CN108268813A - 一种车道偏离预警方法、装置及电子设备 - Google Patents

一种车道偏离预警方法、装置及电子设备 Download PDF

Info

Publication number
CN108268813A
CN108268813A CN201611253350.4A CN201611253350A CN108268813A CN 108268813 A CN108268813 A CN 108268813A CN 201611253350 A CN201611253350 A CN 201611253350A CN 108268813 A CN108268813 A CN 108268813A
Authority
CN
China
Prior art keywords
image
variety
track
sample image
images
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.)
Granted
Application number
CN201611253350.4A
Other languages
English (en)
Other versions
CN108268813B (zh
Inventor
陶海
刘倩
林宇
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.)
Wen'an Beijing Intelligent Technology Ltd By Share Ltd
Original Assignee
Wen'an Beijing Intelligent Technology Ltd By Share Ltd
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 Wen'an Beijing Intelligent Technology Ltd By Share Ltd filed Critical Wen'an Beijing Intelligent Technology Ltd By Share Ltd
Priority to CN201611253350.4A priority Critical patent/CN108268813B/zh
Publication of CN108268813A publication Critical patent/CN108268813A/zh
Application granted granted Critical
Publication of CN108268813B publication Critical patent/CN108268813B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/94—Hardware or software architectures specially adapted for image or video understanding

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Biophysics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及模式识别技术领域，公开了一种车道偏离预警方法、装置及电子设备。其中，所述车道偏离预警方法包括：获取待检测图像帧及车道偏离模型检测器；所述车道偏离模型检测器由带标注的车道偏离图像样本集合通过卷积神经网络训练获得；将所述待检测图像帧进行车道位置预测，获取所述待检测图像帧的待处理车道区域图像；将所述待处理车道区域图像输入到所述车道偏离模型检测器，获取车道偏离结果。采用本发明技术方案提高抗噪能力及鲁棒性，从而使得车道偏离预警精度提高。

