CN103679119A - 自适应坡路检测方法和装置 - Google Patents
自适应坡路检测方法和装置 Download PDFInfo
- Publication number
- CN103679119A CN103679119A CN201210333641.XA CN201210333641A CN103679119A CN 103679119 A CN103679119 A CN 103679119A CN 201210333641 A CN201210333641 A CN 201210333641A CN 103679119 A CN103679119 A CN 103679119A
- Authority
- CN
- China
- Prior art keywords
- road
- difference plot
- point
- flex point
- disparity map
- 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
- Image Analysis (AREA)
- Image Processing (AREA)
- Traffic Control Systems (AREA)
Abstract
提供了坡路检测方法和装置,其中获取包括道路区域的视差侧视图,对该视差侧视图中的道路区域中的像素点进行拟合得到基准线,计算该道路区域中的像素点与该基准线的差别曲线,并检测该差别曲线是否存在拐点。
Description
技术领域
本发明涉及坡路检测方法和装置,具体地涉及基于视差图的坡路检测方法和装置。
背景技术
驾驶辅助***的应用日渐普及。而道路或车道检测警告***(Lane/Roaddetection warning,LDW/RDW)是驾驶辅助***的子***,可以避免碰撞,更准确地确定驾驶方向等。道路检测对于LDW/RDW***非常关键,只有在知道了道路信息的基础上才可能做进一步的处理,例如警告。
因为环境和地形的缘故,许多路面不是一个平面,而是经常出现上坡或下坡的斜坡路面,而且,许多城市道路、高速公路中也存在很多坡路。于是,准确地检测道路情况、辨别前方是否有坡路的精确路面检测在诸如越界警告,转弯警告等的辅助驾驶中是十分有用的。
现有技术中存在一些道路检测方法。例如,美国专利US8108119B2提供了一种防撞装置和方法,该方法采用立体视觉方法用于自适应车辆控制,道路检测功能使用三维点数据,从立体图像数据计算,定位当前车辆前的路面。一旦发现一组路面的图像特征,就可以用道路检测(Road Detection andAwareness,RDA)方法来检测定位行车线边缘以确定当前车的行驶区域。在该专利中,检测特征以定位路面并且使用车道线来得到行驶区域边界,但是不处理斜坡问题。
在文章Road segmentation supervised by an extended v-disparity algorithmfor autonomous navigation,Nicolas Soquet,Didier Aubert and Nicolas Hautiere,Intelligent Vehicles Symposium,2007IEEE中,提出了一种基于立体视觉的道路分割方法。该方法使用立体视觉来处理自由区域并使用颜色分割来检测道路,V-视差算法被用于可靠精确地定位各种道路的道路轮廓。然而,该方法用一条直线来得到路面,因此它不也能检测路面的斜坡区域。
在文章Real Time Obstacle Detection in Stereovision on Non Flat RoadGeometry Through“V-disparity”Representation,Labayrade,R.;Aubert,D.;Tarel,J.-P,IEEE Intelligent Vehicles Symposium 2002,pp646-651,Vol.2中提出的方法中,在V-视差图中得到具有K个最高霍夫变换值的线,在k条线中,累计最高灰度值的线会被选作路面的侧面投影,然后获得路面区域。该方法用k条直线拟合路面形状,但是不能定位坡路区域的精确位置。因为使用投票方法来选取直线,因此坡路区域可能会被错误标记。
发明内容
鉴于现有技术中的上述问题,提出了本发明。
本发明的一个目的是准确检测坡路。
本发明的另一目的是确定坡路的起始点和结束点,估计坡路的角度。
根据本发明的一个方面,提供了坡路检测方法,包括:获取包括道路区域的视差侧视图;对该视差侧视图中的道路区域中的像素点进行拟合得到基准线;计算该道路区域中的像素点与该基准线的差别曲线;以及检测该差别曲线是否存在拐点。
检测拐点的步骤可以包括:对该差别曲线进行非线性拟合,并根据拟合后的差别曲线的导数来确定该差别曲线是否存在拐点。
检测拐点的步骤可以包括:对该差别曲线进行分段线性拟合,并根据拟合后的分段直线确定该差别曲线是否存在拐点。
