CN109948413B - 基于高精度地图融合的车道线检测方法 - Google Patents
基于高精度地图融合的车道线检测方法 Download PDFInfo
- Publication number
- CN109948413B CN109948413B CN201811630723.4A CN201811630723A CN109948413B CN 109948413 B CN109948413 B CN 109948413B CN 201811630723 A CN201811630723 A CN 201811630723A CN 109948413 B CN109948413 B CN 109948413B
- Authority
- CN
- China
- Prior art keywords
- lane line
- precision map
- line
- lane
- map fusion
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 34
- 230000004927 fusion Effects 0.000 title claims abstract description 28
- 238000000034 method Methods 0.000 claims abstract description 43
- 230000011218 segmentation Effects 0.000 claims abstract description 31
- 230000005484 gravity Effects 0.000 claims abstract description 27
- 238000013527 convolutional neural network Methods 0.000 claims description 8
- 230000000007 visual effect Effects 0.000 description 9
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Landscapes
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于高精度地图融合的车道线检测方法，包括以下步骤：S1、对由车载相机提取的图片进行车道线分割操作，得到车道线分割图像；S2、求取各个车道线分割图像间的相交区域，得到相交连通域；S3、将相同相交连通域的重心点连接，形成相交连通域的线特征；S4、通过对车辆定位的结果由预设的高精度地图数据库中调取对应位置的车道线，将S3得到的线特征与由高精度地图数据库中调取的对应位置的车道线进行比对和匹配，得到属于同一车道线的线段特征；S5、将属于同一车道线的线段特征进行拟合，即得对应车道线的参数方程。其通过将视觉对车道线的检测和高精度地图的结合，实现了高精度、高鲁棒性的车道线检测。
Description
技术领域
本发明涉及无人驾驶技术领域，尤其涉及一种基于高精度地图融合的车道线检测方法。
背景技术
智能感知一直是无人驾驶中一个非常重要的模块，而车道线检测则是感知任务中的一个难点，无论是在高速公路，还是普通城市道路，都需要良好的车道线检测结果辅助车辆稳定安全的行驶在道路上。然而，长期以来，车道线检测一直受到传感器的限制，绝大部分的车道线检测均基于视觉方法，但是视觉方法受很多因素的影响，如光照、环境影响，以及2D图像坐标转换到3D视觉空间的技术难点，这些因素使得无人驾驶车辆的***很容易出现误检和漏检的现象。
发明内容
本发明的一个目的是解决至少上述问题，并提供至少后面将说明的优点。
本发明还有一个目的是提供一种基于高精度地图融合的车道线检测方法，通过将视觉对车道线的检测和高精度地图的结合，实现了高精度、高鲁棒性的车道线检测。
为实现上述目的和一些其他的目的，本发明采用如下技术方案：
一种基于高精度地图融合的车道线检测方法，包括以下步骤：
S1、对由车载相机提取的图片进行车道线分割操作，得到车道线分割图像；
S2、求取各个所述车道线分割图像间的相交区域，得到相交连通域；
S3、将相同相交连通域的重心点连接，形成所述相交连通域的线特征；
S4、通过对车辆定位的结果由预设的保存有含有车道线信息的各个道路的信息的高精度地图数据库中调取对应位置的车道线，将S3得到的线特征与由所述高精度地图数据库中调取的对应位置的车道线进行比对和匹配，得到属于同一车道线的线段特征；
S5、将属于同一车道线的线段特征进行拟合，即得对应车道线的参数方程。
优选的是，所述的基于高精度地图融合的车道线检测方法中，S1中对由车载相机提取的图片进行车道线分割操作前，先对所述图片进行了降采样和裁剪。
优选的是，所述的基于高精度地图融合的车道线检测方法中，S1中利用深度卷积神经网络对所述图片进行车道线分割操作。
优选的是，所述的基于高精度地图融合的车道线检测方法中，S2中求取各个所述车道线分割图像间的相交区域前，还需结合所述车载相机的内外参数利用IPM方法将所述车道线分割图像投影到俯视视角的车道线分割图像。
