CN111401251B - 车道线提取方法、装置、电子设备及计算机可读存储介质 - Google Patents
车道线提取方法、装置、电子设备及计算机可读存储介质 Download PDFInfo
- Publication number
- CN111401251B CN111401251B CN202010187338.8A CN202010187338A CN111401251B CN 111401251 B CN111401251 B CN 111401251B CN 202010187338 A CN202010187338 A CN 202010187338A CN 111401251 B CN111401251 B CN 111401251B
- Authority
- CN
- China
- Prior art keywords
- lane
- lane lines
- attribute information
- dimensional
- 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.)
- Active
Links
- 238000000605 extraction Methods 0.000 title claims abstract description 59
- 238000012549 training Methods 0.000 claims description 42
- 238000000034 method Methods 0.000 claims description 30
- 238000012545 processing Methods 0.000 claims description 20
- 230000015654 memory Effects 0.000 claims description 19
- 230000009466 transformation Effects 0.000 claims description 14
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 description 14
- 238000010586 diagram Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000013519 translation Methods 0.000 description 3
- 235000004522 Pentaglottis sempervirens Nutrition 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000001151 other effect Effects 0.000 description 1
- 238000002310 reflectometry Methods 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
Abstract
本申请公开了一种车道线提取方法、装置、电子设备及计算机可读存储介质，涉及自动驾驶技术领域。具体实现方案为：获取目标路面的第一图像和第二图像，所述第一图像是根据目标路面的点云数据生成的反射值图像，所述第二图像是利用摄像设备采集得到；从第一图像中提取第一组车道线和第一组车道线的第一属性信息，和从第二图像中提取第二组车道线和第二组车道线的第二属性信息；根据第一组车道线和第二组车道线，确定目标路面的目标车道线，和根据第一属性信息和第二属性信息，确定目标车道线的属性信息。本申请的方案中，可以实现从多数据源中提取目标路面的车道线及其属性信息，从而提升所提取车道线的精度，保证提取到的车道线属性更全面。
Description
技术领域
本申请涉及计算机技术领域，尤其涉及自动驾驶技术领域。
背景技术
高精度车道线是高精地图的一个重要组成部分，是自动驾驶必不可少的基本要素。目前在提取车道线时，常从相机采集的道路图像中提取车道线以及其属性信息，比如颜色属性等。但由于透视效果，离相机距离越远的车道线在道路图像中占据的像素越少等原因，将会导致所提取的车道线精度差。
发明内容
本申请实施例提供一种车道线提取方法、装置、电子设备及可读存储介质，以解决现有技术中所提取的车道线精度差的问题。
为了解决上述技术问题，本申请是这样实现的：
第一方面，本申请实施例提供了一种车道线提取方法，包括：
获取目标路面的第一图像和第二图像，其中，所述第一图像是根据所述目标路面的点云数据生成的反射值图像，所述第二图像是利用摄像设备采集得到；
从所述第一图像中提取第一组车道线和所述第一组车道线的第一属性信息，和从所述第二图像中提取第二组车道线和所述第二组车道线的第二属性信息；
根据所述第一组车道线和所述第二组车道线，确定所述目标路面的目标车道线，和根据所述第一属性信息和所述第二属性信息，确定所述目标车道线的属性信息。
这样，可以实现从多数据源中提取目标路面的车道线及其属性信息，从而提升所提取车道线的精度，保证提取到的车道线属性更全面。
可选的，所述根据所述第一组车道线和所述第二组车道线，确定所述目标路面的目标车道线，包括：
利用所述第一图像和世界坐标系之间的变换关系，将所述第一组车道线转换为三维的第一组车道线；
将所述第二组车道线投影到三维空间，得到三维的第二组车道线；
对所述三维的第一组车道线和所述三维的第二组车道线进行匹配处理，得到备选车道线合集；
依据所述备选车道线合集，确定所述目标车道线。
这样，通过对不同数据源的车道线的匹配处理，可以使得所提取的车道线更准确。
可选的，所述对所述三维的第一组车道线和所述三维的第二组车道线进行匹配处理，得到备选车道线合集，包括：
将所述三维的第一组车道线和所述三维的第二组车道线投影到同一平面，得到二维的第一组车道线和二维的第二组车道线；
以所述二维的第一组车道线为基准，对所述二维的第二组车道线进行旋转和/或平移，并通过匹配所述二维的第一组车道线和变换后的所述二维的第二组车道线，获得所述备选车道线合集。
这样，借助二维投影以及采用旋转和/或平移来进行匹配，可以进一步提升所提取车道线的准确性。
可选的，在所述第一图像的数量为多幅的情况下，所述从所述第一图像中提取第一组车道线和所述第一组车道线的第一属性信息，包括：
从多幅所述第一图像中，分别提取初始车道线和所述初始车道线的属性信息；
利用相邻第一图像之间的车道线关系，对提取的初始车道线进行拼接，得到所述第一组车道线，和根据所述初始车道线的属性信息，确定所述第一属性信息。
这样，由于反射值图像中的车道线是鸟瞰图，平行的车道线仍然相互平行，因此利用相邻第一图像之间的车道线关系来进行车道线拼接，可以使得所提取的车道线更准确。
可选的，所述从所述第一图像中提取第一组车道线和所述第一组车道线的第一属性信息，包括：
利用预先训练的车道线提取模型，从所述第一图像中提取所述第一组车道线和所述第一属性信息；
其中，所述车道线提取模型是根据第一训练样本集和第二训练样本集训练得到，所述第一训练样本集中包括多幅已标注车道线的反射值图像，所述第二训练样本集中包括多幅已标注车道线属性信息的反射值图像。
这样，利用预先训练的车道线提取模型来提取车道线及其属性信息，可以实现高效地提取车道线。
可选的，所述第一属性信息包括：虚实属性信息；和/或，所述第二属性信息包括：颜色属性信息。
第二方面，本申请实施例提供了一种车道线提取装置，包括：
获取模块，用于获取目标路面的第一图像和第二图像，其中，所述第一图像是根据所述目标路面的点云数据生成的反射值图像，所述第二图像是利用摄像设备采集得到；
提取模块，用于从所述第一图像中提取第一组车道线和所述第一组车道线的第一属性信息，和从所述第二图像中提取第二组车道线和所述第二组车道线的第二属性信息；
确定模块，用于根据所述第一组车道线和所述第二组车道线，确定所述目标路面的目标车道线，和根据所述第一属性信息和所述第二属性信息，确定所述目标车道线的属性信息。
可选的，所述确定模块包括：
转换单元，用于利用所述第一图像和世界坐标系之间的变换关系，将所述第一组车道线转换为三维的第一组车道线；
投影单元，用于将所述第二组车道线投影到三维空间，得到三维的第二组车道线；
第一处理单元，用于对所述三维的第一组车道线和所述三维的第二组车道线进行匹配处理，得到备选车道线合集；
确定单元，用于依据所述备选车道线合集，确定所述目标车道线。
可选的，所述第一处理单元具体用于：将所述三维的第一组车道线和所述三维的第二组车道线投影到同一平面，得到二维的第一组车道线和二维的第二组车道线；以所述二维的第一组车道线为基准，对所述二维的第二组车道线进行旋转和/或平移，并通过匹配所述二维的第一组车道线和变换后的所述二维的第二组车道线，获得所述备选车道线合集。
可选的，在所述第一图像的数量为多幅的情况下，所述提取模块包括：
提取单元，用于从多幅所述第一图像中，分别提取初始车道线和所述初始车道线的属性信息；
第二处理单元，用于利用相邻第一图像之间的车道线关系，对提取的初始车道线进行拼接，得到所述第一组车道线，和根据所述初始车道线的属性信息，确定所述第一属性信息。
可选的，所述提取模块具体用于：利用预先训练的车道线提取模型，从所述第一图像中提取所述第一组车道线和所述第一属性信息；其中，所述车道线提取模型是根据第一训练样本集和第二训练样本集训练得到，所述第一训练样本集中包括多幅已标注车道线的反射值图像，所述第二训练样本集中包括多幅已标注车道线属性信息的反射值图像。
可选的，所述第一属性信息包括：虚实属性信息；和/或，所述第二属性信息包括：颜色属性信息。
第三方面，本申请实施例还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如上所述的车道线提取方法。
第四方面，本申请实施例还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，其中，所述计算机指令用于使计算机执行如上所述的车道线提取方法。
上述申请中的一个实施例具有如下优点或有益效果：可以实现从多源数据源中提取目标路面的车道线及其属性信息，从而提升所提取车道线的精度，保证提取到的车道线属性更全面。因为采用了获取目标路面的第一图像和第二图像，所述第一图像是根据目标路面的点云数据生成的反射值图像，所述第二图像是利用摄像设备采集得到，从第一图像中提取第一组车道线和第一组车道线的第一属性信息，和从第二图像中提取第二组车道线和第二组车道线的第二属性信息，并根据第一组车道线和第二组车道线，确定目标路面的目标车道线，和根据第一属性信息和第二属性信息，确定目标车道线的属性信息的技术手段，所以克服了现有技术中所提取的车道线精度差的技术问题，进而达到提升所提取车道线的精度，以及保证提取到的车道线属性更全面的技术效果。
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是本申请实施例的车道线提取方法的流程图；
图2是本申请实施例中车道线匹配的示意图；
图3是用来实现本申请实施例的车道线提取方法的车道线提取装置的框图；
图4是用来实现本申请实施例的车道线提取方法的电子设备的框图。
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。
本申请的说明书和权利要求书中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例可以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。说明书以及权利要求中“和/或”表示所连接对象的至少其中之一。
现有部分方案中，可以从摄像设备比如相机拍摄的图像(也可称为图片)中提取车道线和对应的属性信息，再将带有属性信息的车道线通过矩阵变换从二维(2d)转换成三维(3d)。然而通过相机图像提取车道线可能存在一些问题：1)从二维到三维的转换缺少了空间深度信息，因此需要假定地面高度，可能存在误差；2)对二维到三维的转换矩阵的精度要求很高，如果标定不准确很可能会导致得到的三维车道线位置不准确；3)由于透视效果，离相机距离越远的车道线在道路图像中占据的像素越少，拿到的车道线越不准确，导致车道线的方向在空间上存在一定的角度偏差，并且不同图像帧的车道线融合的难度也较大；4)图像车道线提取对天气(例如雨雪天气)、光照(例如明暗程度)、路况(例如拥堵情况)等敏感，存在无法成功提取车道线的情形。
针对上述方案，一种改进是使用比如激光雷达采集的点云数据生成的反射值图像(2d反射值图像)来提取车道线。其中根据点云数据生成的是4通道(包括每个像素的反射值(如rgb值)和其所在地面的高度信息(如z值))的反射值图像，该反射值图像按照在物理世界的世界坐标系进行组织，该反射值图像中每个像素都对应精确的世界坐标点(x，y，z)，这样就减少了2d到3d转换的精度损失和潜在的不准确的问题，同时地面高度也可以直接从2d反射值图像中得到，不需要假定地面高度。
此外虽然2d反射值图像中可以具有全局的车道线虚线、实线的起始位置，但是受限于激光雷达的原理，每个像素的颜色值取决于物体的反射率，与物体的实际颜色没有关系，因此2d反射值图像中无法具有车道线原本的颜色。而相机拍摄的车道线中可以具有清楚的车道线颜色，但是在单张的图像中无法具有全局的车道线实线、虚线的起始位置。基于此种情况，本申请实施例提出了结合两种数据源(即反射值图像和相机图像)的特性，其中对于反射值图像，进行车道线及对应属性(如虚实属性)的提取，同时对于相机图像，进行车道线及对应属性(如颜色属性)的提取，再将此两个过程中所提取的车道线及对应属性进行融合，从而得到高精度的车道线。
请参见图1，图1是本申请实施例提供的一种车道线提取方法的流程图，该方法应用于电子设备，如图1所示，该方法包括如下步骤：
步骤101：获取目标路面的第一图像和第二图像。
可选的，第一图像可以是根据目标路面的点云数据生成的反射值图像。第二图像可以是利用摄像设备(比如相机)采集得到。对于第一图像的数量，可以为一幅或多幅。对于第二图像的数量，可以为一幅或多幅。
需指出的，该目标路面可为当前行驶路面，或者某特定路面比如待提取车道线的路面等。对于点云数据，可以采用激光扫描的方式，获取环境的点云数据；当一束激光照射到目标路面时，所反射的激光会携带方位、距离等信息。在点云数据中，每个点包括该点的xyz坐标以及对应的反射值，反射值与车道线的材料有关。通过对点云数据的处理(比如平面栅格化处理)，可以生成对应的反射值图像。
步骤102：从所述第一图像中提取第一组车道线和所述第一组车道线的第一属性信息，和从所述第二图像中提取第二组车道线和所述第二组车道线的第二属性信息。
可选的，该第一属性信息可包括：虚实属性信息。和/或，该第二属性信息可包括：颜色属性信息。
步骤103：根据所述第一组车道线和所述第二组车道线，确定所述目标路面的目标车道线，和根据所述第一属性信息和所述第二属性信息，确定所述目标车道线的属性信息。
一种实施方式中，若第一属性信息包括虚实属性信息，且第二属性信息可包括颜色属性信息，则在根据第一属性信息和第二属性信息确定目标车道线的属性信息时，可以将从第二图像中提取颜色属性信息赋值在从第一图像中提取的目标车道线上。在大多数情况下，可以认为车道线的虚实属性不会发生改变，颜色属性也不会发生变化。因此对于从第一图像中已经提取的3d车道线并根据虚实属性的变化进行了分割，单个具有虚属性和/或实属性的车道线与从第二图像中提取的颜色属性进行匹配时，可以设置该车道线的属性为对应的颜色匹配。
本申请实施例中的车道线提取方法，可以实现从多数据源中提取目标路面的车道线及其属性信息，从而提升所提取车道线的精度，保证提取到的车道线属性更全面。
本申请实施例中，上述根据第一组车道线和第二组车道线确定目标车道线的过程可以包括：
利用所述第一图像和世界坐标系之间的变换关系，将所述第一组车道线转换为三维的第一组车道线；该三维的第一组车道线的z可以从相应第一图像的通道z中得到；
将所述第二组车道线投影到三维空间，得到三维的第二组车道线；
对所述三维的第一组车道线和所述三维的第二组车道线进行匹配处理，得到备选车道线合集；
依据所述备选车道线合集，确定所述目标车道线。
一种实施方式中，在对三维的第一组车道线和三维的第二组车道线进行匹配处理时，可以直接进行匹配处理，比如将三维的第一组车道线和三维的第二组车道线中的空间位置邻近的车道线合并为一个等，以得到备选车道线合集。
另一种实施方式中，由于在将第二组车道线投影到三维空间时缺少空间深度信息，因此所得到的三维的车道线的高度可能存在误差，因此在对三维的第一组车道线和三维的第二组车道线进行匹配处理时，为了减少误差，可以将两者投影到同一平面后再进行匹配处理。
可选的，上述对三维的第一组车道线和三维的第二组车道线进行匹配处理的过程可以包括：
将所述三维的第一组车道线和所述三维的第二组车道线投影到同一平面，得到二维的第一组车道线和二维的第二组车道线；
以所述二维的第一组车道线为基准，对所述二维的第二组车道线进行旋转和/或平移(比如在二维的第一组车道线的主方向的基础上进行一定的旋转和/或平移)，并通过匹配所述二维的第一组车道线和变换后的所述二维的第二组车道线，获得所述备选车道线合集。
这样，借助二维投影以及采用旋转和/或平移来进行匹配，可以进一步提升所提取车道线的准确性。
需指出的，在匹配二维的第一组车道线和变换后的二维的第二组车道线时，可以基于最大匹配算法进行匹配，以提升所提取车道线的准确性。比如，参见图2所示，假定二维的第一组车道线包括粗实线1、粗实线2和粗实线3，二维的第二组车道线包括细实线1、细实线2和细实线3，则从图2中可以看出，粗实线表示的车道线和细实线表示的车道线都没有完全贴合。在基于最大匹配算法进行匹配时，可以粗实线表示的车道线为基准，对细实线表示的车道线进行平移、旋转操作。从图2中可以看出，若将细实线表示的车道线向右平移，则粗实线1和粗实线2会分别与细实线1和细实线2重合，从而得到最大匹配。此时细实线3无法与任何一根粗实线匹配，因此可以假定二维的第一组车道线中缺失细实线3表示的车道线，因此最终的备选车道线合集包括粗实线1、粗实线2、粗实线3和细实线3。
可选的，在依据备选车道线合集确定目标车道线时，可以先将备选车道线合集放在同一空间后进行处理，比如将空间临近(如端点距离近)或者在一条直线上应当连接的车道线进行连接，再将长度小于一定阈值的车道线进行去除等，从而得到最终的目标车道线。
本申请实施例中，上述从第一图像中提取第一组车道线和第一属性信息的过程可以包括：利用预先训练的车道线提取模型，从第一图像中提取第一组车道线和第一属性信息，即将第一图像输入到该预先训练的车道线提取模型中，得到对应的第一组车道线和第一属性信息。可理解的，该预先训练的车道线提取模型的输出结果可为包括车道线及对应属性信息的预测结果的图像，而通过对该图像进行处理，可提取到相应的车道线及对应属性信息，比如在虚实线交界处，将车道线切成两部分，分别设置虚属性和实属性。
可选的，上述预先训练的车道线提取模型可以是根据第一训练样本集和第二训练样本集训练得到，该第一训练样本集中包括多幅已标注车道线的反射值图像，该第二训练样本集中包括多幅已标注车道线属性信息的反射值图像。这样，由于车道线的提取结果和车道线属性的提取结果是类似的任务，通过第一训练样本集和第二训练样本集来共享训练模型参数，可以更好地完成模型的训练任务。此外，该预先训练的车道线提取模型也可以是根据一个训练样本集训练得到，该训练样本集中每个反射值图像的标注数据包括车道线和车道线属性信息。
一种实施方式中，上述预先训练的车道线提取模型可以是一个具有两个输出的深度学习模型(比如卷积神经网络)，一个输出为车道线分割预测结果，另一个输出为车道线属性的预测结果。在模型的训练过程中，输入的基于反射值图像的训练样本集可选为两种，一种训练样本集中的标注数据只有车道线，另一种训练样本集中的标注数据将车道线像素分为了不同的属性，这两种训练样本集共享相同的网络主体比如卷积神经网络；对应的在输出阶段为两个输出，一个为车道线分割预测结果，另一个为车道线属性的预测结果。
可选的，在第一图像的数量为多幅的情况下，上述从第一图像中提取第一组车道线和第一属性信息的过程可包括：
从多幅第一图像中，分别提取初始车道线和所述初始车道线的属性信息；比如，利用上述预先训练的车道线提取模型，从多幅第一图像中分别提取初始车道线和所述初始车道线的属性信息；
利用相邻第一图像之间的车道线关系，对提取的初始车道线进行拼接，得到所述第一组车道线，和根据所述初始车道线的属性信息，确定所述第一属性信息(比如对所得到的虚实属性进一步优化等)。
一种实施方式中，在对提取的初始车道线进行拼接时，可以对断开的车道线进行连接。而在计算车道线之间关系(例如连接关系)时可以直接用欧氏空间来计算，更准确。
这样，由于反射值图像中的车道线是鸟瞰图，平行的车道线仍然相互平行，因此利用相邻第一图像之间的车道线关系来进行车道线拼接，可以使得所提取的车道线更准确。
请参见图3，图3是本申请实施例提供的一种车道线提取装置的结构示意图，如图3所示，该车道线提取装置30可包括：
获取模块31，用于获取目标路面的第一图像和第二图像，其中，所述第一图像是根据所述目标路面的点云数据生成的反射值图像，所述第二图像是利用摄像设备采集得到；
提取模块32，用于从所述第一图像中提取第一组车道线和所述第一组车道线的第一属性信息，和从所述第二图像中提取第二组车道线和所述第二组车道线的第二属性信息；
确定模块33，用于根据所述第一组车道线和所述第二组车道线，确定所述目标路面的目标车道线，和根据所述第一属性信息和所述第二属性信息，确定所述目标车道线的属性信息。
可选的，所述确定模块33包括：
转换单元，用于利用所述第一图像和世界坐标系之间的变换关系，将所述第一组车道线转换为三维的第一组车道线；
投影单元，用于将所述第二组车道线投影到三维空间，得到三维的第二组车道线；
第一处理单元，用于对所述三维的第一组车道线和所述三维的第二组车道线进行匹配处理，得到备选车道线合集；
确定单元，用于依据所述备选车道线合集，确定所述目标车道线。
可选的，所述第一处理单元具体用于：将所述三维的第一组车道线和所述三维的第二组车道线投影到同一平面，得到二维的第一组车道线和二维的第二组车道线；以所述二维的第一组车道线为基准，对所述二维的第二组车道线进行旋转和/或平移，并通过匹配所述二维的第一组车道线和变换后的所述二维的第二组车道线，获得所述备选车道线合集。
可选的，在所述第一图像的数量为多幅的情况下，所述提取模块32可以包括：
提取单元，用于从多幅所述第一图像中，分别提取初始车道线和所述初始车道线的属性信息；
第二处理单元，用于利用相邻第一图像之间的车道线关系，对提取的初始车道线进行拼接，得到所述第一组车道线，和根据所述初始车道线的属性信息，确定所述第一属性信息。
可选的，所述提取模块32具体用于：利用预先训练的车道线提取模型，从所述第一图像中提取所述第一组车道线和所述第一属性信息；所述车道线提取模型是根据第一训练样本集和第二训练样本集训练得到，所述第一训练样本集中包括多幅已标注车道线的反射值图像，所述第二训练样本集中包括多幅已标注车道线属性信息的反射值图像。
可选的，所述第一属性信息包括：虚实属性信息；和/或，所述第二属性信息包括：颜色属性信息。
可理解的，本申请实施例的车道线提取装置30，可以实现上述图1所示方法实施例中实现的各个过程，以及达到相同的有益效果，为避免重复，这里不再赘述。
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4所示，是用来实现本申请实施例的车道线提取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4所示，该电子设备包括：一个或多个处理器401、存储器402，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4中以一个处理器401为例。
存储器402即为本申请所提供的非瞬时计算机可读存储介质。其中，所述存储器存储有可由至少一个处理器执行的指令，以使所述至少一个处理器执行本申请所提供的车道线提取方法。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提取方法。
存储器402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提取方法对应的程序指令/模块(例如，附图3所示的获取模块31、提取模块32和确定模块33)。处理器401通过运行存储在存储器402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提取方法。
存储器402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；存储数据区可存储电子设备的使用所创建的数据等。此外，存储器402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402可选包括相对于处理器401远程设置的存储器，这些远程存储器可以通过网络连接至电子设备。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。
车道线提取方法的电子设备还可以包括：输入装置403和输出装置404。处理器401、存储器402、输入装置403和输出装置404可以通过总线或者其他方式连接，图4中以通过总线连接为例。
输入装置403可接收输入的数字或字符信息，以及产生与车道线提取方法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404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(包括声音输入、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。
根据本申请实施例的技术方案，可以实现从多数据源中提取目标路面的车道线及其属性信息，从而提升所提取车道线的精度，保证提取到的车道线属性更全面。
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 (12)
1.一种车道线提取方法，其特征在于，包括：
获取目标路面的第一图像和第二图像，其中，所述第一图像是根据所述目标路面的点云数据生成的反射值图像，所述第二图像是利用摄像设备采集得到；
从所述第一图像中提取第一组车道线和所述第一组车道线的第一属性信息，和从所述第二图像中提取第二组车道线和所述第二组车道线的第二属性信息；
根据所述第一组车道线和所述第二组车道线，确定所述目标路面的目标车道线，和根据所述第一属性信息和所述第二属性信息，确定所述目标车道线的属性信息；
所述从所述第一图像中提取第一组车道线和所述第一组车道线的第一属性信息，包括：
利用预先训练的车道线提取模型，从所述第一图像中提取所述第一组车道线和所述第一属性信息；
其中，所述车道线提取模型是根据第一训练样本集和第二训练样本集训练得到，所述第一训练样本集中包括多幅已标注车道线的反射值图像，所述第二训练样本集中包括多幅已标注车道线属性信息的反射值图像；
所述预先训练的车道线提取模型的输出结果为包括车道线及对应属性信息的预测结果的图像。
2.根据权利要求1所述的方法，其特征在于，所述根据所述第一组车道线和所述第二组车道线，确定所述目标路面的目标车道线，包括：
利用所述第一图像和世界坐标系之间的变换关系，将所述第一组车道线转换为三维的第一组车道线；
将所述第二组车道线投影到三维空间，得到三维的第二组车道线；
对所述三维的第一组车道线和所述三维的第二组车道线进行匹配处理，得到备选车道线合集；
依据所述备选车道线合集，确定所述目标车道线。
3.根据权利要求2所述的方法，其特征在于，所述对所述三维的第一组车道线和所述三维的第二组车道线进行匹配处理，得到备选车道线合集，包括：
将所述三维的第一组车道线和所述三维的第二组车道线投影到同一平面，得到二维的第一组车道线和二维的第二组车道线；
以所述二维的第一组车道线为基准，对所述二维的第二组车道线进行旋转和/或平移，并通过匹配所述二维的第一组车道线和变换后的所述二维的第二组车道线，获得所述备选车道线合集。
4.根据权利要求1所述的方法，其特征在于，在所述第一图像的数量为多幅的情况下，所述从所述第一图像中提取第一组车道线和所述第一组车道线的第一属性信息，包括：
从多幅所述第一图像中，分别提取初始车道线和所述初始车道线的属性信息；
利用相邻第一图像之间的车道线关系，对提取的初始车道线进行拼接，得到所述第一组车道线，和根据所述初始车道线的属性信息，确定所述第一属性信息。
5.根据权利要求1至4中任一项所述的方法，其特征在于，所述第一属性信息包括：虚实属性信息；
和/或，所述第二属性信息包括：颜色属性信息。
6.一种车道线提取装置，其特征在于，包括：
获取模块，用于获取目标路面的第一图像和第二图像，其中，所述第一图像是根据所述目标路面的点云数据生成的反射值图像，所述第二图像是利用摄像设备采集得到；
提取模块，用于从所述第一图像中提取第一组车道线和所述第一组车道线的第一属性信息，和从所述第二图像中提取第二组车道线和所述第二组车道线的第二属性信息；
确定模块，用于根据所述第一组车道线和所述第二组车道线，确定所述目标路面的目标车道线，和根据所述第一属性信息和所述第二属性信息，确定所述目标车道线的属性信息；
所述从所述第一图像中提取第一组车道线和所述第一组车道线的第一属性信息，包括：
利用预先训练的车道线提取模型，从所述第一图像中提取所述第一组车道线和所述第一属性信息；
其中，所述车道线提取模型是根据第一训练样本集和第二训练样本集训练得到，所述第一训练样本集中包括多幅已标注车道线的反射值图像，所述第二训练样本集中包括多幅已标注车道线属性信息的反射值图像；
所述预先训练的车道线提取模型的输出结果为包括车道线及对应属性信息的预测结果的图像。
7.根据权利要求6所述的装置，其特征在于，所述确定模块包括：
转换单元，用于利用所述第一图像和世界坐标系之间的变换关系，将所述第一组车道线转换为三维的第一组车道线；
投影单元，用于将所述第二组车道线投影到三维空间，得到三维的第二组车道线；
第一处理单元，用于对所述三维的第一组车道线和所述三维的第二组车道线进行匹配处理，得到备选车道线合集；
确定单元，用于依据所述备选车道线合集，确定所述目标车道线。
8.根据权利要求7所述的装置，其特征在于，
所述第一处理单元具体用于：将所述三维的第一组车道线和所述三维的第二组车道线投影到同一平面，得到二维的第一组车道线和二维的第二组车道线；以所述二维的第一组车道线为基准，对所述二维的第二组车道线进行旋转和/或平移，并通过匹配所述二维的第一组车道线和变换后的所述二维的第二组车道线，获得所述备选车道线合集。
9.根据权利要求6所述的装置，其特征在于，在所述第一图像的数量为多幅的情况下，所述提取模块包括：
提取单元，用于从多幅所述第一图像中，分别提取初始车道线和所述初始车道线的属性信息；
第二处理单元，用于利用相邻第一图像之间的车道线关系，对提取的初始车道线进行拼接，得到所述第一组车道线，和根据所述初始车道线的属性信息，确定所述第一属性信息。
10.根据权利要求6至9中任一项所述的装置，其特征在于，所述第一属性信息包括：虚实属性信息；
和/或，所述第二属性信息包括：颜色属性信息。
11.一种电子设备，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1-5中任一项所述的方法。
12.一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1-5中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010187338.8A CN111401251B (zh) | 2020-03-17 | 2020-03-17 | 车道线提取方法、装置、电子设备及计算机可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010187338.8A CN111401251B (zh) | 2020-03-17 | 2020-03-17 | 车道线提取方法、装置、电子设备及计算机可读存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111401251A CN111401251A (zh) | 2020-07-10 |
| CN111401251B true CN111401251B (zh) | 2023-12-26 |
Family
ID=71430924
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010187338.8A Active CN111401251B (zh) | 2020-03-17 | 2020-03-17 | 车道线提取方法、装置、电子设备及计算机可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111401251B (zh) |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114571472B (zh) * | 2020-12-01 | 2024-01-23 | 北京小米机器人技术有限公司 | 用于足式机器人的地面属性检测方法及驱动方法及其装置 |
| CN112560680A (zh) * | 2020-12-16 | 2021-03-26 | 北京百度网讯科技有限公司 | 车道线处理方法、装置、电子设备及存储介质 |
| CN112906665A (zh) * | 2021-04-06 | 2021-06-04 | 北京车和家信息技术有限公司 | 交通标线融合方法、装置、存储介质及电子设备 |
| CN114136333A (zh) * | 2021-10-15 | 2022-03-04 | 阿波罗智能技术(北京)有限公司 | 基于分层特征的高精地图道路数据生成方法、装置、设备 |
| 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 |
| CN114677570B (zh) * | 2022-03-14 | 2023-02-07 | 北京百度网讯科技有限公司 | 道路信息更新方法、装置、电子设备以及存储介质 |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20120009590A (ko) * | 2010-07-19 | 2012-02-02 | 주식회사 이미지넥스트 | 차선 인식 시스템 및 방법 |
| 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 |
| CN108470159A (zh) * | 2018-03-09 | 2018-08-31 | 腾讯科技（深圳）有限公司 | 车道线数据处理方法、装置、计算机设备和存储介质 |
| CN108549926A (zh) * | 2018-03-09 | 2018-09-18 | 中山大学 | 一种用于精细化识别车辆属性的深度神经网络及训练方法 |
| CN108764187A (zh) * | 2018-06-01 | 2018-11-06 | 百度在线网络技术（北京）有限公司 | 提取车道线的方法、装置、设备、存储介质以及采集实体 |
| CN109389046A (zh) * | 2018-09-11 | 2019-02-26 | 昆山星际舟智能科技有限公司 | 用于自动驾驶的全天候物体识别与车道线检测方法 |
| CN109583312A (zh) * | 2018-10-31 | 2019-04-05 | 百度在线网络技术（北京）有限公司 | 车道线识别方法、装置、设备及存储介质 |
| CN109614925A (zh) * | 2017-12-07 | 2019-04-12 | 深圳市商汤科技有限公司 | 服饰属性识别方法和装置、电子设备、存储介质 |
| CN109858372A (zh) * | 2018-12-29 | 2019-06-07 | 浙江零跑科技有限公司 | 一种车道级精度自动驾驶结构化数据分析方法 |
| CN109902732A (zh) * | 2019-02-22 | 2019-06-18 | 哈尔滨工业大学（深圳） | 车辆自动分类方法及相关装置 |
| CN110163176A (zh) * | 2019-05-28 | 2019-08-23 | 北京百度网讯科技有限公司 | 车道线变化位置识别方法、装置、设备和介质 |
| CN110427860A (zh) * | 2019-07-26 | 2019-11-08 | 武汉中海庭数据技术有限公司 | 一种车道线识别方法、装置及存储介质 |
| CN110502982A (zh) * | 2019-07-11 | 2019-11-26 | 平安科技（深圳）有限公司 | 一种检测高速公路中障碍物的方法、装置及计算机设备 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2008130219A1 (en) * | 2007-04-19 | 2008-10-30 | Tele Atlas B.V. | Method of and apparatus for producing road information |
-
2020
- 2020-03-17 CN CN202010187338.8A patent/CN111401251B/zh active Active
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20120009590A (ko) * | 2010-07-19 | 2012-02-02 | 주식회사 이미지넥스트 | 차선 인식 시스템 및 방법 |
| 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 |
| CN109614925A (zh) * | 2017-12-07 | 2019-04-12 | 深圳市商汤科技有限公司 | 服饰属性识别方法和装置、电子设备、存储介质 |
| CN108470159A (zh) * | 2018-03-09 | 2018-08-31 | 腾讯科技（深圳）有限公司 | 车道线数据处理方法、装置、计算机设备和存储介质 |
| CN108549926A (zh) * | 2018-03-09 | 2018-09-18 | 中山大学 | 一种用于精细化识别车辆属性的深度神经网络及训练方法 |
| CN108764187A (zh) * | 2018-06-01 | 2018-11-06 | 百度在线网络技术（北京）有限公司 | 提取车道线的方法、装置、设备、存储介质以及采集实体 |
| CN109389046A (zh) * | 2018-09-11 | 2019-02-26 | 昆山星际舟智能科技有限公司 | 用于自动驾驶的全天候物体识别与车道线检测方法 |
| CN109583312A (zh) * | 2018-10-31 | 2019-04-05 | 百度在线网络技术（北京）有限公司 | 车道线识别方法、装置、设备及存储介质 |
| CN109858372A (zh) * | 2018-12-29 | 2019-06-07 | 浙江零跑科技有限公司 | 一种车道级精度自动驾驶结构化数据分析方法 |
| CN109902732A (zh) * | 2019-02-22 | 2019-06-18 | 哈尔滨工业大学（深圳） | 车辆自动分类方法及相关装置 |
| CN110163176A (zh) * | 2019-05-28 | 2019-08-23 | 北京百度网讯科技有限公司 | 车道线变化位置识别方法、装置、设备和介质 |
| CN110502982A (zh) * | 2019-07-11 | 2019-11-26 | 平安科技（深圳）有限公司 | 一种检测高速公路中障碍物的方法、装置及计算机设备 |
| CN110427860A (zh) * | 2019-07-26 | 2019-11-08 | 武汉中海庭数据技术有限公司 | 一种车道线识别方法、装置及存储介质 |
Non-Patent Citations (3)
| Title |
|---|
| Deep neural network for structural prediction and lane detection in traffic scene;Jun Li等;《IEEE Transactions on Neural Networks and Learning Systems》;第28卷(第03期);690-703 * |
| 基于图像处理的机器人目标识别与定位系统;张捍东;谢炜;;工业仪表与自动化装置(第03期);12-15+33 * |
| 基于深度学习的道路标线自动提取与分类方法;黄刚等;《中国激光》;20190426;第46卷(第08期);146-153 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111401251A (zh) | 2020-07-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111401251B (zh) | 车道线提取方法、装置、电子设备及计算机可读存储介质 | |
| US11615605B2 (en) | Vehicle information detection method, electronic device and storage medium | |
| CN112652016B (zh) | 点云预测模型的生成方法、位姿估计方法及其装置 | |
| CN111965624A (zh) | 激光雷达与相机的标定方法、装置、设备和可读存储介质 | |
| CN111753961B (zh) | 模型训练方法和装置、预测方法和装置 | |
| CN111739005B (zh) | 图像检测方法、装置、电子设备及存储介质 | |
| CN111462029B (zh) | 视觉点云与高精地图融合方法、装置和电子设备 | |
| CN110793544B (zh) | 路侧感知传感器参数标定方法、装置、设备及存储介质 | |
| CN112270669B (zh) | 人体3d关键点检测方法、模型训练方法及相关装置 | |
| US11713970B2 (en) | Positioning method, electronic device and computer readable storage medium | |
| CN111767853B (zh) | 车道线检测方法和装置 | |
| KR20210052409A (ko) | 차선의 확정방법, 포지셔닝 정밀도의 평가방법, 장치, 기기 및 컴퓨터 프로그램 | |
| CN111612852B (zh) | 用于验证相机参数的方法和装置 | |
| KR102498439B1 (ko) | 차량용 카메라의 외부 파라미터 캘리브레이션 방법, 장치, 시스템 및 저장매체 | |
| CN110675635B (zh) | 相机外参的获取方法、装置、电子设备及存储介质 | |
| CN111721281B (zh) | 位置识别方法、装置和电子设备 | |
| CN111784836A (zh) | 高精地图生成方法、装置、设备及可读存储介质 | |
| CN112101209B (zh) | 用于路侧计算设备的确定世界坐标点云的方法和装置 | |
| CN112241716B (zh) | 训练样本的生成方法和装置 | |
| CN111784834A (zh) | 一种点云地图生成方法、装置以及电子设备 | |
| KR102566300B1 (ko) | 실내 측위 방법, 장치, 장비 및 저장 매체 | |
| CN111666876A (zh) | 用于检测障碍物的方法、装置、电子设备和路侧设备 | |
| CN111311743B (zh) | 三维重建精度测试方法、测试装置和电子设备 | |
| CN111191619A (zh) | 车道线虚线段的检测方法、装置、设备和可读存储介质 | |
| WO2024083006A1 (zh) | 一种三维成像方法、装置、设备和存储介质 |
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 |