CN111563463A - 路面车道线识别方法、装置、电子设备及存储介质 - Google Patents

路面车道线识别方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN111563463A
CN111563463A CN202010393718.7A CN202010393718A CN111563463A CN 111563463 A CN111563463 A CN 111563463A CN 202010393718 A CN202010393718 A CN 202010393718A CN 111563463 A CN111563463 A CN 111563463A
Authority
CN
China
Prior art keywords
line
lane
road surface
lane line
determining
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.)
Pending
Application number
CN202010393718.7A
Other languages
English (en)
Inventor
周康明
张宪法
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Eye Control Technology Co Ltd
Original Assignee
Shanghai Eye Control Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shanghai Eye Control Technology Co Ltd filed Critical Shanghai Eye Control Technology Co Ltd
Priority to CN202010393718.7A priority Critical patent/CN111563463A/zh
Publication of CN111563463A publication Critical patent/CN111563463A/zh
Pending legal-status Critical Current

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
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • 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
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/273—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion removing elements interfering with the pattern to be recognised
    • 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
    • G06V10/30—Noise filtering
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Traffic Control Systems (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供一种路面车道线识别方法、装置、电子设备及存储介质，通过获取目标路面图像，对目标路面图像进行图像分割提取，以获得预测车道线和参考物；利用参考物对预测车道线进行修正，以获得实际车道线，将实际车道线确定为目标路面车道线，由于参考物与预测车道线之间存在一定的参照关系，因此，根据此类参照关系对预测车道线进行修正，相当于增加了车道线的识别特征，可以对车道线的图像识别结果起到修正的作用，提高了路面车道线识别的正确率，解决了由于路面车道线识别错误而造成的车辆违法行驶判断的准确性低的问题，提高了车辆违法行驶判断的准确性和时效性。

Description

路面车道线识别方法、装置、电子设备及存储介质
技术领域
本发明涉及图像识别技术领域，尤其涉及一种路面车道线识别方法、装置、电子设备及存储介质。
背景技术
在人工智能交通领域，交通路口的各类信息对于分析路口情况很重要，交警支队车辆违法审核人员会根据车辆在红灯时有没有越过停止线进行判罚闯红灯，会根据路面实线和车辆的位置进行判罚有无违规变道以及压线，会根据路面导向线和车辆行驶方向判断有无逆行等等。其中，路面车道线用于限制车辆的行驶方向，对于识别车辆是否违法行驶尤为重要。
现有技术中，通常利用安装在交通路口的视频摄像头等图像采集装置对路面图像进行采集和识别，根据图像识别的结果，判断车辆是否存在压线、违规变道、逆行等交通违法行为。
但是，现有技术中在识别交通路口的路面图像时，由于光线或者路面污损等原因，会导致路面车道线的识别错误，造成对车辆进行违法行驶判断的准确性低、重复识别导致时效性差的问题。
发明内容
本发明提供一种路面车道线识别方法、装置、电子设备及存储介质，用以解决由于路面车道线的识别错误而造成的车辆违法行驶判断的准确性低、重复识别导致时效性差的问题。
根据本公开实施例的第一方面，本发明提供了一种路面车道线识别方法、装置、电子设备及存储介质，所述方法包括：
获取目标路面图像；
对所述目标路面图像进行图像分割提取，以获得预测车道线和参考物；
利用所述参考物对所述预测车道线进行修正，以获得实际车道线；
将所述实际车道线确定为所述目标路面车道线。
可选地，所述对所述目标路面图像进行图像分割提取，以获得预测车道线和参考物，包括：
获取训练至收敛的路面特征识别模型；
通过所述路面特征识别模型对所述目标路面图像进行分割提取，以获得预测车道线和参考物。
可选地，所述参考物包括至少一条路面导向线和路面停止线；所述获取训练至收敛的路面特征识别模型之前，还包括：
获取路面特征识别模型的训练样本，所述训练样本为训练路面图像，所述训练路面图像中包括带标记的车道线、路面导向线和路面停止线；
利用所述训练样本对初始路面特征识别模型进行训练，直至满足预设的模型收敛条件，以获得所述训练至收敛的路面特征识别模型。
可选地，所述利用所述参考物对所述预测车道线进行修正，以获得实际车道线，包括：
根据所述预测车道线与所述参考物的关系，确定噪声车道线；
去除所述预测车道线中的噪声车道线，以获得所述实际车道线。
可选地，所述参考物包括至少一条路面导向线，所述预测车道线包括至少一个车道边界线，所述根据所述预测车道线与所述参考物的关系，确定噪声车道线，包括：
根据所述车道边界线与所述路面导向线的关系，确定第一噪声车道线。
可选地，所述根据所述车道边界线与所述路面导向线的关系，确定第一噪声车道线，包括：
获取车道边界线的长度和路面导向线的长度；
若所述车道边界线的长度小于所述路面导向线中最短路面导向线的长度，则将该车道边界线确定为第一噪声车道线。
可选地，所述根据所述车道边界线与所述路面导向线的关系，确定第一噪声车道线，包括：
确定各所述车道边界线与各所述路面导向线的垂直距离；
若所述车道边界线与某所述路面导向线的垂直距离小于第一预设距离阈值，则将该车道边界线确定为第一噪声车道线。
可选地，所述参考物包括路面停止线，所述预测车道线包括一个以上的车道边界线，所述根据所述预测车道线与所述参考物的关系，确定噪声车道线，包括：
根据所述车道边界线与所述路面停止线的关系，确定第二噪声车道线。
可选地，所述根据所述车道边界线与所述路面停止线的关系，确定第二噪声车道线，包括：
根据所述路面停止线确定所述目标路面图像中的目标路面区域和非目标路面区域；
若所述车道边界线处于非目标路面区域，则将该车道边界线确定为第二噪声车道线。
可选地，所述参考物包括消失点，所述预测车道线包括二条以上的车道边界线，所述根据所述预测车道线与所述参考物的关系，确定噪声车道线，包括：
根据所述车道边界线与所述消失点的关系，确定第三噪声车道线。
可选地，所述根据所述车道边界线与所述消失点的关系，确定第三噪声车道线，包括：
根据各所述消失点的位置确定中心消失点；
若所述车道边界线与所述中心消失点的垂直距离大于第二预设距离阈值，则将该车道边界线确定为第三噪声车道线。
可选地，在将所述实际车道线确定为所述目标路面车道线之后，还包括：
将所述目标路面车道线保存为与所述目标路面对应的结构性文件。
根据本公开实施例的第二方面，本发明提供了一种路面车道线识别装置，包括：
图像获取模块，用于获取目标路面图像；
图像提取模块，用于对所述目标路面图像进行图像分割提取，以获得预测车道线和参考物；
车道线修正模块，用于利用所述参考物对所述预测车道线进行修正，以获得实际车道线；
车道线确定模块，用于将所述实际车道线确定为所述目标路面车道线。
可选地，所述图像提取模块，具体用于：
获取训练至收敛的路面特征识别模型；
通过所述路面特征识别模型对所述目标路面图像进行分割提取，以获得预测车道线和参考物。
可选地，所述参考物包括至少一条路面导向线和路面停止线；所述图像提取模块，还用于：
获取路面特征识别模型的训练样本，所述训练样本为训练路面图像，所述训练路面图像中包括带标记的车道线、路面导向线和路面停止线；
利用所述训练样本对初始路面特征识别模型进行训练，直至满足预设的模型收敛条件，以获得所述训练至收敛的路面特征识别模型。
可选地，所述车道线修正模块，具体用于：
根据所述预测车道线与所述参考物的关系，确定噪声车道线；
去除所述预测车道线中的噪声车道线，以获得所述实际车道线。
可选地，所述参考物包括至少一条路面导向线，所述预测车道线包括至少一个车道边界线，所述车道线修正模块在根据所述预测车道线与所述参考物的关系，确定噪声车道线时，具体用于：
根据所述车道边界线与所述路面导向线的关系，确定第一噪声车道线。
可选地，所述车道线修正模块在根据所述车道边界线与所述路面导向线的关系，确定第一噪声车道线时，具体用于：
获取车道边界线的长度和路面导向线的长度；
若所述车道边界线的长度小于所述路面导向线中最短路面导向线的长度，则将该车道边界线确定为第一噪声车道线。
可选地，所述车道线修正模块在根据所述车道边界线与所述路面导向线的关系，确定第一噪声车道线时，具体用于：
确定各所述车道边界线与各所述路面导向线的垂直距离；
若所述车道边界线与某所述路面导向线的垂直距离小于第一预设距离阈值，则将该车道边界线确定为第一噪声车道线。
可选地，所述参考物包括路面停止线，所述预测车道线包括一个以上的车道边界线，所述车道线修正模块在根据所述预测车道线与所述参考物的关系，确定噪声车道线时，具体用于：
根据所述车道边界线与所述路面停止线的关系，确定第二噪声车道线。
可选地，所述车道线修正模块在根据所述车道边界线与所述路面停止线的关系，确定第二噪声车道线时，具体用于：
根据所述路面停止线确定所述目标路面图像中的目标路面区域和非目标路面区域；
若所述车道边界线处于非目标路面区域，则将该车道边界线确定为第二噪声车道线。
可选地，所述参考物包括消失点，所述预测车道线包括二条以上的车道边界线，所述车道线修正模块在根据所述预测车道线与所述参考物的关系，确定噪声车道线时，具体用于：
根据所述车道边界线与所述消失点的关系，确定第三噪声车道线。
可选地，所述车道线修正模块在根据所述车道边界线与所述消失点的关系，确定第三噪声车道线时，具体用于：
根据各所述消失点的位置确定中心消失点；
若所述车道边界线与所述中心消失点的垂直距离大于第二预设距离阈值，则将该车道边界线确定为第三噪声车道线。
可选地，所述车道线确定模块还用于：
将所述目标路面车道线保存为与所述目标路面对应的结构性文件。
根据本公开实施例的第三方面，本发明提供了一种电子设备，包括：存储器，处理器以及计算机程序；
其中，所述计算机程序存储在所述存储器中，并被配置为由所述处理器执行如本公开实施例第一方面任一项所述的路面车道线识别方法。
根据本公开实施例的第四方面，本发明提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机执行指令，所述计算机执行指令被处理器执行时用于实现如本公开实施例第一方面任一项所述的路面车道线识别方法。
本发明提供的路面车道线识别方法、装置、电子设备及存储介质，通过获取目标路面图像，对所述目标路面图像进行图像分割提取，以获得预测车道线和参考物；利用所述参考物对所述预测车道线进行修正，以获得实际车道线，将所述实际车道线确定为所述目标路面车道线，由于参考物与预测车道线之间存在一定的参照关系，因此，根据此类参照关系对预测车道线进行修正，相当于增加了车道线的识别特征，可以对车道线的图像识别结果起到修正的作用，提高了路面车道线识别的正确率，解决了由于路面车道线识别错误而造成的车辆违法行驶判断的准确性低的问题，提高了车辆违法行驶判断的准确性和时效性。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。
图1为本发明实施例提供的路面车道线识别方法的一种应用场景图；
图2为本发明一个实施例提供的路面车道线识别方法的流程图；
图3为本发明另一个实施例提供的路面车道线识别方法的流程图；
图4为本发明再一个实施例提供的路面车道线识别方法的流程图；
图5为图4所示实施例中步骤S304的流程图；
图6为步骤S304的实现方式一中车道边界线与路面导向线的尺寸关系示意图；
图7为步骤S304的实现方式二中车道边界线与路面导向线的位置关系示意图；
图8为图4所示实施例中步骤S305的流程图；
图9为步骤S305中车道边界线与路面停止线的关系示意图；
图10为图4所示实施例中步骤S306的流程图；
图11为步骤S306中车道边界线与消失点的关系示意图；
图12为本发明一个实施例提供的路面车道线识别装置的结构示意图；
图13为本发明一个实施例提供的电子设备的结构示意图。
通过上述附图，已示出本公开明确的实施例，后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本公开构思的范围，而是通过参考特定实施例为本领域技术人员说明本公开的概念。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
首先对本发明所涉及的名词进行解释：
消失点：平行线的视觉相交点，根据透视原理，在二维图像上表现一组平行向远处延伸的直线时，该组平行直线会在远处的一点相交，该相交点即为消失点，例如在平面图像中向远处延伸的公路车道线，由于公路线相互平行，因此随着视觉上的距离的增加，两条平行的公路线会交汇于消失点。
下面对本发明实施例的应用场景进行解释：
图1为本发明实施例提供的路面车道线识别方法的一种应用场景图，如图1所示，在该应用场景中，本发明实施例提供的路面车道线识别方法应用于电子设备1，电子设备包括图像采集装置11，图像采集装置11设置于交通路口，电子设备1通过图像采集装置11采集交通路口的视频图像，并应用本发明实施例提供的路面车道线识别方法对道路线进行识别。车道线识别结果2可以通过电子设备1上的显示装置12进行显示，并对该车道线识别结果2以结构性文件的方式进行保存，电子设备1根据该车道线识别结果2对交通路口的车辆进行违法行驶判断。
现有技术中，对交通路面的车道线进行识别，由于各个交通路面的布局、构造不同，一般是通过采集路面图像后进行通用化的图像识别，将识别结果直接作为实际车道线。但仅依靠图像中像素点的信息而确定物体的大小、形状，实现车道线识别的方法，当由于光线暗或者路面污损等原因造成图像不清晰时，采集到的图像像素点信息往往不能表达真实的图像像素点信息，因此，常常导致路面的车道线识别出现错误。而同时，图像信息中各个物体之间，依照先验知识，是存在一定的参照关系的，由于该参照关系在之前通用化的图像识别过程中，并未被考虑，因此，相当于浪费了有效信息，造成了路面车道线识别准确度较低，以及重复识别影响时效性的问题。
下面以具体地实施例对本发明的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图，对本发明的实施例进行描述。
图2为本发明一个实施例提供的路面车道线识别方法的流程图，如图2所示，本实施例提供的路面车道线识别方法包括以下几个步骤：
步骤S101，获取目标路面图像。
其中，目标路面图像可以为目标路面的二维图像，例如二维的照片或视频。获取目标路面图像的方式有多种，例如通过图像采集装置直接采集目标路面的二维图像，或者接受其他电子设备传输的原始或经过处理后的二维图像，此处不做具体限定。
步骤S102，对目标路面图像进行图像分割提取，以获得预测车道线和参考物。
图像分割提取包括对图像中的不同物体进行分割和提取，即图像识别。具体地，对目标路面图像进行图像分割提取，即将目标路面图像中的不同物体，例如各种车道线、交通指示线、斑马线，或者交通围栏、交通信号灯等不同物体进行识别和区分、其中，分割提取后的车道线是图像识别的结果，即预测车道线；参考物是除车道线外，与车道线有大小、位置参照关系的其他物体。
步骤S103，利用参考物对预测车道线进行修正，以获得实际车道线。
具体地，由于参考物与预测车道线之间存在一定的参照关系，例如，车道线与车道中间的直行导向线是平行关系，车道线与车道停止线则不是平行关系，而此类先验知识在之前的图像识别过程中，并未被考虑，因此，根据此类参照关系对预测车道线进行修正，相当于增加了车道线的识别特征，可以对车道线的图像识别结果起到修正的作用。
步骤S104，将实际车道线确定为目标路面车道线。
将修正后的实际车道线确定为目标路面的车道线，提高车道线的识别准确性。
本实施例中，通过获取目标路面图像，对目标路面图像进行图像分割提取，以获得预测车道线和参考物；利用参考物对预测车道线进行修正，以获得实际车道线，将实际车道线确定为目标路面车道线，由于参考物与预测车道线之间存在一定的参照关系，因此，根据此类参照关系对预测车道线进行修正，相当于增加了车道线的识别特征，可以对车道线的图像识别结果起到修正的作用，提高了路面车道线识别的正确率，解决了由于路面车道线识别错误而造成的车辆违法行驶判断的准确性低的问题，提高了车辆违法行驶判断的准确性和时效性。
图3为本发明另一个实施例提供的路面车道线识别方法的流程图，如图3所示，本实施例提供的路面车道线识别方法在图2所示实施例提供的路面车道线识别方法的基础上，对步骤S102-S103进一步细化，则本实施例提供的路面车道线识别方法包括以下几个步骤：
步骤S201，获取目标路面图像。
步骤S202，获取训练至收敛的路面特征识别模型。
具体地，路面特征识别模型是用于对交通路面的图像进行处理，并具备识别其中的具体物体特征的数学模型，例如，利用路面特征识别模型，可以将交通路面的图像中的车辆、车道线、导向线、斑马线等具体的物体进行分割和提取。
可选地，路面特征识别模型采用基于语义的分割网络PSPNet实现。
路面特征识别模型的实现方式有多种，例如基于神经网络的路面特征识别模型，当然，可以理解的是，路面特征识别模型不局限与神经网络模型，其他机器学习算法也能够实现上述路面特征识别模型，此处不做具体限定。
步骤S203，通过路面特征识别模型对目标路面图像进行分割提取，以获得预测车道线和参考物。
具体地，利用路面特征识别模型对目标路面图像进行分割提取后，可以获得以获得预测车道线和参考物，本实施例步骤中，由于路面特征识别模型，是针对性的区别交通路面上所特有的物体特征所构建的数学模型，因此，可以更好的识别交通路面上的物体特征，即预测车道线和参考物，提高预测车道线和参考物的识别正确率，减少其他不相关物体对识别预测车道线和参考物的干扰，提高算法的准确度和效率。
可选地，参考物包括至少一条路面导向线和路面停止线；获取训练至收敛的路面特征识别模型之前，还包括：
获取路面特征识别模型的训练样本，训练样本为训练路面图像，训练路面图像中包括带标记的车道线、路面导向线和路面停止线。
利用训练样本对初始路面特征识别模型进行训练，直至满足预设的模型收敛条件，以获得训练至收敛的路面特征识别模型。
步骤S204，根据预测车道线与参考物的关系，确定噪声车道线。
具体地，当由于光线暗或者路面污损等原因造成图像不清晰时，采集到的图像像素点信息往往不能表达真实的图像像素点信息，因此，常常导致路面的车道线识别出现错误。即预测车道线中，包含预测正确的实际车道线和预测错误的噪声车道线。噪声车道线包括由于形状类似导致错误识别为车道线的形状及标志物，例如，目标路面以内的导向线、斑马线；目标路面以外的导向线、斑马线、道路线，以及图像中的其他形状或标志物。
根据参考物与预测车道线的关系，可以将预测车道线中的不符合先验知识的车道线，确定为噪声车道线，例如，根据先验知识，车道线的长度较导向线更长，因此，对于长度短于导向线的车道线，可以确定为噪声车道线。因此，通过不同的先验知识，可以对应生成多种噪声车道线的确定方法，此处不对具体确定噪声车道线的方式进行限定。
步骤S205，去除预测车道线中的噪声车道线，以获得实际车道线。
预测车道线中包含有噪声车道线，若使用预测错误的噪声车道线对车辆行驶违法行为进行判断，会导致违法行驶判断的错误，因此，通过去除预测车道线中的噪声车道线，以获得实际车道线，利用实际车道线进行后续的违法行驶判断，能够有效提高违法行驶判断的准确性。
步骤S206，将实际车道线确定为目标路面车道线。
本实施例中，步骤S201、步骤S206的实现方式与本发明图2所示实施例中的步骤S101、步骤S204的实现方式相同，在此不再一一赘述。
图4为本发明再一个实施例提供的路面车道线识别方法的流程图，如图4所示，本实施例提供的路面车道线识别方法在图3所示实施例提供的路面车道线识别方法的基础上，对步骤S204进一步细化，并在步骤S206之后增加了将目标路面车道线保存为结构性文件的步骤，则本实施例提供的路面车道线识别方法包括以下几个步骤：
步骤S301，获取目标路面图像。
步骤S302，获取训练至收敛的路面特征识别模型。
步骤S303，通过路面特征识别模型对目标路面图像进行分割提取，以获得预测车道线和参考物。
可选地，参考物包括至少一条路面导向线，预测车道线包括至少一个车道边界线。
步骤S304，根据车道边界线与路面导向线的关系，确定第一噪声车道线。
具体地，车道边界线与路面导向线之间存在一定的参考关系，一般来说，路面导向线设置在由两条相邻的车道边界线组成的行车道的中部，并与两侧相邻的车道边界线之间具有特定的尺寸和位置关系，根据该特定的尺寸和位置关系，可以实现对预测车道线中的车道边界线进行甄别，不符合该特定的尺寸和位置关系车道边界线，为第一噪声车道线。
可选地，步骤S304包括两种不同的实现方式，步骤S304中的两种实现方式可以根据具体情况单独执行或同时执行，且两种实现方式在同时执行时，不对先后顺序做具体限定。
可选地，如图5所示，在本实施例步骤中，步骤S304中的实现方式一和实现方式二依次执行。其中，实现方式一包括S3041、S3042两个具体的实现步骤：
步骤S3041，获取车道边界线的长度和路面导向线的长度。
步骤S3042，若车道边界线的长度小于路面导向线中最短路面导向线的长度，则将该车道边界线确定为第一噪声车道线。
可选地，确定为第一噪声车道线的具体方法包括：
设车道边界线的轮廓为L＝{l1,l2,l3,…,li,…ln},路面导向线轮廓为G＝{g1,g2,g3,…,gj,…,gm}，停止线为S＝{s1,s2,s3,…,si,…,sm}，其中li表示第i条车车道边界线轮廓，gj表示第j条路面导向线轮廓，si表示第i条停止线轮廓；设lRi表示li的轮廓的最小外接矩形，
Figure BDA0002486871600000111
表示矩形lRi的宽和高；设gRj表示gj的轮廓的最小外接矩形，
Figure BDA0002486871600000112
表示矩形gRj的宽和高；设lFi表示li的拟合线段，
Figure BDA0002486871600000113
表示lFi在图像X上的上顶点和下顶点，
Figure BDA0002486871600000114
表示lFi的斜率和偏置。
可选地，在将车道边界线的长度和路面导向线的长度进行比较之前，可以根据车道边界线的长度进行预筛选，去除长度过小的车道边界线，提高数据处理效率。
具体地，如果
Figure BDA0002486871600000115
并且
Figure BDA0002486871600000116
则li进行保留，否则进行剔除，th1为像素点，可选地，th1＝50。
可选地，在将车道边界线的长度和路面导向线的长度进行比较之前，可以根据道路导向线的位置信息，对路面导向线进行预筛选，去除路面导向线中的不合理的路面导向线，提高计算准确度。
具体地，计算导向线轮廓gj的中心点Cgj(x,y)，并判断中心点Cgj(x,y)的y值是否大于0.5h，其中h为图像高度。如果大于，则保留li，否则进行滤除，因为压线判罚仅对图像中靠近摄像头的路口，此路口一般在图像中的下半部，而图像中较远的路口一般位于图像的上半部，因此设置阈值为0.5h，即图像的二分之一高度。
通过式(1)计算li拟合线lFi的长度lenFi和式(5)计算最小外接矩形gRj的对角线长度lenRi,并判断两个长度的大小关系，如果lenFi<lenRi，则确定该车道边界线为第一噪声车道线，因为根据先验知识，车道线的长度大于导向线的长度。
Figure BDA0002486871600000121
Figure BDA0002486871600000122
其中，图6为步骤S304的实现方式一中车道边界线与路面导向线的尺寸关系示意图，如图6所示，由于车道边界线61的长度小于各路面导向线62的长度，因此将车道边界线61确定为第一噪声车道线。
实现方式二包括S3043、S3044两个具体的实现步骤：
步骤S3043，确定各车道边界线与各路面导向线的垂直距离。
步骤S3044，若车道边界线与某路面导向线的垂直距离小于第一预设距离阈值，则将该车道边界线确定为第一噪声车道线。
可选地，确定为第一噪声车道线的具体方法包括：
通过式(3)计算gj上的每一个点gj(xk,yk)构成的直线y＝gj(yk)与直线lFi上的交点(glikx,gj(yk))，并判断是否满足(gj(xk)-glikx)>thresh1，如果满足，那么统计满足此关系的点个数变量numj+1。当所有的点都进行统计完成后，如果存在numj大于thresh2，视为车道边界线与路面导向线过近或重合，不符合车道边界线与路面导向线的位置关系，那么滤除该车道边界线，否则进行保留。
Figure BDA0002486871600000123
可选地，thresh1为第一预设距离阈值，thresh2为个数阈值，可选地，thresh1＝30；thresh2＝5。
其中，图7为步骤S304的实现方式二中，车道边界线与路面导向线的位置关系示意图，如图7所示，由于车道边界线71与路面导向线72的垂直距离小于第一预设距离阈值，因此将车道线b确定为第一噪声车道线。
可选地，参考物包括路面停止线，预测车道线包括一个以上的车道边界线。
步骤S305，根据车道边界线与路面停止线的关系，确定第二噪声车道线。
具体地，路面停止线即由车道线组成的车道的顶端，汽车在路面的车道内行驶，在路口红灯时，则停止在路面停止线前。在对车辆进行违法行驶判断时，通过图像采集装置采集的目标路面图像，主要用于判断路面停止线之前的违法行驶，而超过路面停止线一侧的目标路面，由于距离较远，清晰度较低，因此由另一侧的图像采集装置进行图像采集。即，超过路面停止线的车道边界线，并不能起到对车辆进行违法行驶判断的作用，因此，不符合车道边界线与路面停止线关系的，可以确定为第二噪声车道线。
可选地，如图8所示，步骤S305包括S3051、S3052两个具体的实现步骤：
步骤S3051，根据路面停止线确定目标路面图像中的目标路面区域和非目标路面区域。
具体地，目标路面区域即路面停止线靠近图像采集装置一侧的路面区域；非目标路面区域即路面停止线原理图像采集装置一侧的路面区域。
步骤S3052，若车道边界线处于非目标路面区域，则将该车道边界线确定为第二噪声车道线。
具体地，对车道边界线所处的位置进行判断，若处于非目标路面区域，即该车道边界线为对面路口的车道边界线，不属于本侧的图像采集装置监测的区域，因此将该车道边界线确定为第二噪声车道线。
图9为步骤S305中，车道边界线与路面停止线的关系示意图，如图9所示，车道边界线91在路面停止线92远端的非目标路面区域，因此将该车道边界线91确定为第二噪声车道线。
可选地，参考物包括消失点，预测车道线包括二条以上的车道边界线。
步骤S306，根据车道边界线与消失点的关系，确定第三噪声车道线。
根据透视原理，平行的车道边界线在二维图像中会相交于一点，即消失点。车道边界线与消失点之间存在一定的参考关系，消失点为不同的车道边界线延伸后的相交点，因此，根据预测车道线中二条以上的车道边界线，可以确定多个消失点。根据先验知识，道路上的多个车道边界线，均是平行的，因此，多个车道边界线的消失点是具有一定的参照关系的，不符合该特定的参照关系的车道边界线，为第三噪声车道线。
可选地，如图10所示，步骤S306包括S3061、S3062两个具体的实现步骤：
步骤S3061，根据各消失点的位置确定中心消失点。
在路口会具有n条车道边界线的情况下，则存在个N＝n×(n-1)/2个消失点。可选地，该N个消失点的像素坐标进行求平均，可以获得基于该N个消失点的中心消失点。
可选地，为了进一步提高中心消失点的准确性，可以在确定中心消失点之前，去除位置偏差较大的消失点，然后在对剩余偏差较小的消失点求平均，并确定中心消失点，以提高本实施例步骤中确定中心消失点时的鲁棒性。
步骤S3062，若车道边界线与中心消失点的垂直距离大于第二预设距离阈值，则将该车道边界线确定为第三噪声车道线。
根据先验知识，由于在真实的目标路面上，各车道边界线处于平行状态，因此，目标路面图像中各车道边界线的消失点，应该聚集在一个靠近的区域内，计算车道边界线与中心消失点的垂直距离，根据垂直距离可以判断该车道边界线与其他车道线在真实的目标路面是否处于平行状态。若车道边界线与中心消失点的垂直距离大于第二预设距离阈值，说明该车道边界线与其他车道边界并不是平行状态，即可确定该车道边界线为第三噪声车道线。
图11为步骤S306中，车道边界线与消失点的关系示意图，如图11所示，车道边界线111与中心消失点112的垂直距离113大于第二预设距离阈值，因此将该车道边界线111确定为第三噪声车道线。
步骤S307，去除预测车道线中的噪声车道线，以获得实际车道线。
噪声车道线包括第一噪声车道线、第二噪声车道线、第三噪声车道线中的至少一种。
本实施例步骤中，通过步骤S304-步骤S306，依次通过参考物确定预测车道线中的第一噪声车道线、第二噪声车道线、第三噪声车道线，并将其从预测车道线中滤除，避免错误的预测车道线对违法行驶判断的影响，提高了本实施例提出的车道线识别方法的准确性和时效性。
步骤S308，将实际车道线确定为目标路面车道线。
步骤S309，将目标路面车道线保存为与目标路面对应的结构性文件。
可选地，在获取目标路面车道线后，将目标路面车道线保存为与目标路面对应的结构性文件，并发送至服务器进行保存。在之后根据目标路面车道线进行违法行驶判断时，可以直接调用该结构性文件使用，提高对车辆进行违法行驶判断的准确性和时效性，通过还可以将该结构性文件移植至相似的路面区域使用，提高使用灵活性。
本实施例中，步骤S301-步骤S303、步骤S307-步骤S308的实现方式与本发明图3所示实施例中的步骤S201-步骤S203、步骤S205-步骤206的实现方式相同，在此不再一一赘述。
图12为本发明一个实施例提供的路面车道线识别装置的结构示意图，如图12所示，本实施例提供的路面车道线识别装置4包括：
图像获取模块41，用于获取目标路面图像。
图像提取模块42，用于对目标路面图像进行图像分割提取，以获得预测车道线和参考物。
车道线修正模块43，用于利用参考物对预测车道线进行修正，以获得实际车道线。
车道线确定模块44，用于将实际车道线确定为目标路面车道线。
可选地，图像提取模块42，具体用于：
获取训练至收敛的路面特征识别模型。
通过路面特征识别模型对目标路面图像进行分割提取，以获得预测车道线和参考物。
可选地，参考物包括至少一条路面导向线和路面停止线；图像提取模块42，还用于：
获取路面特征识别模型的训练样本，训练样本为训练路面图像，训练路面图像中包括带标记的车道线、路面导向线和路面停止线。
利用训练样本对初始路面特征识别模型进行训练，直至满足预设的模型收敛条件，以获得训练至收敛的路面特征识别模型。
可选地，车道线修正模块43，具体用于：
根据预测车道线与参考物的关系，确定噪声车道线。
去除预测车道线中的噪声车道线，以获得实际车道线。
可选地，参考物包括至少一条路面导向线，预测车道线包括至少一个车道边界线，车道线修正模块43在根据预测车道线与参考物的关系，确定噪声车道线时，具体用于：
根据车道边界线与路面导向线的关系，确定第一噪声车道线。
可选地，车道线修正模块43在根据车道边界线与路面导向线的关系，确定第一噪声车道线时，具体用于：
获取车道边界线的长度和路面导向线的长度。
若车道边界线的长度小于路面导向线中最短路面导向线的长度，则将该车道边界线确定为第一噪声车道线。
可选地，车道线修正模块43在根据车道边界线与路面导向线的关系，确定第一噪声车道线时，具体用于：
确定各车道边界线与各路面导向线的垂直距离。
若车道边界线与某路面导向线的垂直距离小于第一预设距离阈值，则将该车道边界线确定为第一噪声车道线。
可选地，参考物包括路面停止线，预测车道线包括一个以上的车道边界线，车道线修正模块43在根据预测车道线与参考物的关系，确定噪声车道线时，具体用于：
根据车道边界线与路面停止线的关系，确定第二噪声车道线。
可选地，车道线修正模块43在根据车道边界线与路面停止线的关系，确定第二噪声车道线时，具体用于：
根据路面停止线确定目标路面图像中的目标路面区域和非目标路面区域。
若车道边界线处于非目标路面区域，则将该车道边界线确定为第二噪声车道线。
可选地，参考物包括消失点，预测车道线包括二条以上的车道边界线，车道线修正模块43在根据预测车道线与参考物的关系，确定噪声车道线时，具体用于：
根据车道边界线与消失点的关系，确定第三噪声车道线。
可选地，车道线修正模块43在根据车道边界线与消失点的关系，确定第三噪声车道线时，具体用于：
根据各消失点的位置确定中心消失点。
若车道边界线与中心消失点的垂直距离大于第二预设距离阈值，则将该车道边界线确定为第三噪声车道线。
可选地，车道线确定模块44还用于：
将目标路面车道线保存为与目标路面对应的结构性文件。
其中，图像获取模块41、图像提取模块42、车道线修正模块43、车道线确定模块44依次连接。本实施例提供的路面车道线识别装置4可以执行如图2-图11所对应的的实施例中任一实施例提供的路面车道线识别方法，其实现原理和技术效果类似，此处不再赘述。
图13为本发明一个实施例提供的电子设备的示意图，如图13所示，本实施例提供的电子设备包括：存储器51，处理器52以及计算机程序。
其中，计算机程序存储在存储器51中，并被配置为由处理器52执行以实现本发明图2-图11所对应的实施例中任一实施例提供的路面车道线识别方法。
其中，存储器51和处理器52通过总线53连接。
相关说明可以对应参见图2-图11所对应的实施例中的步骤所对应的相关描述和效果进行理解，此处不做过多赘述。
本发明一个实施例提供一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行以实现本发明图2-图11所对应的实施例中任一实施例提供的路面车道线识别方法。
其中，计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
在本发明所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个模块或组件可以结合或者可以集成到另一个***，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或模块的间接耦合或通信连接，可以是电性，机械或其它的形式。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本发明的其它实施方案。本发明旨在涵盖本发明的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本发明未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本发明的真正范围和精神由下面的权利要求书指出。
应当理解的是，本发明并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本发明的范围仅由所附的权利要求书来限制。

Claims (15)

1.一种路面车道线识别方法，其特征在于，所述方法包括：
获取目标路面图像；
对所述目标路面图像进行图像分割提取，以获得预测车道线和参考物；
利用所述参考物对所述预测车道线进行修正，以获得实际车道线；
将所述实际车道线确定为所述目标路面车道线。
2.根据权利要求1所述的方法，其特征在于，所述对所述目标路面图像进行图像分割提取，以获得预测车道线和参考物，包括：
获取训练至收敛的路面特征识别模型；
通过所述路面特征识别模型对所述目标路面图像进行分割提取，以获得预测车道线和参考物。
3.根据权利要求2所述的方法，其特征在于，所述参考物包括至少一条路面导向线和路面停止线；所述获取训练至收敛的路面特征识别模型之前，还包括：
获取路面特征识别模型的训练样本，所述训练样本为训练路面图像，所述训练路面图像中包括带标记的车道线、路面导向线和路面停止线；
利用所述训练样本对初始路面特征识别模型进行训练，直至满足预设的模型收敛条件，以获得所述训练至收敛的路面特征识别模型。
4.根据权利要求1所述的方法，其特征在于，所述利用所述参考物对所述预测车道线进行修正，以获得实际车道线，包括：
根据所述预测车道线与所述参考物的关系，确定噪声车道线；
去除所述预测车道线中的噪声车道线，以获得所述实际车道线。
5.根据权利要求4所述的方法，其特征在于，所述参考物包括至少一条路面导向线，所述预测车道线包括至少一个车道边界线，所述根据所述预测车道线与所述参考物的关系，确定噪声车道线，包括：
根据所述车道边界线与所述路面导向线的关系，确定第一噪声车道线。
6.根据权利要求5所述的方法，其特征在于，所述根据所述车道边界线与所述路面导向线的关系，确定第一噪声车道线，包括：
获取车道边界线的长度和路面导向线的长度；
若所述车道边界线的长度小于所述路面导向线中最短路面导向线的长度，则将该车道边界线确定为第一噪声车道线。
7.根据权利要求5所述的方法，其特征在于，所述根据所述车道边界线与所述路面导向线的关系，确定第一噪声车道线，包括：
确定各所述车道边界线与各所述路面导向线的垂直距离；
若所述车道边界线与某所述路面导向线的垂直距离小于第一预设距离阈值，则将该车道边界线确定为第一噪声车道线。
8.根据权利要求4所述的方法，其特征在于，所述参考物包括路面停止线，所述预测车道线包括一个以上的车道边界线，所述根据所述预测车道线与所述参考物的关系，确定噪声车道线，包括：
根据所述车道边界线与所述路面停止线的关系，确定第二噪声车道线。
9.根据权利要求8所述的方法，其特征在于，所述根据所述车道边界线与所述路面停止线的关系，确定第二噪声车道线，包括：
根据所述路面停止线确定所述目标路面图像中的目标路面区域和非目标路面区域；
若所述车道边界线处于非目标路面区域，则将该车道边界线确定为第二噪声车道线。
10.根据权利要求4所述的方法，其特征在于，所述参考物包括消失点，所述预测车道线包括二条以上的车道边界线，所述根据所述预测车道线与所述参考物的关系，确定噪声车道线，包括：
根据所述车道边界线与所述消失点的关系，确定第三噪声车道线。
11.根据权利要求10所述的方法，其特征在于，所述根据所述车道边界线与所述消失点的关系，确定第三噪声车道线，包括：
根据各所述消失点的位置确定中心消失点；
若所述车道边界线与所述中心消失点的垂直距离大于第二预设距离阈值，则将该车道边界线确定为第三噪声车道线。
12.根据权利要求1-11任一项所述的方法，其特征在于，在将所述实际车道线确定为所述目标路面车道线之后，还包括：
将所述目标路面车道线保存为与所述目标路面对应的结构性文件。
13.一种路面车道线识别装置，其特征在于，所述装置包括：
图像获取模块，用于获取目标路面图像；
图像提取模块，用于对所述目标路面图像进行图像分割提取，以获得预测车道线和参考物；
车道线修正模块，用于利用所述参考物对所述预测车道线进行修正，以获得实际车道线；
车道线确定模块，用于将所述实际车道线确定为所述目标路面车道线。
14.一种电子设备，其特征在于，包括：存储器，处理器以及计算机程序；
其中，所述计算机程序存储在所述存储器中，并被配置为由所述处理器执行以实现如权利要求1-12中任一项所述的路面车道线识别方法。
15.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机执行指令，所述计算机执行指令被处理器执行时用于实现如权利要求1至12任一项所述的路面车道线识别方法。
CN202010393718.7A 2020-05-11 2020-05-11 路面车道线识别方法、装置、电子设备及存储介质 Pending CN111563463A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010393718.7A CN111563463A (zh) 2020-05-11 2020-05-11 路面车道线识别方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010393718.7A CN111563463A (zh) 2020-05-11 2020-05-11 路面车道线识别方法、装置、电子设备及存储介质

Publications (1)

Publication Number Publication Date
CN111563463A true CN111563463A (zh) 2020-08-21

Family

ID=72073369

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010393718.7A Pending CN111563463A (zh) 2020-05-11 2020-05-11 路面车道线识别方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN111563463A (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112132109A (zh) * 2020-10-10 2020-12-25 北京百度网讯科技有限公司 车道线处理和车道定位方法、装置、设备及存储介质
CN112507852A (zh) * 2020-12-02 2021-03-16 上海眼控科技股份有限公司 一种车道线识别方法、装置、设备及存储介质
CN112990087A (zh) * 2021-04-08 2021-06-18 济南博观智能科技有限公司 一种车道线检测方法、装置、设备及可读存储介质
CN113392793A (zh) * 2021-06-28 2021-09-14 北京百度网讯科技有限公司 用于识别车道线的方法、装置、设备、存储介质以及无人车
CN113591730A (zh) * 2021-08-03 2021-11-02 湖北亿咖通科技有限公司 一种识别车道分组线的方法、装置和设备
CN113689718A (zh) * 2021-08-13 2021-11-23 吉林大学 智能信号灯与车道匹配***及匹配方法
CN115049997A (zh) * 2022-06-07 2022-09-13 北京百度网讯科技有限公司 边缘车道线的生成方法、装置、电子设备及存储介质

