CN110422168B - 车道识别***、方法及自动驾驶汽车 - Google Patents
车道识别***、方法及自动驾驶汽车 Download PDFInfo
- Publication number
- CN110422168B CN110422168B CN201910731264.7A CN201910731264A CN110422168B CN 110422168 B CN110422168 B CN 110422168B CN 201910731264 A CN201910731264 A CN 201910731264A CN 110422168 B CN110422168 B CN 110422168B
- Authority
- CN
- China
- Prior art keywords
- lane
- information
- radar
- road edge
- road
- 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
- 238000000034 method Methods 0.000 title claims abstract description 26
- 238000012545 processing Methods 0.000 claims abstract description 121
- 238000005286 illumination Methods 0.000 claims description 42
- 238000004891 communication Methods 0.000 claims description 10
- 238000013136 deep learning model Methods 0.000 claims description 5
- 238000001914 filtration Methods 0.000 claims description 5
- 230000007613 environmental effect Effects 0.000 abstract description 7
- 230000004927 fusion Effects 0.000 abstract description 6
- 238000010586 diagram Methods 0.000 description 14
- 230000002093 peripheral effect Effects 0.000 description 10
- 230000001133 acceleration Effects 0.000 description 8
- 238000001514 detection method Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 239000003086 colorant Substances 0.000 description 2
- 230000010485 coping Effects 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- 238000005299 abrasion Methods 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
- B60W30/08—Active safety systems predicting or avoiding probable or impending collision or attempting to minimise its consequences
- B60W30/095—Predicting travel path or likelihood of collision
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
- B60W40/02—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to ambient conditions
- B60W40/06—Road conditions
Landscapes
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Traffic Control Systems (AREA)
Abstract
本公开实施例公开了一种车道识别***、方法及自动驾驶汽车，所述车道识别***，包括：至少一个摄像头、至少一个雷达、数据处理单元和车道识别单元；所述车道识别单元连接所述数据处理单元，用于确定通过处理所述图像信息获得的道路边缘特征和通过处理所述雷达信息获得的道路边缘特征的权重比例，并根据所述权重比例、通过处理所述图像信息获得的道路边缘特征、通过处理所述雷达信息获得的道路边缘特征和所述车道线特征来识别车道位置。该技术方案实现了摄像头和雷达设备在车道识别上的数据融合，从而更好的应对复杂的道路情况以及环境干扰，避免危险事故的发生，提高行驶的安全性。
Description
技术领域
本公开涉及自动驾驶技术领域，具体涉及车道识别***、方法及自动驾驶汽车。
背景技术
随着汽车智能化技术的发展，智能汽车可以实现自动驾驶。为了能够准确按照导航路径进行行驶，智能汽车根据安装的摄像头或雷达设备获取车道位置信息。
在提出本公开的过程中，发明人发现，现有技术中的车道位置识别采用基于道路特征的车道线检测的方法，该方法利用车道线与道路环境的物理特征差异进行后续图像的分割与处理，从而突出车道线特征，以实现车道位置的识别。然而，实际道路情况复杂多样，采用车道线特征识别车道容易受到环境干扰，如天气、阴影遮挡等，导致识别的效果变差。当无法准确地检测车道位置信息时，可能会导致智能汽车不能进行自动驾驶，更严重可能导致危险事故的发生。
发明内容
本公开实施例提供一种车道识别***、车道识别方法及自动驾驶汽车。
第一方面，本公开实施例中提供了一种车道识别***，包括：
至少一个摄像头，用于获取车辆行驶路径中车道的图像信息；
至少一个雷达，用于获取车辆行驶所在区域的雷达信息；
处理单元，用于：
处理所述图像信息以获取车道线特征以及道路边缘特征；
处理所述雷达信息以获取道路边缘特征；
确定通过处理所述图像信息获得的道路边缘特征和通过处理所述雷达信息获得的道路边缘特征的权重比例；
根据所述权重比例、通过处理所述图像信息获得的道路边缘特征、通过处理所述雷达信息获得的道路边缘特征和所述车道线特征来识别车道位置。
结合第一方面，本公开在第一方面的第一种实现方式中，所述***还包括：至少一个照度仪，用于获取所述车辆行驶所在区域的光照强度信息；其中，所述处理单元用于根据所述光照强度信息确定所述权重比例。
结合第一方面的第一种实现方式，本公开在第一方面的第二种实现方式中，所述***还包括：
车对车通信装置，用于获取所述车辆行驶所在区域的道路交通信息以及辅助车道信息，
其中：
所述处理单元用于根据所述道路交通信息和所述照度信息确定所述通过处理所述图像信息获得的道路边缘特征的权重比例、通过处理所述雷达信息获得的道路边缘特征的权重比例、所述辅助车道信息的权重比例，并根据所述权重比例、通过处理所述图像信息获得的道路边缘特征、通过处理所述雷达信息获得的道路边缘特征、所述车道线特征、所述辅助车道信息来识别车道位置。
第二方面，本公开实施例中提供了一种车道识别方法，包括：
根据图像信息，获取车辆行驶路径中车道的车道线特征以及车道两侧的道路边缘特征；其中，所述图像信息由安装在所述车辆的摄像头采集；
确定根据图像信息以及雷达信息分别获取的车道两侧的道路边缘特征的权重比例；其中，所述雷达信息由安装在所述车辆的雷达采集；
根据所述车道线特征、所述权重比例、通过所述图像信息获取的所述道路边缘特征以及通过所述雷达信息获取的所述道路边缘特征识别车道位置。
结合第二方面，本公开在第二方面的第一种实现方式中，所述方法还包括：
获取所述车辆行驶所在区域的光照强度信息；
根据所述光照强度信息确定通过处理所述图像信息获得的道路边缘特征和通过处理所述雷达信息获得的道路边缘特征的权重比例。
结合第二方面的第一种实现方式，本公开在第二方面的第二种实现方式中，所述方法还包括：
获取所述车辆行驶所在区域的道路交通信息以及辅助车道信息；
根据所述道路交通信息和所述照度信息确定所述通过处理所述图像信息获得的道路边缘特征的权重比例、通过处理所述雷达信息获得的道路边缘特征的权重比例、所述辅助车道信息的权重比例，并根据所述权重比例、通过处理所述图像信息获得的道路边缘特征、通过处理所述雷达信息获得的道路边缘特征、所述车道线特征、所述辅助车道信息来识别车道位置。
结合第二方面，本公开在第二方面的第三种实现方式中，所述根据图像信息，获取车辆行驶路径中车道的车道线特征以及车道两侧的道路边缘特征，被实施为：
对所述图像信息进行增强白平衡处理，按照像素点的RGB值将所述图像信息划分区域；
灰度化处理经过划分区域的所述图像信息，提取道路特征；
将所述道路特征输入预先训练的深度学习模型，输出车道线特征以及道路边缘特征。
结合第二方面，本公开在第二方面的第四种实现方式中，所述根据雷达信息获取车道两侧的道路边缘特征，被实施为：
对所述雷达信息进行滤波处理，提取道路边缘特征。
结合第二方面，本公开在第二方面的第五种实现方式中，所述根据所述车道线特征、所述权重比例、通过所述图像信息获取的所述道路边缘特征以及通过所述雷达信息获取的所述道路边缘特征识别车道位置，包括：
根据所述车道线特征计算车道宽度；
根据所述权重比例、通过所述图像信息获取的所述道路边缘特征以及通过所述雷达信息获取的所述道路边缘特征计算道路宽度；
根据所述车道宽度以及所述道路宽度计算车道数量，并基于所述车道宽度以及所述车道数量识别车道位置。
第三方面，本公开实施例中提供了一种自动驾驶汽车，包括上述第一方面公开的车道识别***。
本公开实施例提供的技术方案可以包括以下有益效果：
本公开实施例提供的车道识别***，包括：至少一个摄像头，用于获取车辆行驶路径中车道的图像信息；至少一个雷达，用于获取车辆行驶所在区域的雷达信息；数据处理单元，连接所述摄像头，用于处理所述图像信息以获取车道线特征以及道路边缘特征；连接所述雷达，用于处理所述雷达信息以获取道路边缘特征；车道识别单元，连接所述数据处理单元，用于确定通过处理所述图像信息获得的道路边缘特征和通过处理所述雷达信息获得的道路边缘特征的权重比例，并根据所述权重比例、通过处理所述图像信息获得的道路边缘特征、通过处理所述雷达信息获得的道路边缘特征和所述车道线特征来识别车道位置。该技术方案通过处理摄像头以及雷达采集的数据，提取用于识别车道位置的车道线特征以及道路边缘特征，并按照权重比例融合从摄像头以及雷达采集的数据中提取的道路边缘特征，进而根据融合后的道路边缘特征以及车道线特征识别车道位置，实现了摄像头和雷达设备在车道识别上的数据融合，不仅能够获得智能汽车当前所在的车道位置，还能够获得智能汽车所在道路的车道宽度以及车道数量信息，便于智能汽车更好的进行车道选择以及路径规划，从而更好的应对复杂的道路情况以及环境干扰，避免危险事故的发生，提高行驶的安全性。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
附图说明
结合附图，通过以下非限制性实施方式的详细描述，本公开的其它特征、目的和优点将变得更加明显。在附图中：
图1示出根据本公开一实施例的车道识别***的应用场景示意图；
图2示出根据本公开一实施例的车道识别***的架构示意图；
图3示出根据本公开另一实施例的车道识别***的架构示意图；
图4示出根据本公开实施例的车道识别方法的流程示意图；
图5示出根据本公开一实施例的车道识别装置的结构框图；
图6示出根据本公开另一实施例的车道识别装置的结构框图；
图7示出根据本公开又一实施例的车道识别装置的结构框图；
图8示出了根据本公开的实施例的自动驾驶汽车的结构框图。
具体实施方式
下文中，将参考附图详细描述本公开的示例性实施例，以使本领域技术人员可容易地实现它们。此外，为了清楚起见，在附图中省略了与描述示例性实施例无关的部分。
在本公开中，应理解，诸如“包括”或“具有”等的术语旨在指示本说明书中所公开的特征、数字、步骤、行为、部件、部分或其组合的存在，并且不欲排除一个或多个其他特征、数字、步骤、行为、部件、部分或其组合存在或被添加的可能性。
另外还需要说明的是，在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本公开。
上文提及，随着汽车智能化技术的发展，智能汽车可以实现自动驾驶。为了能够准确按照导航路径进行行驶，智能汽车根据安装的摄像头或雷达设备获取车道位置信息。
在提出本公开的过程中，发明人发现，现有技术中的车道位置识别采用基于道路特征的车道线检测的方法，利用车道线与道路环境的物理特征差异进行后续图像的分割与处理，从而突出车道线特征，以实现车道位置的识别。然而，实际道路情况复杂多样，采用车道线特征识别车道容易受到环境干扰，如天气、阴影遮挡等，导致识别的效果变差。当无法准确地检测车道位置信息时，可能会导致智能汽车不能进行自动驾驶，更严重可能导致危险事故的发生。
