CN106778551B - 一种高速路段及城市道路车道线识别方法 - Google Patents

一种高速路段及城市道路车道线识别方法 Download PDF

Info

Publication number
CN106778551B
CN106778551B CN201611084618.6A CN201611084618A CN106778551B CN 106778551 B CN106778551 B CN 106778551B CN 201611084618 A CN201611084618 A CN 201611084618A CN 106778551 B CN106778551 B CN 106778551B
Authority
CN
China
Prior art keywords
lane
model
image
lane line
points
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
Application number
CN201611084618.6A
Other languages
English (en)
Other versions
CN106778551A (zh
Inventor
成剑
沙涛
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing University of Science and Technology
Original Assignee
Nanjing University of Science and Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nanjing University of Science and Technology filed Critical Nanjing University of Science and Technology
Priority to CN201611084618.6A priority Critical patent/CN106778551B/zh
Publication of CN106778551A publication Critical patent/CN106778551A/zh
Application granted granted Critical
Publication of CN106778551B publication Critical patent/CN106778551B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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

本发明公开了一种高速路段及城市道路车道线识别方法，包括以下步骤：通过摄像机获取车道图像，利用摄像机参数自标定方法得到摄像机的内外参数，求得车道平面消失线；对车道图像进行灰度化处理并划分感兴趣区域；对上一步得到的图像进行中值滤波；对中值滤波后的图像使用Gabor变换提取车道线纹理特征；采用多角度Haar特征描述车道线边缘特征，利用Adaboost分类器进行分类识别；针对结构化道路设计双曲线组合模型；利用改进Ransac算法估计双曲线组合模型参数。本发明解决了在有阴影、车道线磨损、天气恶劣等复杂环境下的车道线检测问题，并且具有较好的实时性。