优选的是，所述的基于高精度地图融合的车道线检测方法中，S2中对所述车道线分割图像自底向上依次扫描以求取各个所述车道线分割图像间的相交区域。
优选的是，所述的基于高精度地图融合的车道线检测方法中，S3中，利用灰度重心法求解得到每个相交连通域的重心点，并通过递归法将相同相交连通域的重心点连接。
优选的是，所述的基于高精度地图融合的车道线检测方法中，S4中先对由所述高精度地图数据库中调取的对应位置的车道线截断呈预定长度的线段特征后，再与由S3得到的线特征进行比对和匹配。
优选的是，所述的基于高精度地图融合的车道线检测方法中，S4中利用RANSAC方法对由S3得到的线特征和由所述高精度地图数据库中调取的对应位置的车道线进行比对和匹配。
优选的是，所述的基于高精度地图融合的车道线检测方法中，S4中对由S3得到的线特征和由所述高精度地图数据库中调取的对应位置的车道线进行比对和匹配后，还需剔除得到的结果中的离群点。
优选的是，所述的基于高精度地图融合的车道线检测方法中，S5中利用相同车道线的相交连通域对应的重心点，通过最小二乘法对所述重心点进行二次曲线拟合，以得到对应车道线的参数方程。
本发明至少包括以下有益效果：
本发明的基于高精度地图融合的车道线检测方法中，利用视觉对车道线进行检测，并通过高精度地图提供的车道线，只需结合普通的低精定位，即可大幅提高视觉车道线检测效果，得到鲁棒可信的车道线结果辅助无人驾驶。
通过将高精度地图作为新型的“传感器”，结合定位给出车道线结果，利用高精度地图的车道线与视觉检测的车道线，经过融合得到鲁棒可信的车道线，并且高精度地图车道线具有3D属性，可完全克服视觉检测车道线中图像坐标到3D空间坐标的转换问题，大大降低了技术难度。
本发明的其它优点、目标和特征将部分通过下面的说明体现，部分还将通过对本发明的研究和实践而为本领域的技术人员所理解。
附图说明
图1是本发明提供的线段特征匹配时的判断规则示意图。
具体实施方式
下面结合附图对本发明做详细说明，以令本领域普通技术人员参阅本说明书后能够据以实施。
如图1所示，一种基于高精度地图融合的车道线检测方法，包括以下步骤：
S1、对由车载相机提取的图片进行车道线分割操作，得到车道线分割图像。
S2、求取各个所述车道线分割图像间的相交区域，得到相交连通域。
S3、将相同相交连通域的重心点连接，形成所述相交连通域的线特征。
S4、通过对车辆定位的结果由预设的保存有含有车道线信息的各个道路的信息的高精度地图数据库中调取对应位置的车道线，将S3得到的线特征与由所述高精度地图数据库中调取的对应位置的车道线进行比对和匹配，得到属于同一车道线的线段特征。
S5、将属于同一车道线的线段特征进行拟合，即得对应车道线的参数方程。
在上述方案中，通过对车道线进行分割，得到包含车道线的区域，然后对相交连通域的重心点连接，形成相交连通域的线特征，其中重心点是提取车道线分割区域的点特征，通过点与线的特征能够更好的描述车道线。
利用视觉对车道线进行检测，并通过高精度地图提供的车道线，只需结合普通的低精定位，即可大幅提高视觉车道线检测效果，得到鲁棒可信的车道线结果辅助无人驾驶。
通过将高精度地图作为新型的“传感器”，结合定位给出车道线结果，利用高精度地图的车道线与视觉检测的车道线，经过融合得到鲁棒可信的车道线，并且高精度地图车道线具有3D属性，可完全克服视觉检测车道线中图像坐标到3D空间坐标的转换问题，大大降低了技术难度。
一个优选方案中，S1中对由车载相机提取的图片进行车道线分割操作前，先对所述图片进行了降采样和裁剪。
在上述方案中，对车载相机提取的图片进行车道线分割操作前，先对图片进行降采样和裁剪，降采样降低了数据传输速率以及传输的数据大小，而图片的裁剪去除掉了部分无用信息，然后再进行车道线分割操作，能够减少计算力的浪费，并提高了计算速度，即提高了方法的运行效率。
一个优选方案中，S1中利用深度卷积神经网络对所述图片进行车道线分割操作。
在上述方案中，卷积神经网络(Convolutional Neural Network，CNN)是一种前馈神经网络，它的人工神经元可以响应一部分覆盖范围内的周围单元，对于大型图像处理有出色表现，因而采用深度卷积神经网络对所述图片进行车道线分割操作，能够有效的保证对图片的处理速度和质量。
一个优选方案中，S2中求取各个所述车道线分割图像间的相交区域前，还需结合所述车载相机的内外参数利用IPM方法将所述车道线分割图像投影到俯视视角的车道线分割图像。
在上述方案中，IPM(Inverse Perspective Mapping)方法是用于将透视图像变换到俯视图像的方法，其变换时采用仿射变换原理，将透视图像平面变换到俯视图像平面，在本发明中在应用IPM方法时还结合车载相机的内外参数，能够保证变换的俯视视角的车道线分割图像与原车道线分割图像进一步对应，提高了车道线检测的精确度。
一个优选方案中，S2中对所述车道线分割图像自底向上依次扫描以求取各个所述车道线分割图像间的相交区域。
在上述方案中，通过对车道线分割图像自底向上依次扫描与车辆的行进方向相符合，并保证对整个图像进行扫描。
一个优选方案中，S3中，利用灰度重心法求解得到每个相交连通域的重心点，并通过递归法将相同相交连通域的重心点连接。
在上述方案中，通过灰度重心法求解每个相交连通域的重心点，得到各个车道线沿道路延伸方向的中心位置，以提高了车道线检测的精确度。
一个优选方案中，S4中先对由所述高精度地图数据库中调取的对应位置的车道线截断呈预定长度的线段特征后，再与由S3得到的线特征进行比对和匹配。
在上述方案中，对车道线进行分割，并形成分割连通域的线特征也为线段状分布，因而通过将由高精度地图数据库中调取的对应位置的车道线截断呈预定长度的线段特征后，再与由S3得到的线特征进行比对和匹配，不仅提高了比对和匹配的效率，且降低了***的计算量。
其中，长度可以根据实际的需求灵活的设定，例如100m、150m或200m等。
一个优选方案中，S4中利用RANSAC方法对由S3得到的线特征和由所述高精度地图数据库中调取的对应位置的车道线进行比对和匹配。
在上述方案中，RANSAC为RANdom Sample Consensus的缩写，它是根据一组包含异常数据的样本数据集，计算出数据的数学模型参数，得到有效样本数据的方法。RANSAC方法经常用于计算机视觉中。例如，在立体视觉领域中同时解决一对相机的匹配点问题及基本矩阵的计算。在本发明中利用RANSAC方法对由S3得到的线特征和由所述高精度地图数据库中调取的对应位置的车道线进行比对和匹配提高了比对和匹配结果的可靠性，并提高了比对和匹配的效率。
一个优选方案中，S4中对由S3得到的线特征和由所述高精度地图数据库中调取的对应位置的车道线进行比对和匹配后，还需剔除得到的结果中的离群点。
在上述方案中，通过对离群点的剔除，使得结果更加精确。
一个优选方案中，S5中利用相同车道线的相交连通域对应的重心点，通过最小二乘法对所述重心点进行二次曲线拟合，以得到对应车道线的参数方程。
在上述方案中，采用最小二乘法来对所述重心点进行二次曲线拟合，拟合速度快，结果准确。
所述的基于高精度地图融合的车道线检测方法的具体运行过程为：
1、提取车载相机图片并对其进行裁剪等预处理。
2、将第1步处理后的图像传给深度卷积神经网络，对其进行车道线marker的分割操作。
3、将2中结果配合相机内外参，利用IPM(Inverse Perspective Mapping)方法将2中得到的分割投影到俯视视角。
4、创建条形带，对车道线分割结果图像自底向上依次扫描，求取相交区域，利用灰度重心法对每个相交连通域求解重心，将扫描完所有重心点作为分割结果的初始特征，相同分割连通域中的重心为同一组。
5、通过递归的方式，连接相同分割连通域的重心点，形成分割连通域的线特征。
6、结合定位方法，得到初步定位结果，利用定位结果查询高精度地图数据库中对应位置的车道线，并将其阶段成指定长度的线段特征。
7、将4中得到的分割连通域线特征与5中高精度地图线特征进行比对，利用RANSAC方法，根据每个线段特征的方向属性，对线段进行比对匹配，这样可以将属于同一条车道线的连通域归纳到一起，得到同一条车道线的线段特征，并剔除分割结果中的离群点outlier。
8、利用相同车道线的连通域对应的重心点，通过最小二乘法对这些点进行二次曲线拟合，得到对应车道线的参数方程。
尽管本发明的实施方案已公开如上，但其并不仅仅限于说明书和实施方式中所列运用，它完全可以被适用于各种适合本发明的领域，对于熟悉本领域的人员而言，可容易地实现另外的修改，因此在不背离权利要求及等同范围所限定的一般概念下，本发明并不限于特定的细节和这里所示出与描述的图例。
Claims (10)
1.一种基于高精度地图融合的车道线检测方法，其中，包括以下步骤：
S1、对由车载相机提取的图片进行车道线分割操作，得到车道线分割图像；
S2、求取各个所述车道线分割图像间的相交区域，得到相交连通域；
S3、将相同相交连通域的重心点连接，形成所述相交连通域的线特征；
S4、通过对车辆定位的结果由预设的保存有含有车道线信息的各个道路的信息的高精度地图数据库中调取对应位置的车道线，将S3得到的线特征与由所述高精度地图数据库中调取的对应位置的车道线进行比对和匹配，得到属于同一车道线的线段特征；
S5、将属于同一车道线的线段特征进行拟合，即得对应车道线的参数方程。
2.如权利要求1所述的基于高精度地图融合的车道线检测方法，其中，S1中对由车载相机提取的图片进行车道线分割操作前，先对所述图片进行了降采样和裁剪。
3.如权利要求1所述的基于高精度地图融合的车道线检测方法，其中，S1中利用深度卷积神经网络对所述图片进行车道线分割操作。
4.如权利要求1所述的基于高精度地图融合的车道线检测方法，其中，S2中求取各个所述车道线分割图像间的相交区域前，还需结合所述车载相机的内外参数利用IPM方法将所述车道线分割图像投影到俯视视角的车道线分割图像。
5.如权利要求1所述的基于高精度地图融合的车道线检测方法，其中，S2中对所述车道线分割图像自底向上依次扫描以求取各个所述车道线分割图像间的相交区域。
6.如权利要求1所述的基于高精度地图融合的车道线检测方法，其中，S3中，利用灰度重心法求解得到每个相交连通域的重心点，并通过递归法将相同相交连通域的重心点连接。
