CN104008387B - 一种基于特征点分段线性拟合的车道线检测方法 - Google Patents
一种基于特征点分段线性拟合的车道线检测方法 Download PDFInfo
- Publication number
- CN104008387B CN104008387B CN201410211956.6A CN201410211956A CN104008387B CN 104008387 B CN104008387 B CN 104008387B CN 201410211956 A CN201410211956 A CN 201410211956A CN 104008387 B CN104008387 B CN 104008387B
- Authority
- CN
- China
- Prior art keywords
- feature point
- lane line
- image
- fitting
- nend
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 23
- 238000000034 method Methods 0.000 claims abstract description 72
- 239000013598 vector Substances 0.000 claims abstract description 51
- 238000001914 filtration Methods 0.000 claims abstract description 19
- 238000000605 extraction Methods 0.000 claims abstract description 5
- 230000011218 segmentation Effects 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 5
- 238000012545 processing Methods 0.000 description 5
- 230000000007 visual effect Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种基于特征点分段线性拟合的车道线检测方法,主要包括以下步骤:进行图像读取;对读取的图像进行感兴趣区域读取;对提取的感兴趣区域图像进行边缘提取;对感兴趣道路边缘图像二值化;对二值化后的边缘图像提取特征点,得到候选特征点向量集合;对候选特征点向量集合进行滤波,得到滤波后的特征点向量;对滤波后的特征点向量采用最小二乘法进行分段线性拟合,得到候选车道线方程;识别车道线方程;根据视频帧的特点,对已识别出的车道线进行跟踪,输出最终的车道线。该方法能有效检测出道路的车道线,具有良好的抗干扰能力和容错性,同时该方法运算量小,实现简单,实用性较强。
Description
技术领域
本发明涉及智能交通领域,尤其涉及一种基于特征点分段线性拟合的车道线检测方法。
背景技术
作为移动机器人的一种,智能车辆可广泛应用于工业、农业、军事和公路公共交通等领域,具有重要的研究和应用价值。目前,虽然国内外在智能车辆研究方面取得了实质性进展,但从实用性角度来看,目前的智能车辆距离实现完全意义的自主驾驶还有一定差距。为实现自主导航,现有智能车普遍将视觉导航作为其主要的导航方式。在智能车辆处理的众多视觉信息中,车道线信息作为关键的道路信息,其检测技术也是实现智能车视觉导航的核心技术之一。
目前,针对车道线检测问题提出的众多算法可基本上分为基于特征和基于模型的方法。其中,基于特征的方法主要是利用车道线具有的颜色特征、几何特征、尺寸特征和形状特征等对车道线进行提取。这类方法对道路形状不敏感,算法鲁棒性高,但该类方法对阴影和水迹较为敏感,算法计算量较大,实时性较差。
基于模型的方法首先将道路图像转化为灰度图像,通过对图像进行预处理,提取出图像边缘,然后通过对车道线建模,将道路检测问题转换为道路模型求解问题,最终检测出车道线。这类方法检测出的道路较完整,且一般只用较少的参数即可表示整个道路。该类方法对阴影、水迹等具有较强的抗干扰能力,方法研究较多且应用较广泛。
在上述两类方法中,常采用Hough变换提取直线特征作为车道线识别的依据。而实现Hough变换的算法复杂度较高且内存需求较大,不利于提高算法实时性。
发明内容
本发明的目的就是为了解决上述问题,提供了一种基于特征点分段线性拟合的车道线检测方法,首先对输入的道路图像进行预处理;然后提取出道路图像中与车道线相关的特征点并根据提取出的特征点采用最小二乘法对车道线进行分段线性拟合,以检测出车道线;最后根据检测出的车道线对下一帧道路图像进行车道线跟踪。该方法能有效检测出结构化道路的车道线,具有良好的抗干扰能力和容错性。同时该方法运算量小,实现简单,实用性较强。
为了实现上述目的,本发明采用如下技术方案:
一种基于特征点分段线性拟合的车道线检测方法,主要包括以下步骤:进行图像读取;对读取的图像进行感兴趣区域读取;对提取的感兴趣区域图像进行边缘提取;对提取的边缘图像进行二值化处理;对二值化后的边缘图像提取特征点,得到候选特征点向量集合;对得到的候选特征点向量集合进行滤波,得到滤波后的特征点向量集合。
对滤波后的特征点向量进行分段拟合,得到车道线方程;判断是否识别出车道线方程;对下一帧视频图像中的车道线进行跟踪,输出最终的车道线检测结果。
具体步骤如下:
步骤(1):开始,读取图像。
步骤(2):将图像中的感兴趣区域提取出来,并将感兴趣区域图像保存到相应位置。主要通过对图像进行剪裁,提取出结构化道路图像中的有效道路区域,即车辆可行驶区域的图像,删除非道路区域以便后续处理。
步骤(3):对提取到的感兴趣区域用Sobel算子提取边缘图像。
步骤(4):对提取到的边缘图像采用阈值法进行二值化,得到二值化的感兴趣区域道路边缘图像。
步骤(5):对二值化的感兴趣区域道路边缘图像进行特征点提取,得到两个候选特征点向量集合。
步骤(6):对两个候选特征点向量集合进行滤波去除噪声后,得到滤波后的两个特征点向量集合。
步骤(7):对两个特征点向量集合采用最小二乘法进行分段拟合。
步骤(8):判断两个特征点向量集合拟合是否完成,如果完成则进入步骤(9);如果未完成则返回步骤(7)。
步骤(9):对得到的多条拟合直线判断以识别出车道线方程。
步骤(10):判断是否识别出车道线方程,如果是则转步骤11,如果否则返回步骤(9)。
步骤(11):根据识别出的车道线方程,对下一帧视频图像中的车道线进行跟踪。
步骤(12):输出最终的车道线检测结果。
所述步骤(5)的特征点提取方法为:根据车道线具有两条平行且相距较近边缘的特点,通过提取距离图像中心线较近的边缘点实现特征点的提取。
所述步骤(6)的对两个候选特征点向量集合进行滤波的方法为通过设置阈值并计算由步骤(5)得到的水平方向特征点间的距离实现特征点的滤波。
所述步骤(7)中对特征点向量集合采用最小二乘法进行分段拟合的方法为:通过采用分段拟合的方法对提取出的特征点进行直线拟合。对给定的特征点,通过设置拟合误差,采用最小二乘法自动实现特征点的直线拟合。
所述步骤(7)的具体方法为:
7-1)设置最大拟合误差predErr、数据步长step;初始化分段初始数据序号Ninit=1和分段结束数据序号Nend=1。
7-2)令分段结束数据序号Nend=Ninit+step,采用最小二乘法对序号在Ninit和Nend间的特征点集PlNinit,Nend={plNinit,plNinit+1,…,plNend}进行函数拟合。
7-3)当一个特征点分段确定后,更新分段初始数据序号Ninit=Nend+1;当满足拟合误差的特征点集的结束数据序号Nend=k时,特征点数据分段拟合过程结束,否则转到步骤7-2)继续进行分段拟合。
所述7-2)的具体方法为:
假设拟合直线方程表示为y=ax+b,特征点集PlNinit,Nend内的数据可表示为:
Y=Hα (1)
其中,a和b为直线拟合系数,Y=[yNinit,yNinit+1,…yNend]T,α=[a,b]T,H=[hNinit,hNinit+1,…,hNend]T,hi=[xi,1]T,Ninit≤i≤Nend,xi表示特征点pli的横坐标。
采用最小二乘法可得式(1)中α的估计值和模型输出值Y的估计值分别为:
设拟合特征点集PlNinit,Nend的最大拟合误差为yi表示特征点pli的纵坐标值,表示yi的估计值。
若yemax≤predErr,则更新分段结束数据序号Nend=Nend+step;否则,Nend=Nend-1,继续对数据段内的特征点集进行数据拟合直到满足拟合误差为止。
当特征点集拟合误差满足要求后,记录特征点序号Ninit和Nend间的特征点作为一个特征点分段。
所述步骤(9)中对得到的多条拟合直线判断以识别出车道线方程的方法为:对拟合出的多条直线,通过判断各直线与图像中心线间的距离提取具有最小距离的直线作为车道线方程。
所述步骤(11)中对车道线进行跟踪的方法为:根据前一帧已检测到的车道线,通过设置固定的搜索区域实现当前视频帧的车道线检测。若在搜索区域内无法实现车道线检测,则作为异常情况进行相应处理。
所述感兴趣区域指结构化道路图像中的有效道路区域,即道路图像中车辆可行驶和可视道路区域的图像。
本发明的有益效果:本发明根据结构化车道线的特点,通过提取车道线特征点,采用最小二乘法对特征点进行拟合,从而实现了结构化道路车道线的检测。该方法能有效检测出结构化道路的车道线,具有良好的抗干扰能力和容错性,该方法运算量小,实现简单,具有一定的通用性和实用性。该发明的成果可直接应用于智能车辆,移动机器人等领域,具有广阔的应用前景。
附图说明
图1为本发明一种基于特征点分段线性拟合的车道线检测方法方案流程图。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
实现本发明的***结构所需的基本的硬件条件为:一台主频为2.4GHZ,内存为1G的计算机,所需软件条件为:编程环境为Visual C++6.0。
一种基于特征点分段线性拟合的车道线检测方法,具体步骤如下:
步骤(1):开始,读取图像。
步骤(2):将图像中的感兴趣区域提取出来,并将感兴趣区域图像保存到相应位置。主要通过对图像进行剪裁,提取出结构化道路图像中的有效道路区域,即车辆可行驶区域的图像,删除非道路区域图以便后续处理。
步骤(3):对提取到的感兴趣区域用Sobel算子提取边缘图像。
步骤(4):对提取到的边缘图像采用阈值法进行二值化,得到二值化的感兴趣区域道路边缘图像。
步骤(5):对二值化的感兴趣区域道路边缘图像进行特征点提取,得到两个候选特征点向量集合。
步骤(6):对两个候选特征点向量集合进行滤波去除噪声后,得到滤波后的两个特征点向量集合。
步骤(7):对特征点向量集合采用最小二乘法进行分段拟合。
步骤(8):判断两个特征点向量集合拟合是否完成,如果完成则进入步骤(9);如果未完成则返回步骤(7)。
步骤(9):对得到的多条拟合直线判断以识别出车道线方程。
步骤(10):判断是否识别出车道线方程,如果是则转步骤11,如果否则返回步骤(9)。
步骤(11):根据识别出的车道线方程,对下一帧视频图像中的车道线进行跟踪。
步骤(12):输出最终的车道线检测结果。
所述步骤(5)的特征点提取方法为:根据车道线具有两条平行且相距较近边缘的特点,通过提取距离图像中心线较近的边缘点实现特征点的提取。
步骤(5-1)以ImB的中线l/2为分界线,将ImB分成左右两个图像ImBL和ImBR,并设置ImB坐标轴。
步骤(5-2)按从上到下的顺序分别统计ImBL和ImBR中离l/2中线最近边缘点和次近边缘点的距离值以及最近边缘点的坐标。假设ImBL第i行距离中线最近的边缘点坐标为pli=(xi,yi),距离值为dis1,i=l/2-xi,次近边缘点距离中线的距离值为dis2i,则可生成候选特征点向量PLi=[dis2,i,dis1,i,xi,yi]。分别统计ImBL和ImBR每一行的特征点向量,生成特征点集合PL={PL1,PL2,…,PLh}和PR={PR1,PR2,…,PRh}。特别地,当ImBL或ImBR某行中无距离中线最近或次近的边缘点,则该行对应的特征点向量为空。
所述步骤(6)的对两个候选特征点向量集合进行滤波的方法为通过设置阈值并计算由步骤(5)得到的水平方向特征点间的距离实现特征点的滤波。
步骤(6-1)设置特征点向量中最近边缘点距离dis1与次近边缘点距离dis2差值的最大值dismax,当PL中的第i个特征点向量PLi=[dis2,i,dis1,i,xi,yi]满足dis2,i>0且dis2,i-dis1,i≤dismax时,则保留PLi,否则去除该特征点向量PLi。
步骤(6-2)假设经上一步滤波后得到的PL和PR分别包含m和n个特征点向量,即PLf1={PL1,PL2,…,PLm}、PRf1={PR1,PR2,…,PRn},其中PLi和PRj中所对应的下标i和j分别表示特征点向量序号,1≤i≤m,1≤j≤n。对于PLf1,依次取其中的特征点向量PLi,当i=1时,PLf1′={PL1};当i>1时,若|dis1,i-dis1,i-1|≤disnmax,则将PLi保存到PLf1′;若|dis1,i-dis1,i-1|>disnmax,则统计PLf1′中特征点的个数num,若num<nmin,则从PLf1中去除PLf1′所包含的特征点,清空PLf1′。其中,disnmax为设置的相邻特征点最近距离值之差的最大值,即nmin为设置的最少相邻特征点的个数。
经上述滤波过程,可分别获得PL和PR所对应滤波后的特征点集PLf和PRf。
所述步骤(7)中对特征点向量集合采用最小二乘法进行分段拟合的方法为:通过采用分段拟合的方法对提取出的特征点进行直线拟合。对给定的特征点,通过设置拟合误差,采用最小二乘法自动实现特征点的直线拟合。
步骤(7-1)初始化。设置最大拟合误差predErr、数据步长step;初始化分段初始数据序号Ninit=1和分段结束数据序号Nend=1。为了提高拟合效率,一般step取step≥2。
步骤(7-2)分段拟合。令分段结束数据序号Nend=Ninit+step,采用最小二乘法对序号在Ninit和Nend间的特征点集PlNinit,Nend={plNinit,plNinit+1,…,plNend}进行函数拟合。假设拟合直线方程表示为y=ax+b,其中,a和b为直线待定系数。特征点集PlNinit,Nend内的数据可表示为:
Y=Hα (1)
其中,Y=[yNinit,yNinit+1,…yNend]T,α=[a,b]T,H=[hNinit,hNinit+1,…,hNend]T,hi=[xi,1]T,Ninit≤i≤Nend,采用最小二乘法可得式(1)中α的估计值和Y的估计值分别为:
设拟合特征点集PlNinit,Nend的最大拟合误差为
若yemax≤predErr,则更新分段结束数据序号Nend=Nend+step;否则,Nend=Nend-1,继续对数据段内的特征点集进行数据拟合直到满足拟合误差为止。当特征点集拟合误差满足要求后,记录特征点序号Ninit和Nend间的特征点作为一个数据分段。
步骤(7-3)拟合结束。当一个特征点分段确定后,更新分段初始数据序号Ninit=Nend+1。当满足拟合误差的特征点集的结束数据序号Nend=k时,特征点数据分段拟合过程结束,否则转到步骤(7-2)继续进行分段拟合。
所述步骤(9)中对得到的多条拟合直线判断以识别出车道线方程的方法为:对拟合出的多条直线,通过判断各直线与图像中心线间的距离提取具有最小距离的直线作为车道线方程。
步骤(9-1)求直线特征向量。假设特征点集Pl拟合得到N≥2条直线方程,其中直线Li对应的特征点集合为Pli,1≤i≤N,假设Pli内包含ni个特征点,求出该ni个特征点与道路图像l/2中线距离值的平均值为di。为表示直线Li的特性,本文定义直线Li的特征向量为FLi=[di,ni,ai,bi]。
步骤(9-2)直线方程提取。求出特征点集Pl拟合的所有N条直线的特征向量,假设第j条直线Lj的距离平均值dj满足且nj≥Lnmin,则选择直线Lj为车道线;否则,删除Lj,继续判断其它直线是否满足要求。其中,Lnmin为设定的车道线最少特征点个数。
所述步骤(11)中对车道线进行跟踪的方法为:根据前一帧已检测到的车道线,通过设置固定的搜索区域实现当前视频帧的车道线检测。若在搜索区域内无法实现车道线检测,则作为异常情况进行相应处理。
步骤(11-1)根据前一图像帧中车道线的位置,设置当前图像帧车道线的搜索区域;
步骤(11-2)对车道线跟踪区域进行预处理,即求边缘并进行二值化,然后提取出跟踪区域内的候选车道线特征点并进行相应的特征点滤波。
步骤(11-3)对提取出的特征点采用最小二乘法进行数据拟合求出候选的车道线直线方程。若得到多条候选车道线方程,假设上一帧相应位置所对应车道线方程的斜率为a,则分别比较a与每条候选直线方程的斜率,取斜率与a最接近的直线方程作为当前数据帧车道线的直线方程。
步骤(11-4)若根据车道线跟踪区域的信息无法提取车道线方程,则将帧图像分成左右两个图像ImBL和ImBR,采用步骤(11-2)和(11-3)的方法分别提取该两个图像内的车道线方程。
上述虽然结合附图对本发明的具体实施方式进行了描述,但并非对本发明保护范围的限制,所属领域技术人员应该明白,在本发明的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (9)
1.一种基于特征点分段线性拟合的车道线检测方法,其特征是,具体步骤如下:
步骤(1):开始,读取图像;
步骤(2):将图像中的感兴趣区域提取出来,并将感兴趣区域图像保存到相应位置;
步骤(3):对提取到的感兴趣区域用Sobel算子提取边缘图像;
步骤(4):对提取到的边缘图像采用阈值法进行二值化,得到二值化的感兴趣区域道路边缘图像;
步骤(5):对二值化的感兴趣区域道路边缘图像进行特征点提取,得到两个候选特征点向量集合;
所述步骤(5)的特征点提取方法为:根据车道线具有两条平行且相距较近边缘的特点,通过提取距离图像中心线较近的边缘点实现特征点的提取;
步骤(5-1)以二值化的感兴趣区域道路边缘图像ImB的中线l/2为分界线,将ImB分成左右两个图像ImBL和ImBR,并设置ImB坐标轴;
步骤(5-2)按从上到下的顺序分别统计ImBL和ImBR中离l/2中线最近边缘点和次近边缘点的距离值以及最近边缘点的坐标;
假设ImBL第i行距离中线最近的边缘点坐标为pli=(xi,yi),距离值为dis1,i=l/2-xi,次近边缘点距离中线的距离值为dis2i,则可生成候选特征点向量PLi=[dis2,i,dis1,i,xi,yi];
分别统计ImBL和ImBR每一行的特征点向量,生成特征点集合PL={PL1,PL2,…,PLh}和PR={PR1,PR2,…,PRh};
当ImBL或ImBR某行中无距离中线最近或次近的边缘点,则该行对应的特征点向量为空;
步骤(6):对两个候选特征点向量集合进行滤波去除噪声后,得到滤波后的两个特征点向量集合;
所述步骤(6)的对两个候选特征点向量集合进行滤波的方法为通过设置阈值并计算由步骤(5)得到的水平方向特征点间的距离实现特征点的滤波;
步骤(6-1)设置特征点向量中最近边缘点距离dis1与次近边缘点距离dis2差值的最 大值dismax,当PL中的第i个特征点向量PLi=[dis2,i,dis1,i,xi,yi]满足dis2,i>0且dis2,i-dis1,i≤dismax时,则保留PLi,否则去除该特征点向量PLi;
步骤(6-2)假设经上一步滤波后得到的PL和PR分别包含m和n个特征点向量,即PLf1={PL1,PL2,…,PLm}、PRf1={PR1,PR2,…,PRn},其中PLi和PRj中所对应的下标i和j分别表示特征点向量序号,1≤i≤m,1≤j≤n;
对于PLf1,依次取其中的特征点向量PLi,当i=1时,PLf1′={PL1};当i>1时,若|dis1,i-dis1,i-1|≤disnmax,则将PLi保存到PLf1′;若|dis1,i-dis1,i-1|>disnmax,则统计PLf1′中特征点的个数num,若num<nmin,则从PLf1中去除PLf1′所包含的特征点,清空PLf1′;
其中,为设置的相邻特征点最近距离值之差的最大值,即nmin为设置的最少相邻特征点的个数;
经上述滤波过程,可分别获得PL和PR所对应滤波后的特征点集PLf和PRf;
步骤(7):对特征点向量集合采用最小二乘法进行分段拟合;
步骤(8):判断两个特征点向量集合拟合是否完成,如果完成则进入步骤(9);如果未完成则返回步骤(7);
步骤(9):对得到的多条拟合直线判断以识别出车道线方程;
步骤(10):判断是否识别出车道线方程,如果是则转步骤11,如果否则返回步骤(9);
步骤(11):根据识别出的车道线方程,对下一帧视频图像中的车道线进行跟踪;
步骤(12):输出最终的车道线检测结果。
2.如权利要求1所述的一种基于特征点分段线性拟合的车道线检测方法,其特征是,所述步骤(5)的特征点提取方法为:根据车道线具有两条平行且相距较近边缘的特点,通过提取距离图像中心线较近的边缘点实现特征点的提取。
3.如权利要求1所述的一种基于特征点分段线性拟合的车道线检测方法,其特征是,所述步骤(6)的对特征点滤波的方法为:对两个候选特征点向量集合进行滤波的方法为通过设置阈值并计算由步骤(5)得到的水平方向特征点间的距离实现特征点的滤波。
4.如权利要求1所述的一种基于特征点分段线性拟合的车道线检测方法,其特征是,所述步骤(7)中对特征点向量集合采用最小二乘法进行分段拟合的方法为:通过采用分段拟合的方法对提取出的特征点进行直线拟合,对给定的特征点,通过设置拟合误差,采用最小二乘法自动实现特征点的直线拟合。
5.如权利要求1所述的一种基于特征点分段线性拟合的车道线检测方法,其特征是,所述步骤(7)的具体方法为:
7-1)设置最大拟合误差predErr、数据步长step;初始化分段初始数据序号Ninit=1和分段结束数据序号Nend=1;
7-2)令分段结束数据序号Nend=Ninit+step,采用最小二乘法对序号在Ninit和Nend间的特征点集PlNinit,Nend={plNinit,plNinit+1,…,plNend}进行函数拟合;
7-3)当一个特征点分段确定后,更新分段初始数据序号Ninit=Nend+1;当满足拟合误差的特征点集的结束数据序号Nend=k时,特征点数据分段拟合过程结束,否则转到步骤(7-2)继续进行分段拟合。
6.如权利要求5所述的一种基于特征点分段线性拟合的车道线检测方法,其特征是,所述7-2)的具体方法为:
假设拟合直线方程表示为y=ax+b,特征点集PlNinit,Nend内的数据可表示为:
Y=Hα (1)
其中,a和b为直线拟合系数,Y=[yNinit,yNinit+1,…yNend]T,α=[a,b]T,H=[hNinit,hNinit+1,…,hNend]T,hi=[xi,1]T,Ninit≤i≤Nend,xi表示特征点pli的横坐标值;
采用最小二乘法可得式(1)中α的估计值和模型输出值Y的估计值分别为:
设拟合特征点集PlNinit,Nend的最大拟合误差为yi表示特征点pli的纵坐标值,表示yi的估计值;
若yemax≤predErr,则更新分段结束数据序号Nend=Nend+step;否则,Nend=Nend-1,继续对数据段内的特征点集进行数据拟合直到满足拟合误差为止;
当特征点集拟合误差满足要求后,记录特征点序号Ninit和Nend间的特征点作为一个特征点分段。
7.如权利要求1所述的一种基于特征点分段线性拟合的车道线检测方法,其特征是,所述步骤(9)中对得到的多条拟合直线判断以识别出车道线方程的方法为:对拟合出的多条直线,通过判断各直线与图像中心线间的距离提取具有最小距离的直线作为车道线方程。
