CN110956128A - 生成车道线图像的方法、装置、电子设备和介质 - Google Patents
生成车道线图像的方法、装置、电子设备和介质 Download PDFInfo
- Publication number
- CN110956128A CN110956128A CN201911189659.5A CN201911189659A CN110956128A CN 110956128 A CN110956128 A CN 110956128A CN 201911189659 A CN201911189659 A CN 201911189659A CN 110956128 A CN110956128 A CN 110956128A
- Authority
- CN
- China
- Prior art keywords
- image
- lane line
- sample
- obstacle
- detected
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000001514 detection method Methods 0.000 claims abstract description 68
- 238000012549 training Methods 0.000 claims abstract description 41
- 230000004044 response Effects 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 9
- 230000006870 function Effects 0.000 description 14
- 238000010586 diagram Methods 0.000 description 11
- 239000003795 chemical substances by application Substances 0.000 description 7
- 238000004891 communication Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000013136 deep learning model Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 3
- 230000000644 propagated effect Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
Images
Classifications
-
- 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
- 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
- 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
- G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本公开的实施例公开了生成车道线图像的方法、装置、电子设备和介质。该方法的一具体实施方式包括：获取待检测图像；将上述待检测图像输入至预先训练的车道线检测模型，生成上述待检测图像的车道线图像，其中，上述车道线检测模型通过如下步骤训练得到：获取样本集，样本包括样本场景图像和与样本场景图像对应的样本车道线图像；将上述样本集中的样本的样本场景图像作为输入，将与输入的样本场景图像对应的上述样本车道线图像作为期望输出，训练得到上述车道线检测模型。该实施方式实现了在复杂环境下对车道线的检测。
Description
技术领域
本公开的实施例涉及计算机技术领域，具体涉及生成车道线图像的方法、装置、电子设备和介质。
背景技术
随着互联网技术的发展，自动驾驶技术在学术界和工业界都受到了广泛的关注。车道线的检测是自动驾驶系统中重要组成部分。车道线的检测有助于引导车辆，可用于驾驶辅助系统。车道线的检测是从车载摄像头获得的视频图像中，根据根据车道线的颜色、形状、纹理等特征，将车道线与背景分离，从而获取车道线的走向。但是，在视频图像中，总有车道线被遮挡的情况。现如今的车道线检测技术可以在一定程度上解决车道线被遮挡的问题，但还远远不够。因此，在复杂场景下如何检测车道线成为当前要解决的问题。
发明内容
本公开的内容部分用于以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。本公开的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。
本公开的一些实施例提出了生成车道线图像的方法、装置、电子设备和介质，来解决以上背景技术部分提到的技术问题。
第一方面，本公开的一些实施例提供了一种用于生成车道线图像的方法，该方法包括：获取待检测图像；将上述待检测图像输入至预先训练的车道线检测模型，生成上述待检测图像的车道线图像，其中，上述车道线检测模型通过如下步骤训练得到：获取样本集，样本包括样本场景图像和与样本场景图像对应的样本车道线图像；将上述样本集中的样本的样本场景图像作为输入，将与输入的样本场景图像对应的上述样本车道线图像作为期望输出，训练得到上述车道线检测模型。
