CN110427860A - 一种车道线识别方法、装置及存储介质 - Google Patents
一种车道线识别方法、装置及存储介质 Download PDFInfo
- Publication number
- CN110427860A CN110427860A CN201910683899.4A CN201910683899A CN110427860A CN 110427860 A CN110427860 A CN 110427860A CN 201910683899 A CN201910683899 A CN 201910683899A CN 110427860 A CN110427860 A CN 110427860A
- Authority
- CN
- China
- Prior art keywords
- lane line
- model
- marking
- lane
- sample
- 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
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- 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
Abstract
本发明涉及一种车道线识别方法、装置及存储介质,属于计算机视觉领域。该方法包括:构建车道线分割网络模型和分类网络模型;将车道线标注实例和车道线标注目标作为样本,对分割网络模型训练,得到两个标注模型;标注模型对图像检测标注,并对标注结果进行和运算,将和运算结果与原始图像叠加,得到实例结果;将实例结果作为样本对分类网络进行训练,得到车道线属性分类模型;通过两个标注模型和属性分类模型对待检测车道线图像进行识别。通过该方案可以简化车道线检测,提高车道线识别精度。
Description
技术领域
本发明涉及计算机视觉领域,尤其涉及一种车道线识别方法、装置及存储介质。
背景技术
车道线是车辆行驶的重要参考,对于自动驾驶或高级辅助驾驶车辆而言,及时获取并识别车道线,可以为车辆路径规划及驾驶提供安全指导。车辆行驶中,通过车载摄像头采集道路信息,借助计算机对图像处理可以获取到车道标线。
目前,基于图像处理的车道线提取方法有基于先验知识划定车道线范围后利用图像聚类获取车道线像素,进而得到车道线位置。或者通过深度学习的方式,基于已经给定边界范围,来确定车道线像素,以上两种车道线检测方法不仅过程复杂,而且难以达到高精度地图中车道线边缘精度要求,分割精度偏低。
发明内容
有鉴于此,本发明实施例提供了一种车道线识别方法、装置及存储介质,可以简单准确的检测分割图像中的车道线,提高车道线识别精度。
在本发明实施例的第一方面,提供了一种车道线识别方法,包括:
分别构建车道线分割网络模型和分类网络模型;
将车道线标注实例和车道线标注目标作为样本,对所述车道线分割网络模型训练,得到两个标注模型;
通过所述两个标注模型对车道线图像检测标注,并对标注结果进行和运算,将和运算结果与所述车道线图像叠加,得到车道线实例结果;
将所述车道线实例结果作为样本对所述分类网络进行训练,得到车道线属性分类模型;
通过所述两个标注模型和所述属性分类模型对待检测车道线图像进行识别。
在本发明实施例的第二方面,提供了一种车道线识别装置,包括:
构建模块,用于分别构建车道线分割网络模型和分类网络模型;
第一训练模块,用于将车道线标注实例和车道线标注目标作为样本,对所述车道线分割网络模型训练,得到两个标注模型;
叠加模块,用于通过所述两个标注模型对车道线图像检测标注,并对标注结果进行和运算,将和运算结果与所述车道线图像叠加,得到车道线实例结果;
第二训练模块,用于将所述车道线实例结果作为样本对所述分类网络进行训练,得到车道线属性分类模型;
识别模块,用于通过所述两个标注模型和所述属性分类模型对待检测车道线图像进行识别。
在本发明实施例的第三方面,提供了一种装置,包括存储器、处理器以及存储在所述存储器中并可在所述处理器运行的计算机程序,所述处理器执行所述计算机程序时实现如本发明实施例第一方面所述方法的步骤。
在本发明实施例的第四方面,提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现本发明实施例第一方面提供的所述方法的步骤。
本发明实施例的第五方面,提供了一种计算机程序产品,所述计算机程序产品包括计算机程序,所述计算机程序被一个或多个处理器执行时实现本发明实施例第一方面提供的所述方法的步骤。
本发明实施例中,通过构建车道线的分割网络和分类网络,基于车道线标注实例和车道线标注目标,训练得到两个标注模型,利用两个标注模型对图像进行标注,基于标注结果的和运算以及与原图像的叠加对分类网络进行训练得到属性分类模型,通过两个标注模型和属性分类模型,不仅可以标注车道线位置及车道线像素细节,而且能够对车道线类型进行分类,相较于传统车道线检测方法,本实施例提供的方案可以在像素级别向实现车道线划分,满足高精度地图要求,并能得到车道线颜色、虚实线信息。
附图说明
图1为本发明实施例提供的一种车道线识别方法的流程示意图;
图2为本发明实施例提供的一种车道线识别方法的另一流程示意图;
图3为本发明实施例提供的一种车道线识别装置的结构示意图。
具体实施方式
本发明实施例提供了一种车道线识别方法、装置及存储介质,用于精确检测划分车道线,并识别车道线属性类型。
为使得本发明的发明目的、特征、优点能够更加的明显和易懂,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,下面所描述的实施例仅仅是本发明一部分实施例,而非全部的实施例。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它实施例,都属于本发明保护的范围。
实施例一:
请参阅图1,本发明实施例提供的车道线识别方法的流程示意图,包括:
S101、分别构建车道线分割网络模型和分类网络模型;
所述车道线分割网络用于对原始车道线图像进行车道线标注划分,通过车道线分割网络模型训练,可以得到实现预定分割效果的分割模型。
具体的,所述车道线分割网络模型使用U-Net模型,并采用注意力机制,对U-Net模型进行调整:将不带softmax的resnet34作为所述U-Net模型中的encoder部分,并在每一次池化操作后将池化结果与decoder部分的解码结果合并;对U-Net模型的encoder和decoder的连接部分进行修改,使用1x1卷积扩大感受视野,使其适应当前feature-map大小;在decoder部分用特殊结构代替原有的膨胀卷积部分。
所述分类网络模型用于对车道线图像中标注的车道线进行属性分类,一般可以使用如VGG-16,resnet34等网络模型进行分类。
S102、将车道线标注实例和车道线标注目标作为样本,对所述车道线分割网络模型训练,得到两个标注模型;
在采集的车道线图像中标注车道线作为样本可以对车道线分割网络模型训练及测试,其中,对车道线的标注包括:标注车道线实例和标注车道线目标,对应得到两个标注模型,所述两个标注模型分别为用于标注车道线整体位置的标注模型和用于标注车道线中不连续部分位置的模型,如标注车道线实例用于标注一整条车道线,标注车道线目标用于标注一段车道线段。
可以理解的是,在标注实例中标注车道线整体的大致位置,可以方便直接对车道线部分特征进行提取,在标注车道线目标中,标注车道线不连续部分的像素组成,确定分段车道线的位置,具体可以精确到像素点。
示例性的,如图2所示,210和22表示标注类型1和2,230和240分别表示标注模型一和二。在对分割模型训练过程中,通过构建的U-Net模型,对图片中车道线进行预测推定,而后标注预测图片制作groundtruth,标注类型1和2可以分别为车道线整体位置标注、车道线分段部分的细节标注。标注后图片可以作为训练样本,训练得到两个标注模型230和240。
S103、通过所述两个标注模型对车道线图像检测标注,并对标注结果进行和运算,将和运算结果与所述车道线图像叠加,得到车道线实例结果;
通过两个模型分别对车道线进行标注,可以降低训练复杂程度,提高精度的同时提供标注效率。对标注结果进行和运算,叠加到原图中,可以大大提高划分精度。
S104、将所述车道线实例结果作为样本对所述分类网络进行训练,得到车道线属性分类模型;
通过高精度标注的实例结果,对分类网络进行训练,能同时保证分类准确度,并可以获取到更多车道线特征。
S105、通过所述两个标注模型和所述属性分类模型对待检测车道线图像进行识别。
通过标注模型以及属性分类模型,不仅能对准确检测到车道线,而且还能对车道线颜色及车道线类型进行识别判定,如判断车道线是实线还是虚线。
本实施例提供的方法,相较于传统车道线检测方案,不仅精度可以得以提高,而且获取的车道信息更为丰富,便于基于特征分类,为车辆驾驶提供安全指导。
实施例二:
图3为本发明实施例二提供的车道线识别装置的结构示意图,包括:
构建模块310,用于分别构建车道线分割网络模型和分类网络模型;
可选的,所述构建车道线分割网络模型具体为:
所述车道线分割网络模型为U-Net模型,其中,将resnet34作为所述U-Net模型中的encoder部分,并在每一次池化操作后将池化结果与decoder部分的解码结果合并。
第一训练模块320,用于将车道线标注实例和车道线标注目标作为样本,对所述车道线分割网络模型训练,得到两个标注模型;
可选的,所述两个标注模型分别为用于标注车道线整体位置的标注模型和用于标注车道线中不连续部分位置的模型。
叠加模块330,用于通过所述两个标注模型对车道线图像检测标注,并对标注结果进行和运算,将和运算结果与所述车道线图像叠加,得到车道线实例结果;
第二训练模块340,用于将所述车道线实例结果作为样本对所述分类网络进行训练,得到车道线属性分类模型;
识别模块350,用于通过所述两个标注模型和所述属性分类模型对待检测车道线图像进行识别。
通过本实施例的装置,可以使车道线图像分割精度达到高精度地图需求精度,在满足该精度要求下还可以提取出车道线实例并检测出车道线的虚实颜色属性。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,所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,包括步骤S101至S105,所述的存储介质包括如:ROM/RAM、磁碟、光盘等。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
以上所述,以上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精神和范围。
Claims (8)
1.一种车道线识别方法,其特征在于,包括:
分别构建车道线分割网络模型和分类网络模型;
将车道线标注实例和车道线标注目标作为样本,对所述车道线分割网络模型训练,得到两个标注模型;
通过所述两个标注模型对车道线图像检测标注,并对标注结果进行和运算,将和运算结果与所述车道线图像叠加,得到车道线实例结果;
将所述车道线实例结果作为样本对所述分类网络进行训练,得到车道线属性分类模型;
通过所述两个标注模型和所述属性分类模型对待检测车道线图像进行识别。
2.根据权利要求1所述的方法,其特征在于,所述构建车道线分割网络模型具体为:
所述车道线分割网络模型为U-Net模型,其中,将resnet34作为所述U-Net模型中的encoder部分,并在每一次池化操作后将池化结果与decoder部分的解码结果合并。
3.根据权利要求1所述的方法,其特征在于,所述两个标注模型分别为用于标注车道线整体位置的标注模型和用于标注车道线中不连续部分位置的模型。
4.一种车道线识别装置,其特征在于,包括:
构建模块,用于分别构建车道线分割网络模型和分类网络模型;
第一训练模块,用于将车道线标注实例和车道线标注目标作为样本,对所述车道线分割网络模型训练,得到两个标注模型;
叠加模块,用于通过所述两个标注模型对车道线图像检测标注,并对标注结果进行和运算,将和运算结果与所述车道线图像叠加,得到车道线实例结果;
第二训练模块,用于将所述车道线实例结果作为样本对所述分类网络进行训练,得到车道线属性分类模型;
识别模块,用于通过所述两个标注模型和所述属性分类模型对待检测车道线图像进行识别。
5.根据权利要求4所述的装置,其特征在于,所述构建车道线分割网络模型具体为:
所述车道线分割网络模型为U-Net模型,其中,将resnet34作为所述U-Net模型中的encoder部分,并在每一次池化操作后将池化结果与decoder部分的解码结果合并。
6.根据权利要求4所述的装置,其特征在于,所述两个标注模型分别为用于标注车道线整体位置的标注模型和用于标注车道线中不连续部分位置的模型。
7.一种装置,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至3中任一项所述车道线识别方法的步骤。
8.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至3任一项所述车道线识别方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910683899.4A CN110427860B (zh) | 2019-07-26 | 2019-07-26 | 一种车道线识别方法、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910683899.4A CN110427860B (zh) | 2019-07-26 | 2019-07-26 | 一种车道线识别方法、装置及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110427860A true CN110427860A (zh) | 2019-11-08 |
CN110427860B CN110427860B (zh) | 2022-03-25 |
Family
ID=68412769
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910683899.4A Active CN110427860B (zh) | 2019-07-26 | 2019-07-26 | 一种车道线识别方法、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110427860B (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111274926A (zh) * | 2020-01-17 | 2020-06-12 | 深圳佑驾创新科技有限公司 | 图像数据筛选方法、装置、计算机设备和存储介质 |
CN111310737A (zh) * | 2020-03-26 | 2020-06-19 | 深圳极视角科技有限公司 | 一种车道线检测方法及装置 |
CN111401251A (zh) * | 2020-03-17 | 2020-07-10 | 北京百度网讯科技有限公司 | 车道线提取方法、装置、电子设备及计算机可读存储介质 |
CN111898540A (zh) * | 2020-07-30 | 2020-11-06 | 平安科技(深圳)有限公司 | 车道线检测方法、装置、计算机设备及计算机可读存储介质 |
CN112381034A (zh) * | 2020-11-25 | 2021-02-19 | 上海眼控科技股份有限公司 | 一种车道线检测方法、装置、设备及存储介质 |
CN112654999A (zh) * | 2020-07-21 | 2021-04-13 | 华为技术有限公司 | 标注信息的确定方法及装置 |
CN112926365A (zh) * | 2019-12-06 | 2021-06-08 | 广州汽车集团股份有限公司 | 一种车道线检测方法及其系统 |
CN113420673A (zh) * | 2021-06-24 | 2021-09-21 | 苏州科达科技股份有限公司 | 垃圾分类方法、装置、设备及存储介质 |
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 |
CN113837313A (zh) * | 2021-09-30 | 2021-12-24 | 广州文远知行科技有限公司 | 车道线标注模型的训练方法、装置、设备及可读存储介质 |
CN113903015A (zh) * | 2021-12-09 | 2022-01-07 | 深圳佑驾创新科技有限公司 | 车道线识别方法及装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160167582A1 (en) * | 2014-12-16 | 2016-06-16 | Here Global B.V. | Learning Lanes From Vehicle Probes |
US20180307915A1 (en) * | 2017-04-24 | 2018-10-25 | Toyota Research Institute, Inc. | Systems and methods for identifying changes within a mapped environment |
CN108846328A (zh) * | 2018-05-29 | 2018-11-20 | 上海交通大学 | 基于几何正则化约束的车道检测方法 |
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 |
CN109426801A (zh) * | 2017-08-23 | 2019-03-05 | 北京图森未来科技有限公司 | 一种车道线实例检测方法和装置 |
CN109670376A (zh) * | 2017-10-13 | 2019-04-23 | 神州优车股份有限公司 | 车道线识别方法及系统 |
-
2019
- 2019-07-26 CN CN201910683899.4A patent/CN110427860B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160167582A1 (en) * | 2014-12-16 | 2016-06-16 | Here Global B.V. | Learning Lanes From Vehicle Probes |
US20180307915A1 (en) * | 2017-04-24 | 2018-10-25 | Toyota Research Institute, Inc. | Systems and methods for identifying changes within a mapped environment |
CN109426801A (zh) * | 2017-08-23 | 2019-03-05 | 北京图森未来科技有限公司 | 一种车道线实例检测方法和装置 |
CN109670376A (zh) * | 2017-10-13 | 2019-04-23 | 神州优车股份有限公司 | 车道线识别方法及系统 |
CN108846328A (zh) * | 2018-05-29 | 2018-11-20 | 上海交通大学 | 基于几何正则化约束的车道检测方法 |
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 |
Non-Patent Citations (2)
Title |
---|
PING-RONG CHEN等: "Efficient Road Lane Marking Detection with Deep Learning", 《2018 IEEE 23RD INTERNATIONAL CONFERENCE ON DIGITAL SIGNAL PROCESSING》 * |
祖似杰等: "基于车道驾驶态势的拓扑构建与路径规划", 《地理空间信息》 * |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112926365A (zh) * | 2019-12-06 | 2021-06-08 | 广州汽车集团股份有限公司 | 一种车道线检测方法及其系统 |
CN111274926B (zh) * | 2020-01-17 | 2023-09-22 | 武汉佑驾创新科技有限公司 | 图像数据筛选方法、装置、计算机设备和存储介质 |
CN111274926A (zh) * | 2020-01-17 | 2020-06-12 | 深圳佑驾创新科技有限公司 | 图像数据筛选方法、装置、计算机设备和存储介质 |
CN111401251A (zh) * | 2020-03-17 | 2020-07-10 | 北京百度网讯科技有限公司 | 车道线提取方法、装置、电子设备及计算机可读存储介质 |
CN111401251B (zh) * | 2020-03-17 | 2023-12-26 | 北京百度网讯科技有限公司 | 车道线提取方法、装置、电子设备及计算机可读存储介质 |
CN111310737A (zh) * | 2020-03-26 | 2020-06-19 | 深圳极视角科技有限公司 | 一种车道线检测方法及装置 |
CN111310737B (zh) * | 2020-03-26 | 2023-10-13 | 山东极视角科技股份有限公司 | 一种车道线检测方法及装置 |
CN112654999A (zh) * | 2020-07-21 | 2021-04-13 | 华为技术有限公司 | 标注信息的确定方法及装置 |
WO2022016355A1 (zh) * | 2020-07-21 | 2022-01-27 | 华为技术有限公司 | 标注信息的确定方法及装置 |
CN111898540A (zh) * | 2020-07-30 | 2020-11-06 | 平安科技(深圳)有限公司 | 车道线检测方法、装置、计算机设备及计算机可读存储介质 |
CN112381034A (zh) * | 2020-11-25 | 2021-02-19 | 上海眼控科技股份有限公司 | 一种车道线检测方法、装置、设备及存储介质 |
CN113420673A (zh) * | 2021-06-24 | 2021-09-21 | 苏州科达科技股份有限公司 | 垃圾分类方法、装置、设备及存储介质 |
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 |
CN113837313A (zh) * | 2021-09-30 | 2021-12-24 | 广州文远知行科技有限公司 | 车道线标注模型的训练方法、装置、设备及可读存储介质 |
CN113903015B (zh) * | 2021-12-09 | 2022-04-05 | 深圳佑驾创新科技有限公司 | 车道线识别方法及装置 |
CN113903015A (zh) * | 2021-12-09 | 2022-01-07 | 深圳佑驾创新科技有限公司 | 车道线识别方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN110427860B (zh) | 2022-03-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110427860A (zh) | 一种车道线识别方法、装置及存储介质 | |
Lee et al. | Vpgnet: Vanishing point guided network for lane and road marking detection and recognition | |
US10074020B2 (en) | Vehicular lane line data processing method, apparatus, storage medium, and device | |
WO2018072233A1 (zh) | 一种基于选择性搜索算法的车标检测识别方法及系统 | |
CN110619279B (zh) | 一种基于跟踪的路面交通标志实例分割方法 | |
KR20190036844A (ko) | 주행 차로를 식별하는 방법 및 장치 | |
Chougule et al. | Reliable multilane detection and classification by utilizing CNN as a regression network | |
CN108830171B (zh) | 一种基于深度学习的智能物流仓库引导线视觉检测方法 | |
Janahiraman et al. | Traffic light detection using tensorflow object detection framework | |
CN107491756B (zh) | 基于交通标牌与地面标志的车道转向信息识别方法 | |
CN109948707B (zh) | 模型训练方法、装置、终端及存储介质 | |
CN111027539B (zh) | 一种基于空间位置信息的车牌字符分割方法 | |
CN111191611B (zh) | 基于深度学习的交通标志标号识别方法 | |
CN110689724B (zh) | 一种基于深度学习的机动车斑马线礼让行人自动审核方法 | |
CN111582189A (zh) | 交通信号灯识别方法、装置、车载控制终端及机动车 | |
CN110599453A (zh) | 一种基于图像融合的面板缺陷检测方法、装置及设备终端 | |
CN111429512B (zh) | 图像处理方法和装置、存储介质及处理器 | |
CN108960074A (zh) | 基于深度学习的小尺寸行人目标检测方法 | |
CN103473789B (zh) | 一种融合多线索的人体视频分割方法 | |
CN109635701A (zh) | 车道通行属性获取方法、装置和计算机可读存储介质 | |
CN116935157A (zh) | 一种基于PConv-YOLOv7的路面病害检测方法 | |
Ma et al. | Lane detection using heuristic search methods based on color clustering | |
CN116343148A (zh) | 车道线检测方法、装置、车辆及存储介质 | |
CN109635719A (zh) | 一种图像识别方法、装置和计算机可读存储介质 | |
Chincholkar et al. | TRAFFIC SIGN BOARD DETECTION AND RECOGNITION FOR AUTONOMOUS VEHICLES AND DRIVER ASSISTANCE SYSTEMS. |
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 |