CN111783651A - 路面元素识别方法、装置、电子设备和存储介质 - Google Patents
路面元素识别方法、装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN111783651A CN111783651A CN202010617530.6A CN202010617530A CN111783651A CN 111783651 A CN111783651 A CN 111783651A CN 202010617530 A CN202010617530 A CN 202010617530A CN 111783651 A CN111783651 A CN 111783651A
- Authority
- CN
- China
- Prior art keywords
- road surface
- features
- surface image
- image
- mask information
- 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 37
- 230000015654 memory Effects 0.000 claims description 19
- 230000011218 segmentation Effects 0.000 claims description 14
- 238000000605 extraction Methods 0.000 claims description 13
- 238000011176 pooling Methods 0.000 claims description 3
- 230000004927 fusion Effects 0.000 claims description 2
- 239000000126 substance Substances 0.000 claims description 2
- 239000011800 void material Substances 0.000 claims description 2
- 101100295091 Arabidopsis thaliana NUDT14 gene Proteins 0.000 claims 2
- 238000005516 engineering process Methods 0.000 abstract description 11
- 238000012545 processing Methods 0.000 abstract description 6
- 238000013135 deep learning Methods 0.000 abstract description 3
- 238000012549 training Methods 0.000 description 10
- 239000003086 colorant Substances 0.000 description 7
- 230000006870 function Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000005034 decoration Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 229910003460 diamond Inorganic materials 0.000 description 1
- 239000010432 diamond Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
- G06V10/464—Salient features, e.g. scale invariant feature transforms [SIFT] using a plurality of salient features, e.g. bag-of-words [BoW] representations
-
- 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
- G06V10/56—Extraction of image or video features relating to colour
Abstract
本申请公开了路面元素识别方法、装置、电子设备和存储介质,涉及自动驾驶中的图像处理技术和深度学习技术。具体实现方案为获取路面图像;提取所述路面图像的二值化掩膜信息;提取所述路面图像的几何特征和纹理特征;根据所述二值化掩膜信息、所述几何特征和所述纹理特征识别路面元素。根据本申请的技术提高了对于路面元素识别的准确程度。
Description
技术领域
本申请涉及自动驾驶技术中的图像处理技术和深度学习技术,尤其涉及一种路面元素识别方法、装置、电子设备和存储介质。
背景技术
自动驾驶技术指的是车辆利用传感器采集路面的信息,并根据采集到的信息对车辆进行控制的技术,相关技术中,通过一次操作进行路面元素的识别。
发明内容
本公开提供了一种路面元素识别方法、装置、电子设备和存储介质。
根据本公开的一方面,提供了一种路面元素的识别方法,包括:
获取路面图像;
提取所述路面图像的二值化掩膜信息;
提取所述路面图像的几何特征和纹理特征;
根据所述二值化掩膜信息、所述几何特征和所述纹理特征识别路面元素。
根据本公开的另一方面,提供了一种路面元素的识别装置,包括:
获取模块,用于获取路面图像;
第一提取模块,用于提取所述路面图像的二值化掩膜信息;
第二提取模块,用于提取所述路面图像的几何特征和纹理特征;
识别模块,用于根据所述二值化掩膜信息、所述几何特征和所述纹理特征识别路面元素。
根据本公开的另一方面,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以上所述的方法。
根据本公开的另一方面,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以上所述的方法。
根据本申请的技术提高了对于路面元素识别的准确程度。
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。本公开的其它特征将通过以下的说明书而变得容易理解。
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是根据本申请一实施例中路面元素的识别方法的流程图;
图2是根据本申请一实施例中又一路面元素的识别方法的流程图;
图3是根据本申请一实施例的场景图;
图4是根据本申请一实施例中路面元素的识别装装置的结构图;
图5是用来实现本申请实施例的路面元素的识别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。
本申请提供了一种路面元素的识别方法。
该方法涉及自动驾驶技术,尤其涉及通过图像处理技术以对采集的路面图像中包括的路面元素进行识别,以及通过深度学习技术进行模型训练获得对路面元素进行识别的模型。
如图1所示,在一个实施例中,该方法包括以下步骤:
步骤S101:获取路面图像。
本实施例中的路面元素指的是路面道路标线,例如分隔同向车道的白色实线及虚线、分隔对向车道的黄色实线及虚线、用于指示车道的导向指示线、停止线、人行横道等路面交通标示线。
车辆的自动驾驶过程中,需要利用摄像头等图像传感器采集路面图像,并进一步对路面图像中包括的路面元素进行识别,以进一步根据识别的特征确定路况,从而调整自动驾驶策略。
步骤S102:提取所述路面图像的二值化掩膜信息。
在采集了路面的图像之后,首先将该路面图像进行二值化分割处理,获得二值化掩膜信息(mask),二值化掩膜信息指的是仅包括两种像素的图像,例如可能是仅包括黑色像素和白色像素的图像,当然,实际所使用的像素颜色并不局限于此。
获取了路面图像之后,首先可以对图像进行预处理,以排除图像中可能存在的干扰因素。
例如,采集到的路面图像中可能包括路边的建筑、行人,还可能包括前方或侧向的车辆、路面栏杆、路边植物等特征。实施时,可以根据需要对路面图像进行预处理,以去除采集到的图像中多余的元素,例如,可以根据采集该路面图像的图像传感器的设置角度等因素设定保留范围,仅保留获取到的路面图像中特定的区域。显然,该图像预处理步骤并不是必须的,可以根据需要确定是否对路面图像进行预处理。
一般来说,所获取的路面图像包括两种或三种颜色,一种为路面自身的颜色,例如可能是黑色或灰色,另外两种为路面元素的颜色,一般为白色和黄色。通过将路面图像转换为二值化掩膜信息,将路面元素和道路以不同的颜色区分,能够初步确定路面元素可能存在的区域。
步骤S103:提取所述路面图像的几何特征和纹理特征。
路面图像的几何特征指的是形状特征,而路面元素的纹理特征指的是图像颜色和图像层次等特征。
通过路面图像中对象的几何特征进行识别,能够根据几何特征确定路面图像中的对象是否为路面元素,例如,如果一个对象的几何特征为菱形,则该对象可能为减速标志,如果为长方形,则可能是人行横道、停止线、黄实线或白实线等路面元素。
而对路面图像中的纹理特征进行识别,主要用于识别图像中对象的颜色是否为路面元素的颜色,具体的,一般来说需要识别的颜色为白色和黄色。显然,如果某一地区设置有其他颜色的路面元素,还需要进一步对相应的颜色进行识别。
进一步的,还可以基于纹理特征中的层次特征确定该对象是否位于路面。例如,如果前方的车辆上绘制有作为装饰的菱形图案,如果未对图像的层次进行识别,则可能将该图案识别为减速标志,对自动驾驶的策略造成干扰。
步骤S104:根据所述二值化掩膜信息、所述几何特征和所述纹理特征识别路面元素。
应当理解的是,通过二值化掩膜信息,能够确定路面图像中,具有较高可能性存在路面元素的区域。如果路面图像中的对象的几何特征符合路面元素的几何特征,则说明图像中的该特征有可能是需要进行识别的路面元素。
如果图像中对象的纹理特征符合路面元素的纹理特征,那么说明该对象是路面元素的可能性很高。这样,综合上述信息,如果一个对象位于二值化掩膜信息中很可能存在路面图像的区域,其几何特征和纹理特征均符合路面元素的相关特征,那么该对象很可能是一个路面元素。