该坡路检测方法还以包括:如果检测到拐点,则基于拐点确定坡路的开始点和结束点。
该坡路检测方法还以包括:如果检测到拐点,则基于拐点对差别曲线进行分段线性拟合,计算得到的分段直线的斜率,由此确定坡路的坡度。
拟合基准线的步骤可以包括:对该视差侧视图中的道路区域中的像素点进行平滑以去除噪声;对平滑后的像素点进行直线拟合,得到路面的基准线。
计算差别曲线的步骤可以包括:基于实际距离自适应阈值方法,计算该道路区域中的像素点与该基准线的差别曲线;以及通过自适应平滑方法对该差别曲线进行平滑。
基于实际距离自适应阈值方法计算差别曲线的步骤可以包括:对该视差侧视图中的每个视差值设定真实高度阈值范围;以及在该道路区域中,针对高度值在该高度阈值范围以内的点计算该差别曲线。
对该差别曲线进行平滑的步骤可以包括:对于该差别曲线上的y坐标值小于预定阈值的点,将该点的y坐标值设置为0;对于该差别曲线上的y坐标值大于或等于预定阈值的点,保留该点的y坐标值或者用均值滤波的方法得到新的y坐标值。
根据本发明的另一方面,提供了坡路检测装置,包括:视差侧视图获取部件,获取包括道路区域的视差侧视图;基准线拟合部件,对该视差侧视图中的道路区域中的像素点进行拟合得到基准线;差别曲线计算部件,计算该道路区域中的像素点与该基准线的差别曲线;以及拐点检测部件,检测该差别曲线是否存在拐点。
根据本发明实施例的坡路检测方法和装置利用视差侧视图(V-视差图),计算道路区域中的像素点与该道路区域中的基准线之间的差别曲线,根据该差别曲线是否存在拐点来确定是该道路区域中是否存在坡路,由此,能够准确自适应地检测前方道路中是否存在坡路情况。
另外,在检测到拐点时,能够基于拐点而定位坡路的开始点和结束点;并且能够基于拐点对差别曲线进行分段线性拟合,根据分段直线的斜率,确定坡路的坡度。由此,帮助驾驶员掌握前方坡路的具体情况,为车辆控制提供有价值的信息。
附图说明
图1是有助于理解本发明的、作为本发明应用环境的示例的车载***示意图;
图2是根据本发明一个实施例的坡路检测方法的整体流程图;
图3示例地示出了在车上安装双目相机情况下的***操作示意图;
图4示意性示出了利用双目相机拍摄得到的左图和右图的示例;
图5示意性地示出了左右图像和计算获得的对应视差图;
图6示出了从视差图获得V-视差图的计算示意图;
图7示出了对于不平坦路面的V-视差图拟合得到的基准线的示意图;
图8示出了高度阈值曲线的一个例子;
图9示出了根据本发明通过拟合得到的差别曲线的例子;
图10示出根据本发明一个实施例的坡路检测装置的框图。
具体实施方式
为了使本领域技术人员更好地理解本发明,下面结合附图和具体实施方式对本发明作进一步详细说明。
将按如下顺序进行描述:
1、发明思想概述和基本概念介绍
2、坡路检测方法
2.1、坡路检测的整体过程
2.2、视差图和V-视差图的获得
2.3、拟合道路基准线
2.4、计算差别曲线
2.5、检测拐点
3、坡路检测装置
4、总结
<1、发明思想概述和基本概念介绍>
在具体描述之前,首先总体介绍一下本发明的思想,以便本领域人员更好地理解本发明:为了检测坡路,首先应该确定道路区域。V-视差图已被本领域技术人员应用来检测平坦路面。形象地说,可以将V-视差图理解为视差图的横向投影,即侧视图。一段平坦路面在V-视差图中呈现为一段斜线段。因此,本发明人想到,对于有斜坡的路面,在V-视差图中会呈现为凹陷的曲线。由此,可以通过在V-视差图中检测曲线来检测坡路。
下面介绍一下基本概念,以便于理解。
视差,在立体视觉里,一般定义为场景中的一个点在左右相机所成图像的水平坐标的差值。两个相机之间的距离称作基线。只要知道视差值和基线长度,就可以计算出目标和观测者之间的距离。
视差图(disparity map)是以任一幅图像为基准,其大小为该基准图像的大小,元素值为视差值的图像。视差图包含了场景的距离信息。视差图可以从双目相机拍摄的左图像和右图像中计算得到,或者通过立体视图中的深度图计算得到。
普通二维视差图中的某点坐标以(u,v)表示,其中u为横坐标,v为纵坐标;点(u,v)处的像素的像素值用d(u,v)表示,表示该点(u,v)处的视差。
为便于理解,形象地说,V-视差图可以视为视差图的侧视图,其可以从视差图中计算得到。V-视差图中任意一点(d,v)的灰度值是对应视差图的纵坐标为v的行中视差值等于d的点的个数。
<2、实施例>
<2.1坡路检测的整体过程>
图1是有助于理解本发明的、作为本发明应用环境的示例的车载***示意图。本发明的软件或者硬件实现可以作为其中的道路检测部件。
图2是根据本发明一个实施例的坡路检测方法200的整体流程图。
在步骤S210中,获得包括道路区域的V-视差图。如前面所述,可以通过双目相机、多目相机、立体相机拍摄并计算得到包括道路区域的视差图,由视差图变换得到V-视差图;或者从立体视图中获得深度图,根据深度图得到视差图,由视差图变换得到V-视差图。后面将参考图3、4、5、6详细描述视差图和V-视差图的获得。
在步骤S220,对该视差侧视图中的道路区域中的像素点进行拟合得到基准线。后面将对此详细描述。
