CN111460073B - 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
- CN111460073B CN111460073B CN202010251259.9A CN202010251259A CN111460073B CN 111460073 B CN111460073 B CN 111460073B CN 202010251259 A CN202010251259 A CN 202010251259A CN 111460073 B CN111460073 B CN 111460073B
- Authority
- CN
- China
- Prior art keywords
- candidate
- lane line
- determining
- curve
- curves
- 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 50
- 238000005516 engineering process Methods 0.000 claims abstract description 23
- 230000004044 response Effects 0.000 claims description 56
- 238000000034 method Methods 0.000 claims description 29
- 230000015654 memory Effects 0.000 claims description 19
- 230000011218 segmentation Effects 0.000 claims description 10
- 230000008901 benefit Effects 0.000 description 14
- 230000000007 visual effect Effects 0.000 description 7
- 238000004891 communication Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000005070 sampling Methods 0.000 description 4
- 238000010276 construction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000013138 pruning Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013461 design 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
- 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)
- Multimedia (AREA)
- Databases & Information Systems (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：在目标道路的车道线区域中，确定位于目标道路第一端的第一候选端点，位于目标道路第二端的第二候选端点，以及位于两端之间的候选车道线点；基于图的搜索技术，确定由所述第一候选端点经所述候选车道线点到所述第二候选端点构成的候选曲线；从所述候选曲线中确定所述目标道路上的车道线。本申请实施例基于道路两端的车道线端点，通过图的搜索技术进行车道线的识别，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：
在目标道路的车道线区域中，确定位于目标道路第一端的第一候选端点，位于目标道路第二端的第二候选端点，以及位于两端之间的候选车道线点；
基于图的搜索技术，确定由所述第一候选端点经所述候选车道线点到所述第二候选端点构成的候选曲线；
从所述候选曲线中确定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：基于道路两端的车道线端点，通过图的搜索技术进行车道线的识别，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，所述从所述候选曲线中确定所述目标道路上的车道线，包括：
根据所述候选曲线的车道线概率总值和/或平均平滑度，确定所述候选曲线的响应值；
根据所述响应值，从两端点之间的候选曲线中，确定所述目标道路上的目标车道线。
上述申请中的一个实施例具有如下优点或有益效果：通过对两端点之间的候选曲线进行响应值评估，能够从候选曲线中筛选出最优的曲线作为检测到的目标车道线，不仅保障了车道线的连续性，而且提高了车道线检测的准确性。
可选的，所述根据所述候选曲线的车道线概率总值和/或平均平滑度，确定所述候选曲线的响应值，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；
根据所述候选曲线上的至少两段曲线的平滑度，确定所述候选曲线的平均平滑度；
根据所述候选曲线的车道线概率总值和/或平均平滑度，确定所述候选曲线的响应值。
上述申请中的一个实施例具有如下优点或有益效果：通过将车道线概率总值和/或平均平滑度等先验信息融入到响应值的评估中，不仅可以标识候选曲线作为车道线的可能性，而且可以标识候选曲线的形态，以从概率和形态上综合评估候选曲线，有利于过滤掉车道线区域中的噪音，进一步提高车道线检测的准确度。
可选的，所述根据所述响应值，从两端点之间的候选曲线中，确定所述目标道路上的目标车道线，包括：
根据所述响应值，从两端点之间的候选曲线中，选择响应值最大的候选曲线作为所述两端点之间的目标车道线。
上述申请中的一个实施例具有如下优点或有益效果：通过确定响应值最大的候选曲线，能够将车道线概率总值最大和/或最平滑的最优候选曲线作为两端点之间的目标车道线，提高车道线检测的准确度。
可选的，所述确定由所述第一候选端点经所述候选车道线点到所述第二候选端点构成的候选曲线，包括：
在所述第一候选端点与所述第二候选端点之间，按照预设步长确定经所述候选车道线点的单位曲线；
根据所述单位曲线的候选车道线概率值和/或平滑度，确定两端点之间的候选曲线。
上述申请中的一个实施例具有如下优点或有益效果：在第一候选端点与第二候选端点之间，基于候选车道线概率值和/或平滑度等搜索条件，通过按照预设步长进行深度优先搜索，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，保障了候选曲线的连续性，进一步提高车道线检测的连续性。
可选的，所述车道线区域或区域概率值是基于语义分割技术得到。
上述申请中的一个实施例具有如下优点或有益效果：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，为后续端点的确定和搜索提供有效依据。
第二方面，本申请实施例提供了一种车道线检测装置，包括：
端点确定模块，用于在目标道路的车道线区域中，确定位于目标道路第一端的第一候选端点，位于目标道路第二端的第二候选端点，以及位于两端之间的候选车道线点；
端点搜索模块，用于基于图的搜索技术，确定由所述第一候选端点经所述候选车道线点到所述第二候选端点构成的候选曲线；
车道线确定模块，用于从所述候选曲线中确定所述目标道路上的车道线。
可选的，所述车道线确定模块具体用于：
根据所述候选曲线的车道线概率总值和/或平均平滑度，确定所述候选曲线的响应值；
根据所述响应值，从两端点之间的候选曲线中，确定所述目标道路上的目标车道线。
可选的，所述车道线确定模块具体用于：
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；
根据所述候选曲线上的至少两段曲线的平滑度，确定所述候选曲线的平均平滑度；
根据所述候选曲线的车道线概率总值和/或平均平滑度，确定所述候选曲线的响应值。
可选的，所述车道线确定模块具体用于：
根据所述响应值，从两端点之间的候选曲线中，选择响应值最大的候选曲线作为所述两端点之间的目标车道线。
可选的，所述端点搜索模块具体用于：
在所述第一候选端点与所述第二候选端点之间，按照预设步长确定经所述候选车道线点的单位曲线；
根据所述单位曲线的候选车道线概率值和/或平滑度，确定两端点之间的候选曲线。
可选的，所述车道线区域或区域概率值是基于语义分割技术得到。
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：以道路为基准，在目标道路的车道线区域中，确定位于目标道路第一端的第一候选端点，位于目标道路第二端的第二候选端点，以及位于两端之间的候选车道线点；基于图的搜索技术，确定由第一候选端点经候选车道线点到第二候选端点构成的候选曲线，从而从候选曲线中确定目标道路上的车道线。本申请实施例基于道路两端的车道线端点，通过图的搜索技术进行车道线的识别，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装置的结构示意图；
图4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、在目标道路的车道线区域中，确定位于目标道路第一端的第一候选端点，位于目标道路第二端的第二候选端点，以及位于两端之间的候选车道线点。
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，车道线区域是指车道线本身所覆盖的长条形区域。可以通过对包括目标道路的道路图像进行语义分割处理，识别出道路图像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概率值。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，为后续端点的确定和搜索提供有效依据。
本实施例中，目标道路有且仅有两端，即由第一端沿着目标道路向第二端行驶。第一候选端点和第二候选端点是指位于目标道路两端的车道线端点。其中，第一和第二只是用于区分道路两端，并没有具体的限制。具体的，基于目标道路的两端，提取每个车道线区域中位于目标道路第一端的车道线像素点作为第一候选端点，以及位于目标道路第二端的车道线像素点作为第二候选端点，并确定车道线区域中被识别出可能是车道线的像素点作为候选车道线点。
其中，待检测的道路图像中，可以包括至少一个第一候选端点以及至少一个第二候选端点，第一候选端点的数量与第二候选端点的数量可以相同也可以不同。候选端点中可能存在实际并不是车道线端点的噪声点。例如，确定目标道路第一端上存在5个第一候选端点，确定目标道路第二端上存在6个第二候选端点。
值得注意的是，端点之间的车道线区域中，由于所检测到的可能是车道线的像素点并不一定是连续的，即车道线区域中存在中断的部分。相应的，中断部分中也存在该局部车道线区域的端点，但并非是位于目标道路两端上的车道线端点。本实施例忽略一切位于非目标道路两端上的车道线端点，有且仅采集目标道路两端上的车道线端点。
S120、基于图的搜索技术，确定由第一候选端点经候选车道线点到第二候选端点构成的候选曲线。
在本申请具体实施例中，候选曲线是指某个第一候选端点与某个第二候选端点之间可能是车道线的曲线。基于图的搜索技术的采用，候选曲线是连续的曲线。其中，某个第一候选端点与某个第二候选端点之间的候选曲线可能并不存在，也可能只有一条，还可能存在多条。
本实施例中，可以采用图的搜索技术，由第一候选端点起遍历候选车道线点，直至第二候选端点，构成该第一候选端点与该第二候选端点之间的候选曲线。其中，图的搜索技术包括但不局限于深度优先搜索(Depth First Search，DFS)和广度优先搜索(BreadthFirst Search，BFS)等。例如，可以采用深度优先搜索结合剪枝技术，对明显不是车道线的曲线进行及时过滤。其中，相比于传统的曲线拟合算法，图的搜索技术的应用使得在同时符合车道线条件的基础上，得到连续的候选曲线。不会像传统的曲线拟合算法对于车道线区域的连续性具有强烈的要求，在车道线区域不连续的情况下只能拟合得到断断续续的线段。
具体的，本实施例针对于每一个第一候选端点，向着第二候选端点的方向遍历候选车道线点，每当遍历的曲线长度达到预设步长时，可以将步长内的单位曲线上的候选车道线点的概率值进行累加，计算得到单位曲线的候选车道线概率值；还可以根据单位曲线上的至少三个采样点，每相邻两个采样点构成一条直线，得到至少两条直线之间的夹角，作为单位曲线的平滑度。进而以单位曲线的候选车道线概率值和/或平滑度作为搜索时的车道线条件，若单位曲线的候选车道线概率值大于预设概率阈值，和/或单位曲线的平滑度足够平滑，即夹角小于预设抖动阈值，则保留该单位曲线，并继续遍历下一个单位曲线，直至遍历到第二候选端点，构成候选曲线。若一旦遍历存在一个单位曲线不符合车道线条件，则舍弃该单位曲线，该条路径并不能达到第二候选端点，并回溯至第一候选端点重新遍历。对于每个第一候选端点或第二候选端点，若不存在经过该候选端点的候选曲线，则舍弃该候选端点，即将被误判为车道线端点的噪声点去除。
S130、从候选曲线中确定目标道路上的车道线。
在本申请具体实施例中，可以同样以概率值和/或平滑度作为车道线条件，从两端点之间的候选曲线中筛选出最有可能是车道线的曲线作为检测得到的车道线，实现自动化的将现实环境中的车道线转化为高精地图或计算机中可以使用的矢量化车道线。
其中，若两个端点之间不存在候选曲线，则无需进行车道线筛选。若两个端点之间存在一条候选曲线，则可以直接将该条候选曲线作为该两个端点之间构成的唯一一条车道线，还可以对该条候选曲线进行车道线条件的判别，以提高车道线确定的准确度。若两个端点之间存在至少两条候选曲线，则可以根据车道线概率总值和/或平均平滑度等车道线条件对多条候选车道线进行筛选。
具体的，车道线概率总值是指整条候选曲线是车道线的总体可能性，可以通过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。车道线概率总值越大，则该条候选曲线是车道线的可能性越大。平均平滑度是指整条候选曲线的整体平滑程度，可以根据候选曲线上的至少两段曲线的平滑度，或者是候选曲线搜索时各单位曲线的平滑度，将多个平滑度求平均值得到候选曲线的平均平滑度。通常车道线是不可能出现角度严重抖动的情况的，车道线越平滑则该条候选曲线是车道线的可能性越大。其中，可以采用车道线概率总值和平均平滑度两者之一作为车道线条件，也可以两者结合使用，还可以为两个条件赋予相应的权重结合使用。从而根据候选曲线的车道线概率总值和/或平均平滑度，确定候选曲线的响应值。从两端点之间的候选曲线中，选择响应值最大的候选曲线作为两端点之间的目标车道线。
本实施例的技术方案，以道路为基准，在目标道路的车道线区域中，确定位于目标道路第一端的第一候选端点，位于目标道路第二端的第二候选端点，以及位于两端之间的候选车道线点；基于图的搜索技术，确定由第一候选端点经候选车道线点到第二候选端点构成的候选曲线，从而从候选曲线中确定目标道路上的车道线。本申请实施例基于道路两端的车道线端点，通过图的搜索技术进行车道线的识别，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，进一步对端点间候选曲线的形成和筛选进行解释说明，能够基于图的搜索技术，以概率值和/或平滑度作为车道线条件，形成并筛选候选曲线以得到车道线。如图2所示，该方法具体包括如下：
S210、在目标道路的车道线区域中，确定位于目标道路第一端的第一候选端点，位于目标道路第二端的第二候选端点，以及位于两端之间的候选车道线点。
S220、基于图的搜索技术，在第一候选端点与第二候选端点之间，按照预设步长确定经候选车道线点的单位曲线；根据单位曲线的候选车道线概率值和/或平滑度，确定两端点之间的候选曲线。
在本申请具体实施例中，图的搜索技术可以采用深度优先搜索，还可以同时结合剪枝技术，对明显不是车道线的曲线进行及时过滤。预设步长是一个相对较小的值，例如20米，以便在搜索的过程中同步判断单位曲线是否符合车道线条件，为后续搜索提供继续或退出的依据。
本实施例中，候选车道线概率值单位曲线是车道线的可能性，可以通过将单位曲线上候选车道线点的概率值进行累加得到。只有候选车道线概率值大于预设概率阈值时，才认可该条单位曲线，并可以继续向后遍历。
本实施例中，平滑度是指单位曲线的平滑程度，根据单位曲线上的至少三个采样点，每相邻两个采样点构成一条直线，至少两条直线之间的夹角作为平滑度。由于车道线通常是不可能出现角度严重抖动的情况的，且单位曲线的长度较短，因此单位曲线可以为近似的直线，只有至少两条直线之间的夹角小于角度阈值时，才认可该条单位曲线，并可以继续向后遍历。
其中，可以采用车道线概率值和平滑度两者之一作为判别单位曲线的车道线条件，也可以两者结合使用，还可以为两个条件赋予相应的权重结合使用。
具体的，针对于每一个第一候选端点，向着第二候选端点的方向遍历候选车道线点，每当遍历的曲线长度达到预设步长时，可以确定步长内的单位曲线候选车道线概率值和/或平滑度。若单位曲线的候选车道线概率值大于预设概率阈值，和/或单位曲线上标识平滑度的直线夹角小于角度阈值时，则保留该单位曲线，并继续遍历下一个单位曲线，直至遍历到第二候选端点，构成候选曲线。若一旦遍历存在一个单位曲线不符合车道线条件，则舍弃该单位曲线，该条路径并不能达到第二候选端点，并回溯至第一候选端点重新遍历。
相应的，在第一候选端点与第二候选端点之间，基于候选车道线概率值和/或平滑度等搜索条件，通过按照预设步长进行深度优先搜索，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，保障了候选曲线的连续性，进一步提高车道线检测的连续性。
S230、根据候选曲线的车道线概率总值和/或平均平滑度，确定候选曲线的响应值。
在本申请具体实施例中，车道线概率总值是指整条候选曲线是车道线的总体可能性。平均平滑度是指整条候选曲线的整体平滑程度。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；根据候选曲线上的至少两段曲线的平滑度，例如候选曲线搜索时各单位曲线的平滑度，确定候选曲线的平均平滑度。
本实施例中，响应值用于标识候选曲线属于车道线的综合可能性，可以将车道线概率总值和平均平滑度两者之一作为响应值，也可以两者结合使用作为响应值，还可以为两者赋予相应的权重结合作为响应值。其中，本实施例不对响应值的计算方式进行限定，任何可以根据车道线条件确定响应值的方式都可以应用于本实施例中。
其中，通过对两端点之间的候选曲线进行响应值评估，能够从候选曲线中筛选出最优的曲线作为检测到的目标车道线，鉴于候选曲线的连续性，因此对候选曲线响应值的评估，不仅保障了车道线的连续性，而且提高了车道线检测的准确性。
此外，通过将车道线概率总值和/或平均平滑度等先验信息融入到响应值的评估中，不仅可以标识候选曲线作为车道线的可能性，而且可以标识候选曲线的形态，以从概率和形态上综合评估候选曲线，有利于过滤掉车道线区域中的噪音，进一步提高车道线检测的准确度。
S240、根据响应值，从两端点之间的候选曲线中，确定目标道路上的目标车道线。
在本申请具体实施例中，响应值是根据至少一个车道线条件得到的，相应的，构成响应值的车道线条件越多，则根据响应值选择的候选曲线越优，进一步车道线检测的越准确。其中，车道线概率总值越大，则该条候选曲线是车道线的可能性越大。车道线平滑程度越大则该条候选曲线是车道线的可能性越大。可选的，根据响应值，从两端点之间的候选曲线中，选择响应值最大的候选曲线作为两端点之间的目标车道线。从而将最优的候选曲线作为目标车道线。
本实施例的技术方案，以道路为基准，在目标道路的车道线区域中，确定位于目标道路第一端的第一候选端点，位于目标道路第二端的第二候选端点，以及位于两端之间的候选车道线点；基于图的搜索技术，按照预设步长，根据候选车道线概率值和/或平滑度等车道线条件，确定由第一候选端点经候选车道线点到第二候选端点构成的候选曲线；从而根据候选曲线的车道线概率总值和/或平均平滑度，确定候选曲线的响应值，基于响应值从候选曲线中确定目标道路上的车道线。本申请实施例基于道路两端的车道线端点，通过图的搜索技术进行车道线的识别，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300具体包括如下：
端点确定模块310，用于在目标道路的车道线区域中，确定位于目标道路第一端的第一候选端点，位于目标道路第二端的第二候选端点，以及位于两端之间的候选车道线点；
端点搜索模块320，用于基于图的搜索技术，确定由所述第一候选端点经所述候选车道线点到所述第二候选端点构成的候选曲线；
车道线确定模块330，用于从所述候选曲线中确定所述目标道路上的车道线。
可选的，所述车道线确定模块330具体用于：
根据所述候选曲线的车道线概率总值和/或平均平滑度，确定所述候选曲线的响应值；
根据所述响应值，从两端点之间的候选曲线中，确定所述目标道路上的目标车道线。
可选的，所述车道线确定模块330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；
根据所述候选曲线上的至少两段曲线的平滑度，确定所述候选曲线的平均平滑度；
根据所述候选曲线的车道线概率总值和/或平均平滑度，确定所述候选曲线的响应值。
可选的，所述车道线确定模块330具体用于：
根据所述响应值，从两端点之间的候选曲线中，选择响应值最大的候选曲线作为所述两端点之间的目标车道线。
可选的，所述端点搜索模块320具体用于：
在所述第一候选端点与所述第二候选端点之间，按照预设步长确定经所述候选车道线点的单位曲线；
根据所述单位曲线的候选车道线概率值和/或平滑度，确定两端点之间的候选曲线。
可选的，所述车道线区域或区域概率值是基于语义分割技术得到。
本实施例的技术方案，通过各个功能模块之间的相互配合，实现了道路图像的语义分割处理、车道线区域的获得、概率值的获得、端点的提取、端点的搜索、车道线条件的判别、候选曲线的形成、响应值的确定以及车道线的选择等功能。本申请实施例基于道路两端的车道线端点，通过图的搜索技术进行车道线的识别，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
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，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检测方法对应的程序指令/模块，例如，附图3所示的端点确定模块310、端点搜索模块320和车道线确定模块330。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检测方法。
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404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(WideArea 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，基于道路两端的车道线端点，通过图的搜索技术进行车道线的识别，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，通过对两端点之间的候选曲线进行响应值评估，能够从候选曲线中筛选出最优的曲线作为检测到的目标车道线，不仅保障了车道线的连续性，而且提高了车道线检测的准确性。
另外，通过将车道线概率总值和/或平均平滑度等先验信息融入到响应值的评估中，不仅可以标识候选曲线作为车道线的可能性，而且可以标识候选曲线的形态，以从概率和形态上综合评估候选曲线，有利于过滤掉车道线区域中的噪音，进一步提高车道线检测的准确度。
另外，通过确定响应值最大的候选曲线，能够将车道线概率总值最大和/或最平滑的最优候选曲线作为两端点之间的目标车道线，提高车道线检测的准确度。
另外，在第一候选端点与第二候选端点之间，基于候选车道线概率值和/或平滑度等搜索条件，通过按照预设步长进行深度优先搜索，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，保障了候选曲线的连续性，进一步提高车道线检测的连续性。
另外，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，为后续端点的确定和搜索提供有效依据。
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：
在目标道路的车道线区域中，确定位于目标道路第一端的第一候选端点，位于目标道路第二端的第二候选端点，以及位于两端之间的候选车道线点；其中，所述第一候选端点和第二候选端点是指位于目标道路两端的车道线端点，所述候选车道线点为车道线区域中被识别出可能是车道线的像素点；
基于图的搜索技术，确定由所述第一候选端点经所述候选车道线点到所述第二候选端点构成的候选曲线；
从所述候选曲线中确定所述目标道路上的车道线；
所述确定由所述第一候选端点经所述候选车道线点到所述第二候选端点构成的候选曲线，包括：
在所述第一候选端点与所述第二候选端点之间，按照预设步长确定经所述候选车道线点的单位曲线；
根据所述单位曲线的候选车道线概率值和/或平滑度，确定两端点之间的候选曲线。
2.根据权利要求1所述的方法，其特征在于，所述从所述候选曲线中确定所述目标道路上的车道线，包括：
根据所述候选曲线的车道线概率总值和/或平均平滑度，确定所述候选曲线的响应值；
根据所述响应值，从两端点之间的候选曲线中，确定所述目标道路上的目标车道线。
3.根据权利要求2所述的方法，其特征在于，所述根据所述候选曲线的车道线概率总值和/或平均平滑度，确定所述候选曲线的响应值，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；
根据所述候选曲线上的至少两段曲线的平滑度，确定所述候选曲线的平均平滑度；
根据所述候选曲线的车道线概率总值和/或平均平滑度，确定所述候选曲线的响应值。
4.根据权利要求2所述的方法，其特征在于，所述根据所述响应值，从两端点之间的候选曲线中，确定所述目标道路上的目标车道线，包括：
根据所述响应值，从两端点之间的候选曲线中，选择响应值最大的候选曲线作为所述两端点之间的目标车道线。
5.根据权利要求1-4任一项所述的方法，其特征在于，所述车道线区域或区域概率值是基于语义分割技术得到。
6.一种车道线检测装置，其特征在于，包括：
端点确定模块，用于在目标道路的车道线区域中，确定位于目标道路第一端的第一候选端点，位于目标道路第二端的第二候选端点，以及位于两端之间的候选车道线点；其中，所述第一候选端点和第二候选端点是指位于目标道路两端的车道线端点，所述候选车道线点为车道线区域中被识别出可能是车道线的像素点；
端点搜索模块，用于基于图的搜索技术，确定由所述第一候选端点经所述候选车道线点到所述第二候选端点构成的候选曲线；
车道线确定模块，用于从所述候选曲线中确定所述目标道路上的车道线；
所述端点搜索模块具体用于：
在所述第一候选端点与所述第二候选端点之间，按照预设步长确定经所述候选车道线点的单位曲线；
根据所述单位曲线的候选车道线概率值和/或平滑度，确定两端点之间的候选曲线。
7.根据权利要求6所述的装置，其特征在于，所述车道线确定模块具体用于：
根据所述候选曲线的车道线概率总值和/或平均平滑度，确定所述候选曲线的响应值；
根据所述响应值，从两端点之间的候选曲线中，确定所述目标道路上的目标车道线。
8.根据权利要求7所述的装置，其特征在于，所述车道线确定模块具体用于：
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；
根据所述候选曲线上的至少两段曲线的平滑度，确定所述候选曲线的平均平滑度；
根据所述候选曲线的车道线概率总值和/或平均平滑度，确定所述候选曲线的响应值。
9.根据权利要求7所述的装置，其特征在于，所述车道线确定模块具体用于：
根据所述响应值，从两端点之间的候选曲线中，选择响应值最大的候选曲线作为所述两端点之间的目标车道线。
10.根据权利要求6-9任一项所述的装置，其特征在于，所述车道线区域或区域概率值是基于语义分割技术得到。
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 |
|---|---|---|---|
| CN202010251259.9A CN111460073B (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 |
|---|---|---|---|
| CN202010251259.9A CN111460073B (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 |
|---|---|
| CN111460073A CN111460073A (zh) | 2020-07-28 |
| CN111460073B true CN111460073B (zh) | 2023-10-20 |
Family
ID=71681297
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010251259.9A Active CN111460073B (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) | CN111460073B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112434591B (zh) * | 2020-11-19 | 2022-06-17 | 腾讯科技（深圳）有限公司 | 车道线确定方法、装置 |
| CN112487128B (zh) * | 2020-12-12 | 2022-04-19 | 武汉中海庭数据技术有限公司 | 一种路口引导线生成方法、系统、电子设备及存储介质 |
| 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 |
| CN117435110B (zh) * | 2023-10-11 | 2024-06-18 | 书行科技(北京)有限公司 | 一种图片处理方法、装置、电子设备和存储介质 |
Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106407893A (zh) * | 2016-08-29 | 2017-02-15 | 东软集团股份有限公司 | 一种检测车道线的方法、装置和设备 |
| CN107679520A (zh) * | 2017-10-30 | 2018-02-09 | 湖南大学 | 一种适用于复杂条件下的车道线视觉检测方法 |
| 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 |
| 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 |
| CN108801273A (zh) * | 2017-04-28 | 2018-11-13 | 高德软件有限公司 | 一种道路参考线的生成方法及装置 |
| CN109034047A (zh) * | 2018-07-20 | 2018-12-18 | 京东方科技集团股份有限公司 | 一种车道线检测方法及装置 |
| CN109657686A (zh) * | 2018-10-31 | 2019-04-19 | 百度在线网络技术（北京）有限公司 | 车道线生成方法、装置、设备以及存储介质 |
| CN109916416A (zh) * | 2019-01-29 | 2019-06-21 | 腾讯科技（深圳）有限公司 | 车道线数据处理与更新方法、装置及设备 |
| CN110060266A (zh) * | 2019-04-24 | 2019-07-26 | 百度在线网络技术（北京）有限公司 | 车道线提取方法及装置、服务器及计算机可读介质 |
| CN110174113A (zh) * | 2019-04-28 | 2019-08-27 | 福瑞泰克智能系统有限公司 | 一种车辆行驶车道的定位方法、装置及终端 |
| CN110263713A (zh) * | 2019-06-20 | 2019-09-20 | 百度在线网络技术（北京）有限公司 | 车道线检测方法、装置、电子设备及存储介质 |
| CN110688971A (zh) * | 2019-09-30 | 2020-01-14 | 上海商汤临港智能科技有限公司 | 虚线车道线的检测方法、装置和设备 |
| 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 |
| CN110909711A (zh) * | 2019-12-03 | 2020-03-24 | 北京百度网讯科技有限公司 | 检测车道线位置变化的方法、装置、电子设备和存储介质 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8781644B2 (en) * | 2011-03-21 | 2014-07-15 | Denso Corporation | Method and apparatus for recognizing shape of road for vehicles |
| US10373002B2 (en) * | 2017-03-31 | 2019-08-06 | Here Global B.V. | Method, apparatus, and system for a parametric representation of lane lines |
-
2020
- 2020-04-01 CN CN202010251259.9A patent/CN111460073B/zh active Active
Patent Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106407893A (zh) * | 2016-08-29 | 2017-02-15 | 东软集团股份有限公司 | 一种检测车道线的方法、装置和设备 |
| CN108801273A (zh) * | 2017-04-28 | 2018-11-13 | 高德软件有限公司 | 一种道路参考线的生成方法及装置 |
| CN107679520A (zh) * | 2017-10-30 | 2018-02-09 | 湖南大学 | 一种适用于复杂条件下的车道线视觉检测方法 |
| 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 |
| 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 |
| CN109034047A (zh) * | 2018-07-20 | 2018-12-18 | 京东方科技集团股份有限公司 | 一种车道线检测方法及装置 |
| CN109657686A (zh) * | 2018-10-31 | 2019-04-19 | 百度在线网络技术（北京）有限公司 | 车道线生成方法、装置、设备以及存储介质 |
| CN109916416A (zh) * | 2019-01-29 | 2019-06-21 | 腾讯科技（深圳）有限公司 | 车道线数据处理与更新方法、装置及设备 |
| CN110060266A (zh) * | 2019-04-24 | 2019-07-26 | 百度在线网络技术（北京）有限公司 | 车道线提取方法及装置、服务器及计算机可读介质 |
| CN110174113A (zh) * | 2019-04-28 | 2019-08-27 | 福瑞泰克智能系统有限公司 | 一种车辆行驶车道的定位方法、装置及终端 |
| CN110263713A (zh) * | 2019-06-20 | 2019-09-20 | 百度在线网络技术（北京）有限公司 | 车道线检测方法、装置、电子设备及存储介质 |
| CN110688971A (zh) * | 2019-09-30 | 2020-01-14 | 上海商汤临港智能科技有限公司 | 虚线车道线的检测方法、装置和设备 |
| 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 |
| CN110909711A (zh) * | 2019-12-03 | 2020-03-24 | 北京百度网讯科技有限公司 | 检测车道线位置变化的方法、装置、电子设备和存储介质 |
Non-Patent Citations (2)
| Title |
|---|
| Sharp curve lane boundaries projective model and detection;Yong Chen;IEEE 10th International Conference on Industrial Informatics;第1188-1193页 * |
| 基于OpenCV的车道线检测改进算法;张路遥;信息技术与信息化(第12期);第108-111页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111460073A (zh) | 2020-07-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111460073B (zh) | 车道线检测方法、装置、设备和存储介质 | |
| CN111860479B (zh) | 光学字符识别方法、装置、电子设备及存储介质 | |
| EP4044117A1 (en) | Target tracking method and apparatus, electronic device, and computer-readable storage medium | |
| JP7429796B2 (ja) | 車両追跡方法、装置及び電子機器 | |
| CN111583668B (zh) | 交通拥堵检测方法、装置、电子设备和存储介质 | |
| CN111753765B (zh) | 感知设备的检测方法、装置、设备及存储介质 | |
| KR102528748B1 (ko) | 지식 그래프를 구축하는 방법, 장치, 기기 및 저장 매체 | |
| CN110968718B (zh) | 目标检测模型负样本挖掘方法、装置及电子设备 | |
| CN111768381A (zh) | 零部件缺陷检测方法、装置及电子设备 | |
| CN111611901B (zh) | 车辆逆行检测方法、装置、设备以及存储介质 | |
| CN111582454B (zh) | 生成神经网络模型的方法和装置 | |
| EP3872696A1 (en) | Method and apparatus for detecting mobile traffic light, and electronic device | |
| CN112802325B (zh) | 车辆排队长度检测方法及装置 | |
| CN112150462B (zh) | 确定目标锚点的方法、装置、设备以及存储介质 | |
| CN111291681B (zh) | 车道线变化信息的检测方法、装置及设备 | |
| CN111310840A (zh) | 数据融合处理方法、装置、设备和存储介质 | |
| CN111402161A (zh) | 点云障碍物的去噪方法、装置、设备和存储介质 | |
| CN110717933A (zh) | 针对运动物体漏检的后处理方法、装置、设备和介质 | |
| EP3866065A1 (en) | Target detection method, device, electronic apparatus, and storage medium | |
| CN111460072B (zh) | 车道线检测方法、装置、设备和存储介质 | |
| JP2021099489A (ja) | 地図生成方法、地図生成装置、電子機器、非一時的なコンピュータ読み取り可能な記憶媒体及びコンピュータプログラム | |
| CN111339877B (zh) | 盲区的长度检测方法、装置、电子设备及存储介质 | |
| CN110514211B (zh) | 定位方法、装置、设备和介质 | |
| CN110796191B (zh) | 轨迹分类方法及装置 | |
| CN112560772B (zh) | 人脸的识别方法、装置、设备及存储介质 |
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 |