这样,综合所获取的二值化掩膜信息、几何特征和纹理特征实现对于路面元素的识别。
本实施例的技术方案通过提取二值化掩膜信息、以及提取图像中的几何特征和纹理特征,能够提高对于图像中路面元素识别的准确程度。
如图2和图3所示,本申请又一实施例提供的路面元素识别方法,包括以下步骤:
步骤S201:获取路面图像。
如图3所示,在获取了路面图像之后,可以通过对路面图像进行采样,并进一步根据采样结果生成二值化掩膜信息、几何特征和纹理特征。
步骤S202:提取所述路面图像的二值化掩膜信息。
可选的,该步骤S202具体包括:
利用第一网络模型通过ASPP模块提取所述路面图像的图像特征,并基于解码器网络获取所述图像特征的二值化掩膜信息。
本实施例的技术方案中,建立一网络模型,该网络模型首先基于ASPP(atrousspatial pyramid pooling,空洞空间卷积池化金字塔)模块提取图像特征,能够获得图像的多尺度信息,计算量也相对较小。
接下来通过decoder(解码器)网络对ASPP模块提取的图像特征进行解码提取,能够提高得到的二值化掩膜信息版的准确性。
步骤S203:提取所述路面图像的几何特征和纹理特征。
如图3所示,提取几何特征和纹理特征的过程中,可以根据分割获得的二值化掩膜信息结合采样结果进行几何特征和纹理特制的提取,有利于提高几何特征和纹理特征提取的准程度。
可选的,在该步骤S203具体包括:
利用第二网络模型提取所述路面图像的几何特征和纹理特征。
第二网络模型为输入为图像,输出为该图像的几何特征和纹理特征的模型。
通过设置该第二网络模型,能够准确有效的提取路面图像的几何特征和纹理特征。
第二网络模型可以通过多任务网络(multi-task)进行模型训练得到,训练过程可以概括为,提供一训练集,该训练集包括多张图片以及该图片的几何特征和纹理特征信息,利用所建立的网络模型提取图片的几何特征和纹理特征,并将提取结果与训练集中提供的几何特征和纹理特征信息进行对比,然后对所网络模型的参数进行调节,直至目标函数收敛,最终可以获得符合要求的第二网络模型。
相对于相关技术中直接训练进行路面元素提取模型,本实施例中分别利用第一网络模型和第二网络模型,每一网络模型需要实现的目标较为简单,因此结果相对准确,同时,训练难度相对较低,有利于节约训练时间,提高训练速度。
步骤S204:融合所述二值化掩膜信息、所述几何特征和所述纹理特征推断路面元素语义信息。
通过二值化掩膜信息,能够确定路面图像中,具有较高可能性存在路面元素的区域。如果路面图像中的对象的几何特征符合路面元素的几何特征,则说明图像中的该特征有可能是需要进行识别的路面元素。
如果图像中对象的纹理特征符合路面元素的纹理特征,那么说明该对象是路面元素的可能性很高。这样,融合上述信息,能够相对准确的推断出路面图像中的路面元素。
步骤S205:根据所述语义信息和所述二值化掩膜信息进行路面元素的实例分割。
在推断出路面元素的语音信息之后,在二值化掩膜信息中的该区域融合ASPP模块提取的图像特征,进行实例分割,从而将路面图像中的对象分割出来。
步骤S206:根据对于路面元素的实例分割结果拟合路面元素,并以矢量格式输出所述路面元素。
最终,根据实例分割结果与电子地图中的路面元素相拟合,例如车道线相拟合,进一步输入矢量化的拟合结果,从而实现对于电子地图中的相关元素的更新。输出的路面元素还可以应用于无人驾驶系统中。通过融合二值化掩膜信息、几何特征和纹理特征,能够相对准确的推断出路面图像中的路面元素。从而为无人驾驶提供较为准确的路面信息。
本申请还提供了一种路面元素的识别装置。
如图4所示,路面元素的识别装置400包括:
获取模块401,用于获取路面图像;
第一提取模块402,用于提取所述路面图像的二值化掩膜信息;
第二提取模块403,用于提取所述路面图像的几何特征和纹理特征;
识别模块404,用于根据所述二值化掩膜信息、所述几何特征和所述纹理特征识别路面元素。
可选的,所述第一提取模块,具体用于利用第一网络模型通过空洞空间卷积池化金字塔ASPP模块提取所述路面图像的图像特征,并基于解码器网络获取所述图像特征的二值化掩膜信息。
可选的,所述第二提取模块,具体用于利用第二网络模型提取所述路面图像的几何特征和纹理特征,所述第二网络模型为输入为路面图像,输出为图像的几何特征和纹理特征的模型。
可选的,所述识别模块404包括:
融合子模块,用于融合所述二值化掩膜信息、所述几何特征和所述纹理特征推断路面元素语义信息;
分割子模块,用于根据所述语义信息和所述二值化掩膜信息进行路面元素的实例分割:
输出子模块,用于根据对于路面元素的实例分割结果拟合路面元素,并以矢量格式输出所述路面元素。
本实施例的路面元素的识别装置能够实现上述路面元素的识别方法实施例的各个步骤,并能实现相同或相似的技术效果,此处不再赘述。
根据本申请的实施例,本申请还提供了一种电子设备和一种可读存储介质。
如图5所示,是根据本申请实施例的路面元素的识别方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本申请的实现。
如图5所示,该电子设备包括:一个或多个处理器501、存储器502,以及用于连接各部件的接口,包括高速接口和低速接口。各个部件利用不同的总线互相连接,并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理,包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如,耦合至接口的显示设备)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5中以一个处理器501为例。
存储器502即为本申请所提供的非瞬时计算机可读存储介质。其中,所述存储器存储有可由至少一个处理器执行的指令,以使所述至少一个处理器执行本申请所提供的路面元素的识别方法。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路面元素的识别方法。
存储器502作为一种非瞬时计算机可读存储介质,可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块,如本申请实施例中的路面元素的识别方法对应的程序指令/模块(例如,附图4所示的获取模块401,用于获取路面图像、分割模块402、提取模块403、识别模块404)。处理器501通过运行存储在存储器502中的非瞬时软件程序、指令以及模块,从而执行服务器的各种功能应用以及数据处理,即实现上述方法实施例中的路面元素的识别方法。
存储器502可以包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需要的应用程序;存储数据区可存储根据电子设备的使用所创建的数据等。此外,存储器502可以包括高速随机存取存储器,还可以包括非瞬时存储器,例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中,存储器502可选包括相对于处理器501远程设置的存储器,这些远程存储器可以通过网络连接至电子设备。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。
路面元素的识别方法的电子设备还可以包括:输入装置503和输出装置504。处理器501、存储器502、输入装置503和输出装置504可以通过总线或者其他方式连接,图5中以通过总线连接为例。
输入装置503可接收输入的数字或字符信息,以及产生与电子设备的用户设置以及功能控制有关的键信号输入,例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置504可以包括显示设备、辅助照明装置(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,通过提取二值化掩膜信息、以及提取图像中的几何特征和纹理特征,能够提高对于图像中路面元素识别的准确程度。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本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 (10)
1.一种路面元素的识别方法,包括:
获取路面图像;
提取所述路面图像的二值化掩膜信息;
提取所述路面图像的几何特征和纹理特征;
根据所述二值化掩膜信息、所述几何特征和所述纹理特征识别路面元素。
2.根据权利要求1所述的方法,其中,所述提取所述路面图像的二值化掩膜信息,包括:
利用第一网络模型通过空洞空间卷积池化金字塔ASPP模块提取所述路面图像的图像特征,并基于解码器网络获取所述图像特征的二值化掩膜信息。
3.根据权利要求2所述的方法,其中,所述提取所述路面图像的几何特征和纹理特征,还包括:
利用第二网络模型提取所述路面图像的几何特征和纹理特征,所述第二网络模型为输入为路面图像输出为路面图像的几何特征和纹理特征的模型。
4.根据权利要求1至3中任一项所述的方法,其中,所述根据所述二值化掩膜信息、所述几何特征和所述纹理特征识别路面元素,包括:
融合所述二值化掩膜信息、所述几何特征和所述纹理特征推断路面元素语义信息;
根据所述语义信息和所述二值化掩膜信息进行路面元素的实例分割:
根据对于路面元素的实例分割结果拟合路面元素,并以矢量格式输出所述路面元素。
5.一种路面元素的识别装置,包括:
获取模块,用于获取路面图像;
第一提取模块,用于提取所述路面图像的二值化掩膜信息;
第二提取模块,用于提取所述路面图像的几何特征和纹理特征;
识别模块,用于根据所述二值化掩膜信息、所述几何特征和所述纹理特征识别路面元素。
6.根据权利要求5所述的装置,其中,所述第一提取模块,具体用于利用第一网络模型通过ASPP模块提取所述路面图像的图像特征,并基于解码器网络获取所述图像特征的二值化掩膜信息。
7.根据权利要求6所述的装置,其中,所述第二提取模块,具体用于利用第二网络模型提取所述路面图像的几何特征和纹理特征,所述第二网络模型为输入为路面图像,输出为路面图像的几何特征和纹理特征的模型。
8.根据权利要求5至8中任一项所述的装置,其中,所述识别模块包括:
融合子模块,用于融合所述二值化掩膜信息、所述几何特征和所述纹理特征推断路面元素语义信息;
分割子模块,用于根据所述语义信息和所述二值化掩膜信息进行路面元素的实例分割:
输出子模块,用于根据对于路面元素的实例分割结果拟合路面元素,并以矢量格式输出所述路面元素。
9.一种电子设备,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1-4中任一项所述的方法。
10.一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1-4中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010617530.6A CN111783651B (zh) | 2020-06-30 | 2020-06-30 | 路面元素识别方法、装置、电子设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010617530.6A CN111783651B (zh) | 2020-06-30 | 2020-06-30 | 路面元素识别方法、装置、电子设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111783651A true CN111783651A (zh) | 2020-10-16 |
CN111783651B CN111783651B (zh) | 2024-01-12 |
Family
ID=72761542
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010617530.6A Active CN111783651B (zh) | 2020-06-30 | 2020-06-30 | 路面元素识别方法、装置、电子设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111783651B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105678777A (zh) * | 2016-01-12 | 2016-06-15 | 武汉大学 | 一种多特征联合的光学卫星影像云与云阴影检测方法 |
CN107665327A (zh) * | 2016-07-29 | 2018-02-06 | 高德软件有限公司 | 一种车道线检测方法及装置 |
CN108805018A (zh) * | 2018-04-27 | 2018-11-13 | 淘然视界(杭州)科技有限公司 | 道路交通标志检测识别方法、电子设备、存储介质及系统 |
CN109448000A (zh) * | 2018-10-10 | 2019-03-08 | 中北大学 | 一种交通指路标志图像的分割方法 |
US20190095722A1 (en) * | 2017-09-28 | 2019-03-28 | Samsung Electronics Co., Ltd. | Method and apparatus for identifying driving lane |
CN109583345A (zh) * | 2018-11-21 | 2019-04-05 | 平安科技(深圳)有限公司 | 道路识别方法、装置、计算机装置及计算机可读存储介质 |
CN110070059A (zh) * | 2019-04-25 | 2019-07-30 | 吉林大学 | 一种基于域迁移的非结构化道路检测方法 |
CN111062309A (zh) * | 2019-12-13 | 2020-04-24 | 吉林大学 | 一种雨天交通标志检测方法、存储介质及系统 |
CN111126154A (zh) * | 2019-11-25 | 2020-05-08 | 北京三快在线科技有限公司 | 路面元素的识别方法、装置、无人驾驶设备和存储介质 |
US20200202533A1 (en) * | 2018-12-24 | 2020-06-25 | Adobe Inc. | Identifying target objects using scale-diverse segmentation neural networks |
-
2020
- 2020-06-30 CN CN202010617530.6A patent/CN111783651B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105678777A (zh) * | 2016-01-12 | 2016-06-15 | 武汉大学 | 一种多特征联合的光学卫星影像云与云阴影检测方法 |
CN107665327A (zh) * | 2016-07-29 | 2018-02-06 | 高德软件有限公司 | 一种车道线检测方法及装置 |
US20190095722A1 (en) * | 2017-09-28 | 2019-03-28 | Samsung Electronics Co., Ltd. | Method and apparatus for identifying driving lane |
CN108805018A (zh) * | 2018-04-27 | 2018-11-13 | 淘然视界(杭州)科技有限公司 | 道路交通标志检测识别方法、电子设备、存储介质及系统 |
CN109448000A (zh) * | 2018-10-10 | 2019-03-08 | 中北大学 | 一种交通指路标志图像的分割方法 |
CN109583345A (zh) * | 2018-11-21 | 2019-04-05 | 平安科技(深圳)有限公司 | 道路识别方法、装置、计算机装置及计算机可读存储介质 |
US20200202533A1 (en) * | 2018-12-24 | 2020-06-25 | Adobe Inc. | Identifying target objects using scale-diverse segmentation neural networks |
CN110070059A (zh) * | 2019-04-25 | 2019-07-30 | 吉林大学 | 一种基于域迁移的非结构化道路检测方法 |
CN111126154A (zh) * | 2019-11-25 | 2020-05-08 | 北京三快在线科技有限公司 | 路面元素的识别方法、装置、无人驾驶设备和存储介质 |
CN111062309A (zh) * | 2019-12-13 | 2020-04-24 | 吉林大学 | 一种雨天交通标志检测方法、存储介质及系统 |
Non-Patent Citations (1)
Title |
---|
鲜开义;杨利萍;周仁彬;梁洪军;蒋鑫;查盛;: "变电站巡检机器人道路语义分割方法及其应用", 科学技术与工程, no. 15 * |
Also Published As
Publication number | Publication date |
---|---|
CN111783651B (zh) | 2024-01-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111709328B (zh) | 车辆跟踪方法、装置及电子设备 | |
WO2019222951A1 (en) | Method and apparatus for computer vision | |
CN111460967B (zh) | 一种违法建筑识别方法、装置、设备及存储介质 | |
CN110595459B (zh) | 车辆定位方法、装置、设备和介质 | |
CN111797187A (zh) | 地图数据的更新方法、装置、电子设备和存储介质 | |
CN111275983A (zh) | 车辆追踪方法、装置、电子设备和计算机可读存储介质 | |
CN111950537B (zh) | 斑马线信息获取方法、地图更新方法、装置及系统 | |
CN111767853B (zh) | 车道线检测方法和装置 | |
CN110675635B (zh) | 相机外参的获取方法、装置、电子设备及存储介质 | |
CN111767831B (zh) | 用于处理图像的方法、装置、设备及存储介质 | |
CN112508003A (zh) | 字符识别处理方法和装置 | |
CN111814637A (zh) | 一种危险驾驶行为识别方法、装置、电子设备及存储介质 | |
CN111488821B (zh) | 用于识别交通信号灯倒计时信息的方法及装置 | |
CN115661522A (zh) | 一种基于视觉语义矢量的车辆导引方法、系统、设备和介质 | |
CN113011298B (zh) | 截断物体样本生成、目标检测方法、路侧设备和云控平台 | |
CN111597986A (zh) | 用于生成信息的方法、装置、设备和存储介质 | |
CN113361303B (zh) | 临时交通标志牌识别方法、装置及设备 | |
CN113297878B (zh) | 道路交叉口识别方法、装置、计算机设备和存储介质 | |
CN111814636A (zh) | 一种安全带检测方法、装置、电子设备及存储介质 | |
CN111783651B (zh) | 路面元素识别方法、装置、电子设备和存储介质 | |
CN111985457A (zh) | 交通设施损坏识别方法、装置、设备和存储介质 | |
CN112036315A (zh) | 字符识别方法、装置、电子设备及存储介质 | |
CN111275827A (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 | |
CN114724113B (zh) | 道路标牌识别方法、自动驾驶方法、装置和设备 | |
CN113742440B (zh) | 道路图像数据处理方法、装置、电子设备及云计算平台 |
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 |