因为通常在V-视差图的底部区域中的点最有可能是路面,因此一般取底部区域中的点来进行拟合得到路面的基准线,这表示道路区域的平坦部分。
在步骤S230,计算该道路区域中的像素点与该基准线的差别曲线。因为实际路面的点有可能不是平坦的,也就是不可能完全与该基准线重合,因此,计算实际路面的点与该基准线上的相应点之间的视差值之差,由此得到实际路面与该基准线之间的差别曲线。后面将对此详细描述。
在步骤S240,检测该差别曲线是否存在拐点。如上所述,坡路反映在视差图中将会是凹陷的曲线等形状,而基准线一般是一条直线,由此反映在差别曲线上,那么出现坡路的路段也会是凹陷的曲线。也就是说,通过检测该差别曲线是否存在弯曲、拐弯、凹陷等情况,就可以判断是否存在坡路。这可以通过检测该差别曲线是否存在拐点来实现。后面将对此详细描述。
<2.2、视差图和V-视差图的获得>
下面,参考图3-6描述根据本发明一个实施例的获得包括道路区域的视差图和V-视差图的方法。
在此,描述利用双目相机来获得视差图和V-视差图的情况。不过,本发明并不局限于此,如前文所述,可以通过多目相机、立体相机拍摄并计算得到包括道路区域的视差图,由视差图变换得到V-视差图;或者从立体视图中获得深度图,根据深度图得到视差图,由视差图变换得到V-视差。
图3示例地示出了在车上安装双目相机情况下的***操作示意图。
如图3所示,汽车上配备有双目相机,双目相机拍摄左右图像,左右图像存储在***的存储器中,芯片处理该左右图像,获得视差图和V-视差图,以及可以进行后续的坡路检测处理。
图4示意性示出了利用双目相机拍摄得到的左图像和右图像的示例,。
可以根据左右图像施用绝对差值之和立体匹配算法(Sum of AbsoluteDifferences,SAD)来计算视差图。可以在Videre Design,“stereo on a chip(STOC)”,http://www.videredesign.com/templates/stoc.htm中找到关于SAD算法的详细介绍。
图5示意性地示出了左右图像和计算获得的对应视差图。
获得视差图后,可以从视差图计算得到V-视差图。对于V-视差图中任意一点(d,v),它的灰度值是视差图行v中视差值等于d的点的个数。
图6示出了从视差图获得V-视差图的计算示意图。其中,左侧图为视差图,右侧图为计算得到的V-视差图。在V-视差图中,水平轴表示视差d,垂直轴表示高度v。
尽管以上描述了利用双目相机获得视差图和V-视差图,但是也可以从外部接收V-视差图,比如现有的车辆导航装置等已经获得的V-视差图。
<2.3、拟合道路基准线>
在获得包括道路区域的V-视差图之后,拟合道路的基准线。如上所述,由于V-视差图是视差图的侧视图,因此前方的平坦路面在V-视差图中通常是一条倾斜的直线,并且位于V-视差图的底部区域,比如图6中的斜线部分所示。也就是说,对于每一个视差值d(在V-视差图中x坐标代表视差值),V-视差图中的底部区域中的点最有可能是路面上的点,因此,选取视差图中的底部区域中的点作直线拟合。对这些点进行拟合得到一条基准线,这条基准线表示道路区域的平坦部分。
在一个实施例中,在V-视差图中的下部区域中,针对每个视差值(x坐标值),可以取具有该视差值的最下部的点,比如y坐标值最小的点来进行拟合。在此给出此方法作为例子,当然,本领域技术人员可以采用已知的拟合路面基准线的其他技术。另外,拟合的方法包括但不限于霍夫变换、线性回归等拟合直线的方法。
在实际应用中,由于路面上的车辆、行人或者路边的树丛等,可能导致路面的V-视差图中存在一些噪声点,那么,可选地,可以对V-视差图底部区域中的点进行平滑以去除噪声点,再进行拟合。
图7中示出了对于不平坦路面的V-视差图拟合得到的基准线700。
<2.4、计算差别曲线>
如上所述,因为实际路面有可能不是平坦的,可能存在坡度等,所以反映在V-视差图中也可能不是直线,也就是说与之前计算的路面的基准线存在一定的差别(如图7所示),因此,可以计算在V-视差图中的路面部分与该基准线的差别曲线。
具体地,在使用立体相机获取视差图时,对于三维世界中的任意点P(x,y,z),可以通过以下公式(1)计算该点得视差值d:
其中b是立体相机的基线(两个相机的距离),f是相机的焦距,Z是该点P距离相机的实际距离值,xl和xr是左右图对应像素的水平坐标。
由此可以看出,对于不同的Z值(真实距离),视差值d是不同的。在本申请中所采用的取左视图的V-视差图中,道路从右向左延伸,所以相对于要应用本申请的检测方法的车辆等装置而言,道路的左端(远端)和右端(近端)的相对距离不同,从而视差值(x坐标)也不相同。
也就是说,在V-视差图中,对于路面上的每一点,其具有对应的视差值d(i)。因此,在一个实施例中,对于每一个视差值d(i),可以用上述道路区域(底部区域)中的具有该视差值d(i)的点的高度值(即y坐标值,V-视差图中的y坐标同灰度图像中的y坐标)YBottom(i)减去基准线上的具有该视差值d(i)的点的参考值YRef(i)而获得差别曲线上的每一点y(i),如以下公式(2)所示:
y(i)=YBottom(i)-YRef(i) (2)
由此,根据差别曲线上的各个点y(i),计算得到道路区域中的像素点与该基准线的差别曲线Y。可以采用的计算方法包括但不限于样条拟合、分段线性拟合或者非线性拟合的方法,从而拟合出差别曲线Y。
其中,对于底部区域中每一点的高度值即YBottom(i),需要说明的是,这里所称的高度值是反映在V-视差图中的高度值,即y坐标值,而非该点在三维空间中的实际高度。因为我们知道,在V-视差图中遵循近大远小的原理,相同高度的物体在近处看起来更高,在远处看起来更矮。
在另一实施例中,可以基于实际距离自适应阈值方法来计算路面和基准线的差别曲线。具体地,在某些情况下,由于路面上的车辆、行人或者路边的物体等,在所获得的包括路面区域的V-视差图中,这些诸如车辆的噪声点也被包括在其中。在这种情况下,路面上的点和噪声点可能具有相同的视差值,因为我们知道对于同一距离Z,具有不同高度的物体在视差图中具有相同的视差值d。所以,为了更准确地计算差别曲线,可选地,可以对V-视差图中的每个视差值点设定真实的高度范围(在三维世界中的实际高度),也就是要采用的道路区域的高度阈值上限和下限。在一个例子中,比如,可以取在该基准线的高度值上下50cm的范围作为该高度范围。当然,本领域技术人员可以根据具体应用情况和其他要考虑的因素适当地设置其他阈值。
在设置了高度范围之后,在针对每个视差值计算差别曲线上的点时,在V-视差图内的底部区域中,对高度值在该阈值范围以外的点可以不予考虑,从而,可以有效地排除诸如车辆的噪声点。
在该实施例中,针对每个视差值预先设定对应的高度阈值,由此得到视差值的高度阈值曲线。图8示出了上下高度阈值曲线的例子。在图8的阈值曲线中,该上下阈值曲线801和802看起来从右向左更收敛于路面基准线800也是由于上述的近大远小原理。
在此基础上,对于每一个视差值,可以针对道路区域中高度值在该阈值范围以内的点进行上述公式(2)的计算方法,从而获得差别曲线Y。由于该方法是基于实际距离的,所以可以保证在高度阈值曲线和基准线之间的距离是大致相同的,从而可以自适应地计算差别曲线Y。
图9中示出了根据以上公式(2)通过拟合得到的差别曲线900。
对于如上所述计算得到的差别曲线Y,同样可能存在噪声点。因此,可选地,可以利用平滑滤波器对差别曲线进行平滑处理以去除噪声点。平滑处理的一个例子是自适应平滑方法,其中,对上述高度差值Y(i)设置阈值yth,对于差别曲线Y上小于该阈值yth的像素点,将该Y(i)值设为0,对于该差别曲线Y上等于或大于该阈值yth的像素点,用均值滤波的方法得到Y(i)值,如以下公式(3)所示:
同样,可以对通过公式(3)得到的差别曲线上的各点Y(i)’应用上述数学拟合方法从而得到平滑后的差别曲线Y’。
图9中还示出了对差别曲线900进行平滑而得到的差别曲线901。
<2.5、检测拐点>
如上所述,对于道路区域中存在坡路的情况,反映在上述差别曲线中会导致该差别曲线不是直线而是会出现弯曲、凹陷、拐弯的情况。因此,对于如上得到的差别曲线Y或者Y’,通过检测该差别曲线是否存在拐点,比如图9中的曲线902中的拐点903、904和905,可以确定道路区域中是否存在坡路。
关于检测差别曲线的拐点的方法,可以将拐点定义为使该差别曲线的一阶导数大于预定阈值的点,或者二阶导数为0的点。当然,检测拐点的方法不限于这些方法。由此,如果检测到该差别曲线存在拐点,则可以确定道路区域中存在坡路。如果没有检测到拐点,则确定该段道路是平坦的。
在另一实施例中,可以对差别曲线进行分段线性拟合,并根据拟合后的分段直线确定该差别曲线是否存在拐点。
更进一步,在检测到拐点后,可以基于检测到的拐点确定坡路的开始点和结束点。通常,在检测到n个拐点时,该段路面可以被该n个拐点划分为n+1个部分。由于本申请中V-视差图取左视图,所以道路的延伸方向是从右向左,那么,右端的第一个拐点将被视为是坡路的开始点。第2个拐点可以看作是该段坡路的结束点,同时,在第二拐点左端的部分相对于该拐点右端的部分可以看作是另一段坡路,由此该第二拐点也可以看作是该另一端坡路的开始点,如此继续,直到第n个拐点。在此,对于平坦路面,也可以将其看作是坡度等于0的坡路。
比如,在图9中,最右端的拐点905可以看作是坡路的开始点,接下来的拐点904可以看作是该段坡路的结束点。同时由于还存在下一个拐点903,那么拐点904还可以看作是下一段坡路的开始点,并且拐点902可以看作是该段坡路的结束点。当然,如果取右视图,那么V-视差图中最右端的拐点将被视为坡路的开始点。
更进一步,在检测到拐点后,可以基于检测到的拐点确定坡路的坡度。例如,可以根据检测到的拐点,将差别曲线划分为多个部分,对于每一部分采用线性拟合方法拟合出分段直线。如图9中,基于拐点904将拐点903和905之间的差别曲线划分为两部分,对于每一部分,用线性拟合方法得到拟合后的分段直线906和907。每段直线可以表示为y=kx+b的形式,这里k是直线的斜率,因此,坡路的坡度可以如以下公式(4)来计算为:
