-04-07 | 长城汽车股份有限公司 | 车道线拟合方法及*** |
CN111126109B (zh) * | 2018-10-31 | 2023-09-05 | 沈阳美行科技股份有限公司 | 一种车道线识别方法、装置和电子设备 |
CN109657077A (zh) * | 2018-10-31 | 2019-04-19 | 百度在线网络技术(北京)有限公司 | 模型训练方法、车道线生成方法、设备及存储介质 |
CN111126109A (zh) * | 2018-10-31 | 2020-05-08 | 沈阳美行科技有限公司 | 一种车道线识别方法、装置和电子设备 |
CN109447979B (zh) * | 2018-11-09 | 2021-09-28 | 哈尔滨工业大学 | 基于深度学习和图像处理算法的目标检测方法 |
CN109447979A (zh) * | 2018-11-09 | 2019-03-08 | 哈尔滨工业大学 | 基于深度学习和图像处理算法的目标检测方法 |
CN109359632B (zh) * | 2018-11-30 | 2021-08-10 | 重庆子粒科技有限公司 | 道路边线检测方法及装置 |
CN109359632A (zh) * | 2018-11-30 | 2019-02-19 | 重庆昂布瑞拉科技有限公司 | 道路边线检测方法及装置 |
CN109740469A (zh) * | 2018-12-24 | 2019-05-10 | 百度在线网络技术(北京)有限公司 | 车道线检测方法、装置、计算机设备和存储介质 |
CN109886122A (zh) * | 2019-01-23 | 2019-06-14 | 珠海市杰理科技股份有限公司 | 车道线检测方法、装置、计算机设备和存储介质 |
CN110008838B (zh) * | 2019-03-07 | 2021-04-13 | 开易(北京)科技有限公司 | 基于改进拟合算法的车道线检测方法和*** |
CN110008838A (zh) * | 2019-03-07 | 2019-07-12 | 开易(北京)科技有限公司 | 基于改进拟合算法的车道线检测方法和*** |
CN109948504B (zh) * | 2019-03-13 | 2022-02-18 | 东软睿驰汽车技术(沈阳)有限公司 | 一种车道线识别方法及装置 |
CN109948504A (zh) * | 2019-03-13 | 2019-06-28 | 东软睿驰汽车技术(沈阳)有限公司 | 一种车道线识别方法及装置 |
CN109934169A (zh) * | 2019-03-13 | 2019-06-25 | 东软睿驰汽车技术(沈阳)有限公司 | 一种车道线识别方法及装置 |
CN109726708A (zh) * | 2019-03-13 | 2019-05-07 | 东软睿驰汽车技术(沈阳)有限公司 | 一种车道线识别方法及装置 |
CN109993099A (zh) * | 2019-03-27 | 2019-07-09 | 西安航空职业技术学院 | 一种基于机器视觉的车道线提取识别方法 |
CN110232835A (zh) * | 2019-06-27 | 2019-09-13 | 浙江工业大学 | 一种基于图像处理的地下车库停车位检测方法 |
CN111626180A (zh) * | 2020-05-22 | 2020-09-04 | 清华大学 | 基于偏振成像的车道线检测方法及其装置 |
CN111626180B (zh) * | 2020-05-22 | 2022-10-14 | 清华大学 | 基于偏振成像的车道线检测方法及其装置 |
CN114399588A (zh) * | 2021-12-20 | 2022-04-26 | 禾多科技(北京)有限公司 | 三维车道线生成方法、装置、电子设备和计算机可读介质 |
US11802092B2 (en) | 2021-12-28 | 2023-10-31 | Qingdao university of technology | Concrete curing agent, curing coating layer and preparation method thereof |
Also Published As
Publication number | Publication date |
---|---|
CN102592114B (zh) | 2013-07-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102592114B (zh) | 复杂路况的车道线特征提取、识别方法 | |
CN102737248B (zh) | 复杂路况下的车道线特征点提取方法与装置 | |
CN104298976B (zh) | 基于卷积神经网络的车牌检测方法 | |
CN103914698B (zh) | 一种基于视频的道路障碍物识别分类方法 | |
CN102096821B (zh) | 基于复杂网络理论的强干扰环境下的车牌识别方法 | |
CN103577809B (zh) | 一种基于智能驾驶的地面交通标志实时检测的方法 | |
CN104732211B (zh) | 一种基于自适应阈值的交通标志检测方法 | |
CN105005771A (zh) | 一种基于光流点轨迹统计的车道线实线的检测方法 | |
CN104392212A (zh) | 一种基于视觉的道路信息检测及前方车辆识别方法 | |
CN104881661B (zh) | 基于结构相似度的车辆检测方法 | |
CN103886760B (zh) | 实时的基于交通视频的车型检测*** | |
CN105320942B (zh) | 一种基于联合检测器的路面破损检测方法 | |
CN108038416A (zh) | 车道线检测方法及*** | |
CN103593981B (zh) | 一种基于视频的车型识别方法 | |
CN102509098A (zh) | 一种鱼眼图像车辆识别方法 | |
CN105528609A (zh) | 一种基于字符位置的车牌定位方法 | |
CN109190483B (zh) | 一种基于视觉的车道线检测方法 | |
CN106887004A (zh) | 一种基于块匹配的车道线检测方法 | |
CN103699900A (zh) | 卫星影像中建筑物水平矢量轮廓自动批量提取方法 | |
CN103902981A (zh) | 一种基于字符融合特征的车牌字符识别方法及*** | |
CN103996031A (zh) | 一种自适应阈值分割的车道线检测***及其方法 | |
CN111723697A (zh) | 一种基于Mask-RCNN改进的驾驶员背景分割方法 | |
CN106127177A (zh) | 一种无人驾驶压路机 | |
CN107622494A (zh) | 面向交通视频的夜间车辆检测与跟踪方法 | |
CN109191492A (zh) | 一种基于轮廓分析的智能视频黑烟车检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
C17 | Cessation of patent right | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20130731 Termination date: 20131226 |