8.如权利要求1所述的一种基于特征点分段线性拟合的车道线检测方法,其特征是,所述步骤(11)中对车道线进行跟踪的方法为:根据前一帧已检测到的车道线,通过设置固定的搜索区域实现当前视频帧图像的车道线检测;若在搜索区域内无法实现车道线检测,则将帧图像分成左右两个图像ImBL和ImBR,分别提取该两个图像内的车道线方程。
9.如权利要求1所述的一种基于特征点分段线性拟合的车道线检测方法,其特征是,所述感兴趣区域指结构化道路图像中的有效道路区域,即道路图像中车辆可行驶和可视道路区域的图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410211956.6A CN104008387B (zh) | 2014-05-19 | 2014-05-19 | 一种基于特征点分段线性拟合的车道线检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410211956.6A CN104008387B (zh) | 2014-05-19 | 2014-05-19 | 一种基于特征点分段线性拟合的车道线检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104008387A CN104008387A (zh) | 2014-08-27 |
CN104008387B true CN104008387B (zh) | 2017-02-15 |
Family
ID=51369036
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410211956.6A Expired - Fee Related CN104008387B (zh) | 2014-05-19 | 2014-05-19 | 一种基于特征点分段线性拟合的车道线检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104008387B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109462820A (zh) * | 2018-11-16 | 2019-03-12 | 华南理工大学 | 一种用于跟踪低速移动车辆的rssi拟合方法 |
Families Citing this family (27)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106157283A (zh) * | 2015-04-01 | 2016-11-23 | 株式会社理光 | 道路分割物的检测方法和装置 |
CN106157289B (zh) * | 2015-04-08 | 2019-08-09 | 株式会社理光 | 线检测方法和设备 |
CN104766337B (zh) * | 2015-04-27 | 2017-10-20 | 西北工业大学 | 一种基于跑道边界增强的飞机着陆视觉增强方法 |
CN105137412B (zh) * | 2015-08-19 | 2017-10-20 | 重庆大学 | 一种2d激光雷达距离图像中线段特征精确拟合方法 |
KR101694347B1 (ko) * | 2015-08-31 | 2017-01-09 | 현대자동차주식회사 | 차량 및 차선인지방법 |
CN105426863B (zh) * | 2015-11-30 | 2019-01-25 | 奇瑞汽车股份有限公司 | 检测车道线的方法和装置 |
CN106415603B (zh) * | 2016-09-26 | 2019-03-08 | 深圳市锐明技术股份有限公司 | 一种成对车道线的高效检测方法和装置 |
WO2018053836A1 (zh) * | 2016-09-26 | 2018-03-29 | 深圳市锐明技术股份有限公司 | 成对车道线检测方法及装置 |
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 |
CN107341453B (zh) * | 2017-06-20 | 2019-12-20 | 北京建筑大学 | 一种车道线提取方法及装置 |
CN109270927B (zh) * | 2017-07-17 | 2022-03-11 | 阿里巴巴(中国)有限公司 | 道路数据的生成方法及装置 |
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 |
CN107832732B (zh) * | 2017-11-24 | 2021-02-26 | 河南理工大学 | 基于三叉树遍历的车道线检测方法 |
CN108459994B (zh) * | 2018-03-29 | 2021-10-26 | 润电能源科学技术有限公司 | 一种数据处理方法以及设备 |
CN109300139B (zh) * | 2018-09-30 | 2021-10-15 | 百度在线网络技术(北京)有限公司 | 车道线检测方法和装置 |
WO2020107326A1 (zh) * | 2018-11-29 | 2020-06-04 | 深圳市大疆创新科技有限公司 | 车道线检测方法、设备、计算机可读存储介质 |
CN111307038A (zh) * | 2018-12-11 | 2020-06-19 | 机科发展科技股份有限公司 | 一种基于激光位移传感器的钢卷溢出边检测方法 |
CN109829366B (zh) * | 2018-12-20 | 2021-04-30 | 中国科学院自动化研究所南京人工智能芯片创新研究院 | 一种车道检测方法、装置、设备及计算机可读存储介质 |
CN110472580B (zh) * | 2019-08-16 | 2022-04-05 | 北京茵沃汽车科技有限公司 | 基于全景影像的检测车位的方法、装置、存储介质 |
CN111222418B (zh) * | 2019-12-24 | 2022-04-29 | 武汉中海庭数据技术有限公司 | 一种车道线的多道路片段的众包数据快速融合优化方法 |
CN111833598B (zh) * | 2020-05-14 | 2022-07-05 | 山东科技大学 | 一种高速公路无人机交通事件自动监测方法及*** |
CN112434621B (zh) * | 2020-11-27 | 2022-02-15 | 武汉极目智能技术有限公司 | 车道线内侧边缘特征提取方法 |
CN112819843B (zh) * | 2021-01-20 | 2022-08-26 | 上海大学 | 一种夜间电力线的提取方法及*** |
CN112818778B (zh) * | 2021-01-21 | 2023-10-03 | 北京地平线机器人技术研发有限公司 | 车道线拟合方法、装置、介质以及电子设备 |
CN113077513B (zh) * | 2021-06-03 | 2021-10-29 | 深圳市优必选科技股份有限公司 | 视觉定位方法、装置和计算机设备 |
CN113701773B (zh) * | 2021-08-16 | 2023-07-18 | 深蓝汽车科技有限公司 | 基于车道线方程的arhud导航弯道指示方法及*** |
CN114399589B (zh) * | 2021-12-20 | 2022-11-11 | 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 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102592114A (zh) * | 2011-12-26 | 2012-07-18 | 河南工业大学 | 复杂路况的车道线特征提取、识别方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101244498B1 (ko) * | 2008-10-22 | 2013-03-18 | 주식회사 만도 | 차선을 인식하는 방법 및 장치 |
-
2014
- 2014-05-19 CN CN201410211956.6A patent/CN104008387B/zh not_active Expired - Fee Related
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102592114A (zh) * | 2011-12-26 | 2012-07-18 | 河南工业大学 | 复杂路况的车道线特征提取、识别方法 |
Non-Patent Citations (2)
Title |
---|
Real-Time Lane Detection for Autonomous Navigation;Seung Gweon Jeong et al.;《2001 IEEE Interlligent Transportation Systems Conference Proceedings》;20011231;第508-513页 * |
基于分段归类拟合算法的车道偏离预警***;许波文;《中国优秀硕士学位论文全文数据库 工程科技II辑》;20090915(第9期);论文正文第11-31页 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109462820A (zh) * | 2018-11-16 | 2019-03-12 | 华南理工大学 | 一种用于跟踪低速移动车辆的rssi拟合方法 |
Also Published As
Publication number | Publication date |
---|---|
CN104008387A (zh) | 2014-08-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104008387B (zh) | 一种基于特征点分段线性拟合的车道线检测方法 | |
CN107045629B (zh) | 一种多车道线检测方法 | |
Yuan et al. | Robust lane detection for complicated road environment based on normal map | |
CN107767383B (zh) | 一种基于超像素的道路图像分割方法 | |
Huang et al. | Lane detection based on inverse perspective transformation and Kalman filter | |
CN113370977B (zh) | 一种基于视觉的智能车辆前向碰撞预警方法及*** | |
CN111563412B (zh) | 一种基于参数空间投票和贝塞尔拟合的快速车道线检测方法 | |
CN104036523A (zh) | 一种基于SURF特征的改进Mean Shift的目标跟踪方法 | |
Lee et al. | Directional-DBSCAN: Parking-slot detection using a clustering method in around-view monitoring system | |
WO2020000253A1 (zh) | 一种雨雪天气中的道路交通标志识别方法 | |
CN103971128A (zh) | 一种面向无人驾驶车的交通标志识别方法 | |
CN112666573B (zh) | 一种矿区卸载区车后方挡土墙及障碍物的检测方法 | |
Youjin et al. | A robust lane detection method based on vanishing point estimation | |
CN107563331B (zh) | 一种基于几何关系的道路标志线检测方法及*** | |
CN103206957A (zh) | 车辆自主导航的车道线检测与跟踪方法 | |
Tian et al. | Vehicle detection grammars with partial occlusion handling for traffic surveillance | |
Ma et al. | Multiple lane detection algorithm based on optimised dense disparity map estimation | |
CN108288268B (zh) | 基于投影分析的高分辨率遥感图像中靠岸舰船检测方法 | |
CN114693716A (zh) | 一种面向复杂交通条件下的驾驶环境综合识别信息提取方法 | |
CN107463939B (zh) | 一种图像关键直线检测方法 | |
Wang et al. | Lane detection based on two-stage noise features filtering and clustering | |
Wang et al. | Road detection based on illuminant invariance and quadratic estimation | |
Qiu et al. | Research on lane line detection method based on improved hough transform | |
Ma et al. | A method of multiple lane detection based on constraints of lane information | |
CN103714517A (zh) | 视频去雨方法 |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20170215 |
|
CF01 | Termination of patent right due to non-payment of annual fee |