CN112699825A - 一种车道线识别方法及其装置 - Google Patents
一种车道线识别方法及其装置 Download PDFInfo
- Publication number
- CN112699825A CN112699825A CN202110009714.9A CN202110009714A CN112699825A CN 112699825 A CN112699825 A CN 112699825A CN 202110009714 A CN202110009714 A CN 202110009714A CN 112699825 A CN112699825 A CN 112699825A
- Authority
- CN
- China
- Prior art keywords
- image
- contour
- lane line
- bird
- roi
- 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
- 238000000034 method Methods 0.000 title claims abstract description 53
- 235000004522 Pentaglottis sempervirens Nutrition 0.000 claims abstract description 55
- 240000004050 Pentaglottis sempervirens Species 0.000 claims abstract description 48
- 238000007781 pre-processing Methods 0.000 claims abstract description 6
- 238000004590 computer program Methods 0.000 claims description 13
- 230000009466 transformation Effects 0.000 claims description 9
- 238000003709 image segmentation Methods 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000003825 pressing Methods 0.000 claims description 4
- 230000004044 response Effects 0.000 claims description 2
- 238000004422 calculation algorithm Methods 0.000 description 8
- 238000003384 imaging method Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 241001270131 Agaricus moelleri Species 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 241001149900 Fusconaia subrotunda Species 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- MXWJVTOOROXGIU-UHFFFAOYSA-N atrazine Chemical compound CCNC1=NC(Cl)=NC(NC(C)C)=N1 MXWJVTOOROXGIU-UHFFFAOYSA-N 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000005452 bending Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012546 transfer Methods 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Traffic Control Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种车道线识别方法及其装置。所述车道线识别方法包括:获取车辆前进方向上的道路图像;对所述道路图像进行预处理以得到所述道路图像对应的鸟瞰图像;基于车道线的形状特征检测出所述鸟瞰图像中的沿道路方向延伸的轮廓线以组成轮廓线集合;以及基于各条轮廓线之间的斜率相似程度对所述轮廓线集合中的轮廓线进行合并以确定出所述鸟瞰图像中的车道线。
Description
技术领域
本发明涉及车辆辅助驾驶领域,尤其涉及一种车道线识别方法及其装置。
背景技术
随着人们生活水平的提高和社会的不断进步,车辆已成为人们户外出行不可缺少的出行工具。并且为了提高用户的驾驶体验,车辆会标配行车记录仪和车载导航等设备。车辆在道路上行驶时,可能存在车轮压到道路上车道线的情况,长时间的压线行驶违反了交通规则。而若实现了道路上的车道线的识别,则可在用户压线行驶时,根据识别出的车道线的位置对车辆的压线行为做出提醒。
