CN105678287A - 一种基于脊度量的车道线检测方法 - Google Patents
一种基于脊度量的车道线检测方法 Download PDFInfo
- Publication number
- CN105678287A CN105678287A CN201610119349.6A CN201610119349A CN105678287A CN 105678287 A CN105678287 A CN 105678287A CN 201610119349 A CN201610119349 A CN 201610119349A CN 105678287 A CN105678287 A CN 105678287A
- Authority
- CN
- China
- Prior art keywords
- line segment
- ridge
- line
- sigma
- image
- 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
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/211—Selection of the most significant subset of features
- G06F18/2113—Selection of the most significant subset of features by ranking or filtering the set of features, e.g. using a measure of variance or of feature cross-correlation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/48—Extraction of image or video features by mapping characteristic values of the pattern into a parameter space, e.g. Hough transformation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于脊度量的车道线检测方法,属于汽车主动安全技术领域,包括:步骤1采集车辆前方道路原始图像;步骤2确定感兴趣区;步骤3计算感兴趣区内图像的脊度量数值;步骤4计算所有像素点的脊度量值的平均值p和方差σ,将所有脊度量值大于p-3σ的像素点视为潜在的车道线特征点、并置为1,将图像中非潜在特征点则置为0,得到仅含有潜在的车道线特征点的二值化图像;步骤5对提取出的车道线特征点进行筛选,获得仅含有车道线线段的二值化图像Img_B;步骤6:针对步骤5得到的二值化图像Img_B,进行直线霍夫变换,并获得直线模型参数。本发明借助脊度量的特征点提取和霍夫变换,对车道线边缘特征进行提取并建立直线模型,具有较好的稳定性和鲁棒性。
Description
技术领域
本发明属于图像处理技术领域,涉及图像分割和图像曲线几何特性检测,具体涉及一种基于脊度量的快速路车道线检测方法。
背景技术
交通安全问题已成为世界性的大问题,因此汽车的安全性对人类生命财产的影响是不言而喻的。随着高速公路的发展和汽车性能的提高,汽车行驶速度也相应加快,加之汽车数量增加以及交通运输日益繁忙,汽车事故增多所引起的人员伤亡和财产损失,已成为一个不容忽视的社会问题,汽车的行车安全更显得非常重要。而传统的被动安全已经远远不能避免交通的事故发生,因此主动安全的概念慢慢的形成并不断的完善。视觉传感由于具有信息量大、成本低廉的特点,在汽车主动安全领域有着广泛的应用。
车道线检测技术是指利用图像传感等手段检测出道路车道虚实标线的技术,它是汽车主动安全领域的关键技术之一。在基于视觉的车道保持***中,车道线的检测和跟踪是一个基本的、必要的功能,它能防止汽车偏离车道,同时也可以给包括碰撞预警等其它主动安全***提供重要的道路环境信息。从上世纪九十年代中期起,包括美国、德国在内的欧美等国进行了大量相关方向的研究,并且已经成功研制出一些各具特色的车道偏离预警***。这些***在车辆发生偏移或具有偏移趋势时给驾驶员以警示信息,甚至主动介入车辆控制,以达到防止事故发生的目的。
目前已有的快速路车道线检测方法往往采用较为简单方法和宽松约束来获得车道线边缘特征点,而在车道线参数估计阶段采用较为复杂的模型,如最优贝叶斯估计和最大似然估计等。该类方法在大部分场景下具有较好的检测效果,但是某些道路由于受树木、光强、坑洼、路面材质不均、其它路面标记以及阴影影响等原因,使得该方法在车道线标记状况复杂及路面均一度较差的情况下,往往将大量非车道线特征点判断为车道线特征点,导致车道线参数估计偏差。
为了方便对本发明的内容进行描述,需要对一些概念进行说明。
概念1.摄像机参数和摄像机标定:摄相机参数描述的是摄像机本身的成像几何模型。它表征了物体从三维世界坐标系下映射到二维图像坐标系下的转换关系。通过某些实验获得这些参数的过程则被称为摄像机标定(或定标)。摄像机的参数包括内部参数和外部参数,内部参数包括主点坐标、焦距等,外部参数包括摄像机位置、姿态等。
