CN110147748A - 一种基于道路边缘检测的移动机器人障碍物识别方法 - Google Patents
一种基于道路边缘检测的移动机器人障碍物识别方法 Download PDFInfo
- Publication number
- CN110147748A CN110147748A CN201910390236.3A CN201910390236A CN110147748A CN 110147748 A CN110147748 A CN 110147748A CN 201910390236 A CN201910390236 A CN 201910390236A CN 110147748 A CN110147748 A CN 110147748A
- Authority
- CN
- China
- Prior art keywords
- road
- detection
- mobile robot
- barrier
- existence
- 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
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
- G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
-
- 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
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及人工智能领域,具体是一种基于道路边缘检测的移动机器人障碍物识别方法,其具体步骤如下:S1:获得边界线;S2:边缘检测;S3:目标检测;S4:坐标值;S5:道路障碍物存在区域计算;S6:道路障碍物存在区域判断;相比于传统的障碍物识别只能检测的移动机器人前方有物体,且有重合部分即无法精确识别而言,使用道路边缘检测算法找到障碍物存在区域Ω,利用深度学习网络框架对图像中的物体进行目标检测,通过本发明可以更加精确的识别出所述实时图像中检测目标中的障碍物,智能化程度高。
Description
技术领域
本发明涉及人工智能领域,具体是一种基于道路边缘检测的移动机器人障碍物识别方法。
背景技术
移动机器人技术和行业近些年在快速地发展,移动机器人应用场景也越来越广泛,其研究和应用也已经从军事和工业领域扩展到了农业、家用、服务和安防类行业。在移动机器人研究领域,障碍物检测是一个重要方向。移动机器人在道路上运行时,所在道路方向上会存在障碍物。障碍物会阻碍移动机器人的前进,会与移动机器人发生碰撞等,造成移动机器人受损或者障碍物损坏,移动机器人只有不断避开障碍物才达到目的地。因此完成移动机器人行进中机器人障碍物检测是十分有必要的。
目前存在基于激光雷达信息的机器人障碍物检测方法,激光雷达虽然对环境适应性好,但是激光雷达只能探测物体,不能对物体进行识别,因此无法与判断物体行为和种类,且多线程激光雷达价格较高。而对于障碍物的检测来说,超声波、毫米波雷达这些只能检测出障碍物距离。
发明内容
为了解决上述问题,本发明提出一种基于道路边缘检测的移动机器人障碍物识别方法。
一种基于道路边缘检测的移动机器人障碍物识别方法,其具体步骤如下:
S1:获取边界线:移动机器人上安装的图像采集设备获取实时图像,包含实时图像上边界线lup和实时图像下边界线ldown;
S2:边缘检测:通过边缘检测算法得到道路边缘线lroad,进而确定道路边缘线lroad的方程yl=Fl(x);
S3:目标检测:使用深度学习网络框架实时图像进行目标检测,得到各检测目标边界框及其表征函数:f=(x,y,w,h,c);
S4:坐标值:利用表征函数f可求得各检测目标边界框左下角和右下角的坐标值分别为(xL,yL)和(xR,yR);
S5:道路障碍物存在区域计算:计算道路边缘线lroad与所述的实时图像上边界线lup和实时图像下边界线ldown围成道路障碍物存在区域Ω;
S6:道路障碍物存在区域判断:判断各检测目标边界框左下角和右下角的坐标值(xL,yL)和(xR,yR)是否包含于所述的道路障碍物存在区域Ω并完成障碍物识别。
所述的步骤1的道路边缘线lroad的方程yl=Fl(xl),其中,Fl为分段函数:
其中,yl和xl的单位均为px,所述的表征函数f=(x,y,w,h,c)中的x,y,w,h的单位均为px,所述的px为像素单位,所述的x是所述的检测目标边界框的左上角横坐标值,所述的y是所述的检测目标边界框的左上角纵坐标值,所述的w是所述的检测目标边界框的横向宽度,所述的h是所述的检测目标边界框的竖直高度,所述的c是所述的检测目标边界框的识别率。
