CN111353466B - 车道线识别处理方法、设备、存储介质 - Google Patents
车道线识别处理方法、设备、存储介质 Download PDFInfo
- Publication number
- CN111353466B CN111353466B CN202010171396.1A CN202010171396A CN111353466B CN 111353466 B CN111353466 B CN 111353466B CN 202010171396 A CN202010171396 A CN 202010171396A CN 111353466 B CN111353466 B CN 111353466B
- Authority
- CN
- China
- Prior art keywords
- lane line
- correction
- lane
- points
- grouping
- 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
Links
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
Abstract
本申请公开了一种车道线识别处理方法、设备、存储介质,其中,方法包括:根据当前车辆位置所在的车辆坐标系,对采集到的车道线点进行分组,并对每组车道线点分别进行拟合,分别得到对应的第一车道线;根据所述车道线点与所述第一车道线的距离,对所述车道线点进行校正分组,并对每个校正分组的车道线点进行拟合,分别得到拟合的校正车道线。本申请的车道线识别处理方法对车道线的拟合效果好、车道线识别精度高,有利于保障无人车的安全行驶。
Description
技术领域
本申请涉及无人车技术领域,尤其是一种车道线识别处理方法、设备、存储介质。
背景技术
无人车技术包括车道线点检测、车道线识别和环境建模,车道线识别是环境建模的基础,车道线识别的识别能力是无人车安全行驶的重要影响因素之一。
相关技术中,车道线识别方法包括根据车辆的当前位置,建立车辆坐标系,根据车辆坐标系中Y坐标轴的正负方向投影,对已检测出的车道线点进行分组,然后利用不同分组的车道线点分别拟合得到对应的车道线。
然而,根据车辆坐标系对车道线点分组,利用不同分组的车道线点分别拟合得到对应的车道线,这存在车道线拟合效果不佳、车道线识别精度低、无法适用于实际环境中的复杂行驶场景、不利于保障无人车的安全行驶的问题。
发明内容
本申请实施例提供一种车道线识别处理方法、设备、存储介质,用于解决现有的车道线识别方法存在的车道线拟合效果不佳、车道线识别精度低、无法适用于实际环境中的复杂行驶场景的问题。
第一方面,本申请提供了一种车道线识别处理方法,包括:
根据当前车辆位置所在的车辆坐标系,对采集到的车道线点进行分组,并对每组车道线点分别进行拟合,分别得到对应的第一车道线;
根据所述车道线点与所述第一车道线的距离,对所述车道线点进行校正分组,并对每个校正分组的车道线点进行拟合,分别得到拟合的校正车道线。
可选地,所述方法还包括:
重复以下步骤,直至满足校正迭代终止条件:
根据所述车道线点与前一次拟合得到的所述校正车道线的距离,对所述车道线点进行校正分组,并对每个校正分组的车道线点进行拟合,分别得到拟合的校正车道线。
可选地,所述根据所述车道线点与前一次拟合得到的所述校正车道线的距离,对所述车道线点进行校正分组,包括:
将每一个所述车道线点划分至距离最近的所述校正车道线对应的校正分组中,得到与每一个所述校正车道线对应的校正分组。
可选地,在将每一个所述车道线点划分至距离最近的所述校正车道线对应的校正分组中之后,还执行包括:
确定是否存在所述车道线点与每一个所述校正车道线的距离均大于第一预设阈值,若是,则将所述车道线点从所属的校正分组中去除。
可选地,所述校正迭代终止条件包括以下任意一种或任意几种:
校正迭代次数达到预设次数;
最后一次迭代得到的所述校正车道线与对应的校正分组中的车道线点的平均距离小于第二预设阈值;
最后N次迭代中的每相邻两次迭代得到的车道线参数的差值的变化率小于第三预设阈值,其中,N为大于1的整数。
可选地,所述方法还包括:
根据车辆在至少一个时刻的行驶位置,确定与至少一个所述行驶位置对应的车道线的车道线参数;
根据与至少一个所述行驶位置对应的车道线的车道线参数,调节车辆的自动驾驶参数。
第二方面,本申请提供一种车道线识别处理装置,包括:
第一处理单元,用于根据当前车辆位置所在的车辆坐标系,对采集到的车道线点进行分组,并对每组车道线点分别进行拟合,分别得到对应的第一车道线;
第二处理单元,用于根据所述车道线点与所述第一车道线的距离,对所述车道线点进行校正分组,并对每个校正分组的车道线点进行拟合,分别得到拟合的校正车道线。
可选地,所述装置还包括:
第三处理单元,用于重复以下步骤,直至满足校正迭代终止条件:
根据所述车道线点与前一次拟合得到的所述校正车道线的距离,对所述车道线点进行校正分组,并对每个校正分组的车道线点进行拟合,分别得到拟合的校正车道线。
可选地,所述第三处理单元,包括:
第一处理子单元,用于将每一个所述车道线点划分至距离最近的所述校正车道线对应的校正分组中,得到与每一个所述校正车道线对应的校正分组。
可选地,所述第三处理单元,还包括:
第二处理子单元,用于在第一处理子单元将每一个所述车道线点划分至距离最近的所述校正车道线对应的校正分组中之后,确定是否存在所述车道线点与每一个所述校正车道线的距离均大于第一预设阈值,若是,则将所述车道线点从所属的校正分组中去除。
可选地,所述校正迭代终止条件包括以下任意一种或任意几种:
校正迭代次数达到预设次数;
最后一次迭代得到的所述校正车道线与对应的校正分组中的车道线点的平均距离小于第二预设阈值;
最后N次迭代中的每相邻两次迭代得到的车道线参数的差值的变化率小于第三预设阈值,其中,N为大于1的整数。
可选地,所述装置还包括:
第四处理单元,用于根据车辆在至少一个时刻的行驶位置,确定与至少一个所述行驶位置对应的车道线的车道线参数;
第五处理单元,用于根据与至少一个所述行驶位置对应的车道线的车道线参数,调节车辆的自动驾驶参数。
第三方面,本申请提供了一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行第一方面中任一项所述的方法。
第四方面,本申请提供了一种存储有计算机指令的非瞬时计算机可读存储介质,所述计算机指令用于使所述计算机执行第一方面中任一项所述的方法。
本申请公开了一种车道线识别处理处理方法、设备、存储介质,其中,所述方法包括:根据当前车辆位置所在的车辆坐标系,对采集到的车道线点进行分组,并对每组车道线点分别进行拟合,分别得到对应的第一车道线;根据车道线点与第一车道线的距离,对车道线点进行校正分组,并对每个校正分组的车道线点进行拟合,分别得到拟合的校正车道线。本申请中对初始拟合得到的第一车道线进行再次校正拟合,校正拟合过程中根据初始拟合得到的第一车道线对车道线点重新集进行校正分组,能够减小车道线点的分散情况对初始拟合得到的车道线走向的影响,适用于实际环境中的复杂行驶场景,因此,通过本申请的方法最终拟合得到的校正车道线能够真实反映车道线点在车辆坐标系中的分布情况,能够真实反映车道线的实际走向,本申请的车道线识别处理方法对车道线的拟合效果好、车道线识别精度高,有利于保障无人车的安全行驶。
上述可选方式所具有的其他效果将在下文中结合具体实施例加以说明。
附图说明
附图用于更好地理解本方案,不构成对本申请的限定。其中:
图1是本申请实施例提供的一种车道线识别处理方法的流程示意图;
图1a是本申请实施例提供的一种车辆坐标系的示意图;
图1b是本申请实施例提供的一种对车道线点进行初始分组的示意图;
图1c是本申请实施例提供的一种车辆当前所处场景的示意图;
图2是本申请实施例提供的又一种车道线识别处理方法的流程示意图;
图3是本申请实施例提供的一种车道线识别处理装置的结构示意图;
图4是本申请实施例提供的又一种车道线识别处理装置的结构示意图;
图5是本申请实施例提供的一种车道线识别处理设备的结构示意图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明,其中包括本申请实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本申请的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
本申请涉及的名词解释:
车道线:引导车辆行驶方向的车道标线,用来指示车辆在路口驶入段应按照指示方向行驶。在车流大的交通路口一般画有此类标线,目的就是明确行车方向,各行其道,减缓交通压力。
车道线点:对车道线进行图像识别处理后提取到的、用于表示车道线及其走向的一些像素点。
车辆坐标系:如图1a所示,固结于车辆上的OXYZ直角动坐标系就是车辆坐标系。XOZ处于车辆左右对称的平面内,当车辆在水平路面上静止状态下,X轴平行于地面指向车辆前方,Z轴通过车辆质心指向车辆上方,Y轴指向驾驶员的左侧,坐标系的原点O与车辆的质心重合。
本申请的应用场景:无人车技术包括车道线点检测、车道线识别和环境建模,车道线识别是环境建模的基础,车道线识别的识别能力是无人车安全行驶的重要影响因素之一。例如,无人车在进入弯道后,需要对弯道处的弯道车道线进行识别,并根据识别到的弯道车道线对弯道进行建模得到弯道模型,再根据弯道模型控制无人车在弯道处行驶,若无人车在进入弯道后识别到的弯道车道线与实际的弯道车道线不同,则会导致建模得到的弯道模型与实际弯道不同,无人车按照错误的弯道模型在弯道处行驶,无人车的安全行驶无法得到保障。
相关技术中,车道线识别方法包括根据车辆的当前位置,建立车辆坐标系,根据车辆坐标系中Y坐标轴的正负方向投影,对已检测出的车道线点进行分组,然后利用不同分组的车道线点分别拟合得到对应的车道线。然而,根据车辆坐标系对车道线点分组,利用不同分组的车道线点分别拟合得到对应的车道线,这存在车道线拟合效果不佳、车道线识别精度低、无法适用于实际环境中的复杂行驶场景、不利于保障无人车的安全行驶的问题。例如,当车辆的当前位置处于弯道处时,可能会出现多条车道线的车道线点在车辆坐标系的Y坐标轴上的投影互相重合或接近的情况,导致不同车道线的车道线点被划分至同一个车道线点分组,此时根据车道线点分组拟合得到的对应车道线并不能真实反映车道线的实际分布和走向。
本申请提供的车道线识别处理方法、设备、存储介质,旨在解决上述技术问题。
图1为本申请实施例提供的一种车道线识别处理方法的流程示意图,如图1所示,该方法包括:
步骤101、根据当前车辆位置所在的车辆坐标系,对采集到的车道线点进行分组,并对每组车道线点分别进行拟合,分别得到对应的第一车道线。
在本实施例中,具体地,本实施例的执行主体为车载终端设备或者设置在车载终端设备上的服务器、或者控制器、或者其他可以执行本实施例的装置或设备,本实施例以执行主体为设置在车载终端设备上的应用软件为例进行说明。
在无人车的自主导航以及车辆的智能辅助驾驶系统中,准确识别道路中的车道线信息至关重要。对采集到的车道线图像进行图像识别,获取与车道线相对应的像素点,得到车道线点,根据车道线点拟合车道线模型,根据车道线模型即可得到无人车自主导航及车辆智能辅助驾驶系统所需的车道线信息。在根据车道线点拟合车道线模型时,需要利用车辆坐标系,并在车辆坐标系上完成车道线模型的拟合。
图1a是本实施例提供的一种车辆坐标系示意图,如图1a所示,车辆坐标系是固结于车辆上的OXYZ直角动坐标系,其中,XOZ处于车辆左右对称的平面内,当车辆在水平路面上静止状态下,X轴平行于地面指向车辆前方,Z轴通过车辆质心指向车辆上方,Y轴指向驾驶员的左侧,坐标系的原点O与车辆的质心重合。
可以通过如下方法建立车辆坐标系:以车辆处于当前位置时的质心为原点O,过原点O沿车辆的正前方建X轴,过原点O沿车辆的左侧建Y轴,过原点O沿车辆的正上方建Z轴,所得直角坐标系OXYZ即为车辆坐标系。其中,上述方法中所说的车辆的正前方、左侧和正上方是指车辆正常行驶时车辆的正前方、左侧和正上方。
可选地,本实施例对“当前车辆位置”不作具体限制,其可以是车辆相对于车道线的任意位置,例如可以是两条车道线之间的位置,也可以是与某一条车道线重合的位置,还可以是位于所有车道线一侧的位置。
无人车所处的场景可能包括多条车道线,因此获取到的车道线点中包括多条车道线对应的车道线点,然而,获取到的车道线点呈离散状态分散在车辆坐标系中,为了更好地区分每一条车道线对应的车道线点,需要对获取到的车道线点进行分组。根据当前车辆位置所在的车辆坐标系,对采集到的车道线点进行分组,对采集到的车道线点进行分组的方法可以是领域内的常规方法,例如,可以采用如下方法实现:
在车辆坐标系中,将采集到的车道线点投影到车辆坐标系的Y轴上,得到各车道线点在Y轴上的投影点,对各投影点进行一维初步聚类,得到车道线点的初始分组,即:计算Y轴上各投影点的Y轴坐标值之间的差值,将Y轴坐标值之间的差值小于预设值的两个投影点对应的车道线点划分到同一分组,最终形成车道线点分组。
示例性地,图1b是本实施例提供的一种对采集到的车道线点进行分组的示意图,如图1b所示,M为无人车,XOY坐标系是无人车M的平面坐标系,无人车M所处的场景中具有车道线1、车道线2和车道线3,点a、点b、点c、点d、点e、点f、点g和点h是车道线点;为了对车道线点a、b、c、d、e、f、g和h进行分组,将车道线点a、b、c、d、e、f、g和h分别投影到XOY坐标系的Y轴上,得到投影点a'、b'、c'、d'、e'、f'、g'和h'判断各投影点的Y轴坐标值之间的差值;投影点a'、b'和c'的Y轴坐标值之间的差值较小,因此将车道线点a、b和c划分为一个车道线点分组Ⅰ;投影点e'和f'的Y轴坐标值之间的差值较小,因此将车道线点e和f划分为一个车道线点分组Ⅱ;投影点g'和h'的Y轴坐标值之间的差值较小,因此将车道线点g和h划分为一个车道线点分组Ⅲ。通过上述方法,将车道线点a、b、c、d、e、f、g和h划分为3个车道线点分组。
采集车道线点的方法可以是本领域内的常规方法,本实施例不作具体限制。示例性地,可以利用Canny边缘提取算法或者Sobel边缘提取算法对采集到的车道线图像进行边缘提取,从而得到车道线点。
对每组车道线点分别进行拟合,分别得到对应的第一车道线的方法可以是本领域内的常规方法,本实施例不作具体限制。例如,可以将每组车道线点均作为离散点,并根据每个车道线点在车辆坐标系内的坐标,分别对每组车道线点进行曲线拟合,得到的拟合曲线即为第一车道线。可选地,当上述曲线拟合得到的拟合曲线为非线性曲线时,可以利用最小二乘法对非线性曲线进行处理,得到直线方程。
步骤102、根据车道线点与第一车道线的距离,对车道线点进行校正分组,并对每个校正分组的车道线点进行拟合,分别得到拟合的校正车道线。
在本实施例中,具体地,步骤101得出的第一车道线并不一定能真实反映车道线的实际走向,例如,图1c是本实施例提供的一种车辆当前所处场景的示意图,如图1c所示,当无人车位于车道线4和车道线5的弯道处时,车道线4上的车道线点j和k在车辆坐标系Y轴上的投影点,与车道线5的车道线点i和l在车辆坐标系Y轴上的投影点互相重合,在该种情况下,根据步骤101的方法,会将车道线点j和k与车道线点i和l划分至同一个车道线点分组,根据该车道线点分组得到的第一车道线无法真实反映车道线4和车道线5的实际走向。因此,需要对步骤101得到的第一车道线进行校正。
根据车道线点与第一车道线的距离,对车道线点进行校正分组,是指:基于步骤101得到的第一车道线,以及每个车道线点与每条第一车道线之间的距离,对采集到的所有车道线点进行重新分组,得到车道线点的校正分组,每个校正分组分别与每条第一车道线相对应。其中,根据车道线点与第一车道线的距离,对车道线点进行校正分组,可以是:获取第一车道线中任意两条相邻的车道线;根据该任意两条相邻的车道线,获取在车辆坐标系中位于该任意两条相邻的车道线之间的车道线点;根据车道线点与该任意两条相邻的车道线的距离,将该任意两条相邻的车道线之间的车道线点分为分别与该任意两条相邻的车道线对应的两组;利用上述方法,遍历所有车道线和车道线点,即可得到车道线点的校正分组。
“对每个校正分组的车道线点进行拟合,分别得到拟合的校正车道线”的方法,可以与步骤101中“对每组车道线点分别进行拟合,分别得到对应的第一车道线”的方法相似或相同,参见步骤101的相关记载,本实施例在此不再赘述。或者,也可以基于车道线点的校正分组,直接对步骤101得到的初始车道线进行校正,得到校正车道线。
本实施例中,根据当前车辆位置所在的车辆坐标系,对采集到的车道线点进行分组,并对每组车道线点分别进行拟合,分别得到对应的第一车道线;根据车道线点与第一车道线的距离,对车道线点进行校正分组,并对每个校正分组的车道线点进行拟合,分别得到拟合的校正车道线。本实施例中对初始拟合得到的第一车道线进行再次校正拟合,校正拟合过程中根据初始拟合得到的第一车道线对车道线点重新集进行校正分组,能够减小车道线点的分散情况对初始拟合得到的车道线走向的影响,适用于实际环境中的复杂行驶场景,因此,通过本实施例的方法最终拟合得到的校正车道线能够真实反映车道线点在车辆坐标系中的分布情况,能够真实反映车道线的实际走向,本实施例的车道线识别处理方法对车道线的拟合效果好、车道线识别精度高,有利于保障无人车的安全行驶。
图2为本申请实施例提供的一种车道线识别处理方法的流程示意图,在图1的基础上,如图2所示,
步骤201、根据当前车辆位置所在的车辆坐标系,对采集到的车道线点进行分组,并对每组车道线点分别进行拟合,分别得到对应的第一车道线。
步骤202、根据车道线点与第一车道线的距离,对车道线点进行校正分组,并对每个校正分组的车道线点进行拟合,分别得到拟合的校正车道线。
步骤201和步骤202的方法和原理与步骤101和步骤102的方法和原理相似或相同,参见步骤101和步骤102的相关记载,本实施例不再赘述。
步骤203、重复以下步骤,直至满足校正迭代终止条件:根据车道线点与前一次拟合得到的校正车道线的距离,对车道线点进行校正分组,并对每个校正分组的车道线点进行拟合,分别得到拟合的校正车道线。
在本实施例中,具体地,对拟合得到的校正车道线进行多次校正拟合,直至最终拟合得到的校正车道线满足校正迭代终止条件时,将最终拟合得到的校正车道线的车道线参数作为当前位置的车道线的车道线参数。其中,迭代终止条件可以是校正车道线合格的标准,例如可以是校正车道线已经能够真实反应车道线的实际走向;也可以是其它需要终止校正拟合的限制条件,例如可以是校正拟合的次数足够多,已经满足预设次数。
可选地,根据车道线点与前一次拟合得到的校正车道线的距离,对车道线点进行校正分组,包括:将每一个车道线点划分至距离最近的校正车道线对应的校正分组中,得到与每一个校正车道线对应的校正分组。
车道线点与校正车道线的距离,是指车道线点与校正车道线的最小距离,更具体地,是指每一个车道线点与每一个校正车道线上的点的最小距离。其中,确定每一个车道线点与每一个校正车道线的距离的方法可以是本领域内的常规方法,本实施例不作具体限制,例如,可以利用垂直逼近算法、基于几何特征的快速迭代法、基于最优化方法的黄金分割法与二次迭代法的组合法或者格点法等方法确定每一个车道线点与每一个校正车道线的距离。
值得注意的是,本实施例中所说的车道线点,与步骤101中所说采集到的车道线点相同,也就是说,本实施例是在根据车道线点的校正分组确定校正车道线之后,根据校正车道线重新对车道线点进行校正分组处理。
在对校正车道线进行多次校正拟合的过程中,每次校正拟合均需要对车道线点重新进行校正分组处理,即:根据车道线点与上一次校正车道线的距离,对车道线点重新进行校正分组处理,将车道线点重新划分至与其距离最近的上一次校正车道线对应的校正分组中,得到与上一次校正车道线对应的多个车道线点校正子分组。
优选地,为了提高校正拟合的精确度,在将每一个车道线点划分至距离最近的校正车道线对应的校正分组中之后,还执行包括:确定是否存在车道线点与每一个校正车道线的距离均大于第一预设阈值,若是,则将车道线点从所属的校正分组中去除。其中,这里所说的第一预设阈值可以是根据车道线的标准分布情况来确定的。
在上述优选情况下,若存在车道线点与每一个校正车道线的距离均大于第一预设阈值,则说明该车道线点与每一个校正车道线的离散值均较大,为了避免该车道线点对本次车道线校正拟合的精度产生较大影响,需要将该车道线点从的校正分组中去除,然后再进行校正车道线的拟合。
为了保证车道线点的数据完整性,保证最终确定的校正车道线能够尽可能地代表更多车道线点在车辆坐标系中的分布情况,能够更真实地反映车道线的实际走向,在本次校正拟合中被去除的车道线点,在进行下一次校正拟合时,仍然需要纳入车道线点校正分组的考察范围内。
“对每个校正分组的车道线点进行拟合,分别得到拟合的校正车道线”的方法,可以与步骤101中“对每组车道线点分别进行拟合,分别得到对应的第一车道线”的方法相似或相同,参见步骤101的相关记载,本实施例在此不再赘述。
可选地,迭代终止条件包括以下任意一种或任意几种:迭代次数达到预设次数;最后一次迭代得到的校正车道线与对应的校正分组中的车道线点的平均距离小于第二预设阈值;最后N次迭代中的每相邻两次迭代得到的车道线参数的差值的变化率小于第三预设阈值,其中,N为大于1的整数。
其中,上述预设次数可以是一个理论数值,可以通过本领域内的常规方法进行确定,通常认为当迭代次数达到上述预设次数时,迭代产生的校正车道线已经能够较好的反应车道线点在车辆坐标系内的分布情况,能够较真实地反映车道线的实际走向。上述第二预设阈值和第三预设阈值可以是通过大量实验确定的经验数值,当最后一次拟合得到的校正车道线与对应的校正分组中的车道线点的平均距离小于第二预设阈值时,或者当最后N次迭代中的每相邻两次迭代得到的车道线参数的差值的变化率小于第三预设阈值时,均表示最后一次拟合得到的校正车道线已经能够真实反映车道线点在车辆坐标系内的分布情况,能够真实反映车道线的实际走向。
可选地,本实施例还包括:根据车辆在至少一个时刻的行驶位置,确定与至少一个行驶位置对应的车道线的车道线参数;根据与至少一个行驶位置对应的车道线的车道线参数,调节车辆的自动驾驶参数。车辆根据上述调节后的自动驾驶参数进行自动驾驶,能够保证车辆的行驶安全。
可选地,本实施例还包括:根据车辆在至少一个时刻的行驶位置,确定与至少一个行驶位置对应的车道线的车道线参数;根据与至少一个行驶位置对应的车道线的车道线参数,对车辆的行驶环境进行环境建模。利用该方法进行环境建模,能够提高环境建模的效率和准确度。
本实施例中,根据当前车辆位置所在的车辆坐标系,对采集到的车道线点进行分组,并对每组车道线点分别进行拟合,分别得到对应的第一车道线;根据车道线点与第一车道线的距离,对车道线点进行校正分组,并对每个校正分组的车道线点进行拟合,分别得到拟合的校正车道线;重复以下步骤,直至满足校正迭代终止条件:根据车道线点与前一次拟合得到的校正车道线的距离,对车道线点进行校正分组,并对每个校正分组的车道线点进行拟合,分别得到拟合的校正车道线。在对校正车道线进行迭代校正拟合的过程中,每次校正拟合均根据车道线点与上一次校正拟合得到的校正车道线的距离对车道线点集进行重新校正分组,得到车道线点的校正分组,再根据车道线点的校正分组拟合得到本次拟合中的校正车道线,实现了根据车道线点在车辆坐标系中的分布情况调节优化校正车道线,使得最终拟合得到的校正车道线能够真实反映车道线点在车辆坐标系中的分布情况,能够真实反映车道线的实际走向,因此,本实施例的车道线识别处理方法对车道线的拟合效果好、车道线识别精度高,有利于保障无人车的安全行驶。
图3为本申请实施例提供的一种车道线识别处理装置的结构示意图,如图3所示,该装置包括:
第一处理单元6,用于根据当前车辆位置所在的车辆坐标系,对采集到的车道线点进行分组,并对每组车道线点分别进行拟合,分别得到对应的第一车道线;
第二处理单元7,用于根据车道线点与第一车道线的距离,对车道线点进行校正分组,并对每个校正分组的车道线点进行拟合,分别得到拟合的校正车道线。
本实施例中,根据当前车辆位置所在的车辆坐标系,对采集到的车道线点进行分组,并对每组车道线点分别进行拟合,分别得到对应的第一车道线;根据车道线点与第一车道线的距离,对车道线点进行校正分组,并对每个校正分组的车道线点进行拟合,分别得到拟合的校正车道线。本实施例中对初始拟合得到的第一车道线进行再次校正拟合,校正拟合过程中根据初始拟合得到的第一车道线对车道线点重新集进行校正分组,能够减小车道线点的分散情况对初始拟合得到的车道线走向的影响,适用于实际环境中的复杂行驶场景,因此,通过本实施例的方法最终拟合得到的校正车道线能够真实反映车道线点在车辆坐标系中的分布情况,能够真实反映车道线的实际走向,本实施例的车道线识别处理方法对车道线的拟合效果好、车道线识别精度高,有利于保障无人车的安全行驶。
图4为本申请实施例提供的另一种车道线识别处理装置的结构示意图,在图3的基础上,如图4所示,该装置还包括:
第三处理单元8,用于重复以下步骤,直至满足校正迭代终止条件:
根据车道线点与前一次拟合得到的校正车道线的距离,对车道线点进行校正分组,并对每个校正分组的车道线点进行拟合,分别得到拟合的校正车道线。
第三处理单元8,包括:
第一处理子单元31,用于将每一个车道线点划分至距离最近的校正车道线对应的校正分组中,得到与每一个校正车道线对应的校正分组。
第三处理单元8,还包括:
第二处理子单元32,用于在第一处理子单元将每一个车道线点划分至距离最近的校正车道线对应的校正分组中之后,确定是否存在车道线点与每一个校正车道线的距离均大于第一预设阈值,若是,则将车道线点从所属的校正分组中去除。
其中,校正迭代终止条件包括以下任意一种或任意几种:
校正迭代次数达到预设次数;
最后一次迭代得到的校正车道线与对应的校正分组中的车道线点的平均距离小于第二预设阈值;
最后N次迭代中的每相邻两次迭代得到的车道线参数的差值的变化率小于第三预设阈值,其中,N为大于1的整数。
该装置还包括:
第四处理单元9,用于根据车辆在至少一个时刻的行驶位置,确定与至少一个行驶位置对应的车道线的车道线参数;
第五处理单元10,用于根据与至少一个行驶位置对应的车道线的车道线参数,调节车辆的自动驾驶参数。
本实施例中,根据当前车辆位置所在的车辆坐标系,对采集到的车道线点进行分组,并对每组车道线点分别进行拟合,分别得到对应的第一车道线;根据车道线点与第一车道线的距离,对车道线点进行校正分组,并对每个校正分组的车道线点进行拟合,分别得到拟合的校正车道线;重复以下步骤,直至满足校正迭代终止条件:根据车道线点与前一次拟合得到的校正车道线的距离,对车道线点进行校正分组,并对每个校正分组的车道线点进行拟合,分别得到拟合的校正车道线。在对校正车道线进行迭代校正拟合的过程中,每次校正拟合均根据车道线点与上一次校正拟合得到的校正车道线的距离对车道线点集进行重新校正分组,得到车道线点的校正分组,再根据车道线点的校正分组拟合得到本次拟合中的校正车道线,实现了根据车道线点在车辆坐标系中的分布情况调节优化校正车道线,使得最终拟合得到的校正车道线能够真实反映车道线点在车辆坐标系中的分布情况,能够真实反映车道线的实际走向,因此,本实施例的车道线识别处理方法对车道线的拟合效果好、车道线识别精度高,有利于保障无人车的安全行驶。
根据本申请的实施例,本申请还提供了一种电子设备和一种可读存储介质。
如图5所示,是根据本申请实施例的车道线识别处理的方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本申请的实现。
如图5所示,该电子设备包括:一个或多个处理器501、存储器502,以及用于连接各部件的接口,包括高速接口和低速接口。各个部件利用不同的总线互相连接,并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理,包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如,耦合至接口的显示设备)上显示GUI的图形信息的指令。在其它实施方式中,若需要,可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样,可以连接多个电子设备,各个设备提供部分必要的操作(例如,作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图5中以一个处理器501为例。
存储器502即为本申请所提供的非瞬时计算机可读存储介质。其中,存储器存储有可由至少一个处理器执行的指令,以使至少一个处理器执行本申请所提供的车道线识别处理的方法。本申请的非瞬时计算机可读存储介质存储计算机指令,该计算机指令用于使计算机执行本申请所提供的车道线识别处理的方法。
存储器502作为一种非瞬时计算机可读存储介质,可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块,如本申请实施例中的车道线识别处理的方法对应的程序指令/模块(例如,附图3所示的第一处理单元6和第二处理单元7)。处理器501通过运行存储在存储器502中的非瞬时软件程序、指令以及模块,从而执行服务器的各种功能应用以及数据处理,即实现上述方法实施例中的车道线识别处理方法。
存储器502可以包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需要的应用程序;存储数据区可存储根据车道线识别处理的电子设备的使用所创建的数据等。此外,存储器502可以包括高速随机存取存储器,还可以包括非瞬时存储器,例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中,存储器502可选包括相对于处理器501远程设置的存储器,这些远程存储器可以通过网络连接至车道线识别处理的电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
车道线识别处理的方法的电子设备还可以包括:输入装置503和输出装置504。处理器501、存储器502、输入装置503和输出装置504可以通过总线或者其他方式连接,图5中以通过总线连接为例。
输入装置503可接收输入的数字或字符信息,以及产生与车道线识别处理的电子设备的用户设置以及功能控制有关的键信号输入,例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置504可以包括显示设备、辅助照明装置(例如,LED)和触觉反馈装置(例如,振动电机)等。该显示设备可以包括但不限于,液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中,显示设备可以是触摸屏。
此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、专用ASIC(专用集成电路)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令,并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的,术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如,磁盘、光盘、存储器、可编程逻辑装置(PLD)),包括,接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。
在本申请实施例中,上述各实施例之间可以相互参考和借鉴,相同或相似的步骤以及名词均不再一一赘述。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本申请公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本申请保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等,均应包含在本申请保护范围之内。
Claims (10)
1.一种车道线识别处理方法,其特征在于,包括:
根据当前车辆位置所在的车辆坐标系,对采集到的车道线点进行分组,并对每组车道线点分别进行拟合,分别得到对应的第一车道线;
根据所述车道线点与所述第一车道线的距离,对所述车道线点进行校正分组,并对每个校正分组的车道线点进行拟合,分别得到拟合的校正车道线;
所述方法还包括:
重复以下步骤,直至满足校正迭代终止条件:
根据所述车道线点与前一次拟合得到的所述校正车道线的距离,对所述车道线点进行校正分组,并对每个校正分组的车道线点进行拟合,分别得到拟合的校正车道线;
所述根据所述车道线点与前一次拟合得到的所述校正车道线的距离,对所述车道线点进行校正分组,包括:
将每一个所述车道线点划分至距离最近的所述校正车道线对应的校正分组中,得到与每一个所述校正车道线对应的校正分组。
2.根据权利要求1所述的方法,其特征在于,在将每一个所述车道线点划分至距离最近的所述校正车道线对应的校正分组中之后,还执行包括:
确定是否存在所述车道线点与每一个所述校正车道线的距离均大于第一预设阈值,若是,则将所述车道线点从所属的校正分组中去除。
3.根据权利要求1或2所述的方法,其特征在于,所述校正迭代终止条件包括以下任意一种或任意几种:
校正迭代次数达到预设次数;
最后一次迭代得到的所述校正车道线与对应的校正分组中的车道线点的平均距离小于第二预设阈值;
最后N次迭代中的每相邻两次迭代得到的车道线参数的差值的变化率小于第三预设阈值,其中,N为大于1的整数。
4.根据权利要求1或2所述的方法,其特征在于,所述方法还包括:
根据车辆在至少一个时刻的行驶位置,确定与至少一个所述行驶位置对应的车道线的车道线参数;
根据与至少一个所述行驶位置对应的车道线的车道线参数,调节车辆的自动驾驶参数。
5.一种车道线识别处理装置,其特征在于,包括:
第一处理单元,用于根据当前车辆位置所在的车辆坐标系,对采集到的车道线点进行分组,并对每组车道线点分别进行拟合,分别得到对应的第一车道线;
第二处理单元,用于根据所述车道线点与所述第一车道线的距离,对所述车道线点进行校正分组,并对每个校正分组的车道线点进行拟合,分别得到拟合的校正车道线;
所述装置还包括:
第三处理单元,用于重复以下步骤,直至满足校正迭代终止条件:
根据所述车道线点与前一次拟合得到的所述校正车道线的距离,对所述车道线点进行校正分组,并对每个校正分组的车道线点进行拟合,分别得到拟合的校正车道线;
所述第三处理单元,包括:
第一处理子单元,用于将每一个所述车道线点划分至距离最近的所述校正车道线对应的校正分组中,得到与每一个所述校正车道线对应的校正分组。
6.根据权利要求5所述的装置,其特征在于,所述第三处理单元,还包括:
第二处理子单元,用于在第一处理子单元将每一个所述车道线点划分至距离最近的所述校正车道线对应的校正分组中之后,确定是否存在所述车道线点与每一个所述校正车道线的距离均大于第一预设阈值,若是,则将所述车道线点从所属的校正分组中去除。
7.根据权利要求5或6所述的装置,其特征在于,所述校正迭代终止条件包括以下任意一种或任意几种:
校正迭代次数达到预设次数;
最后一次迭代得到的所述校正车道线与对应的校正分组中的车道线点的平均距离小于第二预设阈值;
最后N次迭代中的每相邻两次迭代得到的车道线参数的差值的变化率小于第三预设阈值,其中,N为大于1的整数。
8.根据权利要求5或6所述的装置,其特征在于,所述装置还包括:
第四处理单元,用于根据车辆在至少一个时刻的行驶位置,确定与至少一个所述行驶位置对应的车道线的车道线参数;
第五处理单元,用于根据与至少一个所述行驶位置对应的车道线的车道线参数,调节车辆的自动驾驶参数。
9.一种电子设备,其特征在于,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-4中任一项所述的方法。
10.一种存储有计算机指令的非瞬时计算机可读存储介质,其特征在于,所述计算机指令用于使所述计算机执行权利要求1-4中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010171396.1A CN111353466B (zh) | 2020-03-12 | 2020-03-12 | 车道线识别处理方法、设备、存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010171396.1A CN111353466B (zh) | 2020-03-12 | 2020-03-12 | 车道线识别处理方法、设备、存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111353466A CN111353466A (zh) | 2020-06-30 |
CN111353466B true CN111353466B (zh) | 2023-09-22 |
Family
ID=71194456
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010171396.1A Active CN111353466B (zh) | 2020-03-12 | 2020-03-12 | 车道线识别处理方法、设备、存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111353466B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112050821B (zh) * | 2020-09-11 | 2021-08-20 | 湖北亿咖通科技有限公司 | 一种车道线聚合方法 |
CN112381034A (zh) * | 2020-11-25 | 2021-02-19 | 上海眼控科技股份有限公司 | 一种车道线检测方法、装置、设备及存储介质 |
CN113869293B (zh) * | 2021-12-03 | 2022-03-11 | 禾多科技(北京)有限公司 | 车道线识别方法、装置、电子设备和计算机可读介质 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103177246A (zh) * | 2013-03-26 | 2013-06-26 | 北京理工大学 | 基于动态区域划分的双模型车道线识别方法 |
CN105022985A (zh) * | 2014-04-25 | 2015-11-04 | 本田技研工业株式会社 | 车道识别装置 |
CN105300401A (zh) * | 2014-06-17 | 2016-02-03 | 星克跃尔株式会社 | 电子装置及其控制方法 |
CN105320927A (zh) * | 2015-03-25 | 2016-02-10 | 中科院微电子研究所昆山分所 | 车道线检测方法及系统 |
CN105426864A (zh) * | 2015-12-04 | 2016-03-23 | 华中科技大学 | 一种基于等距边缘点匹配的多车道线检测方法 |
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 |
CN108960183A (zh) * | 2018-07-19 | 2018-12-07 | 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 |
WO2019168869A1 (en) * | 2018-02-27 | 2019-09-06 | Nvidia Corporation | Real-time detection of lanes and boundaries by autonomous vehicles |
JP2019156308A (ja) * | 2018-03-15 | 2019-09-19 | アイシン精機株式会社 | 駐車支援装置 |
CN110458083A (zh) * | 2019-08-05 | 2019-11-15 | 武汉中海庭数据技术有限公司 | 一种车道线矢量化方法、装置及存储介质 |
CN110487562A (zh) * | 2019-08-21 | 2019-11-22 | 北京航空航天大学 | 一种用于无人驾驶的车道保持能力检测系统及方法 |
CN110796066A (zh) * | 2019-10-26 | 2020-02-14 | 武汉中海庭数据技术有限公司 | 一种车道线组构建方法及装置 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8311283B2 (en) * | 2008-07-06 | 2012-11-13 | Automotive Research&Testing Center | Method for detecting lane departure and apparatus thereof |
US10124730B2 (en) * | 2016-03-17 | 2018-11-13 | Ford Global Technologies, Llc | Vehicle lane boundary position |
US10248871B2 (en) * | 2016-03-24 | 2019-04-02 | Qualcomm Incorporated | Autonomous lane detection |
-
2020
- 2020-03-12 CN CN202010171396.1A patent/CN111353466B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103177246A (zh) * | 2013-03-26 | 2013-06-26 | 北京理工大学 | 基于动态区域划分的双模型车道线识别方法 |
CN105022985A (zh) * | 2014-04-25 | 2015-11-04 | 本田技研工业株式会社 | 车道识别装置 |
CN105300401A (zh) * | 2014-06-17 | 2016-02-03 | 星克跃尔株式会社 | 电子装置及其控制方法 |
CN105320927A (zh) * | 2015-03-25 | 2016-02-10 | 中科院微电子研究所昆山分所 | 车道线检测方法及系统 |
CN105426864A (zh) * | 2015-12-04 | 2016-03-23 | 华中科技大学 | 一种基于等距边缘点匹配的多车道线检测方法 |
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 |
WO2019168869A1 (en) * | 2018-02-27 | 2019-09-06 | Nvidia Corporation | Real-time detection of lanes and boundaries by autonomous vehicles |
JP2019156308A (ja) * | 2018-03-15 | 2019-09-19 | アイシン精機株式会社 | 駐車支援装置 |
CN108960183A (zh) * | 2018-07-19 | 2018-12-07 | 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 |
CN110458083A (zh) * | 2019-08-05 | 2019-11-15 | 武汉中海庭数据技术有限公司 | 一种车道线矢量化方法、装置及存储介质 |
CN110487562A (zh) * | 2019-08-21 | 2019-11-22 | 北京航空航天大学 | 一种用于无人驾驶的车道保持能力检测系统及方法 |
CN110796066A (zh) * | 2019-10-26 | 2020-02-14 | 武汉中海庭数据技术有限公司 | 一种车道线组构建方法及装置 |
Non-Patent Citations (3)
Title |
---|
吴一全,等.基于视觉的车道线检测方法研究进展.仪器仪表学报.2019,(第12期),全文. * |
王娇,等.一种基于多重衡量标准共检的车道线检测方法.现代电子技术.2020,(第05期),全文. * |
王鑫,等.基于双重ROI和变间距扫描的车道线检测.指挥与控制学报.2017,(第02期),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN111353466A (zh) | 2020-06-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111353466B (zh) | 车道线识别处理方法、设备、存储介质 | |
CN110738183B (zh) | 路侧相机障碍物检测方法及装置 | |
CN112150551B (zh) | 物体位姿的获取方法、装置和电子设备 | |
CN112270669B (zh) | 人体3d关键点检测方法、模型训练方法及相关装置 | |
CN111368760B (zh) | 一种障碍物检测方法、装置、电子设备及存储介质 | |
CN111402161B (zh) | 点云障碍物的去噪方法、装置、设备和存储介质 | |
CN111524192B (zh) | 车载相机外参的标定方法、装置、系统及存储介质 | |
JP2021119507A (ja) | 車線の決定方法、車線測位精度の評価方法、車線の決定装置、車線測位精度の評価装置、電子デバイス、コンピュータ可読記憶媒体、及びプログラム | |
CN111079079B (zh) | 数据修正方法、装置、电子设备及计算机可读存储介质 | |
CN110675635B (zh) | 相机外参的获取方法、装置、电子设备及存储介质 | |
CN111666876A (zh) | 用于检测障碍物的方法、装置、电子设备和路侧设备 | |
EP3842995A1 (en) | Method and apparatus for generating map | |
CN111652112B (zh) | 一种车道流向的识别方法、装置、电子设备及存储介质 | |
CN111652113A (zh) | 障碍物检测方法、装置、设备以及存储介质 | |
JP2022050311A (ja) | 車両の車線変更を検出するための方法、装置、電子機器、記憶媒体、路側機、クラウド制御プラットフォーム、及びコンピュータプログラム | |
CN111753739B (zh) | 物体检测方法、装置、设备以及存储介质 | |
CN111539347B (zh) | 用于检测目标的方法和装置 | |
JP2021179964A (ja) | 画像収集設備の監視方法、装置、電子設備、記憶媒体、及びプログラム | |
CN111191619B (zh) | 车道线虚线段的检测方法、装置、设备和可读存储介质 | |
CN111949816B (zh) | 定位处理方法、装置、电子设备和存储介质 | |
CN112528932B (zh) | 用于优化位置信息的方法、装置、路侧设备和云控平台 | |
CN111337898B (zh) | 激光点云的处理方法、装置、设备及存储介质 | |
KR20210037633A (ko) | 장애물 속도를 결정하는 방법, 장치, 전자 기기, 저장 매체 및 프로그램 | |
CN111814651A (zh) | 车道线的生成方法、装置和设备 | |
CN111462072A (zh) | 点云图质量检测方法、装置以及电子设备 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |