CN202134079U - 一种无人驾驶车辆车道标志线识别与报警装置 - Google Patents
一种无人驾驶车辆车道标志线识别与报警装置 Download PDFInfo
- Publication number
- CN202134079U CN202134079U CN201120203640U CN201120203640U CN202134079U CN 202134079 U CN202134079 U CN 202134079U CN 201120203640 U CN201120203640 U CN 201120203640U CN 201120203640 U CN201120203640 U CN 201120203640U CN 202134079 U CN202134079 U CN 202134079U
- Authority
- CN
- China
- Prior art keywords
- unmanned vehicle
- image
- pick
- head
- automatic driving
- 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.)
- Expired - Fee Related
Links
Images
Landscapes
- Traffic Control Systems (AREA)
Abstract
本实用新型公开了一种无人驾驶车辆车道标志线识别与报警装置，包括无人驾驶车辆，在无人驾驶车辆前端纵向中心线上安装有摄像头，摄像头将采集到的图像传输到图像处理模块，图像处理模块与偏离判断分析模块连接，偏离判断分析模块上连接有报警器。相比采用雷达和激光传感器的无人驾驶车辆，采用摄像头作为无人驾驶汽车环境感知的主要手段，充分利用了现有的无人驾驶车辆的上的计算机和扬声器，具有投入低、简便易行等优点，只需要增加摄像，而且摄像头采集的图像更能够模拟驾驶员的视野，对于无人驾驶车辆模拟人的驾驶更有益处。
Description
技术领域
本实用新型涉及无人驾驶车辆技术领域，具体的说，涉及一种无人驾驶车辆车道标志线识别与报警装置。
背景技术
无人驾驶汽车集自动控制、体系结构、人工智能、视觉计算等众多技术于一体，是计算机科学、模式识别和智能控制技术高度发展的产物，也是衡量一个国家科研实力和工业水平的一个重要标志，在国防和国民经济领域具有广阔的应用前景。无人驾驶车辆作为未来汽车的发展方向，已经被世界各国广泛地研究。从20世纪70年代开始，美国、英国、德国等发达国家开始进行无人驾驶汽车的研究，目前在可行性和实用化方面都取得了突破性的进展。我国从20世纪80年代开始进行无人驾驶汽车的研究，目前也取得了一定的成果。相比采用雷达和激光传感器的无人驾驶车辆，采用摄像头作为无人驾驶汽车环境感知的主要手段，具有投入低、简便易行等优点，而且摄像头采集的图像更能够模拟驾驶员的视野，对于无人驾驶车辆模拟人的驾驶更有益处。
发明内容
针对现有技术存在的车辆偏离车道报警***结构复杂，成本高的缺点，本实用新型的目的在于，提供一种无人驾驶车辆偏离车道标志线的报警装置，该装置通过图像处理识别出道路两侧的路沿，从而为无人驾驶车辆的转向控制提供控制参数。
为了实现上述任务，本实用新型采取如下的技术解决方案：
一种无人驾驶车辆车道标志线识别与报警装置，包括无人驾驶车辆，其特征在于，在无人驾驶车辆前端纵向中心线上安装有摄像头，摄像头将采集到的图像传输到图像处理模块，图像处理模块与偏离判断分析模块连接，偏离判断分析模块上连接有报警器。
本实用新型的其他特点是，所采用的图像处理模块用于对采集到的图像灰度化、滤波处理、直方图均衡化、边缘检测与二值化处理、膨胀与腐蚀处理和Hough变换，提取车道标志线。
所述的报警装置为车载扬声器。
本实用新型的无人驾驶车辆车道标志线识别与报警装置相比采用雷达和激光传感器的无人驾驶车辆，采用摄像头作为无人驾驶汽车环境感知的主要手段，充分利用了现有的无人驾驶车辆的上的计算机和扬声器，具有投入低、简便易行等优点，只需要增加摄像，而且摄像头采集的图像更能够模拟驾驶员的视野，对于无人驾驶车辆模拟人的驾驶更有益处。
附图说明
图1是本实用新型的结构示意图；
图2是本实用新型图像处理模块原理流程图；
图3是直角三角形原理图；
以下结合附图对本实用新型作进一步的详细说明。
具体实施方式
如图1所示，无人驾驶车辆车道标志线识别与报警装置，包括无人驾驶车辆，在无人驾驶车辆前端纵向中心线上安装有摄像头，摄像头将采集到的图像传输到图像处理模块，图像处理模块与偏离判断分析模块连接，偏离判断分析模块上连接有报警器。
摄像头在对路面进行连续拍摄后，将采集到的图像传输到图像处理模块，图像处理模块基于matlab软件平台，对采集到的图像进行灰度化、滤波处理、直方图均衡化、边缘检测与二值化处理、膨胀与腐蚀处理、Hough变换后，将车道标志线提取出来。最后将标志线进行偏离判断分析，终端连接报警器。
在本实施例中，报警器为车载扬声器。
如图2所示，图像处理模块收到采集到的图像后进行以下图像处理步骤：
1、图像的灰度处理：
图像中各个像素所具有的明暗程度由灰度值(gray level)所标识。一般将白色的灰度值定义为255，黑色灰度值定义为0，而由黑到白之间的明暗度均匀地划分为256个等级。故先将采集到的图像进行灰度处理。
