CN106127113A - 一种基于三维激光雷达的道路车道线检测方法 - Google Patents
一种基于三维激光雷达的道路车道线检测方法 Download PDFInfo
- Publication number
- CN106127113A CN106127113A CN201610426111.8A CN201610426111A CN106127113A CN 106127113 A CN106127113 A CN 106127113A CN 201610426111 A CN201610426111 A CN 201610426111A CN 106127113 A CN106127113 A CN 106127113A
- Authority
- CN
- China
- Prior art keywords
- grid
- data
- laser radar
- radar
- 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.)
- Pending
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)
- Traffic Control Systems (AREA)
Abstract
本发明涉及一种基于三维激光雷达的车道线检测方法,它包括步骤:1)建立检测车辆的雷达坐标系oxyz;2)建立雷达坐标系oxy下感兴趣区域,对激光雷达采集到的感兴趣区域数据进行栅格化处理;3)根据栅格内部最高点和最低点数据滤除非地面栅格,并利用最高点数据滤除非车道内栅格;4)求取栅格内激光雷达反射强度数据的平均值,设定激光雷达采集数据反射强度的阈值,滤除和车道线反射强度差异较大的栅格;5)滤除接近车道线反射强度信息的孤立或异常栅格;6)将上述得到的栅格进行最小二乘法的曲线拟合,得到道路车道线。本发明能够实时处理,昼夜工作,检测效果精度较高,可靠性强,算法鲁棒性较好。
Description
技术领域
本发明属于智能车技术中的交通环境感知领域,具体涉及一种应用于智能车自主行驶或辅助行驶的基于三维激光雷达的道路车道线实时检测方法。
背景技术
三维激光雷达是智能车获取外部环境信息的重要传感器之一,具有精度高,实时性和可靠性强等优点,激光雷达也被广泛运用于智能车感知环境的研究中。每个激光雷达传感器采集数据的点云数据可以用Point(x,y,z,i)表示,x,y,z表示探测到的环境物体的实际距离,i表示激光雷达对该点的反射强度,大小为0-255,无量纲.三维激光雷达点云数据一周期每秒大约有130万个返回数据点,更新频率可达到5-20HZ。激光雷达的反射强度大小取决于被激光雷达照射物体的材质以及光滑程度,而车道线一般会被刷上一层区别于普通道路的材料,其光滑程度和材质的不同决定了它的反射强度会和普通路面有较大差异。而且激光雷达是一种主动式环境探测传感器,它受环境干扰小、精度高等优点。
车道线检测技术是智能车环境感知一项重要的技术工作,一直以来图像技术通常是研究人员首选的研究方向。车道线检测的关键问题在于如何提取车道线的特征,以及使用何种模型来拟合出车道线。
中国发明专利“一种车道线检测方法”申请号201410065412.3,公布号为CN103839264 A。利用自适应阈值边缘提取算法提取道路图像中的边缘信息。
中国发明专利“一种基于模糊和卡尔曼滤波器的车道线检测方法”申请号201410513200.7,公布号为CN104318258 A。改方法引入时域模糊处理与卡尔曼滤波器预测相结合的检测跟踪方法达到车道线的实时检测与跟踪。
中国发明专利“一种车道线检测方法”申请号201510117857.6,公布号为CN104657727 A。该方法采用车道线宽度标定,对车道线建模,得出检测区域,检测边缘点对得到车道线边缘点对图,对最大的边缘点对图进行最小二乘法,得到车道线拟合。
上述发明中都是采用图像形式对方法进行实施,而图像的获取质量受光照、天气等外界因素影响很大。上述方法中获取图像,一般考虑环境是在良好情况下,或者采用一定的算法降低环境因素带来的影响,这样就给图像方式检测车道线带来了很大影响。
发明内容
针对上述问题,本发明的目的是提供一种基于三维激光雷达的道路车道线检测方法,能够不受天气、光照等外界环境因素影响,快速准确的检测出车道线,以用于智能车辆的自主行驶或辅助行驶。
为实现上述目的,本发明采取以下技术方案:一种基于三维激光雷达的道路车道线检测方法,它包括以下步骤:1)建立检测车辆的雷达坐标系oxyz;2)对雷达点云数据预处理,建立雷达坐标系oxyz下的感兴趣区域,对激光雷达采集到的感兴趣区域数据进行栅格化处理,并选取栅格大小,栅格的尺寸为0.1m×0.1m;3)栅格的内部数据分为最高点数据和最低点数据,需要滤除的栅格为非地面栅格、非车道栅格,根据栅格的内部最高点和最低点数据滤除非地面栅格,并利用最高点数据滤除非车道栅格,经过上述栅格滤除得到待处理的栅格数据,即为栅格内激光雷达反射强度数据;4)求取栅格内激光雷达反射强度数据的平均值,并设定激光雷达采集数据反射强度的阈值,滤除和车道线反射强度差异大于阈值的栅格;5)滤除接近车道线强度信息的孤立或异常栅格;6)将上述滤除得到的栅格数据进行最小二乘法的曲线拟合,得到道路车道线。
所述步骤1)中,所述建立检测车辆的雷达坐标系,是指当检测车辆处于水平路面且静止状态下,检测车辆上安装激光雷达,以安装雷达中心为坐标原点o,x、y、z轴穿过原点o,x轴与地面平行且方向指向检测车辆的车头,y轴垂直于x轴,与地面平行且方向指向检测车辆前进方向的左手方向,z轴垂直于x、y轴,方向垂直于地面向上。
