CN111860319B - 车道线的确定方法、定位精度的评测方法、装置、设备 - Google Patents

车道线的确定方法、定位精度的评测方法、装置、设备 Download PDF

Info

Publication number
CN111860319B
CN111860319B CN202010700409.XA CN202010700409A CN111860319B CN 111860319 B CN111860319 B CN 111860319B CN 202010700409 A CN202010700409 A CN 202010700409A CN 111860319 B CN111860319 B CN 111860319B
Authority
CN
China
Prior art keywords
line
determining
lane
lane line
lines
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202010700409.XA
Other languages
English (en)
Other versions
CN111860319A (zh
Inventor
杨鹏斌
远财贸
韩丰泽
杨洋
倪菲
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Apollo Intelligent Technology Beijing Co Ltd
Original Assignee
Apollo Intelligent Technology Beijing Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Apollo Intelligent Technology Beijing Co Ltd filed Critical Apollo Intelligent Technology Beijing Co Ltd
Priority to CN202010700409.XA priority Critical patent/CN111860319B/zh
Publication of CN111860319A publication Critical patent/CN111860319A/zh
Priority to EP21164853.0A priority patent/EP3905114A1/en
Priority to KR1020210051111A priority patent/KR102543952B1/ko
Priority to JP2021076362A priority patent/JP7223805B2/ja
Priority to US17/343,100 priority patent/US11328520B2/en
Application granted granted Critical
Publication of CN111860319B publication Critical patent/CN111860319B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
    • B60W30/10—Path keeping
    • B60W30/12—Lane keeping
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
    • B60W40/02—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to ambient conditions
    • B60W40/06—Road conditions
    • B60W40/072—Curvature of the road
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
    • B60W40/02—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to ambient conditions
    • B60W40/06—Road conditions
    • B60W40/076—Slope angle of the road
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/231—Hierarchical techniques, i.e. dividing or merging pattern sets so as to obtain a dendrogram
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2420/00—Indexing codes relating to the type of sensors based on the principle of their operation
    • B60W2420/40—Photo, light or radio wave sensitive means, e.g. infrared sensors
    • B60W2420/403—Image sensing, e.g. optical camera
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2552/00—Input parameters relating to infrastructure
    • B60W2552/30—Road curve radius

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Mechanical Engineering (AREA)
  • Transportation (AREA)
  • Automation & Control Theory (AREA)
  • Mathematical Physics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Analysis (AREA)
  • Traffic Control Systems (AREA)

Abstract

本申请公开了车道线的确定方法、定位精度的评测方法、装置、设备以及存储介质，涉及图像处理领域，尤其涉及自动驾驶、智能交通和计算机视觉等领域。具体实现方案为：在接收到的道路图像中确定线条；对组成所述线条的像素点进行筛选，确定组成车道线的像素点；将所述组成车道线的像素点进行拟合，得到车道线。根据本申请的技术可以克服人工标注的弊端，利用图像识别方法可以对图像采集设备采集到的图像中的车道线进行自动识别。提高了车道线标注的自动化程度。

Description

车道线的确定方法、定位精度的评测方法、装置、设备
技术领域
本申请涉及图像处理领域，尤其涉及自动驾驶、智能交通和计算机视觉等领域。
背景技术
目前的定位评测中，主要使用人工标注车道线的方式获取车道线的真值。具体方案为：在车辆前视图像采集设备采集的图像中，由人工标注出车道线的位置，后续经过测评算法确定出定位精度差异。这种方法需要人工介入，待标注的图片数量巨大，费用高昂，且人工标注时一旦出错难以察觉。
发明内容
本申请提供了一种车道线的确定方法、定位精度的评测方法、装置、设备以及存储介质。
根据本申请的一方面，本申请实施例提供了一种车道线的确定方法，包括以下步骤：
在接收到的道路图像中确定线条；
对组成所述线条的像素点进行筛选，确定组成车道线的像素点；
将所述组成车道线的像素点进行拟合，得到车道线。
根据本申请的另一方面，本申请实施例提供了一种车道线定位精度的评测方法，包括以下步骤：
获取待评测的车道线检测值；
获取车道线真值，所述车道线真值是利用前述车道线的确定方法获得的；
根据所述车道线检测值与所述车道线真值之间的误差，对所述待评测的车道线检测值进行评测。
根据本申请的第三方面，本申请实施例提供了一种车道线的确定装置，包括：
线条确定模块，用于在接收到的道路图像中确定线条；
像素点确定模块，用于对组成所述线条的像素点进行筛选，确定组成车道线的像素点；
像素点拟合模块，用于将所述组成车道线的像素点进行拟合，得到车道线。
根据本申请的第四方面，本申请实施例提供了一种车道线定位精度的评测装置，包括：
车道线检测值获取模块，用于获取待评测的车道线检测值；
车道线真值获取模块，用于获取车道线真值，所述车道线真值是利用前述车道线的确定装置获得的；
测评模块，用于根据所述车道线检测值与所述车道线真值之间的误差，对所述待评测的车道线检测值进行评测。
根据本申请的第五方面，本申请实施例提供一种电子设备，包括：
至少一个处理器；以及
与至少一个处理器通信连接的存储器；其中，
存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行本申请任意一项实施例所提供的方法。
根据本申请的第六方面，本申请实施例提供一种存储有计算机指令的非瞬时计算机可读存储介质，计算机指令用于使计算机执行本申请任意一项实施例所提供的方法。
根据本申请的第七方面，本申请实施例提供一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现如上所述的方法。
应当理解，本部分所描述的内容并非旨在标识本申请的实施例的关键或重要特征，也不用于限制本申请的范围。本申请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是根据本申请车道线的确定方法的流程图；
图2是根据本申请在道路图像中确定线条的流程图；
图3是根据本申请在道路图像中确定线条的示意图；
图4是根据本申请在道路图像中确定线条的流程图；
图5是根据本申请确定线段与边缘的重合部分的流程图；
图6是根据本申请确定组成车道线的像素点的流程图；
图7是根据本申请确定主轴和投影轴的示意图；
图8是根据本申请图像采集设备与目标车辆的示意图；
图9是根据本申请车道线定位精度的评测方法的流程图；
图10是根据本申请车道线检测值与车道线真值之间的误差示意图；
图11是根据本申请车道线的确定装置的示意图；
图12是根据本申请车道线定位精度的评测装置的示意图；
图13是用来实现本申请实施例的车道线的确定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。
如图1所示，在本申请的实施方式中，提供一种车道线的确定方法，包括以下步骤：
S101：在接收到的道路图像中确定线条；
S102：对组成线条的像素点进行筛选，确定组成车道线的像素点；
S103：将组成车道线的像素点进行拟合，得到车道线。
道路图像可以是设置在目标车辆上的图像采集设备采集的，也可以是已有的道路图像样本等。本申请实施例以道路图像是设在车辆上的图像采集设备采集到的为例进行说明。图像采集设备可以分别设置于目标车辆的两侧，以获取到目标车辆两侧的道路图像。
对于各个图像采集设备所采集的图像的处理方式相同，任意择一进行说明。例如，以设置在司机位置侧的图像采集设备所采集到的道路图像为例。
对于接收到的道路图像，首先，可以对其进行预处理，预处理可以包括将道路图像转化为灰度图，利用中值滤波对道路图像中由沥青反光引起的亮点进行过滤处理，并且可以利用高斯滤波对图像进行平滑处理。
对于预处理后的道路图像，可以从中提取出边缘。基于所提取出的边缘，可以确定出边缘中的线段。例如，在边缘为直线的情况下，确定出的线段与边缘重合度较高。在边缘为曲线的情况下，确定出的线段可以是多个较短的线段。可以根据线段与边缘的重合情况确定出道路图像中的线条，线条可能是一条，也可能是多条。
基于图像采集设备的标定参数，利用逆透视变换可以将组成各线条的像素点转换至目标车辆的车辆坐标系下。示例性地，车辆坐标系可以以目标车辆后轴中点为原点，目标车辆前进方向为X轴，Y轴垂直于X轴指向车辆左侧(驾驶员侧)。
可以对各线条的方向进行统计，根据统计结果确定主轴。将与主轴垂直的方向作为像素点投影轴。将组成前述各线条的像素点投影至像素点投影轴。
根据像素点在像素点投影轴上的投影分布结果，可以确定组成车道线的像素点。将确定出的组成车道线的像素点进行拟合，即可确定出车道线。
通过上述方法，可以克服人工标注的弊端，利用图像识别方法可以对图像采集设备采集到的图像中的车道线进行自动识别。提高了车道线标注的自动化程度。
如图2所示，在一种实施方式中，步骤S101包括以下步骤：
S1011：确定道路图像中的边缘；
S1012：根据边缘确定至少一条线段；
S1013：确定至少一条线段中的每条线段与边缘的重合部分，根据重合部分确定线条。
在本实施例中，可以利用边缘检测算法(Canny)对道路图像中的边缘进行检测。由于道路图像中视场内的场景相对干净，往往仅有白色的车道线与黑色的沥青路面背景，故可以直接使用成熟的边缘检测方法获取道路图像中的边缘。
结合图3所示，利用霍夫直线检测确定边缘中的至少一条直线段。示例性地，图3中左侧为道路图像中的边缘示意图，图3中的中间为从边缘中确定的多条线段的示意图，图3中右侧为边缘与线段的叠加示意图。
霍夫直线检测获得的是严格的直线，由于图像中的边缘可能是图3所示的曲线或者非标准直线，因此，可以确定前述至少一条线段中的每条线段与边缘的重合部分，将重合部分确定为道路图像中的线条。重合部分所对应的线条可以是直线、曲线等不同线段。
通过上述方案，基于图像检测技术即可确定出道路图像中的线条。由于线条是车道线的组成，因此准确的确定出道路图像中的线条，可以为后续确定车道线奠定基础。
结合图4所示，在一种实施方式中，步骤S101还包括：
S1014：确定每个重合部分的曲线方程；
S1015：将每个重合部分的曲线方程中的参数进行归一化处理；
S1016：根据归一化处理后的曲线方程所对应的线条进行聚类，得到聚类结果，根据聚类结果确定道路图像中的线条。
在确定出道路图像中重合部分所对应的线条后，即可确定出每个重合部分对应的线条的曲线方程。在当前实施例中，可以以二次曲线方程表示每个重合部分对应的线条。二次曲线方程的表达式可以是y＝ax2+bx+c。其中a为二次项系数，b为一次项系数，c为常数项，x为自变量，y为因变量。
例如对于一条弧度较小的曲线，其二次项系数往往比其常数项小几个数量级。对于这样的数据，通常不能直接使用常规的聚类方法进行处理，需要对数据进行归一化处理。利用归一化后的数据进行聚类。
例如，道路图像中重合部分包括y1、y2、y3共三个线条。
其中，第一线条y1的表达式为y1＝a1x2+b1x+c1；
第二线条y2的表达式为y2＝a2x2+b2x+c2；
第三线条y3的表达式为y3＝a3x2+b3x+c3。
可以分别将上述三个线条抽象为三个点，三个点可以表示为A1、A2、A3。其中，A1可以表示为(a1，b1，c1)，A2可以表示为(a2，b2，c2)，A3可以表示为(a3，b3，c3)，对于线条的聚类可以转换为对点的聚类。
以A1、A2、A3为行向量构成矩阵，记为矩阵A。
计算A1、A2、A3的协方差矩阵，协方差矩阵可以表示为Σ。
对协方差矩阵进行参数归一化处理，参数归一化处理后的结果可以表示为A*。
经过归一化后的点可利用层次聚类进行聚类处理，并将同一类的数据所对应的线条合并为同一线条簇。
合并为同一线条簇后，将不满足预定条件的线条簇删除。预定条件可以是像素点太过集中的线条簇，像素点的数目过少的线条簇，和/或长度过短的线条簇。
像素点太过集中的线条簇可以是指像素点分布不均匀的线条簇，例如像素点集中在某个局部而剩余区域的像素点较为稀疏。像素点的数目过少可以是指线条簇中的像素点数量低于预设数量。长度过短可以是指线条簇的长度短于预设长度。
通过上述方案，利用归一化处理可以实现对于线条聚类，从而提高确定出的线条的精准度。
如图5所示，在一种实施方式中，S1013中确定至少一条线段中的每条线段与边缘的重合部分，包括以下子步骤：
S10131：将至少一条直线段中的每条直线段进行加粗处理；
S10132：将加粗处理后的线段所对应的像素点与边缘所对应的像素点进行逻辑与运算，确定出重合的部分。
由于利用霍夫直线检测确定出是线段，因此可能存在线段与曲线边缘无法完全重合情况，基于此，可以将由霍夫直线检测获得至少一条线段中的每条线段进行加粗处理，得到加粗线段。例如，可以将每条线段拓宽6个像素点。
可以将加粗处理后的线段所对应的像素点与边缘所对应的像素点进行逻辑与运算，从而可以完整确定出重合部分。
通过上述方案，利用对直线段进行加粗处理的方式，可以准确的获取出直线段与边缘的重合部分，即，可以准确的获取出道路图像中的线段，可以为后续确定车道线奠定基础。
如图6所示，在一种实施方式中，步骤S103中的对组成线条的像素点进行筛选，确定组成车道线的像素点，包括以下步骤：
S1031：根据线条的方向确定主轴；
S1032：确定与主轴相垂直的投影轴；
S1033：将组成线条的像素点投影至投影轴上；
S1034：根据在投影轴上的投影结果，确定组成车道线的像素点。
在本步骤中，基于图像采集设备的标定参数，可以利用逆透视变换将组成各线条的像素点转换至目标车辆的车辆坐标系下。目标车辆的车辆坐标系可以是三维坐标系。
结合图7所示，一般情况下，在同一时刻，可以获取到目标车辆车身左右两侧的4个线条，4个线条分别对应车道线的内沿和外沿。实际场景中，图7中的4个线条的实质为像素点的集合。
以车辆坐标系为参照，可以通过对组成线段的像素点进行主成分分析，确定由像素点所组成的线条的主轴。结合图7中的示例，主轴的方向可以理解为根据4个线条的方向确定出的平均方向。
确定主轴后，可以根据垂直关系确定与主轴垂直的投影轴。
在投影轴上确定多个统计区间。例如，统计区间可以以间距10cm为间隔。
可以将组成线条的每个像素点投影到投影轴上，从而确定出投影至每个统计区间中的像素点的数量。根据像素点的数量，对统计区间进行筛选，最终确定出投影至保留下来的统计区间中的像素点为组成车道线的像素点。
筛选方式可以包括：针对任意统计区间，确定统计区间中的像素点数量，在像素点数量少于数量阈值的情况下，可以将投影至该统计区间中的像素点删除；和/或，针对任意统计区间，确定投影至该统计区间中的像素点沿主轴方向分布的长度，在分布的长度低于长度阈值的情况下，可以将投影至该统计区间中的像素点删除。
将通过上述步骤筛选后保留下的像素点作为组成车道线的像素点。
另外，为提高精准度，在投影之前，可以对像素点进行过滤处理。例如，相邻两条车道线的宽度一般为3.75米。基于此，可以将距离目标车辆较远的像素点滤除，例如，可以将距离目标车辆超过2米的像素点滤除。
通过上述方案，在得到线条后，可以根据多个线条的方向确定出主轴。利用该主轴的方向可以最大程度的使得后续投影相对准确，为后续确定出车道线的像素点奠定基础。
在一种实施方式中，道路图像是由图像采集设备所采集的标记有时间戳的图像；
图像采集设备为4个，分别设置于目标车辆的左右两侧，图像采集设备的朝向与目标车辆的行驶方向相垂直；
在步骤S103中，将组成车道线的像素点进行拟合，得到车道线，包括：
根据时间戳，分别将设置于目标车辆左右两侧的图像采集设备所采集到的道路图像中像素点进行拟合，得到车道线。
图像采集设备可以有多个。结合图8所示，在一个较佳的示例中，图像采集设备的数量为4，可以分别设置于目标车的4个车轮的两侧。图像采集设备的朝向可以和目标车辆的行驶方向相垂直。
本实施例中，可以利用时间戳分别对4个图像采集设备所采集的图像加载时间标签。后续进行车道线拟合时，可以基于相同时间戳所对应的道路图像进行拟合，即可得到最终车道线。
由于本申请实施例中图像采集设备分布于车辆两侧，因此为获取到相邻的车道线，需要对每个图像采集设备所采集的道路图像加载时间戳。从而可以根据时间戳，将设置于目标车辆左右两侧的图像采集设备在同一时刻所采集到的道路图像中像素点进行拟合，得到目标车辆左右两侧的车道线。另外，相对于前视图像采集设备，将图像采集设备设置在目标车辆的侧方，可以使得采集到的图像场景有限。因此道路图像中的元素更为简单，不易受道路两侧环境影响。并且道路图像中车道线也不受其他车辆的遮挡，精准度更高。
在一种实施方式中，分别将设置于目标车辆左右两侧的图像采集设备所采集到的道路图像中像素点进行拟合，包括：
根据最小斜率误差，将设置于目标车辆左右两侧的图像采集设备所采集到的道路图像中像素点进行拟合，使得拟合后的目标车辆左右两侧的车道线的斜率误差在允许范围内。
利用以下公式对目标车辆左右两侧的像素点进行拟合，
式中，n可以表示统计区间的数量，i可以表示统计区间的序数；m可以表示统计区间中像素点的数量，j可以表示统计区间中像素点的序数；ki可以表示左侧或者右侧任意一侧车道线的斜率(例如左侧)，对应的，ki+1可以表示与ki相对的另一侧车道线的斜率(即右侧)。xj、yj可以表示第i个区间中第j个像素点的x轴坐标、y轴坐标，bi可以表示(例如左侧车道线的)常数项。
即，一方面，直线的方程是y＝kx+b，因此属于该直线的像素点均满足该直线方程，即，理想情况下(ki*xj+bi)-yj＝0。但实际情况下并非所有像素点都可以满足该直线方程，因此采用最小二乘法拟合直线方程可以最大限度的保留相邻像素点。
另一方面，利用ki和ki+1之间的差值对左右两侧车道线的拟合过程进行约束，使得拟合出的两条车道线是相互平行的。
另外，本申请实施例中采用直线方程对目标车辆左右两侧的像素点进行拟合，这是由于设置在目标车辆同一侧的两个图像采集设备的采集视野一般在4米左右。4米长的车道线用直线方程进行表达，可以在表达准确度以及计算复杂度之间得到较好的平衡。不难理解，还可以用二次项方程、三次项方程等对车道线进行拟合，在此不进行赘述。
通过上述方案，利用相邻两条车道线之间的平行关系对像素点的拟合进行约束，可以使得拟合出的车道线准确度更高。
如图9所示，本申请实施例提供一种车道线定位精度的评测方法，包括以下步骤：
S901：获取待评测的车道线检测值；
S902：获取车道线真值，车道线真值是利用车道线的确定方法获得的；
S903：根据车道线检测值与车道线真值之间的误差，对待评测的车道线检测值进行评测。
在当前实施方式中，可以利用前述车道线的确定方法获得的车道线作为车道线真值。待测评的车道线检测值可以是导航设备或者定位设备等确定出的车道线。
误差可以包括横向差值、航向角差值等。
相关评测方案中常常使用人工标注车道线的方式获取车道线真值，即在车辆前视图像采集设备拍摄的图像中，由人工标注处车道线的位置，再经处理后得到自定位算法评测真值。这种方法需要人工介入，需要标注的图片数量巨大，费用高昂，且人工标注时一旦出错且难以察觉，同时标注周期较长。
本申请实施例中的上述方案能够降低评测成本，保证标注规则的一致性，并且能够快速的生成车道线真值。
在一种实施方式中，步骤S903中的车道线检测值与车道线真值之间的误差的确定方式，包括：
计算车道线检测值与车道线真值之间的横向差值，和/或，计算车道线检测值与车道线真值之间的航向角差值；
将横向差值和/或航向角差值作为误差。
结合图10所示，图10中两条相对较粗的实线表示车道线真值，两条相对较细的实线表示车道线检测值。相对较粗的虚线表示通过车道线真值确定的车道线中心线真值，相对较细的虚线表示通过车道线检测值确定的车道线中心线检测值。
图中Bias1和Bias2分别表示车道线检测值与车道线真值之间的第一横向差值和第二横向差值。如下计算式所示，将第一横向差值和第二横向差值的绝对值求均值计算，得到的结果ΔBias作为车道线检测值与车道线真值之间的横向差值。
ΔBias＝(|Bias1|+|Bias2|)/2
另外，图中Theta1和Theta2分别表示车道线检测值与车道线真值之间的第一航向角差值和第二航向角差值。如下计算式所示，将第一航向角差值和第二航向角差值的绝对值差ΔTheta作为车道线检测值与车道线真值之间的航向角差值。
ΔTheta＝(|Theta1|-|Theta2|)
通过上述方案，利用横向差值和/或航向角差值作为车道线检测值与车道线真值之间的误差，可以实现准确测评。
在一种实施方式中，待评测的车道线检测值是根据高精地图定位算法得到的。
如图11所示，本申请实施例提供一种车道线的确定装置，包括以下组件：
线条确定模块1101，用于在接收到的道路图像中确定线条；
像素点确定模块1102，用于对组成所述线条的像素点进行筛选，确定组成车道线的像素点；
像素点拟合模块1103，用于将所述组成车道线的像素点进行拟合，得到车道线。
在一种实施方式中，线条确定模块1101，包括：
边缘确定子模块，用于确定所述道路图像中的边缘；
线段确定子模块，用于根据所述边缘确定至少一条线段；
线条确定执行子模块，用于确定所述至少一条线段中的每条线段与所述边缘的重合部分，根据所述重合部分确定所述线条。
在一种实施方式中，线条确定模块1101，还包括：
曲线方程确定子模块，用于确定每个所述重合部分的曲线方程；
归一化处理子模块，用于将所述每个重合部分的曲线方程中的参数进行归一化处理；
所述线条确定执行子模块，还用于根据所述归一化处理后的曲线方程所对应的线条进行聚类，得到聚类结果，根据所述聚类结果确定所述道路图像中的线条。
在一种实施方式中，线条确定执行子模块，包括：
线段处理子模块，用于将所述至少一条线段中的每条线段进行加粗处理；
所述线条确定执行子模块具体用于将加粗处理后的线段所对应的像素点与所述边缘所对应的像素点进行逻辑与运算，确定出重合的部分。
在一种实施方式中，像素点确定模块1102，包括：
主轴确定子模块，用于根据所述线条的方向确定主轴；
投影轴确定子模块，用于确定与所述主轴相垂直的投影轴；
像素点投影子模块，用于将组成所述线条的像素点投影至所述投影轴上；
像素点确定执行子模块，用于根据在所述投影轴上的投影结果，确定组成车道线的像素点。
在一种实施方式中，道路图像是由图像采集设备所采集的标记有时间戳的图像；
所述图像采集设备为4个，分别设置于目标车辆的左右两侧，所述图像采集设备的朝向与所述目标车辆的行驶方向相垂直；
所述像素点拟合模块1103具体用于：根据所述时间戳，分别将设置于所述目标车辆左右两侧的图像采集设备所采集到的所述道路图像中所述像素点进行拟合，得到车道线。
在一种实施方式中，像素点拟合模块1103具体用于：
根据最小斜率误差，将设置于目标车辆左右两侧的图像采集设备所采集到的所述道路图像中所述像素点进行拟合，使得拟合后的所述目标车辆左右两侧的车道线的斜率误差在允许范围内。
如图12所示，本申请实施例提供一种车道线定位精度的评测装置，包括以下组件：
车道线检测值获取模块1201，用于获取待评测的车道线检测值；
车道线真值获取模块1202，用于获取车道线真值，所述车道线真值是前述车道线的确定装置获得的；
测评模块1203，用于根据所述车道线检测值与所述车道线真值之间的误差，对所述待评测的车道线检测值进行评测。
在一种实施方式中，测评模块1203包括：
横向差值计算子模块，用于计算所述车道线检测值与所述车道线真值之间的横向差值，和/或
航向角差值计算子模块，用于计算所述车道线检测值与所述车道线真值之间的航向角差值；
将所述横向差值和/或所述航向角差值作为所述车道线检测值与所述车道线真值之间的误差。
在一种实施方式中，待评测的车道线检测值是根据高精地图定位算法得到的。
根据本申请的实施例，本申请还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
如图13所示，是根据本申请实施例的车道线的确定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13所示，该电子设备包括：一个或多个处理器1310、存储器1320，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13中以一个处理器1310为例。
存储器1320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的确定方法。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的确定方法。
存储器1320作为一种非瞬时计算机可读存储介质，可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块，如本申请实施例中的车道线的确定方法对应的程序指令/模块(例如，附图10所示的线条确定模块1001、像素点确定模块1002和像素点拟合模块1003，或图11所示的车道线检测值获取模块1101、车道线真值获取模块1102和测评模块1103)。处理器1310通过运行存储在存储器1320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的确定方法。
存储器1320可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据车道线的确定方法的电子设备的使用所创建的数据等。此外，存储器1320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1320可选包括相对于处理器1310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的确定方法的电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
车道线的确定方法的电子设备还可以包括：输入装置1330和输出装置1340。处理器1310、存储器1320、输入装置1330和输出装置1340可以通过总线或者其他方式连接，图13中以通过总线连接为例。
输入装置1330可接收输入的数字或字符信息，以及产生与车道线的确定方法的电子设备的用户设置以及功能控制有关的键信号输入，例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置1340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。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务中，存在的管理难度大，业务扩展性弱的缺陷。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本申请公开的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本申请保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等，均应包含在本申请保护范围之内。

Claims (21)

1.一种车道线的确定方法，包括：
在接收到的道路图像中确定线条；
对组成所述线条的像素点进行筛选，确定组成车道线的像素点；
将所述组成车道线的像素点进行拟合，得到车道线；
所述在接收到的道路图像中确定线条，包括：
确定所述道路图像中的边缘；
根据所述边缘确定至少一条线段；
确定所述至少一条线段中的每条线段与所述边缘的重合部分，根据所述重合部分确定所述线条。
2.根据权利要求1所述的方法，其中，所述在接收到的道路图像中确定线条，还包括：
确定每个所述重合部分的曲线方程；
将每个所述重合部分的曲线方程中的参数进行归一化处理；
根据所述归一化处理后的曲线方程所对应的线条进行聚类，得到聚类结果，根据所述聚类结果确定所述道路图像中的线条。
3.根据权利要求1所述的方法，其中，所述确定所述至少一条线段中的每条线段与所述边缘的重合部分，包括：
将所述至少一条线段中的每条线段进行加粗处理；
将加粗处理后的线段所对应的像素点与所述边缘所对应的像素点进行逻辑与运算，确定出重合的部分。
4.根据权利要求1所述的方法，其中，所述对组成所述线条的像素点进行筛选，确定组成车道线的像素点，包括：
根据所述线条的方向确定主轴；
确定与所述主轴相垂直的投影轴；
将组成所述线条的像素点投影至所述投影轴上；
根据在所述投影轴上的投影结果，确定组成车道线的像素点。
5.根据权利要求1或4所述的方法，其中，所述道路图像是由图像采集设备所采集的标记有时间戳的图像；
所述图像采集设备为4个，分别设置于目标车辆的左右两侧，所述图像采集设备的朝向与所述目标车辆的行驶方向相垂直；
所述将所述组成车道线的像素点进行拟合，得到车道线，包括：
根据所述时间戳，分别将设置于所述目标车辆左右两侧的图像采集设备所采集到的所述道路图像中所述像素点进行拟合，得到车道线。
6.根据权利要求5所述的方法，所述分别将设置于目标车辆左右两侧的图像采集设备所采集到的所述道路图像中所述像素点进行拟合，包括：
根据最小斜率误差，将设置于目标车辆左右两侧的图像采集设备所采集到的所述道路图像中所述像素点进行拟合，使得拟合后的所述目标车辆左右两侧的车道线的斜率误差在允许范围内。
7.一种车道线定位精度的评测方法，包括：
获取待评测的车道线检测值；
获取车道线真值，所述车道线真值是利用权利要求1至6任一方法获得的；
根据所述车道线检测值与所述车道线真值之间的误差，对所述待评测的车道线检测值进行评测。
8.根据权利要求7所述的方法，其中，所述车道线检测值与所述车道线真值之间的误差的确定方式，包括：
计算所述车道线检测值与所述车道线真值之间的横向差值，和/或
计算所述车道线检测值与所述车道线真值之间的航向角差值；
将所述横向差值和/或所述航向角差值作为所述车道线检测值与所述车道线真值之间的误差。
9.根据权利要求7或8所述的方法，其中，所述待评测的车道线检测值是根据高精地图定位算法得到的。
10.一种车道线的确定装置，包括：
线条确定模块，用于在接收到的道路图像中确定线条；
像素点确定模块，用于对组成所述线条的像素点进行筛选，确定组成车道线的像素点；
像素点拟合模块，用于将所述组成车道线的像素点进行拟合，得到车道线；
所述线条确定模块，包括：
边缘确定子模块，用于确定所述道路图像中的边缘；
线段确定子模块，用于根据所述边缘确定至少一条线段；
线条确定执行子模块，用于确定所述至少一条线段中的每条线段与所述边缘的重合部分，根据所述重合部分确定所述线条。
11.根据权利要求10所述的装置，其中，所述线条确定模块，还包括：
曲线方程确定子模块，用于确定每个所述重合部分的曲线方程；
归一化处理子模块，用于将每个所述重合部分的曲线方程中的参数进行归一化处理；
所述线条确定执行子模块，还用于根据所述归一化处理后的曲线方程所对应的线条进行聚类，得到聚类结果，根据所述聚类结果确定所述道路图像中的线条。
12.根据权利要求10所述的装置，其中，所述线条确定执行子模块，包括：
线段处理子模块，用于将所述至少一条线段中的每条线段进行加粗处理；
所述线条确定执行子模块具体用于将加粗处理后的线段所对应的像素点与所述边缘所对应的像素点进行逻辑与运算，确定出重合的部分。
13.根据权利要求10所述的装置，其中，所述像素点确定模块，包括：
主轴确定子模块，用于根据所述线条的方向确定主轴；
投影轴确定子模块，用于确定与所述主轴相垂直的投影轴；
像素点投影子模块，用于将组成所述线条的像素点投影至所述投影轴上；
像素点确定执行子模块，用于根据在所述投影轴上的投影结果，确定组成车道线的像素点。
14.根据权利要求10或13所述的装置，其中，所述道路图像是由图像采集设备所采集的标记有时间戳的图像；
所述图像采集设备为4个，分别设置于目标车辆的左右两侧，所述图像采集设备的朝向与所述目标车辆的行驶方向相垂直；
所述像素点拟合模块具体用于：根据所述时间戳，分别将设置于所述目标车辆左右两侧的图像采集设备所采集到的所述道路图像中所述像素点进行拟合，得到车道线。
15.根据权利要求14所述的装置，其中，所述像素点拟合模块具体用于：
根据最小斜率误差，将设置于目标车辆左右两侧的图像采集设备所采集到的所述道路图像中所述像素点进行拟合，使得拟合后的所述目标车辆左右两侧的车道线的斜率误差在允许范围内。
16.一种车道线定位精度的评测装置，包括：
车道线检测值获取模块，用于获取待评测的车道线检测值；
车道线真值获取模块，用于获取车道线真值，所述车道线真值是利用权利要求10至15任一装置获得的；
测评模块，用于根据所述车道线检测值与所述车道线真值之间的误差，对所述待评测的车道线检测值进行评测。
17.根据权利要求16所述的装置，其中，所述测评模块，包括：
横向差值计算子模块，用于计算所述车道线检测值与所述车道线真值之间的横向差值，和/或
航向角差值计算子模块，用于计算所述车道线检测值与所述车道线真值之间的航向角差值；
将所述横向差值和/或所述航向角差值作为所述车道线检测值与所述车道线真值之间的误差。
18.根据权利要求16或17所述的装置，其中，所述待评测的车道线检测值是根据高精地图定位算法得到的。
19.一种电子设备，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至9中任一项所述的方法。
20.一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至9中任一项所述的方法。
21.一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据权利要求1至9中任一项所述的方法。
CN202010700409.XA 2020-07-20 2020-07-20 车道线的确定方法、定位精度的评测方法、装置、设备 Active CN111860319B (zh)

Priority Applications (5)

Application Number Priority Date Filing Date Title
CN202010700409.XA CN111860319B (zh) 2020-07-20 2020-07-20 车道线的确定方法、定位精度的评测方法、装置、设备
EP21164853.0A EP3905114A1 (en) 2020-07-20 2021-03-25 Lane line determination method and apparatus, lane line positioning accuracy evaluation method and apparatus, and device
KR1020210051111A KR102543952B1 (ko) 2020-07-20 2021-04-20 차선의 확정방법, 포지셔닝 정밀도의 평가방법, 장치, 기기 및 컴퓨터 프로그램
JP2021076362A JP7223805B2 (ja) 2020-07-20 2021-04-28 車線の決定方法、車線測位精度の評価方法、車線の決定装置、車線測位精度の評価装置、電子デバイス、コンピュータ可読記憶媒体、及びプログラム
US17/343,100 US11328520B2 (en) 2020-07-20 2021-06-09 Lane line determination method and apparatus, lane line positioning accuracy evaluation method and apparatus, and device

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010700409.XA CN111860319B (zh) 2020-07-20 2020-07-20 车道线的确定方法、定位精度的评测方法、装置、设备

Publications (2)

Publication Number Publication Date
CN111860319A CN111860319A (zh) 2020-10-30
CN111860319B true CN111860319B (zh) 2024-03-26

Family

ID=73001823

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010700409.XA Active CN111860319B (zh) 2020-07-20 2020-07-20 车道线的确定方法、定位精度的评测方法、装置、设备

Country Status (5)

Country Link
US (1) US11328520B2 (zh)
EP (1) EP3905114A1 (zh)
JP (1) JP7223805B2 (zh)
KR (1) KR102543952B1 (zh)
CN (1) CN111860319B (zh)

Families Citing this family (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112863194B (zh) * 2021-01-20 2022-08-23 青岛以萨数据技术有限公司 一种图像处理方法、装置、终端及介质
CN112989991A (zh) * 2021-03-09 2021-06-18 贵州京邦达供应链科技有限公司 车道线检测方法及装置、电子设备和计算机可读存储介质
CN113029136B (zh) * 2021-03-12 2024-06-04 北京百度网讯科技有限公司 定位信息处理的方法、设备、存储介质及程序产品
CN113673438A (zh) * 2021-08-23 2021-11-19 上海商汤临港智能科技有限公司 一种碰撞预警的方法、装置、电子设备及存储介质
CN113888568A (zh) * 2021-08-31 2022-01-04 际络科技(上海)有限公司 多车道线优化方法、装置、电子设备、存储介质及程序
US11898868B2 (en) 2021-09-10 2024-02-13 Here Global B.V. System and method for identifying redundant road lane detections
CN114543819B (zh) * 2021-09-16 2024-03-26 北京小米移动软件有限公司 车辆定位方法、装置、电子设备及存储介质
CN114743178B (zh) * 2021-12-29 2024-03-08 北京百度网讯科技有限公司 道路边缘线生成方法、装置、设备及存储介质
CN114120258B (zh) * 2022-01-26 2022-05-03 深圳佑驾创新科技有限公司 一种车道线识别方法、装置及存储介质
CN114475614A (zh) * 2022-03-21 2022-05-13 中国第一汽车股份有限公司 一种危险目标的筛选方法、装置、介质及设备
CN115713750B (zh) * 2023-01-09 2023-04-11 广汽埃安新能源汽车股份有限公司 一种车道线检测方法、装置、电子设备及存储介质
CN117576651B (zh) * 2024-01-18 2024-06-18 合众新能源汽车股份有限公司 一种用于辅助驾驶的车道线拟合方法、系统及车辆

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5987174A (en) * 1995-04-26 1999-11-16 Hitachi, Ltd. Image processing apparatus for vehicles
JP2011243018A (ja) * 2010-05-19 2011-12-01 Kyodo Printing Co Ltd 画像処理システム及び画像処理方法
CN109034047A (zh) * 2018-07-20 2018-12-18 京东方科技集团股份有限公司 一种车道线检测方法及装置
CN109961013A (zh) * 2019-02-21 2019-07-02 杭州飞步科技有限公司 车道线的识别方法、装置、设备及计算机可读存储介质
CN110595494A (zh) * 2019-09-17 2019-12-20 百度在线网络技术（北京）有限公司 地图误差确定方法和装置

Family Cites Families (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS625480A (ja) * 1985-06-29 1987-01-12 Agency Of Ind Science & Technol エッジ検出方法
CN103262139B (zh) * 2010-12-15 2015-06-24 本田技研工业株式会社 行车道识别装置
KR101517181B1 (ko) 2014-02-28 2015-05-04 주식회사 코아로직 차선 이탈 경보 시스템 및 방법
DE102015117535A1 (de) * 2014-10-17 2016-04-21 Hyundai Mobis Co., Ltd. Vorrichtung und Verfahren zur Fahrerassistenz
JP6567659B2 (ja) * 2015-05-07 2019-08-28 株式会社日立製作所 レーン検出装置およびレーン検出方法
JP2018116369A (ja) * 2017-01-16 2018-07-26 株式会社Ｓｏｋｅｎ 車線認識装置
US10699135B2 (en) * 2017-11-20 2020-06-30 Here Global B.V. Automatic localization geometry generator for stripe-shaped objects
US20190241180A1 (en) * 2018-02-07 2019-08-08 Baidu Usa Llc Lane self-localization system using multiple cameras for autonomous driving vehicles
US11087469B2 (en) * 2018-07-12 2021-08-10 Here Global B.V. Method, apparatus, and system for constructing a polyline from line segments
CN109359602B (zh) 2018-10-22 2021-02-26 长沙智能驾驶研究院有限公司 车道线检测方法和装置
US10976747B2 (en) * 2018-10-29 2021-04-13 Here Global B.V. Method and apparatus for generating a representation of an environment
CN110647877B (zh) 2019-10-30 2022-11-25 武汉中海庭数据技术有限公司 一种基于神经网络的立体交通设施定位纠偏方法及装置
CN111178150B (zh) 2019-12-09 2023-05-09 安徽奇点智能新能源汽车有限公司 车道线检测方法、系统及存储介质
CN111080684B (zh) 2019-12-12 2023-11-17 哈尔滨工程大学 一种点邻域尺度差异描述的点云配准方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5987174A (en) * 1995-04-26 1999-11-16 Hitachi, Ltd. Image processing apparatus for vehicles
JP2011243018A (ja) * 2010-05-19 2011-12-01 Kyodo Printing Co Ltd 画像処理システム及び画像処理方法
CN109034047A (zh) * 2018-07-20 2018-12-18 京东方科技集团股份有限公司 一种车道线检测方法及装置
CN109961013A (zh) * 2019-02-21 2019-07-02 杭州飞步科技有限公司 车道线的识别方法、装置、设备及计算机可读存储介质
CN110595494A (zh) * 2019-09-17 2019-12-20 百度在线网络技术（北京）有限公司 地图误差确定方法和装置

Also Published As

Publication number Publication date
EP3905114A1 (en) 2021-11-03
KR102543952B1 (ko) 2023-06-14
US11328520B2 (en) 2022-05-10
US20210295061A1 (en) 2021-09-23
CN111860319A (zh) 2020-10-30
KR20210052409A (ko) 2021-05-10
JP7223805B2 (ja) 2023-02-16
JP2021119507A (ja) 2021-08-12

Similar Documents

Publication Publication Date Title
CN111860319B (zh) 车道线的确定方法、定位精度的评测方法、装置、设备
US9740967B2 (en) Method and apparatus of determining air quality
CN112150558B (zh) 用于路侧计算设备的障碍物三维位置获取方法及装置
CN111950543B (zh) 一种目标检测方法和装置
US11423659B2 (en) Method, apparatus, electronic device, and storage medium for monitoring an image acquisition device
CN111310840B (zh) 数据融合处理方法、装置、设备和存储介质
CN111523471B (zh) 车辆所在车道的确定方法、装置、设备以及存储介质
CN111612852A (zh) 用于验证相机参数的方法和装置
CN114639079B (zh) 匹配车道线数据的方法、装置、设备和存储介质
CN113091757B (zh) 地图生成方法和装置
CN111767853A (zh) 车道线检测方法和装置
CN111402326A (zh) 障碍物的检测方法、装置、无人车及存储介质
CN112668428A (zh) 车辆变道的检测方法、路侧设备、云控平台和程序产品
CN111523515A (zh) 自动驾驶车辆环境认知能力评价方法、设备及存储介质
CN111666876A (zh) 用于检测障碍物的方法、装置、电子设备和路侧设备
CN110706262A (zh) 图像处理方法、装置、设备及存储介质
CN111597987B (zh) 用于生成信息的方法、装置、设备和存储介质
CN115147809B (zh) 一种障碍物检测方法、装置、设备以及存储介质
CN111353466A (zh) 车道线识别处理方法、设备、存储介质
CN112528932B (zh) 用于优化位置信息的方法、装置、路侧设备和云控平台
CN112528846A (zh) 障碍物检测的测评方法、装置、设备以及存储介质
CN111489433A (zh) 车辆损伤定位的方法、装置、电子设备以及可读存储介质
CN112651983B (zh) 拼接图识别方法、装置、电子设备和存储介质
CN112581526A (zh) 障碍物检测的测评方法、装置、设备以及存储介质
CN111336984A (zh) 障碍物测距方法、装置、设备和介质

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
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20211013

Address after: 105 / F, building 1, No. 10, Shangdi 10th Street, Haidian District, Beijing 100085

Applicant after: Apollo Intelligent Technology (Beijing) Co.,Ltd.

Address before: 2 / F, baidu building, 10 Shangdi 10th Street, Haidian District, Beijing 100085

Applicant before: BEIJING BAIDU NETCOM SCIENCE AND TECHNOLOGY Co.,Ltd.

GR01 Patent grant
GR01 Patent grant