CN107918775B - 一种辅助车辆安全驾驶的斑马线检测方法及*** - Google Patents
一种辅助车辆安全驾驶的斑马线检测方法及*** Download PDFInfo
- Publication number
- CN107918775B CN107918775B CN201711461054.8A CN201711461054A CN107918775B CN 107918775 B CN107918775 B CN 107918775B CN 201711461054 A CN201711461054 A CN 201711461054A CN 107918775 B CN107918775 B CN 107918775B
- Authority
- CN
- China
- Prior art keywords
- line
- road image
- target
- detected
- line segments
- 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
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
-
- 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
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种辅助车辆安全驾驶的斑马线检测方法及***,方法包括:S1、通过车载摄像机对目标场景进行拍摄,获取目标场景中的道路图像;S2、对道路图像进行线特征检测,得到线特征;S3、根据线特征获取灭点的位置信息;S4、对所述道路图像进行二次线特征检测,得到所述道路图像中的直线特征;S5、对道路图像中的线特征进行黑白标记,并获取所有的线段信息;S6、对道路图像中的线段进行一次筛选,得到候选感兴趣区域;S7、对候选感兴趣区域进行二次筛选,得到最终检测结果。本发明的有益效果是:不仅可以检测单个目标,而且可以检测复杂路口下的多个待检测目标。
Description
技术领域
本发明涉及目标检测技术领域,特别涉及一种辅助车辆安全驾驶的斑马线检测方法及***。
背景技术
随着社会经济的发展,交通问题已经越来越受到人们的重视,城市道路交叉口集中了来自各个方向的车流和人流,在城市道路网中居于核心地位,也是交通事故发生率较高的地方。道路交叉口是如今非常重要的交通区域,据资料统计,机动车在市区道路行驶时,平均30%的时间用在道路交叉口上,而64%的交通事故发生在道路交叉路口处。道路斑马线是重要的安全标志,是以视觉识别为基础的安全驾驶***中必须识别的交通标志信息,对于车辆驾驶员来说,斑马线意味着小心驾驶,慢速安全通过;而对于行人来说,斑马线则是安全穿过马路的保护带。
重要的道路交通标识如限速、禁令、指示等标志的检测与定位并与车辆GPS信息融合获得,司机对于路口的把握主要依靠信号灯来判断距离。而国内有很多路口有斑马线,但是没有信号灯,这就增加了司机和行人行进的风险。
现有技术主要依靠视觉信息等来获取斑马线特征,然后训练分类器来对其进行检测。此种方法可以在斑马线视觉信息完整,目标与背景对比明显,且只有一个斑马线时有效。如果道路斑马线得不到及时维护,天气状况不佳时,很难实现有效的检测。在多个斑马线的复杂路口中,其它的目标由于几何变换得到相应的信息,就会被自动忽略掉。因此,现有技术存在如下问题:1、在大的复杂路口,不能一次检测多个斑马线,2、对于长期使用维护不及时的污损严重的斑马线不能有效检测。
发明内容
本发明提供了一种辅助车辆安全驾驶的斑马线检测方法及***,解决了现有技术中的技术问题。
本发明解决上述技术问题的技术方案如下:
一种辅助车辆安全驾驶的斑马线检测方法,包括:
S1、通过车载摄像机对目标场景进行拍摄,获取所述目标场景中的道路图像,所述道路图像中包括包含待检测目标的感兴趣区域和不包含待检测目标的非感兴趣区域,所述待检测目标为斑马线;
S2、对所述道路图像进行一次线特征检测,得到线特征;
S3、根据所述线特征获取所述道路图像中灭点的位置信息;
S4、对所述道路图像进行二次线特征检测,得到所述道路图像中的直线,根据灰度变化规律沿所述直线方向提取线段;
S5、根据所述待检测目标的视觉特性,对所述道路图像中的线段进行黑白标记,并获取线段信息;
S6、根据所述线段信息对所述道路图像中的线段进行一次筛选,得到候选感兴趣区域;
S7、根据所述灭点的位置信息、所述待检测目标的交比不变性,以及所述待检测目标对应区域的亮度信息和区域纵横比对所述候选感兴趣区域进行二次筛选,得到最终检测结果。
本发明的有益效果是:本技术方案可以实现图像中多个灭点的有效检测,所以不仅可以检测单个目标,而且还可以检测复杂路口下的多个待检测目标。在感兴趣区域的初步检测的基础上,引入多重先验约束知识信息,实现由粗到精的目标检测。
