CN109784234B - 一种基于前向鱼眼镜头的直角弯识别方法及车载设备 - Google Patents
一种基于前向鱼眼镜头的直角弯识别方法及车载设备 Download PDFInfo
- Publication number
- CN109784234B CN109784234B CN201811637263.8A CN201811637263A CN109784234B CN 109784234 B CN109784234 B CN 109784234B CN 201811637263 A CN201811637263 A CN 201811637263A CN 109784234 B CN109784234 B CN 109784234B
- Authority
- CN
- China
- Prior art keywords
- lane
- line
- lane line
- track reference
- reference line
- 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.)
- Active
Links
Images
Landscapes
- Traffic Control Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种基于前向鱼眼镜头的直角弯识别方法及车载设备,该方法包括:获取前向鱼眼镜头拍摄的第一图像;将所述第一图像输入车道线检测模型,获得所述第一图像中的多个第一车道线特征点,所述车道线检测模型是利用卷积神经网络训练的网络模型;根据所述多个第一车道线特征点进行曲线拟合,得到车道轨迹参考线;识别所述车道轨迹参考线的曲率;如果所述曲率大于预设值,确定为直角转弯场景。本发明实施例提高了直角转弯场景识别的准确度和可靠性。
Description
技术领域
本发明涉及汽车技术领域,尤其涉及一种基于前向鱼眼镜头的直角弯识别方法及车载设备。
背景技术
随着智能汽车的发展,自动驾驶技术越来越成熟。在代客泊车服务valet parking场景下,通常需要进行直角转弯等复杂场景的自动驾驶控制。然而,现有技术中,通常依赖于地图信息和定位系统,识别直角转弯场景。然而由于受到系统定位误差以及信号强度的限制,对直角转弯场景识别的准确度较低。
发明内容
本发明实施例提供一种基于前向鱼眼镜头的直角弯识别方法及车载设备,以解决直角转弯场景识别的准确度较低的问题。
第一方面,本发明实施例提供了一种基于前向鱼眼镜头的直角弯识别方法,包括:
获取前向鱼眼镜头拍摄的第一图像;
将所述第一图像输入车道线检测模型,获得所述第一图像中的多个第一车道线特征点,所述车道线检测模型是利用卷积神经网络训练的网络模型;
根据所述多个第一车道线特征点进行曲线拟合,得到车道轨迹参考线;
识别所述车道轨迹参考线的曲率;
如果所述曲率大于预设值,确定为直角转弯场景。
第二方面,本发明实施例还提供了一种车载设备,包括:
第一获取模块,用于获取前向鱼眼镜头拍摄的第一图像;
处理模块,用于将所述第一图像输入车道线检测模型,获得所述第一图像中的多个第一车道线特征点,所述车道线检测模型是利用卷积神经网络训练的网络模型;
拟合模块,用于根据所述多个第一车道线特征点进行曲线拟合,得到车道轨迹参考线;
识别模块,用于识别所述车道轨迹参考线的曲率;
确定模块,用于如果所述曲率大于预设值,确定为直角转弯场景。
第三方面,本发明实施例还提供了一种车载设备,包括处理器、存储器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述计算机程序被所述处理器执行时实现上述基于前向鱼眼镜头的直角弯识别方法的步骤。
第三方面,本发明实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述基于前向鱼眼镜头的直角弯识别方法的步骤。
本发明实施例通过基于前向鱼眼镜头拍摄的第一图像进行识别,获得多个第一车道线特征点,然后对多个第一车道线特征点进行曲线拟合得到车道轨迹参考线,最后通过识别该车道轨迹参考线的曲率即可得到当前是否为直角转弯场景。这样,无需受到系统定位误差以及信号强度的限制,提高了直角转弯场景识别的准确度和可靠性。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对本发明实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的基于前向鱼眼镜头的直角弯识别方法的流程图之一;
图2是本发明实施例提供的基于前向鱼眼镜头的直角弯识别方法中直角转弯场景示意图;
图3是本发明实施例提供的基于前向鱼眼镜头的直角弯识别方法的流程图之二;
图4是本发明一实施例提供的车载设备的结构图;
图5是本发明另一实施例提供的车载设备的结构图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
参见图1,图1是本发明实施例提供的一种基于前向鱼眼镜头的直角弯识别方法的流程图,如图1所示,包括以下步骤:
步骤101、获取前向鱼眼镜头拍摄的第一图像;
本发明实施提供的基于前向鱼眼镜头的直角弯识别方法主要应用在车载设备中,可以在valet parking场景下的自主巡航阶段进行直角转弯识别,以提高自动驾驶的安全性。
具体的,上述前向鱼眼镜头为超广角摄像头,可以拍摄车辆前方一定视角范围内的环境信息。例如,在十字路口,可以拍摄到当前行驶车道前方的车道线,还可以拍摄到位于当前行驶车道两侧车道的车道线。
本实施例中,上述前向鱼眼镜头安装的位置可以根据实际需要进行设置,在此不做进一步的限定。通过上述前向鱼眼镜头拍摄的第一图像中包括车辆行驶前方的车道线和位于当前行驶车道左右两侧车道线中的至少一侧的车道线。具体的,当前行驶车道左右两侧可以只有一侧有车道线,也可以两侧均有车道线;在当前行驶的车道的左右两侧都有车道的情况下,上述第一图像中,可以仅包含一侧的车道线,也可以同时包含两侧的车道线,在此不做进一步的限定。以下各实施例中,以第一图像包括当前行驶车道线以及位于当前行驶车道线左右两侧的车道线为了进行详细说明。
应当说明的是,本实施例中,可以实时获取前向鱼眼镜头拍摄的第一图像进行直角拐弯场景的识别,或者每隔预设时间段获取一次前向鱼眼镜头拍摄的第一图像,进行直角拐弯场景的识别,在此不做进一步的限定。
步骤102、将所述第一图像输入车道线检测模型,获得所述第一图像中的多个第一车道线特征点,所述车道线检测模型是利用卷积神经网络训练的网络模型;
上述第一车道线特征点为识别的车道线对应的坐标点中的任意一点,具体可以为车道线的边缘点或者中间点,在此不做进一步的限定。应当说明的是,在本实施例中,获得的多个第一车道线特征点,具体的,可以包括车辆当前行驶车道前方的车道线中的特征点以及位于当前行驶车道两侧车道线中的特征点。
步骤103、根据所述多个第一车道线特征点进行曲线拟合,得到车道轨迹参考线;
本实施例中,可以将车辆当前行驶车道前方的车道线中的特征点与左侧车道线中的特征点进行拟合得到第一车道轨迹参考线,与此同时,可以将车辆当前行驶车道前方的车道线中的特征点与右侧车道线中的特征点进行拟合得到第二车道轨迹参考线。其中第一车道轨迹参考线的数量可以为一条或者多条,第二车道轨迹参考线也可以为一条或者多条。如图2所示,圆圈表示识别的第一车道线特征点,上述第一车道轨迹参考线包括201和202两条车道轨迹参考线,上述第二车道轨迹参考线包括203和204两条车道轨迹参考线。应理解,本实施例中,还可以识别车辆当前所处的位置,例如车辆位于车道A上,可以仅拟合得到第一车道轨迹参考线,当车辆位于车道B上时,可以仅拟合得到第二车道轨迹参考线,这样可以减小系统的计算量。以下各实施例中,以车辆无论处于哪个车道均拟合得到第一车道轨迹参考线和第二车道轨迹参考线为例进行说明。
步骤104、识别所述车道轨迹参考线的曲率;
本实施例中,上述第一车道轨迹参考线和第二车道轨迹参考线的曲率可以相同,也可以不同。如图2所示,上述第一车道轨迹参考线和第二车道轨迹参考线的曲率不同。
步骤105、如果所述曲率大于预设值,确定为直角转弯场景。
如图2所示,上述第一车道轨迹参考线和第二车道轨迹参考线的曲率均大于预设值,确定为直角转弯场景。在其他实施例中,还可以根据当前所处的车道,判断对应的车道轨迹参考线的曲率是否大于预设值,从而确定是否为直角转弯场景。例如车辆位于车道A上,可以通过第一车道轨迹参考线的曲率判断是否为直角转弯场景,当车辆位于车道B上时,可以通过第二车道轨迹参考线的曲率判断是否为直角转弯场景。上述预设值的大小可以根据情况进行设置,在此不做进一步的限定。
本发明实施例通过基于前向鱼眼镜头拍摄的第一图像进行识别,获得多个第一车道线特征点,然后对多个第一车道线特征点进行曲线拟合得到车道轨迹参考线,最后通过识别该车道轨迹参考线的曲率即可得到当前是否为直角转弯场景。这样,无需受到系统定位误差以及信号强度的限制,提高了直角转弯场景识别的准确度和可靠性。
进一步的,基于上述实施例,本实施例中,上述步骤103包括:
对所述多个第一车道线特征点进行畸变矫正变换;
基于变换后的第一车道线特征点的坐标进行曲线拟合,得到车道轨迹参考线。
在本实施例中,由于前向鱼眼镜头拍摄的第一图像存在畸形,因此需要对第一图像中的坐标点进行畸形变换。具体的,畸形变换的算法可以根据实际需要进行设置,在此不做进一步的限定。
在一可选实施例中,进行曲线拟合时,可以采用3次多项式进行曲线拟合。也就是说,上述基于变换后的第一车道线特征点的坐标进行曲线拟合,得到车道轨迹参考线包括:利用3次多项式对变换后的第一车道线特征点进行曲线拟合,得到车道轨迹参考线。当然,在其他实施例中,还可以采用最小2乘等算法进行曲线拟合,在此不再一一列举。
由于在本实施例中,仅需要对第一车道线特征点进行畸形变换,因此可以降低畸形变换的计算量,从而缩短直角转弯场景识别的时间。当然在其他实施例中,还可以首先对第一图像进行整体的畸形变换,然后进行第一车道线特征点的检测。
应当说明的是,上述车道线检测模型的训练方式可以根据实际需要进行设置,例如,在本实施例中,如图3所示,上述步骤101之前,该方法还包括:
步骤106、获取多张第二图像,所述多张第二图像为前向鱼眼镜头拍摄的图像,且每一所述第二图像包括直角转弯区域的目标车道线,所述目标车道线包括当前行驶车道前方的车道线以及位于所述当前行驶车道的左右两侧中至少一侧的车道线;
需要说明的是,为了识别左右车道的车道线,以满足不同场景的需求,本实施例中,优选的,上述目标车道线包括当前行驶车道前方的车道线以及位于所述当前行驶车道的左右两侧的车道线。
步骤107、在对所述第二图像中的第二车道线特征点进行标注后,获取所述第二车道线特征点的标注信息,所述标注信息包括所述第二车道线特征点的坐标信息;
用户可以手动对每一第二图像上的第二车道线特征点进行标注,例如,用户可以点击选择相应的点,从而确定为第二车道线特征点,并记录该第二车道线特征点的标注信息。为了提高训练的车道线检测模型对第一车道线特征点识别的精度,在一可选实施例中,标注的第二车道线特征点可以为均匀间隔设置的点。
步骤108、将所述多张第二图像以及每一第二图像对应的标注信息输入到卷积神经网络的网络模型中,并以车道线特征点作为输出,进行训练得到所述车道线检测模型。
通过对每一第二图像进行标注后,可以进行车道线检测模型训练,以识别第一图像的车道线。这样由于利用卷积神经网络深度学习训练得到用于识别第一图像的车道线,并输出第一车道线特征点的车道线检测模型。从而可以大大提高系统的鲁棒性,降低后续维护成本。
进一步的,基于上述实施例,本实施例中,在上述步骤105之后,所述方法还包括:
输出所述车道轨迹参考线至决策控制系统,以供所述决策控制系统根据所述车道轨迹参考线进行车辆行驶控制。
如图2所示,本实施例中,输出的车道轨迹参考线可以为所有拟合得到的车道轨迹参考线,当确定车辆在车道A时,输出的车道轨迹参考线可以为第一车道轨迹参考线;此外,还可以为第一车道轨迹参考线201和第一车道轨迹参考线202中心线,具体在此不做进一步的限定。
由于在本实施例中,可以持续的输出车道轨迹参考线,可以保证车辆可以安全的通过直角转弯区域。
需要说明的是,本发明实施例中介绍的多种可选的实施方式,彼此可以相互结合实现,也可以单独实现,对此本发明实施例不作限定。
参见图4,图4是本发明实施例提供的车载设备的结构图,如图4所示,车载设备400包括:
第一获取模块401,用于获取前向鱼眼镜头拍摄的第一图像;
处理模块402,用于将所述第一图像输入车道线检测模型,获得所述第一图像中的多个第一车道线特征点,所述车道线检测模型是利用卷积神经网络训练的网络模型;
拟合模块403,用于根据所述多个第一车道线特征点进行曲线拟合,得到车道轨迹参考线;
识别模块404,用于识别所述车道轨迹参考线的曲率;
确定模块405,用于如果所述曲率大于预设值,确定为直角转弯场景。
可选的,所述拟合模块403包括:
变换单元,用于对所述多个第一车道线特征点进行畸变矫正变换;
拟合单元,用于基于变换后的第一车道线特征点的坐标进行曲线拟合,得到车道轨迹参考线。
可选的,所述拟合单元具体用于:利用3次多项式对变换后的第一车道线特征点进行曲线拟合,得到车道轨迹参考线。
可选的,所述车载设备400还包括:
第二获取模块,用于获取多张第二图像,所述多张第二图像为前向鱼眼镜头拍摄的图像,且每一所述第二图像包括直角转弯区域的目标车道线,所述目标车道线包括当前行驶车道前方的车道线以及位于所述当前行驶车道的左右两侧中至少一侧的车道线;
第三获取模块,用于在对所述第二图像中的第二车道线特征点进行标注后,获取所述第二车道线特征点的标注信息,所述标注信息包括所述第二车道线特征点的坐标信息;
训练模块,用于将所述多张第二图像以及每一第二图像对应的标注信息输入到卷积神经网络的网络模型中,并以车道线特征点作为输出,进行训练得到所述车道线检测模型。
可选的,所述车载设备400还包括:
输出模块,用于输出所述车道轨迹参考线至决策控制系统,以供所述决策控制系统根据所述车道轨迹参考线进行车辆行驶控制。
本发明实施例提供的车载设备能够实现图1至图3的方法实施例中车载设备实现的各个过程,为避免重复,这里不再赘述。
图5为实现本发明各个实施例的一种车载设备的硬件结构示意图。
该车载设备500包括但不限于:射频单元501、网络模块502、音频输出单元503、输入单元504、传感器505、显示单元506、用户输入单元507、接口单元508、存储器509、处理器510、以及电源511等部件。本领域技术人员可以理解,图5中示出的车载设备结构并不构成对车载设备的限定,车载设备可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
其中,处理器510,用于:获取前向鱼眼镜头拍摄的第一图像;将所述第一图像输入车道线检测模型,获得所述第一图像中的多个第一车道线特征点,所述车道线检测模型是利用卷积神经网络训练的网络模型;根据所述多个第一车道线特征点进行曲线拟合,得到车道轨迹参考线;识别所述车道轨迹参考线的曲率;如果所述曲率大于预设值,确定为直角转弯场景。
可选的,处理器510,具体用于:对所述多个第一车道线特征点进行畸变矫正变换;基于变换后的第一车道线特征点的坐标进行曲线拟合,得到车道轨迹参考线。
可选的,处理器510,具体用于:利用3次多项式对变换后的第一车道线特征点进行曲线拟合,得到车道轨迹参考线。
可选的,处理器510,还用于:获取多张第二图像,所述多张第二图像为前向鱼眼镜头拍摄的图像,且每一所述第二图像包括直角转弯区域的目标车道线,所述目标车道线包括当前行驶车道前方的车道线以及位于所述当前行驶车道的左右两侧中至少一侧的车道线;在对所述第二图像中的第二车道线特征点进行标注后,获取所述第二车道线特征点的标注信息,所述标注信息包括所述第二车道线特征点的坐标信息;将所述多张第二图像以及每一第二图像对应的标注信息输入到卷积神经网络的网络模型中,并以车道线特征点作为输出,进行训练得到所述车道线检测模型。
可选的,处理器510,还用于:输出所述车道轨迹参考线至决策控制系统,以供所述决策控制系统根据所述车道轨迹参考线进行车辆行驶控制。
本发明实施例通过基于前向鱼眼镜头拍摄的第一图像进行识别,获得多个第一车道线特征点,然后对多个第一车道线特征点进行曲线拟合得到车道轨迹参考线,最后通过识别该车道轨迹参考线的曲率即可得到当前是否为直角转弯场景。这样,无需受到系统定位误差以及信号强度的限制,提高了直角转弯场景识别的准确度和可靠性。
应理解的是,本发明实施例中,射频单元501可用于收发信息或通话过程中,信号的接收和发送,具体的,将来自基站的下行数据接收后,给处理器510处理;另外,将上行的数据发送给基站。通常,射频单元501包括但不限于天线、至少一个放大器、收发信机、耦合器、低噪声放大器、双工器等。此外,射频单元501还可以通过无线通信系统与网络和其他设备通信。
车载设备通过网络模块502为用户提供了无线的宽带互联网访问,如帮助用户收发电子邮件、浏览网页和访问流式媒体等。
音频输出单元503可以将射频单元501或网络模块502接收的或者在存储器509中存储的音频数据转换成音频信号并且输出为声音。而且,音频输出单元503还可以提供与车载设备500执行的特定功能相关的音频输出(例如,呼叫信号接收声音、消息接收声音等等)。音频输出单元503包括扬声器、蜂鸣器以及受话器等。
输入单元504用于接收音频或视频信号。输入单元504可以包括图形处理器(Graphics Processing Unit,GPU)5041和麦克风5042,图形处理器5041对在视频捕获模式或图像捕获模式中由图像捕获装置(如摄像头)获得的静态图片或视频的图像数据进行处理。处理后的图像帧可以显示在显示单元506上。经图形处理器5041处理后的图像帧可以存储在存储器509(或其它存储介质)中或者经由射频单元501或网络模块502进行发送。麦克风5042可以接收声音,并且能够将这样的声音处理为音频数据。处理后的音频数据可以在电话通话模式的情况下转换为可经由射频单元501发送到移动通信基站的格式输出。
车载设备500还包括至少一种传感器505,比如光传感器、运动传感器以及其他传感器。具体地,光传感器包括环境光传感器及接近传感器,其中,环境光传感器可根据环境光线的明暗来调节显示面板5061的亮度,接近传感器可在车载设备500移动到耳边时,关闭显示面板5061和/或背光。作为运动传感器的一种,加速计传感器可检测各个方向上(一般为三轴)加速度的大小,静止时可检测出重力的大小及方向,可用于识别车载设备姿态(比如横竖屏切换、相关游戏、磁力计姿态校准)、振动识别相关功能(比如计步器、敲击)等;传感器505还可以包括指纹传感器、压力传感器、虹膜传感器、分子传感器、陀螺仪、气压计、湿度计、温度计、红外线传感器等,在此不再赘述。
显示单元506用于显示由用户输入的信息或提供给用户的信息。显示单元506可包括显示面板5061,可以采用液晶显示器(Liquid Crystal Display,LCD)、有机发光二极管(Organic Light-Emitting Diode,OLED)等形式来配置显示面板5061。
用户输入单元507可用于接收输入的数字或字符信息,以及产生与车载设备的用户设置以及功能控制有关的键信号输入。具体地,用户输入单元507包括触控面板5071以及其他输入设备5072。触控面板5071,也称为触摸屏,可收集用户在其上或附近的触摸操作(比如用户使用手指、触笔等任何适合的物体或附件在触控面板5071上或在触控面板5071附近的操作)。触控面板5071可包括触摸检测装置和触摸控制器两个部分。其中,触摸检测装置检测用户的触摸方位,并检测触摸操作带来的信号,将信号传送给触摸控制器;触摸控制器从触摸检测装置上接收触摸信息,并将它转换成触点坐标,再送给处理器510,接收处理器510发来的命令并加以执行。此外,可以采用电阻式、电容式、红外线以及表面声波等多种类型实现触控面板5071。除了触控面板5071,用户输入单元507还可以包括其他输入设备5072。具体地,其他输入设备5072可以包括但不限于物理键盘、功能键(比如音量控制按键、开关按键等)、轨迹球、鼠标、操作杆,在此不再赘述。
进一步的,触控面板5071可覆盖在显示面板5061上,当触控面板5071检测到在其上或附近的触摸操作后,传送给处理器510以确定触摸事件的类型,随后处理器510根据触摸事件的类型在显示面板5061上提供相应的视觉输出。虽然在图5中,触控面板5071与显示面板5061是作为两个独立的部件来实现车载设备的输入和输出功能,但是在某些实施例中,可以将触控面板5071与显示面板5061集成而实现车载设备的输入和输出功能,具体此处不做限定。
接口单元508为外部装置与车载设备500连接的接口。例如,外部装置可以包括有线或无线头戴式耳机端口、外部电源(或电池充电器)端口、有线或无线数据端口、存储卡端口、用于连接具有识别模块的装置的端口、音频输入/输出(I/O)端口、视频I/O端口、耳机端口等等。接口单元508可以用于接收来自外部装置的输入(例如,数据信息、电力等等)并且将接收到的输入传输到车载设备500内的一个或多个元件或者可以用于在车载设备500和外部装置之间传输数据。
存储器509可用于存储软件程序以及各种数据。存储器509可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等;存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外,存储器509可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
处理器510是车载设备的控制中心,利用各种接口和线路连接整个车载设备的各个部分,通过运行或执行存储在存储器509内的软件程序和/或模块,以及调用存储在存储器509内的数据,执行车载设备的各种功能和处理数据,从而对车载设备进行整体监控。处理器510可包括一个或多个处理单元;优选的,处理器510可集成应用处理器和调制解调处理器,其中,应用处理器主要处理操作系统、用户界面和应用程序等,调制解调处理器主要处理无线通信。可以理解的是,上述调制解调处理器也可以不集成到处理器510中。
车载设备500还可以包括给各个部件供电的电源511(比如电池),优选的,电源511可以通过电源管理系统与处理器510逻辑相连,从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。
另外,车载设备500包括一些未示出的功能模块,在此不再赘述。
优选的,本发明实施例还提供一种车载设备,包括处理器510,存储器509,存储在存储器509上并可在所述处理器510上运行的计算机程序,该计算机程序被处理器510执行时实现上述基于前向鱼眼镜头的直角弯识别方法实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。
本发明实施例还提供一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序,该计算机程序被处理器执行时实现上述基于前向鱼眼镜头的直角弯识别方法实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。其中,所述的计算机可读存储介质,如只读存储器(Read-Only Memory,简称ROM)、随机存取存储器(RandomAccess Memory,简称RAM)、磁碟或者光盘等。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本发明实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种基于前向鱼眼镜头的直角弯识别方法,其特征在于,包括:
获取前向鱼眼镜头拍摄的第一图像;
将所述第一图像输入车道线检测模型,获得所述第一图像中的多个第一车道线特征点,所述车道线检测模型是利用卷积神经网络训练的网络模型;
根据所述多个第一车道线特征点进行曲线拟合,得到车道轨迹参考线;
识别所述车道轨迹参考线的曲率;
如果所述曲率大于预设值,确定为直角转弯场景;
其中,所述多个第一车道线特征点包括车辆当前行驶车道前方的车道线中的特征点以及所述车辆的当前行驶车道的两侧车道线中的特征点;
所述根据所述多个第一车道线特征点进行曲线拟合,得到车道轨迹参考线,包括:
将所述当前行驶车道前方的车道线中的特征点与所述当前行驶车道的左侧车道线中的特征点进行拟合得到第一车道轨迹参考线,以及将所述当前行驶车道前方的车道线中的特征点与所述当前行驶车道的右侧车道线中的特征点进行拟合得到第二车道轨迹参考线;
其中,所述第一车道轨迹参考线和所述第二车道轨迹参考线的曲率均大于所述预设值,确定为直角转弯场景;
其中,所述获取前向鱼眼镜头拍摄的第一图像之前,所述方法还包括:
获取多张第二图像,所述多张第二图像为前向鱼眼镜头拍摄的图像,且每一所述第二图像包括直角转弯区域的目标车道线,所述目标车道线包括车辆当前行驶车道前方的车道线以及所述车辆的当前行驶车道的左右两侧中至少一侧的车道线;
在对所述第二图像中的第二车道线特征点进行标注后,获取所述第二车道线特征点的标注信息,所述标注信息包括所述第二车道线特征点的坐标信息;
将所述多张第二图像以及每一第二图像对应的标注信息输入到卷积神经网络的网络模型中,并以车道线特征点作为输出,进行训练得到所述车道线检测模型。
2.根据权利要求1所述的方法,其特征在于,所述根据所述多个第一车道线特征点进行曲线拟合,得到车道轨迹参考线包括:
对所述多个第一车道线特征点进行畸变矫正变换;
基于变换后的第一车道线特征点的坐标进行曲线拟合,得到车道轨迹参考线。
3.根据权利要求2所述的方法,其特征在于,所述基于变换后的第一车道线特征点的坐标进行曲线拟合,得到车道轨迹参考线包括:
利用3次多项式对变换后的第一车道线特征点进行曲线拟合,得到车道轨迹参考线。
4.根据权利要求1至3中任一项所述的方法,其特征在于,所述如果所述曲率大于预设值,确定为直角转弯场景之后,所述方法还包括:
输出所述车道轨迹参考线至决策控制系统,以供所述决策控制系统根据所述车道轨迹参考线进行车辆行驶控制。
5.一种车载设备,其特征在于,包括:
第一获取模块,用于获取前向鱼眼镜头拍摄的第一图像;
处理模块,用于将所述第一图像输入车道线检测模型,获得所述第一图像中的多个第一车道线特征点,所述车道线检测模型是利用卷积神经网络训练的网络模型;
拟合模块,用于根据所述多个第一车道线特征点进行曲线拟合,得到车道轨迹参考线;
识别模块,用于识别所述车道轨迹参考线的曲率;
确定模块,用于如果所述曲率大于预设值,确定为直角转弯场景;
其中,所述多个第一车道线特征点包括车辆当前行驶车道前方的车道线中的特征点以及所述车辆的当前行驶车道的两侧车道线中的特征点;
所述根据所述多个第一车道线特征点进行曲线拟合,得到车道轨迹参考线,包括:
将所述当前行驶车道前方的车道线中的特征点与所述当前行驶车道的左侧车道线中的特征点进行拟合得到第一车道轨迹参考线,以及将所述当前行驶车道前方的车道线中的特征点与所述当前行驶车道的右侧车道线中的特征点进行拟合得到第二车道轨迹参考线;
其中,所述第一车道轨迹参考线和所述第二车道轨迹参考线的曲率均大于所述预设值,确定为直角转弯场景;
其中,所述车载设备还包括:
第二获取模块,用于获取多张第二图像,所述多张第二图像为前向鱼眼镜头拍摄的图像,且每一所述第二图像包括直角转弯区域的目标车道线,所述目标车道线包括车辆当前行驶车道前方的车道线以及所述车辆的当前行驶车道的左右两侧中至少一侧的车道线;
第三获取模块,用于在对所述第二图像中的第二车道线特征点进行标注后,获取所述第二车道线特征点的标注信息,所述标注信息包括所述第二车道线特征点的坐标信息;
训练模块,用于将所述多张第二图像以及每一第二图像对应的标注信息输入到卷积神经网络的网络模型中,并以车道线特征点作为输出,进行训练得到所述车道线检测模型。
6.根据权利要求5所述的车载设备,其特征在于,所述拟合模块包括:
变换单元,用于对所述多个第一车道线特征点进行畸变矫正变换;
拟合单元,用于基于变换后的第一车道线特征点的坐标进行曲线拟合,得到车道轨迹参考线。
7.根据权利要求6所述的车载设备,其特征在于,所述拟合单元具体用于:利用3次多项式对变换后的第一车道线特征点进行曲线拟合,得到车道轨迹参考线。
8.根据权利要求5至7中任一项所述的车载设备,其特征在于,所述车载设备还包括:
输出模块,用于输出所述车道轨迹参考线至决策控制系统,以供所述决策控制系统根据所述车道轨迹参考线进行车辆行驶控制。
9.一种车载设备,其特征在于,包括处理器、存储器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述计算机程序被所述处理器执行时实现如权利要求1至4中任一项所述的基于前向鱼眼镜头的直角弯识别方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1-4中任一项所述的基于前向鱼眼镜头的直角弯识别方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811637263.8A CN109784234B (zh) | 2018-12-29 | 2018-12-29 | 一种基于前向鱼眼镜头的直角弯识别方法及车载设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811637263.8A CN109784234B (zh) | 2018-12-29 | 2018-12-29 | 一种基于前向鱼眼镜头的直角弯识别方法及车载设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109784234A CN109784234A (zh) | 2019-05-21 |
CN109784234B true CN109784234B (zh) | 2022-01-07 |
Family
ID=66498966
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811637263.8A Active CN109784234B (zh) | 2018-12-29 | 2018-12-29 | 一种基于前向鱼眼镜头的直角弯识别方法及车载设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109784234B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110796066B (zh) * | 2019-10-26 | 2022-09-20 | 武汉中海庭数据技术有限公司 | 一种车道线组构建方法及装置 |
KR102673140B1 (ko) * | 2019-11-29 | 2024-06-10 | 현대모비스 주식회사 | 주변 차량을 활용한 곡률 정보 보정 시스템 및 방법 |
CN113246997A (zh) * | 2021-06-28 | 2021-08-13 | 智道网联科技(北京)有限公司 | 智能驾驶中的安全监测方法、装置、电子设备及存储介质 |
Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1612175A (zh) * | 2003-10-29 | 2005-05-04 | 日产自动车株式会社 | 车道偏离防止设备 |
CN101357616A (zh) * | 2008-09-27 | 2009-02-04 | 清华大学 | 智能环境友好型汽车结构 |
CN102737248A (zh) * | 2012-06-21 | 2012-10-17 | 河南工业大学 | 复杂路况下的车道线特征点提取方法与装置 |
CN105426861A (zh) * | 2015-12-02 | 2016-03-23 | 百度在线网络技术(北京)有限公司 | 车道线确定方法及装置 |
CN106778551A (zh) * | 2016-11-30 | 2017-05-31 | 南京理工大学 | 一种高速路段及城市道路车道线识别方法 |
CN106919915A (zh) * | 2017-02-22 | 2017-07-04 | 武汉极目智能技术有限公司 | 基于adas系统的地图道路标记及道路质量采集装置及方法 |
CN107037817A (zh) * | 2017-06-19 | 2017-08-11 | 吉林大学 | 一种智能电动车纵侧向集成控制平台及车辆 |
CN107310475A (zh) * | 2017-05-17 | 2017-11-03 | 广州小鹏汽车科技有限公司 | 一种智能汽车预警功能的显示方法及系统 |
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 |
CN107640152A (zh) * | 2017-08-08 | 2018-01-30 | 吉利汽车研究院(宁波)有限公司 | 一种车道保持辅助系统的可靠性控制装置及方法 |
CN107862268A (zh) * | 2017-10-30 | 2018-03-30 | 深圳市易成自动驾驶技术有限公司 | 环视车道线识别方法、装置及计算机可读存储介质 |
CN108268813A (zh) * | 2016-12-30 | 2018-07-10 | 北京文安智能技术股份有限公司 | 一种车道偏离预警方法、装置及电子设备 |
CN108482370A (zh) * | 2018-04-13 | 2018-09-04 | 北京奥特尼克科技有限公司 | 一种商用车车道保持系统及其控制策略设计 |
CN108537197A (zh) * | 2018-04-18 | 2018-09-14 | 吉林大学 | 一种基于深度学习的车道线检测预警装置及预警方法 |
CN108573242A (zh) * | 2018-04-26 | 2018-09-25 | 南京行车宝智能科技有限公司 | 一种车道线检测方法和装置 |
CN108622103A (zh) * | 2018-05-08 | 2018-10-09 | 清华大学 | 行车风险辨识模型的标定方法和系统 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108052910A (zh) * | 2017-12-19 | 2018-05-18 | 深圳市保千里电子有限公司 | 一种车辆全景成像系统的自动调整方法、装置及存储介质 |
CN108694386B (zh) * | 2018-05-15 | 2021-08-10 | 华南理工大学 | 一种基于并联卷积神经网络的车道线检测方法 |
-
2018
- 2018-12-29 CN CN201811637263.8A patent/CN109784234B/zh active Active
Patent Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1612175A (zh) * | 2003-10-29 | 2005-05-04 | 日产自动车株式会社 | 车道偏离防止设备 |
CN101357616A (zh) * | 2008-09-27 | 2009-02-04 | 清华大学 | 智能环境友好型汽车结构 |
CN102737248A (zh) * | 2012-06-21 | 2012-10-17 | 河南工业大学 | 复杂路况下的车道线特征点提取方法与装置 |
CN105426861A (zh) * | 2015-12-02 | 2016-03-23 | 百度在线网络技术(北京)有限公司 | 车道线确定方法及装置 |
CN106778551A (zh) * | 2016-11-30 | 2017-05-31 | 南京理工大学 | 一种高速路段及城市道路车道线识别方法 |
CN108268813A (zh) * | 2016-12-30 | 2018-07-10 | 北京文安智能技术股份有限公司 | 一种车道偏离预警方法、装置及电子设备 |
CN106919915A (zh) * | 2017-02-22 | 2017-07-04 | 武汉极目智能技术有限公司 | 基于adas系统的地图道路标记及道路质量采集装置及方法 |
CN107310475A (zh) * | 2017-05-17 | 2017-11-03 | 广州小鹏汽车科技有限公司 | 一种智能汽车预警功能的显示方法及系统 |
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 |
CN107037817A (zh) * | 2017-06-19 | 2017-08-11 | 吉林大学 | 一种智能电动车纵侧向集成控制平台及车辆 |
CN107640152A (zh) * | 2017-08-08 | 2018-01-30 | 吉利汽车研究院(宁波)有限公司 | 一种车道保持辅助系统的可靠性控制装置及方法 |
CN107862268A (zh) * | 2017-10-30 | 2018-03-30 | 深圳市易成自动驾驶技术有限公司 | 环视车道线识别方法、装置及计算机可读存储介质 |
CN108482370A (zh) * | 2018-04-13 | 2018-09-04 | 北京奥特尼克科技有限公司 | 一种商用车车道保持系统及其控制策略设计 |
CN108537197A (zh) * | 2018-04-18 | 2018-09-14 | 吉林大学 | 一种基于深度学习的车道线检测预警装置及预警方法 |
CN108573242A (zh) * | 2018-04-26 | 2018-09-25 | 南京行车宝智能科技有限公司 | 一种车道线检测方法和装置 |
CN108622103A (zh) * | 2018-05-08 | 2018-10-09 | 清华大学 | 行车风险辨识模型的标定方法和系统 |
Also Published As
Publication number | Publication date |
---|---|
CN109784234A (zh) | 2019-05-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108038825B (zh) | 一种图像处理方法及移动终端 | |
CN108153422B (zh) | 一种显示对象控制方法和移动终端 | |
CN109977845B (zh) | 一种可行驶区域检测方法及车载终端 | |
CN110557575B (zh) | 消除炫光的方法和电子设备 | |
CN108055402B (zh) | 一种拍摄方法及移动终端 | |
CN110113528B (zh) | 一种参数获取方法及终端设备 | |
CN108846663B (zh) | 一种二维码调整方法、装置及移动终端 | |
CN110300267B (zh) | 拍照方法和终端设备 | |
CN109784234B (zh) | 一种基于前向鱼眼镜头的直角弯识别方法及车载设备 | |
CN110602389B (zh) | 一种显示方法及电子设备 | |
CN111031234B (zh) | 一种图像处理方法及电子设备 | |
CN108447146B (zh) | 拍摄方向偏移检测方法及装置 | |
CN110519503B (zh) | 一种扫描图像的获取方法及移动终端 | |
CN111401463B (zh) | 检测结果输出的方法、电子设备及介质 | |
CN109711477B (zh) | 一种自动驾驶模型的训练方法及装置 | |
CN108196663B (zh) | 一种人脸识别方法、移动终端 | |
CN108960097B (zh) | 一种获取人脸深度信息的方法及装置 | |
CN107730030B (zh) | 一种路径规划方法及移动终端 | |
CN109685850B (zh) | 一种横向定位方法及车载设备 | |
CN110046569B (zh) | 一种无人驾驶数据处理方法、装置及电子设备 | |
CN110381281B (zh) | 一种提示方法及移动终端 | |
CN109489680B (zh) | 一种螺旋车道的参考轨迹线生成方法及车载设备 | |
CN110126829B (zh) | 扭矩滤波系数确定方法、车载终端及车辆 | |
CN109561424B (zh) | 一种数据标识生成方法及移动终端 | |
CN109257543B (zh) | 拍摄模式控制方法及移动终端 |
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 | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20211012 Address after: 105 / F, building 1, No. 10, Shangdi 10th Street, Haidian District, Beijing 100085 Applicant after: Apollo Intelligent Technology (Beijing) Co.,Ltd. Address before: 100085 Baidu Building, 10 Shangdi Tenth Street, Haidian District, Beijing Applicant before: BAIDU ONLINE NETWORK TECHNOLOGY (BEIJING) Co.,Ltd. |
|
TA01 | Transfer of patent application right | ||
GR01 | Patent grant | ||
GR01 | Patent grant |