CN116503818A - 一种多车道车速检测方法及*** - Google Patents

一种多车道车速检测方法及*** Download PDF

Info

Publication number
CN116503818A
CN116503818A CN202310470574.4A CN202310470574A CN116503818A CN 116503818 A CN116503818 A CN 116503818A CN 202310470574 A CN202310470574 A CN 202310470574A CN 116503818 A CN116503818 A CN 116503818A
Authority
CN
China
Prior art keywords
lane
vehicle
lane line
expressway
detection
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
CN202310470574.4A
Other languages
English (en)
Inventor
陈硕帅
马志强
李宏勋
高俊东
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.)
Inner Mongolia University of Technology
Original Assignee
Inner Mongolia University of Technology
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 Inner Mongolia University of Technology filed Critical Inner Mongolia University of Technology
Priority to CN202310470574.4A priority Critical patent/CN116503818A/zh
Publication of CN116503818A publication Critical patent/CN116503818A/zh
Pending legal-status Critical Current

Links

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
    • G06V20/54—Surveillance or monitoring of activities, e.g. for recognising suspicious objects of traffic, e.g. cars on the road, trains or boats
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • 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
    • 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
    • G06V10/36—Applying a local operator, i.e. means to operate on image points situated in the vicinity of a given point; Non-linear local filtering operations, e.g. median filtering
    • 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
    • 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
    • G08G1/052—Detecting movement of traffic to be counted or controlled with provision for determining speed or overspeed
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Nonlinear Science (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种多车道车速检测方法及***，属于车速计算技术领域，对高速公路视频进行混合高斯建模，获得无车辆的高速公路背景图，然后对车道线进行检测，利用车道线的边缘坐标与车道线距离进行坐标变换，获得距离准确的不同车道线的虚拟检测区域，从已知的车辆轨迹中将车辆质心为基准，计算车辆通过检测区域的速度。通过对车道线的端点坐标进行坐标变换，针对高速公路中的多个车道进行检测区域的划分，利用视频帧率计算车辆通过检测区域的平均速度，解决了现有高速公路场景下车道线的位置信息不能对高速公路两侧车道进行测速区域的设定以致车速检测精度降低的技术问题。

Description

一种多车道车速检测方法及***
技术领域
本发明涉及车速计算技术领域，更具体的说是涉及一种多车道车速检测方法及***。
背景技术
目前，视频测速相较于雷达、激光、地感应线圈等方法具有设备简单成本低、过程直观和结果可验证等优点，主要分为：摄像机标定法和虚拟线圈法。
传统的摄像机标定法主要通过对摄像机作旋转、平移或平面正交运动获得多幅图像，并对其进行处理实现，该类方法需改变摄像机位置或姿态来完成参数标定，需要标定多个相机参数并且对拍摄角度要求严格，计算复杂度高，目前大部分道路监控设备不能满足该要求。虚拟线圈法通过在道路上设置虚拟线圈取代真实的地面感应线圈来检测车辆速度，计算复杂度低，但是由于高速公路具有的多车道特点，传统虚拟检测线将多车道视为单一车道，则使两侧车道设计的实际距离与理想距离偏差较大，导致通过检测区域对车速进行检测时误差较大。
因此，设计一种多车道车速检测方法及***以提高多车道车速检测精度，是本领域技术人员亟需解决的问题。
发明内容
有鉴于此，本发明提供了一种多车道车速检测方法及***，通过对车道线边缘顶点进行坐标变换，针对多个车道划分多个检测区域，进行车速检测，解决了现有高速公路场景下车道线的位置信息不能对高速公路两侧车道进行测速区域的设定以致车速检测精度降低的技术问题。
为了实现上述目的，本发明采用如下技术方案：
一方面，本发明公开了一种多车道车速检测方法，包括以下步骤：
对高速公路视频进行混合高斯建模，获得无车辆的高速公路背景图；
基于所述高速公路背景图进行车道线检测，提取车道线并获取车道线端点信息；其中，所述车道线端点信息为图像坐标系中的车道线端点像素坐标；
对所述车道线端点信息进行坐标变换，获得不同车道的虚拟检测区域；
选取车辆质心位置，利用车辆检测与跟踪获得的车辆轨迹并以车辆质心为基准，得到车辆通过所述虚拟检测区域的行驶速度。
优选的，所述图像坐标系为OPQ坐标系，原点O为图像左下角的顶点，某一个像素的坐标(Pi，Qi)，分别是该像素在数组中的列数与行数的倒数。
优选的，所述基于所述高速公路背景图进行车道线检测，提取车道线并获取车道线端点信息，包括：
采用阈值分割法对所述高速公路背景图进行图像分割，保留车道线位置信息，划分车道线区域；
利用sobel算子对车道线进行边缘检测，提取车道线；
基于概率霍夫变换获取所述车道线两端的端点信息。
优选的，对所述车道线端点信息进行坐标变换，获得不同车道的虚拟检测区域，包括：
将所述图像坐标系中某一像素坐标(Pi，Qi)变换为世界坐标系中的坐标，两者的转换关系如下式所示：
其中，世界坐标系坐标(Xi，Yi，Zi)为所述像素坐标(Pi，Qi)在世界坐标系上的投影坐标，Si为常数；M为1个3ⅹ4矩阵，称为投影矩阵；mij为投影矩阵M的第i行第j列元素；
忽略所述世界坐标系中Z坐标信息，得到如下公式：
根据上式得到像素坐标(Pi，Qi)在世界坐标系中的坐标(Xi，Yi)。
优选的，每条车道的所述虚拟检测区域为由四个点确定的矩形区域，所述车道包括中间车道与边缘车道；
所述中间车道的虚拟检测区域由中间车道两侧的车道线边缘端点确定；
对应中间车道两侧的车道线边缘端点选取所述边缘车道的内侧车道线端点，根据所述内侧车道线端点分别获取其与边缘车道线的垂点，基于所述内侧车道线端点和所述垂点确定所述边缘车道的虚拟检测区域。
优选的，确定车辆质心位置，利用车辆检测与跟踪获得的车辆轨迹并以车辆质心为基准，得到车辆通过所述虚拟检测区域的行驶速度，包括：
记录所述车辆质心进入所述虚拟检测区域边缘线时刻的视频帧数t1；
记录所述车辆质心驶离所述虚拟检测区域边缘线时刻的视频帧数t2；
利用速度公式求得车辆速度。
另一方面，本发明还公开一种多车道车速检测***，包括虚拟区域设计模块和车速检测模块，所述虚拟区域设计模块包括：
混合高斯处理子模块，用于对高速公路视频进行混合高斯建模，获得无车辆的高速公路背景图；
车道线检测子模块，用于基于所述高速公路背景图进行车道线检测，提取车道线并获取车道线端点信息；其中，所述车道线端点信息为图像坐标系中的车道线端点像素坐标；
坐标变换子模块，用于对所述车道线端点信息进行坐标变换，获得不同车道的虚拟检测区域；
所述车速检测模块，用于利用车辆检测与跟踪获得的车辆轨迹并以车辆质心为基准，得到车辆通过所述虚拟检测区域的行驶速度。
优选的，所述车道线检测子模块包括：
图像分割单元，用于采用阈值分割法对所述高速公路背景图进行图像分割，保留车道线位置信息，划分车道线区域；
边缘检测单元，用于利用sobel算子对车道线进行边缘检测，提取车道线；
概率霍夫变换单元，用于基于概率霍夫变换获取所述车道线两端的端点信息。
经由上述的技术方案可知，与现有技术相比，本发明公开提供了一种多车道车速检测方法及***，对高速公路视频进行混合高斯建模，获得无车辆的高速公路背景图；基于高速公路背景图进行车道线检测，提取车道线并获取车道线端点信息；对车道线端点信息进行坐标变换，获得不同车道的虚拟检测区域；选取车辆质心位置，利用车辆检测与跟踪获得的车辆轨迹并以车辆质心为基准，计算车辆通过虚拟检测区域的行驶速度。本发明通过对车道线边缘顶点进行坐标变换，针对多个车道划分多个检测区域，进行车速检测，解决了现有高速公路场景下车道线的位置信息不能对高速公路两侧车道进行测速区域的设定以致车速检测精度降低的技术问题。
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，还可以根据提供的附图获得其他的附图。
图1为本发明实施例提供的虚拟检测区域的设计流程图；
