CN114120258B - 一种车道线识别方法、装置及存储介质 - Google Patents
一种车道线识别方法、装置及存储介质 Download PDFInfo
- Publication number
- CN114120258B CN114120258B CN202210088440.1A CN202210088440A CN114120258B CN 114120258 B CN114120258 B CN 114120258B CN 202210088440 A CN202210088440 A CN 202210088440A CN 114120258 B CN114120258 B CN 114120258B
- Authority
- CN
- China
- Prior art keywords
- lane line
- coordinate system
- point
- lane
- road surface
- 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
Images
Landscapes
- Traffic Control Systems (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种车道线识别方法、装置及存储介质,其中方法包括:获取图像坐标系下的平坦路面和坡度路面的若干个车道线采样点对;获取图像坐标系与车身坐标系的转换关系,根据转换关系由车道线采样点对得到平坦路面的车道线识别点对,车道线识别点对包括左侧识别点和与左侧识别对对应的右侧识别点;根据左侧识别点和右侧识别点的X轴坐标之差计算得到平坦路面的车道线识别点对对应的车道宽度;根据图像坐标系和车身坐标系之间的转换关系,以及车道宽度,计算得到坡度路面的车道线采样点对应的车道线识别点对的点集合;对点集合进行多项式函数拟合,得到车道线拟合方程。本发明实施例能够有效提高坡度识别的精确度。
Description
技术领域
本发明涉及自动驾驶技术领域,尤其是涉及一种车道线识别方法、装置及存储介质。
背景技术
在智能驾驶产品中,车道线识别精度直接影响智能驾驶功能的落地(LKA ,LCC等),通过车道线可以描述自车在车道内的相对位置关系,进而进行控制算法的落地。现有的车道线识别方法基于自车所在的路面是平坦的这个前提条件进行车道线识别,但是在实际场景中,车辆所在的路面并不是恒定平坦的,导致现在的车道线识别方法对车道线的识别精度较低。
发明内容
本发明提供一种车道线识别方法、装置及存储介质,以解决现在的车道线识别方法对车道线的识别精度较低的技术问题。
本发明的一个实施例提供了一种车道线识别方法,包括:
获取图像坐标系下的平坦路面和坡度路面的若干个车道线采样点对,每一所述采样点对包括一个左侧采样点和与所述左侧采样点对应的右侧采样点;
获取图像坐标系与车身坐标系的转换关系,根据所述转换关系将所述平坦路面的车道线采样点对由图像坐标系转换成车身坐标系,得到所述平坦路面的车道线识别点对,所述车道线识别点对包括左侧识别点和与所述左侧识别对对应的右侧识别点;
根据所述左侧识别点和右侧识别点的X轴坐标之差计算得到所述平坦路面的车道线识别点对对应的车道宽度;
根据所述图像坐标系和所述车身坐标系之间的转换关系,以及所述车道宽度,计算得到所述坡度路面的车道线采样点对应的车道线识别点对的点集合;
对所述点集合进行多项式函数拟合,得到车道线拟合方程。
进一步的,获取图像坐标系与车身坐标系的转换关系,具体为:
基于相机小孔成像原理,获取图像坐标系与车身坐标系的转换关系。
进一步的,基于相机小孔成像原理,获取图像坐标系与车身坐标系的转换关系,具体为:
根据小孔成像原理得到:
令:
则有图像坐标系与车身坐标系的转换关系:
其中,(u,v)为图像坐标系坐标,(X,Y,Z)为车身坐标系坐标,Zc是相机在车身坐标下的Z方向的坐标,A3x4是一个行和列分别是3和4的矩阵,a1、a2、a3是对A3x4矩阵的行向量描述,fu、fv分别为相机在横向上的归一化焦距和纵向上的归一化焦距,R是相机的旋转矩阵,t是位移,0T是0行向量。
进一步的,获取图像坐标系与车身坐标系的转换关系,根据所述转换关系将所述平坦路面的车道线采样点对由图像坐标系转换成车身坐标系,得到所述平坦路面的车道线识别点对,具体为:
将所述车道线采样点对的集合设为:Tracelane={[UV0,left, UV0,right],[UV1,left,UV1,right], ..., [UVn,left, UVn,right]};
其中,UVn,left为第n个左侧采样点,UVn,right为第n个右侧采样点,U为图像坐标系的横坐标,V为图像坐标系的纵坐标;
根据图像坐标系与车身坐标系的转换关系,将车道线采样点对[UVn,left,UVn,right]转换成车身坐标系下的车道线识别点对[XYZn,left,XYZn, right],其中,XYZn,left为第n个左侧识别点,XYZn, right为第n个右侧识别点。
进一步的,根据所述左侧识别点和右侧识别点的X轴坐标之差计算得到所述平坦路面的车道线识别点对对应的车道宽度,具体为:
Wlane,n=XYZn,right.x – XYZn,left.x = xright - xleft
其中,Wlane,n为第n个车道识别点对对应的车道宽度,xright为右侧识别点的X轴坐标,xleft为左侧识别点的X轴坐标。
进一步的,根据所述图像坐标系和所述车身坐标系之间的转换关系,以及所述车道宽度,计算得到所述坡度路面的车道线采样点对应的车道线识别点对的点集合,具体为:
设定代价函数Fcost为:
Fcost = min{xright - xleft -Wlane,n}
令Fcost=0,结合所述转换关系,计算得到车道识别点对的点集合,其中,每一车道识别点的Z轴坐标为所述车道识别点的坡度高度。
进一步的,对所述点集合进行多项式函数拟合,得到车道线拟合方程,具体为:
采用最小二乘拟合算法对所述点集合进行多项式函数拟合,得到车道线拟合方程。
进一步的,获取图像坐标系下的若干个车道线采样点对,具体为:
采集目标区域的图像集,采用深度学习或机器学习对车道线进行目标检测,检测得到左侧车道线和右侧车道线;
以预设的时间间隔同时采集左侧车道线的采样点和右侧车道线的采样点,得到若干个车道线采样点对。
本发明的一种实施例提供了一种车道线识别装置,包括:
采样点对获取模块,用于获取图像坐标系下的平坦路面和坡度路面的若干个车道线采样点对,每一所述采样点对包括一个左侧采样点和与所述左侧采样点对应的右侧采样点;
识别点对计算模块,用于获取图像坐标系与车身坐标系的转换关系,根据所述转换关系将所述平坦路面的车道线采样点对由图像坐标系转换成车身坐标系,得到所述平坦路面的车道线识别点对,所述车道线识别点对包括左侧识别点和与所述左侧识别对对应的右侧识别点;
车道宽度计算模块,用于根据所述左侧识别点和右侧识别点的X轴坐标之差计算得到所述平坦路面的车道线识别点对对应的车道宽度;
点集合计算模块,用于根据所述图像坐标系和所述车身坐标系之间的转换关系,以及所述车道宽度,计算得到所述坡度路面的车道线采样点对应的车道线识别点对的点集合;
车道线拟合模块,用于对所述点集合进行多项式函数拟合,得到车道线拟合方程。
本发明的一个实施例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包括存储的计算机程序,其中,在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如权上述的车道线识别方法。
本发明实施例通过获取图像坐标系与车身坐标系的转换关系,以将平坦路面的车道线采样点对由图像坐标系转换成车身坐标系,得到车道线识别点对,并得到平坦路面下的车道宽度,并基于该车道宽度对坡度路面的车道线采样点对进行修正,以得到坡度路面中准确的车道采样点对,并进一步根据坡度路面的车道采样点坐标进行多项式函数拟合,得到准确的车道线拟合方程,在进行车道线识别时通过考虑前实现方道路的坡度情况,从而有效提高在坡度路况下的车道线识别精度,进而能够有效提高自动驾驶的可靠性。
附图说明
图1是本发明实施例提供的车道线识别方法的流程示意图;
图2是本发明实施例提供的车道线示意图;
图3是本发明实施例提供的一种坡度示意图;
图4是本发明实施例提供的一种坡度的另一示意图;
图5是本发明实施例提供的车道线识别装置的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
