CN110210451A - 一种斑马线检测方法 - Google Patents
一种斑马线检测方法 Download PDFInfo
- Publication number
- CN110210451A CN110210451A CN201910511680.6A CN201910511680A CN110210451A CN 110210451 A CN110210451 A CN 110210451A CN 201910511680 A CN201910511680 A CN 201910511680A CN 110210451 A CN110210451 A CN 110210451A
- Authority
- CN
- China
- Prior art keywords
- image
- zebra
- line
- point
- zebra stripes
- 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
- 241000283070 Equus zebra Species 0.000 title claims abstract description 103
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000001514 detection method Methods 0.000 claims abstract description 27
- 238000000605 extraction Methods 0.000 claims abstract description 7
- 238000000926 separation method Methods 0.000 claims abstract description 7
- 230000035772 mutation Effects 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 5
- 238000005530 etching Methods 0.000 claims description 4
- 239000000284 extract Substances 0.000 claims description 4
- 238000003709 image segmentation Methods 0.000 claims description 4
- 238000003708 edge detection Methods 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 2
- 238000007781 pre-processing Methods 0.000 claims description 2
- 230000011218 segmentation Effects 0.000 claims description 2
- 230000010339 dilation Effects 0.000 claims 1
- 230000003628 erosive effect Effects 0.000 claims 1
- 238000011084 recovery Methods 0.000 claims 1
- 238000000638 solvent extraction Methods 0.000 claims 1
- 238000005516 engineering process Methods 0.000 abstract description 3
- 230000019771 cognition Effects 0.000 abstract description 2
- 238000011897 real-time detection Methods 0.000 abstract 1
- 230000008901 benefit Effects 0.000 description 6
- 238000013507 mapping Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 3
- 206010039203 Road traffic accident Diseases 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- 230000014616 translation Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000007689 inspection 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
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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4053—Scaling of whole images or parts thereof, e.g. expanding or contracting based on super-resolution, i.e. the output image resolution being higher than the sensor resolution