考虑到上述缺陷，本公开实施例提供的车道识别***，包括：至少一个摄像头，用于获取车辆行驶路径中车道的图像信息；至少一个雷达，用于获取车辆行驶所在区域的雷达信息；数据处理单元，连接所述摄像头，用于处理所述图像信息以获取车道线特征以及道路边缘特征；连接所述雷达，用于处理所述雷达信息以获取道路边缘特征；车道识别单元，连接所述数据处理单元，用于确定通过处理所述图像信息获得的道路边缘特征和通过处理所述雷达信息获得的道路边缘特征的权重比例，并根据所述权重比例、通过处理所述图像信息获得的道路边缘特征、通过处理所述雷达信息获得的道路边缘特征和所述车道线特征来识别车道位置。该技术方案通过处理摄像头以及雷达采集的数据，提取用于识别车道位置的车道线特征以及道路边缘特征，并按照权重比例融合从摄像头以及雷达采集的数据中提取的道路边缘特征，进而根据融合后的道路边缘特征以及车道线特征识别车道位置，实现了摄像头和雷达在车道识别上的数据融合，不仅能够获得智能汽车当前所在的车道位置，还能够获得智能汽车所在道路的车道宽度以及车道数量信息，便于智能汽车更好的进行车道选择以及路径规划，从而更好的应对复杂的道路情况以及环境干扰，避免危险事故的发生，提高行驶的安全性。
图1示出了根据本公开一实施例的车道识别***的应用场景示意图。
如图1所示，车道线200将道路分成三车道，道路的最外侧为道路边缘300，在车辆100的行驶路径中，由于路况的变化，车辆100行驶的车道可能发生变化。比如，图1所示车辆100在左车道行驶，之后可以转入中间车道行驶，再可以转入右车道行驶。车辆100在当前车道行驶时，考虑到路况的变化，如需进行变道操作或者其他路径规划的操作，就需要获知车辆所在车道的位置或者道路中其他车道的位置。基于该场景，本公开实施例提供一种识别车道位置的车道识别***。
图2示出了根据本公开一实施例的车道识别***的架构示意图。
如图2所示，所述车道识别***包括：摄像头1、雷达2、处理单元3，其中，处理单元3包括数据处理单元31和车道识别单元32。根据本公开实施例，可以通过可编程逻辑器件或专用芯片或运行软件的通用处理器来实现处理单元3。摄像头1和雷达2安装在车辆上的数量和安装位置不受限制。比如可以环绕车身安装6个摄像头，在保险杆不同位置上安装4个雷达。需要说明的是，雷达可选择成像毫米波雷达或激光雷达，在此不做限制。
根据本公开的实施例，摄像头1和雷达2分别与数据处理单元31连接。摄像头1用于获取车辆行驶路径中车道的图像信息，并将获取的图像信息发送至数据处理单元31；雷达2用于获取车辆行驶所在区域的雷达信息，并将获取的雷达信息发送至数据处理单元31；数据处理单元31用于处理所述图像信息以获取车道线特征以及道路边缘特征，并将获取的车道线特征以及道路边缘特征发送至车道识别单元32，以及用于处理所述雷达信息以获取道路边缘特征，并将获取的道路边缘特征发送至车道识别单元32；车道识别单元32用于确定通过处理图像信息获得的道路边缘特征和通过处理雷达信息获得的道路边缘特征的权重比例，并根据权重比例、通过处理图像信息获得的道路边缘特征、通过处理雷达信息获得的道路边缘特征和车道线特征来识别车道位置。
需要说明的是，参见图2，所述数据处理单元31包括：车道线特征模块311和道路边缘特征模块312。车道线特征模块311与摄像头1连接，道路边缘特征模块312分别与摄像头1和雷达2连接。所述车道识别单元32包括：识别模块321和权重模块322。识别模块321分别与车道线特征模块311、道路边缘特征模块312和权重模块322连接，权重模块322与道路边缘特征模块312连接。
其中，车道线特征模块311用于从图像信息中获取车道线特征；道路边缘特征模块312用于分别从图像信息和雷达信息中获取道路边缘特征；所述权重模块322用于确定从图像信息中获得的道路边缘特征和从雷达信息获得的道路边缘特征的权重比例；所述识别模块321用于根据车道线特征模块311、道路边缘特征模块312以及权重模块322确定的信息识别车道位置。
根据本公开的实施例，参考图1，所述车道线特征指的是车道线200在道路中的位置信息，比如车道线200可以分为白线和黄线，黄线位于道路正中，区分不同方向行驶的车辆，白线区分同一方向行驶的不同车道的车辆。从图像信息中获取的道路边缘特征指的是车道线200的边缘位置信息，比如车道线200的轮廓信息；从雷达信息获得的道路边缘特征指的是道路边缘300的边缘位置信息，比如护栏或者台阶的位置。需要说明的是，图1中示出的车道线200的边缘位置信息与道路边缘300的边缘位置信息具有一定距离，在一些情况下，车道线200与道路边缘300相邻接，在此不做限制。
在本实施方式中，可以利用车道边缘特征计算道路宽度，利用车道线特征计算车道宽度，并根据道路宽度和车道宽度计算道路中的车道数量，这样基于车道宽度以及车道数量信息，能够确定车辆后续的变道操作或者路径规划的操作中其他车道的车道位置，便于车辆更好的进行车道选择以及路径规划，从而更好的应对复杂的道路情况以及环境干扰，避免危险事故的发生，提高行驶的安全性。
图3示出了根据本公开另一实施例的车道识别***的架构示意图。
如图3所示，所述***还包括：至少一个照度仪4。所述照度仪4用于获取所述车辆行驶所在区域的光照强度信息；其中，所述处理单元3用于根据所述光照强度信息确定从所述道路边缘特征模块312获取的道路边缘特征的权重比例。
根据本公开的实施例，由于摄像头1采集图像信息时容易受到光照强度的影响，光照强度过低时，说明环境的光线较暗，摄像头1无法获得清晰的图像，而当光照强度过高时，图像的曝光度较高，可能会导致无法准确识别车道。而雷达受光照强度的影响不大，当天气情况较好时，雷达的探测精度高。因此，车辆可以采用光照强度信息来确定从所述道路边缘特征模块312获取的道路边缘特征的权重比例。比如，可以将摄像头1的识别结果的权重设为0.3-0.6，并将雷达2的识别结果的权重设为0.45-0.6，当检测的光照强度在强度阈值范围内时，可以增加摄像头1的权重比例，当检测的光照强度在强度阈值范围以外时，可以增加雷达2的权重比例。在本实施方式中，所述强度阈值范围可以事先设置，比如可以设置为60-120坎德拉等。
根据本公开的实施例，由于雷达信息的采集容易受到雨雪天气的影响，在根据光照强度调整从所述道路边缘特征模块312获取的道路边缘特征的权重比例前，考虑到天气的影响因素，可以将雷达2的识别结果的权重设为0.05-0.15，而摄像头1的识别结果的权重可以保持不变为0.3-0.6。也就是说，可以预先将雷达2的识别结果设置为不同的权重范围，然后根据获取的天气信息选择雷达2的识别结果的权重范围，并进一步地根据获取的光照强度信息调整摄像头1和雷达2的识别结果的权重比例，从而能够获得更准确的车道位置识别结果。
根据本公开的实施例，所述***还包括：车对车通信装置5，用于获取所述车辆行驶所在区域的道路交通信息以及辅助车道信息，其中：所述处理单元3用于根据所述道路交通信息和所述照度信息确定所述通过处理所述图像信息获得的道路边缘特征的权重比例、通过处理所述雷达信息获得的道路边缘特征的权重比例、所述辅助车道信息的权重比例，并根据所述权重比例、通过处理所述图像信息获得的道路边缘特征、通过处理所述雷达信息获得的道路边缘特征、所述车道线特征、所述辅助车道信息来识别车道位置。
在本实施方式中，所述道路交通信息指的是所述车辆行驶区域内的车辆密度或车辆之间的间距信息。所述辅助车道信息指的是所述车辆行驶区域内的其他车辆对所述车辆的车道位置进行识别得出的车道信息。考虑到当前车辆在进行车道位置识别时，由于道路交通信息的变化，附近的其他车辆可能会遮挡部分车道线或者影响雷达对道路边缘特征的信息采集，而其他车辆识别的识别结果可能较为准确，因此，可以根据道路交通信息来确定当前车辆的识别结果与辅助车道信息的权重比例，而当前车辆的识别结果又可以根据照度信息确定从所述道路边缘特征模块312获取的道路边缘特征的权重比例，从而获得更为准确的车道位置识别结果。比如当车辆较少时，可以将摄像头1的识别结果的权重设为0.3-0.5，将雷达2的识别结果的权重设为0.45-0.6，并将辅助车道信息的识别结果设为0-0.2。而当车辆较多时候，可以将摄像头1的识别结果的权重设为0.1-0.2，将雷达2的识别结果的权重设为0.15-0.3，并将辅助车道信息的识别结果设为0.35-0.6。
图4示出了根据本公开实施例的车道识别方法的流程示意图。
如图4所示，所述车道识别方法包括以下步骤S101-S103：
在步骤S101中：根据图像信息，获取车辆行驶路径中车道的车道线特征以及车道两侧的道路边缘特征；其中，所述图像信息由安装在所述车辆的摄像头采集。
在步骤S102中：确定根据图像信息以及雷达信息分别获取的车道两侧的道路边缘特征的权重比例；其中，所述雷达信息由安装在所述车辆的雷达采集。
在步骤S103中：根据所述车道线特征、所述权重比例、通过所述图像信息获取的所述道路边缘特征以及通过所述雷达信息获取的所述道路边缘特征识别车道位置。
上文提及，随着汽车智能化技术的发展，智能汽车可以实现自动驾驶。为了能够准确按照导航路径进行行驶，智能汽车根据安装的摄像头或雷达设备获取车道位置信息。
在提出本公开的过程中，发明人发现，现有技术中的车道位置识别采用基于道路特征的车道线检测的方法，利用车道线与道路环境的物理特征差异进行后续图像的分割与处理，从而突出车道线特征，以实现车道位置的识别。然而，实际道路情况复杂多样，采用车道线特征识别车道容易受到环境干扰，如天气、阴影遮挡等，导致识别的效果变差。当无法准确地检测车道位置信息时，可能会导致智能汽车不能进行自动驾驶，更严重可能导致危险事故的发生。
考虑到上述缺陷，本公开实施例提供的车道识别***，包括：至少一个摄像头，用于获取车辆行驶路径中车道的图像信息；至少一个雷达，用于获取车辆行驶所在区域的雷达信息；数据处理单元，连接所述摄像头，用于处理所述图像信息以获取车道线特征以及道路边缘特征；连接所述雷达，用于处理所述雷达信息以获取道路边缘特征；车道识别单元，连接所述数据处理单元，用于确定通过处理所述图像信息获得的道路边缘特征和通过处理所述雷达信息获得的道路边缘特征的权重比例，并根据所述权重比例、通过处理所述图像信息获得的道路边缘特征、通过处理所述雷达信息获得的道路边缘特征和所述车道线特征来识别车道位置。该技术方案通过处理摄像头以及雷达采集的数据，提取用于识别车道位置的车道线特征以及道路边缘特征，并按照权重比例融合从摄像头以及雷达采集的数据中提取的道路边缘特征，进而根据融合后的道路边缘特征以及车道线特征识别车道位置，实现了摄像头和雷达在车道识别上的数据融合，不仅能够获得智能汽车当前所在的车道位置，还能够获得智能汽车所在道路的车道宽度以及车道数量信息，便于智能汽车更好的进行车道选择以及路径规划，从而更好的应对复杂的道路情况以及环境干扰，避免危险事故的发生，提高行驶的安全性。
根据本公开的实施例，参考图1，所述车道线特征指的是车道线200的所在的位置信息，比如车道线200分为白线和黄线，黄线位于道路正中，区分不同方向行驶的车辆，白线区分同一方向行驶的不同车道的车辆。从图像信息中获取的道路边缘特征指的是车道线200的边缘位置信息，比如车道线200的轮廓信息；从雷达信息获得的道路边缘特征指的是道路边缘300的边缘位置信息，比如护栏或者台阶的位置。需要说明的是，图1中示出的车道线200的边缘位置信息与道路边缘300的边缘位置信息具有一定距离，在一些情况下，车道线200与道路边缘300相邻接，在此不做限制。
在本实施方式中，可以利用车道边缘特征计算道路宽度，利用车道线特征计算车道宽度，并根据道路宽度和车道宽度可以计算得出道路的车道数量，这样基于车道宽度以及车道数量信息，能够确定车辆后续的变道操作或者路径规划的操作中车道位置，便于车辆更好的进行车道选择以及路径规划，从而更好的应对复杂的道路情况以及环境干扰，避免危险事故的发生，提高行驶的安全性。
下面分别提供两种确定根据图像信息以及雷达信息分别获取的车道两侧的道路边缘特征的权重比例的实施方式：
根据本公开的实施例，其中一种实施方式为：首先获取所述车辆行驶所在区域的光照强度信息，然后根据所述光照强度信息确定通过处理所述图像信息获得的道路边缘特征和通过处理所述雷达信息获得的道路边缘特征的权重比例。
在本实施方式中，由于摄像头采集图像信息时容易受到光照强度的影响，光照强度过低时，说明环境的光线较暗，摄像头无法获得清晰的图像，而当光照强度过高时，图像的曝光度较高，可能会导致车道识别结果的不准确。而雷达受光照强度的影响不大，当天气情况较好时，雷达的探测精度高。因此，车辆可以采用光照强度信息来确定从所述道路边缘特征模块312获取的道路边缘特征的权重比例。比如，可以将摄像头的识别结果的权重设为0.3-0.6，并将雷达的识别结果的权重设为0.45-0.6，当检测的光照强度在强度阈值范围内时，可以增加摄像头的权重比例，当检测的光照强度在强度阈值范围以外时，可以增加雷达的权重比例。在本实施方式中，所述强度阈值范围可以事先设置，比如可以设置为60-120坎德拉等。
在本实施方式中，由于雷达信息的采集容易受到雨雪天气的影响，在根据光照强度调整从所述图像信息获得的道路边缘特征和通过处理所述雷达信息获得的道路边缘特征的权重比例前，考虑到天气的影响因素，可以将雷达的识别结果的权重设为0.05-0.15，而摄像头的识别结果的权重可以保持不变为0.3-0.6。也就是说，可以预先将雷达的识别结果设置为不同的权重范围，然后根据获取的天气信息选择雷达的识别结果的权重范围，并进一步地根据获取的光照强度信息调整摄像头和雷达的识别结果的权重比例，从而能够获得更准确的车道位置识别结果。
根据本公开的实施例，另一种实施方式为：首先获取所述车辆行驶所在区域的道路交通信息以及辅助车道信息，然后根据所述道路交通信息和所述照度信息确定所述通过处理所述图像信息获得的道路边缘特征的权重比例、通过处理所述雷达信息获得的道路边缘特征的权重比例、所述辅助车道信息的权重比例，并根据所述权重比例、通过处理所述图像信息获得的道路边缘特征、通过处理所述雷达信息获得的道路边缘特征、所述车道线特征、所述辅助车道信息来识别车道位置。
