CN111222405A - 车道线的检测方法、装置、电子设备及可读存储介质 - Google Patents

车道线的检测方法、装置、电子设备及可读存储介质 Download PDF

Info

Publication number
CN111222405A
CN111222405A CN201911122374.XA CN201911122374A CN111222405A CN 111222405 A CN111222405 A CN 111222405A CN 201911122374 A CN201911122374 A CN 201911122374A CN 111222405 A CN111222405 A CN 111222405A
Authority
CN
China
Prior art keywords
clustering
feature points
category
determining
fitting curve
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
Application number
CN201911122374.XA
Other languages
English (en)
Inventor
路兆铭
王鲁晗
温向明
傅彬
王刚
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.)
Beijing University of Posts and Telecommunications
Original Assignee
Beijing University of Posts and Telecommunications
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 Beijing University of Posts and Telecommunications filed Critical Beijing University of Posts and Telecommunications
Priority to CN201911122374.XA priority Critical patent/CN111222405A/zh
Publication of CN111222405A publication Critical patent/CN111222405A/zh
Pending legal-status Critical Current

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
    • G06F18/23—Clustering techniques
    • 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

Abstract

本公开实施例公开了一种车道线的检测方法、装置、电子设备及可读存储介质，所述方法包括先获取道路图像中一个或多个像素点集，基于所述像素点集，通过最小二乘法确定所述像素点集的拟合曲线线段，通过聚类方法，确定所述拟合曲线线段对应的类别，根据所述类别，确定所述道路图像中的车道线。该技术方案能够提高车道线识别的准确性和效率。

Description

车道线的检测方法、装置、电子设备及可读存储介质
技术领域
本公开涉及车道线识别技术领域，具体涉及一种车道线的检测方法、装置、电子设备及可读存储介质。
背景技术
车道线是指在道路上用不同的线条向行驶车辆传递引导、限制、警告等交通信息的标识，例如，白色虚线的车道线通常用以分隔同向行驶的交通流或作为行车安全距离识别线；白色实线的车道线通常用以分隔同向行驶的机动车和非机动车，或指示车行道的边缘。
因此，识别道路上的车道线是所有车辆的共同任务，以确保车辆在驾驶时处于车道限制之内，并减少因越过车道而与其他车辆发生碰撞的机会。而为了检测道路上的车辆的违章情况，例如，闯红灯、逆向行驶、违规变道等，对于道路监控设备来说，准确识别道路上的车道线同样也是一项关键任务。
但是，目前对于车道线的识别效果并不理想，而且由于虚线车道线等情况的存在，常常需要人工参与画线过程，而没有真正实现车道线的自动检测。
发明内容
为了解决相关技术中的问题，本公开实施例提供一种车道线的检测方法、装置、电子设备及可读存储介质。
第一方面，本公开实施例提供了一种车道线的检测方法。
具体地，所述车道线的检测方法包括：
获取道路图像中一个或多个像素点集；
基于所述像素点集，通过最小二乘法确定所述像素点集的拟合曲线；
通过聚类方法，确定所述拟合曲线对应的类别；
根据所述类别，确定所述道路图像中的车道线。
可选地，所述通过聚类方法，确定所述拟合曲线对应的类别，包括：
提取所述拟合曲线的至少一个特征点；
以第一拟合曲线的第一特征点为聚类中心，确定聚类区域，其中，所述第一拟合曲线为任意一个所述像素点集对应的拟合曲线，所述第一特征点为所述第一拟合曲线的至少一个特征点中的任意一个；
确定所述聚类区域中的未分类特征点数，其中，所述未分类特征点为任意一个未确定类别的拟合曲线对应的特征点；
当所述未分类特征点数满足聚类条件时，确定所述未分类特征点数对应的拟合曲线的类别为所述第一拟合曲线对应的第一类别。
可选地，所述当所述未分类特征点数满足聚类条件时，确定所述未分类特征点数对应的拟合曲线的类别为所述第一拟合曲线对应的第一类别，包括：
当所述未分类特征点数满足聚类条件时，确定所述未分类特征点数对应的拟合曲线的类别为所述第一拟合曲线对应的第一类别；
根据在所述聚类区域中属于所述第一类别的拟合曲线的特征点，更新所述聚类中心，并基于更新后的所述聚类中心，重新确定聚类区域以及所述聚类区域中的未分类特征点数，以确定满足所述聚类条件的未分类特征点数对应的拟合曲线的类别为所述第一类别，直至所述聚类区域中的所述未分类特征点数不满足所述聚类条件。
可选地，所述通过聚类方法，确定所述拟合曲线对应的类别，还包括：
当所述未分类特征点数不满足所述聚类条件时，依次以第一拟合曲线的剩余特征点为聚类中心，重新确定所述聚类区域以及所述聚类区域中的未分类特征点数，直至所述聚类区域中的所述未分类特征点数满足所述聚类条件，或者所述第一拟合曲线没有剩余特征点。
可选地，所述根据所述类别，确定所述道路图像中的车道线，包括：
通过插值方法，将属于同一类别的拟合曲线连接为光滑曲线；
确定所述光滑曲线为所述道路图像中的车道线。
第二方面，本公开实施例提供了一种车道线的检测装置，其特征在于，包括：
获取模块，被配置为获取道路图像中一个或多个像素点集；
拟合模块，被配置为基于所述像素点集，通过最小二乘法确定所述像素点集的拟合曲线；
聚类模块，被配置为通过聚类方法，确定所述拟合曲线对应的类别；
确定模块，被配置为根据所述类别，确定所述道路图像中的车道线。
可选地，所述通过聚类方法，确定所述拟合曲线对应的类别，包括：
提取所述拟合曲线的至少一个特征点；
以第一拟合曲线的第一特征点为聚类中心，确定聚类区域，其中，所述第一拟合曲线为任意一个所述像素点集对应的拟合曲线，所述第一特征点为所述第一拟合曲线的至少一个特征点中的任意一个；
确定所述聚类区域中的未分类特征点数，其中，所述未分类特征点为任意一个未确定类别的拟合曲线对应的特征点；
当所述未分类特征点数满足聚类条件时，确定所述未分类特征点数对应的拟合曲线的类别为所述第一拟合曲线对应的第一类别。
可选地，所述当所述未分类特征点数满足聚类条件时，确定所述未分类特征点数对应的拟合曲线的类别为所述第一拟合曲线对应的第一类别，包括：
当所述未分类特征点数满足聚类条件时，确定所述未分类特征点数对应的拟合曲线的类别为所述第一拟合曲线对应的第一类别；
根据在所述聚类区域中属于所述第一类别的拟合曲线的特征点，更新所述聚类中心，并基于更新后的所述聚类中心，重新确定聚类区域以及所述聚类区域中的未分类特征点数，以确定满足所述聚类条件的未分类特征点数对应的拟合曲线的类别为所述第一类别，直至所述聚类区域中的所述未分类特征点数不满足所述聚类条件。
第三方面，本公开实施例提供了一种电子设备，包括存储器和处理器；其中，所述存储器用于存储一条或多条计算机指令，其中，所述一条或多条计算机指令被所述处理器执行以实现如第一方面实现方式任一项所述的方法。
第四方面，本公开实施例中提供了一种可读存储介质，其上存储有计算机指令，该计算机指令被处理器执行时实现如第一方面实现方式任一项所述的方法。
本公开实施例提供的技术方案可以包括以下有益效果：
根据本公开实施例提供的技术方案，在获取道路图像后，先根据获取的像素点集，确定拟合曲线线段，当存在多个拟合曲线线段时，可以通过聚类方法，区分所述多个拟合曲线线段为多个不同的车道线，还是同一车道线中的多个虚线线段等，从而可以根据聚类结果确定车道线，从而实现了车道线的自动检测，避免了人工参与，还提高了车道线的检测准确度和效率。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
附图说明
结合附图，通过以下非限制性实施方式的详细描述，本公开的其它标签、目的和优点将变得更加明显。在附图中：
图1A示出根据本公开实施例的车道线的检测方法、装置、电子设备和可读存储介质的应用场景；
图1B示出根据本公开实施例的道路图像的示意图；
图2示出根据本公开实施例的车道线的检测方法的流程图；
图3示出根据本公开实施例确定拟合曲线线段对应的类别的流程图；
图4示出根据本公开实施例的确定未分类特征点对应的拟合曲线线段的类别的流程图；
图5示出根据本公开实施例的确定车道线的流程图；
图6示出根据本公开实施例的车道线的检测装置的结构框图；
图7示出根据本公开实施例的电子设备的结构框图；
图8示出适于用来实现根据本公开实施例的车道线的检测方法的计算机系统的结构示意图。
具体实施方式
下文中，将参考附图详细描述本公开的示例性实施例，以使本领域技术人员可容易地实现它们。此外，为了清楚起见，在附图中省略了与描述示例性实施例无关的部分。
在本公开中，应理解，诸如“包括”或“具有”等的术语旨在指示本说明书中所公开的特征、数字、步骤、行为、部件、部分或其组合的存在，并且不欲排除一个或多个其他特征、数字、步骤、行为、部件、部分或其组合存在或被添加的可能性。
另外还需要说明的是，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。下面将参考附图并结合实施例来详细说明本公开。
上文提及，目前对于车道线的识别效果并不理想，而且由于虚线车道线等情况的存在，常常需要人工参与画线过程，而没有真正实现车道线的自动检测。
考虑到上述缺陷，在本公开实施例中提出一种车道线的检测方法，该方法获取道路图像中一个或多个像素点集，然后基于所述像素点集，通过最小二乘法确定所述像素点集的拟合曲线线段，再通过聚类方法，确定所述拟合曲线线段对应的类别，根据所述类别，确定所述道路图像中的车道线。
本公开实施例在获取道路图像后，能够先根据获取的像素点集，确定拟合曲线线段，当存在多个拟合曲线线段时，可以通过聚类方法，区分所述多个拟合曲线线段为多个不同的车道线，还是同一车道线中的多个虚线线段等，从而可以根据聚类结果确定车道线，从而实现了车道线的自动检测，避免了人工参与，还提高了车道线的检测准确度和效率。
图1A示出根据本公开实施例的车道线的检测方法、装置、电子设备和可读存储介质的应用场景。
图1B示出根据本公开实施例的道路图像的示意图。
如图1A所示，道路200用于车辆行驶，为了向行驶车辆传递引导、限制、警告等交通信息的标识，所述道路200上设置有三个车道线201、202和203，其中，车道线201和203为实线，而车道线202为虚线。
道路监控设备100(例如，摄像头)设置于所述道路200附近，用于检测所述道路200上的车辆行驶情况。
道路图像300为所述道路监控设备100通过摄像、拍照等方式获取的图像，如图1B所示。
需要说明的是，本公开实施例所提供的车道线的检测方法一般可以由道路监控设备100执行。相应地，本公开实施例所提供的车道线的检测装置、电子设备和可读存储介质一般可以设置于道路监控设备100中。
应该理解，图1A和1B中的车道线和道路监控设备的数目、形状和种类仅仅是示意性的，本领域的技术人员均可以根据实现需要进行设计和调整，本申请对此不作具体限定。
接下来，以道路图像为图1B为例，对本申请中的方法和过程进行解释说明。
图2示出根据本公开实施例的车道线的检测方法的流程图。
如图2所示，所述车道线的检测方法包括以下步骤S101-S104。
在步骤S101中，获取道路图像中一个或多个像素点集。
在步骤S102中，基于所述像素点集，通过最小二乘法确定所述像素点集的拟合曲线线段。
在步骤S103中，通过聚类方法，确定所述拟合曲线线段对应的类别。
在步骤S104中，根据所述类别，确定所述道路图像中的车道线。
根据本公开实施例，道路图像可以包括一个或多个车道线，车道线可以为实线车道线(例如，车道线201和203)，用于分隔同向行驶的机动车和非机动车，或指示车行道的边缘等。实线车道线在道路图像中通常表现为一个线段，但是在实际情况中，也有可能因磨损、遮挡等原因表现为多个线段。
根据本公开的实施例，所述车道线也可以为虚线车道线(例如，车道线202)，用于分隔同向行驶的交通流或作为行车安全距离识别线等。虚线车道线在道路图像中通常表现为多个线段。
根据本公开实施例，通过机器学习、图像识别等技术可以获取所述道路图像中一个或多个像素点集。所述像素点集为所述道路图像中，表示车道线中同一线段的像素点的集合，线段与像素点集一一对应。例如，假设道路图像中存在N个线段，则可以通过步骤S101获取N个像素点集，N为正整数。
根据本公开实施例，最小二乘法(又称最小平方法)是一种数学优化技术，通过最小化误差的平方和寻找像素点集的最佳函数匹配。由于车道线通常为直线或者光滑的曲线，可以通过小二乘法对所述像素点集进行拟合，以获得能够描述所述像素点集对应的线段特征(例如，斜率、曲率等)的拟合曲线线段。所述拟合曲线线段与所述像素点集一一对应，例如，在步骤S101中，从道路图像中获取了N个像素点集，则可以通过最小二乘法确定N个拟合曲线线段。
根据本公开实施例，聚类是指将物理或抽象对象的集合分成由类似的对象组成的多个类的过程。在获取N个拟合曲线线段后，通过聚类方法，将所述N个拟合曲线线段分成一个或多个类别，其中，所述类别与所述车道线一一对应，即属于同一类别的拟合曲线线段属于同一车道线，例如，属于同一虚线车道线的多个拟合曲线线段属于同一类别。
根据本公开实施例，在确定各个拟合曲线线段的类别后，可以根据同一类别中的一个或多个拟合曲线线段，确定该类别对应的车道线。
例如，图1B的道路图像300中存在多个线段，可以先获取与所述多个线段对应的多个像素点集a1，a2，a3，……，an，n为大于等于3的正整数(步骤S101)；然后，基于所述像素点集，通过最小二乘法确定所述像素点集的拟合曲线线段l1，l2，l3，……，ln(步骤S102)；再通过聚类方法，将所述拟合曲线线段l1，l2，l3，……，ln分类为三个类别{l1}，{l2，l3，……，ln-1}和{ln}，从而可以确定所述道路图像300中存在与所述三个类别一一对应的三个车道线(步骤S103)；最后，根据分类结果，确定所述道路图像中的车道线，即根据拟合曲线线段l1确定车道线201，根据拟合曲线线段l2，l3，……，ln-1确定车道线202，根据拟合曲线线段ln确定车道线203(步骤S104)。
根据本公开的实施例，先通过最小二乘法确定道路图像中的一个或多个线段的拟合曲线线段，再通过聚类方法，确定各个车道线对应的拟合曲线线段，然后根据聚类结果，确定所述道路图案中的车道线，从而实现了车道线的自动检测，避免了人工参与，还提高了车道线的检测准确度和效率。
图3示出根据本公开实施例确定拟合曲线线段对应的类别的流程图。
如图3所示，在所述步骤S103中，所述通过聚类方法，确定所述拟合曲线线段对应的类别包括以下步骤S201-S204。
在步骤S201中，提取所述拟合曲线线段的至少一个特征点。
在步骤S202中，以第一拟合曲线线段的第一特征点为聚类中心，确定聚类区域，其中，所述第一拟合曲线线段为任意一个所述像素点集对应的拟合曲线线段，所述第一特征点为所述第一拟合曲线线段的至少一个特征点中的任意一个。
在步骤S203中，确定所述聚类区域中的未分类特征点数，其中，所述未分类特征点为任意一个未确定类别的拟合曲线线段对应的特征点。
在步骤S204中，当所述未分类特征点数满足聚类条件时，确定所述未分类特征点数对应的拟合曲线线段的类别为所述第一拟合曲线线段对应的第一类别。
根据本公开实施例，聚类区域的半径可以为大于虚线车道线中相邻两个线段之间的间隔距离，且小于相邻两个车道线之间的间隔距离的任意值，从而可以有效区分同一虚线车道线中的线段和不同车道线的线段。对于聚类半径的具体取值，本领域技术人员可以根据实际需求进行设置，本申请对此不作限定。
根据本公开实施例，当确定聚类区域后，所述聚类区域中通常包括所述第一拟合曲线线段中的特征点，若还包括其他拟合曲线线段的特征点，则可以根据所述其他拟合曲线线段的特征点数，判断所述其他拟合曲线线段是否与所述第一拟合曲线线段属于同一类别。
根据本公开实施例，所述聚类条件可以设置为未分类特征点数大于等于聚类阈值。这样，当所述聚类区域中的未分类特征点数大于等于所述聚类阈值时，可以说明所述未分类特征点数对应的拟合曲线线段与第一拟合曲线的差异较小，从而可以将所述未分类特征点数对应的拟合曲线线段的类别确定为第一拟合曲线线段对应的类别。
图4示出根据本公开实施例的确定未分类特征点对应的拟合曲线线段的类别的流程图。
如图4所示，在所述步骤S204中，所述当所述未分类特征点数满足聚类条件时，确定所述未分类特征点数对应的拟合曲线线段的类别为所述第一拟合曲线线段对应的第一类别包括以下步骤S301-S302。
在步骤S301中，当所述未分类特征点数满足聚类条件时，确定所述未分类特征点数对应的拟合曲线线段的类别为所述第一拟合曲线线段对应的第一类别。
在步骤S302中，根据在所述聚类区域中属于所述第一类别的拟合曲线线段的特征点，更新所述聚类中心，并基于更新后的所述聚类中心，重新确定聚类区域以及所述聚类区域中的未分类特征点数，以确定满足所述聚类条件的未分类特征点数对应的拟合曲线线段的类别为所述第一类别，直至所述聚类区域中的所述未分类特征点数不满足所述聚类条件。
根据本公开实施例，当道路图像包括一个或多个拟合曲线时，可以根据坐标值，将该拟合曲线中与道路图像边界最接近的特征点初始化所述第一特征点。
根据本公开实施例，当未分类特征点数满足聚类条件时，除了确定所述未分类特征点数对应的拟合曲线线段的类别为所述第一拟合曲线线段对应的第一类别之外，还根据聚类区域中属于所述第一类别的拟合曲线线段的特征点更新聚类中心，例如，将聚类中心更新为聚类区域中属于所述第一类别的拟合曲线线段的特征点的坐标均值，从而使得聚类中心不断移动，直至未分类特征点数不满足聚类条件，以便确定更多的拟合曲线线段的类别。
根据本公开实施例，所述通过聚类方法，确定所述拟合曲线线段对应的类别，还包括：
当所述未分类特征点数不满足所述聚类条件时，依次以第一拟合曲线线段的剩余特征点为聚类中心，重新确定所述聚类区域以及所述聚类区域中的未分类特征点数，直至所述聚类区域中的所述未分类特征点数满足所述聚类条件，或者所述第一拟合曲线线段没有剩余特征点。
根据本公开实施利，当所述未分类特征点数不满足所述聚类条件时，通过依次以第一拟合曲线线段的剩余特征点为聚类中心，以实现对第一拟合曲线线段的特征点的遍历，对可能存在同类拟合曲线线段的区域进行检测，以提高聚类结果的准确性，从而提高车道线的检测准确度。
图5示出根据本公开实施例的确定车道线的流程图。
如图5所示，在所述步骤S104中，所述根据所述类别，确定所述道路图像中的车道线，包括以下步骤S401-S402。
在步骤S401中，通过插值方法，将属于同一类别的拟合曲线线段连接为光滑曲线；
在步骤S402中，确定所述光滑曲线为所述道路图像中的车道线。
根据本公开实施例，当一类别中包括一个拟合曲线线段时，该拟合曲线线段为所述道路图像中与所述类别对应的车道线，例如，车道线201和203。
根据本公开实施例，当所述类别中包括多个拟合曲线线段时，该多个拟合曲线线段的组合为所述道路图像中与所述类别对应的车道线，例如，车道线202。由于车道线多为光滑曲线(包括直线)，因此可以通过插值等方法，将同一类别的多个拟合曲线线段连接为光滑曲线(包括直线)，从而确定所述道路图像中所述类别对应的车道线。
图6示出根据本公开实施例的车道线的检测装置600的结构框图。其中，该装置可以通过软件、硬件或者两者的结合实现成为电子设备的部分或者全部。
如图6所示，所述车道线的检测装置包括获取模块601、拟合模块602、聚类模块603和确定模块604。
所述获取模块601被配置为获取道路图像中一个或多个像素点集；
所述拟合模块602被配置为基于所述像素点集，通过最小二乘法确定所述像素点集的拟合曲线线段；
所述聚类模块603被配置为通过聚类方法，确定所述拟合曲线线段对应的类别；
所述确定模块604被配置为根据所述类别，确定所述道路图像中的车道线。
根据本公开实施例，所述通过聚类方法，确定所述拟合曲线线段对应的类别，包括：
提取所述拟合曲线线段的至少一个特征点；
以第一拟合曲线线段的第一特征点为聚类中心，确定聚类区域，其中，所述第一拟合曲线线段为任意一个所述像素点集对应的拟合曲线线段，所述第一特征点为所述第一拟合曲线线段的至少一个特征点中的任意一个；
确定所述聚类区域中的未分类特征点数，其中，所述未分类特征点为任意一个未确定类别的拟合曲线线段对应的特征点；
当所述未分类特征点数满足聚类条件时，确定所述未分类特征点数对应的拟合曲线线段的类别为所述第一拟合曲线线段对应的第一类别。
根据本公开实施例，所述当所述未分类特征点数满足聚类条件时，确定所述未分类特征点数对应的拟合曲线线段的类别为所述第一拟合曲线线段对应的第一类别，包括：
当所述未分类特征点数满足聚类条件时，确定所述未分类特征点数对应的拟合曲线线段的类别为所述第一拟合曲线线段对应的第一类别；
根据在所述聚类区域中属于所述第一类别的拟合曲线线段的特征点，更新所述聚类中心，并基于更新后的所述聚类中心，重新确定聚类区域以及所述聚类区域中的未分类特征点数，以确定满足所述聚类条件的未分类特征点数对应的拟合曲线线段的类别为所述第一类别，直至所述聚类区域中的所述未分类特征点数不满足所述聚类条件。
根据本公开实施例，所述通过聚类方法，确定所述拟合曲线线段对应的类别，还包括：
当所述未分类特征点数不满足所述聚类条件时，依次以第一拟合曲线线段的剩余特征点为聚类中心，重新确定所述聚类区域以及所述聚类区域中的未分类特征点数，直至所述聚类区域中的所述未分类特征点数满足所述聚类条件，或者所述第一拟合曲线线段没有剩余特征点。
根据本公开实施例，所述根据所述类别，确定所述道路图像中的车道线，包括：
通过插值方法，将属于同一类别的拟合曲线线段连接为光滑曲线；
确定所述光滑曲线为所述道路图像中的车道线。
图7示出根据本公开实施例的电子设备700的结构框图。
如图7所示，所述电子设备700包括存储器701和处理器702。所述存储器701用于存储一条或多条计算机指令，其中，所述一条或多条计算机指令被所述处理器702执行以实现以下方法步骤：
获取道路图像中一个或多个像素点集；
基于所述像素点集，通过最小二乘法确定所述像素点集的拟合曲线；
通过聚类方法，确定所述拟合曲线对应的类别；
根据所述类别，确定所述道路图像中的车道线。
根据本公开实施例，所述通过聚类方法，确定所述拟合曲线对应的类别，包括：
提取所述拟合曲线的至少一个特征点；
以第一拟合曲线的第一特征点为聚类中心，确定聚类区域，其中，所述第一拟合曲线为任意一个所述像素点集对应的拟合曲线，所述第一特征点为所述第一拟合曲线的至少一个特征点中的任意一个；
确定所述聚类区域中的未分类特征点数，其中，所述未分类特征点为任意一个未确定类别的拟合曲线对应的特征点；
当所述未分类特征点数满足聚类条件时，确定所述未分类特征点数对应的拟合曲线的类别为所述第一拟合曲线对应的第一类别。
根据本公开实施例，所述当所述未分类特征点数满足聚类条件时，确定所述未分类特征点数对应的拟合曲线的类别为所述第一拟合曲线对应的第一类别，包括：
当所述未分类特征点数满足聚类条件时，确定所述未分类特征点数对应的拟合曲线的类别为所述第一拟合曲线对应的第一类别；
根据在所述聚类区域中属于所述第一类别的拟合曲线的特征点，更新所述聚类中心，并基于更新后的所述聚类中心，重新确定聚类区域以及所述聚类区域中的未分类特征点数，以确定满足所述聚类条件的未分类特征点数对应的拟合曲线的类别为所述第一类别，直至所述聚类区域中的所述未分类特征点数不满足所述聚类条件。
根据本公开实施例，所述通过聚类方法，确定所述拟合曲线对应的类别，还包括：
当所述未分类特征点数不满足所述聚类条件时，依次以第一拟合曲线的剩余特征点为聚类中心，重新确定所述聚类区域以及所述聚类区域中的未分类特征点数，直至所述聚类区域中的所述未分类特征点数满足所述聚类条件，或者所述第一拟合曲线没有剩余特征点。
根据本公开实施例，所述根据所述类别，确定所述道路图像中的车道线，包括：
通过插值方法，将属于同一类别的拟合曲线连接为光滑曲线；
确定所述光滑曲线为所述道路图像中的车道线。
图8示出适于用来实现根据本公开实施例的车道线的检测方法的计算机系统800的结构示意图。
如图8所示，计算机系统800包括中央处理单元(CPU)801，其可以根据存储在只读存储器(ROM)802中的程序或者从存储部分808加载到随机访问存储器(RAM)803中的程序而执行上述实施例中的各种处理。在RAM803中，还存储有系统800操作所需的各种程序和数据。CPU801、ROM802以及RAM803通过总线804彼此相连。输入/输出(I/O)接口805也连接至总线804。
以下部件连接至I/O接口805：包括键盘、鼠标等的输入部分806；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分807；包括硬盘等的存储部分808；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分809。通信部分809经由诸如因特网的网络执行通信处理。驱动器810也根据需要连接至I/O接口805。可拆卸介质811，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器810上，以便于从其上读出的计算机程序根据需要被安装入存储部分808。
特别地，根据本公开实施例，上文描述的方法可以被实现为计算机软件程序。例如，本公开实施例包括一种计算机程序产品，其包括有形地包含在其可读介质上的计算机程序，所述计算机程序包含用于执行上述数据管理和/或访问方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分809从网络上被下载和安装，和/或从可拆卸介质811被安装。
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，路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，所述模块、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。
描述于本公开实施例中所涉及到的单元或模块可以通过软件的方式实现，也可以通过可编程硬件的方式来实现。所描述的单元或模块也可以设置在处理器中，这些单元或模块的名称在某种情况下并不构成对该单元或模块本身的限定。
作为另一方面，本公开还提供了一种可读存储介质，该可读存储介质可以是上述实施例中电子设备或计算机系统中所包含的可读存储介质；也可以是单独存在，未装配入设备中的可读存储介质。可读存储介质存储有一个或者一个以上程序，所述程序被一个或者一个以上的处理器用来执行描述于本公开的方法。
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域开发人员应当理解，本公开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所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 (10)

1.一种车道线的检测方法，其特征在于，包括：
获取道路图像中一个或多个像素点集；
基于所述像素点集，通过最小二乘法确定所述像素点集的拟合曲线线段；
通过聚类方法，确定所述拟合曲线线段对应的类别；
根据所述类别，确定所述道路图像中的车道线。
2.根据权利要求1所述的方法，其特征在于，所述通过聚类方法，确定所述拟合曲线线段对应的类别，包括：
提取所述拟合曲线线段的至少一个特征点；
以第一拟合曲线线段的第一特征点为聚类中心，确定聚类区域，其中，所述第一拟合曲线线段为任意一个所述像素点集对应的拟合曲线线段，所述第一特征点为所述第一拟合曲线线段的至少一个特征点中的任意一个；
确定所述聚类区域中的未分类特征点数，其中，所述未分类特征点为任意一个未确定类别的拟合曲线线段对应的特征点；
当所述未分类特征点数满足聚类条件时，确定所述未分类特征点数对应的拟合曲线线段的类别为所述第一拟合曲线线段对应的第一类别。
3.根据权利要求2所述的方法，其特征在于，所述当所述未分类特征点数满足聚类条件时，确定所述未分类特征点数对应的拟合曲线线段的类别为所述第一拟合曲线线段对应的第一类别，包括：
当所述未分类特征点数满足聚类条件时，确定所述未分类特征点数对应的拟合曲线线段的类别为所述第一拟合曲线线段对应的第一类别；
根据在所述聚类区域中属于所述第一类别的拟合曲线线段的特征点，更新所述聚类中心，并基于更新后的所述聚类中心，重新确定聚类区域以及所述聚类区域中的未分类特征点数，以确定满足所述聚类条件的未分类特征点数对应的拟合曲线线段的类别为所述第一类别，直至所述聚类区域中的所述未分类特征点数不满足所述聚类条件。
4.根据权利要求2或3所述的方法，其特征在于，所述通过聚类方法，确定所述拟合曲线线段对应的类别，还包括：
当所述未分类特征点数不满足所述聚类条件时，依次以第一拟合曲线线段的剩余特征点为聚类中心，重新确定所述聚类区域以及所述聚类区域中的未分类特征点数，直至所述聚类区域中的所述未分类特征点数满足所述聚类条件，或者所述第一拟合曲线线段没有剩余特征点。
5.根据权利要求1所述的方法，其特征在于，所述根据所述类别，确定所述道路图像中的车道线，包括：
通过插值方法，将属于同一类别的拟合曲线线段连接为光滑曲线；
确定所述光滑曲线为所述道路图像中的车道线。
6.一种车道线的检测装置，其特征在于，包括：
获取模块，被配置为获取道路图像中一个或多个像素点集；
拟合模块，被配置为基于所述像素点集，通过最小二乘法确定所述像素点集的拟合曲线线段；
聚类模块，被配置为通过聚类方法，确定所述拟合曲线线段对应的类别；
确定模块，被配置为根据所述类别，确定所述道路图像中的车道线。
7.根据权利要求6所述的装置，其特征在于，所述通过聚类方法，确定所述拟合曲线线段对应的类别，包括：
提取所述拟合曲线线段的至少一个特征点；
以第一拟合曲线线段的第一特征点为聚类中心，确定聚类区域，其中，所述第一拟合曲线线段为任意一个所述像素点集对应的拟合曲线线段，所述第一特征点为所述第一拟合曲线线段的至少一个特征点中的任意一个；
确定所述聚类区域中的未分类特征点数，其中，所述未分类特征点为任意一个未确定类别的拟合曲线线段对应的特征点；
当所述未分类特征点数满足聚类条件时，确定所述未分类特征点数对应的拟合曲线线段的类别为所述第一拟合曲线线段对应的第一类别。
8.根据权利要求7所述的装置，其特征在于，所述当所述未分类特征点数满足聚类条件时，确定所述未分类特征点数对应的拟合曲线线段的类别为所述第一拟合曲线线段对应的第一类别，包括：
当所述未分类特征点数满足聚类条件时，确定所述未分类特征点数对应的拟合曲线线段的类别为所述第一拟合曲线线段对应的第一类别；
根据在所述聚类区域中属于所述第一类别的拟合曲线线段的特征点，更新所述聚类中心，并基于更新后的所述聚类中心，重新确定聚类区域以及所述聚类区域中的未分类特征点数，以确定满足所述聚类条件的未分类特征点数对应的拟合曲线线段的类别为所述第一类别，直至所述聚类区域中的所述未分类特征点数不满足所述聚类条件。
9.一种电子设备，其特征在于，包括存储器和处理器；其中，所述存储器用于存储一条或多条计算机指令，其中，所述一条或多条计算机指令被所述处理器执行以实现权利要求1-5任一项所述的方法步骤。
10.一种可读存储介质，其上存储有计算机指令，其特征在于，该计算机指令被处理器执行时实现权利要求1-5任一项所述的方法步骤。
CN201911122374.XA 2019-11-15 2019-11-15 车道线的检测方法、装置、电子设备及可读存储介质 Pending CN111222405A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911122374.XA CN111222405A (zh) 2019-11-15 2019-11-15 车道线的检测方法、装置、电子设备及可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911122374.XA CN111222405A (zh) 2019-11-15 2019-11-15 车道线的检测方法、装置、电子设备及可读存储介质

Publications (1)

Publication Number Publication Date
CN111222405A true CN111222405A (zh) 2020-06-02

Family

ID=70827664

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911122374.XA Pending CN111222405A (zh) 2019-11-15 2019-11-15 车道线的检测方法、装置、电子设备及可读存储介质

Country Status (1)

Country Link
CN (1) CN111222405A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112733078A (zh) * 2020-12-29 2021-04-30 武汉中海庭数据技术有限公司 众包数据的多道路片段间的多线间的平滑连接方法与装置
CN113034586A (zh) * 2021-04-27 2021-06-25 北京邮电大学 道路倾角检测方法和检测系统
CN113449647A (zh) * 2021-06-30 2021-09-28 北京纵目安驰智能科技有限公司 弯曲车道线的拟合方法、系统、设备及计算机可读存储介质
CN114842448A (zh) * 2022-05-11 2022-08-02 禾多科技（北京）有限公司 三维车道线生成方法、装置、电子设备和计算机可读介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150235090A1 (en) * 2014-02-14 2015-08-20 Denso Corporation Lane-line recognition apparatus
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
CN110096566A (zh) * 2019-06-18 2019-08-06 武汉中海庭数据技术有限公司 一种生成地图车道线的聚类参数的确定方法及系统
CN110163109A (zh) * 2019-04-23 2019-08-23 浙江大华技术股份有限公司 一种车道线标注方法及装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150235090A1 (en) * 2014-02-14 2015-08-20 Denso Corporation Lane-line recognition apparatus
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
CN110163109A (zh) * 2019-04-23 2019-08-23 浙江大华技术股份有限公司 一种车道线标注方法及装置
CN110096566A (zh) * 2019-06-18 2019-08-06 武汉中海庭数据技术有限公司 一种生成地图车道线的聚类参数的确定方法及系统

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112733078A (zh) * 2020-12-29 2021-04-30 武汉中海庭数据技术有限公司 众包数据的多道路片段间的多线间的平滑连接方法与装置
CN112733078B (zh) * 2020-12-29 2023-10-10 武汉中海庭数据技术有限公司 众包数据的多道路片段间的多线间的平滑连接方法与装置
CN113034586A (zh) * 2021-04-27 2021-06-25 北京邮电大学 道路倾角检测方法和检测系统
CN113034586B (zh) * 2021-04-27 2022-09-23 北京邮电大学 道路倾角检测方法和检测系统
CN113449647A (zh) * 2021-06-30 2021-09-28 北京纵目安驰智能科技有限公司 弯曲车道线的拟合方法、系统、设备及计算机可读存储介质
CN114842448A (zh) * 2022-05-11 2022-08-02 禾多科技（北京）有限公司 三维车道线生成方法、装置、电子设备和计算机可读介质

Similar Documents

Publication Publication Date Title
CN111222405A (zh) 车道线的检测方法、装置、电子设备及可读存储介质
CN109740469B (zh) 车道线检测方法、装置、计算机设备和存储介质
EP3806064B1 (en) Method and apparatus for detecting parking space usage condition, electronic device, and storage medium
JP6347815B2 (ja) 車線境界を検出する方法、装置、およびデバイス
WO2020103893A1 (zh) 车道线属性检测方法、装置、电子设备及可读存储介质
WO2013186662A1 (en) Multi-cue object detection and analysis
CN109284801B (zh) 交通指示灯的状态识别方法、装置、电子设备及存储介质
JP2013123221A (ja) 道路分割体検知方法及び装置
CN112249009B (zh) 车速控制方法、装置、系统及电子设备
CN112818792A (zh) 车道线检测方法、装置、电子设备及计算机存储介质
CN113888860A (zh) 车辆异常行驶的检测方法、装置、服务器及可读存储介质
CN111160183A (zh) 一种车辆闯红灯检测方法及装置
Kim et al. Automated decision making in road traffic monitoring by on-board unmanned aerial vehicle system
CN115393827A (zh) 交通信号灯状态识别方法、系统、电子设备及存储介质
CN115526837A (zh) 一种异常行车检测方法、装置、电子设备以及介质
CN115019511A (zh) 基于自动驾驶车辆的识别机动车违规变道的方法和装置
CN115019263A (zh) 交通监管模型的建立方法、交通监管系统及方法
JP6665522B2 (ja) 情報処理装置、情報処理システム、および情報処理プログラム
CN113902999A (zh) 一种跟踪方法、装置、设备及介质
CN113657316A (zh) 移动交通违章监测方法、系统、电子设备及存储介质
CN109409247B (zh) 交通标志识别方法和装置
CN113435350A (zh) 一种交通标线检测方法、装置、设备和介质
CN111639640A (zh) 基于人工智能的车牌识别方法、装置及设备
CN115240406B (zh) 道路拥堵的管理方法、装置、计算机可读介质及电子设备
CN111382736A (zh) 车牌图像的获取方法和装置

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