CN111144330B - 一种基于深度学习的车道线检测方法、装置以及设备 - Google Patents

一种基于深度学习的车道线检测方法、装置以及设备 Download PDF

Info

Publication number
CN111144330B
CN111144330B CN201911386526.7A CN201911386526A CN111144330B CN 111144330 B CN111144330 B CN 111144330B CN 201911386526 A CN201911386526 A CN 201911386526A CN 111144330 B CN111144330 B CN 111144330B
Authority
CN
China
Prior art keywords
lane line
lane
view image
information
line detection
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
Application number
CN201911386526.7A
Other languages
English (en)
Other versions
CN111144330A (zh
Inventor
龚湛
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.)
Inspur Beijing Electronic Information Industry Co Ltd
Original Assignee
Inspur Beijing Electronic Information Industry 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 Inspur Beijing Electronic Information Industry Co Ltd filed Critical Inspur Beijing Electronic Information Industry Co Ltd
Priority to CN201911386526.7A priority Critical patent/CN111144330B/zh
Publication of CN111144330A publication Critical patent/CN111144330A/zh
Application granted granted Critical
Publication of CN111144330B publication Critical patent/CN111144330B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (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、装置、设备及计算机可读存储介质，包括：将带车道线标签的正视图图像作为训练集输入至初始车道线检测网络中，提取多个正视图特征信息；将每个正视图特征信息分别与对每个正视图特征信息进行射影变换后得到的俯视图特征信息进行合并，得到融合特征信息；根据融合特征信息获取正视图图像的车道线预测信息，利用损失函数计算车道线预测信息与车道线标签的误差；采用反向传播算法优化网络参数直至误差达到期望值，得到目标车道线检测神经网络；将待检测正视图图像输入至目标车道线检测神经网络，输出车道线信息。本发明所提供的方法、装置、设备及计算机可读存储介质，有效提高了车道线的检测精度。

