CN112069924A - 车道线检测方法、装置及计算机可读存储介质 - Google Patents
车道线检测方法、装置及计算机可读存储介质 Download PDFInfo
- Publication number
- CN112069924A CN112069924A CN202010834782.4A CN202010834782A CN112069924A CN 112069924 A CN112069924 A CN 112069924A CN 202010834782 A CN202010834782 A CN 202010834782A CN 112069924 A CN112069924 A CN 112069924A
- Authority
- CN
- China
- Prior art keywords
- lane line
- image
- lane
- candidate
- conventional image
- 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
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 41
- 238000003860 storage Methods 0.000 title claims abstract description 8
- 238000000034 method Methods 0.000 claims abstract description 38
- 238000001914 filtration Methods 0.000 claims abstract description 34
- 238000012545 processing Methods 0.000 claims abstract description 26
- 238000012216 screening Methods 0.000 claims description 9
- 230000008859 change Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000009826 distribution Methods 0.000 claims description 3
- 230000015654 memory Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 abstract description 9
- 230000009466 transformation Effects 0.000 abstract description 5
- 230000000694 effects Effects 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 102100034112 Alkyldihydroxyacetonephosphate synthase, peroxisomal Human genes 0.000 description 1
- 101000799143 Homo sapiens Alkyldihydroxyacetonephosphate synthase, peroxisomal Proteins 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000000848 angular dependent Auger electron spectroscopy Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开一种车道线检测方法、装置及计算机可读存储介质，其中方法包括：实时获取待检测的常规图像；利用预设算法对所述常规图像进行滤波，所述预设算法具有动态的滤波核，所述滤波核的大小根据车道线在所述常规图像中的像素宽度大小渐进变化，所述滤波核将车道线所在区域的像素预设为特定灰度值并对所述常规图像进行三值化处理；从三值化处理后的三值图像中获取候选车道线上的像素点；对所有候选车道线进行误检和噪声处理；根据对应的像素点拟合车道线。本发明能够避免在逆透视变换过程导致的车道线特征丢失和算法的耗时开销，且能够提高图像滤波时的鲁棒性。
Description
技术领域
本发明涉及车道线检测技术领域，尤其涉及一种车道线检测方法、装置及计算机可读存储介质。
背景技术
随着汽车电子、芯片制造、计算机视觉等技术的快速发展，高级驾驶员辅助系统(Advanced Driver Assistance System)由于其对行车安全的一种保障，也渐渐成为了现代汽车的标配。而在实际的行车过程中，能准确的获取当前车道线的信息对于ADAS中包括车道线偏移预警、前向碰撞预警等系统来说，都具有十分重要的意义。目前主流的车道线检测方法主要包括基于深度学习的车道线检测方法和基于图像处理及机器学习结合的方法。这两种方法最大的不同在于前期对图像中车道线特征的提取方式，前者采用深度学习中语义分割的方法，通过训练好的模型来提取车道线区域，后者主要采用图像滤波及图像预处理等方式完成车道线特征的提取工作。基于深度学习的车道线检测方法常常需要一定的算力保证，对于部分平台算力受限的条件下往往较难满足实时性的要求。在基于传统图像处理的车道线检测方法中，通用的霍夫变换等滤波方法和常用的图像预处理方法均无法保证鲁棒性的要求。除此之外，该方法常需要对原始视图像逐帧的进行逆透视变换操作，这一方面提高了算法的时间开销，另一方面也造成原始车道线信息的部分丢失。
发明内容
本发明的目的在于提供一种车道线检测方法、装置及计算机可读存储介质，能够避免在逆透视变换过程导致的车道线特征丢失和算法的耗时开销，且能够提高图像滤波时的鲁棒性。
为了实现上述目的，本发明提供了一种车道线检测方法，包括如下步骤：
实时获取待检测的常规图像；
利用预设算法对所述常规图像进行滤波，所述预设算法具有动态的滤波核，所述滤波核的大小根据车道线在所述常规图像中的像素宽度大小渐进变化，所述滤波核将车道线所在区域的像素预设为特定灰度值并对所述常规图像进行三值化处理；
从三值化处理后的三值图像中获取候选车道线上的像素点；
根据对应的像素点拟合车道线。
可选地，所述“实时获取待检测的常规图像”包括：
通过摄像头实时获取前方道路的RGB通道图像；
将所述RGB通道图像转换为YUV通道图像，并取所述YUV通道图像中的Y通道作为所述常规图像输出。
可选地，所述滤波核为：
其中，N为奇数，N的最小取值为7，N的大小随所述像素宽度大小渐进变化。
可选地，所述“利用预设算法对所述常规图像进行滤波”包括：
将所述常规图像的车道线消失点以内区域划分为若干行；
利用所述预设算法对所述常规图像进行分行滤波。
可选地，所述“从三值化处理后的三值图像中获取候选车道线上的像素点”包括：
在所述三值图像中上逐行进行搜索，根据灰度值变化关系确定该行是否存在符合车道线特征的像素点pi(x,y)，若存在，将该点存入点序列L；
比较下一行找到的符合车道线特征的像素点pi+1(x,y)与上一行的像素点pi(x,y)的x坐标和y坐标的差值，并将所述差值与阈值t比较以判断像素点pi+1(x,y)与像素点pi(x,y)是否属于同一条所述候选车道线，若是则存入像素点pi(x,y)所在的点序列L，其中阈值t为经验值；
根据点序列L计算所述候选车道线的属性。
可选地，所述“从三值化处理后的三值图像中获取候选车道线上的像素点”之后，还包括：
对所有候选车道线进行误检和噪声处理。
可选地，所述“对所有候选车道线进行误检和噪声处理”包括：
将计算获得的所有候选车道线的宽度与预设车道线宽度进行比较并将宽度差值大于宽度差阈值的候选车道线去除；和/或
通过聚类算法对所有候选车道线进行聚类处理；和/或
利用预设的筛选准则对所有候选车道线进行筛选处理，其中，所述筛选准则包括：正常行驶路面的车道线宽度须在给定的范围内，和/或，成对的车道线需满足几乎平行的几何规则，和/或，车道线交点应在消失点附近，和/或，车道线位置满足高斯分布。
可选地，所述“根据对应的像素点拟合车道线”包括如下步骤：
利用RANSAC算法对获取的对应像素点进行处理；
利用最小二乘法拟合车道线。
可选地，所述“根据对应的像素点拟合车道线”之后，还包括：
基于卡尔曼预测算法对车道线进行实时跟踪。
为了实现上述目的，本发明还提供了一种车道线检测装置，包括：
一个或多个处理器；
一个或多个存储器，用于存储一个或多个程序，当一个或多个所述程序被所述处理器执行，使得所述处理器实现如上所述的车道线检测方法。
为了实现上述目的，本发明还提供了一种计算机可读存储介质，其上存储有程序，所述程序被处理器执行时实现如上所述的车道线检测方法。
与现有技术相比，本发明是从常规视图中提取车道线特征，避免了在逆透视变换过程导致的车道线特征丢失和算法的耗时开销。而且，本发明在从常规视图中提取车道线特征时，采用了自适应的动态滤波核对常规图像进行滤波，滤波核的大小根据车道线在常规图像中的像素宽度大小渐进变化，也就是说，随着车道线在常规图像中的像素宽度变大或变小，滤波核也会相应渐进变大或变小，从而能够提高本发明图像滤波时的鲁棒性。
附图说明
图1是本发明实施例车道线检测方法的流程图。
图2是本发明实施例车道线检测装置的示意图。
具体实施方式
为详细说明本发明的内容、构造特征、所实现目的及效果，以下结合实施方式并配合附图详予说明。
实施例一
请参阅图1，本发明公开了一种车道线检测方法，包括如下步骤：
101、实时获取待检测的常规图像。
这里的“常规图像”可以是通过摄像头直接获取的原始图像；也可以是对原始图像处理后的图像，以便于后续的滤波等操作。当然，该处理后的图像不能够改变原始图像中车道线所呈现出的远端窄、近端宽的特性。
在本发明的一些具体实施方式中，“实时获取待检测的常规图像”包括：
通过摄像头实时获取前方道路的RGB通道图像；
将RGB通道图像转换为YUV通道图像，并取YUV通道图像中的Y通道作为常规图像输出。
通过上述操作，能够起到图像增强的作用，从而便于进行后续的图像滤波等操作。
102、利用预设算法对常规图像进行滤波，预设算法具有动态的滤波核，滤波核的大小根据车道线在常规图像中的像素宽度大小渐进变化，滤波核将车道线所在区域的像素预设为特定灰度值并对常规图像进行三值化处理。
由于常规图像中车道线呈现出远端窄、近端宽的特性，本发明进行图像滤波时，设计了自适应的动态变化的滤波核来对常规图像进行滤波，在车道线在常规图像中的像素宽度变大或变小的情况下，滤波核也会相应渐进变大或变小，从而能够提高本发明图像滤波时的鲁棒性。
由于车道线消失点以外区域不存在车道线，通常不进行滤波。但并不作此限制，比如，车道线消失点以外的部分或全部区域也可以同时进行滤波，或者说在进行处理时，完全不考虑车道线消失点。
作为优先的实施方式，“利用预设算法对所述常规图像进行滤波”包括：
将常规图像的车道线消失点以内区域划分为若干行；
利用预设算法对常规图像进行分行滤波。
应该注意的是，本发明中常规图像的行数变化时，滤波核的大小并不一定变化，比如，根据分行的情况，如果相邻的两行中，车道线的像素宽度大小变化较小，则滤波核的大小可以不作改变，在车道线的像素宽度大小变化超过一定值时，滤波核的大小才进行对应变化。
作为优先的实施方式，滤波核为：
其中，N为奇数，N的最小取值为7，N的大小随像素宽度大小渐进变化。
当N＝7时，滤波核为：
103、从三值化处理后的三值图像中获取候选车道线上的像素点。
在本发明的一些实施方式中，是通过特定的搜索准则来获取候选车道线上的像素点，具体是指根据各个像素点的位置关系来判断其是否隶属于某一条车道线，以完成初始的车道线检测。具体实施流程如下：
在三值图像中上逐行进行搜索，根据灰度值变化关系确定该行是否存在符合车道线特征的像素点pi(x,y)，若存在，将该点存入点序列L；
比较下一行找到的符合车道线特征的像素点pi+1(x,y)与上一行的像素点pi(x,y)的x坐标和y坐标的差值，并将差值与阈值t比较以判断像素点pi+1(x,y)与像素点pi(x,y)是否属于同一条所述候选车道线，若是则存入像素点pi(x,y)所在的点序列L，其中阈值t为经验值；
根据点序列L计算所述候选车道线的属性。
其中，候选车道线的属性包括长度信息和宽度信息等。
在计算长度信息时，点序列L中第一个点设为起始点pstart(x,y)，最后一个点设为终点pend(x,y)，根据起始点pstart(x,y)和终点pend(x,y)计算出候选车道线的长度信息。
104、对所有候选车道线进行误检和噪声处理。由于在拟合车道线之前，先对候选车道线进行误检和噪声处理，从而能够取得更好的拟合效果。可以理解的是，该步骤并非必须要执行的步骤。
在本发明的一些实施方式中，“对所有候选车道线进行误检和噪声处理”包括：
将计算获得的所有候选车道线的宽度与预设车道线宽度进行比较并将宽度差值大于宽度差阈值的候选车道线去除；和/或
通过聚类算法对所有候选车道线进行聚类处理；和/或
利用预设的筛选准则对所有候选车道线进行筛选处理，其中，筛选准则包括：正常行驶路面的车道线宽度须在给定的范围内，和/或，成对的车道线需满足几乎平行的几何规则，和/或，车道线交点应在消失点附近，和/或，车道线位置满足高斯分布。
其中，聚类算法的具体流程如下：
假定有两条给点的候选车道线Lm、Ln；
根据候选车道线Lm的起始点
和终点
计算候选车道线Lm在图像坐标系上的角度
根据候选车道线Ln的起始点
和终点
计算候选车道线Ln在图像坐标系上的角度
根据候选车道线Lm的起始点
和候选车道线Ln的终点
计算两点连线在图像坐标系上的角度
根据候选车道线Ln的起始点
和候选车道线Lm的终点
计算两点连线在图像坐标系上的角度
若
之间的角度差异在给定的阈值内，则认为候选车道线Lm、Ln属于同一条车道线，进行聚类合并。
105、根据对应的像素点拟合车道线。
在本发明的一些实施方式中，“根据对应的像素点拟合车道线”包括如下步骤：
利用RANSAC算法对获取的对应像素点进行处理；
利用最小二乘法拟合车道线。
针对图像滤波后的噪声点可能导致的偏差，本发明首先利用RANSAC算法对获取的对应像素点(含噪声点)进行处理，而后再采用最小二乘法拟合车道线，从而使得拟合车道线能够取得更好的拟合效果。
其中，RANSAC算法是通过反复选择数据中的一组随机子集进行迭代来达成优化目标。被选取的子集被假设为局内点，并用下述方法进行验证：
(1)有一个模型适应于假设的局内点，即所有的未知参数都能从假设的局内点计算得出；
(2)用步骤(1)中得到的模型去测试所有的其它数据，如果某个点适用于该模型，认为它也是局内点；
(3)如果有足够多的点被归类为假设的局内点，那么估计的模型就足够合理；
(4)然后用所有假设的局内点去重新估计模型(譬如使用最小二乘法)，因为它仅仅被初始的假设局内点估计过；
(5)最后通过估计局内点与模型的错误率来评估模型。
上述过程被重复执行固定的次数，每次产生的模型要么因为局内点太少而被舍弃，要么因为比现有的模型更好而被选用。
在本发明的一些实施方式中，“根据对应的像素点拟合车道线”之后，还包括：
基于卡尔曼预测算法对车道线进行实时跟踪。
该算法将上一帧检测到的车道线参数信息输入预测期，采用预测期输出的估计值作为当前帧的最终结果，使车道线的检测结果更加稳定也更加准确。
卡尔曼预测算法是通过观测样本不断估计动态系统状态的递归数据处理算法，其不需要预先判定数据是否准确有效，能尽可能地对所有数据进行处理，最后得到一个全局最优估计。
卡尔曼预测算法采用状态方程约束系统的输入与输出关系，同时将高斯白噪声作用下的参数信息估计过程看成是整个线型系统的输出，通过提取系统的状态方程、观测方程和高斯白噪声等统计特征来达到预测目的。
在车道线检测完成并进行车道偏移量输出时，本发明利用像素坐标与世界坐标之间的映射关系进行坐标转换后进行输出。
具体而言，本发明采用张正友标定法获取摄像头的内部参数，包括镜头的像素焦距、光学中心坐标以及所获取图像的长宽，并采用特定标定算法获取摄像头的外部参数，包括摄像头的离地高度、俯仰角。然后即可根据获取到的摄像机的内外参数，并结合小孔成像的摄像机模型，获得像素坐标和世界坐标之间的映射关系。
实施例二
请参阅图2，本发明公开了一种车道线检测装置，包括：
一个或多个处理器30；
一个或多个存储器40，用于存储一个或多个程序，当一个或多个程序被处理器30执行，使得处理器30实现如实施例一所述的车道线检测方法。
实施例三
本发明公开了一种计算机可读存储介质，其上存储有程序，程序被处理器30执行时实现如实施例一所述的车道线检测方法。
综上，本发明是从常规视图中提取车道线特征，避免了在逆透视变换过程导致的车道线特征丢失和算法的耗时开销。而且，本发明在从常规视图中提取车道线特征时，采用了自适应的动态滤波核对常规图像进行滤波，滤波核的大小根据车道线在常规图像中的像素宽度大小渐进变化，也就是说，随着车道线在常规图像中的像素宽度变大或变小，滤波核也会相应渐进变大或变小，从而能够提高本发明图像滤波时的鲁棒性。
以上所揭露的仅为本发明的较佳实例而已，其作用是方便本领域的技术人员理解并据以实施，当然不能以此来限定本发明之权利范围，因此依本发明申请专利范围所作的等同变化，仍属于本发明所涵盖的范围。本发明可以应用于汽车内的人机交互等各种适合的应用场景。
Claims (11)
1.一种车道线检测方法，其特征在于，包括如下步骤：
实时获取待检测的常规图像；
利用预设算法对所述常规图像进行滤波，所述预设算法具有动态的滤波核，所述滤波核的大小根据车道线在所述常规图像中的像素宽度大小渐进变化，所述滤波核将车道线所在区域的像素预设为特定灰度值并对所述常规图像进行三值化处理；
从三值化处理后的三值图像中获取候选车道线上的像素点；
根据对应的像素点拟合车道线。
2.如权利要求1所述的车道线检测方法，其特征在于，
所述“实时获取待检测的常规图像”包括：
通过摄像头实时获取前方道路的RGB通道图像；
将所述RGB通道图像转换为YUV通道图像，并取所述YUV通道图像中的Y通道作为所述常规图像输出。
3.如权利要求1所述的车道线检测方法，其特征在于，所述滤波核为：
其中，N为奇数，N的最小取值为7，N的大小随所述像素宽度大小渐进变化。
4.如权利要求1所述的车道线检测方法，其特征在于，所述“利用预设算法对所述常规图像进行滤波”包括：
将所述常规图像的车道线消失点以内区域划分为若干行；
利用所述预设算法对所述常规图像进行分行滤波。
5.如权利要求4所述的车道线检测方法，其特征在于，
所述“从三值化处理后的三值图像中获取候选车道线上的像素点”包括：
在所述三值图像中上逐行进行搜索，根据灰度值变化关系确定该行是否存在符合车道线特征的像素点pi(x,y)，若存在，将该点存入点序列L；
比较下一行找到的符合车道线特征的像素点pi+1(x,y)与上一行的像素点pi(x,y)的x坐标和y坐标的差值，并将所述差值与阈值t比较以判断像素点pi+1(x,y)与像素点pi(x,y)是否属于同一条所述候选车道线，若是则存入像素点pi(x,y)所在的点序列L，其中阈值t为经验值；
根据点序列L计算所述候选车道线的属性。
6.如权利要求1所述的车道线检测方法，其特征在于，所述“从三值化处理后的三值图像中获取候选车道线上的像素点”之后，还包括：
对所有候选车道线进行误检和噪声处理。
7.如权利要求6所述的车道线检测方法，其特征在于，
所述“对所有候选车道线进行误检和噪声处理”包括：
将计算获得的所有候选车道线的宽度与预设车道线宽度进行比较并将宽度差值大于宽度差阈值的候选车道线去除；和/或
通过聚类算法对所有候选车道线进行聚类处理；和/或
利用预设的筛选准则对所有候选车道线进行筛选处理，其中，所述筛选准则包括：正常行驶路面的车道线宽度须在给定的范围内，和/或，成对的车道线需满足几乎平行的几何规则，和/或，车道线交点应在消失点附近，和/或，车道线位置满足高斯分布。
8.如权利要求1所述的车道线检测方法，其特征在于，
所述“根据对应的像素点拟合车道线”包括如下步骤：
利用RANSAC算法对获取的对应像素点进行处理；
利用最小二乘法拟合车道线。
9.如权利要求1所述的车道线检测方法，其特征在于，
所述“根据对应的像素点拟合车道线”之后，还包括：
基于卡尔曼预测算法对车道线进行实时跟踪。
10.一种车道线检测装置，其特征在于，包括：
一个或多个处理器；
一个或多个存储器，用于存储一个或多个程序，当一个或多个所述程序被所述处理器执行，使得所述处理器实现如权利要求1至9任一项所述的车道线检测方法。
11.一种计算机可读存储介质，其上存储有程序，其特征在于，所述程序被处理器执行时实现如权利要求1至9任一项所述的车道线检测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010834782.4A CN112069924A (zh) | 2020-08-18 | 2020-08-18 | 车道线检测方法、装置及计算机可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010834782.4A CN112069924A (zh) | 2020-08-18 | 2020-08-18 | 车道线检测方法、装置及计算机可读存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112069924A true CN112069924A (zh) | 2020-12-11 |
Family
ID=73662151
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010834782.4A Pending CN112069924A (zh) | 2020-08-18 | 2020-08-18 | 车道线检测方法、装置及计算机可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112069924A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112766113A (zh) * | 2021-01-08 | 2021-05-07 | 广州小鹏自动驾驶科技有限公司 | 一种路口检测方法、装置、设备及存储介质 |
| CN113658252A (zh) * | 2021-05-17 | 2021-11-16 | 毫末智行科技有限公司 | 用于估计摄像头仰角的方法、介质、装置及该摄像头 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107045629A (zh) * | 2017-04-19 | 2017-08-15 | 南京理工大学 | 一种多车道线检测方法 |
| KR20170104089A (ko) * | 2016-03-04 | 2017-09-14 | 아이디어주식회사 | 처리속도를 향상시킨 실시간 차선이탈 경보방법 및 경보시스템 |
| CN107330376A (zh) * | 2017-06-06 | 2017-11-07 | 广州汽车集团股份有限公司 | 一种车道线识别方法及系统 |
| CN109409202A (zh) * | 2018-09-06 | 2019-03-01 | 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 |
-
2020
- 2020-08-18 CN CN202010834782.4A patent/CN112069924A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20170104089A (ko) * | 2016-03-04 | 2017-09-14 | 아이디어주식회사 | 처리속도를 향상시킨 실시간 차선이탈 경보방법 및 경보시스템 |
| CN107045629A (zh) * | 2017-04-19 | 2017-08-15 | 南京理工大学 | 一种多车道线检测方法 |
| CN107330376A (zh) * | 2017-06-06 | 2017-11-07 | 广州汽车集团股份有限公司 | 一种车道线识别方法及系统 |
| CN109409202A (zh) * | 2018-09-06 | 2019-03-01 | 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 |
Non-Patent Citations (2)
| Title |
|---|
| 宋晓琳;张三林;张伟伟;: "应用匹配滤波器的车道线恒虚警率识别方法", 电子测量与仪器学报, vol. 29, no. 03, 31 March 2015 (2015-03-31), pages 328 - 334 * |
| 张伟伟;宋晓琳;张三林;吴训成;: "基于软硬件协同设计的车道线实时识别方法", 中国机械工程, vol. 26, no. 10, 31 May 2015 (2015-05-31) * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112766113A (zh) * | 2021-01-08 | 2021-05-07 | 广州小鹏自动驾驶科技有限公司 | 一种路口检测方法、装置、设备及存储介质 |
| CN112766113B (zh) * | 2021-01-08 | 2023-09-15 | 广州小鹏自动驾驶科技有限公司 | 一种路口检测方法、装置、设备及存储介质 |
| CN113658252A (zh) * | 2021-05-17 | 2021-11-16 | 毫末智行科技有限公司 | 用于估计摄像头仰角的方法、介质、装置及该摄像头 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109753914B (zh) | 一种基于深度学习的车牌字符识别方法 | |
| CN113034399A (zh) | 基于双目视觉自主式水下机器人回收导引伪光源去除方法 | |
| KR20130105952A (ko) | 차량 번호판 인식 방법과 그 장치 | |
| CN109858438B (zh) | 一种基于模型拟合的车道线检测方法 | |
| CN109241973B (zh) | 一种纹理背景下的字符全自动软分割方法 | |
| CN107169972B (zh) | 一种非合作目标快速轮廓跟踪方法 | |
| CN110414385B (zh) | 一种基于单应性变换和特征窗口的车道线检测方法及系统 | |
| KR101483742B1 (ko) | 지능형 차량의 차선 검출방법 | |
| CN116740072B (zh) | 基于机器视觉的道路表面缺陷检测方法及系统 | |
| CN115760820A (zh) | 一种塑料件缺陷图像识别方法及应用 | |
| CN106875430B (zh) | 动态背景下基于固定形态的单一运动目标追踪方法和装置 | |
| CN113780110A (zh) | 一种图像序列中弱小目标实时检测方法及设备 | |
| CN112069924A (zh) | 车道线检测方法、装置及计算机可读存储介质 | |
| Vajak et al. | A rethinking of real-time computer vision-based lane detection | |
| CN114529715B (zh) | 一种基于边缘提取的图像识别方法及系统 | |
| CN111583341B (zh) | 云台像机移位检测方法 | |
| CN110705568B (zh) | 一种图像特征点提取的优化方法 | |
| CN110321828B (zh) | 一种基于双目摄像机和车底阴影的前方车辆检测方法 | |
| CN113643290B (zh) | 一种基于图像处理的吸管计数方法、装置及存储介质 | |
| CN116030236A (zh) | 针对移动应用页面中动态区域的快速检测方法 | |
| KR101910256B1 (ko) | 카메라 기반 도로 곡률 추정을 위한 차선 검출 방법 및 시스템 | |
| CN115619813A (zh) | Sem图像前景提取方法、装置、计算机设备及存储介质 | |
| CN115170657A (zh) | 钢轨识别方法及装置 | |
| CN115409954A (zh) | 一种基于orb特征点的稠密点云地图构建方法 | |
| CN114255253A (zh) | 边缘检测方法、边缘检测装置及计算机可读存储介质 |
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 | ||
| CB02 | Change of applicant information |
Address after: Room 101, No. 1, East Ring 3rd Street, Jitiagang, Huangjiang Town, Dongguan City, Guangdong Province, 523000 Applicant after: Guangdong Zhengyang Sensor Technology Co.,Ltd. Address before: 523000 Jitigang Village, Huangjiang Town, Dongguan City, Guangdong Province Applicant before: DONGGUAN ZHENGYANG ELECTRONIC MECHANICAL Co.,Ltd. |
|
| CB02 | Change of applicant information |