图2(a)为高速公路原图，图2(b)为基于混合高斯建模获得的高速公路背景图；
图3为本发明实施例提供的车道线检测结果图；
图4(a)为高速公路图像坐标图，图4(b)为高速公路世界平面坐标图；
图5为本发明的多车道车速检测***结构图。
具体实施方式
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，所描述的实施例仅仅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，都属于本发明保护的范围。
在高速公路车速计算中，输入一段高速公路监控视频I＝{I1,I2,...,IT}，利用所有车辆的行驶轨迹通过车速计算公式/>求得所有车辆的行驶速度V＝{v1,v2,...,vM}。其中，ΔT为车辆行驶时间，可以由视频帧率获得，ΔH为车辆行驶距离，一般通过划定距离已知的虚拟检测线作为车辆的行驶距离。值得注意的是，高速公路含有多个车道线a、b、c、d，然而现有技术中由于视频角度影响，将高速公路多个车道视为单一车道组成的检测区域，在所在检测区域的图像中呈梯形，使得视频中划定的虚拟检测线的与实际设定的已知距离ΔH出现偏差，求得每辆车的行驶速度V＝{v1,v2,...,vm}误差较大。
针对上述问题，本发明实施例公开了一种多车道车速检测方法，包括如下步骤：
1.对高速公路视频中的图像(图2(a))进行混合高斯建模，获得无车辆的高速公路背景图。
基于车道线的多车辆车速检测模型首先需要对车道线进行检测，为了排除高速公路由于车辆行驶而对车道线检测造成干扰的情况，首先采用混合高斯背景建模的方法，获得无车辆行驶的道路背景图，如图2(b)所示。
2.基于高速公路背景图进行车道线检测，提取车道线并获取车道线端点信息；其中，车道线端点信息为图像坐标系中的车道线端点像素坐标。
为了去掉道路纹理特征的干扰采用阈值分割法分离高速公路，利用车道线亮度高的特点选择合适的阈值对图像进行分割，只保留高亮的车道线像素点区域。车道线区域的划分，可以去掉图像中其他环境条件的干扰，在二值图中只保留了车道线的位置信息，有利于后续的车道线检测。利用sobel算子对车辆进行边缘检测，使用概率霍夫变换的方法对车道线进行检测，获得线段的端点信息。为了更好的计算我们只对双向车道线中的近景方向进行区域划分，车道线检测结果图如图3所示。
3.对车道线端点信息进行坐标变换，获得不同车道的虚拟检测区域。
将图像坐标系中某一像素坐标(Pi，Qi)变换为世界坐标系中的坐标，其中，图像坐标系为OPQ坐标系，原点O为图像左下角的顶点，某一个像素的坐标(Pi，Qi)，分别是该像素在数组中的列数与行数的倒数。
两者的转换关系如下式所示：
其中，世界坐标系坐标(Xi，Yi，Zi)为像素坐标(Pi，Qi)在世界坐标系上的投影坐标，Si为常数；M为1个3ⅹ4矩阵，称为投影矩阵；mij为投影矩阵M的第i行第j列元素。
在实际高速公路场景中，车辆行驶在平面路面上，高度基本不发生变化，同时高度可忽略不计。即把世界坐标系中Z坐标信息忽略，可得公式：
根据上式得到像素坐标(Pi，Qi)在世界坐标系中的坐标(Xi，Yi)。
其中，通过摄像机标定矩阵PiQi求解投影矩阵M。
根据《公路工程技术标准》(JTGB01-2014)(引用)的规定的车道线设计，已知相邻车道线间距3.75米，虚线间隔9米，虚线长6米，据此可知图像平面上各平面内至少4个点的坐标，由上式可以求出实际路面上的4个对应点坐标，即可求出空间一点与其图像坐标系投影点的对应关系，即可知图像坐标中任意2点间的实际距离，图像坐标系与真实世界坐标系映射如图4(a)和图4(b)所示。根据中间车道的实际距离，在两侧车道划分相应的检测区域，完成虚拟检测区域设计。虚拟检测区域设计流程图如图1所示。
并且，每条车道的虚拟检测区域为由四个点确定的矩形区域，车道包括中间车道与边缘车道；
中间车道的虚拟检测区域由中间车道两侧的车道线边缘端点确定；
对应中间车道两侧的车道线边缘端点选取边缘车道的内侧车道线端点，根据内侧车道线端点分别获取其与边缘车道线的垂点，基于内侧车道线端点和垂点确定边缘车道的虚拟检测区域。
4.选取车辆质心位置，利用车辆检测与跟踪获得的车辆轨迹并以车辆质心为基准，得到车辆通过虚拟检测区域的行驶速度，其中，利用视频帧率25帧/s计算车辆通过检测区域的时间，包括：
记录车辆质心进入虚拟检测区域边缘线时刻的视频帧数t1；
记录车辆质心驶离虚拟检测区域边缘线时刻的视频帧数t2；
利用速度公式求得车辆速度。
另一方面，本发明实施例还提供了一种多车道车速检测***，如图5所示，包括虚拟区域设计模块和车速检测模块，虚拟区域设计模块包括：
混合高斯处理子模块，用于对高速公路视频进行混合高斯建模，获得无车辆的高速公路背景图；
车道线检测子模块，用于基于高速公路背景图进行车道线检测，提取车道线并获取车道线端点信息；其中，车道线端点信息为图像坐标系中的车道线端点像素坐标；
坐标变换子模块，用于对车道线端点信息进行坐标变换，获得不同车道的虚拟检测区域；
车速检测模块，用于利用车辆检测与跟踪获得的车辆轨迹并以车辆质心为基准，得到车辆通过虚拟检测区域的行驶速度。
其中，车道线检测子模块包括：
图像分割单元，用于采用阈值分割法对高速公路背景图进行图像分割，保留车道线位置信息，划分车道线区域；
边缘检测单元，用于利用sobel算子对车道线进行边缘检测，提取车道线；
概率霍夫变换单元，用于基于概率霍夫变换获取车道线两端的端点信息。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (8)