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Traffic Control Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种斑马线检测方法，属于无人驾驶中道路环境感知技术领域。S1：采用固定安装在车顶部的摄像头实时检测斑马线，获取图像；S2：对图像进行预处理；S3：对斑马线候选区域进行逆投影变换，将图像转换为俯视图，在俯视图的基础上进行斑马线的特征提取和检测；S4：计算峰值间距离，保留距离相同的峰值；S5：确定斑马线候选区域；S6：确定斑马线候选区域后对斑马线特征点进行提取；S7：确定斑马线区域。本发明通过直方图峰值和LSD直线检测，并结合斑马线本身黑白突变点特征，可以为智能车提供复杂路段的斑马线检测，因而具有广阔的市场前景和应用价值。
Description
技术领域
本发明属于无人驾驶中道路环境感知技术领域，涉及一种面向智能车的斑马线检测方法。
背景技术
随着社会和经济技术的发展，交通道路上的车辆越来越多，道路环境也越来越复杂，随之而来的交通事故也频繁发生，为了减少此类情况的发生，智能交通应运而生，而在智能交通中，智能车是智能交通中关键的一部分，智能车的出现帮助驾驶员驾驶，使得交通事故发生的频率得以减少。道路斑马线是重要的安全标志，对于车辆驾驶员来说，斑马线意味着需要小心驾驶，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。因此，斑马线检测是智能交通不可缺少的一部分。
现有的关于斑马线检测的专利主要基于霍夫变换和消失点检测的方法，主要利用的是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，但在大的复杂路口，由于道路环境的复杂，对斑马线检测有干扰，导致不能准确的检测到斑马线。
基于上述问题，本发明提出了一种对不同时间段下的检测都具有鲁棒性的斑马线检测方法。
发明内容
有鉴于此，本发明的目的在于提供一种面向智能车的斑马线检测方法，通过对斑马线的检测和定位为车辆无人驾驶提供更加可靠与准确的数据，减少斑马线上的交通事故，提高无人车辆出行安全。
为达到上述目的，本发明提供如下技术方案：
一种斑马线检测方法，具体包括以下步骤：
S1：在车顶部固定安装阵列相机并添加超分辨率模块，将将低分辨率图像进行处理获得高分辨率图像，以获得更高质量的输出图像，利于智能车对斑马线的检测。
S2：对采集的图像进行预处理，包括确定图像感兴趣区域、图像灰度处理、高斯平滑、自适应二值化、边缘检测、图像分割、形态学闭运算等。
S3：对确定感兴趣区域后的图像进行逆投影变换，将图像转换为俯视图，在俯视图的基础上进行斑马线的特征提取和检测。
S4：对逆透视变换后的图像进行直方图峰值统计，保留峰值间距相同的区域。
S5：对逆透视变换后的图像采用LSD直线检测算法，求得图像中所有的直线，并统计直线密集的区域，将统计得到的直线密集区域和直方图峰值间距相同得区域做与运算，将结果确定为斑马线候选区域。
S6：对斑马线候选区域进行特征点提取，逆透视变换下的图像斑马线为宽度几乎一致的数条平行黑白条纹，具体的特征点提取方法为以每隔10个像素点取一行进行统计，统计每行斑马线黑白像素突变点，定义像素值从0突变到255过程的点为up点，从255突变到0过程的点为down点。然后计算相邻up和down突变点之间的距离WIDTH，若WIDTH小于一定阈值宽度，则将突变点认为斑马线特征点，阈值宽度为图像斑马线黑白条纹间的宽度。
S7：确定斑马线区域。得到斑马线特征点后，求第一行特征点topi的纵坐标yi且1≤i≤n，和最后一行特征点bottomj的纵坐标yj之间的距离，1≤j≤n。若有n≥3对yi和yj的距离在设定的阈值范围内，则保留该区域，并称该区域为keyarea。遍历keyarea内每一行有效行的特征点，计算其他有效行的每个特征点到该有效行特征点的x方向的最短距离s，并设定一个阈值，若存在多行特征点之间的x方向最短距离s在阈值范围内，则认定该区域为斑马线区域。
本发明的有益效果在于：
(1)本发明充分利用城市斑马线的亮暗条纹均匀分布，具有明显的像素突变特征，对斑马线的特征点进行提取，并且本发明利用直方图峰值统计的方法以及LSD直线检测算法确定斑马线候选区域，能够对斑马线进行准确定位。最后通过斑马线特征点之间的位置关系确定最后的斑马线区域。
(2)本发明采用了各种图像处理的方法来实现斑马线特征点的检测，充分利用了斑马线本身具有的明显特征。针对可能面对的各种光照条件下获取到的图像，首先采用了一种超分辨率模块，对相机输出图像进行处理，其次采用了图像分割的方法将斑马线和背景有效地分割开。然后采用了先膨胀后腐蚀的方法，用于解决图像中的噪点和斑马线可能存在的孔洞问题，以及排除路面车道线对斑马线检测的干扰。
(3)本发明通过对斑马线的检测和定位为车辆无人驾驶提供更加可靠与准确的数据，减少斑马线上的交通事故，提高无人车辆出行安全，因此具有广阔的应用价值和市场前景。
本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。
附图说明
为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作优选的详细描述，其中：
图1为本发明所述斑马线检测方法的流程图；
图2为斑马线突变点示意图；
图3为采用本发明所述斑马线检测方法的道路示意图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
请参阅图1～图3，图1为一种面向智能车的斑马线检测方法，具体实施步骤如下：
步骤1：首先在车顶部固定安装阵列相机，并安装超分辨率模块，将低分辨率图像进行处理获得高分辨率图像，以获得更高质量的输出图像，利于智能车对斑马线的检测。
步骤2：对采集的图像进行预处理，对图像的预处理包括：
(1)确定图像感兴趣区域，截去图像天空部分。
(2)将图像灰度化，采用公式Gray＝0.3R+0.59G+0.11B将RGB图像转化为灰度图像。
(3)对采集的数据图像进行平滑处理，采用高斯滤波器进行操作。
(4)对图像进行二值化处理，采用一种快速自适应二值化方法。
(5)对图像进行边缘检测，采用拉普拉斯算子提取x和y方向的梯度特征。
(6)对图像进行分水岭分割，将斑马线从图片中与背景分离出来。
(7)对图像采取先膨胀后腐蚀的操作，排除小型空洞，平滑物体轮廓，并去除路面车道线对斑马线的干扰。
步骤3：对采集的图像进行逆透视变换包括：
首先，逆透视变换包括将图像经过一系列旋转和平移转换，整体变换公式如下：
其中，R、T分别为数据由世界坐标系转为摄像机坐标系的旋转和平移矩阵，f为相机焦距，和表示x方向和y方向的每单位长度包含的像素个数；u0、v0分别表示图像的中心像素坐标和图像原点像素坐标之间相差的横向和纵向像素数，u、v表示以像素为单位的图像坐标系的坐标，Zc为相机坐标下的Z轴坐标值，XW、YW、ZW为世界坐标系下的X，Y，Z值。
通过逆透视变换，将斑马线拉成几条平行的黑白条纹，便于后续特征点的提取。
步骤4：统计直方图峰值，具体包括：对逆透视后的图像进行直方图统计，并采用直方图统计该区域像素值，寻找直方图峰值，直方图的峰值为斑马线的白色条纹区域。计算峰值间距离，保留所有的间距相同的峰值，并保留第一个峰值和最后一个峰值之间的区域。
步骤5：确定斑马线候选区域，具体包括：
(1)对逆透视后的图像进行LSD直线检测。LSD是一种直线检测算法，LSD的目的在于检测图像中局部的直的轮廓，该方法能在较短的时间内获得较高精度的直线段检测结果。统计出区域内所有的直线段后，计算每条线段与图像x方向的角度θ，统计所有的有相同的θ的线段。以原点开始，遍历所有含相同的θ的线段，统计后一条线段与前一条线段的垂直距离q小于距离阈值p的次数，若次数n>m，则提取第一条线段和最后一条线段间的区域，m为定义的区域内线段数量的阈值。
(2)将直方图峰值统计的区域和直线检测提取的区域做与运算，将结果定为斑马线候选区域。
步骤6：提取斑马线的特征点，获得特征点相关参数用于斑马线检测，包括：
(1)对斑马线候选区域进行处理。逆透视后的图像斑马线为宽度几乎一致的数条平行黑白条纹，具体的特征点提取方法为以每隔10个像素点取一行进行统计，统计每行斑马线黑白像素突变点，如图2所示定义像素值从0突变到255过程的点为up突变点，从255突变到0过程的点为down突变点。遍历每行的每一个像素点，若它与后五个连续的点像素值都为0或255，则认定它们不是突变点，反之，若当前像素点与后五个连续的点出现不相同，则认定该点为突变点。
(2)计算每行相邻up突变点和down突变点之间的距离WIDTH，若WIDTH小于一定阈值宽度(阈值宽度为图像斑马线黑白条纹间的宽度)，则将突变点认为斑马线候选特征点，阈值宽度为图像斑马线黑白条纹间的宽度，且定义该行为有效行，若有效行数大于等于3，则定义有效行上的点为特征点。
步骤7：确定斑马线区域，具体包括：
(1)得到斑马线特征点后，求第一行特征点topi的纵坐标yi且1≤i≤n，和最后一行特征点bottomj的纵坐标yj之间的距离，1≤j≤n。若有n≥3对yi和yj的距离在设定的阈值范围内，则保留该区域，并称该区域为keyarea。
(2)遍历keyarea区域内每一行有效行的特征点，计算其他有效行的每个特征点到该有效行特征点的x方向的最短距离s。
(3)设定一个阈值t，若存在多行特征点之间的x方向最短距离s<t，且这样的行数大于等于3，则认为该区域为斑马线区域，否则遍历第一个有效行的下一个特征点。
本发明采用了各种图像处理的方法来实现斑马线特征点的检测，充分利用了斑马线本身具有的明显特征。针对可能面对的各种光照条件下获取到的图像，本发明首先采用了一种超分辨率模块，对相机输出图像进行处理，其次采用了图像分割的方法将斑马线和背景有效地分割开。本发明采用了形态学闭运算的方法，先膨胀后腐蚀，用于解决图像中的噪点和斑马线可能存在的孔洞问题，以及排除路面车道线对斑马线检测的干扰。最后本发明还采用一种结合直方图峰值和LSD直线检测的方法，确定斑马线的候选区域。本方法通过对斑马线的检测和定位为车辆无人驾驶提供更加可靠与准确的数据，减少斑马线上的交通事故，提高无人车辆出行安全，因此具有广阔的应用价值和市场前景。
最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。
Claims (6)
1.一种斑马线检测方法，其特征在于，该方法具体包括以下步骤：
S1：在车顶部固定安装阵列相机，并安装超分辨率模块，将低分辨率图像进行处理恢复出高分辨率图像，以获得更高质量的输出图像；
S2：对采集的图像进行预处理，提取图像感兴趣区域，并进行图像分割和膨胀腐蚀；
S3：对斑马线候选区域进行逆投影变换，将图像转换为俯视图，在俯视图的基础上进行斑马线的特征提取和检测；
S4：在感兴趣区域内统计图像直方图峰值，计算峰值间距离，保留距离相同的峰值；
S5：采用LSD(Line Segment Detector)直线检测分割算法求得感兴趣区域内的所有直线，统计直线密集的区域并与直方图峰值区域做与运算操作，确定斑马线候选区域；
S6：确定斑马线候选区域后对斑马线特征点进行提取；
S7：得到斑马线特征点后，根据斑马线黑白条纹分布均匀的特点，以及特征点位置的关系，确定斑马线区域。
2.根据权利要求1所述的一种斑马线检测方法，其特征在于，所述步骤S2中，对图像的预处理包括以下步骤：
S21：确定图像感兴趣区域，截去图像天空部分；
S22：将图像灰度化；
S23：对采集的数据图像进行平滑处理；
S24：对图像进行二值化处理；
S25：对图像进行边缘检测，提取x和y方向的梯度特征；
S26：对图像进行基于标记的分水岭分割，将斑马线从图片中与背景分离出来；
S27：对图像采取先膨胀后腐蚀，排除小型空洞，平滑物体轮廓，并消除路面车道线对斑马线干扰。
3.根据权利要求1所述的一种斑马线检测方法，其特征在于，所述步骤S4中，统计图像直方图峰值具体包括：对逆透视后的图像进行直方图统计，并采用直方图统计该图像区域像素值，寻找直方图峰值，直方图的峰值为斑马线的白色条纹区域；计算峰值间距离，保留所有的间距相同的峰值，并保留第一个峰值和最后一个峰值之间的区域。
4.根据权利要求1所述的一种斑马线检测方法，其特征在于，所述步骤S5中，确定斑马线候选区域的具体包括以下步骤：
S51：采用LSD(Line Segment Detector)算法检测出感兴趣区域内所有直线，统计出与图像x方向夹角为θ的所有直线，并判断相邻直线的距离q，保留距离q在阈值p内的直线；
S52：将统计出来的第一条直线与最后一条直线内的区域和统计直方图峰值确定的区域做与运算，确定斑马线候选区域。
5.根据权利要求1所述的一种斑马线检测方法，其特征在于，所述步骤S6中，对斑马线特征点进行提取具体包括以下步骤：
S61：对斑马线候选区域进行处理：以每隔10个像素点取一行进行统计，统计每行斑马线黑白像素突变点，定义像素值从0突变到255过程的点为up突变点，从255突变到0过程的点为down突变点，遍历每行的每一个像素点，若它与后五个连续的点像素值都相同，则认定它们不是突变点，反之，若当前像素点与后五个连续的点出现不相同，则认定该点为突变点；
S62：计算每行相邻up突变点和down突变点之间的距离WIDTH，若WIDTH小于一定阈值宽度，则将突变点认为斑马线候选特征点，阈值宽度为图像中斑马线黑白条纹间的宽度，且定义该行为有效行，若有效行数大于等于3，则定义有效行上的点为特征点；其中阈值宽度为图像中斑马线黑白条纹间的宽度。
6.根据权利要求1所述的一种斑马线检测方法，其特征在于，所述步骤S7中，确定斑马线区域具体包括以下步骤：
S71：得到斑马线特征点后，求第一行特征点topi的纵坐标yi，1≤i≤n，和最后一行特征点bottomj的纵坐标yj之间的距离，1≤j≤n；若有n≥3对yi和yj的距离在设定的阈值范围内，则保留该区域，并称该区域为keyarea；
S72：遍历keyarea区域内每行的特征点，计算其他行的每个特征点到当前行特征点的x方向的最短距离s；
S73：设定一个阈值t，若存在多行特征点之间的x方向最短距离s<t，且这样的行数大于等于3，则认定该区域为斑马线区域，否则遍历第一个有效行的下一个特征点。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910511680.6A CN110210451B (zh) | 2019-06-13 | 2019-06-13 | 一种斑马线检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910511680.6A CN110210451B (zh) | 2019-06-13 | 2019-06-13 | 一种斑马线检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110210451A true CN110210451A (zh) | 2019-09-06 |
| CN110210451B CN110210451B (zh) | 2022-07-08 |
Family
ID=67792666
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910511680.6A Active CN110210451B (zh) | 2019-06-13 | 2019-06-13 | 一种斑马线检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110210451B (zh) |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110807771A (zh) * | 2019-10-31 | 2020-02-18 | 长安大学 | 一种道路减速带的缺损检测方法 |
| CN111445510A (zh) * | 2020-03-24 | 2020-07-24 | 杭州东信北邮信息技术有限公司 | 一种图像中直线的检测方法 |
| CN111507287A (zh) * | 2020-04-22 | 2020-08-07 | 山东省国土测绘院 | 一种航空影像中道路斑马线角点提取方法及*** |
| CN112069282A (zh) * | 2020-09-08 | 2020-12-11 | 湖北亿咖通科技有限公司 | 一种道路的斑马线的生成方法、电子设备和存储介质 |
| CN112215123A (zh) * | 2020-10-09 | 2021-01-12 | 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 |
| CN112800989A (zh) * | 2021-02-02 | 2021-05-14 | 上海博泰悦臻电子设备制造有限公司 | 一种检测斑马线的方法及装置 |
| CN113344953A (zh) * | 2021-04-21 | 2021-09-03 | 中国计量大学 | 一种基于无人机的机器视觉涌潮流速测量方法 |
| CN113435350A (zh) * | 2021-06-30 | 2021-09-24 | 浙江大华技术股份有限公司 | 一种交通标线检测方法、装置、设备和介质 |
| CN114724118A (zh) * | 2022-06-08 | 2022-07-08 | 苏州魔视智能科技有限公司 | 一种斑马线检测方法、装置、设备及存储介质 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20110184617A1 (en) * | 2008-05-21 | 2011-07-28 | Adc Automotive Distance Control Systems Gmbh | Driver assistance system for avoiding collisions of a vehicle with pedestrians |
| CN103488976A (zh) * | 2013-09-17 | 2014-01-01 | 北京联合大学 | 一种基于智能驾驶中停止线实时检测以及距离测量的方法 |
| CN103488975A (zh) * | 2013-09-17 | 2014-01-01 | 北京联合大学 | 一种基于智能驾驶的斑马线实时检测的方法 |
| CN103593671A (zh) * | 2013-11-25 | 2014-02-19 | 中国航天科工集团第三研究院第八三五七研究所 | 基于三摄像机协同的大范围车道线视觉检测方法 |
| CN104742912A (zh) * | 2013-12-27 | 2015-07-01 | 比亚迪股份有限公司 | 车道偏移检测方法和装置 |
| 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 |
| CN106909916A (zh) * | 2017-03-20 | 2017-06-30 | 南京大学 | 一种基于手机平台快速检测与识别人行道斑马线的方法 |
| CN108090401A (zh) * | 2016-11-23 | 2018-05-29 | 株式会社理光 | 线检测方法和线检测设备 |
-
2019
- 2019-06-13 CN CN201910511680.6A patent/CN110210451B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20110184617A1 (en) * | 2008-05-21 | 2011-07-28 | Adc Automotive Distance Control Systems Gmbh | Driver assistance system for avoiding collisions of a vehicle with pedestrians |
| CN103488976A (zh) * | 2013-09-17 | 2014-01-01 | 北京联合大学 | 一种基于智能驾驶中停止线实时检测以及距离测量的方法 |
| CN103488975A (zh) * | 2013-09-17 | 2014-01-01 | 北京联合大学 | 一种基于智能驾驶的斑马线实时检测的方法 |
| CN103593671A (zh) * | 2013-11-25 | 2014-02-19 | 中国航天科工集团第三研究院第八三五七研究所 | 基于三摄像机协同的大范围车道线视觉检测方法 |
| CN104742912A (zh) * | 2013-12-27 | 2015-07-01 | 比亚迪股份有限公司 | 车道偏移检测方法和装置 |
| 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 |
| CN108090401A (zh) * | 2016-11-23 | 2018-05-29 | 株式会社理光 | 线检测方法和线检测设备 |
| CN106909916A (zh) * | 2017-03-20 | 2017-06-30 | 南京大学 | 一种基于手机平台快速检测与识别人行道斑马线的方法 |
Non-Patent Citations (2)
| Title |
|---|
| DRAGAN AHMETOVIC: "ZebraRecognizer:Efficient and Precise Localization of Pedestrian Crossings", 《IEEEXPLORE》 * |
| 徐军等: "基于图像去雾和图像检测的交通信息提取算法", 《实验室研究与探索》 * |
Cited By (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110807771B (zh) * | 2019-10-31 | 2022-03-22 | 长安大学 | 一种道路减速带的缺损检测方法 |
| CN110807771A (zh) * | 2019-10-31 | 2020-02-18 | 长安大学 | 一种道路减速带的缺损检测方法 |
| CN111445510A (zh) * | 2020-03-24 | 2020-07-24 | 杭州东信北邮信息技术有限公司 | 一种图像中直线的检测方法 |
| CN111507287A (zh) * | 2020-04-22 | 2020-08-07 | 山东省国土测绘院 | 一种航空影像中道路斑马线角点提取方法及*** |
| CN111507287B (zh) * | 2020-04-22 | 2023-10-24 | 山东省国土测绘院 | 一种航空影像中道路斑马线角点提取方法及*** |
| CN112069282A (zh) * | 2020-09-08 | 2020-12-11 | 湖北亿咖通科技有限公司 | 一种道路的斑马线的生成方法、电子设备和存储介质 |
| CN112069282B (zh) * | 2020-09-08 | 2021-07-02 | 湖北亿咖通科技有限公司 | 一种道路的斑马线的生成方法、电子设备和存储介质 |
| 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 |
| CN112215123A (zh) * | 2020-10-09 | 2021-01-12 | 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 |
| CN112800989A (zh) * | 2021-02-02 | 2021-05-14 | 上海博泰悦臻电子设备制造有限公司 | 一种检测斑马线的方法及装置 |
| CN113344953A (zh) * | 2021-04-21 | 2021-09-03 | 中国计量大学 | 一种基于无人机的机器视觉涌潮流速测量方法 |
| CN113344953B (zh) * | 2021-04-21 | 2023-07-04 | 中国计量大学 | 一种基于无人机的机器视觉涌潮流速测量方法 |
| CN113435350A (zh) * | 2021-06-30 | 2021-09-24 | 浙江大华技术股份有限公司 | 一种交通标线检测方法、装置、设备和介质 |
| CN114724118A (zh) * | 2022-06-08 | 2022-07-08 | 苏州魔视智能科技有限公司 | 一种斑马线检测方法、装置、设备及存储介质 |
| CN114724118B (zh) * | 2022-06-08 | 2022-09-27 | 苏州魔视智能科技有限公司 | 一种斑马线检测方法、装置、设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110210451B (zh) | 2022-07-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110210451A (zh) | 一种斑马线检测方法 | |
| CN108596129B (zh) | 一种基于智能视频分析技术的车辆越线检测方法 | |
| CN107045629B (zh) | 一种多车道线检测方法 | |
| KR101403876B1 (ko) | 차량 번호판 인식 방법과 그 장치 | |
| CN103927526B (zh) | 一种基于高斯差分多尺度边缘融合的车辆检测方法 | |
| Gomez et al. | Traffic lights detection and state estimation using hidden markov models | |
| CN109784344A (zh) | 一种用于地平面标识识别的图像非目标滤除方法 | |
| CN107862290A (zh) | 车道线检测方法及*** | |
| CN105005771A (zh) | 一种基于光流点轨迹统计的车道线实线的检测方法 | |
| CN104700071B (zh) | 一种全景图道路轮廓的提取方法 | |
| CN104952256B (zh) | 一种基于视频信息的交叉口处车辆的检测方法 | |
| CN107895151A (zh) | 一种强光照条件下基于机器视觉的车道线检测方法 | |
| CN108280450A (zh) | 一种基于车道线的高速公路路面检测方法 | |
| CN108038416A (zh) | 车道线检测方法及*** | |
| CN104700072A (zh) | 基于车道线历史帧的识别方法 | |
| CN102663760A (zh) | 一种对图像中的车辆挡风镜区域进行定位分割的方法 | |
| CN113221861B (zh) | 一种多车道线检测方法、装置及检测设备 | |
| CN109886168B (zh) | 一种基于层阶的地面交通标志识别方法 | |
| CN110414385A (zh) | 一种基于单应性变换和特征窗口的车道线检测方法及*** | |
| CN109255326A (zh) | 一种基于多维信息特征融合的交通场景烟雾智能检测方法 | |
| CN111652033A (zh) | 基于OpenCV的车道线检测方法 | |
| Wali et al. | Shape matching and color segmentation based traffic sign detection system | |
| Chen et al. | Traffic congestion classification for nighttime surveillance videos | |
| CN109784216A (zh) | 基于概率图的车载热成像行人检测RoIs提取方法 | |
| Wennan et al. | Lane detection in some complex conditions |
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 |