目前的车道线的识别技术主要分为两大类:一是自动驾驶所采用的深度学习方法,该方法对运行***的性能要求过高,因此一般的车载导航无法满足该方法的性能要求;二是基于传统算法的Hough直线检测方法,该方法相比深度学习方法对运行***的性能要求要低,但一般也只针对直线,弯道需要另作处理。
为了兼顾直线和弯道的车道线的识别,且提高车道线识别的实时性和降低车道线识别的计算量,本发明提供一种车道线识别方法及其装置。
发明内容
以下给出一个或多个方面的简要概述以提供对这些方面的基本理解。此概述不是所有构想到的方面的详尽综览,并且既非旨在指认出所有方面的关键性或决定性要素亦非试图界定任何或所有方面的范围。其唯一的目的是要以简化形式给出一个或多个方面的一些概念以为稍后给出的更加详细的描述之序。
根据本发明的一方面,提供了一种车道线识别方法,包括:获取车辆前进方向上的道路图像;对所述道路图像进行预处理以得到所述道路图像对应的鸟瞰图像;基于车道线的形状特征检测出所述鸟瞰图像中的沿道路方向延伸的轮廓线以组成轮廓线集合;以及基于各条轮廓线之间的斜率相似程度对所述轮廓线集合中的轮廓线进行合并以确定出所述鸟瞰图像中的车道线。
根据本发明的另一方面,提供了一种车道线识别装置,包括存储器、处理器以及存储在存储器上的计算机程序,所述处理器被用于执行存储在所述存储器上的计算机程序时实现前述的车道线识别方法的步骤。
根据本发明的又一方面,提供了一种计算机存储介质,其上存储有计算机程序,所述计算机程序被执行时实现前述的车道线识别方法的步骤。
附图说明
在结合以下附图阅读本公开的实施例的详细描述之后,更能够更好地理解本发明的上述特征和优点。
图1是根据本发明的一个方面绘示的一实施例中的车道线识别方法的流程示意图;
图2是根据本发明的一个方面绘示的一实施例中的车道线识别方法的部分流程示意图;
图3是根据本发明的一个方面绘示的一实施例中的车道线识别方法的部分流程示意图;
图4是根据本发明的一个方面绘示的一实施例中的车道线识别方法的部分流程示意图;
图5是根据本发明的一个方面绘示的一实施例中的车道线识别方法的部分流程示意图;
图6是根据本发明的一个方面绘示的一实施例中的车道线识别方法的部分流程示意图;
图7是根据本发明的另一个方面绘示的一实施例中的车道线识别装置的模块框图。
具体实施方式
给出以下描述以使得本领域技术人员能够实施和使用本发明并将其结合到具体应用背景中。各种变型、以及在不同应用中的各种使用对于本领域技术人员将是容易显见的,并且本文定义的一般性原理可适用于较宽范围的实施例。由此,本发明并不限于本文中给出的实施例,而是应被授予与本文中公开的原理和新颖性特征相一致的最广义的范围。
在以下详细描述中,阐述了许多特定细节以提供对本发明的更透彻理解。然而,对于本领域技术人员显而易见的是,本发明的实践可不必局限于这些具体细节。换言之,公知的结构和器件以框图形式示出而没有详细显示,以避免模糊本发明。
请读者注意与本说明书同时提交的且对公众查阅本说明书开放的所有文件及文献,且所有这样的文件及文献的内容以参考方式并入本文。除非另有直接说明,否则本说明书(包含任何所附权利要求、摘要和附图)中所揭示的所有特征皆可由用于达到相同、等效或类似目的的可替代特征来替换。因此,除非另有明确说明,否则所公开的每一个特征仅是一组等效或类似特征的一个示例。
注意,在使用到的情况下,标志左、右、前、后、顶、底、正、反、顺时针和逆时针仅仅是出于方便的目的所使用的,而并不暗示任何具体的固定方向。事实上,它们被用于反映对象的各个部分之间的相对位置和/或方向。此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性。
在本发明的描述中,需要说明的是,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
注意,在使用到的情况下,进一步地、较优地、更进一步地和更优地是在前述实施例基础上进行另一实施例阐述的简单起头,该进一步地、较优地、更进一步地或更优地后带的内容与前述实施例的结合作为另一实施例的完整构成。在同一实施例后带的若干个进一步地、较优地、更进一步地或更优地设置之间可任意组合的组成又一实施例。
以下结合附图和具体实施例对本发明作详细描述。注意,以下结合附图和具体实施例描述的诸方面仅是示例性的,而不应被理解为对本发明的保护范围进行任何限制。
根据本发明的一个方面,提供了一种车道线识别方法,用于识别出车辆前进方向上的车道线。
在一实施例中,如图1所示,车道线识别方法100包括步骤S110~S140。
步骤S110为:获取车辆前进方向上的道路图像。
车辆上一般配置有摄像装置,比如车载行车记录仪、车载摄像头或其他摄像装置。可从车辆上配置的摄像装置获取其实时拍摄的图像。比如,当车辆处于正常行驶状态时,可获取车辆上配置的用于拍摄车头方向的摄像装置拍摄的图像以作为车辆前进方向上的道路图像;当车辆处于倒车状态时,可获取车辆上配置的用于拍摄车尾方向的摄像装置拍摄的图像以作为车辆前进方向上的道路图像。
步骤S120为:对该道路图像进行预处理以得到该道路图像对应的鸟瞰图像。
图像预处理是图像处理的前期步骤,一般可包括去噪和/或图像格式转换等常规步骤。
较优的,在一具体实施例中,如图2所示,步骤S120可包括步骤S210~S230。
其中,步骤S210包括:将该道路图像进行去噪处理以得到去噪后的道路图像。
由于现实中的数字图像在数字化和传输过程中常常受到成像设备与外部环境的噪声干扰,因此实际采集到的道路图像一般为含噪图像。可以理解,图像去噪是本领域的常规技术手段,比如可采用领域平均法的均值滤波器、几何均值滤波器、谐波均值滤波器、逆谐波均值滤波器、自适应滤波器或其他现有或将有的滤波器来对道路图像进行去噪处理以得到去噪后的道路图像,不再赘述。
步骤S220包括:将去噪后的道路图像转换为灰度图。
灰度图又称灰阶图,具体是将白色与黑色之间按对数关系分为若干等级,称为灰阶,灰度可分为256阶。用灰度表示的图像即为灰度图。
具体可采用浮点算法、整数方法、移位方法、平均值法、仅取绿色法或其他现有或将有的方法将道路图像转换为灰度图。
步骤S230包括:对灰度图进行逆透视变换以将该灰度图转换为鸟瞰图像。
透视变换(Perspective Transformation)是指利用透视中心、像点、目标点三点共线的条件,按透视旋转定律使承影面(透视面)绕迹线(透视轴)旋转某一角度,破坏原有的投影光线束,仍能保持承影面上投影几何图形不变的变换。逆透视变换则是透视变换的逆变换。具体可利用相机在成像过程中的各种坐标系之间的转换关系来得到世界坐标系和图像坐标系之间坐标的对应关系,并基于世界坐标系和图像坐标系之间坐标的对应关系来实现采集的道路图像至鸟瞰图像的逆透视变换。
可选地,在另一实施例中,步骤S120还可包括对灰度图进行缩放的步骤。可以理解,图像越大计算量越大,因此可对灰度图进行缩放以减小计算量,具体可根据车道线识别的精度要求进行对应的缩放操作。则,步骤S230可对应的替换为:对缩放后的灰度图进行逆透视变换以将该灰度图转换为鸟瞰图像。
较优地,根据射影几何学原理,现实空间中的平行直线组在存在透视形变的情况下将会相交于无穷远点处,而该交点在成像平面上的投影即被称为消失点。当现实世界的平行直线组与成像平面平行时,消失点将位于成像平面的无穷远处;但是当平行直线组与成像平面存在不平行关系时,消失点将位于成像平面的有限远处,甚至可能出现在图像区域以内。
基于上述特性,现实中的车道线或其他与车道线平行的直线在鸟瞰图像中实际上会指向相同的消失点,因此,可基于鸟瞰图像中的平行直线的消失点的位置划分出现实空间中的平行直线在鸟瞰图像中的区域。
则,在一更优实施例中,步骤S120还可包括划分出鸟瞰图像中的车道线所在区域即鸟瞰图像的感兴趣区域(Region of Interest,ROI)的步骤。
具体地,如图3所示,划分出鸟瞰图像的ROI区域的步骤可细化为步骤S310~S320。
其中,步骤S310为:基于该道路图像的拍摄设备的内部参数确定出道路图像中的ROI区域以及该道路图像至鸟瞰图像的投影矩阵。
拍摄设备的内部参数可包括焦距、光学中心、高度、俯仰角、偏航角以及拍摄出的图像尺寸等。利用该些内部参数可确定出道路图像中的车道线所在区域即道路图像中的ROI区域。并利用拍摄设备在世界坐标系中的坐标、相对于图像坐标系中的位置以及在鸟瞰图像中的坐标来确定道路图像至鸟瞰图像的投影矩阵。
步骤S320为:基于投影矩阵计算出所述道路图像中的ROI区域在鸟瞰图像中的对应区域。
可以理解,鸟瞰图像中的ROI区域即为道路图像中的ROI区域在鸟瞰图像中对应的区域。道路图像中的ROI区域可由一四边形来表示,则确定出该四边形的四个端点在鸟瞰图像中的对应端点即可确定出鸟瞰图像中的ROI区域。即,可利用道路图像至鸟瞰图像的投影矩阵确定出道路图像中的ROI区域的四个端点在鸟瞰区域中的对应端点,鸟瞰区域中的四个对应端点围成的四边形区域即为鸟瞰区域中的ROI区域。
在确定出鸟瞰图像的感兴趣区域后,后续识别车道线的步骤则可仅在鸟瞰图像的感兴趣区域中进行,显然可进一步降低计算量。
进一步地,步骤S130为:基于车道线的形状特征检测出该鸟瞰图像中的所有沿道路方向延伸的轮廓线以组成轮廓线集合。
可以理解,车道线一般沿着道路的延伸方向延伸,笔直道路上的车道线与道路的边缘平行,在道路的转弯处,车道线也会存在对应的转弯特征,且一般仍存在平行关系。因此,基于车道线相对于道路延伸方向延伸的形状特征,结合道路的延伸方向,可检测出所有可能是车道线的轮廓线。
在一具体实施例中,如图4所示,步骤S130可包括步骤S410~S450。
其中,步骤S410为:计算出该ROI区域的局部阈值并利用局部阈值对鸟瞰图像中的ROI区域进行图像分割以得到第一ROI区域。
可以理解,局部阈值可用于突出局部区域的像素特性。具体可采用高斯滤波法、局部均值滤波算法、中值算法或其他可用于计算图像的局部阈值的方法来计算出鸟瞰图像中的RPI区域内的局部阈值。
较优地,可先对ROI区域进行礼帽运算以获取ROI区域中的边缘信息,利用该边缘信息可将ROI区域划分为多个局部区域,再计算出各个局部区域的局部阈值,则可分别判断出各个局部区域的像素属性。
礼帽运算是运用原始图像减去其开运算的操作,通过礼帽运算可以得到比原始图像边缘更亮的边缘信息。可以理解,由于车道线相对于路面存在颜色突变,因此车道线与路面的边缘信息会在礼帽运算中凸显出来。则基于边缘信息进行局部区域划分得到的各个局部区域可能是纯粹的车道线区域或路面区域。而车道线一般为醒目的标识以便于驾驶员或行人识别,比如采用白色或黄色等亮度较高的颜色,因此,在计算出ROI区域的局部阈值后,每一局部区域的局部阈值均可用于表征该局部区域的亮度信息。
在确定出局部阈值后,可利用局部阈值对鸟瞰图像中的ROI区域进行图像分割以得到第一ROI区域。具体可将各个局部区域内亮度达到局部阈值的像素点的灰阶设置为255,将未达到局部阈值的像素点的灰阶设置为0。
步骤S420为:计算出该ROI区域的整体阈值并利用所述整体阈值对所述ROI区域进行图像分割以得到第二ROI区域。
具体可采用大津算法、最大熵算法或其他可用于计算图像的整体阈值的方法来计算出鸟瞰图像中的ROI区域的整体阈值。
在计算出整体阈值后,可利用整体阈值对鸟瞰图像中的ROI区域进行图像分割以得到第二ROI区域。具体可将整个ROI区域内亮度达到整体阈值的像素点的灰阶设置为255,将未达到整体阈值的像素点的灰阶设置为0。
步骤S430为:对第一ROI区域和第二ROI区域进行“与”运算以得到该鸟瞰图像对应的ROI图像。
较优地,经过“与”运算后的ROI图像可滤除掉大部分的非车道线的干扰。
步骤S440为:对该ROI图像进行轮廓查找以提取出沿道路方向延伸的轮廓。
具体地,可基于车道线的形状特征查找出该ROI图像中的符合车道的形状特征的轮廓。再将符合车道线的形状特征且与该鸟瞰图像的Y轴的夹角不超过预设阈值的轮廓确定为沿道路方向延伸的轮廓。
可以理解,车道线一般为粗实线或粗虚线,即一般呈长条形,因此可基于该种形状特征来查找出可能是车道线的轮廓。比如,将宽度小于等于5个像素值且长度大于等于10个像素值的长方形轮廓作为符合车道线的形状特征的轮廓。可以理解,具体的车道线的宽度阈值和长度阈值可基于道路特征进行对应地设置,并不以前述示例为限。
进一步地,由于车辆在行驶于道路上时需要沿车道线行驶,因此,车道线与车辆的行驶路线之间夹角一般不会存在较大的偏差。而用于拍摄道路图像的摄像装置安装于车辆上,其拍摄角度(一般与Y轴平行)一般沿着车辆的行驶路线,因此可基于相对于鸟瞰图像的Y轴的夹角来进一步筛选轮廓。比如,可将符合车道线的形状特征且与鸟瞰图像的Y轴的夹角不超过60°的轮廓确定为沿道路方向延伸的轮廓,即确定为可能的车道线对应的轮廓。可以理解,具体的车道线相对于鸟瞰图像的Y轴夹角的预设阈值可基于道路特征进行对应地设置,并不以前述示例为限。
进一步地,步骤S450为:对沿道路方向延伸的轮廓分别进行拟合以得到对应的轮廓线,所有的轮廓线组成该轮廓线集合。
具体地,可基于轮廓的拟合精度要求而采用对应的拟合方法。由于车道线的线条特征较为简单,最多涉及简单的弯曲,因此可采用二次项拟合来进行轮廓线的拟合。
步骤S140为:基于各条轮廓线之间的斜率相似程度对该轮廓线集合中的轮廓线进行合并以确定出该鸟瞰图像中的车道线。
可以理解,常见的车道线会由平行的两条虚线和/或实线组成,因此轮廓线集合中的轮廓线可能会存在属于同一车道线的可能,因此需要对轮廓线进行合并以得到实际的车道线。
具体地,在一实施例中,如图5所示,步骤S140可包括步骤S510~S540。
其中,步骤S510为:将该轮廓线集合中的每一轮廓线与其他剩余轮廓线进行两两拟合以得到与被拟合的两条轮廓线对应的第三轮廓线。
理论上而言,若两条轮廓线属于同一车道线,则该两条轮廓线实际上可合并为同一轮廓线,而合并后的轮廓线的线参数应当与该两条轮廓线的线参数完全相同。因此,可基于合并后的轮廓线的线参数相对于该两条轮廓线的线参数的误差来判断两条轮廓线是否属于同一车道线。
具体地,根据两点确定一条直线,因此可基于轮廓线的两个端点来确定该轮廓线。则具体地,如图6所示,步骤S510可包括步骤S511~S522。
其中,步骤S511为:分别挑选出该被拟合的两条轮廓线的两个端点。
步骤S512为:利用被拟合的两条轮廓线的四个端点拟合出一条轮廓线以作为与被拟合的两条轮廓线对应的第三轮廓线。
每条轮廓线包括两个端点,则两条轮廓线包括四个端点,可通过二次拟合可拟合出通过该四个端点的第三轮廓线。
步骤S520为:响应于该第三轮廓线与被拟合的两条轮廓线的斜率的误差均小于预设阈值,判断被拟合的两条轮廓线为同一车道线的轮廓线。
在实际判断中,考虑到数据处理和拟合过程中的误差,可允许线参数出现一定范围内的误差,即可设置一定的误差阈值。线参数一般可采用斜率来表征。因此,当第三轮廓线与被拟合的两条轮廓线的斜率的误差均小于预设阈值时,可判断被拟合的两条轮廓线为同一车道线的轮廓线。
步骤S530为:将属于同一车道线的轮廓线进行合并以得到若干条最终轮廓线。
可以理解,若任意两条轮廓线可拟合成一条轮廓线,则删除轮廓线几何中的被拟合的两条轮廓线并将拟合出的第三轮廓线并入轮廓线集合中,形成新的轮廓线集合。再对新的轮廓线集合继续进行步骤S510~S530直到轮廓线集合中不存在可合并的轮廓线。则该些不可合并的轮廓线均构成最终轮廓线。
步骤S540为:将最长的最终轮廓线、相互平行的两条最终轮廓线或合并轮廓线最多的最终轮廓线确定为车道线。
由于车道线可能为长实线,因此最长的最终轮廓线可能为车道线。由于车道线一般由两条相互平行的线条构成,因此相互平行的两条最终轮廓线可能构成车道线。由于车道线可能由虚线(即连续的多个长条形)构成,因此,合并轮廓线最多的最终轮廓线可能为车道线。
可以理解,基于车道线的其他特性,还可增加其他的车道线的判断标准,并不以上述示例为限。
进一步地,在识别出道路图像中的车道线后,还可基于车辆的位置进行是否压线的告警以减少车辆的压线违章。
可以理解,可采用语音、图标、文字、灯光或其任意组合的形式进行压线告警。
尽管为使解释简单化将上述方法图示并描述为一系列动作,但是应理解并领会,这些方法不受动作的次序所限,因为根据一个或多个实施例,一些动作可按不同次序发生和/或与来自本文中图示和描述或本文中未图示和描述但本领域技术人员可以理解的其他动作并发地发生。
根据本发明的另一个方面,还提供一种车道线识别装置。
在一实施例中,如图7所示,车道线识别装置700包括存储器710和处理器720。。
其中,存储器710用于存储计算机程序。
处理器720与存储器710连接,用于执行存储器710上的计算机程序,该处理器720执行该计算机程序时实现上述任一实施例中所述的车道线识别方法的步骤。
根据本发明的又一个方面,提供一种计算机存储介质,其上存储有计算机程序,所述计算机程序被执行时实现上述任一实施例中所述的车道线识别方法的步骤。
本领域技术人员将可理解,信息、信号和数据可使用各种不同技术和技艺中的任何技术和技艺来表示。例如,以上描述通篇引述的数据、指令、命令、信息、信号、位(比特)、码元、和码片可由电压、电流、电磁波、磁场或磁粒子、光场或光学粒子、或其任何组合来表示。
本领域技术人员将进一步领会,结合本文中所公开的实施例来描述的各种解说性逻辑板块、模块、电路、和算法步骤可实现为电子硬件、计算机软件、或这两者的组合。为清楚地解说硬件与软件的这一可互换性,各种解说性组件、框、模块、电路、和步骤在上面是以其功能性的形式作一般化描述的。此类功能性是被实现为硬件还是软件取决于具体应用和施加于整体***的设计约束。技术人员对于每种特定应用可用不同的方式来实现所描述的功能性,但这样的实现决策不应被解读成导致脱离了本发明的范围。
结合本文所公开的实施例描述的各种解说性逻辑模块、和电路可用通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或其它可编程逻辑器件、分立的门或晶体管逻辑、分立的硬件组件、或其设计成执行本文所描述功能的任何组合来实现或执行。通用处理器可以是微处理器,但在替换方案中,该处理器可以是任何常规的处理器、控制器、微控制器、或状态机。处理器还可以被实现为计算设备的组合,例如DSP与微处理器的组合、多个微处理器、与DSP核心协作的一个或多个微处理器、或任何其他此类配置。
结合本文中公开的实施例描述的方法或算法的步骤可直接在硬件中、在由处理器执行的软件模块中、或在这两者的组合中体现。软件模块可驻留在RAM存储器、闪存、ROM存储器、EPROM存储器、EEPROM存储器、寄存器、硬盘、可移动盘、CD-ROM、或本领域中所知的任何其他形式的存储介质中。示例性存储介质耦合到处理器以使得该处理器能从/向该存储介质读取和写入信息。在替换方案中,存储介质可以被整合到处理器。处理器和存储介质可驻留在ASIC中。ASIC可驻留在用户终端中。在替换方案中,处理器和存储介质可作为分立组件驻留在用户终端中。
在一个或多个示例性实施例中,所描述的功能可在硬件、软件、固件或其任何组合中实现。如果在软件中实现为计算机程序产品,则各功能可以作为一条或更多条指令或代码存储在计算机可读介质上或藉其进行传送。计算机可读介质包括计算机存储介质和通信介质两者,其包括促成计算机程序从一地向另一地转移的任何介质。存储介质可以是能被计算机访问的任何可用介质。作为示例而非限定,这样的计算机可读介质可包括RAM、ROM、EEPROM、CD-ROM或其它光盘存储、磁盘存储或其它磁存储设备、或能被用来携带或存储指令或数据结构形式的合意程序代码且能被计算机访问的任何其它介质。任何连接也被正当地称为计算机可读介质。例如,如果软件是使用同轴电缆、光纤电缆、双绞线、数字订户线(DSL)、或诸如红外、无线电、以及微波之类的无线技术从web网站、服务器、或其它远程源传送而来,则该同轴电缆、光纤电缆、双绞线、DSL、或诸如红外、无线电、以及微波之类的无线技术就被包括在介质的定义之中。如本文中所使用的盘(disk)和碟(disc)包括压缩碟(CD)、激光碟、光碟、数字多用碟(DVD)、软盘和蓝光碟,其中盘(disk)往往以磁的方式再现数据,而碟(disc)用激光以光学方式再现数据。上述的组合也应被包括在计算机可读介质的范围内。
提供之前的描述是为了使本领域中的任何技术人员均能够实践本文中所描述的各种方面。但是应该理解,本发明的保护范围应当以所附权利要求书为准,而不应被限定于以上所解说实施例的具体结构和组件。本领域技术人员在本发明的精神和范围内,可以对各实施例进行各种变动和修改,这些变动和修改也落在本发明的保护范围之内。
Claims (13)
1.一种车道线识别方法,包括:
获取车辆前进方向上的道路图像;
对所述道路图像进行预处理以得到所述道路图像对应的鸟瞰图像;
基于车道线的形状特征检测出所述鸟瞰图像中的沿道路方向延伸的轮廓线以组成轮廓线集合;以及
基于各条轮廓线之间的斜率相似程度对所述轮廓线集合中的轮廓线进行合并以确定出所述鸟瞰图像中的车道线。
2.如权利要求1所述的车道线识别方法,其特征在于,所述对所述道路图像进行预处理以得到所述道路图像对应的鸟瞰图像包括:
将所述道路图像进行去噪处理以得到去噪后的道路图像;
将去噪后的道路图像转换为灰度图;以及
对所述灰度图进行逆透视变换以将所述灰度图转换为鸟瞰图像。
3.如权利要求2所述的车道线识别方法,其特征在于,还包括:
将所述灰度图进行缩放以减小计算量;以及
所述对所述灰度图进行逆透视变换以将所述灰度图转换为鸟瞰图像包括:
对缩放后的灰度图进行逆透视变换以将所述灰度图转换为鸟瞰图像。
4.如权利要求2所述的车道线识别方法,其特征在于,还包括:
基于所述道路图像的拍摄设备的内部参数确定出所述道路图像中的ROI区域以及所述道路图像至鸟瞰图像的投影矩阵;以及
基于所述投影矩阵计算出所述道路图像中的ROI区域在鸟瞰图像中的对应区域,所述道路图像中的ROI区域在鸟瞰图像中的对应区域为所述鸟瞰图像的ROI区域。
5.如权利要求4所述的车道线识别方法,其特征在于,所述基于车道线的形状特性检测出所述鸟瞰图像中的沿道路方向延伸的轮廓线以组成轮廓线集合包括:
计算出所述ROI区域的局部阈值并利用所述局部阈值对所述ROI区域进行图像分割以得到第一ROI区域;
计算出所述ROI区域的整体阈值并利用所述整体阈值对所述ROI区域进行图像分割以得到第二ROI区域;
对所述第一ROI区域与所述第二ROI区域进行“与”运算以得到所述鸟瞰图像对应的ROI图像;
对所述ROI图像进行轮廓查找以提取出沿道路方向延伸的轮廓;以及
对沿道路方向延伸的轮廓分别进行拟合以得到对应的轮廓线,所有的轮廓线组成所述轮廓线集合。
6.如权利要求5所述的车道线识别方法,其特征在于,所述计算出所述鸟瞰图像的局部阈值并利用所述局部阈值对所述ROI区域进行图像分割以得到第一ROI区域包括:
对所述鸟瞰图像的ROI区域进行礼帽运算以获取所述ROI区域中的边缘信息;
基于所述边缘信息计算出所述局部阈值;以及
利用所述局部阈值对所述ROI区域进行图像分割以得到所述第一ROI区域。
7.如权利要求5所述的车道线识别方法,其特征在于,所述对所述ROI图像进行轮廓查找以提取出沿道路方向延伸的轮廓包括:
基于车道线的形状特征查找出所述ROI图像中的符合车道线的形状特征的轮廓;以及
将符合车道线的形状特征且与所述鸟瞰图像的Y轴的夹角不超过预设阈值的轮廓确定为沿道路方向延伸的轮廓。
8.如权利要求7所述的车道线识别方法,其特征在于,所述基于车道的形状特征查找出所述ROI图像中的符合车道的形状特征的轮廓包括:
查找出宽度小于等于5个像素值且长度大于等于10个像素值的长方形轮廓以作为符合车道线的形状特征的轮廓。
9.如权利要求1所述的车道线识别方法,其特征在于,所述基于各条轮廓线之间的斜率相似程度对所述轮廓线集合中的轮廓线进行合并以确定出车道线包括:
将所述轮廓线集合中的每一轮廓线与其他剩余轮廓线进行两两拟合以得到与被拟合的两条轮廓线对应的第三轮廓线;
响应于所述第三轮廓线与被拟合的两条轮廓线的斜率的误差均小于预设阈值,判断所述被拟合的两条轮廓线为同一车道线的轮廓线;
将属于同一车道线的轮廓线进行合并以得到若干条最终轮廓线;以及
将最长的最终轮廓线、相互平行的两条最终轮廓线或合并轮廓线最多的最终轮廓线确定为车道线。
10.如权利要求9所述的车道线识别方法,其特征在于,所述将所述轮廓线集合中的每一轮廓线与其他剩余轮廓线进行两两拟合以得到与被拟合的两条轮廓线对应的第三轮廓线包括:
分别挑选出所述被拟合的两条轮廓线的两个端点;以及
利用所述被拟合的两条轮廓线的四个端点拟合出一条轮廓线以作为与被拟合的两条轮廓线对应的所述第三轮廓线。
11.如权利要求1所述的车道线识别方法,其特征在于,还包括:
基于所述鸟瞰图像中的车道线以及所述车辆的位置进行压线告警。
12.一种车道线识别装置,包括存储器、处理器以及存储在存储器上的计算机程序,其特征在于,所述处理器被用于执行存储在所述存储器上的计算机程序时实现如权利要求1~11中任一项所述的车道线识别方法的步骤。
13.一种计算机存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被执行时实现如权利要求1~11中任一项所述的车道线识别方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110009714.9A CN112699825A (zh) | 2021-01-05 | 2021-01-05 | 一种车道线识别方法及其装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110009714.9A CN112699825A (zh) | 2021-01-05 | 2021-01-05 | 一种车道线识别方法及其装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112699825A true CN112699825A (zh) | 2021-04-23 |
Family
ID=75514805
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110009714.9A Pending CN112699825A (zh) | 2021-01-05 | 2021-01-05 | 一种车道线识别方法及其装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112699825A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117100243A (zh) * | 2023-10-23 | 2023-11-24 | 中国科学院自动化研究所 | 基于***矩阵像素压缩的磁粒子成像***、方法及设备 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009026164A (ja) * | 2007-07-23 | 2009-02-05 | Alpine Electronics Inc | 車線認識装置及びナビゲーション装置 |
US20100284569A1 (en) * | 2008-01-11 | 2010-11-11 | Kazuyuki Sakurai | Lane recognition system, lane recognition method, and lane recognition program |
JP2011170596A (ja) * | 2010-02-18 | 2011-09-01 | Renesas Electronics Corp | 区画線認識システム、区画線認識方法、及び区画線認識プログラム |
CN103116748A (zh) * | 2013-03-11 | 2013-05-22 | 清华大学 | 基于路面标识识别违规驾驶行为的方法及*** |
CN105740796A (zh) * | 2016-01-27 | 2016-07-06 | 大连楼兰科技股份有限公司 | 一种基于灰度直方图的透视变换后车道线图像二值化方法 |
CN106778593A (zh) * | 2016-12-11 | 2017-05-31 | 北京联合大学 | 一种基于多地面标志融合的车道级定位方法 |
CN107679520A (zh) * | 2017-10-30 | 2018-02-09 | 湖南大学 | 一种适用于复杂条件下的车道线视觉检测方法 |
CN109785291A (zh) * | 2018-12-20 | 2019-05-21 | 南京莱斯电子设备有限公司 | 一种车道线自适应检测方法 |
CN110929655A (zh) * | 2019-11-27 | 2020-03-27 | 厦门金龙联合汽车工业有限公司 | 一种行驶过程中车道线识别方法、终端设备及存储介质 |
-
2021
- 2021-01-05 CN CN202110009714.9A patent/CN112699825A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009026164A (ja) * | 2007-07-23 | 2009-02-05 | Alpine Electronics Inc | 車線認識装置及びナビゲーション装置 |
US20100284569A1 (en) * | 2008-01-11 | 2010-11-11 | Kazuyuki Sakurai | Lane recognition system, lane recognition method, and lane recognition program |
JP2011170596A (ja) * | 2010-02-18 | 2011-09-01 | Renesas Electronics Corp | 区画線認識システム、区画線認識方法、及び区画線認識プログラム |
CN103116748A (zh) * | 2013-03-11 | 2013-05-22 | 清华大学 | 基于路面标识识别违规驾驶行为的方法及*** |
