The invention provides a method for extracting lane lines from vehicle flow detection based on surveillance video. The method uses roadside camera data to detect vehicles on the road and extract their trajectories. The average trajectories are obtained by extracting a large number of trajectories, thereby extracting Lane lines, which can still run in darker light or unclear Lane lines, and has better performance. Robustness.
【技术实现步骤摘要】
一种基于监控视频检测车流提取车道线的方法
本专利技术属于智能交通
，特别涉及一种基于监控视频检测车流提取车道线的方法。
技术介绍
车道线作为基本的交通标志线对智能交通有着重要的意义。能否准确实时地检测车道线是对车辆位置监控的前提条件。目前用来感知道路环境的传感器主要是监控摄像头，其采集信息量大，近距离检测精确，体积小，成本低。目前针对车道线检测的技术方案主要有两类：传统的车道线检测方法主要基于边缘特征检测或者图像分割，易受到光照变化、行驶车辆、道路破损等干扰，导致算法鲁棒性下降，在不良天气和复杂环境下达不到所需的检测准确率。深度学习方法利用网络模型自动学习目标特征，具有较高的泛化能力，可以有效提高目标检测的准确率，但是对于一些夜间场景，或者车道线标线不清晰的场景的识别率依然比较低。对于目前现有的车道线检测方法，在车道线清晰、遮挡程度低、光照条件好的情况下效果不错，但在车道线不清晰、夜景场景、车道线遮挡等场景中，常常无法检测出车道线。
技术实现思路
本专利技术所要解决的主要问题：克服摄像头数据分辨率低，场景光照变化大，道路标线不清晰等问题，提供一种基于监控视频检测...
【技术保护点】
1.一种基于监控视频检测车流提取车道线的方法，其特征在于：包括如下步骤：第一步：对原始监控视频进行分帧处理，将监控视频数据转化为图片；第二步：将所述图片输入目标检测模型中，将检测的车辆位置信息输出；第三步：将第二步得到的所有车辆位置信息的中心点标记，得到车流密度图；第四步：对第三步得到车流密度中的图片进行两次中值滤波处理，滤掉噪声点，同时使标记点更加聚集，得到处理后的图片；第五步：对第四步处理过的图片进行霍夫直线检测，得到多条直线，将检测的多条直线的参数斜率、截距和长度保存下来；第六步：将多条直线的参数斜率和截距进行归一化操作，使参数斜率和截距大小大于0小于1，然后对归一化...
【技术特征摘要】
1.一种基于监控视频检测车流提取车道线的方法，其特征在于：包括如下步骤：第一步：对原始监控视频进行分帧处理，将监控视频数据转化为图片；第二步：将所述图片输入目标检测模型中，将检测的车辆位置信息输出；第三步：将第二步得到的所有车辆位置信息的中心点标记，得到车流密度图；第四步：对第三步得到车流密度中的图片进行两次中值滤波处理，滤掉噪声点，同时使标记点更加聚集，得到处理后的图片；第五步：对第四步处理过的图片进行霍夫直线检测，得到多条直线，将检测的多条直线的参数斜率、截距和长度保存下来；第六步：将多条直线的参数斜率和截距进行归一化操作，使参数斜率和截距大小大于0小于1，然后对归一化...
【专利技术属性】
技术研发人员：黄坚，商子豪，郭袭，金玉辉，王冠，
申请(专利权)人：北京航空航天大学，
类型：发明
国别省市：北京,11
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。