在上述技术方案的基础上,本发明还可以做如下改进。
优选地,所述S2具体包括:
通过霍夫变换方法对所述道路图像进行线特征检测,得到线特征。
上述技术方案的有益效果是:通过霍夫变换方法可以从黑白图像中检测得到直线或线段,通过霍夫变换方法还可以将中断一定程度长的直线特征进行连接,减少在道路污损情况下由于目标部分遮挡导致的数据丢失及漏检情况,能有效捕捉到待检测目标自身的线特征,为后续的检测识别提供信息。
优选地,所述S3具体包括:
以所述车载摄像机的光轴中心为球心构建高斯半球;
以所述高斯半球为累积空间,将所述道路图像投影到所述累积空间,获取所述道路图像中的平行线,其中,所述道路图像中的一条线对应所述高斯半球上的一个圆,所述道路图像中的一个灭点对应所述高斯半球上多个圆相交的一个交点;
根据所述累积空间的投票策略获取所述平行线对应的灭点的位置信息。
优选地,所述S6具体包括:
当确认所述线段信息中的线段数量和线段长度均在对应的经验阈值内时,确定所述线段信息对应的线段为所述待检测目标,所述线段信息对应的线段对应的区域为所述感兴趣区域,
当确认所述线段信息中的线段数量或线段长度不在对应的经验阈值内时,确定所述线段信息对应的线段不为所述待检测目标,确定所述线段信息对应的线段对应的区域为所述非感兴趣区域,去除所述非感兴趣区域,得到候选感兴趣区域。
优选地,所述S7具体包括:
当确认所述候选感兴趣区域中的线段符合约束在该线段对应灭点的交比不变性,且所述候选感兴趣区域的亮度信息在亮度信息的置信区间内,且所述候选感兴趣区域的区域纵横比在区域纵横比的置信区间内时,确定所述候选感兴趣区域为感兴趣区域,得到最终检测结果。
优选地,所述S7具体通过正负样本统计的方法获取所述亮度信息的置信区间和所述区域纵横比的置信区间。
一种辅助车辆安全驾驶的斑马线检测***,包括:
第一获取模块,用于通过车载摄像机对目标场景进行拍摄,获取所述目标场景中的道路图像,所述道路图像中包括包含待检测目标的感兴趣区域和不包含待检测目标的非感兴趣区域,所述待检测目标为斑马线;
一次线检测模块,用于对所述道路图像进行一次线特征检测,得到线特征;
第二获取模块,用于根据所述线特征获取所述道路图像中灭点的位置信息;
二次线检测模块,用于对所述道路图像进行二次线特征检测,得到所述道路图像中的直线,根据灰度变化规律沿所述直线方向提取线段;
标记模块,用于根据所述待检测目标的视觉特性,对所述道路图像中的线段进行黑白标记,并获取线段信息;
一次筛选模块,用于根据所述线段信息对所述道路图像中的线段进行一次筛选,得到候选感兴趣区域;
二次筛选模块,用于根据所述灭点的位置信息、所述待检测目标的交比不变性,以及所述待检测目标对应区域的亮度信息和区域纵横比对所述候选感兴趣区域进行二次筛选,得到最终检测结果。
优选地,所述一次线检测模块具体用于:
通过霍夫变换方法对所述道路图像进行线特征检测,得到线特征;
所述第二获取模块具体用于:
以所述车载摄像机的光轴中心为球心构建高斯半球;
以所述高斯半球为累积空间,将所述道路图像投影到所述累积空间,获取所述道路图像中的平行线,其中,所述道路图像中的一条线对应所述高斯半球上的一个圆,所述道路图像中的一个灭点对应所述高斯半球上多个圆相交的一个交点;
根据所述累积空间的投票策略获取所述平行线对应的灭点的位置信息。
优选地,所述一次筛选模块具体用于:
当确认所述线段信息中的线段数量和线段长度均在对应的经验阈值内时,确定所述线段信息对应的线段为所述待检测目标,所述线段信息对应的线段对应的区域为所述感兴趣区域,
当确认所述线段信息中的线段数量或线段长度不在对应的经验阈值内时,确定所述线段信息对应的线段不为所述待检测目标,确定所述线段信息对应的线段对应的区域为所述非感兴趣区域,去除所述非感兴趣区域,得到候选感兴趣区域。
优选地,所述二次筛选模块具体用于:
当确认所述候选感兴趣区域中的线段符合约束在该线段对应灭点的交比不变性,且所述候选感兴趣区域的亮度信息在亮度信息的置信区间内,且所述候选感兴趣区域的区域纵横比在区域纵横比的置信区间内时,确定所述候选感兴趣区域为感兴趣区域,得到最终检测结果;还用于
通过正负样本统计的方法获取所述亮度信息的置信区间和所述区域纵横比的置信区间。
附图说明
图1为本发明实施例提供的一种辅助车辆安全驾驶的斑马线检测方法的流程图;
图2为本发明另一实施例提供的高斯半球示意图;
图3为本发明另一实施例提供的图像平面中的交比约束示意图;
图4为本发明另一实施例提供的一种辅助车辆安全驾驶的斑马线检测***的结构图。
具体实施方式
以下结合附图对本发明的原理和特征进行描述,所举实例只用于解释本发明,并非用于限定本发明的范围。
如图1所示,一种辅助车辆安全驾驶的斑马线检测方法,包括:
S1、通过车载摄像机对目标场景进行拍摄,获取目标场景中的道路图像,道路图像中包括包含待检测目标的感兴趣区域和不包含待检测目标的非感兴趣区域,待检测目标为斑马线;
