CN106462757B - 一种成对车道线的快速检测方法和装置 - Google Patents
一种成对车道线的快速检测方法和装置 Download PDFInfo
- Publication number
- CN106462757B CN106462757B CN201680001019.5A CN201680001019A CN106462757B CN 106462757 B CN106462757 B CN 106462757B CN 201680001019 A CN201680001019 A CN 201680001019A CN 106462757 B CN106462757 B CN 106462757B
- Authority
- CN
- China
- Prior art keywords
- lane line
- probability
- pairs
- line
- straight lines
- 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
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)
- Traffic Control Systems (AREA)
Abstract
一种成对车道线的快速检测方法,所述方法包括:获取待检测的两条直线,根据预先设定的间距在所述两条直线上分别选择样点,获取所述样点与预定的公共点之间的距离;计算每条直线上的样点与预定的公共点之间的距离的和值;将每条直线与预定的公共点之间的距离的和值代入预先设定的分类器,计算两条直线为成对车道线的概率和非成对车道线的概率,所述分类器根据预先采集的成对和非成对车道线样本数据训练获取;根据成对车道线的概率和非成对车道线的概率的大小,判断两条直线是否为成对车道线。该检测方法可以有效的保证对成对车道线判断的实时性,又能够提高判断的准确性。
Description
技术领域
本发明属于自动驾驶领域,尤其涉及一种成对车道线的快速检测方法和装置。
背景技术
车道偏离预警***是一种通过报警的方式辅助驾驶员减少汽车因车道偏离而发生交通事故的汽车驾驶的辅助***。当车辆偏离行驶车道时,通过所述车道偏离预警***可以发出预警提醒,所述预警提醒可包括警报音、方向盘震动或自动改变转向等。
在车道偏离预警***中,为了保证预警的准确度,需要对车道线进行正确的提取和识别。目前的成对车道线检测方法,一般需要消耗较多的***资源,当需要较高的准确度时,则需要花费一定的计算时间,无法保证实时检测;或者,为了提高检测的实时性,则可能造成漏检测,导致误检率提高。
发明内容
本发明的目的在于提供一种成对车道线的快速检测方法,以解决现有技术在成对车道线检测时,不能有效的保证准确率以及实时性的问题。
第一方面,本发明实施例提供了一种成对车道线的快速检测方法,所述方法包括:
获取待检测的两条直线,根据预先设定的间距在所述两条直线上分别选择样点,获取所述样点与预定的公共点之间的距离;
计算每条直线上的样点与预定的公共点之间的距离的和值;
将每条直线与预定的公共点之间的距离的和值代入预先设定的分类器,计算两条直线为成对车道线的概率和非成对车道线的概率,所述分类器根据预先采集的成对和非成对车道线样本数据训练获取;
根据成对车道线的概率和非成对车道线的概率的大小,判断两条直线是否为成对车道线。
结合第一方面,在第一方面的第一种可能实现方式中,所述根据预先设定的间距在所述两条直线上选择样点,获取所述样点与预定的公共点之间的距离步骤包括:
根据预先设定的间距,在所述两条直线上分别选择样点;
将图像的中心点作为公共点,获取所述样点与所述公共点之间的距离。
结合第一方面,或第一方面的第一种可能实现方式,在第一方面的第二种可能实现方式中,在所述将每条直线与预定的公共点之间的距离的和值代入预先设定的分类器步骤之前,所述方法还包括:
采集大量的成对的车道线样本和不成对的车道线样本,根据所述间距在所述车道线样本上选择样点;
计算每条直线上的样点与所述公共点之间的距离的和值;
将所述距离的和值代入对应的距离区间,根据所述车道线样本是否成对的结果,训练获取所述距离区间为成对车道线的概率,以及为非成对车道线的概率。
结合第一方面,或第一方面的第一种可能实现方式,在第一方面的第三种可能实现方式中,所述将每条直线与预定的公共点之间的距离的和值代入预先设定的分类器,计算两条直线为成对车道线的概率和非成对车道线的概率步骤包括:
根据每条直线与预定的公共点之间的距离的和值,查找所述和值对应的距离区间,根据所述距离区间确定每条直线属于成对车道线的概率,以及属于非成对车道线的概率;
