CN111767853A - 车道线检测方法和装置 - Google Patents
车道线检测方法和装置 Download PDFInfo
- Publication number
- CN111767853A CN111767853A CN202010608371.3A CN202010608371A CN111767853A CN 111767853 A CN111767853 A CN 111767853A CN 202010608371 A CN202010608371 A CN 202010608371A CN 111767853 A CN111767853 A CN 111767853A
- Authority
- CN
- China
- Prior art keywords
- lane line
- dotted
- image
- perspective transformation
- detection model
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 161
- 230000009466 transformation Effects 0.000 claims abstract description 105
- 238000012549 training Methods 0.000 claims abstract description 63
- 238000000034 method Methods 0.000 claims abstract description 27
- 230000006870 function Effects 0.000 claims description 59
- 235000004522 Pentaglottis sempervirens Nutrition 0.000 claims description 50
- 240000004050 Pentaglottis sempervirens Species 0.000 claims description 43
- 230000015654 memory Effects 0.000 claims description 17
- 238000002372 labelling Methods 0.000 claims description 13
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 230000009286 beneficial effect Effects 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 7
- 238000004590 computer program Methods 0.000 description 6
- 238000013527 convolutional neural network Methods 0.000 description 6
- 238000000605 extraction Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000013519 translation Methods 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本申请公开了车道线检测方法和装置，涉及自动驾驶领域，该方法的一具体实施方式包括：获取待检测的车道线图像；采用经过训练的透视变换参数估计模型估计待检测的车道线图像的透视变换参数，其中，透视变换参数估计模型基于标注有透视变换参数的样本图像训练得到；根据待检测的车道线图像的透视变换参数，将待检测的车道线图像转换为鸟瞰图；将鸟瞰图输入经过训练的虚线车道线检测模型，得到鸟瞰图中虚线车道线的角点坐标，其中，虚线车道线检测模型基于包含虚线车道线标注信息的鸟瞰图样本训练得到。该实施方式有助于在无法获取到车道线图像的透视变换参数，或获取的车道线图像的透视变换参数不准确的条件下，实现对车道线的准确检测。
Description
技术领域
本申请涉及汽车技术领域，具体涉及自动驾驶技术领域，尤其涉及一种车道线检测方法和装置。
背景技术
高精度地图，通俗来讲就是精度更高、数据维度更多的电子地图。精度更高体现在精确到厘米级别，数据维度更多体现在其包括了除道路信息之外的与交通相关的周围静态信息。车道线是高精地图的重要要素，精准绘制车道线对高精地图极为重要。在高精度地图绘制中，通常是直接获取待检测的车道线图像及所对应的精确的透视变换参数进行车道线检测。
而视觉众包数据路线具有更新快、资金成本小、数据大的特点，是高精地图的一条极具潜力的技术路线。但众包数据质量较低，且包含大量不同类别的自然场景，这对准确检测虚线车道线带来巨大挑战。
发明内容
本申请实施例提供了一种车道线检测方法、装置、设备以及存储介质。
第一方面，本申请实施例提供了一种车道线检测方法，该方法包括：获取待检测的车道线图像；采用经过训练的透视变换参数估计模型估计待检测的车道线图像的透视变换参数，其中，透视变换参数估计模型基于标注有透视变换参数的样本图像训练得到；根据待检测的车道线图像的透视变换参数，将待检测的车道线图像转换为鸟瞰图；将鸟瞰图输入经过训练的虚线车道线检测模型，得到鸟瞰图中虚线车道线的角点坐标，其中，虚线车道线检测模型基于包含虚线车道线标注信息的鸟瞰图样本训练得到。
在一些实施例中，虚线车道线的标注信息包括：虚线车道线的角点的位置标注信息，所述虚线车道线检测模型通过以下方式训练得到：获取包含虚线车道线的标注信息的鸟瞰图样本；基于预设的监督函数对虚线车道线检测模型进行迭代训练，监督函数表征待训练的虚线车道线检测模型对鸟瞰图样本的虚线车道线的角点预测结果与对应的虚线车道线的角点的位置标注信息之间的差异。
