CN108764137A - 基于语义分割的车辆行驶车道定位方法 - Google Patents
基于语义分割的车辆行驶车道定位方法 Download PDFInfo
- Publication number
- CN108764137A CN108764137A CN201810529459.9A CN201810529459A CN108764137A CN 108764137 A CN108764137 A CN 108764137A CN 201810529459 A CN201810529459 A CN 201810529459A CN 108764137 A CN108764137 A CN 108764137A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- track
- road image
- semantic segmentation
- localization method
- 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
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Traffic Control Systems (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开一种基于语义分割的车辆行驶车道定位方法,首先获取道路图像后,基于Segnet网络构建双车道语义分割网络,对道路图像进行特征提取,输出道路图像的车道分割掩膜图,判断道路图像上每个像素点属于左车道、右车道或非车道,然后对道路图像中的车辆进行目标检测,获取道路图像上车辆所在位置,最后融合车道分割掩膜图和车辆目标检测结果,判断车辆所在车道。本发明采用编码器—解码器架构网络实现端到端训练双车道语义分割模型,达到检测实时性的要求。
Description
技术领域
本发明涉及计算机视觉技术领域,具体涉及一种基于语义分割的车辆行驶车道定位方法。
背景技术
视觉感知在车辆辅助驾驶系统的发展中发挥关键作用。在车辆辅助驾驶系统中,利用图像处理和计算机视觉技术,来保证安全的车距和正确的车道,并能对一些异常状况及时做出反应和处理。检测分割出车道和车辆,对车辆行驶的车道进行定位,来辅助车辆驾驶。
传统的车辆行驶车道定位方法,大部分是利用车道线检测来实现的。检测出车道线,根据车道线的位置来定位车辆行驶车道。目前的一些技术方案有:基于Hough变换的车道线检测,利用道路边缘在形态特征上表现为直线形式的特点,;基于阈值分割车道线检测;基于模版匹配的车道线检测,建立模板库,车道模板主要包括实线,虚线,弯曲与直线等不同的车道线模型。对于车道分割,现有的车道语义分割都是将整条道路全部分割出来。
目前常用的基于Hough变换的车道线检测,抗干扰不好,复杂环境可能导致计算量过大;基于阈值分割车道线检测,对判决的阈值要求较高;基于模版匹配的车道线检测,需要找到不同的模板。传统的方法利用车道线检测来实现的,鲁棒性不好,只在特定的环境中效果不错。在车道分割上,现有的方法没有将具体的车道分割出来。如果将道路上多个车道分割出来,就能获取更多的位置信息,来准确的定位车辆行驶的位置。
发明内容
针对现有技术的不足,本发明提供一种基于语义分割的车辆行驶车道定位方法,结合卷积神经网络,针对双车道进行分割,采用编码器—解码器架构网络实现端到端训练双车道语义分割模型,以达到检测实时性的要求。
为实现上述目的,本发明的技术方案是:一种基于语义分割的车辆行驶车道定位方法,包括以下步骤:
步骤S1:获取道路图像;
步骤S2:基于Segnet网络构建双车道语义分割网络,对道路图像进行特征提取,输出道路图像的车道分割掩膜图,判断道路图像上每个像素点属于左车道、右车道或非车道;
步骤S3:对道路图像中的车辆进行目标检测,获取道路图像上车辆所在位置,输出道路图像中车辆的坐标;
步骤S4:融合车道分割掩膜图和车辆目标检测结果,判断车辆所在车道。
进一步地,所述双车道语义分割网络包括:
卷积部分,用于对道路图像进行特征提取,输出多个特征图;
反卷积部分,用于对卷积部分输出的多个特征图进行反卷积,得到与原始道路图像大小一致的特征图;
SoftMax层,用于对反卷积部分输出的特征图中像素进行分类,判断每个像素点属于左车道、右车道或非车道。
进一步地,所述SoftMax层采用SoftMax回归模型,假设类别标签为y,有k个不同的取值,输入X和标签y表示成{(x1,y1),(x2,y2),...,(xi,yi)},yi∈{1,2,...,k},其中,k=3;
假设对于每一个输入对应每个类别j的概率值P(y=j|X),输出是一个k维向量,表示k个估计值,假设函数如公式下所示:
其中,θ1,θ2,...,θk是模型的参数,对结果进行最大值判断,得到概率最大的类别j,如下公式所示:
表示第i个输入最终分类的结果,取使得概率最大的j。
进一步地,所述卷积部分包括四个卷积层,四个BN层加激活函数ReLU以及四个池化层。
进一步地,所述反卷积部分包括四个上采样层和四个卷积层。
进一步地,所述步骤S4具体包括:根据车道分割掩膜图画出双车道的中线位置,将道路图像中车辆的坐标于中线做比较,得到车辆所属车道的位置。
与现有技术相比,本发明具有有益效果:
(1)本发明本发明采用语义分割的方法,分割出车道,利用分割的结果做车道定位,相较于检测车道线进行车辆定位更方便准确。
(2)双车道语义分割网络比以往神经网络要训练参数更少、速度更快、内存需求更低,每帧图像的执行速度在60ms以内;编码器—解码器网络架构实现多车道语义分割,可以实现端到端训练。
附图说明
图1是本发明一种基于语义分割的车辆行驶车道定位方法的流程示意图;
图2是本发明的双车道语义分割网络的结构示意图;
图3是本发明的反卷积部分的示意图;
图4是本发明一实施例中双车道语义分割结果对比图;
图5是本发明一实施例中车辆定位融合示意图。
具体实施方式
下面结合附图及实施例对本发明做进一步说明。
如图1所示,一种基于语义分割的车辆行驶车道定位方法,包括以下步骤:步骤S1:获取道路图像;
步骤S2:基于Segnet网络构建双车道语义分割网络,对道路图像进行特征提取,输出道路图像的车道分割掩膜图,判断道路图像上每个像素点属于左车道、右车道或非车道;
步骤S3:对道路图像中的车辆进行目标检测,获取道路图像上车辆所在位置,输出道路图像中车辆的坐标;
步骤S4:融合车道分割掩膜图和车辆目标检测结果,判断车辆所在车道。
在本实施例中,首先输入图片部分,可以从各种格式的图片进行输入,也可以将视频文件作为输入,视频格式包括:AVI,MPEG,WMV,MKV等。
获取图像后,分别进行两个过程:
1)双车道语义分割网络。基于Segnet网络,设计一种新的编码器—解码器网络架构,训练参数更少、速度更快、内存需求更低,网络总体架构如下图2所示。输入是车载视频中的图像,输出图像的车道分割掩膜图,主要分为对称的两个部分,前半段的卷积部分和后半段的反卷积部分,卷积部分由四个卷积层,四个BN(Batch Normalization)层加激活函数ReLU(Rectifiedlinearunit)以及四个池化层组成,主要作用是对输入图像进行特征提取,最后输出多个特征图,输入反卷积部分;反卷积部分由四个上采样层和四个卷积层组成,对卷积部分的输出图进行反卷积,最后一个卷积层得到的特征图大小将与原始输入图像大小一致,再通过最后的三分类卷积层,得到整幅图像上每个像素点属于左车道、右车道还是非车道情况。
其中反卷积网络,如图3所示。通过在编码部分的池化层做池化操作时额外记录下保留下来的像素点的位置信息,在上采样阶段将保存下的位置信息重新用来分布像素,从而还原到池化前的图像大小,之后再进行卷积操作,使得稀疏图像变回密集图像。
SoftMax层在网络反卷积部分后,将反卷积后得到的特征图输送进最后一层卷积层,该层卷积核大小是1*1,输出特征图个数为2,是为了实现最后的左道路、右道路和非道路的三分类。
引入SoftMax层,对图像像素进行分类,输出左车道、右车道和非车道的预测概率值,通过比较概率值大小确定最终所属类别。SoftMax层采用的是SoftMax回归模型,该模型是逻辑回归在分类问题上的推广,假设类别标签为y,有k个不同的取值,输入X和标签y表示成{(x1,y1),(x2,y2),...,(xi,yi)},yi∈{1,2,...,k},其中k=3;
假设对于每一个输入对应每个类别j的概率值P(y=j|X),输出是一个k维向量,表示k个估计值。假设函数如公式下所示:
其中θ1,θ2,...,θk是模型的参数。最后得到的每个像素的类别要是确定的,所以还要对上述结果进行最大值判断,并得到概率最大的类别j。如下公式所示。
表示第i个输入最终分类的结果,取使得概率最大的的j。
制作用于双车道语义分割的训练测试数据库进行训练和测试。
2)车辆检测,在1)中语义分割出了车道,获得车辆在图像上的位置,结合双车道分割结果可以知道,车辆属于哪个车道,可以更精确地判断出具体哪个位置有车,对后续车辆的行驶转向都有重要的意义。在本实施例中,采用了YOLO v2检测车道上的车辆,获取图像上车辆所在的位置。YOLO v2的基础网络模型是Darknet-19,包含19个卷积层和5个最大池化层,每个卷积层都使用了batchnormalize来稳定训练,加速收敛和规则化模型。YOLO v2还采用联合训练算法,可以在检测和分类数据上训练目标检测器。利用标记的检测图像来学习精确地定位目标,同时使用分类图像来增加它的鲁棒性。
获得双车道语义分割的Mask(掩膜)图和车辆检测图,结果融合前车检测和车道语义分割结果,获得前车在车道的位置信息,分析车辆位于左车道还是右车道。双车道分割网络输出图片的Mask图,根据Mask图可以画出双车道的中线位置;车辆检测输出图片中车辆的坐标,坐标与Mask的中线做比较,可以得知车辆所属车道的位置。双车道语义分割的结果图如图4所示,车辆定位的结果融合如图5所示。
车辆辅助驾驶中,车道车辆检测分割的准确度和实时性是同等重要的,准确的分割车道和检测前方车辆,同时达到实时性的要求。本发明利用语义分割对输入的车载图像进行道路分割,同时检测车载图像中车辆,然后对车辆行驶的车道进行定位。整个系统分为多车道语义分割和车辆检测两个部分,最后融合结果,分析出车辆所在车道的位置,进行车道定位。
以上是本发明的较佳实施例,凡依本发明技术方案所作的改变,所产生的功能作用未超出本发明技术方案的范围时,均属于本发明的保护范围。
Claims (6)
1.一种基于语义分割的车辆行驶车道定位方法,其特征在于,包括以下步骤:
步骤S1:获取道路图像;
步骤S2:基于Segnet网络构建双车道语义分割网络,对道路图像进行特征提取,输出道路图像的车道分割掩膜图,判断道路图像上每个像素点属于左车道、右车道或非车道;
步骤S3:对道路图像中的车辆进行目标检测,获取道路图像上车辆所在位置,输出道路图像中车辆的坐标;
步骤S4:融合车道分割掩膜图和车辆目标检测结果,判断车辆所在车道。
2.根据权利要求1所述的车辆行驶车道定位方法,其特征在于,所述双车道语义分割网络包括:
卷积部分,用于对道路图像进行特征提取,输出多个特征图;
反卷积部分,用于对卷积部分输出的多个特征图进行反卷积,得到与原始道路图像大小一致的特征图;
SoftMax层,用于对反卷积部分输出的特征图中像素进行分类,判断每个像素点属于左车道、右车道或非车道。
3.根据权利要求2所述的车辆行驶车道定位方法,其特征在于,所述SoftMax层采用SoftMax回归模型,假设类别标签为y,有k个不同的取值,输入X和标签y表示成{(x1,y1),(x2,y2),...,(xi,yi)},yi∈{1,2,...,k},其中,k=3;
假设对于每一个输入对应每个类别j的概率值P(y=j|X),输出是一个k维向量,表示k个估计值,假设函数如公式下所示:
其中,θ1,θ2,...,θk是模型的参数,对结果进行最大值判断,得到概率最大的类别j,如下公式所示:
表示第i个输入最终分类的结果,取使得概率最大的j。
4.根据权利要求2所述的车辆行驶车道定位方法,其特征在于,所述卷积部分包括四个卷积层,四个BN层加激活函数ReLU以及四个池化层。
5.根据权利要求2所述的车辆行驶车道定位方法,其特征在于,所述反卷积部分包括四个上采样层和四个卷积层。
6.根据权利要求1所述的车辆行驶车道定位方法,其特征在于,所述步骤S4具体包括:根据车道分割掩膜图画出双车道的中线位置,将道路图像中车辆的坐标与中线做比较,得到车辆所属车道的位置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810529459.9A CN108764137A (zh) | 2018-05-29 | 2018-05-29 | 基于语义分割的车辆行驶车道定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810529459.9A CN108764137A (zh) | 2018-05-29 | 2018-05-29 | 基于语义分割的车辆行驶车道定位方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108764137A true CN108764137A (zh) | 2018-11-06 |
Family
ID=64003566
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810529459.9A Pending CN108764137A (zh) | 2018-05-29 | 2018-05-29 | 基于语义分割的车辆行驶车道定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108764137A (zh) |
Cited By (31)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109409443A (zh) * | 2018-11-28 | 2019-03-01 | 北方工业大学 | 一种基于深度学习的多尺度可变形卷积网络目标检测方法 |
CN109543754A (zh) * | 2018-11-23 | 2019-03-29 | 中山大学 | 基于端对端深度学习的目标检测与语义分割的并行方法 |
CN109829926A (zh) * | 2019-01-30 | 2019-05-31 | 杭州鸿泉物联网技术股份有限公司 | 道路场景语义分割方法及装置 |
CN110069986A (zh) * | 2019-03-13 | 2019-07-30 | 北京联合大学 | 一种基于混合模型的交通信号灯识别方法及系统 |
CN110276267A (zh) * | 2019-05-28 | 2019-09-24 | 江苏金海星导航科技有限公司 | 基于Spatial-LargeFOV深度学习网络的车道线检测方法 |
CN110414329A (zh) * | 2019-06-19 | 2019-11-05 | 上海眼控科技股份有限公司 | 一种基于图像的车辆行驶方向判断方法 |
CN111046835A (zh) * | 2019-12-24 | 2020-04-21 | 杭州求是创新健康科技有限公司 | 一种基于区域特征集合神经网络的眼底照多病种检测系统 |
CN111209780A (zh) * | 2018-11-21 | 2020-05-29 | 北京市商汤科技开发有限公司 | 车道线属性检测方法、装置、电子设备及可读存储介质 |
CN111209894A (zh) * | 2020-02-10 | 2020-05-29 | 上海翼枭航空科技有限公司 | 道路航拍图像的路边违章建筑识别方法 |
CN111274974A (zh) * | 2020-01-21 | 2020-06-12 | 北京百度网讯科技有限公司 | 定位元素检测方法、装置、设备和介质 |
CN111368687A (zh) * | 2020-02-28 | 2020-07-03 | 成都市微泊科技有限公司 | 一种基于目标检测和语义分割的人行道车辆违停检测方法 |
CN111369566A (zh) * | 2018-12-25 | 2020-07-03 | 杭州海康威视数字技术股份有限公司 | 确定路面消隐点位置的方法、装置、设备及存储介质 |
CN111462130A (zh) * | 2019-01-22 | 2020-07-28 | 斯特拉德视觉公司 | 使用车道掩码检测包含于输入图像的车道线的方法及装置 |
CN111507203A (zh) * | 2020-03-27 | 2020-08-07 | 北京百度网讯科技有限公司 | 可变车道检测模型的构建方法、电子设备及存储介质 |
CN111667048A (zh) * | 2019-03-06 | 2020-09-15 | 德韧营运有限责任公司 | 机动车辆中用于对象检测和车道检测的卷积神经网络系统 |
CN111738037A (zh) * | 2019-03-25 | 2020-10-02 | 广州汽车集团股份有限公司 | 一种自动驾驶方法及其系统、车辆 |
CN111738034A (zh) * | 2019-03-25 | 2020-10-02 | 杭州海康威视数字技术股份有限公司 | 车道线的检测方法和装置 |
CN111783784A (zh) * | 2020-06-30 | 2020-10-16 | 创新奇智(合肥)科技有限公司 | 建筑的空洞检测方法及装置、电子设备、存储介质 |
CN112347933A (zh) * | 2020-11-06 | 2021-02-09 | 浙江大华技术股份有限公司 | 一种基于视频流的交通场景理解方法及装置 |
CN112613344A (zh) * | 2020-12-01 | 2021-04-06 | 浙江大华汽车技术有限公司 | 车辆占道检测方法、装置、计算机设备和可读存储介质 |
CN112785595A (zh) * | 2019-11-07 | 2021-05-11 | 北京市商汤科技开发有限公司 | 目标属性检测、神经网络训练及智能行驶方法、装置 |
CN112801021A (zh) * | 2021-02-09 | 2021-05-14 | 福州大学 | 基于多级语义信息的车道线检测方法及系统 |
CN112967249A (zh) * | 2021-03-03 | 2021-06-15 | 南京工业大学 | 一种基于深度学习的预制桥墩钢筋孔制造误差智能识别方法 |
CN113033352A (zh) * | 2021-03-11 | 2021-06-25 | 浙江工业大学 | 一种基于结合改进目标语义分割和目标检测模型的实时移动交通违法检测方法 |
CN113157827A (zh) * | 2020-01-22 | 2021-07-23 | 阿里巴巴集团控股有限公司 | 车道类型的生成方法、装置、数据处理设备及存储介质 |
CN113393459A (zh) * | 2021-08-09 | 2021-09-14 | 旻投电力发展有限公司 | 基于实例分割的红外图像光伏组件视觉识别方法 |
CN113435370A (zh) * | 2021-06-30 | 2021-09-24 | 北京英泰智科技股份有限公司 | 一种基于图像特征融合获取车辆排队长度的方法及装置 |
CN113569663A (zh) * | 2021-07-08 | 2021-10-29 | 东南大学 | 车辆车道偏移的测量方法 |
CN115171428A (zh) * | 2022-06-24 | 2022-10-11 | 重庆长安汽车股份有限公司 | 一种基于视觉感知的车辆切入预警方法 |
CN115661140A (zh) * | 2022-12-13 | 2023-01-31 | 深圳思谋信息科技有限公司 | 缺陷检测方法、装置、计算机设备及计算机可读存储介质 |
CN117437792A (zh) * | 2023-12-20 | 2024-01-23 | 中交第一公路勘察设计研究院有限公司 | 基于边缘计算的实时道路交通状态监测方法、设备及系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150344031A1 (en) * | 2014-05-30 | 2015-12-03 | Honda Research Institute Europe Gmbh | Method for assisting a driver in driving a vehicle, a driver assistance system, a computer software program product and vehicle |
US20160171316A1 (en) * | 2014-12-10 | 2016-06-16 | Honda Research Institute Europe Gmbh | Method and system for adaptive ray based scene analysis of semantic traffic spaces and vehicle equipped with such system |
CN106971155A (zh) * | 2017-03-21 | 2017-07-21 | 电子科技大学 | 一种基于高度信息的无人车车道场景分割方法 |
US20170278402A1 (en) * | 2016-03-25 | 2017-09-28 | Toyota Jidosha Kabushiki Kaisha | Understanding Road Scene Situation and Semantic Representation of Road Scene Situation for Reliable Sharing |
CN107292282A (zh) * | 2017-07-04 | 2017-10-24 | 西安交通大学 | 一种基于语义推理和时空记忆更新的车辆检测方法 |
US20170344888A1 (en) * | 2016-05-27 | 2017-11-30 | Kabushiki Kaisha Toshiba | Information processing apparatus and information processing method |
US20170344021A1 (en) * | 2016-05-30 | 2017-11-30 | Kabushiki Kaisha Toshiba | Information processing apparatus, vehicle, and information processing method |
-
2018
- 2018-05-29 CN CN201810529459.9A patent/CN108764137A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150344031A1 (en) * | 2014-05-30 | 2015-12-03 | Honda Research Institute Europe Gmbh | Method for assisting a driver in driving a vehicle, a driver assistance system, a computer software program product and vehicle |
US20160171316A1 (en) * | 2014-12-10 | 2016-06-16 | Honda Research Institute Europe Gmbh | Method and system for adaptive ray based scene analysis of semantic traffic spaces and vehicle equipped with such system |
US20170278402A1 (en) * | 2016-03-25 | 2017-09-28 | Toyota Jidosha Kabushiki Kaisha | Understanding Road Scene Situation and Semantic Representation of Road Scene Situation for Reliable Sharing |
US20170344888A1 (en) * | 2016-05-27 | 2017-11-30 | Kabushiki Kaisha Toshiba | Information processing apparatus and information processing method |
US20170344021A1 (en) * | 2016-05-30 | 2017-11-30 | Kabushiki Kaisha Toshiba | Information processing apparatus, vehicle, and information processing method |
CN106971155A (zh) * | 2017-03-21 | 2017-07-21 | 电子科技大学 | 一种基于高度信息的无人车车道场景分割方法 |
CN107292282A (zh) * | 2017-07-04 | 2017-10-24 | 西安交通大学 | 一种基于语义推理和时空记忆更新的车辆检测方法 |
Non-Patent Citations (2)
Title |
---|
N. DEEPIKA等: "Obstacle classification and detection for vision based navigation for autonomous driving", 《IEEE》 * |
朱振文等: "基于卷积神经网络的道路检测方法", 《计算机工程与设计》 * |
Cited By (47)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111209780A (zh) * | 2018-11-21 | 2020-05-29 | 北京市商汤科技开发有限公司 | 车道线属性检测方法、装置、电子设备及可读存储介质 |
CN109543754A (zh) * | 2018-11-23 | 2019-03-29 | 中山大学 | 基于端对端深度学习的目标检测与语义分割的并行方法 |
CN109409443A (zh) * | 2018-11-28 | 2019-03-01 | 北方工业大学 | 一种基于深度学习的多尺度可变形卷积网络目标检测方法 |
CN111369566A (zh) * | 2018-12-25 | 2020-07-03 | 杭州海康威视数字技术股份有限公司 | 确定路面消隐点位置的方法、装置、设备及存储介质 |
CN111369566B (zh) * | 2018-12-25 | 2023-12-05 | 杭州海康威视数字技术股份有限公司 | 确定路面消隐点位置的方法、装置、设备及存储介质 |
CN111462130B (zh) * | 2019-01-22 | 2023-10-17 | 斯特拉德视觉公司 | 使用车道掩码检测包含于输入图像的车道线的方法及装置 |
CN111462130A (zh) * | 2019-01-22 | 2020-07-28 | 斯特拉德视觉公司 | 使用车道掩码检测包含于输入图像的车道线的方法及装置 |
CN109829926A (zh) * | 2019-01-30 | 2019-05-31 | 杭州鸿泉物联网技术股份有限公司 | 道路场景语义分割方法及装置 |
CN111667048A (zh) * | 2019-03-06 | 2020-09-15 | 德韧营运有限责任公司 | 机动车辆中用于对象检测和车道检测的卷积神经网络系统 |
CN110069986A (zh) * | 2019-03-13 | 2019-07-30 | 北京联合大学 | 一种基于混合模型的交通信号灯识别方法及系统 |
CN111738034B (zh) * | 2019-03-25 | 2024-02-23 | 杭州海康威视数字技术股份有限公司 | 车道线的检测方法和装置 |
CN111738034A (zh) * | 2019-03-25 | 2020-10-02 | 杭州海康威视数字技术股份有限公司 | 车道线的检测方法和装置 |
CN111738037B (zh) * | 2019-03-25 | 2024-03-08 | 广州汽车集团股份有限公司 | 一种自动驾驶方法及其系统、车辆 |
CN111738037A (zh) * | 2019-03-25 | 2020-10-02 | 广州汽车集团股份有限公司 | 一种自动驾驶方法及其系统、车辆 |
CN110276267A (zh) * | 2019-05-28 | 2019-09-24 | 江苏金海星导航科技有限公司 | 基于Spatial-LargeFOV深度学习网络的车道线检测方法 |
CN110414329A (zh) * | 2019-06-19 | 2019-11-05 | 上海眼控科技股份有限公司 | 一种基于图像的车辆行驶方向判断方法 |
CN112785595B (zh) * | 2019-11-07 | 2023-02-28 | 北京市商汤科技开发有限公司 | 目标属性检测、神经网络训练及智能行驶方法、装置 |
CN112785595A (zh) * | 2019-11-07 | 2021-05-11 | 北京市商汤科技开发有限公司 | 目标属性检测、神经网络训练及智能行驶方法、装置 |
WO2021088505A1 (zh) * | 2019-11-07 | 2021-05-14 | 北京市商汤科技开发有限公司 | 目标属性检测、神经网络训练及智能行驶方法、装置 |
CN111046835A (zh) * | 2019-12-24 | 2020-04-21 | 杭州求是创新健康科技有限公司 | 一种基于区域特征集合神经网络的眼底照多病种检测系统 |
CN111274974B (zh) * | 2020-01-21 | 2023-09-01 | 阿波罗智能技术(北京)有限公司 | 定位元素检测方法、装置、设备和介质 |
CN111274974A (zh) * | 2020-01-21 | 2020-06-12 | 北京百度网讯科技有限公司 | 定位元素检测方法、装置、设备和介质 |
CN113157827A (zh) * | 2020-01-22 | 2021-07-23 | 阿里巴巴集团控股有限公司 | 车道类型的生成方法、装置、数据处理设备及存储介质 |
CN113157827B (zh) * | 2020-01-22 | 2023-10-10 | 阿里巴巴集团控股有限公司 | 车道类型的生成方法、装置、数据处理设备及存储介质 |
CN111209894A (zh) * | 2020-02-10 | 2020-05-29 | 上海翼枭航空科技有限公司 | 道路航拍图像的路边违章建筑识别方法 |
CN111368687A (zh) * | 2020-02-28 | 2020-07-03 | 成都市微泊科技有限公司 | 一种基于目标检测和语义分割的人行道车辆违停检测方法 |
CN111507203A (zh) * | 2020-03-27 | 2020-08-07 | 北京百度网讯科技有限公司 | 可变车道检测模型的构建方法、电子设备及存储介质 |
CN111507203B (zh) * | 2020-03-27 | 2023-09-26 | 北京百度网讯科技有限公司 | 可变车道检测模型的构建方法、电子设备及存储介质 |
CN111783784A (zh) * | 2020-06-30 | 2020-10-16 | 创新奇智(合肥)科技有限公司 | 建筑的空洞检测方法及装置、电子设备、存储介质 |
CN112347933A (zh) * | 2020-11-06 | 2021-02-09 | 浙江大华技术股份有限公司 | 一种基于视频流的交通场景理解方法及装置 |
CN112613344B (zh) * | 2020-12-01 | 2024-04-16 | 浙江华锐捷技术有限公司 | 车辆占道检测方法、装置、计算机设备和可读存储介质 |
CN112613344A (zh) * | 2020-12-01 | 2021-04-06 | 浙江大华汽车技术有限公司 | 车辆占道检测方法、装置、计算机设备和可读存储介质 |
CN112801021A (zh) * | 2021-02-09 | 2021-05-14 | 福州大学 | 基于多级语义信息的车道线检测方法及系统 |
CN112801021B (zh) * | 2021-02-09 | 2022-07-08 | 福州大学 | 基于多级语义信息的车道线检测方法及系统 |
CN112967249A (zh) * | 2021-03-03 | 2021-06-15 | 南京工业大学 | 一种基于深度学习的预制桥墩钢筋孔制造误差智能识别方法 |
CN113033352A (zh) * | 2021-03-11 | 2021-06-25 | 浙江工业大学 | 一种基于结合改进目标语义分割和目标检测模型的实时移动交通违法检测方法 |
CN113033352B (zh) * | 2021-03-11 | 2024-02-23 | 浙江工业大学 | 一种基于结合改进目标语义分割和目标检测模型的实时移动交通违法检测方法 |
CN113435370B (zh) * | 2021-06-30 | 2024-02-23 | 北京英泰智科技股份有限公司 | 一种基于图像特征融合获取车辆排队长度的方法及装置 |
CN113435370A (zh) * | 2021-06-30 | 2021-09-24 | 北京英泰智科技股份有限公司 | 一种基于图像特征融合获取车辆排队长度的方法及装置 |
CN113569663B (zh) * | 2021-07-08 | 2022-11-22 | 东南大学 | 车辆车道偏移的测量方法 |
CN113569663A (zh) * | 2021-07-08 | 2021-10-29 | 东南大学 | 车辆车道偏移的测量方法 |
CN113393459A (zh) * | 2021-08-09 | 2021-09-14 | 旻投电力发展有限公司 | 基于实例分割的红外图像光伏组件视觉识别方法 |
CN115171428B (zh) * | 2022-06-24 | 2023-06-30 | 重庆长安汽车股份有限公司 | 一种基于视觉感知的车辆切入预警方法 |
CN115171428A (zh) * | 2022-06-24 | 2022-10-11 | 重庆长安汽车股份有限公司 | 一种基于视觉感知的车辆切入预警方法 |
CN115661140A (zh) * | 2022-12-13 | 2023-01-31 | 深圳思谋信息科技有限公司 | 缺陷检测方法、装置、计算机设备及计算机可读存储介质 |
CN117437792A (zh) * | 2023-12-20 | 2024-01-23 | 中交第一公路勘察设计研究院有限公司 | 基于边缘计算的实时道路交通状态监测方法、设备及系统 |
CN117437792B (zh) * | 2023-12-20 | 2024-04-09 | 中交第一公路勘察设计研究院有限公司 | 基于边缘计算的实时道路交通状态监测方法、设备及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108764137A (zh) | 基于语义分割的车辆行驶车道定位方法 | |
CN109447018B (zh) | 一种基于改进Faster R-CNN的道路环境视觉感知方法 | |
CN110069986B (zh) | 一种基于混合模型的交通信号灯识别方法及系统 | |
CN108171112A (zh) | 基于卷积神经网络的车辆识别与跟踪方法 | |
CN109344825A (zh) | 一种基于卷积神经网络的车牌识别方法 | |
Zheng et al. | HLU 2-Net: a residual U-structure embedded U-Net with hybrid loss for tire defect inspection | |
CN112016605B (zh) | 一种基于边界框角点对齐和边界匹配的目标检测方法 | |
CN111340855A (zh) | 一种基于轨迹预测的道路移动目标检测方法 | |
CN111967313B (zh) | 一种深度学习目标检测算法辅助的无人机图像标注方法 | |
CN102254428B (zh) | 一种基于视频处理的交通拥塞检测方法 | |
Zhang et al. | Study on traffic sign recognition by optimized Lenet-5 algorithm | |
CN112084890B (zh) | 基于gmm和cqfl的多尺度识别交通信号标志的方法 | |
TW201913594A (zh) | 以影像為基礎之車輛計數與分類系統 | |
CN110032952B (zh) | 一种基于深度学习的道路边界点检测方法 | |
CN110659601B (zh) | 基于中心点的深度全卷积网络遥感图像密集车辆检测方法 | |
CN111950583B (zh) | 一种基于gmm聚类的多尺度识别交通信号标志的方法 | |
CN114998815B (zh) | 一种基于视频分析的交通车辆识别追踪方法及系统 | |
CN112990065A (zh) | 一种基于优化的YOLOv5模型的车辆分类检测方法 | |
CN111738300A (zh) | 一种交通标志及信号灯检测和识别的优化算法 | |
Zhou et al. | Road defect detection from on-board cameras with scarce and cross-domain data | |
CN107247967B (zh) | 一种基于r-cnn的车窗年检标检测方法 | |
CN109934096B (zh) | 基于特征时序相关性的自动驾驶视觉感知优化方法 | |
Guo et al. | Real-time vehicle object detection method based on multi-scale feature fusion | |
Cao et al. | Application of convolutional neural networks and image processing algorithms based on traffic video in vehicle taillight detection | |
Hu et al. | Traffic sign detection based on driving sight distance in haze environment |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181106 |