概念2.感兴趣区(ROI:ReignofInterest):在图像处理领域,感兴趣区域(ROI)是指从图像中选择的一个局部图像区域,这个区域是图像分析所关注的重点。确定该区域以便进行进一步处理。使用ROI往往可以减少处理时间,增加精度。
概念3.霍夫变换:即Hough变换,其基本思想是利用点-线的对偶性,即:图像空间里共线的点对应参数空间里相交的直线;反之,参数空间里相交于同一点的所有直线在图像空间里都有共线的点与之对应。利用霍夫变换可以将直线特征搜索问题转化为参数空间中的最大值搜索问题。
发明内容
针对上述问题,本发明提出了一种基于脊度量的车道线检测方法,与同类方法相比,脊度量计算应用到了车道标线邻域像素,而传统边缘提取仅考虑到了相邻两个像素之间的差异。因此,所提方法具有稳定性强,适用工况较为广泛等优点。
本发明对脊度量的定义:一种对图像灰度值和山脊形态近似程度的度量值。例如,山脊呈现中间高、两边低,且具有一定对称性的形态,若图像中某区域灰度值大,两侧灰度值低,且具有较好的对称性,则该点的脊度量值较大,反之较小。
实现本发明的技术方案如下:
一种基于脊度量的车道线检测方法,包括如下步骤:
步骤1:采集车辆前方道路原始图像Img;
步骤2:确定感兴趣区I;
步骤3:计算感兴趣区内图像的脊度量数值;
步骤4:计算所有像素点的脊度量值的平均值p和方差σ,将所有脊度量值大于p-3σ的像素点视为潜在的车道线特征点、并置为1,将图像中非潜在特征点则置为0,得到仅含有潜在的车道线特征点的二值化图像;
步骤5:对经过步骤4提取出的车道线特征点进行筛选,获得仅含有车道线线段的二值化图像Img_B;
步骤6:针对步骤5得到的二值化图像Img_B,进行传统的直线霍夫变换,并获得直线模型参数。
进一步优选方案,所述步骤1的具体实现包括:通过安装在车辆内部或外部的摄像机采集车辆前方路况原始图像Img。
进一步优选方案,所述步骤2中所述感兴趣区I的确定方法为:根据摄像机的内部参数和外部参数,获取摄像头视野中地平面消失线以下、图像左右边界之内的区域为感兴趣区。
进一步优选方案,所述步骤3的具体实现包括:
步骤3-1:将原始ROI内的灰度图像g(x)和二维高斯滤波器Gσd做卷积运算:
Lσd(x)=Gσd(x)*g(x);
其中,Gσd是一个各向异性高斯核,其协方差矩阵为∑=diag(σdx,σdy),其中,σdy是常数HR,σdx为变化量,其数值为图像各行所对应车道线宽的一半;
步骤3-2:计算图像每个像素点x沿着第u行和第v列方向的梯度矢量场:
此外,计算新矩阵:
sσd(x)=wσd(x)·(wσd(x))T;
步骤3-3:计算结构张量场:
其中,为另一高斯核;
步骤3-4:设为最大特征值所对应的特征向量,则某像素点x对应的脊度量值计算式如下:
其中,div为散度;
步骤3-5:将图像中感兴趣区域内所有像素点进行脊度量的计算。
进一步优选方案,所述步骤5的具体实现包括如下步骤:
步骤5-1:线段统计:二值化图像中,对所有连续线段进行统计,并将每一个线段视为一个单元Ui;
步骤5-2:线段参数计算:对每一个线段单元Ui,计算其长度li、平均斜率ai和线段斜率一致性δi;
某一线段单元Ui的平均斜率ai计算公式如下:
其中,ak为线段内两点间的斜率,命名为子斜率,uk,vk为线段中某一点x的坐标;
某一线段单元Ui的线段斜率一致性δi计算方法为统计子斜率的均方差:
δi=E(ak)
步骤5-3:进行线段筛选,获得去除干扰线段后的仅含有车道线线段的二值化图像Img_B。
进一步优选方案,所述步骤5-3中所述线段筛选的规则为:
1)去除长度小于0.07HR的线段,即短线段;
2)去除平均斜率在[π/8,3π/8]以及[5π/8,7π/8]范围之外的线段,即和理想车道线斜率相差较大的线段;
3)去除线段斜率一致性δi>6.73的线段,即形状不规则线段。
进一步优选方案,所述步骤6的具体实现包括如下步骤:
步骤6-1:遍历图像Img_B中的每个像素点(x,y),计算ρ=xcos(θ)+ysin(θ):θ∈[0°~180°],得到所有经过像素点(x,y)的直线组{(ρ,θ)|θ∈[0°~180°]};
其中:(x,y)表示图像Img_B中的像素点的位置;ρ表示经过像素点(x,y)的直线距离坐标原点,即图像Img_B左下角点的举例;θ表示角度,且θ∈[0°~180°];
步骤6-2:将图像Img_B中所有像素点(x,y)的直线组{(ρ,θ)|θ∈[0°~180°]}映射到H(ρ,θ)空间,得到ρ-θ参数空间累加图像Img_H;
步骤6-3:在ρ-θ参数空间累加图像Img_H的上半幅图像、下半幅图像中分别搜索出两个极大值M1、M2,则其对应ρ-θ参数对(ρl,θl)、(ρr,θr)即为感兴趣区域ROI-I内左右车道线极坐标形式下的直线模型参数;
进一步变换,得到像素坐标系下的左车道线、右车道线直线模型为:
其中,l代表左车道线,r代表右车道线。
本发明的有益效果:
本发明充分利用了图像中车道线在远近视场中分布的特点,借助脊度量的特征点提取和霍夫变换,有效地对车道线边缘特征进行提取并建立直线模型。其中多个关键步骤(脊度量、特征线段筛选策略、霍夫变换)都采用了具有较强适应性和一定容错性的算法,大大提高了本发明的稳定性和鲁棒性。
附图说明
图1是本发明提出的基于脊度量的车道线检测的方法流程图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步说明。
如图1所示,为本发明提出的基于脊度量的车道线检测方法的流程图,具体包括如下步骤:
步骤1:采集车辆前方道路原始图像Img。
车辆前行过程中,通过安装在车辆内部或外部的摄像机采集车辆前方路况原始图像Img。
步骤2:确定感兴趣区I(ROI)。
根据摄像机的内部参数和外部参数,获取摄像头视野中地平面消失线以下、图像左右边界之内的区域为感兴趣区ROI,设ROI在图像中的高宽分别为HR和WR。
步骤3:感兴趣区ROI内图像的脊度量数值计算。具体计算包括如下步骤:
步骤3-1:将原始ROI内的灰度图像g(x)和二维高斯滤波器Gσd做卷积运算:
Lσd(x)=Gσd(x)*g(x)(1)
式(1)中,Gσd是一个各向异性高斯核,其协方差矩阵为∑=diag(σdx,σdy)(这里Σ就是一个表示协方差矩阵的符号,不是求和符号),其中,σdy是常数HR,σdx为变化量,其数值为图像各行所对应车道线宽(以像素计算)的一半。
步骤3-2:计算图像每个像素点x沿着第u行和第v列方向的梯度矢量场,如下:
此外,计算新矩阵:
sσd(x)=wσd(x)·(wσd(x))T(3)
步骤3-3:计算结构张量场:
式(4)中,为另一高斯核。
步骤3-4:设为最大特征值所对应的特征向量,则某像素点x对应的脊度量值计算式如下:
式(5)中,div为散度。
步骤3-5:将图像中感兴趣区域ROI内所有像素点进行脊度量的计算。
步骤4:该步骤中计算所有像素点的脊度量值的平均值p和方差σ,将所有脊度量值大于p-3σ的像素点视为潜在的车道线特征点、并置为1,将图像中非潜在特征点则置为0。至此,得到仅含有潜在的车道线特征点的二值化图像。
步骤5:对经过步骤4提取出的车道线特征点进行筛选,获得仅含有车道线线段的二值化图像Img_B。具体包括如下步骤:
步骤5-1:线段统计。二值化图像中,存在大量线段。在该步骤中,对所有连续线段进行统计,并将每一个线段视为一个单元Ui。
步骤5-2:线段参数计算。对每一个线段单元Ui,计算其长度li(即线段含有点的个数n),平均斜率ai和线段斜率一致性δi。
某一线段单元Ui的平均斜率ai计算公式如下:
式(6)中,ak为线段内两点间的斜率,命名为子斜率,uk,vk为线段中某一点x的坐标。
某一线段单元Ui的线段斜率一致性δi计算方法为统计子斜率的均方差:
δi=E(ak)(7)
步骤5-3:线段筛选。筛选规则有如下三条:
1)去除长度小于0.07HR的线段,即短线段;
2)去除平均斜率在[π/8,3π/8]以及[5π/8,7π/8]范围之外的线段,即和理想车道线斜率相差较大的线段;
3)去除线段斜率一致性δi>6.73的线段,即形状不规则线段。
至此,获得去除干扰线段后的仅含有车道线线段的二值化图像Img_B。
步骤6:因为快速路曲率较大,因此可近似视为直线模型,针对步骤5得到的二值化图像Img_B,进行传统的直线霍夫变换,并获得直线模型参数。具体包括以下步骤:
步骤6-1:遍历图像Img_B中的每个像素点(x,y),计算ρ=xcos(θ)+ysin(θ):θ∈[0°~180°],得到所有经过像素点(x,y)的直线组{(ρ,θ)|θ∈[0°~180°]};其中:(x,y)表示图像Img_B中的像素点的位置;ρ表示经过像素点(x,y)的直线距离坐标原点,即图像Img_B左下角点的举例;θ表示角度,且θ∈[0°~180°]。
步骤6-2:将图像Img_B中所有像素点(x,y)的直线组{(ρ,θ)|θ∈[0°~180°]}映射到H(ρ,θ)空间,得到ρ-θ参数空间累加图像Img_H;
步骤6-3:在ρ-θ参数空间累加图像Img_H的上半幅图像、下半幅图像中分别搜索出两个极大值M1、M2。则其对应ρ-θ参数对(ρl,θl)、(ρr,θr)即为感兴趣区域ROI-I内左、右车道线极坐标形式下的直线模型参数。
进一步,得到像素坐标系下的左右车道线直线模型为:
其中,l代表左车道线,r代表右车道线。
本发明具体实施例
采用本发明的方法,首先使用C++语言编写车道线检测软件;然后将摄像机安装在汽车上(内部和外部皆可)。然后对摄像机的内外部参数进行标定,并在车辆行驶过程中对前方图像进行采集;随后,把拍摄到的原始图像(720x480)输入到车道检测软件中进行处理;实验共采集多种工况下约90小时的视频,在晴好天气时,本发明的车道线检测算法成功率在98%左右;在夜间、雨雪等不良天气下也有约96%的成功率。平均每帧处理时间约为50ms,运行环境为Win7,CPU为四核2.4GHz。
综上所述,本发明充分利用远近视野车道线特点,采用一种基于脊度量的车道线检测策略,从而实现了准确的从所提供的输入源图像中检测出车道线的方法。