α=arctg(k) (4)
从而,根据本发明的实施例,可以基于检测到的拐点确定坡路的起始点和结束点以及各段坡路的坡度。在此之上,可以基于是否检测到坡路、或者坡路的开始点和结束点以及坡路的坡度来对车辆等装置进行控制。
<3、坡路检测装置>
图10示出了根据本发明实施例的坡路检测装置1000的框图。
如图10所示,坡路检测装置1000可以包括:视差侧视图获取部件1100、基准线拟合部件1200、差别曲线计算部件1300和拐点检测部件1400。
该视差侧视图获取部件1100获取包括道路区域的视差侧视图,该基准线拟合部件1200对该视差侧视图中的道路区域中的像素点进行拟合得到基准线,差别曲线计算部件1300计算该道路区域中的像素点与该基准线的差别曲线,拐点检测部件1400检测该差别曲线是否存在拐点。
在一个实施例中,该基准线拟合部件1200对该视差侧视图中的道路区域中的像素点进行平滑以去除噪声,并对平滑后的像素点进行直线拟合,得到路面的基准线。该差别曲线计算部件1300基于实际距离自适应阈值方法,计算该道路区域中的像素点与该基准线的差别曲线,并通过自适应平滑方法对该差别曲线进行平滑。
该拐点检测部件1400对该差别曲线进行非线性拟合,并根据拟合后的差别曲线的导数来确定该差别曲线是否存在拐点。
在另一实施例中,该拐点检测部件1400对该差别曲线进行分段线性拟合,并根据拟合后的分段直线确定该差别曲线是否存在拐点。
在其他实施例中,该坡路检测装置1000还可以包括控制装置1500,用于基于拐点检测部件1400的检测结果对车辆等装置进行控制。
<4、总结>
上文描述了坡路检测方法和装置,其中获取包括道路区域的视差侧视图,对该视差侧视图中的道路区域中的像素点进行拟合得到基准线,计算该道路区域中的像素点与该基准线的差别曲线,并检测该差别曲线是否存在拐点。
在本申请中,在视差侧视图中,通过检测道路区域与道路基准线之间的差别曲线中是否存在拐点来确定道路区域中是否存在坡路,可以比以往更准确地检测并定位坡路。进一步,基于检测到的拐点,可以确定坡路的起始点和结束点以及坡路的坡度。从而,可以基于检测结果对车辆等进行准确恰当的控制。
在前述实施例中,示意的是车向前行驶,双目相机拍摄车前景的情况。不过本发明同样适用于倒车情况下,双目相机拍摄车后景的情况,只不过这时检测的是车后方的路面。
以上结合具体实施例描述了本发明的基本原理,但是,需要指出的是,对本领域的普通技术人员而言,能够理解本发明的方法和装置的全部或者任何步骤或者部件,可以在任何计算装置(包括处理器、存储介质等)或者计算装置的网络中,以硬件、固件、软件或者它们的组合加以实现,这是本领域普通技术人员在阅读了本发明的说明的情况下运用他们的基本编程技能就能实现的。
因此,本发明的目的还可以通过在任何计算装置上运行一个程序或者一组程序来实现。所述计算装置可以是公知的通用装置。因此,本发明的目的也可以仅仅通过提供包含实现所述方法或者装置的程序代码的程序产品来实现。也就是说,这样的程序产品也构成本发明,并且存储有这样的程序产品的存储介质也构成本发明。显然,所述存储介质可以是任何公知的存储介质或者将来所开发出来的任何存储介质。
还需要指出的是,在本发明的装置和方法中,显然,各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本发明的等效方案。并且,执行上述系列处理的步骤可以自然地按照说明的顺序按时间顺序执行,但是并不需要一定按照时间顺序执行。某些步骤可以并行或彼此独立地执行,例如,前文中是在检测出所有V-视差图中作为道路平面的斜线段之后,才检测斜线段对应的分道线感兴趣区域的分道线,不过当然可以在检测出一个斜线段之后,立即获得该斜线段对应的分道线感兴趣区域,然后在该分道线感兴趣区域中检测分道线,之后才检测下一个毗邻斜线段,或者并行进行下一毗邻斜线段的检测和当前斜线段对应分道线感兴趣区域的获得和分道线的检测。
上述具体实施方式,并不构成对本发明保护范围的限制。本领域技术人员应该明白的是,取决于设计要求和其他因素,可以发生各种各样的修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。
Claims (10)
1.一种坡路检测方法,包括:
获取包括道路区域的视差侧视图;
对该视差侧视图中的道路区域中的像素点进行拟合得到基准线;
计算该道路区域中的像素点与该基准线的差别曲线;以及
检测该差别曲线是否存在拐点。
2.根据权利要求1的方法,其中检测拐点的步骤包括:对该差别曲线进行非线性拟合,并根据拟合后的差别曲线的导数来确定该差别曲线是否存在拐点。
3.根据权利要求1的方法,其中检测拐点的步骤包括:对该差别曲线进行分段线性拟合,并根据拟合后的分段直线确定该差别曲线是否存在拐点。
4.根据权利要求1的方法,还包括:
如果检测到拐点,则基于拐点确定坡路的开始点和结束点。
5.根据权利要求1的方法,还包括:
如果检测到拐点,则基于拐点对差别曲线进行分段线性拟合,计算得到的分段直线的斜率,由此确定坡路的坡度。
6.根据权利要求1的方法,其中拟合基准线的步骤包括:
对该视差侧视图中的道路区域中的像素点进行平滑以去除噪声;
对平滑后的像素点进行直线拟合,得到路面的基准线。
7.根据权利要求6的方法,其中计算差别曲线的步骤包括:
基于实际距离自适应阈值方法,计算该道路区域中的像素点与该基准线的差别曲线;以及
通过自适应平滑方法对该差别曲线进行平滑。
8.根据权利要求7的方法,其中,基于实际距离自适应阈值方法计算差别曲线的步骤包括:
对该视差侧视图中的每个视差值设定真实高度阈值范围;以及
在该道路区域中,针对高度值在该高度阈值范围以内的点计算该差别曲线。
9.根据权利要求7或8的方法,其中对该差别曲线进行平滑的步骤包括:
对于该差别曲线上的y坐标值小于预定阈值的点,将该点的y坐标值设置为0;对于该差别曲线上的y坐标值大于或等于预定阈值的点,保留该点的y坐标值或者用均值滤波的方法得到新的y坐标值。
10.一种坡路检测装置,包括:
视差侧视图获取部件,获取包括道路区域的视差侧视图;
基准线拟合部件,对该视差侧视图中的道路区域中的像素点进行拟合得到基准线;
差别曲线计算部件,计算该道路区域中的像素点与该基准线的差别曲线;以及
拐点检测部件,检测该差别曲线是否存在拐点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210333641.XA CN103679119B (zh) | 2012-09-10 | 2012-09-10 | 自适应坡路检测方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210333641.XA CN103679119B (zh) | 2012-09-10 | 2012-09-10 | 自适应坡路检测方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103679119A true CN103679119A (zh) | 2014-03-26 |
CN103679119B CN103679119B (zh) | 2017-03-01 |
Family
ID=50316613
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210333641.XA Active CN103679119B (zh) | 2012-09-10 | 2012-09-10 | 自适应坡路检测方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103679119B (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105354844A (zh) * | 2015-10-30 | 2016-02-24 | 清华大学 | 基于形状拟合的边缘拐点检测方法及检测装置 |
CN105868688A (zh) * | 2015-02-09 | 2016-08-17 | 丰田自动车株式会社 | 行驶路面检测装置和行驶路面检测方法 |
CN105957182A (zh) * | 2016-04-21 | 2016-09-21 | 深圳市元征科技股份有限公司 | 一种修正指示车辆行驶的直线方向的方法及装置 |
CN106340014A (zh) * | 2016-08-29 | 2017-01-18 | 上海理工大学 | 二值化曲线处理方法 |
CN106558058A (zh) * | 2016-11-29 | 2017-04-05 | 北京图森未来科技有限公司 | 分割模型训练方法、道路分割方法、车辆控制方法及装置 |
CN108197531A (zh) * | 2017-12-15 | 2018-06-22 | 海信集团有限公司 | 一种道路曲线检测方法、装置和终端 |
CN108717796A (zh) * | 2018-03-21 | 2018-10-30 | 厦门雅迅网络股份有限公司 | 一种车辆的地理坡道自学习方法和*** |
CN109325386A (zh) * | 2017-07-31 | 2019-02-12 | 株式会社理光 | 车道线检测方法、设备和计算机可读存储介质 |
CN109461135A (zh) * | 2018-09-18 | 2019-03-12 | 易思维(杭州)科技有限公司 | 涂胶图片的处理方法 |
CN110044333A (zh) * | 2019-05-14 | 2019-07-23 | 芜湖汽车前瞻技术研究院有限公司 | 一种基于单目视觉的坡度检测方法和装置 |
CN111390248A (zh) * | 2020-03-18 | 2020-07-10 | 广州兴森快捷电路科技有限公司 | 电路板凸角的处理方法、装置、计算机设备和存储介质 |