将每条直线分别为成对车道线的概率相乘,得到两条直线为成对车道线的概率,以及将每条直线分别为非成对车道线的概率相乘,得到两条直线为非成对车道线的概率。
结合第一方面,或第一方面的第一种可能实现方式,在第一方面的第四种可能实现方式中,所述根据成对车道线的概率和非成对车道线的概率的大小,判断两条直线是否为成对车道线步骤包括:
将计算出的两条直线为成对车道线的概率,以及两条直线为非成对车道线的概率进行比较,选择值较大的概率所对应的结果作为成对车道线的检测结果。第二方面,本发明实施例提供了一种成对车道线的快速检测装置,所述装置包括:
车道线获取单元,用于获取待检测的两条直线,根据预先设定的间距在所述两条直线上分别选择样点,获取所述样点与预定的公共点之间的距离;
计算单元,用于计算每条直线上的样点与预定的公共点之间的距离的和值;
概率获取单元,用于将每条直线与预定的公共点之间的距离的和值代入预先设定的分类器,计算两条直线为成对车道线的概率和非成对车道线的概率,所述分类器根据预先采集的成对和非成对车道线样本数据训练获取;
判断单元,用于根据成对车道线的概率和非成对车道线的概率的大小,判断两条直线是否为成对车道线。
结合第二方面,在第二方面的第一种可能实现方式中,所述车道线获取单元包括:
样点选择子单元,用于根据预先设定的间距,在所述两条直线上分别选择样点;
公共点获取子单元,用于将图像的中心点作为公共点,获取所述样点与所述公共点之间的距离。
结合第二方面,或第二方面的第一种可能实现方式,在第二方面的第二种可能实现方式中,所述装置还包括:
样本采集单元,用于采集大量的成对的车道线样本和不成对的车道线样本,根据所述间距在所述车道线样本上选择样点;
距离计算单元,用于每条直线上的样点与所述公共点之间的距离的和值;
概率训练单元,用于将所述距离的和值代入对应的距离区间,根据所述车道线样本是否成对的结果,训练获取所述距离区间为成对车道线的概率,以及为非成对车道线的概率。
结合第二方面,或第二方面的第一种可能实现方式,在第二方面的第三种可能实现方式中,所述概率获取单元计算单元包括:
概率查找子单元,用于根据每条直线与预定的公共点之间的距离的和值,查找所述和值对应的距离区间,根据所述距离区间确定每条直线属于成对车道线的概率,以及属于非成对车道线的概率;
概率乘积子单元,用于将每条直线分别为成对车道线的概率相乘,得到两条直线为成对车道线的概率,以及将每条直线分别为非成对车道线的概率相乘,得到两条直线为非成对车道线的概率。
结合第二方面,或第二方面的第一种可能实现方式,在第二方面的第四种可能实现方式中,所述判断单元具体用于:
将计算出的两条直线为成对车道线的概率,以及两条直线为非成对车道线的概率进行比较,选择值较大的概率所对应的结果作为成对车道线的检测结果。
在本发明中,获取待检测的两条直线,根据预先设定的间距,在所述两条直线上选择样点,获得样点与公共点之间的距离,计算每条直线上样点与预定的公共点之间的距离的和值,将所述距离的和值代入预先训练好的分类器,可得到两条直线为成对车道的概率以及为非成对车道线的概率,根据概率的大小即可判断两条直线是否为成对车道线。采用本发明所述方法,只需要将获取的距离数据的和值,代入预定的分类器即可快速的确定是否为成对车道线,既可有效的保证对成对车道线判断的实时性,又能够提高判断的准确性。
附图说明
图1是本发明实施例提供的成对车道线的快速检测方法的实现流程图;
图2为本发明实施例提供的待检测的车道线示意图;
图3是本发明实施例提供的又一待检测的车道线示意图;
图4为本发明实施例提供的对分类器进行训练的流程示意图;
图5-7为本发明实施例提供的两条直线为成对车道线的样本示意图;
图8-10为本发明实施例提供的两条直线为非成对车道线的样本示意图;
图11为本发明实施例提供的成对车道线的快速检测装置的结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本发明实施例所述成对车道线检测方法,目的在于克服现有技术中就成对车道线检测方法中,为了提高成对车道线的检测正确率,往往需要采用较为复杂的检测算法,导致检测计算过程需要消耗一定的时长,如果在汽车高速行驶状态下,则会造成检测结果滞后,检测的实时性较低的缺陷。而如果采用简单的车道线判断方法,则容易出现检测结果出错,影响用户判断。下面结合附图,对本发明作进一步的说明。
图1示出了本发明实施例提供的成对车道线的快速检测方法的实现流程,详述如下:
在步骤S101中,获取待检测的两条直线,根据预先设定的间距在所述两条直线上分别选择样点,获取所述样点与预定的公共点之间的距离。
具体的,本发明实施例所述对成车道线,是指用于限定车辆行驶的车道的辅助线。由于在车辆行驶过程中,除了车道线以外,还可能包括其它的标识线,比如图3所示,除了车道线以外,还包括箭头标识,由箭头线和车道线构成的标识,则不应该识别为成对车道线。
所述待检测的两条直线,可以通过对图像进行识别获取。比如,所述直线的识别,可以根据图像中颜色进行识别,比如识别图像中颜色为白色,或者颜色为黄色的直线等。
所述预先设定的间距,可以根据图像的大小进行设定。比如根据图像的宽度,设置1/3屏幕宽度为所述间距的长度。当然,还可以根据所需要的样点的个数,选择所述间距的大小,设定所述间距的长度,使得选择的样点包括所述直线的端部位置。
所述公共点的选择,可以根据用户的需要灵活设定。比如可以设定图像中的上部的中点作为所述公共点,也可以设定图像中的下部的中点作为所述公共点,还可以设定图像的中心点作为所述公共点。根据公共点所选择的位置的不同,得到的每条直线与预定的公共点之间的距离的和值也不相同,不同的距离的和值集所对应的概率也会发生变化。并且在权重向量的训练过程中选用的公共点的位置,与所述待检测的两条直线对应的公共点的位置相同。
在步骤S102中,计算每条直线上的样点与预定的公共点之间的距离的和值。
所述样点与所述公共点之间的距离,可以通过测量样点与公共点之间的距离获取。比如图2中的两条直线,在每条直线上选择两个样点(出于示例选用的其中一种实施方式),选择的样点包括四个,所述公共点为图像的中心位置,则左上角线段的距离为5cm,左下角线段的距离为7cm,右上角线段的距离为11cm,右下角线段的距离为15.5cm。那么,左边的直线上的样点与公共点的距离的和值为12,右边的直线上的样点与公共点之间的距离的和值为26.5。
如图3所示的两条直线,在每条直线上选择两个样点(出于示例选用的其中一种实施方式),在两条直线上选择的样点包括四个,所述公共点为图像的中心位置,左上角线段的距离为7cm,左下角线段的距离为7.5cm,右上角线段的距离为2cm,右下角线段的距离为3cm。那么,左边的直线上的样点与公共点的距离的和值为14.5,右边的直线上的样点与公共点之间的距离的和值为5。
在步骤S103中,将每条直线与预定的公共点之间的距离的和值代入预先设定的分类器,计算两条直线为成对车道线的概率和非成对车道线的概率,所述分类器根据预先采集的成对和非成对车道线样本数据训练获取。
具体的,本发明实施例中所述将每条直线与预定的公共点之间的距离的和值代入预先设定的分类器步骤之前,所述方法还包括对分类器进行训练的步骤,具体可以如图4所示,包括:
在步骤S401中,采集大量的成对的车道线样本和不成对的车道线样本,根据所述间距在所述车道线样本上选择样点;
在步骤S402中,计算每条直线上的样点与所述公共点之间的距离的和值;
在步骤S403中,将所述距离的和值代入对应的距离区间,根据所述车道线样本是否成对的结果,训练获取所述距离区间为成对车道线的概率,以及为非成对车道线的概率。
具体的如图5-7所示为成对车道线的样本示意图,图8-10为非成对车道线的样本示意图。具体训练过程可以如下:
图5、图6和图7的三对线属于“成对车道线”,对应三个和值集:
图5的和值集为<左上线长5CM+左下线长14CM,右上线长11CM+右下线长9.5CM>,即:<19,20.5>。
图6的和值集为<左上线长5CM+左下线长6.5CM,右上线长10CM+右下线长16CM>,即:<11.5,26>。
图7的和值集为<左上线长7CM+左下线长11CM,右上线长7.7CM+右下线长12CM>,即:<18,19.7>。
图8、图9和图10的三对线属于“非成对车道线”,对应三个和值集:
图8的和值集为<左上线长6CM+左下线长9CM,右上线长2CM+右下线长3CM>,即:<15,5>。
图9的和值集为<左上线长3CM+左下线长5CM,右上线长8CM+右下线长11CM>,即:<8,19>。
图10的和值集为<左上线长4CM+左下线长7CM,右上线长5CM+右下线长7CM>,即:<11,12>。
根据上述和值集中的数值,可对和值划分为多个距离区间,比如对于左边的直线的和值,用a表示左上线长+左下线长:可以划分为:a<11、11<=a<17、17<=a三个距离区间。
用b表示右上线+右下线长,可以划分为b<19、19<=b两个距离区间。
由于样本图5-图10的结果是确定的,即图5-图7为成对车道线,图8-图10为非成对车道线,设C=0表示“成对车道线”,C=1表示“非成对车道线”。在此例中,P(C=0)=0.5,P(C=1)=0.5。
通过大量的样本数据,可以统计每个距离区间对应的类别条件下各个和值划分的概率,比如,根据图5至图10中的六个样本,可以得到:
P(a<11|C=0)=0;