7.如权利要求1所述的基于高精度地图融合的车道线检测方法，其中，S4中先对由所述高精度地图数据库中调取的对应位置的车道线截断呈预定长度的线段特征后，再与由S3得到的线特征进行比对和匹配。
8.如权利要求1所述的基于高精度地图融合的车道线检测方法，其中，S4中利用RANSAC方法对由S3得到的线特征和由所述高精度地图数据库中调取的对应位置的车道线进行比对和匹配。
9.如权利要求1所述的基于高精度地图融合的车道线检测方法，其中，S4中对由S3得到的线特征和由所述高精度地图数据库中调取的对应位置的车道线进行比对和匹配后，还需剔除得到的结果中的离群点。
10.如权利要求1所述的基于高精度地图融合的车道线检测方法，其中，S5中利用相同车道线的相交连通域对应的重心点，通过最小二乘法对所述重心点进行二次曲线拟合，以得到对应车道线的参数方程。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811630723.4A CN109948413B (zh) | 2018-12-29 | 2018-12-29 | 基于高精度地图融合的车道线检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811630723.4A CN109948413B (zh) | 2018-12-29 | 2018-12-29 | 基于高精度地图融合的车道线检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109948413A CN109948413A (zh) | 2019-06-28 |
| CN109948413B true CN109948413B (zh) | 2021-06-04 |
Family
ID=67007860
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811630723.4A Active CN109948413B (zh) | 2018-12-29 | 2018-12-29 | 基于高精度地图融合的车道线检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109948413B (zh) |
Families Citing this family (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110991215B (zh) * | 2019-07-17 | 2023-08-18 | 万物镜像(北京)计算机***有限公司 | 车道线检测方法、装置、存储介质及电子设备 |
| CN111209805B (zh) * | 2019-12-24 | 2022-05-31 | 武汉中海庭数据技术有限公司 | 车道线众包数据的多道路片段数据的快速融合优化方法 |
| CN111242031B (zh) * | 2020-01-13 | 2023-08-01 | 禾多科技（北京）有限公司 | 基于高精度地图的车道线检测方法 |
| CN111460986A (zh) * | 2020-03-30 | 2020-07-28 | 深圳市凯立德科技股份有限公司 | 一种车道线处理方法和装置 |
| CN111546985A (zh) * | 2020-04-26 | 2020-08-18 | 东风汽车集团有限公司 | 一种基于高精度地图的360度全景影像增强*** |
| CN111873995B (zh) * | 2020-08-04 | 2021-07-23 | 禾多科技（北京）有限公司 | 高速公路自动驾驶上下匝道的***及方法 |
| CN112990099B (zh) * | 2021-04-14 | 2021-11-30 | 北京三快在线科技有限公司 | 一种车道线检测的方法以及装置 |
| CN113392812B (zh) * | 2021-07-08 | 2022-06-07 | 湖南大学 | 基于深度神经网络的道路车道线检测方法及*** |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103954275A (zh) * | 2014-04-01 | 2014-07-30 | 西安交通大学 | 基于车道线检测和gis地图信息开发的视觉导航方法 |
| CN105260699A (zh) * | 2015-09-10 | 2016-01-20 | 百度在线网络技术（北京）有限公司 | 一种车道线数据的处理方法及装置 |
| CN106500705A (zh) * | 2016-10-20 | 2017-03-15 | 上海智驾电子科技有限公司 | 基于车道线检测的定位***及定位方法 |
| CN107782321A (zh) * | 2017-10-10 | 2018-03-09 | 武汉迈普时空导航科技有限公司 | 一种基于视觉和高精度地图车道线约束的组合导航方法 |
| CN107886752A (zh) * | 2017-11-08 | 2018-04-06 | 武汉理工大学 | 一种基于改造车道线的高精度车辆定位***及方法 |
| CN107977593A (zh) * | 2016-10-21 | 2018-05-01 | 富士通株式会社 | 图像处理装置和图像处理方法 |
| CN108303103A (zh) * | 2017-02-07 | 2018-07-20 | 腾讯科技（深圳）有限公司 | 目标车道的确定方法和装置 |
| CN108875607A (zh) * | 2017-09-29 | 2018-11-23 | 惠州华阳通用电子有限公司 | 车道线检测方法、装置以及计算机可读存储介质 |
| CN109059954A (zh) * | 2018-06-29 | 2018-12-21 | 广东星舆科技有限公司 | 支持高精度地图车道线实时融合更新的方法和*** |
-
2018
- 2018-12-29 CN CN201811630723.4A patent/CN109948413B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103954275A (zh) * | 2014-04-01 | 2014-07-30 | 西安交通大学 | 基于车道线检测和gis地图信息开发的视觉导航方法 |
| CN105260699A (zh) * | 2015-09-10 | 2016-01-20 | 百度在线网络技术（北京）有限公司 | 一种车道线数据的处理方法及装置 |
| CN106500705A (zh) * | 2016-10-20 | 2017-03-15 | 上海智驾电子科技有限公司 | 基于车道线检测的定位***及定位方法 |
| CN107977593A (zh) * | 2016-10-21 | 2018-05-01 | 富士通株式会社 | 图像处理装置和图像处理方法 |
| CN108303103A (zh) * | 2017-02-07 | 2018-07-20 | 腾讯科技（深圳）有限公司 | 目标车道的确定方法和装置 |
| CN108875607A (zh) * | 2017-09-29 | 2018-11-23 | 惠州华阳通用电子有限公司 | 车道线检测方法、装置以及计算机可读存储介质 |
| CN107782321A (zh) * | 2017-10-10 | 2018-03-09 | 武汉迈普时空导航科技有限公司 | 一种基于视觉和高精度地图车道线约束的组合导航方法 |
| CN107886752A (zh) * | 2017-11-08 | 2018-04-06 | 武汉理工大学 | 一种基于改造车道线的高精度车辆定位***及方法 |
| CN109059954A (zh) * | 2018-06-29 | 2018-12-21 | 广东星舆科技有限公司 | 支持高精度地图车道线实时融合更新的方法和*** |
Non-Patent Citations (4)
| Title |
|---|
| LaneLoc:Lane marking based localization using highly accurate maps;Markus Schreiber et al;《2013 IEEE Intelligent Vehicles Symposium》;20130626;第449-454页 * |
| 基于模糊连接度的道路自动提取方法研究;钱厦;《中国优秀硕士学位论文全文数据库 信息科技辑》;20111215(第12期);第I140-433页 * |
| 基于深度学习的车道线检测***的设计与实现;李松泽;《中国优秀硕士学位论文全文数据库 信息科技辑》;20170215(第02期);第I140-375页 * |
| 基于车道线提取的智能车横向定位技术;袁旻川 等;《军事交通学院学报》;20181031;第20卷(第10期);第35-40页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109948413A (zh) | 2019-06-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109948413B (zh) | 基于高精度地图融合的车道线检测方法 | |
| EP3735675B1 (en) | Image annotation | |
| CN112396650B (zh) | 一种基于图像和激光雷达融合的目标测距***及方法 | |
| CN106919915B (zh) | 基于adas***的地图道路标记及道路质量采集装置及方法 | |
| Labayrade et al. | In-vehicle obstacles detection and characterization by stereovision | |
| Liang et al. | Video stabilization for a camcorder mounted on a moving vehicle | |
| CN110738121A (zh) | 一种前方车辆检测方法及检测*** | |
| CN115049700A (zh) | 一种目标检测方法及装置 | |
| EP3594902B1 (en) | Method for estimating a relative position of an object in the surroundings of a vehicle and electronic control unit for a vehicle and vehicle | |
| Pantilie et al. | Real-time obstacle detection using dense stereo vision and dense optical flow | |
| Deng et al. | Semantic segmentation-based lane-level localization using around view monitoring system | |
| CN112257668A (zh) | 主辅路判断方法、装置、电子设备及存储介质 | |
| CN113989766A (zh) | 道路边缘检测方法、应用于车辆的道路边缘检测设备 | |
| CN115410167A (zh) | 目标检测与语义分割方法、装置、设备及存储介质 | |
| CN113985405A (zh) | 障碍物检测方法、应用于车辆的障碍物检测设备 | |
| CN115239822A (zh) | 分体式飞行车辆多模块间实时视觉识别定位方法及*** | |
| Jeong et al. | Real-time lane detection for autonomous vehicle | |
| Li et al. | On automatic and dynamic camera calibration based on traffic visual surveillance | |
| CN114648639B (zh) | 一种目标车辆的检测方法、***及装置 | |
| Eraqi et al. | Static free space detection with laser scanner using occupancy grid maps | |
| Yu et al. | An improved phase correlation method for stop detection of autonomous driving | |
| KR102368262B1 (ko) | 다중 관측정보를 이용한 신호등 배치정보 추정 방법 | |
| CN117011481A (zh) | 构建三维地图的方法、装置、电子设备及存储介质 | |
| CN110033493B (zh) | 摄像机3d标定方法及终端 | |
| Li et al. | Lane detection and road surface reconstruction based on multiple vanishing point & symposia |
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 | ||
| CP03 | Change of name, title or address | ||
| CP03 | Change of name, title or address |
Address after: 201, 202, 301, No. 56-4 Fenghuang South Road, Huadu District, Guangzhou City, Guangdong Province, 510806 Patentee after: Heduo Technology (Guangzhou) Co.,Ltd. Address before: 100089 21-14, 1st floor, building 21, Enji West Industrial Park, No.1, liangjiadian, Fuwai, Haidian District, Beijing Patentee before: HOLOMATIC TECHNOLOGY (BEIJING) Co.,Ltd. |
|
| PE01 | Entry into force of the registration of the contract for pledge of patent right | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: A lane detection method based on high-precision map fusion Granted publication date: 20210604 Pledgee: Bank of Shanghai Co.,Ltd. Beijing Branch Pledgor: Heduo Technology (Guangzhou) Co.,Ltd. Registration number: Y2024980009891 |