S2、对道路图像进行一次线特征检测,得到线特征;
S3、根据线特征获取道路图像中灭点的位置信息;
S4、对道路图像进行二次线特征检测,得到道路图像中的直线,根据灰度变化规律沿直线方向提取线段;
S5、根据待检测目标的视觉特性,对道路图像中的线段进行黑白标记,并获取线段信息;
S6、根据线段信息对道路图像中的线段进行一次筛选,得到候选感兴趣区域;
S7、根据灭点的位置信息、待检测目标的交比不变性,以及待检测目标对应区域的亮度信息和区域纵横比对候选感兴趣区域进行二次筛选,得到最终检测结果。
可以实现图像中多个灭点的有效检测,所以不仅可以检测单个目标,而且还可以检测复杂路口下的多个待检测目标。在感兴趣区域的初步检测的基础上,引入多重先验约束知识信息,实现由粗到精的目标检测。
优选地,S2具体包括:
通过霍夫变换方法对道路图像进行线特征检测,得到线特征。
通过霍夫变换方法可以从黑白图像中检测得到直线或线段,通过霍夫变换方法可以将中断一定程度长的直线特征进行连接,减少在道路污损情况下由于目标部分遮挡导致的数据丢失及漏检情况,能有效捕捉到待检测目标自身的线特征,为后续的检测识别提供信息。
优选地,S3具体包括:
以车载摄像机的光轴中心为球心构建高斯半球;
以高斯半球为累积空间,将道路图像投影到累积空间,获取道路图像中的平行线,其中,道路图像中的一条线对应高斯半球上的一个圆,道路图像中的一个灭点对应高斯半球上多个圆相交的一个交点;
根据累积空间的投票策略获取平行线对应的灭点的位置信息。
优选地,S6具体包括:
当确认线段信息中的线段数量和线段长度均在对应的经验阈值内时,确定线段信息对应的线段为待检测目标,线段信息对应的线段对应的区域为感兴趣区域,
当确认线段信息中的线段数量或线段长度不在对应的经验阈值内时,确定线段信息对应的线段不为待检测目标,确定线段信息对应的线段对应的区域为非感兴趣区域,去除非感兴趣区域,得到候选感兴趣区域。
优选地,S7具体包括:
当确认候选感兴趣区域中的线段符合约束在该线段对应灭点的交比不变性,且候选感兴趣区域的亮度信息在亮度信息的置信区间内,且候选感兴趣区域的区域纵横比在区域纵横比的置信区间内时,确定候选感兴趣区域为感兴趣区域,得到最终检测结果。
优选地,通过合理有效的正负样本统计的方法获取亮度信息的置信区间和区域纵横比的置信区间。
1、提取灭点
场景中的一组相互平行的直线经过投影到照片中,要么相交于一点,要么继续相互平行。三维场景中的一组平行线在二维空间里相交的点,就称为灭点。在二维场景中继续平行的情况,认为灭点在无限远处,这类灭点称为无限灭点。斑马线在三维场景中是平行的,而在二维图像中则相交于其灭点,斑马线的检测首要任务是准确检测出场景中存在的灭点。
为了不漏检目标,初始的线检测方法要力求对平行线的检测要全面,这就要求在灭点检测过程中,应该考虑不同的情况,使得不同成像条件下的检测结果尽可能为目标检测提供必要的支撑信息。基于传统的霍夫变换,首先将属于同一个灭点的直线归为同一类,此过程为累积过程,用来寻找主要的直线类。累积过程是为了降低类聚过程的计算复杂度,将未约束的二维图像投影到一个约束的空间里,这样处理的好处便是将无限远处的灭点和有限距离的灭点按照相同的办法进行处理。以高斯半球作为累积空间。其中,相机的光轴中心作为高斯半球的球心。如图2所示,高斯半球上的一个圆,表示图像中的一条线,而高斯半球的一个点对应于图像中的一个灭点。对于直线的累计,高斯半球被镶嵌于计数单元,对应于直线的增多,半球上的圆也增多。
假设N为检测到线段的集合,这些线段收敛于和灭点方向一致的在三维空间中所对应的直线分别为l1,l2,…,lN。同时,设三维空间和相机的坐标系分别为(O,X,Y,Z)和(F,x,y,z),θ和φ分别为线段在相机坐标系下和坐标轴形成的夹角,N条直线中至少k条在第j个灭点Vj(j≥0)处相交。对于给定的向量而言,所有符合条件的向量满足条件高斯半球Γ:cos(θi-θu)sinφisinφu+cosφicosφu=0,θu∈[0,2π),φu∈[0,π/2),i和u为正整数。图像平面中每条交叉线对应于高斯半球的一个圆,表示此处有一个灭点,采用这种方法可以避免灭点过多的情况。
设第个k灭点可能在方向上,累计空间上的投票策略可得到实际图像空间中真实的灭点位置。在实际的动态交通场景中,复杂的路口中车辆行进方向及其垂直方向可出现待检测的目标。在检测过程中,我们优选选定和场景运动方向一致的并行线作为主方向,而其垂直方向上的平行线组作为寻找图像平面中灭点的另一个方向。在灭点检测的过程中,基于斑马线的自身特性,对霍夫空间的量化及累计方法采用了简单规律的等间隔搜索方法,避免产生冗余的灭点,提高算法的执行效率。
2、提取线特征
