CN111476062A - 车道线检测方法、装置、电子设备及驾驶系统 - Google Patents
车道线检测方法、装置、电子设备及驾驶系统 Download PDFInfo
- Publication number
- CN111476062A CN111476062A CN201910064642.0A CN201910064642A CN111476062A CN 111476062 A CN111476062 A CN 111476062A CN 201910064642 A CN201910064642 A CN 201910064642A CN 111476062 A CN111476062 A CN 111476062A
- Authority
- CN
- China
- Prior art keywords
- lane line
- coordinate
- connected domain
- road surface
- points
- 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.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 75
- 238000000034 method Methods 0.000 claims abstract description 66
- 238000013507 mapping Methods 0.000 claims abstract description 27
- 238000012888 cubic function Methods 0.000 claims description 34
- 230000006870 function Effects 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 description 23
- 230000008569 process Effects 0.000 description 21
- 238000013528 artificial neural network Methods 0.000 description 19
- 238000010586 diagram Methods 0.000 description 18
- 238000004891 communication Methods 0.000 description 17
- 238000012549 training Methods 0.000 description 11
- 230000000007 visual effect Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000012887 quadratic function Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000009466 transformation 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)
- Traffic Control Systems (AREA)
- Image Analysis (AREA)
Abstract
本公开实施例提供一种车道线检测方法、装置、电子设备及驾驶系统,该方法包括:对路面图像进行像素级车道线检测,得到第一车道线概率图;根据所述第一车道线概率图,确定所述路面图像中的第一车道线对应的目标连通域;对所述目标连通域中的像素点进行坐标映射,得到所述目标连通域中的像素点在世界坐标系下对应的坐标点;根据所述坐标点的坐标以及所述坐标点对应的权重值进行曲线拟合,得到所述第一车道线在世界坐标系下的拟合曲线。该方法能够适应各种复杂的路面环境的车道线检测,使得在复杂路面环境下的车道线检测结果准确率得到极大提升,进而能够降低安全隐患,提升驾驶安全。
Description
技术领域
本公开实施例涉及计算机技术,尤其涉及一种车道线检测方法、装置、电子设备及驾驶系统。
背景技术
车道线在世界坐标系下的拟合是自动驾驶领域和辅助驾驶领域中的重要问题。以自动驾驶领域为例,在自动驾驶领域中可以基于车道线在世界坐标系下的拟合来进行车辆车道线偏离预警、车辆自动变更车道等各种操作。
发明内容
本公开实施例提供一种车道线检测方法、装置、电子设备及驾驶系统。
本公开实施例第一方面提供一种车道线检测方法,包括:
对路面图像进行像素级车道线检测,得到第一车道线概率图;
根据所述第一车道线概率图,确定所述路面图像中的第一车道线对应的目标连通域,其中,所述目标连通域为所述路面图像中属于所述第一车道线的多个像素点的集合;
对所述目标连通域中的像素点进行坐标映射,得到所述目标连通域中的像素点在世界坐标系下对应的坐标点;
根据所述坐标点的坐标以及所述坐标点对应的权重值进行曲线拟合,得到所述第一车道线在世界坐标系下的拟合曲线。
进一步的,所述根据所述坐标点的坐标以及所述坐标点对应的权重值进行曲线拟合,得到所述第一车道线在世界坐标系下的拟合曲线,包括:
根据所述坐标点的坐标以及所述坐标点对应的权重值,进行多次函数曲线拟合,得到所述第一车道线在世界坐标系下的拟合曲线。
进一步的,所述根据所述坐标点的坐标以及所述坐标点对应的权重值,进行多次函数曲线拟合,得到所述第一车道线在世界坐标系下的拟合曲线,包括:
根据所述坐标点的坐标以及所述坐标点对应的权重值,确定三次函数的系数;
根据所述坐标点的坐标,确定所述第一车道线的起始点和终点;
根据所述三次函数的系数、所述起始点以及所述终点,确定所述第一车道线在世界坐标系下的拟合曲线。
进一步的,所述根据所述坐标点的坐标,确定所述第一车道线的起始点和终点,包括:
根据所述坐标点的Y坐标,确定所述第一车道线的起始点和终点。
进一步的,所述根据所述三次函数的系数、所述起始点以及所述终点,确定所述第一车道线在世界坐标系下的拟合曲线,包括:
沿Y坐标方向,在所述起始点和所述终点之间,按照预设间隔选择多个Y坐标;
根据所述多个Y坐标以及所述三次函数的系数,确定所述第一车道线在世界坐标系下的拟合曲线。
进一步的,所述根据所述坐标点的坐标以及所述坐标点对应的权重值进行曲线拟合,得到所述第一车道线在世界坐标系下的拟合曲线之前,还包括:
根据所述坐标点与车辆的距离,确定所述坐标点对应的权重值。
进一步的,所述坐标点对应的权重值与所述坐标点与车辆的距离成反比。
进一步的,所述对所述目标连通域中的像素点进行坐标映射,得到所述目标连通域中的像素点在世界坐标系下对应的坐标点,包括:
使用预设的单应矩阵,对所述目标连通域中的像素点进行坐标映射,得到所述目标连通域中的像素点在世界坐标系下对应的坐标点。
进一步的,所述单应矩阵通过人工测定的方式得到。
进一步的,所述单应矩阵通过车辆自标定的方式得到。
进一步的,所述根据路面图像对应的第一车道线概率图,确定所述路面图像中的第一车道线对应的目标连通域,包括:
根据所述路面图像对应的第一车道线概率图,确定至少一个候选连通域;
将所述至少一个候选连通域中的最大连通域作为所述目标连通域。
进一步的,所述根据所述路面图像对应的第一车道线概率图,确定至少一个候选连通域,包括:
步骤A、若所述路面图像中的第一像素点在所述第一车道线概率图中的概率值大于预设阈值,则以所述第一像素点为根节点,确定第一连通域;
步骤B:更新所述第一像素点,并循环执行步骤A,直至所述路面图像中不存在所述第一像素点。
进一步的,所述以所述第一像素点为根节点,确定第一连通域,包括:
以所述第一像素点为根节点,使用广度优先搜索得到包含所述第一像素点的像素点集合;
若所述像素点集合中的像素点个数与所述路面图像中的像素点个数的比值大于预设比值,则确定所述像素点集合为所述第一连通域。
进一步的,所述将所述至少一个候选连通域中的最大连通域作为所述目标连通域,包括:
若所述路面图像中的第二像素点在所述第一车道线概率图中的概率大于预设阈值,并且所述第二像素点不属于所述第一连通域,则以所述第二像素点为根节点,确定第二连通域;
若所述第二连通域大于所述第一连通域,则将所述第二连通域作为当前的最大连通域;
若所述路面图像中不存在新的候选连通域,则将所述当前的最大连通域作为所述目标连通域。
进一步的,所述对路面图像进行像素级车道线检测,得到第一车道线概率图包括:
将路面图像输入神经网络以进行像素级车道线检测,得到所述神经网络输出的所述第一车道线概率图,其中,所述神经网络基于训练图像集并采用车道线真值图为监督信息预先训练完成。
本公开实施例第二方面提供一种驾驶控制方法,包括:
获取车道线的拟合曲线,所述车道线的拟合曲线采用如上述第一方面所述的车道线检测方法得到;
根据所述车道线的拟合曲线对车辆或机器人进行驾驶控制。
本公开实施例第三方面提供一种车道线检测装置,包括:
获取模块,用于对路面图像进行像素级车道线检测,得到第一车道线概率图;
第一确定模块,用于根据所述第一车道线概率图,确定所述路面图像中的第一车道线对应的目标连通域,其中,所述目标连通域为所述路面图像中属于所述第一车道线的多个像素点的集合;
第二确定模块,用于对所述目标连通域中的像素点进行坐标映射,得到所述目标连通域中的像素点在世界坐标系下对应的坐标点;
第三确定模块,用于根据所述坐标点的坐标以及所述坐标点对应的权重值进行曲线拟合,得到所述第一车道线在世界坐标系下的拟合曲线。
进一步的,所述第三确定模块具体用于:
根据所述坐标点的坐标以及所述坐标点对应的权重值,进行多次函数曲线拟合,得到所述第一车道线在世界坐标系下的拟合曲线。
进一步的,所述第三确定模块包括:
第一确定单元,用于根据所述坐标点的坐标以及所述坐标点对应的权重值,确定三次函数的系数;
第二确定单元,用于根据所述坐标点的坐标,确定所述第一车道线的起始点和终点;
第三确定单元,用于根据所述三次函数的系数、所述起始点以及所述终点,确定所述第一车道线在世界坐标系下的拟合曲线。
进一步的,所述第二确定单元具体用于:
根据所述坐标点的Y坐标,确定所述第一车道线的起始点和终点。
进一步的,所述第三确定单元具体用于:
沿Y坐标方向,在所述起始点和所述终点之间,按照预设间隔选择多个Y坐标;
根据所述多个Y坐标以及所述三次函数的系数,确定所述第一车道线在世界坐标系下的拟合曲线。
进一步的,还包括:
第四确定模块,用于根据所述坐标点与车辆的距离,确定所述坐标点对应的权重值。
进一步的,所述坐标点对应的权重值与所述坐标点与车辆的距离成反比。
进一步的,所述第二确定模块具体用于:
使用预设的单应矩阵,对所述目标连通域中的像素点进行坐标映射,得到所述目标连通域中的像素点在世界坐标系下对应的坐标点。
进一步的,所述单应矩阵通过人工测定的方式得到。
进一步的,所述单应矩阵通过车辆自标定的方式得到。
进一步的,所述第一确定模块包括:
第四确定单元,用于根据所述路面图像对应的第一车道线概率图,确定至少一个候选连通域;
第五确定单元,用于将所述至少一个候选连通域中的最大连通域作为所述目标连通域。
进一步的,所述第四确定单元具体用于:
步骤A、若所述路面图像中的第一像素点在所述第一车道线概率图中的概率值大于预设阈值,则以所述第一像素点为根节点,确定第一连通域;
步骤B:更新所述第一像素点,并循环执行步骤A,直至所述路面图像中不存在所述第一像素点。
进一步的,所述第四确定单元具体还用于:
以所述第一像素点为根节点,使用广度优先搜索得到包含所述第一像素点的像素点集合;
若所述像素点集合中的像素点个数与所述路面图像中的像素点个数的比值大于预设比值,则确定所述像素点集合为所述第一连通域。
进一步的,所述第五确定单元具体用于:
若所述路面图像中的第二像素点在所述第一车道线概率图中的概率大于预设阈值,并且所述第二像素点不属于所述第一连通域,则以所述第二像素点为根节点,确定第二连通域;
若所述第二连通域大于所述第一连通域,则将所述第二连通域作为当前的最大连通域;
若所述路面图像中不存在新的候选连通域,则将所述当前的最大连通域作为所述目标连通域。
进一步的,所述获取模块具体用于:
将路面图像输入神经网络以进行像素级车道线检测,得到所述神经网络输出的所述第一车道线概率图,其中,所述神经网络基于训练图像集并采用车道线真值图为监督信息预先训练完成。
本公开实施例第四方面提供一种驾驶控制装置,包括:
获取模块,用于获取车道线的拟合曲线,所述车道线的拟合曲线采用如上述第一方面所述的车道线检测方法得到;
控制模块,用于根据所述车道线的拟合曲线对车辆进行驾驶控制。
本公开实施例第五方面提供一种电子设备,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序,以实现如上述第一方面所述的车道线检测方法。
本公开实施例第六方面提供一种驾驶系统,包括:通信连接的相机、如上述第五方面所述的电子设备和如上述第四方面所述的驾驶控制装置,所述相机用于获取路面图像。
本公开实施例第七方面提供一种计算机存储介质,所述存储介质中存储计算机程序,所述计算机程序在执行时实现如上述第一方面所述的车道线检测方法,以及实现如上述第二方面所述的驾驶控制方法。
本公开实施例所提供的车道线检测方法、装置、电子设备及驾驶系统,根据路面图像的车道线概率图确定车道线对应的目标连通域,并将该目标连通域映射到世界坐标系下,进而,根据世界坐标系下坐标点的坐标以及坐标点的权重值进行曲线拟合,从而得到世界坐标系下车道线的拟合曲线。在复杂的路面环境下,例如车道线完全程度较大、车道线倾斜等路面环境下,通过该方法所拟合出的车道线与真实的车道线的一致性能够得到极大提升,发生偏离真实车道线的概率得到极大降低,因此,该方法能够适应各种复杂的路面环境的车道线检测,使得在复杂路面环境下的车道线检测结果准确率得到极大提升。将该方法应用于自动驾驶领域和辅助驾驶领域时,能够极大降低安全隐患,提升驾驶安全。另外,该方法通过确定目标连通域,并将目标连通域映射到世界坐标系下进行曲线拟合,可以降低曲线拟合的计算量,提高了车道线的检测速度。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本公开实施例提供的车道线检测方法的场景示意图;
图2为本公开实施例提供的一种车道线检测方法实施例一的流程示意图;
图3为本公开实施例提供的车道线检测方法实施例二的流程示意图;
图4为本公开实施例提供的车道线检测方法实施例三的流程示意图;
图5为本公开实施例提供的车道线检测方法实施例四的流程示意图;
图6为本公开实施例提供的车道线检测方法实施例五的流程示意图;
图7为本公开实施例提供的车道线检测方法实施例六的流程示意图;
图8为本公开实施例提供的驾驶控制方法的流程图;
图9为本公开实施例提供的车道线检测装置实施例一的模块结构图;
图10为本公开实施例提供的车道线检测装置实施例二的模块结构图;
图11为本公开实施例提供的车道线检测装置实施例三的模块结构图;
图12为本公开实施例提供的车道线检测装置实施例四的模块结构图;
图13为本公开实施例提供的车道线检测装置实施例五的模块结构图;
图14为本公开实施例提供的驾驶控制装置的模块结构图;
图15为本公开实施例提供的电子设备的结构示意图;
图16为本公开实施例提供的驾驶系统的示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
图1为本公开实施例提供的车道线检测方法的场景示意图,如图1所示,该方法可以应用于自动驾驶或辅助驾驶领域中,具体可以适用于安装有车载设备的车辆。当车辆位于路面上时,通过车辆上的车载设备采集路面图像,并基于本公开实施例的方法进行车道线拟合,进而可以将拟合的结果应用于车道线偏离预警、车辆自动变更车道等场景中。
在上述图1所示的场景中,车辆可以是各种类型、各种轮数量的车辆。例如轿车、货车、客车等承人载物的四轮车辆,还可以是两轮的摩托车,还可以是三轮车,还可以是玩具车、平衡车等。发明实施例对于车辆的具体类型不做限定。
除了上述图1所示的应用场景,本公开实施例的方法还可以应用于机器人领域,具体可以适用于机器人。在该场景中,机器人例如可以是道路巡检机器人、道路清洁机器人、道路检测机器人、工业控制机器人、玩具机器人、服务机器人、车载机器人等。
上述车载设备可以为电子设备,该电子设备可以为车载摄像头、行车记录仪或者手机等,该电子设备自身具有拍摄路面图像的功能或者该电子设备可通过配置摄像头来拍摄路面图像。
图2为本公开实施例提供的一种车道线检测方法实施例一的流程示意图,如图2所示,该方法包括:
S201、对路面图像进行像素级车道线检测,得到第一车道线概率图。
其中,该第一车道线概率图用于表示路面图像中的像素点属于第一车道线的概率。
值得说明的是,在本公开实施例中,路面图像中的每一个车道线分别对应一个车道线概率图。上述第一车道线可以是路面图像中的任意一个车道线,上述第一车道线概率图为第一车道线对应的车道线概率图,而并非特指某个特定的车道线概率图。
其中,上述路面图像可以是车辆在行驶状态下或者静止状态下所采集的一幅路面图像。车辆可以按照一定的时间间隔持续采集路面图像,并基于本公开实施例的方法持续进行车道线拟合。
示例性的,上述路面图像可以是车载摄像头拍摄的车辆所在路面的图像,或者,也可以是由相机等拍摄设备在指定位置拍摄的包含了路面的图像等。
在一种可选的实施方式中,可以通过神经网络对路面图像进行以像素为粒度的车道线检测,得路面图像中各像素点所在位置属于车道线的概率,并基于这些概率形成上述第一车道线概率图。
其中,上述神经网络例如可以为卷积神经网络。
示例性的,上述神经网络可以包括卷积层、非线性层、池化层等,这些网络层次可以按照特定的方式组织而成。其中,各网络层次的先后顺序可以根据需要进行灵活设置,同时,各网络层次的数量也可以根据需要进行灵活设置。例如,在神经网络中,可以包含连续的6-10个卷积层。
可选的,在将上述神经网络应用于本步骤中进行像素级的车道线检测之前,可以基于训练图像集,并以车道线真值(Groundtruth)作为监督信息预先训练上述神经网络。训练完成后的神经网络可以实现端到端的输出。具体的,在本步骤中,可以将路面图像输入到该神经网络中以进行像素级车道线检测,神经网络可以输出一个或多个车道线概率图,每个车道线概率图对应路面中的一个车道线。
除了上述通过神经网络进行以像素为粒度的车道线检测,得到上述第一车道线概率图外,在另一种实施方式中,还可以使用边缘特征提取法、支持向量机等方法进行以像素为粒度的车道线检测,得到上述第一车道线概率图。采用边缘特征提取法、支持向量机等方法进行车道线检测,具有处理方便、快速、高效率的优点。本公开实施例对于车道线检测的具体方法不做限制。
S202、根据路面图像对应的第一车道线概率图,确定该路面图像中的第一车道线对应的目标连通域,其中,上述目标连通域为上述路面图像中属于上述第一车道线的多个像素点的集合。
可选的,路面图像中的每一个车道线分别对应一个车道线概率图。例如,上述第一车道线概率图对应路面图像中的第一车道线,该第一车道线可以是路面图像中的任意一个车道线。示例性的,该第一车道线概率图可以通过矩阵的形式表示,该第一车道线概率图的大小与路面图像的大小相等。示例性的,假设路面图像的大小为200*200,则该第一车道线概率图的大小也为200*200。以路面图形中第一行第一列对应的像素点A为例,针对该像素点A,第一车道线概率图中第一行第一列的元素值表示像素点A属于第一车道线的概率。例如,第一车道线概率图中第一行第一类的元素值为0.4,则说明路面图像中的像素点A属于第一车道线的概率为0.4。
实际路面中可能有一条或多个车道线,则可选的,可以使用本公开实施例所提供的方法分别针对每个车道线进行车道线拟合。
在本步骤中,可以根据路面图像对应的第一车道线概率图,确定第一车道线对应的目标连通域,该目标连通域是由路面图像中的一些像素点所组成的集合,这些像素点是根据第一车道线概率图确定出的属于第一车道线的像素点。
一种可选方式中,可以通过判断路面图像中各像素点在第一车道线概率图中对应的概率值选出这些属于第一车道线的像素点。
另一种可选方式中,可以通过判断路面图像中各像素点在第一车道线概率图中对应的概率值以及像素点所形成的连通域大小选出这些属于第一车道线的像素点。
在具体实施过程中,基于上述第一车道线概率图可能形成多个连通。
由于内外部的干扰,例如光电转换过程中敏感元件灵敏度的不均匀性、数字化过程中的量化噪声、传输过程中的误差以及人为因素等,使得生成的车道线概率图中的概率值可能存在误差,因此可能出现概率值满足车道线阈值的像素点实际上并不是车道线的问题。为了避免此种情况的产生,可以选择由像素点所形成的多个连通域中最大的连通域作为上述目标连通域。
再一种可选方式中,可以通过判断路面图像中各像素点在第一车道线概率图中对应的概率值以及预设的车道线形状确定出这些属于第一车道线的像素点。
在具体实施过程中,基于上述第一车道线概率图可能形成多个连通域。通过将每个连通域的形状与预设的车道线的形状进行匹配,可以将与预设的车道线的形状匹配度最高的连通域作为目标连通域。
S203、对上述目标连通域中的像素点进行坐标映射,得到上述目标连通域中的像素点在世界坐标系下对应的坐标点。
上述目标连通域中的像素点为路面图像中的坐标点,即这些像素点是平面坐标下的像素点,因此,本步骤中,该目标连通域中的像素点进行坐标映射,得到这些像素点在世界坐标系下对应的坐标点。
S204、根据上述坐标点的坐标以及上述坐标点对应的权重值进行曲线拟合,得到上述第一车道线在世界坐标系下的拟合曲线。
可选的,针对上述目标连通域中的每个像素点,在进行坐标映射之后,会得到一个世界坐标下的坐标点,该坐标点的坐标由X方向的坐标以及Y方向的坐标组成。另外,每个坐标点对应一个权重值,该权重值可以用于确定拟合函数的系数,以提升拟合结果的准确性。
可选的,该权重值与坐标点的对应关系可以预先通过统计、训练等方式得到。
可选的,在根据上述坐标点的坐标以及上述坐标点对应的权重值进行曲线拟合时,可以选择进行一次函数曲线拟合、二次函数曲线拟合、三次函数曲线拟合或者其他更高次函数的曲线拟合。
上述所得到的第一车道线在世界坐标系下的拟合曲线,可以作为本公开实施例中的车道线检测的结果。
本实施例中,根据路面图像的车道线概率图确定车道线对应的目标连通域,并将该目标连通域映射到世界坐标系下,进而,根据世界坐标系下坐标点的坐标以及坐标点的权重值进行曲线拟合,从而得到世界坐标系下车道线的拟合曲线。在复杂的路面环境下,例如车道线完全程度较大、车道线倾斜等路面环境下,通过该方法所拟合出的车道线与真实的车道线的一致性能够得到极大提升,发生偏离真实车道线的概率得到极大降低,因此,该方法能够适应各种复杂的路面环境的车道线检测,使得在复杂路面环境下的车道线检测结果准确率得到极大提升。将该方法应用于自动驾驶领域和辅助驾驶领域时,能够极大降低安全隐患,提升驾驶安全。另外,该方法通过确定目标连通域,并将目标连通域映射到世界坐标系下进行曲线拟合,可以降低曲线拟合的计算量,提高了车道线的检测速度。
在一种可选的实施方式中,在上述步骤S204中根据坐标点的坐标以及坐标点对应的权重值进行曲线拟合时,可以根据坐标点的坐标以及坐标点对应的权重值,进行多次函数曲线拟合,得到第一车道线在世界坐标系下的拟合曲线。
其中,上述的多次函数曲线拟合,可以是指二次函数曲线拟合、三次函数曲线拟合或者三次以上的函数拟合,本公开实施例对此不做具体限定。
具体实施过程中,如果进行曲线拟合时使用的函数的纬度过低,可能导致拟合结果精确度过低,如果进行曲线拟合时使用的函数的纬度过高,又可能存在过拟合的问题,导致系统开销增加,拟合效率降低。本公开实施例中,可以结合实际需要使用多次次函数进行曲线拟合,以使得在不出现过拟合后果的前提下得到精确度足够高的拟合曲线。
在上述实施例的基础上,本实施例涉及根据所述坐标点的坐标以及所述坐标点对应的权重值,进行三次函数曲线拟合,得到所述第一车道线在世界坐标系下的拟合曲线的过程。
图3为本公开实施例提供的车道线检测方法实施例二的流程示意图,如图3所示,根据所述坐标点的坐标以及所述坐标点对应的权重值,进行三次函数曲线拟合,得到所述第一车道线在世界坐标系下的拟合曲线包括:
S301、根据上述坐标点的坐标以及上述坐标点对应的权重值,确定三次函数的系数。
步骤1:列出各坐标点的误差平方和表达式,如下述公式(1)所述。
其中,xi和yi分别为上述坐标点中第i个坐标点的X坐标和Y坐标,ri为该第i个坐标点对应的权重值,n为坐标点的个数,n大于等于1。
在上述过程中,在上述公式(1)中增加了坐标点对应的权重值,则当权重值越大时,误差值越小,此时所得到的三次函数的系数越准确。
进而,在得到上述三次函数的系数之后,可以通过下述公式(2)表示上述三次函数:
S302、根据上述坐标点的坐标,确定上述第一车道线的起始点和终点。
一种可选方式中,可以根据上述坐标点的Y坐标,确定上述第一车道线的起始点和终点。
示例性的,上述目标连通域中的多个像素点映射为世界坐标系下的多个坐标点后,每个坐标点由X坐标和Y坐标表示。可以将Y坐标的坐标值最小的一个坐标点作为上述第一车道线的起始点,将Y坐标的坐标值最大的一个坐标点作为上述第一车道线的终点。
示例性的,假设目标连通域中有3个像素点,映射到世界坐标系之后得到3个坐标点,分别为坐标点A(1,2),坐标点B(2,3),坐标点C(2,4),则可以确定坐标点A为第一车道线的起始点,坐标点C为第一车道线的终点。
另一种可选方式中,可以根据上述坐标点的X坐标和Y坐标,确定上述第一车道线的起始点和终点。
示例性的,可以通过对每个坐标点的X坐标和Y坐标进行线性计算,并根据计算结果确定上述第一车道线的起始点和终点。
S303、根据上述三次函数的系数、上述起始点以及上述终点,确定上述第一车道线在世界坐标系下的拟合曲线。
其中,通过上述起始点和上述终点,可以确定当前要拟合的第一车道线的范围,在此基础上,使用确定了系数的三次函数,即可得到上述第一车道线的拟合曲线。
本实施例中,在确定用于进行车道线拟合的三次函数的系数时,将坐标点对应的权重值作为其中一个参数,从而使得权重值大的位置上所得到的三次函数的系数的准确度更高。
在上述实施例的基础上,本实施例涉及根据上述三次函数的系数、上述起始点以及上述终点,确定上述第一车道线在世界坐标系下的拟合曲线的一种可选方式。
图4为本公开实施例提供的车道线检测方法实施例三的流程示意图,如图4所示,上述步骤S303包括:
S401、沿Y坐标方向,在上述起始点和上述终点之间,按照预设间隔选择多个Y坐标。
如前所述,上述起始点和上述终点确定了当前要拟合的第一车道线的范围。本步骤中,在该第一车道线的范围内,沿Y方向按照预设间隔选择多个Y坐标。
S402、根据上述多个Y坐标以及上述三次函数的系数,确定上述第一车道线在世界坐标系下的拟合曲线。
如前所述,上述三次函数可以通过上述公式(2)表示,进而,在本步骤中,在选择到多个Y坐标之后,将该Y坐标逐个代入上述公式(2)中的x,从而得到每个Y坐标对应的X坐标。即将该Y坐标作为自变量,将X坐标作为因变量从而拟合出上述第一车道线在世界坐标系下的拟合曲线。
另一实施例中,在根据所述坐标点的坐标以及所述坐标点对应的权重值进行曲线拟合,得到所述第一车道线在世界坐标系下的拟合曲线之前,即在上述步骤S203之前,还包括:
根据上述坐标点与车辆的距离,确定上述坐标点对应的权重值。
在本实施例中,可以首先获取车辆在世界坐标系下的坐标。示例性的,在车辆行驶过程中,可以认为车辆在世界坐标系下的坐标为坐标原点。进而,计算上述坐标点的坐标与车辆的坐标之间的坐标距离。进而,可以基于预设的转换关系,将该坐标距离转换为坐标点对应的实际位置与车辆所在位置之间的实际距离。该实际距离即为本实施例所述的坐标点与车辆的距离。
可选的,一个坐标点对应的权重值,由该坐标点和车辆之间的距离来确定。可选的,坐标点和车辆之间的距离与权重值之间可以具有预设的对应关系。示例性的,该对应关系可以以映射表的形式来表示。
假设上述对应关系以映射表的形式表示,则该映射表中保存坐标点和车辆之间的距离与权重值之间的对应关系,或者,该映射表中保存坐标点和车辆之间的距离所处的取值范围与权重值之间的对应关系。
其中,距离与权重值之间的对应关系,或者距离所处的取值范围与权重值之间的对应关系,可以预先通过统计或训练的方式得到。
在一种可选的实施方式中,上述坐标点对应的权重值与该坐标点与车辆的距离成反比。
可选的,对于一个坐标点,如果其与车辆的距离越小,则其对应的权重值越大。反之,如果其与车辆的距离越大,则其对应的权重值越小。
如前所述,坐标点对应的权重值越大,则误差值越小,此时所得到的三次函数的系数越准确。车辆在行驶过程中,是由近及远行驶,因此,距离车辆越近的车道线越准确,就越有利于进行车辆行驶中的控制操作。因此,本实施例中,权重值与距离成反比,即距离车辆越近的坐标点的权重值越大,这样的处理可以使得距离车辆越近的车道线拟合结果精确度更高,从而保证车辆行驶中的安全。
在上述实施例的基础上,本实施例涉及对目标连通域中的像素点进行坐标映射,得到目标连通域中的像素点在世界坐标系下对应的坐标点的方法。
即,上述步骤S202包括:
使用预设的单应矩阵(Homography matrix),对所述目标连通域中的像素点进行坐标映射,得到所述目标连通域中的像素点在世界坐标系下对应的坐标点。
可选的,单应矩阵可以应用不同平面或者同一平面的不同视角之间的坐标变换,即用于标识不同平面的坐标之间或者同一平面的不同视角的坐标之间的映射关系。
本实施例中,该单应矩阵用于标识不同平面的坐标之间的映射关系。
可选的,在使用上述预设的单应矩阵对目标连通域中的像素点进行坐标映射时,可以将该目标连通域中的像素点所组成的矩阵与该预设的单应矩阵相乘,所得到的矩阵中的元素即为目标连通域中的像素点在世界坐标系下对应的坐标点。
可选的,上述预设的单应矩阵可以预先获得。
在一种可选的实施方式中,上述预设的单应矩阵可以通过人工测定的方式得到。
在该方式中,可以人为标注一些训练点,获取这些训练点在车载设备所拍摄的平面图像中的坐标以及在世界坐标系下的坐标,进而,通过对这些训练点在车载设备所拍摄的平面图像中的坐标以及在世界坐标系下的坐标进行比较等运算,得到平面坐标系到世界坐标系的映射关系,并根据该映射关系形成上述单应矩阵。
在另一种可选的实施方式中,上述预设的单应矩阵可以通过车辆自标定的方式得到。
该方式可以应用于车辆中的车载设备的角度发生变化等场景。
在该方式中,预先已获知一个已有的从平面坐标系到世界坐标系的单应矩阵。在此基础上,根据车载设备所拍摄的当前视角下的路面图像以及在先视角中的同一个参考点,确定该两个视角下的单应矩阵,进而,根据该两个视角下的单应矩阵以及已有的从平面坐标系到世界坐标系的单应矩阵,可以得到当前视角下的平面坐标系到世界坐标系的单应矩阵。
在上述实施例的基础上,本实施例涉及根据第一车道线概率图确定目标连通域的过程。
图5为本公开实施例提供的车道线检测方法实施例四的流程示意图,如图5所示,上述步骤S201包括:
S501、根据上述路面图像对应的第一车道线概率图,确定至少一个候选连通域。
可选的,可以遍历上述第一车道线概率图中的元素,基于遍历到的元素的概率值可以得到多个连通域,其中的每个连通域可以称为一个候选连通域。
S502、将上述至少一个候选连通域中的最大连通域作为上述目标连通域。
在具体实施过程中,概率图各元素的概率值为对应的像素点属于对应车道线的概率值,因此,概率图中车道线对应的像素点的数数据量最多,其形成的候选连通域也最大,因此,可以将至少一个候选连通域中的最大连通域作为目标连通域。
在上述实施例的基础上,本实施例涉及根据上述路面图像对应的第一车道线概率图,确定至少一个候选连通域的过程。
图6为本公开实施例提供的车道线检测方法实施例五的流程示意图,如图6所示,上述步骤S501包括:
S601、若所述路面图像中的第一像素点在上述第一车道线概率图中的概率值大于预设阈值,则以上述第一像素点为根节点,确定第一连通域。
一种可选方式中,如果上述第一像素点在上述第一车道线概率图中的概率大于预设阈值,则以上述第一像素点为根节点,使用广度优先搜索得到包含上述第一像素点的像素点集合。进而,如果像素点集合中的像素点个数与上述路面图像中的像素点个数的比值大于预设比值,则确定上述像素点集合为所述第一连通域
即在该可选方式中,基于一个概率值大于预设阈值的像素点得到一个像素点集合后,还需要判断该集合中概率值大于预设阈值的像素点的数量是否足够,如果足够,再将该像素点集合作为一个候选连通域。从而可以提升所选择出的候选连通域中的精确度。
S602、更新上述第一像素点,并循环执行步骤S601,直至上述路面图像中不存在上述第一像素点。
可选的,上述步骤S601为循环执行的过程,即通过遍历路面图像中的像素点,得到上述至少一个候选连通域。
在上述实施例的基础上,本实施例涉及将上述至少一个连通域中的最大连通域作为目标连通域的过程。
图7为本公开实施例提供的车道线检测方法实施例六的流程示意图,如图7所示,上述步骤S502包括:
S701、若上述图像中的第二像素点在上述第一车道线概率图中的概率大于预设阈值,并且上述第二像素点不属于上述第一连通域,则以上述第二像素点为根节点,确定第二连通域。
S702、若上述第二连通域大于上述第一连通域,则将上述第二连通域作为当前的最大连通域。
S703、若上述路面图像中不存在新的候选连通域,则将上述当前的最大连通域作为上述目标连通域。
可选的,可以将像素点遍历过程中所确定出的第一个候选连通域作为初始的最大连通域。进而,在像素点遍历过程中,如果基于当前遍历到的像素点所确定出的候选连通域大于当前的最大连通域,则将当前遍历到的像素点所确定出的候选连通域作为新的最大连通域,并继续遍历下一个像素点。
进而,当上述路面图像中不存在新的候选连通域,即不存在可以满足生成候选连通域的条件的像素点时,则停止遍历,此时的最大连通域即为上述目标连通域。
可选的,在上述过程中,判断基于当前遍历到的像素点所确定出的候选连通域是否大于当前的最大连通域时,可以根据该候选连通域和当前的最大连通域所包含的像素点数量来确定,或者,也可以根据该候选连通域所包含的像素点数量与路面图像中像素点数量的比值,以及当前的最大连通域所包含的像素点数量与路面图像中的像素点数量的比值来确定。
以上述根据该候选连通域和当前的最大连通域所包含的像素点数量来确定为例,如果该候选连通域所包含的像素点数量大于当前的最大连通域所包含的像素点数量,则将该候选连通域作为新的最大连通域。
图8为本公开实施例提供的驾驶控制方法的流程图,如图8所示,本实施例的方法可以包括:
S801、获取车道线的拟合曲线,该车道线的拟合曲线采用上述的车道线检测方法得到。
S802、根据上述车道线的拟合曲线对车辆进行驾驶控制。
本实施例的执行主体是驾驶控制装置,本实施例的驾驶控制装置和上述实施例所述的电子设备可以位于同一设备中,也可以单独设备在不同的设备中。其中本实施例的驾驶控制装置与上述的电子设备之间通信连接。
具体的,电子设备执行上述车道线检测方法,获得车道线在世界坐标系下的拟合曲线,并将该拟合曲线输出。驾驶控制装置获取该拟合曲线,并根据车道线的拟合曲线可以获知该车道线在道路中的位置和形状,接着,根据车道线的位置和形状,并结合车辆的驾驶需求进行驾驶。
可选的,上述电子设备不仅可以获得车道线的拟合曲线,并根据拟合曲线的形状和在概率图中的位置,可以标注出该车道线的形状、交通意义和位置等信息,并将这些信息直接输出。
图9为本公开实施例提供的车道线检测装置实施例一的模块结构图,如图9所示,该装置包括:
获取模块901,用于对路面图像进行像素级车道线检测,得到第一车道线概率图;
第一确定模块902,用于根据上述第一车道线概率图,确定所述路面图像中的第一车道线对应的目标连通域,其中,所述目标连通域为所述路面图像中属于所述第一车道线的多个像素点的集合。
第二确定模块903,用于对所述目标连通域中的像素点进行坐标映射,得到所述目标连通域中的像素点在世界坐标系下对应的坐标点。
第三确定模块904,用于根据所述坐标点的坐标以及所述坐标点对应的权重值进行曲线拟合,得到所述第一车道线在世界坐标系下的拟合曲线。
该装置用于实现前述方法实施例中的方法步骤,具体的执行过程可以参照前述方法实施例,此处不再赘述。
在该装置中,由第一确定模块根据路面图像的车道线概率图确定车道线对应的目标连通域,由第二确定模块将将目标连通域映射到世界坐标系下,再由第三确定模块根据世界坐标系下坐标点的坐标以及坐标点的权重值进行曲线拟合,从而得到世界坐标系下车道线的拟合曲线。在复杂的路面环境下,例如车道线完全程度较大、车道线倾斜等路面环境下,通过该装置所拟合出的车道线与真实的车道线的一致性能够得到极大提升,发生偏离真实车道线的概率得到极大降低,因此,该装置能够适应各种复杂的路面环境的车道线检测,使得在复杂路面环境下的车道线检测结果准确率得到极大提升。将该装置应用于自动驾驶领域和辅助驾驶领域时,能够极大降低安全隐患,提升驾驶安全。另外,该装置通过确定目标连通域,并将目标连通域映射到世界坐标系下进行曲线拟合,可以降低曲线拟合的计算量,提高了车道线的检测速度。
一种可选方式中,第三确定模块904具体用于:
根据所述坐标点的坐标以及所述坐标点对应的权重值,进行多次函数曲线拟合,得到所述第一车道线在世界坐标系下的拟合曲线。
图10为本公开实施例提供的车道线检测装置实施例二的模块结构图,如图10所示,第三确定模块904包括:
第一确定单元9041,用于根据所述坐标点的坐标以及所述坐标点对应的权重值,确定所述三次函数的系数。
第二确定单元9042,用于根据所述坐标点的坐标,确定所述第一车道线的起始点和终点。
第三确定单元9043,用于根据所述三次函数的系数、所述起始点以及所述终点,确定所述第一车道线在世界坐标系下的拟合曲线。
在确定用于进行车道线拟合的三次函数的系数时,将坐标点对应的权重值作为其中一个参数,从而使得权重值大的位置上所得到的三次函数的系数的准确度更高。
一种可选方式中,第二确定单元9042具体用于:
根据所述坐标点的Y坐标,确定所述第一车道线的起始点和终点。
一种可选方式中,第三确定单元9043具体用于:
沿Y坐标方向,在所述起始点和所述终点之间,按照预设间隔选择多个Y坐标;
根据所述多个Y坐标以及所述三次函数的系数,确定所述第一车道线在世界坐标系下的拟合曲线。
图11为本公开实施例提供的车道线检测装置实施例三的模块结构图,如图11所示,还包括:
第四确定模块905,用于根据所述坐标点与车辆的距离,确定所述坐标点对应的权重值。
一种可选方式中,所述坐标点对应的权重值与所述坐标点与车辆的距离成反比。
具体实施过程中,坐标点对应的权重值越大,则误差值越小,此时所得到的三次函数的系数越准确。车辆在行驶过程中,是由近及远行驶,因此,距离车辆越近的车道线越准确,就越有利于进行车辆行驶中的控制操作。因此,本实施例中,权重值与距离成反比,即距离车辆越近的坐标点的权重值越大,这样的处理可以使得距离车辆越近的车道线拟合结果精确度更高,从而保证车辆行驶中的安全。
一种可选方式中,第二确定模块903具体用于:
使用预设的单应矩阵,对所述目标连通域中的像素点进行坐标映射,得到所述目标连通域中的像素点在世界坐标系下对应的坐标点。
一种可选方式中,所述单应矩阵通过人工测定的方式得到。
一种可选方式中,所述单应矩阵通过车辆自标定的方式得到。
图12为本公开实施例提供的车道线检测装置实施例四的模块结构图,如图12所示,第一确定模块902包括:
第四确定单元9021,用于根据所述路面图像对应的第一车道线概率图,确定至少一个候选连通域。
第五确定单元9022,用于将所述至少一个候选连通域中的最大连通域作为所述目标连通域。
一种可选方式中,第四确定单元9021具体用于:
步骤A、若所述路面图像中的第一像素点在所述第一车道线概率图中的概率值大于预设阈值,则以所述第一像素点为根节点,确定第一连通域;
步骤B:更新所述第一像素点,并循环执行步骤A,直至所述路面图像中不存在所述第一像素点。
一种可选方式中,第四确定单元9021具体还用于:
以所述第一像素点为根节点,使用广度优先搜索得到包含所述第一像素点的像素点集合;
若所述像素点集合中的像素点个数与所述路面图像中的像素点个数的比值大于预设比值,则确定所述像素点集合为所述第一连通域。
一种可选方式中,第五确定单元9022具体用于:
若所述路面图像中的第二像素点在所述第一车道线概率图中的概率大于预设阈值,并且所述第二像素点不属于所述第一连通域,则以所述第二像素点为根节点,确定第二连通域;
若所述第二连通域大于所述第一连通域,则将所述第二连通域作为当前的最大连通域;
若所述路面图像中不存在新的候选连通域,则将所述当前的最大连通域作为所述目标连通域。
图13为本公开实施例提供的车道线检测装置实施例五的模块结构图,如图13所示,获取模块901包括:
获取单元9011,用于将路面图像输入神经网络以进行像素级车道线检测,得到所述神经网络输出的所述第一车道线概率图,其中,所述神经网络基于训练图像集并采用车道线真值图为监督信息预先训练完成。
图14为本公开实施例提供的驾驶控制装置的模块结构图,如图14所示,该装置14包括:
获取模块1401,用于获取车道线的拟合曲线,所述车道线的拟合曲线采用如上述的车道线检测方法得到。
控制模块1402,用于根据所述车道线的拟合曲线对车辆进行驾驶控制。
该驾驶控制装置通过本公开实施例中前述的方法进行车道线检测,并将由前述方法所得到的车道线的拟合曲线对车辆进行驾驶控制。由于前述的方法能够使得车道线检测结果的准确率得到极大提升,因此,将其用于驾驶控制时,能够降低安全隐患,提升驾驶安全。
图15为本公开实施例提供的电子设备的结构示意图,如图15所示,电子设备15包括:
存储器1501,用于存储计算机程序;
处理器1502,用于执行所述计算机程序,以实现上述车道线检测方法。
该电子设备处理器的具体实现过程以及技术效果可以参照前述方法实施例,此处不再赘述。
图16为本公开实施例提供的驾驶系统的示意图,如图16所示,自动驾驶系统16包括:通信连接的相机17、电子设备15和驾驶控制装置14,其中电子设备15如图15所示,驾驶控制装置14如图14所示,相机17用于拍摄路面图像。
具体的,如图16所示,在具体实施过程中,相机17拍摄路面图像,并将路面图像发送给电子设备15,电子设备15接收到路面图像后,根据上述的车道线检测方法对路面图像进行处理,获得车道线的拟合曲线。进而,电子设备15将获得车道线的拟合曲线发送给驾驶控制装置14,驾驶控制装置14根据车道线的拟合曲线来控制驾驶车辆或机器人。
该自动驾驶系统中包括了前述的驾驶控制装置14以及电子设备15,具体的实现过程以及技术效果可以参照前述驾驶控制装置以及电子设备的实施例,此处不再赘述。
本领域普通技术人员可以理解:实现上述各方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成。前述的程序可以存储于一计算机可读取存储介质中。该程序在执行时,执行包括上述各方法实施例的步骤;而前述的存储介质包括:ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是:以上各实施例仅用以说明本公开的技术方案,而非对其限制;尽管参照前述各实施例对本公开进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本公开各实施例技术方案的范围。
Claims (10)
1.一种车道线检测方法,其特征在于,包括:
对路面图像进行像素级车道线检测,得到第一车道线概率图;
根据所述第一车道线概率图确定所述路面图像中的第一车道线对应的目标连通域,其中,所述目标连通域为所述路面图像中属于所述第一车道线的多个像素点的集合;
对所述目标连通域中的像素点进行坐标映射,得到所述目标连通域中的像素点在世界坐标系下对应的坐标点;
根据所述坐标点的坐标以及所述坐标点对应的权重值进行曲线拟合,得到所述第一车道线在世界坐标系下的拟合曲线。
2.根据权利要求1所述的方法,其特征在于,所述根据所述坐标点的坐标以及所述坐标点对应的权重值进行曲线拟合,得到所述第一车道线在世界坐标系下的拟合曲线,包括:
根据所述坐标点的坐标以及所述坐标点对应的权重值,进行多次函数曲线拟合,得到所述第一车道线在世界坐标系下的拟合曲线。
3.根据权利要求2所述的方法,其特征在于,所述根据所述坐标点的坐标以及所述坐标点对应的权重值,进行多次函数曲线拟合,得到所述第一车道线在世界坐标系下的拟合曲线,包括:
根据所述坐标点的坐标以及所述坐标点对应的权重值,确定三次函数的系数;
根据所述坐标点的坐标,确定所述第一车道线的起始点和终点;
根据所述三次函数的系数、所述起始点以及所述终点,确定所述第一车道线在世界坐标系下的拟合曲线。
4.根据权利要求3所述的方法,其特征在于,所述根据所述坐标点的坐标,确定所述第一车道线的起始点和终点,包括:
根据所述坐标点的Y坐标,确定所述第一车道线的起始点和终点。
5.一种驾驶控制方法,其特征在于,包括:
获取车道线的拟合曲线,所述车道线的拟合曲线采用如权利要求1-4任一项所述的车道线检测方法得到;
根据所述车道线的拟合曲线对车辆或机器人进行驾驶控制。
6.一种车道线检测装置,其特征在于,包括:
获取模块,用于对路面图像进行像素级车道线检测,得到第一车道线概率图;
第一确定模块,用于根据所述第一车道线概率图,确定所述路面图像中的第一车道线对应的目标连通域,其中,所述目标连通域为所述路面图像中属于所述第一车道线的多个像素点的集合;
第二确定模块,用于对所述目标连通域中的像素点进行坐标映射,得到所述目标连通域中的像素点在世界坐标系下对应的坐标点;
第三确定模块,用于根据所述坐标点的坐标以及所述坐标点对应的权重值进行曲线拟合,得到所述第一车道线在世界坐标系下的拟合曲线。
7.一种驾驶控制装置,其特征在于,包括:
获取模块,用于获取车道线的拟合曲线,所述车道线的拟合曲线采用如权利要求1-4任一项所述的车道线检测方法得到;
控制模块,用于根据所述车道线的拟合曲线对车辆进行驾驶控制。
8.一种电子设备,其特征在于,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序,以实现如权利要求1-4中任一项所述的车道线检测方法。
9.一种驾驶系统,其特征在于,包括:通信连接的相机、如权利要求8所述的电子设备和如权利要求7所述的驾驶控制装置,所述相机用于获取路面图像。
10.一种计算机存储介质,其特征在于,所述存储介质中存储计算机程序,所述计算机程序在执行时实现如权利要求1-4中任一项所述的车道线检测方法,以及实现如权利要求5所述的驾驶控制方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910064642.0A CN111476062A (zh) | 2019-01-23 | 2019-01-23 | 车道线检测方法、装置、电子设备及驾驶系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910064642.0A CN111476062A (zh) | 2019-01-23 | 2019-01-23 | 车道线检测方法、装置、电子设备及驾驶系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111476062A true CN111476062A (zh) | 2020-07-31 |
Family
ID=71743381
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910064642.0A Pending CN111476062A (zh) | 2019-01-23 | 2019-01-23 | 车道线检测方法、装置、电子设备及驾驶系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111476062A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112434591A (zh) * | 2020-11-19 | 2021-03-02 | 腾讯科技(深圳)有限公司 | 车道线确定方法、装置 |
CN113011285A (zh) * | 2021-03-02 | 2021-06-22 | 北京三快在线科技有限公司 | 车道线检测方法、装置、自动驾驶车辆及可读存储介质 |
CN113537100A (zh) * | 2021-07-22 | 2021-10-22 | 元橡科技(苏州)有限公司 | 一种车辆辅助驾驶系统、车道线时空拟合的系统和方法、fpga芯片 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101957995A (zh) * | 2010-10-14 | 2011-01-26 | 华中科技大学 | 一种图像中关联像素点的检测提取方法及其应用 |
CN107578002A (zh) * | 2017-08-28 | 2018-01-12 | 沈阳中科创达软件有限公司 | 一种车道线识别结果的监测方法、装置、设备和介质 |
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 |
CN109002795A (zh) * | 2018-07-13 | 2018-12-14 | 清华大学 | 车道线检测方法、装置及电子设备 |
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 |
CN109214334A (zh) * | 2018-09-03 | 2019-01-15 | 百度在线网络技术(北京)有限公司 | 车道线处理方法和装置 |
-
2019
- 2019-01-23 CN CN201910064642.0A patent/CN111476062A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101957995A (zh) * | 2010-10-14 | 2011-01-26 | 华中科技大学 | 一种图像中关联像素点的检测提取方法及其应用 |
CN107578002A (zh) * | 2017-08-28 | 2018-01-12 | 沈阳中科创达软件有限公司 | 一种车道线识别结果的监测方法、装置、设备和介质 |
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 |
CN109002795A (zh) * | 2018-07-13 | 2018-12-14 | 清华大学 | 车道线检测方法、装置及电子设备 |
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 |
CN109214334A (zh) * | 2018-09-03 | 2019-01-15 | 百度在线网络技术(北京)有限公司 | 车道线处理方法和装置 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112434591A (zh) * | 2020-11-19 | 2021-03-02 | 腾讯科技(深圳)有限公司 | 车道线确定方法、装置 |
CN113011285A (zh) * | 2021-03-02 | 2021-06-22 | 北京三快在线科技有限公司 | 车道线检测方法、装置、自动驾驶车辆及可读存储介质 |
CN113537100A (zh) * | 2021-07-22 | 2021-10-22 | 元橡科技(苏州)有限公司 | 一种车辆辅助驾驶系统、车道线时空拟合的系统和方法、fpga芯片 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109074668B (zh) | 路径导航方法、相关装置及计算机可读存储介质 | |
CN107481292B (zh) | 车载摄像头的姿态误差估计方法和装置 | |
CN111191487A (zh) | 车道线的检测及驾驶控制方法、装置和电子设备 | |
CN112912920A (zh) | 用于2d卷积神经网络的点云数据转换方法和系统 | |
CN103714538B (zh) | 道路边缘检测方法、装置及车辆 | |
CN111401146A (zh) | 一种无人机电力巡检方法、设备及存储介质 | |
AU2018286592A1 (en) | Systems and methods for correcting a high-definition map based on detection of obstructing objects | |
CN111241988B (zh) | 一种结合定位信息的大场景内运动目标检测识别方法 | |
CN111091023B (zh) | 一种车辆检测方法、装置及电子设备 | |
CN111476062A (zh) | 车道线检测方法、装置、电子设备及驾驶系统 | |
CN112201078B (zh) | 一种基于图神经网络的自动泊车停车位检测方法 | |
CN109584299B (zh) | 一种定位方法、定位装置、终端及存储介质 | |
CN111460866B (zh) | 车道线检测及驾驶控制方法、装置和电子设备 | |
CN111738033A (zh) | 基于平面分割的车辆行驶信息确定方法及装置、车载终端 | |
CN113408454A (zh) | 一种交通目标检测方法、装置、电子设备及检测系统 | |
CN115578468A (zh) | 外参标定方法、装置、计算机设备、存储介质 | |
CN116109698B (zh) | 目标虚拟车位坐标值的确定方法、装置及存储介质 | |
CN111696147B (zh) | 一种基于改进YOLOv3模型的深度估计方法 | |
CN110880003A (zh) | 一种图像匹配方法、装置、存储介质及汽车 | |
CN113643374B (zh) | 基于道路特征的多目相机标定方法、装置、设备和介质 | |
CN113034538B (zh) | 一种视觉惯导设备的位姿跟踪方法、装置及视觉惯导设备 | |
CN115115530A (zh) | 一种图像去模糊的方法、装置、终端设备及介质 | |
CN113989428A (zh) | 一种基于深度视觉的冶金库区全局三维重建方法及装置 | |
CN113936134A (zh) | 一种目标检测方法及装置 | |
CN108053647A (zh) | 一种智能交通监控系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200731 |
|
RJ01 | Rejection of invention patent application after publication |