在本实施方式中，所述道路交通信息指的是所述车辆行驶区域内的车辆密度或车辆之间的间距信息。所述辅助车道信息指的是所述车辆行驶区域内的其他车辆对所述车辆的车道位置进行识别得出的车道信息。考虑到当前车辆在进行车道位置识别时，道路交通信息的不同，附近的其他车辆可能会遮挡部分车道线或者影响雷达对道路边缘特征的信息采集，而其他车辆识别的车道信息可能较为准确，因此，可以根据道路交通信息来确定当前车辆的识别结果与辅助车道信息的权重比例，而当前车辆的识别结果又可以根据照度信息确定从所述图像信息获得的道路边缘特征和通过处理所述雷达信息获得的道路边缘特征的权重比例，从而获得更为准确的车道位置识别结果。比如当车辆较少时，可以将摄像头1的识别结果的权重设为0.3-0.5，将雷达2的识别结果的权重设为0.45-0.6，并将辅助车道信息的识别结果设为0-0.2。而当车辆较多时候，可以将摄像头1的识别结果的权重设为0.1-0.2，将雷达2的识别结果的权重设为0.15-0.3，并将辅助车道信息的识别结果设为0.35-0.6。
根据本公开的实施例，步骤S101，即根据图像信息，获取车辆行驶路径中车道的车道线特征以及车道两侧的道路边缘特征，被实施为：
对所述图像信息进行增强白平衡处理，按照像素点的RGB值将所述图像信息划分区域。
灰度化处理经过划分区域的所述图像信息，提取道路特征。
将所述道路特征输入预先训练的深度学习模型，输出车道线特征以及道路边缘特征。
在本实施方式中，考虑到实际道路中车道线通常为白色和黄色组合，与道路颜色有明显区别，因此可以采用颜色特征来识别车道线，但是由于天气，阴影遮挡、车道线磨损等因素，需要对摄像头采集的图像信息进行增强白平衡处理，即以白色RGB值为标准，图像中其他颜色按比例调整RGB值。其中，白色RGB值是对多张不同场景(室内，室外，夕阳等情况)下的图片，经过AWB算法绘制色温曲线后确定。在对图像信息进行增强白平衡处理后，按照像素点的RGB值将所述图像信息划分区域，将RGB值相近的划为同一区域，从而在整个图像中划分多个区域。为了减少光照，亮度等因素影响图像中车道线的识别，需要灰度化处理经过划分区域的所述图像信息，提取道路特征。具体地，所述道路特征可以为cell特征、block特征、HOG特征或者Hu钜特征。然后将至少两种道路特征输入预先训练的深度学习模型，输出车道线特征以及道路边缘特征。
其中，cell特征，比如cell(6*6像素)指的是每6*6个像素点为一个cell，这个范围内图像的特征(梯度、方差等)称为cell特征，不同cell之间不可重叠。
block特征，比如每2*2个cell为一个block，这个范围内图像的特征(梯度、方差等)称为block特征，不同block之间可以重叠。
HOG特征，即方向梯度直方图(Histogram of Oriented Gradient,HOG)，通过计算和统计图像局部区域的梯度方向直方图来构成，由上述cell特征和block特征得到。
Hu矩特征：Hu矩是一种具有平移、旋转和尺度不变性的图像特征，将图像信息利用二阶和三阶归一化中心矩构成7个不变矩以此获得Hu矩特征。其中，二阶矩是指待识别道路图片的旋转半径，三阶矩指的是识别道路图片中道路线的方位和斜度，反应道路线的扭曲。7个不变矩指的是由二阶矩阵和三阶矩阵派生出来的7个特征，在图像平移、旋转和比例变化时保持不变。
根据本公开的实施例，步骤S102，即所述根据所述车道线特征、所述权重比例、通过所述图像信息获取的所述道路边缘特征以及通过所述雷达信息获取的所述道路边缘特征识别车道位置，被实施为：
根据所述车道线特征计算车道宽度；
根据所述权重比例、通过所述图像信息获取的所述道路边缘特征以及通过所述雷达信息获取的所述道路边缘特征计算道路宽度；
根据所述车道宽度以及所述道路宽度计算车道数量，并基于所述车道宽度以及所述车道数量识别车道位置。
根据本公开的实施例，所述根据雷达信息获取车道两侧的道路边缘特征，被实施为：对所述雷达信息进行滤波处理，提取道路边缘特征。在本实施方式中，可以采用Sobel算子进行滤波，提取图像边缘，比如可以采用设定阈值的方式进行轮廓提取，以得到道路的纵向轮廓如防护栏等。
根据本公开的实施例，车道线的实际宽度L通常已知，即L在各种道路中通常具有相同的宽度，在摄像头采集的数据中识别车道线特征后，可以得到车道线宽度方向的像素数目大小N，同时也可以得到相邻车道之间的像素点数目M，则车道的实际宽度D＝M*L/N。而根据权重比例、通过图像信息获取的道路边缘特征以及通过雷达信息获取的所述道路边缘特征可以计算得出道路边缘两侧的距离，即道路宽度S。由道路宽度S以及车道宽度D可以计算车道总数K＝S/D。
图5示出了根据本公开一实施例的车道识别装置的结构框图。
如图5所示，所述车道识别装置包括：
获取模块501，用于根据图像信息，获取车辆行驶路径中车道的车道线特征以及车道两侧的道路边缘特征；其中，所述图像信息由安装在所述车辆的摄像头采集。
确定模块502，用于确定根据图像信息以及雷达信息分别获取的车道两侧的道路边缘特征的权重比例；其中，所述雷达信息由安装在所述车辆的雷达采集。
识别模块503，用于根据所述车道线特征、所述权重比例、通过所述图像信息获取的所述道路边缘特征以及通过所述雷达信息获取的所述道路边缘特征识别车道位置。
根据本公开的实施例，所述获取模块501被配置为：
对所述图像信息进行增强白平衡处理，按照像素点的RGB值将所述图像信息划分区域；
灰度化处理经过划分区域的所述图像信息，提取道路特征；
将所述道路特征输入预先训练的深度学习模型，输出车道线特征以及道路边缘特征。
根据本公开的实施例，所述确定模块502被配置为：
根据所述车道线特征计算车道宽度；
根据所述权重比例、通过所述图像信息获取的所述道路边缘特征以及通过所述雷达信息获取的所述道路边缘特征计算道路宽度；
根据所述车道宽度以及所述道路宽度计算车道数量，并基于所述车道宽度以及所述车道数量识别车道位置。
在本实施方式中，所述根据雷达信息获取车道两侧的道路边缘特征，被实施为：对所述雷达信息进行滤波处理，提取道路边缘特征。
图6示出了根据本公开另一实施例的车道识别装置的结构框图。
如图6所示，所述车道识别装置还包括：
第一获取子模块601，用于获取所述车辆行驶所在区域的光照强度信息。
第一确定子模块602，用于根据所述光照强度信息确定通过处理所述图像信息获得的道路边缘特征和通过处理所述雷达信息获得的道路边缘特征的权重比例。
图7示出了根据本公开又一实施例的车道识别装置的结构框图。
如图7所示，所述车道识别装置还包括：
第二获取子模块701，用于获取所述车辆行驶所在区域的道路交通信息以及辅助车道信息。
第二确定子模块702，用于根据所述道路交通信息和所述照度信息确定所述通过处理所述图像信息获得的道路边缘特征的权重比例、通过处理所述雷达信息获得的道路边缘特征的权重比例、所述辅助车道信息的权重比例，并根据所述权重比例、通过处理所述图像信息获得的道路边缘特征、通过处理所述雷达信息获得的道路边缘特征、所述车道线特征、所述辅助车道信息来识别车道位置。
根据本公开的实施例，通过处理摄像头以及雷达采集的数据，提取用于识别车道位置的车道线特征以及道路边缘特征，并按照权重比例融合从摄像头以及雷达采集的数据中提取的道路边缘特征，进而根据融合后的道路边缘特征以及车道线特征识别车道位置，实现了摄像头和雷达设备在车道识别上的数据融合，不仅能够获得智能汽车当前所在的车道位置，还能够获得智能汽车所在道路的车道宽度以及车道数量信息，便于智能汽车更好的进行车道选择以及路径规划，从而更好的应对复杂的道路情况以及环境干扰，避免危险事故的发生，提高行驶的安全性。
图8示出了根据本公开的实施例的自动驾驶汽车800的结构框图。
如图8所示，自动驾驶汽车800包括有：处理器801和存储器802。
处理器801可以包括一个或多个处理核心，比如4核心处理器、8核心处理器等。处理器801可以采用DSP(Digital Signal Processing，数字信号处理)、FPGA(Field－Programmable Gate Array，现场可编程门阵列)、PLA(Programmable Logic Array，可编程逻辑阵列)中的至少一种硬件形式来实现。处理器801也可以包括主处理器和协处理器，主处理器是用于对在唤醒状态下的数据进行处理的处理器，也称CPU(CentralProcessingUnit，中央处理器)；协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中，处理器801可以在集成有GPU(Graphics Processing Unit，图像处理器)，GPU用于负责显示屏所需要显示的内容的渲染和绘制。一些实施例中，处理器801还可以包括AI(Artificial Intelligence，人工智能)处理器，该AI处理器用于处理有关机器学习的计算操作。
存储器802可以包括一个或多个计算机可读存储介质，该计算机可读存储介质可以是非暂态的。存储器802还可包括高速随机存取存储器，以及非易失性存储器，比如一个或多个磁盘存储设备、闪存存储设备。在一些实施例中，存储器802中的非暂态的计算机可读存储介质用于存储至少一个指令，该至少一个指令用于被处理器801所执行以实现本申请中方法实施例提供的车道位置信息获取方法。
在一些实施例中，自动驾驶汽车800还可选包括有：***设备接口803和至少一个***设备。处理器801、存储器802和***设备接口803之间可以通过总线或信号线相连。各个***设备可以通过总线、信号线或电路板与***设备接口803相连。具体地，***设备包括：射频电路804、触摸显示屏805、摄像头806、雷达807、照度仪808和车对车通信装置809中的至少一种。
***设备接口803可被用于将I/O(Input/Output，输入/输出)相关的至少一个***设备连接到处理器801和存储器802。在一些实施例中，处理器801、存储器802和***设备接口803被集成在同一芯片或电路板上；在一些其他实施例中，处理器801、存储器802和***设备接口803中的任意一个或两个可以在单独的芯片或电路板上实现，本实施例对此不加以限定。
射频电路804用于接收和发射RF(Radio Frequency，射频)信号，也称电磁信号。射频电路804通过电磁信号与通信网络以及其他通信设备进行通信。射频电路804将电信号转换为电磁信号进行发送，或者，将接收到的电磁信号转换为电信号。可选地，射频电路804包括：天线***、RF收发器、一个或多个放大器、调谐器、振荡器、数字信号处理器、编解码芯片组、用户身份模块卡等等。射频电路804可以通过至少一种无线通信协议来与其它终端进行通信。该无线通信协议包括但不限于：城域网、各代移动通信网络(2G、3G、4G及5G)、无线局域网和/或WiFi(Wireless Fidelity，无线保真)网络。在一些实施例中，射频电路804还可以包括NFC(Near Field Communication，近距离无线通信)有关的电路，本申请对此不加以限定。
显示屏805用于显示UI(User Interface，用户界面)。该UI可以包括图形、文本、图标、视频及其它们的任意组合。当显示屏805是触摸显示屏时，显示屏805还具有采集在显示屏805的表面或表面上方的触摸信号的能力。该触摸信号可以作为控制信号输入至处理器801进行处理。此时，显示屏805还可以用于提供虚拟按钮和/或虚拟键盘，也称软按钮和/或软键盘。在一些实施例中，显示屏805可以为一个，设置自动驾驶汽车800的前面板；在另一些实施例中，显示屏805可以为至少两个，分别设置在自动驾驶汽车800的不同表面或呈折叠设计；在再一些实施例中，显示屏805可以是柔性显示屏，设置在自动驾驶汽车800的弯曲表面上或折叠面上。甚至，显示屏805还可以设置成非矩形的不规则图形，也即异形屏。显示屏805可以采用LCD(Liquid Crystal Display，液晶显示屏)、OLED(Organic Light-Emitting Diode,有机发光二极管)等材质制备。
摄像头806用于采集图像或视频。可选地，摄像头806包括前置摄像头和后置摄像头。通常，前置摄像头设置在终端的前面板，后置摄像头设置在终端的背面。在一些实施例中，后置摄像头为至少两个，分别为主摄像头、景深摄像头、广角摄像头、长焦摄像头中的任意一种，以实现主摄像头和景深摄像头融合实现背景虚化功能、主摄像头和广角摄像头融合实现全景拍摄以及VR(Virtual Reality，虚拟现实)拍摄功能或者其它融合拍摄功能。
雷达807可以包括成像毫米波雷达和激光雷达。毫米波雷达工作在毫米波段。通常毫米波是指30～300GHz频段(波长为1～10mm)。毫米波雷达能分辨识别很小的目标，而且能同时识别多个目标，具有成像能力，体积小、机动性强的特点。激光雷达是一种采用非接触激光测距技术的扫描式传感器，可以准确的获取高精度的物理空间环境信息，测距精度可达厘米级。。
照度仪808用于测量光线强弱等级，光的强度不同光电池产生的电流就不同，把电流进行直流放大，再经过数模转换电路把直流信号变成直接反应光照强弱的数字信号显示出来。
车对车通信装置809用于车辆之间分享彼此的行车速度、相对位置等数据信息，通过数据的分享和分析，帮助驾驶员进行预先判断，在其他高速车辆尚未进入驾驶盲点的位置前，预先警告驾驶做出安全反应决策。
在一些实施例中，自动驾驶汽车800还包括有一个或多个传感器810。该一个或多个传感器810包括但不限于：加速度传感器811。
加速度传感器811可以检测以自动驾驶汽车800建立的坐标系的三个坐标轴上的加速度大小。比如，加速度传感器811可以用于检测重力加速度在三个坐标轴上的分量。处理器801可以根据加速度传感器811采集的重力加速度信号，控制触摸显示屏805以横向视图或纵向视图进行用户界面的显示。加速度传感器811还可以用于游戏或者用户的运动数据的采集。
也即是，本公开不仅提供了一种自动驾驶汽车，包括处理器和用于存储处理器可执行指令的存储器，其中，处理器被配置为执行图4所示的实施例中的方法。另外，本公开还提供了一种自动驾驶汽车，包括图2或图3的车道识别***。而且，本公开还提供了一种计算机可读存储介质，该存储介质内存储有计算机程序，该计算机程序被处理器执行时可以实现图4所示的实施例中的车道识别方法。