在一些实施例中，虚线车道线的角点的位置标注信息和虚线车道线的包围框；虚线车道线检测模型通过以下方式训练得到：获取包含虚线车道线的标注信息的鸟瞰图样本；基于预设的联合监督函数对虚线车道线检测模型进行迭代训练，联合监督函数包括第一监督函数和第二监督函数，第一监督函数表征待训练的虚线车道线检测模型对所述鸟瞰图样本的虚线车道线的角点预测结果与对应的虚线车道线的角点的位置标注信息之间的差异，第二监督函数表征待训练的虚线车道线检测模型对所述鸟瞰图样本的虚线车道线的检测框预测结果与对应的虚线车道线的包围框之间的差异。
在一些实施例中，该方法还包括：对得到的鸟瞰图中虚线车道线的角点坐标进行逆变换，得到车道线图像中的虚线车道线的角点坐标。
在一些实施例中，透视变换参数估计模型基于标注有透视变换参数的样本图像训练得到包括：透视变换参数估计模型基于标注有透视变换参数的样本车道线图像训练得到。
第二方面，本申请实施例提供了一种车道线检测装置，该装置包括：图像获取模块，被配置成获取待检测的车道线图像；参数估计模块，被配置成采用经过训练的透视变换参数估计模型估计待检测的车道线图像的透视变换参数，其中，透视变换参数估计模型基于标注有透视变换参数的样本图像训练得到；图像转换模块，被配置成根据待检测的车道线图像的透视变换参数，将待检测的车道线图像转换为鸟瞰图；角点检测模块，被配置成将鸟瞰图输入经过训练的虚线车道线检测模型，得到鸟瞰图中虚线车道线的角点坐标，其中，虚线车道线检测模型基于包含虚线车道线标注信息的鸟瞰图样本训练得到。
在一些实施例中，虚线车道线的标注信息包括：虚线车道线的角点的位置标注信息，虚线车道线检测模型通过以下方式训练得到：获取包含虚线车道线的标注信息的鸟瞰图样本；基于预设的监督函数对虚线车道线检测模型进行迭代训练，监督函数表征待训练的虚线车道线检测模型对鸟瞰图样本的虚线车道线的角点预测结果与对应的虚线车道线的角点的位置标注信息之间的差异。
在一些实施例中，虚线车道线的角点的位置标注信息和虚线车道线的包围框；虚线车道线检测模型通过以下方式训练得到：获取包含虚线车道线的标注信息的鸟瞰图样本；基于预设的联合监督函数对虚线车道线检测模型进行迭代训练，联合监督函数包括第一监督函数和第二监督函数，第一监督函数表征待训练的虚线车道线检测模型对所述鸟瞰图样本的虚线车道线的角点预测结果与对应的虚线车道线的角点的位置标注信息之间的差异，第二监督函数表征待训练的虚线车道线检测模型对所述鸟瞰图样本的虚线车道线的检测框预测结果与对应的虚线车道线的包围框之间的差异。
在一些实施例中，该装置还包括：逆变换模块，被配置成对得到的鸟瞰图中虚线车道线的角点坐标进行逆变换，得到车道线图像中的虚线车道线的角点坐标
在一些实施例中，透视变换参数估计模型基于标注有透视变换参数的样本图像训练得到包括：透视变换参数估计模型基于标注有透视变换参数的样本车道线图像训练得到。
第三方面，本申请实施例提供了一种电子设备，该电子设备包括一个或多个处理器；存储装置，其上存储有一个或多个程序，当一个或多个程序被该一个或多个处理器执行，使得一个或多个处理器实现如第一方面的任一实施例的车道线检测方法。
第四方面，本申请实施例提供了一种计算机可读介质，其上存储有计算机程序，该程序被处理器执行时实现如第一方面的任一实施例的车道线检测方法。
本申请通过获取待检测的车道线图像；采用经过训练的透视变换参数估计模型估计待检测的车道线图像的透视变换参数，其中，透视变换参数估计模型基于标注有透视变换参数的样本图像训练得到，可以实现在获取待检测的车道线图像时未获取到透视变换参数，即在无法获取到车道线图像的透视变换参数，或获取的车道线图像的透视变换参数不准确的条件下，可根据车道线图像获取较准确的透视变换参数；进一步地，根据待检测的车道线图像的透视变换参数，将待检测的车道线图像转换为鸟瞰图；将鸟瞰图输入经过训练的虚线车道线检测模型，得到鸟瞰图中虚线车道线的点坐标，其中，虚线车道线检测模型基于包含虚线车道线标注信息的鸟瞰图样本训练得到，有效保障了对车道线检测的准确性。
应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其他特征将通过以下的说明书而变得容易理解。
附图说明
图1是本申请可以应用于其中的示例性系统架构图；
图2是根据本申请的车道线检测方法的一个实施例的流程图；
图3是根据本申请的车道线检测方法的一个应用场景的示意图；
图4是根据本申请的车道线检测方法的又一个实施例的流程图；
图5是根据本申请的车道线检测装置的一个实施例的示意图；
图6是适于用来实现本申请实施例的服务器的计算机系统的结构示意图。
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。
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
图1示出了可以应用本申请的车道线检测方法的实施例的示例性系统架构100。
如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如图像识别类应用、图像处理类应用等。
终端设备101、102、103可以是硬件，也可以是软件。当终端设备101、102、103为硬件时，可以是具有显示屏的各种电子设备，包括但不限于。当终端设备101、102、103为软件时，可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块(例如用来提供车道线检测服务)，也可以实现成单个软件或软件模块。在此不做具体限定。
服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103上传的图像(例如，车道线图像)进行识别，确定出车道线图像的透视变换参数，并根据待检测的车道线图像的透视变换参数，将待检测的车道线图像转换为鸟瞰图，将鸟瞰图输入经过训练的虚线车道线检测模型，得到鸟瞰图中虚线车道线的角点坐标。
需要说明的是，本申请实施例所提供的车道线检测方法一般由服务器105执行，相应地，车道线检测装置一般设置于服务器105中。
需要指出的是，服务器105的本地也可以直接存储车道线图像，服务器105可以直接提取本地的车道线图像进行车道线检测，此时，示例性系统架构100可以不包括终端设备101、102、103和网络104。
还需要指出的是，终端设备101、102、103中也可以安装车道线检测类应用，终端设备101、102、103也可以基于车道线图像进行车道线检测，此时，车道线检测方法也可以由终端设备101、102、103执行，相应地，车道线检测装置也可以设置于终端设备101、102、103中。此时，示例性系统架构100也可以不包括服务器105和网络104。
需要说明的是，服务器105可以是硬件，也可以是软件。当服务器105为硬件时，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器。当服务器为软件时，可以实现成多个软件或软件模块(例如用来提供车道线检测服务)，也可以实现成单个软件或软件模块。在此不做具体限定。
应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。
图2示出了可以应用于自动驾驶领域的车道线检测方法的实施例的流程示意图200。车道线检测方法包括以下步骤：
步骤201，获取待检测的车道线图像。
在本实施例中，执行主体(例如，图1中的服务器101或终端设备101、102、103)可以从本地获取待检测的车道线图像，也可以从存储有待检测的车道线图像的终端设备获取待检测的车道线图像，本申请对此不作限定。
需要指出的是，待检测的车道线图像除包括车道线图像外，还包括车道线所处的地域信息及环境信息。
步骤202，采用经过训练的透视变换参数估计模型估计待检测的车道线图像的透视变换参数。
在本实施例中，执行主体在获取到待检测的车道线图像后，可以将待检测的车道线图像输入经过训练的透视变换参数估计模型，以得到待检测的车道线图像的透视变换参数。
其中，透视变换参数用于指示将图像的像素坐标由图像坐标系转换为鸟瞰图坐标系的参数，主要包括捕获当前图像的图像采集设备，例如，相机、摄像机、手机等，在捕获当前图像时相对于鸟瞰图坐标系的偏航角、俯仰角和翻滚角。
具体地，透视变换参数可以是图像采集设备在拍摄当前图像时相对于鸟瞰图坐标系的俯仰角和翻滚角，也可以是图像采集设备在拍摄当前图像时相对于鸟瞰图坐标系的偏航角和俯仰角。本申请对此不作限定。
需要说明的是，由于道路两边的车道线在鸟瞰图中会有明显的形变，较准确的俯仰角和翻滚角可较好地去除这些形变，而偏航角一般沿车道线方向，即使偏航角有变化，生成的鸟瞰图中的车道线也不会有明显的形变，故偏航角不能很好地去除这些形变。因此，通常情况下，透视变换参数为图像采集设备在拍摄当前图像时相对于鸟瞰图坐标系的俯仰角和翻滚角。
此外，透视变换参数估计模型基于标注有透视变换参数的样本图像训练得到。
这里，经过训练的透视变换参数估计模型的网络结构可以包括多种，具体地，透视变换参数估计模型可以包括用于提取图像特征的特征提取网络和用于生成透视变换参数的透视参数提取网络，该透视参数提取网络可以通过卷积组实现，特征提取网络可以包括但不限于如下网络：LeNet、ResNet、MobileNet等。
其中，样本图像可以包括车道线图像，也可以不包括车道线图像，本申请对此不作限定。
在一些可选的方式中，透视变换参数估计模型基于标注有透视变换参数的样本车道线图像训练得到。
在本实现方式中，样本车道线图像可以从预先设立车道线样本图像库中获得。其中，车道线样本图像库中的样本车道线图像可以是采用公开的数据集中的图像，并对图像所对应的透视变换参数进行标注而得到的图像，也可以是从车辆的存储设备中获取车辆的摄像头所采集的图像，并对图像所对应的透视变换参数进行标注而得到的图像。
该方式可有效提升透视变换参数估计模型对车道线图像进行透视变换参数估计的准确性。
步骤203，根据待检测的车道线图像的透视变换参数，将待检测的车道线图像转换为鸟瞰图。
在本实施例中，执行主体在获取到待检测的车道线图像的透视变换参数后，可依据车道线图像的透视变换参数将待检测的车道线图像转换为鸟瞰图，即将图像坐标下的像素的坐标转换为鸟瞰图坐标系下的坐标。
步骤204，将鸟瞰图输入经过训练的虚线车道线检测模型，得到鸟瞰图中虚线车道线的角点坐标。
在本实施例中，执行主体将包含虚线车道线标注信息的鸟瞰图样本输入初始虚线车道线检测模型进行训练，得到训练完成的虚线车道线检测模型。在得到训练完成的虚线车道线检测模型后，执行主体主体将鸟瞰图输入经过训练的虚线车道线检测模型，得到鸟瞰图中虚线车道线的角点坐标。
其中，虚线车道线的角点坐标用于指示虚线车道线的四个角点的坐标。
这里，执行主体可以采用深度卷积神经网络作为初始虚线车道线检测模型，利用包含虚线车道线标注信息的鸟瞰图样本对初始虚线车道线检测模型进行训练。
其中，深度卷积神经网络可以是自行设计的深度卷积神经网络，也可以是当前图像检测领域已取得较好效果的深度卷积神经网络，例如，R-CNN(Region-basedConvolutional Neural Network，基于区域的卷积神经网络)、Faster R-CNN(FasterRegions with Convolutional Neural Network，快速区域卷积神经网络)等。执行主体可直接采用当前已存在的深度卷积神经网络作为初始虚线车道线检测模型，利用包含虚线车道线标注信息的鸟瞰图样本，对初始虚线车道线检测模型进行训练，即对初始虚线车道线检测模型的参数进行微调，以得到训练完成的虚线车道线检测模型。
需要指出的是，执行主体在将包含虚线车道线标注信息的鸟瞰图样本输入初始虚线车道线检测模型进行训练之前，还可以对包含虚线车道线标注信息的鸟瞰图样本执行数据增强操作。这里，数据增强操作包括但不限于图像模糊，图像加躁，光照变换，平移反转。上述数据增强操作可有效提升虚线车道线检测模型在不同环境下的鲁棒性。
在本实施例的一些可选的方式中，虚线车道线检测模型通过以下方式训练得到：获取包含虚线车道线的标注信息的鸟瞰图样本；基于预设的监督函数对所述虚线车道线检测模型进行迭代训练。
在本实现方式中，执行主体可以首先从预设的鸟瞰图样本库中获取包含虚线车道线的标注信息的鸟瞰图样本，其中，虚线车道线的标注信息包括：虚线车道线的角点的位置标注信息。
然后，根据预设的监督函数对虚线车道线检测模型进行迭代训练，直到预设的监督函数满足预设的收敛条件，则得到训练完成的虚线车道线检测模型。
该实现方式通过获取包含虚线车道线的标注信息的鸟瞰图样本；基于预设的监督函数对虚线车道线检测模型进行迭代训练，即将虚线车道线的角点作为监督信号来训练模型，可有效提升模型对车道线角点坐标检测的准确性。
在本实施例的一些可选的方式中，该车道线检测方法还包括：对得到的鸟瞰图中虚线车道线的角点坐标进行逆变换，得到车道线图像中的虚线车道线的角点坐标。
在本实现方式中，执行主体在获取到鸟瞰图中虚线车道线的角点坐标后，可以根据上述车道线图像的透视变换参数，将鸟瞰图中虚线车道线的角点坐标转换为图像坐标系下的坐标以进行进一步的计算。该方式可有助于自动驾驶车辆直接根据图像坐标系下的车道线角点坐标执行后续操作。
继续参见图3，图3是根据本实施例的车道线检测方法的应用场景的一个示意图。
在图3的应用场景中，在一个具体的示例中，执行主体301首先从自动驾驶车辆302上的图像采集设备303，例如，相机、摄像头等，获取待检测的车道线图像304。这里，待检测的车道线图像304可以是图像采集设备实时采集的车道线图像，也可以是图像采集设备预先存储的车道线图像。然后，执行主体301将待检测的车道线图像304送入经过训练的透视变换参数估计模型，得到待检测车道线图像304的透视变换参数，例如，图像采集设备相对于鸟瞰图坐标系的俯仰角和翻滚角，进一步地，利用透视变换参数，将待检测的车道线图像转换为鸟瞰图，并将鸟瞰图输入经过训练的车道线检测模型，得到鸟瞰图中虚线车道线的角点坐标。
本公开的实施例提供的车道线检测方法，通过获取待检测的车道线图像；采用经过训练的透视变换参数估计模型估计待检测的车道线图像的透视变换参数，其中，透视变换参数估计模型基于标注有透视变换参数的样本图像训练得到；根据待检测的车道线图像的透视变换参数，将待检测的车道线图像转换为鸟瞰图；将鸟瞰图输入经过训练的虚线车道线检测模型，得到鸟瞰图中虚线车道线的角点坐标，其中，虚线车道线检测模型基于包含虚线车道线标注信息的鸟瞰图样本训练得到，有助于在无法获取到车道线图像的透视变换参数，或获取的车道线图像的透视变换参数不准确的条件下，实现对车道线的准确检测。
进一步参考图4，其示出了图2所示的车道线检测方法实施例中虚线车道线检测模型训练方法的一个实施例的流程400。本实施例中，虚线车道线检测模型训练方法的流程400，可包括以下步骤：
步骤401，获取包含虚线车道线的标注信息的鸟瞰图样本。
在本实施例中，执行主体可以从预设的鸟瞰图样本库中获取包含虚线车道线的标注信息的鸟瞰图样本，其中，虚线车道线的标注信息包括：虚线车道线的角点的位置标注信息和虚线车道线的包围框。
步骤402，基于预设的联合监督函数对虚线车道线检测模型进行迭代训练。
在本实施例中，执行主体可以根据预设的联合监督函数对虚线车道线检测模型进行迭代训练，直到预设的联合监督函数满足预设的收敛条件，则得到训练完成的虚线车道线检测模型。
其中，联合监督函数包括第一监督函数和第二监督函数，第一监督函数表征待训练的虚线车道线检测模型对所述鸟瞰图样本的虚线车道线的角点预测结果与对应的虚线车道线的角点的位置标注信息之间的差异，第二监督函数表征待训练的虚线车道线检测模型对鸟瞰图样本的虚线车道线的检测框预测结果与对应的虚线车道线的包围框之间的差异。
这里，执行主体采用联合监督函数对虚线车道线检测模型进行迭代训练，即虚线车道线检测模型包括两个训练任务：虚线车道线的角点检测任务和虚线车道线的检测框检测任务，并产生两个任务输出。其中，这两个训练任务可以共享特征提取网络模块，同时分别具有虚线车道线的角点检测任务网络模块和虚线车道线的检测框检测任务网络模块，并利用联合监督函数对虚线车道线检测模型进行迭代训练。
具体地，虚线车道线检测模型可以基于Mask R-CNN(Mask Regions withConvolutional Neural Network，掩膜基于区域的卷积神经网络)算法实现。Mask R-CNN继承于Faster R-CNN，在Faster R-CNN上面加了一个Mask PredictionBranch，并且改良了RoI Pooling，提出了RoI Align，是Faster R-CNN和FCN(Fully Convolutional Network，全卷积网络)的结合，同时完成了目标检测、目标分类、像素级目标分割三类任务，具有非常高的精度。Mask R-CNN可设置两个分支以同时完成虚线车道线角点检测和虚线车道线检测框检测两个训练任务，具体地，可将虚线车道线的角点作为Mask R-CNN检测对应的关键点检测分支的监督信号，将虚线车道线的检测框作为物体检测分支的监督信号来训练模型。
本申请的上述实施例，主要描述图2所示的车道线检测方法实施例中虚线车道线检测模型的训练过程。该实施例通过获取包含虚线车道线的标注信息的鸟瞰图样本；基于预设的联合监督函数对虚线车道线检测模型进行迭代训练，即采用多任务的监督学习对模型进行训练，相比于单一任务训练模型的方法，两个相关联的虚线车道线的角点检测和虚线车道线的检测框检测任务可以相互促进，其中，虚线车道线的检测框的检测任务将有助于虚线车道线的角点检测的准确率的提升，同时有助于虚线车道线的角点检测训练任务的收敛速度的提升。
进一步参考图5，作为对上述各图所示方法的实现，本申请提供了一种车道线检测装置的一个实施例，该装置实施例与图1所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图5所示，本实施例的人体关键点识别装置500包括：图像获取模块501、参数估计模块502、图像转换模块503和角点检测模块。
其中，图像获取模块501，可被配置成获取待检测的车道线图像。
参数估计模块502，可被配置成采用经过训练的透视变换参数估计模型估计待检测的车道线图像的透视变换参数，其中，透视变换参数估计模型基于标注有透视变换参数的样本图像训练得到。
图像转换模块503，可被配置成根据待检测的车道线图像的透视变换参数，将待检测的车道线图像转换为鸟瞰图。
角点检测模块504，可被配置成将鸟瞰图输入经过训练的虚线车道线检测模型，得到鸟瞰图中虚线车道线的角点坐标，其中，虚线车道线检测模型基于包含虚线车道线标注信息的鸟瞰图样本训练得到。
在本实施例的一些可选的方式中，虚线车道线的标注信息包括：虚线车道线的角点的位置标注信息，虚线车道线检测模型通过以下方式训练得到：获取包含虚线车道线的标注信息的鸟瞰图样本；基于预设的监督函数对虚线车道线检测模型进行迭代训练，监督函数表征待训练的虚线车道线检测模型对所述鸟瞰图样本的虚线车道线的角点预测结果与对应的虚线车道线的角点的位置标注信息之间的差异。。
在本实施例的一些可选的方式中，虚线车道线的标注信息包括：虚线车道线的角点的位置标注信息和虚线车道线的包围框；虚线车道线检测模型通过以下方式训练得到：获取包含虚线车道线的标注信息的鸟瞰图样本；基于预设的联合监督函数对所述虚线车道线检测模型进行迭代训练，联合监督函数包括第一监督函数和第二监督函数，第一监督函数表征待训练的虚线车道线检测模型对所述鸟瞰图样本的虚线车道线的角点预测结果与对应的虚线车道线的角点的位置标注信息之间的差异，第二监督函数表征待训练的虚线车道线检测模型对鸟瞰图样本的虚线车道线的检测框预测结果与对应的虚线车道线的包围框之间的差异。
在本实施例的一些可选的方式中，该装置还包括：逆变换模块，可被配置成对得到的鸟瞰图中虚线车道线的角点坐标进行逆变换，得到车道线图像中的虚线车道线的角点坐标。
在本实施例的一些可选的方式中，透视变换参数估计模型基于标注有透视变换参数的样本图像训练得到，包括：采用标注有透视变换参数的样本车道线图像训练所述透视变换参数估计模型。
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6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。
600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6所示，该电子设备包括：一个或多个处理器601、存储器602，以及用于连接各部件的接口，包括高速接口和低速接口。各个部件利用不同的总线互相连接，并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理，包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如，耦合至接口的显示设备)上显示GUI的图形信息的指令。在其它实施方式中，若需要，可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样，可以连接多个电子设备，各个设备提供部分必要的操作(例如，作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图6中以一个处理器601为例。
存储器602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602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人体关键点识别方法对应的程序指令/模块(例如，附图5所示的图像获取模块501、参数估计模块502、图像转换模块503和角点检测模块504)。处理器601通过运行存储在存储器602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602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；存储数据区可存储人脸跟踪的电子设备的使用所创建的数据等。此外，存储器602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602可选包括相对于处理器601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603和输出装置604。处理器601、存储器602、输入装置603和输出装置604可以通过总线或者其他方式连接，图6中以通过总线连接为例。
输入装置603可接收输入的数字或字符信息，以及产生与车道线检测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604可以包括显示设备、辅助照明装置(例如，LED)和触觉反馈装置(例如，振动电机)等。该显示设备可以包括但不限于，液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中，显示设备可以是触摸屏。
此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、专用ASIC(专用集成电路)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令，并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的，术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如，磁盘、光盘、存储器、可编程逻辑装置(PLD))，包括，接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。
根据本申请实施例的技术方案，可在获取的车道线图像采集设备的相关参数不准确的条件下，实现对车道线的准确检测。
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，本发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，所述方法包括：
获取待检测的车道线图像；
采用经过训练的透视变换参数估计模型估计所述待检测的车道线图像的透视变换参数，其中，所述透视变换参数估计模型基于标注有透视变换参数的样本图像训练得到；
根据所述待检测的车道线图像的透视变换参数，将所述待检测的车道线图像转换为鸟瞰图；
将所述鸟瞰图输入经过训练的虚线车道线检测模型，得到鸟瞰图中虚线车道线的角点坐标，其中，所述虚线车道线检测模型基于包含虚线车道线标注信息的鸟瞰图样本训练得到。
2.根据权利要求1所述的方法，其中，所述虚线车道线的标注信息包括：虚线车道线的角点的位置标注信息，所述虚线车道线检测模型通过以下方式训练得到：
获取包含虚线车道线的标注信息的鸟瞰图样本；
基于预设的监督函数对所述虚线车道线检测模型进行迭代训练，所述监督函数表征待训练的虚线车道线检测模型对所述鸟瞰图样本的虚线车道线的角点预测结果与对应的虚线车道线的角点的位置标注信息之间的差异。
3.根据权利要求1所述的方法，其中，所述虚线车道线的标注信息包括：虚线车道线的角点的位置标注信息和虚线车道线的包围框；所述虚线车道线检测模型通过以下方式训练得到：
获取包含虚线车道线的标注信息的鸟瞰图样本；
基于预设的联合监督函数对所述虚线车道线检测模型进行迭代训练，所述联合监督函数包括第一监督函数和第二监督函数，所述第一监督函数表征待训练的虚线车道线检测模型对所述鸟瞰图样本的虚线车道线的角点预测结果与对应的虚线车道线的角点的位置标注信息之间的差异，所述第二监督函数表征待训练的虚线车道线检测模型对所述鸟瞰图样本的虚线车道线的检测框预测结果与对应的虚线车道线的包围框之间的差异。
4.根据权利要求1所述的方法，所述方法还包括：
对得到的鸟瞰图中虚线车道线的角点坐标进行逆变换，得到车道线图像中的虚线车道线的角点坐标。
5.根据权利要求1所述的方法，其中，所述透视变换参数估计模型基于标注有透视变换参数的样本图像训练得到包括：
所述透视变换参数估计模型基于标注有透视变换参数的样本车道线图像训练得到。
6.一种车道线检测装置，所述装置包括：
图像获取模块，被配置成获取待检测的车道线图像；
参数估计模块，被配置成采用经过训练的透视变换参数估计模型估计所述待检测的车道线图像的透视变换参数，其中，所述透视变换参数估计模型基于标注有透视变换参数的样本图像训练得到；
图像转换模块，被配置成根据所述待检测的车道线图像的透视变换参数，将所述待检测的车道线图像转换为鸟瞰图；
角点检测模块，被配置成将所述鸟瞰图输入经过训练的虚线车道线检测模型，得到鸟瞰图中虚线车道线的角点坐标，其中，所述虚线车道线检测模型基于包含虚线车道线标注信息的鸟瞰图样本训练得到。
7.根据权利要求6所述的装置，其中，其中，所述虚线车道线的标注信息包括：虚线车道线的角点的位置标注信息，所述虚线车道线检测模型通过以下方式训练得到：
获取包含虚线车道线的标注信息的鸟瞰图样本；
基于预设的监督函数对所述虚线车道线检测模型进行迭代训练，所述监督函数表征待训练的虚线车道线检测模型对所述鸟瞰图样本的虚线车道线的角点预测结果与对应的虚线车道线的角点的位置标注信息之间的差异。
8.根据权利要求6所述的装置，其中，所述虚线车道线的标注信息包括：虚线车道线的角点的位置标注信息和虚线车道线的包围框；所述虚线车道线检测模型通过以下方式训练得到：
获取包含虚线车道线的标注信息的鸟瞰图样本；
基于预设的联合监督函数对所述虚线车道线检测模型进行迭代训练，所述联合监督函数包括第一监督函数和第二监督函数，所述第一监督函数表征待训练的虚线车道线检测模型对所述鸟瞰图样本的虚线车道线的角点预测结果与对应的虚线车道线的角点的位置标注信息之间的差异，所述第二监督函数表征待训练的虚线车道线检测模型对所述鸟瞰图样本的虚线车道线的检测框预测结果与对应的虚线车道线的包围框之间的差异。
9.根据权利要求6所述装置，所述装置还包括：
逆变换模块，被配置成对得到的鸟瞰图中虚线车道线的角点坐标进行逆变换，得到车道线图像中的虚线车道线的角点坐标。
10.根据权利要求6所述的装置，其中，所述透视变换参数估计模型基于标注有透视变换参数的样本图像训练得到包括：
所述透视变换参数估计模型基于标注有透视变换参数的样本车道线图像训练得到。
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，以使所述至少一个处理器能够执行权利要求1-5中任一项所述的方法。
12.一种存储有计算机指令的非瞬时计算机可读存储介质，其特征在于，所述计算机指令用于使所述计算机执行权利要求1-5中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010608371.3A CN111767853B (zh) | 2020-06-30 | 2020-06-30 | 车道线检测方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010608371.3A CN111767853B (zh) | 2020-06-30 | 2020-06-30 | 车道线检测方法和装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111767853A true CN111767853A (zh) | 2020-10-13 |
| CN111767853B CN111767853B (zh) | 2024-04-23 |
Family
ID=72724245
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010608371.3A Active CN111767853B (zh) | 2020-06-30 | 2020-06-30 | 车道线检测方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111767853B (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112132829A (zh) * | 2020-10-23 | 2020-12-25 | 北京百度网讯科技有限公司 | 车辆信息的检测方法、装置、电子设备和存储介质 |
| CN112329722A (zh) * | 2020-11-26 | 2021-02-05 | 上海西井信息科技有限公司 | 行车方向检测方法、系统、设备及存储介质 |
| CN114494315A (zh) * | 2021-12-31 | 2022-05-13 | 中铁建华南建设有限公司 | 隧道横断面特征提取方法、装置、设备和存储介质 |
| CN115345321A (zh) * | 2022-10-19 | 2022-11-15 | 小米汽车科技有限公司 | 数据增广方法、装置、电子设备及存储介质 |
| CN116343158A (zh) * | 2023-05-12 | 2023-06-27 | 九识(苏州)智能科技有限公司 | 车道线检测模型的训练方法、装置、设备及存储介质 |
| CN116993637A (zh) * | 2023-07-14 | 2023-11-03 | 禾多科技（北京）有限公司 | 用于车道线检测的图像数据处理方法、装置、设备和介质 |
| WO2024174728A1 (zh) * | 2023-02-21 | 2024-08-29 | 合众新能源汽车股份有限公司 | 基于虚拟相机的多视角鸟瞰图障碍物检测方法及检测系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105426864A (zh) * | 2015-12-04 | 2016-03-23 | 华中科技大学 | 一种基于等距边缘点匹配的多车道线检测方法 |
| US20180129887A1 (en) * | 2016-11-07 | 2018-05-10 | Samsung Electronics Co., Ltd. | Method and apparatus for indicating lane |
| CN109740465A (zh) * | 2018-12-24 | 2019-05-10 | 南京理工大学 | 一种基于实例分割神经网络框架的车道线检测算法 |
| US20190279004A1 (en) * | 2018-03-06 | 2019-09-12 | Phantom AI, Inc. | Lane line reconstruction using future scenes and trajectory |
| CN110399762A (zh) * | 2018-04-24 | 2019-11-01 | 北京四维图新科技股份有限公司 | 一种基于单目图像的车道线检测的方法及装置 |
| CN110929655A (zh) * | 2019-11-27 | 2020-03-27 | 厦门金龙联合汽车工业有限公司 | 一种行驶过程中车道线识别方法、终端设备及存储介质 |
-
2020
- 2020-06-30 CN CN202010608371.3A patent/CN111767853B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105426864A (zh) * | 2015-12-04 | 2016-03-23 | 华中科技大学 | 一种基于等距边缘点匹配的多车道线检测方法 |
| US20180129887A1 (en) * | 2016-11-07 | 2018-05-10 | Samsung Electronics Co., Ltd. | Method and apparatus for indicating lane |
| US20190279004A1 (en) * | 2018-03-06 | 2019-09-12 | Phantom AI, Inc. | Lane line reconstruction using future scenes and trajectory |
| CN110399762A (zh) * | 2018-04-24 | 2019-11-01 | 北京四维图新科技股份有限公司 | 一种基于单目图像的车道线检测的方法及装置 |
| CN109740465A (zh) * | 2018-12-24 | 2019-05-10 | 南京理工大学 | 一种基于实例分割神经网络框架的车道线检测算法 |
| CN110929655A (zh) * | 2019-11-27 | 2020-03-27 | 厦门金龙联合汽车工业有限公司 | 一种行驶过程中车道线识别方法、终端设备及存储介质 |
Non-Patent Citations (2)
| Title |
|---|
| DAN QIAO; XIAOYU WU; TIANTIAN WANG: "A Lane Recognition Based on Line-CNN Network", 《2020 ASIA-PACIFIC CONFERENCE ON IMAGE PROCESSING, ELECTRONICS AND COMPUTERS (IPEC)》, 12 June 2020 (2020-06-12) * |
| 张森;董赞强;陈源;: "基于定向距离变换耦合多粒子滤波器的车道线检测算法", 电子测量与仪器学报, no. 06, 15 June 2020 (2020-06-15) * |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112132829A (zh) * | 2020-10-23 | 2020-12-25 | 北京百度网讯科技有限公司 | 车辆信息的检测方法、装置、电子设备和存储介质 |
| CN112329722A (zh) * | 2020-11-26 | 2021-02-05 | 上海西井信息科技有限公司 | 行车方向检测方法、系统、设备及存储介质 |
| CN114494315A (zh) * | 2021-12-31 | 2022-05-13 | 中铁建华南建设有限公司 | 隧道横断面特征提取方法、装置、设备和存储介质 |
| CN114494315B (zh) * | 2021-12-31 | 2022-11-08 | 中铁建华南建设有限公司 | 隧道横断面特征提取方法、装置、设备和存储介质 |
| CN115345321A (zh) * | 2022-10-19 | 2022-11-15 | 小米汽车科技有限公司 | 数据增广方法、装置、电子设备及存储介质 |
| WO2024174728A1 (zh) * | 2023-02-21 | 2024-08-29 | 合众新能源汽车股份有限公司 | 基于虚拟相机的多视角鸟瞰图障碍物检测方法及检测系统 |
| CN116343158A (zh) * | 2023-05-12 | 2023-06-27 | 九识(苏州)智能科技有限公司 | 车道线检测模型的训练方法、装置、设备及存储介质 |
| CN116343158B (zh) * | 2023-05-12 | 2023-08-15 | 九识(苏州)智能科技有限公司 | 车道线检测模型的训练方法、装置、设备及存储介质 |
| CN116993637A (zh) * | 2023-07-14 | 2023-11-03 | 禾多科技（北京）有限公司 | 用于车道线检测的图像数据处理方法、装置、设备和介质 |
| CN116993637B (zh) * | 2023-07-14 | 2024-03-12 | 禾多科技（北京）有限公司 | 用于车道线检测的图像数据处理方法、装置、设备和介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111767853B (zh) | 2024-04-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111767853B (zh) | 车道线检测方法和装置 | |
| CN110322500B (zh) | 即时定位与地图构建的优化方法及装置、介质和电子设备 | |
| CN111753961B (zh) | 模型训练方法和装置、预测方法和装置 | |
| US20220270289A1 (en) | Method and apparatus for detecting vehicle pose | |
| CN112529073A (zh) | 模型训练方法、姿态估计方法、装置及电子设备 | |
| CN110675635B (zh) | 相机外参的获取方法、装置、电子设备及存储介质 | |
| CN111739005B (zh) | 图像检测方法、装置、电子设备及存储介质 | |
| EP3968266B1 (en) | Obstacle three-dimensional position acquisition method and apparatus for roadside computing device | |
| CN111401251B (zh) | 车道线提取方法、装置、电子设备及计算机可读存储介质 | |
| CN110349212B (zh) | 即时定位与地图构建的优化方法及装置、介质和电子设备 | |
| CN113177472A (zh) | 动态手势识别方法、装置、设备以及存储介质 | |
| CN112581533B (zh) | 定位方法、装置、电子设备及存储介质 | |
| CN111275827B (zh) | 基于边缘的增强现实三维跟踪注册方法、装置和电子设备 | |
| CN112668428A (zh) | 车辆变道的检测方法、路侧设备、云控平台和程序产品 | |
| CN112241716B (zh) | 训练样本的生成方法和装置 | |
| CN111666876A (zh) | 用于检测障碍物的方法、装置、电子设备和路侧设备 | |
| CN115147809A (zh) | 一种障碍物检测方法、装置、设备以及存储介质 | |
| CN113378834A (zh) | 目标检测方法、装置、设备、存储介质以及程序产品 | |
| CN111601013A (zh) | 用于处理视频帧的方法和装置 | |
| CN111652103A (zh) | 室内定位方法、装置、设备以及存储介质 | |
| CN111337898A (zh) | 激光点云的处理方法、装置、设备及存储介质 | |
| CN111191619A (zh) | 车道线虚线段的检测方法、装置、设备和可读存储介质 | |
| CN111612851B (zh) | 用于标定相机的方法、装置、设备以及存储介质 | |
| CN111260722B (zh) | 车辆定位方法、设备及存储介质 | |
| CN110798681B (zh) | 成像设备的监测方法、装置和计算机设备 |
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 |