CN112950740A (zh) * | 2019-12-10 | 2021-06-11 | 中交宇科(北京)空间信息技术有限公司 | 高精地图道路中心线的生成方法、装置、设备及存储介质 |
CN118052820A (zh) * | 2024-04-16 | 2024-05-17 | 沈阳迈思医疗科技有限公司 | 水位检测方法、装置、设备、存储介质及*** |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101549683A (zh) * | 2009-04-23 | 2009-10-07 | 上海交通大学 | 自动识别道路深坑与障碍物的车辆智能方法 |
-
2012
- 2012-09-10 CN CN201210333641.XA patent/CN103679119B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101549683A (zh) * | 2009-04-23 | 2009-10-07 | 上海交通大学 | 自动识别道路深坑与障碍物的车辆智能方法 |
Non-Patent Citations (2)
Title |
---|
JUN ZHAO等: "Detection of Non-flat Ground Surfaces Using V-Disparity Images", 《INTELLIGENT ROBOTS AND SYSTEMS, 2009. IROS 2009. IEEE/RSJ INTERNATIONAL CONFERENCE ON》 * |
SUGANUMA,N.等: "Obstacle Map Generation Using Virtual Disparity Image for Non-Flat Road", 《SICE ANNUAL CONFERENCE》 * |
Cited By (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105868688B (zh) * | 2015-02-09 | 2019-05-31 | 丰田自动车株式会社 | 行驶路面检测装置和行驶路面检测方法 |
CN105868688A (zh) * | 2015-02-09 | 2016-08-17 | 丰田自动车株式会社 | 行驶路面检测装置和行驶路面检测方法 |
CN105354844A (zh) * | 2015-10-30 | 2016-02-24 | 清华大学 | 基于形状拟合的边缘拐点检测方法及检测装置 |
CN105354844B (zh) * | 2015-10-30 | 2018-08-28 | 清华大学 | 基于形状拟合的边缘拐点检测方法及检测装置 |
CN105957182A (zh) * | 2016-04-21 | 2016-09-21 | 深圳市元征科技股份有限公司 | 一种修正指示车辆行驶的直线方向的方法及装置 |
CN106340014A (zh) * | 2016-08-29 | 2017-01-18 | 上海理工大学 | 二值化曲线处理方法 |
CN106558058A (zh) * | 2016-11-29 | 2017-04-05 | 北京图森未来科技有限公司 | 分割模型训练方法、道路分割方法、车辆控制方法及装置 |
CN109325386B (zh) * | 2017-07-31 | 2022-04-12 | 株式会社理光 | 车道线检测方法、设备和计算机可读存储介质 |
CN109325386A (zh) * | 2017-07-31 | 2019-02-12 | 株式会社理光 | 车道线检测方法、设备和计算机可读存储介质 |
CN108197531A (zh) * | 2017-12-15 | 2018-06-22 | 海信集团有限公司 | 一种道路曲线检测方法、装置和终端 |
CN108197531B (zh) * | 2017-12-15 | 2021-02-05 | 海信集团有限公司 | 一种道路曲线检测方法、装置和终端 |
CN108717796A (zh) * | 2018-03-21 | 2018-10-30 | 厦门雅迅网络股份有限公司 | 一种车辆的地理坡道自学习方法和*** |
CN109461135A (zh) * | 2018-09-18 | 2019-03-12 | 易思维(杭州)科技有限公司 | 涂胶图片的处理方法 |
CN109461135B (zh) * | 2018-09-18 | 2021-08-17 | 易思维(杭州)科技有限公司 | 涂胶图片的处理方法 |
CN110044333A (zh) * | 2019-05-14 | 2019-07-23 | 芜湖汽车前瞻技术研究院有限公司 | 一种基于单目视觉的坡度检测方法和装置 |
CN112950740A (zh) * | 2019-12-10 | 2021-06-11 | 中交宇科(北京)空间信息技术有限公司 | 高精地图道路中心线的生成方法、装置、设备及存储介质 |