Description

一种车道偏离预警方法、装置及电子设备
技术领域
本发明涉及模式识别技术领域，特别涉及一种车道偏离预警方法、装置及电子设备。
背景技术
随着社会经济的发展，汽车辅助驾驶***的市场需求越来越多，汽车辅助驾驶***的功能也越来越多。在汽车驾驶过程中有关车道线偏离的预警方法的解决方案也是各不相同。现有技术中有关车道偏离预警方法，需要首先对车道线进行检测，然后根据检测到的车道线判断是否已经偏离，最后根据判断结果进行预警。其中，现有的传统的车道线检测方法，首先进行车道线特征的预提取，再利用几何模型如Hough变换等方法进行车道线拟合。这个过程中常用到的技术包括边界检测、二值化、Hough变换等。
然而，在发明人实现所述车道偏离预警的过程中，发现现有技术中至少存在如下技术问题：
现有技术中车道线检测过程中常用到的技术，如边界检测、二值化、Hough变换等，容易受到图像噪声、光线、路面环境、路边景物等的干扰，从而使得车道偏离预警精度不高。
发明内容
本发明的目的在于提供一种车道偏离预警方法、装置及电子设备，使得车道偏离预警精度较高。
为解决上述技术问题，本发明的实施方式提供了一种车道偏离预警方法，包括以下步骤：
获取待检测图像帧及车道偏离模型检测器；所述车道偏离模型检测器由带标注的车道偏离图像样本集合通过卷积神经网络训练获得；
将所述待检测图像帧进行车道位置预测，获取所述待检测图像帧的待处理车道区域图像；
将所述待处理车道区域图像输入到所述车道偏离模型检测器，获取车道偏离结果。
本发明的实施方式还提供了一种车道偏离预警装置，包括：
信息获取单元，用于获取待检测图像帧及车道偏离模型检测器；所述车道偏离模型检测器由带标注的车道偏离图像样本集合通过卷积神经网络训练获得；
区域获取单元，用于将所述待检测图像帧进行车道位置预测，获取所述待检测图像帧的待处理车道区域图像；
车道预警单元，用于将所述待处理车道区域图像输入到所述车道偏离模型检测器，获取车道偏离结果。
本发明的实施方式还提供了一种电子设备，包括：壳体、处理器、存储器、电路板和电源电路，其中，电路板安置在壳体围成的空间内部，处理器和存储器设置在电路板上；电源电路，用于为上述电子设备的各个电路或器件供电；存储器用于存储可执行程序代码；处理器通过读取存储器中存储的可执行程序代码来运行与可执行程序代码对应的程序，用于执行前述所述的车道偏离预警方法。
本发明实施方式相对于现有技术而言，通过获取待检测图像帧及车道偏离模型检测器；所述车道偏离模型检测器由带标注的车道偏离图像样本集合通过卷积神经网络训练获得；将所述待检测图像帧进行车道位置预测，获取所述待检测图像帧的待处理车道区域图像；将所述待处理车道区域图像输入到所述车道偏离模型检测器，获取车道偏离结果。采用本发明技术方案不但可以简化车道偏离预警方法流程，还提高了抗噪能力及鲁棒性，从而使得车道偏离预警精度提高。
附图说明
图1是本发明实施例提供的一种车道偏离预警方法流程图；
图2是本发明实施例提供的另一种车道偏离预警方法流程图；
图3是本发明实施例提供的一种车道偏离预警装置结构示意图；
图4是本发明实施例提供的一种电子设备结构示意图；
图5是本发明实施例提供的一种车道偏离预警方法中带标注训练样本图像中车道线示意图；
图6是本发明实施例提供的一种车道偏离预警方法中带标注训练样本图像中车道区域图像的前景和背景标注示意图；
图7是本发明实施例提供的一种车道偏离预警方法中带标注训练样本图像中车道特征点坐标示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明的各实施方式进行详细的阐述。然而，本领域的普通技术人员可以理解，在本发明各实施方式中，为了使读者更好地理解本申请而提出了许多技术细节。但是，即使没有这些技术细节和基于以下各实施方式的种种变化和修改，也可以实现本申请各权利要求所要求保护的技术方案。
本发明的第一实施方式涉及一种车道偏离预警方法。具体流程如图1所示。该方法包括：
101：获取待检测图像帧及车道偏离模型检测器；所述车道偏离模型检测器由带标注的车道偏离图像样本集合通过卷积神经网络训练获得；
102：将所述待检测图像帧进行车道位置预测，获取所述待检测图像帧的待处理车道区域图像；
103：将所述待处理车道区域图像输入到所述车道偏离模型检测器，获取车道偏离结果。
本发明实施方式相对于现有技术而言，采用了卷积神经网络训练所述带标注的车道偏离图像样本集合获得车道偏离模型检测器，通过所述车道偏离模型检测器分析所述待检测图像帧的待处理车道区域图像，获取车道偏离结果。采用本发明技术方案不但简化了车道偏离预警方法流程，还提高了抗噪能力及鲁棒性，从而使得车道偏离预警精度提高。