1.一种多车道车速检测方法，其特征在于，包括以下步骤：
对高速公路视频进行混合高斯建模，获得无车辆的高速公路背景图；
基于所述高速公路背景图进行车道线检测，提取车道线并获取车道线端点信息；其中，所述车道线端点信息为图像坐标系中的车道线端点像素坐标；
对所述车道线端点信息进行坐标变换，获得不同车道的虚拟检测区域；
选取车辆质心位置，利用车辆检测与跟踪获得的车辆轨迹并以车辆质心为基准，得到车辆通过所述虚拟检测区域的行驶速度。
2.根据权利要求1所述的一种多车道车速检测方法，其特征在于，所述图像坐标系为OPQ坐标系，原点O为图像左下角的顶点，某一个像素的坐标(Pi，Qi)，分别是该像素在数组中的列数与行数的倒数。
3.根据权利要求1所述的一种多车道车速检测方法，其特征在于，所述基于所述高速公路背景图进行车道线检测，提取车道线并获取车道线端点信息，包括：
采用阈值分割法对所述高速公路背景图进行图像分割，保留车道线位置信息，划分车道线区域；
利用sobel算子对车道线进行边缘检测，提取车道线；
基于概率霍夫变换获取所述车道线两端的端点信息。
4.根据权利要求2所述的一种多车道车速检测方法，其特征在于，对所述车道线端点信息进行坐标变换，获得不同车道的虚拟检测区域，包括：
将所述图像坐标系中某一像素坐标(Pi，Qi)变换为世界坐标系中的坐标，两者的转换关系如下式所示：
其中，世界坐标系坐标(Xi，Yi，Zi)为所述像素坐标(Pi，Qi)在世界坐标系上的投影坐标，Si为常数；M为1个3ⅹ4矩阵，称为投影矩阵；mij为投影矩阵M的第i行第j列元素；
忽略所述世界坐标系中Z坐标信息，得到公式：
根据上式得到像素坐标(Pi，Qi)在世界坐标系中的坐标(Xi，Yi)。
5.根据权利要求1所述的一种多车道车速检测方法，其特征在于，每条车道的所述虚拟检测区域为由四个点确定的矩形区域，所述车道包括中间车道与边缘车道；
所述中间车道的虚拟检测区域由中间车道两侧的车道线边缘端点确定；
对应中间车道两侧的车道线边缘端点选取所述边缘车道的内侧车道线端点，根据所述内侧车道线端点分别获取其与边缘车道线的垂点，基于所述内侧车道线端点和所述垂点确定所述边缘车道的虚拟检测区域。
6.根据权利要求1所述的一种多车道车速检测方法，其特征在于，确定车辆质心位置，利用车辆检测与跟踪获得的车辆轨迹并以车辆质心为基准，得到车辆通过所述虚拟检测区域的行驶速度，包括：
记录所述车辆质心进入所述虚拟检测区域边缘线时刻的视频帧数t1；
记录所述车辆质心驶离所述虚拟检测区域边缘线时刻的视频帧数t2；
利用速度公式求得车辆速度。
7.一种多车道车速检测***，其特征在于，包括虚拟区域设计模块和车速检测模块，所述虚拟区域设计模块包括：
混合高斯处理子模块，用于对高速公路视频进行混合高斯建模，获得无车辆的高速公路背景图；
车道线检测子模块，用于基于所述高速公路背景图进行车道线检测，提取车道线并获取车道线端点信息；其中，所述车道线端点信息为图像坐标系中的车道线端点像素坐标；
坐标变换子模块，用于对所述车道线端点信息进行坐标变换，获得不同车道的虚拟检测区域；
所述车速检测模块，用于利用车辆检测与跟踪获得的车辆轨迹并以车辆质心为基准，得到车辆通过所述虚拟检测区域的行驶速度。
8.根据权利要求7所述的一种多车道车速检测***，其特征在于，所述车道线检测子模块包括：
图像分割单元，用于采用阈值分割法对所述高速公路背景图进行图像分割，保留车道线位置信息，划分车道线区域；
边缘检测单元，用于利用sobel算子对车道线进行边缘检测，提取车道线；
概率霍夫变换单元，用于基于概率霍夫变换获取所述车道线两端的端点信息。
CN202310470574.4A 2023-04-27 2023-04-27 一种多车道车速检测方法及*** Pending CN116503818A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310470574.4A CN116503818A (zh) 2023-04-27 2023-04-27 一种多车道车速检测方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310470574.4A CN116503818A (zh) 2023-04-27 2023-04-27 一种多车道车速检测方法及***

Publications (1)

Publication Number Publication Date
CN116503818A true CN116503818A (zh) 2023-07-28

Family

ID=87321213

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310470574.4A Pending CN116503818A (zh) 2023-04-27 2023-04-27 一种多车道车速检测方法及***

Country Status (1)

Country Link
CN (1) CN116503818A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116884235A (zh) * 2023-08-09 2023-10-13 广东省交通运输规划研究中心 基于撞线的视频车速检测方法、装置、设备以及存储介质
CN117953191A (zh) * 2023-12-29 2024-04-30 广东智视云控科技有限公司 基于视频监控的车速检测线生成方法、***及存储介质
CN117994741A (zh) * 2024-01-03 2024-05-07 广东智视云控科技有限公司 基于视频监控的车速检测方法、***及存储介质
CN118015567A (zh) * 2024-04-07 2024-05-10 东南大学 适用于高速公路路侧监控的车道划分方法及相关装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20160083410A (ko) * 2014-12-31 2016-07-12 가천대학교 산학협력단 차선 변화벡터와 카디널 스플라인을 이용한 차선 검출 시스템 및 그 방법
CN108052880A (zh) * 2017-11-29 2018-05-18 南京大学 交通监控场景虚实车道线检测方法
WO2018123019A1 (ja) * 2016-12-28 2018-07-05 本田技研工業株式会社 車両制御システム、車両制御方法、および車両制御プログラム
CN112150826A (zh) * 2020-07-29 2020-12-29 广州汽车集团股份有限公司 车速确定方法、装置及计算机可读存储介质

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20160083410A (ko) * 2014-12-31 2016-07-12 가천대학교 산학협력단 차선 변화벡터와 카디널 스플라인을 이용한 차선 검출 시스템 및 그 방법
WO2018123019A1 (ja) * 2016-12-28 2018-07-05 本田技研工業株式会社 車両制御システム、車両制御方法、および車両制御プログラム
CN108052880A (zh) * 2017-11-29 2018-05-18 南京大学 交通监控场景虚实车道线检测方法
CN112150826A (zh) * 2020-07-29 2020-12-29 广州汽车集团股份有限公司 车速确定方法、装置及计算机可读存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
封博文: "高速公路视频测速中的距离自动标定与测距关键技术研究", 中国优秀硕士学位论文全文数据库信息科技辑, no. 06, 15 June 2016 (2016-06-15), pages 24 - 40 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116884235A (zh) * 2023-08-09 2023-10-13 广东省交通运输规划研究中心 基于撞线的视频车速检测方法、装置、设备以及存储介质
CN116884235B (zh) * 2023-08-09 2024-01-30 广东省交通运输规划研究中心 基于撞线的视频车速检测方法、装置、设备以及存储介质
CN117953191A (zh) * 2023-12-29 2024-04-30 广东智视云控科技有限公司 基于视频监控的车速检测线生成方法、***及存储介质
CN117994741A (zh) * 2024-01-03 2024-05-07 广东智视云控科技有限公司 基于视频监控的车速检测方法、***及存储介质
CN118015567A (zh) * 2024-04-07 2024-05-10 东南大学 适用于高速公路路侧监控的车道划分方法及相关装置
CN118015567B (zh) * 2024-04-07 2024-06-11 东南大学 适用于高速公路路侧监控的车道划分方法及相关装置

Similar Documents

Publication Publication Date Title
WO2021004548A1 (zh) 一种基于双目立体视觉***的车辆智能测速方法
EP3735675B1 (en) Image annotation
CN116503818A (zh) 一种多车道车速检测方法及***
CN109059944B (zh) 基于驾驶习惯学习的运动规划方法
WO2018177026A1 (zh) 确定道路边沿的装置和方法
CN104217427B (zh) 一种交通监控视频中车道线定位方法
CN110307791B (zh) 基于三维车辆边界框的车辆长度及速度计算方法
CN110379168B (zh) 一种基于Mask R-CNN的交通车辆信息获取方法
CN109583280A (zh) 车道线识别方法、装置、设备及存储介质
CN104766058A (zh) 一种获取车道线的方法和装置
CN103425764B (zh) 一种基于视频的车辆匹配方法
CN104282020A (zh) 一种基于目标运动轨迹的车辆速度检测方法
CN105678287B (zh) 一种基于脊度量的车道线检测方法
Zhang et al. A real-time curb detection and tracking method for UGVs by using a 3D-LIDAR sensor
CN109101939B (zh) 车辆运动状态的确定方法、***、终端及可读存储介质
CN109791607B (zh) 借助单应矩阵从摄像机的一系列图像中探测和验证对象
CN110189363B (zh) 一种机场场面移动目标低视角视频测速方法
CN113516853B (zh) 一种针对复杂监控场景的多车道车流量检测方法
Luo et al. Multiple lane detection via combining complementary structural constraints
US20220245831A1 (en) Speed estimation systems and methods without camera calibration
Poggenhans et al. A universal approach to detect and classify road surface markings
CN111325187B (zh) 一种车道位置的识别方法及装置
Xu et al. Road lane modeling based on RANSAC algorithm and hyperbolic model
Liu et al. Towards industrial scenario lane detection: vision-based AGV navigation methods
US11904843B2 (en) Autonomous parking systems and methods for vehicles

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