在本申请的描述中,需要理解的是,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或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本申请的描述中,除非另有说明,“多个”的含义是两个或两个以上。
在本申请的描述中,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申请中的具体含义。
请参阅图1,本发明的一个实施例提供了一种车道线识别方法,包括:
S1、获取图像坐标系下的平坦路面和坡度路面的若干个车道线采样点对,每一采样点对包括一个左侧采样点和与左侧采样点对应的右侧采样点;
在本发明实施例中,车道线采样点对是基于摄像头采集得到的图像进行采集的。在一种具体的实施方式中,本发明实施例通过摄像头采集目标区域的图像集,采用深度学***坦路面的车道线采样点对和在坡度路面的车道线采样点对。例如,在t时刻同时对左侧和右侧车道线进行采样,得到第t个左侧采样点和第t个右侧采样点,第t个左侧采样点和第t个右侧采样点即为第t个采样点对。
需要说明的是,图像坐标系是以像素平面中心点为原点,横向为u方向,纵向为v方向建立的二维坐标系。本发明实施例中的平坦路面为车辆前方的近处路面,坡度路面为车辆前方的远处路面。
S2、获取图像坐标系与车身坐标系的转换关系,根据转换关系将平坦路面的车道线采样点对由图像坐标系转换成车身坐标系,得到平坦路面的车道线识别点对,车道线识别点对包括左侧识别点和与左侧识别对对应的右侧识别点;
在本发明实施例中,车身坐标系为以车身中心在地面的投影点为原点,车辆前景方向为Y轴,垂直车身向右为X轴,垂直车身向上为Z轴,建立的三维坐标系,符合右手定则。
S3、根据左侧识别点和右侧识别点的X轴坐标之差计算得到平坦路面的车道线识别点对对应的车道宽度;
S4、根据图像坐标系和车身坐标系之间的转换关系,以及车道宽度,计算得到坡度路面的车道线采样点对应的车道线识别点对的点集合;
在本发明实施例中,利用上述转换关系以及车道宽度,计算得到坡度路面的车道线采样点对应的车道线识别点对的点集合,即计算能得到每个车道识别点的车身坐标系的坐标,其中该坐标的Z轴即为该车道线识别点所处的坡度高度。
S5、对点集合进行多项式函数拟合,得到车道线拟合方程。
基于二维坐标系的图像坐标系即为理想的平坦路面,其无法体现出车辆在实际行驶时所处的坡度情况,本发明实施例通过将获取图像坐标系与车身坐标系的转换关系,以将平坦路面的车道线采样点对由图像坐标系转换成车身坐标系,得到车道线识别点对,以确定平坦路面的车道宽度,并基于该车道宽度对坡度路面的车道线采样点对进行修正,以得到坡度路面中准确的车道采样点对,并进一步根据坡度路面的车道采样点坐标进行多项式函数拟合,得到准确的车道线拟合方程,即考虑了车辆实际行驶状况时的坡度情况,以平坦路面的车道宽度修正坡度路面的采样点,从而能够准确识别车道线。
在一个实施例中,获取图像坐标系与车身坐标系的转换关系,具体为:
基于相机小孔成像原理,获取图像坐标系与车身坐标系的转换关系。
具体的,基于相机小孔成像原理,获取图像坐标系与车身坐标系的转换关系,具体为:
根据小孔成像原理得到:
令:
则有图像坐标系与车身坐标系的转换关系:
其中,(u,v)为图像坐标系坐标,(X,Y,Z)为车身坐标系坐标,Zc是相机在车身坐标下的Z方向的坐标,A3x4是一个行和列分别是3和4的矩阵,a1、a2、a3是对A3x4矩阵的行向量描述,fu、fv分别为相机在横向上的归一化焦距和纵向上的归一化焦距,R是相机的旋转矩阵,t是位移,0T是0行向量。
在一个实施例中,获取图像坐标系与车身坐标系的转换关系,根据转换关系将平坦路面的车道线采样点对由图像坐标系转换成车身坐标系,得到平坦路面的车道线识别点对,具体为:
将车道线采样点对的集合设为:Tracelane={[UV0,left, UV0,right],[UV1,left,UV1,right], ..., [UVn,left, UVn,right]};
其中,UVn,left为第n个左侧采样点,UVn,right为第n个右侧采样点,U为图像坐标系的横坐标,V为图像坐标系的纵坐标;
根据图像坐标系与车身坐标系的转换关系,将车道线采样点对[UVn,left,UVn,right]转换成车身坐标系下的车道线识别点对[XYZn,left,XYZn, right],其中,XYZn,left为第n个左侧识别点,XYZn, right为第n个右侧识别点。