CN105740796A (zh) * | 2016-01-27 | 2016-07-06 | 大连楼兰科技股份有限公司 | 一种基于灰度直方图的透视变换后车道线图像二值化方法 |
CN106778593A (zh) * | 2016-12-11 | 2017-05-31 | 北京联合大学 | 一种基于多地面标志融合的车道级定位方法 |
CN107679520A (zh) * | 2017-10-30 | 2018-02-09 | 湖南大学 | 一种适用于复杂条件下的车道线视觉检测方法 |
CN109785291A (zh) * | 2018-12-20 | 2019-05-21 | 南京莱斯电子设备有限公司 | 一种车道线自适应检测方法 |
CN110929655A (zh) * | 2019-11-27 | 2020-03-27 | 厦门金龙联合汽车工业有限公司 | 一种行驶过程中车道线识别方法、终端设备及存储介质 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117100243A (zh) * | 2023-10-23 | 2023-11-24 | 中国科学院自动化研究所 | 基于***矩阵像素压缩的磁粒子成像***、方法及设备 |
CN117100243B (zh) * | 2023-10-23 | 2024-02-20 | 中国科学院自动化研究所 | 基于***矩阵像素压缩的磁粒子成像***、方法及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110659539B (zh) | 一种信息处理方法、装置及机器可读存储介质 | |
Marzougui et al. | A lane tracking method based on progressive probabilistic Hough transform | |
US9269001B2 (en) | Illumination invariant and robust apparatus and method for detecting and recognizing various traffic signs | |
JP5223675B2 (ja) | 車両検知装置,車両検知方法並びに車両検知プログラム | |
WO2015147764A1 (en) | A method for vehicle recognition, measurement of relative speed and distance with a single camera | |
CN111179152A (zh) | 一种道路标识识别方法及装置、介质、终端 | |
CN110544211A (zh) | 一种镜头付着物的检测方法、***、终端和存储介质 | |
CN103034836A (zh) | 道路标志检测方法和道路标志检测设备 | |
CN110532875B (zh) | 夜晚模式镜头付着物的检测***、终端和存储介质 | |
CN111027535A (zh) | 一种车牌识别方法及相关设备 | |
CN113239733B (zh) | 一种多车道车道线检测方法 | |
CN109635737A (zh) | 基于道路标记线视觉识别辅助车辆导航定位方法 | |
CN111627057A (zh) | 一种距离测量方法、装置及服务器 | |
Chen et al. | A novel lane departure warning system for improving road safety | |
CN112699825A (zh) | 一种车道线识别方法及其装置 | |
CN108090425B (zh) | 一种车道线检测方法、装置及终端 | |
Barua et al. | An Efficient Method of Lane Detection and Tracking for Highway Safety | |
CN103577829B (zh) | 一种车标定位方法和装置 | |
CN114841910A (zh) | 车载镜头遮挡识别方法及装置 | |
JP7264428B2 (ja) | 道路標識認識装置及びそのプログラム | |
CN111428538B (zh) | 一种车道线提取方法、装置和设备 | |
CN110544232A (zh) | 一种镜头付着物的检测***、终端和存储介质 | |
CN114724119A (zh) | 车道线提取方法、检测设备及存储介质 | |
CN111626180B (zh) | 基于偏振成像的车道线检测方法及其装置 | |
CN114841874A (zh) | 一种图像处理方法、装置、设备及存储介质 |
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 |