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开中所涉及的公开范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离公开构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (5)
1.一种车道识别***，其特征在于，包括：
至少一个摄像头，用于获取车辆行驶路径中车道的图像信息；
至少一个雷达，用于获取车辆行驶所在区域的雷达信息；
至少一个照度仪，用于获取所述车辆行驶所在区域的光照强度信息；
车对车通信装置，用于获取所述车辆行驶所在区域的道路交通信息以及辅助车道信息；
处理单元，用于：
处理所述图像信息以获取车道线特征以及道路边缘特征；
处理所述雷达信息以获取道路边缘特征；
根据所述道路交通信息和所述光照强度信息确定通过处理所述图像信息获得的道路边缘特征的权重比例、通过处理所述雷达信息获得的道路边缘特征的权重比例、所述辅助车道信息的权重比例，并根据所述权重比例、通过处理所述图像信息获得的道路边缘特征、通过处理所述雷达信息获得的道路边缘特征、所述车道线特征、所述辅助车道信息来识别车道位置。
2.一种车道识别方法，其特征在于，包括：
根据图像信息，获取车辆行驶路径中车道的车道线特征以及车道两侧的道路边缘特征；其中，所述图像信息由安装在所述车辆的摄像头采集；
根据雷达信息，获取车道两侧的道路边缘特征；其中，所述雷达信息由安装在所述车辆的雷达采集；
获取所述车辆行驶所在区域的光照强度信息；
获取所述车辆行驶所在区域的道路交通信息以及辅助车道信息；
根据所述道路交通信息和所述光照强度信息确定通过处理所述图像信息获得的道路边缘特征的权重比例、通过处理所述雷达信息获得的道路边缘特征的权重比例、所述辅助车道信息的权重比例，并根据所述权重比例、通过处理所述图像信息获得的道路边缘特征、通过处理所述雷达信息获得的道路边缘特征、所述车道线特征、所述辅助车道信息来识别车道位置。
3.根据权利要求2所述的方法，其特征在于，所述根据图像信息，获取车辆行驶路径中车道的车道线特征以及车道两侧的道路边缘特征，被实施为：
对所述图像信息进行增强白平衡处理，按照像素点的RGB值将所述图像信息划分区域；
灰度化处理经过划分区域的所述图像信息，提取道路特征；
将所述道路特征输入预先训练的深度学习模型，输出车道线特征以及道路边缘特征。
4.根据权利要求2所述的方法，其特征在于，所述根据雷达信息获取车道两侧的道路边缘特征，被实施为：
对所述雷达信息进行滤波处理，提取道路边缘特征。
5.一种自动驾驶汽车，包括根据权利要求1所述的车道识别***。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910731264.7A CN110422168B (zh) | 2019-08-08 | 2019-08-08 | 车道识别***、方法及自动驾驶汽车 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910731264.7A CN110422168B (zh) | 2019-08-08 | 2019-08-08 | 车道识别***、方法及自动驾驶汽车 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110422168A CN110422168A (zh) | 2019-11-08 |
| CN110422168B true CN110422168B (zh) | 2020-06-16 |
Family
ID=68413308
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910731264.7A Active CN110422168B (zh) | 2019-08-08 | 2019-08-08 | 车道识别***、方法及自动驾驶汽车 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110422168B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110979318B (zh) * | 2019-11-20 | 2021-06-04 | 苏州智加科技有限公司 | 车道信息获取方法、装置、自动驾驶车辆及存储介质 |
| WO2023141940A1 (zh) * | 2022-01-28 | 2023-08-03 | 华为技术有限公司 | 一种智能驾驶方法、装置及车辆 |
| CN114821531B (zh) * | 2022-04-25 | 2023-03-28 | 广州优创电子有限公司 | 基于电子外后视镜adas的车道线识别图像显示*** |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103786729A (zh) * | 2012-10-26 | 2014-05-14 | 现代自动车株式会社 | 车道识别方法和*** |
| KR101558756B1 (ko) * | 2014-04-10 | 2015-10-07 | 현대자동차주식회사 | 카메라 영상정보와 센서정보를 융합하여 차선을 인지하는 차선 감지 방법 및 장치 |
| CN106096525A (zh) * | 2016-06-06 | 2016-11-09 | 重庆邮电大学 | 一种复合型车道识别***及方法 |
| CN107389084A (zh) * | 2017-06-09 | 2017-11-24 | 深圳市速腾聚创科技有限公司 | 行车路径规划方法及存储介质 |
| CN107826092A (zh) * | 2017-10-27 | 2018-03-23 | 智车优行科技（北京）有限公司 | 先进驾驶辅助***和方法、设备、程序和介质 |
| CN109492566A (zh) * | 2018-10-31 | 2019-03-19 | 奇瑞汽车股份有限公司 | 车道位置信息获取方法、装置及存储介质 |
| CN105825173B (zh) * | 2016-03-11 | 2019-07-19 | 福州华鹰重工机械有限公司 | 通用道路和车道检测***与方法 |
-
2019
- 2019-08-08 CN CN201910731264.7A patent/CN110422168B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103786729A (zh) * | 2012-10-26 | 2014-05-14 | 现代自动车株式会社 | 车道识别方法和*** |
| KR101558756B1 (ko) * | 2014-04-10 | 2015-10-07 | 현대자동차주식회사 | 카메라 영상정보와 센서정보를 융합하여 차선을 인지하는 차선 감지 방법 및 장치 |
| CN105825173B (zh) * | 2016-03-11 | 2019-07-19 | 福州华鹰重工机械有限公司 | 通用道路和车道检测***与方法 |
| CN106096525A (zh) * | 2016-06-06 | 2016-11-09 | 重庆邮电大学 | 一种复合型车道识别***及方法 |
| CN107389084A (zh) * | 2017-06-09 | 2017-11-24 | 深圳市速腾聚创科技有限公司 | 行车路径规划方法及存储介质 |
| CN107826092A (zh) * | 2017-10-27 | 2018-03-23 | 智车优行科技（北京）有限公司 | 先进驾驶辅助***和方法、设备、程序和介质 |
| CN109492566A (zh) * | 2018-10-31 | 2019-03-19 | 奇瑞汽车股份有限公司 | 车道位置信息获取方法、装置及存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| 基于视觉和毫米波雷达的车道级定位方法;赵翔等;《上海交通大学学报》;20180131;第52卷(第1期);第34页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110422168A (zh) | 2019-11-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107506760B (zh) | 基于gps定位与视觉图像处理的交通信号检测方法及*** | |
| CN110422168B (zh) | 车道识别***、方法及自动驾驶汽车 | |
| CN109506664B (zh) | 利用人行横道识别结果的引导信息提供装置及方法 | |
| CN101950350B (zh) | 使用分级方法的畅通路径检测 | |
| JP4654163B2 (ja) | 車両の周囲環境認識装置及びシステム | |
| JP5254102B2 (ja) | 環境認識装置 | |
| JP5981550B2 (ja) | 立体物検出装置および立体物検出方法 | |
| US11680813B2 (en) | Method, apparatus, electronic device, computer program, and computer readable recording medium for measuring inter-vehicle distance based on vehicle image | |
| US20160176358A1 (en) | Early detection of turning condition identification using perception technology | |
| US11527077B2 (en) | Advanced driver assist system, method of calibrating the same, and method of detecting object in the same | |
| CN107408288B (zh) | 警告装置、警告方法以及警告程序 | |
| WO2020154990A1 (zh) | 目标物体运动状态检测方法、设备及存储介质 | |
| KR20150113589A (ko) | 전자 장치 및 그의 제어 방법 | |
| CN111976601B (zh) | 自动泊车方法、装置、设备和存储介质 | |
| JP2007179386A (ja) | 白線認識方法及び白線認識装置 | |
| KR20200069084A (ko) | 도로 제한 속도 판단 방법, 도로 제한 속도 판단 장치, 전자 기기, 컴퓨터 프로그램 및 컴퓨터 판독 가능한 기록 매체 | |
| WO2023072093A1 (zh) | 虚拟车位确定方法、显示方法、装置、设备、介质及程序 | |
| CN114841910A (zh) | 车载镜头遮挡识别方法及装置 | |
| US11054245B2 (en) | Image processing apparatus, device control system, imaging apparatus, image processing method, and recording medium | |
| CN114943941A (zh) | 一种目标检测方法及装置 | |
| US12031834B2 (en) | Method, apparatus, electronic device, computer program, and computer readable recording medium for measuring inter-vehicle distance based on vehicle image | |
| CN107992788B (zh) | 识别交通灯的方法、装置及车辆 | |
| Itu et al. | An efficient obstacle awareness application for android mobile devices | |
| CN109330833B (zh) | 一种辅助视障患者安全出行的智能感知***和方法 | |
| CN107992789B (zh) | 识别交通灯的方法、装置及车辆 |
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 | ||
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20210928 Address after: 045000 room 610, government business building, North Street, mining area, Yangquan City, Shanxi Province Patentee after: Xingdao Technology (Yangquan) Co.,Ltd. Address before: Room 106-771, No. 2 Building, 8 Yuan, Xingsheng South Road, Miyun District, Beijing, 101500 Patentee before: Zhiyou Open Source Communication Research Institute (Beijing) Co.,Ltd. |