在本发明实施中,图像坐标系转换至车身坐标系的过程为逆投影变换过程,图像坐标系的坐标可以由车辆中的视觉感知模块获得。
在一个实施例中,根据左侧识别点和右侧识别点的X轴坐标之差计算平坦路面的得到每一车道线识别点对对应的车道宽度,具体为:
Wlane,n=XYZn,right.x – XYZn,left.x = xright - xleft
其中,Wlane,n为第n个车道识别点对对应的车道宽度,xright为右侧识别点的X轴坐标,xleft为左侧识别点的X轴坐标。
请参阅图3-4,车道宽度可以通过逆投影变换下的一个车道线识别点对的X坐标的差值表示。具体的,Wn = Abs(XYZ0, left.x - XYZ0,right.x), Wi为宽度,即可计算y=0时(即地面上点距离摄像头的高度Hgt = Hcamera)的两条车道线间距离W0,即为当前车道的宽度。利用历史车道宽度和当前检测的宽度,获得一个平滑的车道宽度Wlane作为输出。在一个具体的实施方式中,车道宽度也可以用左右车道线采样点在车身坐标系下的x坐标之差表示,即:
Wlane,n=XYZn,right.x – XYZn,left.x = xright - xleft
同时,一条车道的宽度无论多远,都是一致的。即Wlane = Wlane,n。
在一个实施例中,根据图像坐标系和车身坐标系之间的转换关系,以及车道宽度,计算得到坡度路面的车道线采样点对应的车道线识别点对的点集合,具体为:
设定代价函数Fcost为:
Fcost = min{xright - xleft -Wlane,n}
令Fcost=0,结合转换关系,计算得到车道识别点对的点集合,其中,每一车道识别点的Z轴坐标为车道识别点的坡度高度。
在本发明实施例中,根据图像坐标系和车身坐标系之间的转换关系计算得到车道线采样点的车身坐标系:
其中,Z即为该位置的坡度高度,X,Y分别为基于坡度的纵向和横向坐标。本发明实施例中当Z的值不同时,X的值也随之不同,通过迭代计算得到Z值,获取不同的X的值,来最小化Fcost,本发明实施例令Fcost为0,从而确定X的值,以及Y的值。本发明实施例基于最终确定的X、Y的值采用最小二乘拟合算法进行车道线方程的拟合,从而准确识别道路的车道线。
在一个实施例中,对点集合进行多项式函数拟合,得到车道线拟合方程,具体为:
采用最小二乘拟合算法对点集合进行多项式函数拟合,得到车道线拟合方程。
实施本发明实施例,具有以下有益效果:
本发明实施例通过获取图像坐标系与车身坐标系的转换关系,以将平坦路面的车道线采样点对由图像坐标系转换成车身坐标系,得到车道线识别点对,并得到平坦路面下的车道宽度,并基于该车道宽度对坡度路面的车道线采样点对进行修正,以得到坡度路面中准确的车道采样点对,并进一步根据坡度路面的车道采样点坐标进行多项式函数拟合,得到准确的车道线拟合方程,在进行车道线识别时通过考虑前实现方道路的坡度情况,从而有效提高在坡度路况下的车道线识别精度,进而能够有效提高自动驾驶的可靠性。
请参阅图5,基于与上述实施例相同的发明构思,本发明的一种实施例提供了一种车道线识别装置,包括:
采样点对获取模块10,用于获取图像坐标系下的平坦路面和坡度路面的若干个车道线采样点对,每一采样点对包括一个左侧采样点和与左侧采样点对应的右侧采样点;
识别点对计算模块20,用于获取图像坐标系与车身坐标系的转换关系,根据转换关系将平坦路面的车道线采样点对由图像坐标系转换成车身坐标系,得到平坦路面的车道线识别点对,车道线识别点对包括左侧识别点和与左侧识别对对应的右侧识别点;
车道宽度计算模块30,用于根据图像坐标系和车身坐标系之间的转换关系,以及车道宽度,计算得到坡度路面的车道线采样点对应的车道线识别点对的点集合;
点集合计算模块40,用于根据图像坐标系和车身坐标系之间的转换关系,以及车道宽度,计算得到每一车道线采样点对应的车道线识别点对的点集合;
车道线拟合模块50,用于对点集合进行多项式函数拟合,得到车道线拟合方程。
在一个实施例中,识别点对计算模块20具体用于:
基于相机小孔成像原理,获取图像坐标系与车身坐标系的转换关系。
在一个实施例中,识别点对计算模块20还用于:
根据小孔成像原理得到:
令:
则有图像坐标系与车身坐标系的转换关系:
其中,(u,v)为图像坐标系坐标,(X,Y,Z)为车身坐标系坐标,Zc是相机在车身坐标下的Z方向的坐标,A3x4是一个行和列分别是3和4的矩阵,a1、a2、a3是对A3x4矩阵的行向量描述,fu、fv分别为相机在横向上的归一化焦距和纵向上的归一化焦距,R是相机的旋转矩阵,t是位移,0T是0行向量。
在一个实施例中,识别点对计算模块20还用于:
将车道线采样点对的集合设为:Tracelane={[UV0,left, UV0,right],[UV1,left,UV1,right], ..., [UVn,left, UVn,right]};
其中,UVn,left为第n个左侧采样点,UVn,right为第n个右侧采样点,U为图像坐标系的横坐标,V为图像坐标系的纵坐标;
根据图像坐标系与车身坐标系的转换关系,将车道线采样点对[UVn,left,UVn,right]转换成车身坐标系下的车道线识别点对[XYZn,left,XYZn, right],其中,XYZn,left为第n个左侧识别点,XYZn, right为第n个右侧识别点。
在一个实施例中,车道宽度计算模块30具体用于:
Wlane,n=XYZn,right.x – XYZn,left.x = xright - xleft
其中,Wlane,n为第n个车道识别点对对应的车道宽度,xright为右侧识别点的X轴坐标,xleft为左侧识别点的X轴坐标。
在一个实施例中,点集合计算模块40具体用于:
设定代价函数Fcost为:
Fcost = min{xright - xleft -Wlane,n}
令Fcost=0,结合转换关系,计算得到车道识别点对的点集合,其中,每一车道识别点的Z轴坐标为车道识别点的坡度高度。
在一个实施例中,车道线拟合模块50具体用于:
采用最小二乘拟合算法对点集合进行多项式函数拟合,得到车道线拟合方程。
在一个实施例中,采样点对获取模块10具体用于:
采集目标区域的图像集,采用深度学习或机器学习对车道线进行目标检测,检测得到左侧车道线和右侧车道线;
以预设的时间间隔同时采集左侧车道线的采样点和右侧车道线的采样点,得到若干个车道线采样点对。
本发明的一个实施例提供了一种计算机可读存储介质,计算机可读存储介质包括存储的计算机程序,其中,在计算机程序运行时控制计算机可读存储介质所在设备执行如权上述的车道线识别方法。
以上是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也视为本发明的保护范围。
Claims (10)
1.一种车道线识别方法,其特征在于,包括:
获取图像坐标系下的平坦路面和坡度路面的若干个车道线采样点对,每一所述采样点对包括一个左侧采样点和与所述左侧采样点对应的右侧采样点;
获取图像坐标系与车身坐标系的转换关系,根据所述转换关系将所述平坦路面的车道线采样点对由图像坐标系转换成车身坐标系,得到所述平坦路面的车道线识别点对,所述车道线识别点对包括左侧识别点和与所述左侧识别点对应的右侧识别点;
根据所述左侧识别点和右侧识别点的X轴坐标之差计算得到所述平坦路面的车道线识别点对对应的车道宽度;
根据所述图像坐标系和所述车身坐标系之间的转换关系,以及所述车道宽度,计算得到所述坡度路面的车道线采样点对应的车道线识别点对的点集合;
对所述点集合进行多项式函数拟合,得到车道线拟合方程。
2.如权利要求1所述的车道线识别方法,其特征在于,获取图像坐标系与车身坐标系的转换关系,具体为:
基于相机小孔成像原理,获取图像坐标系与车身坐标系的转换关系。
4.如权利要求1所述的车道线识别方法,其特征在于,获取图像坐标系与车身坐标系的转换关系,根据所述转换关系将所述平坦路面的车道线采样点对由图像坐标系转换成车身坐标系,得到所述平坦路面的车道线识别点对,具体为:
将所述车道线采样点对的集合设为:Tracelane={[UV0,left, UV0,right],[UV1,left,UV1,right], ..., [UVn,left, UVn,right]};
其中,UVn,left为第n个左侧采样点,UVn,right为第n个右侧采样点,U为图像坐标系的横坐标,V为图像坐标系的纵坐标;
根据图像坐标系与车身坐标系的转换关系,将车道线采样点对[UVn,left, UVn,right]转换成车身坐标系下的车道线识别点对[XYZn,left,XYZn, right],其中,XYZn,left为第n个左侧识别点,XYZn, right为第n个右侧识别点。
5.如权利要求4所述的车道线识别方法, 其特征在于,根据所述左侧识别点和右侧识别点的X轴坐标之差计算得到所述平坦路面的车道线识别点对对应的车道宽度,具体为:
Wlane,n=XYZn,right.x – XYZn,left.x = xright- xleft
其中,Wlane,n为第n个车道识别点对对应的车道宽度,xright为右侧识别点的X轴坐标,xleft为左侧识别点的X轴坐标。
6.如权利要求5所述的车道线识别方法,其特征在于,根据所述图像坐标系和所述车身坐标系之间的转换关系,以及所述车道宽度,计算得到所述坡度路面的车道线采样点对应的车道线识别点对的点集合,具体为:
设定代价函数Fcost为:
Fcost= min{xright - xleft-Wlane,n}
令Fcost=0,结合所述转换关系,计算得到车道识别点对的点集合,其中,每一车道识别点的Z轴坐标为所述车道识别点的坡度高度。
7.如权利要求1所述的车道线识别方法,其特征在于,对所述点集合进行多项式函数拟合,得到车道线拟合方程,具体为:
采用最小二乘拟合算法对所述点集合进行多项式函数拟合,得到车道线拟合方程。
8.如权利要求1所述的车道线识别方法,其特征在于,获取图像坐标系下的若干个车道线采样点对,具体为:
采集目标区域的图像集,采用深度学习对车道线进行目标检测,检测得到左侧车道线和右侧车道线;
以预设的时间间隔同时采集左侧车道线的采样点和右侧车道线的采样点,得到若干个车道线采样点对。
9.一种车道线识别装置,其特征在于,包括:
采样点对获取模块,用于获取图像坐标系下的平坦路面和坡度路面的若干个车道线采样点对,每一所述采样点对包括一个左侧采样点和与所述左侧采样点对应的右侧采样点;
识别点对计算模块,用于获取图像坐标系与车身坐标系的转换关系,根据所述转换关系将所述平坦路面的车道线采样点对由图像坐标系转换成车身坐标系,得到所述平坦路面的车道线识别点对,所述车道线识别点对包括左侧识别点和与所述左侧识别点对应的右侧识别点;
车道宽度计算模块,用于根据所述左侧识别点和右侧识别点的X轴坐标之差计算得到所述平坦路面的车道线识别点对对应的车道宽度;
点集合计算模块,用于根据所述图像坐标系和所述车身坐标系之间的转换关系,以及所述车道宽度,计算得到所述坡度路面的车道线采样点对应的车道线识别点对的点集合;
车道线拟合模块,用于对所述点集合进行多项式函数拟合,得到车道线拟合方程。
10.一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包括存储的计算机程序,其中,在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如权利要求1至8中任意一项所述的车道线识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210088440.1A CN114120258B (zh) | 2022-01-26 | 2022-01-26 | 一种车道线识别方法、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210088440.1A CN114120258B (zh) | 2022-01-26 | 2022-01-26 | 一种车道线识别方法、装置及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114120258A CN114120258A (zh) | 2022-03-01 |
CN114120258B true CN114120258B (zh) | 2022-05-03 |
Family
ID=80361066
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210088440.1A Active CN114120258B (zh) | 2022-01-26 | 2022-01-26 | 一种车道线识别方法、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114120258B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115655205A (zh) * | 2022-11-16 | 2023-01-31 | 清智汽车科技(苏州)有限公司 | 利用车道辅助测距的方法和装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110197151A (zh) * | 2019-05-28 | 2019-09-03 | 大连理工大学 | 一种结合双分支网络和自定义函数网络的车道线检测***及方法 |
CN110361015A (zh) * | 2018-09-30 | 2019-10-22 | 长城汽车股份有限公司 | 道路特征点提取方法及*** |
CN112307953A (zh) * | 2020-10-29 | 2021-02-02 | 无锡物联网创新中心有限公司 | 一种基于聚类的自适应逆透视变换车道线识别方法及*** |
CN112733812A (zh) * | 2021-03-01 | 2021-04-30 | 知行汽车科技(苏州)有限公司 | 三维车道线检测方法、装置及存储介质 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101163446B1 (ko) * | 2009-03-18 | 2012-07-18 | 기아자동차주식회사 | 가상 차선을 이용하는 차선 이탈 경보 방법 및 그에 따른 시스템 |
KR101225626B1 (ko) * | 2010-07-19 | 2013-01-24 | 포항공과대학교 산학협력단 | 차선 인식 시스템 및 방법 |
KR101906951B1 (ko) * | 2013-12-11 | 2018-10-11 | 한화지상방산 주식회사 | 차선 검출 시스템 및 차선 검출 방법 |
JP5906272B2 (ja) * | 2014-03-28 | 2016-04-20 | 富士重工業株式会社 | 車両用ステレオ画像処理装置 |
CN107133985B (zh) * | 2017-04-20 | 2020-05-12 | 常州智行科技有限公司 | 一种基于车道线消逝点的车载摄像机自动标定方法 |
CN111860319B (zh) * | 2020-07-20 | 2024-03-26 | 阿波罗智能技术(北京)有限公司 | 车道线的确定方法、定位精度的评测方法、装置、设备 |
CN112348752B (zh) * | 2020-10-28 | 2022-08-16 | 武汉极目智能技术有限公司 | 一种基于平行约束的车道线消失点补偿方法及装置 |
-
2022
- 2022-01-26 CN CN202210088440.1A patent/CN114120258B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110361015A (zh) * | 2018-09-30 | 2019-10-22 | 长城汽车股份有限公司 | 道路特征点提取方法及*** |
CN110197151A (zh) * | 2019-05-28 | 2019-09-03 | 大连理工大学 | 一种结合双分支网络和自定义函数网络的车道线检测***及方法 |
CN112307953A (zh) * | 2020-10-29 | 2021-02-02 | 无锡物联网创新中心有限公司 | 一种基于聚类的自适应逆透视变换车道线识别方法及*** |
CN112733812A (zh) * | 2021-03-01 | 2021-04-30 | 知行汽车科技(苏州)有限公司 | 三维车道线检测方法、装置及存储介质 |
Non-Patent Citations (1)
Title |
---|
采用快速路面重建的车道和障碍物检测新方法;郁梅 等;《仪器仪表学报》;20020430;第23卷(第2期);第144-149页 * |
Also Published As
Publication number | Publication date |
---|---|
CN114120258A (zh) | 2022-03-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10424081B2 (en) | Method and apparatus for calibrating a camera system of a motor vehicle | |
CN109631896B (zh) | 一种基于车辆视觉和运动信息的停车场自主泊车定位方法 | |
CN106529587B (zh) | 基于目标点识别的视觉航向识别方法 | |
CN109345593B (zh) | 一种摄像机姿态的检测方法及装置 | |
CN107305632B (zh) | 基于单目计算机视觉技术的目标对象距离测量方法与*** | |
CN109752701A (zh) | 一种基于激光点云的道路边沿检测方法 | |
CN111065043B (zh) | 一种基于车路通信的隧道内车辆融合定位***及方法 | |
CN103630122B (zh) | 一种单目视觉车道线检测方法及其测距方法 | |
CN112037159B (zh) | 一种跨相机道路空间融合及车辆目标检测跟踪方法及*** | |
EP2887315B1 (en) | Camera calibration device, method for implementing calibration, program and camera for movable body | |
CN110490936A (zh) | 车辆摄像头的标定方法、装置、设备及可读存储介质 | |
US10187630B2 (en) | Egomotion estimation system and method | |
CN109948470B (zh) | 基于霍夫变换的停车线距离检测方法及*** | |
CN103559711A (zh) | 基于三维视觉***图像特征和三维信息的运动估计方法 | |
CN112184792B (zh) | 一种基于视觉的道路坡度计算方法及装置 | |
CN113393524B (zh) | 一种结合深度学习和轮廓点云重建的目标位姿估计方法 | |
CN108151713A (zh) | 一种单目vo快速位姿估计方法 | |
CN114120258B (zh) | 一种车道线识别方法、装置及存储介质 | |
CN111967360A (zh) | 基于车轮的目标车辆姿态检测方法 | |
CN114565510A (zh) | 一种车道线距离检测方法、装置、设备及介质 | |
CN106228531B (zh) | 基于地平线搜索的自动灭点标定方法及*** | |
CN112819711A (zh) | 一种基于单目视觉的利用道路车道线的车辆反向定位方法 | |
CN112489106A (zh) | 基于视频的车辆尺寸测量方法、装置、终端及存储介质 | |
CN104167001B (zh) | 基于正交补偿的大视场摄像机标定方法 | |
CN111583342A (zh) | 一种基于双目视觉的目标快速定位方法及装置 |
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 | ||
CP03 | Change of name, title or address | ||
CP03 | Change of name, title or address |
Address after: Floor 25, Block A, Zhongzhou Binhai Commercial Center Phase II, No. 9285, Binhe Boulevard, Shangsha Community, Shatou Street, Futian District, Shenzhen, Guangdong 518000 Patentee after: Shenzhen Youjia Innovation Technology Co.,Ltd. Address before: 518051 401, building 1, Shenzhen new generation industrial park, No. 136, Zhongkang Road, Meidu community, Meilin street, Futian District, Shenzhen, Guangdong Province Patentee before: SHENZHEN MINIEYE INNOVATION TECHNOLOGY Co.,Ltd. |