对于包含斑马线这样特殊待检测目标的图像来说,目标易受到车辆,行人以及成像条件的限制,使得传统霍夫变换线检测的效果并不理想,许多直线容易被漏检,或者产生许多伪直线信息,不利于实际的场景目标检测。在霍夫变换方法中基于新的投票方法,将中断一定程度长的直线特征进行连接,减少在道路污损情况下由于目标部分遮挡导致的数据丢失及漏检情况,能有效捕捉到斑马线自身的线特征,为后续的检测识别提供信息。由于斑马线多位于地下,而摄像机的安装位置多位于前挡风玻璃处,所以待检测目标处于图像的下半部分,为了减少不必要的搜索和算法的存储空间需求,提高算法的执行效率,只考虑在图像的目标区域进行线检测处理。在线检测的基础上,基于相邻直线灰度变化的规律,沿直线方向灰度变化剧烈的直线取其线段,对于由黑到白的部分标上黑颜色,而由白到黑的部分标为白颜色,获得分割结果。
3、交比不变性约束
交比不变性约束是和映射变换有关的一个基本不变量,利用交比不变性的计算可以揭示图像中的本质特征,也是计算机视觉研究的一个热点。在图像空间P2,给定直线上不同的四点P1,P2,P3,P4,任意两点Pi和Pj之间的欧式距离表示为ΔPiPj,则如图3所示,约束在灭点O的交比不变性可表示为:
对应的四个点P1',P2',P3',P4'将同样保持交比不变性的特性。在斑马线检测的算法中,着重对于并行线组的交比不变性的约束,以获得符合这一条件的线段,对于图像中包含待检测目标(斑马线)的感兴趣区域(斑马线所形成区域)进行定位。由于斑马线自身的特性,可基于动态的交比不变性约束条件去检查不同的直线组是否均符合这一知识信息,尽量减少误检或者虚警的情况出现。在进行初步筛选过程中,预设的平行线数目为6个是比较合理且符合实际情况的数值,同时在车载环境下,三个黑白区域交替出现模式可以很大程度上确定斑马线的出现与否,有助于减轻虚警率,利于实际应用。
4、亮度信息约束
图像中待检测的斑马线由于其模式信息在一定程度上保持形态的稳定性,其黑白交替出现的亮度信息特征可以为感兴趣区域的进一步确认提供有力的信息支持。
将道路图像从RGB空间CIRGB(x,y)变换到LST空间ILST(x,y)的变换公式如下:
其中,IR(x,y),IG(x,y),IB(x,y)分别表示红、绿、蓝三个部分的空间信息,IL(x,y),IS(x,y),IT(x,y)分别表示L、S和T三个部分的空间信息,L(luminance channel)是亮度通道,S和T是色度通道,α=255/max{IR(x,y),IG(x,y),IB(x,y)},LST空间中的S和T两部分信息不会随着亮度信息的变化而变化,S部分的信息可以正确反映光照变化的信息。而在斑马线检测中,这种亮度信息的变化正是目标的非常重要的特点之一,采用这个策略有利于去伪存真,减小检测算法的虚警率,同时提高精确度。
首先将已检测出的候选感兴趣区域在LST空间中进行表示,同时计算区域内的平均值。用F(x,y)表示区域,width×height表示区域的大小,f(x,y)表示像素点(x,y)的灰度值。假设道路图像中的感兴趣区域共包含n×p个像素点,i,j,n和p均为正整数,可以用下式的方法计算获得感兴趣区域内的均值m和方差d信息:
对待检测目标模式的分析可知,标准差可以用作感兴趣区域内噪音评估,均值表示感兴趣区域内平均亮度信息,采用基于样本统计的方法获得亮度信息的置信区间,对于粗提取阶段获得的检测结果中,随机选取正负样本各500用来进行统计分析,最终确定的感兴趣区域内亮度信息的置信区间为[80,160]。低于80的区域大概率为路面,而高于160的区域则为建筑,数目或者图像内的数目内随机出现的背景信息。
5、纵横比约束
场景图像信息的随机性导致了候选区域的复杂性,使得检测算法中往往会出现很高的虚警率。由于斑马线自身的集合特性,其完整区域在相机图像中为一定范围内的宽高比的矩形,即使在远距离或者不同角度成像时也符合这一特性。由此,考虑将候选感兴趣区域的纵横比约束作为一重约束信息,用来滤除掉来自临近的车辆,行人,或者树木以及其它不包含待检测目标的区域,在保证召回率的情况下尽量提高检测结果的精确度。
同样采用统计分析的方法获得待检测区域(候选感兴趣区域)纵横比的置信区间,在出检测结果的候选区域中随机选取数目为300正样本和负样本作为统计对象,统计结果表明,有效的纵横比置信区间为[1,8.65]。当纵横比大于小于1或者大于8.65时,候选区域是随机出现的临近干扰物的检测结果,可进行滤除,保留包含目标的候选区域。
和现有技术相比的优点:(1)能在不同的道路中不同的天气条件下有效检测出斑马线;(2)当车行进至30米左右时,车载摄像机所捕捉的图像即可有效准确的检测到斑马线;(3)当图像中出现多于一个斑马线目标时,也能有效检测出目标。
如图4所示,一种辅助车辆安全驾驶的斑马线检测***,包括:
第一获取模块1,用于通过车载摄像机对目标场景进行拍摄,获取目标场景中的道路图像,道路图像中包括包含待检测目标的感兴趣区域和不包含待检测目标的非感兴趣区域,待检测目标为斑马线;
一次线检测模块2,用于对道路图像进行一次线特征检测,得到线特征;
第二获取模块3,用于根据线特征获取道路图像中灭点的位置信息;
二次线检测模块4,用于对道路图像进行二次线特征检测,得到道路图像中的直线,根据灰度变化规律沿直线方向提取线段;
标记模块5,用于根据待检测目标的视觉特性,对道路图像中的线段进行黑白标记,并获取线段信息;
一次筛选模块6,用于根据线段信息对道路图像中的线段进行一次筛选,得到候选感兴趣区域;
二次筛选模块7,用于根据灭点的位置信息、待检测目标的交比不变性,以及待检测目标对应区域的亮度信息和区域纵横比对候选感兴趣区域进行二次筛选,得到最终检测结果。
优选地,一次线检测模块2具体用于:
通过霍夫变换方法对道路图像进行线特征检测,得到线特征;
第二获取模块3具体用于:
以车载摄像机的光轴中心为球心构建高斯半球;
以高斯半球为累积空间,将道路图像投影到累积空间,获取道路图像中的平行线,其中,道路图像中的一条线对应高斯半球上的一个圆,道路图像中的一个灭点对应高斯半球上多个圆相交的一个交点;
根据累积空间的投票策略获取平行线对应的灭点的位置信息。
优选地,一次筛选模块6具体用于:
当确认线段信息中的线段数量和线段长度均在对应的经验阈值内时,确定线段信息对应的线段为待检测目标,线段信息对应的线段对应的区域为感兴趣区域,
当确认线段信息中的线段数量或线段长度不在对应的经验阈值内时,确定线段信息对应的线段不为待检测目标,确定线段信息对应的线段对应的区域为非感兴趣区域,去除非感兴趣区域,得到候选感兴趣区域。
优选地,二次筛选模块7具体用于:
当确认候选感兴趣区域中的线段符合约束在该线段对应灭点的交比不变性,且候选感兴趣区域的亮度信息在亮度信息的置信区间内,且候选感兴趣区域的区域纵横比在区域纵横比的置信区间内时,确定候选感兴趣区域为感兴趣区域,得到最终检测结果;还用于
通过正负样本统计的方法获取亮度信息的置信区间和区域纵横比的置信区间。
以上所述仅为本发明的较佳实施例,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、改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.一种辅助车辆安全驾驶的斑马线检测方法,其特征在于,包括:
S1、通过车载摄像机对目标场景进行拍摄,获取所述目标场景中的道路图像,所述道路图像中包括包含待检测目标的感兴趣区域和不包含待检测目标的非感兴趣区域,所述待检测目标为斑马线;
S2、对所述道路图像进行一次线特征检测,得到线特征;
S3、根据所述线特征获取所述道路图像中灭点的位置信息;
S4、对所述道路图像进行二次线特征检测,得到所述道路图像中的直线,根据灰度变化规律沿所述直线方向提取线段;
S5、根据所述待检测目标的视觉特性,对所述道路图像中的线段进行黑白标记,并获取线段信息;
S6、根据所述线段信息对所述道路图像中的线段进行一次筛选,得到候选感兴趣区域;
S7、根据所述灭点的位置信息、所述待检测目标的交比不变性,以及所述待检测目标对应区域的亮度信息和区域纵横比对所述候选感兴趣区域进行二次筛选,得到最终检测结果;
所述S3具体包括:
以所述车载摄像机的光轴中心为球心构建高斯半球;
以所述高斯半球为累积空间,将所述道路图像投影到所述累积空间,获取所述道路图像中的平行线,其中,所述道路图像中的一条线对应所述高斯半球上的一个圆,所述道路图像中的一个灭点对应所述高斯半球上多个圆相交的一个交点;
根据所述累积空间的投票策略获取所述平行线对应的灭点的位置信息。
2.根据权利要求1所述的一种辅助车辆安全驾驶的斑马线检测方法,其特征在于,所述S2具体包括:
通过霍夫变换方法对所述道路图像进行线特征检测,得到线特征。
3.根据权利要求1或2所述的一种辅助车辆安全驾驶的斑马线检测方法,其特征在于,所述S6具体包括:
当确认所述线段信息中的线段数量和线段长度均在对应的经验阈值内时,确定所述线段信息对应的线段为所述待检测目标,所述线段信息对应的线段对应的区域为所述感兴趣区域,
当确认所述线段信息中的线段数量或线段长度不在对应的经验阈值内时,确定所述线段信息对应的线段不为所述待检测目标,确定所述线段信息对应的线段对应的区域为所述非感兴趣区域,去除所述非感兴趣区域,得到候选感兴趣区域。
4.根据权利要求1或2所述的一种辅助车辆安全驾驶的斑马线检测方法,其特征在于,所述S7具体包括:
当确认所述候选感兴趣区域中的线段符合约束在该线段对应灭点的交比不变性,且所述候选感兴趣区域的亮度信息在亮度信息的置信区间内,且所述候选感兴趣区域的区域纵横比在区域纵横比的置信区间内时,确定所述候选感兴趣区域为感兴趣区域,得到最终检测结果。
5.根据权利要求4所述的一种辅助车辆安全驾驶的斑马线检测方法,其特征在于,所述S7具体通过正负样本统计的方法获取所述亮度信息的置信区间和所述区域纵横比的置信区间。
6.一种辅助车辆安全驾驶的斑马线检测***,其特征在于,包括:
第一获取模块,用于通过车载摄像机对目标场景进行拍摄,获取所述目标场景中的道路图像,所述道路图像中包括包含待检测目标的感兴趣区域和不包含待检测目标的非感兴趣区域,所述待检测目标为斑马线;
一次线检测模块,用于对所述道路图像进行一次线特征检测,得到线特征;
第二获取模块,用于根据所述线特征获取所述道路图像中灭点的位置信息;
二次线检测模块,用于对所述道路图像进行二次线特征检测,得到所述道路图像中的直线,根据灰度变化规律沿所述直线方向提取线段;
标记模块,用于根据所述待检测目标的视觉特性,对所述道路图像中的线段进行黑白标记,并获取线段信息;
一次筛选模块,用于根据所述线段信息对所述道路图像中的线段进行一次筛选,得到候选感兴趣区域;
二次筛选模块,用于根据所述灭点的位置信息、所述待检测目标的交比不变性,以及所述待检测目标对应区域的亮度信息和区域纵横比对所述候选感兴趣区域进行二次筛选,得到最终检测结果;
所述第二获取模块具体用于:
以所述车载摄像机的光轴中心为球心构建高斯半球;
以所述高斯半球为累积空间,将所述道路图像投影到所述累积空间,获取所述道路图像中的平行线,其中,所述道路图像中的一条线对应所述高斯半球上的一个圆,所述道路图像中的一个灭点对应所述高斯半球上多个圆相交的一个交点;
根据所述累积空间的投票策略获取所述平行线对应的灭点的位置信息。
7.根据权利要求6所述的一种辅助车辆安全驾驶的斑马线检测***,其特征在于,所述一次线检测模块具体用于:
通过霍夫变换方法对所述道路图像进行线特征检测,得到线特征。
8.根据权利要求6或7所述的一种辅助车辆安全驾驶的斑马线检测***,其特征在于,所述一次筛选模块具体用于:
当确认所述线段信息中的线段数量和线段长度均在对应的经验阈值内时,确定所述线段信息对应的线段为所述待检测目标,所述线段信息对应的线段对应的区域为所述感兴趣区域,
当确认所述线段信息中的线段数量或线段长度不在对应的经验阈值内时,确定所述线段信息对应的线段不为所述待检测目标,确定所述线段信息对应的线段对应的区域为所述非感兴趣区域,去除所述非感兴趣区域,得到候选感兴趣区域。
9.根据权利要求6或7所述的一种辅助车辆安全驾驶的斑马线检测***,其特征在于,所述二次筛选模块具体用于:
当确认所述候选感兴趣区域中的线段符合约束在该线段对应灭点的交比不变性,且所述候选感兴趣区域的亮度信息在亮度信息的置信区间内,且所述候选感兴趣区域的区域纵横比在区域纵横比的置信区间内时,确定所述候选感兴趣区域为感兴趣区域,得到最终检测结果;还用于
通过正负样本统计的方法获取所述亮度信息的置信区间和所述区域纵横比的置信区间。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711461054.8A CN107918775B (zh) | 2017-12-28 | 2017-12-28 | 一种辅助车辆安全驾驶的斑马线检测方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711461054.8A CN107918775B (zh) | 2017-12-28 | 2017-12-28 | 一种辅助车辆安全驾驶的斑马线检测方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107918775A CN107918775A (zh) | 2018-04-17 |
CN107918775B true CN107918775B (zh) | 2020-04-17 |
Family
ID=61894348
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711461054.8A Active CN107918775B (zh) | 2017-12-28 | 2017-12-28 | 一种辅助车辆安全驾驶的斑马线检测方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107918775B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109886120B (zh) * | 2019-01-22 | 2021-04-30 | 贵州民族大学 | 一种斑马线检测方法及*** |
CN111174796B (zh) * | 2019-12-31 | 2022-04-29 | 驭势科技(浙江)有限公司 | 一种基于单灭点的导航方法、电子设备和存储介质 |
CN112199999A (zh) * | 2020-09-09 | 2021-01-08 | 浙江大华技术股份有限公司 | 道路检测方法、装置、存储介质和电子设备 |
CN112215123B (zh) * | 2020-10-09 | 2022-10-25 | 腾讯科技(深圳)有限公司 | 一种目标检测方法、装置及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2838051A2 (en) * | 2013-08-12 | 2015-02-18 | Ricoh Company, Ltd. | Linear road marking detection method and linear road marking detection apparatus |
CN105261020A (zh) * | 2015-10-16 | 2016-01-20 | 桂林电子科技大学 | 一种快速车道线检测方法 |
CN105718870A (zh) * | 2016-01-15 | 2016-06-29 | 武汉光庭科技有限公司 | 自动驾驶中基于前向摄像头的道路标线提取方法 |
CN106128115A (zh) * | 2016-08-01 | 2016-11-16 | 青岛理工大学 | 一种基于双摄像机检测道路交通信息的融合方法 |
CN106529493A (zh) * | 2016-11-22 | 2017-03-22 | 北京联合大学 | 一种基于透视图的鲁棒性多车道线检测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104063711B (zh) * | 2014-06-23 | 2018-04-06 | 西北工业大学 | 一种基于K‑means方法的走廊消失点快速检测算法 |
-
2017
- 2017-12-28 CN CN201711461054.8A patent/CN107918775B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2838051A2 (en) * | 2013-08-12 | 2015-02-18 | Ricoh Company, Ltd. | Linear road marking detection method and linear road marking detection apparatus |
CN105261020A (zh) * | 2015-10-16 | 2016-01-20 | 桂林电子科技大学 | 一种快速车道线检测方法 |
CN105718870A (zh) * | 2016-01-15 | 2016-06-29 | 武汉光庭科技有限公司 | 自动驾驶中基于前向摄像头的道路标线提取方法 |
CN106128115A (zh) * | 2016-08-01 | 2016-11-16 | 青岛理工大学 | 一种基于双摄像机检测道路交通信息的融合方法 |
CN106529493A (zh) * | 2016-11-22 | 2017-03-22 | 北京联合大学 | 一种基于透视图的鲁棒性多车道线检测方法 |
Non-Patent Citations (4)
Title |
---|
Zebra-crossing Detection Based on Geometric Feature and Vertical Vanishing Point;Md. Khaliluzzaman等;《2016 3rd International Conference on Electrical Engineering and Information Communication Technology (ICEEICT)》;20170309;1-6 * |
Zebra-crossing detection for the partially sighted;Stephen Se;《IEEE Conference on Computer Vision and Pattern Recognition. CVPR 2000》;20020806;211-217 * |
基于机器视觉的车道线及斑马线和道路标志的检测和识别技术的研究与实现;姜仁婉;《中国优秀硕士学位论文全文数据库 信息科技辑(月刊)》;20170315;第2017年卷(第3期);第1.1节,第2章引言,第4章引言,第4.1节,4.5节 * |
斑马线自动识别与预警;徐超;《中国优秀硕士学位论文全文数据库 信息科技辑(月刊)》;20131015;第2013年卷(第10期);第2章第2.1节 * |
Also Published As
Publication number | Publication date |
---|---|
CN107918775A (zh) | 2018-04-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Bilal et al. | Real-time lane detection and tracking for advanced driver assistance systems | |