所述步骤2)中,所述点云数据预处理包括以下过程:①在雷达坐标系下建立感兴趣区域,并设定x、y、z的区域范围;
该区域范围为:-40m<x<40m,-10m<y<10m,-10m<z<0m;
②将感兴趣区域的点云数据在水平面内划分成0.1m×0.1m的小方格,将这些小方格一一映射到栅格图中,保持点云数据与栅格内的数据的一一对应,建立的小方格刚好能够容下所有的点云数据。
所述步骤3)中,滤除非车道栅格,包括以下过程:①求取每个栅格数据的z轴方向的最高点云数据和最低点云数据,做差,如果这个差大于预先设定的阈值就滤除该栅格点并标记为0;②对于非道路且属于平面情况,提取每个栅格的z轴方向数据,预先设定一个阈值,滤除非道路栅格数据并标记为0。
所述步骤4)中,滤除与车道线反射强度较大差异栅格点,对步骤3)提取的所有栅格数据,每个栅格内的点云数据求取平均反射强度值,预先设定反射强度阈值,滤除与车道线反射强度差异较大的栅格并标记为0;
所述步骤5)中,滤除接近车道线强度信息的孤立或异常栅格,选用滤波方法,将得到的栅格雷达点云数据中的孤立或异常点噪声滤除。
所述步骤6)中,获取车道线,包括以下过程:①选定需要检测的道路车道线范围,在此范围内提取步骤5)中获取的栅格图;②对选取的栅格区域进行最小二乘法的曲线拟合,获取光滑的道路车道线图。
本发明的优点是:
(1)相比目前大多数图像处理技术,大大减小了由外界天气、光照等环境带来的车道线检测困难;
(2)可昼夜工作,实时为智能车提供车道线检测;
(3)高精度三维激光雷达提供点云数据,可靠性高。
附图说明
图1是本发明的整体流程示意图;
图2是本发明的雷达坐标系示意图;
图3是本发明的滤除普通地面后,车道线栅格示意图;
图4是本发明的滤除孤立点后,车道线栅格示意图;
图5是本发明的提取车道线示意图。
具体实施方式
下面结合附图对本发明做详细说明。
一种基于三维激光雷达的道路车道线检测方法,具体步骤为:
1)建立检测车辆的雷达坐标系oxyz。
如图2所示,雷达坐标系oxyz,是指检测车辆静止的放在地面上,激光雷达安装于检测车辆顶部,以激光雷达中心为原点o,x轴穿过o且水平于地面,方向指向检测车辆的前进方向,z轴穿过o且垂直于地面,方向指向车辆上方,y轴按右手法则,如图2的方向朝纸张里面。
2)对雷达点云数据预处理。
由于激光雷达能够获取环境百米以上的点云数据,而且三维激光雷达的点云数据每秒约130万个点云数据,而对智能车来说不需要处理过多的点云数据,也为了智能车能够更快速获取所需的点云数据,需要对雷达点云数据进行预处理。
①在雷达坐标系下选取感兴趣区域(ROI),本次发明选取的感兴趣区域为:-40m<x<40m,-10m<y<10m,-10m<z<0m,这样既不丢失有用数据,也提高了计算机的运算效率;
②对所获取的感兴趣区域(ROI)进行水平面方向上栅格化处理,本次发明选取的栅格大小为0.1m×0.1m正方形,每个正方形里面的点云数据与感兴趣区域的点云数据一一对应,总共获得的栅格800×200个。其中车体坐标系为(400,100)。
3)根据栅格内部最高点和最低点数据滤除非地面栅格,并利用最高点数据滤除非道路栅格。
在真实环境中不仅仅有道路返回来的点云数据,还有高于地面的障碍物和非道路内的平面点云数据,本次发明采用滤除这些干扰信息的方法如下。
①对每个栅格内的点云数据求取z轴方向上的最大值和最小值之差,如果这个值大于设定的阈值,就标记障碍物,即噪声,标记为0,否则保留标记为1,白点表示被标记为1,黑点表示被标记为0;
②对每个栅格内的点云数据提取最高点,如果最高点大于设定的阈值,标记为0,否则保留标记为1。
4)求取栅格内激光雷达反射强度数据的平均值,设定激光雷达采集数据反射强度的阈值,滤除和车道线反射强度差异较大的栅格。
利用激光雷达对不同材质返回的反射强度不同来设定一个阈值,这个阈值用于区分车道线和普通路面雷达点云数据。具体方法为:对每个栅格内的所有点云数据求取反射强度平均值,这个平均值和预先设定的阈值来比较,比较所有栅格数据后滤除掉普通地面信息,如图3所示,中间最亮的点表示检测车辆位置。
5)滤除接近车道线强度信息的孤立或异常栅格。
采用滤波算法将雷达栅格云图中的孤立噪声点滤除,具体步骤为:①去雷达数据中的一个栅格如A[x][y],取数据A[x±i][y±j],其中i,j=0,1,2。②计算栅格A[x±i][y±j]数据的个数m,如果m<n,(n取值为3),则将A[x][y]滤除,即标记为0。③A[x][y]的取值遍历整个栅格图,实现对整个激光雷达栅格数据的滤波。如图4所示。
6)将上述得到的栅格进行最小二乘法的曲线拟合,得到道路车道线。
此方法还能够进行多车道提取,具体步骤如下:
①由选定的感兴趣区域按列进行筛选,本方法中列数为200,从左至右分别提取感兴趣区域的车道线轮廓。
②选取其中的一组轮廓提取其中最小二乘法的曲线拟合的备选点,由于备选点比较多,这里可以采用相邻多个点只选其中一点作为备选点,本发明中采用3点选1点方法实现,对这些备选点进行最小二乘法的曲线拟合,即可获取其中一条车道线,依次对所选轮廓进行最小二乘法的曲线拟合,可提取出全部车道线,如图5所示。
Claims (10)