P(11<=a<17|C=0)=0.33;
P(17<=a|C=0)=0.66;
P(b<19|C=0)=0;
P(19<=b|C=0)=1;
P(a<11|C=1)=0.33;
P(11<=a<17|C=1)=0.66;
P(17<=a|C=1)=0;
P(b<19|C=1)=0.66;
P(19<=b|C=1)=0.33。
根据上述距离区间与样本结果的概率值,即可对新采集的图像进行成对车道线和非成对车道线的分析比较。
所述将每条直线与预定的公共点之间的距离的和值代入预先设定的分类器,计算两条直线为成对车道线的概率和非成对车道线的概率步骤包括:
根据每条直线与预定的公共点之间的距离的和值,查找所述和值对应的距离区间,根据所述距离区间确定每条直线属于成对车道线的概率,以及属于非成对车道线的概率;
将每条直线分别为成对车道线的概率相乘,得到两条直线为成对车道线的概率,以及将每条直线分别为非成对车道线的概率相乘,得到两条直线为非成对车道线的概率。
在步骤S104中,根据成对车道线的概率和非成对车道线的概率的大小,判断两条直线是否为成对车道线。
具体的,所述根据成对车道线的概率和非成对车道线的概率的大小,判断两条直线是否为成对车道线步骤包括:
将计算出的两条直线为成对车道线的概率,以及两条直线为非成对车道线的概率进行比较,选择值较大的概率所对应的结果作为成对车道线的检测结果。
如图2所示,通过距离计算可以得到其距离集为<左上线长5CM+左下线长7CM,右上线长11CM+右下线长15.5CM>,即:<12,26.5>。那么,图2中的两条直线归类于成对车道线的概率:
P(C=0)P(<12,26.5>|C=0)=P(C=0)P(11<=a<17|C=0)P(19<=b|C=0)
=0.5*0.33*1=0.165
归类于“非成对车道线”的概率:
P(C=1)P(<12,26.5>|C=1)=P(C=1)P(11<=a<17|C=1)P(19<=b|C=1)
=0.5*0.66*0.33=0.109
因为P(C=0)P(<12,26.5>|C=0)>P(C=1)P(<12,26.5>|C=1),所以得到“两条直线为成对车道线”的判定。
图3取得的和值集(和值的集合)为<左上线长7CM+左下线长7.5CM,右上线长2CM+右下线长3CM>,即:<14.5,5>。
归类于“成对车道线”的概率:
P(C=0)P(<14.5,5>|C=0)=P(C=0)P(11<=a<17|C=0)P(b<19|C=0)
=0.5*0.33*0=0
归类于“非成对车道线”的概率:
P(C=1)P(<14.5,5>|C=1)=P(C=1)P(11<=a<17|C=1)P(b<19|C=1)
=0.5*0.66*1=0.33
因为P(C=0)P(<14.5,5>|C=0)<P(C=1)P(<14.5,5>|C=1),所以得到“两条直线为非成对车道线”的判定。
本发明通过获取待检测的两条直线,根据预先设定的间距,在所述两条直线上选择样点,获得样点与公共点之间的距离,计算每条直线上样点与预定的公共点之间的距离的和值,将所述距离的和值代入预先训练好的分类器,可得到两条直线为成对车道的概率以及为非成对车道线的概率,根据概率的大小即可判断两条直线是否为成对车道线。采用本发明所述方法,只需要将获取的距离数据的和值,代入预定的分类器即可快速的确定是否为成对车道线,既可有效的保证对成对车道线判断的实时性,又能够提高判断的准确性。
图11所示为本发明实施例提供的成对车道线的快速检测装置的结构示意图,详述如下:
本发明实施例所述成对车道线的快速检测装置,包括:
车道线获取单元1101,用于获取待检测的两条直线,根据预先设定的间距在所述两条直线上分别选择样点,获取所述样点与预定的公共点之间的距离;
计算单元1102,用于计算每条直线上的样点与预定的公共点之间的距离的和值;
概率获取单元1103,用于将每条直线与预定的公共点之间的距离的和值代入预先设定的分类器,计算两条直线为成对车道线的概率和非成对车道线的概率,所述分类器根据预先采集的成对和非成对车道线样本数据训练获取;
判断单元1104,用于根据成对车道线的概率和非成对车道线的概率的大小,判断两条直线是否为成对车道线。
优选的,所述车道线获取单元包括:
样点选择子单元,用于根据预先设定的间距,在所述两条直线上分别选择样点;
公共点获取子单元,用于将图像的中心点作为公共点,获取所述样点与所述公共点之间的距离。
优选的,所述装置还包括:
样本采集单元,用于采集大量的成对的车道线样本和不成对的车道线样本,根据所述间距在所述车道线样本上选择样点;
距离计算单元,用于每条直线上的样点与所述公共点之间的距离的和值;
