CN111368732A - 用于检测车道线的方法和装置 - Google Patents

用于检测车道线的方法和装置 Download PDF

Info

Publication number
CN111368732A
CN111368732A CN202010142504.2A CN202010142504A CN111368732A CN 111368732 A CN111368732 A CN 111368732A CN 202010142504 A CN202010142504 A CN 202010142504A CN 111368732 A CN111368732 A CN 111368732A
Authority
CN
China
Prior art keywords
lane line
initial
instance
pixel blocks
image
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.)
Granted
Application number
CN202010142504.2A
Other languages
English (en)
Other versions
CN111368732B (zh
Inventor
李映辉
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.)
Apollo Zhilian Beijing Technology Co Ltd
Original Assignee
Beijing Baidu Netcom Science and Technology 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 Beijing Baidu Netcom Science and Technology Co Ltd filed Critical Beijing Baidu Netcom Science and Technology Co Ltd
Priority to CN202010142504.2A priority Critical patent/CN111368732B/zh
Publication of CN111368732A publication Critical patent/CN111368732A/zh
Application granted granted Critical
Publication of CN111368732B publication Critical patent/CN111368732B/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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Image Analysis (AREA)

Abstract

本申请实施例公开了用于检测车道线的方法和装置。该方法的一具体实施方式包括：将图像采集到视频处理单元VPU中；利用VPU中运行的深度学习网络对图像进行分割，得到分割图像，以及将分割图像发送到VPU中的中央处理单元CPU中；在CPU中对分割图像进行实例分割，得到车道线实例集合，其中，每个车道线实例包括车道线点集；在CPU中对车道线实例集合中的车道线实例进行曲线拟合，得到车道线实例集合中的车道线实例对应的曲线方程的参数，作为车道线参数。该实施方式充分利用VPU的计算资源来实现车道线检测。

Description

用于检测车道线的方法和装置
技术领域
本申请实施例涉及计算机技术领域，具体涉及用于检测车道线的方法和装置。
背景技术
车道线检测是辅助驾驶和自动驾驶领域的基础。车道线检测的效果直接影响后续的车道线保持、变道、超车等功能的实现。车道线检测的基本思路是先进行图像分割，再进行实例分割和曲线拟合。目前，图像分割、实例分割和曲线拟合均在在深度学习网络中进行。而基于深度学习网络的实例分割消耗资源较多。
发明内容
本申请实施例提出了用于检测车道线的方法和装置。
第一方面，本申请实施例提出了一种用于检测车道线的方法，包括：将图像采集到视频处理单元VPU中；利用VPU中运行的深度学习网络对图像进行分割，得到分割图像，以及将分割图像发送到VPU中的中央处理单元CPU中；在CPU中对分割图像进行实例分割，得到车道线实例集合，其中，每个车道线实例包括车道线点集；在CPU中对车道线实例集合中的车道线实例进行曲线拟合，得到车道线实例集合中的车道线实例对应的曲线方程的参数，作为车道线参数。
在一些实施例中，利用VPU中运行的深度学习网络对图像进行分割，得到分割图像，包括：利用VPU中的卷积神经网络CNN加速硬件及数字信号处理DSP运行深度学习网络对图像进行分割，得到分割图像。
在一些实施例中，在CPU中对分割图像进行实例分割，得到车道线实例集合，包括：创建初始车道线实例集合；逐行扫描分割图像，得到像素值等于预设像素值的连续像素块；确定初始车道线实例集合中是否存在连续像素块所属的初始车道线实例；若存在连续像素块所属的初始车道线实例，将连续像素块置入所属的初始车道线实例；将行数小于预设行数值的初始车道线实例从初始车道线实例集合中删除，得到车道线实例集合。
在一些实施例中，在CPU中对分割图像进行实例分割，得到车道线实例集合，还包括：若不存在连续像素块所属的初始车道线实例，在初始车道线实例集合中创建新的初始车道线实例，以及将连续像素块置入新的初始车道线实例。
在一些实施例中，确定初始车道线实例集合中是否存在连续像素块所属的初始车道线实例，包括：将第i行第j个连续像素块与第k个初始车道线实例进行比较，确定第k个初始车道线实例中包括的连续像素块与第i行第j个连续像素块是否存在关联关系，其中，i、j、k均为正整数，且i不大于分割图像的行数，k不大于初始车道线实例集合的实例数；若存在关联关系，则确定第i行第j个连续像素块属于第k个初始车道线实例；若不存在关联关系，则确定第i行第j个连续像素块不属于第k个初始车道线实例。
在一些实施例中，确定第k个初始车道线实例中包括的连续像素块与第i行第j个连续像素块是否存在关联关系，包括：确定第k个初始车道线实例是否包括第i+1行的连续像素块；若包括第i+1行的连续像素块，确定第i行第j个连续像素块的中点是否位于第i+1行的连续像素块的两个端点之间；若位于第i+1行的连续像素块的两个端点之间，确定第i行第j个连续像素块的宽度是否不超过第k个初始车道线实例的平均宽度的预设倍；若不超过第k个初始车道线实例的平均宽度的预设，则确定第i行第j个连续像素块属于第k个初始车道线实例。
在一些实施例中，确定第k个初始车道线实例中包括的连续像素块与第i行第j个连续像素块是否存在关联关系，还包括：若初始车道线实例集合不包括第i+1行的连续像素块，确定第k个初始车道线实例是否包括大于预设块数的连续像素块；若包括大于预设块数的连续像素块，基于第k个初始车道线实例中的至少部分连续像素块的中点进行直线拟合，得到直线方程；确定直线方程的第i行上的点是否位于第i行的连续像素块的两个端点之间；若位于第i行的连续像素块的两个端点之间，确定第i行第j个连续像素块的宽度是否不超过第k个初始车道线实例的平均宽度的预设倍；若不超过第k个初始车道线实例的平均宽度的预设倍，则确定第i行第j个连续像素块属于第k个初始车道线实例。
在一些实施例中，在CPU中对车道线实例集合中的车道线实例进行曲线拟合，得到车道线实例集合中的车道线实例对应的曲线方程的参数，作为车道线参数，包括：基于车道线实例集合中的车道线实例中每行的连续像素块的中点坐标和分割图像的灭点位置坐标，建立实例方程组；对车道线实例集合中的车道线实例进行直线拟合，得到实例方程组的初始参数；从车道线实例集合中选取长度满足预设长度的两个车道线实例；计算所选取的车道线实例的实例方程的交点坐标，作为分割图像的灭点位置坐标的初始值；将分割图像的灭点位置坐标的初始值带入实例方程组，以及利用牛顿迭代法，迭代得到实例方程组的最优解。
在一些实施例中，该方法还包括：将车道线参数从CPU传输到电子控制单元ECU；在ECU中确定车道线参数对应的指令，以及将指令发送至VPU中的调度控制单元；在调度控制单元中基于指令控制车辆行驶。
第二方面，本申请实施例提出了一种用于检测车道线的装置，包括：图像采集单元，被配置成将图像采集到视频处理单元VPU中；图像分割单元，被配置成利用VPU中运行的深度学习网络对图像进行分割，得到分割图像，以及将分割图像发送到VPU中的中央处理单元CPU中；实例分割单元，被配置成在CPU中对分割图像进行实例分割，得到车道线实例集合，其中，每个车道线实例包括车道线点集；曲线拟合单元，被配置成在CPU中对车道线实例集合中的车道线实例进行曲线拟合，得到车道线实例集合中的车道线实例对应的曲线方程的参数，作为车道线参数。
在一些实施例中，图像分割单元进一步被配置成：利用VPU中的卷积神经网络CNN加速硬件及数字信号处理DSP运行深度学习网络对图像进行分割，得到分割图像。
在一些实施例中，实例分割单元包括：创建子单元，被配置成创建初始车道线实例集合；扫描子单元，被配置成逐行扫描分割图像，得到像素值等于预设像素值的连续像素块；确定子单元，被配置成确定初始车道线实例集合中是否存在连续像素块所属的初始车道线实例；第一置入子单元，被配置成若存在连续像素块所属的初始车道线实例，将连续像素块置入所属的初始车道线实例；删除子单元，被配置成将行数小于预设行数值的初始车道线实例从初始车道线实例集合中删除，得到车道线实例集合。
在一些实施例中，实例分割单元还包括：第二置入子单元，被配置成若不存在连续像素块所属的初始车道线实例，在初始车道线实例集合中创建新的初始车道线实例，以及将连续像素块置入新的初始车道线实例。
在一些实施例中，确定子单元包括：比较模块，被配置成将第i行第j个连续像素块与第k个初始车道线实例进行比较，确定第k个初始车道线实例中包括的连续像素块与第i行第j个连续像素块是否存在关联关系，其中，i、j、k均为正整数，且i不大于分割图像的行数，k不大于初始车道线实例集合的实例数；第一确定模块，被配置成若存在关联关系，则确定第i行第j个连续像素块属于第k个初始车道线实例；第二确定模块，被配置成若不存在关联关系，则确定第i行第j个连续像素块不属于第k个初始车道线实例。
在一些实施例中，比较模块包括：第一确定子模块，被配置成确定第k个初始车道线实例是否包括第i+1行的连续像素块；第二确定子模块，被配置成若包括第i+1行的连续像素块，确定第i行第j个连续像素块的中点是否位于第i+1行的连续像素块的两个端点之间；第三确定子模块，被配置成若位于第i+1行的连续像素块的两个端点之间，确定第i行第j个连续像素块的宽度是否不超过第k个初始车道线实例的平均宽度的预设倍；第四确定子模块，被配置成若不超过第k个初始车道线实例的平均宽度的预设倍，则确定第i行第j个连续像素块属于第k个初始车道线实例。
在一些实施例中，比较模块还包括：第五确定子模块，被配置成若初始车道线实例集合不包括第i+1行的连续像素块，确定第k个初始车道线实例是否包括大于预设块数的连续像素块；拟合模块，被配置成若包括大于预设块数的连续像素块，基于第k个初始车道线实例中的至少部分连续像素块的中点进行直线拟合，得到直线方程；第六确定子模块，被配置成确定直线方程的第i行上的点是否位于第i行的连续像素块的两个端点之间；第七确定子模块，被配置成若位于第i行的连续像素块的两个端点之间，确定第i行第j个连续像素块的宽度是否不超过第k个初始车道线实例的平均宽度的预设倍；第八确定子模块，被配置成若不超过第k个初始车道线实例的平均宽度的预设倍，则确定第i行第j个连续像素块属于第k个初始车道线实例。
在一些实施例中，曲线拟合单元包括：建立子单元，被配置成基于车道线实例集合中的车道线实例中每行的连续像素块的中点坐标和分割图像的灭点位置坐标，建立实例方程组；拟合子单元，被配置成对车道线实例集合中的车道线实例进行直线拟合，得到实例方程组的初始参数；选取子单元，被配置成从车道线实例集合中选取长度满足预设长度的两个车道线实例；计算子单元，被配置成计算所选取的车道线实例的实例方程的交点坐标，作为分割图像的灭点位置坐标的初始值；迭代子单元，被配置成将分割图像的灭点位置坐标的初始值带入实例方程组，以及利用牛顿迭代法，迭代得到实例方程组的最优解。
在一些实施例中，该装置还包括：传输单元，被配置成将车道线参数从CPU传输到电子控制单元ECU；确定单元，被配置成在ECU中确定车道线参数对应的指令，以及将指令发送至VPU中的调度控制单元；控制单元，被配置成在调度控制单元中基于指令控制车辆行驶。
第三方面，本申请实施例提供了一种电子设备，该电子设备包括：一个或多个处理器；存储装置，其上存储有一个或多个程序；当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如第一方面中任一实现方式描述的方法。
第四方面，本申请实施例提供了一种计算机可读介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如第一方面中任一实现方式描述的方法。
本申请实施例提供的用于检测车道线的方法和装置，首先将图像采集到视频处理单元VPU中；之后利用VPU中运行的深度学习网络对图像进行分割，得到分割图像，以及将分割图像发送到VPU中的中央处理单元CPU中；然后在CPU中对分割图像进行实例分割，得到车道线实例集合；最后在CPU中对车道线实例集合中的车道线实例进行曲线拟合，得到车道线实例集合中的车道线实例对应的曲线方程的参数，作为车道线参数。先利用VPU中高效的网络运算单元对图像中的车道线进行像素分割，再利用VPU中的CPU单元进行实例分割和拟合运算，充分利用VPU的计算资源来实现车道线检测。此外，利用VPU中的CPU单元进行拟合运算，能够灵活支持拟合算法，解决网络运算单元不支持拟合运算的问题。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：
图1是本申请可以应用于其中的示例性系统架构；
图2是根据本申请的用于检测车道线的方法的一个实施例的流程图；
图3是流水线执行示意图；
图4是根据本申请的用于检测车道线的方法的又一个实施例的流程图；
图5是根据本申请的用于检测车道线的装置的一个实施例的结构示意图；
图6是适于用来实现本申请实施例的电子设备的计算机系统的结构示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。
需要说明的是，在不冲突的情况下，本申请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申请。
图1示出了可以应用本申请的用于检测车道线的方法或用于检测车道线的装置的实施例的示例性系统架构100。
如图1所示，系统架构100中可以包括摄像头101、网络102和服务器103。网络102用以在摄像头101和服务器103之间提供通信链路的介质。网络102可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
摄像头101可以安装在车辆上，用于采集车辆周围环境的图像。其中，车辆可以是车联网中的车辆或自动驾驶车辆。
服务器103可以是提供各种服务的服务器，例如车辆的后台服务器。车辆的后台服务器可以对从摄像头101中采集的图像等数据进行分析等处理，生成处理结果(例如车道线参数)。
需要说明的是，服务器103可以是硬件，也可以是软件。当服务器103为硬件时，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器。当服务器103为软件时，可以实现成多个软件或软件模块(例如用来提供分布式服务)，也可以实现成单个软件或软件模块。在此不做具体限定。
需要说明的是，本申请实施例所提供的用于检测车道线的方法一般由服务器103执行，相应地，用于检测车道线的装置一般设置于服务器103中。
应该理解，图1中的摄像头、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的摄像头、网络和服务器。
继续参考图2，其示出了根据本申请的用于检测车道线的方法的一个实施例的流程200。该用于检测车道线的方法包括以下步骤：
步骤201，将图像采集到视频处理单元VPU中。
在本实施例中，用于检测车道线的方法的执行主体(例如图1所示的服务器103)可以将图像采集到VPU(Video Processing Unit，视频处理单元)中。其中，图像可以是安装在车辆上的摄像头采集的车辆周围的图像。摄像头可以在车辆行驶过程中采集图像，并传输至VPU中。在车辆行驶过程中采集的图像中通常会包括车道线。
步骤202，利用VPU中运行的深度学习网络对图像进行分割，得到分割图像，以及将分割图像发送到VPU中的中央处理单元CPU中。
在本实施例中，上述执行主体可以利用VPU中运行的深度学习网络对图像进行分割，得到分割图像，以及将分割图像发送到VPU中的CPU(Central Processing Unit，中央处理单元)中。其中，深度学习网络可以将图像中的车道线与背景分离，得到的分割图像是图像中包括车道线的图像区域。
在本实施例的一些可选的实现方式中，上述执行主体可以利用VPU中的CNN(Convolutional Neural Network，卷积神经网络)加速硬件及DSP(Digital SignalProcessing，数字信号处理)运行深度学习网络对图像进行分割，得到分割图像。
在本实施例的一些可选的实现方式中，上述执行主体可以先在VPU中将图像转换为深度学习网络能够处理的格式和大小，再输入至深度学习网络进行分割。
步骤203，在CPU中对分割图像进行实例分割，得到车道线实例集合。
在本实施例中，上述执行主体可以在CPU中对分割图像进行实例分割，得到车道线实例集合。其中，车道线实例集合中的每个车道线实例可以包括一条车道线的车道线点集。例如，上述执行主体可以将分割图像的像素点聚类成多个簇，一个簇包括的像素点可以组成一条车道线的车道线点集。
步骤204，在CPU中对车道线实例集合中的车道线实例进行曲线拟合，得到车道线实例集合中的车道线实例对应的曲线方程的参数，作为车道线参数。
在本实施例中，上述执行主体可以在CPU中对车道线实例集合中的车道线实例进行曲线拟合，得到车道线实例集合中的车道线实例对应的曲线方程的参数，作为车道线参数。例如，对于车道线实例集合中的每个车道线实例，上述执行主体可以对该车道线实例包括的车道线点集进行最小二乘法拟合及滤波，得到曲线方程。而该曲线方程的参数就是该车道线实例对应的车道线的车道线参数。
在本实施例的一些可选的实现方式中，上述执行主体可以先将车道线参数从CPU传输到ECU(Electronic Control Unit，电子控制单元)；然后在ECU中确定车道线参数对应的指令，以及将指令发送至VPU中的调度控制单元；最后在调度控制单元中基于指令控制车辆行驶。通常，对车道线拟合后再传输给ECU，能够有效降低数据传输带宽。
此外，调度控制单元还可以协调其他部分按照流水线方式并行运行，以提升VPU资源使用率，使VPU资源利用最大化。为了便于理解，图3示出了流水线执行示意图。可见，图像采集、深度学习、车道线拟合和数据传输四个部分可以按照流水线方式并行运行。
本申请实施例提供的用于检测车道线的方法，首先将图像采集到视频处理单元VPU中；之后利用VPU中运行的深度学习网络对图像进行分割，得到分割图像，以及将分割图像发送到VPU中的中央处理单元CPU中；然后在CPU中对分割图像进行实例分割，得到车道线实例集合；最后在CPU中对车道线实例集合中的车道线实例进行曲线拟合，得到车道线实例集合中的车道线实例对应的曲线方程的参数，作为车道线参数。先利用VPU中高效的网络运算单元对图像中的车道线进行像素分割，再利用VPU中的CPU单元进行实例分割和拟合运算，充分利用VPU的计算资源来实现车道线检测。此外，利用VPU中的CPU单元进行拟合运算，能够灵活支持拟合算法，解决网络运算单元不支持拟合运算的问题。
进一步参考图4，其示出了根据本申请的用于检测车道线的方法的又一个实施例的流程400。该用于检测车道线的方法包括以下步骤：
步骤401，将图像采集到视频处理单元VPU中。
步骤402，利用VPU中运行的深度学习网络对图像进行分割，得到分割图像，以及将分割图像发送到VPU中的中央处理单元CPU中。
在本实施例中，步骤401-402的具体操作已在图2所示的实施例中步骤201-202中进行了详细的介绍，在此不再赘述。
步骤403，创建初始车道线实例集合。
在本实施例中，用于检测车道线的方法的执行主体(例如图1所示的服务器103)可以创建初始车道线实例集合。这里，初始车道线实例集合初始为空集。
步骤404，逐行扫描分割图像，得到像素值等于预设像素值的连续像素块。
在本实施例中，上述执行主体可以逐行扫描分割图像，得到像素值等于预设像素值的连续像素块。其中，预设像素值可以是0-255中的任意值。例如，上述执行主体可以从分割图像底部开始，逐行扫描分割图像，得到每行的连续像素块。实践中，图像中的车道线会被处理成白色，因此连续像素块通常为白色，此时，预设像素值可以等于255。
步骤405，确定初始车道线实例集合中是否存在连续像素块所属的初始车道线实例。
在本实施例中，上述执行主体可以确定初始车道线实例集合中是否存在连续像素块所属的初始车道线实例。若存在，执行步骤406；若不存在，执行步骤407。
在本实施例的一些可选的实现方式中，若通过逐行扫描分割图像，得到分割图像的第i行第j个连续像素块。上述执行主体可以将第i行第j个连续像素块与第k个初始车道线实例进行比较，确定第k个初始车道线实例中包括的连续像素块与第i行第j个连续像素块是否存在关联关系。若存在关联关系，则确定第i行第j个连续像素块属于第k个初始车道线实例。若不存在关联关系，则确定第i行第j个连续像素块不属于第k个初始车道线实例。其中，i、j、k均为正整数，且i不大于分割图像的行数，k不大于初始车道线实例集合的实例数。
实践中，上述执行主体可以通过以下两种方式确定第k个初始车道线实例中包括的连续像素块与第i行第j个连续像素块是否存在关联关系。
其中，第一种方式的步骤如下：
首先，确定第k个初始车道线实例是否包括第i+1行的连续像素块。
之后，若包括第i+1行的连续像素块，确定第i行第j个连续像素块的中点是否位于第i+1行的连续像素块的两个端点之间。
然后，若位于第i+1行的连续像素块的两个端点之间，确定第i行第j个连续像素块的宽度是否不超过第k个初始车道线实例的平均宽度的预设倍(例如1.5倍)。
最后，若不超过第k个初始车道线实例的平均宽度的预设倍，则确定第i行第j个连续像素块属于第k个初始车道线实例。
其中，第二种方式的步骤如下：
首先，若初始车道线实例集合不包括第i+1行的连续像素块，确定第k个初始车道线实例是否包括大于预设块数(例如8个)的连续像素块。
之后，若包括大于预设块数的连续像素块，基于第k个初始车道线实例中的至少部分连续像素块(例如最顶端的8个像素块)的中点进行直线拟合，得到直线方程。
随后，确定直线方程的第i行上的点是否位于第i行的连续像素块的两个端点之间。
然后，若位于第i行的连续像素块的两个端点之间，确定第i行第j个连续像素块的宽度是否不超过第k个初始车道线实例的平均宽度的预设倍(例如1.5倍)。
最后，若不超过第k个初始车道线实例的平均宽度的预设倍，则确定第i行第j个连续像素块属于第k个初始车道线实例。
步骤406，将连续像素块置入所属的初始车道线实例。
在本实施例中，若存在连续像素块所属的初始车道线实例，上述执行主体可以将连续像素块置入所属的初始车道线实例。
步骤407，在初始车道线实例集合中创建新的初始车道线实例，以及将连续像素块置入新的初始车道线实例。
在本实施例中，若不存在连续像素块所属的初始车道线实例，上述执行主体可以在初始车道线实例集合中创建新的初始车道线实例，以及将连续像素块置入新的初始车道线实例。
步骤408，将行数小于预设行数值的初始车道线实例从初始车道线实例集合中删除，得到车道线实例集合。
在本实施例中，上述执行主体可以将行数小于预设行数值(例如8行)的初始车道线实例从初始车道线实例集合中删除，得到车道线实例集合。其中，车道线实例集合中的车道线实例均包括不少于预设行数值的连续像素块。
步骤409，在CPU中对车道线实例集合中的车道线实例进行曲线拟合，得到车道线实例集合中的车道线实例对应的曲线方程的参数，作为车道线参数。
在本实施例中，上述执行主体可以在CPU中对车道线实例集合中的车道线实例进行曲线拟合，得到车道线实例集合中的车道线实例对应的曲线方程的参数，作为车道线参数。
在本实施例的一些可选的实现方式中，曲线拟合的步骤如下：
首先，基于车道线实例集合中的车道线实例中每行的连续像素块的中点坐标和分割图像的灭点位置坐标，建立实例方程组。
例如，若第k个车道线实例中的一个连续像素块的中点坐标为(u,v)，分割图像的灭点位置坐标为(u0,v0)，那么该像素块对应的实例方程可以为u-u0＝Ak(v-v0)。其中，Ak为参数。
之后，对车道线实例集合中的车道线实例进行直线拟合，得到实例方程组的初始参数。
随后，从车道线实例集合中选取长度满足预设长度的两个车道线实例。
通常，选取的两个车道线实例可以是车道线实例集合中长度最长的车道线实例。
然后，计算所选取的车道线实例的实例方程的交点坐标，作为分割图像的灭点位置坐标的初始值。
最后，将分割图像的灭点位置坐标的初始值带入实例方程组，以及利用牛顿迭代法，迭代得到实例方程组的最优解。
从图4中可以看出，与图2对应的实施例相比，本实施例中的用于检测车道线的方法的流程400突出了实例分割的步骤。由此，本实施例描述的方案通过分析初始车道线实例集合，能够快速地确定出连续像素块所属的初始车道线实例，提高了实例分割效率。
进一步参考图5，作为对上述各图所示的方法的实现，本申请提供了一种用于检测车道线的装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图5所示，本实施例的用于检测车道线的装置500可以包括：图像采集单元501、图像分割单元502、实例分割单元503和曲线拟合单元504。其中，图像采集单元501，被配置成将图像采集到视频处理单元VPU中；图像分割单元502，被配置成利用VPU中运行的深度学习网络对图像进行分割，得到分割图像，以及将分割图像发送到VPU中的中央处理单元CPU中；实例分割单元503，被配置成在CPU中对分割图像进行实例分割，得到车道线实例集合，其中，每个车道线实例包括车道线点集；曲线拟合单元504，被配置成在CPU中对车道线实例集合中的车道线实例进行曲线拟合，得到车道线实例集合中的车道线实例对应的曲线方程的参数，作为车道线参数。
在本实施例中，用于检测车道线的装置500中：图像采集单元501、图像分割单元502、实例分割单元503和曲线拟合单元504的具体处理及其所带来的技术效果可分别参考图2对应实施例中的步骤201-204的相关说明，在此不再赘述。
在本实施例的一些可选的实现方式中，图像分割单元502进一步被配置成：利用VPU中的卷积神经网络CNN加速硬件及数字信号处理DSP运行深度学习网络对图像进行分割，得到分割图像。
在本实施例的一些可选的实现方式中，实例分割单元503包括：创建子单元(图中未示出)，被配置成创建初始车道线实例集合；扫描子单元(图中未示出)，被配置成逐行扫描分割图像，得到像素值等于预设像素值的连续像素块；确定子单元(图中未示出)，被配置成确定初始车道线实例集合中是否存在连续像素块所属的初始车道线实例；第一置入子单元(图中未示出)，被配置成若存在连续像素块所属的初始车道线实例，将连续像素块置入所属的初始车道线实例；删除子单元(图中未示出)，被配置成将行数小于预设行数值的初始车道线实例从初始车道线实例集合中删除，得到车道线实例集合。
在本实施例的一些可选的实现方式中，实例分割单元503还包括：第二置入子单元(图中未示出)，被配置成若不存在连续像素块所属的初始车道线实例，在初始车道线实例集合中创建新的初始车道线实例，以及将连续像素块置入新的初始车道线实例。
在本实施例的一些可选的实现方式中，确定子单元包括：比较模块(图中未示出)，被配置成将第i行第j个连续像素块与第k个初始车道线实例进行比较，确定第k个初始车道线实例中包括的连续像素块与第i行第j个连续像素块是否存在关联关系，其中，i、j、k均为正整数，且i不大于分割图像的行数，k不大于初始车道线实例集合的实例数；第一确定模块(图中未示出)，被配置成若存在关联关系，则确定第i行第j个连续像素块属于第k个初始车道线实例；第二确定模块(图中未示出)，被配置成若不存在关联关系，则确定第i行第j个连续像素块不属于第k个初始车道线实例。
在本实施例的一些可选的实现方式中，比较模块包括：第一确定子模块(图中未示出)，被配置成确定第k个初始车道线实例是否包括第i+1行的连续像素块；第二确定子模块(图中未示出)，被配置成若包括第i+1行的连续像素块，确定第i行第j个连续像素块的中点是否位于第i+1行的连续像素块的两个端点之间；第三确定子模块(图中未示出)，被配置成若位于第i+1行的连续像素块的两个端点之间，确定第i行第j个连续像素块的宽度是否不超过第k个初始车道线实例的平均宽度的预设倍；第四确定子模块(图中未示出)，被配置成若不超过第k个初始车道线实例的平均宽度的预设倍，则确定第i行第j个连续像素块属于第k个初始车道线实例。
在本实施例的一些可选的实现方式中，比较模块还包括：第五确定子模块(图中未示出)，被配置成若初始车道线实例集合不包括第i+1行的连续像素块，确定第k个初始车道线实例是否包括大于预设块数的连续像素块；拟合模块(图中未示出)，被配置成若包括大于预设块数的连续像素块，基于第k个初始车道线实例中的至少部分连续像素块的中点进行直线拟合，得到直线方程；第六确定子模块(图中未示出)，被配置成确定直线方程的第i行上的点是否位于第i行的连续像素块的两个端点之间；第七确定子模块(图中未示出)，被配置成若位于第i行的连续像素块的两个端点之间，确定第i行第j个连续像素块的宽度是否不超过第k个初始车道线实例的平均宽度的预设倍；第八确定子模块(图中未示出)，被配置成若不超过第k个初始车道线实例的平均宽度的预设倍，则确定第i行第j个连续像素块属于第k个初始车道线实例。
在本实施例的一些可选的实现方式中，曲线拟合单元504包括：建立子单元(图中未示出)，被配置成基于车道线实例集合中的车道线实例中每行的连续像素块的中点坐标和分割图像的灭点位置坐标，建立实例方程组；拟合子单元(图中未示出)，被配置成对车道线实例集合中的车道线实例进行直线拟合，得到实例方程组的初始参数；选取子单元(图中未示出)，被配置成从车道线实例集合中选取长度满足预设长度的两个车道线实例；计算子单元(图中未示出)，被配置成计算所选取的车道线实例的实例方程的交点坐标，作为分割图像的灭点位置坐标的初始值；迭代子单元求取自单元，被配置成将分割图像的灭点位置坐标的初始值带入实例方程组，以及利用牛顿迭代法，迭代得到实例方程组的最优解。
在本实施例的一些可选的实现方式中，用于检测车道线的装置500还包括：传输单元(图中未示出)，被配置成将车道线参数从CPU传输到电子控制单元ECU；确定单元(图中未示出)，被配置成在ECU中确定车道线参数对应的指令，以及将指令发送至VPU中的调度控制单元；控制单元(图中未示出)，被配置成在调度控制单元中基于指令控制车辆行驶。
下面参考图6，其示出了适于用来实现本申请实施例的电子设备(例如图1所示的服务器103)的计算机系统600的结构示意图。图6示出的电子设备仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。
如图6所示，计算机系统600包括VPU 601和ECU 602。其中，VPU 601可以包括深度学习网络603和CPU 604。深度学习网络603可以用于分割图像。CPU 604可以用于曲线拟合以得到车道线参数。此外，CPU 604还可以包括调度控制单元605。调度控制单元605可以基于指令控制车辆行驶。ECU 602可以用于基于车道线参数确定对应的指令。
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。
需要说明的是，本申请所述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本申请的操作的计算机程序代码，所述程序设计语言包括面向目标的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或电子设备上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图，图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括图像采集单元、图像分割单元、实例分割单元和曲线拟合单元。其中，这些单元的名称在种情况下并不构成对该单元本身的限定，例如，图像采集单元还可以被描述为“将图像采集到视频处理单元VPU中的单元”。
作为另一方面，本申请还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：将图像采集到视频处理单元VPU中；利用VPU中运行的深度学习网络对图像进行分割，得到分割图像，以及将分割图像发送到VPU中的中央处理单元CPU中；在CPU中对分割图像进行实例分割，得到车道线实例集合，其中，每个车道线实例包括车道线点集；在CPU中对车道线实例集合中的车道线实例进行曲线拟合，得到车道线实例集合中的车道线实例对应的曲线方程的参数，作为车道线参数。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(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 (20)

1.一种用于检测车道线的方法，包括：
将图像采集到视频处理单元VPU中；
利用所述VPU中运行的深度学习网络对所述图像进行分割，得到分割图像，以及将所述分割图像发送到VPU中的中央处理单元CPU中；
在所述CPU中对所述分割图像进行实例分割，得到车道线实例集合，其中，每个车道线实例包括车道线点集；
在所述CPU中对所述车道线实例集合中的车道线实例进行曲线拟合，得到所述车道线实例集合中的车道线实例对应的曲线方程的参数，作为车道线参数。
2.根据权利要求1所述的方法，其中，所述利用所述VPU中运行的深度学习网络对所述图像进行分割，得到分割图像，包括：
利用所述VPU中的卷积神经网络CNN加速硬件及数字信号处理DSP运行所述深度学习网络对所述图像进行分割，得到所述分割图像。
3.根据权利要求1所述的方法，其中，所述在所述CPU中对所述分割图像进行实例分割，得到车道线实例集合，包括：
创建初始车道线实例集合；
逐行扫描所述分割图像，得到像素值等于预设像素值的连续像素块；
确定所述初始车道线实例集合中是否存在所述连续像素块所属的初始车道线实例；
若存在所述连续像素块所属的初始车道线实例，将所述连续像素块置入所属的初始车道线实例；
将行数小于预设行数值的初始车道线实例从所述初始车道线实例集合中删除，得到所述车道线实例集合。
4.根据权利要求3所述的方法，其中，所述在所述CPU中对所述分割图像进行实例分割，得到车道线实例集合，还包括：
若不存在所述连续像素块所属的初始车道线实例，在所述初始车道线实例集合中创建新的初始车道线实例，以及将所述连续像素块置入新的初始车道线实例。
5.根据权利要求3或4所述的方法，其中，所述确定所述初始车道线实例集合中是否存在所述连续像素块所属的初始车道线实例，包括：
将第i行第j个连续像素块与第k个初始车道线实例进行比较，确定所述第k个初始车道线实例中包括的连续像素块与所述第i行第j个连续像素块是否存在关联关系，其中，i、j、k均为正整数，且i不大于所述分割图像的行数，k不大于所述初始车道线实例集合的实例数；
若存在所述关联关系，则确定所述第i行第j个连续像素块属于所述第k个初始车道线实例；
若不存在所述关联关系，则确定所述第i行第j个连续像素块不属于所述第k个初始车道线实例。
6.根据权利要求5所述的方法，其中，所述确定所述第k个初始车道线实例中包括的连续像素块与所述第i行第j个连续像素块是否存在关联关系，包括：
确定所述第k个初始车道线实例是否包括第i+1行的连续像素块；
若包括所述第i+1行的连续像素块，确定所述第i行第j个连续像素块的中点是否位于所述第i+1行的连续像素块的两个端点之间；
若位于所述第i+1行的连续像素块的两个端点之间，确定所述第i行第j个连续像素块的宽度是否不超过所述第k个初始车道线实例的平均宽度的预设倍；
若不超过所述第k个初始车道线实例的平均宽度的预设倍，则确定所述第i行第j个连续像素块属于所述第k个初始车道线实例。
7.根据权利要求6所述的方法，其中，所述确定所述第k个初始车道线实例中包括的连续像素块与所述第i行第j个连续像素块是否存在关联关系，还包括：
若所述初始车道线实例集合不包括第i+1行的连续像素块，确定所述第k个初始车道线实例是否包括大于预设块数的连续像素块；
若包括大于所述预设块数的连续像素块，基于所述第k个初始车道线实例中的至少部分连续像素块的中点进行直线拟合，得到直线方程；
确定所述直线方程的第i行上的点是否位于所述第i行的连续像素块的两个端点之间；
若位于所述第i行的连续像素块的两个端点之间，确定所述第i行第j个连续像素块的宽度是否不超过所述第k个初始车道线实例的平均宽度的预设倍；
若不超过所述第k个初始车道线实例的平均宽度的预设倍，则确定所述第i行第j个连续像素块属于所述第k个初始车道线实例。
8.根据权利要求6或7所述的方法，其中，所述在所述CPU中对所述车道线实例集合中的车道线实例进行曲线拟合，得到所述车道线实例集合中的车道线实例对应的曲线方程的参数，作为车道线参数，包括：
基于所述车道线实例集合中的车道线实例中每行的连续像素块的中点坐标和所述分割图像的灭点位置坐标，建立实例方程组；
对所述车道线实例集合中的车道线实例进行直线拟合，得到所述实例方程组的初始参数；
从所述车道线实例集合中选取长度满足预设长度的两个车道线实例；
计算所选取的车道线实例的实例方程的交点坐标，作为所述分割图像的灭点位置坐标的初始值；
将所述分割图像的灭点位置坐标的初始值带入所述实例方程组，以及利用牛顿迭代法，迭代得到所述实例方程组的最优解。
9.根据权利要求1所述的方法，其中，所述方法还包括：
将所述车道线参数从所述CPU传输到电子控制单元ECU；
在所述ECU中确定所述车道线参数对应的指令，以及将所述指令发送至所述VPU中的调度控制单元；
在所述调度控制单元中基于所述指令控制车辆行驶。
10.一种用于检测车道线的装置，包括：
图像采集单元，被配置成将图像采集到视频处理单元VPU中；
图像分割单元，被配置成利用所述VPU中运行的深度学习网络对所述图像进行分割，得到分割图像，以及将所述分割图像发送到所述VPU中的中央处理单元CPU中；
实例分割单元，被配置成在所述CPU中对所述分割图像进行实例分割，得到车道线实例集合，其中，每个车道线实例包括车道线点集；
曲线拟合单元，被配置成在所述CPU中对所述车道线实例集合中的车道线实例进行曲线拟合，得到所述车道线实例集合中的车道线实例对应的曲线方程的参数，作为车道线参数。
11.根据权利要求10所述的装置，其中，所述图像分割单元进一步被配置成：
利用所述VPU中的卷积神经网络CNN加速硬件及数字信号处理DSP运行所述深度学习网络对所述图像进行分割，得到所述分割图像。
12.根据权利要求10所述的装置，其中，所述实例分割单元包括：
创建子单元，被配置成创建初始车道线实例集合；
扫描子单元，被配置成逐行扫描所述分割图像，得到像素值等于预设像素值的连续像素块；
确定子单元，被配置成确定所述初始车道线实例集合中是否存在所述连续像素块所属的初始车道线实例；
第一置入子单元，被配置成若存在所述连续像素块所属的初始车道线实例，将所述连续像素块置入所属的初始车道线实例；
删除子单元，被配置成将行数小于预设行数值的初始车道线实例从所述初始车道线实例集合中删除，得到所述车道线实例集合。
13.根据权利要求12所述的装置，其中，所述实例分割单元还包括：
第二置入子单元，被配置成若不存在所述连续像素块所属的初始车道线实例，在所述初始车道线实例集合中创建新的初始车道线实例，以及将所述连续像素块置入新的初始车道线实例。
14.根据权利要求12或13所述的装置，其中，所述确定子单元包括：
比较模块，被配置成将第i行第j个连续像素块与第k个初始车道线实例进行比较，确定所述第k个初始车道线实例中包括的连续像素块与所述第i行第j个连续像素块是否存在关联关系，其中，i、j、k均为正整数，且i不大于所述分割图像的行数，k不大于所述初始车道线实例集合的实例数；
第一确定模块，被配置成若存在所述关联关系，则确定所述第i行第j个连续像素块属于所述第k个初始车道线实例；
第二确定模块，被配置成若不存在所述关联关系，则确定所述第i行第j个连续像素块不属于所述第k个初始车道线实例。
15.根据权利要求14所述的装置，其中，所述比较模块包括：
第一确定子模块，被配置成确定所述第k个初始车道线实例是否包括第i+1行的连续像素块；
第二确定子模块，被配置成若包括所述第i+1行的连续像素块，确定所述第i行第j个连续像素块的中点是否位于所述第i+1行的连续像素块的两个端点之间；
第三确定子模块，被配置成若位于所述第i+1行的连续像素块的两个端点之间，确定所述第i行第j个连续像素块的宽度是否不超过所述第k个初始车道线实例的平均宽度的预设倍；
第四确定子模块，被配置成若不超过所述第k个初始车道线实例的平均宽度的预设倍，则确定所述第i行第j个连续像素块属于所述第k个初始车道线实例。
16.根据权利要求15所述的装置，其中，所述比较模块还包括：
第五确定子模块，被配置成若所述初始车道线实例集合不包括第i+1行的连续像素块，确定所述第k个初始车道线实例是否包括大于预设块数的连续像素块；
拟合模块，被配置成若包括大于所述预设块数的连续像素块，基于所述第k个初始车道线实例中的至少部分连续像素块的中点进行直线拟合，得到直线方程；
第六确定子模块，被配置成确定所述直线方程的第i行上的点是否位于所述第i行的连续像素块的两个端点之间；
第七确定子模块，被配置成若位于所述第i行的连续像素块的两个端点之间，确定所述第i行第j个连续像素块的宽度是否不超过所述第k个初始车道线实例的平均宽度的预设倍；
第八确定子模块，被配置成若不超过所述第k个初始车道线实例的平均宽度的预设倍，则确定所述第i行第j个连续像素块属于所述第k个初始车道线实例。
17.根据权利要求15或16所述的装置，其中，所述曲线拟合单元包括：
建立子单元，被配置成基于所述车道线实例集合中的车道线实例中每行的连续像素块的中点坐标和所述分割图像的灭点位置坐标，建立实例方程组；
拟合子单元，被配置成对所述车道线实例集合中的车道线实例进行直线拟合，得到所述实例方程组的初始参数；
选取子单元，被配置成从所述车道线实例集合中选取长度满足预设长度的两个车道线实例；
计算子单元，被配置成计算所选取的车道线实例的实例方程的交点坐标，作为所述分割图像的灭点位置坐标的初始值；
迭代子单元，被配置成将所述分割图像的灭点位置坐标的初始值带入所述实例方程组，以及利用牛顿迭代法，迭代得到所述实例方程组的最优解。
18.根据权利要求10所述的装置，其中，所述装置还包括：
传输单元，被配置成将所述车道线参数从所述CPU传输到电子控制单元ECU；
确定单元，被配置成在所述ECU中确定所述车道线参数对应的指令，以及将所述指令发送至所述VPU中的调度控制单元；
控制单元，被配置成在所述调度控制单元中基于所述指令控制车辆行驶。
19.一种电子设备，包括：
一个或多个处理器；
存储装置，其上存储有一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-9中任一所述的方法。
20.一种计算机可读介质，其上存储有计算机程序，其中，所述计算机程序被处理器执行时实现如权利要求1-9中任一所述的方法。
CN202010142504.2A 2020-03-04 2020-03-04 用于检测车道线的方法和装置 Active CN111368732B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010142504.2A CN111368732B (zh) 2020-03-04 2020-03-04 用于检测车道线的方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010142504.2A CN111368732B (zh) 2020-03-04 2020-03-04 用于检测车道线的方法和装置

Publications (2)

Publication Number Publication Date
CN111368732A true CN111368732A (zh) 2020-07-03
CN111368732B CN111368732B (zh) 2023-09-01

Family

ID=71208492

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010142504.2A Active CN111368732B (zh) 2020-03-04 2020-03-04 用于检测车道线的方法和装置

Country Status (1)

Country Link
CN (1) CN111368732B (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102521566A (zh) * 2011-11-25 2012-06-27 中国科学院光电技术研究所 一种地面自主设备用低功耗实时道路自动识别装置
WO2012115594A1 (en) * 2011-02-21 2012-08-30 Stratech Systems Limited A surveillance system and a method for detecting a foreign object, debris, or damage in an airfield
CN103312938A (zh) * 2012-03-16 2013-09-18 富士通株式会社 视频处理装置、视频处理方法以及设备
CN103997687A (zh) * 2013-02-20 2014-08-20 英特尔公司 用于向视频增加交互特征的技术
CN108701376A (zh) * 2016-02-09 2018-10-23 英特尔公司 三维图像的基于识别的对象分割
CN109740465A (zh) * 2018-12-24 2019-05-10 南京理工大学 一种基于实例分割神经网络框架的车道线检测算法
CN109858341A (zh) * 2018-12-24 2019-06-07 北京澎思智能科技有限公司 一种基于嵌入式系统的快速多人脸检测和跟踪方法
CN109863874A (zh) * 2019-01-30 2019-06-11 深圳大学 一种基于机器视觉的果蔬采摘方法、采摘装置及存储介质
CN110119721A (zh) * 2019-05-17 2019-08-13 百度在线网络技术（北京）有限公司 用于处理信息的方法和装置

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2012115594A1 (en) * 2011-02-21 2012-08-30 Stratech Systems Limited A surveillance system and a method for detecting a foreign object, debris, or damage in an airfield
CN102521566A (zh) * 2011-11-25 2012-06-27 中国科学院光电技术研究所 一种地面自主设备用低功耗实时道路自动识别装置
CN103312938A (zh) * 2012-03-16 2013-09-18 富士通株式会社 视频处理装置、视频处理方法以及设备
CN103997687A (zh) * 2013-02-20 2014-08-20 英特尔公司 用于向视频增加交互特征的技术
CN108701376A (zh) * 2016-02-09 2018-10-23 英特尔公司 三维图像的基于识别的对象分割
CN109740465A (zh) * 2018-12-24 2019-05-10 南京理工大学 一种基于实例分割神经网络框架的车道线检测算法
CN109858341A (zh) * 2018-12-24 2019-06-07 北京澎思智能科技有限公司 一种基于嵌入式系统的快速多人脸检测和跟踪方法
CN109863874A (zh) * 2019-01-30 2019-06-11 深圳大学 一种基于机器视觉的果蔬采摘方法、采摘装置及存储介质
CN110119721A (zh) * 2019-05-17 2019-08-13 百度在线网络技术（北京）有限公司 用于处理信息的方法和装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
储;肖旭;梁辰;: "单视未标定图像的正交灭点检测算法" *

Also Published As

Publication number Publication date
CN111368732B (zh) 2023-09-01

Similar Documents

Publication Publication Date Title
US11983909B2 (en) Responding to machine learning requests from multiple clients
US11483370B2 (en) Preprocessing sensor data for machine learning
CN106997466B (zh) 用于检测道路的方法和装置
US9830736B2 (en) Segmenting objects in multimedia data
CN109407679B (zh) 用于控制无人驾驶汽车的方法和装置
CN111144477A (zh) 一种钢材表面缺陷的训练样本生成方法、系统及电子设备
CN115130649A (zh) 一种面向流水线分布式端云协同推理的深度学习模型划分方法和装置
CN111382695A (zh) 用于检测目标的边界点的方法和装置
CN111368732B (zh) 用于检测车道线的方法和装置
Hou et al. Real-time surveillance video salient object detection using collaborative cloud-edge deep reinforcement learning
CN114565952A (zh) 行人轨迹生成方法、装置、设备和存储介质
CN115937822A (zh) 定位建图方法、装置、电子设备及可读存储介质
CN110509293A (zh) 工作环境分析方法、装置及机器人
Cheng et al. Edge-assisted lightweight region-of-interest extraction and transmission for vehicle perception
CN112132120B (zh) 用于视频结构化的方法及装置
CN113781569B (zh) 一种回环检测方法和装置
CN112580773A (zh) 用于压缩深度学习模型的方法和装置
CN113450291B (zh) 图像信息处理方法及装置
CN116558540B (zh) 模型训练方法和装置、轨迹生成方法和装置
CN113240796B (zh) 视觉任务处理方法及装置、计算机可读介质和电子设备
US20200314217A1 (en) It cloud assisted universal lossless data compression
CN117079172A (zh) 渲染图像的方法、装置、电子设备及存储介质
CN116030068A (zh) 货架图区域分割方法、装置、终端设备和计算机介质
CN116503781A (zh) 一种基于多移动端-边缘端协同推理的视频目标检测方法
CN117319402A (zh) 基于视觉场景感知的端边云协同方法及系统

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
TA01 Transfer of patent application right

Effective date of registration: 20211013

Address after: 100176 101, floor 1, building 1, yard 7, Ruihe West 2nd Road, Beijing Economic and Technological Development Zone, Daxing District, Beijing

Applicant after: Apollo Zhilian (Beijing) Technology Co.,Ltd.

Address before: 2 / F, baidu building, 10 Shangdi 10th Street, Haidian District, Beijing 100085

Applicant before: BEIJING BAIDU NETCOM SCIENCE AND TECHNOLOGY Co.,Ltd.

TA01 Transfer of patent application right
GR01 Patent grant
GR01 Patent grant