所述的步骤1的实时图像的尺寸大小为a*b,所述的a和b的单位为px,所述的a为所述的实时图像的长度,所述的b为所述的实时图像的高度,所述的道路边缘方程F=f(x,y)中x的取值范围为0≤x≤a,0≤x≤b。
所述的步骤2的边缘检测算法满足能实现道路边缘完整检测,所述的边缘检测算法的检测时间小于移动机器人的制动时间,所述的实时图像的目标检测时间小于移动机器人的制动时间。
所述的步骤4的各检测目标边界框表征函数f=(x,y,w,h,c)与各检测目标边界框上的(xL,yL)和(xR,yR)满足如下关系:
和
所述的步骤5的道路障碍物存在区域Ω是所述的实时图像中的二维点集,满足如下条件:
Ω={(x,y)q1≤x<q2,q3≤x<q4,…,qn-1≤x<qn,qn≤a;0≤y≤b}。
所述的步骤6中若所述的(xL,yL)和所述的(xR,yR)均包含于所述的道路障碍物存在区域Ω,则判定所述的(xL,yL)和所述的(xR,yR)所属于的所述的检测目标边界框选中的目标物体为障碍物;
所述的步骤6中若所述的(xL,yL)包含于所述的道路障碍物存在区域Ω,所述的(xR,yR)不包含于所述的道路障碍物存在区域Ω,则也判定所述的(xL,yL)和所述的(xR,yR)所属于的所述的检测目标边界框选中的目标物体为障碍物;
所述的步骤6中若所述的(xR,yR)包含于所述的道路障碍物存在区域Ω,所述的(xL,yL)不包含于所述的道路障碍物存在区域Ω,则也判定所述的(xL,yL)和所述的(xR,yR)所属于的所述的检测目标边界框选中的目标物体为障碍物;
所述的步骤6中若所述的(xL,yL)和所述的(xR,yR)均不包含于所述的道路障碍物存在区域Ω,则判定所述的(xL,yL)和所述的(xR,yR)所属于的所述的检测目标边界框选中的目标物体不是障碍物。
本发明的有益效果是:相比于传统的障碍物识别只能检测的移动机器人前方有物体,且有重合部分即无法精确识别而言,使用道路边缘检测算法找到障碍物存在区域Ω,利用深度学习网络框架对图像中的物体进行目标检测,通过本发明可以更加精确的识别出所述实时图像中检测目标中的障碍物,智能化程度高。
附图说明
下面结合附图和实施例对本发明进一步说明。
图1为本发明的实时图像示意图;
图2为本发明的目标检测边界框示意图;
图3为本发明的实时图像目标检测及道路边缘检测示意图;
图4为本发明的道路障碍物存在区域Ω在实时图像中的分布示意图。
具体实施方式
为了使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解,下面对本发明进一步阐述。
如图1至图4所示,一种基于道路边缘检测的移动机器人障碍物识别方法,如图1所示,将摄像头与笔记本电脑相连,将笔记本安装在移动机器人上,然后相机采集机器人前方的实时图像,选用训练好的深度学习神经网络框架的作为图像软件检测工具,在VS2015环境下运行,所述实时图像中包含实时图像上边界线lup和实时图像下边界线ldown,坐标原点O(0,0)在所述实时图像的左上角顶点处,其具体步骤如下:
S1:获取边界线:移动机器人上安装的图像采集设备,使用所述的图像采集设备获取移动机器人运动前方的场景实时图像,所述的实时图像中包含实时图像上边界线lup和实时图像下边界线ldown:
S2:边缘检测:对步骤1中所述的实时图像通过边缘检测算法,检测实时图像中的道路边缘,得到道路边缘线lroad,进而确定道路边缘线lroad的方程yl=Fl(x);
S3:目标检测:如图2所示,使用深度学习网络框架对步骤1中所述的实时图像进行目标检测,得到各检测目标边界框及其表征函数:f=(x,y,w,h,c),本实施例中各检测目标表征函数中的x,y,w,h四项值,从左到右依次为
S4:坐标值:利用步骤3中所述的表征函数f可求得各检测目标边界框左下角和右下角的坐标值分别为(xL,yL)和(xR,yR),如图3所示各检测目标边界框左下角和右下角的坐标值从左到右依次为:
S5:道路障碍物存在区域计算:计算步骤2中所述的道路边缘线lroad与所述的实时图像上边界线lup和实时图像下边界线ldown围成道路障碍物存在区域Ω,如图4所示本实施例中的lup和ldown满足如下方程:
则本实施例中的道路障碍物存在区域Ω满足如下方程
S6:道路障碍物存在区域判断:判断步骤4中所述的各检测目标边界框左下角和右下角的坐标值(xL,yL)和(xR,yR)是否包含于所述的道路障碍物存在区域Ω并完成障碍物识别。
判断所述各检测目标边界框左下角和右下角的坐标值(xL,yL)和(xR,yR)是否包含于所述道路障碍物存在区域,具体为:
a:对于编号1检测目标tree来说边界框左下角和右下角的坐标值(135,450),(230,450)带入步骤5中所述Ω的区域方程,判断两个坐标均不在道路障碍物存在区域,则判定编号1检测目标tree不是障碍物;
b:对于编号2检测目标tree来说边界框左下角和右下角的坐标值(360,199),(430,199)带入步骤5中所述的Ω的区域方程,判断两个坐标均不在道路障碍物存在区域,则判定编号2检测目标tree不是障碍物;
c:对于编号3检测目标Person来说边界框左下角和右下角的坐标值(390,480),(470,480)带入步骤5中所述Ω的区域方程,判断两个坐标均在道路障碍物存在区域,则判定中编号3检测目标Person是障碍物;
d:对于编号4检测目标bicycle来说边界框左下角和右下角的坐标值(512,290),(605,290)带入步骤5中所述的Ω的区域方程,判断两个坐标均在道路障碍物存在区域,则判定中编号4检测目标bicycle是障碍物;
e:对于编号5检测目标bus来说边界框左下角和右下角的坐标值(590,180),(670,180)带入步骤5中所述的Ω的区域方程,判断两个坐标均在道路障碍物存在区域,则判定中编号5检测目标bus是障碍物;
f:对于编号6检测目标Person来说边界框左下角和右下角的坐标值(610,435),(685,435)带入步骤5中所述Ω的区域方程,判断两个坐标均在道路障碍物存在区域,则判定中编号6检测目标Person是障碍物。
所述的步骤1的道路边缘线lroad的方程yl=Fl(xl),其中,Fl为分段函数:
其中,yl和xl的单位均为px,所述的表征函数f=(x,y,w,h,c)中的x,y,w,h的单位均为px,所述的px为像素单位,所述的x是所述的检测目标边界框的左上角横坐标值,所述的y是所述的检测目标边界框的左上角纵坐标值,所述的w是所述的检测目标边界框的横向宽度,所述的h是所述的检测目标边界框的竖直高度,所述的c是所述的检测目标边界框的识别率。
所述的道路边缘线lroad可以有多条,所述的道路边缘线lroad既可以是直线也可以是曲线。
相比于传统的障碍物识别只能检测的移动机器人前方有物体,且有重合部分即无法精确识别而言,使用道路边缘检测算法找到障碍物存在区域Ω,利用深度学习网络框架对图像中的物体进行目标检测,通过本发明可以更加精确的识别出所述实时图像中检测目标中的障碍物,智能化程度高。
所述的步骤1的移动机器人上设有图像处理平台,所述的图像处理平台包括硬件部分和软件部分;图像采集设备为标定校准后的单目相机,所述的图像中的坐标值均是以像素px为单位的坐标值,坐标原点在所述的实时图像的左上角。
所述的实时图像的尺寸大小为a*b,所述的a和b的单位为px,所述的a为所述的实时图像的长度,所述的b为所述的实时图像的高度,所述的道路边缘方程F=f(x,y)中x的取值范围为0≤x≤a,0≤x≤b。
所述的边缘检测算法满足能实现道路边缘完整检测,所述的边缘检测算法的检测时间小于移动机器人的制动时间,所述的实时图像的目标检测时间小于移动机器人的制动时间。
所述的步骤4的各检测目标边界框表征函数f=(x,y,w,h,c)与各检测目标边界框上的(xL,yL)和(xR,yR)满足如下关系:
和
所述的步骤5的道路障碍物存在区域Ω是所述的实时图像中的二维点集,满足如下条件:
Ω={(x,y)q1≤x<q2,q3≤x<q4,…,qn-1≤x<qn,qn≤a;0≤y≤b}。
所述的通过边缘检测算法检测的实时图像和所述的使用深度学习网络框架进行目标检测的实时图像,为同一帧图像或者所述的使用深度学习网络框架进行目标检测的实时图像,同时也为所述的通过边缘检测算法检测后的实时图像。
所述的步骤6中若所述的(xL,yL)和所述的(xR,yR)均包含于所述的道路障碍物存在区域Ω,则判定所述的(xL,yL)和所述的(xR,yR)所属于的所述的检测目标边界框选中的目标物体为障碍物;
所述的步骤6中若所述的(xL,yL)包含于所述的道路障碍物存在区域Ω,所述的(xR,yR)不包含于所述的道路障碍物存在区域Ω,则也判定所述的(xL,yL)和所述的(xR,yR)所属于的所述的检测目标边界框选中的目标物体为障碍物;
所述的步骤6中若所述的(xR,yR)包含于所述的道路障碍物存在区域Ω,所述的(xL,yL)不包含于所述的道路障碍物存在区域Ω,则也判定所述的(xL,yL)和所述的(xR,yR)所属于的所述的检测目标边界框选中的目标物体为障碍物;
所述的步骤6中若所述的(xL,yL)和所述的(xR,yR)均不包含于所述的道路障碍物存在区域Ω,则判定所述的(xL,yL)和所述的(xR,yR)所属于的所述的检测目标边界框选中的目标物体不是障碍物。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (10)
1.一种基于道路边缘检测的移动机器人障碍物识别方法,其特征在于:其具体步骤如下:
S1:获取边界线:移动机器人上安装的图像采集设备获取实时图像,包含实时图像上边界线lup和实时图像下边界线ldown;
S2:边缘检测:通过边缘检测算法得到道路边缘线lroad,进而确定道路边缘线lroad的方程yl=Fl(x);
S3:目标检测:使用深度学习网络框架实时图像进行目标检测,得到各检测目标边界框及其表征函数:f=(x,y,w,h,c);
S4:坐标值:利用表征函数f可求得各检测目标边界框左下角和右下角的坐标值分别为(xL,yL)和(xR,yR);
S5:道路障碍物存在区域计算:计算道路边缘线lroad与所述的实时图像上边界线lup和实时图像下边界线ldown围成道路障碍物存在区域Ω;
S6:道路障碍物存在区域判断:判断各检测目标边界框左下角和右下角的坐标值(xL,yL)和(xR,yR)是否包含于所述的道路障碍物存在区域Ω并完成障碍物识别。
2.根据权利要求1所述的一种基于道路边缘检测的移动机器人障碍物识别方法,其特征在于:所述的步骤1的道路边缘线lroad的方程yl=Fl(xl),其中,Fl为分段函数:
其中,yl和xl的单位均为px,所述的表征函数f=(x,y,w,h,c)中的x,y,w,h的单位均为px,所述的px为像素单位,所述的x是所述的检测目标边界框的左上角横坐标值,所述的y是所述的检测目标边界框的左上角纵坐标值,所述的w是所述的检测目标边界框的横向宽度,所述的h是所述的检测目标边界框的竖直高度,所述的c是所述的检测目标边界框的识别率。
3.根据权利要求1所述的一种基于道路边缘检测的移动机器人障碍物识别方法,其特征在于:所述的步骤1的实时图像的尺寸大小为a*b,所述的a和b 的单位为px,所述的a为所述的实时图像的长度,所述的b为所述的实时图像的高度,所述的道路边缘方程F=f(x,y)中x的取值范围为0≤x≤a,0≤x≤b。
4.根据权利要求1所述的一种基于道路边缘检测的移动机器人障碍物识别方法,其特征在于:所述的步骤2的边缘检测算法满足能实现道路边缘完整检测,所述的边缘检测算法的检测时间小于移动机器人的制动时间,所述的实时图像的目标检测时间小于移动机器人的制动时间。
5.根据权利要求1所述的一种基于道路边缘检测的移动机器人障碍物识别方法,其特征在于:所述的步骤4的各检测目标边界框表征函数f=(x,y,w,h,c)与各检测目标边界框上的(xL,yL)和(xR,yR)满足如下关系:
和
6.根据权利要求1所述的一种基于道路边缘检测的移动机器人障碍物识别方法,其特征在于:所述的步骤5的道路障碍物存在区域Ω是所述的实时图像中的二维点集,满足如下条件:
Ω={(x,y)|q1≤x<q2,q3≤x<q4,…,qn-1≤x<qn,qn≤a;0≤y≤b}。
7.根据权利要求1所述的一种基于道路边缘检测的移动机器人障碍物识别方法,其特征在于:所述的步骤6中若所述的(xL,yL)和所述的(xR,yR)均包含于所述的道路障碍物存在区域Ω,则判定所述的(xL,yL)和所述的(xR,yR)所属于的所述的检测目标边界框选中的目标物体为障碍物。
8.根据权利要求1所述的一种基于道路边缘检测的移动机器人障碍物识别方法,其特征在于:所述的步骤6中若所述的(xL,yL)包含于所述的道路障碍物存在区域Ω,所述的(xR,yR)不包含于所述的道路障碍物存在区域Ω,则也判定所述的(xL,yL)和所述的(xR,yR)所属于的所述的检测目标边界框选中的目标物体为障碍物。
9.根据权利要求1所述的一种基于道路边缘检测的移动机器人障碍物识别方法,其特征在于:所述的步骤6中若所述的(xR,yR)包含于所述的道路障碍物存在区域Ω,所述的(xL,yL)不包含于所述的道路障碍物存在区域Ω,则也判定所述的(xL,yL)和所述的(xR,yR)所属于的所述的检测目标边界框选中的目标物体为障碍物。
10.根据权利要求1所述的一种基于道路边缘检测的移动机器人障碍物识别方法,其特征在于:所述的步骤6中若所述的(xL,yL)和所述的(xR,yR)均不包含于所述的道路障碍物存在区域Ω,则判定所述的(xL,yL)和所述的(xR,yR)所属于的所述的检测目标边界框选中的目标物体不是障碍物。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910390236.3A CN110147748B (zh) | 2019-05-10 | 2019-05-10 | 一种基于道路边缘检测的移动机器人障碍物识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910390236.3A CN110147748B (zh) | 2019-05-10 | 2019-05-10 | 一种基于道路边缘检测的移动机器人障碍物识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110147748A true CN110147748A (zh) | 2019-08-20 |
CN110147748B CN110147748B (zh) | 2022-09-30 |
Family
ID=67595111
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910390236.3A Active CN110147748B (zh) | 2019-05-10 | 2019-05-10 | 一种基于道路边缘检测的移动机器人障碍物识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110147748B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110696826A (zh) * | 2019-10-09 | 2020-01-17 | 北京百度网讯科技有限公司 | 用于控制车辆的方法和装置 |
CN110705492A (zh) * | 2019-10-10 | 2020-01-17 | 北京北特圣迪科技发展有限公司 | 一种舞台移动机器人障碍目标检测方法 |
CN112307989A (zh) * | 2020-11-03 | 2021-02-02 | 广州海格通信集团股份有限公司 | 路面物体识别方法、装置、计算机设备和存储介质 |
CN112486172A (zh) * | 2020-11-30 | 2021-03-12 | 深圳市普渡科技有限公司 | 道路边缘检测方法及机器人 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015024407A1 (zh) * | 2013-08-19 | 2015-02-26 | 国家电网公司 | 基于电力机器人的双目视觉导航***及方法 |
CN109145756A (zh) * | 2018-07-24 | 2019-01-04 | 湖南万为智能机器人技术有限公司 | 基于机器视觉和深度学习的目标检测方法 |
-
2019
- 2019-05-10 CN CN201910390236.3A patent/CN110147748B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015024407A1 (zh) * | 2013-08-19 | 2015-02-26 | 国家电网公司 | 基于电力机器人的双目视觉导航***及方法 |
CN109145756A (zh) * | 2018-07-24 | 2019-01-04 | 湖南万为智能机器人技术有限公司 | 基于机器视觉和深度学习的目标检测方法 |
Non-Patent Citations (1)
Title |
---|
张永博等: "激光点云在无人驾驶路径检测中的应用", 《测绘通报》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110696826A (zh) * | 2019-10-09 | 2020-01-17 | 北京百度网讯科技有限公司 | 用于控制车辆的方法和装置 |
CN110696826B (zh) * | 2019-10-09 | 2022-04-01 | 北京百度网讯科技有限公司 | 用于控制车辆的方法和装置 |
CN110705492A (zh) * | 2019-10-10 | 2020-01-17 | 北京北特圣迪科技发展有限公司 | 一种舞台移动机器人障碍目标检测方法 |
CN112307989A (zh) * | 2020-11-03 | 2021-02-02 | 广州海格通信集团股份有限公司 | 路面物体识别方法、装置、计算机设备和存储介质 |
CN112307989B (zh) * | 2020-11-03 | 2024-05-03 | 广州海格通信集团股份有限公司 | 路面物体识别方法、装置、计算机设备和存储介质 |
CN112486172A (zh) * | 2020-11-30 | 2021-03-12 | 深圳市普渡科技有限公司 | 道路边缘检测方法及机器人 |
Also Published As
Publication number | Publication date |
---|---|
CN110147748B (zh) | 2022-09-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110175576B (zh) | 一种结合激光点云数据的行驶车辆视觉检测方法 | |
US10452931B2 (en) | Processing method for distinguishing a three dimensional object from a two dimensional object using a vehicular system | |
CN107045629B (zh) | 一种多车道线检测方法 | |
CN108256446B (zh) | 用于确定道路中的车道线的方法、装置和设备 | |
CN106203398B (zh) | 一种检测车道边界的方法、装置和设备 | |
US9607227B2 (en) | Boundary detection apparatus and boundary detection method | |
US9245188B2 (en) | Lane detection system and method | |
Yuan et al. | Robust lane detection for complicated road environment based on normal map | |
CN110379168B (zh) | 一种基于Mask R-CNN的交通车辆信息获取方法 | |
CN107014294A (zh) | 一种基于红外图像的接触网几何参数检测方法及*** | |
CN108280450A (zh) | 一种基于车道线的高速公路路面检测方法 | |
CN106682586A (zh) | 一种复杂光照条件下基于视觉的实时车道线检测的方法 | |
JP2002175535A (ja) | 道路白線認識装置 | |
CN104915642B (zh) | 前方车辆测距方法及装置 | |
CN113370977A (zh) | 一种基于视觉的智能车辆前向碰撞预警方法及*** | |
Chong et al. | Integrated real-time vision-based preceding vehicle detection in urban roads | |
CN110147748A (zh) | 一种基于道路边缘检测的移动机器人障碍物识别方法 | |
CN108171695A (zh) | 一种基于图像处理的高速公路路面检测方法 | |
JP5874831B2 (ja) | 立体物検出装置 | |
CN110674674A (zh) | 一种基于yolo v3的旋转目标检测方法 | |
CN113642529B (zh) | 基于ga-bp神经网络的障碍物尺寸预测***及方法 | |
Qing et al. | A novel particle filter implementation for a multiple-vehicle detection and tracking system using tail light segmentation | |
Gaikwad et al. | An improved lane departure method for advanced driver assistance system | |
KR101723536B1 (ko) | 도로에서의 차선 검출 방법 및 장치 | |
CN104331708B (zh) | 一种人行横道线自动检测分析方法及*** |
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 |