在一些实施例中，上述方法还包括：对上述待检测图像进行障碍检测，确定是否有障碍物；响应于确定是，生成上述障碍物的图像。
在一些实施例中，上述方法还包括：将上述车道线图像发送给终端设备，控制上述终端设备对上述车道线图像进行显示。
在一些实施例中，上述方法还包括：基于所得到的障碍物的图像和所得到的车道线图像，生成有障碍车道线图像；将上述有障碍车道线图像发送给终端设备，控制上述终端设备对上述有障碍车道线图像进行显示，以及发出用于表征有障碍物的提示语音。
在一些实施例中，上述将上述样本集中的样本的样本场景图像作为输入，将与输入的样本场景图像对应的上述样本车道线图像作为期望输出，训练得到上述车道线检测模型，包括：从上述样本集中选取样本，执行以下训练步骤：将选取的样本的样本场景图像输入至初始模型，得到与上述样本场景图像对应的车道线图像；将所得到的车道线图像与对应的样本车道线图像进行分析，确定图像损失值；将上述图像损失值与预设阈值进行比较；根据比较结果确定上述初始模型是否训练完成；响应于确定上述初始模型训练完成，将上述初始模型确定为车道线检测模型。
在一些实施例中，上述方法还包括：响应于确定初始模型未训练完成，调整初始模型中的相关参数，以及从上述样本集中重新选取样本，使用调整后的初始模型作为初始模型，继续执行上述训练步骤。
第二方面，本公开的一些实施例提供了一种用于生成车道线图像的装置，装置包括：获取单元，被配置成获取待检测图像；生成单元，被配置成将上述待检测图像输入至预先训练的车道线检测模型，生成上述待检测图像的车道线图像，其中，上述车道线检测模型通过如下步骤训练得到：获取样本集，样本包括样本场景图像和与样本场景图像对应的样本车道线图像；将上述样本集中的样本的样本场景图像作为输入，将与输入的样本场景图像对应的上述样本车道线图像作为期望输出，训练得到上述车道线检测模型。
第三方面，本公开的一些实施例提供了一种电子设备，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，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如第一方面中所描述的方法。
第四方面，本公开的一些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，程序被处理器执行时实现如第一方面中所描述的方法。
本公开的上述各个实施例中的一个实施例具有如下有益效果：通过模型训练，可以得到用于检测车道线生成车道线图像的车道线检测模型。将待检测图像输入至上述车道线检测模型，可以得到上述待检测图像的车道线图像。本公开的生成车道线图像的方法，可以利用预先训练的车道线检测模型，对待检测图像进行检测。从而，生成车道线图像。由于，训练车道线检测模型的样本集是在不同时间不同地点拍摄的，可以得到富有多样性的场景图像。可以更接近实际的模仿出在不同环境中的场景，实现了复杂场景下的车道线检测。这有助于引导车辆，可用于驾驶辅助系统。
附图说明
结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，原件和元素不一定按照比例绘制。
图1是本公开的一些实施例的生成车道线图像的方法的一个应用场景的示意图。
图2是根据本公开的生成车道线图像的方法的一些实施例的流程图。
图3是根据本公开的生成车道线图像的方法的另一些实施例的流程图。
图4是根据本公开的生成车道线图像的装置的一些实施例的结构示意图。
图5是适于用来实现本公开的一些实施例的电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例。相反，提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。
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。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。
需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。
下面将参考附图并结合实施例来详细说明本公开。
图1是根据本公开的一些实施例的生成车道线图像的方法的一个应用场景的示意图。在图1的应用场景中，执行主体可以是服务器(例如，图1中所示服务器101)。当执行主体101接收到待检测图像，可以将上述待检测图像输入至预先训练的车道线检测模型，得到上述待检测图像的车道线图像。其中，上述车道线检测模型可以是深度网络模型训练得到的。其中，车道线检测模型是根据以下步骤训练得到的：获取样本集，样本包括样本场景图像和与样本场景图像对应的样本车道线图像；将上述样本集中的样本的样本场景图像作为输入，将与输入的样本场景图像对应的上述样本车道线图像作为期望输出，训练得到上述车道线检测模型。上述执行主体可以将所得到的车道线图像发送给终端设备102，以及控制上述终端数设备102对上述车道线图像进行显示。
需要说明的是，上述执行主体可以是硬件，也可以是软件。当执行主体为硬件时，可以实现成多个服务器或终端设备组成的分布式集群，也可以实现成单个服务器或单个终端设备。当执行主体体现为软件时，可以实现成例如用来提供分布式服务的多个软件或软件模块，也可以实现成单个软件或软件模块。还可以是一个线程或进程。在此不做具体限定。