基于以上实施例，本发明的第二实施方式涉及一种车道偏离预警方法；如图2所示，具体实现步骤如下：
201：获取带标注的原始训练样本图像集合；其中，所述带标注的原始训练样本图像集合中的带标注训练样本图像带有标签；所述标签包括：向左偏离车道、未偏离车道、向右偏离车道。
需要说明的是，所述带标注的原始训练样本图像集合中的带标注训练样本图像带有标签；所述标签还可以包括：当前样本图像中车道特征点坐标；所述特征点包括：当前车道的边界点、中心点、拐角点、n等分点中一种或任意组合。
还需要说明的是，所述带标注的原始训练样本图像集合中的带标注训练样本图像带有标签；所述标签包括：当前样本图像中前景和背景；所述前景为当前车道区域，所述背景为当前车道区域以外区域。
需要说明的是，以上所述步骤201之中的原始样本图像集合可以从行驶过程中的汽车行车记录仪保存的前向视角视频中获取；所述汽车行车记录仪的安装位置不限于车窗内，可置于车窗内、车顶、车窗一侧等多处视角中能包含当前车道的位置。对于所述带标注的原始训练样本图像集合是通过对所述原始样本图像集合进行标注后获得；具体对单帧图像的标注方式如下：
标注方式1：将原始样本图像如图5所示，标注为“向左偏离车道”、“未偏离车道”、“向右偏离车道”三类标签。
标注方式2：对原始样本图像中当前车道的相关特征点的坐标进行标注如图7所示，特征点包含但不限于当前车道的边界点、中心点、拐角点、n等分点中一种或任意组合；具体为将所述特征点标注出横坐标、纵坐标值。
标注方式3：对原始样本图像中的当前车道进行模板标注如图6所示即当前车道区域标为前景，图像中其他区域为背景；在此模板标注基础上，进一步可以按照标注方式2中涉及到的相关特征点进行标注坐标值。
以上所述三个标注方式可以同时用于车道偏离模型检测器的训练，也可以选择其中一种或者两种组合进行车道偏离模型检测器的训练。
以上所述三个标注方式可以产生两种训练标签，第一种，按照标注方式1，可以产生“向左偏离车道”、“未偏离车道”、“向右偏离车道”三类标签；第二种，按照标注方式2或标注方式3，可以产生当前车道的相关特征点的坐标值，作为训练时使用的标签。这两种标签可以同时用于车道偏离模型检测器的训练，也可以选择其中一种进行车道偏离模型检测器的训练。
202：根据所述带标注的原始训练样本图像集合进行图像处理，获取多样化图像样本集合；所述多样化图像样本集合包括：尺度多样化图像样本集合、方向多样化图像样本集合、亮度多样化图像样本集合、色彩多样化图像样本集合、拉伸多样化图像样本集合、平移多样化图像样本集合和翻转多样化图像样本集合；
203：根据所述获取的多样化图像样本集合及所述带标注的原始训练样本图像集合，进行卷积神经网络训练，获取车道偏离模型检测器。
204：获取待检测图像帧及车道偏离模型检测器；所述车道偏离模型检测器由带标注的车道偏离图像样本集合通过卷积神经网络训练获得；该步骤中待检测图像帧可以从行驶过程中的汽车行车记录仪保存的前向视角视频中获取；所述汽车行车记录仪的安装位置不限于车窗内，可置于车窗内、车顶、车窗一侧等多处视角中能包含当前车道的位置。
205：将所述待检测图像帧进行车道位置预测，获取所述待检测图像帧的待处理车道区域图像；
206：将所述待处理车道区域图像输入到所述车道偏离模型检测器，获取车道偏离结果。例如：所述步骤201选择的标注方式1的将原始样本图像标注为“向左偏离车道”、“未偏离车道”、“向右偏离车道”三类标签，则步骤206中获取车道偏离结果将按照所述三类标签进行输出，即所述车道偏离结果为“向左偏离车道”，或者“未偏离车道”，或者“向右偏离车道”；如果所述步骤201选择的标注方式2，则步骤206中获取车道偏离结果将是特征点的坐标。
需要说明的是，所述车道偏离模型检测器采用的卷积神经网络前部分为常规结构，即为数个卷积层(Convolution layer)、池化层(pooling layer)和非线性响应单元的组合，中部为全连通层和非线性响应单元的组合，最后为车道偏离预警的损耗层。所述损耗层为下面两种方式之一：
损耗层方式一：以“向左偏离车道”、“未偏离车道”、“向右偏离车道”三类标签作为基准计算损耗；
损耗层方式二：以当前车道相关特征点位置作为基准计算损耗。
本实例中图5即为所述车道偏离模型检测器的卷积神经网络的输入样本，对应地，图7中特征点的坐标值为送入所述卷积神经网络的对应标注。