概率训练单元,用于将所述距离的和值代入对应的距离区间,根据所述车道线样本是否成对的结果,训练获取所述距离区间为成对车道线的概率,以及为非成对车道线的概率。
优选的,所述概率获取单元计算单元包括:
概率查找子单元,用于根据每条直线与预定的公共点之间的距离的和值,查找所述和值对应的距离区间,根据所述距离区间确定每条直线属于成对车道线的概率,以及属于非成对车道线的概率;
概率乘积子单元,用于将每条直线分别为成对车道线的概率相乘,得到两条直线为成对车道线的概率,以及将每条直线分别为非成对车道线的概率相乘,得到两条直线为非成对车道线的概率。
优选的,所述判断单元具体用于:
将计算出的两条直线为成对车道线的概率,以及两条直线为非成对车道线的概率进行比较,选择值较大的概率所对应的结果作为成对车道线的检测结果。
本发明实施例所述成对车道线的快速检测装置,与上述成对车道线的快速检测方法对应,在此不作重复赘述。
在本发明所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种成对车道线的快速检测方法,其特征在于,所述方法包括:
获取待检测的两条直线,根据预先设定的间距在所述两条直线上分别选择样点,获取所述样点与预定的公共点之间的距离,所述公共点为图像上部的中点,图像下部的中心,或者图像的中心点;
计算每条直线上的样点与预定的公共点之间的距离的和值;
将每条直线与预定的公共点之间的距离的和值代入预先设定的分类器,计算两条直线为成对车道线的概率和非成对车道线的概率,所述分类器根据预先采集的成对和非成对车道线样本数据训练获取;
根据成对车道线的概率和非成对车道线的概率的大小,判断两条直线是否为成对车道线。
2.根据权利要求1所述方法,其特征在于,所述根据预先设定的间距在所述两条直线上选择样点,获取所述样点与预定的公共点之间的距离步骤包括:
根据预先设定的间距,在所述两条直线上分别选择样点;
将图像的中心点作为公共点,获取所述样点与所述公共点之间的距离。
3.根据权利要求1或2所述方法,其特征在于,在所述将每条直线与预定的公共点之间的距离的和值代入预先设定的分类器步骤之前,所述方法还包括:
采集大量的成对的车道线样本和不成对的车道线样本,根据所述间距在所述车道线样本上选择样点;
计算每条直线上的样点与所述公共点之间的距离的和值;
将所述距离的和值代入对应的距离区间,根据所述车道线样本是否成对的结果,训练获取所述距离区间为成对车道线的概率,以及为非成对车道线的概率。
4.根据权利要求1或2所述方法,其特征在于,所述将每条直线与预定的公共点之间的距离的和值代入预先设定的分类器,计算两条直线为成对车道线的概率和非成对车道线的概率步骤包括:
根据每条直线与预定的公共点之间的距离的和值,查找所述和值对应的距离区间,根据所述距离区间确定每条直线属于成对车道线的概率,以及属于非成对车道线的概率;
将每条直线分别为成对车道线的概率相乘,得到两条直线为成对车道线的概率,以及将每条直线分别为非成对车道线的概率相乘,得到两条直线为非成对车道线的概率。
5.根据权利要求1或2所述方法,其特征在于,所述根据成对车道线的概率和非成对车道线的概率的大小,判断两条直线是否为成对车道线步骤包括:
将计算出的两条直线为成对车道线的概率,以及两条直线为非成对车道线的概率进行比较,选择值较大的概率所对应的结果作为成对车道线的检测结果。
6.一种成对车道线的快速检测装置,其特征在于,所述装置包括:
车道线获取单元,用于获取待检测的两条直线,根据预先设定的间距在所述两条直线上分别选择样点,获取所述样点与预定的公共点之间的距离,所述公共点为图像上部的中点,图像下部的中心,或者图像的中心点;
计算单元,用于计算每条直线上的样点与预定的公共点之间的距离的和值;
概率获取单元,用于将每条直线与预定的公共点之间的距离的和值代入预先设定的分类器,计算两条直线为成对车道线的概率和非成对车道线的概率,所述分类器根据预先采集的成对和非成对车道线样本数据训练获取;
判断单元,用于根据成对车道线的概率和非成对车道线的概率的大小,判断两条直线是否为成对车道线。
7.根据权利要求6所述装置,其特征在于,所述车道线获取单元包括:
样点选择子单元,用于根据预先设定的间距,在所述两条直线上分别选择样点;
公共点获取子单元,用于将图像的中心点作为公共点,获取所述样点与所述公共点之间的距离。
8.根据权利要求6或7所述装置,其特征在于,所述装置还包括:
样本采集单元,用于采集大量的成对的车道线样本和不成对的车道线样本,根据所述间距在所述车道线样本上选择样点;
距离计算单元,用于每条直线上的样点与所述公共点之间的距离的和值;
概率训练单元,用于将所述距离的和值代入对应的距离区间,根据所述车道线样本是否成对的结果,训练获取所述距离区间为成对车道线的概率,以及为非成对车道线的概率。
9.根据权利要求6或7所述装置,其特征在于,所述概率获取单元计算单元包括:
概率查找子单元,用于根据每条直线与预定的公共点之间的距离的和值,查找所述和值对应的距离区间,根据所述距离区间确定每条直线属于成对车道线的概率,以及属于非成对车道线的概率;
概率乘积子单元,用于将每条直线分别为成对车道线的概率相乘,得到两条直线为成对车道线的概率,以及将每条直线分别为非成对车道线的概率相乘,得到两条直线为非成对车道线的概率。
10.根据权利要求6或7所述装置,其特征在于,所述判断单元具体用于:
将计算出的两条直线为成对车道线的概率,以及两条直线为非成对车道线的概率进行比较,选择值较大的概率所对应的结果作为成对车道线的检测结果。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/CN2016/100096 WO2018053833A1 (zh) | 2016-09-26 | 2016-09-26 | 一种成对车道线的快速检测方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106462757A CN106462757A (zh) | 2017-02-22 |
CN106462757B true CN106462757B (zh) | 2019-09-06 |
Family
ID=58215703
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201680001019.5A Active CN106462757B (zh) | 2016-09-26 | 2016-09-26 | 一种成对车道线的快速检测方法和装置 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN106462757B (zh) |
WO (1) | WO2018053833A1 (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN109117825B (zh) | 2018-09-04 | 2020-01-17 | 百度在线网络技术(北京)有限公司 | 车道线处理方法和装置 |
CN109215136B (zh) | 2018-09-07 | 2020-03-20 | 百度在线网络技术(北京)有限公司 | 一种真实数据增强方法、装置以及终端 |
CN109255181B (zh) | 2018-09-07 | 2019-12-24 | 百度在线网络技术(北京)有限公司 | 一种基于多模型的障碍物分布仿真方法、装置以及终端 |
CN109143242B (zh) | 2018-09-07 | 2020-04-14 | 百度在线网络技术(北京)有限公司 | 障碍物绝对速度估计方法、***、计算机设备和存储介质 |
CN110375659B (zh) | 2018-09-11 | 2021-07-27 | 百度在线网络技术(北京)有限公司 | 检测障碍物高度的方法、装置、设备及存储介质 |
CN109165629B (zh) | 2018-09-13 | 2019-08-23 | 百度在线网络技术(北京)有限公司 | 多焦距视觉障碍物感知方法、装置、设备及存储介质 |
CN109703568B (zh) | 2019-02-19 | 2020-08-18 | 百度在线网络技术(北京)有限公司 | 自动驾驶车辆行驶策略实时学习的方法、装置和服务器 |
CN109712421B (zh) | 2019-02-22 | 2021-06-04 | 百度在线网络技术(北京)有限公司 | 自动驾驶车辆的速度规划方法、装置和存储介质 |
CN114742958B (zh) * | 2022-02-18 | 2023-02-17 | 禾多科技(北京)有限公司 | 三维车道信息生成方法、装置、设备和计算机可读介质 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101470807A (zh) * | 2007-12-26 | 2009-07-01 | 河海大学常州校区 | 公路车道标志线精确检测方法 |
CN102722705A (zh) * | 2012-06-12 | 2012-10-10 | 武汉大学 | 一种基于ransac算法的多车道线检测方法 |
CN103605977A (zh) * | 2013-11-05 | 2014-02-26 | 奇瑞汽车股份有限公司 | 一种车道线的提取方法及装置 |
CN104408460A (zh) * | 2014-09-17 | 2015-03-11 | 电子科技大学 | 一种车道线检测及跟踪检测方法 |
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 |
CN104700072A (zh) * | 2015-02-06 | 2015-06-10 | 中国科学院合肥物质科学研究院 | 基于车道线历史帧的识别方法 |
CN105260713A (zh) * | 2015-10-09 | 2016-01-20 | 东方网力科技股份有限公司 | 一种车道线检测方法和装置 |
CN105718916A (zh) * | 2016-01-27 | 2016-06-29 | 大连楼兰科技股份有限公司 | 一种基于霍夫变换的车道线检测方法 |
CN105809149A (zh) * | 2016-03-31 | 2016-07-27 | 电子科技大学 | 基于最大长度直线的车道线检测方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8755967B1 (en) * | 2012-03-23 | 2014-06-17 | Google Inc. | Estimating road lane geometry using lane marker observations |
KR20140006463A (ko) * | 2012-07-05 | 2014-01-16 | 현대모비스 주식회사 | 차선 인식 방법 및 장치 |
CN102785661B (zh) * | 2012-08-20 | 2015-05-13 | 深圳先进技术研究院 | 车道偏离控制***及方法 |
CN103978978B (zh) * | 2014-05-26 | 2016-06-22 | 武汉理工大学 | 基于逆投影变换的车道保持方法 |
-
2016
- 2016-09-26 WO PCT/CN2016/100096 patent/WO2018053833A1/zh active Application Filing
- 2016-09-26 CN CN201680001019.5A patent/CN106462757B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101470807A (zh) * | 2007-12-26 | 2009-07-01 | 河海大学常州校区 | 公路车道标志线精确检测方法 |
CN102722705A (zh) * | 2012-06-12 | 2012-10-10 | 武汉大学 | 一种基于ransac算法的多车道线检测方法 |
CN103605977A (zh) * | 2013-11-05 | 2014-02-26 | 奇瑞汽车股份有限公司 | 一种车道线的提取方法及装置 |
CN104408460A (zh) * | 2014-09-17 | 2015-03-11 | 电子科技大学 | 一种车道线检测及跟踪检测方法 |
CN104700072A (zh) * | 2015-02-06 | 2015-06-10 | 中国科学院合肥物质科学研究院 | 基于车道线历史帧的识别方法 |
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 |
CN105260713A (zh) * | 2015-10-09 | 2016-01-20 | 东方网力科技股份有限公司 | 一种车道线检测方法和装置 |
CN105718916A (zh) * | 2016-01-27 | 2016-06-29 | 大连楼兰科技股份有限公司 | 一种基于霍夫变换的车道线检测方法 |
CN105809149A (zh) * | 2016-03-31 | 2016-07-27 | 电子科技大学 | 基于最大长度直线的车道线检测方法 |
Non-Patent Citations (3)
Title |
---|
《LANE DETECTION BASED ON HOUGH TRANSFORM AND ENDPOINTS CLASSIFICATION》;HE MAO等;《2012 International Conference on Wavelet Active Media Technology and Information Processing 》;20121231;第125-127页 |
《基于Android平台的车道线检测***设计》;黄惠迪等;《电子设计工程》;20150831;第23卷(第15期);第99-102页 |
《基于不变矩特征的车道线图像检测算法》;卢衍泓;《激光杂志》;20150228;第36卷(第2期);第35-38页 |
Also Published As
Publication number | Publication date |
---|---|
CN106462757A (zh) | 2017-02-22 |
WO2018053833A1 (zh) | 2018-03-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106462757B (zh) | 一种成对车道线的快速检测方法和装置 | |
Singh et al. | Smart patrolling: An efficient road surface monitoring using smartphone sensors and crowdsourcing | |
CN108121984B (zh) | 一种字符识别方法及装置 | |
CN104217592B (zh) | 人流量统计方法、设备及*** | |
US11703516B2 (en) | Method and apparatus for detecting target substances using gradient determination | |
KR101480651B1 (ko) | 오브젝트 처리 방법 및 이를 지원하는 차량 | |
JP6737906B2 (ja) | 視覚的且つ動的な運転シーンの知覚的負荷を決定する制御装置、システム及び方法 | |
US9749802B2 (en) | Method, apparatus, and terminal device for determining user activity range | |
CN111983935A (zh) | 一种性能评测方法和装置 | |
JP2015062817A5 (ja) | 脳活動解析装置、脳活動解析方法、判別器生成装置、判別器生成方法、バイオマーカー装置およびプログラム、健康管理装置およびプログラム、ならびに判別器のプログラム | |
CN104573680B (zh) | 图像检测方法、图像检测装置以及交通违法检测*** | |
CN102867175B (zh) | 一种基于立体视觉的atm机行为分析方法 | |
CN107525517B (zh) | 语音播报方法和装置 | |
US20170043717A1 (en) | System and Apparatus that Alert Car Drivers Approaching Obstacles in the Road | |
US10948309B2 (en) | Navigation method, shopping cart and navigation system | |
CN108573611A (zh) | 一种限速标识融合方法以及限速标识融合*** | |
RU2016117598A (ru) | Устройство и способ оценки многоканальных электрокардиографических сигналов | |
CN108363783B (zh) | Mac地址与身份信息的绑定方法及装置 | |
RU2018104988A (ru) | Способ, устройство и система для обнаружения помех | |
Hidayat et al. | Estimating bus passenger volume based on a Wi-Fi scanner survey | |
CN108335492A (zh) | 车辆停放检测方法以及计算机可读存储介质 | |
CN108304852B (zh) | 道路路段类型的确定方法、装置以及存储介质、电子装置 | |
EP3712887B1 (en) | Vehicle operation assistance device | |
WO2016164834A4 (en) | Augmenting transport services using driver profiling | |
CN106448258B (zh) | 一种车位状态的检测方法及装置 |
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 |