CN111460072B - 车道线检测方法、装置、设备和存储介质 - Google Patents
车道线检测方法、装置、设备和存储介质 Download PDFInfo
- Publication number
- CN111460072B CN111460072B CN202010251226.4A CN202010251226A CN111460072B CN 111460072 B CN111460072 B CN 111460072B CN 202010251226 A CN202010251226 A CN 202010251226A CN 111460072 B CN111460072 B CN 111460072B
- Authority
- CN
- China
- Prior art keywords
- lane line
- target
- lane
- candidate
- road
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 62
- 238000003860 storage Methods 0.000 title claims abstract description 16
- 238000012545 processing Methods 0.000 claims abstract description 35
- 238000009826 distribution Methods 0.000 claims description 40
- 230000011218 segmentation Effects 0.000 claims description 28
- 238000012216 screening Methods 0.000 claims description 22
- 238000000034 method Methods 0.000 claims description 21
- 230000015654 memory Effects 0.000 claims description 19
- 230000000903 blocking effect Effects 0.000 claims description 14
- 230000009466 transformation Effects 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 6
- 238000000638 solvent extraction Methods 0.000 abstract description 6
- 230000008901 benefit Effects 0.000 description 16
- 230000000007 visual effect Effects 0.000 description 7
- 238000004891 communication Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000010276 construction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000001914 filtration Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 101100127891 Caenorhabditis elegans let-4 gene Proteins 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001151 other effect Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Multimedia (AREA)
- Remote Sensing (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请实施例公开了一种车道线检测方法、装置、设备和存储介质，涉及自动驾驶技术领域。具体实现方案为：对目标道路进行分块处理，得到候选分块；对所述候选分块内的车道线区域进行曲线拟合，得到所述候选分块内的目标车道线；将不同候选分块内的目标车道线进行连接，得到所述目标道路上的车道线。通过对道路进行分块，基于分块进行车道线的识别和连接，以检测得到道路上连续的车道线，避免了对车道线区域连续性的要求，即使存在不连续的车道线区域也能够检测到连续的车道线，提高了车道线识别的准确度和连续性。
Description
技术领域
本申请实施例涉及计算机技术领域，尤其涉及自动驾驶技术领域，具体涉及一种车道线检测方法、装置、设备和存储介质。
背景技术
高精地图是自动驾驶时代不可或缺的基础设施，车道线作为高精地图的基础要素，其提取的精确度及自动化程度对高精地图的规模化生产影响重大。由于视觉图像中可能存在噪音或遮挡等情况，因此现有技术对于车道线的识别准确率较低，且存在车道线不连续的情况。
发明内容
本申请实施例提供了一种车道线检测方法、装置、设备和存储介质，能够准确的识别出连续的车道线。
第一方面，本申请实施例提供了一种车道线检测方法，包括：
对目标道路进行分块处理，得到候选分块；
对所述候选分块内的车道线区域进行曲线拟合，得到所述候选分块内的目标车道线；
将不同候选分块内的目标车道线进行连接，得到所述目标道路上的车道线。
上述申请中的一个实施例具有如下优点或有益效果：通过对道路进行分块，基于分块进行车道线的识别和连接，以检测得到道路上连续的车道线，避免了对车道线区域连续性的要求，即使存在不连续的车道线区域也能够检测到连续的车道线，提高了车道线识别的准确度和连续性。
可选的，所述将不同候选分块内的目标车道线进行连接，得到所述目标道路上的车道线，包括：
对所述候选分块进行筛选，得到车道线数量符合全局车道线分布的目标分块；
将不同目标分块内的目标车道线进行连接，得到所述目标道路上的车道线。
上述申请中的一个实施例具有如下优点或有益效果：基于车道线数量对候选分块进行筛选，实现对检测有误的候选分块进行过滤，避免将车道线数量不一致的分块内的车道线连接为最终的车道线，进一步提高了车道线识别的准确度。
可选的，所述对所述候选分块进行筛选，得到车道线数量符合全局车道线分布的目标分块，包括：
根据所述目标道路上的车道线区域，确定所述目标道路的全局车道线分布；
根据所述候选分块内的目标车道线，确定所述候选分块的车道线数量；
根据所述目标道路的全局车道线分布，以及所述候选分块的车道线数量，从所述候选分块中筛选出车道线数量一致的目标分块。
上述申请中的一个实施例具有如下优点或有益效果：通过以道路的全局车道线分布为基准，根据各分块内所检测到的目标车道线数量对候选分块进行筛选，实现对检测有误的候选分块进行过滤，保障了前后所连接的分块内车道线数量的一致性，进一步提高了车道线识别的准确度。
可选的，所述将不同目标分块内的目标车道线进行连接，得到所述目标道路上的车道线，包括：
沿着道路行驶方向，在所述目标分块内，确定目标车道线位于分块中段位置的目标车道线段；
基于非目标分块在所述目标道路中的位置，将相邻目标分块内的目标车道线段进行连接，得到所述目标道路上的车道线。
上述申请中的一个实施例具有如下优点或有益效果：鉴于车道线不一定是完全直线，因此通过选取位于分块中段位置的目标车道线段，并以此作为车道线连接依据，使得待连接的车道线段近似为直线，保障了连接后车道线整体的连续性以及形态，进一步提高了车道线识别的准确度。
可选的，所述对目标道路进行分块处理，得到候选分块，包括：
按照分块道路长度和分块重叠比例，沿着道路行驶方向对所述目标道路进行分块处理，得到相邻分块之间具有重叠区域的候选分块。
上述申请中的一个实施例具有如下优点或有益效果：通过将道路划分为一定道路长度且具有重叠区域的候选分块，使得各分块内的车道线近似为直线，确保了车道线的顺利连接，保障了连接后车道线整体的连续性以及形态，进一步提高了车道线识别的准确度。
可选的，所述对所述候选分块内的车道线区域进行曲线拟合，得到所述候选分块内的目标车道线，包括：
对所述候选分块进行语义分割处理，得到所述候选分块内的车道线区域和区域概率值；
对所述车道线区域进行霍夫变换处理，得到所述候选分块内的候选曲线；
根据所述区域概率值和车道线条件，从所述候选曲线中确定目标车道线。
上述申请中的一个实施例具有如下优点或有益效果：基于语义分割技术得到的车道线区域，采用霍夫变换进行曲线拟合，保障了所拟合曲线的连续性，避免分块内车道线区域的中断导致曲线拟合的中断，从而从候选曲线中筛选出符合车道线条件的目标车道线，提高了分块了车道线检测的连续性和准确度。
可选的，所述根据所述区域概率值和车道线条件，从所述候选曲线中确定目标车道线，包括：
将所述候选曲线所经过的车道线区域的区域概率值进行累加，得到所述候选曲线的车道线概率总值；
根据所述候选曲线的车道线概率总值，从所述候选曲线中确定当前待判别曲线；
以所述候选曲线中经判别符合车道线条件的目标车道线为基准，若检测到所述当前待判别曲线符合所述车道线条件，则将所述当前待判别曲线确定为目标车道线。
上述申请中的一个实施例具有如下优点或有益效果：对于每一个候选分块，通过考虑分块的同一车道组内车道线之间的关系，不仅将先验信息融入到车道线的判别中，而且过滤掉了前述流程中检测有误的车道线，提高了车道线检测的准确度。
第二方面，本申请实施例提供了一种车道线检测装置，包括：
道路分块模块，用于对目标道路进行分块处理，得到候选分块；
车道线检测模块，用于对所述候选分块内的车道线区域进行曲线拟合，得到所述候选分块内的目标车道线；
分块连接模块，用于将不同候选分块内的目标车道线进行连接，得到所述目标道路上的车道线。
可选的，所述分块连接模块具体用于：
对所述候选分块进行筛选，得到车道线数量符合全局车道线分布的目标分块；
将不同目标分块内的目标车道线进行连接，得到所述目标道路上的车道线。
可选的，所述分块连接模块具体用于：
根据所述目标道路上的车道线区域，确定所述目标道路的全局车道线分布；
根据所述候选分块内的目标车道线，确定所述候选分块的车道线数量；
根据所述目标道路的全局车道线分布，以及所述候选分块的车道线数量，从所述候选分块中筛选出车道线数量一致的目标分块。
可选的，所述分块连接模块具体用于：
沿着道路行驶方向，在所述目标分块内，确定目标车道线位于分块中段位置的目标车道线段；
基于非目标分块在所述目标道路中的位置，将相邻目标分块内的目标车道线段进行连接，得到所述目标道路上的车道线。
可选的，所述道路分块模块具体用于：
按照分块道路长度和分块重叠比例，沿着道路行驶方向对所述目标道路进行分块处理，得到相邻分块之间具有重叠区域的候选分块。
可选的，所述车道线检测模块具体用于：
对所述候选分块进行语义分割处理，得到所述候选分块内的车道线区域和区域概率值；
对所述车道线区域进行霍夫变换处理，得到所述候选分块内的候选曲线；
根据所述区域概率值和车道线条件，从所述候选曲线中确定目标车道线。
可选的，所述车道线检测模块具体用于：
将所述候选曲线所经过的车道线区域的区域概率值进行累加，得到所述候选曲线的车道线概率总值；
根据所述候选曲线的车道线概率总值，从所述候选曲线中确定当前待判别曲线；
以所述候选曲线中经判别符合车道线条件的目标车道线为基准，若检测到所述当前待判别曲线符合所述车道线条件，则将所述当前待判别曲线确定为目标车道线。
第三方面，本申请实施例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本申请任意实施例所述的车道线检测方法。
第四方面，本申请实施例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本申请任意实施例所述的车道线检测方法。
上述申请中的一个实施例具有如下优点或有益效果：在对目标道路进行分块得到候选分块的基础上，通过对各候选分块内的车道线区域进行曲线拟合，得到各候选分块内的目标车道线，通过将不同候选分块内的目标车道线进行连接，得到目标道路上的车道线。本申请实施例通过对道路进行分块，基于分块进行车道线的识别和连接，以检测得到道路上连续的车道线，避免了对车道线区域连续性的要求，即使存在不连续的车道线区域也能够检测到连续的车道线，提高了车道线识别的准确度和连续性。
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是根据本申请第一实施例的一种车道线检测方法的流程图；
图2是根据本申请第二实施例的一种车道线检测方法的流程图；
图3是根据本申请第三实施例的一种车道线检测方法的流程图；
图4是根据本申请第四实施例的一种车道线检测装置的结构示意图；
图5是用来实现本申请实施例的车道线检测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。
第一实施例
图1是根据本申请第一实施例的一种车道线检测方法的流程图，本实施例可适用于对道路视觉图像进行车道线检测的情况，可以生成矢量化车道线，为高精地图的构建提供依据。该方法可由一种车道线检测装置来执行，该装置采用软件和/或硬件的方式实现，优选是配置于电子设备中，例如自动驾驶车辆的主控设备或服务器中。如图1所示，该方法具体包括如下：
S110、对目标道路进行分块处理，得到候选分块。
在本申请具体实施例中，目标道路是指待检测车道线的道路，目标道路可以是任何视觉图像中的道路，且不对视觉图像中的道路延伸或行驶方向进行限定。例如，自动驾驶车辆所采集到的道路图像中，通常图像深度或视觉深度与道路延伸方向一致。目标道路中包括至少一条车道线，用于划分不同的车道。
本实施例中，分块处理是指沿着道路行驶方向，以道路行驶方向的法线作为分界线对目标道路进行切分，将目标道路切分为一段一段的道路区域，作为候选分块。
其中，可以按照预先设定的分块道路长度，将目标道路切分为道路长度相同的候选分块。分块道路长度远小于目标道路总长度，进而即使目标道路存在弯曲，候选分块内的车道线也可以近似于直线。此外，为了提高车道线检测的鲁棒性，可以按照预先设定的分块重叠比例，将目标道路切分为各分块之间具有重叠区域的候选分块。例如，假设目标道路总长度为100米，分块道路长度为50米，分块重叠比例为50％，进而可以分块得到3个候选分块。
S120、对候选分块内的车道线区域进行曲线拟合，得到候选分块内的目标车道线。
在本申请具体实施例中，车道线区域是指车道线本身所覆盖的长条形区域。可以通过对各个候选分块的图像进行语义分割处理，识别出各个候选分块中可能是车道线的像素点，构成车道线区域。并获得每一个像素点是车道线的概率值，以及车道线区域可能是车道线的区域概率值。
本实施例中，目标车道线是指候选分块内部，通过曲线拟合和车道线条件判别等过程，所确定的可能是车道线的曲线。其中，为了保障拟合曲线的连续性，可以采用霍夫变换进行曲线拟合。基于霍夫变换的采用，目标车道线是连续的曲线。不同候选分块内的目标车道线数量可能相同也可能不同。由于分块道路长度较小，同一候选分块内部所检测到的目标车道线数量通常是前后一致的。
具体的，本实施例针对于每一个候选分块，可以采用霍夫变换，基于车道线区域内的像素点进行曲线拟合，得到候选分块内的候选曲线。根据区域概率值，将候选曲线所经过的车道线区域的区域概率值进行累加，得到各候选曲线车道线概率总值。从而首先将车道线概率总值最大的第一候选曲线确定为目标车道线。其次以第一候选曲线为基准，判别车道线概率总值第二大的第二候选曲线，相对于第一候选曲线是否满足车道线条件，例如相距距离以及所成角度，通常两车道线之间的距离不能太近，且两车道线趋于平行。若满足，则确定第二候选曲线为目标车道线；否则过滤掉第二候选曲线。然后以所有目标车道线为基准，判别车道线概率总值第三大的第三候选曲线，相对于每一个目标车道线是否满足车道线条件。以此类推，直至判别完候选分块内的所有候选曲线，得到候选分块内的全部目标车道线。
S130、将不同候选分块内的目标车道线进行连接，得到目标道路上的车道线。
在本申请具体实施例中，按照候选分块的排列顺序，将各候选分块内的目标车道线进行连接，得到目标道路上完整且连续的车道线。其中，鉴于车道线并非是完全的直线，且相邻分块之间存在重叠区域，因此可以沿着道路行驶方向，确定目标车道线位于块内中段位置的目标车道线段，将相邻候选分块内的目标车道线段进行连接，得到目标道路上的车道线。
其中，鉴于候选分块中目标车道线的误判性，还可以在车道线连接之前，对候选分块进行筛选，得到车道线数量符合全局车道线分布的目标分块。从而基于非目标分块在目标道路中的位置，将相邻目标分块内的目标车道线段进行连接，得到目标道路上的车道线。对于候选分块的筛选过程将在后续实施例中进行具体解释说明。
本实施例的技术方案，在对目标道路进行分块得到候选分块的基础上，通过对各候选分块内的车道线区域进行曲线拟合，得到各候选分块内的目标车道线，通过将不同候选分块内的目标车道线进行连接，得到目标道路上的车道线。本申请实施例通过对道路进行分块，基于分块进行车道线的识别和连接，以检测得到道路上连续的车道线，避免了对车道线区域连续性的要求，即使存在不连续的车道线区域也能够检测到连续的车道线，提高了车道线识别的准确度和连续性。
第二实施例
图2是根据本申请第二实施例的一种车道线检测方法的流程图，本实施例在上述第一实施例的基础上，进一步对不同分块之间车道线的连接进行解释说明，能够通过对候选分块的筛选，基于筛选后的目标分块进行车道线连接。如图2所示，该方法具体包括如下：
S210、按照分块道路长度和分块重叠比例，沿着道路行驶方向对目标道路进行分块处理，得到相邻分块之间具有重叠区域的候选分块。
在本申请具体实施例中，分块道路长度是指沿着道路行驶方向，每个分块的道路长度。分块道路长度远小于目标道路总长度，进而即使目标道路存在弯曲，候选分块内的车道线也可以近似于直线。分块重叠比例是指相邻分块之间的重叠区域占每个分块的比例。分块重叠比例可以是基于车道线检测经验确定，例如50％。
具体的，可以由目标道路的一端起，沿着道路行驶方向延伸，每达到分块道路长度则切分为一个候选分块。同时根据分块重叠比例，保障相邻分块之间的重叠比例，继续延伸切分下一个候选分块。
S220、对候选分块内的车道线区域进行曲线拟合，得到候选分块内的目标车道线。
S230、对候选分块进行筛选，得到车道线数量符合全局车道线分布的目标分块。
在本申请具体实施例中，全局车道线分布是指整条目标道路上车道线的分布情况。由于整条目标道路中，车道线的数量并非完全一致的，例如会存在车道增多或减少的情况。因此全局车道线分布标识了目标道路上各个道路长度节点处所包含的车道线数量。此外，通过对候选分块内目标车道线的检测，可以统计得到各候选分块内的车道线数量。进而判别候选分块是否符合全局车道线分布，依次来过滤掉不符合的候选分块。
具体的，对候选分块的筛选流程如下：
A、根据目标道路上的车道线区域，确定目标道路的全局车道线分布。
本实施例中，可以按照预设步长检测目标道路上各节点处的车道线数量，通过在各节点处做一根道路延长方向的法线，检测法线所经过车道线区域的数量，得到该节点处的车道线数量。以此类推，直至遍历完整条目标道路，得到目标道路的全局车道线分布。
其中，在得到各个节点处的车道线数量之后，还可以根据相邻至少三个节点处的车道线数量，若检测到前后节点处的车道线数量一致，而中间节点处的车道线数量不同，则对位于中间的节点进行去噪处理，即将中间节点处的车道线数量修正为其前后节点处的车道线数量，以提高全局车道线分布的准确性。
示例性的，以10米为步长，每10米检测一侧目标道路上的车道线数量。假设0米处的车道线数量为4根，10米处的车道线数量为5根，20米处的车道线数量为4根。鉴于道路上短距离内的车道线不可能存在较大的变化，因此可以将10米处的车道线数量修正为4根。
B、根据候选分块内的目标车道线，确定候选分块的车道线数量。
本实施例中，在检测得到各个候选分块内的目标车道线之后，可以通过统计各个候选分块内目标车道线的数量，得到各个候选分块的车道线数量。
C、根据目标道路的全局车道线分布，以及候选分块的车道线数量，从候选分块中筛选出车道线数量一致的目标分块。
本实施例中，针对于每一个候选分块，可以确定候选分块所在目标道路上的节点，从全局车道线分布中提取出该节点处的车道线分布情况，从而将候选分块的车道线数量与该节点处的车道线分布情况进行比较，判断所检测的车道线数量与全局车道线分布是否一致。进而将判别一致的候选分块确定为待连接的目标分块，过滤掉车道线分布不一致的候选分块。
S240、将不同目标分块内的目标车道线进行连接，得到目标道路上的车道线。
在本申请具体实施例中，经候选分块筛选后，所得到的相邻目标分块都是车道线数量一致的分块，进而避免了相邻分块车道线数量不一致导致的无法连接的问题。其中，可以保留所过滤掉的候选分块在整条目标道路上的位置，基于目标分块内车道线的连接替代了所过滤掉候选分块内的车道线。
具体的，车道线的连接流程如下：
A、沿着道路行驶方向，在目标分块内，确定目标车道线位于分块中段位置的目标车道线段。
本实施例中，鉴于车道线并非是完全的直线，且相邻候选分块之间存在重叠区域，因此为了提高车道线连接的准确性，可以仅选用位于分块中段位置的目标车道线段进行连接。例如，假设每个候选分块的道路长度为50米，即沿着道路行驶方向为50米。因此可以以25米处为中心，选择25米处前后的15米总共30米作为目标车道线段。
B、基于非目标分块在目标道路中的位置，将相邻目标分块内的目标车道线段进行连接，得到目标道路上的车道线。
本实施例中，对于过滤掉的候选分块，仍然保留该候选分块在整条目标道路上的位置，基于目标分块内目标车道线段的连接，替代所过滤掉候选分块内的车道线，得到目标道路上的车道线。
本实施例的技术方案，按照分块道路长度和分块重叠比例，沿着道路行驶方向对目标道路进行分块处理，得到候选分块。根据目标道路的全局车道线分布，对候选分块进行筛选，得到目标分块。从而选取目标分块内位于中段位置的目标车道线段进行连接，得到目标道路上的车道线。本申请实施例通过对道路进行分块，基于分块进行车道线的识别和连接，以检测得到道路上连续的车道线，避免了对车道线区域连续性的要求，即使存在不连续的车道线区域也能够检测到连续的车道线，提高了车道线识别的准确度和连续性。
第三实施例
图3是根据本申请第三实施例的一种车道线检测方法的流程图，本实施例在上述第一实施例的基础上，进一步对分块内车道线的检测进行解释说明，能够通过语义分割、霍夫变换以及车道线条件判别来得到目标车道线。如图3所示，该方法具体包括如下：
S310、按照分块道路长度和分块重叠比例，沿着道路行驶方向对目标道路进行分块处理，得到相邻分块之间具有重叠区域的候选分块。
S320、对候选分块进行语义分割处理，得到候选分块内的车道线区域和区域概率值。
在本申请具体实施例中，可以通过对各个候选分块的图像进行语义分割处理，识别出各个候选分块中可能是车道线的像素点，构成车道线区域。并获得每一个像素点是车道线的概率值，以及车道线区域可能是车道线的区域概率值。其中，通过语义分割技术，可以快速从道路图像中识别出车道线区域，并确定各车道线区域属于车道线的区域概率值，为后续的车道线检测提供有效依据。
S330、对车道线区域进行霍夫变换处理，得到候选分块内的候选曲线。
在本申请具体实施例中，基于车道线区域中的像素点进行霍夫变换，可以得到车道线区域内所有的候选曲线。基于霍夫变换的采用，候选曲线是连续的。其中，候选曲线中可能存在真实的车道线，也可能存在基于噪声像素点而得到的非车道线的噪声曲线。
S340、根据区域概率值和车道线条件，从候选曲线中确定目标车道线。
在本申请具体实施例中，根据区域概率值可以得到候选曲线的车道线概率总值。按照车道线概率总值由大到小，找到逐条候选曲线，并以前述判断符合车道线条件的每一条候选曲线为基准，判断当前的候选曲线是否符合车道线条件，以从候选曲线中筛选得到符合条件的矢量化车道线，并构成块内的车道组。
本实施例中，车道线条件是指同一车道组内各车道线之间的关系，包括但不局限于距离条件和角度条件。通常两车道线之间的距离不能太近，两车道线趋于平行，且分块内车道线近似于直线。因此在对候选曲线进行车道线条件判别时，可以以前述判断的符合车道线条件的候选曲线为基准，检测两候选曲线之间的距离是否大于距离阈值，两候选曲线之间的夹角是否小于角度阈值。若满足车道线条件，则将该待检测的候选曲线确定为目标车道线。
可选的，将候选曲线所经过的车道线区域的区域概率值进行累加，得到候选曲线的车道线概率总值；根据候选曲线的车道线概率总值，从候选曲线中确定当前待判别曲线；以候选曲线中经判别符合车道线条件的目标车道线为基准，若检测到当前待判别曲线符合车道线条件，则将当前待判别曲线确定为目标车道线。
本实施例中，针对于每一个候选分块，根据区域概率值，将候选曲线所经过的车道线区域的区域概率值进行累加，得到各候选曲线车道线概率总值。从而首先将车道线概率总值最大的第一候选曲线确定为目标车道线。其次以第一候选曲线为基准，判别车道线概率总值第二大的第二候选曲线，相对于第一候选曲线是否满足车道线条件，例如相距距离以及所成角度，通常两车道线之间的距离不能太近，且两车道线趋于平行。若满足，则确定第二候选曲线为目标车道线；否则过滤掉第二候选曲线。然后以所有目标车道线为基准，判别车道线概率总值第三大的第三候选曲线，相对于每一个目标车道线是否满足车道线条件。以此类推，直至判别完候选分块内的所有候选曲线，得到候选分块内的全部目标车道线。
示例性的，按照车道线概率总值由大到小的顺序，先找到车道线概率总值最大的第一候选曲线，再找到第二候选曲线，并以第一候选曲线为基准，判断第二候选曲线相对于第一候选曲线是否符合车道线条件。假设不符合，则舍去第二候选曲线。然后找到第三候选曲线，并以第一候选曲线为基准，判断第三候选曲线相对于第一候选曲线是否符合车道线条件。假设符合，则保留第三候选曲线。最后找到第四候选曲线，并以第一候选曲线和第三候选曲线为基准，判断第四候选曲线分别相对于第一候选曲线和第三候选曲线是否符合车道线条件。以此类推，直至判别完候选分块内的所有候选曲线，将所有符合车道线条件的候选曲线确定为该候选分块内的目标车道线。
S350、将不同候选分块内的目标车道线进行连接，得到目标道路上的车道线。
本实施例的技术方案，按照分块道路长度和分块重叠比例，沿着道路行驶方向对目标道路进行分块处理，得到候选分块。基于语义分割技术，得到候选分块内的车道线区域和区域概率值。对车道线区域进行霍夫变换处理，得到候选分块内的候选曲线，并根据区域概率值和车道线条件，从候选曲线中确定目标车道线。最终通过将不同候选分块内的目标车道线进行连接，得到目标道路上的车道线。本申请实施例通过对道路进行分块，基于分块进行车道线的识别和连接，以检测得到道路上连续的车道线，避免了对车道线区域连续性的要求，即使存在不连续的车道线区域也能够检测到连续的车道线，提高了车道线识别的准确度和连续性。
第四实施例
图4是根据本申请第四实施例的一种车道线检测装置的结构示意图，本实施例可适用于对道路视觉图像进行车道线检测的情况，可以生成矢量化车道线，为高精地图的构建提供依据。该装置可实现本申请任意实施例所述的车道线检测方法。该装置400具体包括如下：
道路分块模块410，用于对目标道路进行分块处理，得到候选分块；
车道线检测模块420，用于对所述候选分块内的车道线区域进行曲线拟合，得到所述候选分块内的目标车道线；
分块连接模块430，用于将不同候选分块内的目标车道线进行连接，得到所述目标道路上的车道线。
可选的，所述分块连接模块430具体用于：
对所述候选分块进行筛选，得到车道线数量符合全局车道线分布的目标分块；
将不同目标分块内的目标车道线进行连接，得到所述目标道路上的车道线。
可选的，所述分块连接模块430具体用于：
根据所述目标道路上的车道线区域，确定所述目标道路的全局车道线分布；
根据所述候选分块内的目标车道线，确定所述候选分块的车道线数量；
根据所述目标道路的全局车道线分布，以及所述候选分块的车道线数量，从所述候选分块中筛选出车道线数量一致的目标分块。
可选的，所述分块连接模块430具体用于：
沿着道路行驶方向，在所述目标分块内，确定目标车道线位于分块中段位置的目标车道线段；
基于非目标分块在所述目标道路中的位置，将相邻目标分块内的目标车道线段进行连接，得到所述目标道路上的车道线。
可选的，所述道路分块模块410具体用于：
按照分块道路长度和分块重叠比例，沿着道路行驶方向对所述目标道路进行分块处理，得到相邻分块之间具有重叠区域的候选分块。
可选的，所述车道线检测模块420具体用于：
对所述候选分块进行语义分割处理，得到所述候选分块内的车道线区域和区域概率值；
对所述车道线区域进行霍夫变换处理，得到所述候选分块内的候选曲线；
根据所述区域概率值和车道线条件，从所述候选曲线中确定目标车道线。
可选的，所述车道线检测模块420具体用于：
将所述候选曲线所经过的车道线区域的区域概率值进行累加，得到所述候选曲线的车道线概率总值；
根据所述候选曲线的车道线概率总值，从所述候选曲线中确定当前待判别曲线；
以所述候选曲线中经判别符合车道线条件的目标车道线为基准，若检测到所述当前待判别曲线符合所述车道线条件，则将所述当前待判别曲线确定为目标车道线。
本实施例的技术方案，通过各个功能模块之间的相互配合，实现了道路的分块、道路图像的语义分割处理、车道线区域的获得、概率值的获得、基于霍夫变换的曲线拟合、车道线条件的判别、分块的筛选、中段车道线的选择以及分块之间车道线的连接等功能。本申请实施例通过对道路进行分块，基于分块进行车道线的识别和连接，以检测得到道路上连续的车道线，避免了对车道线区域连续性的要求，即使存在不连续的车道线区域也能够检测到连续的车道线，提高了车道线识别的准确度和连续性。
第五实施例
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检测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，其上显示图形用户界面(Graphical User Interface，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，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检测方法。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检测方法。
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检测方法对应的程序指令/模块，例如，附图4所示的道路分块模块410、车道线检测模块420和分块连接模块430。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检测方法。
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检测方法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检测方法的电子设备。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。
车道线检测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，以及产生与车道线检测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504可以包括显示设备、辅助照明装置和触觉反馈装置等，其中，辅助照明装置例如发光二极管(LightEmitting Diode，LED)；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(Liquid Crystal Display，LCD)、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、专用集成电路(Application Specific Integrated Circuit，ASIC)、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(Programmable Logic Device，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，阴极射线管(Cathode Ray Tube，CRT)或者LCD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，数据服务器，或者实施在包括中间件部件的计算系统，例如，应用服务器、或者实施在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，或者实施在包括这种后台部件、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(Local Area Network，LAN)、广域网(Wide Area Network，WAN)、互联网和区块链网络。
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，通过对道路进行分块，基于分块进行车道线的识别和连接，以检测得到道路上连续的车道线，避免了对车道线区域连续性的要求，即使存在不连续的车道线区域也能够检测到连续的车道线，提高了车道线识别的准确度和连续性。
另外，基于车道线数量对候选分块进行筛选，实现对检测有误的候选分块进行过滤，避免将车道线数量不一致的分块内的车道线连接为最终的车道线，进一步提高了车道线识别的准确度。
另外，通过以道路的全局车道线分布为基准，根据各分块内所检测到的目标车道线数量对候选分块进行筛选，实现对检测有误的候选分块进行过滤，保障了前后所连接的分块内车道线数量的一致性，进一步提高了车道线识别的准确度。
另外，鉴于车道线不一定是完全直线，因此通过选取位于分块中段位置的目标车道线段，并以此作为车道线连接依据，使得待连接的车道线段近似为直线，保障了连接后车道线整体的连续性以及形态，进一步提高了车道线识别的准确度。
另外，通过将道路划分为一定道路长度且具有重叠区域的候选分块，使得各分块内的车道线近似为直线，确保了车道线的顺利连接，保障了连接后车道线整体的连续性以及形态，进一步提高了车道线识别的准确度。
另外，基于语义分割技术得到的车道线区域，采用霍夫变换进行曲线拟合，保障了所拟合曲线的连续性，避免分块内车道线区域的中断导致曲线拟合的中断，从而从候选曲线中筛选出符合车道线条件的目标车道线，提高了分块了车道线检测的连续性和准确度。
另外，对于每一个候选分块，通过考虑分块的同一车道组内车道线之间的关系，不仅将先验信息融入到车道线的判别中，而且过滤掉了前述流程中检测有误的车道线，提高了车道线检测的准确度。
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)
1.一种车道线检测方法，其特征在于，包括：
对目标道路进行分块处理，得到候选分块；
对所述候选分块内的车道线区域进行曲线拟合，得到所述候选分块内的目标车道线；
对所述候选分块进行筛选，得到车道线数量符合全局车道线分布的目标分块；
将不同目标分块内的目标车道线进行连接，得到所述目标道路上的车道线；
其中，所述对所述候选分块进行筛选，得到车道线数量符合全局车道线分布的目标分块，包括：
根据所述目标道路上的车道线区域，确定所述目标道路的全局车道线分布；其中，所述全局车道线分布是指整条目标道路上车道线的分布情况；
根据所述候选分块内的目标车道线，确定所述候选分块的车道线数量；
根据所述目标道路的全局车道线分布，以及所述候选分块的车道线数量，从所述候选分块中筛选出车道线数量一致的目标分块。
2.根据权利要求1所述的方法，其特征在于，所述将不同目标分块内的目标车道线进行连接，得到所述目标道路上的车道线，包括：
沿着道路行驶方向，在所述目标分块内，确定目标车道线位于分块中段位置的目标车道线段；
基于非目标分块在所述目标道路中的位置，将相邻目标分块内的目标车道线段进行连接，得到所述目标道路上的车道线。
3.根据权利要求1所述的方法，其特征在于，所述对目标道路进行分块处理，得到候选分块，包括：
按照分块道路长度和分块重叠比例，沿着道路行驶方向对所述目标道路进行分块处理，得到相邻分块之间具有重叠区域的候选分块。
4.根据权利要求1所述的方法，其特征在于，所述对所述候选分块内的车道线区域进行曲线拟合，得到所述候选分块内的目标车道线，包括：
对所述候选分块进行语义分割处理，得到所述候选分块内的车道线区域和区域概率值；
对所述车道线区域进行霍夫变换处理，得到所述候选分块内的候选曲线；
根据所述区域概率值和车道线条件，从所述候选曲线中确定目标车道线。
5.根据权利要求4所述的方法，其特征在于，所述根据所述区域概率值和车道线条件，从所述候选曲线中确定目标车道线，包括：
将所述候选曲线所经过的车道线区域的区域概率值进行累加，得到所述候选曲线的车道线概率总值；
根据所述候选曲线的车道线概率总值，从所述候选曲线中确定当前待判别曲线；
以所述候选曲线中经判别符合车道线条件的目标车道线为基准，若检测到所述当前待判别曲线符合所述车道线条件，则将所述当前待判别曲线确定为目标车道线。
6.一种车道线检测装置，其特征在于，包括：
道路分块模块，用于对目标道路进行分块处理，得到候选分块；
车道线检测模块，用于对所述候选分块内的车道线区域进行曲线拟合，得到所述候选分块内的目标车道线；
分块连接模块，用于对所述候选分块进行筛选，得到车道线数量符合全局车道线分布的目标分块；将不同目标分块内的目标车道线进行连接，得到所述目标道路上的车道线；
其中，所述分块连接模块，具体用于：
根据所述目标道路上的车道线区域，确定所述目标道路的全局车道线分布；其中，所述全局车道线分布是指整条目标道路上车道线的分布情况；
根据所述候选分块内的目标车道线，确定所述候选分块的车道线数量；
根据所述目标道路的全局车道线分布，以及所述候选分块的车道线数量，从所述候选分块中筛选出车道线数量一致的目标分块。
7.根据权利要求6所述的装置，其特征在于，所述分块连接模块具体用于：
沿着道路行驶方向，在所述目标分块内，确定目标车道线位于分块中段位置的目标车道线段；
基于非目标分块在所述目标道路中的位置，将相邻目标分块内的目标车道线段进行连接，得到所述目标道路上的车道线。
8.根据权利要求6所述的装置，其特征在于，所述道路分块模块具体用于：
按照分块道路长度和分块重叠比例，沿着道路行驶方向对所述目标道路进行分块处理，得到相邻分块之间具有重叠区域的候选分块。
9.根据权利要求6所述的装置，其特征在于，所述车道线检测模块具体用于：
对所述候选分块进行语义分割处理，得到所述候选分块内的车道线区域和区域概率值；
对所述车道线区域进行霍夫变换处理，得到所述候选分块内的候选曲线；
根据所述区域概率值和车道线条件，从所述候选曲线中确定目标车道线。
10.根据权利要求9所述的装置，其特征在于，所述车道线检测模块具体用于：
将所述候选曲线所经过的车道线区域的区域概率值进行累加，得到所述候选曲线的车道线概率总值；
根据所述候选曲线的车道线概率总值，从所述候选曲线中确定当前待判别曲线；
以所述候选曲线中经判别符合车道线条件的目标车道线为基准，若检测到所述当前待判别曲线符合所述车道线条件，则将所述当前待判别曲线确定为目标车道线。
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中任一项所述的车道线检测方法。
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中任一项所述的车道线检测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010251226.4A CN111460072B (zh) | 2020-04-01 | 2020-04-01 | 车道线检测方法、装置、设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010251226.4A CN111460072B (zh) | 2020-04-01 | 2020-04-01 | 车道线检测方法、装置、设备和存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111460072A CN111460072A (zh) | 2020-07-28 |
| CN111460072B true CN111460072B (zh) | 2023-10-03 |
Family
ID=71681180
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010251226.4A Active CN111460072B (zh) | 2020-04-01 | 2020-04-01 | 车道线检测方法、装置、设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111460072B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112013859B (zh) * | 2020-10-19 | 2021-01-26 | 四川京炜交通工程技术有限公司 | 一种快速获取道路标线精准位置的方法 |
| CN113191256B (zh) * | 2021-04-28 | 2024-06-11 | 北京百度网讯科技有限公司 | 车道线检测模型的训练方法、装置、电子设备及存储介质 |
Citations (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP0740163A2 (en) * | 1995-04-25 | 1996-10-30 | Matsushita Electric Industrial Co., Ltd. | Local positioning apparatus for detecting a local position of an automobile on a road |
| CN104063869A (zh) * | 2014-06-27 | 2014-09-24 | 南京通用电器有限公司 | 一种基于Beamlet变换的车道线检测方法 |
| CN104408460A (zh) * | 2014-09-17 | 2015-03-11 | 电子科技大学 | 一种车道线检测及跟踪检测方法 |
| CN105260713A (zh) * | 2015-10-09 | 2016-01-20 | 东方网力科技股份有限公司 | 一种车道线检测方法和装置 |
| CN105631880A (zh) * | 2015-12-31 | 2016-06-01 | 百度在线网络技术（北京）有限公司 | 车道线分割方法和装置 |
| CN106682646A (zh) * | 2017-01-16 | 2017-05-17 | 北京新能源汽车股份有限公司 | 一种车道线的识别方法及装置 |
| CN107452035A (zh) * | 2016-06-01 | 2017-12-08 | 纬创资通股份有限公司 | 车道线图像分析方法、装置及其计算机可读取式媒体 |
| CN107578012A (zh) * | 2017-09-05 | 2018-01-12 | 大连海事大学 | 一种基于聚类算法选择敏感区域的驾驶辅助系统 |
| CN107832674A (zh) * | 2017-10-16 | 2018-03-23 | 西安电子科技大学 | 一种车道线检测方法 |
| CN108205667A (zh) * | 2018-03-14 | 2018-06-26 | 海信集团有限公司 | 车道线检测方法及装置、车道线检测终端、存储介质 |
| CN108229406A (zh) * | 2018-01-11 | 2018-06-29 | 海信集团有限公司 | 一种车道线检测方法、装置及终端 |
| CN108256445A (zh) * | 2017-12-29 | 2018-07-06 | 北京华航无线电测量研究所 | 车道线检测方法及系统 |
| CN109558765A (zh) * | 2017-09-25 | 2019-04-02 | 比亚迪股份有限公司 | 汽车及车道线的检测方法、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 |
| CN110287779A (zh) * | 2019-05-17 | 2019-09-27 | 百度在线网络技术（北京）有限公司 | 车道线的检测方法、装置及设备 |
| CN110781768A (zh) * | 2019-09-30 | 2020-02-11 | 奇点汽车研发中心有限公司 | 目标对象检测方法和装置、电子设备和介质 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170330043A1 (en) * | 2016-05-11 | 2017-11-16 | Icatch Technology, Inc. | Method and System for Synthesizing a Lane Image |
-
2020
- 2020-04-01 CN CN202010251226.4A patent/CN111460072B/zh active Active
Patent Citations (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP0740163A2 (en) * | 1995-04-25 | 1996-10-30 | Matsushita Electric Industrial Co., Ltd. | Local positioning apparatus for detecting a local position of an automobile on a road |
| CN104063869A (zh) * | 2014-06-27 | 2014-09-24 | 南京通用电器有限公司 | 一种基于Beamlet变换的车道线检测方法 |
| CN104408460A (zh) * | 2014-09-17 | 2015-03-11 | 电子科技大学 | 一种车道线检测及跟踪检测方法 |
| CN105260713A (zh) * | 2015-10-09 | 2016-01-20 | 东方网力科技股份有限公司 | 一种车道线检测方法和装置 |
| CN105631880A (zh) * | 2015-12-31 | 2016-06-01 | 百度在线网络技术（北京）有限公司 | 车道线分割方法和装置 |
| CN107452035A (zh) * | 2016-06-01 | 2017-12-08 | 纬创资通股份有限公司 | 车道线图像分析方法、装置及其计算机可读取式媒体 |
| CN106682646A (zh) * | 2017-01-16 | 2017-05-17 | 北京新能源汽车股份有限公司 | 一种车道线的识别方法及装置 |
| CN107578012A (zh) * | 2017-09-05 | 2018-01-12 | 大连海事大学 | 一种基于聚类算法选择敏感区域的驾驶辅助系统 |
| CN109558765A (zh) * | 2017-09-25 | 2019-04-02 | 比亚迪股份有限公司 | 汽车及车道线的检测方法、装置 |
| CN107832674A (zh) * | 2017-10-16 | 2018-03-23 | 西安电子科技大学 | 一种车道线检测方法 |
| CN108256445A (zh) * | 2017-12-29 | 2018-07-06 | 北京华航无线电测量研究所 | 车道线检测方法及系统 |
| CN108229406A (zh) * | 2018-01-11 | 2018-06-29 | 海信集团有限公司 | 一种车道线检测方法、装置及终端 |
| CN108205667A (zh) * | 2018-03-14 | 2018-06-26 | 海信集团有限公司 | 车道线检测方法及装置、车道线检测终端、存储介质 |
| CN110287779A (zh) * | 2019-05-17 | 2019-09-27 | 百度在线网络技术（北京）有限公司 | 车道线的检测方法、装置及设备 |
| 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 |
| CN110781768A (zh) * | 2019-09-30 | 2020-02-11 | 奇点汽车研发中心有限公司 | 目标对象检测方法和装置、电子设备和介质 |
Non-Patent Citations (2)
| Title |
|---|
| Comparison of Lane Detection Algorithms for ADAS Using Embedded Hardware Architectures;Marc Reichenbach;2018 Conference on Design and Architectures for Signal and Image Processing (DASIP);第48-52页 * |
| 应用方向可调滤波器的车道线识别方法;郭磊;机械工程学报;第44卷(第8期);第214-218页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111460072A (zh) | 2020-07-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20220383535A1 (en) | Object Tracking Method and Device, Electronic Device, and Computer-Readable Storage Medium | |
| CN110929639B (zh) | 用于确定图像中障碍物位置的方法、装置、设备和介质 | |
| CN111583668B (zh) | 交通拥堵检测方法、装置、电子设备和存储介质 | |
| CN110968718B (zh) | 目标检测模型负样本挖掘方法、装置及电子设备 | |
| CN111460073B (zh) | 车道线检测方法、装置、设备和存储介质 | |
| CN111768381A (zh) | 零部件缺陷检测方法、装置及电子设备 | |
| CN111460072B (zh) | 车道线检测方法、装置、设备和存储介质 | |
| CN112802325B (zh) | 车辆排队长度检测方法及装置 | |
| CN112508003B (zh) | 字符识别处理方法和装置 | |
| CN111950537B (zh) | 斑马线信息获取方法、地图更新方法、装置及系统 | |
| CN111291681B (zh) | 车道线变化信息的检测方法、装置及设备 | |
| CN111324616B (zh) | 车道线变化信息的检测方法、装置及设备 | |
| CN111402160B (zh) | 一种点云数据去噪方法、装置、设备和存储介质 | |
| US11380035B2 (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 | |
| CN111488821B (zh) | 用于识别交通信号灯倒计时信息的方法及装置 | |
| CN111402161A (zh) | 点云障碍物的去噪方法、装置、设备和存储介质 | |
| CN111540010B (zh) | 一种道路监测的方法、装置、电子设备及存储介质 | |
| CN111860644A (zh) | 一种异常账号的识别方法、装置、设备和存储介质 | |
| CN111667706A (zh) | 车道级路面状况识别方法、路况提示方法和装置 | |
| CN111191619A (zh) | 车道线虚线段的检测方法、装置、设备和可读存储介质 | |
| CN112528932B (zh) | 用于优化位置信息的方法、装置、路侧设备和云控平台 | |
| CN112560772B (zh) | 人脸的识别方法、装置、设备及存储介质 | |
| CN111625612B (zh) | 高精地图的纠偏方法和装置、电子设备和存储介质 | |
| CN113012255B (zh) | 道路边线提取方法、装置、设备和介质 |
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 |