此实例中，当待检测图像帧送入训练好的车道偏离模型检测器后，所述车道偏离模型检测器的输出为所述待检测图像帧的当前车道的特征点的坐标值。根据所述车道偏离模型检测器输出的特征点的坐标值，就可以进一步判断车辆是否偏离车道。如果此处输入是标注方式1，则直接输出是否偏离即所述车道偏离结果为“向左偏离车道”，或者“未偏离车道”，或者“向右偏离车道”。
本发明可以实现端对端地当前车道偏离预警，输入所述待检测图像帧后，可以直接输出车道偏离判断结果(对应损耗层方式一)；并可以实现端对端地定位当前车道特征点位置，输入待判定图像后，可以直接输出当前车道的车道线边缘等特征点位置(对应损耗层方式二)。这种端对端地处理方式，在产品实际使用时，方便简单。
需要说明的是，以上所述待检测图像帧的获取是实时的获取；所述训练样本的获取、标注、多样化，以及模型的训练，可以是离线的，可以是事先提前处理好的训练样本，提前训练好的模型即车道偏离模型检测器。
本发明第三实施方式涉及一种车道偏离预警装置，如图3所示，该装置包括：
信息获取单元301，用于获取待检测图像帧及车道偏离模型检测器；所述车道偏离模型检测器由带标注的车道偏离图像样本集合通过卷积神经网络训练获得；
区域获取单元302，用于将所述待检测图像帧进行车道位置预测，获取所述待检测图像帧的待处理车道区域图像；
车道预警单元303，用于将所述待处理车道区域图像输入到所述车道偏离模型检测器，获取车道偏离结果。
需要说明的是，该装置还包括：
样本获取单元，用于获取带标注的原始训练样本图像集合；其中，所述带标注的原始训练样本图像集合中的带标注训练样本图像带有标签；所述标签包括：向左偏离车道、未偏离车道、向右偏离车道；和/或，所述带标注的原始训练样本图像集合中的带标注训练样本图像带有标签；所述标签包括：当前样本图像中车道特征点坐标；所述特征点包括：当前车道的边界点、中心点、拐角点、n等分点中一种或任意组合。
需要说明的是，所述带标注的原始训练样本图像集合中的带标注训练样本图像带有标签；所述标签包括：当前样本图像中前景和背景；所述前景为当前车道区域，所述背景为当前车道区域以外区域。
样本处理单元，用于根据所述带标注的原始训练样本图像集合进行图像处理，获取多样化图像样本集合；所述多样化图像样本集合包括：尺度多样化图像样本集合、方向多样化图像样本集合、亮度多样化图像样本集合、色彩多样化图像样本集合、拉伸多样化图像样本集合、平移多样化图像样本集合和翻转多样化图像样本集合；
模型获取单元，用于根据所述获取的多样化图像样本集合及所述带标注的原始训练样本图像集合，进行卷积神经网络训练，获取车道偏离模型检测器。
图4为本发明电子设备一个实施例的结构示意图，可以实现本发明图1-2所示实施例的流程，如图4所示，上述电子设备可以包括：壳体41、处理器42、存储器43、电路板44和电源电路45，其中，所述电路板44安置在所述壳体41围成的空间内部，所述处理器42和所述存储器43设置在所述电路板44上；所述电源电路45，用于为上述电子设备的各个电路或器件供电；所述存储器43用于存储可执行程序代码；所述处理器42通过读取所述存储器43中存储的可执行程序代码来运行与可执行程序代码对应的程序，用于执行前述任一实施例所述的车道偏离预警方法。
所述处理器42对上述步骤的具体执行过程以及所述处理器42通过运行可执行程序代码来进一步执行的步骤，可以参见本发明图1-2所示实施例的描述，在此不再赘述。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
为了描述的方便，描述以上装置是以功能分为各种单元/模块分别描述。当然，在实施本发明时可以把各单元/模块的功能在同一个或多个软件和/或硬件中实现。
通过以上的实施方式的描述可知，本领域的技术人员可以清楚地了解到本发明可借助软件加必需的通用硬件平台的方式来实现。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可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如ROM/RAM、磁碟、光盘等，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或者实施例的某些部分所述的方法。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(Random AccessMemory，RAM)等。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (10)

1.一种车道偏离预警方法，其特征在于，包括：
获取待检测图像帧及车道偏离模型检测器；所述车道偏离模型检测器由带标注的车道偏离图像样本集合通过卷积神经网络训练获得；
将所述待检测图像帧进行车道位置预测，获取所述待检测图像帧的待处理车道区域图像；
将所述待处理车道区域图像输入到所述车道偏离模型检测器，获取车道偏离结果。
2.根据权利要求1所述的方法，其特征在于，该方法还包括：
获取带标注的原始训练样本图像集合；
根据所述带标注的原始训练样本图像集合进行图像处理，获取多样化图像样本集合；所述多样化图像样本集合包括：尺度多样化图像样本集合、方向多样化图像样本集合、亮度多样化图像样本集合、色彩多样化图像样本集合、拉伸多样化图像样本集合、平移多样化图像样本集合和翻转多样化图像样本集合；
根据所述获取的多样化图像样本集合及所述带标注的原始训练样本图像集合，进行卷积神经网络训练，获取车道偏离模型检测器。
3.根据权利要求2所述的方法，其特征在于，所述带标注的原始训练样本图像集合中的带标注训练样本图像带有标签；所述标签包括：向左偏离车道、未偏离车道、向右偏离车道。
4.根据权利要求2或3所述的方法，其特征在于，所述带标注的原始训练样本图像集合中的带标注训练样本图像带有标签；所述标签包括：当前样本图像中车道特征点坐标；所述特征点包括：当前车道的边界点、中心点、拐角点、n等分点中一种或任意组合。
5.根据权利要求4所述的方法，其特征在于，所述带标注的原始训练样本图像集合中的带标注训练样本图像带有标签；所述标签包括：当前样本图像中前景和背景；所述前景为当前车道区域，所述背景为当前车道区域以外区域。
6.一种车道偏离预警装置，其特征在于，包括：
信息获取单元，用于获取待检测图像帧及车道偏离模型检测器；所述车道偏离模型检测器由带标注的车道偏离图像样本集合通过卷积神经网络训练获得；
区域获取单元，用于将所述待检测图像帧进行车道位置预测，获取所述待检测图像帧的待处理车道区域图像；
车道预警单元，用于将所述待处理车道区域图像输入到所述车道偏离模型检测器，获取车道偏离结果。
7.根据权利要求6所述的装置，其特征在于，该装置还包括：
样本获取单元，用于获取带标注的原始训练样本图像集合；
样本处理单元，用于根据所述带标注的原始训练样本图像集合进行图像处理，获取多样化图像样本集合；所述多样化图像样本集合包括：尺度多样化图像样本集合、方向多样化图像样本集合、亮度多样化图像样本集合、色彩多样化图像样本集合、拉伸多样化图像样本集合、平移多样化图像样本集合和翻转多样化图像样本集合；
模型获取单元，用于根据所述获取的多样化图像样本集合及所述带标注的原始训练样本图像集合，进行卷积神经网络训练，获取车道偏离模型检测器。
8.根据权利要求7所述的装置，其特征在于，所述带标注的原始训练样本图像集合中的带标注训练样本图像带有标签；所述标签包括：向左偏离车道、未偏离车道、向右偏离车道；和/或，
所述带标注的原始训练样本图像集合中的带标注训练样本图像带有标签；所述标签包括：当前样本图像中车道特征点坐标；所述特征点包括：当前车道的边界点、中心点、拐角点、n等分点中一种或任意组合。
9.根据权利要求8所述的装置，其特征在于，所述带标注的原始训练样本图像集合中的带标注训练样本图像带有标签；所述标签包括：当前样本图像中前景和背景；所述前景为当前车道区域，所述背景为当前车道区域以外区域。
10.一种电子设备，其特征在于，包括：壳体、处理器、存储器、电路板和电源电路，其中，电路板安置在壳体围成的空间内部，处理器和存储器设置在电路板上；电源电路，用于为上述电子设备的各个电路或器件供电；存储器用于存储可执行程序代码；处理器通过读取存储器中存储的可执行程序代码来运行与可执行程序代码对应的程序，用于执行前述所述的车道偏离预警方法。
CN201611253350.4A 2016-12-30 2016-12-30 一种车道偏离预警方法、装置及电子设备 Active CN108268813B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201611253350.4A CN108268813B (zh) 2016-12-30 2016-12-30 一种车道偏离预警方法、装置及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201611253350.4A CN108268813B (zh) 2016-12-30 2016-12-30 一种车道偏离预警方法、装置及电子设备

