CN110287779A - 车道线的检测方法、装置及设备 - Google Patents
车道线的检测方法、装置及设备 Download PDFInfo
- Publication number
- CN110287779A CN110287779A CN201910410294.8A CN201910410294A CN110287779A CN 110287779 A CN110287779 A CN 110287779A CN 201910410294 A CN201910410294 A CN 201910410294A CN 110287779 A CN110287779 A CN 110287779A
- Authority
- CN
- China
- Prior art keywords
- lane
- area
- boundary
- line
- detection result
- 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
Links
Classifications
-
- 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
- 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
- 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
- G06T2207/20—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
本发明实施例提供的车道线的检测方法、装置及设备，对待检测图像进行检测，获取待检测图像对应的车道线区域检测结果和车道线边界检测结果；根据所述车道线区域检测结果，从所述车道线边界检测结果中确定出候选边界线段；根据各所述候选边界线段，以及车道宽度信息，获取所述待检测图像中各车道的内边线；通过将车道线区域检测结果和车道线边界检测结果进行融合，得到候选边界线段，能够剔除误检的情况，提高检测结果的准确性；进一步的，在确定候选边界线段后，进一步根据车道宽度信息确定出各车道的内边线，能够进一步提高车道线检测结果的准确性，提高自动驾驶的控制精度和安全性。
Description
技术领域
本发明实施例涉及自动驾驶技术领域，尤其涉及一种车道线的检测方法、装置及设备。
背景技术
在自动驾驶场景中，车道线作为重要的静态语义信息，对驾驶决策意义重大。因此，需要对自动驾驶场景的道路图像进行车道线检测。
现有的车道线检测方法，通常采用特征提取与霍夫变化相结合的方法。具体的，根据车道线的颜色、亮度等特征，对待检测图像进行特征提取，根据提取的特征进行边缘检测，再利用霍夫变换提取直线，作为图像的车道线检测结果。
然而，上述的车道线检测方法对噪声比较敏感，在车道线相对模糊、光线较暗等条件下的检测结果不佳，存在误检情况。
发明内容
本发明实施例提供一种车道线的检测方法、装置及设备，用以提高车道线检测结果的准确性。
第一方面，本发明实施例提供一种车道线的检测方法，包括：
对待检测图像进行检测，获取所述待检测图像对应的车道线区域检测结果和车道线边界检测结果，所述车道线区域检测结果中包括各车道线对应的区域，所述车道线边界检测结果中包括各车道线对应的边界线段；
根据所述车道线区域检测结果，从所述车道线边界检测结果中确定出候选边界线段；
根据各所述候选边界线段，以及车道宽度信息，获取所述待检测图像中各车道的内边线。
可选的，所述根据各所述候选边界线段，以及车道宽度信息，获取所述待检测图像中各车道的内边线，包括：
对所述候选边界线段进行逆透视变换，得到变换后的各候选边界线段；
对所述各候选边界线段中的点进行投影，根据投影点的数量以及车道宽度信息，确定出各车道的起始点位置；
根据所述各车道的起始点位置，以及所述候选边界线段，确定出各车道的内边线。
可选的，所述根据投影点的数量以及车道宽度信息，确定出各车道的起始点位置，包括：
将投影点数量最多的位置，作为第一车道的起始点位置；
根据所述第一车道的起始点位置，以及车道宽度信息，确定出与所述第一车道相邻的第二车道的起始点位置。
可选的，所述根据所述各车道的起始点位置，以及所述候选边界线段，确定出各车道的内边线，包括：
针对每个车道，从所述车道的起始点位置出发，对预设滑窗进行移动，若存在至少部分候选边界线段落入所述预设滑窗中，并且，所述至少部分候选边界线段满足预设的角度条件和长度条件，则将所述至少部分候选边界线段作为所述车道的内边线。
可选的，所述将所述至少部分候选边界线段作为所述车道的内边线之后，还包括：
根据所述车道的内边线，获取所述内边线的延伸角度信息；
相应的，所述对预设滑窗进行移动，包括：
根据所述延伸角度信息，对所述预设滑窗进行移动。
可选的，所述根据所述车道线区域检测结果，从所述车道线边界检测结果中确定出候选边界线段，包括：
针对所述车道线边界检测结果中的任一所述边界线段，若所述边界线段落入所述车道线区域检测结果中的车道线对应区域的部分满足预设条件，则将所述边界线段确定为候选边界线段。
可选的，所述对待检测图像进行检测，获取所述待检测图像对应的车道线区域检测结果和车道线边界检测结果，包括：
将所述待检测图像输入至神经网络分割模型，获取所述神经网络分割模型输出的车道线区域检测结果；
采用直线检测算法对所述待检测图像进行直线检测，获取所述车道线边界检测结果。
可选的，所述对待检测图像进行检测，获取所述待检测图像对应的车道线区域检测结果和车道线边界检测结果，包括：
将所述待检测图像划分为第一区域和第二区域，所述第一区域对应的场景位置比所述第二区域对应的场景位置远；
对所述第一区域进行放大处理，对放大处理后的第一区域进行检测，获取所述第一区域对应的第一区域检测结果和第一边界检测结果，并对所述第二区域进行检测，获取所述第二区域对应的第二区域检测结果和第二边界检测结果；
相应的，所述根据所述车道线区域检测结果，从所述车道线边界检测结果中确定出候选边界线段，包括：
根据所述第一区域检测结果，从所述第一边界检测结果中确定出候选的第一边界线段，并根据所述第二区域检测结果，从所述第二边界检测结果中确定出候选的第二边界线段；
将所述第一边界线段进行缩小处理后，与所述第二边界线段进行融合，得到所述待检测图像对应的候选边界线段。
第二方面，本发明实施例提供一种车道线的检测装置，包括：
检测模块，用于对待检测图像进行检测，获取所述待检测图像对应的车道线区域检测结果和车道线边界检测结果，所述车道线区域检测结果中包括各车道线对应的区域，所述车道线边界检测结果中包括各车道线对应的边界线段；
确定模块，用于根据所述车道线区域检测结果，从所述车道线边界检测结果中确定出候选边界线段；
获取模块，用于根据各所述候选边界线段，以及车道宽度信息，获取所述待检测图像中各车道的内边线。
可选的，所述获取模块具体用于：
对所述候选边界线段进行逆透视变换，得到变换后的各候选边界线段；
对所述各候选边界线段中的点进行投影，根据投影点的数量以及车道宽度信息，确定出各车道的起始点位置；
根据所述各车道的起始点位置，以及所述候选边界线段，确定出各车道的内边线。
可选的，所述获取模块具体用于：
将投影点数量最多的位置，作为第一车道的起始点位置；
根据所述第一车道的起始点位置，以及车道宽度信息，确定出与所述第一车道相邻的第二车道的起始点位置。
可选的，所述获取模块具体用于：
针对每个车道，从所述车道的起始点位置出发，对预设滑窗进行移动，若存在至少部分候选边界线段落入所述预设滑窗中，并且，所述至少部分候选边界线段满足预设的角度条件和长度条件，则将所述至少部分候选边界线段作为所述车道的内边线。
可选的，所述获取模块还用于：根据所述车道的内边线，获取所述内边线的延伸角度信息；
相应的，所述获取模块具体用于根据所述延伸角度信息，对所述预设滑窗进行移动。
可选的，所述确定模块具体用于：
针对所述车道线边界检测结果中的任一所述边界线段，若所述边界线段落入所述车道线区域检测结果中的车道线对应区域的部分满足预设条件，则将所述边界线段确定为候选边界线段。
可选的，所述检测模块具体用于：
将所述待检测图像输入至神经网络分割模型，获取所述神经网络分割模型输出的车道线区域检测结果；
采用直线检测算法对所述待检测图像进行直线检测，获取所述车道线边界检测结果。
可选的，所述检测模块具体用于：
将所述待检测图像划分为第一区域和第二区域，所述第一区域对应的场景位置比所述第二区域对应的场景位置远；
对所述第一区域进行放大处理，对放大处理后的第一区域进行检测，获取所述第一区域对应的第一区域检测结果和第一边界检测结果，并对所述第二区域进行检测，获取所述第二区域对应的第二区域检测结果和第二边界检测结果；
相应的，所述确定模块具体用于：
根据所述第一区域检测结果，从所述第一边界检测结果中确定出候选的第一边界线段，并根据所述第二区域检测结果，从所述第二边界检测结果中确定出候选的第二边界线段；
将所述第一边界线段进行缩小处理后，与所述第二边界线段进行融合，得到所述待检测图像对应的候选边界线段。
第三方面，本发明实施例提供一种车道线的检测设备，包括：存储器、处理器以及计算机程序，所述计算机程序存储在所述存储器中，所述处理器运行所述计算机程序执行如第一方面任一项所述的方法。
第四方面，本发明实施例提供一种计算机可读存储介质，所述计算机可读存储介质包括计算机程序，所述计算机程序被处理器执行时实现如第一方面任一项所述的方法。
本发明实施例提供的车道线的检测方法、装置及设备，对待检测图像进行检测，获取待检测图像对应的车道线区域检测结果和车道线边界检测结果，所述车道线区域检测结果中包括各车道线对应的区域，所述车道线边界检测结果中包括各车道线对应的边界线段；根据所述车道线区域检测结果，从所述车道线边界检测结果中确定出候选边界线段；根据各所述候选边界线段，以及车道宽度信息，获取所述待检测图像中各车道的内边线；通过将车道线区域检测结果和车道线边界检测结果进行融合，得到候选边界线段，能够剔除误检的情况，提高检测结果的准确性；进一步的，在确定候选边界线段后，进一步根据车道宽度信息确定出各车道的内边线，能够进一步提高车道线检测结果的准确性，提高自动驾驶的控制精度和安全性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术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为本发明实施例适用的应用场景示意图；
图2为本发明一实施例提供的车道线的检测方法的流程示意图；
图3为本发明实施例中车道线的示意图；
图4为本发明实施例中车道线区域检测结果和车道线边界检测结果的示意图；
图5为本发明一实施例提供的确定各车道的内边线的流程示意图；
图6A为本发明实施例中世界坐标系和图像坐标系的关系示意图；
图6B为本发明实施例中世界坐标系下的xoy平面的示意图；
图6C为本发明实施例中世界坐标系下的yoz平面的示意图；
图7A为本发明实施例中逆透视变换前的图像示意图；
图7B为本发明实施例中逆透视变换后的图像示意图；
图8为本发明实施例提供的内边线的示意图；
图9为本发明另一实施例提供的车道线的检测方法的流程示意图；
图10为本发明一实施例提供的车道线的检测装置的结构示意图；
图11为本发明一实施例提供的车道线的检测设备的结构示意图。
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，所描述的实施例仅仅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，都属于本发明保护的范围。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例例如能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
图1为本发明实施例适用的应用场景示意图。如图1所示，该场景为自动驾驶场景。具体的，在车辆中部署自动驾驶系统，自动驾驶系统中包括用于拍摄道路信息的拍摄装置、以及用于控制车辆行驶的控制装置。车辆在道路行驶过程中，控制装置通过对拍摄装置拍摄的道路图像进行分析，确定出当前道路上的车道的指引信息，从而能够根据车道的指引信息对车辆进行行驶控制。
可以理解的，上述关于自动驾驶系统的描述仅为示例性说明，实际应用中，自动驾驶系统还可以包括其他的装置，例如：用于探测障碍物的位置信息的探测装置。本发明实施例对此不作限定。
在如图1所示的自动驾驶场景中，车辆需要依据道路中的车道线进行行驶，车道线是车辆行驶过程中的重要参考信息。因此，控制装置需要对拍摄装置拍摄的道路图像进行检测，得到道路中的车道线信息，进而根据车道线信息对车辆进行行驶控制。
现有技术中，在对道路图像进行车道线检测时，通常采用特征提取与霍夫变化相结合的方法。具体的，根据车道线的颜色、亮度等特征，对待检测图像进行特征提取，根据提取的特征进行边缘检测，再利用霍夫变换提取直线，作为图像的车道线检测结果。
但是，上述的车道线检测方法对噪声比较敏感，尤其在车道线相对模糊、光线较暗等条件下的检测结果不佳，存在误检情况。例如：实际道路中存在很多与车道线的颜色、亮度相近的干扰，导致存在误检的情况；另外，有些道路中的车道线存在磨损、边界模糊的情况，使得车道线的检测结果不够准确。
为了解决上述问题中的至少一个，本发明实施例提供一种车道线的检测方法。本发明实施例的车道线检测方法可以由车道线检测装置执行，该车道线检测装置可以设置在如图1所示车辆的自动驾驶系统中。该车道线检测装置与控制装置连接，或者，该车道线检测装置集成在控制装置内。该车道线检测装置与拍摄装置连接，拍摄装置拍摄得到道路图像后，将道路图像发送给车道线检测装置。车道线检测装置对道路图像进行车道线检测，将检测到的车道线信息发送给控制装置，从而控制装置根据车道线信息对车辆进行行驶控制。
下面以具体地实施例对本发明的技术方案进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例不再赘述。
图2为本发明一实施例提供的车道线的检测方法的流程示意图。本实施例的方法由车道线检测装置执行，该装置可以为软件和/或硬件的形式。如图2所示，本实施例的方法包括：
S201：对待检测图像进行检测，获取所述待检测图像对应的车道线区域检测结果和车道线边界检测结果，所述车道线区域检测结果中包括各车道线对应的区域，所述车道线边界检测结果中包括各车道线对应的边界线段。
其中，所述待检测图像是拍摄装置在车辆行驶过程中拍摄的道路图像。可以理解的，所述待检测图像中包括道路中的车道线信息。本实施例中的车道线主要指用于分隔不同车道的车道分界线。按照车道线的标识功能，车道线可以划分为指示标线、警告标线和禁止标线。按照车道线的标识方式划分，车道线可以分为白色虚线、白色实线、黄色虚线、黄色实线、双白虚线、双白实线、双黄虚线和双黄实线等。
图3为本发明实施例中车道线的示意图。如图3所示，车道线采用阴影标识。实际应用中，为了起到良好的标识作用，车道线通常具有一定的宽度。为了描述方便，本发明实施例中将如图3所示的阴影区域称为车道线区域，将如图3所示的阴影区域的沿长度方向的边界，称为车道线边界。示例性的，以其中一个车道线为例，其具有两个边界，分别为边界a和边界b。
本实施例中，可以分别对待检测图像进行车道线区域检测和车道线边界检测，得到车道线区域检测结果和车道线边界检测结果。可以理解的，所述车道线区域检测结果中包括各车道线对应的区域，所述车道线边界检测结果中包括各车道线对应的边界线段。
其中，对待检测图像进行车道线区域检测时，可以采用现有的图像分割算法。一种可能的实施方式中，采用训练好的神经网络分割模型对待检测图像进行车道线区域分割。具体的，将待检测图像输入至神经网络分割模型，由神经网络分割模型对待检测图像中的车道线进行检测，输出车道线区域检测结果。
上述实施方式中，神经网络分割模型可以为基于编码器(Encoder)和解码器(Decoder)的神经网络模型，并采用大数据对该模型进行训练。本实施例中，通过采用神经网络分割模型对待检测图像进行车道线区域检测，与现有的基于颜色、亮度等特征提取的车道线检测方法相比，提高了检测鲁棒性。
对待检测图像进行车道线边界检测时，可以采用现有的直线段检测(LineSegment Detector，LSD)方法进行检测，LSD检测方法在车道线的边界模糊或者边界线磨损的情况下，依然能够提取出车道线边界。
示例性的，图4为本发明实施例中车道线区域检测结果和车道线边界检测结果的示意图。其中，白色区域示例的是车道线区域检测结果中各车道线的区域，黑色线段为车道线边界检测结果中各车道线的边界线段。
S202：根据所述车道线区域检测结果，从所述车道线边界检测结果中确定出候选边界线段。
本实施例中，对待检测图像进行检测，得到车道线区域检测结果和车道线边界检测结果后，将两个检测结果进行融合，得到候选边界线段。
具体的，若某个位置被检测为边界线段，但是该位置并没有被检测为车道线区域，则说明该边界线段为误检。若某个位置被检测为车道线区域，但是该位置并没有被检测为边界线段，则说明该车道线区域为误检。若某个位置被检测为边界线段，并且该位置也被检测为车道线区域，则将该边界线段作为候选边界线段。
一种可能的实施方式中，针对所述车道线边界检测结果中的任一所述边界线段，若所述边界线段落入所述车道线区域检测结果中的车道线对应区域的部分满足预设条件，则将所述边界线段确定为候选边界线段。
示例性的，若某个边界线段落入了车道线区域中，并且，落入车道线区域中的长度占该边界线段总长度的比例达到预设值，则将该边界线段确定为候选边界线段，否则，将该边界线段确定为误检。
示例性的，将某个边界线段平均分为三段，若该边界线段的中间区段全部落入车道线区域中，则将该边界线段确定为候选边界线段，否则，将该边界线段确定为误检。
本实施例中，通过将车道线区域检测结果和车道线边界检测结果进行融合，能够剔除误检的情况。换句话说，只有当边界线段与车道线区域的交集满足一定条件时，才将该边界线段确定为候选边界线段，能够提高检测结果的准确性。
S203：根据各所述候选边界线段，以及车道宽度信息，获取所述待检测图像中各车道的内边线。
如图3所示，由于车道线具有一定的宽度，对于每个车道而言，该车道两侧的车道线具有内边线和外边线。示例性的，以图3中的其中一个车道线为例进行说明，对于车道1而言，该车道线的边界a为车道1的内边线，该车道线的边界b为车道1的外边线；对于车道2而言，该车道线的边界a为车道2的外边线，该车道线的边界b为车道2的内边线。
车辆在某个车道行驶时，若以该车道的外边线作为行驶参考的话，则有可能出现控制不及时的问题，导致车辆压线违反交通规则。因此，在进行自动驾驶控制时，应该以该车道的内边线作为行驶参考。本实施例中，在确定候选边界线段后，进一步根据车道宽度信息确定出各车道的内边线，能够进一步提高车道线检测结果的准确性，提高自动驾驶的控制精度和安全性。
其中，本实施例中的车道宽度信息是指该车道的两个内边线之间的距离，也就是说，车道宽度信息是以该车道的两个内边线为界进行计算的。具体的，本实施例中的车道宽度信息可以是一个确定的数值，还可以是一个范围。当车道宽度信息为确定的数值时，可以首先确定出一个车道的内边线，进而根据车道宽度信息可以确定出其他车道的内边线。当车道宽度信息为宽度范围时，可以首先确定出一个车道的内边线，进而根据车道宽度信息确定出其他车道的内边线的可能位置，然后再根据候选边界线段的位置，确定出其他车道的内边线的具体位置。
进一步的，由于待检测图像的拍摄参数等原因，待检测图像具有近大远小的特点，使得检测到的车道线区域和车道线边界也具有近大远小的特点。如图4所示，车道线的不同位置处对应的车道宽度并不相同。具体实施过程中，可以采用多种方式克服近大远小的问题。示例性的，可以通过坐标系变换的方式，将近大远小的车道线还原为平行状态的车道线。本实施例对此不作赘述，一种可能的实施方式可以参见后续实施例的详细描述。
本实施例提供的车道线的检测方法，对待检测图像进行检测，获取待检测图像对应的车道线区域检测结果和车道线边界检测结果，所述车道线区域检测结果中包括各车道线对应的区域，所述车道线边界检测结果中包括各车道线对应的边界线段；根据所述车道线区域检测结果，从所述车道线边界检测结果中确定出候选边界线段；根据各所述候选边界线段，以及车道宽度信息，获取所述待检测图像中各车道的内边线；通过将车道线区域检测结果和车道线边界检测结果进行融合，得到候选边界线段，能够剔除误检的情况，提高检测结果的准确性；进一步的，在确定候选边界线段后，进一步根据车道宽度信息确定出各车道的内边线，能够进一步提高车道线检测结果的准确性，提高自动驾驶的控制精度和安全性。
下面结合图5对上述实施例中的S203的一种可能的实施方式进行详细描述。图5为本发明一实施例提供的确定各车道的内边线的流程示意图，如图5所示，本实施例的方法，包括：
S501：对所述候选边界线段进行逆透视变换，得到变换后的各候选边界线段。
具体的，车辆在道路上行驶过程中，车载摄像机对当前道路进行拍摄，得到待检测图像。由于车载摄像机在拍摄过程中利用透视原理，使得拍摄得到的图像中呈现近大远小的效果。本实施例中，通过对候选边界线段进行逆透视变换，将近大远小的车道线恢复为平行状态的车道线，从而便于后续的车道内边线的提取。
下面对逆透视变换进行介绍。在欧式空间中定义两个坐标系W和I，分别表示世界坐标系和图像坐标系，如下所示：
W＝{(x,y,z)}∈E3
I＝{(u,v)}∈E2
其中，(x,y,z)表示世界坐标系中一个点的坐标，其中，x轴方向为车辆宽度方向，y轴方向为车辆长度指向车头的方向，z轴方向为车辆高度方向。(u,v)表示图像坐标系中一个点的坐标，u轴为图像的高度方向，v轴为图像的宽度方向。
逆透视变换的实质就是将图像坐标系I下的道路图像(即车载摄像机所拍摄的图像)变换到世界坐标系W下的z＝0的平面中。
图6A为本发明实施例中世界坐标系和图像坐标系的关系示意图，图6B为本发明实施例中世界坐标系下的xoy平面的示意图，图6C为本发明实施例中世界坐标系下的yoz平面的示意图。如图6A至图6C所示，假设车载摄像机安装在车体中的位置在世界坐标系下的坐标为(d,l,h)，摄像机标定的其他参数包括：
γ：摄像机光轴O在z＝0平面的投影与y轴的夹角；
θ：摄像机光轴O偏离z＝0平面的角度；
2α：摄像机的视角；
Rx：摄像机水平方向分辨率；
Ry：摄像机垂直方向分辨率；
经过简单的坐标系变换，得到图像坐标系I到世界坐标系W的逆透视变换的模型如下：
z＝0
图7A为本发明实施例中逆透视变换前的图像示意图，图7B为本发明实施例中逆透视变换后的图像示意图。如图7A和图7B所示，经过逆透视变换后，图像变换为准俯视图，图像中的车道线变为准平行状态。
S502：对所述各候选边界线段中的点进行投影，根据投影点的数量以及车道宽度信息，确定出各车道的起始点位置。
具体的，经过逆透视变换后，将各候选边界线段转换为世界坐标系下。对变换后的各候选边界线段中的各点进行垂直投影，即，将各候选边界线段中的各点沿y轴的反方向进行垂直投影。
本实施例中，为了描述方便，将车辆当前行驶的车道称为第一车道，与第一车道相邻的车道称为第二车道。
由于待检测图像是由车辆中的车载摄像机拍摄的，因此，靠近车辆的车道线进行垂直投影得到的投影点较为密集，远离车辆的车道线进行垂直投影得到的投影点较为稀疏。因此，本实施例中，将投影点数量最多的位置，作为第一车道的起始点位置。可以理解的，投影点数量最多的位置，可能是第一车道的左侧内边线的起始点位置，也可能是第一车道的右侧内边线的起始点位置。
确定出第一车道的起始点位置之后，根据车道宽度信息，在距离第一车道的起始点位置一个车道宽度附近，搜索出第二车道的起始点位置。示例性的，在距离第一车道的起始点位置一个车道宽度附近，将投影点数量为局部峰值的位置作为第二车道的起始点位置。
类似的，还可以采用相同的方法搜索出其他各车道的起始点位置。需要说明的是，本实施例中所述的车道的起始点位置，可以是该车道的左侧内边线的起始点位置，也可以是该车道的右侧内边线的起始点位置。
S503：根据所述各车道的起始点位置，以及所述候选边界线段，确定出各车道的内边线。
具体的，针对每个车道，从所述车道的起始点位置出发，对预设滑窗进行移动，若存在至少部分候选边界线段落入所述预设滑窗中，并且，所述至少部分候选边界线段满足预设的角度条件和长度条件，则将所述至少部分候选边界线段作为所述车道的内边线。
下面结合图8描述车道线内边线的搜索过程，图8为本发明实施例提供的内边线的示意图。如图8所示，图8中的左一图示例的是经过逆投影变换后得到的候选边界线段。假设车辆位于最左侧车道，即最左侧车道为第一车道。第一车道的内边线的搜索过程为：从第一车道的起始点位置出发，用细长的矩形滑窗沿起始点位置向上搜索，如果有候选边界线段落在该矩形滑窗中，并且，落在矩形滑窗中部分线段的角度和长度满足一定条件，则将该边界线段作为第一车道的内边线。进一步的，根据已确定的第一车道的内边线，获取该内边线延伸角度信息，并根据该延伸角度信息对矩形滑窗进行移动，继续进行上述的搜索过程，最终得到第一车道的内边线如图8中的左二图所示。
对第一车道的内边线搜索完毕后，根据第二车道的起始点位置，按照与第一车道类似的搜索方法进行搜索，得到第二车道的内边线，如图8中的左三图所示。以此类推，最终得到的其他车道的内边线如图8中的左四图和左五图所示。
本实施例中，对于矩形滑窗的大小不作具体限定，可以理解的，为了提高内边线的搜索精度和效率，矩形滑窗的宽度可以小于车道线的宽度。
一种可能的实施方式中，经过上述搜索得到各车道的内边线后，还可以对各车道的内边线进行分段拟合，得到各车道的内边线对应的直线方程或者曲线方程，以方便后续的计算处理。
本实施例中，通过对候选边界线段进行逆投影变换，将近大远小的车道线恢复为准平行状态的车道线，然后根据车道宽度信息对各车道的内边线进行搜索，有效去除误检的边界线段，提高了车道线检测结果的准确性。
图9为本发明另一实施例提供的车道线的检测方法的流程示意图。本实施例描述了图2所示实施例中S201和S202的另一种可能的实施方式。如图9所示，本实施例的方法，包括：
S901：将所述待检测图像划分为第一区域和第二区域，所述第一区域对应的场景位置比所述第二区域对应的场景位置远。
其中，第一区域是指待检测图像中的远端区域，第二区域是指待检测图像中的近端区域。具体的，由于待检测图像具有近大远小的特点，待检测图像中的近端区域中的车道线点数较多，远端区域中的车道线点数较少。
本实施例中，为了保证车道线检测结果的准确性，对远端区域先进行放大处理，示例性的，将远端区域放大至原图大小。再对放大后的远端区域进行车道线区域检测和车道线边界检测。由于放大后的远端区域中车道线点数变多，因此能够提高检测结果的准确性。
S902：对所述第一区域进行放大处理，对放大处理后的第一区域进行检测，获取所述第一区域对应的所述第一区域检测结果和所述第一边界检测结果，并对所述第二区域进行检测，获取所述第二区域对应的所述第二区域检测结果和所述第二边界检测结果。
S903：据所述第一区域检测结果，从所述第一边界检测结果中确定出候选的第一边界线段，并根据所述第二区域检测结果，从所述第二边界检测结果中确定出候选的第二边界线段。
S904：将所述第一边界线段进行缩小处理后，与所述第二边界线段进行融合，得到所述待检测图像对应的候选边界线段。
本实施例中，对远端区域和近端区域分别进行车道线区域检测和车道线边界检测，得到远端区域和近端区域对应的候选边界线段。由于远端区域是经过放大处理的，在对远端区域和近端区域的候选边界线段进行融合之前，对远端区域的候选边界线段进行缩小处理，使其与放大前的大小一致，然后，将缩小后的远端区域的候选边界线段与近端区域的候选边界线段进行融合，得到原始待检测图像对应的候选边界线段。
其中，对远端区域和近端区域进行车道线区域检测和车道线边界检测的方法与上述实施例类似，此处不再赘述。
本实施例中，通过将待检测图像划分为近端区域和远端区域，对远端区域进行放大处理后再进行车道线区域检测和车道线边界检测，提高了检测结果的准确性。
图10为本发明一实施例提供的车道线的检测装置的结构示意图。如图10所示，本实施例的车道线的检测装置1000，包括：检测模块1001、确定模块1002和获取模块1003。
其中，检测模块1001，用于对待检测图像进行检测，获取所述待检测图像对应的车道线区域检测结果和车道线边界检测结果，所述车道线区域检测结果中包括各车道线对应的区域，所述车道线边界检测结果中包括各车道线对应的边界线段；
确定模块1002，用于根据所述车道线区域检测结果，从所述车道线边界检测结果中确定出候选边界线段；
获取模块1003，用于根据各所述候选边界线段，以及车道宽度信息，获取所述待检测图像中各车道的内边线。
可选的，所述获取模块1003具体用于：
对所述候选边界线段进行逆透视变换，得到变换后的各候选边界线段；
对所述各候选边界线段中的点进行投影，根据投影点的数量以及车道宽度信息，确定出各车道的起始点位置；
根据所述各车道的起始点位置，以及所述候选边界线段，确定出各车道的内边线。
可选的，所述获取模块1003具体用于：
将投影点数量最多的位置，作为第一车道的起始点位置；
根据所述第一车道的起始点位置，以及车道宽度信息，确定出与所述第一车道相邻的第二车道的起始点位置。
可选的，所述获取模块1003具体用于：
针对每个车道，从所述车道的起始点位置出发，对预设滑窗进行移动，若存在至少部分候选边界线段落入所述预设滑窗中，并且，所述至少部分候选边界线段满足预设的角度条件和长度条件，则将所述至少部分候选边界线段作为所述车道的内边线。
可选的，所述获取模块1003还用于：根据所述车道的内边线，获取所述内边线的延伸角度信息；
相应的，所述获取模块1003具体用于根据所述延伸角度信息，对所述预设滑窗进行移动。
可选的，所述确定模块1002具体用于：
针对所述车道线边界检测结果中的任一所述边界线段，若所述边界线段落入所述车道线区域检测结果中的车道线对应区域的部分满足预设条件，则将所述边界线段确定为候选边界线段。
可选的，所述检测模块1001具体用于：
将所述待检测图像输入至神经网络分割模型，获取所述神经网络分割模型输出的车道线区域检测结果；
采用直线检测算法对所述待检测图像进行直线检测，获取所述车道线边界检测结果。
可选的，所述检测模块1001具体用于：
将所述待检测图像划分为第一区域和第二区域，所述第一区域对应的场景位置比所述第二区域对应的场景位置远；
对所述第一区域进行放大处理，对放大处理后的第一区域进行检测，获取所述第一区域对应的第一区域检测结果和第一边界检测结果，并对所述第二区域进行检测，获取所述第二区域对应的第二区域检测结果和第二边界检测结果；
相应的，所述确定模块1002具体用于：
根据所述第一区域检测结果，从所述第一边界检测结果中确定出候选的第一边界线段，并根据所述第二区域检测结果，从所述第二边界检测结果中确定出候选的第二边界线段；
将所述第一边界线段进行缩小处理后，与所述第二边界线段进行融合，得到所述待检测图像对应的候选边界线段。
本实施例提供的车道线的检测装置，可用于执行上述任一方法实施例的技术方案，其实现原理和技术效果类似，此处不再赘述。
图11为本发明一实施例提供的车道线的检测设备的结构示意图。如图11所示，本实施例的车道线的检测设备1100，包括：处理器1101以及存储器1102；其中，存储器1102，用于存储计算机程序；处理器1101，用于执行存储器存储的计算机程序，以实现上述实施例中的方法。具体可以参见前述方法实施例中的相关描述。
可选的，所述车道线的检测设备1100还可以包括通信部件1103，所述通信部件1103用于与拍摄装置通信，以获取待检测图像。
可选地，存储器1102既可以是独立的，也可以跟处理器1101集成在一起。
当所述存储器1102是独立于处理器1101之外的器件时，所述车道线的检测设备1100还可以包括：总线1104，用于连接所述存储器1102和处理器1101。
本实施例提供的车道线的检测设备，可用于执行上述任一方法实施例中的技术方案，其实现原理和技术效果类似，本实施例此处不再赘述。
本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质包括计算机程序，所述计算机程序用于实现如上任一方法实施例中的技术方案。
本发明实施例还提供一种芯片，包括：存储器、处理器以及计算机程序，所述计算机程序存储在所述存储器中，所述处理器运行所述计算机程序执行上述任一方法实施例中的技术方案。
在本发明所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。例如，以上所描述的设备实施例仅仅是示意性的，例如，所述模块的划分，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，例如多个模块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，装置或模块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模块可以是或者也可以不是物理上分开的，作为模块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模块来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个单元中。上述模块成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
上述以软件功能模块的形式实现的集成的模块，可以存储在一个计算机可读取存储介质中。上述软件功能模块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)或处理器(英文：processor)执行本发明各个实施例所述方法的部分步骤。
应理解，上述处理器可以是中央处理单元(英文：Central Processing Unit，简称：CPU)，还可以是其他通用处理器、数字信号处理器(英文：Digital Signal Processor，简称：DSP)、专用集成电路(英文：Application Specific Integrated Circuit，简称：ASIC)等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合申请所公开的方法的步骤可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。
存储器可能包含高速RAM存储器，也可能还包括非易失性存储NVM，例如至少一个磁盘存储器，还可以为U盘、移动硬盘、只读存储器、磁盘或光盘等。
总线可以是工业标准体系结构(Industry Standard Architecture，ISA)总线、外部设备互连(Peripheral Component，PCI)总线或扩展工业标准体系结构(ExtendedIndustry Standard Architecture，EISA)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示，本发明附图中的总线并不限定仅有一根总线或一种类型的总线。
上述存储介质可以是由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。存储介质可以是通用或专用计算机能够存取的任何可用介质。
一种示例性的存储介质耦合至处理器，从而使处理器能够从该存储介质读取信息，且可向该存储介质写入信息。当然，存储介质也可以是处理器的组成部分。处理器和存储介质可以位于专用集成电路(Application Specific Integrated Circuits，简称：ASIC)中。当然，处理器和存储介质也可以作为分立组件存在于电子设备或主控设备中。
本领域普通技术人员可以理解：实现上述各方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成。前述的程序可以存储于一计算机可读取存储介质中。该程序在执行时，执行包括上述各方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (18)
1.一种车道线的检测方法，其特征在于，包括：
对待检测图像进行检测，获取所述待检测图像对应的车道线区域检测结果和车道线边界检测结果，所述车道线区域检测结果中包括各车道线对应的区域，所述车道线边界检测结果中包括各车道线对应的边界线段；
根据所述车道线区域检测结果，从所述车道线边界检测结果中确定出候选边界线段；
根据各所述候选边界线段，以及车道宽度信息，获取所述待检测图像中各车道的内边线。
2.根据权利要求1所述的方法，其特征在于，所述根据各所述候选边界线段，以及车道宽度信息，获取所述待检测图像中各车道的内边线，包括：
对所述候选边界线段进行逆透视变换，得到变换后的各候选边界线段；
对所述各候选边界线段中的点进行投影，根据投影点的数量以及车道宽度信息，确定出各车道的起始点位置；
根据所述各车道的起始点位置，以及所述候选边界线段，确定出各车道的内边线。
3.根据权利要求2所述的方法，其特征在于，所述根据投影点的数量以及车道宽度信息，确定出各车道的起始点位置，包括：
将投影点数量最多的位置，作为第一车道的起始点位置；
根据所述第一车道的起始点位置，以及车道宽度信息，确定出与所述第一车道相邻的第二车道的起始点位置。
4.根据权利要求2所述的方法，其特征在于，所述根据所述各车道的起始点位置，以及所述候选边界线段，确定出各车道的内边线，包括：
针对每个车道，从所述车道的起始点位置出发，对预设滑窗进行移动，若存在至少部分候选边界线段落入所述预设滑窗中，并且，所述至少部分候选边界线段满足预设的角度条件和长度条件，则将所述至少部分候选边界线段作为所述车道的内边线。
5.根据权利要求4所述的方法，其特征在于，所述将所述至少部分候选边界线段作为所述车道的内边线之后，还包括：
根据所述车道的内边线，获取所述内边线的延伸角度信息；
相应的，所述对预设滑窗进行移动，包括：
根据所述延伸角度信息，对所述预设滑窗进行移动。
6.根据权利要求1所述的方法，其特征在于，所述根据所述车道线区域检测结果，从所述车道线边界检测结果中确定出候选边界线段，包括：
针对所述车道线边界检测结果中的任一所述边界线段，若所述边界线段落入所述车道线区域检测结果中的车道线对应区域的部分满足预设条件，则将所述边界线段确定为候选边界线段。
7.根据权利要求1所述的方法，其特征在于，所述对待检测图像进行检测，获取所述待检测图像对应的车道线区域检测结果和车道线边界检测结果，包括：
将所述待检测图像输入至神经网络分割模型，获取所述神经网络分割模型输出的车道线区域检测结果；
采用直线检测算法对所述待检测图像进行直线检测，获取所述车道线边界检测结果。
8.根据权利要求1所述的方法，其特征在于，所述对待检测图像进行检测，获取所述待检测图像对应的车道线区域检测结果和车道线边界检测结果，包括：
将所述待检测图像划分为第一区域和第二区域，所述第一区域对应的场景位置比所述第二区域对应的场景位置远；
对所述第一区域进行放大处理，对放大处理后的第一区域进行检测，获取所述第一区域对应的第一区域检测结果和第一边界检测结果，并对所述第二区域进行检测，获取所述第二区域对应的第二区域检测结果和第二边界检测结果；
相应的，所述根据所述车道线区域检测结果，从所述车道线边界检测结果中确定出候选边界线段，包括：
根据所述第一区域检测结果，从所述第一边界检测结果中确定出候选的第一边界线段，并根据所述第二区域检测结果，从所述第二边界检测结果中确定出候选的第二边界线段；
将所述第一边界线段进行缩小处理后，与所述第二边界线段进行融合，得到所述待检测图像对应的候选边界线段。
9.一种车道线的检测装置，其特征在于，包括：
检测模块，用于对待检测图像进行检测，获取所述待检测图像对应的车道线区域检测结果和车道线边界检测结果，所述车道线区域检测结果中包括各车道线对应的区域，所述车道线边界检测结果中包括各车道线对应的边界线段；
确定模块，用于根据所述车道线区域检测结果，从所述车道线边界检测结果中确定出候选边界线段；
获取模块，用于根据各所述候选边界线段，以及车道宽度信息，获取所述待检测图像中各车道的内边线。
10.根据权利要求9所述的装置，其特征在于，所述获取模块具体用于：
对所述候选边界线段进行逆透视变换，得到变换后的各候选边界线段；
对所述各候选边界线段中的点进行投影，根据投影点的数量以及车道宽度信息，确定出各车道的起始点位置；
根据所述各车道的起始点位置，以及所述候选边界线段，确定出各车道的内边线。
11.根据权利要求10所述的装置，其特征在于，所述获取模块具体用于：
将投影点数量最多的位置，作为第一车道的起始点位置；
根据所述第一车道的起始点位置，以及车道宽度信息，确定出与所述第一车道相邻的第二车道的起始点位置。
12.根据权利要求10所述的装置，其特征在于，所述获取模块具体用于：
针对每个车道，从所述车道的起始点位置出发，对预设滑窗进行移动，若存在至少部分候选边界线段落入所述预设滑窗中，并且，所述至少部分候选边界线段满足预设的角度条件和长度条件，则将所述至少部分候选边界线段作为所述车道的内边线。
13.根据权利要求12所述的装置，其特征在于，所述获取模块还用于：根据所述车道的内边线，获取所述内边线的延伸角度信息；
相应的，所述获取模块具体用于根据所述延伸角度信息，对所述预设滑窗进行移动。
14.根据权利要求9所述的装置，其特征在于，所述确定模块具体用于：
针对所述车道线边界检测结果中的任一所述边界线段，若所述边界线段落入所述车道线区域检测结果中的车道线对应区域的部分满足预设条件，则将所述边界线段确定为候选边界线段。
15.根据权利要求9所述的装置，其特征在于，所述检测模块具体用于：
将所述待检测图像输入至神经网络分割模型，获取所述神经网络分割模型输出的车道线区域检测结果；
采用直线检测算法对所述待检测图像进行直线检测，获取所述车道线边界检测结果。
16.根据权利要求9所述的装置，其特征在于，所述检测模块具体用于：
将所述待检测图像划分为第一区域和第二区域，所述第一区域对应的场景位置比所述第二区域对应的场景位置远；
对所述第一区域进行放大处理，对放大处理后的第一区域进行检测，获取所述第一区域对应的第一区域检测结果和第一边界检测结果，并对所述第二区域进行检测，获取所述第二区域对应的第二区域检测结果和第二边界检测结果；
相应的，所述确定模块具体用于：
根据所述第一区域检测结果，从所述第一边界检测结果中确定出候选的第一边界线段，并根据所述第二区域检测结果，从所述第二边界检测结果中确定出候选的第二边界线段；
将所述第一边界线段进行缩小处理后，与所述第二边界线段进行融合，得到所述待检测图像对应的候选边界线段。
17.一种车道线的检测设备，其特征在于，包括：存储器、处理器以及计算机程序，所述计算机程序存储在所述存储器中，所述处理器运行所述计算机程序执行如权利要求1至8任一项所述的方法。
18.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括计算机程序，所述计算机程序被处理器执行时实现如权利要求1至8任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910410294.8A CN110287779B (zh) | 2019-05-17 | 2019-05-17 | 车道线的检测方法、装置及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910410294.8A CN110287779B (zh) | 2019-05-17 | 2019-05-17 | 车道线的检测方法、装置及设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110287779A true CN110287779A (zh) | 2019-09-27 |
| CN110287779B CN110287779B (zh) | 2021-10-15 |
Family
ID=68002169
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910410294.8A Active CN110287779B (zh) | 2019-05-17 | 2019-05-17 | 车道线的检测方法、装置及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110287779B (zh) |
Cited By (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111144330A (zh) * | 2019-12-29 | 2020-05-12 | 浪潮(北京)电子信息产业有限公司 | 一种基于深度学习的车道线检测方法、装置以及设备 |
| 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 |
| CN111259796A (zh) * | 2020-01-16 | 2020-06-09 | 东华大学 | 一种基于图像几何特征的车道线检测方法 |
| CN111324616A (zh) * | 2020-02-07 | 2020-06-23 | 北京百度网讯科技有限公司 | 车道线变化信息的检测方法、装置及设备 |
| CN111460072A (zh) * | 2020-04-01 | 2020-07-28 | 北京百度网讯科技有限公司 | 车道线检测方法、装置、设备和存储介质 |
| CN111783689A (zh) * | 2020-07-03 | 2020-10-16 | 三一重工股份有限公司 | 物料压线的识别方法和装置 |
| CN112461345A (zh) * | 2020-11-13 | 2021-03-09 | 南京航空航天大学 | 一种基于lsd直线检测算法的汽车衡轧线出界检测方法 |
| CN112654997A (zh) * | 2020-10-22 | 2021-04-13 | 华为技术有限公司 | 一种车道线检测方法和装置 |
| CN112654998A (zh) * | 2020-10-22 | 2021-04-13 | 华为技术有限公司 | 一种车道线检测方法和装置 |
| CN113479191A (zh) * | 2021-06-30 | 2021-10-08 | 重庆长安汽车股份有限公司 | 用于泊车的无车道线的车道边界检测系统、方法及车辆 |
| CN113642533A (zh) * | 2021-10-13 | 2021-11-12 | 宁波均联智行科技股份有限公司 | 车道级定位方法及电子设备 |
| WO2022001366A1 (zh) * | 2020-07-03 | 2022-01-06 | 华为技术有限公司 | 车道线的检测方法和装置 |
| CN114397877A (zh) * | 2021-06-25 | 2022-04-26 | 南京交通职业技术学院 | 一种智能汽车自动驾驶系统 |
| CN114581890A (zh) * | 2022-03-24 | 2022-06-03 | 北京百度网讯科技有限公司 | 确定车道线的方法、装置、电子设备和存储介质 |
| 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 |
| CN116030286A (zh) * | 2023-03-29 | 2023-04-28 | 高德软件有限公司 | 边界车道线匹配方法、装置、电子设备及存储介质 |
| CN116129392A (zh) * | 2023-04-17 | 2023-05-16 | 北京集度科技有限公司 | 车道线横向完整性的识别方法、设备及存储介质 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100241343A1 (en) * | 2009-03-20 | 2010-09-23 | Electronics And Telecommunications Research Institute | Apparatus and method for recognizing traffic line |
| CN103177246A (zh) * | 2013-03-26 | 2013-06-26 | 北京理工大学 | 基于动态区域划分的双模型车道线识别方法 |
| WO2015114699A1 (ja) * | 2014-01-31 | 2015-08-06 | 株式会社Ｊｖｃケンウッド | 電子機器、電子機器の制御方法及び電子機器の制御プログラム |
| CN105261020A (zh) * | 2015-10-16 | 2016-01-20 | 桂林电子科技大学 | 一种快速车道线检测方法 |
| CN106326850A (zh) * | 2016-08-18 | 2017-01-11 | 宁波傲视智绘光电科技有限公司 | 快速车道线检测方法 |
| CN107092862A (zh) * | 2017-03-16 | 2017-08-25 | 浙江零跑科技有限公司 | 一种基于卷积神经网络的车道边缘检测方法 |
| CN108875607A (zh) * | 2017-09-29 | 2018-11-23 | 惠州华阳通用电子有限公司 | 车道线检测方法、装置以及计算机可读存储介质 |
| 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 |
-
2019
- 2019-05-17 CN CN201910410294.8A patent/CN110287779B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100241343A1 (en) * | 2009-03-20 | 2010-09-23 | Electronics And Telecommunications Research Institute | Apparatus and method for recognizing traffic line |
| CN103177246A (zh) * | 2013-03-26 | 2013-06-26 | 北京理工大学 | 基于动态区域划分的双模型车道线识别方法 |
| WO2015114699A1 (ja) * | 2014-01-31 | 2015-08-06 | 株式会社Ｊｖｃケンウッド | 電子機器、電子機器の制御方法及び電子機器の制御プログラム |
| CN105261020A (zh) * | 2015-10-16 | 2016-01-20 | 桂林电子科技大学 | 一种快速车道线检测方法 |
| CN106326850A (zh) * | 2016-08-18 | 2017-01-11 | 宁波傲视智绘光电科技有限公司 | 快速车道线检测方法 |
| CN107092862A (zh) * | 2017-03-16 | 2017-08-25 | 浙江零跑科技有限公司 | 一种基于卷积神经网络的车道边缘检测方法 |
| CN108875607A (zh) * | 2017-09-29 | 2018-11-23 | 惠州华阳通用电子有限公司 | 车道线检测方法、装置以及计算机可读存储介质 |
| 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 |
Cited By (26)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111144330B (zh) * | 2019-12-29 | 2022-07-08 | 浪潮(北京)电子信息产业有限公司 | 一种基于深度学习的车道线检测方法、装置以及设备 |
| CN111144330A (zh) * | 2019-12-29 | 2020-05-12 | 浪潮(北京)电子信息产业有限公司 | 一种基于深度学习的车道线检测方法、装置以及设备 |
| 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 |
| 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 |
| CN111259796A (zh) * | 2020-01-16 | 2020-06-09 | 东华大学 | 一种基于图像几何特征的车道线检测方法 |
| CN111324616A (zh) * | 2020-02-07 | 2020-06-23 | 北京百度网讯科技有限公司 | 车道线变化信息的检测方法、装置及设备 |
| CN111324616B (zh) * | 2020-02-07 | 2023-08-25 | 北京百度网讯科技有限公司 | 车道线变化信息的检测方法、装置及设备 |
| CN111460072A (zh) * | 2020-04-01 | 2020-07-28 | 北京百度网讯科技有限公司 | 车道线检测方法、装置、设备和存储介质 |
| CN111460072B (zh) * | 2020-04-01 | 2023-10-03 | 北京百度网讯科技有限公司 | 车道线检测方法、装置、设备和存储介质 |
| CN111783689B (zh) * | 2020-07-03 | 2024-02-20 | 盛景智能科技(嘉兴)有限公司 | 物料压线的识别方法和装置 |
| WO2022001366A1 (zh) * | 2020-07-03 | 2022-01-06 | 华为技术有限公司 | 车道线的检测方法和装置 |
| CN111783689A (zh) * | 2020-07-03 | 2020-10-16 | 三一重工股份有限公司 | 物料压线的识别方法和装置 |
| CN112654998A (zh) * | 2020-10-22 | 2021-04-13 | 华为技术有限公司 | 一种车道线检测方法和装置 |
| CN112654997A (zh) * | 2020-10-22 | 2021-04-13 | 华为技术有限公司 | 一种车道线检测方法和装置 |
| WO2022082571A1 (zh) * | 2020-10-22 | 2022-04-28 | 华为技术有限公司 | 一种车道线检测方法和装置 |
| WO2022082574A1 (zh) * | 2020-10-22 | 2022-04-28 | 华为技术有限公司 | 一种车道线检测方法和装置 |
| CN112654997B (zh) * | 2020-10-22 | 2022-04-29 | 华为技术有限公司 | 一种车道线检测方法和装置 |
| CN112461345A (zh) * | 2020-11-13 | 2021-03-09 | 南京航空航天大学 | 一种基于lsd直线检测算法的汽车衡轧线出界检测方法 |
| CN114397877A (zh) * | 2021-06-25 | 2022-04-26 | 南京交通职业技术学院 | 一种智能汽车自动驾驶系统 |
| CN113479191A (zh) * | 2021-06-30 | 2021-10-08 | 重庆长安汽车股份有限公司 | 用于泊车的无车道线的车道边界检测系统、方法及车辆 |
| CN113642533A (zh) * | 2021-10-13 | 2021-11-12 | 宁波均联智行科技股份有限公司 | 车道级定位方法及电子设备 |
| CN114581890B (zh) * | 2022-03-24 | 2023-03-10 | 北京百度网讯科技有限公司 | 确定车道线的方法、装置、电子设备和存储介质 |
| CN114581890A (zh) * | 2022-03-24 | 2022-06-03 | 北京百度网讯科技有限公司 | 确定车道线的方法、装置、电子设备和存储介质 |
| 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 |
| CN116030286A (zh) * | 2023-03-29 | 2023-04-28 | 高德软件有限公司 | 边界车道线匹配方法、装置、电子设备及存储介质 |
| CN116129392A (zh) * | 2023-04-17 | 2023-05-16 | 北京集度科技有限公司 | 车道线横向完整性的识别方法、设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110287779B (zh) | 2021-10-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110287779A (zh) | 车道线的检测方法、装置及设备 | |
| CN108830199B (zh) | 识别交通灯信号的方法、装置、可读介质及电子设备 | |
| CN110555361B (zh) | 车道分类的图像处理方法 | |
| US6845172B2 (en) | Road lane marker recognition | |
| KR100886605B1 (ko) | 표시선 검출기 | |
| EP1577834B1 (en) | Lane boundary detector | |
| JP4930046B2 (ja) | 路面判別方法および路面判別装置 | |
| CN111832536B (zh) | 一种车道线检测方法及装置 | |
| US7231288B2 (en) | System to determine distance to a lead vehicle | |
| CN112949398B (zh) | 车道线检测方法、测距方法及对应装置 | |
| JP6971177B2 (ja) | 区画線認識装置 | |
| JP2007179386A (ja) | 白線認識方法及び白線認識装置 | |
| JP2006018751A (ja) | 車両用画像処理装置 | |
| JP2008168811A (ja) | 車線認識装置、車両、車線認識方法、及び車線認識プログラム | |
| CN112598922B (zh) | 车位检测方法、装置、设备及存储介质 | |
| JP6226368B2 (ja) | 車両監視装置、および車両監視方法 | |
| KR102318586B1 (ko) | 영상 분석을 통한 분리대 인식 및 추돌위험 예측 방법 | |
| CN112307840A (zh) | 指示灯检测方法、装置、设备及计算机可读存储介质 | |
| CN110371016A (zh) | 车辆前灯的距离估计 | |
| CN112927283A (zh) | 测距方法及装置、存储介质及电子设备 | |
| CN113011285B (zh) | 车道线检测方法、装置、自动驾驶车辆及可读存储介质 | |
| JPH10300494A (ja) | 車輌位置検出装置および方法ならびに経路案内装置および方法 | |
| JP2002175534A (ja) | 道路の白線検出方法 | |
| JP5888275B2 (ja) | 道路端検出システム、方法およびプログラム | |
| JP3319401B2 (ja) | 走行路認識装置 |
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 |