CN111476057A - 车道线获取方法及装置、车辆驾驶方法及装置 - Google Patents
车道线获取方法及装置、车辆驾驶方法及装置 Download PDFInfo
- Publication number
- CN111476057A CN111476057A CN201910063232.4A CN201910063232A CN111476057A CN 111476057 A CN111476057 A CN 111476057A CN 201910063232 A CN201910063232 A CN 201910063232A CN 111476057 A CN111476057 A CN 111476057A
- Authority
- CN
- China
- Prior art keywords
- lane line
- starting point
- image
- lane
- pixel
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 84
- 239000013598 vector Substances 0.000 claims abstract description 177
- 230000011218 segmentation Effects 0.000 claims abstract description 70
- 238000013528 artificial neural network Methods 0.000 claims description 110
- 238000001514 detection method Methods 0.000 claims description 52
- 238000002372 labelling Methods 0.000 claims description 32
- 238000012549 training Methods 0.000 claims description 30
- 238000004590 computer program Methods 0.000 claims description 10
- 238000010586 diagram Methods 0.000 description 30
- 238000012545 processing Methods 0.000 description 26
- 230000006870 function Effects 0.000 description 16
- 238000004891 communication Methods 0.000 description 10
- 238000000605 extraction Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 7
- 230000005540 biological transmission Effects 0.000 description 4
- 230000005236 sound signal Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000001902 propagating effect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Traffic Control Systems (AREA)
Abstract
本公开涉及一种车道线获取方法及装置、车辆驾驶方法及装置，所述车道线获取方法包括：检测图像中的车道线起点和多个像素点的方向向量，所述像素点的方向向量表示所述像素点所在的车道线的方向；将所述车道线起点沿所述车道线起点对应的方向向量延伸，确定与所述车道线起点对应的延伸像素点；根据所述车道线起点和与所述车道线起点对应的延伸像素点，获得所述图像中的车道线分割结果。本公开实施例根据车道线起点和各像素点的方向向量，可以得到图像中的不同车道线的分割结果，能够将图像中的任意车道线进行区分，且分割出的车道线不容易混淆。
Description
技术领域
本公开涉及图像分析技术领域，尤其涉及一种车道线获取方法及装置、车辆驾驶方法及装置。
背景技术
在图像中识别出的车辆行驶道路的车道线，对车辆进行辅助驾驶，是车辆安全系统的主要功能之一。传统的车道线识别方法通常在图像中识别出固定条数的车道线，不同数量的车道线识别需要采用不同的模型分别来对应检测，识别出的车道线作为固定的整体使用。
发明内容
本公开提出了一种车道线分割技术方案。
根据本公开的一方面，提供了一种车道线获取方法，所述方法包括：
检测图像中的车道线起点和多个像素点的方向向量，所述像素点的方向向量表示所述像素点所在的车道线的方向；
将所述车道线起点沿所述车道线起点对应的方向向量延伸，确定与所述车道线起点对应的延伸像素点；
根据所述车道线起点和与所述车道线起点对应的延伸像素点，获取所述图像中的车道线分割结果。
在一种可能的实现方式中，所述检测图像中的车道线起点和多个像素点的方向向量，包括：
检测图像中的车道线起点、多个像素点的方向向量和车道线所在区域；
所述将所述车道线起点沿所述车道线起点对应的方向向量延伸，确定与所述车道线起点对应的延伸像素点，包括：
在根据所述车道线所在区域确定的像素点范围内，将所述车道线起点沿所述车道线起点对应的方向向量延伸，确定与所述车道线起点对应的延伸像素点。
在一种可能的实现方式中，检测的所述车道线所在区域中包括有一个车道线起点或者多个车道线起点；和/或，
检测的所述车道线所在区域中包括所述图像中的一条车道线或者至少两条车道线。
在一种可能的实现方式中，所述方法还包括：
对所述车道线分割结果进行拟合，得到车道线拟合结果。
在一种可能的实现方式中，所述检测图像中的车道线起点和多个像素点的方向向量，包括：
提取图像的边缘特征；
根据提取的所述边缘特征确定所述图像边缘属于车道线类型的像素点为车道线起点。
在一种可能的实现方式中，所述检测图像中的车道线起点和多个像素点的方向向量，包括：
将所述图像输入神经网络，以经所述神经网络检测图像中的车道线起点和多个像素点的方向向量，所述神经网络预先采用带有标注信息的样本图像训练而得，所述标注信息包括车道线起点标注信息、多个像素点的方向向量标注信息。
在一种可能的实现方式中，所述神经网络包括车道线起点分支网络和方向向量分支网络；
所述将所述图像输入神经网络，以经所述神经网络检测图像中的车道线起点和多个像素点的方向向量，包括：
将所述图像输入神经网络，以经所述车道线起点分支网络检测所述图像中的车道线起点，经所述方向向量分支网络检测所述图像中多个像素点的方向向量，所述车道线起点分支网络预先采用带有包括车道线起点标注信息的样本图像训练而得，所述方向向量分支网络预先采用带有包括多个像素点的方向向量标注信息的样本图像训练而得。
在一种可能的实现方式中，所述神经网络还包括车道线区域检测分支网络；
所述将所述图像输入神经网络，以经所述神经网络检测图像中的车道线起点和多个像素点的方向向量，还包括：
将所述图像输入神经网络，经所述车道线区域检测分支网络检测所述图像中的车道线所在区域，所述车道线区域检测分支网络预先采用带有包括车道线区域标注信息的样本图像训练而得。
在一种可能的实现方式中，检测的车道线所在区域中包括有一个车道线起点或者多个车道线起点；和/或，
所述车道线所在区域中包括所述图像中的一条车道线或者至少两条车道线。
在一种可能的实现方式中，所述方法包括：
在样本图像中确定与车道线起点对应的像素点；
根据与车道线起点对应的像素点确定所述车道线起点标注信息。
在一种可能的实现方式中，所述方法还包括：
将所述样本图像中车道线位于图像边缘的点确定为车道线起点。
在一种可能的实现方式中，所述方法包括：
根据所述样本图像中多个车道线进行拟合，得到所述样本图像中多个像素点的方向向量标注信息。
在一种可能的实现方式中，所述方向向量为二维向量。
在一种可能的实现方式中，所述神经网络的训练步骤，包括：
将样本图像输入神经网络，经所述神经网络得到所述样本图像中车道线起点的预测结果、多个像素点的方向向量的预测结果和车道线所在区域的预测结果；其中，所述样本图像包括有车道线起点标注信息、像素点的方向向量标注信息和车道线所在区域标注信息；
确定所述车道线起点的预测结果和所述车道线起点标注信息之间的第一损失、所述像素点的方向向量的预测结果和相应像素点的方向向量标注信息之间的第二损失、以及所述车道线所在区域的预测结果和所述车道线所在区域标注信息之间的第三损失；
根据所述第一损失、所述第二损失和所述第三损失调整所述神经网络的网络参数。
根据本公开的一方面，提供了一种神经网络训练方法，包括：
将样本图像输入神经网络，经所述神经网络得到所述样本图像中车道线起点的预测结果、多个像素点的方向向量的预测结果和车道线所在区域的预测结果；其中，所述样本图像包括有车道线起点标注信息、像素点的方向向量标注信息和车道线所在区域标注信息；
确定所述车道线起点的预测结果和所述车道线起点标注信息之间的第一损失、所述像素点的方向向量的预测结果和相应像素点的方向向量标注信息之间的第二损失、以及所述车道线所在区域的预测结果和所述车道线所在区域标注信息之间的第三损失；
根据所述第一损失、所述第二损失和所述第三损失调整所述神经网络的网络参数。
在一种可能的实现方式中，所述根据所述第一损失、所述第二损失和所述第三损失调整所述神经网络的网络参数，包括：
根据所述第一损失、所述第二损失和所述第三损失确定综合损失；
根据所述综合损失调整所述神经网络的网络参数。
在一种可能的实现方式中，所述样本图像中车道线位于图像边缘的点为车道线起点。
在一种可能的实现方式中，预测的车道线所在区域中包括有一个车道线起点或者多个车道线起点；和/或，
所述车道线所在区域中包括所述样本图像中的一条车道线或者至少两条车道线。
根据本公开的一方面，提供了一种车辆驾驶方法，所述方法包括：
获取车辆行驶道路的图像；
采用上述任一项所述的车道线获取方法，得到所述图像中的车道线分割结果；
根据所述车道线分割结果对所述车辆进行辅助驾驶或自动驾驶。
在一种可能的实现方式中，所述根据所述车道线分割结果对所述车辆进行辅助驾驶或自动驾驶，包括：
根据所述车道线分割结果确定辅助信息；
根据所述辅助信息对所述车辆进行辅助驾驶或自动驾驶。
在一种可能的实现方式中，所述辅助信息包括以下信息中的至少一种：车道线曲率参数、航向偏角、车辆位置信息。
在一种可能的实现方式中，所述根据所述车道线分割结果对所述车辆进行辅助驾驶或自动驾驶，包括：
根据所述车道线分割结果对所述车辆进行辅助驾驶或自动驾驶，以使所述车辆完成以下任务中的至少一个：车道线保持任务、车道偏移报警任务。
在一种可能的实现方式中，所述车道线包括白色车道线或黄色车道线，或所述车道线包括以下车道线中的至少一种：单实线、双实线、单虚线、双虚线、虚实线、网格线。
根据本公开的一方面，提供了一种车道线获取装置，所述装置包括：
检测模块，用于检测图像中的车道线起点和多个像素点的方向向量，所述像素点的方向向量表示所述像素点所在的车道线的方向；
延伸像素点确定模块，用于将所述车道线起点沿所述车道线起点对应的方向向量延伸，确定与所述车道线起点对应的延伸像素点；
分割结果获取模块，用于根据所述车道线起点和与所述车道线起点对应的延伸像素点，获取所述图像中的车道线分割结果。
在一种可能的实现方式中，所述检测模块，包括：
第一检测子模块，用于检测图像中的车道线起点、多个像素点的方向向量和车道线所在区域；
所述延伸像素点确定模块，包括：
第一延伸像素点确定子模块，用于在根据所述车道线所在区域确定的像素点范围内，将所述车道线起点沿所述车道线起点对应的方向向量延伸，确定与所述车道线起点对应的延伸像素点。
在一种可能的实现方式中，检测的所述车道线所在区域中包括有一个车道线起点或者多个车道线起点；和/或，
检测的所述车道线所在区域中包括所述图像中的一条车道线或者至少两条车道线。
在一种可能的实现方式中，所述装置还包括：
拟合模块，用于对所述车道线分割结果进行拟合，得到车道线拟合结果。
在一种可能的实现方式中，所述检测模块，包括：
边缘特征提取子模块，用于提取图像的边缘特征；
起点确定子模块，用于根据提取的所述边缘特征确定所述图像边缘属于车道线类型的像素点为车道线起点。
在一种可能的实现方式中，所述检测模块，包括：
第二检测子模块，用于将所述图像输入神经网络，以经所述神经网络检测图像中的车道线起点和多个像素点的方向向量，所述神经网络预先采用带有标注信息的样本图像训练而得，所述标注信息包括车道线起点标注信息、多个像素点的方向向量标注信息。
在一种可能的实现方式中，所述神经网络包括车道线起点分支网络和方向向量分支网络；
所述第二检测子模块，用于将所述图像输入神经网络，以经所述车道线起点分支网络检测所述图像中的车道线起点，经所述方向向量分支网络检测所述图像中多个像素点的方向向量，所述车道线起点分支网络预先采用带有包括车道线起点标注信息的样本图像训练而得，所述方向向量分支网络预先采用带有包括多个像素点的方向向量标注信息的样本图像训练而得。
在一种可能的实现方式中，所述神经网络还包括车道线区域检测分支网络；
所述第二检测子模块，还用于将所述图像输入神经网络，经所述车道线区域检测分支网络检测所述图像中的车道线所在区域，所述车道线区域检测分支网络预先采用带有包括车道线区域标注信息的样本图像训练而得。
在一种可能的实现方式中，检测的车道线所在区域中包括有一个车道线起点或者多个车道线起点；和/或，
所述车道线所在区域中包括所述图像中的一条车道线或者至少两条车道线。
在一种可能的实现方式中，所述装置包括：
第一起点确定模块，用于在样本图像中确定与车道线起点对应的像素点；
起点标注信息获取模块，用于根据与车道线起点对应的像素点确定所述车道线起点标注信息。
在一种可能的实现方式中，所述装置还包括：
第二起点确定模块，用于将所述样本图像中车道线位于图像边缘的点确定为车道线起点。
在一种可能的实现方式中，所述装置包括：
方向向量标注信息获取模块，用于根据所述样本图像中多个车道线进行拟合，得到所述样本图像中多个像素点的方向向量标注信息。
在一种可能的实现方式中，所述方向向量为二维向量。
在一种可能的实现方式中，所述装置包括训练模块，所述训练模块用于训练所述神经网络，所述训练模块，包括：
预测结果获取子模块，用于将样本图像输入神经网络，经所述神经网络得到所述样本图像中车道线起点的预测结果、多个像素点的方向向量的预测结果和车道线所在区域的预测结果；其中，所述样本图像包括有车道线起点标注信息、像素点的方向向量标注信息和车道线所在区域标注信息；
损失确定子模块，用于确定所述车道线起点的预测结果和所述车道线起点标注信息之间的第一损失、所述像素点的方向向量的预测结果和相应像素点的方向向量标注信息之间的第二损失、以及所述车道线所在区域的预测结果和所述车道线所在区域标注信息之间的第三损失；
参数调整子模块，用于根据所述第一损失、所述第二损失和所述第三损失调整所述神经网络的网络参数。
根据本公开的一方面，提供了一种神经网络训练装置，所述装置包括：
预测结果获取模块，用于将样本图像输入神经网络，经所述神经网络得到所述样本图像中车道线起点的预测结果、多个像素点的方向向量的预测结果和车道线所在区域的预测结果；其中，所述样本图像包括有车道线起点标注信息、像素点的方向向量标注信息和车道线所在区域标注信息；
损失确定模块，用于确定所述车道线起点的预测结果和所述车道线起点标注信息之间的第一损失、所述像素点的方向向量的预测结果和相应像素点的方向向量标注信息之间的第二损失、以及所述车道线所在区域的预测结果和所述车道线所在区域标注信息之间的第三损失；
参数调整模块，用于根据所述第一损失、所述第二损失和所述第三损失调整所述神经网络的网络参数。
在一种可能的实现方式中，所述参数调整模块，包括：
综合损失确定子模块，用于根据所述第一损失、所述第二损失和所述第三损失确定综合损失；
参数调整子模块，用于根据所述综合损失调整所述神经网络的网络参数。
在一种可能的实现方式中，所述样本图像中车道线位于图像边缘的点为车道线起点。
在一种可能的实现方式中，预测的车道线所在区域中包括有一个车道线起点或者多个车道线起点；和/或，
所述车道线所在区域中包括所述样本图像中的一条车道线或者至少两条车道线。
根据本公开的一方面，提供了一种车辆驾驶装置，所述装置包括：
图像获取模块，用于获取车辆行驶道路的图像；
分割结果获取模块，用于采用上述任一项所述的车道线获取方法，得到所述图像中的车道线分割结果；
驾驶模块，用于根据所述车道线分割结果对所述车辆进行辅助驾驶或自动驾驶。
在一种可能的实现方式中，所述驾驶模块，包括：
辅助信息确定子模块，用于根据所述车道线分割结果确定辅助信息；
驾驶子模块，用于根据所述辅助信息对所述车辆进行辅助驾驶或自动驾驶。
在一种可能的实现方式中，所述辅助信息包括以下信息中的至少一种：车道线曲率参数、航向偏角、车辆位置信息。
在一种可能的实现方式中，所述驾驶模块，用于：
根据所述车道线分割结果对所述车辆进行辅助驾驶或自动驾驶，以使所述车辆完成以下任务中的至少一个：车道线保持任务、车道偏移报警任务。
在一种可能的实现方式中，所述车道线包括白色车道线或黄色车道线，或所述车道线包括以下车道线中的至少一种：单实线、双实线、单虚线、双虚线、虚实线、网格线。
根据本公开的一方面，提供了一种电子设备，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为：执行上述任意一项所述的方法。
根据本公开的一方面，提供了一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述任意一项所述的方法。
在本公开实施例中，可以检测图像中的车道线起点和各像素点的方向向量，根据车道线起点和各像素点的方向向量，确定与车道线起点对应的延伸像素点，并根据延伸像素点得到所述图像中的车道线分割结果。根据车道线起点和各像素点的方向向量，可以得到图像中的不同车道线的分割结果，能够将图像中的任意车道线进行区分，且分割出的车道线不容易混淆。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，而非限制本公开。
根据下面参考附图对示例性实施例的详细说明，本公开的其它特征及方面将变得清楚。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，这些附图示出了符合本公开的实施例，并与说明书一起用于说明本公开的技术方案。
图1示出根据本公开实施例的车道线获取方法的流程图；
图2示出根据本公开实施例的车道线获取方法的流程图；
图3示出根据本公开实施例的车道线获取方法的流程图；
图4示出根据本公开实施例的车道线获取方法中图像中车道线起点检测结果的示意图；
图5示出根据本公开实施例的车道线获取方法中图像中车道线方向向量检测结果的示意图；
图6示出根据本公开实施例的车道线获取方法中图像中车道线分割结果的示意图；
图7示出根据本公开实施例的车道线获取方法中图像中各车道线分割结果的示意图；
图8示出根据本公开实施例的车道线获取装置的框图；
图9示出根据本公开实施例的神经网络训练装置的框图；
图10示出根据本公开实施例的车辆驾驶装置的框图；
图11是根据一示例性实施例示出的一种电子设备的框图；
图12是根据一示例性实施例示出的一种电子设备的框图。
具体实施方式
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合，例如，包括A、B、C中的至少一种，可以表示包括从A、B和C构成的集合中选择的任意一个或多个元素。
另外，为了更好的说明本公开，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本公开的主旨。
图1示出根据本公开实施例的车道线获取方法的流程图，如图1所示，所示车道线获取方法包括：
步骤S10，检测图像中的车道线起点和多个像素点的方向向量，所述像素点的方向向量表示所述像素点所在的车道线的方向。
在一种可能的实现方式中，图像可以包括安装在车辆上的拍摄装置拍摄的路面图像，也可以包括监控摄像头拍摄的路面图像。可以将拍摄得到的图像进行分辨率调整、亮度调整、尺寸调整等各种预处理。
在一种可能的实现方式中，当车辆行驶在道路上时，车辆上的拍摄装置拍摄到的路面图像中可以包括一条或多条车道线。例如，当车辆行驶在双车道、四车道或更多车道的道路上时，图像中可以包括四条车道线或更多条车道线。在一种可能的实现方式中，每条车道线可以包括一个车道线起点。车道线的起点可以为车道线的两个端点中的任一端点。图像中可以包括多个车道线的起点。一个车道线的起点可以为图像中属于车道线类型的一个像素点，也可以由多个相邻的属于车道线类型的像素点组成。车道线的起点可以位于图像的边缘部位。
在一种可能的实现方式中，所述方向向量为二维向量。可以在图像上建立直角坐标系。本公开不限定构建的直角坐标系和图像之间的位置关系。例如，可以以矩形图像左侧边缘为X轴正向，以矩形图像下边缘为Y轴正向构建直角坐标系。多个像素点的方向向量可以包括各像素点在直角坐标系中的坐标值。例如，像素点1的方向向量可以为(x1，y1，x1 2+y1 2＝1)，表示像素点1所在的车道线在图像中的方向为：向X轴方向延伸x1、且向Y轴方向延伸y1的方向。像素点的方向向量也可以为角度值。可以以像素点为原点建立极坐标系，将像素点所在的车道线在极坐标系中的角度值作为像素点的方向向量。本公开不限定各像素点的方向向量的具体表现形式。
在一种可能的实现方式中，当像素点不在车道线上时，像素点的方向向量可以为无效值或0。
在一种可能的实现方式中，可以提取图像中的特征，并根据提取到的特征检测得到图像中的车道线起点和图像中各像素点的方向向量。
在一种可能的实现方式中，可以对图像进行卷积处理，提取图像中的特征，并将特征进行全连接处理，得到车道线起点和各像素点的方向向量。根据图像中内容的不同，图像中可以包括一个或多个车道线起点，也可以包括一条或多条车道线。
步骤S20，将所述车道线起点沿所述车道线起点对应的方向向量延伸，确定与所述车道线起点对应的延伸像素点。
在一种可能的实现方式中，可以将任一车道线起点对应的像素点作为起点像素点。可以以起点像素点为起点，沿起点像素点对应的方向向量延伸得到第一延伸像素点。再以第一延伸像素点为起点，沿第一延伸像素点对应的方向向量延伸得到第二延伸像素点。依次类推，直至得到图像中与所述车道线起点对应的延伸像素点。
在一种可能的实现方式中，在各像素点的方向向量中，向量值可以为非整数。可以由一个像素点得到多个延伸像素点。
在一种可能的实现方式中，车道线起点可以对应一个像素点，可以将与车道线起点对应的一个像素点进行延伸，得到与车道线起点对应的延伸像素点。车道线起点也可以对应多个相邻的像素点。可以将多个相邻的像素点中的各像素点分别进行延伸，得到与车道线起点对应的延伸像素点。
步骤S30，根据所述车道线起点和与所述车道线起点对应的延伸像素点，获取所述图像中的车道线分割结果。
在一种可能的实现方式中，可以根据各车道线起点和与各道线起点对应的延伸像素点，得到与各车道线起点对应的一条车道线。可以根据需求，在图像中确定一个或多个车道线起点，利用确定出的车道线起点和各像素点的方向向量，得到与确定出的车道线起点对应的车道线。例如，图像A中包括三条车道线，利用本公开实施例中的车道线获取方法，可以得到图像A的车道线分割结果为独立的三个车道线，各车道线可以包括起点及图像中的车道线(曲线或直线)。
在本实施例中，可以检测图像中的车道线起点和各像素点的方向向量，根据车道线起点和各像素点的方向向量，确定与车道线起点对应的延伸像素点，并根据延伸像素点得到所述图像中的车道线分割结果。车道线分割结果能够将图像中的不同车道线进行有效区分，且分割出的车道线不容易混淆。本公开实施例解决了传统的车道线识别方案中，只能将图像中的多条车道线进行整体识别，无法得到图像中各条车道线单独的分割结果用于后续分析，导致车道线识别结果适用性不高的问题。
图2示出根据本公开实施例的车道线获取方法的流程图，如图2所示，所示车道线获取方法中步骤S10，包括：
步骤S11，检测图像中的车道线起点、多个像素点的方向向量和车道线所在区域。
在一种可能的实现方式中，可以检测图像中的车道线所在区域。车道线所在区域可以将图像中的车道线所在的区域在图像中标识出来，将图像中的车道线和除车道线以外的其他对象进行区分。车道线所在区域可以不区分不同的车道线，例如，车道线所在区域可能只包括一条车道线，也可能包括二条或二条以上的车道线，这里对车道线的条数等不进行区分。
在一种可能的实现方式中，可以对图像进行卷积处理，提取图像中的特征，可以根据提取到的特征检测图像中的车道线起点、各像素点的方向向量和车道线所在区域。可以将特征进行二分类语义分割，分别得到车道线所在区域和非车道线所在区域。车道线所在区域可以包括图像中各车道线的检测框。
在一种可能的实现方式中，检测的所述车道线所在区域中包括有一个车道线起点或者多个车道线起点；和/或，检测的所述车道线所在区域中包括所述图像中的一条车道线或者至少两条车道线。
在一种可能的实现方式中，车道线所在区域可以包括车道线起点和车道线，根据图像内容的不同，车道线所在区域可以包括一个车道线起点，也可以包括多个车道线起点，可以包括一条车道线，也可以包括至少两条车道线。
步骤S20，包括：
步骤S21，在根据所述车道线所在区域确定的像素点范围内，将所述车道线起点沿所述车道线起点对应的方向向量延伸，确定与所述车道线起点对应的延伸像素点。
在一种可能的实现方式中，将车道线起点沿所述车道线起点对应的方向向量延伸得到的延伸像素点，可能不是车道线上的像素点。车道线所在区域能够将图像中的车道线与非车道线进行区分。在车道线所在区域确定的像素点范围内，将所述车道线起点沿所述车道线起点对应的方向向量延伸，可以包括：当延伸得到的延伸像素点不在车道线所在区域确定的像素点范围内时，忽略此延伸像素点，以使延伸像素点可以保持在车道线所在区域确定的像素点范围内。
在本实施例中，可以检测图像中的车道线起点、各像素点的方向向量和车道线所在区域。在根据所述车道线所在区域确定的像素点范围内，将所述车道线起点沿所述车道线起点对应的方向向量延伸，确定与所述车道线起点对应的延伸像素点。延伸像素点保持在车道线所在区域确定的像素点范围内，可以使得延伸像素点位于车道线上，也使得最终得到的图像分割结果更加精确。
在一种可能的实现方式中，所示车道线获取方法还包括：
对所述车道线分割结果进行拟合，得到车道线拟合结果。
在一种可能的实现方式中，图像的车道分割结果可以包括图像中的不同车道线。可以利用拟合函数，对图像中的各条车道线进行拟合，得到各车道线的车道线拟合结果。车道线拟合结果可以包括车道线的参数方程。车道线拟合结果可以是一段曲线或直线。
在一种可能的实现方式中，根据车道线拟合结果，可以在图像中得到更加精准的车道线。可以根据车道线拟合结果，得到图像中车道线的各种参数信息。车道线的各种参数信息，可以用于计算与车道线相关的各种信息。例如用于计算车道线与车辆之间的距离。
在本实施例中，可以利用拟合函数对所述车道线分割结果进行拟合，得到车道线拟合结果。可以利用车道线拟合结果，在图像中得到更加精准的车道线。
在一种可能的实现方式中，检测图像中的车道线起点和多个像素点的方向向量，包括：
提取图像的边缘特征；
根据提取的所述边缘特征确定所述图像边缘属于车道线类型的像素点为车道线起点。
在一种可能的实现方式中，检测图像中的车道线起点，可以通提取图像的边缘特征，例如可以提取图像边缘的颜色特征、纹理特征、形状特征和空间关系特征等，在图像边缘确定属于车道线类型的像素点。可以将车道线位于图像边缘的点作为车道线起点。
图3示出根据本公开实施例的车道线获取方法的流程图，如图3所示，所示车道线获取方法中步骤S10，包括：
步骤S12，将所述图像输入神经网络，以经所述神经网络检测图像中的车道线起点和多个像素点的方向向量，所述神经网络预先采用带有标注信息的样本图像训练而得，所述标注信息包括车道线起点标注信息、多个像素点的方向向量标注信息。
在一种可能的实现方式中，神经网络可以包括输入层、中间层和输出层。输入层负责接收来自外的输入数据，并将输入数据传递给中间层。中间层负责信息交换，根据信息变化能力的需求，中间层可以设计为单隐藏层或多隐藏层。中间层将输出结果传递到输出层进行进一步处理后，得到神经网络的输出结果。输入层、中间层和输出层都可以包括若干神经元，各神经元之间可以用带可变权重的有向连接。神经网络通过对已知信息的反复学习训练，通过逐步调整改变神经元连接权重的方法，达到建立模拟输入输出之间关系模型的目的。训练好的神经网络可以利用模拟好的输入输出之间的关系模型，检测输入信息，并给出与输入信息对应的输出信息。例如，神经网络可以包括卷积层、池化层和全连接层等。可以利用神经网络提取图像中的特征，并根据提取到的特征检测图像中的车道线起点和各像素点的方向向量。
在一种可能的实现方式中，所述神经网络预先采用带有标注信息的样本图像训练而得，所述标注信息包括车道线起点标注信息、多个像素点的方向向量标注信息。标注信息可以利用人工添加，也可以利用相关技术自动识别后添加。
在本实施例中，可以利用神经网络强大的处理能力迅速、准确地检测图像中的车道线起点和各像素点的方向向量。
在一种可能的实现方式中，所述神经网络包括车道线起点分支网络和方向向量分支网络，步骤S12，包括：
将所述图像输入神经网络，以经所述车道线起点分支网络检测所述图像中的车道线起点，经所述方向向量分支网络检测所述图像中多个像素点的方向向量，所述车道线起点分支网络预先采用带有包括车道线起点标注信息的样本图像训练而得，所述方向向量分支网络预先采用带有包括多个像素点的方向向量标注信息的样本图像训练而得。
在一种可能的实现方式中，神经网络可以包括特征提取模块，特征提取模块可以包括卷积层。可以将图像输入特征提取模块进行卷积处理，提取图像的特征。可以将特征提取模块提取到的特征输入车道线起点分支网络和方向向量分支网络。车道线起点分支网络和方向向量分支网络可以包括全连接层。
在一种可能的实现方式中，车道线起点分支网络，可以根据在图像中提取到的特征检测得到图像中的车道线起点。方向向量分支网络可以根据在图像中提取到的特征检测得到图像中多个像素点的方向向量。多个像素点可以为车道线上的多个像素点。
在本实施例中，神经网络包括车道线起点分支网络和方向向量分支网络，可以经车道线起点分支网络检测图像中的车道线起点，经方向向量分支网络检测图像中各像素点的方向向量。根据两个分支网络，可以得到车道线起点和各像素点的方向向量的准确的检测结果。
在一种可能的实现方式中，所述神经网络还包括车道线区域检测分支网络，步骤S12，还包括：
将所述图像输入神经网络，经所述车道线区域检测分支网络检测所述图像中的车道线所在区域，所述车道线区域检测分支网络预先采用带有包括车道线区域标注信息的样本图像训练而得。
在一种可能的实现方式中，神经网络还可以包括车道线区域检测分支网络。可以将特征提取模块提取到的图像的特征，输入车道线区域检测分支网络，经车道线区域检测分支网络检测图像中的车道线所在区域。车道线区域检测分支网络可以包括全连接层。
在本实施例中，神经网络还可以包括车道线区域检测分支网络。可以利用三个分支网络分别得到车道线起点、各像素点的方向向量和车道线所在区域的准确的检测结果。
在一种可能的实现方式中，检测的车道线所在区域中包括有一个车道线起点或者多个车道线起点；和/或，所述车道线所在区域中包括所述图像中的一条车道线或者至少两条车道线。
在一种可能的实现方式中，根据图像内容的不同或检测需求的不同，检测到的车道线所在区域中可以包括一个车道线起点，也可以包括多个车道线起点。可以包括一条车道线，也可以包括多条车道线。本公开对此不做限定。
在一种可能的实现方式中，所述车道线获取方法包括：
在样本图像中确定与车道线起点对应的像素点；
根据与车道线起点对应的像素点确定所述车道线起点标注信息。
在一种可能的实现方式中，可以利用高斯核函数，在样本图像中将车道线起点由单个点映射为热力图，热力图中各点的热度沿中心点向外逐渐衰退。热力图的中心可以为车道线起点。
在本实施例中，将多个像素点作为车道线起点，更利于神经网络的学习。
在一种可能的实现方式中，所述方法还包括：将所述样本图像中车道线位于图像边缘的点确定为车道线起点。
在一种可能的实现方式中，可以采用人工标注的方式，将样本图像中的车道线进行标注，得到车道线位于图像边缘的点，即得到车道线起点。也可以采用人工标注的方式，直接将车道线位于图像边缘的点标注为车道线起点。
在一种可能的实现方式中，所述方法包括：
根据所述样本图像中多个车道线进行拟合，得到所述样本图像中多个像素点的方向向量标注信息。
在一种可能的实现方式中，可以利用拟合函数拟合样本图像中的各条车道线，得到各车道线的拟合结果。可以根据各车道线的拟合结果，确定车道线上各像素的方向向量标注信息，以及确定图像中非车道线上各像素的方向向量标注信息。
在本实施例中，根据拟合函数确定各像素的方向向量标注信息，可以提高各像素的方向向量标准信息的准确率。
在一种可能的实现方式中，所述神经网络的训练步骤，包括：
将样本图像输入神经网络，经所述神经网络得到所述样本图像中车道线起点的预测结果、多个像素点的方向向量的预测结果和车道线所在区域的预测结果；其中，所述样本图像包括有车道线起点标注信息、像素点的方向向量标注信息和车道线所在区域标注信息；
确定所述车道线起点的预测结果和所述车道线起点标注信息之间的第一损失、所述像素点的方向向量的预测结果和相应像素点的方向向量标注信息之间的第二损失、以及所述车道线所在区域的预测结果和所述车道线所在区域标注信息之间的第三损失；
根据所述第一损失、所述第二损失和所述第三损失调整所述神经网络的网络参数。
在一种可能的实现方式中，可以将样本图像输入神经网络中的特征提取模块，由特征提取模块提取图像中的特征。可以将提取到的特征输入车道线起点分支网络，得到车道线起点的预测结果；可以将提取到的特征输入方向向量分支网络，得到各像素点的方向向量的预测结果；可以将提取到的特征输入车道线区域检测分支网络，得到车道线所在区域的预测结果。
在一种可能的实现方式中，确定第一损失、第二损失和第三损失的步骤可以同时执行，也可以按照任意先后顺序执行。可以根据神经网络的预测结果和样本图像中的实际标注信息，利用损失函数计算神经网络的损失。本公开实施例可以分别计算车道线起点的损失、像素点的方向向量的损失和车道线所在区域的损失。
在一种可能的实现方式中，可以根据第一损失、第二损失和第三损失确定综合损失。可以利用综合损失对车道线起点分支网络、方向向量分支网络和车道线区域检测分支网络分别进行反向传播，调整三个分支网络的参数，进而完成对神经网络的反向传播。
在一种可能的实现方式中，当达到预设的迭代次数，或满足预设的收敛条件时，可以停止神经网络的训练。可以利用训练好的神经网络监测图像中的车道线起点、各像素点的方向向量和车道线所在区域。
在本实施例中，在神经网络的训练过程中，可以根据第一损失、第二损失和第三损失对神经网络进行反向传播。根据综合损失对神经网络进行反向传播，可以使得神经网络能够同时检测车道线起点、各像素点的方向向量和车道线所在区域，并提高检测的准确率。
在一种可能的实现方式中，本公开提供一种神经网络训练方法，包括：
将样本图像输入神经网络，经所述神经网络得到所述样本图像中车道线起点的预测结果、多个像素点的方向向量的预测结果和车道线所在区域的预测结果；其中，所述样本图像包括有车道线起点标注信息、像素点的方向向量标注信息和车道线所在区域标注信息；
确定所述车道线起点的预测结果和所述车道线起点标注信息之间的第一损失、所述像素点的方向向量的预测结果和相应像素点的方向向量标注信息之间的第二损失、以及所述车道线所在区域的预测结果和所述车道线所在区域标注信息之间的第三损失；
根据所述第一损失、所述第二损失和所述第三损失调整所述神经网络的网络参数。
在一种可能的实现方式中，所述根据所述第一损失、所述第二损失和所述第三损失调整所述神经网络的网络参数，包括：
根据所述第一损失、所述第二损失和所述第三损失确定综合损失；
根据所述综合损失调整所述神经网络的网络参数。
在一种可能的实现方式中，所述样本图像中车道线位于图像边缘的点为车道线起点。
在一种可能的实现方式中，预测的车道线所在区域中包括有一个车道线起点或者多个车道线起点；和/或，所述车道线所在区域中包括所述样本图像中的一条车道线或者至少两条车道线。
在一种可能的实现方式中，本公开保护一种车道线分割用的神经网络的训练方法，根据利用标识了车道线起点和车道线上的多个像素点的方向向量以及车道线所在区域的标识信息的样本图像，对神经网络进行训练。样本图像中可以包括一个或多个车道线起点，也可以包括一条或多条车道线。通过神经网络的对样本图像的车道线起点的预测结果、多个像素点的方向向量的预测结果和车道线所在区域的预测结果和与之对应的标识信息之间的损失，对神经网络的参数进行调整后，完成一次神经网络的训练。具体的训练内容可参见上述实施例中神经网络的训练步骤。
在一种可能的实现方式中，本公开提供一种车辆驾驶方法，所述车辆驾驶方法，包括：
获取车辆行驶道路的图像。
采用上述任一项所述的车道线获取方法，得到所述图像中的车道线分割结果。
根据所述车道线分割结果对所述车辆进行辅助驾驶或自动驾驶。
在一种可能的实现方式中，可以在车辆上设置拍摄装置，拍摄车辆行驶道路的图像。可以采用本公开上述实施例中的车道线获取方法，在拍摄到的图像中得到车道线分割结果。可以根据需求，得到图像中临近车辆的车道线分割结果，例如，可以只确定车辆所在车道的车道线分割结果。
在一种可能的实现方式中，根据所述车道线分割结果对所述车辆进行辅助驾驶或自动驾驶，包括：
根据所述车道线分割结果计算辅助信息；
根据所述辅助信息对所述车辆进行辅助驾驶或自动驾驶。
在一种可能的实现方式中，所述辅助信息包括以下信息中的至少一种：车道线曲率参数、航向偏角、车辆位置信息。
在一种可能的实现方式中，可以根据车道线分割结果，利用相关的传统方法计算得到车道线曲率参数、航向偏角及车辆位置信息等。本公开对此不做限定。可以根据车道线分割结果计算得到各车道线的车道线曲率参数。可以根据车道线曲率参数，确定车辆是否需要拐弯。可以根据车道线分割结果中各车道线的位置，计算车辆的航向偏角。可以根据航向偏角对车辆进行辅助驾驶或自动驾驶。也可以根据车道线分割结果中各车道线的位置，计算得到车辆位置信息。可以根据车辆位置信息可以对车辆进行辅助驾驶或自动驾驶。
在一种可能的实现方式中，根据所述车道线分割结果对所述车辆进行辅助驾驶或自动驾驶，包括：根据所述车道线分割结果对所述车辆进行辅助驾驶或自动驾驶，以使所述车辆完成以下任务中的至少一个：车道线保持任务、车道偏移报警任务。例如，可以将车道线分割结果输入自动驾驶系统或高级驾驶辅助系统(ADAS，Advanced Driver AssistanceSystems)中，根据车道线分割结果执行车道线保持(LKA，LaneKeepingAssistant)，车道偏移报警(LDWS,Lane DepartureWarningSystem)，和车道线类型确定等任务。
在一种可能的实现方式中，可以根据车道线分割结果计算辅助信息，并根据辅助信息对车辆进行辅助驾驶或自动驾驶，并使车辆保持在当前车道线所在的车道上，或当车辆偏移当前车道时，发送报警。
在一种可能的实现方式中，所述车道线包括白色车道线或黄色车道线，或所述车道线包括以下车道线中的至少一种：单实线、双实线、单虚线、双虚线、虚实线、网格线。本公开对此不做限定。
应用示例：
图4示出根据本公开实施例的车道线获取方法中图像中车道线起点检测结果的示意图。可以将如图4所示的图像进行图像检测，如可以将图4中的图像输入神经网络进行检测，得到图像中的车道线起点和车道线方向向量。如图4中图像边缘的白点所示，为图像中车道线起点的检测结果。图5示出根据本公开实施例的车道线获取方法中图像中车道线方向向量检测结果的示意图，如图5示出三条车道线的方向向量。
可以根据图4中的车道线起点检测结果和图5中的车道线方向向量检测结果，利用本公开实施例中的车道线获取方法，得到图像中的车道线分割结果。图6示出根据本公开实施例的车道线获取方法中图像中车道线分割结果的示意图，如图6所示的车道线分割结果给出了图像中三条车道线的分割结果，每一条车道线都可以单独被使用。为更清楚的表示本公开中的车道线分割结果，图7示出根据本公开实施例的车道线获取方法中图像中各车道线分割结果的示意图。如图7所示，图像中共有四条车道线，可以将四条车道线分别作为一个单独的车道线识别结果进行输出。
可以理解，本公开提及的上述各个方法实施例，在不违背原理逻辑的情况下，均可以彼此相互结合形成结合后的实施例，限于篇幅，本公开不再赘述。
本领域技术人员可以理解，在具体实施方式的上述方法中，各步骤的撰写顺序并不意味着严格的执行顺序而对实施过程构成任何限定，各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。
此外，本公开还提供了车道线获取装置、电子设备、计算机可读存储介质、程序，上述均可用来实现本公开提供的任一种方法，相应技术方案和描述和参见方法部分的相应记载，不再赘述。图8示出根据本公开实施例的车道线获取装置的框图，如图8所述，所述车道线获取装置包括：
检测模块100，用于检测图像中的车道线起点和多个像素点的方向向量，所述像素点的方向向量表示所述像素点所在的车道线的方向；
延伸像素点确定模块200，用于将所述车道线起点沿所述车道线起点对应的方向向量延伸，确定与所述车道线起点对应的延伸像素点；
分割结果获取模块300，用于根据所述车道线起点和与所述车道线起点对应的延伸像素点，获得所述图像中的车道线分割结果。
在一种可能的实现方式中，所述检测模块100，包括：
第一检测子模块，用于检测图像中的车道线起点、多个像素点的方向向量和车道线所在区域；
所述延伸像素点确定模块200，包括：
第一延伸像素点确定子模块，用于在根据所述车道线所在区域确定的像素点范围内，将所述车道线起点沿所述车道线起点对应的方向向量延伸，确定与所述车道线起点对应的延伸像素点。
在一种可能的实现方式中，检测的所述车道线所在区域中包括有一个车道线起点或者多个车道线起点；和/或，
检测的所述车道线所在区域中包括所述图像中的一条车道线或者至少两条车道线。
在一种可能的实现方式中，所述装置还包括：
拟合模块，用于对所述车道线分割结果进行拟合，得到车道线拟合结果。
在一种可能的实现方式中，所述检测模块100，包括：
边缘特征提取子模块，用于提取图像的边缘特征；
起点确定子模块，用于根据提取的所述边缘特征确定所述图像边缘属于车道线类型的像素点为车道线起点。
在一种可能的实现方式中，所述检测模块100，包括：
第二检测子模块，用于将所述图像输入神经网络，以经所述神经网络检测图像中的车道线起点和多个像素点的方向向量，所述神经网络预先采用带有标注信息的样本图像训练而得，所述标注信息包括车道线起点标注信息、多个像素点的方向向量标注信息。
在一种可能的实现方式中，所述神经网络包括车道线起点分支网络和方向向量分支网络；
所述第二检测子模块，用于将所述图像输入神经网络，以经所述车道线起点分支网络检测所述图像中的车道线起点，经所述方向向量分支网络检测所述图像中多个像素点的方向向量，所述车道线起点分支网络预先采用带有包括车道线起点标注信息的样本图像训练而得，所述方向向量分支网络预先采用带有包括多个像素点的方向向量标注信息的样本图像训练而得。
在一种可能的实现方式中，所述神经网络还包括车道线区域检测分支网络；
所述第二检测子模块，还用于将所述图像输入神经网络，经所述车道线区域检测分支网络检测所述图像中的车道线所在区域，所述车道线区域检测分支网络预先采用带有包括车道线区域标注信息的样本图像训练而得。
在一种可能的实现方式中，检测的车道线所在区域中包括有一个车道线起点或者多个车道线起点；和/或，
所述车道线所在区域中包括所述图像中的一条车道线或者至少两条车道线。
在一种可能的实现方式中，所述装置包括：
第一起点确定模块，用于在样本图像中确定与车道线起点对应的像素点；
起点标注信息获取模块，用于根据与车道线起点对应的像素点确定所述车道线起点标注信息。
在一种可能的实现方式中，所述装置还包括：
第二起点确定模块，用于将所述样本图像中车道线位于图像边缘的点确定为车道线起点。
在一种可能的实现方式中，所述装置包括：
方向向量标注信息获取模块，用于根据所述样本图像中多个车道线进行拟合，得到所述样本图像中多个像素点的方向向量标注信息。
在一种可能的实现方式中，所述方向向量为二维向量。
在一种可能的实现方式中，所述装置包括训练模块，所述训练模块用于训练所述神经网络，所述训练模块，包括：
预测结果获取子模块，用于将样本图像输入神经网络，经所述神经网络得到所述样本图像中车道线起点的预测结果、多个像素点的方向向量的预测结果和车道线所在区域的预测结果；其中，所述样本图像包括有车道线起点标注信息、像素点的方向向量标注信息和车道线所在区域标注信息；
损失确定子模块，用于确定所述车道线起点的预测结果和所述车道线起点标注信息之间的第一损失、所述像素点的方向向量的预测结果和相应像素点的方向向量标注信息之间的第二损失、以及所述车道线所在区域的预测结果和所述车道线所在区域标注信息之间的第三损失；
参数调整子模块，用于根据所述第一损失、所述第二损失和所述第三损失调整所述神经网络的网络参数。
图9示出根据本公开实施例的神经网络训练装置的框图，如图9所述，一种神经网络训练装置，所述装置包括：
预测结果获取模块10，用于将样本图像输入神经网络，经所述神经网络得到所述样本图像中车道线起点的预测结果、多个像素点的方向向量的预测结果和车道线所在区域的预测结果；其中，所述样本图像包括有车道线起点标注信息、像素点的方向向量标注信息和车道线所在区域标注信息；
损失确定模块20，用于确定所述车道线起点的预测结果和所述车道线起点标注信息之间的第一损失、所述像素点的方向向量的预测结果和相应像素点的方向向量标注信息之间的第二损失、以及所述车道线所在区域的预测结果和所述车道线所在区域标注信息之间的第三损失；
参数调整模块30，用于根据所述第一损失、所述第二损失和所述第三损失调整所述神经网络的网络参数。
在一种可能的实现方式中，所述参数调整模块30，包括：
综合损失确定子模块，用于根据所述第一损失、所述第二损失和所述第三损失确定综合损失；
参数调整子模块，用于根据所述综合损失调整所述神经网络的网络参数。
在一种可能的实现方式中，所述样本图像中车道线位于图像边缘的点为车道线起点。
在一种可能的实现方式中，预测的车道线所在区域中包括有一个车道线起点或者多个车道线起点；和/或，
所述车道线所在区域中包括所述样本图像中的一条车道线或者至少两条车道线。
图10示出根据本公开实施例的车辆驾驶装置的框图，如图10所述，一种车辆驾驶装置，所述装置包括：
图像获取模块1，用于获取车辆行驶道路的图像；
分割结果获取模块2，用于采用上述任一项所述的车道线获取方法，得到所述图像中的车道线分割结果；
驾驶模块3，用于根据所述车道线分割结果对所述车辆进行辅助驾驶或自动驾驶。
在一种可能的实现方式中，所述驾驶模块3，包括：
辅助信息确定子模块，用于根据所述车道线分割结果确定辅助信息；
驾驶子模块，用于根据所述辅助信息对所述车辆进行辅助驾驶或自动驾驶。
在一种可能的实现方式中，所述辅助信息包括以下信息中的至少一种：车道线曲率参数、航向偏角、车辆位置信息。
在一种可能的实现方式中，所述驾驶模块3，用于：
根据所述车道线分割结果对所述车辆进行辅助驾驶或自动驾驶，以使所述车辆完成以下任务中的至少一个：车道线保持任务、车道偏移报警任务。
在一种可能的实现方式中，所述车道线包括白色车道线或黄色车道线，或所述车道线包括以下车道线中的至少一种：单实线、双实线、单虚线、双虚线、虚实线、网格线。
在一些实施例中，本公开实施例提供的装置具有的功能或包含的模块可以用于执行上文方法实施例描述的方法，其具体实现可以参照上文方法实施例的描述，为了简洁，这里不再赘述
本公开实施例还提出一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述方法。计算机可读存储介质可以是非易失性计算机可读存储介质。
本公开实施例还提出一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为上述方法。
电子设备可以被提供为终端、服务器或其它形态的设备。
图11是根据一示例性实施例示出的一种电子设备800的框图。例如，电子设备800可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等终端。
参照图11，电子设备800可以包括以下一个或多个组件：处理组件802，存储器804，电源组件806，多媒体组件808，音频组件810，输入/输出(I/O)的接口812，传感器组件814，以及通信组件816。
处理组件802通常控制电子设备800的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件802可以包括一个或多个模块，便于处理组件802和其他组件之间的交互。例如，处理组件802可以包括多媒体模块，以方便多媒体组件808和处理组件802之间的交互。
存储器804被配置为存储各种类型的数据以支持在电子设备800的操作。这些数据的示例包括用于在电子设备800上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。
电源组件806为电子设备800的各种组件提供电力。电源组件806可以包括电源管理系统，一个或多个电源，及其他与为电子设备800生成、管理和分配电力相关联的组件。
多媒体组件808包括在所述电子设备800和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件808包括一个前置摄像头和/或后置摄像头。当电子设备800处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
音频组件810被配置为输出和/或输入音频信号。例如，音频组件810包括一个麦克风(MIC)，当电子设备800处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中，音频组件810还包括一个扬声器，用于输出音频信号。
I/O接口812为处理组件802和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件814包括一个或多个传感器，用于为电子设备800提供各个方面的状态评估。例如，传感器组件814可以检测到电子设备800的打开/关闭状态，组件的相对定位，例如所述组件为电子设备800的显示器和小键盘，传感器组件814还可以检测电子设备800或电子设备800一个组件的位置改变，用户与电子设备800接触的存在或不存在，电子设备800方位或加速/减速和电子设备800的温度变化。传感器组件814可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器，如CMOS或CCD图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件814还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。
通信组件816被配置为便于电子设备800和其他设备之间有线或无线方式的通信。电子设备800可以接入基于通信标准的无线网络，如WiFi，2G或3G，或它们的组合。在一个示例性实施例中，通信组件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件816还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。
在示例性实施例中，电子设备800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。
在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器804，上述计算机程序指令可由电子设备800的处理器820执行以完成上述方法。
图12是根据一示例性实施例示出的一种电子设备1900的框图。例如，电子设备1900可以被提供为一服务器。参照图12，电子设备1900包括处理组件1922，其进一步包括一个或多个处理器，以及由存储器1932所代表的存储器资源，用于存储可由处理组件1922的执行的指令，例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件1922被配置为执行指令，以执行上述方法。
电子设备1900还可以包括一个电源组件1926被配置为执行电子设备1900的电源管理，一个有线或无线网络接口1950被配置为将电子设备1900连接到网络，和一个输入输出(I/O)接口1958。电子设备1900可以操作基于存储在存储器1932的操作系统，例如Windows ServerTM，Mac OS XTM，UnixTM,LinuxTM，FreeBSDTM或类似。
在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器1932，上述计算机程序指令可由电子设备1900的处理组件1922执行以完成上述方法。
本公开可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等，以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令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服务器上执行。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)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA)，该电子电路可以执行计算机可读程序指令，从而实现本公开的各个方面。
这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本公开的多个实施例的系统、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、程序段或指令的一部分，所述模块、程序段或指令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。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，两个连续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动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。
以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的技术改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (10)
1.一种车道线获取方法，其特征在于，所述方法包括：
检测图像中的车道线起点和多个像素点的方向向量，所述像素点的方向向量表示所述像素点所在的车道线的方向；
将所述车道线起点沿所述车道线起点对应的方向向量延伸，确定与所述车道线起点对应的延伸像素点；
根据所述车道线起点和与所述车道线起点对应的延伸像素点，获取所述图像中的车道线分割结果。
2.根据权利要求1所述的方法，其特征在于，所述检测图像中的车道线起点和多个像素点的方向向量，包括：
检测图像中的车道线起点、多个像素点的方向向量和车道线所在区域；
所述将所述车道线起点沿所述车道线起点对应的方向向量延伸，确定与所述车道线起点对应的延伸像素点，包括：
在根据所述车道线所在区域确定的像素点范围内，将所述车道线起点沿所述车道线起点对应的方向向量延伸，确定与所述车道线起点对应的延伸像素点。
3.一种神经网络训练方法，其特征在于，包括：
将样本图像输入神经网络，经所述神经网络得到所述样本图像中车道线起点的预测结果、多个像素点的方向向量的预测结果和车道线所在区域的预测结果；其中，所述样本图像包括有车道线起点标注信息、像素点的方向向量标注信息和车道线所在区域标注信息；
确定所述车道线起点的预测结果和所述车道线起点标注信息之间的第一损失、所述像素点的方向向量的预测结果和相应像素点的方向向量标注信息之间的第二损失、以及所述车道线所在区域的预测结果和所述车道线所在区域标注信息之间的第三损失；
根据所述第一损失、所述第二损失和所述第三损失调整所述神经网络的网络参数。
4.一种车辆驾驶方法，其特征在于，所述方法包括：
获取车辆行驶道路的图像；
采用如权利要求1或2所述的车道线获取方法，得到所述图像中的车道线分割结果；
根据所述车道线分割结果对所述车辆进行辅助驾驶或自动驾驶。
5.一种车道线获取装置，其特征在于，所述装置包括：
检测模块，用于检测图像中的车道线起点和多个像素点的方向向量，所述像素点的方向向量表示所述像素点所在的车道线的方向；
延伸像素点确定模块，用于将所述车道线起点沿所述车道线起点对应的方向向量延伸，确定与所述车道线起点对应的延伸像素点；
分割结果获取模块，用于根据所述车道线起点和与所述车道线起点对应的延伸像素点，获得所述图像中的车道线分割结果。
6.根据权利要求5所述的装置，其特征在于，所述检测模块，包括：
第一检测子模块，用于检测图像中的车道线起点、多个像素点的方向向量和车道线所在区域；
所述延伸像素点确定模块，包括：
第一延伸像素点确定子模块，用于在根据所述车道线所在区域确定的像素点范围内，将所述车道线起点沿所述车道线起点对应的方向向量延伸，确定与所述车道线起点对应的延伸像素点。
7.一种神经网络训练装置，其特征在于，所述装置包括：
预测结果获取模块，用于将样本图像输入神经网络，经所述神经网络得到所述样本图像中车道线起点的预测结果、多个像素点的方向向量的预测结果和车道线所在区域的预测结果；其中，所述样本图像包括有车道线起点标注信息、像素点的方向向量标注信息和车道线所在区域标注信息；
损失确定模块，用于确定所述车道线起点的预测结果和所述车道线起点标注信息之间的第一损失、所述像素点的方向向量的预测结果和相应像素点的方向向量标注信息之间的第二损失、以及所述车道线所在区域的预测结果和所述车道线所在区域标注信息之间的第三损失；
参数调整模块，用于根据所述第一损失、所述第二损失和所述第三损失调整所述神经网络的网络参数。
8.一种车辆驾驶装置，其特征在于，所述装置包括：
图像获取模块，用于获取车辆行驶道路的图像；
分割结果获取模块，用于采用如权利要求5或6所述的车道线获取方法，得到所述图像中的车道线分割结果；
驾驶模块，用于根据所述车道线分割结果对所述车辆进行辅助驾驶或自动驾驶。
9.一种电子设备，其特征在于，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为：执行权利要求1至4中任意一项所述的方法。
10.一种计算机可读存储介质，其上存储有计算机程序指令，其特征在于，所述计算机程序指令被处理器执行时实现权利要求1至4中任意一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910063232.4A CN111476057B (zh) | 2019-01-23 | 2019-01-23 | 车道线获取方法及装置、车辆驾驶方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910063232.4A CN111476057B (zh) | 2019-01-23 | 2019-01-23 | 车道线获取方法及装置、车辆驾驶方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111476057A true CN111476057A (zh) | 2020-07-31 |
| CN111476057B CN111476057B (zh) | 2024-03-26 |
Family
ID=71743862
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910063232.4A Active CN111476057B (zh) | 2019-01-23 | 2019-01-23 | 车道线获取方法及装置、车辆驾驶方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111476057B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112733793A (zh) * | 2021-01-22 | 2021-04-30 | 北京嘀嘀无限科技发展有限公司 | 检测公交车道的方法、装置、电子设备和存储介质 |
| CN114694109A (zh) * | 2022-05-31 | 2022-07-01 | 苏州魔视智能科技有限公司 | 车道线检测方法、装置、电子设备及计算机可读存储介质 |
| CN114926803A (zh) * | 2022-07-19 | 2022-08-19 | 苏州魔视智能科技有限公司 | 车道线检测模型建立方法、车道线检测方法、装置和设备 |
| CN115147794A (zh) * | 2022-06-30 | 2022-10-04 | 小米汽车科技有限公司 | 车道线确定方法、装置、车辆、介质及芯片 |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101567086A (zh) * | 2009-06-03 | 2009-10-28 | 北京中星微电子有限公司 | 一种车道线检测方法及其设备 |
| KR20130003308A (ko) * | 2011-06-30 | 2013-01-09 | 충북대학교 산학협력단 | 차량의 차선 인식 방법 |
| CN105893949A (zh) * | 2016-03-29 | 2016-08-24 | 西南交通大学 | 一种复杂路况场景下的车道线检测方法 |
| CN106295678A (zh) * | 2016-07-27 | 2017-01-04 | 北京旷视科技有限公司 | 神经网络训练与构建方法和装置以及目标检测方法和装置 |
| CN107590438A (zh) * | 2017-08-16 | 2018-01-16 | 中国地质大学（武汉） | 一种智能辅助驾驶方法及系统 |
| CN108052869A (zh) * | 2017-11-23 | 2018-05-18 | 深圳市易成自动驾驶技术有限公司 | 车道线识别方法、装置及计算机可读存储介质 |
| CN108171225A (zh) * | 2018-03-14 | 2018-06-15 | 海信集团有限公司 | 车道检测方法、装置、终端及存储介质 |
| CN108216229A (zh) * | 2017-09-08 | 2018-06-29 | 北京市商汤科技开发有限公司 | 交通工具、道路线检测和驾驶控制方法及装置 |
| CN108875603A (zh) * | 2018-05-31 | 2018-11-23 | 上海商汤智能科技有限公司 | 基于车道线的智能驾驶控制方法和装置、电子设备 |
| CN108921089A (zh) * | 2018-06-29 | 2018-11-30 | 驭势科技（北京）有限公司 | 车道线检测方法、装置和系统及存储介质 |
| CN109147368A (zh) * | 2018-08-22 | 2019-01-04 | 北京市商汤科技开发有限公司 | 基于车道线的智能驾驶控制方法装置与电子设备 |
| CN109241929A (zh) * | 2018-09-20 | 2019-01-18 | 北京海纳川汽车部件股份有限公司 | 自动驾驶车辆的车道线检测方法、装置及自动驾驶车辆 |
-
2019
- 2019-01-23 CN CN201910063232.4A patent/CN111476057B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101567086A (zh) * | 2009-06-03 | 2009-10-28 | 北京中星微电子有限公司 | 一种车道线检测方法及其设备 |
| KR20130003308A (ko) * | 2011-06-30 | 2013-01-09 | 충북대학교 산학협력단 | 차량의 차선 인식 방법 |
| CN105893949A (zh) * | 2016-03-29 | 2016-08-24 | 西南交通大学 | 一种复杂路况场景下的车道线检测方法 |
| CN106295678A (zh) * | 2016-07-27 | 2017-01-04 | 北京旷视科技有限公司 | 神经网络训练与构建方法和装置以及目标检测方法和装置 |
| CN107590438A (zh) * | 2017-08-16 | 2018-01-16 | 中国地质大学（武汉） | 一种智能辅助驾驶方法及系统 |
| CN108216229A (zh) * | 2017-09-08 | 2018-06-29 | 北京市商汤科技开发有限公司 | 交通工具、道路线检测和驾驶控制方法及装置 |
| CN108052869A (zh) * | 2017-11-23 | 2018-05-18 | 深圳市易成自动驾驶技术有限公司 | 车道线识别方法、装置及计算机可读存储介质 |
| CN108171225A (zh) * | 2018-03-14 | 2018-06-15 | 海信集团有限公司 | 车道检测方法、装置、终端及存储介质 |
| CN108875603A (zh) * | 2018-05-31 | 2018-11-23 | 上海商汤智能科技有限公司 | 基于车道线的智能驾驶控制方法和装置、电子设备 |
| CN108921089A (zh) * | 2018-06-29 | 2018-11-30 | 驭势科技（北京）有限公司 | 车道线检测方法、装置和系统及存储介质 |
| CN109147368A (zh) * | 2018-08-22 | 2019-01-04 | 北京市商汤科技开发有限公司 | 基于车道线的智能驾驶控制方法装置与电子设备 |
| CN109241929A (zh) * | 2018-09-20 | 2019-01-18 | 北京海纳川汽车部件股份有限公司 | 自动驾驶车辆的车道线检测方法、装置及自动驾驶车辆 |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112733793A (zh) * | 2021-01-22 | 2021-04-30 | 北京嘀嘀无限科技发展有限公司 | 检测公交车道的方法、装置、电子设备和存储介质 |
| CN114694109A (zh) * | 2022-05-31 | 2022-07-01 | 苏州魔视智能科技有限公司 | 车道线检测方法、装置、电子设备及计算机可读存储介质 |
| CN115147794A (zh) * | 2022-06-30 | 2022-10-04 | 小米汽车科技有限公司 | 车道线确定方法、装置、车辆、介质及芯片 |
| CN115147794B (zh) * | 2022-06-30 | 2023-08-29 | 小米汽车科技有限公司 | 车道线确定方法、装置、车辆、介质及芯片 |
| CN114926803A (zh) * | 2022-07-19 | 2022-08-19 | 苏州魔视智能科技有限公司 | 车道线检测模型建立方法、车道线检测方法、装置和设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111476057B (zh) | 2024-03-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110674719B (zh) | 目标对象匹配方法及装置、电子设备和存储介质 | |
| CN109829501B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
| CN108596116B (zh) | 测距方法、智能控制方法及装置、电子设备和存储介质 | |
| CN109614613B (zh) | 图像的描述语句定位方法及装置、电子设备和存储介质 | |
| CN110782468B (zh) | 图像分割模型的训练方法及装置及图像分割方法及装置 | |
| CN111476057B (zh) | 车道线获取方法及装置、车辆驾驶方法及装置 | |
| CN111612009B (zh) | 文本识别方法、装置、设备和存储介质 | |
| CN113344901B (zh) | 涂胶缺陷检测方法、装置、存储介质及电子设备 | |
| US10007841B2 (en) | Human face recognition method, apparatus and terminal | |
| CN109859096A (zh) | 图像风格迁移方法、装置、电子设备及存储介质 | |
| CN111310616A (zh) | 图像处理方法及装置、电子设备和存储介质 | |
| US11288531B2 (en) | Image processing method and apparatus, electronic device, and storage medium | |
| CN110348418B (zh) | 目标跟踪方法及装置、智能移动设备和存储介质 | |
| CN112115894B (zh) | 手部关键点检测模型的训练方法、装置及电子设备 | |
| CN110532956B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
| CN111462238B (zh) | 姿态估计优化方法、装置及存储介质 | |
| CN111243011A (zh) | 关键点检测方法及装置、电子设备和存储介质 | |
| CN111666917A (zh) | 姿态检测及视频处理方法、装置、电子设备和存储介质 | |
| CN106225764A (zh) | 基于终端中双目摄像头的测距方法及终端 | |
| CN111104920A (zh) | 视频处理方法及装置、电子设备和存储介质 | |
| CN113052874B (zh) | 目标跟踪方法及装置、电子设备和存储介质 | |
| CN111241887A (zh) | 目标对象关键点识别方法及装置、电子设备和存储介质 | |
| CN111435422B (zh) | 动作识别方法、控制方法及装置、电子设备和存储介质 | |
| CN109255784B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
| CN114463212A (zh) | 图像处理方法及装置、电子设备和存储介质 |
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 |