CN112347971A - 一种基于嵌入式终端的深度学习实线变道检测方法 - Google Patents
一种基于嵌入式终端的深度学习实线变道检测方法 Download PDFInfo
- Publication number
- CN112347971A CN112347971A CN202011295439.3A CN202011295439A CN112347971A CN 112347971 A CN112347971 A CN 112347971A CN 202011295439 A CN202011295439 A CN 202011295439A CN 112347971 A CN112347971 A CN 112347971A
- Authority
- CN
- China
- Prior art keywords
- line
- lane
- vehicle
- lane change
- deep learning
- 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
Links
- 230000008859 change Effects 0.000 title claims abstract description 36
- 238000001514 detection method Methods 0.000 title claims abstract description 30
- 238000013135 deep learning Methods 0.000 title claims abstract description 17
- 238000000034 method Methods 0.000 claims abstract description 29
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 239000013598 vector Substances 0.000 claims description 20
- 230000008569 process Effects 0.000 claims description 12
- 238000003708 edge detection Methods 0.000 claims description 6
- 230000002708 enhancing effect Effects 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000002360 preparation method Methods 0.000 claims description 3
- 238000007619 statistical method Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims 1
- 230000003313 weakening effect Effects 0.000 claims 1
- 230000009466 transformation Effects 0.000 abstract description 5
- 206010039203 Road traffic accident Diseases 0.000 description 11
- 238000005516 engineering process Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000003825 pressing Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 230000034994 death Effects 0.000 description 2
- 231100000517 death Toxicity 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000005728 strengthening Methods 0.000 description 2
- 241000167847 Koelreuteria paniculata Species 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 235000020281 long black Nutrition 0.000 description 1
- 230000003211 malignant effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
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
- G06V20/588—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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
- G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
-
- 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
- G06V20/584—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads of vehicle lights or traffic lights
-
- 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
- G06V2201/08—Detecting or categorising vehicles
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及智能交通技术领域，具体涉及一种基于嵌入式终端的深度学习实线变道检测方法，本发明利用嵌入式终端获取道路图像，并对获取的图形进行图像预处理；对车道线边缘特征进行提取，建立车道线模型，判断后一时刻检测到的车辆位置与前一时刻检测到的车辆位置是否一致,若不一致则车辆发生了变道；查看最长连续黑色像素个数,判断是否为是实线，将数据作为样本输入深度学习神经网络进行学习训练，最终输入检测结果，本发明利用Hough变换来提取交通道路图像中的车道线参数，提高了检测的实时性和鲁棒性,运用了Kalman滤波器对检测出来的车道线参数进行跟踪修正，使得最终检测结果更加的精确。
Description
技术领域
本发明涉及智能交通技术领域，具体涉及一种基于嵌入式终端的深度学习实线变道检测方法。
背景技术
近几十年来,汽车为现代社会的发展和人类生活条件的改善做出了巨大贡献。但是,随着汽车保有量的增加,许多问题也就跟着来了,例如交通事故、交通拥挤、环境污染、能源浪费等,尤其是随着汽车速度的提高,恶***通事故的发生呈不断上升趋势,死亡人数逐年增长,由此造成的经济损失不可估量。
据全球各交通和警察部门的统计,2003年全世界交通事故死亡人数为50万人,其中中国、美国和俄罗斯的交通事故死亡人数分别为10.4万人、4万人和2.6万人。2004年中国共发生道路交通事故567753起,造成99217人死亡,直接财产损失为27.7亿元。
我国万车死亡人数是发达国家的6--18倍,是世界道路交通事故死亡人数最多的国家。据美国运输***的预测,到二十一世纪二十年代初,美国每天平均将会发生将近三万起交通事故,这些交通事故将带来惊人的150Q亿美元经济损失；日本则饱受交通拥堵的折磨,交通堵塞每年会给首都东京带来大约123000亿日元的经济损失，在拥堵比较严重高速公路路段,堵塞距离达到9.37km，拥堵时间达到惊人的17小时；在英国，由于交通拥堵造成的经济损失约为每年10亿英镑,并且政府预测这一数字在未来30年将每年递增。
显然，公路交通事故已成为社会关注的一大公害,如何提高汽车安全性能,减少道路交通事故一直是人们普遍关注的社会问题和科学技术进步所面临的重要课题。微波、地感线圈等常用的检测技术由于技术限制尚无法应用在车辆变道检测上，目前对变道行为的检测仍处在人工检测层面，既耗时耗力并且检测精度又低。
发明内容
针对现有技术的不足，本发明公开了一种基于嵌入式终端的深度学习实线变道检测方法，用于解决上述背景技术存在的问题。
本发明通过以下技术方案予以实现：
本发明公开一种基于嵌入式终端的深度学习实线变道检测方法，所述方法包括以下步骤：
S1利用嵌入式终端获取道路图像，并对获取的图形进行图像预处理；
S2对车道线边缘特征进行提取，并采用能加强特定方向边缘信息的方向可调滤波器来进行边缘检测；
S3建立车道线模型，对车道线拟合操作，并基于Kalman滤波器的车道线参数跟踪修正；
S4判断后一时刻检测到的车辆位置与前一时刻检测到的车辆位置是否一致,若不一致则车辆发生了变道；
S5查看最长连续黑色像素个数,如果连续黑色像素的个数超过列向量长度的30％,则认为是虚线,否则认为是实线；
S6将S4和S5中数据作为样本输入深度学习神经网络进行学习训练，最终输入检测结果。
更进一步的，所述方法中，进行车道线边缘特征提取用于强化车道线边缘信息,削弱噪声和干扰的影响,利用车道线的方向特性,加强车道线边缘，采用能加强特定方向边缘信息的方向可调滤波器来进行边缘检测。
更进一步的，所述方法中，进行车道线模型建立时采用直线作为车道线模型，利用Hough变换来提取车道线,同时根据交通道路图像的先验知识来对其极角进行约束,减小计算量。
更进一步的，所述方法中，定义车辆变道通常为三个阶段,首先是变道的前期准备阶段,是指开始执行动作到车辆达到两车道之间的标线这一过程，然后是变道的执行阶段,开始于两车道之间的标线,截止于车辆离开两车道之间的标线这一过程，最后是变道的持续阶段，由车辆离开两车道之间的标线到目标车道并且车辆在目标车道上恢复正常行驶状态为止，根据定义当后一帧检测到的车辆所在车道与前一帧检测到的车辆所在车道不同时,则可以认为车辆变道了。
更进一步的，所述方法中，将车道线每一行映射到列向量的一个元素中,从顶点所在的行开始逐行扫描直到底点所在的行,从上到下每一行对应列向量的一个元素，这样确定元素的值:每一行像素点中有离车道线距离小于3个像素且为白色的像素点,则这一行对应的列向量中的元素取1,否则取0，元素1对应白点,元素0对应黑点。
更进一步的，所述Hough变换首先把原始图像空间中给定形状的曲线或直线映射到参数空间的一个峰值格中,然后利用统计方法找出该峰值格,最后根据峰值格对应的参数确定给定形状的曲线或直线在原始图像中的位置，从而将原始图像中给定形状的曲线或直线检测问题,转变成对变换空间中峰值点的寻找问题。
本发明的有益效果为：
本发明通过用深度学习加强了算法的灵活性和准确性，并利用Hough变换来提取交通道路图像中的车道线参数，提高了检测的实时性和鲁棒性,运用了Kalman滤波器对检测出来的车道线参数进行跟踪修正，使得最终检测结果更加的精确。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是一种基于嵌入式终端的深度学习实线变道检测方法原理步骤图；
图2是本发明实施例车道模型示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例1
本实施例公开如图1所示的一种基于嵌入式终端的深度学习实线变道检测方法，包括以下步骤：
S1利用嵌入式终端获取道路图像，并对获取的图形进行图像预处理；
S2对车道线边缘特征进行提取，并采用能加强特定方向边缘信息的方向可调滤波器来进行边缘检测；
S3建立车道线模型，对车道线拟合操作，并基于Kalman滤波器的车道线参数跟踪修正；
S4判断后一时刻检测到的车辆位置与前一时刻检测到的车辆位置是否一致,若不一致则车辆发生了变道；
S5查看最长连续黑色像素个数,如果连续黑色像素的个数超过列向量长度的30％,则认为是虚线,否则认为是实线；
S6将S4和S5中数据作为样本输入深度学习神经网络进行学习训练，最终输入检测结果。
本实施例进行车道线边缘特征提取用于强化车道线边缘信息,削弱噪声和干扰的影响,利用车道线的方向特性,加强车道线边缘，采用能加强特定方向边缘信息的方向可调滤波器来进行边缘检测。
本实施例进行车道线模型建立时采用直线作为车道线模型，利用Hough变换来提取车道线,同时根据交通道路图像的先验知识来对其极角进行约束,减小计算量。
本实施例中，定义车辆变道通常为三个阶段,首先是变道的前期准备阶段,是指开始执行动作到车辆达到两车道之间的标线这一过程，然后是变道的执行阶段,开始于两车道之间的标线,截止于车辆离开两车道之间的标线这一过程，最后是变道的持续阶段，由车辆离开两车道之间的标线到目标车道并且车辆在目标车道上恢复正常行驶状态为止，根据定义当后一帧检测到的车辆所在车道与前一帧检测到的车辆所在车道不同时,则可以认为车辆变道了。
本实施例将车道线每一行映射到列向量的一个元素中,从顶点所在的行开始逐行扫描直到底点所在的行,从上到下每一行对应列向量的一个元素，这样确定元素的值:每一行像素点中有离车道线距离小于3个像素且为白色的像素点,则这一行对应的列向量中的元素取1,否则取0，元素1对应白点,元素0对应黑点。
本实施例中的Hough变换首先把原始图像空间中给定形状的曲线或直线映射到参数空间的一个峰值格中,然后利用统计方法找出该峰值格,最后根据峰值格对应的参数确定给定形状的曲线或直线在原始图像中的位置，从而将原始图像中给定形状的曲线或直线检测问题,转变成对变换空间中峰值点的寻找问题。
实施例2
本实施例栾树车辆行驶状态，是指自身车辆的车辆压线和车辆变道两个状态。在行车过程中,车辆长时间的压着道路中间的白色虚线行驶,是一种驾驶陋习,妨碍了其它车辆安全行驶。车辆变道是驾驶汽车过程中经常要用到的一项技术,也是交通事故易发的过程,也是驾驶证获得考试过程中必考的一项重要技术。因此,检测车辆的压线和变道有助于帮助驾驶员纠正驾驶陋习,减少交通安全隐患。
车道变道是一个时空过程量,不能由单帧视频图像来反映,也即车道变道的判断需要多帧图像来完成。本文的车辆变道检测是在检测到左右两条车道线的基础上进行的。图2为车道模型示意图。从模型示意图中可以看出,左车道左右两车道线的类型为,左车道线为实线,右车道线为虚线。中间车道则左右两条车道线均为虚线,右车道则与左车道刚好相反,左车道线为虚线,右车道线为实线。易知,如果后一时刻检测到的车辆位置与前一时刻检测到的车辆位置不一致,则认为车辆发生了变道。
由车辆变道模型可知,在进行变道检测之前,需要对拟合出来的车道线进行虚实类型判断。根据前面章节拟合出来的车道线方程,求出车道线和图像边缘的两个交点,记为顶点和底点,虽然车道线是一条连续的实线或虚线,但是在图像中是由一些离散的点组成的,可以将车道线每一行映射到列向量的一个元素中,便于处理。从顶点所在的行开始逐行扫描直到底点所在的行,从上到下每一行对应列向量的一个元素，这样确定元素的值；每一行像素点中有离车道线距离小于3个像素且为白色的像素点,则这一行对应的列向量中的元素取1,否则取0。这样近似将车道线转挨成一个列向量,元素1对应白点,元素0对应黑点。从列向量中判断实虚线使用两种方法冗余判断,提高准确性。
(1)白点比例判断法。判断列向量中元素1的比例,经过大量实验数据测试,该比例取为0.75，如果车道线是虚线,无论该虚线有多清楚,车道线这条直线上白色部分比例不会超过0.75。但是偶尔实线不清楚,进入图像处理后丢失一部分,造成实线中白点比例下降﹐误判实线为虚线,需要使用其他方法补充。
(2〉最大连续黑色点判断法。虽然有一些实线由于各种原因经过处理后变得不完整,变成了断续的,但是这些实线没有一段很长黑色像素点部分,而虚线是一段完整白色一段完整黑色间隔开的,利用这个特征,查看最长连续黑色像素个数,等价于判断列向量中最长的连续0的个数,如果连续0的个数超过列向量长度的30％,则认为是虚线,否则认为是实线。
如果两种方法判断结果不一致,则认为车道线判断错误,放弃这帧图像。只有两种方法判断结果一致,才认可车辆当前所在车道左右车道线情况,然后根据车道线类型可以判晰出车辆所在车道。
综上，本发明通过用深度学习加强了算法的灵活性和准确性，并利用Hough变换来提取交通道路图像中的车道线参数，提高了检测的实时性和鲁棒性,运用了Kalman滤波器对检测出来的车道线参数进行跟踪修正，使得最终检测结果更加的精确。
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (6)
1.一种基于嵌入式终端的深度学习实线变道检测方法，其特征在于，所述方法包括以下步骤：
S1利用嵌入式终端获取道路图像，并对获取的图形进行图像预处理；
S2对车道线边缘特征进行提取，并采用能加强特定方向边缘信息的方向可调滤波器来进行边缘检测；
S3建立车道线模型，对车道线拟合操作，并基于Kalman滤波器的车道线参数跟踪修正；
S4判断后一时刻检测到的车辆位置与前一时刻检测到的车辆位置是否一致,若不一致则车辆发生了变道；
S5查看最长连续黑色像素个数,如果连续黑色像素的个数超过列向量长度的30％,则认为是虚线,否则认为是实线；
S6将S4和S5中数据作为样本输入深度学习神经网络进行学习训练，最终输入检测结果。
2.根据权利要求1所述的基于嵌入式终端的深度学习实线变道检测方法，其特征在于，所述方法中，进行车道线边缘特征提取用于强化车道线边缘信息,削弱噪声和干扰的影响,利用车道线的方向特性,加强车道线边缘，采用能加强特定方向边缘信息的方向可调滤波器来进行边缘检测。
3.根据权利要求1所述的基于嵌入式终端的深度学习实线变道检测方法，其特征在于，所述方法中，进行车道线模型建立时采用直线作为车道线模型，利用Hough变换来提取车道线,同时根据交通道路图像的先验知识来对其极角进行约束,减小计算量。
4.根据权利要求1所述的基于嵌入式终端的深度学习实线变道检测方法，其特征在于，所述方法中，定义车辆变道通常为三个阶段,首先是变道的前期准备阶段,是指开始执行动作到车辆达到两车道之间的标线这一过程，然后是变道的执行阶段,开始于两车道之间的标线,截止于车辆离开两车道之间的标线这一过程，最后是变道的持续阶段，由车辆离开两车道之间的标线到目标车道并且车辆在目标车道上恢复正常行驶状态为止，根据定义当后一帧检测到的车辆所在车道与前一帧检测到的车辆所在车道不同时,则可以认为车辆变道了。
5.根据权利要求1所述的基于嵌入式终端的深度学习实线变道检测方法，其特征在于，所述方法中，将车道线每一行映射到列向量的一个元素中,从顶点所在的行开始逐行扫描直到底点所在的行,从上到下每一行对应列向量的一个元素，这样确定元素的值:每一行像素点中有离车道线距离小于3个像素且为白色的像素点,则这一行对应的列向量中的元素取1,否则取0，元素1对应白点,元素0对应黑点。
6.根据权利要求3所述的基于嵌入式终端的深度学习实线变道检测方法，其特征在于，所述Hough变换首先把原始图像空间中给定形状的曲线或直线映射到参数空间的一个峰值格中,然后利用统计方法找出该峰值格,最后根据峰值格对应的参数确定给定形状的曲线或直线在原始图像中的位置，从而将原始图像中给定形状的曲线或直线检测问题,转变成对变换空间中峰值点的寻找问题。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011295439.3A CN112347971A (zh) | 2020-11-18 | 2020-11-18 | 一种基于嵌入式终端的深度学习实线变道检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011295439.3A CN112347971A (zh) | 2020-11-18 | 2020-11-18 | 一种基于嵌入式终端的深度学习实线变道检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112347971A true CN112347971A (zh) | 2021-02-09 |
Family
ID=74362955
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011295439.3A Pending CN112347971A (zh) | 2020-11-18 | 2020-11-18 | 一种基于嵌入式终端的深度学习实线变道检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112347971A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112949470A (zh) * | 2021-02-26 | 2021-06-11 | 上海商汤智能科技有限公司 | 车辆变道转向灯识别方法、装置、设备及存储介质 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102208019A (zh) * | 2011-06-03 | 2011-10-05 | 东南大学 | 基于车载摄像机的车辆变道检测方法 |
| CN103996030A (zh) * | 2014-05-23 | 2014-08-20 | 奇瑞汽车股份有限公司 | 一种车道线检测方法 |
| CN104008645A (zh) * | 2014-06-12 | 2014-08-27 | 湖南大学 | 一种适用于城市道路车道线预测及预警方法 |
-
2020
- 2020-11-18 CN CN202011295439.3A patent/CN112347971A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102208019A (zh) * | 2011-06-03 | 2011-10-05 | 东南大学 | 基于车载摄像机的车辆变道检测方法 |
| CN103996030A (zh) * | 2014-05-23 | 2014-08-20 | 奇瑞汽车股份有限公司 | 一种车道线检测方法 |
| CN104008645A (zh) * | 2014-06-12 | 2014-08-27 | 湖南大学 | 一种适用于城市道路车道线预测及预警方法 |
Non-Patent Citations (1)
| Title |
|---|
| 胡海辉: "基于车载摄像机的车辆压线与变道检测技术研究与实现", 《中国硕士学位论文全文数据库》 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112949470A (zh) * | 2021-02-26 | 2021-06-11 | 上海商汤智能科技有限公司 | 车辆变道转向灯识别方法、装置、设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109977812B (zh) | 一种基于深度学习的车载视频目标检测方法 | |
| CN101859382B (zh) | 一种基于最大稳定极值区域的车牌检测与识别的方法 | |
| Kheyrollahi et al. | Automatic real-time road marking recognition using a feature driven approach | |
| CN108268867B (zh) | 一种车牌定位方法及装置 | |
| CN111815959B (zh) | 一种车辆违章的检测方法、装置以及计算机可读存储介质 | |
| CN111178272B (zh) | 一种识别驾驶员行为的方法、装置及设备 | |
| CN110263635B (zh) | 基于结构森林和PCANet的标志物检测与识别方法 | |
| CN102663754B (zh) | 一种基于区域高斯加权的图像匹配计算方法 | |
| CN103971128A (zh) | 一种面向无人驾驶车的交通标志识别方法 | |
| CN102314599A (zh) | 一种车道识别偏离检测方法 | |
| KR101224027B1 (ko) | 영상의 장면 정보를 이용한 전방 차량 검출 방법 | |
| CN104700072A (zh) | 基于车道线历史帧的识别方法 | |
| CN103996030A (zh) | 一种车道线检测方法 | |
| CN113221750A (zh) | 车辆追踪方法、装置、设备及存储介质 | |
| CN111414861A (zh) | 基于深度学习实现行人及非机动车辆检测处理的方法 | |
| CN112257541A (zh) | 车牌识别方法以及电子设备、计算机可读存储介质 | |
| CN109558808A (zh) | 一种基于深度学习的路边沿检测方法 | |
| CN112766056A (zh) | 一种基于深度神经网络的弱光环境车道线检测方法、装置 | |
| CN111652033A (zh) | 基于OpenCV的车道线检测方法 | |
| CN110782409A (zh) | 一种去除多运动物体阴影的方法 | |
| Kim et al. | Lane recognition algorithm using lane shape and color features for vehicle black box | |
| Premachandra et al. | Image based automatic road surface crack detection for achieving smooth driving on deformed roads | |
| CN112347971A (zh) | 一种基于嵌入式终端的深度学习实线变道检测方法 | |
| CN103295003A (zh) | 一种基于多特征融合的车辆检测方法 | |
| CN113033363A (zh) | 一种基于深度学习的车辆稠密目标检测方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210209 |
|
| RJ01 | Rejection of invention patent application after publication |