Description

一种高速路段及城市道路车道线识别方法
技术领域
本发明属于图像处理技术领域，具体涉及一种高速路段及城市道路车道线识别方法。
背景技术
车道线识别是高级驾驶辅助***的核心部分。由于视觉传感器成本低且易于构建***，基于机器视觉的车道线检测方法得到广泛应用。而基于机器视觉的车道线检测方法一般可以分为两大类：基于图像特征的方法和基于模型识别的方法。
基于图像特征的方法主要是灰度图像中对灰度边缘的识别，而基于模型的方法是建立数学模型表示车道边界。在城市街道和高速公路通常使用基于模型识别的方法，常用的车道线检测模型包括直线模型、双曲线模型、抛物线模型、样条曲线模型等。简单的模型不能很好的表示车道线，而复杂的模型又会有复杂的计算和较高的错误率。
现有的方法大都能在多种场景下有较好的检测效果，但在车道线状况不佳，例如阴影、树木、光照强度、车道线磨损等情况，检测时往往将非车道线特征点识别为车道线特征点，导致参数估计偏差。
发明内容
本发明的目的在于提供一种高速路段及城市道路车道线识别方法，克服多种因素干扰下车道线较难检测的问题，且兼具实时性。
实现本发明目的的技术方案为：一种高速路段及城市道路车道线识别方法，包括以下步骤：
步骤1、通过摄像机获取车道图像，利用摄像机参数自标定方法得到摄像机的内外参数，求得车道平面消失线；
步骤2、对车道图像进行灰度化处理并划分感兴趣区域；
步骤3、对步骤2得到的图像进行中值滤波；
步骤4、对中值滤波后的图像使用Gabor变换提取车道线纹理特征；
步骤5、采用多角度Haar特征描述车道线边缘特征，利用Adaboost分类器进行分类识别；
步骤6、针对结构化道路设计双曲线组合模型；
步骤7、利用改进Ransac算法估计双曲线组合模型参数。
与现有技术相比，本发明的显著效果为：
(1)本发明通过利用多角度的Haar特征来提取车道线特征点，增强了具有较强方向一致性的车道线边缘特征；
(2)本发明通过利用Haar特征结合改进的Adaboost分类器的识别算法，使识别准确率更高，实时性更好；
(3)本发明利用改进的Ransac算法更好的适应了复杂条件下的车道线模型参数估计，提高了准确度且增强了实时性。
附图说明
图1是本发明高速路段及城市道路车道线识别方法的流程图。
图2是设计多角度Haar特征示意图。
图3是双曲线组合模型。
具体实施方式
下面结合附图和实施例对本发明的技术方案做具体描述。
结合图1，本发明的一种高速路段及城市道路车道线识别方法，包括以下步骤：
步骤1、通过摄像机获取车道图像，利用摄像机参数自标定方法得到摄像机的内外参数，求得车道平面消失线；
步骤2、对车道图像进行灰度化处理并划分感兴趣区域；
步骤3、对步骤2得到的图像进行中值滤波；
步骤4、对中值滤波后的图像使用Gabor变换提取车道线纹理特征；
步骤5、采用多角度Haar特征描述车道线边缘特征，利用Adaboost分类器进行分类识别；
步骤6、针对结构化道路设计双曲线组合模型；
步骤7、利用改进Ransac算法估计双曲线组合模型参数。
进一步的，步骤1中，首先建立图像坐标系和世界坐标系，设计两个坐标系中点坐标对应关系，根据摄像机的标定过程确定内部参数，根据坐标对应关系来计算车道线在空间坐标的位置参数，再根据内外参数得到车道消失线的位置。
进一步的，步骤2中，对采集到的RGB图像像素以5：4：1权重进行灰度化处理。
进一步的，将消失线下方设为感兴趣区域，将消失线下方1/3区域作为感兴趣区域Ⅰ，其余2/3区域作为感兴趣区域Ⅱ。
进一步的，步骤5具体过程为：
步骤5-1，在Haar特征使用0°，90°和45°特征的基础上增加倾斜30°特征和倾斜60°特征，在30°、45°和60°倾斜矩形***设置非倾斜矩形，该非倾斜矩形的四边经过倾斜矩形的四个顶点；
设窗口有L×W个像素，Haar特征H(x,y,l,w,α)，顶点坐标为(x,y)，矩形区域长度为l，宽度为w，倾斜角为α，则旋转α的矩形的l和w的计算公式如下：
Figure BDA0001167721590000031
a为旋转矩形的长，b为宽；
利用
Figure BDA0001167721590000032
取整得到的整数作为缩放系数求取倾斜α矩形的Haar特征数，利用公式
Figure BDA0001167721590000033
计算包含车道线边缘特征的Haar特征矩形个数，其中
Figure BDA0001167721590000034
RecSum(x,y)为积分图计算式；
步骤5-2，基于AD-Adaboost算法，利用参数计算公式，设定弱分类器的权重不仅与误报率有关，还与正样本的识别能力有关；
给定训练样本集(x1,y1)，(x2,y2)，...，(xN,yN)，其中yi对于负样本和正样本为0和1，负样本和正样本分别初始化权重为W1(i)＝1/2q,1/2p，q和p分别为负样本和正样本；算法经过T次循环构建强分类器，For t＝1,2,...,T，计算弱分类器hj的分类误差
Figure BDA0001167721590000035
选取当分类误差εt最小时的弱分类器Ht；
对Ht计算正权重总和：
Figure BDA0001167721590000036
更新权重：
Figure BDA0001167721590000037
其中弱分类器权重参数
Figure BDA0001167721590000038
归一化下一个循环的权重
Figure BDA0001167721590000041
式中，Zt是归一化因子，
Figure BDA0001167721590000042
将得到的t个弱分类器组合到一个强分类器，得到的强分类器为
Figure BDA0001167721590000043
其中，θ是分类错误率的判别阈值，αt＝-logεt；
当H(x)为1时，像素点x是车道线特征点，当H(x)为0时，x不是车道线特征点，在图像f(x,y)中，将H(x)＝0的像素点去除，保留下来的像素点即为车道线特征点。
进一步的，在步骤7中改进Ransac算法采用预检测的方法提高运行速度，具体为：
每次找4个点，其中3个点设计模型求得模型参数，剩下一个点进行模型匹配，看是否在模型上，如果不在，则放弃此样本重新选择，如果在，则将此模型作为候选模型；
继续寻找其它点进行模型匹配，如果支撑候选模型的点数大于等于设定阈值，则此候选模型即为目标模型；若支撑候选模型的点数小于设定阈值，则放弃此候选模型，继续寻找4个点。
下面结合具体实施例对本发明作进一步说明。
实施例
结合图1，一种高速路段及城市道路车道线识别方法，包括以下步骤：
步骤1、通过摄像头获取道路图像，计算得到相关参数
摄像机得到的图像坐标为(u,v)，而路面坐标系上对其的映射坐标为(x,y)，摄像机放在离地高h的地方，偏转角为
Figure BDA0001167721590000044
设在路面坐标系中P点坐标为[x,y,z]T，而在图像坐标系中P点坐标为[wu,wv,w]T，对应关系为
Figure BDA0001167721590000045
其中K是相机校准矩阵，
Figure BDA0001167721590000046
R是旋转矩阵，
Figure BDA0001167721590000047
I为单位矩阵，[I3×3|-T]是I和T的级联，T＝[0,0,h]T，路面坐标系中路面z坐标为0，(uc,vc)是图像坐标平面的主点位置，f为摄像机内参数的有效焦距，则图像的点投影在世界坐标系中的坐标关系为：
Figure BDA0001167721590000051
Figure BDA0001167721590000052
获得内外参数后求取车道平面消失线。
步骤2、对得到的RGB图像采取5：4：1权重进行灰度化处理，在车道平面消失线下方进行感兴趣划分，1/3区域作为感兴趣区域Ⅰ，2/3区域作为感兴趣区域Ⅱ，如图3。
步骤3、对图像进行中值滤波；
为去除摄像机获取图像的椒盐噪声，并有效保护细节和边缘，本发明采用中值滤波进行去噪处理：
Figure BDA0001167721590000053
n为偶数
本实施例选择5*5中值滤波作为图像增强方法。
步骤4、对预处理后的图像使用Gabor变换提取车道线纹理特征。
由于Gabor滤波器对于图像的边缘敏感，能够提供良好的方向选择和尺度选择特性，而且对于光照变化不敏感,能够提供对光照变化良好的适应性，所以本发明利用Gabor小波提取车道线纹理特征：
Figure BDA0001167721590000054
其中
Figure BDA0001167721590000055
表示坐标，σ为标准差，
Figure BDA0001167721590000056
