CN104408460A - 一种车道线检测及跟踪检测方法 - Google Patents

一种车道线检测及跟踪检测方法 Download PDF

Info

Publication number
CN104408460A
CN104408460A CN201410474856.2A CN201410474856A CN104408460A CN 104408460 A CN104408460 A CN 104408460A CN 201410474856 A CN201410474856 A CN 201410474856A CN 104408460 A CN104408460 A CN 104408460A
Authority
CN
China
Prior art keywords
image
line
lane
lane line
image block
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
Application number
CN201410474856.2A
Other languages
English (en)
Other versions
CN104408460B (zh
Inventor
解梅
许茂鹏
张碧武
蔡家柱
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Houpu Clean Energy Group Co ltd
Original Assignee
University of Electronic Science and Technology of China
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by University of Electronic Science and Technology of China filed Critical University of Electronic Science and Technology of China
Priority to CN201410474856.2A priority Critical patent/CN104408460B/zh
Publication of CN104408460A publication Critical patent/CN104408460A/zh
Application granted granted Critical
Publication of CN104408460B publication Critical patent/CN104408460B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G06V20/588—Recognition of the road, e.g. of lane markings; Recognition of the vehicle driving pattern in relation to the road

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种车道线检测及跟踪检测方法，属于图像处理技术领域。本发明的车道线检测方法包括，基于单应性矩阵H对预处理后的图像进行进行逆透视变换处理，再将处理后的图像进行分块和直线检测，然后将最上和最小图像块的各直线的端点作为拟合点，得到一条光滑的曲线x，并基于曲线x权值，选取权值最大的曲线作为当前帧图像的车道线对。本发明的车道线跟踪检测方法包括，首先基于上述检测方法输出第一帧图像的车道线对，后续帧的车道线则基于循环结构***检测出当前帧的目标区域来确定，该***的参数来自上一帧的车道线坐标；当检测失误时，则再次使用上述检测方法输出一帧。本发明用于车道线检测处理，其鲁棒性，实时性，识别率高。

Description

一种车道线检测及跟踪检测方法
技术领域
本发明属于图像处理技术领域，具体涉及车道线的检测。
背景技术
每年全世界范围内都有很多人因为车辆行驶偏离而丧生于车祸当中，为了避免这样的事情发生，人们提出了一种智能辅助驾驶***，能够在一定程度上预警驾驶员，达到减少此类事故发生的效果。车道线检测便是智能驾驶辅助***中很重要的一部分，在此领域已经提出了一系列获得良好效果的算法，其中包括基于模板、基于纹理、基于区域的算法。
为实时性的限制，即使一些著名的算法有较高的检测和跟踪率，但因为它们需要耗费大量的处理时间，所以很难应用到实际当中，比如Yue Wang利用B-Snake进行车道线检测的算法。一些算法在光照较弱和车道线缺失的情况下也能够获得较好的检测效果，但是对于弯道检测却有较高的错误率，比如Massimo Bertozzi利用立体视觉***进行车道线检测的算法。
其他的一些算法，比如Canny/Hough Estimation of Vanishing Points(CHEVP)，该算法通过在车道检测图片上确定消失点的位置来定位车道线，但是该算法中通过消失点确定车道线的鲁棒性很弱，因为该算法假设每个区域内的车掉线都相交于同一个消失点，但是由于噪声和其他干扰的原因，每个区域内的真实车道线并不会交于同一个消失点，以至于其鲁棒性很弱，另外，该算法还无法处理车道线缺失的情况，并且对于初始化的参数比较敏感，鲁棒性较弱。
发明内容
本发明的目的在于，针对现有的车道线检测方法存在的缺陷，提出一种鲁棒性强的车道线检测方法。
本发明的车道线检测方法，包括下列步骤：
步骤1：采集道路视频图像；
步骤2：基于所述视频图像的前N(N≥2)帧图像，获取单应性矩阵H：
分别将每帧图像转换为灰度图像，并进行边缘检测输出边缘图像；并将边缘图像横向分为T(T≥2)个图像块，每个边缘图像块的宽度等于边缘图像的宽度；
对每个边缘图像，分别进行初始化消失线检测：对每个图像块进行直线检测，得到每个图像块所对应的直线集；并基于直线集中的每对直线的交点确定边缘图像的消失线的坐标；基于预设的滑动窗口，检测出N个消失线最集中的纵坐标区域，取该纵坐标区域中任意纵坐标为当前所有边缘图像的初始化消失线坐标；
在图像Ii的初始化消失线下方的图像块中确定一对车道线段对，其中图像Ii表示前N帧图像中的任意一帧图像；
定义所述车道线段对的端点为控制点；在垂直于边缘图像的水平坐标上确定两条平行的直线l1和l2，定义为所述车道线段对的坐标转换线段，分别在直线l1和l2上任意取两点作为对应控制点的转换点，基于所述控制点和转换点，计算单应性矩阵H；
步骤3：对道路视频图像的每帧图像进行车道检测处理：
步骤301：对当前帧图像进行灰度处理，并进行边缘检测输出边缘图像；
步骤302：基于所述单应性矩阵H对所述边缘检测图像进行逆透视变换处理：在边缘检测图像取相交点以下的各像素点，基于所述单应性矩阵H进行逆透视变换，得到图像Icon；
步骤303：将图像Icon横向分为K个图像块，其中各图像块的宽度等于图像Icon的宽度，用k从上到下用对各图像块进行标识，其中k＝1,2,…,K，且K大于等于3；
分别对图像块进行直线检测，得到各图像块的直线集，并存储每条直线中点坐标和直线长度；
将图像块1和图像块K所对应的各直线集的每条直线的端点作为拟合点，从图像块1和图像块K中分别取两个拟合点组成一组，基于每组拟合端点得到一条光滑的曲线x，若曲线x与图像Icon底端的交点在图像Icon的中心点右边，则定义为右曲线；否则定义为左曲线；
基于公式分别计算每条曲线x的权值，其中p表示直线中点，θ表示图像块2到图像块K-1的所有直线中点(共K-2个图像块中所有中点)，dx(p)表示直线中点到曲线x的直线距离，当dx(p)小于等于3个像素点时，P(dx(p)＜3)的取值为1，否则为0；表示经过直线中点p的直线的长度；
步骤304：从各左右曲线中，分别取最大权值的曲线为当前图像Icon的车道线对，根据单应性矩阵H进行坐标变换，输出当前帧图像的车道线对。
与现有技术相比，本发明的检测方法精确度高，对初始化参数不较敏感。
为了进一步提升车道检测处理的处理效率，本发明在上述车道检测处理增加了跟踪处理步骤，通过检测和跟踪的协调处理得到车道线的准确位置，本发明的车道线跟踪检测方法包括下列步骤：
步骤S1：采集道路视频图像；
步骤S2：基于视频图像的前N(N≥2)帧图像，获取单应性矩阵H：
步骤S3：基于上述步骤3的检测处理过程，输出道路视频图像的第一帧图像的车道线对；
步骤S4：检测输出所述道路视频图像第t帧图像的车道线，其中t大于1：
基于上一帧的车道线对确定上一帧的目标区域(左右车道线分别对应一个目标区域)：包括车道线对的左车道线的最小矩形区域，以及包括车道线对的右车道线的最小矩形区域；
基于颜色核函数将上一帧的目标区域内各像素值的维数转换为11维像素值，再根据主成分分析方法PCA，将得到的11维像素值转换为2维像素值；
根据上一帧的目标区域，基于循环结构***检测出当前帧的目标区域；
对当前帧的目标区域进行Gaussian-like滤波处理输出拟合点，将该拟合点拟合成光滑曲线，得到当前帧的车道线对。
为了能实现对弯道的检测，本发明的车道线跟踪检测方法还包括步骤S5：判断当前帧与上一帧的车道线交点的距离差是否小于或等于预设阈值，若是，基于所述步骤S4对下一帧图像进行车道线检测；否则，基于本发明的车道线检测方法中的步骤3对下一帧图像进行车道线检测，即基于当前帧和上一帧的对比信息，判断下一帧是采用跟踪处理(步骤S4)，还是检测处理(本发明的车道线检测方法中的步骤3)。
另外，为了适应对阴影、遮挡情况的车道线检测，本发明的车道线跟踪检测方法的步骤S5还包括，若当前帧与上一帧的车道线交点的距离差小于或等于预设阈值，继续判断当前帧与上一帧的车道线的直方图的差值是否小于或等于预设阈值，若是，基于所述步骤S4对下一帧图像进行车道线检测；否则，基于本发明的车道线检测方法中的步骤3对下一帧图像进行车道线检测。
综上所述，本发明的有益效果是：车道线检测处理的鲁棒性，实时性，识别率高，且可以用于弯道检测，另外对阴影、遮挡情况的车道线检测也能适用。
附图说明
本发明将通过例子并参照附图的方式说明，其中：
图1是本发明具体实施方式的处理流程图；
图2是本发明具体实施方式中，基于单应性矩阵H对边缘检测图像进行逆透视变换处理的示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面结合实施方式和附图，对本发明作进一步地详细描述。
首先利用摄像头采集道路视频图像，产生连续的视频流；
然后，基于视频图像的前N(N≥2)帧图像，获取单应性矩阵H，基于现有的车道线检测处理步骤，分别确定每帧图像所对应的消失线坐标，再基于预设的滑动窗口(窗口大小可自行基于检测的精细度进行设定，本具体实施方式中，设定高度为5，宽度为1)，检测出N个消失线最集中的纵坐标区域，取该区域的任意纵坐标为前N帧的初始化消失线坐标；在图像Ii(表示前N帧图像中的任意一帧图像)的初始化消失线下方的任意图像块中确定一对车道线段对，如图1-a中所示的由点P11和点P12所构成的线段、点P21和点P22所构成的线段；定义该车道线段对的端点(点P11、点P12、点P21、点P22)为控制点；在垂直于边缘图像的水平坐标上确定两条平行的直线l1和l2，定义为当前车道线段对的坐标转换线段，分别在直线l1和l2上任意取两点作为对应控制点的转换点，即点Q11为点P11的转换点，点Q21为点P21的转换点，基于坐标的转换对应关系 P 11 P 12 P 21 P 22 × H = Q 11 Q 12 Q 21 Q 22 , 可计算得到单应性矩阵H，用于后续车道线检测处理时的逆透视变换处理。
参加图2，本具体实施方式中车道线的检测处理具体为：
S100：获取一帧图像；
S200：判断检测标志位DETE(初始值设置为1)是否为1，若是，则执行步骤S300；否则执行步骤S800；
S300：将当前图像转换为灰度图像，并进行边缘检测输出边缘图像；
S400：基于单应性矩阵H对边缘检测图像进行逆透视变换处理：在边缘检测图像取相交点以下的各像素点，基于所述单应性矩阵H进行逆透视变换，得到图像Icon，即根据矩阵H将边缘图像转化为世界坐标下的3-D图像中Z＝0的切面图，如图1-b所示(图1-b为图1-a的Z＝0的切面图)。
S500：将图像Icon横向分为K(K与预处理时划分块数相同)个图像块，其中各图像块的宽度等于图像Icon的宽度，用k从上到下用对各图像块进行标识，其中k＝1,2,…,K，且K≥3,分别对图像块进行直线检测，得到各图像块的直线集，并存储每条直线中点坐标和直线长度；
S600：将图像块1和图像块K所对应的各直线集的每条直线的端点作为拟合点，从图像块1和图像块K中分别取两个拟合点组成一组，基于每组拟合端点得到一条光滑的曲线x，若曲线x与图像Icon底端的交点在图像Icon的中心点右边，则定义为右曲线；否则定义为左曲线；
基于检测函数分别计算每条曲线x的权值，其中p表示直线中点，θ表示图像块2到图像块K-1的所有直线中点(共K-2个图像块中所有中点)，dx(p)表示直线中点到曲线x的直线距离，当dx(p)小于等于3个像素点时，P(dx(p)＜3)的取值为1，否则为0；表示经过直线中点p的直线的长度；
从各左右曲线中，分别取最大权值的曲线为当前图像Icon的车道线对；
S700：根据单应性矩阵H对当前图像Icon的车道线对进行坐标变换，输出当前帧图像的车道线对，并将标志位DETE置为0；
S800：基于上一帧的目标区域的图像信息更新循环结构***的参数信息；
所述目标区域为：包括车道线对的左车道线的最小矩形区域，以及包括车道线对的右车道线的最小矩形区域；
基于颜色核函数(具体可参考文献：Learning Color Names for Real-World Applications,IEEE TRANSACTIONS ON IMAGE PROCESSING,VOL.18,NO.7,JULY 2009)将上一帧的目标区域内各像素值的维数转换为11维像素值，再根据主成分分析方法PCA(PrincipalComponent Analysis)，将得到的11维像素值转换为2维像素值，得到上一帧的目标区域的图像信息，将11维像素值转换为2维像素值是为了降低跟踪检测器处理的复杂度；
S900：根据当前循环结构***参数，基于循环结构***检测出当前帧的目标区域；
S100：对得到的当前帧的目标区域进行Gaussian-like滤波处理输出拟合点，将该拟合点拟合成光滑曲线，得到当前帧的车道线对；
S110：判断检测是否失误，即首先判断当前帧与上一帧的车道线交点的距离差是否小于或等于预设阈值(通常可设置为5-10)，若是，则继续判断当前帧与上一帧的车道线的直方图(即不同像素值所报考的像素点个数所构成的直方图)的差值是否小于或等于预设阈值(通常可设置为20-40)，若两项均小于或等于预设阈值，则判断为检测正确；若其中一项大于预设阈值，则判断为检测失误；当检测失误时，执行步骤S120；检测正确时，执行步骤S130；
S120：将标志位DETE置为1，并执行步骤S140；
S130：将标志位DETE置为0，并执行步骤S140；
S140：判断是否结束检测，若否，则执行步骤S100。
本发明并不局限于前述的具体实施方式。本发明扩展到任何在本说明书中披露的新特征或任何新的组合，以及披露的任一新的方法或过程的步骤或任何新的组合。

Claims (4)

1.一种车道线检测方法，其特征在于，包括下列步骤：
步骤1：采集道路视频图像；
步骤2：基于所述视频图像的前N帧图像，获取单应性矩阵H，其中N大于等于2：
分别将每帧图像转换为灰度图像，并进行边缘检测输出边缘图像；将所述边缘图像横向分为T个图像块，T大于等于2，所述边缘图像块的宽度等于边缘图像的宽度；
对每个边缘图像，分别进行初始化消失线检测：对每个图像块进行直线检测，得到每个图像块所对应的直线集；并基于所述直线集中的每对直线的交点确定边缘图像的消失线的坐标；基于预设的滑动窗口，检测出所述N个消失线最集中的纵坐标区域，取所述纵坐标区域的任意纵坐标为当前所有边缘图像的初始化消失线坐标；
在图像Ii的初始化消失线下方的图像块中确定一对车道线段对，其中图像Ii表示前N帧图像中的任意一帧图像；
定义所述车道线段对的端点为控制点；在垂直于边缘图像的水平坐标上确定两条平行的直线l1和l2，定义为所述车道线段对的坐标转换线段，分别在直线l1和l2上任意取两点作为对应控制点的转换点，基于所述控制点和转换点，计算单应性矩阵H；
步骤3：对道路视频图像的每帧图像进行车道检测处理：
步骤301：对当前帧图像进行灰度处理，并进行边缘检测输出边缘图像；
步骤302：基于所述单应性矩阵H对所述边缘检测图像进行逆透视变换处理：在边缘检测图像取相交点以下的各像素点，基于所述单应性矩阵H进行逆透视变换，得到图像Icon；
步骤303：将图像Icon横向分为K个图像块，其中各图像块的宽度等于图像Icon的宽度，用k从上到下用对各图像块进行标识，其中k＝1,2,…,K，且K大于等于3；
分别对图像块进行直线检测，得到各图像块的直线集，并存储每条直线中点坐标和直线长度；
将图像块1和图像块K所对应的各直线集的每条直线的端点作为拟合点，从图像块1和图像块K中分别取两个拟合点组成一组，基于每组拟合端点得到一条光滑的曲线x，若曲线x与图像Icon底端的交点在图像Icon的中心点右边，则定义为右曲线；否则定义为左曲线；
基于公式分别计算每条曲线x的权值，其中p表示直线中点，θ表示图像块2到图像块K-1的所有直线中点(共K-2个中点)，dx(p)表示直线中点到曲线x的直线距离，当dx(p)小于等于3个像素点时，P(dx(p)＜3)的取值为1，否则为0；表示经过直线中点p的直线的长度；
步骤304：从各左右曲线中，分别取最大权值的曲线为当前图像Icon的车道线对，根据单应性矩阵H进行坐标变换，输出当前帧图像的车道线对。
2.一种车道线的跟踪检测方法，其特征在于，包括下列步骤：
步骤S1：采集道路视频图像；
步骤S2：基于权利要求1的步骤2得到获取单应性矩阵H：
步骤S3：基于权利要求1的步骤3，输出所述道路视频图像的第一帧图像的车道线对；
步骤S4：检测输出所述道路视频图像第t帧图像的车道线，其中t大于1：
基于上一帧的车道线对确定上一帧的目标区域：包括所述车道线对的左车道线的最小矩形区域，以及包括所述车道线对的右车道线的最小矩形区域；
基于颜色核函数将上一帧的目标区域内各像素值的维数转换为11维像素值，再根据主成分分析方法PCA，将得到的11维像素值转换为2维像素值；
根据上一帧的目标区域，基于循环结构***检测出当前帧的目标区域；
对当前帧的目标区域进行Gaussian-like滤波处理输出拟合点，将所述拟合点拟合成光滑曲线，得到当前帧的车道线对。
3.如权利要求2所述的方法，其特征在于，还包括步骤S5：判断当前帧与上一帧的车道线交点的距离差是否小于或等于预设阈值，若是，基于所述步骤S4对下一帧图像进行车道线检测；否则，基于权利要求1的步骤3对下一帧图像进行车道线检测。
4.如权利要求3所述的方法，其特征在于，所述步骤S5还包括，若当前帧与上一帧的车道线交点的距离差小于或等于预设阈值，继续判断当前帧与上一帧的车道线的直方图的差值是否小于或等于预设阈值，若是，基于所述步骤S4对下一帧图像进行车道线检测；否则，基于权利要求1的步骤3对下一帧图像进行车道线检测。
CN201410474856.2A 2014-09-17 2014-09-17 一种车道线检测及跟踪检测方法 Active CN104408460B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201410474856.2A CN104408460B (zh) 2014-09-17 2014-09-17 一种车道线检测及跟踪检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201410474856.2A CN104408460B (zh) 2014-09-17 2014-09-17 一种车道线检测及跟踪检测方法

Publications (2)

Publication Number Publication Date
CN104408460A true CN104408460A (zh) 2015-03-11
CN104408460B CN104408460B (zh) 2017-08-11

Family

ID=52646091

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201410474856.2A Active CN104408460B (zh) 2014-09-17 2014-09-17 一种车道线检测及跟踪检测方法

Country Status (1)

Country Link
CN (1) CN104408460B (zh)

Cited By (32)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104657727A (zh) * 2015-03-18 2015-05-27 厦门麦克玛视电子信息技术有限公司 一种车道线的检测方法
CN104988818A (zh) * 2015-05-26 2015-10-21 浙江工业大学 一种基于透视变换的交叉路口多车道标定方法
CN105825523A (zh) * 2016-03-11 2016-08-03 南京航空航天大学 一种面向固定翼无人机着陆的快速变尺度跑道跟踪方法
CN105912978A (zh) * 2016-03-31 2016-08-31 电子科技大学 基于并发管道的车道线检测和跟踪方法
CN106295491A (zh) * 2016-03-09 2017-01-04 北京智芯原动科技有限公司 车道直线检测方法及装置
CN106462755A (zh) * 2016-09-26 2017-02-22 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
CN106447730A (zh) * 2016-09-14 2017-02-22 深圳地平线机器人科技有限公司 参数估计方法、装置和电子设备
CN106462757A (zh) * 2016-09-26 2017-02-22 深圳市锐明技术股份有限公司 一种成对车道线的快速检测方法和装置
CN106599868A (zh) * 2016-12-22 2017-04-26 合肥工业大学 一种多车道线的测距方法
CN106803061A (zh) * 2016-12-14 2017-06-06 广州大学 一种基于动态感兴趣区域的简易快速车道线检测方法
CN107577996A (zh) * 2017-08-16 2018-01-12 中国地质大学（武汉） 一种车辆驾驶路径偏移的识别方法及***
CN107578012A (zh) * 2017-09-05 2018-01-12 大连海事大学 一种基于聚类算法选择敏感区域的驾驶辅助***
CN107679520A (zh) * 2017-10-30 2018-02-09 湖南大学 一种适用于复杂条件下的车道线视觉检测方法
CN107862290A (zh) * 2017-11-10 2018-03-30 智车优行科技（北京）有限公司 车道线检测方法及***
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
CN108256445A (zh) * 2017-12-29 2018-07-06 北京华航无线电测量研究所 车道线检测方法及***
CN108629292A (zh) * 2018-04-16 2018-10-09 海信集团有限公司 弯曲车道线检测方法、装置及终端
CN109059954A (zh) * 2018-06-29 2018-12-21 广东星舆科技有限公司 支持高精度地图车道线实时融合更新的方法和***
CN109543520A (zh) * 2018-10-17 2019-03-29 天津大学 一种面向语义分割结果的车道线参数化方法
CN109671300A (zh) * 2019-01-16 2019-04-23 上海交通大学 一种多车协作车道检测方法
CN109902637A (zh) * 2019-03-05 2019-06-18 长沙智能驾驶研究院有限公司 车道线检测方法、装置、计算机设备和存储介质
CN110163039A (zh) * 2018-03-15 2019-08-23 北京航空航天大学 判定车辆行驶状态的方法、设备、存储介质以及处理器
CN110298300A (zh) * 2019-06-27 2019-10-01 上海工程技术大学 一种检测车辆违章压线的方法
CN110348273A (zh) * 2018-04-04 2019-10-18 北京四维图新科技股份有限公司 神经网络模型训练方法、***及车道线识别方法、***
CN110940982A (zh) * 2019-11-29 2020-03-31 径卫视觉科技（上海）有限公司 一种车辆前方目标识别方法以及相应的设备
CN111460072A (zh) * 2020-04-01 2020-07-28 北京百度网讯科技有限公司 车道线检测方法、装置、设备和存储介质
CN111738102A (zh) * 2020-06-04 2020-10-02 同致电子科技（厦门）有限公司 一种基于avm摄像头的ldws车道线识别及跟踪的实现方法
CN112818804A (zh) * 2021-01-26 2021-05-18 重庆长安汽车股份有限公司 目标级车道线的平行处理方法、***、车辆及存储介质
CN113689466A (zh) * 2021-07-30 2021-11-23 稿定（厦门）科技有限公司 一种基于特征点的平面跟踪方法、***
CN114549603A (zh) * 2022-02-28 2022-05-27 赛维森(广州)医疗科技服务有限公司 细胞病理图像的标注坐标转换方法、***、设备及介质
CN114659489A (zh) * 2022-03-11 2022-06-24 苏州清研微视电子科技有限公司 一种基于凸透镜成像原理的前车距离检测方法和装置
CN116681721A (zh) * 2023-06-07 2023-09-01 东南大学 一种基于视觉的直线轨迹检测与跟踪方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101608924A (zh) * 2009-05-20 2009-12-23 电子科技大学 一种基于灰度估计和级联霍夫变换的车道线检测方法
CN102288121A (zh) * 2011-05-12 2011-12-21 电子科技大学 一种基于单目视觉的车道偏离距离测量及预警方法
CN102324017A (zh) * 2011-06-09 2012-01-18 中国人民解放军国防科学技术大学 一种基于fpga的车道线检测方法
CN103617412A (zh) * 2013-10-31 2014-03-05 电子科技大学 实时车道线检测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101608924A (zh) * 2009-05-20 2009-12-23 电子科技大学 一种基于灰度估计和级联霍夫变换的车道线检测方法
CN102288121A (zh) * 2011-05-12 2011-12-21 电子科技大学 一种基于单目视觉的车道偏离距离测量及预警方法
CN102324017A (zh) * 2011-06-09 2012-01-18 中国人民解放军国防科学技术大学 一种基于fpga的车道线检测方法
CN103617412A (zh) * 2013-10-31 2014-03-05 电子科技大学 实时车道线检测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
YUE WANG 等: ""Lane detection and tracking using B-Snake"", 《IMAGE AND VISION COMPUTING》 *

Cited By (53)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104657727B (zh) * 2015-03-18 2018-01-02 厦门麦克玛视电子信息技术有限公司 一种车道线的检测方法
CN104657727A (zh) * 2015-03-18 2015-05-27 厦门麦克玛视电子信息技术有限公司 一种车道线的检测方法
CN104988818A (zh) * 2015-05-26 2015-10-21 浙江工业大学 一种基于透视变换的交叉路口多车道标定方法
CN106295491A (zh) * 2016-03-09 2017-01-04 北京智芯原动科技有限公司 车道直线检测方法及装置
CN106295491B (zh) * 2016-03-09 2019-09-10 北京智芯原动科技有限公司 车道直线检测方法及装置
CN105825523A (zh) * 2016-03-11 2016-08-03 南京航空航天大学 一种面向固定翼无人机着陆的快速变尺度跑道跟踪方法
CN105825523B (zh) * 2016-03-11 2019-07-19 南京航空航天大学 一种面向固定翼无人机着陆的快速变尺度跑道跟踪方法
CN105912978A (zh) * 2016-03-31 2016-08-31 电子科技大学 基于并发管道的车道线检测和跟踪方法
CN106447730A (zh) * 2016-09-14 2017-02-22 深圳地平线机器人科技有限公司 参数估计方法、装置和电子设备
CN106447730B (zh) * 2016-09-14 2020-02-28 深圳地平线机器人科技有限公司 参数估计方法、装置和电子设备
CN106462755A (zh) * 2016-09-26 2017-02-22 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
CN106462757A (zh) * 2016-09-26 2017-02-22 深圳市锐明技术股份有限公司 一种成对车道线的快速检测方法和装置
CN106462757B (zh) * 2016-09-26 2019-09-06 深圳市锐明技术股份有限公司 一种成对车道线的快速检测方法和装置
CN106462755B (zh) * 2016-09-26 2019-05-28 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
CN108090401B (zh) * 2016-11-23 2021-12-14 株式会社理光 线检测方法和线检测设备
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
CN106803061A (zh) * 2016-12-14 2017-06-06 广州大学 一种基于动态感兴趣区域的简易快速车道线检测方法
CN106599868A (zh) * 2016-12-22 2017-04-26 合肥工业大学 一种多车道线的测距方法
CN106599868B (zh) * 2016-12-22 2019-06-18 合肥工业大学 一种多车道线的测距方法
CN107577996A (zh) * 2017-08-16 2018-01-12 中国地质大学（武汉） 一种车辆驾驶路径偏移的识别方法及***
CN107578012A (zh) * 2017-09-05 2018-01-12 大连海事大学 一种基于聚类算法选择敏感区域的驾驶辅助***
CN107578012B (zh) * 2017-09-05 2020-10-27 大连海事大学 一种基于聚类算法选择敏感区域的驾驶辅助***
CN107679520A (zh) * 2017-10-30 2018-02-09 湖南大学 一种适用于复杂条件下的车道线视觉检测方法
CN107679520B (zh) * 2017-10-30 2020-01-14 湖南大学 一种适用于复杂条件下的车道线视觉检测方法
CN107862290A (zh) * 2017-11-10 2018-03-30 智车优行科技（北京）有限公司 车道线检测方法及***
CN107862290B (zh) * 2017-11-10 2021-09-24 智车优行科技（北京）有限公司 车道线检测方法及***
CN108256445B (zh) * 2017-12-29 2020-11-06 北京华航无线电测量研究所 车道线检测方法及***
CN108256445A (zh) * 2017-12-29 2018-07-06 北京华航无线电测量研究所 车道线检测方法及***
CN110163039B (zh) * 2018-03-15 2020-11-24 北京航空航天大学 判定车辆行驶状态的方法、设备、存储介质以及处理器
CN110163039A (zh) * 2018-03-15 2019-08-23 北京航空航天大学 判定车辆行驶状态的方法、设备、存储介质以及处理器
CN110348273A (zh) * 2018-04-04 2019-10-18 北京四维图新科技股份有限公司 神经网络模型训练方法、***及车道线识别方法、***
CN108629292A (zh) * 2018-04-16 2018-10-09 海信集团有限公司 弯曲车道线检测方法、装置及终端
CN109059954A (zh) * 2018-06-29 2018-12-21 广东星舆科技有限公司 支持高精度地图车道线实时融合更新的方法和***
CN109543520A (zh) * 2018-10-17 2019-03-29 天津大学 一种面向语义分割结果的车道线参数化方法
CN109671300B (zh) * 2019-01-16 2021-03-19 上海交通大学 一种多车协作车道检测方法
CN109671300A (zh) * 2019-01-16 2019-04-23 上海交通大学 一种多车协作车道检测方法
CN109902637A (zh) * 2019-03-05 2019-06-18 长沙智能驾驶研究院有限公司 车道线检测方法、装置、计算机设备和存储介质
CN110298300B (zh) * 2019-06-27 2022-11-22 上海工程技术大学 一种检测车辆违章压线的方法
CN110298300A (zh) * 2019-06-27 2019-10-01 上海工程技术大学 一种检测车辆违章压线的方法
CN110940982B (zh) * 2019-11-29 2023-09-12 径卫视觉科技（上海）有限公司 一种车辆前方目标识别方法以及相应的设备
CN110940982A (zh) * 2019-11-29 2020-03-31 径卫视觉科技（上海）有限公司 一种车辆前方目标识别方法以及相应的设备
CN111460072B (zh) * 2020-04-01 2023-10-03 北京百度网讯科技有限公司 车道线检测方法、装置、设备和存储介质
CN111460072A (zh) * 2020-04-01 2020-07-28 北京百度网讯科技有限公司 车道线检测方法、装置、设备和存储介质
CN111738102B (zh) * 2020-06-04 2023-07-18 同致电子科技（厦门）有限公司 一种基于avm摄像头的ldws车道线识别及跟踪的实现方法
CN111738102A (zh) * 2020-06-04 2020-10-02 同致电子科技（厦门）有限公司 一种基于avm摄像头的ldws车道线识别及跟踪的实现方法
CN112818804A (zh) * 2021-01-26 2021-05-18 重庆长安汽车股份有限公司 目标级车道线的平行处理方法、***、车辆及存储介质
CN112818804B (zh) * 2021-01-26 2024-02-20 重庆长安汽车股份有限公司 目标级车道线的平行处理方法、***、车辆及存储介质
CN113689466B (zh) * 2021-07-30 2022-07-12 稿定（厦门）科技有限公司 一种基于特征点的平面跟踪方法、***
CN113689466A (zh) * 2021-07-30 2021-11-23 稿定（厦门）科技有限公司 一种基于特征点的平面跟踪方法、***
CN114549603A (zh) * 2022-02-28 2022-05-27 赛维森(广州)医疗科技服务有限公司 细胞病理图像的标注坐标转换方法、***、设备及介质
CN114659489A (zh) * 2022-03-11 2022-06-24 苏州清研微视电子科技有限公司 一种基于凸透镜成像原理的前车距离检测方法和装置
CN116681721A (zh) * 2023-06-07 2023-09-01 东南大学 一种基于视觉的直线轨迹检测与跟踪方法
CN116681721B (zh) * 2023-06-07 2023-12-29 东南大学 一种基于视觉的直线轨迹检测与跟踪方法