1.一种基于三维激光雷达的道路车道线检测方法,其特征在于:该方法包括以下步骤:1)建立检测车辆的雷达坐标系oxyz;2)对雷达点云数据预处理,建立雷达坐标系oxyz下的感兴趣区域,对激光雷达采集到的感兴趣区域数据进行栅格化处理,并选取栅格大小,栅格的尺寸为0.1m×0.1m;3)栅格的内部数据分为最高点数据和最低点数据,需要滤除的栅格为非地面栅格、非车道栅格,根据栅格的内部最高点和最低点数据滤除非地面栅格,并利用最高点数据滤除非车道栅格,经过上述栅格滤除得到待处理的栅格数据,即为栅格内激光雷达反射强度数据;4)求取栅格内激光雷达反射强度数据的平均值,并设定激光雷达采集数据反射强度的阈值,滤除和车道线反射强度差异大于阈值的栅格;5)滤除接近车道线强度信息的孤立或异常栅格;6)将上述滤除得到的栅格数据进行最小二乘法的曲线拟合,得到道路车道线。
2.根据权利要求1所述的一种基于三维激光雷达的道路车道线检测方法,其特征在于:所述步骤1)中,所述建立检测车辆的雷达坐标系,是指当检测车辆处于水平路面且静止状态下,检测车辆上安装激光雷达,以安装雷达中心为坐标原点o,x、y、z轴穿过原点o,x轴与地面平行且方向指向检测车辆的车头,y轴垂直于x轴,与地面平行且方向指向检测车辆前进方向的左手方向,z轴垂直于x、y轴,方向垂直于地面向上。
3.根据权利要求1所述的一种基于三维激光雷达的道路车道线检测方法,其特征在于:所述步骤2)中,所述点云数据预处理包括以 下过程:①在雷达坐标系下建立感兴趣区域,并设定x、y、z的区域范围;
该区域范围为:-40m<x<40m,-10m<y<10m,-10m<z<0m;
②将感兴趣区域的点云数据在水平面内划分成0.1m×0.1m的小方格,将这些小方格一一映射到栅格图中,保持点云数据与栅格内的数据的一一对应,建立的小方格刚好能够容下所有的点云数据。
4.根据权利要求1所述的一种基于三维激光雷达的道路车道线检测方法,其特征在于:所述步骤3)中,滤除非车道栅格,包括以下过程:①求取每个栅格数据的z轴方向的最高点云数据和最低点云数据,做差,如果这个差大于预先设定的阈值就滤除该栅格点并标记为0;②对于非道路且属于平面情况,提取每个栅格的z轴方向数据,预先设定一个阈值,滤除非道路栅格数据并标记为0。
5.根据权利要求1所述的一种基于三维激光雷达的道路车道线检测方法,其特征在于:所述步骤4)中,滤除与车道线反射强度较大差异栅格点,对步骤3)提取的所有栅格数据,每个栅格内的点云数据求取平均反射强度值,预先设定反射强度阈值,滤除与车道线反射强度差异较大的栅格并标记为0。
6.根据权利要求1所述的一种基于三维激光雷达的道路车道线检测方法,其特征在于:所述步骤5)中,滤除接近车道线强度信息的孤立或异常栅格,选用滤波方法,将得到的栅格雷达点云数据中的孤立或异常点噪声滤除。
7.根据权利要求1所述的一种基于三维激光雷达的道路车道线检 测方法,其特征在于:所述步骤6)中,获取车道线,包括以下过程:①选定需要检测的道路车道线范围,在此范围内提取步骤5)中获取的栅格图;②对选取的栅格区域进行最小二乘法的曲线拟合,获取光滑的道路车道线图。
8.根据权利要求1所述的一种基于三维激光雷达的道路车道线检测方法,其特征在于:在真实环境中不仅仅有道路返回来的点云数据,还有高于地面的障碍物和非道路内的平面点云数据,本次方法采用滤除这些干扰信息的方法如下;
①对每个栅格内的点云数据求取z轴方向上的最大值和最小值之差,如果这个值大于设定的阈值,就标记障碍物,即噪声,标记为0,否则保留标记为1,白点表示被标记为1,黑点表示被标记为0;
②对每个栅格内的点云数据提取最高点,如果最高点大于设定的阈值,标记为0,否则保留标记为1;
1)求取栅格内激光雷达反射强度数据的平均值,设定激光雷达采集数据反射强度的阈值,滤除和车道线反射强度差异较大的栅格。
9.根据权利要求1所述的一种基于三维激光雷达的道路车道线检测方法,其特征在于:利用激光雷达对不同材质返回的反射强度不同来设定一个阈值,这个阈值用于区分车道线和普通路面雷达点云数据;具体方法为:对每个栅格内的所有点云数据求取反射强度平均值,这个平均值和预先设定的阈值来比较,比较所有栅格数据后滤除掉普通地面信息,中间最亮的点表示检测车辆位置;
2)滤除接近车道线强度信息的孤立或异常栅格;
采用滤波算法将雷达栅格云图中的孤立噪声点滤除,具体步骤为:①去雷达数据中的一个栅格如A[x][y],取数据A[x±i][y±j],其中i,j=0,1,2;②计算栅格A[x±i][y±j]数据的个数m,如果m<n,,n取值为3,则将A[x][y]滤除,即标记为0;③A[x][y]的取值遍历整个栅格图,实现对整个激光雷达栅格数据的滤波。
3)将上述得到的栅格进行最小二乘法的曲线拟合,得到道路车道线。
10.根据权利要求1所述的一种基于三维激光雷达的道路车道线检测方法,其特征在于:此方法还能够进行多车道提取,具体步骤如下:
①由选定的感兴趣区域按列进行筛选,本方法中列数为200,从左至右分别提取感兴趣区域的车道线轮廓;
②选取其中的一组轮廓提取其中最小二乘法的曲线拟合的备选点,由于备选点比较多,这里可以采用相邻多个点只选其中一点作为备选点,本方法中采用3点选1点方法实现,对这些备选点进行最小二乘法的曲线拟合,即可获取其中一条车道线,依次对所选轮廓进行最小二乘法的曲线拟合,可提取出全部车道线。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610426111.8A CN106127113A (zh) | 2016-06-15 | 2016-06-15 | 一种基于三维激光雷达的道路车道线检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610426111.8A CN106127113A (zh) | 2016-06-15 | 2016-06-15 | 一种基于三维激光雷达的道路车道线检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106127113A true CN106127113A (zh) | 2016-11-16 |
Family
ID=57470245
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610426111.8A Pending CN106127113A (zh) | 2016-06-15 | 2016-06-15 | 一种基于三维激光雷达的道路车道线检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106127113A (zh) |
Cited By (43)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106772434A (zh) * | 2016-11-18 | 2017-05-31 | 北京联合大学 | 一种基于TegraX1雷达数据的无人车障碍物检测方法 |
CN107272019A (zh) * | 2017-05-09 | 2017-10-20 | 深圳市速腾聚创科技有限公司 | 基于激光雷达扫描的路沿检测方法 |
CN107798305A (zh) * | 2012-03-23 | 2018-03-13 | 伟摩有限责任公司 | 检测车道标记 |
CN108345008A (zh) * | 2017-01-23 | 2018-07-31 | 郑州宇通客车股份有限公司 | 一种目标物检测方法、点云数据提取方法及装置 |
WO2018195742A1 (zh) * | 2017-04-24 | 2018-11-01 | 李卓希 | 一种车辆行驶控制方法和*** |
WO2018210303A1 (zh) * | 2017-05-19 | 2018-11-22 | 上海蔚来汽车有限公司 | 道路模型的构建 |
CN108873896A (zh) * | 2018-06-15 | 2018-11-23 | 驭势科技(北京)有限公司 | 一种车道线模拟方法、装置及存储介质 |
CN108985230A (zh) * | 2018-07-17 | 2018-12-11 | 深圳市易成自动驾驶技术有限公司 | 车道线检测方法、装置及计算机可读存储介质 |
CN109017780A (zh) * | 2018-04-12 | 2018-12-18 | 深圳市布谷鸟科技有限公司 | 一种车辆智能驾驶控制方法 |
CN109753982A (zh) * | 2017-11-07 | 2019-05-14 | 北京京东尚科信息技术有限公司 | 障碍点检测方法、装置和计算机可读存储介质 |
CN109840463A (zh) * | 2017-11-27 | 2019-06-04 | 北京图森未来科技有限公司 | 一种车道线识别方法和装置 |
CN109858460A (zh) * | 2019-02-20 | 2019-06-07 | 重庆邮电大学 | 一种基于三维激光雷达的车道线检测方法 |
CN109916416A (zh) * | 2019-01-29 | 2019-06-21 | 腾讯科技(深圳)有限公司 | 车道线数据处理与更新方法、装置及设备 |
CN109946708A (zh) * | 2017-12-21 | 2019-06-28 | 北京万集科技股份有限公司 | 一种基于激光雷达扫描的车道线检测方法及装置 |
CN110008851A (zh) * | 2019-03-15 | 2019-07-12 | 深兰科技(上海)有限公司 | 一种车道线检测的方法及设备 |
CN110595492A (zh) * | 2019-09-25 | 2019-12-20 | 上海交通大学 | 园区环境下的车辆自定位***及方法 |
CN110609268A (zh) * | 2018-11-01 | 2019-12-24 | 驭势科技(北京)有限公司 | 一种激光雷达标定方法、装置、***及存储介质 |
CN110632617A (zh) * | 2019-09-29 | 2019-12-31 | 北京邮电大学 | 一种激光雷达点云数据处理的方法及装置 |
CN110736999A (zh) * | 2019-10-24 | 2020-01-31 | 北京交通大学 | 基于激光雷达的铁路道岔检测方法 |
CN110865388A (zh) * | 2019-11-28 | 2020-03-06 | 芜湖汽车前瞻技术研究院有限公司 | 摄像机与激光雷达的联合标定方法、装置及存储介质 |
TWI690439B (zh) * | 2018-11-01 | 2020-04-11 | 財團法人車輛研究測試中心 | 道路標線之光達偵測方法及其系統 |
WO2020083349A1 (zh) * | 2018-10-24 | 2020-04-30 | 长沙智能驾驶研究院有限公司 | 用于智能驾驶设备的数据处理方法、装置和存储介质 |
CN111126114A (zh) * | 2018-11-01 | 2020-05-08 | 财团法人车辆研究测试中心 | 道路标线的光达侦测方法及其*** |
CN111256707A (zh) * | 2019-08-27 | 2020-06-09 | 北京纵目安驰智能科技有限公司 | 基于环视的拥堵跟车***和终端 |
CN111273305A (zh) * | 2020-02-18 | 2020-06-12 | 中国科学院合肥物质科学研究院 | 基于全局与局部栅格图多传感器融合道路提取与索引方法 |
CN111275075A (zh) * | 2020-01-10 | 2020-06-12 | 山东超越数控电子股份有限公司 | 一种基于3d激光雷达的车辆检测与跟踪方法 |
CN111402160A (zh) * | 2020-03-13 | 2020-07-10 | 北京百度网讯科技有限公司 | 一种点云数据去噪方法、装置、设备和存储介质 |
CN111491845A (zh) * | 2017-10-16 | 2020-08-04 | 康蒂-特米克微电子有限公司 | 用于路面的雷达分类的方法 |
CN111699407A (zh) * | 2019-03-29 | 2020-09-22 | 深圳市大疆创新科技有限公司 | 微波雷达检测栅栏附近静止物体的方法和毫米波雷达 |
CN111999741A (zh) * | 2020-01-17 | 2020-11-27 | 青岛慧拓智能机器有限公司 | 路侧激光雷达目标检测方法及装置 |
CN112215144A (zh) * | 2020-10-12 | 2021-01-12 | 北京四维智联科技有限公司 | 一种处理车道线的方法及*** |
US10901421B2 (en) | 2018-06-26 | 2021-01-26 | Neusoft Reach Automotive Technology (Shanghai) Co., Ltd. | Method and device for detecting road boundary |
CN112327308A (zh) * | 2019-07-19 | 2021-02-05 | 阿里巴巴集团控股有限公司 | 物体检测方法、装置、***及设备 |
CN112560800A (zh) * | 2021-01-12 | 2021-03-26 | 知行汽车科技(苏州)有限公司 | 路沿检测方法、装置及存储介质 |
CN113221241A (zh) * | 2021-04-30 | 2021-08-06 | 北京京东乾石科技有限公司 | 无人车的数据处理方法及相关设备 |
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 |
CN113281782A (zh) * | 2021-05-08 | 2021-08-20 | 北京联合大学 | 一种基于无人驾驶车的激光雷达雪点滤除方法 |
CN113298910A (zh) * | 2021-05-14 | 2021-08-24 | 阿波罗智能技术(北京)有限公司 | 生成交通标志线地图的方法、设备和存储介质 |
CN113607185A (zh) * | 2021-10-08 | 2021-11-05 | 禾多科技(北京)有限公司 | 车道线信息显示方法、装置、电子设备和计算机可读介质 |
CN113758501A (zh) * | 2021-09-08 | 2021-12-07 | 广州小鹏自动驾驶科技有限公司 | 检测地图中的异常车道线的方法和可读存储介质 |
CN115079152A (zh) * | 2021-03-10 | 2022-09-20 | 广达电脑股份有限公司 | 用于定位、成像、检测、判别的电子装置及方法 |
CN116047537A (zh) * | 2022-12-05 | 2023-05-02 | 北京中科东信科技有限公司 | 基于激光雷达的道路信息生成方法及*** |
WO2023124231A1 (zh) * | 2021-12-31 | 2023-07-06 | 中国第一汽车股份有限公司 | 基于激光雷达的道路边界检测方法和装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8332134B2 (en) * | 2008-04-24 | 2012-12-11 | GM Global Technology Operations LLC | Three-dimensional LIDAR-based clear path detection |
CN103226833A (zh) * | 2013-05-08 | 2013-07-31 | 清华大学 | 一种基于三维激光雷达的点云数据分割方法 |
CN104850834A (zh) * | 2015-05-11 | 2015-08-19 | 中国科学院合肥物质科学研究院 | 基于三维激光雷达的道路边界检测方法 |
CN105488498A (zh) * | 2016-01-15 | 2016-04-13 | 武汉光庭信息技术股份有限公司 | 一种基于激光点云的车道边线自动提取方法及*** |
-
2016
- 2016-06-15 CN CN201610426111.8A patent/CN106127113A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8332134B2 (en) * | 2008-04-24 | 2012-12-11 | GM Global Technology Operations LLC | Three-dimensional LIDAR-based clear path detection |
CN103226833A (zh) * | 2013-05-08 | 2013-07-31 | 清华大学 | 一种基于三维激光雷达的点云数据分割方法 |
CN104850834A (zh) * | 2015-05-11 | 2015-08-19 | 中国科学院合肥物质科学研究院 | 基于三维激光雷达的道路边界检测方法 |
CN105488498A (zh) * | 2016-01-15 | 2016-04-13 | 武汉光庭信息技术股份有限公司 | 一种基于激光点云的车道边线自动提取方法及*** |
Non-Patent Citations (1)
Title |
---|
吴毅华: "基于激光雷达回波信号的车道线检测方法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (64)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107798305A (zh) * | 2012-03-23 | 2018-03-13 | 伟摩有限责任公司 | 检测车道标记 |
CN107798305B (zh) * | 2012-03-23 | 2021-12-07 | 伟摩有限责任公司 | 检测车道标记 |
CN106772434A (zh) * | 2016-11-18 | 2017-05-31 | 北京联合大学 | 一种基于TegraX1雷达数据的无人车障碍物检测方法 |
CN108345008A (zh) * | 2017-01-23 | 2018-07-31 | 郑州宇通客车股份有限公司 | 一种目标物检测方法、点云数据提取方法及装置 |
WO2018195742A1 (zh) * | 2017-04-24 | 2018-11-01 | 李卓希 | 一种车辆行驶控制方法和*** |
CN107272019A (zh) * | 2017-05-09 | 2017-10-20 | 深圳市速腾聚创科技有限公司 | 基于激光雷达扫描的路沿检测方法 |
WO2018210303A1 (zh) * | 2017-05-19 | 2018-11-22 | 上海蔚来汽车有限公司 | 道路模型的构建 |
CN108961353B (zh) * | 2017-05-19 | 2023-12-08 | 上海蔚来汽车有限公司 | 道路模型的构建 |
CN108961353A (zh) * | 2017-05-19 | 2018-12-07 | 上海蔚来汽车有限公司 | 道路模型的构建 |
CN111491845B (zh) * | 2017-10-16 | 2024-04-16 | 德国大陆自动驾驶有限公司 | 用于路面的雷达分类的方法 |
CN111491845A (zh) * | 2017-10-16 | 2020-08-04 | 康蒂-特米克微电子有限公司 | 用于路面的雷达分类的方法 |
CN109753982A (zh) * | 2017-11-07 | 2019-05-14 | 北京京东尚科信息技术有限公司 | 障碍点检测方法、装置和计算机可读存储介质 |
CN109753982B (zh) * | 2017-11-07 | 2021-09-03 | 北京京东乾石科技有限公司 | 障碍点检测方法、装置和计算机可读存储介质 |
CN109840463B (zh) * | 2017-11-27 | 2021-03-30 | 北京图森未来科技有限公司 | 一种车道线识别方法和装置 |
CN109840463A (zh) * | 2017-11-27 | 2019-06-04 | 北京图森未来科技有限公司 | 一种车道线识别方法和装置 |
CN109946708A (zh) * | 2017-12-21 | 2019-06-28 | 北京万集科技股份有限公司 | 一种基于激光雷达扫描的车道线检测方法及装置 |
CN109017780A (zh) * | 2018-04-12 | 2018-12-18 | 深圳市布谷鸟科技有限公司 | 一种车辆智能驾驶控制方法 |
CN108873896B (zh) * | 2018-06-15 | 2021-07-02 | 驭势科技(北京)有限公司 | 一种车道线模拟方法、装置及存储介质 |
CN108873896A (zh) * | 2018-06-15 | 2018-11-23 | 驭势科技(北京)有限公司 | 一种车道线模拟方法、装置及存储介质 |
US10901421B2 (en) | 2018-06-26 | 2021-01-26 | Neusoft Reach Automotive Technology (Shanghai) Co., Ltd. | Method and device for detecting road boundary |
CN108985230A (zh) * | 2018-07-17 | 2018-12-11 | 深圳市易成自动驾驶技术有限公司 | 车道线检测方法、装置及计算机可读存储介质 |
WO2020083349A1 (zh) * | 2018-10-24 | 2020-04-30 | 长沙智能驾驶研究院有限公司 | 用于智能驾驶设备的数据处理方法、装置和存储介质 |
TWI690439B (zh) * | 2018-11-01 | 2020-04-11 | 財團法人車輛研究測試中心 | 道路標線之光達偵測方法及其系統 |
CN111126114A (zh) * | 2018-11-01 | 2020-05-08 | 财团法人车辆研究测试中心 | 道路标线的光达侦测方法及其*** |
US11474242B2 (en) | 2018-11-01 | 2022-10-18 | Automotive Research & Testing Center | Lane stripe detecting method based on three-dimensional lidar and system thereof |
CN111126114B (zh) * | 2018-11-01 | 2023-03-31 | 财团法人车辆研究测试中心 | 道路标线的光达侦测方法及其*** |
CN110609268A (zh) * | 2018-11-01 | 2019-12-24 | 驭势科技(北京)有限公司 | 一种激光雷达标定方法、装置、***及存储介质 |
CN109916416A (zh) * | 2019-01-29 | 2019-06-21 | 腾讯科技(深圳)有限公司 | 车道线数据处理与更新方法、装置及设备 |
CN109858460B (zh) * | 2019-02-20 | 2022-06-10 | 重庆邮电大学 | 一种基于三维激光雷达的车道线检测方法 |
CN109858460A (zh) * | 2019-02-20 | 2019-06-07 | 重庆邮电大学 | 一种基于三维激光雷达的车道线检测方法 |
CN110008851B (zh) * | 2019-03-15 | 2021-11-19 | 深兰科技(上海)有限公司 | 一种车道线检测的方法及设备 |
CN110008851A (zh) * | 2019-03-15 | 2019-07-12 | 深兰科技(上海)有限公司 | 一种车道线检测的方法及设备 |
CN111699407A (zh) * | 2019-03-29 | 2020-09-22 | 深圳市大疆创新科技有限公司 | 微波雷达检测栅栏附近静止物体的方法和毫米波雷达 |
CN112327308A (zh) * | 2019-07-19 | 2021-02-05 | 阿里巴巴集团控股有限公司 | 物体检测方法、装置、***及设备 |
CN111256707A (zh) * | 2019-08-27 | 2020-06-09 | 北京纵目安驰智能科技有限公司 | 基于环视的拥堵跟车***和终端 |
CN110595492A (zh) * | 2019-09-25 | 2019-12-20 | 上海交通大学 | 园区环境下的车辆自定位***及方法 |
CN110632617A (zh) * | 2019-09-29 | 2019-12-31 | 北京邮电大学 | 一种激光雷达点云数据处理的方法及装置 |
CN110736999A (zh) * | 2019-10-24 | 2020-01-31 | 北京交通大学 | 基于激光雷达的铁路道岔检测方法 |
CN110736999B (zh) * | 2019-10-24 | 2021-11-02 | 北京交通大学 | 基于激光雷达的铁路道岔检测方法 |
CN110865388A (zh) * | 2019-11-28 | 2020-03-06 | 芜湖汽车前瞻技术研究院有限公司 | 摄像机与激光雷达的联合标定方法、装置及存储介质 |
CN110865388B (zh) * | 2019-11-28 | 2023-10-31 | 芜湖汽车前瞻技术研究院有限公司 | 摄像机与激光雷达的联合标定方法、装置及存储介质 |
CN111275075B (zh) * | 2020-01-10 | 2023-05-02 | 超越科技股份有限公司 | 一种基于3d激光雷达的车辆检测与跟踪方法 |
CN111275075A (zh) * | 2020-01-10 | 2020-06-12 | 山东超越数控电子股份有限公司 | 一种基于3d激光雷达的车辆检测与跟踪方法 |
CN111999741B (zh) * | 2020-01-17 | 2023-03-14 | 青岛慧拓智能机器有限公司 | 路侧激光雷达目标检测方法及装置 |
CN111999741A (zh) * | 2020-01-17 | 2020-11-27 | 青岛慧拓智能机器有限公司 | 路侧激光雷达目标检测方法及装置 |
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 |
CN111273305A (zh) * | 2020-02-18 | 2020-06-12 | 中国科学院合肥物质科学研究院 | 基于全局与局部栅格图多传感器融合道路提取与索引方法 |
CN111402160A (zh) * | 2020-03-13 | 2020-07-10 | 北京百度网讯科技有限公司 | 一种点云数据去噪方法、装置、设备和存储介质 |
CN111402160B (zh) * | 2020-03-13 | 2023-09-05 | 北京百度网讯科技有限公司 | 一种点云数据去噪方法、装置、设备和存储介质 |
CN112215144A (zh) * | 2020-10-12 | 2021-01-12 | 北京四维智联科技有限公司 | 一种处理车道线的方法及*** |
CN112215144B (zh) * | 2020-10-12 | 2024-05-14 | 北京四维智联科技有限公司 | 一种处理车道线的方法及*** |
CN112560800B (zh) * | 2021-01-12 | 2024-05-28 | 知行汽车科技(苏州)股份有限公司 | 路沿检测方法、装置及存储介质 |
CN112560800A (zh) * | 2021-01-12 | 2021-03-26 | 知行汽车科技(苏州)有限公司 | 路沿检测方法、装置及存储介质 |
CN115079152A (zh) * | 2021-03-10 | 2022-09-20 | 广达电脑股份有限公司 | 用于定位、成像、检测、判别的电子装置及方法 |
CN113221241A (zh) * | 2021-04-30 | 2021-08-06 | 北京京东乾石科技有限公司 | 无人车的数据处理方法及相关设备 |
CN113281782A (zh) * | 2021-05-08 | 2021-08-20 | 北京联合大学 | 一种基于无人驾驶车的激光雷达雪点滤除方法 |
CN113298910A (zh) * | 2021-05-14 | 2021-08-24 | 阿波罗智能技术(北京)有限公司 | 生成交通标志线地图的方法、设备和存储介质 |
CN113758501A (zh) * | 2021-09-08 | 2021-12-07 | 广州小鹏自动驾驶科技有限公司 | 检测地图中的异常车道线的方法和可读存储介质 |
CN113758501B (zh) * | 2021-09-08 | 2024-06-04 | 广州小鹏自动驾驶科技有限公司 | 检测地图中的异常车道线的方法和可读存储介质 |
CN113607185B (zh) * | 2021-10-08 | 2022-01-04 | 禾多科技(北京)有限公司 | 车道线信息显示方法、装置、电子设备和计算机可读介质 |
CN113607185A (zh) * | 2021-10-08 | 2021-11-05 | 禾多科技(北京)有限公司 | 车道线信息显示方法、装置、电子设备和计算机可读介质 |
WO2023124231A1 (zh) * | 2021-12-31 | 2023-07-06 | 中国第一汽车股份有限公司 | 基于激光雷达的道路边界检测方法和装置 |
CN116047537B (zh) * | 2022-12-05 | 2023-12-26 | 北京中科东信科技有限公司 | 基于激光雷达的道路信息生成方法及*** |
CN116047537A (zh) * | 2022-12-05 | 2023-05-02 | 北京中科东信科技有限公司 | 基于激光雷达的道路信息生成方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106127113A (zh) | 一种基于三维激光雷达的道路车道线检测方法 | |
CN111079611B (zh) | 一种道路面及其标志线的自动提取方法 | |
CN105160309B (zh) | 基于图像形态学分割及区域生长的三车道检测方法 | |
CN101807352B (zh) | 一种模糊模式识别的车位检测方法 | |
CN104792792A (zh) | 一种逐步求精的路面裂缝检测方法 | |
CN106199558A (zh) | 障碍物快速检测方法 | |
CN103854320A (zh) | 基于激光雷达的车型自动识别装置及其识别方法 | |
CN104392212A (zh) | 一种基于视觉的道路信息检测及前方车辆识别方法 | |
CN105260699A (zh) | 一种车道线数据的处理方法及装置 | |
CN110379168B (zh) | 一种基于Mask R-CNN的交通车辆信息获取方法 | |
CN102693423A (zh) | 一种在强光条件下车牌精确定位的方法 | |
CN102073852A (zh) | 基于最优阈值和随机标号法的多车辆分割方法 | |
CN103136528A (zh) | 一种基于双边缘检测的车牌识别方法 | |
CN105719283A (zh) | 一种基于Hessian矩阵多尺度滤波的路面裂缝图像检测方法 | |
CN103048329A (zh) | 一种基于主动轮廓模型的路面裂缝检测方法 | |
CN103077387B (zh) | 视频中货运列车车厢自动检测方法 | |
CN204895461U (zh) | 一种车道偏离预警*** | |
CN114359876B (zh) | 一种车辆目标识别方法及存储介质 | |
CN109870458B (zh) | 一种基于三维激光传感器及包围盒的路面裂缝检测与分类方法 | |
Zhang et al. | Rapid inspection of pavement markings using mobile LiDAR point clouds | |
CN202134079U (zh) | 一种无人驾驶车辆车道标志线识别与报警装置 | |
CN113569915A (zh) | 一种基于激光雷达的多策略轨道交通障碍物识别方法 | |
CN106529404A (zh) | 基于摄像原理的无人驾驶汽车对路面标志线的识别方法 | |
CN105718964A (zh) | 一种输电线防振锤的视觉检测方法 | |
CN114155720B (zh) | 一种路侧激光雷达的车辆检测和轨迹预测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20161116 |