Description

一种基于深度学习的车道线检测方法、装置以及设备
技术领域
本发明涉及安全辅助驾驶技术领域，特别是涉及一种基于深度学习的车道线检测方法、装置、设备以及计算机可读存储介质。
背景技术
随着经济的快速发展，行驶在公路上的车辆越来越多，交通事故导致的损失受到社会越来越多的关注。各种安全辅助驾驶系统在这种强劲的需求刺激下，相关理论及应用技术得到快速发展。以机器视觉的方式获取行车环境信息因具有较低的成本、直观等优势而受到越来越多的关注，车道线检测是无人自主驾驶及辅助驾驶系统各种应用的关键技术之一，车道线是行车环境信息中最基础和重要的信息。
传统的车道检测系统将低层次的操作(如滤波器)与高层次的启发式(如霍夫变换)结合起来检测图像中的连续车道。一个通常的流程包括2个阶段局部车道特征提取以及车道模型拟合。局部特征提取阶段是通过对图像应用CNN来完成，尽管以上方法在车道线特征检测性能上有所改进，但在复杂场景中如重阴影、标记线严重退化、堵车等场景中表现不好，检测精度低。
综上所述可以看出，如何提高车道线检测的精度是目前有待解决的问题。
发明内容
本发明的目的是提供一种基于深度学习的车道线检测方法、装置、设备以及计算机可读存储介质，已解决现有技术中的车道线检测算法在复杂场景中检测精度低的问题。
为解决上述技术问题，本发明提供一种基于深度学习的车道线检测方法，包括：利用安装于车辆上的前置摄像头采集带车道线标签的正视图图像作为训练集，将所述正视图图像输入至预先构建的初始车道线检测网络中，提取多个正视图特征信息；将每个正视图特征信息分别与对所述每个正视图特征信息进行射影变换后得到的俯视图特征信息进行合并，得到融合特征信息；根据所述融合特征信息获取所述正视图图像的车道线预测信息，利用损失函数计算所述车道线预测信息与所述车道线标签的误差；采用反向传播算法对所述初始车道线检测网络的参数进行优化直至所述误差达到期望值，得到完成训练的目标车道线检测神经网络；将目标车辆的前置摄像头采集到的待检测正视图图像输入至所述目标车道线检测神经网络，输出所述待检测正视图图像的车道线信息。
优选地，所述将目标车辆的前置摄像头采集到的待检测正视图图像输入至所述目标车道线检测神经网络，输出所述待检测正视图图像的车道线信息后还包括：
根据所述待检测正视图图像的车道线信息，判断所述目标车辆是否处于车道偏离状态；
若所述目标车辆处于车道偏离状态，则生成并发送预警信号。
优选地，所述根据所述待检测正视图图像的车道线信息，判断所述目标车辆是否处于车道偏离状态包括：
根据所述待检测正视图图像的车道线信息，确定所述目标车辆在车道中的当前位置参数；其中，所述当前位置参数包括横向偏移量、车辆与道路的夹角；
根据所述目标车辆在车道中的当前位置参数，判断所述目标车辆是否处于车道偏离状态。
优选地，所述若所述目标车辆处于车道偏离状态，则生成并发送预警信号包括：
若所述目标车辆处于车道偏离状态，确定所述目标车辆偏移程度的大小；
根据所述目标车辆偏移程度的大小，确定生成预警信号的强弱程度。
优选地，所述利用安装于车辆上的前置摄像头采集带车道线标签的正视图图像作为训练集，将所述正视图图像输入至预先构建的初始车道线检测网络中，提取多个正视图特征信息前包括：
基于CNN网络架构构建所述初始车道线检测网络，其中所述初始车道线检测网络包括正视图处理通道、映射变化层、俯视图处理通道及车道线预测通道。
本发明还提供了一种基于深度学习的车道线检测装置，包括：
特征提取模块，用于利用安装于车辆上的前置摄像头采集带车道线标签的正视图图像作为训练集，将所述正视图图像输入至预先构建的初始车道线检测网络中，提取多个正视图特征信息；
特征融合模块，用于将每个正视图特征信息分别与对所述每个正视图特征信息进行射影变换后得到的俯视图特征信息进行合并，得到融合特征信息；
误差计算模块，用于根据所述融合特征信息获取所述正视图图像的车道线预测信息，利用损失函数计算所述车道线预测信息与所述车道线标签的误差；
训练模块，用于采用反向传播算法对所述初始车道线检测网络的参数进行优化直至所述误差达到期望值，得到完成训练的目标车道线检测神经网络；
检测模块，用于将目标车辆的前置摄像头采集到的待检测正视图图像输入至所述目标车道线检测神经网络，输出所述待检测正视图图像的车道线信息。
优选地，所述检测模块后还包括：
判断模块，用于根据所述待检测正视图图像的车道线信息，判断所述目标车辆是否处于车道偏离状态；
预警模块，用于若所述目标车辆处于车道偏离状态，则生成并发送预警信号。
优选地，所述判断模块包括：
位置参数确定单元，用于根据所述待检测正视图图像的车道线信息，确定所述目标车辆在车道中的当前位置参数；其中，所述当前位置参数包括横向偏移量、车辆与道路的夹角；
判断单元，用于根据所述目标车辆在车道中的当前位置参数，判断所述目标车辆是否处于车道偏离状态。
本发明还提供了一种基于深度学习的车道线检测设备，包括：
存储器，用于存储计算机程序；处理器，用于执行所述计算机程序时实现上述一种基于深度学习的车道线检测方法的步骤。
本发明还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上存储有计算机程序，所述计算机程序被处理器执行时实现上述一种基于深度学习的车道线检测方法的步骤。
本发明所提供的基于深度学习的车道线检测方法，利用安装于车辆上的前置摄像头采集带车道线标签的正视图图像作为训练集。将所述正视图图像输入至预先构建的初始车道线检测网络中，首先提取正视图特征信息，然后对所述正视图特征信息进行射影变换得到俯视图特征信息，之后再将所述正视图特征信息与所述俯视图特征信息进行融合，生成融合特征信息。根据所述融合特征信息获取所述正视图图像的车道线预测信息，并利用损失函数计算车道线预测信息与所述正视图图像的车道线标签之间的误差。采用反向传播算法对所述初始车道线检测网络的参数进行优化，以便网络输出的车道线预测值与车道线标签值之间的误差达到最小期望值，完成所述初始车道线检测网络的训练，得到目标车道线检测网络。将目标车辆采集到的待检测正视图图像输入至所述目标车道线检测网络，输出所述待检测正视图图像的车道线信息。本发明所提供的方法，提供了一种包括正视图处理通道与俯视图处理通道的双通道车道线检测架构，在网络架构中创新的引入了射影变换层，将射影变换层处理后的特征与正视图特征合并输入俯视图处理通道进行处理，在俯视图处理通道中，引入了多尺度机制，对不同的特征值进行融合处理，大大的提高了车道线检测精度。
附图说明
为了更清楚的说明本发明实施例或现有技术的技术方案，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的介绍，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为本发明所提供的基于深度学习的车道线检测方法的第一种具体实施例的流程图；
图2为车道线检测网络的网络结构示意图；
图3为车道线检测网络的俯视图处理通道特征融合过程示意图；
图4为本发明所提供的基于深度学习的车道线检测方法的第二种具体实施例的流程图；
图5为本发明实施例提供的一种基于深度学习的车道线检测装置的结构框图。
具体实施方式
本发明的核心是提供一种基于深度学习的车道线检测方法、装置、设备以及计算机可读存储介质，有效提高了车道线检测的精度。
为了使本技术领域的人员更好地理解本发明方案，下面结合附图和具体实施方式对本发明作进一步的详细说明。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。
请参考图1，图1为本发明所提供的基于深度学习的车道线检测方法的第一种具体实施例的流程图；具体操作步骤如下：
步骤S101：利用安装于车辆上的前置摄像头采集带车道线标签的正视图图像作为训练集，将所述正视图图像输入至预先构建的初始车道线检测网络中，提取多个正视图特征信息；
如图2所示，本实施例所提供的车道线检测网络为端到端的双通道训练网络，包括正视图处理通道、射影变换层、俯视图处理通道与车道线预测通道。
所述正视图处理通道主要采用CNN架构，用于提取并保存车辆前置摄像头采集到的正视图图像的特征信息，可参考VGG网络。
步骤S102：将每个正视图特征信息分别与对所述每个正视图特征信息进行射影变换后得到的俯视图特征信息进行合并，得到融合特征信息；
所述射影变换层用于将所述正视图图像的原始特征信息进行透射投影变换生成相应的俯视图特征信息；相当于应用相机旋转矩阵，然后在各个方向上进行不同尺度的缩放处理。确保俯视视图图像中的每个像素在道路上对应一个预定义位置(路面坐标系下的绝对位置)，该位置独立于摄像头的内部特性及其相对于道路的姿态。
所述俯视图处理通道用于将所述正视图特征信息与所述俯视图特征信息进行融合生成多尺度融合特征信息。所述俯视图处理通道的结构与所述正视图处理通道结构类似，都是基于CNN网络架构，参考VGG网络结构。如图3所示，所述俯视图处理通道采取了多尺度融合技术，增强了系统的稳定性和鲁棒性。将所述俯视图处理通道生成的多尺度融合特征信息输入至车道线预测通道进行处理，可以大大提高输出的车道线检测结果的精度。
步骤S103：根据所述融合特征信息获取所述正视图图像的车道线预测信息，利用损失函数计算所述车道线预测信息与所述车道线标签的误差；
所述车道线预测通道，主要通过构造全连接函数、损失函数。
步骤S104：采用反向传播算法对所述初始车道线检测网络的参数进行优化直至所述误差达到期望值，得到完成训练的目标车道线检测神经网络；
接着进行了超参的优化，完成了训练，使本发明实施例所提供的车道线检测算法在精确度、召回率和准确度上比现有检测方法的表现更好。
步骤S105：将目标车辆的前置摄像头采集到的待检测正视图图像输入至所述目标车道线检测神经网络，输出所述待检测正视图图像的车道线信息。
本实施例提供了一种基于深度学习的车道线检测方法，开发了一套双通道的车道线检测架构，在网络架构中创新的引入了映射变换层，将映射变换层处理后的特征与正视图特征合并输入俯视图处理通道进行处理；在俯视图处理通道中，引入了多尺度机制，在不同的特征值进行融合处理，大大的提高了车道线检测精度。特别是复杂场景情况下，本发明能够对车道线进行较好的检测；且易部署实施。
基于上述实施例，在本实施例中，将目标车辆的前置摄像头采集到的待检测正视图图像输入至目标车道线检测网络，输出所述待检测正视图图像的车道线信息。根据所述车道线信息可判断所述目标车辆是否发生偏移，依据判断结果生成预警信号。
请参考图4，图4为本发明所提供的基于深度学习的车道线检测方法的第二种具体实施例的流程图；具体操作步骤如下：
步骤S401：将目标车辆的前置摄像头采集到的待检测正视图图像输入至预先完成训练的目标车道线检测神经网络，输出所述待检测正视图图像的车道线信息；
步骤S402：根据所述待检测正视图图像的车道线信息，确定所述目标车辆在车道中的当前位置参数；其中，所述当前位置参数包括横向偏移量、车辆与道路的夹角；
步骤S403：根据所述目标车辆在车道中的当前位置参数，判断所述目标车辆是否处于车道偏离状态；
步骤S404：若所述目标车辆处于车道偏离状态，确定所述目标车辆偏移程度的大小；
步骤S405：根据所述目标车辆偏移程度的大小，确定生成预警信号的强弱程度，并将生成的预警信号发送至用户。
本实施例将基于深度学习的车道线检测方法应用于无人自主驾驶及辅助驾驶系统中，利用所述目标车道检测网络获取所述待检测正视图图像的车道线信息后，根据所述车道线信息对所述目标车道的偏离状态进行了判断及预警。
请参考图5，图5为本发明实施例提供的一种基于深度学习的车道线检测装置的结构框图；具体装置可以包括：
特征提取模块100，用于利用安装于车辆上的前置摄像头采集带车道线标签的正视图图像作为训练集，将所述正视图图像输入至预先构建的初始车道线检测网络中，提取多个正视图特征信息；
特征融合模块200，用于将每个正视图特征信息分别与对所述每个正视图特征信息进行射影变换后得到的俯视图特征信息进行合并，得到融合特征信息；
误差计算模块300，用于根据所述融合特征信息获取所述正视图图像的车道线预测信息，利用损失函数计算所述车道线预测信息与所述车道线标签的误差；
训练模块400，用于采用反向传播算法对所述初始车道线检测网络的参数进行优化直至所述误差达到期望值，得到完成训练的目标车道线检测神经网络；
检测模块500，用于将目标车辆的前置摄像头采集到的待检测正视图图像输入至所述目标车道线检测神经网络，输出所述待检测正视图图像的车道线信息。
本实施例的基于深度学习的车道线检测装置用于实现前述的基于深度学习的车道线检测方法，因此基于深度学习的车道线检测装置中的具体实施方式可见前文中的基于深度学习的车道线检测方法的实施例部分，例如，特征提取模块100，特征融合模块200，误差计算模块300，训练模块400，检测模块500，分别用于实现上述基于深度学习的车道线检测方法中步骤S101，S102，S103，S104和S105，所以，其具体实施方式可以参照相应的各个部分实施例的描述，在此不再赘述。
本发明具体实施例还提供了一种基于深度学习的车道线检测设备，包括：存储器，用于存储计算机程序；处理器，用于执行所述计算机程序时实现上述一种基于深度学习的车道线检测方法的步骤。
本发明具体实施例还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上存储有计算机程序，所述计算机程序被处理器执行时实现上述一种基于深度学习的车道线检测方法的步骤。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
以上对本发明所提供的基于深度学习的车道线检测方法、装置、设备以及计算机可读存储介质进行了详细介绍。本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。

Claims (9)

1.一种基于深度学习的车道线检测方法，其特征在于，包括：
利用安装于车辆上的前置摄像头采集带车道线标签的正视图图像作为训练集，将所述正视图图像输入至预先构建的初始车道线检测网络中，提取多个正视图特征信息；
将每个正视图特征信息分别与对所述每个正视图特征信息进行射影变换后得到的俯视图特征信息进行合并，得到融合特征信息；
根据所述融合特征信息获取所述正视图图像的车道线预测信息，利用损失函数计算所述车道线预测信息与所述车道线标签的误差；
采用反向传播算法对所述初始车道线检测网络的参数进行优化直至所述误差达到期望值，得到完成训练的目标车道线检测神经网络；
将目标车辆的前置摄像头采集到的待检测正视图图像输入至所述目标车道线检测神经网络，输出所述待检测正视图图像的车道线信息；
其中，所述利用安装于车辆上的前置摄像头采集带车道线标签的正视图图像作为训练集，将所述正视图图像输入至预先构建的初始车道线检测网络中，提取多个正视图特征信息前包括：
基于CNN网络架构构建所述初始车道线检测网络，其中所述初始车道线检测网络包括正视图处理通道、映射变化层、俯视图处理通道及车道线预测通道。
2.如权利要求1所述的方法，其特征在于，所述将目标车辆的前置摄像头采集到的待检测正视图图像输入至所述目标车道线检测神经网络，输出所述待检测正视图图像的车道线信息后还包括：
根据所述待检测正视图图像的车道线信息，判断所述目标车辆是否处于车道偏离状态；
若所述目标车辆处于车道偏离状态，则生成并发送预警信号。
3.如权利要求2所述的方法，其特征在于，所述根据所述待检测正视图图像的车道线信息，判断所述目标车辆是否处于车道偏离状态包括：
根据所述待检测正视图图像的车道线信息，确定所述目标车辆在车道中的当前位置参数；其中，所述当前位置参数包括横向偏移量、车辆与道路的夹角；
根据所述目标车辆在车道中的当前位置参数，判断所述目标车辆是否处于车道偏离状态。
4.如权利要求2所述的方法，其特征在于，所述若所述目标车辆处于车道偏离状态，则生成并发送预警信号包括：
若所述目标车辆处于车道偏离状态，确定所述目标车辆偏移程度的大小；
根据所述目标车辆偏移程度的大小，确定生成预警信号的强弱程度。
5.一种基于深度学习的车道线检测装置，其特征在于，包括：
特征提取模块，用于利用安装于车辆上的前置摄像头采集带车道线标签的正视图图像作为训练集，将所述正视图图像输入至预先构建的初始车道线检测网络中，提取多个正视图特征信息；
特征融合模块，用于将每个正视图特征信息分别与对所述每个正视图特征信息进行射影变换后得到的俯视图特征信息进行合并，得到融合特征信息；
误差计算模块，用于根据所述融合特征信息获取所述正视图图像的车道线预测信息，利用损失函数计算所述车道线预测信息与所述车道线标签的误差；
训练模块，用于采用反向传播算法对所述初始车道线检测网络的参数进行优化直至所述误差达到期望值，得到完成训练的目标车道线检测神经网络；
检测模块，用于将目标车辆的前置摄像头采集到的待检测正视图图像输入至所述目标车道线检测神经网络，输出所述待检测正视图图像的车道线信息；
其中，所述装置还用于：在所述特征提取模块执行相应步骤之前，基于CNN网络架构构建所述初始车道线检测网络，其中所述初始车道线检测网络包括正视图处理通道、映射变化层、俯视图处理通道及车道线预测通道。
6.如权利要求5所述的装置，其特征在于，所述检测模块后还包括：
判断模块，用于根据所述待检测正视图图像的车道线信息，判断所述目标车辆是否处于车道偏离状态；
预警模块，用于若所述目标车辆处于车道偏离状态，则生成并发送预警信号。
7.如权利要求6所述的装置，其特征在于，所述判断模块包括：
位置参数确定单元，用于根据所述待检测正视图图像的车道线信息，确定所述目标车辆在车道中的当前位置参数；其中，所述当前位置参数包括横向偏移量、车辆与道路的夹角；
判断单元，用于根据所述目标车辆在车道中的当前位置参数，判断所述目标车辆是否处于车道偏离状态。
8.一种基于深度学习的车道线检测设备，其特征在于，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如权利要求1至4任一项所述一种基于深度学习的车道线检测方法的步骤。
9.一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上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至4任一项所述一种基于深度学习的车道线检测方法的步骤。
CN201911386526.7A 2019-12-29 2019-12-29 一种基于深度学习的车道线检测方法、装置以及设备 Active CN111144330B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911386526.7A CN111144330B (zh) 2019-12-29 2019-12-29 一种基于深度学习的车道线检测方法、装置以及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911386526.7A CN111144330B (zh) 2019-12-29 2019-12-29 一种基于深度学习的车道线检测方法、装置以及设备

Publications (2)

Publication Number Publication Date
CN111144330A CN111144330A (zh) 2020-05-12
CN111144330B true CN111144330B (zh) 2022-07-08

Family

ID=70521444

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911386526.7A Active CN111144330B (zh) 2019-12-29 2019-12-29 一种基于深度学习的车道线检测方法、装置以及设备

Country Status (1)

Country Link
CN (1) CN111144330B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111860155B (zh) * 2020-06-12 2022-04-29 华为技术有限公司 一种车道线的检测方法及相关设备
CN112487861A (zh) * 2020-10-27 2021-03-12 爱驰汽车（上海）有限公司 车道线识别方法、装置、计算设备及计算机存储介质
WO2022155899A1 (zh) * 2021-01-22 2022-07-28 深圳市大疆创新科技有限公司 目标检测方法、装置、可移动平台和存储介质
CN112966624A (zh) * 2021-03-16 2021-06-15 北京主线科技有限公司 一种车道线检测方法、装置、电子设备和存储介质
CN113705436A (zh) * 2021-08-27 2021-11-26 一汽解放青岛汽车有限公司 一种车道信息确定方法、装置、电子设备及介质
CN114626462B (zh) * 2022-03-16 2023-03-24 小米汽车科技有限公司 路面标识识别方法、装置、设备及存储介质
CN117274932B (zh) * 2023-09-06 2024-05-07 广州城建职业学院 车道线自适应检测方法、系统、装置及存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104085396A (zh) * 2014-07-03 2014-10-08 上海纵目科技有限公司 一种全景车道偏离预警方法及系统
CN106203273A (zh) * 2016-06-27 2016-12-07 开易（北京）科技有限公司 多特征融合的车道线检测系统、方法及高级驾驶辅助系统
CN110287779A (zh) * 2019-05-17 2019-09-27 百度在线网络技术（北京）有限公司 车道线的检测方法、装置及设备
CN110435652A (zh) * 2019-08-27 2019-11-12 北京茵沃汽车科技有限公司 车道偏离预警方法、系统、装置以及存储介质

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11055989B2 (en) * 2017-08-31 2021-07-06 Nec Corporation Viewpoint invariant object recognition by synthesization and domain adaptation

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104085396A (zh) * 2014-07-03 2014-10-08 上海纵目科技有限公司 一种全景车道偏离预警方法及系统
CN106203273A (zh) * 2016-06-27 2016-12-07 开易（北京）科技有限公司 多特征融合的车道线检测系统、方法及高级驾驶辅助系统
CN110287779A (zh) * 2019-05-17 2019-09-27 百度在线网络技术（北京）有限公司 车道线的检测方法、装置及设备
CN110435652A (zh) * 2019-08-27 2019-11-12 北京茵沃汽车科技有限公司 车道偏离预警方法、系统、装置以及存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
"Spatial As Deep: Spatial CNN for Traffic Scene Understanding";Xingang Pan et al.;《arXiv》;20171217;第1-9页 *
"智能无杆飞机牵引车视觉定位算法";闫洪峰 等;《计算机工程》;20081231;第214-229页 *

Also Published As

Publication number Publication date
CN111144330A (zh) 2020-05-12

Similar Documents

Publication Publication Date Title
CN111144330B (zh) 一种基于深度学习的车道线检测方法、装置以及设备
CN111009153B (zh) 一种轨迹预测模型的训练方法、装置和设备
CN106485233B (zh) 可行驶区域检测方法、装置和电子设备
US20190295420A1 (en) Lane determination method, device and storage medium
EP3007099B1 (en) Image recognition system for a vehicle and corresponding method
CN110299028B (zh) 一种停车越线检测的方法、装置、设备以及可读存储介质
US9352746B2 (en) Lane relative position estimation method and system for driver assistance systems
CN110341621B (zh) 一种障碍物检测方法及装置
CN114998856B (zh) 一种多相机图像的3d目标检测方法、装置、设备及介质
CN111295666A (zh) 一种车道线检测方法、装置、控制设备及存储介质
CN112651359A (zh) 障碍物检测方法、装置、电子设备和存储介质
CN117465421A (zh) 一种车辆的泊车方法、控制系统、电子设备及可读存储介质
WO2023241175A1 (zh) 车辆行驶引导方法、装置、电子设备及存储介质
CN116416588A (zh) 车道线预测方法、装置、电子设备及存储介质
EP3716137A1 (en) Systems and methods for estimating the position of a target vehicle
CN111126406A (zh) 车辆行驶区域识别方法及装置
CN109583418A (zh) 一种基于平行关系的车道线偏离自校正方法和装置
CN113160550B (zh) 涉及交叉路口的自动驾驶场景的传感器覆盖范围分析
JP5682302B2 (ja) 走行道路推定装置、方法およびプログラム
KR20230104592A (ko) 센서 데이터의 주석을 다는 방법 및 시스템
CN113942503A (zh) 一种车道保持方法和装置
CN112686155A (zh) 图像识别方法、装置、计算机可读存储介质及处理器
CN115236672A (zh) 障碍物信息生成方法、装置、设备及计算机可读存储介质
KR20140074476A (ko) 실시간 차선 위치 감지 시스템 및 방법, 이를 이용한 차량용 네비게이션 및 블랙박스 장치
CN118269985B (zh) 一种车辆变道辅助方法、装置、存储介质及设备

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
GR01 Patent grant
GR01 Patent grant