TWI611961B - 車道線影像分析方法、影像分析裝置及其電腦可讀取式媒體 - Google Patents
車道線影像分析方法、影像分析裝置及其電腦可讀取式媒體 Download PDFInfo
- Publication number
- TWI611961B TWI611961B TW105117239A TW105117239A TWI611961B TW I611961 B TWI611961 B TW I611961B TW 105117239 A TW105117239 A TW 105117239A TW 105117239 A TW105117239 A TW 105117239A TW I611961 B TWI611961 B TW I611961B
- Authority
- TW
- Taiwan
- Prior art keywords
- lane line
- image
- parameter
- lane
- model
- Prior art date
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
- G06T7/60—Analysis of geometric attributes
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60R—VEHICLES, VEHICLE FITTINGS, OR VEHICLE PARTS, NOT OTHERWISE PROVIDED FOR
- B60R11/00—Arrangements for holding or mounting articles, not otherwise provided for
- B60R11/04—Mounting of cameras operative during drive; Arrangement of controls thereof relative to the vehicle
-
- 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
- G06V10/24—Aligning, centring, orientation detection or correction of the image
- G06V10/242—Aligning, centring, orientation detection or correction of the image by image rotation, e.g. by 90 degrees
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
- G06V10/7515—Shifting the patterns to accommodate for positional errors
-
- 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
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Mechanical Engineering (AREA)
- Geometry (AREA)
- Image Analysis (AREA)
- Traffic Control Systems (AREA)
- Image Processing (AREA)
Abstract
一種車道線影像分析方法、影像分析裝置及其電腦可讀取式媒體,具有投影計算模組、處理模組及分類模組。投影計算模組以基準點為中心,於多個預設方向辨識車道線影像。於每一個預設方向辨識車道線影像時,以多個預設區間定義車道線影像,並判斷車道線影像於每一個預設區間中的特徵值。處理模組電性連接投影計算模組,且依據於至少一個預設方向辨識車道線影像時車道線影像於每一個預設區間中的特徵值,判斷第一特徵參數。分類模組電性連接處理模組用以至少依據第一特徵參數判斷車道線影像對應的實際車道參數值。
Description
本發明係關於一種車道線影像分析方法、影像分析裝置及其電腦可讀取式媒體,特別是一種分類車道線影像的影像分析裝置、分析方法及其電腦可讀取式媒體。
近年自動駕駛車技術受到各界關注,越來越多車廠、企業投入研發。自動駕駛車技術的核心來自先進駕駛輔助系統(Advanced Driving Assistance Systems,ADAS)包含如車道偏離警示、防碰撞警示、自動剎車等技術。
然而,自動駕駛車技術必須隨時地對行車狀況進行偵測,並且即時地對行車狀況進行駕駛的判斷。再者,多樣化的路況亦增加自動駕駛車技術的困難度。為了滿足自動駕駛車技術的各種需求及運算和辨識的速度,自動駕駛輔助系統必須具有高規格的效能,以進行自動駕駛的判斷和複雜的資料運算,使得自動駕駛輔助系統無法降低成本。
本發明在於提供一種車道線分析方法、影像分析裝置及其電腦可讀取式媒體,藉以解決自動駕駛車技術必須採用高效能規格的自動駕駛輔助系統,才能滿足高速度辨識和進行複雜的資料運算的問題。
本發明所揭露的車道線影像的分析方法,具有以下步驟:以基準點為中心,於多個預設方向辨識車道線影像。於每一個預設方向辨識車道線影像時,以多個預設區間定義車道線影像。多個預設區間平行排列於基準線的延伸方向,且基準線的延伸方向垂直於預設方向。判斷車道線影像於每一個預設區間中的特徵值。依據於至少一預設方向辨識車道線影像時車道線影像於每一個預設區間中的特徵值,判斷第一特徵參數。至少依據第一特徵參數,判斷車道線影像對應的至少一個實際車道參數值,該實際車道參數值關聯於實際車道的環境訊息。
本發明所揭露的影像分析裝置,具有投影計算模組、處理模組及判斷模組。投影計算模組以基準點為中心,於多個預設方向辨識車道線影像。於每一個預設方向辨識車道線影像時,以多個預設區間定義車道線影像,並判斷車道線影像於每一個預設區間中的特徵值。多個預設區間平行排列於基準線的延伸方向,且基準線的延伸方向與預設方向垂直。處理模組電性連接投影計算模組,且依據於至少一個預設方向辨識車道線影像時車道線影像於每一個預設區間中的特徵值,判斷第一特徵參數。判斷模組電性連接處理模組,用以至少依據第一特徵參數判斷車道線影像對應的至少一個實際車道參數值,該實際車道參數值關聯於實際車道的環境訊息。
本發明所揭露的電腦可讀取式媒體,經由電子裝置載入。電子裝置包括投影計算模組、處理模組及判斷模組。電子裝置依據電腦可讀取式媒體執行下列步驟。驅動投影計算模組以基準點為中心,於多個預設方向辨識車道線影像。驅動投影計算模組於每一該預設方向辨識車道線影像時,以多個預設區間定義車道線影像,並判斷車道線影像於每一個預設區間中的特徵值。預設區間平行排列於基準線的延伸方向,基準線的延伸方向垂直於預設方向。驅動處理模組於判斷第一特徵參數。第一特徵參數關聯於在至少一個預設方向辨識車道線影像時,車道線影像於每一個預設區間中的特徵值。驅動判斷模組至少依據第一特徵參數,判斷車道線影像對應的至少一個實際車道參數值。實際車道參數值關聯於實際車道的環境訊息。
根據上述本發明所揭露的車道線影像分析方法、影像分析裝置及其電腦可讀取式媒體,藉由旋轉車道線影像,以不同的預設角度來分析車道線影像於每一個預設區間中的特徵值,並依據分析得到的特徵值判斷車道線影像對應的模型分類,進而降低分析車道線的複雜度,解決以往自動駕駛車技術必須採用高效能規格的自動駕駛輔助系統,才能辨識效率和複雜的資料運算的問題。
以上之關於本揭露內容之說明及以下之實施方式之說明係用以示範與解釋本發明之精神與原理,並且提供本發明之專利申請範圍更進一步之解釋。
以下在實施方式中詳細敘述本發明之詳細特徵以及優點,其內容足以使任何熟習相關技藝者了解本發明之技術內容並據以實施,且根據本說明書所揭露之內容、申請專利範圍及圖式,任何熟習相關技藝者可輕易地理解本發明相關之目的及優點。以下之實施例係進一步詳細說明本發明之觀點,但非以任何觀點限制本發明之範疇。
請參照圖,圖1A係根據本發明一實施例所繪示之影像分析裝置的功能方塊圖,圖1B係根據本發明一實施例所繪示之車道線影像的示意圖。如圖所示,影像分析裝置10具有投影計算模組11、處理模組12及判斷模組13,其中處理模組12分別電性連接投影計算模組11及判斷模組13。投影計算模組11接收車道線影像15,並以車道線影像15上的一個基準點為中心,於多個預設方向辨識車道線影像15。於一個實施例中,投影計算模組11辨識車道線影像15的方法例如順時針旋轉車道線影像15從0°至90°,並於其間每15°為一個間隔作為一個預設角度。當每次車道線影像15旋轉至其中一個預設角度時,投影計算模組11以多個預設區間RG定義車道線影像15,並判斷車道線影像15於每一個預設區間RG中的特徵值。多個預設區間RG平行排列於基準線Base的延伸方向,且基準線Base的延伸方向垂直於預設方向L。換言之,投影計算模組11例如於車道線影像15分別順時針旋轉至15°、30°、45°…時,以多個預設區間RG定義車道線影像15,並判斷車道線影像15於每一個預設區間RG中的特徵值。於本實施例中,投影計算模組11未旋轉車道線影像15時,亦即預設角度為0°時,投影計算模組11亦以多個預設區間RG定義車道線影像15,判斷車道線影像15於每一個預設區間RG中的特徵值。
於實務上,基準線Base例如平行車道線影像15未旋轉時車道線影像15的邊緣線,而預設區間RG例如平行排列於邊緣線延伸方向上的多個影像區域。於另一個實施例中,於多個預設方向辨識車道線影像的方式例如改由旋轉基準線和預設區間取代旋轉車道線影像。具體來說,基準線以基準點為中心,順時針旋轉0°至90°,並於其間每15°為一個間隔以平行排列於基準線延伸方向上的預設區間,定義車道線影像,以判斷車道線影像於每一個預設區間中的特徵值。換言之,於本實施例中,每一次旋轉基準線至預設角度後,亦即以基準線垂直方向的角度辨識車道線影像。接著,以多個平行排列於基準線延伸方向的預設區間定義車道線影像,並判斷車道線影像於每一個預設區間中的特徵值。為了方便說明,以下實施例係以旋轉車道線影像為例來說,非用以限制辨識車道線影像的實施方式。
車道線影像於每一個預設區間中的特徵值例如車道線所佔據的像素個數、單位區塊個數或其他合適的特徵值。舉例來說,基準線例如平行於未旋轉車道線影像的列像素,而預設區間例如未旋轉車道線影像的多個行像素。車道線影像於預設區間中的特徵值則為每一行像素中車道線影像中車道線所佔據的像素個數。於另一個例子中,預設區間亦可以是多個相同寬度,且平行排列於基準線延伸方向上的區域。每一個預設區間中又具有多個相同長度的單位區塊平行排列於基準線的垂直方向上。車道線影像於預設區間中的特徵值則為車道線影像於每一個預設區域中車道線所佔據的單位區塊個數。
處理模組12依據投影計算模組11於於至少一個預設方向辨識車道線影像時車道線影像於每一個預設區間中的特徵值,判斷第一特徵參數。以前述的例子來說,第一特徵參數例如包含車道線影像未旋轉時每一個預設區間中車道線所佔據的單位區塊個數、車道線影像順時針旋轉15°時每一個預設區間中車道線所佔據的單位區塊個數、車道
線影像順時針旋轉30°時每一個預設區間中車道線所佔據的單位區塊個數,其餘以此類推。第一特徵參數亦例如是車道線影像未旋轉和車道線影像被旋轉15°、30°、45°、...時,每一個預設區間中車道線所佔據的單位區塊個數總和。本實施例不限制第一特徵參數的數量,處理模組12亦可以依據其他計算方法將特徵值整理為第一特徵參數,本實施例不予限制。
判斷模組13依據第一特徵參數判斷車道線影像對應的至少一個實際車道參數值。實際車道參數值關聯於實際車道的環境訊息,例如為實際的車道寬度、實際的車道曲率、左車道線與車輛之間的實際距離、車輛的前傾角、車道中線與車輛中線的夾角或其他實際的車道參數值。當判斷模組13依據第一特徵參數判斷車道線影像的實際車道參數值時,實際車道參數值即可作為拍攝車道線影像當下車道的實際狀況。
判斷模組13例如採用支持向量機(suppoet vector machine,SVM)、深度學習(Deep learning)或其他合適的演算法來判斷車道線影像屬於的模型分類,本實施例不予限制。
請一併參照圖2至圖5,圖2係根據本發明另一實施例所繪示之影像分析裝置的功能方塊圖,圖3A至3E係根據圖2實施例所繪示之道路影像和車道線影像的示意圖,圖4A至圖4C係根據本發明另一實施例所繪示之車道線模型的示意圖,圖5係根據本發明另一實施例所繪示之車道線影像和車道線模型比對的示意圖。如圖所示,影像分析裝置20具有投影計算模組21、處理模組22、判斷模組23、影像擷取模組24、偵測模組25及雜訊處理模組26,其中影像擷取模組24電性連接偵測模組25,處理模組22分別電性連接投影計算模組21及判斷模組23,偵測模組25分別電性連接影像擷取模組24、雜訊處理模組26及判斷模組23,雜訊處理模組26電性連接投影計算模組21、偵測模組25及判斷模組23。
於本實施例中,影像擷取模組24擷取道路影像30。影像擷取模組24例如設置於車輛的擋風玻璃上,跟隨車輛行駛以拍攝道路影像30。偵測模組25接收影像擷取裝置擷取的道路影像30,並辨識道路影像30中的第一車道線L1和第二車道線L2。偵測模組25依據道路影像30中的第一車道線L1和第二車道線L2,判斷基準點P。
第一車道線L1例如車道上位於車輛左側的交通規則標線或其他可辨識車輛行駛車道的界線。第二車道線L2例如車道上位於車輛右側的交通規則標線或其他可辨識車輛行駛車道的界線。於一個實施例中,基準點P位於第一車道線L1的一個切線延伸方向和第二車道線L2的一個切線延伸方向上。具體來說,偵測模組25辨識道路影像30於邊界區域R中的第一車道線L1和第二車道線L2,並延伸邊界區域R中的第一車道線L1和第二車道線L2,以第一車道線L1和第二車道線L2延伸的交點位置作為基準點P。換言之,基準點P例如為道路影像30的消失點(vanish point)。第一車道線L1和第二車道線L2的延伸線收束於消失點。
雜訊處理模組26接收偵測模組25辨識出的基準點P,且依據基準點P過濾道路影像30的雜訊,產生並輸出車道線影像31至投影計算模組21。舉例來說,雜訊處理模組26對道路影像30進行灰階或色彩的梯度處理或依據道路影像30的脊線進行影像梯度處理,形成如圖3B的影像。接著,雜訊處理模組26依據基準點P的位置或座標,消除道路影像30上的雜訊。於一個實施例中,雜訊處理模組26消除Y方向上基準點P之上的雜訊,如圖3C上圖所示。雜訊處理模組26過濾道路影像30後產生的車道線影像31將輸出至投影計算模組21。換言之,車道線影像31係雜訊處理模組26對道路影像30進行影像處理後,篩選出道路影像30中可能係車道線的像素。
投影計算模組21接收車道線影像31,並以車道線影像31上的基準點P為旋轉中心,旋轉車道線影像31至多個預設角度。如圖3C上圖所示,投影計算模組21未旋轉車道線影像31時,以多個預設區間定義車道線影像31,判斷車道線影像31於每一個預設區間中的特徵值。以基準線B來說,預設區間平行地排列於基準線B的延伸方向上,其中一個預設區間an,如圖3C所示。投影計算模組21依據車道線影像31於預設區間中車道線的單位區塊個數作為特徵值,並形成如圖3C下圖的分布。
接下來,投影計算模組21例如順時針旋轉車道線影像31自0°至90°,並於其間每15°為一個間隔作為一個預設角度,以判斷車道線影像31於每一個預設區間中的特徵值。如圖3D所示,車道線影像31被順時針旋轉60°,並以多個預設區間定義車道線影像31,判斷車道線影像31於每一個預設區間中的特徵值。於本實施例中,以基準線B來說,預設區間平行地排列於基準線B的延伸方向上,其中一個預設區間bn,如圖3D所示。投影計算模組21依據順時針旋轉60°後的車道線影像31於預設區間bn中車道線的單位區塊個數作為特徵值,並形成如圖3D下圖的分布。處理模組22依據投影計算模組21於每次車道線影像旋轉至預設角度時車道線影像於每一個預設區間中的特徵值,判斷第一特徵參數。
於一個實施例中,如圖3E所示,偵測模組25更判斷道路影像31的影像中心點C,依據基準點P對影像中心點C的位移,判斷第二特徵參數。第二特徵參數例如是基準點P對影像中心點C的位移向量,或者第二特徵參數包含基準點P的X座標到影像中心點C的X座標的位移量和基準點P的Y座標到影像中心點C的Y座標的位移量,又或者第二特徵參數是基準點P對影像中心點C的位移向量於基準線B上的投影量,本實施例不予限制。
於另一個實施例中,偵測模組25更判斷第一車道線L1的切線延伸方向和基準線B的垂直方向V之間的第一夾角α,依據第一夾角α判斷第三特徵參數。偵測模組25更判斷第二車道線L2的切線延伸方向和基準線B的垂直方向V之間的第二夾角β,依據第二夾角β判斷第四特徵參數。
於本實施例中,判斷模組23具有分類單元231、模型產生單元232、比較單元233和查找單元234。分類單元231依據第一特徵參數、第二特徵參數、第三特徵參數和第四特徵參數其中任一或其組合,判斷車道線影像31對應的模型分類。於本實施例中,分類單元231定義有多個模型分類,每一個模型分類對應多個特徵參數範圍,分類單元231依據第一特徵參數所位於的特徵參數範圍、第二特徵參數所位於的特徵參數範圍、第三特徵參數所位於的特徵參數範圍和第四特徵參數所位於的特徵參數範圍,決定車道線影像31的模型分類。
於本實施例中,每一個模型分類定義有至少一組模型參數範圍,模型參數範圍例如為車道模型的寬度範圍、車道模型的曲率範圍、左車道線與影像中心點之間的橫向距離、車道模型的前傾角、車道模型中線與影像中線的夾角、車道模型模擬取像時距離地面的高度、車道模型模擬取像時影像擷取模組24的焦距參數或其他關聯於車道模型的參數範圍。當分類單元231依據第一特徵參數、第二特徵參數、第三特徵參數和第四特徵參數其中任一或其組合決定車道線影像31的模型分類時,亦即取得模型分類定義的一組模型參數範圍。
模型產生單元232接收車道線影像31對應的一組模型參數範圍,且依據每一個模型參數範圍中的每一個模型參數值,分別產生多個車道線模型,例如圖4A至圖4C顯示的車道線模型40a~40c。於一個實施例中,模型產生單元232將每一個模型參數範圍中的其中一個模型參數值代入模型產生公式中,產生車道線模型。
其中L為車道模型的寬度、C0為車道模型的曲率、xc為左車道線與影像中心點之間的橫向距離、φ為車道模型的前傾角、θ為車道模型中線與影像中線的夾角、H為車道模型模擬取像時距離地面的高度、fu和fv為車道模型模擬取像時影像擷取模組24的焦距參數。
以其中一個模型參數範圍為例來說,車道線影像31的模型分類所對應的車道曲率範圍例如為0.25~0.28之間,模型產生單元232則例如分別將0.25、0.26、0.27、0.28代入C0中,產生多個車道線模型。換言之,模型產生單元232將各個模型參數排列組合地代入模型產生公式中,產生屬於每一個模型分類中的多個車道線模型。
其中(ul,v)、(ur,v)分別為第一車道線和第二車道線上的座標、(u0,v0)為基準點的座標、al和ar分別為第一車道線和第二車道線的一個切線斜率、b為與車道曲率半徑相關的參數。
於再一個實施例中,模型產生公式亦例如為:u l =a l v 2+b l v+c l
u r =a r v 2+b r v+c r
其中(ul,v)、(ur,v)分別為第一車道線和第二車道線上的座標、a、b、c為二次曲線參數。除了上述揭示的模型產生公式外,其他適合的模型產生公式皆可被應用於本實施例模型產生單元232中,本實施例不予限制。
比較單元233從雜訊處理模組26接收車道線影像31,且從模型產生單元232接收車道線影像31對應的模型分類中的車道線模
型。比較單元233比較車道線影像31與模型分類中的每一個車道線模型,並依據車道線影像31和每一個車道線模型的差異,選擇一個車道線模型。
於一個實施例中,如圖5所示,比較單元233將車道線模型40c與車道線影像31重疊比較,並以掃描區域41沿著車道線模型40c掃描車道線影像40。掃描區域41如圖5下方的放大圖所示,掃描區域41具有平行排列的多個掃描方格,比較單元233偵測車道線影像31中車道線與車道線模型40c的差異值,例如間隔的掃描方格數量xi,並且使掃描區域41中間的掃描方格沿著車道線模型40c移動,偵測整個車道線模型40c與車道線影像31的車道線差異值。接著,比較單元233採用絕對差異總和(Sum of Absolute Difference)、平方平均數(Root Mean Square,RMS)或其他適合的計算方式來判斷車道線影像31和模型分類中的每一個車道線模型的差異。
其中x1~xn例如為每一次掃描區域41偵測到的車道線模型40c與車道線影像31的車道線差異值。比較單元233依據車道線影像31和模型分類中的每一個車道線模型的差異,選擇模型分類中其中一個車道線模型。選擇的車道線模型例如是與車道線影像31差異較小者。
查找單元234依據比較單元233選擇的車道線模型自一個參數對應表中查找車道線模型對應的一組實際車道參數值。參數對應表指示每一個車道線模型對應的實際車道參數值。實際車道參數值關聯於實際車道的環境訊息,例如為實際的車道寬度、實際的車道曲率、左車道線與車輛之間的實際距離、車輛的前傾角、車道中線與車輛中線的夾角、影像擷取模組24與地面的高度、影像擷取模組24的焦距參數或其他實際的車道參數範圍。
於本實施例中,查找單元234所查找出的實際車道參數值可作為拍攝車道線影像當下車道的實際狀況,並例如提供給自動駕駛系統作為自動駕駛輔助系統判斷駕駛的依據。更進一步地來看,由於影像分析裝置20藉由對車道線影像進行分類,再將車道線影像與所屬分類中的車道線模型進行比對,可以使得即時判斷影像的複雜度更為簡化,自動駕駛輔助系統的效能可以被運用的更有效率。
於前述的實施例中,投影計算模組21順時針旋轉車道線影像31自0°至90°且以其間的每15°作為一個預設角度僅為舉例說明,於其他實施例中,投影計算模組21亦可以於逆時針90°自順時針90°之間每15°作為一個預設角度,或是每20°作為一個預設角度,本實施例不予限制。
請一併參照圖6,圖6係根據本發明再一實施例所繪示之影像分析裝置的功能方塊圖。如圖6所示,影像分析裝置50具有投影計算模組51、處理模組52、判斷模組53、影像擷取模組54、偵測模組55、雜訊處理模組56及參數表建立模組57,其中處理模組52分別電性連接投影計算模組51及判斷模組53,偵測模組55分別電性連接影像擷取模組54、雜訊處理模組56及判斷模組53,雜訊處理模組56電性連接投影計算模組51,判斷模組53具有分類單元531、模型產生單元532、比較單元533和查找單元534。比較單元533分別電性連接雜訊處理模組56、模型產生單元532及查表單元534,分類單元531電性連接模型產生單元532、處理模組52及偵測模組55。參數表建立模組57電性連接比較單元533和查找單元534。
投影計算模組51、處理模組52、判斷模組53、影像擷取模組54、偵測模組55、雜訊處理模組56與前一個實施例大致上相同。與前一個實施例不同的是,本實施例中,查找單元534所查找的參數對應表係由經由資料收集和參數表建立模組57所建立的。於本實施例中,影像擷取模組54在一個測試環境中擷取多個測試影像,並經由偵測模組55和雜訊處理模組56對測試影像進行影像處理後,使測試影像消除車道線以外的影像。測試環境的環境訊息指示每一個測試影像對應的至少一個實際車道參數值。測試環境的環境訊息例如實際量測車道後所得到的車道寬度距離、車道曲率或其他合適的訊息。當影像擷取模組54在一個測試環境中不同的影像擷取位置擷取測試影像時,不同擷取位置所對應的實際車道參數值就不同。換言之,影像擷取模組54在一個測試環境中於不同的影像擷取位置具有不同的實際車道參數值,因此影像擷取模組54在不同的影像擷取位置所擷取到的測試影像即對應該擷取位置的一組實際車道參數值。
投影計算模組51接收測試影像,並以測試影像上的基準點為旋轉中心,旋轉測試影像至多個預設角度。當每次測試影像旋轉至其中一個預設角度時,投影計算模組51以多個預設區間定義測試影像,並判斷測試影像於每一個預設區間中的特徵值。處理模組52依據投影計算模組51於至少一預設方向辨識測試影像時每一個預設區間中的特徵值,判斷測試影像的第一特徵參數。於其他實施例中,偵測模組55判斷測試影像的影像中心點,並依據測試影像中基準點對影像中心點的位移,判斷測試影像的第二特徵參數。偵測模組55依據第一車道線的切線延伸方向和基準線垂直方向之間的第一夾角,判斷測試影像的第三特徵參數。偵測模組55依據第二車道線的切線延伸方向和基準線垂直方向的第二夾角,判斷測試影像的第四特徵參數。
分類單元531依據第一特徵參數、第二特徵參數、第三特徵參數和第四特徵參數其中任一或其組合,判斷測試影像對應的模型分類。實務上,分類單元531定義有多個模型分類,每一個模型分類對應多個特徵參數範圍,判斷模組53依據第一特徵參數所位於的特徵參數範圍、第二特徵參數所位於的特徵參數範圍、第三特徵參數所位於的特徵參數範圍和第四特徵參數所位於的特徵參數範圍,決定測試影像的模型分
類。
模型產生單元532接收測試影像對應的一組模型參數範圍,且依據每一個模型參數範圍中的每一個模型參數值,分別產生多個車道線模型。模型產生單元532產生車道線模型的方法例如前述實施例或其他合適的方法,不再加以贅述。
接著,比較單元533從雜訊處理模組56接收測試影像,且從模型產生單元532接收測試影像對應的模型分類中的車道線模型。比較單元533比較測試影像與模型分類中的每一個車道線模型,並依據測試影像和每一個車道線模型的差異,選擇一個測試影像對應的車道線模型。比較單元533例如與前一個實施例所述,將測試影像和車道線模型重疊比較,但不以此為限。
比較單元533依據測試影像和模型分類中的每一個車道線模型的差異,選擇模型分類中其中一個車道線模型。選擇的車道線模型例如是與測試影像差異較小者。
參數表建立模組57依據比較單元533選擇的車道線模型和測試影像對應的實際車道參數值,建立參數對應表。換言之,影像分析裝置50藉由擷取測試環境中的多個測試影像,將測試環境中已知的實際車道參數值與測試影像對應的車道線模型建立關係表,使得之後查找單元534可以藉由參數對應表來查找車道線影像對應的一組實際車道參數值,進而提供給例如自動駕駛輔助系統做為自動駕駛的判斷依據。
於本實施例中,藉由參數表建立模組57可以讓影像分析裝置50建構完整的資訊判斷。另一方面,當每一個影像分析裝置設置於各種環境中時,例如用於不同車型的自動駕駛輔助系統中時,不同的車型在同一個實體車道線環境中的判斷依據就會不同。藉由參數表建立模組57就可以達到對不同車型建立不同參數對應表的效果,使得影像分析裝置可以更為廣泛地運用。
為了更清楚地說明車道線的分析方法,接下來請一併參照圖7,圖7係根據本發明一實施例所繪示之車道線影像分析方法的步驟流程圖。如圖7所示,於步驟S601中,以基準點為中心,於多個預設方向辨識車道線影像。於步驟S602中,於每一個預設方向辨識車道線影像時,以多個預設區間定義車道線影像,預設區間平行排列於基準線的延伸方向上,而基準線的延伸方向垂直於預設方向。於步驟S603中,判斷車道線影像於每一個預設區間中的特徵值。於步驟S604中,依據於至少一個預設方向辨識車道線影像時車道線影像於每一個預設區間中的特徵值,判斷第一特徵參數。於步驟S605中,至少依據第一特徵參數,判斷車道線影像對應的至少一個實際車道參數值。實際車道參數值關聯於實際車道的環境訊息。本發明所述之車道線的分析方法實際上均已經揭露在前述記載的實施例中,本實施例在此不重複說明。
接下來請參照圖1及圖8,圖8係根據本發明一實施例所繪示之車道線偵測裝置執行電腦可讀取媒體的步驟流程圖。如圖8所示,前述的車道線的分析方法實際上可運用於自動駕駛輔助系統、車輛的電腦系統、行車電腦、影像分析裝置10或其他合適的電子裝置中,換言之,本實施例的車道線的分析方法可以電腦程式語言撰寫成電腦可讀取式媒體,由影像分析裝置10讀取以進行車道線影像分析。當影像分析裝置10執行本實施例的車道線影像分析方法的電腦可讀取式媒體時,執行的步驟如圖7所示。於步驟S701中,驅動投影計算模組11以基準點為中心,於多個預設方向辨識車道線影像。於步驟S702中,驅動投影計算模組11於每一個預設方向辨識車道線影像旋轉時,以多個預設區間定義車道線影像。於步驟S703中,驅動投影計算模組11判斷車道線影像於每一個預設區間中的特徵值。於步驟S704中,驅動處理模組12判斷第一特徵參數。於步驟S704中,驅動判斷模組13至少依據第一特徵參數,判斷車道線影像對應的至少一個實際車道參數值。於所屬技術領域具有通常知識者應可從上述的實施例中,理解處理器讀取本實施例電腦可讀取式媒體執行的內容,於此不再加以贅述。
綜合以上所述,本發明實施例提供一種影像分析裝置、分析方法及其電腦可讀取式媒體,藉由旋轉車道線影像,以不同的預設角度來分析車道線影像於每一個預設區間中的特徵值,並依據分析得到的特徵值判斷車道線影像對應的模型分類,達到降低分析車道線時的運算複雜度,進而降低自動駕駛輔助系統的成本。
雖然本發明以前述之實施例揭露如上,然其並非用以限定本發明。在不脫離本發明之精神和範圍內,所為之更動與潤飾,均屬本發明之專利保護範圍。關於本發明所界定之保護範圍請參考所附之申請專利範圍。
10、20、50‧‧‧影像分析裝置
11、21、51‧‧‧投影計算模組
12、22、52‧‧‧處理模組
13、23、53‧‧‧判斷模組
24、54‧‧‧影像擷取模組
25、55‧‧‧偵測模組
26、56‧‧‧雜訊處理模組
30‧‧‧道路影像
15、31、50‧‧‧車道線影像
231、531‧‧‧分類單元
232、532‧‧‧模型產生單元
233、533 比較單元 234、534 查表單元 40a~40c 車道線模型 41 掃描區域 57 參數表建立模組 L1 第一車道線 L2 第二車道線 Pt、P 基準點 Base、B 基準線 C 影像中心點 V 垂直方向 α 第一夾角 β 第二夾角 RG、an、bn 預設區間 L、預設方向
圖1A係根據本發明一實施例所繪示之影像分析裝置的功能方塊圖。 圖1B係根據本發明一實施例所繪示之車道線影像的示意圖 圖2係根據本發明另一實施例所繪示之影像分析裝置的功能方塊圖。 圖3A至3E係根據圖2實施例所繪示之道路影像和車道線影像的示意圖。 圖4A至圖4C係根據本發明另一實施例所繪示之車道線模型的示意圖 圖5係根據本發明另一實施例所繪示之車道線影像和車道線模型比對的示意圖。 圖6係根據本發明再一實施例所繪示之影像分析裝置的功能方塊圖。圖7係根據本發明一實施例所繪示之車道線影像分析方法的步驟流程圖。 圖8係根據本發明一實施例所繪示之車道線影像分析裝置執行電腦可讀取媒體的步驟流程圖。
10 影像分析裝置 11 投影計算模組 12 處理模組 13 判斷模組
Claims (24)
- 一種車道線影像的分析方法,包括:以一基準點為中心,於多個預設方向辨識一車道線影像;於每一該預設方向辨識該車道線影像時,以多個預設區間定義該車道線影像,該些預設區間平行排列於一基準線的延伸方向,該基準線的延伸方向垂直於該預設方向;判斷該車道線影像於每一該預設區間中的一特徵值﹔依據於該些預設方向其中至少一辨識該車道線影像時該車道線影像於每一該預設區間中的該特徵值,判斷一第一特徵參數;以及至少依據該第一特徵參數,判斷該車道線影像對應的至少一實際車道參數值,該實際車道參數值關聯於實際車道的環境訊息。
- 如請求項1所述之車道線影像的分析方法,其中於每一該預設方向辨識該車道線影像的步驟中,包括以該基準點為旋轉中心,旋轉該車道線影像至多個預設角度,並於每次該車道線影像旋轉至該些預設角度其中之一時,辨識該車道線影像。
- 如請求項1所述之車道線影像的分析方法,其中於判斷該車道線影像對應的該實際車道參數值的步驟中,包括:至少依據該第一特徵參數,判斷該車道線影像對應的一模型分類,該車道線影像對應的該模型分類定義有一模型參數範圍,該模型參數範圍具有多個模型參數值;依據該模型參數範圍中的每一該模型參數值,分別產生多個車道線模型;比對該車道線影像與該些車道線模型;依據該車道線影像和每一該車道線模型的差異,選擇該些車道線模型其中之一;以及依據已選擇的該車道線模型自一參數對應表中查找已選擇的該車道線模型對應的該實際車道參數值,該參數對應表指示每一該車道線模型對應的該實際車道參數值。
- 如請求項3所述之車道線影像的分析方法,更包括:以一影像擷取模組擷取一道路影像;辨識該道路影像中的一第一車道線和一第二車道線;依據該道路影像中的該第一車道線和該第二車道線,判斷該基準點,該基準點位於該第一車道線的一切線延伸方向和該第二車道線的一切線延伸方向上;以及依據該基準點,過濾該道路影像的雜訊,產生該車道線影像。
- 如請求項4所述之車道線影像的分析方法,更包括判斷該道路影像的一影像中心點,依據該基準點對該影像中心點的位移,判斷一第二特徵參數,於判斷該車道線影像對應的該模型分類步驟中,更依據該第二特徵參數判斷該車道線影像對應的該模型分類。
- 如請求項5所述之車道線影像的分析方法,更包括判斷該第一車道線的該切線延伸方向和該基準線垂直方向的一第一夾角,依據該第一夾角判斷一第三特徵參數,判斷該第二車道線的該切線延伸方向和該基準線的垂直方向的一第二夾角,依據該第二夾角判斷一第四特徵參數,於判斷該車道線影像對應的該模型分類的步驟中,更依據該第三特徵參數和該第四特徵參數判斷該車道線影像對應的該模型分類。
- 如請求項4所述之車道線影像的分析方法,更包括:於一測試環境中以該影像擷取模組擷取多個測試影像,該測試環境的環境訊息指示每一該測試影像對應的該至少一實際車道參數值;判斷每一該測試影像對應的該車道線模型;以及依據每一該測試影像對應的該車道線模型及該至少一實際車道參數值,建立該參數對應表。
- 如請求項7所述之車道線影像的分析方法,其中於判斷每一該測試影像對應的該車道線模型的步驟中,包括:以該基準點為旋轉中心,旋轉該些測試影像其中之一至該些預設角度;於每次該測試影像旋轉至該些預設角度其中之一時,以該些預設區間定義該測試影像;依據每次該測試影像旋轉至該些預設角度其中之一時,該測試影像於每一該預設區間中的該特徵值,判斷該測試影像的一測試參數;至少依據該測試參數判斷該測試影像對應的該模型分類;比對該測試影像與該些車道線模型;以及依據該測試影像和每一該車道線模型的差異,選擇該測試影像對應的該車道線模型。
- 一種影像分析裝置,包括:一投影計算模組,以一基準點為中心,於多個預設方向辨識一車道線影像,於每一該預設方向辨識該車道線影像時,以多個預設區間定義該車道線影像,並判斷該車道線影像於每一該預設區間中的一特徵值,該些預設區間平行排列於一基準線的延伸方向,該基準線的延伸方向垂直於該預設方向;一處理模組,電性連接該投影計算模組,且依據於該些預設方向其中至少一辨識該車道線影像時該車道線影像於每一該預設區間中的該特徵值,判斷一第一特徵參數;以及一判斷模組,電性連接該處理模組,用以至少依據該第一特徵參數,判斷該車道線影像對應的至少一實際車道參數值,該實際車道參數值關聯於實際車道的環境訊息。
- 如請求項9所述之影像分析裝置,其中該投影計算模組更以該基準點為旋轉中心,旋轉該車道線影像至多個預設角度,並於每次該車道線影像旋轉至該些預設角度其中之一時,辨識該車道線影像。
- 如請求項9所述之影像分析裝置,其中該判斷模組包括:一分類單元,至少依據該第一特徵參數,判斷該車道線影像對應的一模型分類,該車道線影像對應的該模型分類定義有一模型參數範圍,該模型參數範圍具有多個模型參數值;一模型產生單元,電性連接該分類單元,且依據該模型參數範圍中的每一該模型參數值,分別產生多個車道線模型;一比較單元,電性連接該模型產生單元,該比較單元比對該車道線影像與該些車道線模型,並依據該車道線影像和每一該車道線模型的差異,選擇該些車道線模型其中之一;以及一查找單元,依據該比較單元已選擇的該車道線模型自一參數對應表中查找該車道線模型對應的該實際車道參數值,該參數對應表指示每一該車道線模型對應的該實際車道參數值。
- 如請求項11所述之影像分析裝置,更包括:一影像擷取模組,用以擷取一道路影像;一偵測模組,電性連接該影像擷取模組,該偵測模組辨識該道路影像中的至少一第一車道線和一第二車道線,並依據該道路影像中的該第一車道線和該第二車道線,判斷該基準點,該基準點位於該第一車道線的一切線延伸方向和該第二車道線的一切線延伸方向上;以及一雜訊處理模組,電性連接該偵測模組及該投影計算模組,該雜訊處理模組依據該偵測模組辨識的該基準點過濾該道路影像的雜訊,產生並輸出該車道線影像至該投影計算模組。
- 如請求項12所述之影像分析裝置,其中該偵測模組更判斷該道路影像的一影像中心點,依據該基準點對該影像中心點的位移,判斷一第二特徵參數,該分類單元更依據該第二特徵參數判斷該車道線影像對應的該模型分類。
- 如請求項13所述之影像分析裝置,其中該偵測模組更判斷該第一車道線的該切線延伸方向和該基準線垂直方向的一第一夾角,依據該第一夾角判斷一第三特徵參數,該偵測模組更判斷該第二車道線的該切線延伸方向和該基準線的垂直方向的一第二夾角,依據該第二夾角判斷一第四特徵參數,該分類單元更依據該第三特徵參數和該第四特徵參數判斷該車道線影像對應的該模型分類。
- 如請求項12所述之影像分析裝置,更包括一參數表建立模組,該影像擷取模組於一測試環境中擷取多個測試影像,該測試環境的環境訊息指示每一該測試影像對應的該至少一實際車道參數值,該投影計算模組、該處理模組及該判斷模組判斷每一該測試影像對應的該車道線模型,該參數表建立模組依據每一該測試影像對應的該車道線模型及該至少一實際車道參數值,建立該參數對應表。
- 如請求項15所述之影像分析裝置,其中該投影計算模組以該基準點為旋轉中心,旋轉該些測試影像其中之一至該些預設角度,於每次該測試影像旋轉至該些預設角度其中之一時,以該些預設區間定義該測試影像,並判斷該測試影像於每一該預設區間中的該特徵值,該處理模組依據該測試影像於每一該預設方向的該些特徵值判斷該測試影像的一測試參數,該分類單元至少依據該測試參數判斷該測試影像對應的該模型分類,該比較單元比對該測試影像與該些車道線模型,並依據該測試影像和每一該車道線模型的差異,選擇該測試影像對應的該車道線模型。
- 一種電腦可讀取式媒體,經由一電子裝置載入,該電子裝置包括一投影計算模組、一處理模組及一判斷模組,該電子裝置依據該電腦可讀取式媒體執行下列步驟:驅動該投影計算模組以一基準點為中心,於多個預設方向辨識一車道線影像;驅動該投影計算模組於每一該預設方向辨識該車道線影像時,以多個預設區間定義該車道線影像,並判斷該車道線影像於每一該預設區間中的一特徵值,該些預設區間平行排列於一基準線的延伸方向,該基準線的延伸方向垂直於該預設方向;驅動該處理模組判斷一第一特徵參數,該第一特徵參數關聯於在該些預設方向其中至少一辨識該車道線影像時,該車道線影像於每一該預設區間中的該特徵值;以及驅動該判斷模組至少依據該第一特徵參數,判斷該車道線影像對應的至少一實際車道參數值,該實際車道參數值關聯於實際車道的環境訊息。
- 如請求項17所述之電腦可讀取式媒體,其中於驅動該投影計算模組以該基準點為中心,於該些預設方向辨識該車道線影像的步驟中包括驅動該投影計算模組以該基準點為旋轉中心,旋轉該車道線影像至多個預設角度,並於每次該車道線影像旋轉至該些預設角度其中之一時,辨識該車道線影像。
- 如請求項17所述之電腦可讀取式媒體,其中該判斷模組更包括一分類單元、一模型產生單元、一比較單元及一查找單元,該電子裝置依據該電腦可讀取式媒體執行的步驟更包括:驅動該分類單元至少依據該第一特徵參數,判斷該車道線影像對應的一模型分類,該車道線影像對應的該模型分類定義有一模型參數範圍,該模型參數範圍具有多個模型參數值;驅動該模型產生單元依據該模型參數範圍中的每一該模型參數值,分別產生多個車道線模型;驅動該比較單元比對該車道線影像與該些車道線模型,並依據該車道線影像和每一該車道線模型的差異,選擇該些車道線模型其中之一;以及驅動該查找單元自一參數對應表中查找已選擇的該車道線模型對應的該實際車道參數值,該參數對應表指示每一該車道線模型對應的該實際車道參數值。
- 如請求項19所述之電腦可讀取式媒體,其中該電子裝置更包括一影像擷取模組、一偵測模組及一雜訊處理模組,該電子裝置依據該電腦可讀取式媒體執行的步驟更包括:驅動該影像擷取模組擷取一道路影像;驅動該偵測模組辨識該道路影像中的一第一車道線和一第二車道線;驅動該偵測模組依據該道路影像中的該第一車道線和該第二車道線,判斷該基準點,該基準點位於該第一車道線的一切線延伸方向和該第二車道線的一切線延伸方向上;以及驅動該雜訊處理模組依據該偵測模組辨識的該基準點,過濾該道路影像的雜訊,產生並輸出該車道線影像至該投影計算模組。
- 如請求項20所述之電腦可讀取式媒體,其中該電子裝置依據該電腦可讀取式媒體執行的步驟更包括:驅動該偵測模組判斷該道路影像的一影像中心點;驅動該偵測模組依據該基準點對該影像中心點的位移,判斷一第二特徵參數;以及驅動該分類單元更依據該第二特徵參數判斷該車道線影像對應的該模型分類。
- 如請求項21所述之電腦可讀取式媒體,其中該電子裝置依據該電腦可讀取式媒體執行的步驟更包括:驅動該偵測模組判斷該第一車道線的該切線延伸方向和該基準線垂直方向的一第一夾角,使該偵測模組依據該第一夾角判斷一第三特徵參數;驅動該偵測模組判斷該第二車道線的該切線延伸方向和該基準線的垂直方向的一第二夾角,使該偵測模組依據該第二夾角判斷一第四特徵參數;以及驅動該分類單元更依據該第三特徵參數和該第四特徵參數判斷該車道線影像對應的該模型分類。
- 如請求項20所述之電腦可讀取式媒體,其中該電子裝置更具有一參數表建立模組,該電子裝置依據該電腦可讀取式媒體執行的步驟更包括:驅動該影像擷取模組於一測試環境中擷取多個測試影像,該測試環境的環境訊息指示每一該測試影像對應的該至少一實際車道參數值;驅動該投影計算模組、該處理模組及該判斷模組判斷每一該測試影像對應的該車道線模型;以及驅動該參數表建立模組依據每一該測試影像對應的該車道線模型及該至少一實際車道參數值,建立該參數對應表。
- 如請求項23所述之電腦可讀取式媒體,其中該電子裝置依據該電腦可讀取式媒體執行的步驟更包括:驅動該投影計算模組以該基準點為旋轉中心,旋轉該些測試影像其中之一至該些預設角度;驅動該投影計算模組於每次該測試影像旋轉至該些預設角度其中之一時,以該些預設區間定義該測試影像,並判斷該測試影像於每一該預設區間中的該特徵值;驅動該處理模組依據該測試影像於每一該預設方向的該些特徵值判斷該測試影像的一測試參數;驅動該分類單元至少依據該測試參數判斷該測試影像對應的該模型分類;以及驅動該比較單元比對該測試影像與該些車道線模型,並依據該測試影像和每一該車道線模型的差異,選擇該測試影像對應的該車道線模型。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW105117239A TWI611961B (zh) | 2016-06-01 | 2016-06-01 | 車道線影像分析方法、影像分析裝置及其電腦可讀取式媒體 |
CN201610528154.7A CN107452035B (zh) | 2016-06-01 | 2016-07-06 | 车道线图像分析方法、装置及其计算机可读取式媒体 |
US15/331,635 US10235576B2 (en) | 2016-06-01 | 2016-10-21 | Analysis method of lane stripe images, image analysis device, and non-transitory computer readable medium thereof |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW105117239A TWI611961B (zh) | 2016-06-01 | 2016-06-01 | 車道線影像分析方法、影像分析裝置及其電腦可讀取式媒體 |
Publications (2)
Publication Number | Publication Date |
---|---|
TW201742771A TW201742771A (zh) | 2017-12-16 |
TWI611961B true TWI611961B (zh) | 2018-01-21 |
Family
ID=60483312
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW105117239A TWI611961B (zh) | 2016-06-01 | 2016-06-01 | 車道線影像分析方法、影像分析裝置及其電腦可讀取式媒體 |
Country Status (3)
Country | Link |
---|---|
US (1) | US10235576B2 (zh) |
CN (1) | CN107452035B (zh) |
TW (1) | TWI611961B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI611966B (zh) * | 2017-01-20 | 2018-01-21 | 機械式交通工具輔助系統 | |
CN110395257B (zh) * | 2018-04-20 | 2021-04-23 | 北京图森未来科技有限公司 | 一种车道线实例检测方法和装置、自动驾驶车辆 |
JP7326018B2 (ja) * | 2018-10-18 | 2023-08-15 | パナソニック インテレクチュアル プロパティ コーポレーション オブ アメリカ | 情報処理装置、情報処理方法及びプログラム |
CN110060266B (zh) * | 2019-04-24 | 2021-04-13 | 百度在线网络技术(北京)有限公司 | 车道线提取方法及装置、服务器及计算机可读介质 |
DE102020202964A1 (de) * | 2020-03-09 | 2021-09-09 | Continental Automotive Gmbh | Die Erfindung betrifft ein Verfahren zur Erhöhung der Sicherheit von Fahrfunktionen. |
CN111460072B (zh) * | 2020-04-01 | 2023-10-03 | 北京百度网讯科技有限公司 | 车道线检测方法、装置、设备和存储介质 |
CN114743178B (zh) * | 2021-12-29 | 2024-03-08 | 北京百度网讯科技有限公司 | 道路边缘线生成方法、装置、设备及存储介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI253998B (en) * | 2004-11-19 | 2006-05-01 | Jiun-Yuan Tseng | Method and apparatus for obstacle avoidance with camera vision |
TWI311961B (en) * | 2007-07-16 | 2009-07-11 | Univ Chung Yuan Christian | Optical collision avoidance system and method |
TWI337144B (zh) * | 2007-11-30 | 2011-02-11 | Automotive Res & Testing Ct | |
US20120050074A1 (en) * | 2010-02-26 | 2012-03-01 | Bechtel Jon H | Automatic vehicle equipment monitoring, warning, and control system |
US20120072080A1 (en) * | 2004-11-18 | 2012-03-22 | Oliver Jeromin | Image acquisition and processing system for vehicle equipment control |
TWI431560B (zh) * | 2010-12-14 | 2014-03-21 | Inst Information Industry | 駕駛輔助系統、方法以及儲存其之電腦可讀取記錄媒體 |
TW201442903A (zh) * | 2013-05-03 | 2014-11-16 | Create Electronic Optical Co Ltd | 具車道偏離(ldws)及前方車距(fcws)警示功能之行車記錄器(edr) |
TW201533714A (zh) * | 2013-01-08 | 2015-09-01 | Pixart Imaging Inc | 車道偏離警示系統與車道辨識裝置以及相關方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8605947B2 (en) | 2008-04-24 | 2013-12-10 | GM Global Technology Operations LLC | Method for detecting a clear path of travel for a vehicle enhanced by object detection |
US9076046B2 (en) | 2010-12-15 | 2015-07-07 | Honda Motor Co., Ltd. | Lane recognition device |
JP6102213B2 (ja) * | 2012-11-22 | 2017-03-29 | 富士通株式会社 | 画像処理装置、画像処理方法および画像処理プログラム |
CN104129389B (zh) * | 2014-08-06 | 2017-02-01 | 中电海康集团有限公司 | 一种有效判别车辆行驶状态的方法及其装置 |
CN104766058B (zh) * | 2015-03-31 | 2018-04-27 | 百度在线网络技术(北京)有限公司 | 一种获取车道线的方法和装置 |
CN104966050B (zh) * | 2015-06-02 | 2017-04-05 | 长安大学 | 一种基于asm的车道线检测方法 |
-
2016
- 2016-06-01 TW TW105117239A patent/TWI611961B/zh active
- 2016-07-06 CN CN201610528154.7A patent/CN107452035B/zh active Active
- 2016-10-21 US US15/331,635 patent/US10235576B2/en active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120072080A1 (en) * | 2004-11-18 | 2012-03-22 | Oliver Jeromin | Image acquisition and processing system for vehicle equipment control |
TWI253998B (en) * | 2004-11-19 | 2006-05-01 | Jiun-Yuan Tseng | Method and apparatus for obstacle avoidance with camera vision |
TWI311961B (en) * | 2007-07-16 | 2009-07-11 | Univ Chung Yuan Christian | Optical collision avoidance system and method |
TWI337144B (zh) * | 2007-11-30 | 2011-02-11 | Automotive Res & Testing Ct | |
US20120050074A1 (en) * | 2010-02-26 | 2012-03-01 | Bechtel Jon H | Automatic vehicle equipment monitoring, warning, and control system |
TWI431560B (zh) * | 2010-12-14 | 2014-03-21 | Inst Information Industry | 駕駛輔助系統、方法以及儲存其之電腦可讀取記錄媒體 |
TW201533714A (zh) * | 2013-01-08 | 2015-09-01 | Pixart Imaging Inc | 車道偏離警示系統與車道辨識裝置以及相關方法 |
TW201442903A (zh) * | 2013-05-03 | 2014-11-16 | Create Electronic Optical Co Ltd | 具車道偏離(ldws)及前方車距(fcws)警示功能之行車記錄器(edr) |
Also Published As
Publication number | Publication date |
---|---|
US20170351925A1 (en) | 2017-12-07 |
US10235576B2 (en) | 2019-03-19 |
CN107452035B (zh) | 2020-01-07 |
CN107452035A (zh) | 2017-12-08 |
TW201742771A (zh) | 2017-12-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
TWI611961B (zh) | 車道線影像分析方法、影像分析裝置及其電腦可讀取式媒體 | |
CN108830188B (zh) | 基于深度学习的车辆检测方法 | |
Keller et al. | A new benchmark for stereo-based pedestrian detection | |
US8902053B2 (en) | Method and system for lane departure warning | |
Hur et al. | Multi-lane detection in urban driving environments using conditional random fields | |
US8447139B2 (en) | Object recognition using Haar features and histograms of oriented gradients | |
Foucher et al. | Detection and recognition of urban road markings using images | |
CN111640089B (zh) | 一种基于特征图中心点的缺陷检测方法及装置 | |
WO2017041396A1 (zh) | 一种车道线数据的处理方法、装置、存储介质及设备 | |
CN107633516A (zh) | 一种识别路面变形类病害的方法和装置 | |
Wang et al. | Probabilistic inference for occluded and multiview on-road vehicle detection | |
CN104915642B (zh) | 前方车辆测距方法及装置 | |
Mei et al. | Scene-adaptive off-road detection using a monocular camera | |
Qin et al. | A general framework for road marking detection and analysis | |
TW201937405A (zh) | 物件標示系統及方法 | |
CN110751619A (zh) | 一种绝缘子缺陷检测方法 | |
Rateke et al. | Passive vision region-based road detection: A literature review | |
Poggenhans et al. | A universal approach to detect and classify road surface markings | |
Camilleri et al. | Detecting road potholes using computer vision techniques | |
Koh et al. | Autonomous road potholes detection on video | |
CN110909751B (zh) | 用于变电站绝缘子清扫机器人的视觉识别方法、***及介质 | |
Börcs et al. | A model-based approach for fast vehicle detection in continuously streamed urban LIDAR point clouds | |
CN111881752B (zh) | 一种护栏检测分类方法、装置、电子设备及存储介质 | |
Morales Rosales et al. | On-road obstacle detection video system for traffic accident prevention | |
JP2019087166A (ja) | 撮影画像に含まれる境界線を検出するための装置、方法、及びプログラム |