CN106384085A - 一种无人车偏航角计算方法 - Google Patents
一种无人车偏航角计算方法 Download PDFInfo
- Publication number
- CN106384085A CN106384085A CN201610791754.2A CN201610791754A CN106384085A CN 106384085 A CN106384085 A CN 106384085A CN 201610791754 A CN201610791754 A CN 201610791754A CN 106384085 A CN106384085 A CN 106384085A
- Authority
- CN
- China
- Prior art keywords
- lane line
- image
- lane
- line
- yaw angle
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20172—Image enhancement details
- G06T2207/20192—Edge enhancement; Edge preservation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30248—Vehicle exterior or interior
- G06T2207/30252—Vehicle exterior; Vicinity of vehicle
- G06T2207/30256—Lane; Road marking
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种无人车偏航角计算方法,该方法包括以下步骤:步骤一、图像采集,通过摄像头采集汽车前方图像;步骤二、对车道线进行检测;步骤三、车道线测距,根据摄像头的内外参数进行标定,计算摄像头的内部参数和外部参数,采用三线标定法计算出图像坐标系和车体世界坐标系对应关系;步骤四、根据图像坐标系和车体世界坐标系进行偏航角计算,提高车辆偏航角计算的精度,减少车辆偏航角计算误差。
Description
技术领域
本发明属于无人车技术领域,具体涉及一种无人车偏航角计算方法。
背景技术
无人车根据功能定义不同,赋予不同的功能。其中自动换道超车***作为无人车其中一种功能,可用于紧急状态避撞和自动换道超车。在自动超车起始时,需要计算车辆相对车道的偏航角度,用以辅助超车换道轨迹的生成。其中采用车道线夹角方法,根据图像中两条车道线产生的角度偏差计算车辆偏航角度。这种方法由于车辆在行驶中运动,车道线晃动等原因,计算得到的车辆偏航角误差大。
发明内容
根据以上现有技术的不足,本发明所要解决的技术问题是提出一种无人车偏航角计算方法,可以减少车辆偏航角计算误差。
为了解决上述技术问题,本发明采用的技术方案为:一种无人车偏航角计算方法,该方法包括以下步骤:步骤一、图像采集,通过摄像头采集汽车前方图像;步骤二、对车道线进行检测;步骤三、车道线测距,根据摄像头的内外参数进行标定,计算摄像头的内部参数和外部参数,采用三线标定法计算出图像坐标系和车体世界坐标系对应关系;步骤四、根据图像坐标系和车体世界坐标系进行偏航角计算。
所述步骤二包括以下步骤:步骤1、对采集的彩色图片转化为灰度图像,并计算出分割阈值;步骤2、对灰度图像进行图像边缘增强,将边缘增强后的图像选择合适的阈值进行二值化;步骤3、对车道线内侧边缘点提取;步骤4、对步骤四得到的车道线内边缘进行拟合,得到车道的直线或者曲线模型;步骤5、对车道线进行筛选确认,排除拟合出来的虚假车道线干扰;步骤6、对步骤六处理的车道线,根据车道线的极坐标半径和角度变化幅度,选择性的提取出相对稳定帧进行跟踪。
所述步骤1对采集的图像进行图像转化为灰度图像,然后计算出图像下半部分图像每行的图像灰度均值,然后计算图像每行的图像最大值,开辟一个数组将图像行均值和行最大值存储,根据每行得到的灰度均值和最大值采用某种规则计算出每行图像对应的灰度分割阈值。灰度分割阈值的计算分割为左右两个区域分别计算,得到左右车道线分别对应的每行的分割阈值。