CN106919915B (zh) | 基于adas***的地图道路标记及道路质量采集装置及方法 | |
WO2020000251A1 (zh) | 基于摄像机协同接力的路口违章视频识别方法 | |
Siogkas et al. | Traffic lights detection in adverse conditions using color, symmetry and spatiotemporal information | |
Chen et al. | Vehicle type categorization: A comparison of classification schemes | |
CN107918775B (zh) | 一种辅助车辆安全驾驶的斑马线检测方法及*** | |
US9269001B2 (en) | Illumination invariant and robust apparatus and method for detecting and recognizing various traffic signs | |
Wu et al. | Applying a functional neurofuzzy network to real-time lane detection and front-vehicle distance measurement | |
CN110619279B (zh) | 一种基于跟踪的路面交通标志实例分割方法 | |
CN103824452A (zh) | 一种轻量级的基于全景视觉的违章停车检测装置 | |
Li et al. | Inverse perspective mapping based urban road markings detection | |
Hechri et al. | Robust road lanes and traffic signs recognition for driver assistance system | |
Shi et al. | A vision system for traffic sign detection and recognition | |
CN109635737A (zh) | 基于道路标记线视觉识别辅助车辆导航定位方法 | |
CN105184301B (zh) | 一种利用四轴飞行器判别车辆方位的方法 | |
Billones et al. | Vehicle detection and tracking using corner feature points and artificial neural networks for a vision-based contactless apprehension system | |
Doval et al. | Traffic sign detection and 3D localization via deep convolutional neural networks and stereo vision | |
Poggenhans et al. | A universal approach to detect and classify road surface markings | |
Xuan et al. | Robust lane-mark extraction for autonomous driving under complex real conditions | |
Coronado et al. | Detection and classification of road signs for automatic inventory systems using computer vision | |
Keerimolel et al. | A survey on traffic sign recognition and detection | |
Irshad et al. | Real-time lane departure warning system on a lower resource platform | |
Dai et al. | A driving assistance system with vision based vehicle detection techniques | |
CN115690743A (zh) | 一种基于深度学习的机场停机位入侵的检测方法 | |
CN104657734A (zh) | 一种道路交通标志检测方法及装置 |
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 |