CN105320927B - 车道线检测方法及*** - Google Patents
车道线检测方法及*** Download PDFInfo
- Publication number
- CN105320927B CN105320927B CN201510134099.9A CN201510134099A CN105320927B CN 105320927 B CN105320927 B CN 105320927B CN 201510134099 A CN201510134099 A CN 201510134099A CN 105320927 B CN105320927 B CN 105320927B
- Authority
- CN
- China
- Prior art keywords
- candidate point
- lane line
- pixel
- lane
- line
- 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.)
- Active
Links
Landscapes
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本申请公开了一种车道线检测方法及***,该方法包括:获取当前帧的车载环视图像;确定所述车载环视图像的像素点中整个车道线区域的候选点,得到候选点集;对所述候选点集进行区域生长,并对区域生长后的候选点集进行聚类,得到候选点块集;对所述候选点块集进行直线拟合,得到当前帧车道线。以上技术方案是对车道线区域的整个区域进行检测,并不区分边缘与非边缘的问题,有效解决了现有技术中对车道线区域的边缘进行检测,易产生噪声,使得车道线检测结果的准确度低的技术问题。
Description
技术领域
本申请涉及智能交通技术领域,特别是涉及一种车道线检测方法及***。
背景技术
当今,为了解决汽车因驾驶员无意识偏离行驶车道而发生交通事故的问题,通常采用基于车载环视***的车道线检测方法为驾驶员提供车道线信息。
在现有的车道线检测方法中,通常使用边缘检测法对车载环视图像中车道线区域的边缘进行检测,然而,由于车载环视图像的边缘是重构的点,在使用边缘检测法时,易产生噪声,使得车道线检测结果的准确度低。
申请内容
有鉴于此,本申请提供了一种车道线检测方法及***,以解决现有技术中对车道线区域的边缘进行检测,易产生噪声,使得车道线检测结果的准确度低的技术问题。
为解决上述技术问题,本申请提供一种车道线检测方法,包括:
获取当前帧的车载环视图像;
确定所述车载环视图像的像素点中整个车道线区域的候选点,得到候选点集;
对所述候选点集进行区域生长,并对区域生长后的候选点集进行聚类,得到候选点块集;
对所述候选点块集进行直线拟合,得到当前帧车道线。
上述方法中,优选的,所述确定所述车载环视图像的像素点中整个车道线区域的候选点,得到候选点集,包括:
对所述车载环视图像进行灰度化;
在灰度化后的车载环视图像的像素点中,将满足亮度值大于预设候选点最低亮度阈值,且与距离所述像素点左、右预设车道线宽度处的像素点之间的亮度差值均大于预设亮度差阈值的像素点作为整个车道线区域的候选点;
将所有候选点作为所述整个车道线区域的候选点集。
上述方法中,优选的,利用不相交集合森林算法对所述候选点集进行区域生长。
上述方法中,优选的,所述对所述候选点集进行区域生长,并对区域生长后的所述候选点集进行聚类,得到候选点块集,包括:
参考预设建边规则,为所述候选点集建立边,得到边集合;
将建立边后的候选点集中每个候选点初始化为不相交集合森林中的一棵树;
对初始化后的边集合中的每条边进行遍历,判断当前遍历的边的两个端点是否在同一棵树中,如果是,则将所述两个端点所在的树合并;
查找并确定合并后的所有树中的每个候选点所在树的代表,将具有相同代表的所有候选点作为候选点块,得到所述候选点块集。
上述方法中,优选的,参考预设建边规则,为所述候选点集建立边,包括:
确定所述候选点集中每个候选点的右上、右、右下及下方的像素点;
当所述右上、右、右下及下方的像素点中任意一个像素点为候选点时,在所述像素点与所述候选点之间建立一条边。
上述方法中,优选的,按秩合并所述两个端点所在的树。
上述方法中,优选的,采用路径压缩方法进行查找合并后的所有树中的每个候选点所在树的代表。
上述方法中,优选的,对所述候选点块集进行直线拟合,得到当前帧车道线,包括:
保存当前帧之前N帧的车载环视图像对应的N对车道线;
对所述候选点块集进行直线拟合;
判断拟合得到的车道线与所述N对车道线是否匹配一致,如果是,则将所述拟合得到的车道线作为所述当前帧车道线。
上述方法中,优选的,还包括:
判断所述当前帧车道线与前一帧车道线是否匹配一致,如果一致,则采用卡尔曼滤波器对所述当前帧车道线的位置参数进行迭代追踪,得到追踪后的车道线,以提高检测车道线的准确度;
如果不一致,则以所述当前帧车道线的位置参数为初始值进行迭代追踪。
上述方法中,优选的,利用最小二乘法对所述候选点块集进行直线拟合。
本申请还提供了一种车道线检测***,包括:
图像获取单元,用于获取当前帧的车载环视图像;
候选点确定单元,用于确定所述车载环视图像的像素点中整个车道线区域的候选点,得到候选点集;
候选点块确定单元,用于对所述候选点集进行区域生长,并对区域生长后的候选点集进行聚类,得到候选点块集;
直线拟合单元,用于对所述候选点块集进行直线拟合,得到当前帧车道线。
以上本申请提供的车道线检测方法及***中,先确定当前帧的车载环视图像的像素点中整个车道线区域的候选点,得到候选点集;然后,对该候选点集进行区域生长,并对区域生长后的候选点集进行聚类,得到候选点块集;最后,对这个候选点块集进行直线拟合,得到当前帧车道线。可以看出,从候选点集,到候选点块集,最后直线拟合出当前帧车道线,相较现有技术中对边缘的检测,以上技术方案是对车道线区域的整个区域进行检测,并不区分边缘与非边缘的问题,有效解决了现有技术中对车道线区域的边缘进行检测,易产生噪声,使得车道线检测结果的准确度低的技术问题。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1为本申请一种车道线检测方法实施例1的流程图;
图2为本申请一种车道线检测方法实施例2的流程图;
图3为本申请一种车道线检测方法实施例3的流程图;
图4为本申请一种车道线检测方法实施例4的流程图;
图5为本申请一种车道线检测方法实施例4的一种示意图;
图6为本申请一种车道线检测方法实施例5的流程图;
图7为本申请一种车道线检测方法实施例6的流程图;
图8为本申请一种车道线检测***实施例1的结构框图示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
本申请的核心是提供一种车道线检测方法及***,以解决现有技术中对车道线区域的边缘进行检测,易产生噪声,使得车道线检测结果的准确度低的技术问题。
为了使本技术领域的人员更好地理解本申请方案,下面结合附图和具体实施方式对本申请作进一步的详细说明。
参考图1,示出了本申请一种车道线检测方法实施例1的流程图,该方法具体可以包括如下步骤:
步骤S100、获取当前帧的车载环视图像;
步骤S101、确定所述车载环视图像的像素点中整个车道线区域的候选点,得到候选点集;
步骤S102、对所述候选点集进行区域生长,并对区域生长后的候选点集进行聚类,得到候选点块集;
本申请中,优选的,利用不相交集合森林算法对所述候选点集进行区域生长。在现有的车道线检测方法中,由于边缘检测法易受到车载环视图像中复杂多变的道路信息的影响,使得边缘检测的鲁棒性差,进而也会降低车道线检测结果的准确性。而本申请采用的不相交集合森林算法,算法稳定、受环境影响较小,有较强的可用性,能有效进一步提高车道线检测结果的准确性。
步骤S103、对所述候选点块集进行直线拟合,得到当前帧车道线。
本申请中,为了使车道线检测结果具有更高的准确性,可以在对候选点块集进行直线拟合之前,根据候选点块的像素点的个数、区域宽度、区域高度等筛选车道线候选点块;也可以在对候选点块集进行直线拟合之后,根据单条直线与车载环视图像中轴线的夹角、两条直线的平行性、两条直线的位置、两条直线的水平距离等特征进行车道线筛;还可以,若两条直线间的距离小于一定阈值,则将直线所在的候选点块合并。并将合并后的点块重新拟合出新的直线。
本申请中,优选利用最小二乘法对所述候选点块集进行直线拟合。当然,这里的最小二乘法仅仅是举个例子,本申请并不局限于这一种,只要是能够进行直线拟合的算法均可采用。
综上,可以看出,以上技术方案从候选点集,到候选点块集,最后直线拟合出当前帧车道线,相较现有技术中对边缘的检测,以上技术方案是对车道线区域的整个区域进行检测,并不区分边缘与非边缘的问题,有效解决了现有技术中对车道线区域的边缘进行检测,易产生噪声,使得检测结果的准确度低的技术问题。
同时,由于本申请以上技术方案是对车道线区域的整个区域进行检测,有效避免了误检、漏检的情况,进一步提高了车道线检测结果的准确性。
参考图2,示出了本申请一种车道线检测方法实施例2的流程图,具体地,可以通过以下步骤执行步骤S101、确定所述车载环视图像的像素点中整个车道线区域的候选点,得到候选点集:
步骤S200、对所述车载环视图像进行灰度化;
具体地,将车载环视图像的RGB三个通道的采样值进行加权平均,使用符合人眼生理特点的加权参数。
步骤S201、在灰度化后的车载环视图像的像素点中,针对每一个像素点,判断该像素点的亮度值是否大于预设最低亮度阈值;如果是,则进入步骤S202;否则,进入步骤S204;
其中,根据车载环视的实际视野范围与车载环视图像的分辨率,设定车道线宽度;根据经验值设定车道线候选点的最低亮度阈值及车道线候选点与非车道线候选点的亮度差阈值;
在实际应用中,还可以先将车载环视图像中间盲区部分灰度值设置为0,然后再开始执行步骤S201的内容。
步骤S202、判断所述像素点与距离所述像素点左、右预设车道线宽度处的像素点之间的亮度值差值是否均大于预设亮度差阈值,如果是,则进入步骤S203;否则,进入步骤S204;
步骤S203、将所述像素点作为候选点(本申请中,候选点即为车道线区域候选点),集合所有候选点,得到整个车道线区域的候选点集;并将候选点的灰度值设为255。
步骤S204、将所述像素点作为非车道线候选点,并将非车道线候选点的灰度值设为0。
综上,简单来说,将满足下列两个条件的像素点亮度设置为车道线区域候选点:
条件1:像素点亮度大于车道线候选点的最低亮度阈值;
条件2:像素点与距离该像素点左右车道线宽度处的像素点亮度之差均大于亮度差阈值。
将不满足上述两个条件的像素点设置为非车道线区域候选点。
本申请中,将将候选点的灰度值设为255(对应白色),非车道线候选点的灰度值设为0(对应黑色),是一个对车载环视图像进行二值化处理的过程,其是为了明显地、适合人眼视觉习惯地区分开车道线区域与非车道线区域,当然,也可以将将候选点的灰度值设为0,非车道线候选点的灰度值设为255,此处并不做严格限定。
本申请中,使用《GOLD:A Parallel Real-Time Stereo Vision System forGeneric Obstacle and Lane Detection》文章中公开提出的平行特征提取算法对车载环视图像进行二值化处理。
参考图3,示出了本申请一种车道线检测方法实施例3的流程图,具体地,利用不相交集合森林算法,可以通过以下步骤执行步骤S102、对所述候选点集进行区域生长,并对区域生长后的候选点集进行聚类,得到候选点块集:
步骤S300、参考预设建边规则,为所述候选点集建立边,得到边集合;
步骤S301、将建立边后的候选点集中每个候选点初始化为不相交集合森林中的一棵树;此时,树的代表即为候选点自身。
步骤S302、对初始化后的边集合中的每条边进行遍历,判断当前遍历的边的两个端点是否在同一棵树中,如果是,则进入步骤S303;否则,进入步骤S304;
对于集合中的每一条边,如果其两个端点不在同一棵数中,即两个端点所在树的代表不相同,则将两个端点所在的树合并。
步骤S303、将所述两个端点所在的树合并;
步骤S304、遍历下一条边;
步骤S305、当遍历完边集合中所有的边时,查找并确定合并后的所有树中的每个候选点所在树的代表,将具有相同代表的所有候选点作为候选点块,得到所述候选点块集。
其中,代表相同的候候选点形成一个连通子图,该连通子图即为一候选点块;
本申请中,为降低时间复杂度,在合并树时,使用按秩合并:包含较少结点的树的根指向包含较多的结点的树的根;在查找端点所在的树的代表时,使用路径压缩方法:查找路径上的每个结点都直接指向根节点。
参考图4,示出了本申请一种车道线检测方法实施例4的流程图,具体地,可以通过以下步骤实现步骤S300、参考预设建边规则,为所述候选点集建立边,得到边集合:
步骤S400、确定所述候选点集中每个候选点的右上、右、右下及下方的像素点;
步骤S401、当所述右上、右、右下及下方的像素点中任意一个像素点为候选点时,在所述像素点与所述候选点之间建立一条边。
在实际运用中,如图5所示,在每个候选点(x,y)的8邻域像素点中,找到位于其右上、右、右下、下四个方向的像素点。若其中某像素点也为候选点,则在该点与(x,y)之间建立一条边。比如,(x+1,y-1)处的像素点为候选点,此时,在候选点(x,y)于候选点(x+1,y-1)之间建立边。
参考图6、示出了本申请一种车道线检测方法实施例5的流程图,具体地,可以通过以下步骤实现步骤S103、对所述候选点块集进行直线拟合,得到当前帧车道线:
步骤S500、保存当前帧之前N帧的车载环视图像对应的N对车道线;
其中,至于N的取值,可以是7,也可以是10,可由本领域技术人员依据实际情况自行设定,本申请并不做严格限定;
步骤S501、对所述候选点块集进行直线拟合;
步骤S502、判断拟合得到的车道线与所述N对车道线是否匹配一致,如果是,则将所述拟合得到的车道线作为所述当前帧车道线。
在实际应用中,建立查找表保存当前帧之前N帧的车载环视图像对应的N对车道线,通过查找表对拟合出的车道线进行进一步的筛选,以此来进一步提高车道线检测结果的准确性。一般认为与查找表中车道线信息相似的直线为车道线。
参考图7、示出了本申请一种车道线检测方法实施例6的流程图,具体地,得到当前帧车道线之后,还可以利用卡尔曼滤波器追踪车道线,以有效减少检测出的车道线摇摆现象,进而提高检测车道线的准确度;卡尔曼滤波器为公开的用于时变线性***的递归滤波器,将车载环视图像看作一个***,具体过程可以包括:
步骤S600、为了达到平稳估计,需要在滤波前判断滤波条件:判断所述当前帧车道线与前一帧车道线是否匹配一致,如果一致,也就是连续两帧中车道线的位置是相同的(也可以是车道线信息相近),则进入步骤S601,建立***模型;否则,进入步骤S602;
在实际应用中,建立***模型伊始,将第一帧识别出的车道线的位置参数设定为***模型初值,并根据经验值设定过程噪声和观测噪声的协方差矩阵,然后按本实施例方法将逐帧车道线的位置参数作为观测值送入滤波器进行迭代。
步骤S601、采用卡尔曼滤波器对所述当前帧车道线的位置参数进行迭代追踪,得到追踪后的车道线;
步骤S602、以所述当前帧车道线的位置参数为初始值进行迭代追踪。
需要说明的是,步骤S602是在当前帧车道线与前一帧车道线不匹配一致,且存在当前帧车道线时才执行的,若从当前帧的车载环视图像中没有检测出车道线时,滤波器迭代追踪从后续检测到车道线的第一帧重新开始。
与上述本申请一种车道线检测方法实施例1相对应,本申请还提供了一种车道线检测***实施例1,参考图8,该***700可以包括如下内容:
图像获取单元701,用于获取当前帧的车载环视图像;
候选点确定单元702,用于确定所述车载环视图像的像素点中整个车道线区域的候选点,得到候选点集;
候选点块确定单元703,用于对所述候选点集进行区域生长,并对区域生长后的候选点集进行聚类,得到候选点块集;
直线拟合单元704,用于对所述候选点块集进行直线拟合,得到当前帧车道线。
需要说明的是,本说明书中的各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其它实施例的不同之处,各个实施例之间相同相似的部分互相参见即可。对于***类实施例而言,由于其与方法实施例基本相似,所以描述得比较简单,相关之处参见方法实施例的部分说明即可。
以上对本申请所提供的车道线检测方法及***进行了详细介绍。本文中应用了具体个例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想。应当指出,对于本技术领域的普通技术人员来说,在不脱离本申请原理的前提下,还可以对本申请进行若干改进和修饰,这些改进和修饰也落入本申请权利要求的保护范围内。
Claims (9)
1.一种车道线检测方法,其特征在于,包括:
获取当前帧的车载环视图像;
确定所述车载环视图像的像素点中整个车道线区域的候选点,得到候选点集;
利用不相交集合森林算法对所述候选点集进行区域生长,并对区域生长后的候选点集进行聚类,得到候选点块集;
对所述候选点块集进行直线拟合,得到当前帧车道线;
其中,所述对所述候选点集进行区域生长,并对区域生长后的所述候选点集进行聚类,得到候选点块集,包括:
参考预设建边规则,为所述候选点集建立边,得到边集合;
将建立边后的候选点集中每个候选点初始化为不相交集合森林中的一棵树;
对初始化后的边集合中的每条边进行遍历,判断当前遍历的边的两个端点是否在同一棵树中,如果是,则将所述两个端点所在的树合并;
查找并确定合并后的所有树中的每个候选点所在树的代表,将具有相同代表的所有候选点作为候选点块,得到所述候选点块集。
2.如权利要求1所述的方法,其特征在于,所述确定所述车载环视图像的像素点中整个车道线区域的候选点,得到候选点集,包括:
对所述车载环视图像进行灰度化;
在灰度化后的车载环视图像的像素点中,将满足亮度值大于预设候选点最低亮度阈值,且与距离所述像素点左、右预设车道线宽度处的像素点之间的亮度差值均大于预设亮度差阈值的像素点作为整个车道线区域的候选点;
将所有候选点作为所述整个车道线区域的候选点集。
3.如权利要求1所述的方法,其特征在于,参考预设建边规则,为所述候选点集建立边,包括:
确定所述候选点集中每个候选点的右上、右、右下及下方的像素点;
当所述右上、右、右下及下方的像素点中任意一个像素点为候选点时,在所述像素点与所述候选点之间建立一条边。
4.如权利要求1所述的方法,其特征在于,按秩合并所述两个端点所在的树。
5.如权利要求1所述的方法,其特征在于,采用路径压缩方法进行查找合并后的所有树中的每个候选点所在树的代表。
6.如权利要求1所述的方法,其特征在于,对所述候选点块集进行直线拟合,得到当前帧车道线,包括:
保存当前帧之前N帧的车载环视图像对应的N对车道线;
对所述候选点块集进行直线拟合;
判断拟合得到的车道线与所述N对车道线是否匹配一致,如果是,则将所述拟合得到的车道线作为所述当前帧车道线。
7.如权利要求1至6任意一项所述的方法,其特征在于,还包括:
判断所述当前帧车道线与前一帧车道线是否匹配一致,如果一致,则采用卡尔曼滤波器对所述当前帧车道线的位置参数进行迭代追踪,得到追踪后的车道线,以提高检测车道线的准确度;
如果不一致,则以所述当前帧车道线的位置参数为初始值进行迭代追踪。
8.如权利要求1至6任意一项所述的方法,其特征在于,利用最小二乘法对所述候选点块集进行直线拟合。
9.一种车道线检测***,其特征在于,包括:
图像获取单元,用于获取当前帧的车载环视图像;
候选点确定单元,用于确定所述车载环视图像的像素点中整个车道线区域的候选点,得到候选点集;
候选点块确定单元,用于利用不相交集合森林算法对所述候选点集进行区域生长,并对区域生长后的候选点集进行聚类,得到候选点块集;所述对所述候选点集进行区域生长,并对区域生长后的所述候选点集进行聚类,得到候选点块集,包括参考预设建边规则,为所述候选点集建立边,得到边集合;将建立边后的候选点集中每个候选点初始化为不相交集合森林中的一棵树;对初始化后的边集合中的每条边进行遍历,判断当前遍历的边的两个端点是否在同一棵树中,如果是,则将所述两个端点所在的树合并;查找并确定合并后的所有树中的每个候选点所在树的代表,将具有相同代表的所有候选点作为候选点块,得到所述候选点块集;
直线拟合单元,用于对所述候选点块集进行直线拟合,得到当前帧车道线。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510134099.9A CN105320927B (zh) | 2015-03-25 | 2015-03-25 | 车道线检测方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510134099.9A CN105320927B (zh) | 2015-03-25 | 2015-03-25 | 车道线检测方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105320927A CN105320927A (zh) | 2016-02-10 |
CN105320927B true CN105320927B (zh) | 2018-11-23 |
Family
ID=55248288
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510134099.9A Active CN105320927B (zh) | 2015-03-25 | 2015-03-25 | 车道线检测方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105320927B (zh) |
Families Citing this family (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106529505A (zh) * | 2016-12-05 | 2017-03-22 | 惠州华阳通用电子有限公司 | 一种基于图像视觉的车道线检测方法 |
CN107273935B (zh) * | 2017-07-09 | 2020-11-27 | 北京流马锐驰科技有限公司 | 一种基于自适应K-Means的车道标志分组方法 |
CN108875603B (zh) * | 2018-05-31 | 2021-06-04 | 上海商汤智能科技有限公司 | 基于车道线的智能驾驶控制方法和装置、电子设备 |
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 |
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 |
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 |
CN109977776B (zh) * | 2019-02-25 | 2023-06-23 | 驭势(上海)汽车科技有限公司 | 一种车道线检测方法、装置及车载设备 |
CN110163109B (zh) * | 2019-04-23 | 2021-09-17 | 浙江大华技术股份有限公司 | 一种车道线标注方法及装置 |
CN110163853B (zh) * | 2019-05-14 | 2021-05-25 | 广东奥普特科技股份有限公司 | 一种边缘缺陷的检测方法 |
CN113066039A (zh) * | 2019-12-12 | 2021-07-02 | 北京沃东天骏信息技术有限公司 | 图像主体识别的方法和装置 |
CN113255404A (zh) * | 2020-02-11 | 2021-08-13 | 北京百度网讯科技有限公司 | 车道线识别方法、装置、电子设备和计算机可读存储介质 |
CN111353466B (zh) * | 2020-03-12 | 2023-09-22 | 北京百度网讯科技有限公司 | 车道线识别处理方法、设备、存储介质 |
CN115129705B (zh) * | 2022-08-31 | 2022-11-29 | 高德软件有限公司 | 车道连通关系的确定方法和装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102156979A (zh) * | 2010-12-31 | 2011-08-17 | 上海电机学院 | 基于GrowCut的车道线快速检测方法及*** |
CN102254429A (zh) * | 2011-05-13 | 2011-11-23 | 东南大学 | 一种基于视频识别的违章车辆检测装置和方法 |
CN102298693A (zh) * | 2011-05-18 | 2011-12-28 | 浙江大学 | 基于计算机视觉的高速公路弯道检测方法 |
CN104309606A (zh) * | 2014-11-06 | 2015-01-28 | 中科院微电子研究所昆山分所 | 基于360度全景的车道偏离预警方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8311283B2 (en) * | 2008-07-06 | 2012-11-13 | Automotive Research&Testing Center | Method for detecting lane departure and apparatus thereof |
-
2015
- 2015-03-25 CN CN201510134099.9A patent/CN105320927B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102156979A (zh) * | 2010-12-31 | 2011-08-17 | 上海电机学院 | 基于GrowCut的车道线快速检测方法及*** |
CN102254429A (zh) * | 2011-05-13 | 2011-11-23 | 东南大学 | 一种基于视频识别的违章车辆检测装置和方法 |
CN102298693A (zh) * | 2011-05-18 | 2011-12-28 | 浙江大学 | 基于计算机视觉的高速公路弯道检测方法 |
CN104309606A (zh) * | 2014-11-06 | 2015-01-28 | 中科院微电子研究所昆山分所 | 基于360度全景的车道偏离预警方法 |
Non-Patent Citations (2)
Title |
---|
"Robust Lane Detection and Tracking in Challenging Scenarios";ZuWhan Kim;《IEEE Transactions on Intelligent Transportation Systems》;20080226;全文 * |
"基于单目视觉的车道线分离警告算法研究";徐后杰 等;《微处理机》;20110630(第3期);第73-74页 * |
Also Published As
Publication number | Publication date |
---|---|
CN105320927A (zh) | 2016-02-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105320927B (zh) | 车道线检测方法及*** | |
CN102609684B (zh) | 人体姿势检测方法及装置 | |
US9129397B2 (en) | Human tracking method and apparatus using color histogram | |
WO2020042866A1 (zh) | 线段检测方法、装置、设备和计算机可读存储介质 | |
CN105460009B (zh) | 汽车控制方法及装置 | |
CN110858295A (zh) | 一种交警手势识别方法、装置、整车控制器及存储介质 | |
CN109271928A (zh) | 一种基于矢量路网融合与高分遥感影像验证的道路网自动更新方法 | |
KR20160023409A (ko) | 차선 이탈 경보 시스템의 동작방법 | |
CN106339657B (zh) | 基于监控视频的秸秆焚烧监测方法、装置 | |
CN102938057B (zh) | 一种车辆阴影消除方法及装置 | |
CN106845410B (zh) | 一种基于深度学习模型的火焰识别方法 | |
CN101383004A (zh) | 一种红外和可见光图像相结合的乘客目标检测方法 | |
CN104966067A (zh) | 保护隐私的图像处理方法及*** | |
CN107067412A (zh) | 一种多信息融合的视频火焰烟雾检测方法 | |
CN102855617A (zh) | 自适应图像处理方法及*** | |
CN103577828B (zh) | 一种基于边缘特征的道路检测方法 | |
CN105022999A (zh) | 一种人码伴随实时采集*** | |
CN103996030A (zh) | 一种车道线检测方法 | |
CN110636281B (zh) | 一种基于背景模型的监控摄像头遮挡实时检测方法 | |
CN102693535B (zh) | 一种检测dr图像中束光器区域的方法 | |
CN110147748A (zh) | 一种基于道路边缘检测的移动机器人障碍物识别方法 | |
CN112101260B (zh) | 一种作业人员安全带识别方法、装置、设备和存储介质 | |
CN110399807A (zh) | 检测地面障碍物的方法、装置、可读存储介质及电子设备 | |
CN109684946A (zh) | 一种基于单高斯背景建模的厨房老鼠检测方法 | |
KR102171384B1 (ko) | 영상 보정 필터를 이용한 객체 인식 시스템 및 방법 |
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 | ||
CP03 | "change of name, title or address" |
Address after: 215347 7th floor, IIR complex, 1699 Weicheng South Road, Kunshan City, Suzhou City, Jiangsu Province Patentee after: Kunshan Microelectronics Technology Research Institute Address before: 215347 7th floor, complex building, No. 1699, Weicheng South Road, Kunshan City, Suzhou City, Jiangsu Province Patentee before: KUNSHAN BRANCH, INSTITUTE OF MICROELECTRONICS OF CHINESE ACADEMY OF SCIENCES |
|
CP03 | "change of name, title or address" |