CN111390248A (zh) * | 2020-03-18 | 2020-07-10 | 广州兴森快捷电路科技有限公司 | 电路板凸角的处理方法、装置、计算机设备和存储介质 |
CN111390248B (zh) * | 2020-03-18 | 2021-12-10 | 广州兴森快捷电路科技有限公司 | 电路板凸角的处理方法、装置、计算机设备和存储介质 |
CN118052820A (zh) * | 2024-04-16 | 2024-05-17 | 沈阳迈思医疗科技有限公司 | 水位检测方法、装置、设备、存储介质及*** |
CN118052820B (zh) * | 2024-04-16 | 2024-07-02 | 沈阳迈思医疗科技有限公司 | 水位检测方法、装置、设备、存储介质及*** |
Also Published As
Publication number | Publication date |
---|---|
CN103679119B (zh) | 2017-03-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103679119A (zh) | 自适应坡路检测方法和装置 | |
US10025317B2 (en) | Methods and systems for camera-based autonomous parking | |
US9360332B2 (en) | Method for determining a course of a traffic lane for a vehicle | |
CN107798699B (zh) | 用立体图像进行深度图估计 | |
KR102625882B1 (ko) | 주변 차량 인지 시스템 및 방법 | |
EP3223260B1 (en) | Drive control system | |
CN109254289B (zh) | 道路护栏的检测方法和检测设备 | |
US10977504B2 (en) | Vehicle-mounted image target objection recognition device | |
US9569673B2 (en) | Method and device for detecting a position of a vehicle on a lane | |
US9076047B2 (en) | System and method for recognizing parking space line markings for vehicle | |
EP3054400B1 (en) | Traveling road surface detection device and traveling road surface detection method | |
US20140320644A1 (en) | Determination of a height profile of the surroundings of a vehicle by means of a 3d camera | |
CN110687539A (zh) | 一种车位检测方法、装置、介质和设备 | |
US8233663B2 (en) | Method for object formation | |
CN104977012A (zh) | 用于确定车辆的位置的方法和*** | |
CN111301419A (zh) | 用于sae 4级自动化车道变更的基于强化学习的方法 | |
JP4956453B2 (ja) | 物体検出装置 | |
DE112018004507T5 (de) | Informationsverarbeitungseinrichtung, bewegungseinrichtung und verfahren und programm | |
CN103164851A (zh) | 道路分割物检测方法和装置 | |
CN105313774A (zh) | 车辆驾驶辅助装置及其运转方法 | |
Lategahn et al. | Occupancy grid computation from dense stereo and sparse structure and motion points for automotive applications | |
CN105684039B (zh) | 用于驾驶员辅助***的状况分析 | |
CN110341621B (zh) | 一种障碍物检测方法及装置 | |
GB2558752A (en) | Vehicle vision | |
JP2020087191A (ja) | 車線境界設定装置、車線境界設定方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |