CN111247525A - 一种车道检测方法、装置及车道检测设备、移动平台 - Google Patents
一种车道检测方法、装置及车道检测设备、移动平台 Download PDFInfo
- Publication number
- CN111247525A CN111247525A CN201980005030.2A CN201980005030A CN111247525A CN 111247525 A CN111247525 A CN 111247525A CN 201980005030 A CN201980005030 A CN 201980005030A CN 111247525 A CN111247525 A CN 111247525A
- Authority
- CN
- China
- Prior art keywords
- parameter
- lane
- detection
- parameters
- reliability
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 368
- 230000000007 visual effect Effects 0.000 claims abstract description 96
- 230000004927 fusion Effects 0.000 claims abstract description 55
- 238000012545 processing Methods 0.000 claims abstract description 54
- 238000004458 analytical method Methods 0.000 claims abstract description 50
- 238000000034 method Methods 0.000 claims abstract description 28
- 238000011179 visual inspection Methods 0.000 claims description 13
- 238000012216 screening Methods 0.000 claims description 5
- 238000004422 calculation algorithm Methods 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000007500 overflow downdraw method Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/86—Combinations of radar systems with non-radar systems, e.g. sonar, direction finder
- G01S13/867—Combination of radar systems with cameras
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
- B60W40/02—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to ambient conditions
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/02—Systems using reflection of radio waves, e.g. primary radar systems; Analogous systems
- G01S13/06—Systems determining position data of a target
- G01S13/42—Simultaneous measurement of distance and other co-ordinates
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/02—Systems using reflection of radio waves, e.g. primary radar systems; Analogous systems
- G01S13/50—Systems of measurement based on relative movement of target
- G01S13/52—Discriminating between fixed and moving objects or between objects moving at different speeds
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/86—Combinations of radar systems with non-radar systems, e.g. sonar, direction finder
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
- G01S13/93—Radar or analogous systems specially adapted for specific applications for anti-collision purposes
- G01S13/931—Radar or analogous systems specially adapted for specific applications for anti-collision purposes of land vehicles
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
- G01S7/411—Identification of targets based on measurements of radar reflectivity
- G01S7/412—Identification of targets based on measurements of radar reflectivity based on a comparison between measured values and known or stored values
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- G06F18/25—Fusion techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/251—Fusion techniques of input or preprocessed data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/768—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using context analysis, e.g. recognition aided by known co-occurring patterns
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
- G06V30/19—Recognition using electronic means
- G06V30/191—Design or setup of recognition systems or techniques; Extraction of features in feature space; Clustering techniques; Blind source separation
- G06V30/1918—Fusion techniques, i.e. combining data from various sources, e.g. sensor fusion
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N1/00—Scanning, transmission or reproduction of documents or the like, e.g. facsimile transmission; Details thereof
- H04N1/46—Colour picture communication systems
- H04N1/56—Processing of colour picture signals
- H04N1/60—Colour correction or control
- H04N1/6016—Conversion to subtractive colour signals
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2420/00—Indexing codes relating to the type of sensors based on the principle of their operation
- B60W2420/40—Photo, light or radio wave sensitive means, e.g. infrared sensors
- B60W2420/408—Radar; Laser, e.g. lidar
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2552/00—Input parameters relating to infrastructure
- B60W2552/53—Road markings, e.g. lane marker or crosswalk
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
- B60W30/10—Path keeping
- B60W30/12—Lane keeping
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W60/00—Drive control systems specially adapted for autonomous road vehicles
- B60W60/001—Planning or execution of driving tasks
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/02—Systems using reflection of radio waves, e.g. primary radar systems; Analogous systems
- G01S13/50—Systems of measurement based on relative movement of target
- G01S13/58—Velocity or trajectory determination systems; Sense-of-movement determination systems
- G01S13/60—Velocity or trajectory determination systems; Sense-of-movement determination systems wherein the transmitter and receiver are mounted on the moving object, e.g. for determining ground speed, drift angle, ground track
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computer Networks & Wireless Communication (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Electromagnetism (AREA)
- Signal Processing (AREA)
- Automation & Control Theory (AREA)
- Mathematical Physics (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Traffic Control Systems (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
一种车道检测方法、装置及车道检测设备、移动平台,方法包括:调用设置在移动平台上的视觉传感器(10)进行检测得到视觉检测数据,并基于所述视觉检测数据进行车道线分析处理,得到车道线参数(S201);调用设置在移动平台上的雷达传感器(11)进行检测得到雷达检测数据,并基于雷达检测数据进行边界线分析处理,得到边界线参数(S202);根据车道线参数和边界线参数进行数据融合,得到车道检测参数(S203)。车道检测方法可更好地满足一些特殊情况下的车道检测需求。
Description
本专利文件披露的内容包含受版权保护的材料。该版权为版权所有人所有。版权所有人不反对任何人复制专利与商标局的官方记录和档案中所存在的该专利文件或该专利披露。
技术领域
本发明实施例涉及控制技术领域,尤其涉及一种车道检测方法、装置及车道检测设备、移动平台。
背景技术
随着无人驾驶行业的深入发展,辅助驾驶和自动驾驶都成为当下的研究热点,而在辅助驾驶和自动驾驶领域,对车道的检测和识别对于实现无人驾驶都是至关重要的。
当前的车道检测方法主要是通过视觉传感器捕捉环境图像,从而可采用图像处理技术对该环境图像进行识别,而实现对车道的检测,但是视觉传感器受环境的影响较大,在光照不足或者雨雪天气的情况下,视觉传感器采集的图像效果不佳,就会明显降低视觉传感器的车道检测效果,可见,采用当前的车道检测方法,并不能完成一些特殊情况下的车道检测需求。
发明内容
本发明实施例提供了一种车道检测方法、装置及车道检测设备、移动平台,可更好地完成车道检测,满足一些特殊情况下的车道检测需求。
一方面,本发明实施例提供了一种车道检测方法,该方法包括:
调用设置在移动平台上的视觉传感器进行检测得到视觉检测数据,并基于所述视觉检测数据进行车道线分析处理,得到车道线参数;
调用设置在所述移动平台上的雷达传感器进行检测得到雷达检测数据,并基于所述雷达检测数据进行边界线分析处理,得到边界线参数;
根据所述车道线参数和所述边界线参数进行数据融合,得到车道检测参数。
另一方面,本发明实施例提供了一种车道检测装置,该装置包括:
检测单元,用于调用设置在移动平台上的视觉传感器进行检测得到视觉检测数据;
分析单元,用于基于所述视觉检测数据进行车道线分析处理,得到车道线参数;
所述检测单元,还用于调用设置在所述移动平台上的雷达传感器进行检测得到雷达检测数据;
所述分析单元,还用于基于所述雷达检测数据进行边界线分析处理,得到边界线参数;
确定单元,用于根据所述车道线参数和所述边界线参数进行数据融合,得到车道检测参数。
再一方面,本发明实施例提供了一种车道检测设备,应用于移动平台,其特征在于,所述车道检测设备包括存储器、处理器、第一接口和第二接口,所述第一接口的一端与外部的视觉传感器相连,所述第一接口的另一端与所述处理器相连,所述第二接口的一端与外部的雷达传感器相连,所述第二接口的另一端与所述处理器相连;
所述存储器用于存储程序代码;
所述处理器,调用所述存储器中存储的程序代码,用于:
通过所述第一接口调用设置在移动平台上的视觉传感器进行检测得到视觉检测数据,并基于所述视觉检测数据进行车道线分析处理,得到车道线参数;
通过所述第二接口调用设置在所述移动平台上的雷达传感器进行检测得到雷达检测数据,并基于所述雷达检测数据进行边界线分析处理,得到边界线参数;
根据所述车道线参数和所述边界线参数进行数据融合,得到车道检测参数。
再一方面,本发明实施例提供了一种移动平台,包括:
动力系统,用于为所述移动平台提供动力;
以及如第三方面中所述的车道检测设备。
在本发明实施例中,移动平台可先调用设置在移动平台上的视觉传感器进行检测得到视觉检测数据,并基于该视觉检测数据进行车道线分析处理,从而得到包括车道线曲线的第一参数以及对应的第一可信度的车道线参数,同时,还可调用雷达传感器进行检测得到雷达检测数据,从而可基于该雷达检测数据进行边界线分析处理,从而得到包括边界线曲线的第二参数以及对应的第二可信度的边界线参数,以使得该移动平台可基于该车道线参数和该边界线参数进行数据融合,得到车道检测参数,并基于该车道检测参数生成对应的车道线,可有效地满足一些特殊情况下的车道检测需求。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例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为本发明实施例提供的一种车道检测系统的示意性框图;
图2为本发明实施例提供的一种车道检测方法的流程图;
图3a为本发明实施例提供的一种确定下部矩形图像的示意图;
图3b为本发明实施例提供的一种基于如图3a所示的下部矩形图像得到的灰度图像的示意图;
图3c为本发明实施例提供的一种基于图3b所示的灰度图像得到的离散图像的示意图;
图3d为本发明实施例提供的一种基于图3c所示的离散图像得到的去噪图像的示意图;
图4为本发明实施例提供的一种移动平台的车身坐标系的示意图;
图5为本发明实施例提供的一种数据融合方法的示意流程图;
图6为本发明另一实施例提供的一种车道检测方法的流程图;
图7为本发明实施例提供的一种车道检测装置的示意性框图;
图8为本发明实施例提供的一种车道检测设备的示意性框图。
具体实施方式
移动平台如无人驾驶汽车可基于视觉传感器抓取的视频帧图像,并结合图像检测处理技术进行车道检测,并从抓取的视频帧图像中确定出车道线的位置,所述移动平台可先从所述视觉传感器抓取的视频帧图像中确定出所述图像的下部矩形区域,并可将所述下部矩形区域转换为灰度图,在对该灰度图进行二值化处理以及去噪处理后,可基于霍夫变换进行二次曲线检测,从而可识别出近距离的车道线,在调用视觉传感器进行远距离车道线检测时。由于视觉传感器抓取的视频帧图像中对于远距离的物体分辨率不佳,使得视觉传感器不能抓取到远距离的视频帧图像,从而无法实现对远距离的车道线进行有效识别。
雷达传感器可发射电磁波信号,并接收反馈的电磁波信号,在所述雷达传感器发射出电磁波信号后,如果所述电磁波信号遇到障碍物,如道路两旁的栅栏以及汽车等会反射,以使得所述雷达传感器接收到反馈电磁波信号,雷达传感器接收到所述反馈信号后,移动平台可基于所述雷达传感器接收到的反馈信号的速度,可确定出属于道路边界栅栏的信号点,从而可进行聚类计算,确定属于各边的信号点,以分析出道路边界。
移动平台基于雷达传感器接收到的反馈电磁信号进行道路边界拟合确定出道路边界线的方法,不仅适用于对近距离道路边界的拟合,也适用于对远距离道路边界的拟合,因此,本发明实施例提出了一种将雷达传感器(如毫米波雷达)和视觉传感器进行结合检测的方法,可有效利用视觉传感器和雷达传感器在进行检测时的优点,从而得到较高精度的车道检测结果,有效地满足一些特殊情况下(比如一些雨雪天气对视觉传感器产生了干扰的情况下)的车道检测需求,从而提升辅助驾驶系统中车道检测的性能和稳定性。
本发明实施例提出的车道检测方法可应用于如图1所示的一种车道检测系统,该系统包括视觉传感器10、雷达传感器11和数据融合模块12。视觉传感器10采集环境图像,以使得移动平台可基于该环境图像进行车道检测得到视觉检测数据;雷达传感器11采集点群数据,以使得移动平台可基于该点群数据进行车道检测得到雷达检测数据,数据融合模块12在获取到该视觉检测数据和该雷达检测数据后,进行数据融合得到最终的车道检测结果,该车道检测结果可直接输出,也可反馈给该视觉传感器10和/或该雷达传感器11,反馈到该视觉传感器10以及该雷达传感器11的数据可作为下一次车道检测结果的修正依据。
请参见图2,是本发明实施例提出的一种车道检测方法的示意流程图,该车道检测方法可由移动平台执行,具体可由该移动平台的处理器执行,该移动平台包括无人驾驶汽车(无人车),如图2所示,该方法可包括:
S201,调用设置在移动平台上的视觉传感器进行检测得到视觉检测数据,并基于所述视觉检测数据进行车道线分析处理,得到车道线参数。
由于车道两侧地面一般绘有颜色与道路颜色差异较大的车道线,因此,视觉传感器可通过采集移动平台(如无人车)前方的环境图像,以使得移动平台可基于所述视觉传感器采集的前方的环境图像,并结合图像处理技术从该采集的环境图像中确定出车道线的位置,从而得到视觉检测数据。
移动平台在调用视觉传感器进行车道检测时,可先调用视觉传感器抓取视频帧为图片,在一个实施例中,所述视觉传感器抓取的视频帧图片可如图3a所示,在得到所述视频帧图片后,可确定出该视频帧图片中的有效识别区域,即确定出图像下部矩形区域,其中,得到的图像下部矩形区域为图3a中虚线以下所标识的301区域。该图像下部矩形就是道路所在的区域,该道路所在的区域包括车道线位置,如图3a中3031和3032标记的位置,所述移动平台可基于所述车道线语义信息或图像特征进行图像识别,从而确定出车道线曲线,作为无人驾驶汽车等移动平台的辅助驾驶参考。此外,该道路所在的区域还包括如图302所示的栅栏等边界障碍物,可移动平台可基于雷达传感器接收到的反馈电磁波信号对所述栅栏等边界障碍物302进行检测,从而确定出车道边界曲线。
在一个实施例中,可基于上一次得到的所述车道边界曲线的参数以及所述车道线曲线的参数,即根据上一帧视频帧图像得到的车道边界曲线的参数以及车道线曲线的参数,可实现对根据当前帧确定的车道边界曲线以及车道线曲线的修正。
为了对该有效识别区域进行分析,可将得到的如图3a中301区域标识的图像下部矩形区域转换为灰度图像,假设转换后的灰度图像如图3b所示,在得到该灰度图像后,可采用自适应阈值进行灰度图二值化,得到针对该灰度图的离散图像,针对如图3b所示的灰度图的离散图像如图3c所示,进一步地,可对该离散图像进行滤波处理,以去掉离散图像的噪声,去噪后的离散图像可如图3d所示。
在一个实施例中,可基于傅里叶变换将高频噪声点和低频噪声点去除,同时可基于滤波器将离散图像中的无效点去除,其中,该无效点是指离散图像中不清晰的点或者该离散图像中的杂点。
在得到如图3d所示的去噪离散图像后,可基于霍夫(Hough)变换进行二次曲线检测,以识别出该去噪图像中车道的位置(即车道线),在一个实施例中,可将去噪图像中车道的位置处的离散点作为视觉传感器进行车道检测后得到的视觉检测数据,从而可基于该视觉检测数据进行车道线分析处理,得到车道线曲线以及对应的第一可信度。因此,基于视觉检测数据进行车道线分析处理后得到的车道线参数包括:基于去噪图像中位于车道线位置的离散点拟合得到的车道线曲线的第一参数以及该第一可信度。其中,该车道线曲线可用二次曲线x1=a1y2+b1y+c1表示,该第一可信度可用p1表示,由此,基于视觉检测数据进行车道线分析处理得到的车道线参数包括a1、b1、c1和p1。
在一个实施例中,该第一可信度是基于该车道线曲线和用于确定该曲线的离散点的分布情况决定的,当该离散点分布在该车道线曲线附近时,该第一可信度较高,对应的该第一可信度值较大;在该离散点散乱分布在该车道线曲线时,该第一可信度较低,对应的该第一可信度值较小。
在另一实施例中,该第一可信度还可基于抓取的上一帧视频图像帧得到的车道线曲线,以及由抓取的当前视频图像帧得到的车道线曲线确定,由于上一帧和当前帧时间间隔较短,因此由上一帧视频图像帧以及当期帧视频图像帧确定出的车道线曲线的位置相差不会太远,如果由上一帧视频图像帧以及当期帧视频图像帧确定出的车道线曲线的差别过大,则说明该第一可信度较低,对应的第一可信度的值也就较小。
S202,调用设置在所述移动平台上的雷达传感器进行检测得到雷达检测数据,并基于所述雷达检测数据进行边界线分析处理,得到边界线参数。
雷达传感器可通过发射电磁波并接收反馈的电磁波,以探测移动平台附近的障碍物电磁波反射点,所述可移动平台则可利用所述雷达传感器接收到的反馈电磁波,并使用聚类以及拟合等数据处理方法确定位于该移动平台两侧的边界线,该边界线对应于车道线外侧的金属栅栏或者墙体等,其中,该雷达传感器例如可以是毫米波雷达。
移动平台在调用雷达传感器进行车道检测时,可先获取所述雷达传感器接收的返回的电磁波信号作为原始目标点群,并从该原始目标点群中筛选出静止点,从而可基于该静止点进行聚类运算,筛选出车道两个边界分别对应的有效边界点群,进一步地,可使用多项式进行边界拟合,得到边界线曲线以及对应的第二可信度。在一个实施例中,可采用二次曲线x2=a2y2+b2y+c2表示该边界线曲线,用p2表示该第二可信度。
在一个实施例中,雷达传感器可基于该目标点群中各目标点的运动速度,筛选出静止点,并可基于该目标点群中各点之前的距离进行聚类运算,从而筛选出该车道两个边界分别对应的有效边界点群。
需要说明的是,移动平台在基于视觉检测数据拟合得到车道线曲线以及在基于雷达检测数据拟合得到边界线曲线时,均是在该移动平台对应的坐标系下进行的。基于该移动平台车身的坐标系可如图4所示,拟合得到的车道线曲线可用图中的虚曲线进行表示,拟合得到的边界线曲线可用图中的实曲线进行表示。
S203,根据所述车道线参数和所述边界线参数进行数据融合,得到车道检测参数。
在基于该车道线参数和该边界线参数进行数据融合时,可先将所述车道线参数包括的第一可信度p1、该边界线参数包括的第二可信度p2进行对比和预设的可信度阈值p进行对比,并基于不同的对比结果,确定对应的车道检测结果。如图5所示,如果p1>p且p2<p,说明该车道线参数包括的第一参数的可信度较高,而该边界线参数包括的第二参数的可信度较低,因此,可直接将所述第一参数确定为车道检测参数,并输出基于该车道检测参数的车道检测结果。
在一个实施例中,如果p1<p且p2>p,说明该车道线参数包括的第一参数的可信度较低,而该边界线参数包括的第二参数的可信度较高,因此,可基于该第二参数确定出车道检测参数。其中,由于第二参数为边界线曲线对应的参数,基于车道中边界曲线和车道曲线的关系可知,边界曲线向内偏移一定距离得到的曲线就是车道曲线,所以,在确定第二参数后,可确定内偏移参数,从而可根据该第二参数和该内偏移参数确定出该车道检测结果,其中,该内偏移参数可用d表示。
在一个实施例中,如果p1>p且p2>p,说明该车道线参数包括的第一参数以及该边界线参数包括的第二参数的可信度都很高,则可按照预设的数据融合规则,将所述第一参数和所述第二参数进行数据融合。
基于车道边界曲线和车道曲线的平行关系,如果基于该视觉传感器检测得到的视觉检测数据确定的车道线曲线的第一参数,以及基于该雷达传感器检测得到的雷达检测数据确定的边界线曲线的第二拟合参数完全正确,应该具备的关系包括:a1=a2,b1=b2,c1=c2-d,在一个实施例中,d表示内偏移参数。在将该第一参数(包括:a1、b1、c1)和该第二参数(包括:a2、b2、c2)进行数据融合之前,可先判断该车道线曲线和该边界线曲线的平行度,以确定两条曲线的平行偏差值:
在确定该平行偏差值后,可将该平行偏差值和预设的平行偏差阈值ε1进行对比,并基于该对比结果,对该第一参数和该第二参数进行数据融合,从而得到车道检测参数。
在一个实施例中,在移动平台得到车道检测参数后,可基于该车道检测参数生成对应的目标车道曲线,并将该目标车道曲线输出。
在本发明实施例中,移动平台可调用设置在移动平台上的视觉传感器进行车道检测得到视觉检测数据,并基于该视觉检测数据进行车道线分析处理,从而得到包括车道线曲线的第一参数以及对应的第一可信度的车道线参数,同时,还可调用雷达传感器进行车道检测得到雷达检测数据,从而可基于该雷达检测数据进行边界线分析处理,从而得到包括边界线曲线的第二参数以及对应的第二可信度的边界线参数,以使得该移动平台可基于该车道线参数和该边界线参数进行数据融合,得到车道检测参数,并基于该车道检测参数生成对应的车道线,可有效地满足一些特殊情况下的车道检测需求。可以理解的是,移动平台调用视觉传感器和调用雷达传感器的顺序并不作限制,前述的步骤S201及步骤S202可以先后进行,可以同时进行,也可以调转顺序进行。
在一个实施例中,为了对车道线参数和所述边界线参数进行数据融合得到车道检测参数的实施方式进行具体阐述,可参见图6,是本发明另一实施例提出的一种车道检测方法的示意流程图,该车道检测方法也可由移动平台执行,具体可由该移动平台的处理器执行,该移动平台包括无人驾驶汽车(无人车),如图6所示,该方法可包括:
S601,调用设置在移动平台上的视觉传感器进行检测得到视觉检测数据,并基于所述视觉检测数据进行车道线分析处理,得到车道线参数。
在一个实施例中,移动平台调用视觉传感器进行车道检测得到视觉检测数据时,可先调用视觉传感器采集初始图像,并从所述初始图像中确定出用于进行车道检测的目标图像区域,其中,该视觉传感器采集的初始图像包括上述提及的视频帧图像,所述目标图像区域包括上述提及的视频帧图像的下部矩形区域。
在确定该目标图像区域后,所述移动平台可将该目标图像区域转换为灰度图像,并可基于所述灰度图像确定视觉检测数据,在一个实施例中,该移动平台在将该目标图像转换为灰度图像后,可先对所述灰度图像进行二值化处理,以得到和该灰度图像对应的离散图像,并在对该离散图像去噪后,将该去噪图像中车道线对应的离散点作为所述视觉检测数据。
在另一实施例中,移动平台在调用视觉传感器进行车道检测得到视觉检测数据时,还可先调用设置在所述移动平台上的视觉传感器采集初始图像,从而可采用预设的图像识别模型对所述初始图像进行识别,其中,所述预设的图像识别模型例如可以是卷积神经网络(CNN)模型,在采用预设的图像识别模型对所述初始图像进行识别时,可确定该初始图像中的各像素点属于车道线对应图像区域的概率,从而可将所述各像素点分别对应的概率与预设的概率阈值进行对比,并将大于或等于所述概率阈值的像素点作为属于车道线的像素点,即可基于所述预设的图像识别模型从所述初始图像中确定出车道线所属的图像区域,进一步地,可根据对所述初始图像的识别结果,确定关于车道线的视觉检测数据。
在移动平台确定视觉检测数据后,为了基于该视觉检测数据得到车道线参数,可先基于所述视觉检测数据确定车道线,并基于所述视觉检测数据对所述车道线进行分析处理,得到车道线曲线的第一参数,并在确定所述车道线曲线的第一可信度后,将所述车道线曲线的第一参数和所述第一可信度确定为车道线参数。
S602,调用设置在所述移动平台上的雷达传感器进行检测得到雷达检测数据,并基于所述雷达检测数据进行边界线分析处理,得到边界线参数。
在一个实施例中,移动平台可先调用雷达传感器采集原始目标点群,并对所述原始目标点群进行聚类运算,筛选出有效边界点群,其中,筛选出的所述有效边界点群用于确定出边界线,从而可将所述有效边界点群作为雷达检测数据。
在所述移动平台确定出雷达检测数据后,为了进一步基于所述雷达检测数据确定出边界线参数,所述移动平台可先基于所述雷达检测数据进行边界线分析处理,得到边界线曲线的第二参数,并在确定针对所述边界线曲线的第二可信度后,将所述边界线拟线的第二参数和所述第二可信度确定为边界线曲线。
S603,将所述车道线参数中的第一可信度和可信度阈值进行对比得到第一对比结果,并将所述边界线参数中的第二可信度和所述可信度阈值进行对比得到第二对比结果。
S604,根据所述第一对比结果和所述第二对比结果,对所述车道线参数中的第一参数和所述边界线参数中的第二参数进行数据融合,得到车道检测参数。
其中,步骤S603和步骤S604是对上述实施例中步骤S203的具体细化,如果第一对比结果指示该第一可信度大于所述可信度阈值,且所述第二对比结果指示所述第二可信度大于所述可信度阈值,如果用p1表示所述第一可信度,p2表示所述第二可信度,p表示所述可信度阈值,即在p1>p,且p2>p时,说明拟合得到的边界线曲线和该车道线曲线的可信度较高,也可说明得到的车道线曲线的第一参数和该边界线曲线的第二参数的可信度较高,则基于所述车道线参数中的第一参数和所述边界线参数中的第二参数进行数据融合,得到车道检测参数。
在一个实施例中,可基于式2.1确定车道线曲线和边界线曲线的平行偏差值Δ1,并将平行偏差值Δ1和预设的平行偏差阈值ε1进行对比,如果Δ1<ε1,则基于所述第一可信度p1和所述第二可信度p2,将第一参数(包括:a1、b1、c1)和该第二参数(包括:a2、b2、c2)融合为车道检测参数。具体地,移动平台可先根据第一可信度p1和第二可信度p2,查找得到针对所述第一参数在融合为车道检测参数时的第一权重值,以及针对所述第二参数在融合为所述车道检测参数时的第二权重值。
其中,该第一权重值具体包括子权重值α1,β1和θ1,该第二权重值具体包括子权重值α2,β2和θ2,该移动平台预先建立有基于第一可信度p1和第二可信度p2建立的用于查询α1和α2的表1,还预先建立有基于第一可信度p1和第二可信度p2建立的用于查询β1和β2的表2,以及建立有基于第一可信度p1和第二可信度p2建立的用于查询θ1和θ2的表3,以使得移动平台可基于所述第一可信度p1和第二可信度p2查询表1确定出α1和α2;基于所述第一可信度p1和第二可信度p2查询表2确定出β1和β2;基于所述第一可信度p1和第二可信度p2查询表3确定出θ1和θ2。
如果用g1,g2和g3分别标识表1,表2以及表3,则有:
α1=g1(p1,p2);
β1=g2(p1,p2);
θ1=g3(p1,p2);
对应的α2=1-α1,β2=1-β1,θ2=1-θ1。
在确定出所述第一权重值α1,β1和θ1,第一参数a1、b1、c1,第二权重值α2,β2和θ2以及第二参数a2、b2、c2后,可基于上述参数进行数据融合,得到车道检测参数,例如假设车道检测参数包括a3、b3、c3,则在进行数据融合时,可令:
a3=α1*a1+α2*a2;
b3=β1*b1+β2*b2;
c3=θ1*c1+θ2*(c2-d)。
从而可将a1、b1以及c1和a2、b2以及c2进行数据融合,得到车道检测参数包括a3、b3、c3。其中,d为上述的内偏移参数,d的取值一般为30厘米。
在一个实施例中,权重值越大表示对应传感器的可信度越高,表1,表2和表3中的权重值参数是基于已知的可信度数据预先确定的,d可以是预先设定的固定值,也可以是基于两个视频帧图像结果确定的边界线曲线和车道线曲线的拟合结果进行动态调整的。具体地,如果基于两个视帧图像进行车道检测后得到的边界线曲线和车道线曲线确定的内偏移参数不同,则对该内偏移参数d进行调整。
在一个实施例中,移动平台在确定车道检测参数后,可基于得到的车道检测参数生成目标车道线,该目标车道线可用xfinal=a2y2+b2y+c3进行表示。
在另一实施例中,如果将平行偏差值Δ1和所述预设偏差阈值ε1进行对比,确定所述平行偏差值Δ1大于或等于所述预设偏差阈值ε1。即在Δ1≥ε1时,可先基于该第一可信度p1和该第二可信度p2,将所述第一参数a1、b1、c1和该第二参数a2、b2、c2分别融合为第一车道检测参数和第二车道检测参数,其中,所述第一车道检测参数与第一环境区域对应,所述第一环境区域是指:与所述移动平台之间的距离小于预设距离阈值的区域;所述第二车道检测参数与第二环境区域对应,所述第二环境区域是指:与所述移动平台之间的距离大于或等于所述预设距离阈值的区域。
在Δ1≥ε1时,说明车道线曲线和边界线曲线的平行度较差,基于视传感器对远距离的检测能力较弱的特性,而在近距离端的检测能力较强的特性,可基于该第一参数和第二参数分段分别确定出第一车道检测参数和第二车道检测参数,该移动平台在确定该第一车道检测参数和该第二车道检测参数时,也可基于该第一可信度和该第二可信度查询分别得到该第一车道检测参数和该第二车道检测参数,其中,用于查询得到该第一车道检测参数的表格和用于查询该第二车道检测参数的表格不相同,所述预设距离阈值是用于区分近距离端和远距离端的值。
如果基于该第一可信度p1和该第二可信度p2,将所述第一拟合参数a1、b1、c1和该第二拟合参数a2、b2、c2分别融合得到的第一车道检测参数为a4、b4、c4和得到的第二车道检测参数为a5、b5、c5,则基于得到的第一车道检测参数和第二车道检测参数可确定出目标车道线:
其中,y1为预设距离阈值,所述预设距离阈值y1例如可以是10米。
在一个实施例中,如果所述第一对比结果指示所述第一可信度小于或等于所述可信度阈值,且所述第二对比结果指示所述第二可信度大于所述可信度阈值,即在p1≤p且p2>p时,说明分析得到的车道线曲线的可信度较低,而边界线曲线的可信度较高,也即该车道线曲线的第一参数的可信度较低,而该边界线曲线的第二参数的可信度较高,因此,可基于该边界线曲线的第二参数确定该车道检测参数。
在所述移动平台基于所述边界线曲线的第二参数确定车道检测参数时,需先确定内偏移参数d,从而可基于内偏移参数d和该第二参数确定该车道检测参数。在具体实现中,可基于该边界线曲线按照所述内偏移参数d向内偏移,得到目标车道线。
再一个实施例中,如果所述第一对比结果指示所述第一可信度大于所述可信度阈值,且所述第二对比结果指示所述第二可信度小于或等于所述可信度阈值,即在p1>p且p2≤p时,说明分析得到的车道线曲线的可信度较高,而边界线曲线的可信度较低,也即该车道线曲线的第一参数的可信度较高,而该边界线曲线的第二参数的可信度较低,因此,可将所述车道线曲线的第一参数确定为车道检测参数。具体地,该移动平台经分析得到的车道线曲线即为该目标车道线。
在本发明实施例中,移动平台先调用视觉传感器进行车道检测得到视觉检测数据,并基于所述视觉检测数据进行分析处理,得到车道线参数,并调用雷达传感器进行检测得到雷达检测数据,并基于所述雷达检测数据进行边界线分析处理,得到边界线参数,从而可将该车道线参数包括的第一可信度和可信度阈值进行对比得到第一对比结果,并将该边界线参数包括的第二可信度和可信度阈值进行对比得到第二检测结果,从而可基于该第二对比结果和该第二对比结果,对该车道线参数的第一参数和所述边界线参数的第二参数进行数据融合,得到车道检测参数,则可基于所述车道检测参数输出目标车道线。实现了将该视觉传感器和雷达传感器在进行车道检测时的检测有点进行有效融合,从而实现了在不同情况下采用不同的数据融合方法得到车道检测参数,以得到较高精度的车道检测参数,可有效地满足一些特殊情况下的车道检测需求。
本发明实施例提供了一种车道检测装置,所述车道检测装置用于执行前述任一项所述的方法的单元,具体地,参见图7,是本发明实施例提供的一种车道检测装置的示意框图,本实施例的车道检测装置可设置在例如自动驾驶汽车等类型的移动平台中,车道检测装置包括:检测单元701、分析单元702和确定单元703。
其中,检测单元701,用于调用设置在移动平台上的视觉传感器进行检测得到视觉检测数据;分析单元702,用于基于所述视觉检测数据进行车道线分析处理,得到车道线参数;所述检测单元701,还用于调用设置在所述移动平台上的雷达传感器进行检测得到雷达检测数据;所述分析单元702,还用于基于所述雷达检测数据进行边界线分析处理,得到边界线参数;确定单元703,用于根据所述车道线参数和所述边界线参数进行数据融合,得到车道检测参数。
在一个实施例中,所述检测单元701,具体用于调用设置在移动平台上的视觉传感器采集初始图像,并从所述初始图像中确定出用于进行车道检测的目标图像区域;将所述目标图像区域转换为灰度图像,并基于所述灰度图像确定视觉检测数据。
在一个实施例中,所述检测单元701,具体用于调用设置在移动平台上的视觉传感器采集初始图像,并采用预设的图像识别模型对所述初始图像进行识别;根据对所述初始图像的识别结果,确定关于车道线的视觉检测数据。
在一个实施例中,所述分析单元702,具体用于基于所述视觉检测数据确定车道线,并基于所述视觉检测数据对所述车道线进行分析处理,得到车道线曲线的第一参数;确定针对所述车道线曲线的第一可信度;将所述车道线曲线的第一参数和所述第一可信度确定为车道线参数。
在一个实施例中,所述分析单元702,具体用于基于二次曲线检测算法对所述视觉检测数据进行车道线分析处理,得到车道线拟合曲线的第一参数。
在一个实施例中,所述检测单元701,具体用于调用设置在所述移动平台上的雷达传感器采集原始目标点群;对所述原始目标点群进行聚类运算,筛选出有效边界点群,并将所述有效边界点群作为雷达检测数据,其中,筛选出的所述有效边界点群用于确定出边界线。
在一个实施例中,所述分析单元702,具体用于基于所述雷达检测数据进行边界线分析处理,得到边界线曲线的第二参数;确定针对所述边界线曲线的第二可信度;将所述边界线曲线的第二参数和所述第二可信度确定为边界线参数。
在一个实施例中,所述确定单元703,具体用于将所述车道线参数中的第一可信度和可信度阈值进行对比得到第一对比结果,并将所述边界线参数中的第二可信度和所述可信度阈值进行对比得到第二对比结果;根据所述第一对比结果和所述第二对比结果,对所述车道线参数中的第一参数和所述边界线参数中的第二参数进行数据融合,得到车道检测参数。
在一个实施例中,所述确定单元703,具体用于若所述第一对比结果指示所述第一可信度大于所述可信度阈值,且所述第二对比结果指示所述第二可信度大于所述可信度阈值,则基于所述车道线参数中的第一参数和所述边界线参数中的第二参数,确定所述车道线曲线和所述边界线曲线的平行偏差值;根据所述平行偏差值将所述第一参数和所述第二参数进行数据融合,得到车道检测参数。
在一个实施例中,所述确定单元703,具体用于将所述平行偏差值和预设偏差阈值进行比对;若所述平行偏差值小于所述预设偏差阈值,则基于所述第一可信度和所述第二可信度,将所述第一参数和所述第二参数融合为车道检测参数。
在一个实施例中,所述确定单元703,具体用于根据所述第一可信度和所述第二可信度,查找得到针对所述第一参数在融合为车道检测参数时的第一权重值,以及得到针对所述第二参数在融合为所述车道检测参数时的第二权重值;基于所述第一权重值、所述第一参数和所述第二权重值、所述第二参数进行数据融合,得到车道检测参数。
在一个实施例中,所述确定单元703,具体用于将所述平行偏差值和预设偏差阈值进行比对;若所述平行偏差值大于或等于所述预设偏差阈值,则基于所述第一可信度和所述第二可信度,将所述第一参数和所述第二参数分别融合为第一车道检测参数和第二车道检测参数;其中,所述第一车道检测参数与第一环境区域对应,所述第一环境区域是指:与所述移动平台之间的距离小于预设距离阈值的区域;所述第二车道检测参数与第二环境区域对应,所述第二环境区域是指:与所述移动平台之间的距离大于或等于所述预设距离阈值的区域。
在一个实施例中,所述确定单元703,具体用于若所述第一对比结果指示所述第一可信度小于或等于所述可信度阈值,且所述第二对比结果指示所述第二可信度大于所述可信度阈值,则根据所述边界线曲线的第二参数确定车道检测参数。
在一个实施例中,所述确定单元703,具体用于确定内偏移参数,并根据所述内偏移参数和所述边界线曲线的第二参数确定车道检测参数。
在一个实施例中,所述确定单元703,具体用于若所述第一对比结果指示所述第一可信度大于所述可信度阈值,且所述第二对比结果指示所述第二可信度小于或等于所述可信度阈值,则将所述车道线曲线的第一参数确定为车道检测参数。
在本发明实施例中,检测单元701可先调用设置在移动平台上的视觉传感器进行检测得到视觉检测数据,从而分析单元702可基于该视觉检测数据进行车道线分析处理,从而得到包括车道线曲线的第一参数以及对应的第一可信度的车道线参数,同时,检测单元701还可调用雷达传感器进行检测得到雷达检测数据,分析单元702可基于该雷达检测数据进行边界线分析处理,从而得到包括边界线曲线的第二参数以及对应的第二可信度的边界线参数,以使得确定单元703可基于该车道线参数和该边界线参数进行数据融合,得到车道检测参数,并基于该车道检测参数生成对应的车道线,可有效地满足一些特殊情况下的车道检测需求。
本发明实施例提供了一种车道检测设备,应用于移动平台中,图8是本发明实施例提供应用于移动平台的车道检测设备的结构图,如图8所示,所述应用于移动平台的车道检测设备800包括存储器801、处理器802,并且还可以包括诸如第一接口803、第二接口804以及总线805等结构,其中,所述第一接口803的一端与外部的视觉传感器相连,所述第一接口803的另一端与所述处理器相连,所述第二接口804的一段与外部的雷达传感器相连,所述第二接口804的另一端与所述处理器相连。
其中,所述处理器802可以是中央处理器(central processing unit,CPU)。所述处理器802可以是硬件芯片。所述硬件芯片可以是专用集成电路(application-specificintegrated circuit,ASIC),可编程逻辑器件(programmable logic device,PLD)或其组合。所述PLD可以是复杂可编程逻辑器件(complex programmable logic device,CPLD),现场可编程逻辑门阵列(field-programmable gate array,FPGA),通用阵列逻辑(genericarray logic,GAL)或其任意组合。
存储器802中存储有程序代码,处理器802调用存储器中的程序代码,当程序代码被执行时,处理器802用于通过所述第一接口803调用设置在移动平台上的视觉传感器进行检测得到视觉检测数据,并基于所述视觉检测数据进行车道线分析处理,得到车道线参数;通过所述第二接口804调用设置在所述移动平台上的雷达传感器进行检测得到雷达检测数据,并基于所述雷达检测数据进行边界线分析处理,得到边界线参数;根据所述车道线参数和所述边界线参数进行数据融合,得到车道检测参数。
在一个实施例中,所述处理器802在调用设置在移动平台上的视觉传感器进行车道检测得到视觉检测数据时,用于调用设置在移动平台上的视觉传感器采集初始图像,并从所述初始图像中确定出用于进行车道检测的目标图像区域;将所述目标图像区域转换为灰度图像,并基于所述灰度图像确定视觉检测数据。
在一个实施例中,所述处理器802在调用设置在移动平台上的视觉传感器进行车道检测得到视觉检测数据时,用于调用设置在移动平台上的视觉传感器采集初始图像,并采用预设的图像识别模型对所述初始图像进行识别;根据对所述初始图像的识别结果,确定关于车道线的视觉检测数据。
在一个实施例中,所述处理器802在基于所述视觉检测数据进行车道线分析处理,得到车道线参数时,用于基于所述视觉检测数据确定车道线,并基于所述视觉检测数据对所述车道线进行分析处理,得到车道线曲线的第一参数;确定针对所述车道线曲线的第一可信度;将所述车道线曲线的第一参数和所述第一可信度确定为车道线参数。
在一个实施例中,所述处理器802在基于所述视觉检测数据对所述车道线进行分析处理,得到车道线曲线的第一参数时,用于基于二次曲线检测算法对所述视觉检测数据进行车道线分析处理,得到车道线曲线的第一参数。
在一个实施例中,所述处理器802在调用设置在所述移动平台上的雷达传感器进行检测得到雷达检测数据时,用于调用设置在所述移动平台上的雷达传感器采集原始目标点群;对所述原始目标点群进行聚类运算,筛选出有效边界点群,并将所述有效边界点群作为雷达检测数据,其中,筛选出的所述有效边界点群用于确定出边界线。
在一个实施例中,所述处理器802在基于所述雷达检测数据进行边界线分析处理,得到边界线参数时,用于基于所述雷达检测数据进行边界线分析处理,得到边界线曲线的第二参数;确定针对所述边界线曲线的第二可信度;将所述边界线曲线的第二参数和所述第二可信度确定为边界线参数。
在一个实施例中,所述处理器802在根据所述车道线参数和所述边界线参数进行数据融合,得到车道检测参数时,用于将所述车道线参数中的第一可信度和可信度阈值进行对比得到第一对比结果,并将所述边界线参数中的第二可信度和所述可信度阈值进行对比得到第二对比结果;根据所述第一对比结果和所述第二对比结果,对所述车道线参数中的第一参数和所述边界线参数中的第二参数进行数据融合,得到车道检测参数。
在一个实施例中,所述处理器802在根据所述第一对比结果和所述第二对比结果,对所述车道线参数中的第一参数和所述边界线参数中的第二参数进行数据融合,得到车道检测参数时,用于若所述第一对比结果指示所述第一可信度大于所述可信度阈值,且所述第二对比结果指示所述第二可信度大于所述可信度阈值,则基于所述车道线参数中的第一参数和所述边界线参数中的第二参数,确定所述车道线曲线和所述边界线曲线的平行偏差值;根据所述平行偏差值将所述第一参数和所述第二参数进行数据融合,得到车道检测参数。
在一个实施例中,所述处理器802在根据所述平行偏差值将所述第一参数和所述第二参数进行数据融合,得到车道检测参数时,用于将所述平行偏差值和预设偏差阈值进行比对;若所述平行偏差值小于所述预设偏差阈值,则基于所述第一可信度和所述第二可信度,将所述第一参数和所述第二参数融合为车道检测参数。
在一个实施例中,所述处理器802在基于所述第一可信度和所述第二可信度,将所述第一参数和所述第二参数融合为车道检测参数时,用于根据所述第一可信度和所述第二可信度,查找得到针对所述第一参数在融合为车道检测参数时的第一权重值,以及得到针对所述第二参数在融合为所述车道检测参数时的第二权重值;基于所述第一权重值、所述第一参数和所述第二权重值、所述第二参数进行数据融合,得到车道检测参数。
在一个实施例中,所述处理器802在根据所述平行偏差值将所述第一参数和所述第二参数进行数据融合,得到车道检测参数时,用于将所述平行偏差值和预设偏差阈值进行比对;若所述平行偏差值大于或等于所述预设偏差阈值,则基于所述第一可信度和所述第二可信度,将所述第一参数和所述第二参数分别融合为第一车道检测参数和第二车道检测参数;其中,所述第一车道检测参数与第一环境区域对应,所述第一环境区域是指:与所述移动平台之间的距离小于预设距离阈值的区域;所述第二车道检测参数与第二环境区域对应,所述第二环境区域是指:与所述移动平台之间的距离大于或等于所述预设距离阈值的区域。
在一个实施例中,所述处理器802在根据所述第一对比结果和所述第二对比结果,对所述车道线参数中的第一参数和所述边界线参数中的第二参数进行数据融合,得到车道检测参数时,用于若所述第一对比结果指示所述第一可信度小于或等于所述可信度阈值,且所述第二对比结果指示所述第二可信度大于所述可信度阈值,则根据所述边界线曲线的第二参数确定车道检测参数。
在一个实施例中,所述处理器802在根据所述边界线曲线的第二参数确定车道检测参时,用于确定内偏移参数,并根据所述内偏移参数和所述边界线曲线的第二参数确定车道检测参数。
在一个实施例中,所述处理器802在根据所述第一对比结果和所述第二对比结果,对所述车道线参数中的第一拟合参数和所述边界线参数中的第二拟合参数进行数据融合,得到车道检测参数时,用于若所述第一对比结果指示所述第一可信度大于所述可信度阈值,且所述第二对比结果指示所述第二可信度小于或等于所述可信度阈值,则将所述车道线曲线的第一参数确定为车道检测参数。
本实施例提供的应用于移动平台的车道检测设备能执行前述实施例提供的如图2和图6所示的车道检测方法,且执行方式和有益效果类似,在这里不再赘述。
本发明实施例还提供一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行上述方法实施例所述的车道检测方法的相关步骤。
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流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存储记忆体(Random AccessMemory,RAM)等。
以上所揭露的仅为本发明部分实施例而已,当然不能以此来限定本发明之权利范围,因此依本发明权利要求所作的等同变化,仍属本发明所涵盖的范围。
Claims (34)
1.一种车道检测方法,其特征在于,包括:
调用设置在移动平台上的视觉传感器进行检测得到视觉检测数据,并基于所述视觉检测数据进行车道线分析处理,得到车道线参数;
调用设置在所述移动平台上的雷达传感器进行检测得到雷达检测数据,并基于所述雷达检测数据进行边界线分析处理,得到边界线参数;
根据所述车道线参数和所述边界线参数进行数据融合,得到车道检测参数。
2.根据权利要求1所述的方法,其特征在于,所述调用设置在移动平台上的视觉传感器进行检测得到视觉检测数据,包括:
调用设置在移动平台上的视觉传感器采集初始图像,并从所述初始图像中确定出用于进行车道检测的目标图像区域;
将所述目标图像区域转换为灰度图像,并基于所述灰度图像确定视觉检测数据。
3.根据权利要求1所述的方法,其特征在于,所述调用设置在移动平台上的视觉传感器进行检测得到视觉检测数据,包括:
调用设置在移动平台上的视觉传感器采集初始图像,并采用预设的图像识别模型对所述初始图像进行识别;
根据对所述初始图像的识别结果,确定关于车道线的视觉检测数据。
4.根据权利要求2或3所述的方法,其特征在于,所述基于所述视觉检测数据进行车道线分析处理,得到车道线参数,包括:
基于所述视觉检测数据确定车道线,并基于所述视觉检测数据对所述车道线进行分析处理,得到车道线曲线的第一参数;
确定针对所述车道线曲线的第一可信度;
将所述车道线曲线的第一参数和所述第一可信度确定为车道线参数。
5.根据权利要求4所述的方法,其特征在于,所述基于所述视觉检测数据对所述车道线进行分析处理,得到车道线曲线的第一参数,包括:
基于二次曲线检测算法对所述视觉检测数据进行车道线分析处理,得到车道线曲线的第一参数。
6.根据权利要求1所述的方法,其特征在于,所述调用设置在所述移动平台上的雷达传感器进行检测得到雷达检测数据,包括:
调用设置在所述移动平台上的雷达传感器采集原始目标点群;
对所述原始目标点群进行聚类运算,筛选出有效边界点群,并将所述有效边界点群作为雷达检测数据,其中,筛选出的所述有效边界点群用于确定出边界线。
7.根据权利要求6所述的方法,其特征在于,所述基于所述雷达检测数据进行边界线分析处理,得到边界线参数,包括:
基于所述雷达检测数据进行边界线分析处理,得到边界线曲线的第二参数;
确定针对所述边界线曲线的第二可信度;
将所述边界线曲线的第二参数和所述第二可信度确定为边界线参数。
8.根据权利要求1-7任一项所述的方法,其特征在于,所述根据所述车道线参数和所述边界线参数进行数据融合,得到车道检测参数,包括:
将所述车道线参数中的第一可信度和可信度阈值进行对比得到第一对比结果,并将所述边界线参数中的第二可信度和所述可信度阈值进行对比得到第二对比结果;
根据所述第一对比结果和所述第二对比结果,对所述车道线参数中的第一参数和所述边界线参数中的第二参数进行数据融合,得到车道检测参数。
9.根据权利要求8所述的方法,其特征在于,所述根据所述第一对比结果和所述第二对比结果,对所述车道线参数中的第一参数和所述边界线参数中的第二参数进行数据融合,得到车道检测参数,包括:
若所述第一对比结果指示所述第一可信度大于所述可信度阈值,且所述第二对比结果指示所述第二可信度大于所述可信度阈值,则基于所述车道线参数中的第一参数和所述边界线参数中的第二参数,确定所述车道线曲线和所述边界线曲线的平行偏差值;
根据所述平行偏差值将所述第一参数和所述第二参数进行数据融合,得到车道检测参数。
10.根据权利要求9所述的方法,其特征在于,所述根据所述平行偏差值将所述第一参数和所述第二参数进行数据融合,得到车道检测参数,包括:
将所述平行偏差值和预设偏差阈值进行比对;
若所述平行偏差值小于所述预设偏差阈值,则基于所述第一可信度和所述第二可信度,将所述第一参数和所述第二参数融合为车道检测参数。
11.根据权利要求10所述的方法,其特征在于,所述基于所述第一可信度和所述第二可信度,将所述第一参数和所述第二参数融合为车道检测参数,包括:
根据所述第一可信度和所述第二可信度,查找得到针对所述第一参数在融合为车道检测参数时的第一权重值,以及得到针对所述第二参数在融合为所述车道检测参数时的第二权重值;
基于所述第一权重值、所述第一参数和所述第二权重值、所述第二参数进行数据融合,得到车道检测参数。
12.根据权利要求9所述的方法,其特征在于,所述根据所述平行偏差值将所述第一参数和所述第二参数进行数据融合,得到车道检测参数,包括:
将所述平行偏差值和预设偏差阈值进行比对;
若所述平行偏差值大于或等于所述预设偏差阈值,则基于所述第一可信度和所述第二可信度,将所述第一参数和所述第二参数分别融合为第一车道检测参数和第二车道检测参数;
其中,所述第一车道检测参数与第一环境区域对应,所述第一环境区域是指:与所述移动平台之间的距离小于预设距离阈值的区域;所述第二车道检测参数与第二环境区域对应,所述第二环境区域是指:与所述移动平台之间的距离大于或等于所述预设距离阈值的区域。
13.根据权利要求8所述的方法,其特征在于,所述根据所述第一对比结果和所述第二对比结果,对所述车道线参数中的第一参数和所述边界线参数中的第二参数进行数据融合,得到车道检测参数,包括:
若所述第一对比结果指示所述第一可信度小于或等于所述可信度阈值,且所述第二对比结果指示所述第二可信度大于所述可信度阈值,则根据所述边界线曲线的第二参数确定车道检测参数。
14.根据权利要求13所述的方法,其特征在于,所述根据所述边界线曲线的第二参数确定车道检测参数,包括:
确定内偏移参数,并根据所述内偏移参数和所述边界线曲线的第二参数确定车道检测参数。
15.根据权利要求8所述的方法,其特征在于,所述根据所述第一对比结果和所述第二对比结果,对所述车道线参数中的第一参数和所述边界线参数中的第二参数进行数据融合,得到车道检测参数,包括:
若所述第一对比结果指示所述第一可信度大于所述可信度阈值,且所述第二对比结果指示所述第二可信度小于或等于所述可信度阈值,则将所述车道线曲线的第一参数确定为车道检测参数。
16.一种车道检测设备,其特征在于,包括存储器、处理器、第一接口和第二接口,所述第一接口的一端与外部的视觉传感器相连,所述第一接口的另一端与所述处理器相连,所述第二接口的一端与外部的雷达传感器相连,所述第二接口的另一端与所述处理器相连;
所述存储器用于存储程序代码;
所述处理器,调用所述存储器中存储的程序代码,用于:
通过所述第一接口调用设置在移动平台上的视觉传感器进行检测得到视觉检测数据,并基于所述视觉检测数据进行车道线分析处理,得到车道线参数;
通过所述第二接口调用设置在所述移动平台上的雷达传感器进行检测得到雷达检测数据,并基于所述雷达检测数据进行边界线分析处理,得到边界线参数;
根据所述车道线参数和所述边界线参数进行数据融合,得到车道检测参数。
17.根据权利要求16所述的设备,其特征在于,所述处理器在调用设置在移动平台上的视觉传感器进行检测得到视觉检测数据时,用于:
调用设置在移动平台上的视觉传感器采集初始图像,并从所述初始图像中确定出用于进行车道检测的目标图像区域;
将所述目标图像区域转换为灰度图像,并基于所述灰度图像确定视觉检测数据。
18.根据权利要求16所述的设备,其特征在于,所述处理器在调用设置在移动平台上的视觉传感器进行检测得到视觉检测数据时,用于:
调用设置在移动平台上的视觉传感器采集初始图像,并采用预设的图像识别模型对所述初始图像进行识别;
根据对所述初始图像的识别结果,确定关于车道线的视觉检测数据。
19.根据权利要求17或18所述的设备,其特征在于,所述处理器在基于所述视觉检测数据进行车道线分析处理,得到车道线参数时,用于:
基于所述视觉检测数据确定车道线,并基于所述视觉检测数据对所述车道线进行分析处理,得到车道线曲线的第一参数;
确定针对所述车道线曲线的第一可信度;
将所述车道线曲线的第一参数和所述第一可信度确定为车道线参数。
20.根据权利要求19所述的设备,其特征在于,所述处理器在基于所述视觉检测数据对所述车道线进行分析处理,得到车道线曲线的第一参数时,执行如下操作:
基于二次曲线检测算法对所述视觉检测数据进行车道线分析处理,得到车道线曲线的第一参数。
21.根据权利要求16所述的设备,其特征在于,所述处理器在调用设置在所述移动平台上的雷达传感器进行检测得到雷达检测数据时,用于:
调用设置在所述移动平台上的雷达传感器采集原始目标点群;
对所述原始目标点群进行聚类运算,筛选出有效边界点群,并将所述有效边界点群作为雷达检测数据,其中,筛选出的所述有效边界点群用于确定出边界线。
22.根据权利要求20所述的设备,其特征在于,所述处理器在基于所述雷达检测数据进行边界线分析处理,得到边界线参数时,用于:
基于所述雷达检测数据进行边界线分析处理,得到边界线曲线的第二参数;
确定针对所述边界线曲线的第二可信度;
将所述边界线曲线的第二参数和所述第二可信度确定为边界线参数。
23.根据权利要求16-22任一项所述的设备,其特征在于,所述处理器在根据所述车道线参数和所述边界线参数进行数据融合,得到车道检测参数时,用于:
将所述车道线参数中的第一可信度和可信度阈值进行对比得到第一对比结果,并将所述边界线参数中的第二可信度和所述可信度阈值进行对比得到第二对比结果;
根据所述第一对比结果和所述第二对比结果,对所述车道线参数中的第一参数和所述边界线参数中的第二参数进行数据融合,得到车道检测参数。
24.根据权利要求23所述的设备,其特征在于,所述处理器在根据所述第一对比结果和所述第二对比结果,对所述车道线参数中的第一参数和所述边界线参数中的第二参数进行数据融合,得到车道检测参数时,用于:
若所述第一对比结果指示所述第一可信度大于所述可信度阈值,且所述第二对比结果指示所述第二可信度大于所述可信度阈值,则基于所述车道线参数中的第一参数和所述边界线参数中的第二参数,确定所述车道线曲线和所述边界线曲线的平行偏差值;
根据所述平行偏差值将所述第一参数和所述第二参数进行数据融合,得到车道检测参数。
25.根据权利要求24所述的设备,其特征在于,所述处理器在根据所述平行偏差值将所述第一参数和所述第二参数进行数据融合,得到车道检测参数时,用于:
将所述平行偏差值和预设偏差阈值进行比对;
若所述平行偏差值小于所述预设偏差阈值,则基于所述第一可信度和所述第二可信度,将所述第一参数和所述第二参数融合为车道检测参数。
26.根据权利要求25所述的设备,其特征在于,所述处理器在基于所述第一可信度和所述第二可信度,将所述第一参数和所述第二参数融合为车道检测参数时,用于:
根据所述第一可信度和所述第二可信度,查找得到针对所述第一参数在融合为车道检测参数时的第一权重值,以及得到针对所述第二参数在融合为所述车道检测参数时的第二权重值;
基于所述第一权重值、所述第一参数和所述第二权重值、所述第二参数进行数据融合,得到车道检测参数。
27.根据权利要求26所述的设备,其特征在于,所述处理器在根据所述平行偏差值将所述第一参数和所述第二参数进行数据融合,得到车道检测参数时,用于:
将所述平行偏差值和预设偏差阈值进行比对;
若所述平行偏差值大于或等于所述预设偏差阈值,则基于所述第一可信度和所述第二可信度,将所述第一参数和所述第二参数分别融合为第一车道检测参数和第二车道检测参数;
其中,所述第一车道检测参数与第一环境区域对应,所述第一环境区域是指:与所述移动平台之间的距离小于预设距离阈值的区域;所述第二车道检测参数与第二环境区域对应,所述第二环境区域是指:与所述移动平台之间的距离大于或等于所述预设距离阈值的区域。
28.根据权利要求23所述的设备,其特征在于,所述处理器在根据所述第一对比结果和所述第二对比结果,对所述车道线参数中的第一参数和所述边界线参数中的第二参数进行数据融合,得到车道检测参数时,用于:
若所述第一对比结果指示所述第一可信度小于或等于所述可信度阈值,且所述第二对比结果指示所述第二可信度大于所述可信度阈值,则根据所述边界线曲线的第二参数确定车道检测参数。
29.根据权利要求28所述的设备,其特征在于,所述处理器在根据所述边界线曲线的第二参数确定车道检测参数时,用于:
确定内偏移参数,并根据所述内偏移参数和所述边界线曲线的第二参数确定车道检测参数。
30.根据权利要求23所述的设备,其特征在于,所述处理器在根据所述第一对比结果和所述第二对比结果,对所述车道线参数中的第一参数和所述边界线参数中的第二参数进行数据融合,得到车道检测参数时,用于:
若所述第一对比结果指示所述第一可信度大于所述可信度阈值,且所述第二对比结果指示所述第二可信度小于或等于所述可信度阈值,则将所述车道线曲线的第一参数确定为车道检测参数。
31.一种移动平台,其特征在于,包括:
动力系统,用于为所述移动平台提供动力;
以及如权利要求16-30中任一项所述的车道检测设备。
32.根据权利要求31所述的移动平台,其特征在于,所述移动平台还包括:视觉传感器和雷达传感器;
所述车道检测设备中的处理器用于调用所述视觉传感器进行检测得到视觉检测数据;
所述车道检测设备中的处理器还用于调用所述雷达传感器进行检测得到雷达检测数据。
33.根据权利要求31所述的移动平台,其特征在于,所述移动平台为车辆。
34.一种计算机存储介质,其特征在于,所述计算机存储介质中存储有计算机程序指令,所述计算机程序指令被处理器执行时,用于执行如权利要求1-15任一项所述的车道检测方法。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/CN2019/071658 WO2020146983A1 (zh) | 2019-01-14 | 2019-01-14 | 一种车道检测方法、装置及车道检测设备、移动平台 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111247525A true CN111247525A (zh) | 2020-06-05 |
Family
ID=70879126
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201980005030.2A Pending CN111247525A (zh) | 2019-01-14 | 2019-01-14 | 一种车道检测方法、装置及车道检测设备、移动平台 |
Country Status (3)
Country | Link |
---|---|
US (1) | US20210350149A1 (zh) |
CN (1) | CN111247525A (zh) |
WO (1) | WO2020146983A1 (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112115857A (zh) * | 2020-09-17 | 2020-12-22 | 福建牧月科技有限公司 | 智能汽车的车道线识别方法、装置、电子设备及介质 |
CN112132109A (zh) * | 2020-10-10 | 2020-12-25 | 北京百度网讯科技有限公司 | 车道线处理和车道定位方法、装置、设备及存储介质 |
CN112382092A (zh) * | 2020-11-11 | 2021-02-19 | 成都纳雷科技有限公司 | 交通毫米波雷达自动生成车道的方法、系统及介质 |
CN112654997A (zh) * | 2020-10-22 | 2021-04-13 | 华为技术有限公司 | 一种车道线检测方法和装置 |
CN112712040A (zh) * | 2020-12-31 | 2021-04-27 | 潍柴动力股份有限公司 | 基于雷达校准车道线信息的方法、装置、设备及存储介质 |
CN113408504A (zh) * | 2021-08-19 | 2021-09-17 | 南京隼眼电子科技有限公司 | 基于雷达的车道线识别方法、装置、电子设备及存储介质 |
CN114926813A (zh) * | 2022-05-16 | 2022-08-19 | 北京主线科技有限公司 | 车道线融合方法、装置、设备及存储介质 |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7443177B2 (ja) * | 2020-07-16 | 2024-03-05 | トヨタ自動車株式会社 | 衝突回避支援装置 |
CN112373474B (zh) * | 2020-11-23 | 2022-05-17 | 重庆长安汽车股份有限公司 | 车道线融合及横向控制方法、系统、车辆及存储介质 |
CN112859005B (zh) * | 2021-01-11 | 2023-08-29 | 成都圭目机器人有限公司 | 一种检测多通道探地雷达数据中金属类直圆柱结构的方法 |
CN114353817B (zh) * | 2021-12-28 | 2023-08-15 | 重庆长安汽车股份有限公司 | 多源传感器车道线确定方法、系统、车辆及计算机可读存储介质 |
CN115236627B (zh) * | 2022-09-21 | 2022-12-16 | 深圳安智杰科技有限公司 | 一种基于多帧多普勒速度扩维的毫米波雷达数据聚类方法 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102184535A (zh) * | 2011-04-14 | 2011-09-14 | 西北工业大学 | 一种车辆所在车道边界检测方法 |
JP2011243161A (ja) * | 2010-05-21 | 2011-12-01 | Denso Corp | 車線境界検出装置、車線境界検出プログラム |
US20130293714A1 (en) * | 2012-05-02 | 2013-11-07 | Gm Global Operations Llc | Full speed lane sensing using multiple cameras |
CN104063877A (zh) * | 2014-07-16 | 2014-09-24 | 中电海康集团有限公司 | 一种候选车道线混合判断识别方法 |
CN105260699A (zh) * | 2015-09-10 | 2016-01-20 | 百度在线网络技术(北京)有限公司 | 一种车道线数据的处理方法及装置 |
CN105701449A (zh) * | 2015-12-31 | 2016-06-22 | 百度在线网络技术(北京)有限公司 | 路面上的车道线的检测方法和装置 |
CN106203398A (zh) * | 2016-07-26 | 2016-12-07 | 东软集团股份有限公司 | 一种检测车道边界的方法、装置和设备 |
CN107161141A (zh) * | 2017-03-08 | 2017-09-15 | 深圳市速腾聚创科技有限公司 | 无人驾驶汽车系统及汽车 |
CN107415952A (zh) * | 2016-05-03 | 2017-12-01 | 福特全球技术公司 | 增强的车辆操作 |
CN108256446A (zh) * | 2017-12-29 | 2018-07-06 | 百度在线网络技术(北京)有限公司 | 用于确定道路中的车道线的方法、装置和设备 |
CN108573242A (zh) * | 2018-04-26 | 2018-09-25 | 南京行车宝智能科技有限公司 | 一种车道线检测方法和装置 |
CN108875657A (zh) * | 2018-06-26 | 2018-11-23 | 北京茵沃汽车科技有限公司 | 一种车道线检测方法 |
US20180373941A1 (en) * | 2017-06-26 | 2018-12-27 | Here Global B.V. | Method, apparatus, and system for estimating a quality of lane features of a roadway |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102303605A (zh) * | 2011-06-30 | 2012-01-04 | 中国汽车技术研究中心 | 基于多传感器信息融合的碰撞及偏离预警装置及预警方法 |
CN104812649B (zh) * | 2012-11-26 | 2017-06-23 | 本田技研工业株式会社 | 车辆控制装置 |
US9145139B2 (en) * | 2013-06-24 | 2015-09-29 | Google Inc. | Use of environmental information to aid image processing for autonomous vehicles |
CN105678316B (zh) * | 2015-12-29 | 2019-08-27 | 大连楼兰科技股份有限公司 | 基于多信息融合的主动驾驶方法 |
JP2019527832A (ja) * | 2016-08-09 | 2019-10-03 | ナウト, インコーポレイテッドNauto, Inc. | 正確な位置特定およびマッピングのためのシステムおよび方法 |
US10670416B2 (en) * | 2016-12-30 | 2020-06-02 | DeepMap Inc. | Traffic sign feature creation for high definition maps used for navigating autonomous vehicles |
CN106671961A (zh) * | 2017-03-02 | 2017-05-17 | 吉林大学 | 一种基于电动汽车的主动防碰撞系统及其控制方法 |
CN108960183B (zh) * | 2018-07-19 | 2020-06-02 | 北京航空航天大学 | 一种基于多传感器融合的弯道目标识别系统及方法 |
-
2019
- 2019-01-14 CN CN201980005030.2A patent/CN111247525A/zh active Pending
- 2019-01-14 WO PCT/CN2019/071658 patent/WO2020146983A1/zh active Application Filing
-
2021
- 2021-07-09 US US17/371,270 patent/US20210350149A1/en not_active Abandoned
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2011243161A (ja) * | 2010-05-21 | 2011-12-01 | Denso Corp | 車線境界検出装置、車線境界検出プログラム |
CN102184535A (zh) * | 2011-04-14 | 2011-09-14 | 西北工业大学 | 一种车辆所在车道边界检测方法 |
US20130293714A1 (en) * | 2012-05-02 | 2013-11-07 | Gm Global Operations Llc | Full speed lane sensing using multiple cameras |
CN104063877A (zh) * | 2014-07-16 | 2014-09-24 | 中电海康集团有限公司 | 一种候选车道线混合判断识别方法 |
CN105260699A (zh) * | 2015-09-10 | 2016-01-20 | 百度在线网络技术(北京)有限公司 | 一种车道线数据的处理方法及装置 |
CN105701449A (zh) * | 2015-12-31 | 2016-06-22 | 百度在线网络技术(北京)有限公司 | 路面上的车道线的检测方法和装置 |
CN107415952A (zh) * | 2016-05-03 | 2017-12-01 | 福特全球技术公司 | 增强的车辆操作 |
CN106203398A (zh) * | 2016-07-26 | 2016-12-07 | 东软集团股份有限公司 | 一种检测车道边界的方法、装置和设备 |
CN107161141A (zh) * | 2017-03-08 | 2017-09-15 | 深圳市速腾聚创科技有限公司 | 无人驾驶汽车系统及汽车 |
US20180373941A1 (en) * | 2017-06-26 | 2018-12-27 | Here Global B.V. | Method, apparatus, and system for estimating a quality of lane features of a roadway |
CN108256446A (zh) * | 2017-12-29 | 2018-07-06 | 百度在线网络技术(北京)有限公司 | 用于确定道路中的车道线的方法、装置和设备 |
CN108573242A (zh) * | 2018-04-26 | 2018-09-25 | 南京行车宝智能科技有限公司 | 一种车道线检测方法和装置 |
CN108875657A (zh) * | 2018-06-26 | 2018-11-23 | 北京茵沃汽车科技有限公司 | 一种车道线检测方法 |
Non-Patent Citations (2)
Title |
---|
屈贤等: "基于双曲线模型的车道线检测算法", 《湖北汽车工业学院学报》 * |
陈本智: "基于双曲线模型的车道识别与偏离预警", 《计算机应用》 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112115857A (zh) * | 2020-09-17 | 2020-12-22 | 福建牧月科技有限公司 | 智能汽车的车道线识别方法、装置、电子设备及介质 |
CN112115857B (zh) * | 2020-09-17 | 2024-03-01 | 福建牧月科技有限公司 | 智能汽车的车道线识别方法、装置、电子设备及介质 |
CN112132109A (zh) * | 2020-10-10 | 2020-12-25 | 北京百度网讯科技有限公司 | 车道线处理和车道定位方法、装置、设备及存储介质 |
CN112654997A (zh) * | 2020-10-22 | 2021-04-13 | 华为技术有限公司 | 一种车道线检测方法和装置 |
CN112654997B (zh) * | 2020-10-22 | 2022-04-29 | 华为技术有限公司 | 一种车道线检测方法和装置 |
CN112382092A (zh) * | 2020-11-11 | 2021-02-19 | 成都纳雷科技有限公司 | 交通毫米波雷达自动生成车道的方法、系统及介质 |
CN112382092B (zh) * | 2020-11-11 | 2022-06-03 | 成都纳雷科技有限公司 | 交通毫米波雷达自动生成车道的方法、系统及介质 |
CN112712040A (zh) * | 2020-12-31 | 2021-04-27 | 潍柴动力股份有限公司 | 基于雷达校准车道线信息的方法、装置、设备及存储介质 |
CN112712040B (zh) * | 2020-12-31 | 2023-08-22 | 潍柴动力股份有限公司 | 基于雷达校准车道线信息的方法、装置、设备及存储介质 |
CN113408504A (zh) * | 2021-08-19 | 2021-09-17 | 南京隼眼电子科技有限公司 | 基于雷达的车道线识别方法、装置、电子设备及存储介质 |
CN114926813A (zh) * | 2022-05-16 | 2022-08-19 | 北京主线科技有限公司 | 车道线融合方法、装置、设备及存储介质 |
CN114926813B (zh) * | 2022-05-16 | 2023-11-21 | 北京主线科技有限公司 | 车道线融合方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
WO2020146983A1 (zh) | 2020-07-23 |
US20210350149A1 (en) | 2021-11-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111247525A (zh) | 一种车道检测方法、装置及车道检测设备、移动平台 | |
CN111553859B (zh) | 一种激光雷达点云反射强度补全方法及系统 | |
CN109635685B (zh) | 目标对象3d检测方法、装置、介质及设备 | |
US10395377B2 (en) | Systems and methods for non-obstacle area detection | |
CN111222395B (zh) | 目标检测方法、装置与电子设备 | |
US9576375B1 (en) | Methods and systems for detecting moving objects in a sequence of image frames produced by sensors with inconsistent gain, offset, and dead pixels | |
KR102058001B1 (ko) | 차선 보정 시스템, 차선 보정 장치 및 이의 차선 보정 방법 | |
CN107590470B (zh) | 一种车道线检测方法及装置 | |
US20010002936A1 (en) | Image recognition system | |
JP2007255979A (ja) | 物体検出方法および物体検出装置 | |
CN115049700A (zh) | 一种目标检测方法及装置 | |
CN114495064A (zh) | 一种基于单目深度估计的车辆周围障碍物预警方法 | |
CN110619328A (zh) | 基于图像处理和深度学习的船舶水尺读数智能识别方法 | |
CN111323757B (zh) | 一种航海雷达目标检测方法及装置 | |
US11698459B2 (en) | Method and apparatus for determining drivable region information | |
CN108268866B (zh) | 一种车辆检测方法和系统 | |
CN111332306A (zh) | 一种基于机器视觉的交通道路感知辅助驾驶预警装置 | |
CN114218999A (zh) | 一种基于融合图像特征的毫米波雷达目标检测方法及系统 | |
CN112989872B (zh) | 一种目标检测方法以及相关装置 | |
CN111753626B (zh) | 用于增强车辆中基于传感器的检测的注意区域识别 | |
CN111435457B (zh) | 对传感器获取的采集进行分类的方法 | |
CN113762004A (zh) | 车道线检测方法及装置 | |
CN110689556A (zh) | 跟踪方法、装置及智能设备 | |
CN115376106A (zh) | 基于雷达图的车型识别方法、装置、设备及介质 | |
CN114419591A (zh) | 一种基于c-v2x的多传感器信息融合车辆检测方法 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20200605 |
|
WD01 | Invention patent application deemed withdrawn after publication |