2、图像的滤波处理：
任何—幅未经处理的原始图像，都存在着一定程度的噪声干扰。噪声恶化了图像质量，使图像模糊，甚至淹没特征，给分析带来困难。消除图像噪声的工作称之为图像平滑或滤波。平滑的目的有两个：改善图像质量和抽出对象特征。采集图像过程中，除了受到噪声影响外还受到量化误差的影响，它使图像边缘变得不清晰，图像处理过程采用两维卷积运算对灰度图进行平滑滤波，此运算为加权求和的过程，使用到的图像区域中的每个像素分别与卷积核的每个对应元素相乘，所有乘积之和作为区域中心像素的新值。两维卷积运算的具体公式为：
将
绕其原点旋转180度，然后平移原点，u轴向上平移x，v轴向上平移y。再将两个函数相乘积分可得一个点处的输出。此运算利用输入像素邻域像素的加权和替代输入像素，可使灰度图的边界变得更加平滑。
3、边缘检测：
由于车道标志线与路面背景部分具有比较强的对比度，故可利用边缘检测算法检测出车道标志线边缘。在边缘检测中，常用的一种模板是Sobel算子，由于Sobel算子是滤波算子的形式，可以利用快速卷积函数，简单有效，因此应用广泛。同时，与Prewitt算子相比，Sobel算子对于象素位置的影响作了加权，因此效果更好。Sobel算子有两个，一个是检测水平边沿的，即[-1 -2 1;0 0 0;1 2 1]；另一个是检测垂直平边沿的，即[-1 0 1;-2 0 2;-1 0 1]。
4、二值化处理：
二值化又称灰度分划，凡是需要做路线辨认的图像，都可利用此方式。二值化的基本过程如下：先对原始图像做中低通滤波，进行图像预处理，降低或去除噪声，再用算法确定最佳阀值，凡是像素灰度值大于此阀值的设成255，小于此阀值的设成0。这样处理后的图像就只有黑白两色，从而将灰度范围划分成目标和背景两类，实现图像二值化。二值化不仅可以增强道路边界，而且二值化后对于减少图像信息量和增强算法的实时性有较好作用。
针对图像像素的阀值选取方法一般可分为全局阀值算法和局部阀值算法两类。全局阀值算法是根据整幅图像选取一个固定的阀值将图像二值化。常用的全局阀值算法有大律法（Otsu法）等。全局阀值算法比较简单，实现比较容易，适用于图像的灰度直方图有明显的双峰，此时可选灰度直方图的谷底对应的灰度值为最佳阀值。局部阀值算法是将图像划分为若干子图像，结合当前考察的像素点和其邻域像素点的灰度值，确定考察点的阀值。
此处选用Otsu法,即最大类间方差法进行二值化。此算法是基于整幅图的统计特性，实现阀值的自动选取。其算法的基本思想是用某一假定的灰度值将图像的灰度分成两类，当两组的类间方差最大时，此灰度值就是图像二值化的最佳阀值。设图像有
个灰度值，取值范围在
，在此范围内选取灰度值
，将图像分成两组
和，
包含的像素的灰度值在
，
的灰度值在
，用
表示图像像素总数，
表示灰度值为
的像素的个数，则每一个灰度值
出现的概率为
；
和类出现的概率及均值为：概率
；均值
，类间方差
，最佳阀值
就是使类间方差最大的
的取值，即。
5、膨胀腐蚀处理：
膨胀是形态学处理的一个运算子对于二值图像，膨胀意味着，用结构元素在图像上移动，只要结构元素中有一个点与图像中的点是重叠的就可以了，膨胀的结果是结构元素中心点划过的区域的内部。所以图像的边缘就被扩大了。对于灰度图像，膨胀意味着，在结构元素的范围内，求取结构元素与图像中对应元素的和，看哪个和最大，然后这个和就作为图像中心点的值，当然这个中心点是指和结构元素中心位置对应的那个图像位置上的。然后继续滑动结构元素。腐蚀可以看成是膨胀的对偶运算。
图像在经过滤波和边缘检测后还存在着一些噪声，为了减少车道标志线受这些噪声的干扰，图像处理模块采用先膨胀后腐蚀的处理过程来消除剩余噪声。利用膨胀算法可以使某个像素邻域只要存在一个白色像素，那么该像素就会从黑色变为白色，而其余的保持不变；与此相反，腐蚀算法使某个像素邻域只要存在一个黑色像素，那么该像素就会从白色变为黑色，而其余的保持不变。由于椒盐噪声就是黑（白）图像上的白（黑）点，故利用上述原理，通过膨胀腐蚀过程能很好的消除遗留噪声。
6、车道线提取
经过图像预处理后图像中包括了很多杂散线条，故需要对车道线进行识别并提取出来。本文采用Hough变换来检测车道标志线。Hough变换的思想为：在原始图像坐标系下的一个点对应了参数坐标系中的一条直线，同样参数坐标系的一条直线对应了原始坐标系下的一个点，然后原始坐标系下呈现直线的所有点，它们的斜率和截距是相同的，所有它们在参数坐标系下对应同一个点。这样在将原始坐标系下的各个点投影到参数坐标系下之后，看参数坐标系下有没有聚集点，这样的聚集点就对应了原始坐标系下的直线。直线的极坐标方程为：
利用Hough变换将直线上的点变换为二维参数空间
上的点。然后将
转变为离散区域，累加落入该区域的点的数量。变换完成后，累加数量多的区域就对应于二维参数空间
上的一个共同点，就是图像空间的直线拟合参数。再经过适当变换到原始图像坐标中便可提取出车道标志线。图像处理模块再通过Kalman滤波器对提取出的车道标志线进行跟踪，预测出下一帧图像中车道标志线的位置状态并进行参数计算，并将此参数传递给Hough变换，以便在此参数基础上进行下一帧图像的车道标志线的检测，达到减少Hough变换计算量的目的。
检测出车道标志线后，可根据以下直角三角形原理确定车辆和标志线之间的距离，从而开启报警器。
如图3所示，车身到车道标线的距离、车道标志线侧围轮廓与车道标线三者构成一个直角三角形，如果无人驾驶车辆正常行驶，则该区域一直保持这样的形状。在进行无人驾驶车辆控制时，无人驾驶车辆应当离标线有一个安全距离标准，而此直角三角形底边正是该安全距离，可以通过确定该安全距离阀值来定义。一旦车身到车道标线的距离小于该阀值，就启动报警器进行报警。
Claims (2)
1.一种无人驾驶车辆车道标志线识别与报警装置，包括无人驾驶车辆，其特征在于，在无人驾驶车辆前端纵向中心线上安装有摄像头，摄像头将采集到的图像传输到图像处理模块，图像处理模块与偏离判断分析模块连接，偏离判断分析模块上连接有报警器。
2.如权利要求1所述的无人驾驶车辆车道标志线识别与报警装置，其特征在于，所述的车载扬声器。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201120203640U CN202134079U (zh) | 2011-06-16 | 2011-06-16 | 一种无人驾驶车辆车道标志线识别与报警装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201120203640U CN202134079U (zh) | 2011-06-16 | 2011-06-16 | 一种无人驾驶车辆车道标志线识别与报警装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN202134079U true CN202134079U (zh) | 2012-02-01 |
Family
ID=45522842
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201120203640U Expired - Fee Related CN202134079U (zh) | 2011-06-16 | 2011-06-16 | 一种无人驾驶车辆车道标志线识别与报警装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN202134079U (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106529404A (zh) * | 2016-09-30 | 2017-03-22 | 张家港长安大学汽车工程研究院 | 基于摄像原理的无人驾驶汽车对路面标志线的识别方法 |
| CN106886217A (zh) * | 2017-02-24 | 2017-06-23 | 安科智慧城市技术（中国）有限公司 | 自主导航控制方法和装置 |
| CN107389084A (zh) * | 2017-06-09 | 2017-11-24 | 深圳市速腾聚创科技有限公司 | 行车路径规划方法及存储介质 |
| CN107833492A (zh) * | 2017-11-24 | 2018-03-23 | 南京视莱尔汽车电子有限公司 | 一种基于智能驾驶的斑马线实时监测*** |
| CN108416320A (zh) * | 2018-03-23 | 2018-08-17 | 京东方科技集团股份有限公司 | 巡检设备、巡检设备的控制方法及控制装置 |
| CN109398356A (zh) * | 2018-11-23 | 2019-03-01 | 奇瑞汽车股份有限公司 | 车道保持***及方法 |
| CN111862226A (zh) * | 2019-04-30 | 2020-10-30 | 百度（美国）有限责任公司 | 用于车辆中的摄像机校准和图像预处理的硬件设计 |
| CN113028912A (zh) * | 2021-04-21 | 2021-06-25 | 湘潭大学 | 一种基于3d视觉的子弹底火引药填充量检测方法 |
-
2011
- 2011-06-16 CN CN201120203640U patent/CN202134079U/zh not_active Expired - Fee Related
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106529404A (zh) * | 2016-09-30 | 2017-03-22 | 张家港长安大学汽车工程研究院 | 基于摄像原理的无人驾驶汽车对路面标志线的识别方法 |
| CN106886217A (zh) * | 2017-02-24 | 2017-06-23 | 安科智慧城市技术（中国）有限公司 | 自主导航控制方法和装置 |
| CN107389084A (zh) * | 2017-06-09 | 2017-11-24 | 深圳市速腾聚创科技有限公司 | 行车路径规划方法及存储介质 |
| CN107389084B (zh) * | 2017-06-09 | 2020-06-05 | 深圳市速腾聚创科技有限公司 | 行车路径规划方法及存储介质 |
| CN107833492A (zh) * | 2017-11-24 | 2018-03-23 | 南京视莱尔汽车电子有限公司 | 一种基于智能驾驶的斑马线实时监测*** |
| CN108416320A (zh) * | 2018-03-23 | 2018-08-17 | 京东方科技集团股份有限公司 | 巡检设备、巡检设备的控制方法及控制装置 |
| US10580124B2 (en) * | 2018-03-23 | 2020-03-03 | Boe Technology Group Co., Ltd. | Inspection device, control method and control apparatus for the same |
| CN109398356A (zh) * | 2018-11-23 | 2019-03-01 | 奇瑞汽车股份有限公司 | 车道保持***及方法 |
| CN111862226A (zh) * | 2019-04-30 | 2020-10-30 | 百度（美国）有限责任公司 | 用于车辆中的摄像机校准和图像预处理的硬件设计 |
| CN111862226B (zh) * | 2019-04-30 | 2024-01-16 | 百度（美国）有限责任公司 | 用于车辆中的摄像机校准和图像预处理的硬件设计 |
| CN113028912A (zh) * | 2021-04-21 | 2021-06-25 | 湘潭大学 | 一种基于3d视觉的子弹底火引药填充量检测方法 |
| CN113028912B (zh) * | 2021-04-21 | 2022-09-20 | 湘潭大学 | 一种基于3d视觉的子弹底火引药填充量检测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN202134079U (zh) | 一种无人驾驶车辆车道标志线识别与报警装置 | |
| CN105426864B (zh) | 一种基于等距边缘点匹配的多车道线检测方法 | |
| CN102682292B (zh) | 基于单目视觉的道路边缘检测及粗定位方法 | |
| Yan et al. | A method of lane edge detection based on Canny algorithm | |
| CN103714538B (zh) | 道路边缘检测方法、装置及车辆 | |
| CN105678285B (zh) | 一种自适应的道路鸟瞰图变换方法和道路车道检测方法 | |
| CN105488454A (zh) | 基于单目视觉的前方车辆检测与测距 | |
| CN102938057B (zh) | 一种车辆阴影消除方法及装置 | |
| CN102354457B (zh) | 基于广义霍夫变换的交通信号灯位置检测方法 | |
| CN104392212A (zh) | 一种基于视觉的道路信息检测及前方车辆识别方法 | |
| CN104657735A (zh) | 车道线检测方法、***、车道偏离预警方法及*** | |
| Wang et al. | A vision-based road edge detection algorithm | |
| CN106887004A (zh) | 一种基于块匹配的车道线检测方法 | |
| CN105260701A (zh) | 一种适用于复杂场景下的前方车辆检测方法 | |
| CN106802144A (zh) | 一种基于单目视觉和车牌的车距测量方法 | |
| KR20110001427A (ko) | 관심영역 추출에 의한 차선 고속검출 방법 | |
| CN105426868A (zh) | 一种基于自适应感兴趣区域的车道检测方法 | |
| CN102982304A (zh) | 利用偏光图像检测车辆位置的方法和*** | |
| CN105678287A (zh) | 一种基于脊度量的车道线检测方法 | |
| CN108304749A (zh) | 道路减速线识别方法、装置及车辆 | |
| CN105303157A (zh) | 延伸用于avm停止线检测的检测范围的算法 | |
| CN108198417A (zh) | 一种基于无人机的道路巡检*** | |
| Li et al. | A lane marking detection and tracking algorithm based on sub-regions | |
| Li et al. | Judgment and optimization of video image recognition in obstacle detection in intelligent vehicle | |
| Chen | Road vehicle recognition algorithm in safety assistant driving based on artificial intelligence |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C14 | Grant of patent or utility model | ||
| GR01 | Patent grant | ||
| C17 | Cessation of patent right | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20120201 Termination date: 20120616 |