以上所述仅用于描述本发明的技术方案和具体实施例,并不用于限定本发明的保护范围,在不违背本发明实质内容和精神的前提下,所作任何修改和润饰等都将落入本发明的保护范围内。
Claims (7)
1.一种基于脊度量的车道线检测方法,其特征在于,包括如下步骤:
步骤1:采集车辆前方道路原始图像Img;
步骤2:确定感兴趣区I;
步骤3:计算感兴趣区内图像的脊度量数值;
步骤4:计算所有像素点的脊度量值的平均值p和方差σ,将所有脊度量值大于p-3σ的像素点视为潜在的车道线特征点、并置为1,将图像中非潜在特征点则置为0,得到仅含有潜在的车道线特征点的二值化图像;
步骤5:对经过步骤4提取出的车道线特征点进行筛选,获得仅含有车道线线段的二值化图像Img_B;
步骤6:针对步骤5得到的二值化图像Img_B,进行传统的直线霍夫变换,并获得直线模型参数。
2.根据权利要求1所述的一种基于脊度量的车道线检测方法,其特征在于,所述步骤1的具体实现包括:通过安装在车辆内部或外部的摄像机采集车辆前方路况原始图像Img。
3.根据权利要求2所述的一种基于脊度量的车道线检测方法,其特征在于,所述步骤2中所述感兴趣区I的确定方法为:根据摄像机的内部参数和外部参数,获取摄像头视野中地平面消失线以下、图像左右边界之内的区域为感兴趣区。
4.根据权利要求1所述的一种基于脊度量的车道线检测方法,其特征在于,所述步骤3的具体实现包括:
步骤3-1:将原始ROI内的灰度图像g(x)和二维高斯滤波器Gσd做卷积运算:
Lσd(x)=Gσd(x)*g(x);
其中,Gσd是一个各向异性高斯核,其协方差矩阵为∑=diag(σdx,σdy),其中,σdy是常数HR,σdx为变化量,其数值为图像各行所对应车道线宽的一半;
步骤3-2:计算图像每个像素点x沿着第u行和第v列方向的梯度矢量场:
此外,计算新矩阵:
sσd(x)=wσd(x)·(wσd(x))T;
步骤3-3:计算结构张量场:
其中,为另一高斯核;
步骤3-4:设为最大特征值所对应的特征向量,则某像素点x对应的脊度量值计算式如下:
其中,div为散度;
步骤3-5:将图像中感兴趣区域内所有像素点进行脊度量的计算。
5.根据权利要求1所述的一种基于脊度量的车道线检测方法,其特征在于,所述步骤5的具体实现包括如下步骤:
步骤5-1:线段统计:二值化图像中,对所有连续线段进行统计,并将每一个线段视为一个单元Ui;
步骤5-2:线段参数计算:对每一个线段单元Ui,计算其长度li、平均斜率ai和线段斜率一致性δi;
某一线段单元Ui的平均斜率ai计算公式如下:
其中,ak为线段内两点间的斜率,命名为子斜率,uk,vk为线段中某一点x的坐标;
某一线段单元Ui的线段斜率一致性δi计算方法为统计子斜率的均方差:
δi=E(ak)
步骤5-3:进行线段筛选,获得去除干扰线段后的仅含有车道线线段的二值化图像Img_B。
6.根据权利要求5所述的一种基于脊度量的车道线检测方法,其特征在于,所述步骤5-3中所述线段筛选的规则为:
1)去除长度小于0.07HR的线段,即短线段;
2)去除平均斜率在[π/8,3π/8]以及[5π/8,7π/8]范围之外的线段,即和理想车道线斜率相差较大的线段;
3)去除线段斜率一致性δi>6.73的线段,即形状不规则线段。
7.根据权利要求1所述的一种基于脊度量的车道线检测方法,其特征在于,所述步骤6的具体实现包括如下步骤:
步骤6-1:遍历图像Img_B中的每个像素点(x,y),计算ρ=xcos(θ)+ysin(θ):θ∈[0°~180°],得到所有经过像素点(x,y)的直线组{(ρ,θ)|θ∈[0°~180°]};
其中:(x,y)表示图像Img_B中的像素点的位置;ρ表示经过像素点(x,y)的直线距离坐标原点,即图像Img_B左下角点的举例;θ表示角度,且θ∈[0°~180°];
步骤6-2:将图像Img_B中所有像素点(x,y)的直线组{(ρ,θ)|θ∈[0°~180°]}映射到H(ρ,θ)空间,得到ρ-θ参数空间累加图像Img_H;
步骤6-3:在ρ-θ参数空间累加图像Img_H的上半幅图像、下半幅图像中分别搜索出两个极大值M1、M2,则其对应ρ-θ参数对(ρl,θl)、(ρr,θr)即为感兴趣区域ROI-I内左右车道线极坐标形式下的直线模型参数;
进一步变换,得到像素坐标系下的左车道线、右车道线直线模型为:
其中,l代表左车道线,r代表右车道线。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610119349.6A CN105678287B (zh) | 2016-03-02 | 2016-03-02 | 一种基于脊度量的车道线检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610119349.6A CN105678287B (zh) | 2016-03-02 | 2016-03-02 | 一种基于脊度量的车道线检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105678287A true CN105678287A (zh) | 2016-06-15 |
CN105678287B CN105678287B (zh) | 2019-04-30 |
Family
ID=56307843
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610119349.6A Active CN105678287B (zh) | 2016-03-02 | 2016-03-02 | 一种基于脊度量的车道线检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105678287B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106803066A (zh) * | 2016-12-29 | 2017-06-06 | 广州大学 | 一种基于Hough变换的车辆偏航角确定方法 |
CN107229908A (zh) * | 2017-05-16 | 2017-10-03 | 浙江理工大学 | 一种车道线检测方法 |
CN107284455A (zh) * | 2017-05-16 | 2017-10-24 | 浙江理工大学 | 一种基于图像处理的adas*** |
CN109325389A (zh) * | 2017-07-31 | 2019-02-12 | 比亚迪股份有限公司 | 车道线识别方法、装置及车辆 |
CN109948552A (zh) * | 2019-03-20 | 2019-06-28 | 四川大学 | 一种复杂交通环境中的车道线检测的方法 |
CN110147698A (zh) * | 2018-02-13 | 2019-08-20 | Kpit技术有限责任公司 | 用于车道检测的***和方法 |
CN110209924A (zh) * | 2018-07-26 | 2019-09-06 | 腾讯科技(深圳)有限公司 | 推荐参数获取方法、装置、服务器及存储介质 |
CN112712091A (zh) * | 2019-10-27 | 2021-04-27 | 北京易讯理想科技有限公司 | 图像特征区域检测方法 |
Citations (2)
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 |
CN103473762A (zh) * | 2013-08-29 | 2013-12-25 | 奇瑞汽车股份有限公司 | 一种车道线检测方法和装置 |
-
2016
- 2016-03-02 CN CN201610119349.6A patent/CN105678287B/zh active Active
Patent Citations (2)
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 |
CN103473762A (zh) * | 2013-08-29 | 2013-12-25 | 奇瑞汽车股份有限公司 | 一种车道线检测方法和装置 |
Non-Patent Citations (2)
Title |
---|
XINXIN DU等: "Vision-based approach towards lane line detection and vehicle localization", 《MACHINE VISION AND APPLICATIONS》 * |
王海等: "基于方向可变Haar特征和双曲线模型的车道线检测方法", 《交通运输工程学报》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106803066A (zh) * | 2016-12-29 | 2017-06-06 | 广州大学 | 一种基于Hough变换的车辆偏航角确定方法 |
CN107229908A (zh) * | 2017-05-16 | 2017-10-03 | 浙江理工大学 | 一种车道线检测方法 |
CN107284455A (zh) * | 2017-05-16 | 2017-10-24 | 浙江理工大学 | 一种基于图像处理的adas*** |
CN107284455B (zh) * | 2017-05-16 | 2019-06-21 | 浙江理工大学 | 一种基于图像处理的adas*** |
CN107229908B (zh) * | 2017-05-16 | 2019-11-29 | 浙江理工大学 | 一种车道线检测方法 |
CN109325389A (zh) * | 2017-07-31 | 2019-02-12 | 比亚迪股份有限公司 | 车道线识别方法、装置及车辆 |
CN110147698A (zh) * | 2018-02-13 | 2019-08-20 | Kpit技术有限责任公司 | 用于车道检测的***和方法 |
CN110209924A (zh) * | 2018-07-26 | 2019-09-06 | 腾讯科技(深圳)有限公司 | 推荐参数获取方法、装置、服务器及存储介质 |
CN109948552A (zh) * | 2019-03-20 | 2019-06-28 | 四川大学 | 一种复杂交通环境中的车道线检测的方法 |
CN112712091A (zh) * | 2019-10-27 | 2021-04-27 | 北京易讯理想科技有限公司 | 图像特征区域检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN105678287B (zh) | 2019-04-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105678287A (zh) | 一种基于脊度量的车道线检测方法 | |
Bilal et al. | Real-time lane detection and tracking for advanced driver assistance systems | |
CN101608924B (zh) | 一种基于灰度估计和级联霍夫变换的车道线检测方法 | |
CN107730520B (zh) | 车道线检测方法及*** | |
CN106529493B (zh) | 一种基于透视图的鲁棒性多车道线检测方法 | |
CN110443225B (zh) | 一种基于特征像素统计的虚实车道线识别方法及其装置 | |
CN110298216B (zh) | 基于车道线梯度图像自适应阈值分割的车辆偏离报警方法 | |
CN107066986A (zh) | 一种基于单目视觉的车道线与前方障碍物检测方法 | |
Daigavane et al. | Road lane detection with improved canny edges using ant colony optimization | |
Wu et al. | Applying a functional neurofuzzy network to real-time lane detection and front-vehicle distance measurement | |
Labayrade et al. | In-vehicle obstacles detection and characterization by stereovision | |
Prakash et al. | Robust obstacle detection for advanced driver assistance systems using distortions of inverse perspective mapping of a monocular camera | |
Liu et al. | Development of a vision-based driver assistance system with lane departure warning and forward collision warning functions | |
Zhang et al. | Robust inverse perspective mapping based on vanishing point | |
CN202134079U (zh) | 一种无人驾驶车辆车道标志线识别与报警装置 | |
CN103440785B (zh) | 一种快速的车道偏移警示方法 | |
Wei et al. | Research on lane detection and tracking algorithm based on improved hough transform | |
CN112001216A (zh) | 一种基于计算机的汽车行驶车道检测*** | |
Sun | Vision based lane detection for self-driving car | |
CN102982304A (zh) | 利用偏光图像检测车辆位置的方法和*** | |
Liu et al. | Lane detection based on straight line model and k-means clustering | |
Xu et al. | Road lane modeling based on RANSAC algorithm and hyperbolic model | |
CN107220632B (zh) | 一种基于法向特征的路面图像分割方法 | |
Ding et al. | A lane detection method based on semantic segmentation | |
CN116142186A (zh) | 不良环境下车辆安全行驶预警方法、装置、介质和设备 |
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 |