所述步骤2通过基于一阶微分的边缘检测方法中的sobel算法进行进行图像边缘增强,图像二值化将边缘增强后的图像选择合适的阈值进行二值化,将高于该阈值的像素部分置为最高灰度级,将低于该阈值的灰度部分置为最低灰度级。
所述步骤3首先根据步骤1得到的灰度图像分割阈值,计算步骤2中二值化图像对应的灰度图像中像素灰度值大小,并根据步骤1的灰度图像分割阈值判断灰度值是否大于该阈值,如果大于阈值,则判定此二值点为车道线待候选点,如果灰度值小于阈值,判定为非车道线候选点,将次二值点删除,然后根据车道线宽度信息,逐行扫描过滤后的二值化图像,判断每行中图像的像素点是否等于255,如果第一次探测到某像素点为255,将此点的列坐标设为起始点,后续持续判断该行后续点的变换规律,如果从起始点到终止点满足先持续一定长度灰度值为255,然后持续一定长度为0,然后持续一定长度为255,如果按照此规律变化,则判定为车道线的内外边缘,同时在第二次变化为255后,在变化为0时,统计灰度为0点长度是否大于一定阈值长度,如果满足,则前面判断的为车道线,否则前面判断的不是车道线,向后重新检测。
所述步骤4通过两级hough变换的算法进行车道线拟合,采用第一级hough变换粗定位车道线极坐标位置,然后采用精定位技术精确定位车道线极坐标信息。
所述步骤5根据检测得到的左右车道线位置,左车道向左,右车道向右分别拓展15cm宽度,判断自此附近是否存在车道线边缘,如果不存在,则判定为不是车道线,如果存在车道线边缘,则判断直线在消失线行中对应的列坐标位置,如果列坐标在我们设定范围之外,则不是车道线。如果列坐标在我们设定范围之内,并且两条车道线都存在,则计算两条车道线之间的宽度,判断两条车道线的宽度是否在3.75m左右,两车道线宽度阈值设定为3.5-4.2m,如果在此范围之内,则为车道线,如果不在这个范围之内,则判定为不是车道线。
所述步骤6根据经过步骤5处理的车道线,通过连续统计相邻5帧车道线信息,然后根据车道线的极坐标半径和角度变换幅度,选择性的提取出相对稳定帧进行跟踪,如果检测到连续5帧中某一帧车道线参数和其他帧差异非常大,程序判定此帧检测到的车道线无效,将此帧去除,采用其他帧的统计信息计算车道线的极坐标角度和半径,程序如果探测到连续多帧车道线参数变换都较大,程序判定这种场景为换道,程序退出车道线跟踪模式,直到程序重新检测到稳定连续的车道线时,再进入跟踪模式。
本发明有益效果是:本发明首先采用车道线检测算法检测出车道线,然后根据摄像头标定结果,采用车道线测距程序计算出左右车道线上近点和远点距离车辆中轴线的距离。根据近处和远处两点测得的距离车道距离偏差,计算车辆的偏航角度,提高车辆偏航角计算的精度,减少车辆偏航角计算误差。
附图说明
下面对本说明书附图所表达的内容及图中的标记作简要说明:
图1是本发明的具体实施方式的无人车偏航角计算流程图。
图2是本发明的具体实施方式的无人车车道线检测流程图。
图3是本发明的具体实施方式的图像坐标系中偏航角计算示意图。
图4是本发明的具体实施方式的世界坐标系中偏航角计算示意图。
具体实施方式
下面对照附图,通过对实施例的描述,本发明的具体实施方式如所涉及的各构件的形状、构造、各部分之间的相互位置及连接关系、各部分的作用及工作原理、制造工艺及操作使用方法等,作进一步详细的说明,以帮助本领域技术人员对本发明的发明构思、技术方案有更完整、准确和深入的理解。
步骤1:摄像头图像输入
本文采用摄像头为1280*960大小的彩色图像,用于支持智能车车道线检测、行人检测、车辆检测和交通标志检测。针对车道线检测,采用灰度图像,因此程序需要将彩色图像转化为灰度图像。
步骤2:图像灰度均值、行阈值计算
车道线检测流程图如图2所示。经过步骤1进行图像转化为灰度图像,然后计算出图像下半部分图像每行的图像灰度均值,然后计算图像每行的图像最大值,开辟一个数组将图像行均值和行最大值存储。根据每行得到的灰度均值和最大值采用某种规则计算出每行图像对应的灰度分割阈值。考虑到真实场景中,左右车道线面对场景的灰度均值有所差异,因此将灰度阈值的计算分割为左右两个区域分别计算,得到左右车道线分别对应的每行的分割阈值。
步骤3:图像边缘增强、二值化
摄像头输入的图像除了用于上述灰度行阈值计算外,同时将图像下半车道线区域进行边缘增强。图像边缘增强的目的在于将图像中的边缘细节部分凸显出来,如车道线的上升沿和下降沿。边缘增强方法有许多,主要有基于一阶微分的边缘检测方法、基于二阶微分的边缘检测方法、基于小波变换和小波包的边缘检测法、基于数学形态学、模糊理论和神经网络的边缘检测法。基于二阶微分的边缘检测方法最常用的是Canny算子,但Canny算子要完成滤波、增强和检测的多阶段的处理,步骤复杂,导致运算速度很慢,无法满足***实时性的要求。由于基于一阶微分的边缘检测方法运算量小,可以满足实时处理要求,本文采用基于一阶微分的边缘检测方法中的sobel算法。图像二值化将边缘增强后的图像选择合适的阈值进行二值化,将高于该阈值的像素部分置为最高灰度级,将低于该阈值的灰度部分置为最低灰度级。图像二值化的核心在于如何选择出合理的阈值。阈值的大小决定图像二值化的好坏。在车道线二值化算法中,一般采用自适应二值化方法。一般常用的自适应二值化选择方法为图像灰度均值法、最大熵法。本文采用一种基于图像直方图确定阈值的方法。
步骤4:车道线内侧边缘点提取
首先根据步骤2得到的灰度图像分割阈值,计算步骤3中二值化图像对应的灰度图像中像素灰度值大小,并根据步骤2的灰度图像分割阈值判断灰度值是否大于该阈值,如果大于阈值,则判定此二值点为车道线待候选点,如果灰度值小于阈值,判定为非车道线候选点,将次二值点删除。然后根据车道线宽度信息。首先逐行扫描过滤后的二值化图像,判断每行中图像的像素点是否等于255。如果第一次探测到某像素点为255,将此点的列坐标设为起始点,后续持续判断该行后续点的变换规律。如果从起始点到终止点满足先持续一定长度灰度值为255,然后持续一定长度为0,然后持续一定长度为255。如果按照此规律变化,则判定为车道线的内外边缘。同时在第二次变化为255后,在变化为0时,统计灰度为0点长度是否大于一定阈值长度。如果满足,则前面判断的为车道线,否则前面判断的不是车道线,向后重新检测。
步骤5:车道线拟合
车道线拟合即采用相应的拟合技术对步骤4得到的车道线内边缘进行拟合,得到车道的直线或曲线模型。本文采用hough变换对车道线进行直线拟合。采用经典hough变换在技术上存在问题是hough变换中需要开辟较大的二维数组用于存储中间累加变量,计算比较耗时。本文提出采用两级hough变换技术,可以极大降低hough变换过程中计算量和对***存储空间的占用。两级hough变换的核心思想即首先采用第一级hough变换粗定位车道线极坐标位置,然后采用精定位技术精确定位车道线极坐标信息。
步骤6:车道线确认
车道线确认目的在于排除hough变换拟合出来的虚假车道线干扰。车道线在图像中呈现自己特有的一些特征。本文采用其中的三个特征:车道线宽度、消失点位置、车道宽度约束条件。我国车道线宽度一般为15cm,车道宽度一般为3.75m。消失点在两条直线在图像中的相交点,在真实场景中为平坦道路最远点。程序首先根据检测得到的左右车道线位置,左车道向左,右车道向右分别拓展15cm宽度,判断自此附近是否存在车道线边缘,如果不存在,则判定为不是车道线。如果存在车道线边缘,则判断直线在消失线行中对应的列坐标位置。如果列坐标在我们设定范围之外,则不是车道线。如果列坐标在我们设定范围之内,并且两条车道线都存在,则计算两条车道线之间的宽度,判断两条车道线的宽度是否在3.75m左右。两车道线宽度阈值设定为3.5-4.2m。如果在此范围之内,则为车道线,如果不在这个范围之内,则判定为不是车道线。
步骤7:车道线跟踪
经过步骤6处理,得到相对有效的车道线,但并不能完全排除非车道线干扰。车道线跟踪通过连续统计相邻N帧车道线信息(如:N=5),然后根据车道线的极坐标半径和角度变换幅度,选择性的提取出相对稳定帧进行跟踪。如果检测到连续五帧中某一帧车道线参数和其他帧差异非常大,程序判定此帧检测到的车道线无效,将此帧去除,采用其他帧的统计信息计算车道线的极坐标角度和半径。程序如果探测到连续多帧车道线参数变换都较大,程序判定这种场景为换道,程序退出车道线跟踪模式。直到程序重新检测到稳定连续的车道线时,再进入跟踪模式。
步骤8:车道线测距
首相对摄像头的内外参数进行标定,计算摄像头的内部参数(如焦距、径向畸变、中心点位置等)和摄像头的外部参数(摄像头安装高度、俯仰角度、侧倾角度、偏航角)。根据上述参数信息,采用三线标定法计算出图像坐标系和车体世界坐标系对应关系。
步骤9:偏航角计算
偏航角计算示意图如图3,4所示。对于图像大小为1280*960大小的输入图像。设图像中第560行与车道线的交点为A,C,与车辆中轴线的交点为E。图像中第800行与车道线的交点为B,D,与中轴线的交点为F。车道线的近点距离为B,D,远点距离为A,C。根据图4中的所述,其中的偏航角即为T。其中偏航角T=arctan((BF-AE)/EG)。在真实场景中,图像中车道线不一定同时存在。如果两条车道线都存在,则采用左侧车道线进行测量。如果仅存在一条车道线,则采用仅存在的车道线进行偏航角计算。
上面结合附图对本发明进行了示例性描述,显然本发明具体实现并不受上述方式的限制,只要采用了本发明的方法构思和技术方案进行的各种非实质性的改进,或未经改进将本发明的构思和技术方案直接应用于其它场合的,均在本发明的保护范围之内。本发明的保护范围应该以权利要求书所限定的保护范围为准。
Claims (9)
1.一种无人车偏航角计算方法,其特征在于,该方法包括以下步骤:
步骤一、图像采集,通过摄像头采集汽车前方图像;
步骤二、对车道线进行检测;
步骤三、车道线测距,根据摄像头的内外参数进行标定,计算摄像头的内部参数和外部参数,采用三线标定法计算出图像坐标系和车体世界坐标系对应关系;
步骤四、根据图像坐标系和车体世界坐标系进行偏航角计算。
2.根据权利要求1所述的无人车偏航角计算方法,其特征在于,所述步骤二包括以下步骤:
步骤1、对采集的彩色图片转化为灰度图像,并计算出分割阈值;
步骤2、对灰度图像进行图像边缘增强,将边缘增强后的图像选择合适的阈值进行二值化;
步骤3、对车道线内侧边缘点提取;
步骤4、对步骤四得到的车道线内边缘进行拟合,得到车道的直线或者曲线模型;
步骤5、对车道线进行筛选确认,排除拟合出来的虚假车道线干扰;
步骤6、对步骤六处理的车道线,根据车道线的极坐标半径和角度变化幅度,选择性的提取出相对稳定帧进行跟踪。
3.根据权利要求2所述的无人车偏航角计算方法,其特征在于,所述步骤1对采集的图像进行图像转化为灰度图像,然后计算出图像下半部分图像每行的图像灰度均值,然后计算图像每行的图像最大值,开辟一个数组将图像行均值和行最大值存储,根据每行得到的灰度均值和最大值采用某种规则计算出每行图像对应的灰度分割阈值。
4.根据权利要求3所述的无人车偏航角计算方法,其特征在于,灰度分割阈值的计算分割为左右两个区域分别计算,得到左右车道线分别对应的每行的分割阈值。
5.根据权利要求2所述的无人车偏航角计算方法,其特征在于,所述步骤2通过基于一阶微分的边缘检测方法中的sobel算法进行图像边缘增强,图像二值化将边缘增强后的图像选择合适的阈值进行二值化,将高于该阈值的像素部分置为最高灰度级,将低于该阈值的灰度部分置为最低灰度级。
6.根据权利要求2所述的无人车偏航角计算方法,其特征在于,所述步骤3首先根据步骤1得到的灰度图像分割阈值,计算步骤2中二值化图像对应的灰度图像中像素灰度值大小,并根据步骤1的灰度图像分割阈值判断灰度值是否大于该阈值,如果大于阈值,则判定此二值点为车道线待候选点,如果灰度值小于阈值,判定为非车道线候选点,将次二值点删除,然后根据车道线宽度信息,逐行扫描过滤后的二值化图像,判断每行中图像的像素点是否等于255,如果第一次探测到某像素点为255,将此点的列坐标设为起始点,后续持续判断该行后续点的变换规律,如果从起始点到终止点满足先持续一定长度灰度值为255,然后持续一定长度为0,然后持续一定长度为255,如果按照此规律变化,则判定为车道线的内外边缘,同时在第二次变化为255后,在变化为0时,统计灰度为0点长度是否大于一定阈值长度,如果满足,则前面判断的为车道线,否则前面判断的不是车道线,向后重新检测。
7.根据权利要求2所述的无人车偏航角计算方法,其特征在于,所述步骤4通过两级hough变换的算法进行车道线拟合,采用第一级hough变换粗定位车道线极坐标位置,然后采用精定位技术精确定位车道线极坐标信息。
8.根据权利要求2所述的无人车偏航角计算方法,其特征在于,所述步骤5根据检测得到的左右车道线位置,左车道向左,右车道向右分别拓展15cm宽度,判断自此附近是否存在车道线边缘,如果不存在,则判定为不是车道线,如果存在车道线边缘,则判断直线在消失线行中对应的列坐标位置,如果列坐标在我们设定范围之外,则不是车道线。如果列坐标在我们设定范围之内,并且两条车道线都存在,则计算两条车道线之间的宽度,判断两条车道线的宽度是否在3.75m左右,两车道线宽度阈值设定为3.5-4.2m,如果在此范围之内,则为车道线,如果不在这个范围之内,则判定为不是车道线。
9.根据权利要求2所述的无人车偏航角计算方法,其特征在于,所述步骤6根据经过步骤5处理的车道线,通过连续统计相邻5帧车道线信息,然后根据车道线的极坐标半径和角度变换幅度,选择性的提取出相对稳定帧进行跟踪,如果检测到连续5帧中某一帧车道线参数和其他帧差异非常大,程序判定此帧检测到的车道线无效,将此帧去除,采用其他帧的统计信息计算车道线的极坐标角度和半径,程序如果探测到连续多帧车道线参数变换都较大,程序判定这种场景为换道,程序退出车道线跟踪模式,直到程序重新检测到稳定连续的车道线时,再进入跟踪模式。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610791754.2A CN106384085A (zh) | 2016-08-31 | 2016-08-31 | 一种无人车偏航角计算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610791754.2A CN106384085A (zh) | 2016-08-31 | 2016-08-31 | 一种无人车偏航角计算方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106384085A true CN106384085A (zh) | 2017-02-08 |
Family
ID=57937933
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610791754.2A Pending CN106384085A (zh) | 2016-08-31 | 2016-08-31 | 一种无人车偏航角计算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106384085A (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107798297A (zh) * | 2017-09-28 | 2018-03-13 | 成都大熊智能科技有限责任公司 | 一种基于帧间差分自动提取稳定帧的方法 |
CN109300139A (zh) * | 2018-09-30 | 2019-02-01 | 百度在线网络技术(北京)有限公司 | 车道线检测方法和装置 |
CN109300159A (zh) * | 2018-09-07 | 2019-02-01 | 百度在线网络技术(北京)有限公司 | 位置检测方法、装置、设备、存储介质及车辆 |
CN109410284A (zh) * | 2018-10-31 | 2019-03-01 | 百度在线网络技术(北京)有限公司 | 一种参数估计方法、装置、电子设备、车辆及存储介质 |
CN111220143A (zh) * | 2018-11-26 | 2020-06-02 | 北京图森智途科技有限公司 | 一种成像设备的位置和姿态确定方法及装置 |
CN111382614A (zh) * | 2018-12-28 | 2020-07-07 | 沈阳美行科技有限公司 | 车辆定位方法、装置、电子设备、计算机可读存储介质 |
CN111381268A (zh) * | 2018-12-28 | 2020-07-07 | 沈阳美行科技有限公司 | 车辆定位方法、装置、电子设备、计算机可读存储介质 |
CN111507916A (zh) * | 2020-04-15 | 2020-08-07 | 南京富尔登科技发展有限公司 | 一种流水线上物品对象稳定图像获取方法 |
CN112561890A (zh) * | 2020-12-18 | 2021-03-26 | 深圳赛安特技术服务有限公司 | 图像清晰度的计算方法、装置和计算机设备 |
CN113450380A (zh) * | 2021-07-17 | 2021-09-28 | 普达迪泰(天津)智能装备科技有限公司 | 一种基于机场跑道刻线的轨迹校准方法 |
CN114120625A (zh) * | 2020-08-31 | 2022-03-01 | 上汽通用汽车有限公司 | 车辆信息集成***、方法和存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104517111A (zh) * | 2013-09-27 | 2015-04-15 | 比亚迪股份有限公司 | 车道线检测方法、***、车道偏离预警方法及*** |
CN105447892A (zh) * | 2015-11-05 | 2016-03-30 | 奇瑞汽车股份有限公司 | 车辆偏航角的确定方法及装置 |
-
2016
- 2016-08-31 CN CN201610791754.2A patent/CN106384085A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104517111A (zh) * | 2013-09-27 | 2015-04-15 | 比亚迪股份有限公司 | 车道线检测方法、***、车道偏离预警方法及*** |
CN105447892A (zh) * | 2015-11-05 | 2016-03-30 | 奇瑞汽车股份有限公司 | 车辆偏航角的确定方法及装置 |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107798297A (zh) * | 2017-09-28 | 2018-03-13 | 成都大熊智能科技有限责任公司 | 一种基于帧间差分自动提取稳定帧的方法 |
CN109300159A (zh) * | 2018-09-07 | 2019-02-01 | 百度在线网络技术(北京)有限公司 | 位置检测方法、装置、设备、存储介质及车辆 |
US11210534B2 (en) | 2018-09-07 | 2021-12-28 | Baidu Online Network Technology (Beijing) Co., Ltd. | Method for position detection, device, and storage medium |
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 |
CN109300139A (zh) * | 2018-09-30 | 2019-02-01 | 百度在线网络技术(北京)有限公司 | 车道线检测方法和装置 |
CN109410284A (zh) * | 2018-10-31 | 2019-03-01 | 百度在线网络技术(北京)有限公司 | 一种参数估计方法、装置、电子设备、车辆及存储介质 |
CN111220143A (zh) * | 2018-11-26 | 2020-06-02 | 北京图森智途科技有限公司 | 一种成像设备的位置和姿态确定方法及装置 |
CN111220143B (zh) * | 2018-11-26 | 2021-12-17 | 北京图森智途科技有限公司 | 一种成像设备的位置和姿态确定方法及装置 |
CN111381268A (zh) * | 2018-12-28 | 2020-07-07 | 沈阳美行科技有限公司 | 车辆定位方法、装置、电子设备、计算机可读存储介质 |
CN111382614A (zh) * | 2018-12-28 | 2020-07-07 | 沈阳美行科技有限公司 | 车辆定位方法、装置、电子设备、计算机可读存储介质 |
CN111382614B (zh) * | 2018-12-28 | 2023-08-15 | 沈阳美行科技股份有限公司 | 车辆定位方法、装置、电子设备、计算机可读存储介质 |
CN111507916A (zh) * | 2020-04-15 | 2020-08-07 | 南京富尔登科技发展有限公司 | 一种流水线上物品对象稳定图像获取方法 |
CN114120625A (zh) * | 2020-08-31 | 2022-03-01 | 上汽通用汽车有限公司 | 车辆信息集成***、方法和存储介质 |
CN114120625B (zh) * | 2020-08-31 | 2023-02-21 | 上汽通用汽车有限公司 | 车辆信息集成***、方法和存储介质 |
CN112561890A (zh) * | 2020-12-18 | 2021-03-26 | 深圳赛安特技术服务有限公司 | 图像清晰度的计算方法、装置和计算机设备 |
CN113450380A (zh) * | 2021-07-17 | 2021-09-28 | 普达迪泰(天津)智能装备科技有限公司 | 一种基于机场跑道刻线的轨迹校准方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106384085A (zh) | 一种无人车偏航角计算方法 | |
CN105206109B (zh) | 一种基于红外ccd的车辆雾天识别预警***及方法 | |
CN103077384B (zh) | 一种车标定位识别的方法与*** | |
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 | |
CN105460009B (zh) | 汽车控制方法及装置 | |
JP4830604B2 (ja) | 物体検出方法および物体検出装置 | |
CN113192091B (zh) | 一种基于激光雷达与相机融合的远距离目标感知方法 | |
CN107045629A (zh) | 一种多车道线检测方法 | |
CN102799857B (zh) | 一种视频多车辆轮廓检测方法 | |
WO2022188663A1 (zh) | 一种目标检测方法及装置 | |
CN107895375B (zh) | 基于视觉多特征的复杂道路线提取方法 | |
JP6313081B2 (ja) | 車載用画像処理装置およびそれを用いた車両システム | |
CN105224909A (zh) | 车道线检测***中的车道线确认方法 | |
CN103020948A (zh) | 智能车载防撞预警***中的夜间图像特征提取方法 | |
CN110197173B (zh) | 一种基于双目视觉的路沿检测方法 | |
CN105447892A (zh) | 车辆偏航角的确定方法及装置 | |
CN106887004A (zh) | 一种基于块匹配的车道线检测方法 | |
KR101840974B1 (ko) | 자율주행용 차선 식별 시스템 | |
CN104915642B (zh) | 前方车辆测距方法及装置 | |
KR20110046607A (ko) | 차선검출방법 및 이를 이용한 차선이탈검출시스템 | |
CN111178193A (zh) | 一种车道线的检测方法、检测装置及计算机可读存储介质 | |
CN114325755B (zh) | 一种适用于自动驾驶车辆的挡土墙检测方法及*** | |
CN103996031A (zh) | 一种自适应阈值分割的车道线检测***及其方法 | |
CN112348813A (zh) | 雷达与车灯检测融合的夜晚车辆检测方法及装置 | |
CN107506739B (zh) | 一种夜间前向车辆检测及测距方法 |
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 |
Application publication date: 20170208 |
|
RJ01 | Rejection of invention patent application after publication |