DE10059895A1 - Verfahren zur Erkennung von Fahrbahnmarkierungen aus Bilddaten - Google Patents
Verfahren zur Erkennung von Fahrbahnmarkierungen aus BilddatenInfo
- Publication number
- DE10059895A1 DE10059895A1 DE10059895A DE10059895A DE10059895A1 DE 10059895 A1 DE10059895 A1 DE 10059895A1 DE 10059895 A DE10059895 A DE 10059895A DE 10059895 A DE10059895 A DE 10059895A DE 10059895 A1 DE10059895 A1 DE 10059895A1
- Authority
- DE
- Germany
- Prior art keywords
- lane
- pixels
- marking
- roi
- markings
- 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.)
- Withdrawn
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
- G06V20/56—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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30248—Vehicle exterior or interior
- G06T2207/30252—Vehicle exterior; Vicinity of vehicle
- G06T2207/30256—Lane; Road marking
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
- Traffic Control Systems (AREA)
- Image Processing (AREA)
Abstract
Bei einem erfindungsgemäßen Verfahren werden die morphologischen Eigenschaften punktförmiger Fahrbahnmarkierungen auf Grundlage von a priori Wissen in Betracht gezogen. Hierzu eignen sich in vorteilhafterweise Schätzverfahren, welche auf einem Kalman-Filter basieren. Nach der Auswahl geeigneter ROI wird ein Matched-Filter eingesetzt, um die einer Fahrbahnmarkierung zugehörigen Bildpunkte besser aus dem Hintergrund hervorzuheben. Das erfindungsgemäße Verfahren ist selbstverständlich nicht auf die Erkennung von punktförmigen Fahrbahnmarkierungen beschränkt.
Description
Die Erfindung betrifft ein Verfahren gemäß dem Oberbegriff von Patentanspruch 1.
Kamerabasierte Systeme zur automatischen Fahrzeugverfolgung und zur Warnung vor
ungewolltem Verlassen der Fahrbahn sind auf die zuverlässige Erkennung der
Fahrbahnbegrenzung angewiesen. In typischer Weise sind die Begrenzungen mittels
durchgezogener oder unterbrochener Linie markiert. Es ist aber auch bekannt (z. B.: in
den USA) Fahrbahnbegrenzungen mittels einer Abfolge von Punkten zu markieren.
In der Schrift US 5351044 wird ein Verfahren zur Erkennung der Fahrbahnbegrenzung
aufgezeigt, welches pixelbasiert Bilddaten auswertet. Dabei werden diejenigen
Bildpunkte einer Begrenzung zugeordnet deren Helligkeit signifikant die Helligkeit der
umgebenden Punkte übersteigt.
Es ist auch in Verfahren bekannt, welches die Korrelation der angrenzenden Bildzeilen
innerhalb der Bilddaten zur Detektion der Fahrbahnbegrenzung auswertet. Hierzu ist es
jedoch notwendig die perspektivischen Kameradaten in nicht-perspektivische Bilddaten
zu transformieren.
Die Schriften US 5517412 und US 4868752 zeigen Verfahren zur Detektion der
Fahrbahnbegrenzung, welche auf der Segmentierung von Linienelementen mittels
Liniendetektoren ("edge detection") mit nachgeschalteter Hough-Transformation zur
Rekonstruktion der Begrenzung basieren. Entsprechendes ist aus US 4970653 bekannt,
wobei hier die Segmentierung der Linienelemente durch zusätzliches Template-
Matching unterstützt wird.
Bei dem in US 6091833 vorgeschlagenen Verfahren, wird der Bereich auf den eine
Liniendetektion angewandt wird, durch eine Auswahl auf Bereiche eingeschränkt,
welche transformiert in den Frequenz-Raum bei ihren niedrigen Frequenzkomponenten
eine hohe Intensität aufweisen.
Aufgabe der Erfindung ist es ein neuartiges Verfahren nach dem Oberbegriff des
Patentanspruches 1 zu finden.
Die Aufgabe wird durch ein Verfahren gelöst, wie es durch die Merkmale des
Patentanspruches 1 beschrieben wird. Vorteilhafte Ausgestaltungen und
Weiterbildungen der Erfindung werden in den untergeordneten Ansprüchen aufgezeigt
und anhand von Ausführungsbeispielen und Figuren näher beschrieben.
Fig. 1 zeigt einen Bildausschnitt 10 mit punktförmigen Fahrbahnmarkierungen 11 und
ausgewählten Bereichen (ROI) 12.
Fig. 2 zeigt das Flußdiagramm bezüglich der Erkennung der punktförmigen
Fahrbahnmarkierungen 11.
Fig. 3 zeigt das Flußdiagramm bezüglich der Binarisierung der Bildpunkte (Pixel),
welche Fahrbahnbegrenzungen 11 zuzuordnen sind.
Fig. 4 zeigt beispielhaft einen Grauwertverlauf von Bilddaten, wobei die durch das
Matched-Filter ausgewerteten Regionen herausgestellt sind.