Publications (2)

Publication Number Publication Date
CN108268813A true CN108268813A (zh) 2018-07-10
CN108268813B CN108268813B (zh) 2021-05-07

Family

ID=62754163

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201611253350.4A Active CN108268813B (zh) 2016-12-30 2016-12-30 一种车道偏离预警方法、装置及电子设备

Country Status (1)

Country Link
CN (1) CN108268813B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109784234A (zh) * 2018-12-29 2019-05-21 百度在线网络技术（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
CN110232368A (zh) * 2019-06-20 2019-09-13 百度在线网络技术（北京）有限公司 车道线检测方法、装置、电子设备及存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2006014974A2 (en) * 2004-07-26 2006-02-09 Automotive Systems Laboratory, Inc. Vulnerable road user protection system
CN101016052A (zh) * 2007-01-25 2007-08-15 吉林大学 高等级公路上车辆防车道偏离预警方法和***
CN105046235A (zh) * 2015-08-03 2015-11-11 百度在线网络技术（北京）有限公司 车道线的识别建模方法和装置、识别方法和装置
CN105427641A (zh) * 2015-11-24 2016-03-23 山东大学 一种殊域车联网北斗精确行车安全行为记录分析装置及分析方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2006014974A2 (en) * 2004-07-26 2006-02-09 Automotive Systems Laboratory, Inc. Vulnerable road user protection system
CN101016052A (zh) * 2007-01-25 2007-08-15 吉林大学 高等级公路上车辆防车道偏离预警方法和***
CN105046235A (zh) * 2015-08-03 2015-11-11 百度在线网络技术（北京）有限公司 车道线的识别建模方法和装置、识别方法和装置
CN105427641A (zh) * 2015-11-24 2016-03-23 山东大学 一种殊域车联网北斗精确行车安全行为记录分析装置及分析方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
秦洪懋: "基于驾驶行为的车道偏离预警***关键技术研究", 《中国博士学位论文全文数据库工程科技Ⅱ辑》 *
谈东奎等: "基于深度神经网络的车道偏离预警", 《第十七届中国科协年会论文集》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109784234A (zh) * 2018-12-29 2019-05-21 百度在线网络技术（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
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
CN110232368A (zh) * 2019-06-20 2019-09-13 百度在线网络技术（北京）有限公司 车道线检测方法、装置、电子设备及存储介质
CN110232368B (zh) * 2019-06-20 2021-08-24 百度在线网络技术（北京）有限公司 车道线检测方法、装置、电子设备及存储介质

Also Published As

Publication number Publication date
CN108268813B (zh) 2021-05-07

Similar Documents

Publication Publication Date Title
CN110009913B (zh) 一种闯红灯车辆的非现场执法图片智能审核方法和***
CN108241844A (zh) 一种公交客流统计方法、装置及电子设备
CN108229386A (zh) 用于检测车道线的方法、装置和介质
CN106295646A (zh) 一种基于深度学习的车牌字符分割方法和装置
Li et al. Stepwise domain adaptation (SDA) for object detection in autonomous vehicles using an adaptive CenterNet
CN109284674A (zh) 一种确定车道线的方法及装置
CN106707293A (zh) 用于车辆的障碍物识别方法和装置
CN106980813A (zh) 机器学习的注视生成
CN109711285B (zh) 识别模型的训练、测试方法和装置
CN109635737B (zh) 基于道路标记线视觉识别辅助车辆导航定位方法
DE102017105628A1 (de) Verfahren und system zur virtuellen sensordatenerzeugung mit tiefen-ground-truth-annotation
CN106023622B (zh) 一种确定红绿灯识别***识别性能的方法和装置
CN108241829A (zh) 车辆行驶图像识别方法
CN110309768A (zh) 车检工位的工作人员检测方法及设备
CN106920247A (zh) 一种基于比对网络的目标跟踪方法及装置
CN108830850B (zh) 自动光学检测图片分析方法及设备
CN108268813A (zh) 一种车道偏离预警方法、装置及电子设备
CN105913034A (zh) 车辆识别方法、装置及车辆
Zhang et al. Real-time lane detection by using biologically inspired attention mechanism to learn contextual information
CN109523570A (zh) 运动参数计算方法及装置
CN111091165A (zh) 一种图像的细粒度识别方法
Krajewski et al. VeGAN: Using GANs for augmentation in latent space to improve the semantic segmentation of vehicles in images from an aerial perspective
CN112395956B (zh) 一种面向复杂环境的可通行区域检测方法及***
CN111238524B (zh) 视觉定位方法以及装置
CN112434601A (zh) 基于行车视频的车辆违法检测方法、装置、设备及介质

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
CB02 Change of applicant information
CB02 Change of applicant information

Address after: 8 floors of Block E, No.2 Building, 9 Yuan, Fenghao East Road, Haidian District, Beijing 100094

Applicant after: Wen'an Beijing intelligent technology Limited by Share Ltd

Address before: 100085 4th Floor, No. 1 Courtyard, Shangdi East Road, Haidian District, Beijing

Applicant before: Wen'an Beijing intelligent technology Limited by Share Ltd

GR01 Patent grant
GR01 Patent grant