CN111079541A - 一种基于单目视觉的道路停止线检测方法 - Google Patents
一种基于单目视觉的道路停止线检测方法 Download PDFInfo
- Publication number
- CN111079541A CN111079541A CN201911137093.1A CN201911137093A CN111079541A CN 111079541 A CN111079541 A CN 111079541A CN 201911137093 A CN201911137093 A CN 201911137093A CN 111079541 A CN111079541 A CN 111079541A
- Authority
- CN
- China
- Prior art keywords
- straight line
- points
- initial
- effective
- gradient
- 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
Images
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
- G06V20/582—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads of traffic signs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/34—Smoothing or thinning of the pattern; Morphological operations; Skeletonisation
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
发明提供一种基于单目视觉的道路停止线检测方法。该检测方法包括道路图像信息灰度化处理、高斯滤波平滑处理、设置ROI、得出梯度有效点灰度图、得到区域生长源图、得出有效点的区域生长结果图、筛选初始目标直线和确定停止线最终位置等步骤。该检测方法能够实时、正确地识别道路中的停止线,并得到停止线在图片中的位置信息,结合坐标转换技术可以实时得到停止线在实际道路中的位置。
Description
技术领域
本发明涉及智能驾驶图像处理目标检测领域,特别涉及一种基于单目视觉的道路停止线检测方法。
背景技术
道路交通线识别是智能汽车技术的重要组成部分,道路交通线有很多种,停止线作为一种重要的交通符号一般出现在道路路口等处。停止线的准确识别可以让车辆获知路口位置,从而做到提前减速,更加规范行驶。能够避免误闯交通信号灯,擦碰其他车辆和行人的现象发生,提高智能汽车的行驶安全性。结合GPS等其他定位技术,停止线识别能保证智能汽车行驶过程中的准确定位,从而作出更准确的决策和控制。因此,停止线的准确识别是实现ADAS和自动驾驶的重要组成部分之一。
发明内容
本发明的目的是提供一种基于单目视觉的道路停止线检测方法,以解决现有技术中存在的问题。
为实现本发明目的而采用的技术方案是这样的,一种基于单目视觉的道路停止线检测方法,包括以下步骤:
1)将车载单目摄像头采集到的图像信息进行灰度化处理。
2)根据图像中道路交通线分布特征,设置ROI。
3)利用高斯滤波对ROI内的灰度图像进行平滑处理。
4)对ROI内的图像进行灰度拉伸,加强图像的对比度。
5)计算ROI内各像素点在x方向和y方向的灰度梯度值,以及梯度方向夹角θ(i,j)。其中,图像矩阵上第i列第j行的像素点为I(i,j),A为3×3矩阵。Gx(i,j)为像素点I在x方向的灰度梯度值,Gy(i,j)为像素点I在y方向的灰度梯度值,g(i,j)为像素点I的灰度值。
Gx(i,j)=(g(i+1,j-1)+g(i+1,j)+g(i+1,j+1)-g(i-1,j-1)-g(i-1,j+1)-g(i-1,j+1)) (2)
Gy(i,j)=(g(i-1,j+1)+g(i,j+1)+g(i+1,j+1)-g(i-1,j-1)-g(i,j-1)-g(i+1,j-1)) (3)
式中,θ(i,j)的取值范围为[0°,180°]。
6)计算ROI内的梯度均值和灰度均值。
式中,Gyaver为y方向的梯度均值,gaver为灰度均值,r为ROI区域像素点的行数,c为ROI区域像素点的列数。
7)根据ROI区域内的梯度和灰度的变化规律,确定y方向的梯度判断系数Gyjudge、灰度判断系数gjudge和梯度方向夹角阈值θjudge。其中,90°≥θjudge≥0°。
8)对像素点的有效性进行判断,清零无效点,得到初始有效梯度图。其中,初始有效点具备以下特征:
g(i,j)≥gaver.gjudge
Gy(i,j)≥Gyaver.Gyjudge
(180°-θjudge)≥θ(i,j)≥θjudge
9)遍历初始有效梯度图,判断初始有效点邻域内初始有效点的个数是否大于或等于干扰点阈值Ne,去除干扰点,得到区域生长源图。
10)根据道路交通线的分布特征,对区域生长源图由下至上扫描,得到区域生长初始种子点集合。
11)根据初始种子集合中的种子坐标,在生长源图中进行区域生长,得到包含车道信息的有效点所组成的区域生长结果图。
12)对区域生长结果图进行hough变换,将得到区域生长结果图中的直线集合。
13)对直线集合进行分析筛选,得出符合要求的初始目标直线。
14)根据初始目标直线确定初始扫描区域。
15)对初始扫描区域进行扫描,根据扫描结果得到最终扫描区域。
16)对最终扫描区域进行有效点数量扫描,计算有效点数量占最终扫描区的像素点总量的百分比。当有效点占据最终扫描区的百分比大于或等于密度阈值Dthres时,判定初步目标直线为有效直线。当有效点占据最终扫描区的百分比小于密度阈时,判定初步目标直线为无效直线,认定此时道路中没有停止线。
17)提取有效初始目标直线的图像坐标,认定停止线就在该坐标处,并在原图中显示停止线位置。
进一步,步骤9)中,干扰点为周围邻域有效点数量小于阈值Ne的像素点。
进一步,步骤11)具体包括以下步骤:
11.1)种子点出栈,得到种子点的坐标信息。
11.2)遍历种子点周围一定大小的邻域,若邻域内存在有效点,则该邻域内所有有效点入栈,并标记有效点。
11.3)重复步骤11.1)和11.2),直至栈为空,得到包含车道信息的有效点所组成的区域生长结果图。
进一步,步骤13)中,直线集合中的直线信息为集合中所有直线的两端点的坐标信息。利用坐标信息计算每条直线段的长度以及其与x正方向的夹角,然后根据直线长度阈值Lthres和角度阈值θthres筛选初始目标直线linit。linit为直线集合中满足角度要求且长度最长的直线。
进一步,步骤14)中,初始扫描区域的长度和宽度均大于初始目标直线的x坐标和y坐标的范围变化量,初始扫描区域的形状为带状。
进一步,步骤15)中,遍历初始扫描区域,寻找处于最两端的有效点,根据处于最两端的有效点的x坐标的差值所确定最终扫描区域的长度、初始目标直线的斜率、设定的像素宽度以及初始目标直线的中点坐标来确定最终扫描区域的形状、大小以及位置。
本发明的技术效果是毋庸置疑的:
A.能够实时、正确地识别道路中的停止线,并得到停止线在图片中的位置信息,结合坐标转换技术可以实时得到停止线在实际道路中的位置;
B.通过选取特定的感兴趣区域,使处理区域大大减小,既减小了干扰,又提高了处理速度;
C.算法简单,大大提高了***的实时性。
附图说明
图1为检测方法流程图;
图2为路口停止线示意图;
图3为摄像头图像示意图;
图4为区域生长源图;
图5为区域生长源图扫描示意图;
图6为理想区域生长结果示意图;
图7为初始扫描区域示意图;
图8为最终扫描区域示意图;
图9为停止线识别示意图Ⅰ;
图10为停止线识别示意图Ⅱ。
具体实施方式
下面结合实施例对本发明作进一步说明,但不应该理解为本发明上述主题范围仅限于下述实施例。在不脱离本发明上述技术思想的情况下,根据本领域普通技术知识和惯用手段,做出各种替换和变更,均应包括在本发明的保护范围内。
实施例1:
参见图1,本实施例公开一种基于单目视觉的道路停止线检测方法,包括以下步骤:
1)将车载单目摄像头采集到的图像信息进行灰度化处理。其中,路口停止线示意图如图2所示。摄像头图像示意图如图3所示。
2)根据图像中道路交通线分布特征,设置ROI(region of interest,感兴趣区域),减少后续计算量。
3)利用高斯滤波对ROI内的灰度图像进行平滑处理。
4)对ROI内的图像进行灰度拉伸,加强图像的对比度。
5)计算ROI内各像素点在x方向和y方向的灰度梯度值,以及梯度方向夹角θ(i,j)。其中,图像矩阵上第i列第j行的像素点为I(i,j),A为3×3矩阵。Gx(i,j)为像素点I在x方向的灰度梯度值,Gy(i,j)为像素点I在y方向的灰度梯度值,g(i,j)为像素点I的灰度值。
Gx(i,j)=(g(i+1,j-1)+g(i+1,j)+g(i+1,j+1)-g(i-1,j-1)-g(i-1,j+1)-g(i-1,j+1)) (2)
Gy(i,j)=(g(i-1,j+1)+g(i,j+1)+g(i+1,j+1)-g(i-1,j-1)-g(i,j-1)-g(i+1,j-1)) (3)
6)计算ROI内的梯度均值和灰度均值,其中,为y方向的梯度均值,为灰度均值,r为ROI区域像素点的行数,c为ROI区域像素点的列数;
7)根据ROI区域内的梯度和灰度的变化规律,确定y方向的梯度判断系数Gjudge和灰度判断系数gjudge和梯度方向夹角阈值θjudge。90°≥θjudge≥0°。例如:Gyjudge=1.2、gjudge=1.1以及θjudge=20°。
8)对像素点的有效性进行判断,清零无效点,得到初始有效梯度图。其中,初始有效点具备一下特征
g(i,j)≥gaver.gjudge
Gy(i,j)≥Gyaver.Gyjudge
(180°-θjudge)≥θ(i,j)≥θjudge
9)遍历初始有效梯度图,判断初始有效点邻域内初始有效点的个数是否大于或等于阈值Ne,从而去除干扰点,得到区域生长源图。其中,干扰点为其周围邻域(本实例中为3x3邻域)有效点数量小于干扰点阈值Ne(本实例中Ne=3)的像素点。判断像素点周围邻域有效点数量和阈值Ne的大小,如果大于等于Ne,则保留该点,如果小于Ne,则舍弃该点,最后得到区域生长源图,参见图4。
10)根据道路交通线的分布特征,对区域生长源图由下至上扫描,得到区域生长初始种子点集合。在本实施例中,扫描线位于x方向坐标为c/36*27、c/36*9,参见图5,。当扫描线遇到有效点时,将有效点作为后续区域生长的种子点压入种子栈,当一条扫描线的种子的数量大于2时,该条扫描线停止扫描。
11)根据初始种子栈中的种子坐标,在区域生长源图中进行区域生长,得到包含车道信息的有效点所组成的区域生长结果图。区域生长后得到包含停止线信息的区域生长结果图,理想情况下如图6所示。
11.1)种子点出栈,得到种子点的坐标信息。
11.2)遍历种子点周围3x3邻域,若3x3邻域内存在有效点,则邻域内所有有效点入栈,并标记有效点。
11.3)重复步骤11.1)和11.2),直至栈为空。
12)对区域生长结果图进行hough变换,将得到区域生长结果图中的直线集合。
13)对直线集合进行分析筛选,得出符合要求的初始目标直线。
直线集合中的直线信息为集合中所有直线的两端点的坐标信息。利用坐标信息计算实现每条直线段的长度Lline以及其与x正方向的夹角θline,然后根据直线长度阈值Lthres和角度阈值θthres筛选初始目标直线linit(本实例中,Lthres=50像素长度、θthres=20°)。linit为直线集合中满足角度要求(0°≤θline≤θthres或180°-θthres≤θline≤180°)且长度最长的直线;
14)根据初始目标直线确定初始扫描区域。利用初始目标直线两端点的坐标信息,确定一适当宽度和长度的初始扫描区域(本实例中,初始扫描区域的长度取ROI区域的长度,宽度取60个像素宽度),扫描初始扫描区域内的有效点,寻找区域内最两端的有效点并记录下其坐标信息,初始扫描区域如图7所示。
15)根据扫描结果得到最终扫描区域。根据初始目标直线的坐标信息,计算出初始目标直线linit的斜率,根据初始目标直线linit的斜率、初始扫描直线的中点坐标、最终扫描区域的设定宽度Wfinal(y方向坐标范围)以及初始扫描区域内最两端有效点的x方向坐标差值所确定的长度来确定最终扫描区域的形状、大小和位置,如图8所示。
16)遍历最终扫描区域,扫描区域内的有效点数量,计算有效点数量占最终扫描区域内像素点总量的百分比。当百分比大于或等于密度阈值Dthres时,判定初始目标直线为有效直线。当百分比小于密度阈值Dthres时,判定初步目标直线为无效直线,认定此时道路中没有停止线。
17)提取有效初始目标直线的坐标信息,认定停止线就处在有效初始目标直线的位置处,并在原图中显示停止线。
参见图9,9a为经过高斯滤波的灰度图,9b为停止线识别结果图,9c为停止线识别结果图,9d为区域生长结果图。由9d可以看出区域生长结果图包含了停止线信息,且去除了绝大部分的干扰信息。由9b和9c可以看出本算法的识别结果准确。参见图10,10a为识别结果,10b为去邻域阈值去除了干扰点的区域生长源图,10c为初始扫描区域,10d为最终扫描区域。可以看出由于初始扫描区域没有考虑初始目标直线的斜率,所以该区域平行于x轴。而最终扫描区域的确定考虑了初始目标直线的斜率,所以该区域为一倾斜的带状区域,并且由于初始目标区域最两端的有效点的x坐标差值为ROI区域的长度,所以最终扫描区域的长度等于ROI区域的长度。
实施例2:
本实施例公开一种基础的基于单目视觉的道路停止线检测方法,包括以下步骤:
1)将车载单目摄像头采集到的图像信息进行灰度化处理。
2)根据图像中道路交通线分布特征,设置ROI。
3)利用高斯滤波对ROI内的灰度图像进行平滑处理。
4)对ROI内的图像进行灰度拉伸,加强图像的对比度。
5)计算ROI内各像素点在x方向和y方向的灰度梯度值,以及梯度方向夹角θ(i,j)。其中,图像矩阵上第i列第j行的像素点为I(i,j),A为3×3矩阵。Gx(i,j)为像素点I在x方向的灰度梯度值,Gy(i,j)为像素点I在y方向的灰度梯度值,g(i,j)为像素点I的灰度值。
Gx(i,j)=(g(i+1,j-1)+g(i+1,j)+g(i+1,j+1)-g(i-1,j-1)-g(i-1,j+1)-g(i-1,j+1)) (2)
Gy(i,j)=(g(i-1,j+1)+g(i,j+1)+g(i+1,j+1)-g(i-1,j-1)-g(i,j-1)-g(i+1,j-1)) (3)
式中,θ(i,j)的取值范围为[0°,180°]。
6)计算ROI内的梯度均值和灰度均值。
式中,Gyaver为y方向的梯度均值,gaver为灰度均值,r为ROI区域像素点的行数,c为ROI区域像素点的列数。
7)根据ROI区域内的梯度和灰度的变化规律,确定y方向的梯度判断系数Gyjudge、灰度判断系数gjudge和梯度方向夹角阈值θjudge。其中,90°≥θjudge≥0°。
8)对像素点的有效性进行判断,清零无效点,得到初始有效梯度图。其中,初始有效点具备以下特征:
g(i,j)≥gaver.gjudge
Gy(i,j)≥Gyaver.Gyjudge
(180°-θjudge)≥θ(i,j)≥θjudge
9)遍历初始有效梯度图,判断初始有效点邻域内初始有效点的个数是否大于或等于干扰点阈值Ne,去除干扰点,得到区域生长源图。
10)根据道路交通线的分布特征,对区域生长源图由下至上扫描,得到区域生长初始种子点集合。
11)根据初始种子集合中的种子坐标,在生长源图中进行区域生长,得到包含车道信息的有效点所组成的区域生长结果图。
12)对区域生长结果图进行hough变换,将得到区域生长结果图中的直线集合。
13)对直线集合进行分析筛选,得出符合要求的初始目标直线。
14)根据初始目标直线确定初始扫描区域。
15)对初始扫描区域进行扫描,根据扫描结果得到最终扫描区域。
16)对最终扫描区域进行有效点数量扫描,计算有效点数量占最终扫描区的像素点总量的百分比。当有效点占据最终扫描区的百分比大于或等于密度阈值Dthres时,判定初步目标直线为有效直线。当有效点占据最终扫描区的百分比小于密度阈时,判定初步目标直线为无效直线,认定此时道路中没有停止线。
17)提取有效初始目标直线的图像坐标,认定停止线就在该坐标处,并在原图中显示停止线位置。
实施例3:
本实施例主要步骤同实施例2,其中,步骤9)中,干扰点为周围邻域有效点数量小于阈值Ne的像素点。
实施例4:
本实施例主要步骤同实施例2,其中,步骤11)具体包括以下步骤:
11.1)种子点出栈,得到种子点的坐标信息。
11.2)遍历种子点周围一定大小的邻域,若邻域内存在有效点,则该邻域内所有有效点入栈,并标记有效点。
11.3)重复步骤11.1)和11.2),直至栈为空,得到包含车道信息的有效点所组成的区域生长结果图。
实施例5:
本实施例主要步骤同实施例2,其中,步骤13)中,直线集合中的直线信息为集合中所有直线的两端点的坐标信息。利用坐标信息计算每条直线段的长度以及其与x正方向的夹角,然后根据直线长度阈值Lthres和角度阈值θthres筛选初始目标直线linit。linit为直线集合中满足角度要求且长度最长的直线。
实施例6:
本实施例主要步骤同实施例2,其中,步骤14)中,初始扫描区域的长度和宽度均大于初始目标直线的x坐标和y坐标的范围变化量,初始扫描区域的形状为带状。
实施例7:
本实施例主要步骤同实施例2,其中,步骤15)中,遍历初始扫描区域,寻找处于最两端的有效点,根据处于最两端的有效点的x坐标的差值所确定最终扫描区域的长度、初始目标直线的斜率、设定的像素宽度以及初始目标直线的中点坐标来确定最终扫描区域的形状、大小以及位置。
Claims (6)
1.一种基于单目视觉的道路停止线检测方法,其特征在于,包括以下步骤:
1)将车载单目摄像头采集到的图像信息进行灰度化处理;
2)根据图像中道路交通线分布特征,设置ROI;
3)利用高斯滤波对ROI内的灰度图像进行平滑处理;
4)对ROI内的图像进行灰度拉伸,加强图像的对比度;
5)计算ROI内各像素点在x方向和y方向的灰度梯度值,以及梯度方向夹角θ(i,j);其中,图像矩阵上第i列第j行的像素点为I(i,j),A为3×3矩阵。Gx(i,j)为像素点I在x方向的灰度梯度值,Gy(i,j)为像素点I在y方向的灰度梯度值,g(i,j)为像素点I的灰度值;
Gx(i,j)=(g(i+1,j-1)+g(i+1,j)+g(i+1,j+1)-g(i-1,j-1)-g(i-1,j+1)-g(i-1,j+1)) (2)
Gy(i,j)=(g(i-1,j+1)+g(i,j+1)+g(i+1,j+1)-g(i-1,j-1)-g(i,j-1)-g(i+1,j-1)) (3)
式中,θ(i,j)的取值范围为[0°,180°];
6)计算ROI内的梯度均值和灰度均值;
式中,Gyaver为y方向的梯度均值,gaver为灰度均值,r为ROI区域像素点的行数,c为ROI区域像素点的列数;
7)根据ROI区域内的梯度和灰度的变化规律,确定y方向的梯度判断系数Gyjudge、灰度判断系数gjudge和梯度方向夹角阈值θjudge;其中,90°≥θjudge≥0°;
8)对像素点的有效性进行判断,清零无效点,得到初始有效梯度图;其中,初始有效点具备以下特征:
g(i,j)≥gaver.gjudge
Gy(i,j)≥Gyaver.Gyjudge
(180°-θjudge)≥θ(i,j)≥θjudge
9)遍历初始有效梯度图,判断初始有效点邻域内初始有效点的个数是否大于或等于干扰点阈值Ne,去除干扰点,得到区域生长源图;
10)根据道路交通线的分布特征,对区域生长源图由下至上扫描,得到区域生长初始种子点集合;
11)根据初始种子集合中的种子坐标,在生长源图中进行区域生长,得到包含车道信息的有效点所组成的区域生长结果图;
12)对区域生长结果图进行hough变换,将得到区域生长结果图中的直线集合;
13)对直线集合进行分析筛选,得出符合要求的初始目标直线;
14)根据初始目标直线确定初始扫描区域;
15)对初始扫描区域进行扫描,根据扫描结果得到最终扫描区域;
16)对最终扫描区域进行有效点数量扫描,计算有效点数量占最终扫描区的像素点总量的百分比;当有效点占据最终扫描区的百分比大于或等于密度阈值Dthres时,判定初步目标直线为有效直线;当有效点占据最终扫描区的百分比小于密度阈时,判定初步目标直线为无效直线,认定此时道路中没有停止线;
17)提取有效初始目标直线的图像坐标,认定停止线就在该坐标处,并在原图中显示停止线位置。
2.根据权利要求1所述的一种基于单目视觉的道路停止线检测方法,其特征在于:步骤9)中,干扰点为周围邻域有效点数量小于阈值Ne的像素点。
3.根据权利要求1或2所述的一种基于单目视觉的道路停止线检测方法,其特征在于:步骤11)具体包括以下步骤:
11.1)种子点出栈,得到种子点的坐标信息;
11.2)遍历种子点周围一定大小的邻域,若邻域内存在有效点,则该邻域内所有有效点入栈,并标记有效点;
11.3)重复步骤11.1)和11.2),直至栈为空,得到包含车道信息的有效点所组成的区域生长结果图。
4.根据权利要求1或3所述的一种基于单目视觉的道路停止线检测方法,其特征在于:步骤13)中,直线集合中的直线信息为集合中所有直线的两端点的坐标信息;利用坐标信息计算每条直线段的长度以及其与x正方向的夹角,然后根据直线长度阈值Lthres和角度阈值θthres筛选初始目标直线linit;linit为直线集合中满足角度要求且长度最长的直线。
5.根据权利要求1所述的一种基于单目视觉的道路停止线检测方法,其特征在于:步骤14)中,初始扫描区域的长度和宽度均大于初始目标直线的x坐标和y坐标的范围变化量,初始扫描区域的形状为带状。
6.根据权利要求1所述的一种基于单目视觉的道路停止线检测方法,其特征在于:步骤15)中,遍历初始扫描区域,寻找处于最两端的有效点,根据处于最两端的有效点的x坐标的差值所确定最终扫描区域的长度、初始目标直线的斜率、设定的像素宽度以及初始目标直线的中点坐标来确定最终扫描区域的形状、大小以及位置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911137093.1A CN111079541B (zh) | 2019-11-19 | 2019-11-19 | 一种基于单目视觉的道路停止线检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911137093.1A CN111079541B (zh) | 2019-11-19 | 2019-11-19 | 一种基于单目视觉的道路停止线检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111079541A true CN111079541A (zh) | 2020-04-28 |
CN111079541B CN111079541B (zh) | 2022-03-08 |
Family
ID=70311069
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911137093.1A Active CN111079541B (zh) | 2019-11-19 | 2019-11-19 | 一种基于单目视觉的道路停止线检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111079541B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112330604A (zh) * | 2020-10-19 | 2021-02-05 | 香港理工大学深圳研究院 | 一种从点云数据生成矢量化道路模型的方法 |
CN112712731A (zh) * | 2020-12-21 | 2021-04-27 | 北京百度网讯科技有限公司 | 图像处理方法、装置、***、路侧设备及云控平台 |
CN113091693A (zh) * | 2021-04-09 | 2021-07-09 | 天津大学 | 一种基于图像超分辨率技术的单目视觉长程测距方法 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20130051681A (ko) * | 2011-11-10 | 2013-05-21 | 한국전자통신연구원 | 노면 표식물 인식 시스템 및 방법 |
CN104504364A (zh) * | 2014-11-23 | 2015-04-08 | 北京联合大学 | 基于时空关联的停止线实时识别与测距方法 |
CN105160309A (zh) * | 2015-08-24 | 2015-12-16 | 北京工业大学 | 基于图像形态学分割及区域生长的三车道检测方法 |
CN105740831A (zh) * | 2016-02-02 | 2016-07-06 | 大连楼兰科技股份有限公司 | 一种应用于智能驾驶的停止线检测方法 |
CN105740828A (zh) * | 2016-02-02 | 2016-07-06 | 大连楼兰科技股份有限公司 | 一种基于快速标记连通的停止线检测方法 |
CN105740832A (zh) * | 2016-02-02 | 2016-07-06 | 大连楼兰科技股份有限公司 | 一种应用于智能驾驶的停止线检测与测距算法 |
CN105740827A (zh) * | 2016-02-02 | 2016-07-06 | 大连楼兰科技股份有限公司 | 一种基于快速标记连通的停止线检测与测距算法 |
CN106250816A (zh) * | 2016-07-19 | 2016-12-21 | 武汉依迅电子信息技术有限公司 | 一种基于双摄像头的车道线识别方法及*** |
CN106354135A (zh) * | 2016-09-19 | 2017-01-25 | 武汉依迅电子信息技术有限公司 | 基于北斗高精度定位的车道保持***及方法 |
CN106503678A (zh) * | 2016-10-27 | 2017-03-15 | 厦门大学 | 基于移动激光扫描点云的道路标线自动检测和分类方法 |
CN106529505A (zh) * | 2016-12-05 | 2017-03-22 | 惠州华阳通用电子有限公司 | 一种基于图像视觉的车道线检测方法 |
KR20170052234A (ko) * | 2015-11-04 | 2017-05-12 | 현대모비스 주식회사 | 횡단보도 검출 및 위치추정 방법 |
CN108805060A (zh) * | 2018-05-29 | 2018-11-13 | 杭州视氪科技有限公司 | 一种斑马线型人行横道检测方法 |
-
2019
- 2019-11-19 CN CN201911137093.1A patent/CN111079541B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20130051681A (ko) * | 2011-11-10 | 2013-05-21 | 한국전자통신연구원 | 노면 표식물 인식 시스템 및 방법 |
CN104504364A (zh) * | 2014-11-23 | 2015-04-08 | 北京联合大学 | 基于时空关联的停止线实时识别与测距方法 |
CN105160309A (zh) * | 2015-08-24 | 2015-12-16 | 北京工业大学 | 基于图像形态学分割及区域生长的三车道检测方法 |
KR20170052234A (ko) * | 2015-11-04 | 2017-05-12 | 현대모비스 주식회사 | 횡단보도 검출 및 위치추정 방법 |
CN105740827A (zh) * | 2016-02-02 | 2016-07-06 | 大连楼兰科技股份有限公司 | 一种基于快速标记连通的停止线检测与测距算法 |
CN105740832A (zh) * | 2016-02-02 | 2016-07-06 | 大连楼兰科技股份有限公司 | 一种应用于智能驾驶的停止线检测与测距算法 |
CN105740828A (zh) * | 2016-02-02 | 2016-07-06 | 大连楼兰科技股份有限公司 | 一种基于快速标记连通的停止线检测方法 |
CN105740831A (zh) * | 2016-02-02 | 2016-07-06 | 大连楼兰科技股份有限公司 | 一种应用于智能驾驶的停止线检测方法 |
CN106250816A (zh) * | 2016-07-19 | 2016-12-21 | 武汉依迅电子信息技术有限公司 | 一种基于双摄像头的车道线识别方法及*** |
CN106354135A (zh) * | 2016-09-19 | 2017-01-25 | 武汉依迅电子信息技术有限公司 | 基于北斗高精度定位的车道保持***及方法 |
CN106503678A (zh) * | 2016-10-27 | 2017-03-15 | 厦门大学 | 基于移动激光扫描点云的道路标线自动检测和分类方法 |
CN106529505A (zh) * | 2016-12-05 | 2017-03-22 | 惠州华阳通用电子有限公司 | 一种基于图像视觉的车道线检测方法 |
CN108805060A (zh) * | 2018-05-29 | 2018-11-13 | 杭州视氪科技有限公司 | 一种斑马线型人行横道检测方法 |
Non-Patent Citations (9)
Title |
---|
ASHWIN ARUNMOZHI等: ""Stop Sign and Stop Line Detection and Distance Calculation for Autonomous Vehicle control"", 《2018 IEEE INTERNATIONAL CONFERENCE ON ELECTRO/INFORMATION TECHNOLOGY (EIT)》 * |
CHENGMING YE等: ""Semi-Automated Generation of Road Transition Lines Using Mobile Laser Scanning Data"", 《IEEE TRANSACTIONS ON INTELLIGENT TRANSPORTATION SYSTEMS》 * |
SERGIU NEDEVSCHI等: ""Intersection Representation Enhacement by Sensorial Data and Digital Map Alignment"", 《PROCEEDINGS OF THE 2010 IEEE 6TH INTERNATIONAL CONFERENCE ON INTELLIGENT COMPUTER COMMUNICATION AND PROCESSING》 * |
TIBERIU MARITA等: ""Stop-line Detection and Localization Method for Intersection Scenarios"", 《2011 IEEE 7TH INTERNATIONAL CONFERENCE ON INTELLIGENT COMPUTER COMMUNICATION AND PROCESSING》 * |
介炫惠: ""道路交通标线的检测算法研究"", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
王云建等: ""基于DM6446的车道线快速检测算法"", 《杭州电子科技大学学报》 * |
谢锦等: ""基于方向边缘匹配的人行横道与停止线检测"", 《计算机工程》 * |
郑永荣等: ""基于单目视觉的智能车路口实时定位方法"", 《计算机工程》 * |
钟鹏飞: ""基于机器视觉的非结构化道路识别与障碍物检测研究"", 《中国优秀硕士学位论文全文数据库 农业科技辑》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112330604A (zh) * | 2020-10-19 | 2021-02-05 | 香港理工大学深圳研究院 | 一种从点云数据生成矢量化道路模型的方法 |
CN112712731A (zh) * | 2020-12-21 | 2021-04-27 | 北京百度网讯科技有限公司 | 图像处理方法、装置、***、路侧设备及云控平台 |
CN113091693A (zh) * | 2021-04-09 | 2021-07-09 | 天津大学 | 一种基于图像超分辨率技术的单目视觉长程测距方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111079541B (zh) | 2022-03-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105678285B (zh) | 一种自适应的道路鸟瞰图变换方法和道路车道检测方法 | |
CN111079541B (zh) | 一种基于单目视觉的道路停止线检测方法 | |
CN109784344B (zh) | 一种用于地平面标识识别的图像非目标滤除方法 | |
CN104766058B (zh) | 一种获取车道线的方法和装置 | |
CN110210451B (zh) | 一种斑马线检测方法 | |
CN108921813B (zh) | 一种基于机器视觉的无人机检测桥梁结构裂缝识别方法 | |
CN108052904B (zh) | 车道线的获取方法及装置 | |
CN106407924A (zh) | 基于路面特征的双目道路识别检测方法 | |
CN113221861B (zh) | 一种多车道线检测方法、装置及检测设备 | |
CN108171695A (zh) | 一种基于图像处理的高速公路路面检测方法 | |
CN109635737A (zh) | 基于道路标记线视觉识别辅助车辆导航定位方法 | |
CN104700072A (zh) | 基于车道线历史帧的识别方法 | |
EP1796042B1 (en) | Detection apparatus and method | |
CN113239733A (zh) | 一种多车道车道线检测方法 | |
CN110733416B (zh) | 一种基于逆透视变换的车道偏离预警方法 | |
CN117078717A (zh) | 基于无人机单目相机的道路车辆轨迹提取方法 | |
CN109800641B (zh) | 基于阈值自适应二值化和连通域分析的车道线检测方法 | |
WO2019149213A1 (zh) | 基于影像识别路锥的方法、装置、存储介质以及车辆 | |
CN112949482A (zh) | 一种基于深度学习和视觉定位的非接触式钢轨轨枕相对位移实时测量方法 | |
JP5327241B2 (ja) | 物体識別装置 | |
CN115082701B (zh) | 一种基于双摄像头的多水线交叉识别定位方法 | |
CN114724119B (zh) | 车道线提取方法、检测设备及存储介质 | |
CN104657734B (zh) | 一种道路交通标志检测方法及装置 | |
CN111860113A (zh) | 车道线检测方法及*** | |
CN107066985B (zh) | 一种基于快速霍夫变换的路口斑马线检测方法 |
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 |