CN110084095A - 车道线检测方法、车道线检测装置和计算机存储介质 - Google Patents

车道线检测方法、车道线检测装置和计算机存储介质 Download PDF

Info

Publication number
CN110084095A
CN110084095A CN201910185968.9A CN201910185968A CN110084095A CN 110084095 A CN110084095 A CN 110084095A CN 201910185968 A CN201910185968 A CN 201910185968A CN 110084095 A CN110084095 A CN 110084095A
Authority
CN
China
Prior art keywords
pixel
collection
pixel collection
road image
lane
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.)
Granted
Application number
CN201910185968.9A
Other languages
English (en)
Other versions
CN110084095B (zh
Inventor
周章伟
李乾坤
卢维
殷俊
张兴明
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang Dahua Technology Co Ltd
Original Assignee
Zhejiang Dahua Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhejiang Dahua Technology Co Ltd filed Critical Zhejiang Dahua Technology Co Ltd
Priority to CN201910185968.9A priority Critical patent/CN110084095B/zh
Publication of CN110084095A publication Critical patent/CN110084095A/zh
Priority to EP19919466.3A priority patent/EP3921773A4/en
Priority to PCT/CN2019/126329 priority patent/WO2020181870A1/en
Priority to US17/447,421 priority patent/US12087010B2/en
Application granted granted Critical
Publication of CN110084095B publication Critical patent/CN110084095B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2431—Multiple classes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/12—Edge-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • 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
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • 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
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/469—Contour-based spatial representations, e.g. vector-coding
    • G06V10/471—Contour-based spatial representations, e.g. vector-coding using approximation functions
    • 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
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • 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
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • 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
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10024—Color image
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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
    • G06V10/443—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 by matching or filtering
    • G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
    • G06V10/451—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters with interaction between the filter responses, e.g. cortical complex cells
    • G06V10/454—Integrating the filters into a hierarchical structure, e.g. convolutional neural networks [CNN]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Multimedia (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Image Analysis (AREA)

Abstract

本申请公开了一种车道线检测方法、车道线检测装置和计算机存储介质。该车道线检测方法包括：获取道路图像；利用预先训练的语义分割网络对道路图像进行处理，获取道路图像中每个像素点的语义类别；将语义类别相同，且满足预设规则的像素点作为一像素点集合，以获得多个像素点集合；对每个像素点集合进行拟合处理，以获取作为车道线的拟合线。通过上述车道线检测方法，可以在任意场景中识别出任意形状的车道线。

Description

车道线检测方法、车道线检测装置和计算机存储介质
技术领域
本申请涉及图像处理领域，特别是涉及一种车道线检测方法、车道线检测装置和计算机存储介质。
背景技术
车道线检测技术广泛应用在自动驾驶、车辆安全监控等领域中，近年来随着深度学习的迅速发展，一些检测网络用于车道线检测中。
现有的车道线检测技术在检测车道线过程中，会出现许多误检，例如栏杆、树木、车辆、交通标识符等。现有的检测技术只能针对特定的场景做处理，鲁棒性不强，无法适用任意环境下的车道线检测。而且有些物体如栏杆，其RGB值及形状都和车道线极其相似，只能根据物体周围环境区分，无法适用任意形状的车道线检测。
发明内容
本申请提供一种车道线检测方法、车道线检测装置和计算机存储介质，以解决现有技术中无法在任意场景中识别出任意形状车道线的问题。
为解决上述技术问题，本申请提供一种车道线检测方法，其包括：
获取道路图像；
利用预先训练的语义分割网络对所述道路图像进行处理，获取所述道路图像中每个像素点的语义类别；
将语义类别相同，且满足预设规则的像素点作为一像素点集合，以获得多个像素点集合；
对每个像素点集合进行拟合处理，以获取作为所述车道线的拟合线。
为解决上述技术问题，本申请提供一种车道线检测装置，其包括：存储器和处理器，存储器中存储有计算机程序，处理器用于执行计算机程序以实现上述车道线检测方法的步骤。
为解决上述技术问题，本申请提供一种计算机存储介质，其中存储有计算机程序，计算机程序被处理器执行时实现上述车道线检测方法。
与现有技术相比，本申请的有益效果是：车道线检测装置获取道路图像，利用预先训练的语义分割网络对获取的道路图像进行处理，以获取道路图像中每个像素点的语义类别；然后将语义类别相同，且满足预设规则的像素点作为一像素点集合，以获取多个像素点集合；最后对每个像素点集合进行拟合处理，以获取作为车道线的拟合线。通过上述车道线检测方法，可以在任意场景中识别出任意形状的车道线。
附图说明
图1是本申请车道线检测方法一实施例的流程示意图；
图2是图1所示车道线检测方法实施例中所获取到的道路图像；
图3是对图2所示道路图像进行处理后得到的语义图像；
图4是图1所述车道线检测方法实施例中Mobilenet-Fcn网络的框架图；
图5是图1所示车道线检测方法实施例中步骤S103的流程示意图；
图6是图1所示车道线检测方法实施例中步骤S104的的一流程示意图；
图7是道路图像中出现干扰线的示意图；
图8是图1所示车道线检测方法实施例中步骤S104的的另一流程示意图；
图9是图1所示车道线检测方法实施例中步骤S104的的又一流程示意图；
图10是道路图像中出现语义类别判断错误的示意图；
图11是图2所示道路图像进行二值变换后的示意图；
图12是本申请车道线检测装置一实施例的结构示意图；
图13是本申请计算机存储介质一实施例的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请的一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
本申请提出了一种车道线检测方法，具体请参阅图1，图1是本申请车道线检测方法一实施例的流程示意图。
如图1所示，本实施例的车道线检测方法应用于车道线检测装置，该检测方法包括以下步骤：
S101：获取道路图像。
其中，检测装置获取道路图像。检测装置可以通信连接外部摄像装置，而摄像装置可以安装在道路上或移动的汽车上。摄像装置按照预设周期对道路上的信息进行采集，将采集到的信息作为道路图像或将采集到的信息合成为道路图像发送给检测装置。
另外，检测装置也可以接入外部存储设备，外部存储设备可以为移动硬盘、软盘驱动器、U盘或光盘驱动器等；其中，外部存储设备中存储有道路图像，检测装置可以直接从外部存储设备获取道路图像。请参阅图2，图2是图1所示车道线检测方法实施例中所获取到的道路图像。
S102：利用预先训练的语义分割网络对道路图像进行处理，获取道路图像中每个像素点的语义类别。
本步骤具体即将道路图像输入至语义分割网络，经语义分割网络计算后输出得到语义图像，即可获得每个像素点的语义类别。本实施例中语义分割网络用于对车道线进行分类，例如将道路图像中的车道线以红色或绿色进行呈现，其他部分则以黑色作为背景进行呈现，语义类别为实线的以红色显示，语义类别为虚线的以绿色显示，即对像素值进行处理，以像素值来体现语义类别。例如图3，图3是对图2所示道路图像进行处理后得到的语义图像。图3中标注绿色的两条线即语义图像中以绿色显示的线，表示语义类别为虚线的车道线；而标注红色的两条线即语义图像中以红色显示的线，表示语义类别为实线的车道线。
在本实施例语义分割网络中，采用深度可分离卷积结构(depth-wise)对道路图像进行特征提取，从而获得道路图像的特征卷积层；然后利用全卷积网络(Fcn网络)对特征卷积层进行处理，获得道路图像中每个像素点的语义类别。
具体来说，本实施例中结合具有深度可分离卷积结构的Mobilenet网络和全卷积Fcn网络来对道路图像进行处理，具体请参阅图4，图4是图1所示车道线检测方法实施例中Mobilenet-Fcn网络的框架图。
Mobilenet网络用于对道路图像进行图像特征提取，相较于原有的传统3D卷积，Mobilenet网络采用了depth-wise(深度可分离卷积结构)的卷积方式对道路图像进行处理。通过深度可分离卷积结构可以有效减少卷积的冗余表达，Mobilenet网络提取的参数量缩小为传统3D卷积的1/10，还能跟保持与传统3D卷积相同的精度。在参数数量明显下降之后，Mobilenet网络可以适用于嵌入式平台中。
具体地，向Mobilenet网络输入道路图像，经过N*N卷积核的卷积层，输出道路图像的特征卷积层；Mobilenet网络在卷积层之后会接上若干个全连接层，将卷积层产生的特征卷积层映射成一个固定长度的特征向量。
全卷积Fcn网络是通过反卷积将Mobilenet网络的输出特征卷积层大小恢复至原道路图像大小，并对每一个像素点进行分类。由于对Mobilenet网络中最后一层全连接层进行反卷积会导致道路图像失去很多语义信息，而Mobilenet网络的前面几层保留了很多道路图像边缘、色彩、轮廓等信息，因此本实施例将Mobilenet网络的前几层全连接层串接到全卷积网络的反卷积过程中，从而恢复更多道路图像信息和获得道路图像中每个像素点的语义类别。
在步骤S102之前，本实施例的车道线检测方法还可以包括：获取预先训练的语义分割网络对应的图像大小，并对道路图像进行预处理，使得道路图像的输入大小与训练语义分割网络时的图像大小一致。
S103：将语义类别相同，且满足预设规则的像素点作为一像素点集合，以获得多个像素点集合。
其中，获取道路图像中每个像素点的语义类别后，检测装置选择语义类别相同的像素点，并按照预设规则对这些像素点进行筛选，将筛选后的像素点组成一像素点集合。所得到的各个像素点集合对应的是各个车道线，因此预设规则的设置是为了使距离较近的像素点能够作为一个像素点集合。
例如，预设规则可以为与第一像素点的坐标值差值的绝对值小于或等于预设差值，其中，坐标值为横坐标值和/或纵坐标值。同样地，在其它实施例中，预设规则也可以为其它规则，根据设计者的要求设置不同的规则，在此不再赘述。
本实施例中根据步骤S103，检测装置可能获得每一种语义类别下的多个像素点集合。
S104：对每个像素点集合进行拟合处理，以获取作为车道线的拟合线。
其中，检测装置对每个像素点集合进行拟合处理，从而获取作为车道线的拟合线，拟合线可以是拟合直线也可以是拟合曲线。一般来说，每个像素点集合均对应一条车道线，对每个像素点集合进行拟合处理，即可获知对应的车道线，即实现了对车道线的检测。拟合线拟合线
本实施例的车道线检测方法利用预先训练的语义分割网络对道路图像进行处理，从而获取道路图像中每个像素点的语义分类，根据语义分类确定代表车道线的像素点集合，对像素点集合进行拟合处理，从而实现车道线的检测。具体在本实施例语义分割网络中，先利用深度可分离卷积结构对都图像进行特征提取，获得道路图像的特征卷积层，然后利用全卷积网络对上述特征卷积层进行处理，获取道路图像中每个像素点的语义类别；通过上述的Mobilenet-Fcn网络，能够减少图像特征提取中的参数数量，从而减少计算量，并且通过将Mobilenet网络的全连接层串接到反卷积过程中，能够恢复道路图像信息从而达到像素分类的目的，进而提高像素分类的准确性；像素分类后，将语义类别相同，且满足预设规则的像素点作为一像素点集合，以获得多个像素点集合，并对每个像素点集合进行拟合处理，以获取作为车道线的拟合线。
对于图1所示实施例中的步骤S103，本申请进一步提出一种具体的方法。具体请参阅图5，图5是图1所示车道线检测方法实施例中步骤S103的流程示意图。
具体在上述实施例的步骤102中，经Mobilenet-Fcn网络输出与道路图像尺寸大小相同的语义图像，其中每个像素点的像素值表示语义类别，例如，黑色(0,0,0)表示背景，绿色(0,255,0)表示虚线，红色(255,0,0)表示实线。利用以下步骤基于该语义图像对像素点进行分类，得到多个像素点集合。
S201：依序遍历道路图像中的像素点。
其中，以道路图像的左下角像素点的坐标为原点，宽度方向为Y轴，高度方向为X轴建立直角坐标系，并从左到右，从上到下遍历道路图像，检测像素点的语义类别。也可以Mobilenet-Fcn网络输出的语义图像的左下角像素点的坐标为原点，宽度方向为Y轴，高度方向为X轴建立直角坐标系，并从左到右，从上到下遍历语义图像，检测像素点的像素值。依序遍历，实现依次根据像素点来建立像素点集合。
S202：判断是否存在与当前像素点的语义类别相同的同类像素点集合。
其中，对于依序遍历的当前像素点，获取当前像素点的语义类别，并查询是否存在与当前像素点语义类别相同的同类像素点集合。若不存在，则进入步骤S203；若存在，则进入步骤S204。
S203：基于当前像素点新建一像素点集合。
其中，当不存在与当前像素点的语义类别相同的像素点集合时，则基于当前像素点新建一像素点集合。例如，在检测到当前像素点的语义类别为红色(255,0,0)的像素点时，查询并未存在语义类别为实线的像素点集合，则新建红色像素点集合，当前像素点则为该像素点集合中的第一个像素点。
若采用计算机语言描述，可有以下理解，在首次检测到语义类别为绿色(0,255,0)或红色(255,0,0)的像素点时，建立容器1，车道数计1，并将该像素点的坐标值和对应的语义类别保存在容器1中。其中，容器1可表现为一像素点集合或其它形式，在此不再赘述。
例如，在首次检测到RGB值为绿色(0,255,0)的像素点时，建立绿色容器1，并将该像素点的坐标值和对应的语义类别(虚线)保存在绿色容器1中。
在基于语义类别进行分类、建立像素点集合的同时，还需进一步判断像素点在距离上是否靠近同类像素点集合。S204：计算当前像素点与同类像素点集合的最短距离。
其中，在确定同类像素点集合后，计算当前像素点和该同类像素点集合的最短距离，当前像素点与同类像素点集合中所有像素点的距离的最短值。
在本实施例中，以一定顺序遍历图像，例如从左到右，从上到下遍历语义图像；而像素点加入到像素点集合也是依序进行的，因此当前像素点与同类像素点集合的最短距离即为当前像素点与最新保存入该像素点集合的像素点的距离，即当前像素点与容器中最上层像素点的距离。在其它实施例中，若遍历语义图像的方式并非从左到右，从上到下，而是以其它方式或顺序，也可采用同样的计算原理。S205：比较最短距离与距离阈值。
其中，获取当前像素点与同类像素点集合的最短距离后，需要比较该最短距离和预先设置的距离阈值，并根据比较的结果执行下述步骤S206或步骤S207。
S206：若最短距离小于距离阈值，则将当前像素点加入像素点集合。
其中，当最短距离小于预设的距离阈值时，表明当前像素点与同类像素点集合中的同类像素点很接近，认为属于同一车道线的像素点，因此将当前像素点加入该同类像素点集合中。
例如计算机语言中，当再次检测到语义类别为绿色(0,255,0)的像素点时，若计算判断出该像素点与绿色容器1中的最上层的像素点的距离小于距离阈值，则将该像素点保存入绿色容器1中。
S207：若最短距离大于或等于距离阈值，则基于当前像素点新建一像素点集合。
其中，当最短距离大于或等于预设的距离阈值时，表明当前像素点与同类像素点集合中的同类像素点距离较远，可能属于不同车道线的像素点，因此不将该当前像素点加入同类像素点集合，而是基于当前像素点新建一像素点集合。
例如计算机语言中，当再次检测到RGB值为绿色(0,255,0)的像素点时，判断出该像素点与绿色容器1中的像素点的最短距离大于或等于距离阈值，则新建绿色容器2，车道数加1，并将当前像素点保存入绿色容器2。
在依序遍历像素点时，对每个像素点执行上述步骤S202-207，直至对语义图像中的所有像素点进行分类和保存。在完成所有像素点的保存后，即可获得多个像素点集合，统计像素点集合的数量信息，即可获取语义图像中的车道数数量；进一步地，拟合处理多个像素点集合，即可获取在道路图像中多条车道线的位置和类型(虚线或实线)。
在图5所示方法中，车道检测方法通过遍历语义图像中所有像素点的像素值，从而将所有像素点分类并保存到不同的像素点集合；每个像素点集合包括组成一条车道线的多个像素点，同时，像素点集合的语义类别也表示出对应车道线的类型；通过以上像素值的分类，能够识别出任意场景下的车道线。
在确定表示车道线的像素点集合后，对像素点集合进行拟合处理，即可检测出车道线。而在实际操作中，可能会由于光线、环境等因素的影响，出现干扰线或语义类别判断错误等问题。因此，对于图1所示实施例中的步骤S104，拟合处理可以不仅仅是单纯的线性拟合，还可以是线性拟合结合消除干扰处理。首先请参阅图6，图6是图1所示车道线检测方法实施例中步骤S104的一流程示意图。图6所示方法可用于图7所示的情况，图7是道路图像中出现干扰线的示意图。图6所示的方法包括以下步骤。
S301：对像素点集合进行线性拟合。
其中，参考第二实施例步骤S201中的建立的坐标系，以直线拟合为例，在上述实施例的基础上，本实施例检测方法对上述每个像素点集合进行线性拟合，从而得到关于拟合车道线的直线方程。
具体地，若为某个像素点集合中像素点的坐标，假设该像素点集合拟合得到的直线方程为y＝k*x+b。根据上述直线方程，计算该拟合线的损失函数：
其中，由于y＝k*x+b，损失函数还可以表示为：
上述损失函数分别对k，b求偏导，得到：
其中，令上述表达式中的进一步假设
则可以通过上述表达式求出直线方程中的拟合参数k和拟合参数b的数值，具体计算公式如下：
对多个像素点集合执行步骤S301，从而得到多条拟合线的直线方程。
由于在语义图像中，当某个区域的像素点的语义类别和其它区域的像素点的语义类别相同，且两个像素点的坐标距离较近时，则认为这两个像素点都保存在同一像素点集合中。如图7所示情况。
但实际上，其中一个像素点为误差像素点，会影响该像素点集合的线性拟合结果，导致使用最小二乘法对线性拟合时会造成直线往左侧或右侧倾斜，无法输出较好的拟合线。因此，本实施例的车道线检测方法还需要通过以下步骤来去除干扰点，并进行反复迭代直至拟合参数k和拟合参数b的变化率均小于参数变化阈值，即可认为干扰点已完全去除。S302：计算像素点集合中的每一像素点的实际坐标与拟合坐标的坐标差值。
其中，提取像素点集合中像素点的实际坐标，并根据上述步骤S301的直线方程获取每个像素点的拟合坐标；计算每个像素点的实际坐标和拟合坐标的坐标差值，并比较该坐标差值和预先设置的坐标阈值的大小。
若某个像素点的实际坐标和拟合坐标的坐标差值小于或等于坐标阈值，则说明该像素点实际与拟合差别不大，认为该像素点属于车道线中的像素点，不对该像素点做后续处理；若某个像素点的实际坐标和拟合坐标的坐标差值大于坐标阈值，则说明该像素点实际与拟合差别较大，认为该像素点属于车道线附近的干扰点，需将该像素点去除，即进行步骤S303。
S303：将坐标差值大于坐标阈值的像素点从像素点集合中取出，以更新像素点集合。
其中，将该坐标差值对应的像素点从所在像素点集合中删除，以更新所在像素点集合的像素点信息。
S304：对更新后的像素点集合重新进行线性拟合。
其中，对更新后的像素点集合重新进行线性拟合，得到更新后的拟合参数k和拟合参数b。将更新后的拟合参数k和拟合参数b与更新前的拟合参数k和拟合参数b进行比较，分别得到拟合参数k的变化率和拟合参数b的变化率。
S305：直至重新进行线性拟合后，拟合参数的变化率小于参数变化阈值。
其中，分别比较预先设置的参数变化阈值与拟合参数k的变化率和拟合参数b的变化率。
若至少一个拟合参数的变化率大于或等于参数变化阈值，则说明像素点集合中还存在误差像素点，影响拟合线的准确性，重复执行上述步骤S302～步骤S304，并重新比较参数变化阈值和拟合参数的变化率；若拟合参数的变化率均小于参数变化阈值，则停止最小二乘法的迭代。
进一步地，当像素点集合中的所有像素点的坐标差值均小于坐标阈值，拟合参数的变化率仍然大于或等于参数变化时，可以选择缩小坐标阈值的数值，并重新执行步骤S302～步骤S304，直至满足拟合参数的变化率小于参数变化阈值的条件。在本实施例中，在线性拟合过程中，车道线检测方法进一步检验进行线性拟合的像素点集合中是否存在误差像素点；若存在，则删除误差像素点，直至满足拟合参数的变化率小于参数变化阈值的条件，从而消除误差像素点的影响，去除错误检测先，保证车道线线性拟合的准确性。
在上述过程中，由于距离参数设置的问题，可能出现同一车道线被分到不同像素点集合的问题，对于该情况可采用图8所示的方法来进行处理，图8是图1所示车道线检测方法实施例中步骤S104的另一流程示意图。
S401：对每个像素点集合进行拟合处理，并保存拟合参数。
其中，本步骤S401可以为步骤S301仅对像素点进行线性拟合，也可以是步骤S301-S305，即对像素点进行线性拟合后去除干扰点。
S402：比较每两个像素点集合的拟合参数及语义类别。
其中，获取所有像素点集合的拟合参数后，遍历所有拟合线，所有像素点集合两两比较拟合参数和语义类别。
S403：将语义类别相同，且拟合参数的参数差值小于参数阈值的像素点集合合并。
其中，提取语义类别相同的像素点集合，并进一步计算每两个像素点集合的拟合参数的参数差值。当存在两个像素点集合的拟合参数的参数差值小于预先设置的参数阈值时，将两个像素点集合合并，得到一个新的像素点集合，并进入步骤S404。
S404：对合并后的像素点集合进行线性拟合，以获取作为车道线的拟合线。
其中，对新的像素点集合重新进行线性拟合，得到新的拟合线，作为车道线的拟合线。
在本实施例中，车道线检测方法进一步将语义类别相同，且拟合参数类似的拟合线合并为一条拟合线，作为最后显示的车道线，能够进一步提高车道线检测的准确性。
在制作语义图像的过程中，语义图像中的表示车道线类型的实线和虚线分开标注，通过上述实施例中的Mobilenet-Fcn网络可以有效判断出车道线为虚线或实线。但在实际情况中，由于光照原因或者障碍物遮挡原因，对导致一条直线部分区域被检测为实线，其余部分区域被检测为虚线，即单凭Mobilenet-Fcn网络的预测结果无法正确判断车道线的类型。因此，本申请针对上述缺陷，本实施例采用图9所示的方法来进行处理，图9是图1所示车道线检测方法实施例中步骤S104的又一流程示意图，其中进一步通过Sobel技术结合图像二值化技术提高车道线检测方法的准确性。而图9所示的方法主要应用于图10所示的情况，图10是道路图像中出现语义类别判断错误的示意图。
S501：对每个像素点集合进行拟合处理，并保存拟合参数。
其中，步骤S501与上述步骤S401类似，在此不再赘述。
S502：比较每两个像素点集合的拟合参数及语义类别。
其中，步骤S502与上述步骤S402类似，在此不再赘述。
S503：将语义类别不同，且拟合参数的参数差值小于参数阈值的像素点集合合并。
其中，提取语义类别不同的像素点集合，并进一步计算每两个像素点集合的拟合参数的参数差值。当存在两个像素点集合的拟合参数的参数差值小于预先设置的参数阈值时，将两个像素点集合合并，得到一个新的像素点集合，并进入步骤S404。
S504：对合并后的像素点集合进行线性拟合，以获取作为车道线的拟合线。
其中，步骤S504与上述步骤S404类似，在此不再赘述。
S505：对道路图像进行二值变换，获取道路图像中每个像素点的二值信息。
其中，对输入Mobilenet-Fcn网络的道路图像进行二值变换，从而将道路图像上的像素点的灰度值设置为0或255，即将整个道路图像呈现出明显的只有黑和白的视觉效果，如图11所示，图11是图6所示道路图像进行二值变换后的示意图。
S506：根据像素点的拟合坐标确定像素点的搜索范围。
其中，根据步骤S504中得到的像素点的拟合坐标确定后像素点的搜索范围。
具体地，提取像素点集合中的一个像素点的横坐标x，根据步骤S504中得到的拟合参数得到对应的纵坐标y，从而确定该像素点的搜索范围为：(yi-w，yi+w)，其中，w为车道线的宽度数值。
S507：遍历合并后的像素点集合中每个像素点的搜索范围内所有像素点的二值信息，记录搜索范围内不存在白色像素点的像素点的数量。
其中，遍历步骤S503中得到的像素点集合，获取像素点集合中每个像素点的搜索范围内的所有像素点的二值信息。若在搜索范围内不存在灰度值为255的点，即白色像素点时，则计算count数值加1；最后统一每个像素点集合的count数值，从而得到该像素点集合中搜索范围内不存在白色像素点的像素点数量。
S508：若数量大于阈值，则确定合并后的像素点集合的语义类别为虚线。
其中，若某个像素点集合在上述步骤S507中计算得到的count数值大于预设的阈值，则确定合并后的该像素点集合的语义类别为虚线。
S509：若数量小于或等于阈值，则确定合并后的像素点集合的语义类别为实线。
其中，若某个像素点集合在上述步骤S507中计算得到的count数值小于或等于预设的阈值，则确定合并后的该像素点集合的语义类别为实线。
在本实施例中，进一步提出了利用Sobel技术结合图像二值化技术直接判断道路图像中车道线的语义类别；本申请的车道线检测方法在判断车道线的语义类别时，可以以上述实施例中的Mobilenet-Fcn网络的判断结果为准，当Mobilenet-Fcn网络预测的结果存在矛盾时，引入Sobel技术结合图像二值化技术的判断结果，能够有效解决Mobilenet-Fcn网络误判的问题，进一步提高车道线检测方法的准确性；本申请的车道线检测方法还可以利用Sobel技术结合图像二值化技术直接判断车道线的语义类别，即不必在语义分割网络中判断车道线的类型，从而减少车道线检测方法的计算量。
为实现上述实施例的车道线检测方法，本申请还提出了一种车道线检测装置，具体请参阅图12，图12是本申请车道线检测装置一实施例的结构示意图。
如图12所示，车道线检测装置600包括处理器61和存储器62；存储器62中存储有计算机程序，处理器61用于执行计算机程序以实现如上述第一实施例至第五实施例的车道线检测方法的步骤。
在计算机程序方面，若其作为独立的软件产品销售或使用时，其可存储在计算机存储介质中，因而本申请提出一种计算机存储介质。请参阅图13，图13是本申请计算机存储介质一实施例的结构示意图，本实施例计算机存储介质700中存储有计算机程序71，计算机程序71被处理器执行时实现上述实施例的车道线检测方法。
该计算机存储介质700具体可以为U盘、移动硬盘、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，Random Access Memory，)、磁碟或者光盘等可以存储计算机程序的介质，或者也可以为存储有该计算机程序的服务器，该服务器可将存储的计算机程序发送给其他设备运行，或者也可以自运行该存储的计算机程序。该计算机存储介质700从物理实体上来看，可以为多个实体的组合，例如多个服务器、服务器加存储器、或存储器加移动硬盘等多种组合方式。
以上所述仅为本申请的实施方式，并非因此限制本申请的专利范围，凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本申请的专利保护范围内。

Claims (10)

1.一种车道线检测方法，其特征在于，所述方法包括：
获取道路图像；
利用预先训练的语义分割网络对所述道路图像进行处理，获取所述道路图像中每个像素点的语义类别；
将语义类别相同，且满足预设规则的像素点作为一像素点集合，以获得多个像素点集合；
对每个像素点集合进行拟合处理，以获取作为所述车道线的拟合线。
2.根据权利要求1所述的方法，其特征在于，所述利用预先训练的语义分割网络对所述道路图像进行处理，获取所述道路图像中每个像素点的语义类别，包括：
利用深度可分离卷积结构对所述道路图像进行特征提取，获得所述道路图像的特征卷积层；
利用全卷积网络对所述特征卷积层进行处理，获取所述道路图像中每个像素点的语义类别。
3.根据权利要求1所述的方法，其特征在于，所述将语义类别相同，且满足预设规则的像素点作为一像素点集合，以获得多个像素点集合，包括：
依序遍历所述道路图像中的像素点；
判断是否存在与当前像素点的语义类别相同的同类像素点集合；
若不存在，则基于所述当前像素点新建一像素点集合；
若存在，则计算所述当前像素点与所述同类像素点集合的最短距离；
比较所述最短距离与距离阈值；
若所述最短距离小于距离阈值，则将所述当前像素点加入所述像素点集合；
若所述最短距离大于或等于所述距离阈值，则基于所述当前像素点新建一像素点集合。
4.根据权利要求1所述的方法，其特征在于，所述对每个像素点集合进行拟合处理，包括：
对所述像素点集合进行线性拟合；
计算所述像素点集合中的每一像素点的实际坐标与拟合坐标的坐标差值；
将所述坐标差值大于坐标阈值的像素点从所述像素点集合中去除，以更新所述像素点集合；
对更新后的所述像素点集合重新进行线性拟合。
5.根据权利要求4所述的方法，其特征在于，所述对每个像素点集合进行拟合处理，进一步包括：
重复执行步骤：对所述像素点集合进行线性拟合；计算所述像素点集合中的每一像素点的实际坐标与拟合坐标的坐标差值；将所述坐标差值大于坐标阈值的像素点从所述像素点集合中去除，以更新所述像素点集合；对更新后的所述像素点集合重新进行线性拟合；
直至重新进行线性拟合后，拟合参数的变化率小于参数变化阈值。
6.根据权利要求1所述的方法，其特征在于，所述对每个像素点集合进行拟合处理，以获取作为所述车道线的拟合线，包括：
对每个像素点集合进行拟合处理，并保存拟合参数；
比较每两个像素点集合的拟合参数及语义类别；
将语义类别相同，且拟合参数的参数差值小于参数阈值的像素点集合合并；
对合并后的像素点集合进行线性拟合，以获取作为所述车道线的拟合线。
7.根据权利要求1所述的方法，其特征在于，所述对每个像素点集合进行拟合处理，以获取作为所述车道线的拟合线，包括：
对每个像素点集合进行拟合处理，并保存拟合参数；
比较每两个像素点集合的拟合参数及语义类别；
将语义类别不同，且拟合参数的参数差值小于参数阈值的像素点集合合并；
对合并后的像素点集合进行线性拟合，以获取作为所述车道线的拟合线；
对所述道路图像进行二值变换，获取所述道路图像中每个像素点的二值信息；
根据所述二值信息重新确定所述合并后的像素点集合的语义类别。
8.根据权利要求7所述的方法，其特征在于，所述语义类别包括实线车道和虚线车道；
所述根据所述二值信息重新确定所述合并后的像素点集合的语义类别，包括：
根据所述像素点的拟合坐标确定所述像素点的搜索范围；
遍历所述合并后的像素点集合中每个像素点的搜索范围内所有像素点的二值信息，记录搜索范围内不存在白色像素点的像素点的数量；
若所述数量大于阈值，则确定所述合并后的像素点集合的语义类别为虚线；
若所述数量小于或等于阈值，则确定所述合并后的像素点集合的语义类别为实线。
9.一种车道线检测装置，其特征在于，所述车道线检测装置包括处理器和存储器；所述存储器中存储有计算机程序，所述处理器用于执行所述计算机程序以实现如权利要求1-8中任一项所述方法的步骤。
10.一种计算机存储介质，其特征在于，所述计算机存储介质存储有计算机程序，所述计算机程序被执行时实现如权利要求1-8中任一项所述方法的步骤。
CN201910185968.9A 2019-03-12 2019-03-12 车道线检测方法、车道线检测装置和计算机存储介质 Active CN110084095B (zh)

Priority Applications (4)

Application Number Priority Date Filing Date Title
CN201910185968.9A CN110084095B (zh) 2019-03-12 2019-03-12 车道线检测方法、车道线检测装置和计算机存储介质
EP19919466.3A EP3921773A4 (en) 2019-03-12 2019-12-18 LANE DETECTION SYSTEMS AND METHOD
PCT/CN2019/126329 WO2020181870A1 (en) 2019-03-12 2019-12-18 Systems and methods for lane detection
US17/447,421 US12087010B2 (en) 2019-03-12 2021-09-11 Systems and methods for lane detection

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910185968.9A CN110084095B (zh) 2019-03-12 2019-03-12 车道线检测方法、车道线检测装置和计算机存储介质

Publications (2)

Publication Number Publication Date
CN110084095A true CN110084095A (zh) 2019-08-02
CN110084095B CN110084095B (zh) 2022-03-25

Family

ID=67412405

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910185968.9A Active CN110084095B (zh) 2019-03-12 2019-03-12 车道线检测方法、车道线检测装置和计算机存储介质

Country Status (4)

Country Link
US (1) US12087010B2 (zh)
EP (1) EP3921773A4 (zh)
CN (1) CN110084095B (zh)
WO (1) WO2020181870A1 (zh)

Cited By (28)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110569796A (zh) * 2019-09-09 2019-12-13 南京东控智能交通研究院有限公司 一种车道线动态检测和车道分界线的拟合方法
CN111126204A (zh) * 2019-12-09 2020-05-08 上海博泰悦臻电子设备制造有限公司 可行驶区域检测方法及相关设备
CN111126209A (zh) * 2019-12-09 2020-05-08 上海博泰悦臻电子设备制造有限公司 车道线检测方法及相关设备
CN111191619A (zh) * 2020-01-02 2020-05-22 北京百度网讯科技有限公司 车道线虚线段的检测方法、装置、设备和可读存储介质
CN111368804A (zh) * 2020-03-31 2020-07-03 河北科技大学 车道线检测方法、系统及终端设备
CN111488808A (zh) * 2020-03-31 2020-08-04 杭州诚道科技股份有限公司 基于交通违法图像数据的车道线检测方法
WO2020181870A1 (en) * 2019-03-12 2020-09-17 Zhejiang Dahua Technology Co., Ltd. Systems and methods for lane detection
CN111707277A (zh) * 2020-05-22 2020-09-25 上海商汤临港智能科技有限公司 获取道路语义信息的方法、装置及介质
CN111814593A (zh) * 2020-06-19 2020-10-23 浙江大华技术股份有限公司 交通场景解析方法和设备、存储介质
CN112199999A (zh) * 2020-09-09 2021-01-08 浙江大华技术股份有限公司 道路检测方法、装置、存储介质和电子设备
CN112435293A (zh) * 2019-08-24 2021-03-02 北京地平线机器人技术研发有限公司 一种车道线的结构化参数表示确定方法及装置
CN112613392A (zh) * 2020-12-18 2021-04-06 北京新能源汽车技术创新中心有限公司 基于语义分割的车道线检测方法、装置、系统及存储介质
CN112699711A (zh) * 2019-10-22 2021-04-23 珠海格力电器股份有限公司 车道线检测方法、装置、存储介质及电子设备
CN112818792A (zh) * 2021-01-25 2021-05-18 北京百度网讯科技有限公司 车道线检测方法、装置、电子设备及计算机存储介质
CN112989991A (zh) * 2021-03-09 2021-06-18 贵州京邦达供应链科技有限公司 车道线检测方法及装置、电子设备和计算机可读存储介质
CN113033433A (zh) * 2021-03-30 2021-06-25 北京斯年智驾科技有限公司 港口车道线检测方法、装置、系统、电子装置和存储介质
CN113191256A (zh) * 2021-04-28 2021-07-30 北京百度网讯科技有限公司 车道线检测模型的训练方法、装置、电子设备及存储介质
CN113449647A (zh) * 2021-06-30 2021-09-28 北京纵目安驰智能科技有限公司 弯曲车道线的拟合方法、系统、设备及计算机可读存储介质
CN113449648A (zh) * 2021-06-30 2021-09-28 北京纵目安驰智能科技有限公司 指示线的检测方法、系统、设备及计算机可读存储介质
CN113591509A (zh) * 2020-04-30 2021-11-02 深圳市丰驰顺行信息技术有限公司 车道线检测模型的训练方法、图像处理方法及装置
CN114092906A (zh) * 2021-10-13 2022-02-25 武汉光庭信息技术股份有限公司 一种车道线分段拟合方法、系统、电子设备及存储介质
CN114092902A (zh) * 2020-07-29 2022-02-25 顺丰科技有限公司 电动自行车违规行为的检测方法及装置
CN114141022A (zh) * 2020-09-03 2022-03-04 丰图科技(深圳)有限公司 应急车道占用行为检测方法、装置、电子设备及存储介质
CN114359233A (zh) * 2022-01-07 2022-04-15 北京华云安信息技术有限公司 图像分割模型训练方法、装置、电子设备及可读存储介质
CN114511832A (zh) * 2022-04-21 2022-05-17 深圳比特微电子科技有限公司 车道线分析方法、装置、电子设备及存储介质
CN114724119A (zh) * 2022-06-09 2022-07-08 天津所托瑞安汽车科技有限公司 车道线提取方法、检测设备及存储介质
WO2024088445A1 (zh) * 2022-10-24 2024-05-02 重庆长安汽车股份有限公司 一种基于视觉语义矢量的车辆导引方法、系统、设备和介质
CN118675137A (zh) * 2024-08-22 2024-09-20 比亚迪股份有限公司 车道线检测方法、装置、电子设备、存储介质及车辆

Families Citing this family (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112528878B (zh) * 2020-12-15 2024-01-09 中国科学院深圳先进技术研究院 检测车道线的方法、装置、终端设备及可读存储介质
CN114764890A (zh) * 2020-12-30 2022-07-19 富泰华工业（深圳）有限公司 人行通道环境评估方法、装置及电子设备
CN113591558A (zh) * 2021-06-22 2021-11-02 上海中安电子信息科技有限公司 一种基于LaneNet的车道线检测方法
CN113505747A (zh) * 2021-07-27 2021-10-15 浙江大华技术股份有限公司 车道线识别方法和装置、存储介质及电子设备
CN113609980A (zh) * 2021-08-04 2021-11-05 东风悦享科技有限公司 一种用于自动驾驶车辆的车道线感知方法及装置
CN113688721B (zh) * 2021-08-20 2024-03-05 北京京东乾石科技有限公司 用于拟合车道线的方法及装置
CN113822218B (zh) * 2021-09-30 2024-08-02 厦门汇利伟业科技有限公司 车道线检测方法及计算机可读存储介质
CN114419890A (zh) * 2022-01-24 2022-04-29 上海商汤信息科技有限公司 一种交通控制方法、装置、电子设备及存储介质
CN114708333B (zh) * 2022-03-08 2024-05-31 智道网联科技(北京)有限公司 自动标定相机外参模型的生成方法及装置
CN114596552B (zh) * 2022-03-09 2023-06-23 阿波罗智能技术(北京)有限公司 信息处理方法、训练方法、装置、设备、车辆及介质
CN115147811B (zh) * 2022-07-01 2023-05-30 小米汽车科技有限公司 一种车道线检测方法、装置及电子设备
CN115082888B (zh) * 2022-08-18 2022-10-25 北京轻舟智航智能技术有限公司 一种车道线检测方法和装置
CN116206109B (zh) * 2023-02-21 2023-11-07 桂林电子科技大学 一种基于级联网络的肝脏肿瘤分割方法
CN115965927B (zh) * 2023-03-16 2023-06-13 杭州枕石智能科技有限公司 一种路面信息提取方法、装置、电子设备及可读存储介质
CN116912273B (zh) * 2023-09-13 2023-12-12 国网山东省电力公司莱芜供电公司 基于三维gis的输电线路跨越施工方案可视化方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108921089A (zh) * 2018-06-29 2018-11-30 驭势科技（北京）有限公司 车道线检测方法、装置和系统及存储介质
CN109242776A (zh) * 2018-09-11 2019-01-18 江苏君英天达人工智能研究院有限公司 一种基于视觉系统的双车道线检测方法

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105631680A (zh) 2014-10-28 2016-06-01 上海涌杰信息科技有限公司 一种防伪溯源系统及其方法
CN105631880B (zh) * 2015-12-31 2019-03-22 百度在线网络技术（北京）有限公司 车道线分割方法和装置
CN106529488A (zh) * 2016-11-18 2017-03-22 北京联合大学 一种基于orb特征提取的车道线检测方法
WO2018104563A2 (en) * 2016-12-09 2018-06-14 Tomtom Global Content B.V. Method and system for video-based positioning and mapping
CN107229908B (zh) 2017-05-16 2019-11-29 浙江理工大学 一种车道线检测方法
US10402995B2 (en) * 2017-07-27 2019-09-03 Here Global B.V. Method, apparatus, and system for real-time object detection using a cursor recurrent neural network
US10816354B2 (en) * 2017-08-22 2020-10-27 Tusimple, Inc. Verification module system and method for motion-based lane detection with multiple sensors
CN108216229B (zh) * 2017-09-08 2020-01-10 北京市商汤科技开发有限公司 交通工具、道路线检测和驾驶控制方法及装置
CN110084095B (zh) 2019-03-12 2022-03-25 浙江大华技术股份有限公司 车道线检测方法、车道线检测装置和计算机存储介质

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108921089A (zh) * 2018-06-29 2018-11-30 驭势科技（北京）有限公司 车道线检测方法、装置和系统及存储介质
CN109242776A (zh) * 2018-09-11 2019-01-18 江苏君英天达人工智能研究院有限公司 一种基于视觉系统的双车道线检测方法

Cited By (39)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020181870A1 (en) * 2019-03-12 2020-09-17 Zhejiang Dahua Technology Co., Ltd. Systems and methods for lane detection
CN112435293B (zh) * 2019-08-24 2024-04-19 北京地平线机器人技术研发有限公司 一种车道线的结构化参数表示确定方法及装置
CN112435293A (zh) * 2019-08-24 2021-03-02 北京地平线机器人技术研发有限公司 一种车道线的结构化参数表示确定方法及装置
CN110569796A (zh) * 2019-09-09 2019-12-13 南京东控智能交通研究院有限公司 一种车道线动态检测和车道分界线的拟合方法
CN112699711A (zh) * 2019-10-22 2021-04-23 珠海格力电器股份有限公司 车道线检测方法、装置、存储介质及电子设备
CN112699711B (zh) * 2019-10-22 2024-05-31 珠海格力电器股份有限公司 车道线检测方法、装置、存储介质及电子设备
CN111126204A (zh) * 2019-12-09 2020-05-08 上海博泰悦臻电子设备制造有限公司 可行驶区域检测方法及相关设备
CN111126209A (zh) * 2019-12-09 2020-05-08 上海博泰悦臻电子设备制造有限公司 车道线检测方法及相关设备
CN111191619A (zh) * 2020-01-02 2020-05-22 北京百度网讯科技有限公司 车道线虚线段的检测方法、装置、设备和可读存储介质
CN111191619B (zh) * 2020-01-02 2023-09-05 北京百度网讯科技有限公司 车道线虚线段的检测方法、装置、设备和可读存储介质
CN111368804A (zh) * 2020-03-31 2020-07-03 河北科技大学 车道线检测方法、系统及终端设备
CN111488808B (zh) * 2020-03-31 2023-09-29 杭州诚道科技股份有限公司 基于交通违法图像数据的车道线检测方法
CN111488808A (zh) * 2020-03-31 2020-08-04 杭州诚道科技股份有限公司 基于交通违法图像数据的车道线检测方法
CN113591509A (zh) * 2020-04-30 2021-11-02 深圳市丰驰顺行信息技术有限公司 车道线检测模型的训练方法、图像处理方法及装置
CN111707277A (zh) * 2020-05-22 2020-09-25 上海商汤临港智能科技有限公司 获取道路语义信息的方法、装置及介质
CN111707277B (zh) * 2020-05-22 2022-01-04 上海商汤临港智能科技有限公司 获取道路语义信息的方法、装置及介质
CN111814593A (zh) * 2020-06-19 2020-10-23 浙江大华技术股份有限公司 交通场景解析方法和设备、存储介质
CN114092902A (zh) * 2020-07-29 2022-02-25 顺丰科技有限公司 电动自行车违规行为的检测方法及装置
CN114141022A (zh) * 2020-09-03 2022-03-04 丰图科技(深圳)有限公司 应急车道占用行为检测方法、装置、电子设备及存储介质
CN112199999A (zh) * 2020-09-09 2021-01-08 浙江大华技术股份有限公司 道路检测方法、装置、存储介质和电子设备
CN112613392A (zh) * 2020-12-18 2021-04-06 北京新能源汽车技术创新中心有限公司 基于语义分割的车道线检测方法、装置、系统及存储介质
CN112818792A (zh) * 2021-01-25 2021-05-18 北京百度网讯科技有限公司 车道线检测方法、装置、电子设备及计算机存储介质
CN112989991A (zh) * 2021-03-09 2021-06-18 贵州京邦达供应链科技有限公司 车道线检测方法及装置、电子设备和计算机可读存储介质
CN113033433A (zh) * 2021-03-30 2021-06-25 北京斯年智驾科技有限公司 港口车道线检测方法、装置、系统、电子装置和存储介质
CN113033433B (zh) * 2021-03-30 2024-03-15 北京斯年智驾科技有限公司 港口车道线检测方法、装置、系统、电子装置和存储介质
CN113191256B (zh) * 2021-04-28 2024-06-11 北京百度网讯科技有限公司 车道线检测模型的训练方法、装置、电子设备及存储介质
CN113191256A (zh) * 2021-04-28 2021-07-30 北京百度网讯科技有限公司 车道线检测模型的训练方法、装置、电子设备及存储介质
CN113449648A (zh) * 2021-06-30 2021-09-28 北京纵目安驰智能科技有限公司 指示线的检测方法、系统、设备及计算机可读存储介质
CN113449647A (zh) * 2021-06-30 2021-09-28 北京纵目安驰智能科技有限公司 弯曲车道线的拟合方法、系统、设备及计算机可读存储介质
CN113449647B (zh) * 2021-06-30 2024-09-10 北京纵目安驰智能科技有限公司 弯曲车道线的拟合方法、系统、设备及计算机可读存储介质
CN114092906A (zh) * 2021-10-13 2022-02-25 武汉光庭信息技术股份有限公司 一种车道线分段拟合方法、系统、电子设备及存储介质
CN114092906B (zh) * 2021-10-13 2024-07-30 武汉光庭信息技术股份有限公司 一种车道线分段拟合方法、系统、电子设备及存储介质
CN114359233B (zh) * 2022-01-07 2024-04-02 北京华云安信息技术有限公司 图像分割模型训练方法、装置、电子设备及可读存储介质
CN114359233A (zh) * 2022-01-07 2022-04-15 北京华云安信息技术有限公司 图像分割模型训练方法、装置、电子设备及可读存储介质
CN114511832B (zh) * 2022-04-21 2022-07-12 深圳比特微电子科技有限公司 车道线分析方法、装置、电子设备及存储介质
CN114511832A (zh) * 2022-04-21 2022-05-17 深圳比特微电子科技有限公司 车道线分析方法、装置、电子设备及存储介质
CN114724119A (zh) * 2022-06-09 2022-07-08 天津所托瑞安汽车科技有限公司 车道线提取方法、检测设备及存储介质
WO2024088445A1 (zh) * 2022-10-24 2024-05-02 重庆长安汽车股份有限公司 一种基于视觉语义矢量的车辆导引方法、系统、设备和介质
CN118675137A (zh) * 2024-08-22 2024-09-20 比亚迪股份有限公司 车道线检测方法、装置、电子设备、存储介质及车辆

Also Published As

Publication number Publication date
US20210406561A1 (en) 2021-12-30
US12087010B2 (en) 2024-09-10
EP3921773A4 (en) 2022-04-13
CN110084095B (zh) 2022-03-25
EP3921773A1 (en) 2021-12-15
WO2020181870A1 (en) 2020-09-17

Similar Documents

Publication Publication Date Title
CN110084095A (zh) 车道线检测方法、车道线检测装置和计算机存储介质
WO2022134996A1 (en) Lane line detection method based on deep learning, and apparatus
CN110717489B (zh) Osd的文字区域的识别方法、装置及存储介质
CN111815570B (zh) 区域入侵检测方法及其相关装置
CN106846339A (zh) 一种图像检测方法和装置
CN102098526B (zh) 一种深度图求取方法及装置
CN111311475A (zh) 检测模型训练方法、装置、存储介质和计算机设备
CN110163109B (zh) 一种车道线标注方法及装置
US20170178341A1 (en) Single Parameter Segmentation of Images
JP2019531552A (ja) 画像処理方法及び装置
CN113240623A (zh) 一种路面病害检测方法及装置
CN108229473A (zh) 车辆年检标签检测方法及装置
CN111695373A (zh) 斑马线的定位方法、系统、介质及设备
CN111213154A (zh) 一种车道线检测方法、设备、移动平台及存储介质
CN113918744A (zh) 相似图像检索方法、装置、存储介质及计算机程序产品
CN114596316A (zh) 一种基于语义分割的道路图像细节抓取方法
CN117011692A (zh) 一种道路识别的方法以及相关装置
CN110738076A (zh) 一种图像中的人数统计方法及系统
CN107832732B (zh) 基于三叉树遍历的车道线检测方法
KR102260556B1 (ko) 전역 정보와 지역 정보 통합을 통한 딥러닝 기반 주차구획 검출 방법 및 장치
CN110765875B (zh) 交通目标的边界检测方法、设备及装置
CN110135382B (zh) 一种人体检测方法和装置
CN110738229B (zh) 一种细粒度图像分类方法、装置及电子设备
Guo et al. Image saliency detection based on geodesic‐like and boundary contrast maps
CN114140757B (zh) 基于改进fcos的道路场景多类别检测方法及系统

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
GR01 Patent grant
GR01 Patent grant