表示滤波器的中心频率，
Figure BDA0001167721590000057
表示核函数的方向，
Figure BDA0001167721590000058
为二维Gabor滤波器函数；
通过在空域将图像与Gabor滤波器做卷积得到道路纹理特征：
Figure BDA0001167721590000059
Fg为滤波后的图像，J是灰度化之后的图像，G是Gabor滤波器。
步骤5、采用多角度Haar特征描述车道线边缘和结构特征，利用Adaboost分类器进行分类识别。
本发明在传统Haar特征使用0°，90°和45°特征的基础上增加倾斜30°特征和倾斜60°特征，在30°、45°和60°倾斜矩形***设置非倾斜矩形，该非倾斜矩形的四边经过倾斜矩形的四个顶点；如图2所示，设窗口有L×W个像素，Haar特征H(x,y,l,w,α)，顶点坐标为(x,y)，矩形区域长度为l，宽度为w，倾斜角为α，则旋转30°的矩形的l和w的计算公式如下：
Figure BDA0001167721590000061
旋转矩形的长为a，宽为b；利用
Figure BDA0001167721590000062
取整得到的整数作为缩放系数求取倾斜30°矩形的Haar特征数，接着利用公式
Figure BDA0001167721590000063
计算包含车道线边缘特征的Haar特征矩形个数，其中
Figure BDA0001167721590000064
RecSum(x,y)为积分图计算式。
本发明基于AD-Adaboost算法，利用新的参数计算公式，设定弱分类器的权重不仅与误报率有关，还与正样本的识别能力有关；给定训练样本集(x1,y1)，(x2,y2)，...，(xN,yN)，其中yi对于负样本和正样本为0和1，负样本和正样本分别初始化权重为W1(i)＝1/2q,1/2p，q和p分别为负样本和正样本；算法经过T次循环构建强分类器，For t＝1,2,...,T，计算弱分类器hj的分类误差
Figure BDA0001167721590000065
选取当分类误差εt最小时的弱分类器Ht。接着对Ht计算正权重总和：
Figure BDA0001167721590000066
更新权重：
Figure BDA0001167721590000067
其中弱分类器权重参数βt为：
Figure BDA0001167721590000068
接着归一化下一个循环的权重
Figure BDA0001167721590000069
式中，Zt是归一化因子，
Figure BDA00011677215900000610
然后，将得到的t个弱分类器组合到一个强分类器，得到的强分类器为
Figure BDA00011677215900000611
其中θ是分类错误率的判别阈值，αt＝-logεt。
当H(x)为1时，像素点x是车道线特征点，当H(x)为0时，x不是车道线特征点，在图像f(x,y)中，将H(x)＝0的像素点去除，保留下来的像素点即为车道线特征点。
步骤6、针对结构化道路设计双曲线组合模型。
为适应弯曲道路和直线道路，如图3，本设计建立了双曲线模型：
Figure BDA0001167721590000071
其中(u,v)为图像上的车道线上的点，h为车道消失点在图像v轴的坐标值，k、b、c为线性双曲线模型的参数，k为曲率，b为车道线相对方向，c为车道线到v轴的距离，感兴趣区域Ⅰ为远视场，看作双曲线，感兴趣区域Ⅱ为近视场，近似为直线，左右车道线的参数k和c相同，而b不同，当k＝0时，公式代表了直线。
步骤7、利用改进Ransac算法估计车道模型参数。
为估计车道模型参数并优化模型以准确描述车道边界，本设计利用改进的RANSAC算法进行车道线拟合。针对传统算法耗时长的不足，改进的算法采用预检测的方法来提高运行速度，每次找4个点，其中3个点设计模型求得模型参数，剩下一个点进行模型匹配，看是否在模型上，如果不在，则放弃此样本重新选择，如果在，则将此模型作为候选模型；
继续寻找其它点进行模型匹配，如果支撑候选模型的点数大于等于设定阈值，则此候选模型即为目标模型；若支撑候选模型的点数小于设定阈值，则放弃此候选模型，继续寻找4个点。
本发明很好的结合各算法的优点，具备在复杂道路情况下的车道线的识别能力，且精确度高，实时性好。

Claims (4)

1.一种高速路段及城市道路车道线识别方法，其特征在于，包括以下步骤：
步骤1、通过摄像机获取车道图像，利用摄像机参数自标定方法得到摄像机的内外参数，求得车道平面消失线；
步骤2、对车道图像进行灰度化处理并划分感兴趣区域；
步骤3、对步骤2得到的图像进行中值滤波；
步骤4、对中值滤波后的图像使用Gabor变换提取车道线纹理特征；
步骤5、采用多角度Haar特征描述车道线边缘特征，利用Adaboost分类器进行分类识别；具体为：
步骤5-1，在Haar特征使用0°，90°和45°特征的基础上增加倾斜30°特征和倾斜60°特征，在30°、45°和60°倾斜矩形***设置非倾斜矩形，该非倾斜矩形的四边经过倾斜矩形的四个顶点；
设窗口有L×W个像素，Haar特征H(x,y,l,w,α)，顶点坐标为(x,y)，矩形区域长度为l，宽度为w，倾斜角为α，则旋转矩形的l和w的计算公式如下：
Figure FDA0002329281450000011
a为旋转矩形的长为，b为宽；
利用
Figure FDA0002329281450000012
取整得到的整数作为缩放系数求取倾斜矩形的Haar特征数，利用公式
Figure FDA0002329281450000013
计算包含车道线边缘特征的Haar特征矩形个数，其中
Figure FDA0002329281450000014
RecSum(x,y)为积分图计算式；
步骤5-2，基于AD-Adaboost算法，利用参数计算公式，设定弱分类器的权重不仅与误报率有关，还与正样本的识别能力有关；
给定训练样本集(x1,y1)，(x2,y2)，...，(xN,yN)，其中yi对于负样本和正样本为0和1，负样本和正样本分别初始化权重为W1(i)＝1/2q,1/2p，q和p分别为负样本和正样本；算法经过T次循环构建强分类器，For t＝1,2,...,T，计算弱分类器hj的分类误差
Figure FDA0002329281450000021
选取当分类误差εt最小时的弱分类器Ht；
对Ht计算正权重总和：
Figure FDA0002329281450000022
更新权重：
Figure FDA0002329281450000023
其中弱分类器权重参数
Figure FDA0002329281450000024
归一化下一个循环的权重
Figure FDA0002329281450000025
式中，Zt是归一化因子，
Figure FDA0002329281450000026
将得到的t个弱分类器组合到一个强分类器，得到的强分类器为
Figure FDA0002329281450000027
其中，θ是分类错误率的判别阈值，αt＝-logεt；
当H(x)为1时，像素点x是车道线特征点，当H(x)为0时，x不是车道线特征点，在图像f(x,y)中，将H(x)＝0的像素点去除，保留下来的像素点即为车道线特征点；
步骤6、针对结构化道路设计双曲线组合模型；
步骤7、利用改进Ransac算法估计双曲线组合模型参数；具体为：
每次找4个点，其中3个点设计模型求得模型参数，剩下一个点进行模型匹配，看是否在模型上，如果不在，则放弃此样本重新选择，如果在，则将此模型作为候选模型；继续寻找其它点进行模型匹配，如果支撑候选模型的点数大于等于设定阈值，则此候选模型即为目标模型；若支撑候选模型的点数小于设定阈值，则放弃此候选模型，继续寻找4个点。
2.根据权利要求1所述的高速路段及城市道路车道线识别方法，其特征在于，步骤1中，首先建立图像坐标系和世界坐标系，设计两个坐标系中点坐标对应关系，根据摄像机的标定过程确定内部参数，根据坐标对应关系来计算车道线在空间坐标的位置参数，再根据内外参数得到车道消失线的位置。
3.根据权利要求1所述的高速路段及城市道路车道线识别方法，其特征在于，步骤2中，对采集到的RGB图像像素以5：4：1权重进行灰度化处理。
4.根据权利要求1所述的高速路段及城市道路车道线识别的方法，其特征在于，将消失线下方设为感兴趣区域，将消失线下方1/3区域作为感兴趣区域I，其余2/3区域作为感兴趣区域Ⅱ。
CN201611084618.6A 2016-11-30 2016-11-30 一种高速路段及城市道路车道线识别方法 Active CN106778551B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201611084618.6A CN106778551B (zh) 2016-11-30 2016-11-30 一种高速路段及城市道路车道线识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201611084618.6A CN106778551B (zh) 2016-11-30 2016-11-30 一种高速路段及城市道路车道线识别方法

Publications (2)

Publication Number Publication Date
CN106778551A CN106778551A (zh) 2017-05-31
CN106778551B true CN106778551B (zh) 2020-07-31

Family

ID=58913550

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201611084618.6A Active CN106778551B (zh) 2016-11-30 2016-11-30 一种高速路段及城市道路车道线识别方法

Country Status (1)

Country Link
CN (1) CN106778551B (zh)

Families Citing this family (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107451526A (zh) * 2017-06-09 2017-12-08 蔚来汽车有限公司 地图的构建及其应用
CN108229386B (zh) * 2017-12-29 2021-12-14 百度在线网络技术（北京）有限公司 用于检测车道线的方法、装置和介质
CN108573242A (zh) * 2018-04-26 2018-09-25 南京行车宝智能科技有限公司 一种车道线检测方法和装置
CN109670455A (zh) * 2018-12-21 2019-04-23 联创汽车电子有限公司 计算机视觉车道线检测***及其检测方法
CN109784234B (zh) * 2018-12-29 2022-01-07 阿波罗智能技术(北京)有限公司 一种基于前向鱼眼镜头的直角弯识别方法及车载设备
CN110390483B (zh) * 2019-07-24 2022-07-19 东南大学 一种评估自行车快速路对公交车运行速度影响的方法
EP3931530A1 (en) * 2019-10-15 2022-01-05 Google LLC Weather and road surface type-based navigation directions
EP4224361A4 (en) * 2020-10-22 2023-08-16 Huawei Technologies Co., Ltd. LANE LINE DETECTION METHOD AND DEVICE
CN113822226A (zh) * 2021-10-15 2021-12-21 江西锦路科技开发有限公司 一种特殊环境下基于深度学习的车道线检测方法
CN114387620A (zh) * 2022-01-05 2022-04-22 北京容积视觉科技有限公司 一种基于Adaboost的头部定位方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2015105239A1 (ko) * 2014-01-13 2015-07-16 삼성테크윈 주식회사 차량 및 차선 위치 검출 시스템 및 방법

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102592114B (zh) * 2011-12-26 2013-07-31 河南工业大学 复杂路况的车道线特征提取、识别方法
KR20140006463A (ko) * 2012-07-05 2014-01-16 현대모비스 주식회사 차선 인식 방법 및 장치
CN105224909A (zh) * 2015-08-19 2016-01-06 奇瑞汽车股份有限公司 车道线检测***中的车道线确认方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2015105239A1 (ko) * 2014-01-13 2015-07-16 삼성테크윈 주식회사 차량 및 차선 위치 검출 시스템 및 방법

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Lane detection and tracking using B-snake;Yue Wang et al;《Image and Vision Computing》;20040430;第22卷(第4期);269-280 *
Robust lane detection and tracking with ransac and Kalman filter;Amol Borkar et al;《2009 16th IEEE International Conference on Image Processing》;20100217;3261-3264 *
基于Adaboost算法的驾驶员疲劳驾驶检测;熊池亮;《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》;20140115;第2014年卷(第1期);C034-159 *

Also Published As

Publication number Publication date
CN106778551A (zh) 2017-05-31

Similar Documents

Publication Publication Date Title
CN106778551B (zh) 一种高速路段及城市道路车道线识别方法
US11580647B1 (en) Global and local binary pattern image crack segmentation method based on robot vision
CN107330376B (zh) 一种车道线识别方法及***
CN107862667B (zh) 一种基于高分辨率遥感影像的城市阴影检测与去除方法
CN107767383B (zh) 一种基于超像素的道路图像分割方法
CN110232389B (zh) 一种基于绿色作物特征提取不变性的立体视觉导航方法
Yuan et al. Robust lane detection for complicated road environment based on normal map
WO2015010451A1 (zh) 一种从单幅图像检测道路的方法
Li et al. Road lane detection with gabor filters
Zhang et al. Vehicle recognition algorithm based on Haar-like features and improved Adaboost classifier
CN108280450A (zh) 一种基于车道线的高速公路路面检测方法
CN109919960B (zh) 一种基于多尺度Gabor滤波器的图像连续边缘检测方法
CN104036523A (zh) 一种基于SURF特征的改进Mean Shift的目标跟踪方法
CN108171695A (zh) 一种基于图像处理的高速公路路面检测方法
CN107492076B (zh) 一种高速公路隧道场景车辆阴影干扰抑制方法
CN110021029B (zh) 一种适用于rgbd-slam的实时动态配准方法及存储介质
CN110580705B (zh) 一种基于双域图信号滤波检测建筑物边缘点的方法
CN109886168B (zh) 一种基于层阶的地面交通标志识别方法
CN110222661B (zh) 一种用于运动目标识别及跟踪的特征提取方法
CN107563301A (zh) 基于图像处理技术的红灯信号检测方法
CN111652033A (zh) 基于OpenCV的车道线检测方法
CN109767442B (zh) 一种基于旋转不变特征的遥感图像飞机目标检测方法
CN108520252B (zh) 基于广义霍夫变换和小波变换的路标识别方法
CN107977608B (zh) 一种应用于公路视频图像道路区域提取的方法
CN113053164A (zh) 一种利用环视图像的车位识别方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant