CN110516633A - 一种基于深度学习的车道线检测方法及系统 - Google Patents

一种基于深度学习的车道线检测方法及系统 Download PDF

Info

Publication number
CN110516633A
CN110516633A CN201910814529.XA CN201910814529A CN110516633A CN 110516633 A CN110516633 A CN 110516633A CN 201910814529 A CN201910814529 A CN 201910814529A CN 110516633 A CN110516633 A CN 110516633A
Authority
CN
China
Prior art keywords
picture
neural network
module
lane line
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
CN201910814529.XA
Other languages
English (en)
Other versions
CN110516633B (zh
Inventor
秦豪
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.)
Dilu Technology Co Ltd
Original Assignee
Dilu 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 Dilu Technology Co Ltd filed Critical Dilu Technology Co Ltd
Priority to CN201910814529.XA priority Critical patent/CN110516633B/zh
Publication of CN110516633A publication Critical patent/CN110516633A/zh
Application granted granted Critical
Publication of CN110516633B publication Critical patent/CN110516633B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种基于深度学习的车道线检测方法及系统，包括以下步骤，采集模块采集实时道路图像；构建识别模块的神经网络并通过训练模块对其进行充分训练，输出训练后的神经网络；将所述采到的实时道路图像输入训练后的神经网络中进行计算，获得含有车道线信息的实时车道线图像。本发明的有益效果：本发明通过神经网络对采集到的道路图像进行识别检测，得到标注了车道线的图片，从而帮助车辆完成自动巡航、车道保持等相关功能。

Description

一种基于深度学习的车道线检测方法及系统
技术领域
本发明涉及车道线检测的技术领域，特别是，涉及一种基于深度学习的车道线检测方法及系统。
背景技术
车道线作为基本的交通标志物，作为汽车在行驶过程中的基本规范约束了汽车的行驶路线和范围。因此，在汽车驾驶特别是无人驾驶领域，车道线检测是无人车系统感知模块重要的组成部分。车道线检测为后续的自动巡航、车道保持等自动驾驶技术提供了基本信息，如何保障高质量，快速的车道线检测信息输出，是无人驾驶领域非常重要的一环。
基于传统计算机视觉的车道线检测技术，例如Hough变换，边缘检测等技术对车道线进行直线检测，不仅对车道线粉刷具有很高的要求，而且在实际场景中，车道线变化多变，这些技术很难进行商业化落地，实用性较差。
发明内容
本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。
鉴于上述现有存在的问题，提出了本发明。
因此，本发明其中一个目的是提供一种基于深度学习的车道线检测方法，能够根据道路图片获取道路的车道线信息。
为解决上述技术问题，本发明提供如下技术方案：一种基于深度学习的车道线检测方法，包括以下步骤，采集模块采集实时道路图像；构建识别模块的神经网络并通过训练模块对其进行充分训练，输出训练后的神经网络；将所述采到的实时道路图像输入训练后的神经网络中进行计算，获得含有车道线信息的实时车道线图像。
作为本发明所述基于深度学习的车道线检测方法的一种优选方案，其中：所述识别模块的神经网络包括空间分支网络、内容分支网络和融合块。
作为本发明所述基于深度学习的车道线检测方法的一种优选方案，其中：所述训练模块对神经网络进行充分训练包括以下步骤，采集模块采集路况图片并对其进行处理，得到有效图片；标注模块对有效图片进行处理，生成标注图片；所述有效图片输入所述识别模块中进行识别，得到车道线图片；将所述车道线图片与所述标注图片进行对比，根据对比结果调整所述识别模块的神经网络参数并重新训练识别，直至结果趋向饱和，得到充分训练的神经网络。
作为本发明所述基于深度学习的车道线检测方法的一种优选方案，其中：所述对采集到的路况图片进行处理包括，删除采集到的重复图片、相似图片和无效图片，保留有效图片。
作为本发明所述基于深度学习的车道线检测方法的一种优选方案，其中：所述标注模块对有效图片的处理包括以下步骤，使用图片标注工具对所述有效图片上的车道线信息进行标注；生成与所述有效图片大小相同的标注图片，所述标注图片上像素值为1的区域为车道线区域。
作为本发明所述基于深度学习的车道线检测方法的一种优选方案，其中：所述有效图片输入所述识别模块进行识别还包括以下步骤，分别通过所述空间分支网络和所述内容分支网络提取所述有效图片的空间特征和内容特征；将提取后的特征输入所述融合块，得到融合特征；使用双线性插值的方式进行上采样到所述有效图片尺寸，得到与所述有效图片大小一致的车道线图片。
作为本发明所述基于深度学习的车道线检测方法的一种优选方案，其中：所述车道线图片与标注图片的对比包括，计算车道线图片与标注图片的误差，以交叉熵作为计算误差的方法，其公式如下：
(x)i＝outputi
其中，(x)i表示对输入图片像素点进行softmax的结果，CE表示交叉熵。
作为本发明所述基于深度学习的车道线检测方法的一种优选方案，其中：所述训练直至结果趋向饱和的判定标准包括，训练次数达到10次，或训练得到的车道线图片与标注图片的误差不再减小。
本发明解决的又一个技术问题是提供一种基于深度学习的车道线检测系统，将基于深度学习的车道线检测方法的应用于汽车行驶中的车道线检测。
为解决上述技术问题，本发明提供如下技术方案：一种基于深度学习的车道线检测系统，包括，采集模块，所述采集模块用于采集道路的图像；识别模块，与所述采集模块连接，接收所述采集模块采集到的图像并通过神经网络识别图像内的车道线信息，输出标注了车道线的图像；训练模块，所述训练模块对所述识别模块的神经网络进行训练，并输出训练后的神经网络。
作为本发明所述基于深度学习的车道线检测系统的一种优选方案，其中：标注模块，所述标注模块与所述采集模块连接，能够对采集图像的车道线进行标注。
本发明的有益效果：本发明利用采集模块对道路图像进行采集，并利用神经网络对图片中的车道线信息进行检测，具有检测精度高、速度快的特点，能过在不同道路场景进行学习训练，适用于不同环境条件的道路，与传统车道线检测方法相比，基本符合商业落地的要求，在自动巡航、车道保持等相关领域有很大的应用前景。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。其中：
图1为本发明提供的基于深度学习的车道线检测方法的流程示意图；
图2为本发明提供的车道线检测方法中训练模块对神经网络的训练流程示意图；
图3为本发明提供的基于深度学习的车道线检测系统的结构示意图；
图4为本发明提供的车道线检测系统中训练神经网络的相关模块的结构示意图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。
其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。
实施例1
车道线检测作为车辆行驶特别是无人驾驶系统感知模块重要的组成部分，而基于传统计算机视觉的车道线检测技术，主要是对车道线进行直线检测，不仅对车道线粉刷具有很高的要求，而且在实际场景中，车道线变化多变，这些技术很难商业化落地。参照图1～2的示意，本实施例中提供一种基于深度学习的车道线检测方法，通过构建并训练深度神经网络DiluSegnet从而进行车道线检测，该方法精度高、速度快，具体的，包括以下步骤，
步骤1：采集模块100采集实时道路图像101。其中，采集模块100可以是能够进行拍摄图像的摄像头或者照相机，将其安装在车头位置，能够跟随车辆的行驶采集车辆所行驶道路的实时道路图像101。
步骤2：构建识别模块200的神经网络并通过训练模块300对其进行充分训练，输出训练后的神经网络。识别模块200能够识别图像内的车道线信息，其包括用于识别的神经网络，为了使识别结果更准确、可靠，构建识别模块200的神经网络后需要通过训练模块300对该神经网络进行充分的训练，最终得到符合识别要求的神经网络。具体的，该过程包括以下步骤：
构建神经网络DiluSegnet用于车道线的检测，其中，构建的神经网络DiluSegnet包括空间分支网络、内容分支网络和融合块。空间分支网络为三层网络堆叠而成，每一层均包括卷积层、归一化层和激活函数；内容分支网络包括主干网络和特征层，在本实施例中，主干网络可以是Resnet特征提取网络；融合块用于特征的融合，在本实施例中，融合块基于Senet的思想构建，包括压缩和激励两个部分，其中压缩部分采用全局平均池化操作的方式，激励部分包括两个全连接层、激活函数、升维层和Scale层。
通过训练模块300对神经网络进行充分训练。具体的，参照图2，该步骤还包括，
采集模块100采集路况图片102并对其进行处理，得到有效图片103。为了使训练更充分、测试结果更可靠，采集模块100需要采集大量的路况图片102，在本实施例中，采集模块100安装在车辆的车头处，随车辆行驶采集道路图片，采集的图片数量在一万张左右，采集完毕后，对路况图片102的处理包括删除采集到的重复图片、相似图片和无效图片，保留有效图片103，重复、相似图片指两张图片的内容重复或相似，无效图片指不包括车道线信息的图片，处理过程可以采用感知哈希算法去路况图片102进行去重，包括缩小尺寸、简化色彩、计算DCT变换、缩小DCT矩阵、计算平均值和计算哈希值这几个主要步骤，最终获得有效图片103用于神经网络的训练。
标注模块400对有效图片103进行处理，生成标注图片401。具体的，首先使用图片标注工具对所述有效图片103上的车道线信息进行标注；本实施例中的图片标注工具采用公开标注工具LabelImg，是一个可视化的图像标定工具，能够将图片中道路上车道线标注出来；标注工具标注车道线后能够生成与有效图片103大小相同的标注图片401，此时标注图片401上像素值为1的区域为车道线区域。
有效图片103输入所述识别模块200中进行识别，得到车道线图片202。有效图片103通过识别模块200的神经网络进行车道线的识别，具体的，分别通过所述空间分支网络和所述内容分支网络提取所述有效图片103的空间特征和内容特征，其中，神经网络的空间分支主要用于提取输入的有效图片103的空间信息，例如前方道路信息的车辆，车道线，马路等基本元素的空间关系；内容分支则是主要通过快速下采样提供大感受野，其中下采样的目的是缩小图片以减少计算量，增加运算速度，缩小图片的过程中仍然保留图片的主要信息，此外还能够提取图片的高维度信息，即深层信息，感受野是指有效区域，在卷积神经网络中，通常采取滑动窗口的方式进行特征提取，在窗口大小固定的情况下，经过下采样后的图片更容易得到大的有效区域，从而在特征提取时的内容更加丰富，内容分支输出的是主要编码的语境信息。
将提取后的特征输入所述融合块，得到融合特征，融合块接收空间分支和内容分支的输出并将其融合，在融合时，为每个融合的特征层施加权重，为输出层提供更为有效的融合特征，最后综合空间信息和内容信息，得到相关车道线信息。
由于融合快的融合特征层得到的图片大小是原图的1/4，因此使用双线性插值的方式进行上采样到有效图片103尺寸，得到与所述有效图片103大小一致的车道线图片202。其中，双线性插值的原理是待插点像素值取原图像中与其相邻的4个点像素值的水平、垂直两个方向上的线性内插，即根据待采样点与周围4个邻点的距离确定相应的权重，从而计算出待采样点的像素值。最终得到的车道线图片202的大小与标注图片401的大小相同。
将车道线图片202与标注图片401进行对比，根据对比结果调整所述识别模块200的神经网络参数并重新训练识别，直至结果趋向饱和，得到充分训练的神经网络。具体的，车道线图片202与标注图片401的对比是通过计算车道线图片202与标注图片401的误差，以交叉熵作为计算误差的方法。交叉熵是一种神经网络中常用的损失函数，刻画了两个概率分布之间的距离，其用到的公式如下：
(x)i＝outputi
其中，(x)i表示对输入图片像素点进行softmax的结果，CE为交叉熵的计算公式。交叉熵表示的是实际输出与期望输出的距离，也就是CE的值越小，说明车道线图片202与标注图片401越相近，则识别模块200的识别效果越好，在计算CE的值之前，需要通过softmax处理将神经网络输出的值变为概率值从而计算CE值。
根据车道线图片202与标注图片401的对比结果，将计算得到的CE值反向传播回去更新迭代整个神经网路的参数，并重复之前的训练识别过程直至结果趋向饱和，具体的，判定标准包括，神经网络的训练次数达到10次，或训练得到的车道线图片202与标注图片401的误差不再减小，即判定训练已趋向饱和，训练完毕，得到用于识别车道线信息的可靠神经网络。
步骤3：将所述采到的实时道路图像101输入训练后的神经网络中进行计算，获得含有车道线信息的实时车道线图像201。神经网络DiluSegnet包括空间分支网络、内容分支网络和融合块，实时道路图像101通过空间分支网络提取其空间信息，内容分支网络主要通过快速下采样提供大感受野，输出主要编码的语境信息，最后通过融合块综合空间信息和内容信息，得到含有车道线信息的实时车道线图像201。
实施例2
参照图3～4，本实施例提供了一种基于深度学习的车道线检测系统，能够将上述实施例提供的基于深度学习的车道线检测方法应用于该系统中。
具体的，该系统包括硬件部分和软件部分，其中，硬件部分为采集模块100，用于采集道路的图像，采集模块100可以是摄像头或照相机，安装在车辆的车头处，由于采集模块100需要在汽车的行驶过程中对道路的图像进行采集，因此应能够颠簸路面、夜间环境等车辆行驶的情况下，采集到满足处理要求的图像。
软件部分包括识别模块200、训练模块300和标注模块400，本领域技术人员可以理解的是，软件部分的模块通常需要在计算机上运行工作。具体的，识别模块200与采集模块100连接，能够接收采集模块100采集到的图像，识别模块200包括神经网络，将采集模块100采集到的道路图像输入神经网络从而识别图像内的车道线信息，并输出标注了车道线的图像，供使用者参考。
识别模块200的神经网络在未训练前，其检测效果不够准确可靠，因此需要通过训练模块300对神经网络进行训练后再用于实际行驶时的车道线检测。训练模块300与采集模块100和识别模块200相连，对识别模块200构建的神经网络进行训练，训练时需要接收采集模块100采集到的大量道路图片，这些图片需要进行处理得到用于训练的有效图片103，分别通过神经网络和标注模块400对有效图片103的车道线进行检测标注，对比检测的结果，根据结果调整神经网络参数并重复训练，直至训练趋向饱和，训练结束，得到可靠的神经网络。
标注模块400是配合训练模块300工作的车道线标注工具，其与采集模块100相连，并能接收其采集和处理后的图片并对图片上的车道线进行标注，通过这种方式能够创建自己的数据集，方便进行深度学习训练。具体的，可以是公开标注工具LabelImg，LabelImg是一个可视化的图像标定工具，通过标注工具LabelImg将待检测图片上的车道线标注出来，得到的标注图片401与神经网络检测的车道线图片202进行对比。
该系统构建的神经网络通过训练后投入使用，具体的，采集模块100采集到实时道路图像101并将该实时道路图像101输入识别模块200，识别模块200的神经网络对实时道路图像101进行处理并输出实时车道线图像201。
场景一：
使用本实施例提供的基于深度学习的车道线检测方法和系统通过神经网络DiluSegnet进行车道线检测，与基于其它神经网络检测方法的检测效果进行对比，包括基于神经网络Segnet、Enet和Icnet进行的车道线检测，检测地点可以选择在南京市江宁区双龙大道的主干道，具体的检测效果对比如下：
神经网络模型 检测速度(ms) 公开数据集精度(mIoU)
DiluSegnet(本发明) 22 74.7
Segnet 289 56.1
Enet 22 58.3
Icnet 33 69.5
可以看出，本实施例提供的基于深度学习的车道线检测系统通过神经网络DiluSegnet进行车道线检测，其检测速度和精度综合看来均高于常用的几种神经网络，集合了传统的检测方法的优点，达到最佳效果。
应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (10)

1.一种基于深度学习的车道线检测方法，其特征在于：包括以下步骤，
采集模块(100)采集实时道路图像(101)；
构建识别模块(200)的神经网络并通过训练模块(300)对其进行充分训练，输出训练后的神经网络；
将所述采到的实时道路图像(101)输入训练后的神经网络中进行计算，获得含有车道线信息的实时车道线图像(201)。
2.如权利要求1所述的基于深度学习的车道线检测方法，其特征在于：所述识别模块(200)的神经网络包括空间分支网络、内容分支网络和融合块。
3.如权利要求2所述的基于深度学习的车道线检测方法，其特征在于：所述训练模块(300)对神经网络进行充分训练包括以下步骤，
采集模块(100)采集路况图片(102)并对其进行处理，得到有效图片(103)；
标注模块(400)对有效图片(103)进行处理，生成标注图片(401)；
所述有效图片(103)输入所述识别模块(200)中进行识别，得到车道线图片(202)；
将所述车道线图片(202)与所述标注图片(401)进行对比，根据对比结果调整所述识别模块(200)的神经网络参数并重新训练识别，直至结果趋向饱和，得到充分训练的神经网络。
4.如权利要求3所述的基于深度学习的车道线检测方法，其特征在于：所述对采集到的路况图片(102)进行处理包括，删除采集到的重复图片、相似图片和无效图片，保留有效图片(103)。
5.如权利要求4所述的基于深度学习的车道线检测方法，其特征在于：所述标注模块(400)对有效图片(103)的处理包括以下步骤，
使用图片标注工具对所述有效图片(103)上的车道线信息进行标注；
生成与所述有效图片(103)大小相同的标注图片(401)，所述标注图片(401)上像素值为1的区域为车道线区域。
6.如权利要求5所述的基于深度学习的车道线检测方法，其特征在于：所述所述有效图片(103)输入所述识别模块(200)进行识别还包括以下步骤，
分别通过所述空间分支网络和所述内容分支网络提取所述有效图片(103)的空间特征和内容特征；
将提取后的特征输入所述融合块，得到融合特征；
使用双线性插值的方式进行上采样到所述有效图片(103)尺寸，得到与所述有效图片(103)大小一致的车道线图片(202)。
7.如权利要求6所述的基于深度学习的车道线检测方法，其特征在于：所述车道线图片(202)与标注图片(401)的对比包括，
计算车道线图片(202)与标注图片(401)的误差，以交叉熵作为计算误差的方法，其公式如下：
(x)i＝outputi
其中，(x)i表示对输入图片像素点进行softmax的结果，CE表示交叉熵。
8.如权利要求7所述的基于深度学习的车道线检测方法，其特征在于：所述训练直至结果趋向饱和的判定标准包括，
训练次数达到10次，或训练得到的车道线图片(202)与标注图片(401)的误差不再减小。
9.一种基于深度学习的车道线检测系统，其特征在于：包括，
采集模块(100)，所述采集模块(100)用于采集道路的图像；
识别模块(200)，与所述采集模块(100)连接，接收所述采集模块(100)采集到的图像并通过神经网络识别图像内的车道线信息，输出标注了车道线的图像；
训练模块(300)，所述训练模块(300)对所述识别模块(200)的神经网络进行训练，并输出训练后的神经网络。
10.如权利要求9所述的基于深度学习的车道线检测系统，其特征在于：还包括，标注模块(400)，所述标注模块(400)与所述采集模块(100)连接，能够对采集图像的车道线进行标注。
CN201910814529.XA 2019-08-30 2019-08-30 一种基于深度学习的车道线检测方法及系统 Active CN110516633B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910814529.XA CN110516633B (zh) 2019-08-30 2019-08-30 一种基于深度学习的车道线检测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910814529.XA CN110516633B (zh) 2019-08-30 2019-08-30 一种基于深度学习的车道线检测方法及系统

Publications (2)

Publication Number Publication Date
CN110516633A true CN110516633A (zh) 2019-11-29
CN110516633B CN110516633B (zh) 2023-05-16

Family

ID=68629475

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910814529.XA Active CN110516633B (zh) 2019-08-30 2019-08-30 一种基于深度学习的车道线检测方法及系统

Country Status (1)

Country Link
CN (1) CN110516633B (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
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
CN111461001A (zh) * 2020-03-31 2020-07-28 桂林电子科技大学 一种计算机视觉自动开车门方法及其系统
CN111652102A (zh) * 2020-05-27 2020-09-11 国网山东省电力公司东营供电公司 一种输电通道目标物辨识方法及系统
CN112183226A (zh) * 2020-09-08 2021-01-05 昆明理工大学 一种基于深度学习的大型运输车辆辅助定位方法
CN112793571A (zh) * 2021-01-28 2021-05-14 北京信息科技大学 一种基于fpga系统的车道线识别装置和方法
CN112907972A (zh) * 2021-04-06 2021-06-04 昭通亮风台信息科技有限公司 基于无人机的道路车流量检测方法、系统及计算机可读存储介质
CN113066106A (zh) * 2021-04-16 2021-07-02 西北工业大学 一种基于空中机器人移动视觉的车速测量方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109389102A (zh) * 2018-11-23 2019-02-26 合肥工业大学 基于深度学习的车道线检测方法及其应用的系统

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109389102A (zh) * 2018-11-23 2019-02-26 合肥工业大学 基于深度学习的车道线检测方法及其应用的系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
CHANGQIAN YU等: "BiSeNet: Bilateral Segmentation Network for Real-time Semantic Segmentation", 《ARXIV》 *

Cited By (10)

* Cited by examiner, † Cited by third party
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
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
CN111461001A (zh) * 2020-03-31 2020-07-28 桂林电子科技大学 一种计算机视觉自动开车门方法及其系统
CN111652102A (zh) * 2020-05-27 2020-09-11 国网山东省电力公司东营供电公司 一种输电通道目标物辨识方法及系统
CN112183226A (zh) * 2020-09-08 2021-01-05 昆明理工大学 一种基于深度学习的大型运输车辆辅助定位方法
CN112793571A (zh) * 2021-01-28 2021-05-14 北京信息科技大学 一种基于fpga系统的车道线识别装置和方法
CN112907972A (zh) * 2021-04-06 2021-06-04 昭通亮风台信息科技有限公司 基于无人机的道路车流量检测方法、系统及计算机可读存储介质
CN112907972B (zh) * 2021-04-06 2022-11-29 昭通亮风台信息科技有限公司 基于无人机的道路车流量检测方法、系统及计算机可读存储介质
CN113066106A (zh) * 2021-04-16 2021-07-02 西北工业大学 一种基于空中机器人移动视觉的车速测量方法
CN113066106B (zh) * 2021-04-16 2024-04-16 西北工业大学 一种基于空中机器人移动视觉的车速测量方法

Also Published As

Publication number Publication date
CN110516633B (zh) 2023-05-16

Similar Documents

Publication Publication Date Title
CN110516633A (zh) 一种基于深度学习的车道线检测方法及系统
CN108765404B (zh) 一种基于深度学习图像分类的道路破损检测方法及装置
CN110147763B (zh) 基于卷积神经网络的视频语义分割方法
CN105260699B (zh) 一种车道线数据的处理方法及装置
CN105260712B (zh) 一种车辆前方行人检测方法及系统
CN109460709A (zh) 基于rgb和d信息融合的rtg视觉障碍物检测的方法
CN107491720A (zh) 一种基于改进型卷积神经网络的车型识别方法
CN112487862B (zh) 基于改进EfficientDet模型的车库行人检测方法
CN106326858A (zh) 一种基于深度学习的公路交通标志自动识别与管理系统
CN106407931A (zh) 一种新型深度卷积神经网络运动车辆检测方法
CN110163069B (zh) 用于辅助驾驶的车道线检测方法
CN104299009B (zh) 基于多特征融合的车牌字符识别方法
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
JP2016062610A (ja) 特徴モデル生成方法及び特徴モデル生成装置
CN108288047A (zh) 一种行人/车辆检测方法
CN109840523A (zh) 一种基于图像处理的城轨列车车号识别算法
CN109949593A (zh) 一种基于路口先验知识的交通信号灯识别方法及系统
CN103366154A (zh) 可重配置的畅通路径检测系统
CN109753853A (zh) 一种同时完成行人检测与行人重识别的方法
CN110276378A (zh) 基于无人驾驶技术对实例分割的改进方法
CN113313031B (zh) 一种基于深度学习的车道线检测和车辆横向定位方法
CN106446785A (zh) 基于双目视觉的可行道路检测方法
CN112613434A (zh) 道路目标检测方法、装置及存储介质
CN115035251A (zh) 一种基于领域增强合成数据集的桥面车辆实时追踪方法
CN110472508A (zh) 基于深度学习和双目视觉的车道线测距方法

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