应该理解，图1中的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服务器。
继续参考图2，示出了根据本公开的生成车道线图像的方法的一些实施例的流程200。该生成车道线图像的方法，包括以下步骤：
步骤201，获取待检测图像。
在一些实施例中，生成车道线图像的执行主体(例如图1所示的服务器101)可以通过有线连接方式或无线连接方式获取待检测图像。作为示例，上述待检测图像可以是用户存储在本地的图片，也可以是服务器通过有线连接方式或无线连接方式连接电子设备接收的图像。
需要指出的是，上述无线连接方式可以包括但不限于3G/4G连接、WiFi连接、蓝牙连接、WiMAX连接、Zigbee连接、UWB(ultra wideband)连接、以及其他现在已知或将来开发的无线连接方式。
步骤202，将上述待检测图像输入至预先训练的车道线检测模型，生成上述待检测图像的车道线图像。
在一些实施例中，基于步骤201中得到的待检测图像，上述执行主体可以将上述待检测图像输入至预先训练的车道线检测模型，从而生成与上述待检测图像对应的车道线图像。其中，上述预先训练的车道线检测模型是通过以下步骤(包括步骤2021-步骤2022)得到的。
在一些实施例中，上述步骤包括如下步骤：
步骤2021，获取样本集，样本包括样本场景图像和与样本场景图像对应的样本车道线图像。
在一些实施例中，上述执行主体(如图1所示的服务器101)可以通过有线连接方式或者无线连接方法获取样本集。其中，上述样本集中的样本包括样本场景图像和与样本场景图像对应的样本车道线图像。上述执行主体可以从服务器中获取存储于其中的现有的样本集。也可以通过与上述执行主体有通信连接的终端设备来获取样本集。在这里，样本场景图像可以是在不同时间、不同地点拍摄的图像。具体地，场景可以包括但不限于以下至少一项：城市场景，农村场景，高速公路场景。
步骤2022，将上述样本集中的样本的样本场景图像作为输入，将与输入的样本场景图像对应的上述样本车道线图像作为期望输出，训练得到上述车道线检测模型。
在一些实施例中，基于样本集执行以下训练步骤：将样本集中的至少一个样本的样本场景图像分别输入至初始模型，得到上述至少一个样本的样本场景图像对用的车道线图像；将上述至少一个样本中的每个样本场景图像对应的车道线图像与对应的样本车道线图像进行分析，确定图像损失值；将上述图像损失值与预设阈值进行比较；根据比较结果确定上述初始模型是否训练完成；响应于确定上述初始模型训练完成，将上述初始模型确定为车道线检测模型；响应于确定初始模型训练未完成，调整上述初始模型的参数，以及从上述样本集中重新选取样本组成样本集，使用调整后的初始模型作为初始模型，再次执行上述训练步骤。
在这里，上述执行主体可以将样本场景图像从初始模型的输入侧输入，依次经过初始模型中的各层的参数的处理，并从初始模型的输出侧输出，输出侧输出的信息即为该样本场景图像所对应的车道线图像。其中，初始模型可以是未经训练的深度学习模型或未训练完成的深度学习模型，其各层设置有初始参数，初始参数在车道线检测模型的训练过程中可以被不断地调整。
在一些实施例中，上述执行主体将从步骤303中得到的车道线图像与对应的样本车道线图像进行分析从而确定图像损失值。例如，可以将上述车道线图像和对应的样本车道线图像作为参数，输入指定的损失函数(loss function)中，从而可以计算得到两者之间损失值。
在一些实施例中，损失函数通常是用来估量模型的预测值(如样本车道线图像)与真实值(如车道线图像)的不一致程度。它是一个非负实值函数。一般情况下，损失函数越小，模型的鲁棒性就越好。损失函数可以根据实际需求来设置。
作为示例，将上述得到的图像损失值与预设阈值进行比较。预设阈值一般可以用于表示预测值(如样本车道线图像)与真实值(如车道线图像)的不一致程度的理想情况。也就是说，当损失值达到预设阈值时，可以认为预测值接近或近似真值。预设阈值可以根据实际需求来设置。
作为示例，根据所得到的比较结果，执行主体可以确定初始模型是否训练完成。例如，如果上述步骤(如将样本集中的至少一个样本)选取有多个样本，那么在每个样本的图像损失值均达到预设阈值的情况下，执行主体可以确定初始模型训练完成。又例如，上述执行主体可以统计样本输入的次数。响应于确定次数达到预定次数，执行主体可以确定初始模型训练完成。
在一些实施例中，若执行主体确定初始模型训练完成，则可以将该初始模型(即训练完成的初始模型)作为车道线检测模型。
可选地，执行主体可以将生成的融合网络存储在本地，也可以将其发送给终端或数据库服务器。
在一些实施例中，若执行主体确定初始模型已训练完成，则可以继续执行训练步骤。若执行主体确定初始模型未训练完成，则可以调整初始模型中的相关参数。以及从样本集中重新选取样本。从而可以继续执行上述训练步骤。
需要说明的是，这里的选取方式在本公开中也不限制。例如，在样本集中有大量样本的情况下，执行主体可以从中选取未被选取过的样本。
作为示例，上述车道线检测模型是通过以下步骤得到的：获取样本集，其中，样本包括样本场景图像和与样本场景图像对应的样本车道线图像。将上述样本集中的样本的样本场景图像作为输入，将与输入的样本场景图像对应的上述样本车道线图像作为期望输出，训练得到上述车道线检测模型。
在一些实施例的一些可选的实现方式中，上述方法还包括：对上述待检测图像进行障碍检测，确定是否有障碍物；响应于确定是，生成上述障碍物的图像。
在一些实施例的一些可选的实现方式中，上述方法还包括：将上述车道线图像发送给终端设备，控制上述终端设备对上述车道线图像进行显示。
在一些实施例的一些可选的实现方式中，上述方法还包括：基于所得到的障碍物的图像和所得到的车道线图像，生成有障碍车道线图像；将上述有障碍车道线图像发送给终端设备，控制上述终端设备对上述有障碍车道线图像进行显示，以及发出用于表征有障碍物的提示语音。
本公开的上述各个实施例中的一个实施例具有如下有益效果：通过模型训练，可以得到用于检测车道线生成车道线图像的车道线检测模型。将待检测图像输入至上述车道线检测模型，可以得到上述待检测图像的车道线图像。本公开的生成车道线图像的方法，可以利用预先训练的车道线检测模型，对待检测图像进行检测。从而，生成车道线图像。有助于引导车辆，可用于驾驶辅助系统。
继续参考图3，本公开的生成车道线图像的方法的另一些实施例的流程300。该生成车道线图像的方法，包括以下步骤：
步骤301，获取待检测图像。
步骤302，将上述待检测图像输入至预先训练的车道线检测模型，生成上述待检测图像的车道线图像。
在一些实施例中，步骤301-302的具体实现及所带来的技术效果可以参考图2对应的那些实施例中的步骤201-202，在此不再赘述。
步骤303，对上述待检测图像进行障碍检测，确定是否有障碍物。
在一些实施例中，生成车道线图像的方法的执行主体(如图1中的服务器101)可以对上述待检测图像进行障碍检测。在这里，障碍检测可以是用于确定待检测图像中是否包含障碍物的检测。也可以是用于确定待检测图像中车道线是否被障碍物遮挡的检测。响应于确定待检测图像中车道线被障碍物遮挡，确定有障碍物。
步骤304，响应于确定是，生成上述障碍物的图像。
在一些实施例中，响应于确定上述待检测图像中有障碍物且障碍物对上述待检测图像中的车道线有遮挡/覆盖，确定被遮挡/覆盖的区域。上述执行主体可以通过多种方式对上述区域进行扫描，得到扫描结果。将所得到的扫描结果确定为上述障碍物的图像。
作为示例，上述执行主体可以利用三维全景技术对上述区域进行扫描。又例如，上述执行主体可以利用深度卷积神经网络模型对上述区域进行扫描。在这里，深度卷积神经网络模型可以是未经训练的深度学习模型或未训练完成的深度学习模型训练得到的。深度卷积神经网络模型各层设置有初始参数，初始参数在车道线检测模型的训练过程中可以被不断地调整。
步骤305，基于所得到的障碍物的图像和所得到的车道线图像，生成有障碍车道线图像。
在一些实施例中，上述执行主体可以基于所得到的障碍物的图像和所得到的车道线图像，确定上述图像的重叠部分。然后，上述图像的重叠部分的边界用虚线表示，从而得到有障碍车道线图像。
步骤306，将上述有障碍车道线图像发送给终端设备，控制上述终端设备对上述有障碍车道线图像进行显示，以及发出用于表征有障碍物的提示语音。
在一些实施例中，上述执行主体可以上述有障碍车道线图像发送给终端设备。然后，可以控制上述终端设备对上述有障碍车道线图像进行显示。还可以控制上述终端设备发出用于表征有障碍物的提示语音。例如，“前方右侧车道被遮挡，请注意”。
作为示例，上述执行主体可以将待检测图像输入至预先训练的车道线检测模型，得到车道线图像。同时可以对待检测图像进行障碍检测，确定是否有障碍物。响应于确定有障碍物，生成障碍物的图像。再根据所得到的障碍物的图像和所得到的车道线图像，生成有障碍车道线图像。最后，将上述有障碍车道线图像在终端设备的显示器上进行显示，以及语音播报提示语。
本公开的上述各个实施例中的一个实施例具有如下有益效果：通过对待检测图像的障碍检测，可以更好的确定待检测图像中的车道线是否被遮挡。从而，可以确定被遮挡区域。以及，生成有障碍车道线图像。有助于引导车辆，可用于驾驶辅助系统。
继续参考图4，作为对上述各图上述方法的实现，本公开提供了一种用于生成特征向量的装置的一些实施例，这些装置实施例与图2上述的那些方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图4所示，一些实施例的生成车道线图像的装置400包括：获取单元401和生成单元402。其中，获取单元401，被配置成获取待检测图像。生成单元402，被配置成将上述待检测图像输入至预先训练的车道线检测模型，生成上述待检测图像的车道线图像，其中，上述车道线检测模型通过如下步骤训练得到：获取样本集，样本包括样本场景图像和与样本场景图像对应的样本车道线图像；将上述样本集中的样本的样本场景图像作为输入，将与输入的样本场景图像对应的上述样本车道线图像作为期望输出，训练得到上述车道线检测模型。
在一些实施例中，上述生成车道线图像的装置400还包括：障碍检测单元，被配置成对上述待检测图像进行障碍检测，确定是否有障碍物；响应于确定是，生成上述障碍物的图像。
在一些实施例中，上述生成车道线图像的装置400还包括：第一显示单元，被配置成将上述车道线图像发送给终端设备，控制上述终端设备对上述车道线图像进行显示。
在一些实施例中，上述生成车道线图像的装置400还包括：第二显示单元，被配置成基于所得到的障碍物的图像和所得到的车道线图像，生成有障碍车道线图像；将上述有障碍车道线图像发送给终端设备，控制上述终端设备对上述有障碍车道线图像进行显示，以及发出用于表征有障碍物的提示语音。
在一些实施例中，上述生成车道线图像的装置400中车道线检测模型是通过以下步骤得到的：从上述样本集中选取样本，执行以下训练步骤：将选取的样本的样本场景图像输入至初始模型，得到与上述样本场景图像对应的车道线图像；将所得到的车道线图像与对应的样本车道线图像进行分析，确定图像损失值；将上述图像损失值与预设阈值进行比较；根据比较结果确定上述初始模型是否训练完成；响应于确定上述初始模型训练完成，将上述初始模型确定为车道线检测模型。
在一些实施例中，上述生成车道线图像的装置400还包括：调整单元，被配置成响应于确定初始模型未训练完成，调整初始模型中的相关参数，以及从上述样本集中重新选取样本，使用调整后的初始模型作为初始模型，继续执行上述训练步骤。
下面参考图5，其示出了适于用来实现本公开的一些实施例的电子设备(例如图1中的终端设备)500的结构示意图。本公开的一些实施例中的终端设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图5示出的终端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5所示，电子设备500可以包括处理装置(例如中央处理器、图形处理器等)501，其可以根据存储在只读存储器(ROM)502中的程序或者从存储装置508加载到随机访问存储器(RAM)503中的程序而执行各种适当的动作和处理。在RAM 503中，还存储有电子设备500操作所需的各种程序和数据。处理装置501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。
通常，以下装置可以连接至I/O接口505：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506；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置507；包括例如存储卡等的存储装置508；以及通信装置509。通信装置509可以允许电子设备500与其他设备进行无线或有线通信以交换数据。虽然图5示出了具有各种装置的电子设备500，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5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，根据本公开的一些实施例，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，本公开的一些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。在这样的一些实施例中，该计算机程序可以通过通信装置509从网络上被下载和安装，或者从存储装置508被安装，或者从ROM 502被安装。在该计算机程序被处理装置501执行时，执行本公开的一些实施例的方法中限定的上述功能。
需要说明的是，本公开的一些实施例上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。在本公开的一些实施例中，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。而在本公开的一些实施例中，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。
在一些实施方式中，客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol，超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信(例如，通信网络)互连。通信网络的示例包括局域网(“LAN”)，广域网(“WAN”)，网际网(例如，互联网)以及端对端网络(例如，ad hoc端对端网络)，以及任何当前已知或未来研发的网络。
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：获取待检测图像；将上述待检测图像输入至预先训练的车道线检测模型，生成上述待检测图像的车道线图像，其中，上述车道线检测模型通过如下步骤训练得到：获取样本集，样本包括样本场景图像和与样本场景图像对应的样本车道线图像；将上述样本集中的样本的样本场景图像作为输入，将与输入的样本场景图像对应的上述样本车道线图像作为期望输出，训练得到上述车道线检测模型。
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一些实施例的操作的计算机程序代码，上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。
描述于本公开的一些实施例中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：一种处理器包括获取单元和生成单元。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，获取单元还可以被描述为“获取待检测图像的单元”。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。
以上描述仅为本公开的一些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 (9)
1.一种用于生成车道线图像的方法，包括：
获取待检测图像；
将所述待检测图像输入至预先训练的车道线检测模型，生成所述待检测图像的车道线图像，其中，所述车道线检测模型通过如下步骤训练得到：
获取样本集，样本包括样本场景图像和与样本场景图像对应的样本车道线图像；
将所述样本集中的样本的样本场景图像作为输入，将与输入的样本场景图像对应的所述样本车道线图像作为期望输出，训练得到所述车道线检测模型。
2.根据权利要求1所述的方法，其中，所述方法还包括：
对所述待检测图像进行障碍检测，确定是否有障碍物；
响应于确定是，生成所述障碍物的图像。
3.根据权利要求1所述的方法，其中，所述方法还包括：
将所述车道线图像发送给终端设备，控制所述终端设备对所述车道线图像进行显示。
4.根据权利要求2所述的方法，其中，所述方法还包括：
基于所得到的障碍物的图像和所得到的车道线图像，生成有障碍车道线图像；
将所述有障碍车道线图像发送给终端设备，控制所述终端设备对所述有障碍车道线图像进行显示，以及发出用于表征有障碍物的提示语音。
5.根据权利要求1所述的方法，其中，所述将所述样本集中的样本的样本场景图像作为输入，将与输入的样本场景图像对应的所述样本车道线图像作为期望输出，训练得到所述车道线检测模型，包括：
从所述样本集中选取样本，执行以下训练步骤：将选取的样本的样本场景图像输入至初始模型，得到与所述样本场景图像对应的车道线图像；将所得到的车道线图像与对应的样本车道线图像进行分析，确定图像损失值；将所述图像损失值与预设阈值进行比较；根据比较结果确定所述初始模型是否训练完成；响应于确定所述初始模型训练完成，将所述初始模型确定为车道线检测模型。
6.根据权利要求5所述的方法，其中，所述方法还包括：
响应于确定初始模型未训练完成，调整初始模型中的相关参数，以及从所述样本集中重新选取样本，使用调整后的初始模型作为初始模型，继续执行所述训练步骤。
7.一种用于生成车道线图像的装置，包括：
获取单元，被配置成获取待检测图像；
生成单元，被配置成将所述待检测图像输入至预先训练的车道线检测模型，生成所述待检测图像的车道线图像，其中，所述车道线检测模型通过如下步骤训练得到：
获取样本集，样本包括样本场景图像和与样本场景图像对应的样本车道线图像；
将所述样本集中的样本的样本场景图像作为输入，将与输入的样本场景图像对应的所述样本车道线图像作为期望输出，训练得到所述车道线检测模型。
8.一种电子设备，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。
9.一种计算机可读介质，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 |
|---|---|---|---|
| CN201911189659.5A CN110956128A (zh) | 2019-11-28 | 2019-11-28 | 生成车道线图像的方法、装置、电子设备和介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911189659.5A CN110956128A (zh) | 2019-11-28 | 2019-11-28 | 生成车道线图像的方法、装置、电子设备和介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110956128A true CN110956128A (zh) | 2020-04-03 |
Family
ID=69978748
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911189659.5A Pending CN110956128A (zh) | 2019-11-28 | 2019-11-28 | 生成车道线图像的方法、装置、电子设备和介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110956128A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111516673A (zh) * | 2020-04-30 | 2020-08-11 | 重庆长安汽车股份有限公司 | 基于智能摄像头和高精地图定位的车道线融合系统及方法 |
| CN111553283A (zh) * | 2020-04-29 | 2020-08-18 | 北京百度网讯科技有限公司 | 用于生成模型的方法及装置 |
| CN115761000A (zh) * | 2022-11-06 | 2023-03-07 | 卢米纳科技(深圳)有限公司 | 基于视觉激光的清洗标定方法和系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109389046A (zh) * | 2018-09-11 | 2019-02-26 | 昆山星际舟智能科技有限公司 | 用于自动驾驶的全天候物体识别与车道线检测方法 |
| CN109472264A (zh) * | 2018-11-09 | 2019-03-15 | 北京字节跳动网络技术有限公司 | 用于生成物体检测模型的方法和装置 |
| CN110502982A (zh) * | 2019-07-11 | 2019-11-26 | 平安科技（深圳）有限公司 | 一种检测高速公路中障碍物的方法、装置及计算机设备 |
-
2019
- 2019-11-28 CN CN201911189659.5A patent/CN110956128A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109389046A (zh) * | 2018-09-11 | 2019-02-26 | 昆山星际舟智能科技有限公司 | 用于自动驾驶的全天候物体识别与车道线检测方法 |
| CN109472264A (zh) * | 2018-11-09 | 2019-03-15 | 北京字节跳动网络技术有限公司 | 用于生成物体检测模型的方法和装置 |
| CN110502982A (zh) * | 2019-07-11 | 2019-11-26 | 平安科技（深圳）有限公司 | 一种检测高速公路中障碍物的方法、装置及计算机设备 |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111553283A (zh) * | 2020-04-29 | 2020-08-18 | 北京百度网讯科技有限公司 | 用于生成模型的方法及装置 |
| CN111553283B (zh) * | 2020-04-29 | 2023-08-25 | 北京百度网讯科技有限公司 | 用于生成模型的方法及装置 |
| CN111516673A (zh) * | 2020-04-30 | 2020-08-11 | 重庆长安汽车股份有限公司 | 基于智能摄像头和高精地图定位的车道线融合系统及方法 |
| CN111516673B (zh) * | 2020-04-30 | 2022-08-09 | 重庆长安汽车股份有限公司 | 基于智能摄像头和高精地图定位的车道线融合系统及方法 |
| CN115761000A (zh) * | 2022-11-06 | 2023-03-07 | 卢米纳科技(深圳)有限公司 | 基于视觉激光的清洗标定方法和系统 |
| CN115761000B (zh) * | 2022-11-06 | 2023-08-29 | 卢米纳科技(深圳)有限公司 | 基于视觉激光的清洗标定方法和系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20210209392A1 (en) | Image Processing Method and Device, and Storage Medium | |
| US20210110522A1 (en) | Image processing method and apparatus, and storage medium | |
| CN112184738B (zh) | 一种图像分割方法、装置、设备及存储介质 | |
| CN110021052B (zh) | 用于生成眼底图像生成模型的方法和装置 | |
| CN109740018B (zh) | 用于生成视频标签模型的方法和装置 | |
| CN111414543B (zh) | 用于生成评论信息序列的方法、装置、电子设备和介质 | |
| CN110956128A (zh) | 生成车道线图像的方法、装置、电子设备和介质 | |
| CN109961032B (zh) | 用于生成分类模型的方法和装置 | |
| CN109145970B (zh) | 基于图像的问答处理方法和装置、电子设备及存储介质 | |
| CN111784712B (zh) | 图像处理方法、装置、设备和计算机可读介质 | |
| CN112918487B (zh) | 无人车起步方法、装置、电子设备和计算机可读介质 | |
| CN115534939B (zh) | 车辆控制方法、装置、电子设备和计算机可读介质 | |
| CN112381717A (zh) | 图像处理方法、模型训练方法、装置、介质及设备 | |
| CN111461967B (zh) | 图片处理方法、装置、设备和计算机可读介质 | |
| CN115326099A (zh) | 局部路径规划方法、装置、电子设备和计算机可读介质 | |
| CN111209432A (zh) | 信息获取的方法、装置、电子设备及计算机可读介质 | |
| CN111461965B (zh) | 图片处理方法、装置、电子设备和计算机可读介质 | |
| CN116164770B (zh) | 路径规划方法、装置、电子设备和计算机可读介质 | |
| CN116088537B (zh) | 车辆避障方法、装置、电子设备和计算机可读介质 | |
| CN110335237B (zh) | 用于生成模型的方法、装置和用于识别图像的方法、装置 | |
| CN115565158B (zh) | 车位检测方法、装置、电子设备和计算机可读介质 | |
| CN112258622A (zh) | 图像处理方法、装置、可读介质及电子设备 | |
| CN115326079B (zh) | 车辆车道级定位方法、装置、设备和计算机可读介质 | |
| CN110956127A (zh) | 用于生成特征向量的方法、装置、电子设备和介质 | |
| CN111586295B (zh) | 图像生成方法、装置和电子设备 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200403 |