CN110119721B - 用于处理信息的方法和装置 - Google Patents
用于处理信息的方法和装置 Download PDFInfo
- Publication number
- CN110119721B CN110119721B CN201910413378.7A CN201910413378A CN110119721B CN 110119721 B CN110119721 B CN 110119721B CN 201910413378 A CN201910413378 A CN 201910413378A CN 110119721 B CN110119721 B CN 110119721B
- Authority
- CN
- China
- Prior art keywords
- lane line
- point data
- line image
- processed
- point
- 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
- 238000012545 processing Methods 0.000 title claims abstract description 135
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000012549 training Methods 0.000 claims description 35
- 230000004044 response Effects 0.000 claims description 25
- 238000004590 computer program Methods 0.000 claims description 10
- 238000000605 extraction Methods 0.000 claims description 6
- 230000000717 retained effect Effects 0.000 claims description 6
- 230000008439 repair process Effects 0.000 claims description 4
- 230000008569 process Effects 0.000 description 17
- 238000010586 diagram Methods 0.000 description 13
- 238000013135 deep learning Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 239000000284 extract Substances 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 4
- 230000011218 segmentation Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000002310 reflectometry Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
Images
Classifications
-
- G06T5/70—
-
- G06T5/77—
-
- 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
- G06T2207/10028—Range image; Depth image; 3D point clouds
-
- 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
Abstract
本公开实施例公开了用于处理信息的方法和装置。该方法的一具体实施方式包括:从获取的道路的点数据集合中提取出用于描述车道线的点数据子集合;将上述点数据子集合中的点数据向水平面投影,得到初始车道线图像,以及确定上述点数据子集合中的点数据与上述初始车道线图像中的像素点的对应关系;对上述初始车道线图像进行处理,得到处理后的车道线图像;基于上述对应关系和上述处理后的车道线图像,对上述点数据子集合进行处理,得到处理后的点数据子集合。该实施方式实现了对用于描述车道线的点数据子集合的处理。
Description
技术领域
本公开实施例涉及计算机技术领域,具体涉及用于处理信息的方法和装置。
背景技术
现阶段,利用深度学习网络可以对从道路上采集的点云进行有效的语义分割。然而,对于车道线的分割结果却往往不够理想。这主要是由于深度学习网络在分割车道线时,主要是对车道线的高反射率特质有较大的响应。因此,当车道线的反射率材料出现磨损、被遮挡等情况时,用于进行语义分割的深度学习网络往往不能有效的分割车道线,从而使分割后的车道线点云存在稀疏、有噪声等问题。
发明内容
本公开实施例提出了用于处理信息的方法和装置。
第一方面,本公开实施例提供了一种用于处理信息的方法,该方法包括:从获取的道路的点数据集合中提取出用于描述车道线的点数据子集合;将上述点数据子集合中的点数据向水平面投影,得到初始车道线图像,以及确定上述点数据子集合中的点数据与上述初始车道线图像中的像素点的对应关系;对上述初始车道线图像进行处理,得到处理后的车道线图像;基于上述对应关系和上述处理后的车道线图像,对上述点数据子集合进行处理,得到处理后的点数据子集合。
在一些实施例中,上述基于上述对应关系和上述处理后的车道线图像,对上述点数据子集合进行处理,得到处理后的点数据子集合,包括:对于上述处理后的车道线图像中用于描述车道线的像素点,执行以下第一处理操作:根据上述对应关系,确定上述点数据子集合中是否存在与该像素点对应的第一目标点数据;响应于确定上述点数据子集合中不存在第一目标点数据,将上述处理后的车道线图像中、与该像素点相邻的像素点作为参考像素点;响应于确定上述点数据子集合中存在与上述参考像素点对应的第二目标点数据,根据上述第二目标点数据确定待添加点数据,以及将上述待添加点数据添加到上述点数据子集合。
在一些实施例中,上述第一处理操作还包括:响应于确定上述点数据子集合中存在第一目标点数据,在上述点数据子集合中保留第一目标点数据。
在一些实施例中,上述基于上述对应关系和上述处理后的车道线图像,对上述点数据集合进行处理,得到处理后的点数据集合,包括:对于上述处理后的车道线图像中不是用于描述车道线的像素点,执行以下第二处理操作:根据上述对应关系,确定上述点数据子集合中是否存在与该像素点对应的第三目标点数据;响应于确定上述点数据子集合中存在第三目标点数据,从上述点数据子集合中去除上述第三目标点数据。
在一些实施例中,上述对上述初始车道线图像进行处理,得到处理后的车道线图像,包括:将上述初始车道线图像导入预先建立的车道线图像处理模型,得到处理后的车道线图像,其中,上述车道线图像处理模型用于对上述初始车道线图像所指示的车道线进行修复和去噪。
在一些实施例中,上述车道线图像处理模型是通过以下方式训练得到的:获取训练样本集合,其中,训练样本包括第一样本车道线图像和将第一样本车道线图像进行处理后的第二样本车道线图像;将上述训练样本集合中的第二样本车道线图像作为输入,将与输入的第二样本车道线图像对应的第一样本车道线图像作为期望输出,训练得到上述车道线图像处理模型。
第二方面,本公开实施例提供了一种用于处理信息的装置,上述装置包括:提取单元,被配置成从获取的道路的点数据集合中提取出用于描述车道线的点数据子集合;投影单元,被配置成将上述点数据子集合中的点数据向水平面投影,得到初始车道线图像,以及确定上述点数据子集合中的点数据与上述初始车道线图像中的像素点的对应关系;图像处理单元,被配置成对上述初始车道线图像进行处理,得到处理后的车道线图像;处理单元,被配置成基于上述对应关系和上述处理后的车道线图像,对上述点数据子集合进行处理,得到处理后的点数据子集合。
在一些实施例中,上述处理单元包括:第一处理模块,上述第一处理模块被配置成:对于上述处理后的车道线图像中用于描述车道线的像素点,执行以下第一处理操作:根据上述对应关系,确定上述点数据子集合中是否存在与该像素点对应的第一目标点数据;响应于确定上述点数据子集合中不存在第一目标点数据,将上述处理后的车道线图像中、与该像素点相邻的像素点作为参考像素点;响应于确定上述点数据子集合中存在与上述参考像素点对应的第二目标点数据,根据上述第二目标点数据确定待添加点数据,以及将上述待添加点数据添加到上述点数据子集合。
在一些实施例中,上述第一处理操作还包括:响应于确定上述点数据子集合中存在第一目标点数据,在上述点数据子集合中保留第一目标点数据。
在一些实施例中,上述处理单元还包括:第二处理模块,上述第二处理模块被配置成:对于上述处理后的车道线图像中不是用于描述车道线的像素点,执行以下第二处理操作:根据上述对应关系,确定上述点数据子集合中是否存在与该像素点对应的第三目标点数据;响应于确定上述点数据子集合中存在第三目标点数据,从上述点数据子集合中去除上述第三目标点数据。
在一些实施例中,上述图像处理单元进一步被配置成:将上述初始车道线图像导入预先建立的车道线图像处理模型,得到处理后的车道线图像,其中,上述车道线图像处理模型用于对上述初始车道线图像所指示的车道线进行修复和去噪。
在一些实施例中,上述车道线图像处理模型是通过以下方式训练得到的:获取训练样本集合,其中,训练样本包括第一样本车道线图像和将第一样本车道线图像进行处理后的第二样本车道线图像;将上述训练样本集合中的第二样本车道线图像作为输入,将与输入的第二样本车道线图像对应的第一样本车道线图像作为期望输出,训练得到上述车道线图像处理模型。
第三方面,本公开实施例提供了一种设备,该设备包括:一个或多个处理器;存储装置,其上存储有一个或多个程序,当上述一个或多个程序被上述一个或多个处理器执行时,使得上述一个或多个处理器实现如第一方面中任一实现方式描述的方法。
第四方面,本公开实施例提供了一种计算机可读介质,其上存储有计算机程序,其中,该计算机程序被处理器执行时实现如第一方面中任一实现方式描述的方法。
本公开实施例提供的用于处理信息的方法和装置,首先从获取的道路的点数据集合中提取出用于描述车道线的点数据子集合。之后,将点数据子集合中的各点数据向水平面投影,得到初始车道线图像,并确定点数据子集合中的点数据与初始车道线图像中的像素点的对应关系。然后,对初始车道线图像进行处理,得到处理后的车道线图像。最后,基于对应关系和处理后的车道线图像,对点数据子集合进行处理,得到处理后的点数据子集合。从而实现了,基于点数据子集合中的点数据与初始车道线图像中的像素点的对应关系以及处理后的车道线图像,对用于描述车道线的点数据子集合进行处理。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本公开的其它特征、目的和优点将会变得更明显:
图1是本公开的一个实施例可以应用于其中的示例性系统架构图;
图2是根据本公开的用于处理信息的方法的一个实施例的流程图;
图3是根据本公开的用于处理信息的方法的一个应用场景的示意图;
图4是根据本公开的用于处理信息的方法的又一个实施例的流程图;
图5是根据本公开的示例中的深度学习网络的网络结构中各层输入和输出之间的连接关系的示意图;
图6是根据本公开的用于处理信息的装置的一个实施例的结构示意图;
图7是适于用来实现本公开实施例的设备的计算机系统的结构示意图。
具体实施方式
下面结合附图和实施例对本公开作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释相关发明,而非对该发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。
需要说明的是,在不冲突的情况下,本公开中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本公开。
图1示出了可以应用本公开实施例的用于处理信息的方法或用于处理信息的装置的示例性系统架构100。
如图1所示,系统架构100可以包括终端设备101、102、103,网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互,以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用,例如电子地图类应用、电子地图制作类应用、网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
终端设备101、102、103可以是硬件,也可以是软件。当终端设备101、102、103为硬件时,可以是具有信息处理功能的各种电子设备,包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。当终端设备101、102、103为软件时,可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块(例如用来提供分布式服务),也可以实现成单个软件或软件模块。在此不做具体限定。
服务器105可以是提供各种服务的服务器,例如对获取的道路的点数据集合进行处理的后台服务器。后台服务器可以对获取的道路的点数据集合进行各种分析处理,从而对点数据集合中用于描述车道线的点数据子集合进行处理。
需要说明的是,服务器105可以是硬件,也可以是软件。当服务器105为硬件时,可以实现成多个服务器组成的分布式服务器集群,也可以实现成单个服务器。当服务器105为软件时,可以实现成多个软件或软件模块(例如用来提供分布式服务),也可以实现成单个软件或软件模块。在此不做具体限定。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
需要说明的是,本公开实施例所提供的用于处理信息的方法可以由终端设备101、102、103执行,也可以由服务器105执行。相应地,用于处理信息的装置可以设置于终端设备101、102、103中,也可以设置于服务器105中。
继续参考图2,示出了根据本公开的用于处理信息的方法的一个实施例的流程200。该用于处理信息的方法,包括以下步骤:
步骤201,从获取的道路的点数据集合中提取出用于描述车道线的点数据子集合。
在本实施例中,用于处理信息的方法的执行主体(例如图1所示的终端设备101、102、103或服务器105)首先可以通过有线连接方式或者无线连接方式从用于采集点数据集合的数据采集设备(例如,激光雷达、三维激光扫描仪等等)处获取道路的点数据集合。实践中,架设在采集车辆上的数据采集设备可以采集道路的点云数据,即点数据集合。这里,上述点数据集合中的点数据可以包括三维坐标和激光反射强度。通常,点数据的三维坐标可以包括X轴、Y轴和Z轴上的信息。这里,激光反射强度可以是指激光反射能量与激光发射能量的比值。
之后,执行主体可以通过各种方式从获取的点数据集合中提取出用于描述车道线的点数据子集合。作为示例,执行主体可以根据上述点数据集合中各点数据的激光反射强度,从点数据集合中提取出用于描述车道线的点数据子集合。实践中,车道线与路面的激光反射强度不同,通常车道线的激光反射强度比路面的激光反射强度大,因此,可以根据点数据集合中各点数据的激光反射强度,执行主体可以从点数据集合中提取出用于描述车道线的点数据子集合。
步骤202,将点数据子集合中的点数据向水平面投影,得到初始车道线图像,以及确定点数据子集合中的点数据与初始车道线图像中的像素点的对应关系。
在本实施例中,执行主体可以根据现有技术将点数据子集合中的各点数据向水平面投影,从而得到初始车道线图像。即,将点数据子集合中的各点数据投影到XOY平面,得到初始车道线图像。同时,执行主体可以根据投影结果,确定点数据子集合中的点数据与初始车道线图像中的像素点的对应关系。举例来说,对于点数据子集合中的每一个点数据,执行主体可以确定该点数据投影到XOY平面后所对应的像素点,并记录该点数据与所对应的像素点的对象关系。
步骤203,对初始车道线图像进行处理,得到处理后的车道线图像。
在本实施例中,执行主体可以对初始车道线图像进行各种处理,从而得到处理后的车道线图像。举例来说,执行主体可以对初始车道线图像进行修复处理、去噪处理等。在这里,修复处理可以是指对初始车道线图像中残缺的车道线进行修补。作为示例,执行主体可以内部可以预先存储有多个参考车道线图像,参考车道线图像中的车道线为完整的车道线。这样,执行主体可以从多个参考车道线图像中选取与初始车道线图像的相似度大于预设的相似度阈值的目标参考车道线图像。例如,根据车道线的弧度、朝向、类型等选取目标参考车道线图像。之后,采用目标参考车道线图像对初始车道线图像进行修复处理。例如,将目标参考车道线图像中车道线对应的像素点进行复制、平移至初始车道线图像,从而采用目标参考车道线图像中的车道线对应初始车道线图像中的车道线进行修复,使得初始车道线图像中残缺的车道线形成完整的车道线。
步骤204,基于对应关系和处理后的车道线图像,对点数据子集合进行处理,得到处理后的点数据子集合。
在本实施例中,执行主体可以基于步骤202中确定的对应关系和步骤203中处理后的车道线图像,对上述点数据子集合进行处理,得到处理后的点数据子集合。作为示例,执行主体可以根据上述点数据子集合中的点数据与初始车道线图像中的像素点的对应关系,将处理后的车道线图像中的像素点反投影到点云空间,实现对点数据子集合进行处理,得到处理后的点数据子集合。
在本实施例的一些可选的实现方式中,上述步骤204可以具体包括以下内容:
对于处理后的车道线图像中用于描述车道线的每一个像素点,执行主体可以执行以下第一处理操作中的步骤S1~S3。
步骤S1,根据对应关系,确定点数据子集合中是否存在与该像素点对应的第一目标点数据。
在本实现方式中,执行主体可以根据步骤202中确定的对应关系,确定上述点数据子集合中是否存在与该像素点对应的第一目标点数据。
步骤S2,响应于确定点数据子集合中不存在第一目标点数据,将处理后的车道线图像中、与该像素点相邻的像素点作为参考像素点。
在本实现方式中,如果上述点数据子集合中不存在与该像素点对应的第一目标点数据,则执行主体可以将上述处理后的车道线图像中的、与该像素点相邻的像素点作为参考像素点。举例来说,执行主体可以将与该像素点上、和/或下、和/或左、和/或右相邻的像素点作为参考像素点。
步骤S3,响应于确定点数据子集合中存在与参考像素点对应的第二目标点数据,根据第二目标点数据确定待添加点数据,以及将待添加点数据添加到点数据子集合。
在本实现方式中,执行主体可以进一步判断上述点数据子集合中是否存在与上述参考像素点对应的第二目标点数据。如果上述点数据子集合中存在与上述参考像素点对应的第二目标点数据,则执行主体可以根据第二目标点数据确定待添加点数据。作为示例,执行主体可以根据第二目标像素点的三维坐标和激光反射强度,确定待添加点数据的三维坐标和激光反射强度。例如,可以分别将至少一个第二目标像素点的三维坐标的加权平均值和激光反射强度的加权平均值,作为待添加点数据的三维坐标和激光反射强度。之后,执行主体可以将得到的待添加点数据添加到点数据子集合。通过本实现方式,可以基于点数据子集合中的点数据与初始车道线图像中的像素点的对应关系以及处理后的车道线图像,确定待添加点数据。并将得到待添加点数据添加到点数据子集合中,从而增加了数据子集合中点数据数量,即对点数据子集合中点数据进行了加密,从而使点数据子集合所描述的车道线更加完整、准确。
在一些可选的实现方式中,上述第一处理操作还可以包括:
步骤S4,响应于确定点数据子集合中存在第一目标点数据,在点数据子集合中保留第一目标点数据。
在本实现方式中,如果上述点数据子集合中存在与该像素点对应的第一目标点数据,则执行主体可以在上述点数据子集合中保留与该像素点对应的第一目标点数据。
在本实施例的一些可选的实现方式中,上述步骤204还可以具体包括以下内容:
对于处理后的车道线图像中不是用于描述车道线的每一个像素点,执行主体可以执行以下第二处理操作:
首先,根据对应关系,确定点数据子集合中是否存在与该像素点对应的第三目标点数据。
在本实现方式中,执行主体可以根据步骤202中确定的对应关系,确定上述点数据子集合中是否存在与该像素点对应的第三目标点数据。
然后,响应于确定点数据子集合中存在第三目标点数据,从点数据子集合中去除第三目标点数据。
在本实现方式中,如果确定点数据子集合中存在与该像素点对应的第三目标点数据,则执行主体可以从点数据子集合中去除第三目标点数据。
通过本实现方式,可以基于点数据子集合中的点数据与初始车道线图像中的像素点的对应关系以及处理后的车道线图像,确定点数据子集合中存在的噪声点,通过去除噪声点可以使点数据子集合所描述的车道线更加准确。
继续参见图3,图3是根据本实施例的用于处理信息的方法的应用场景的一个示意图。在图3的应用场景中,电子设备首先从获取的道路的点数据集合中提取出用于描述车道线的点数据子集合。之后,将点数据子集合中的点数据向水平面投影,得到初始车道线图像301,并确定点数据子集合中的点数据与初始车道线图像301中的像素点的对应关系。然后,电子设备可以对初始车道线图像301进行处理,得到处理后的车道线图像302。最后,电子设备可以基于对应关系和处理后的车道线图像302,对点数据子集合进行处理,得到处理后的点数据子集合。
本公开的上述实施例提供的方法通过将用于描述车道线的点数据子集合投影到水平面可以得到初始车道线图像,而后对初始车道线图像进行处理得到处理后的车道线图像,最后基于点数据子集合中的点数据与初始车道线图像中的像素点的对应关系以及处理后的车道线图像,对用于描述车道线的点数据子集合进行处理,从而实现了对描述车道线的点数据子集合的处理,使得点数据子集合所描述的车道线更加完整、准确。
进一步参考图4,其示出了用于处理信息的方法的又一个实施例的流程400。该用于处理信息的方法的流程400,包括以下步骤:
步骤401,从获取的道路的点数据集合中提取出用于描述车道线的点数据子集合。
在本实施例中,步骤401与图2所示实施例的步骤201类似,此处不再赘述。
步骤402,将点数据子集合中的点数据向水平面投影,得到初始车道线图像,以及确定点数据子集合中的点数据与初始车道线图像中的像素点的对应关系。
在本实施例中,步骤402与图2所示实施例的步骤202类似,此处不再赘述。
步骤403,将初始车道线图像导入预先建立的车道线图像处理模型,得到处理后的车道线图像。
在本实施例中,执行主体中可以预先建立有车道线图像处理模型,该车道线图像处理模型可以用于对输入的初始车道线图像进行修复、去噪等处理。作为示例,上述车道线图像处理模型可以是基于深度学习网络训练得到的,作为示例,该深度学习网络可以包括卷积层、上采样层等等。这里,卷积层可以通过卷积操作利用权值不同的卷积核对输入图像或特征图像(feature map)进行扫描卷积,从中提取不同维度的特征,并输出至特征图。如图5所示,图5示出了深度学习网络的网络结构中各层输入和输出的图像或特征图之间的连接关系,作为示例,网络结构中包括的卷积层的参数可以分别为[5,2,24],[3,2,64],[3,1,128],[3,2,256],[3,1,512],[3,2,512],[3,1,512],上采样层的参数可以分别为[3,1,128],[3,1,64],[3,1,32],[3,1,16],[3,1,8],[3,1,4],[3,1,2],[3,1,1],[3,1,1]需要说明书的是,图5中所示的深度学习网络的网络结构仅仅是示意性的。实践中,可以基于不同的生产场景和数据的特点,设计由不同层数、不同参数组成的网络结构。
在本实施例的一些可选的实现方式中,上述车道线图像处理模型可以是通过以下方式训练得到的:
首先,获取训练样本集合。
在本实现方式中,上述执行主体或者其他用于训练上述车道线图像处理模型的执行主体可以首先获取训练样本集合。这里,上述训练样本集合中的训练样本可以包括第一样本车道线图像和将第一样本车道线图像进行处理后的第二样本车道线图像。其中,第一样本车道线图像可以是没有噪声的图像,所指示的车道线可以为完整的车道线。第二样本车道线图像可以是包含噪声的图像,所指示的车道线可以是残缺的。实践中,可以将第一样本车道线图像进行处理,例如,加噪声、使车道线缺失等,从而得到第二样本车道线图像。
然后,将训练样本集合中的第二样本车道线图像作为输入,将与输入的第二样本车道线图像对应的第一样本车道线图像作为期望输出,训练得到车道线图像处理模型。
在本实现方式中,执行主体可以将训练样本集合中的第二样本车道线图像作为输入,将与输入的第二样本车道线图像对应的第一样本车道线图像作为期望输出,训练得到车道线图像处理模型。作为示例,可以将输出与期望输出进行比较,如果两者之间的误差值小于预先设定的阈值,则表示训练完成,停止训练;如果两者之间的误差值不小于预先设定的阈值,则可以采用反向传播算法(Back Propgation Algorithm,BP算法)和梯度下降法(例如随机梯度下降算法)对网络参数进行调整,并从训练样本集合中重新选取训练样本进行训练。
步骤404,基于对应关系和处理后的车道线图像,对点数据子集合进行处理,得到处理后的点数据子集合。
在本实施例中,步骤404与图2所示实施例的步骤204类似,此处不再赘述。
从图4中可以看出,与图2对应的实施例相比,本实施例中的用于处理信息的方法的流程400突出了使用车道线图像处理模型对初始车道线图像进行处理的步骤。由此,本实施例描述的方案可以使处理后的车道线图像更加准确,进而在基于处理后的车道线图像对用于描述车道线的点数据子集合的处理时,使处理得到的点数据子集合所描述的车道线更加完整、准确。
进一步参考图6,作为对上述各图所示方法的实现,本公开提供了一种用于处理信息的装置的一个实施例,该装置实施例与图2所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图6所示,本实施例的用于处理信息的装置600包括:提取单元601、投影单元602、图像处理单元603和处理单元604。其中,提取单元601被配置成从获取的道路的点数据集合中提取出用于描述车道线的点数据子集合;投影单元602被配置成将上述点数据子集合中的点数据向水平面投影,得到初始车道线图像,以及确定上述点数据子集合中的点数据与上述初始车道线图像中的像素点的对应关系;图像处理单元603被配置成对上述初始车道线图像进行处理,得到处理后的车道线图像;处理单元604被配置成基于上述对应关系和上述处理后的车道线图像,对上述点数据子集合进行处理,得到处理后的点数据子集合。
在本实施例中,用于处理信息的装置600的提取单元601、投影单元602、图像处理单元603和处理单元604的具体处理及其所带来的技术效果可分别参考图2对应实施例中步骤201、步骤202、步骤203和步骤204的相关说明,在此不再赘述。
在本实施例的一些可选的实现方式中,上述处理单元604包括:第一处理模块(图中未示出),上述第一处理模块被配置成:对于上述处理后的车道线图像中用于描述车道线的像素点,执行以下第一处理操作:根据上述对应关系,确定上述点数据子集合中是否存在与该像素点对应的第一目标点数据;响应于确定上述点数据子集合中不存在第一目标点数据,将上述处理后的车道线图像中、与该像素点相邻的像素点作为参考像素点;响应于确定上述点数据子集合中存在与上述参考像素点对应的第二目标点数据,根据上述第二目标点数据确定待添加点数据,以及将上述待添加点数据添加到上述点数据子集合。
在本实施例的一些可选的实现方式中,上述第一处理操作还包括:响应于确定上述点数据子集合中存在第一目标点数据,在上述点数据子集合中保留第一目标点数据。
在本实施例的一些可选的实现方式中,上述处理单元604还包括:第二处理模块(图中未示出),上述第二处理模块被配置成:对于上述处理后的车道线图像中不是用于描述车道线的像素点,执行以下第二处理操作:根据上述对应关系,确定上述点数据子集合中是否存在与该像素点对应的第三目标点数据;响应于确定上述点数据子集合中存在第三目标点数据,从上述点数据子集合中去除上述第三目标点数据。
在本实施例的一些可选的实现方式中,上述图像处理单元603进一步被配置成:将上述初始车道线图像导入预先建立的车道线图像处理模型,得到处理后的车道线图像,其中,上述车道线图像处理模型用于对上述初始车道线图像所指示的车道线进行修复和去噪。
在本实施例的一些可选的实现方式中,上述车道线图像处理模型是通过以下方式训练得到的:获取训练样本集合,其中,训练样本包括第一样本车道线图像和将第一样本车道线图像进行处理后的第二样本车道线图像;将上述训练样本集合中的第二样本车道线图像作为输入,将与输入的第二样本车道线图像对应的第一样本车道线图像作为期望输出,训练得到上述车道线图像处理模型。
下面参考图7,其示出了适于用来实现本公开的实施例的电子设备(例如图1中的服务器或终端设备)700的结构示意图。图7示出的电子设备仅仅是一个示例,不应对本公开的实施例的功能和使用范围带来任何限制。
如图7所示,电子设备700可以包括处理装置(例如中央处理器、图形处理器等)701,其可以根据存储在只读存储器(ROM)702中的程序或者从存储装置708加载到随机访问存储器(RAM)703中的程序而执行各种适当的动作和处理。在RAM 703中,还存储有电子设备700操作所需的各种程序和数据。处理装置701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。
通常,以下装置可以连接至I/O接口705:包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置706;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置707;包括例如磁带、硬盘等的存储装置708;以及通信装置709。通信装置709可以允许电子设备700与其他设备进行无线或有线通信以交换数据。虽然图7示出了具有各种装置的电子设备700,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图7中示出的每个方框可以代表一个装置,也可以根据需要代表多个装置。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信装置709从网络上被下载和安装,或者从存储装置708被安装,或者从ROM 702被安装。在该计算机程序被处理装置701执行时,执行本公开的实施例的方法中限定的上述功能。
需要说明的是,本公开的实施例所述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的实施例中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开的实施例中,计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
上述计算机可读介质可以是上述电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备:从获取的道路的点数据集合中提取出用于描述车道线的点数据子集合;将上述点数据子集合中的点数据向水平面投影,得到初始车道线图像,以及确定上述点数据子集合中的点数据与上述初始车道线图像中的像素点的对应关系;对上述初始车道线图像进行处理,得到处理后的车道线图像;基于上述对应关系和上述处理后的车道线图像,对上述点数据子集合进行处理,得到处理后的点数据子集合。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的实施例的操作的计算机程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开的实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中,例如,可以描述为:一种处理器包括提取单元、投影单元、图像处理单元和处理单元。其中,这些单元的名称在某种情况下并不构成对该单元本身的限定,例如,提取单元还可以被描述为“从获取的道路的点数据集合中提取出用于描述车道线的点数据子集合的单元”。
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本公开的实施例中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开的实施例中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (14)
1.一种用于处理信息的方法,包括:
从获取的道路的点数据集合中提取出用于描述车道线的点数据子集合;
将所述点数据子集合中的点数据向水平面投影,得到初始车道线图像,以及确定所述点数据子集合中的点数据与所述初始车道线图像中的像素点的对应关系;
对所述初始车道线图像进行修复和去噪处理,得到处理后的车道线图像;
基于所述对应关系和所述处理后的车道线图像,对所述点数据子集合进行添加和删除处理,得到处理后的点数据子集合。
2.根据权利要求1所述的方法,其中,所述基于所述对应关系和所述处理后的车道线图像,对所述点数据子集合进行添加和删除处理,得到处理后的点数据子集合,包括:
对于所述处理后的车道线图像中用于描述车道线的像素点,执行以下第一处理操作:
根据所述对应关系,确定所述点数据子集合中是否存在与该像素点对应的第一目标点数据;
响应于确定所述点数据子集合中不存在第一目标点数据,将所述处理后的车道线图像中、与该像素点相邻的像素点作为参考像素点;
响应于确定所述点数据子集合中存在与所述参考像素点对应的第二目标点数据,根据所述第二目标点数据确定待添加点数据,以及将所述待添加点数据添加到所述点数据子集合。
3.根据权利要求2所述的方法,其中,所述第一处理操作还包括:
响应于确定所述点数据子集合中存在第一目标点数据,在所述点数据子集合中保留第一目标点数据。
4.根据权利要求1所述的方法,其中,所述基于所述对应关系和所述处理后的车道线图像,对所述点数据子集合进行添加和删除处理,得到处理后的点数据子集合,包括:
对于所述处理后的车道线图像中不是用于描述车道线的像素点,执行以下第二处理操作:
根据所述对应关系,确定所述点数据子集合中是否存在与该像素点对应的第三目标点数据;
响应于确定所述点数据子集合中存在第三目标点数据,从所述点数据子集合中去除所述第三目标点数据。
5.根据权利要求1所述的方法,其中,所述对所述初始车道线图像进行处理,得到处理后的车道线图像,包括:
将所述初始车道线图像导入预先建立的车道线图像处理模型,得到处理后的车道线图像,其中,所述车道线图像处理模型用于对所述初始车道线图像所指示的车道线进行修复和去噪。
6.根据权利要求5所述的方法,其中,所述车道线图像处理模型是通过以下方式训练得到的:
获取训练样本集合,其中,训练样本包括第一样本车道线图像和将第一样本车道线图像进行加噪声处理后的第二样本车道线图像;
将所述训练样本集合中的第二样本车道线图像作为输入,将与输入的第二样本车道线图像对应的第一样本车道线图像作为期望输出,训练得到所述车道线图像处理模型。
7.一种用于处理信息的装置,包括:
提取单元,被配置成从获取的道路的点数据集合中提取出用于描述车道线的点数据子集合;
投影单元,被配置成将所述点数据子集合中的点数据向水平面投影,得到初始车道线图像,以及确定所述点数据子集合中的点数据与所述初始车道线图像中的像素点的对应关系;
图像处理单元,被配置成对所述初始车道线图像进行修复和去噪处理,得到处理后的车道线图像;
处理单元,被配置成基于所述对应关系和所述处理后的车道线图像,对所述点数据子集合进行添加和删除处理,得到处理后的点数据子集合。
8.根据权利要求7所述的装置,其中,所述处理单元包括:
第一处理模块,所述第一处理模块被配置成:
对于所述处理后的车道线图像中用于描述车道线的像素点,执行以下第一处理操作:
根据所述对应关系,确定所述点数据子集合中是否存在与该像素点对应的第一目标点数据;
响应于确定所述点数据子集合中不存在第一目标点数据,将所述处理后的车道线图像中、与该像素点相邻的像素点作为参考像素点;
响应于确定所述点数据子集合中存在与所述参考像素点对应的第二目标点数据,根据所述第二目标点数据确定待添加点数据,以及将所述待添加点数据添加到所述点数据子集合。
9.根据权利要求8所述的装置,其中,所述第一处理操作还包括:
响应于确定所述点数据子集合中存在第一目标点数据,在所述点数据子集合中保留第一目标点数据。
10.根据权利要求7所述的装置,其中,所述处理单元还包括:
第二处理模块,所述第二处理模块被配置成:
对于所述处理后的车道线图像中不是用于描述车道线的像素点,执行以下第二处理操作:
根据所述对应关系,确定所述点数据子集合中是否存在与该像素点对应的第三目标点数据;
响应于确定所述点数据子集合中存在第三目标点数据,从所述点数据子集合中去除所述第三目标点数据。
11.根据权利要求7所述的装置,其中,所述图像处理单元进一步被配置成:
将所述初始车道线图像导入预先建立的车道线图像处理模型,得到处理后的车道线图像,其中,所述车道线图像处理模型用于对所述初始车道线图像所指示的车道线进行修复和去噪。
12.根据权利要求11所述的装置,其中,所述车道线图像处理模型是通过以下方式训练得到的:
获取训练样本集合,其中,训练样本包括第一样本车道线图像和将第一样本车道线图像进行加噪声处理后的第二样本车道线图像;
将所述训练样本集合中的第二样本车道线图像作为输入,将与输入的第二样本车道线图像对应的第一样本车道线图像作为期望输出,训练得到所述车道线图像处理模型。
13.一种设备,包括:
一个或多个处理器;
存储装置,其上存储有一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-6中任一所述的方法。
14.一种计算机可读介质,其上存储有计算机程序,其中,所述程序被处理器执行时实现如权利要求1-6中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910413378.7A CN110119721B (zh) | 2019-05-17 | 2019-05-17 | 用于处理信息的方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910413378.7A CN110119721B (zh) | 2019-05-17 | 2019-05-17 | 用于处理信息的方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110119721A CN110119721A (zh) | 2019-08-13 |
CN110119721B true CN110119721B (zh) | 2021-04-20 |
Family
ID=67522719
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910413378.7A Active CN110119721B (zh) | 2019-05-17 | 2019-05-17 | 用于处理信息的方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110119721B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111368732B (zh) * | 2020-03-04 | 2023-09-01 | 阿波罗智联(北京)科技有限公司 | 用于检测车道线的方法和装置 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104766058A (zh) * | 2015-03-31 | 2015-07-08 | 百度在线网络技术(北京)有限公司 | 一种获取车道线的方法和装置 |
CN105260699A (zh) * | 2015-09-10 | 2016-01-20 | 百度在线网络技术(北京)有限公司 | 一种车道线数据的处理方法及装置 |
CN105528588A (zh) * | 2015-12-31 | 2016-04-27 | 百度在线网络技术(北京)有限公司 | 一种车道线识别方法及装置 |
CN108171664A (zh) * | 2017-12-27 | 2018-06-15 | 努比亚技术有限公司 | 一种图像优化方法、终端及计算机可读存储介质 |
CN108470159A (zh) * | 2018-03-09 | 2018-08-31 | 腾讯科技(深圳)有限公司 | 车道线数据处理方法、装置、计算机设备和存储介质 |
CN109583312A (zh) * | 2018-10-31 | 2019-04-05 | 百度在线网络技术(北京)有限公司 | 车道线识别方法、装置、设备及存储介质 |
CN109658504A (zh) * | 2018-10-31 | 2019-04-19 | 百度在线网络技术(北京)有限公司 | 地图数据标注方法、装置、设备及存储介质 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103711050B (zh) * | 2013-12-31 | 2016-04-06 | 中交第二公路勘察设计研究院有限公司 | 一种激光雷达道路改扩建勘测设计方法 |
CN105404844B (zh) * | 2014-09-12 | 2019-05-31 | 广州汽车集团股份有限公司 | 一种基于多线激光雷达的道路边界检测方法 |
EP3213292A4 (en) * | 2014-10-28 | 2018-06-13 | Hewlett-Packard Development Company, L.P. | Three dimensional object recognition |
-
2019
- 2019-05-17 CN CN201910413378.7A patent/CN110119721B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104766058A (zh) * | 2015-03-31 | 2015-07-08 | 百度在线网络技术(北京)有限公司 | 一种获取车道线的方法和装置 |
CN105260699A (zh) * | 2015-09-10 | 2016-01-20 | 百度在线网络技术(北京)有限公司 | 一种车道线数据的处理方法及装置 |
CN105528588A (zh) * | 2015-12-31 | 2016-04-27 | 百度在线网络技术(北京)有限公司 | 一种车道线识别方法及装置 |
CN108171664A (zh) * | 2017-12-27 | 2018-06-15 | 努比亚技术有限公司 | 一种图像优化方法、终端及计算机可读存储介质 |
CN108470159A (zh) * | 2018-03-09 | 2018-08-31 | 腾讯科技(深圳)有限公司 | 车道线数据处理方法、装置、计算机设备和存储介质 |
CN109583312A (zh) * | 2018-10-31 | 2019-04-05 | 百度在线网络技术(北京)有限公司 | 车道线识别方法、装置、设备及存储介质 |
CN109658504A (zh) * | 2018-10-31 | 2019-04-19 | 百度在线网络技术(北京)有限公司 | 地图数据标注方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN110119721A (zh) | 2019-08-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109858445B (zh) | 用于生成模型的方法和装置 | |
CN109410218B (zh) | 用于生成车辆损伤信息的方法和装置 | |
CN109308681B (zh) | 图像处理方法和装置 | |
CN112184738B (zh) | 一种图像分割方法、装置、设备及存储介质 | |
CN110516678B (zh) | 图像处理方法和装置 | |
CN109829432B (zh) | 用于生成信息的方法和装置 | |
CN109118456B (zh) | 图像处理方法和装置 | |
CN109377508B (zh) | 图像处理方法和装置 | |
CN109800730B (zh) | 用于生成头像生成模型的方法和装置 | |
CN110288625B (zh) | 用于处理图像的方法和装置 | |
CN110070076B (zh) | 用于选取训练用样本的方法和装置 | |
CN109934142B (zh) | 用于生成视频的特征向量的方法和装置 | |
CN111598006A (zh) | 用于标注对象的方法和装置 | |
CN114898177B (zh) | 缺陷图像生成方法、模型训练方法、设备、介质及产品 | |
CN112801888A (zh) | 图像处理方法、装置、计算机设备及存储介质 | |
CN113505848A (zh) | 模型训练方法和装置 | |
CN110110696B (zh) | 用于处理信息的方法和装置 | |
CN109829431B (zh) | 用于生成信息的方法和装置 | |
CN110119721B (zh) | 用于处理信息的方法和装置 | |
CN109816791B (zh) | 用于生成信息的方法和装置 | |
CN110321854B (zh) | 用于检测目标对象的方法和装置 | |
CN112418345A (zh) | 细粒度小目标快速识别的方法和装置 | |
CN109840072B (zh) | 信息处理方法和装置 | |
CN115393423A (zh) | 目标检测方法和装置 | |
CN110120075B (zh) | 用于处理信息的方法和装置 |
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 |