Bei dem erfindungsgemäßen Verfahren werden die morphologischen Eigenschaften
punktförmiger Fahrbahnmarkierungen auf Grundlage von a priori Wissen in Betracht
gezogen. Dabei wird ausgehend von einem Eingangsbild in mehreren
Verarbeitungsschritten nach punktförmigen Fahrbahnmarkierungen ("Bot Dot Markings")
gesucht.
In Fig. 1 wird in vorteilhafter Weise aufgezeigt, wie zur Verminderung des
Verarbeitungsaufwandes und gleichzeitigen Reduktion der Falschalarmwahr
scheinlichkeit aus der Gesamtheit der zu verarbeitenden Bilddaten 10 Bereiche (ROI) 12
herausgetrennt werden. Dies geschieht ausgehend von a priori Wissen mit dem Ziel,
Bereiche 12 zu selektieren, welche mit hoher Wahrscheinlichkeit
Fahrbahnmarkierungen enthalten, sogenannte ROI (regions of interest). Hierbei erfolgt
die Positionierung der ROI in gewinnbringender Weise anhand der bekannten
Kamerageometrie (Höhe, Nickwinkel, . . .) als auch anhand anderer Parametern wie
beispielsweise der Geometrie der Fahrspur, den Dimensionen der Fahrbahnmarkierung
oder der Fahrzeugposition auf der Fahrbahn. Hierbei wird im allgemeinen angenommen,
dass sich das Fahrzeug zwischen linker und rechter Markierung befindet und die
Fahrbahnbreite gewissen Standards unterliegen.
In Fig. 2 werden beispielhaft die einzelnen Schritte der erfindungsgemäßen
Bilddatenverarbeitung ausgehend vom Kamerabild 10, welches noch die gesamte
Bildinformation enthält, bis zu der Extraktion der Koordinaten der einzelnen Elemente
der Fahrbahnmarkierung, welche im allgemeinen den Koordinaten von
Markierungspunkten entsprechen.
In einem ersten Schritt 21 werden aus der Gesamtheit der zu verarbeitenden
Bilddaten 10 Bereiche (ROI) 12 herausgetrennt. Hierzu werden bei der Initialisierung der
ROI 12 im Rahmen des erfindungsgemäßen Verfahrens per Zufallsfolge
Modellparameter so lange variiert, bis Fahrspurmarkierungen gefunden werden. Hierbei
werden als Modellparameter beispielsweise Informationen wie die Breite der Fahrspur,
die Ausrichtung der Kamera zur Mitte der Fahrspur oder der Gierwinkel des Fahrzeugs
herangezogen. Im späteren Verlauf des Verfahrens werden sodann zur Repositionierung
bereits initialisierter ROI 12 Parametervorhersagen eines Fahrzeug-Straße-Models auf
Grundlage einer Prädiktion eines Schätzverfahrens zur Parameterbestimmung
herangezogen. Hierzu eignen sich in vorteilhafter Weise Schätzverfahren, welche auf
einem Kalman-Filter basieren. Bei der Repositionierung der ROI 12 wird in
gewinnbringender Weise deren Weite durch die Varianz der Ergebniswerte der
Prädiktion des Schätzverfahrens zur Parameterbestimmung gesteuert, wobei die Weite
proportional zur Größe der Varianz der Ergebnisse angepaßt wird. Ebenfalls ist es von
Vorteil die ROI 12 vertikal, anhand einer minimalen und einer maximalen Entfernung in
der Straßenebene zu begrenzen. Dies ist besonders dann von Nutzen, wenn das
erfindungsgemäße Verfahren bei Nacht verwandt wird. Hierbei wird in vorteilhafter
Weise die vertikale Begrenzung der ROI 12 durch den Bereich der maximalen
Beleuchtung (Fernlicht, Abblendlicht) bestimmt. Es ist denkbar, dass die Regelung über
die Anzahl der zu erwartenden einer Fahrbahnmarkierung zugehörigen Bildpunkte
gesteuert wird, wobei diese Regelung dann als optimal zu betrachten ist, wenn die
Anzahl der zu erwartenden Bild- oder Meßpunkte über alle Entfernungsbereiche
konstant gehalten wird.
Nach der Auswahl geeigneter ROI 12 wird in Verfahrensschritt 22 ein Matched-Filter
eingesetzt, um die einer Fahrbahnmarkierung zugehörigen Bildpunkte (Pixel) besser aus
dem Hintergrund hervorzuheben. Hierbei ist das Matched-Filter in vorteilhafter Weise an
die Form und Größe der zu suchenden Fahrbahnmarkierung und/oder an die Statistik
des Untergrundes anzupassen.
In besonders gewinnbringender Weise ist das Matched-Filter so ausgelegt, daß im
Rahmen seiner Anwendung in der Umgebung der zu untersuchenden Position der
mittlerer Grauwert des Hintergrundes gemessen wird, und dass auf das Vorliegen eines
Bildpunktes, welcher potentiell einer Fahrbahnmarkierung zuzuordnen ist, auf Grundlage
eines Vergleichs zwischen Hintergrundrauschen, dem mittleren Grauwert in der
Umgebung und dem Grauwert an der zu untersuchenden Position geschlossen wird. Im
allgemeinen wird das Filter hierzu in separierter Form, bei welcher die x-y-Komponenten
getrennt vorliegend, implementiert. Es hat sich jedoch gezeigt, dass zum Auffinder von
punktförmigen Fahrbahnmarkierungen in den meisten Fällen der Verarbeitungsaufwand
reduziert werden kann, indem bei der Auswertung des Matched-Filters nur die x-
Komponente betrachtet wird. Hierzu wird rechts und links einer zu untersuchenden
Position der Mittelwert und die Standardabweichung gemessen. Überschreitet der
Grauwert den Mittelwert der Intensität des Hintergrundes um mehr als den aus dem
Rauschen des Hintergrundes und Schwellwertregler ermittelten Vergleichsschwelle,
wird die Position als potentiell zu einer Fahrbahnmarkierung gehörend markiert.
Fig. 4 zeigt beispielhaft den Grauwertverlauf 40 über eine auszuwertende Bildzeile
innerhalb der Bilddaten bzw. der ROI, wobei in diesem Ausführungsbeispiel nur die
x-Komponenten betrachtet werden. Zur Auswertung des Bildpunktes 41 an der Stelle
x0 der Bildzeile werden sowohl dessen Intensität, als auch statistische Informationen
von zwei gleich großen Bereichen S1 und S2, welche sich im Abstand d von x0 aus
befinden herangezogen. Der Abstand d wird in vorteilhafter Weise hierbei auf den Wert
gesetzt, welcher durch das Schätzverfahren zur Parameterbestimmung im
Verfahrensschritt 21 (Fig. 2) als zu erwartende Weite eines Elementes der
Fahrbahnmarkierung prädiziert wurde. Es ist andererseits aber auch möglich den
Abstand d im Rahmen des erfindungsgemäßen Verfahren auf einen festen Wert (z. B.:
ein Erfahrungswert) zu setzten und so zu belassen. Die Größe der Bereiche S1 und S2
wird in gewinnbringender Weise identisch gewählt, wobei deren Abmessung nach
Möglichkeit nicht größer sein sollte, als die prädizierte Weite eines Elementes der
Fahrbahnmarkierung. Ist diese prädizierte Weite jedoch so gering, daß keine sinnvolle
statistische Auswertung der in S1 beziehungsweise S2 enthaltenen Werte mehr möglich
erscheint, können die Bereiche S1 beziehungsweise S2 auch größer gewählt werden. In
der Praxis hat sich bei prädizierten Weiten der Elemente der Fahrbahnmarkierung von 2
Pixeln die Wahl von 5 Pixeln als Weite der Bereiche S1 und S2 als sinnvoll erwiesen.
Aus den Werten innerhalb Bereiche S1 und S2 werden sodann die Mittelwerte A1
bzw. A2 und die Standardabweichung σ1 bzw. σ2 berechnet. Die
Standardabweichungen σ1 bzw. σ2 werden nachfolgend zur Berechnung der
Schwellwerte T1 bzw. T2 herangezogen. Dabei ist es nun denkbar, in einem ersten
Ansatz die Schwellwerte entsprechend dem dreifachen der jeweiligen
Standardabweichung, also zu T1 = 3*σ1 und T2 = 3*σ2 gewählt. In besonders
vorteilhafter Weise werden die so generierten Schwellwerte mittels eines
Schwellwertreglers 25 eines nachfolgend näher beschriebenen Verfahrens noch
korrigiert. Nach der Bestimmung der Schwellwerte T1 bzw. T2 und deren eventuellen
Korrektur werden durch Addition von T1 und A1 bzw. von T2 und A2 die Stützstellen für
die Vergleichsschwelle 42 berechnet. Hierbei wird gewinnbringend für die x-Position
dieser Stützstellen die Mitte der Bereiche S1 und S2 gewählt. Nachfolgend kann nun an
der Stelle x0 der Wert 41 mit dem dortigen Wert der Vergleichsschwelle 42 verglichen
werden und das Vergleichsergebnis erfindungsgemäß zur Identifikation von Elementen
der Fahrbahnmarkierung herangezogen werden.
Die durch das Matched-Filter identifizierten und hervorgehobenen Bildpunkte (Pixel),
welche Fahrbahnbegrenzungen zuzuordnen sind, werden den Verarbeitungsschritten 23,
24 und 25 binarisiert und zu Gruppen zusammengeführt. Bei der Binarisierung werden
die Intensitäten der einzelnen Pixel mit einem Schwellwert verglichen werden und so die
verglichenen Pixel nur dann zu einer Weiterverarbeitung herangezogen, wenn deren
Intensitäten diesen Schwellwert übersteigt. In Fig. 3 wird der erfindungsgemäße
Verfahrensabschnitt zur Binarisierung anhand eines Flußdiagramms verdeutlicht.
Hierbei werden in vorteilhafter Weise die Schwellwerte T1 und T2 mittels eines
Schwellwertreglers 25 aus dem Hintergrundrauschen ermittelt. Für diese Ermittlung ist
es gewinnbringend, wenn der Schwellwertregler auf a priori Wissen über die zu
erwartende, von der Fahrbahnbegrenzung belegten Fläche 35 zurückgreift, welche
direkt mit der zu erwartende Anzahl von der Fahrbahnbegrenzung zuzuordnenden
Bildpunkten (Pixel) korreliert. Auf diese Weise kann der Schwellwertregler 25 so
ausgelegt werden, dass er darauf zielt die Anzahl der in den ROI 12 hervorgehobenen
Bildpunkte möglichst exakt an diesen Erwartungswert heran zu führen. Nach der
Hervorhebung von potentiell zu einer Fahrbahnmarkierung gehörigen Bildpunkten und
deren eventuellen Binarisierung 33, werden diese in Verfahrensschritt 24 für die weitere
Verarbeitung (beispielsweise innerhalb 35) zu Markierungsobjekten (Pixelgruppen)
zusammengefaßt.
Nach der Generierung von Markierungsobjekten können diese innerhalb des
Verfahrensschrittes 27 in Bezug auf ihre Übereinstimmung mit den bekannten,
morphologischen Eigenschaften der Fahrbahnmarkierung untersucht werden. Hierbei
werden in vorteilhafter Weise beispielsweise die Grösse der Markierungsobjekte, ihre
Rundheit, die Streuung der einzelnen Bildpunkte (Pixel) oder die Anzahl von Freiräumen
innerhalb der Markierungsobjekte (Kompaktheit) dahingehend beurteilt, ob sie die auf
Grundlage des a priori Wissens über die morphologischen Eigenschaften der
Fahrbahnmarkierung definierten Kriterien erfüllen. Auf Grundlage dieser Beurteilung
wird jede Pixelgruppe, welche die Kriterien einer Fahrbahnmarkierung erfüllt, als ein
tatsächliches Markierungsobjekt betrachtet und durch seine Bildkoordinaten
charakterisiert wird. Hierbei können in vorteilhafte Weise als charakterisierende
Bildkoordinaten die Koordinaten des Schwerpunktes der dem Markierungsobjekt
zugeordnete Pixelgruppe gewählt werden.
Nach erfolgter Charakterisierung der Markierungsobjekte können die Bildkoordinaten
verwendet werden, um mittels Kurvenregression die Grenzen der eigenen Fahrspur
beziehungsweise den Verlauf der Fahrspur, sowie die eigene Position von der
Fahrbahnmitte zu beschreiben. Es ist sodann besonders gewinnbringend diese
Beschreibung dem verfahrensgemäßen Schätzverfahrens zur Parameterbestimmung
(beispielsweise einem Kalman-Filter) zur Repositionierung der ROI innerhalb der
Bilddaten zuzuführen.
Das erfindungsgemäße Verfahren ist selbstverständlich nicht auf die Erkennung von
punktförmigen Fahrbahnmarkierungen beschränkt. Es ist damit beispielsweise auch
möglich durchgezogene, linienförmige Fahrbahnmarkierungen zu erkennen, selbst wenn
diese durch Alterung oder Abnutzung stark degradiert sind.
Claims (24)
1. Verfahren zur Erkennung von Fahrbahnmarkierungen aus Bilddaten,
dadurch gekennzeichnet,
dass es die morphologischen Eigenschaften punktförmiger Fahrbahnmarkierungen auf
Grundlage von a priori Wissen in Betracht zieht.
2. Verfahren nach Anspruch 1, dadurch gekennzeichnet, dass aus der Gesamtheit der
Bilddaten zur Verarbeitung Bereiche herausgetrennt werden, in welchen ausgehend von
a priori Wissen mit hoher Wahrscheinlichkeit Fahrbahnmarkierungen enthalten (ROI,
regions of interest).
3. Verfahren nach Anspruch 2, dadurch gekennzeichnet, dass das a priori Wissen auf
der Kenntnis der Kamerageometrie und/oder der Geometrie der Fahrspur und/oder den
Dimensionen der Fahrbahnmarkierung und/oder der Fahrzeugposition basiert.
4. Verfahren nach 2 bis 3, dadurch gekennzeichnet, dass bei der Initialisierung des
Verfahrens zur Erkennung von Fahrbahnmarkierungen per Zufallsfolge Modellparameter
so lange variiert werden, bis Fahrspurmarkierungen gefunden werden.
5. Verfahren nach Anspruch 4, dadurch gekennzeichnet, dass als Modellparameter die
Breite der Fahrspur und/oder die Ausrichtung der Kamera zur Mitte der Fahrspur
und joder der Gierwinkel des Fahrzeugs herangezogen werden.
6. Verfahren nach 2 bis 5, dadurch gekennzeichnet, dass zur Repositionierung bereits
initialisierter ROI Parametervorhersagen eines Fahrzeug-Straße-Models auf Grundlage
einer Prädiktion eines Schätzverfahrens zur Parameterbestimmung herangezogen
werden.
7. Verfahren nach Anspruch 6, dadurch gekennzeichnet, dass das Schätzverfahren zur
Parameterbestimmung auf einem Kalman-Filter basiert.
8. Verfahren nach einem der Ansprüche b bis 7, dadurch gekennzeichnet, dass bei der
Repositionierung der ROI deren Weite durch die Varianz der Ergebniswerte der
Prädiktion des Kalman-Filters gesteuert wird, wobei die Weite proportional zur Größe der
Varianz der Ergebnisse angepaßt wird.
9. Verfahren nach einem der Ansprüche 2 bis 8, dadurch gekennzeichnet, dass die ROI
vertikal, anhand einer minimalen und einer maximalen Entfernung in der Straßenebene,
begrenzt werden.
10. Verfahren nach Anspruch 9, dadurch gekennzeichnet, dass, insbesondere bei
Verwendung des Verfahrens bei Nacht, die vertikale Begrenzung der ROI durch den
Bereich der maximalen Beleuchtung (Fernlicht, Abblendlicht) bestimmt wird.
11. Verfahren nach einem der Ansprüche 9 bis 10, dadurch gekennzeichnet, dass die
Begrenzung über die Anzahl der zu erwartenden einer Fahrbahnmarkierung zugehörigen
Bildpunkte geregelt wird und diese Regelung dann optimal ist, wenn die Anzahl der zu
erwartenden Bildpunkte über alle Entfernungsbereiche konstant ist.
12. Verfahren nach einem der Ansprüche 1 bis 11, dadurch gekennzeichnet, dass zur
Verarbeitung der aus den Bilddaten herausgetrennten Bereiche (ROI) ein Matched-Filter
eingesetzt wird, um Bildpunkte (Pixel), welche Fahrbahnbegrenzungen zuzuordnen sind,
hervorzuheben.
13. Verfahren nach Anspruch 12, dadurch gekennzeichnet, dass das Matched-Filter an
die Form und Größe der zu suchenden Fahrbahnmarkierung und/oder an die Statistik
des Untergrundes angepaßt ist.
14. Verfahren nach einem der Ansprüche 12 bis 13, dadurch gekennzeichnet, dass das
Matched-Filter in separierter Form, bei welcher die x-y-Komponenten getrennt vorliegen,
implementiert wird.
15. Verfahren nach einem der Ansprüche 12 bis 14, dadurch gekennzeichnet, dass im
Rahmen der Anwendung des Matched-Filters in der Umgebung der zu untersuchenden
Position der mittlerer Grauwert des Hintergrundes gemessen wird, und dass auf das
Vorliegen eines Bildpunktes, welcher potentiell einer Fahrbahnmarkierung zuzuordnen
ist, auf Grundlage eines Vergleichs zwischen Hintergrundrauschen, dem mittleren
Grauwert in der Umgebung und dem Grauwert an der zu untersuchenden Position
geschlossen wird.
16. Verfahren nach einem der Ansprüche 12 bis 15, dadurch gekennzeichnet, dass bei
der Auswertung des Matched-Filters nur die x-Komponente ausgewertet wird.
17. Verfahren nach einem der Ansprüche 12 bis 16, dadurch gekennzeichnet, dass nach
der Hervorhebung der Bildpunkte (Pixel), welche Fahrbahnbegrenzungen zuzuordnen
sind, diese binarisiert werden, wobei die Intensitäten der einzelnen Pixel mit einem
Schwellwert verglichen werden und die Pixel nur dann zu einer Weiterverarbeitung
herangezogen werden, wenn deren Intensitäten diesen Schwellwert übersteigen.
18. Verfahren nach Anspruch 17, dadurch gekennzeichnet, dass der Schwellwert
mittels eines Schwellwertreglers aus dem Hintergrundrauschen ermittelt wird.
19. Verfahren nach Anspruch 18, dadurch gekennzeichnet, dass der Schwellwertregler
auf a priori Wissen über die zu erwartende, von der Fahrbahnbegrenzung belegten
Fläche zurückgreift, welche direkt mit der zu erwartende Anzahl von der
Fahrbahnbegrenzung zuzuordnenden Bildpunkten (Pixel) korreliert, und wobei der
Schwellwertregler darauf zielt die Anzahl der in den ROI hervorgehobenen Bildpunkte
möglichst exakt an diesen Erwartungswert heran zu führen.
20. Verfahren nach einem der Ansprüche 1 bis 19, dadurch gekennzeichnet, dass nach
der Hervorhebung von potentiell zu einer Fahrbahnmarkierung gehörigen Bildpunkten
und der eventuellen Binarisierung diese Bildpunkte für die weitere Verarbeitung zu
Markierungsobjekten zusammengefaßt werden.
21. Verfahren nach einem der Ansprüche 1 bis 20, dadurch gekennzeichnet, dass bei
der Betrachtung der morphologischen Eigenschaften der Fahrbahnmarkierungen die
Grösse der Markierungsobjekte (Pixelgruppen) und/oder die Rundheit der Pixelgruppen
und/oder die Streuung der Pixel bzw. die Anzahl von Freiräumen innerhalb der
Pixelgruppen (Kompaktheit) dahingehend beurteilt werden, ob sie die auf Grundlage des
a priori Wissens definierten Kriterien einer Fahrbahnmarkierung erfüllen.
22. Verfahren nach Anspruch 21, dadurch gekennzeichnet, dass jede Pixelgruppe,
welche die Kriterien einer Fahrbahnmarkierung erfüllt, als ein tatsächliches
Markierungsobjekt betrachtet und durch seine Bildkoordinaten charakterisiert wird.
23. Verfahren nach Anspruch 22, dadurch gekennzeichnet, dass als charakterisierende
Bildkoordinaten die Koordinaten des Schwerpunktes der dem Markierungsobjekt
zugeordnete Pixelgruppe gewählt werden.
24. Verfahren nach einem der Ansprüche 20 bis 23, dadurch gekennzeichnet, dass die
charakteristischen Bildkoordinaten der Markierungsobjekte verwendet werden, um
mittels Kurvenregression die Grenzen der eigenen Fahrspur beziehungsweise den
Verlauf der Fahrspur, sowie die eigene Position von der Fahrbahnmitte zu beschreiben,
und dass diese Beschreibung einem Schätzverfahrens zur Parameterbestimmung
(beispielsweise einem Kalman-Filter) bei der Repositionierung der ROI innerhalb der
Bilddaten zugeführt wird.
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US09/704,366 US6978037B1 (en) | 2000-11-01 | 2000-11-01 | Process for recognition of lane markers using image data |
Publications (1)
Publication Number | Publication Date |
---|---|
DE10059895A1 true DE10059895A1 (de) | 2002-05-08 |
Family
ID=24829168
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
DE10059895A Withdrawn DE10059895A1 (de) | 2000-11-01 | 2000-12-01 | Verfahren zur Erkennung von Fahrbahnmarkierungen aus Bilddaten |
Country Status (2)
Country | Link |
---|---|
US (1) | US6978037B1 (de) |
DE (1) | DE10059895A1 (de) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE10323915A1 (de) * | 2003-05-23 | 2005-02-03 | Daimlerchrysler Ag | Kamerabasierte Positionserkennung für ein Straßenfahrzeug |
DE102004034532B4 (de) * | 2004-07-16 | 2009-05-28 | Audi Ag | Verfahren zur Kennzeichnung von Bildinformationen in der Darstellung eines mit einer fahrzeugseitigen Bildaufnahmeeinrichtung aufgenommenen Nachtsichtbildes und zugehöriges Nachtsichtsystem |
DE102009003698A1 (de) * | 2009-03-30 | 2010-10-07 | Conti Temic Microelectronic Gmbh | Verfahren und Vorrichtung zur Fahrspurerkennung |
DE102012008030A1 (de) * | 2011-09-24 | 2013-03-28 | Volkswagen Aktiengesellschaft | Verfahren und Vorrichtung zur Erfassung eines Fahrbahnrandes für ein Fahrzeug |
DE102011088134A1 (de) | 2011-12-09 | 2013-06-13 | Robert Bosch Gmbh | Verfahren und Vorrichtung zur Bestimmung eines Abstandes zwischen einem Fahrzeug und einem Objekt |
CN101447019B (zh) * | 2007-11-29 | 2014-04-23 | 爱信艾达株式会社 | 图像识别装置以及图像识别方法 |
DE10333670B4 (de) * | 2003-07-18 | 2019-07-04 | Iav Gmbh Ingenieurgesellschaft Auto Und Verkehr | Verfahren zum Ermitteln des Fahrbahnverlaufes aus Bilddaten |
Families Citing this family (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR100485696B1 (ko) * | 2003-02-07 | 2005-04-28 | 삼성광주전자 주식회사 | 로봇청소기의 위치인식표지 검출방법 및 이 검출방법을적용한 로봇청소기 |
US7864159B2 (en) | 2005-01-12 | 2011-01-04 | Thinkoptics, Inc. | Handheld vision based absolute pointing system |
JP4773170B2 (ja) | 2005-09-14 | 2011-09-14 | 任天堂株式会社 | ゲームプログラムおよびゲームシステム |
JP4680131B2 (ja) * | 2006-05-29 | 2011-05-11 | トヨタ自動車株式会社 | 自車位置測定装置 |
US20080052750A1 (en) * | 2006-08-28 | 2008-02-28 | Anders Grunnet-Jepsen | Direct-point on-demand information exchanges |
US8913003B2 (en) | 2006-07-17 | 2014-12-16 | Thinkoptics, Inc. | Free-space multi-dimensional absolute pointer using a projection marker system |
WO2008020544A1 (en) * | 2006-08-18 | 2008-02-21 | Nec Corporation | Vehicle detection device, vehicle detection method, and vehicle detection program |
US9176598B2 (en) | 2007-05-08 | 2015-11-03 | Thinkoptics, Inc. | Free-space multi-dimensional absolute pointer with improved performance |
JP4692613B2 (ja) * | 2008-11-28 | 2011-06-01 | トヨタ自動車株式会社 | 車載装置、及び当該装置で用いられる方法 |
US9124780B2 (en) * | 2010-09-17 | 2015-09-01 | Certusview Technologies, Llc | Methods and apparatus for tracking motion and/or orientation of a marking device |
EP2525303A1 (de) * | 2011-05-17 | 2012-11-21 | Harman Becker Automotive Systems GmbH | Spurverfolgung |
EP2950291A4 (de) * | 2013-01-25 | 2016-10-12 | Toyota Motor Co Ltd | Strassenumgebungserkennungssystem |
CN104361353B (zh) * | 2014-11-17 | 2017-11-10 | 山东大学 | 一种感兴趣区域的定位方法在仪表监控识别中的应用 |
CN106697110B (zh) * | 2015-07-22 | 2020-03-20 | 安波福电子(苏州)有限公司 | 一种环视***的工厂下线标定装置 |
DE102016201304A1 (de) * | 2016-01-28 | 2017-08-03 | Robert Bosch Gmbh | Vorrichtung und Verfahren zum Erfassen eines Randsteins in einer Umgebung eines Fahrzeugs sowie System zur Randsteinkontrolle für ein Fahrzeug |
KR102054926B1 (ko) * | 2018-02-27 | 2019-12-12 | 주식회사 만도 | Free Space 신호 기반 근거리 컷인 차량 검출 시스템 및 방법 |
CN109409202B (zh) * | 2018-09-06 | 2022-06-24 | 惠州市德赛西威汽车电子股份有限公司 | 基于动态感兴趣区域的鲁棒性车道线检测方法 |
CN110765890B (zh) * | 2019-09-30 | 2022-09-02 | 河海大学常州校区 | 基于胶囊网络深度学习架构的车道及车道标识检测方法 |
Family Cites Families (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS6434202A (en) | 1987-07-30 | 1989-02-03 | Kubota Ltd | Working wagon of automatic conduct type |
US5247587A (en) * | 1988-07-15 | 1993-09-21 | Honda Giken Kogyo Kabushiki Kaisha | Peak data extracting device and a rotary motion recurrence formula computing device |
US5359666A (en) * | 1988-09-28 | 1994-10-25 | Honda Giken Kogyo Kabushiki Kaisha | Driving way judging device and method |
US4970653A (en) | 1989-04-06 | 1990-11-13 | General Motors Corporation | Vision method of detecting lane boundaries and obstacles |
US5351044A (en) | 1992-08-12 | 1994-09-27 | Rockwell International Corporation | Vehicle lane position detection system |
JP3169483B2 (ja) * | 1993-06-25 | 2001-05-28 | 富士通株式会社 | 道路環境認識装置 |
JP3431962B2 (ja) * | 1993-09-17 | 2003-07-28 | 本田技研工業株式会社 | 走行区分線認識装置を備えた自動走行車両 |
US5904725A (en) * | 1995-04-25 | 1999-05-18 | Matsushita Electric Industrial Co., Ltd. | Local positioning apparatus |
JP3993259B2 (ja) * | 1996-07-31 | 2007-10-17 | アイシン精機株式会社 | 画像処理装置 |
EP0827127B1 (de) * | 1996-08-28 | 2006-10-04 | Matsushita Electric Industrial Co., Ltd. | Lokales Positionierungsgerät und Verfahren dafür |
JP3333721B2 (ja) * | 1997-09-05 | 2002-10-15 | 技術研究組合医療福祉機器研究所 | 領域検出装置 |
KR20000025578A (ko) * | 1998-10-13 | 2000-05-06 | 윤종용 | 차로의 모델링 방법 및 그를 이용한 차선 인식 방법 |
JP3352655B2 (ja) * | 1999-09-22 | 2002-12-03 | 富士重工業株式会社 | 車線認識装置 |
-
2000
- 2000-11-01 US US09/704,366 patent/US6978037B1/en not_active Expired - Fee Related
- 2000-12-01 DE DE10059895A patent/DE10059895A1/de not_active Withdrawn
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE10323915A1 (de) * | 2003-05-23 | 2005-02-03 | Daimlerchrysler Ag | Kamerabasierte Positionserkennung für ein Straßenfahrzeug |
DE10333670B4 (de) * | 2003-07-18 | 2019-07-04 | Iav Gmbh Ingenieurgesellschaft Auto Und Verkehr | Verfahren zum Ermitteln des Fahrbahnverlaufes aus Bilddaten |
DE102004034532B4 (de) * | 2004-07-16 | 2009-05-28 | Audi Ag | Verfahren zur Kennzeichnung von Bildinformationen in der Darstellung eines mit einer fahrzeugseitigen Bildaufnahmeeinrichtung aufgenommenen Nachtsichtbildes und zugehöriges Nachtsichtsystem |
CN101447019B (zh) * | 2007-11-29 | 2014-04-23 | 爱信艾达株式会社 | 图像识别装置以及图像识别方法 |
DE102009003698A1 (de) * | 2009-03-30 | 2010-10-07 | Conti Temic Microelectronic Gmbh | Verfahren und Vorrichtung zur Fahrspurerkennung |
US8611650B2 (en) | 2009-03-30 | 2013-12-17 | Conti Temic Microelectronic Gmbh | Method and device for lane detection |
EP2415020B1 (de) * | 2009-03-30 | 2015-10-28 | Conti Temic microelectronic GmbH | Verfahren und vorrichtung zur fahrspurerkennung |
DE102012008030A1 (de) * | 2011-09-24 | 2013-03-28 | Volkswagen Aktiengesellschaft | Verfahren und Vorrichtung zur Erfassung eines Fahrbahnrandes für ein Fahrzeug |
DE102011088134A1 (de) | 2011-12-09 | 2013-06-13 | Robert Bosch Gmbh | Verfahren und Vorrichtung zur Bestimmung eines Abstandes zwischen einem Fahrzeug und einem Objekt |
Also Published As
Publication number | Publication date |
---|---|
US6978037B1 (en) | 2005-12-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
DE10059895A1 (de) | Verfahren zur Erkennung von Fahrbahnmarkierungen aus Bilddaten | |
DE102007035884B4 (de) | Linienrauschunterdrückungsvorrichtung, -verfahren und -programm | |
DE19521346A1 (de) | Bilduntersuchungs/Erkennungsverfahren, darin verwendetes Verfahren zur Erzeugung von Referenzdaten und Vorrichtungen dafür | |
DE102009038364A1 (de) | Verfahren und System zur automatischen Objekterkennung und anschließenden Objektverfolgung nach Maßgabe der Objektform | |
DE102006036402A1 (de) | System und Verfahren zur Messung der Entfernung eines vorausfahrenden Fahrzeugs | |
DE102014117102A1 (de) | Spurwechselwarnsystem und Verfahren zum Steuern des Spurwechselwarnsystems | |
DE112011105116T5 (de) | Verfahren und Vorrichtung zur bildinhaltsbasierten automatischen Helligkeitserkennung | |
DE102017209700A1 (de) | Verfahren und Vorrichtung zur Erkennung von Kanten in einem Kamerabild, und Fahrzeug | |
EP1419402A1 (de) | Verfahren zur erkennung und verfolgung von objekten | |
DE102018113559A1 (de) | Verfahren zum Erkennen einer Fahrbahnmarkierung durch Validieren anhand der Linienbreite; Steuereinrichtung; Stellplatzerkennungssystem; sowie Fahrerassistenzsystem | |
EP3715779B1 (de) | Verfahren und vorrichtung zur bestimmung von verformungen an einem objekt | |
EP3663881B1 (de) | Verfahren zur steuerung eines autonomen fahrzeugs auf der grundlage von geschätzten bewegungsvektoren | |
DE102016216500A1 (de) | Objekterkennungsverfahren und trübungsbestimmungsverfahren | |
EP4192645A1 (de) | Verfahren und flachbettwerkzeugmaschine zum erfassen einer einhängeposition eines auflagestegs | |
DE102006007550A1 (de) | Vorrichtung und Verfahren zur Erkennung einer Fahrbahnmarkierung für ein Kraftfahrzeug | |
DE102013201682A1 (de) | Auswählen von sichtbaren Gebieten in Nachtbildern zum Durchführen einer Detektion eines freien Pfads | |
DE19549216C2 (de) | Verfahren zur Bildauswertung | |
DE10326031B4 (de) | Verfahren zur adaptiven Kantenerkennung | |
DE102009009572B3 (de) | Verfahren zur entropiebasierten Bestimmung von Objektrandkurven | |
DE60313041T2 (de) | Verfahren zur binärisierung von linearstrukturen enthaltenden bildern | |
DE10301634B4 (de) | Lokal-adaptive Objekterkennung für digitales Bildmaterial | |
DE102012208025A1 (de) | Verfahren und Vorrichtung zur rechnergestützten Segmentierung wenigstens eines einen Code mit wenigstens einer Codezeile enthaltenden Bildes | |
DE102018103861B3 (de) | Verfahren zum Bestimmen eines Auswertebereichs in einem Bild einer Fahrzeugkamera mittels linienbasierter Bildverarbeitung | |
EP2696310A1 (de) | Verfahren zum Identifizieren eines Straßenrands | |
EP0651264B1 (de) | Verfahren zur automatischen Detektion von festen oder beweglichen Objekten in natürlicher Umgebung einer Echtzeitbildfolge |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
8127 | New person/name/address of the applicant |
Owner name: DAIMLERCHRYSLER AG, 70327 STUTTGART, DE |
|
8127 | New person/name/address of the applicant |
Owner name: DAIMLER AG, 70327 STUTTGART, DE |
|
8110 | Request for examination paragraph 44 | ||
8125 | Change of the main classification |
Ipc: G06K 9/62 AFI20051017BHDE |
|
8120 | Willingness to grant licences paragraph 23 | ||
8139 | Disposal/non-payment of the annual fee |