Also Published As

Publication number Publication date
CN104408460B (zh) 2017-08-11

Similar Documents

Publication Publication Date Title
CN104408460A (zh) 一种车道线检测及跟踪检测方法
CN110569704B (zh) 一种基于立体视觉的多策略自适应车道线检测方法
CN110232389B (zh) 一种基于绿色作物特征提取不变性的立体视觉导航方法
WO2015010451A1 (zh) 一种从单幅图像检测道路的方法
CN103077521B (zh) 一种用于视频监控的感兴趣区域提取方法
CN107577996A (zh) 一种车辆驾驶路径偏移的识别方法及***
CN113370977B (zh) 一种基于视觉的智能车辆前向碰撞预警方法及***
CN103530599A (zh) 一种真实人脸和图片人脸的区别方法和***
US9513108B2 (en) Sensor system for determining distance information based on stereoscopic images
CN104417490B (zh) 一种汽车安全带检测方法及装置
CN107750364A (zh) 使用稳定的坐标系的道路垂直轮廓检测
CN104268860B (zh) 一种车道线检测方法
Correal et al. Automatic expert system for 3D terrain reconstruction based on stereo vision and histogram matching
CN104700414A (zh) 一种基于车载双目相机的前方道路行人快速测距方法
KR101285106B1 (ko) 영상 데이터 융합 기반의 장애물체 검출 방법 및 장치
CN105335955A (zh) 对象检测方法和对象检测装置
CN108009522B (zh) 一种道路检测方法、装置及终端
CN103810491A (zh) 融合深度和灰度图像特征点的头姿估计兴趣点检测方法
US10282615B2 (en) System and method for root association in image data
CN104517095A (zh) 一种基于深度图像的人头分割方法
CN104331907B (zh) 一种基于orb特征检测测量载体速度的方法
Satzoda et al. On performance evaluation metrics for lane estimation
CN113221739B (zh) 基于单目视觉的车距测量方法
WO2014172875A1 (en) Moving object detection
CN106446832B (zh) 一种基于视频的实时检测行人的方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right

Effective date of registration: 20210519

Address after: No.3, 11th floor, building 6, no.599, shijicheng South Road, Chengdu hi tech Zone, China (Sichuan) pilot Free Trade Zone, Chengdu, Sichuan 610041

Patentee after: Houpu clean energy Co.,Ltd.

Address before: 611731, No. 2006, West Avenue, Chengdu hi tech Zone (West District, Sichuan)

Patentee before: University of Electronic Science and Technology of China

TR01 Transfer of patent right
CP01 Change in the name or title of a patent holder

Address after: No.3, 11th floor, building 6, no.599, shijicheng South Road, Chengdu hi tech Zone, China (Sichuan) pilot Free Trade Zone, Chengdu, Sichuan 610041

Patentee after: Houpu clean energy (Group) Co.,Ltd.

Address before: No.3, 11th floor, building 6, no.599, shijicheng South Road, Chengdu hi tech Zone, China (Sichuan) pilot Free Trade Zone, Chengdu, Sichuan 610041

Patentee before: Houpu clean energy Co.,Ltd.

CP01 Change in the name or title of a patent holder