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108734105A (zh) * 2018-04-20 2018-11-02 东软集团股份有限公司 车道线检测方法、装置、存储介质和电子设备
CN109284674A (zh) * 2018-08-09 2019-01-29 浙江大华技术股份有限公司 一种确定车道线的方法及装置
CN109583280A (zh) * 2017-09-29 2019-04-05 比亚迪股份有限公司 车道线识别方法、装置、设备及存储介质
CN109637151A (zh) * 2018-12-31 2019-04-16 上海眼控科技股份有限公司 一种高速公路应急车道违章行驶的识别方法
CN109949578A (zh) * 2018-12-31 2019-06-28 上海眼控科技股份有限公司 一种基于深度学习的车辆压线违法自动审核方法
CN109948418A (zh) * 2018-12-31 2019-06-28 上海眼控科技股份有限公司 一种基于深度学习的违反导向违法自动审核方法
CN111046829A (zh) * 2019-12-23 2020-04-21 上海交通大学 基于先验推理的在线车道级定位方法及***

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109583280A (zh) * 2017-09-29 2019-04-05 比亚迪股份有限公司 车道线识别方法、装置、设备及存储介质
CN108734105A (zh) * 2018-04-20 2018-11-02 东软集团股份有限公司 车道线检测方法、装置、存储介质和电子设备
CN109284674A (zh) * 2018-08-09 2019-01-29 浙江大华技术股份有限公司 一种确定车道线的方法及装置
CN109637151A (zh) * 2018-12-31 2019-04-16 上海眼控科技股份有限公司 一种高速公路应急车道违章行驶的识别方法
CN109949578A (zh) * 2018-12-31 2019-06-28 上海眼控科技股份有限公司 一种基于深度学习的车辆压线违法自动审核方法
CN109948418A (zh) * 2018-12-31 2019-06-28 上海眼控科技股份有限公司 一种基于深度学习的违反导向违法自动审核方法
CN111046829A (zh) * 2019-12-23 2020-04-21 上海交通大学 基于先验推理的在线车道级定位方法及***

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112132109A (zh) * 2020-10-10 2020-12-25 北京百度网讯科技有限公司 车道线处理和车道定位方法、装置、设备及存储介质
CN112507852A (zh) * 2020-12-02 2021-03-16 上海眼控科技股份有限公司 一种车道线识别方法、装置、设备及存储介质
CN112990087A (zh) * 2021-04-08 2021-06-18 济南博观智能科技有限公司 一种车道线检测方法、装置、设备及可读存储介质
CN112990087B (zh) * 2021-04-08 2022-08-19 济南博观智能科技有限公司 一种车道线检测方法、装置、设备及可读存储介质
CN113392793A (zh) * 2021-06-28 2021-09-14 北京百度网讯科技有限公司 用于识别车道线的方法、装置、设备、存储介质以及无人车
CN113591730A (zh) * 2021-08-03 2021-11-02 湖北亿咖通科技有限公司 一种识别车道分组线的方法、装置和设备
CN113591730B (zh) * 2021-08-03 2023-11-10 湖北亿咖通科技有限公司 一种识别车道分组线的方法、装置和设备
CN113689718A (zh) * 2021-08-13 2021-11-23 吉林大学 智能信号灯与车道匹配***及匹配方法
CN113689718B (zh) * 2021-08-13 2022-09-13 吉林大学 智能信号灯与车道匹配***及匹配方法
CN115049997A (zh) * 2022-06-07 2022-09-13 北京百度网讯科技有限公司 边缘车道线的生成方法、装置、电子设备及存储介质

Similar Documents

Publication Publication Date Title
CN111563463A (zh) 路面车道线识别方法、装置、电子设备及存储介质
CN106652465B (zh) 一种道路异常驾驶行为的识别方法及***
US8750567B2 (en) Road structure detection and tracking
Foucher et al. Detection and recognition of urban road markings using images
JP2018018483A (ja) 車線境界を検出する方法、装置、およびデバイス
JP4822766B2 (ja) 路面標示認識装置及びシステム
CN105740782B (zh) 一种基于单目视觉的驾驶员换道过程量化方法
US8305445B2 (en) Lane marker recognizing apparatus
Lee et al. A lane-departure identification based on LBPE, Hough transform, and linear regression
CN105718870A (zh) 自动驾驶中基于前向摄像头的道路标线提取方法
CN110188606B (zh) 基于高光谱成像的车道识别方法、装置及电子设备
CN107180230B (zh) 通用车牌识别方法
Youjin et al. A robust lane detection method based on vanishing point estimation
CN111126323A (zh) 服务于交通违规检测的卡口元素识别与分析方法、***
CN111488808B (zh) 基于交通违法图像数据的车道线检测方法
CN109948552A (zh) 一种复杂交通环境中的车道线检测的方法
CN109635737A (zh) 基于道路标记线视觉识别辅助车辆导航定位方法
CN101369312B (zh) 检测图像中交叉口的方法和设备
CN107918775B (zh) 一种辅助车辆安全驾驶的斑马线检测方法及***
Xuan et al. Robust lane-mark extraction for autonomous driving under complex real conditions
Wennan et al. Lane detection in some complex conditions
CN107066985B (zh) 一种基于快速霍夫变换的路口斑马线检测方法
CN116682268A (zh) 基于机器视觉的便携式城市道路车辆违章稽查***及方法
CN115984772A (zh) 一种基于视频监控的道路积水检测方法及终端
Merugu et al. Multi lane detection, curve fitting and lane type classification

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