CN111898540A - 车道线检测方法、装置、计算机设备及计算机可读存储介质 - Google Patents
车道线检测方法、装置、计算机设备及计算机可读存储介质 Download PDFInfo
- Publication number
- CN111898540A CN111898540A CN202010754208.8A CN202010754208A CN111898540A CN 111898540 A CN111898540 A CN 111898540A CN 202010754208 A CN202010754208 A CN 202010754208A CN 111898540 A CN111898540 A CN 111898540A
- Authority
- CN
- China
- Prior art keywords
- image
- lane line
- preset
- channel map
- vehicle
- 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 150
- 230000011218 segmentation Effects 0.000 claims abstract description 102
- 238000000034 method Methods 0.000 claims abstract description 45
- 238000012549 training Methods 0.000 claims description 89
- 230000006870 function Effects 0.000 claims description 24
- 238000004590 computer program Methods 0.000 claims description 19
- 230000003321 amplification Effects 0.000 claims description 10
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 abstract description 11
- 238000010586 diagram Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 230000007246 mechanism Effects 0.000 description 6
- 238000010276 construction Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000003709 image segmentation Methods 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- PCTMTFRHKVHKIS-BMFZQQSSSA-N (1s,3r,4e,6e,8e,10e,12e,14e,16e,18s,19r,20r,21s,25r,27r,30r,31r,33s,35r,37s,38r)-3-[(2r,3s,4s,5s,6r)-4-amino-3,5-dihydroxy-6-methyloxan-2-yl]oxy-19,25,27,30,31,33,35,37-octahydroxy-18,20,21-trimethyl-23-oxo-22,39-dioxabicyclo[33.3.1]nonatriaconta-4,6,8,10 Chemical group C1C=C2C[C@@H](OS(O)(=O)=O)CC[C@]2(C)[C@@H]2[C@@H]1[C@@H]1CC[C@H]([C@H](C)CCCC(C)C)[C@@]1(C)CC2.O[C@H]1[C@@H](N)[C@H](O)[C@@H](C)O[C@H]1O[C@H]1/C=C/C=C/C=C/C=C/C=C/C=C/C=C/[C@H](C)[C@@H](O)[C@@H](C)[C@H](C)OC(=O)C[C@H](O)C[C@H](O)CC[C@@H](O)[C@H](O)C[C@H](O)C[C@](O)(C[C@H](O)[C@H]2C(O)=O)O[C@H]2C1 PCTMTFRHKVHKIS-BMFZQQSSSA-N 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 239000007787 solid Substances 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06V10/56—Extraction of image or video features relating to colour
Abstract
本申请实施例提供了一种基于先验知识的车道线检测方法、装置、计算机设备及计算机可读存储介质。本申请实施例属于图像处理技术领域,通过获取待检测的图像,对图像进行分割以得到图像的RGB三图像通道图,并将图像输入至预设图像检测模型,以得到第一图像通道图,第一图像通道图包括图像中所包含的车道线区域与背景区域,将第一图像通道图与RGB三图像通道图进行拼接,以得到第二图像通道图,将所述第二图像通道图输入至预设车道线分割模型,根据预设车道线分割模型对第二图像通道图进行检测,得到图像中所包含的车道线,由于将车道线及场景道路的先验知识融合到车道线分割模型中,提高车道线分割模型的表征能力,提升了车道线检测的准确性。
Description
技术领域
本申请涉及图像处理技术领域,尤其涉及一种基于先验知识的车道线检测方法、装置、计算机设备及计算机可读存储介质。
背景技术
车道线检测是无人驾驶汽车研究、行车记录仪违法抓拍等领域中重要的组成部分,这些领域十分依赖高精地图,而在高精地图的生产过程中,如何从图像中分割出不同类型的车道线是一个非常重要的环节。
目前大多数车道线检测方法大致分成两类:一类是基于传统图像处理方法,这类方法鲁棒性差,难以应对复杂的现实场景。此外,这类方法也难以区分不同类型的车道线,如白实线和白虚线等。另一类是基于深度学习方法,这类方法直接利用通用的语义分割框架分割出场景图像中的车道线,但是这种方法存在分割精度不高和车道线遗漏等问题。因此,车道线检测传统技术中存在对车道线检测不准确的问题。
发明内容
本申请实施例提供了一种基于先验知识的车道线检测方法、装置、计算机设备及计算机可读存储介质,能够解决传统技术中对对车道线检测不准确的问题。
第一方面,本申请实施例提供了一种基于先验知识的车道线检测方法,所述方法包括:获取待检测的图像;根据预设分割函数对所述图像进行分割,以得到所述图像在RGB色彩模式下所对应的RGB三图像通道图;将所述图像输入至预设图像检测模型,以得到第一图像通道图,所述第一图像通道图包括所述图像中所包含的车道线区域与背景区域;将所述第一图像通道图与所述图像所对应的RGB三图像通道图通过通道扩增进行拼接,以得到第二图像通道图;将所述第二图像通道图输入至预设车道线分割模型;根据所述预设车道线分割模型对所述第二图像通道图进行检测,得到所述图像中所包含的车道线。
第二方面,本申请实施例还提供了一种基于先验知识的车道线检测装置,包括:第一获取单元,用于获取待检测的图像;分割单元,用于根据预设分割函数对所述图像进行分割,以得到所述图像在RGB色彩模式下所对应的RGB三图像通道图;第一输入单元,用于将所述图像输入至预设图像检测模型,以得到第一图像通道图,所述第一图像通道图包括所述图像中所包含的车道线区域与背景区域;拼接单元,用于将所述第一图像通道图与所述图像所对应的RGB三图像通道图通过通道扩增进行拼接,以得到第二图像通道图;第二输入单元,用于将所述第二图像通道图输入至预设车道线分割模型;检测单元,用于根据所述预设车道线分割模型对所述第二图像通道图进行检测,得到所述图像中所包含的车道线。
第三方面,本申请实施例还提供了一种计算机设备,其包括存储器及处理器,所述存储器上存储有计算机程序,所述处理器执行所述计算机程序时实现所述基于先验知识的车道线检测方法的步骤。
第四方面,本申请实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时使所述处理器执行所述基于先验知识的车道线检测方法的步骤。
本申请实施例提供了一种基于先验知识的车道线检测方法、装置、计算机设备及计算机可读存储介质。本申请实施例通过预先将图像输入至预设图像检测模型,以获得车道线本身所属的区域形状信息及场景道路信息,将其作为先验知识融合到通用的车道线分割模型中以对车道线进行检测,以进一步区分车道线的类型,在输出车道线类型时,由于充分结合了车道线和道路结构的先验知识,突出强化了车道线和场景道路等基于先验知识的特征,从而实现结合道路结构的先验知识,对图像中的车道线进行检测,由于这些预先得到的基于先验知识的第一图像通道图可视为一种注意力机制,能够显式地建模图像特征通道间的相关性,提高车道线分割模型的表征能力,从而提升车道线的分割精度和检出率,提高了对车道线检测的准确性。
附图说明
为了更清楚地说明本申请实施例技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的基于先验知识的车道线检测方法的一个流程示意图;
图2为本申请实施例提供的基于先验知识的车道线检测方法中一个子流程的示意图;
图3为本申请实施例提供的基于先验知识的车道线检测方法的另一个子流程示意图;
图4为本申请实施例提供的基于先验知识的车道线检测装置的一个示意性框图;以及
图5为本申请实施例提供的计算机设备的示意性框图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请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申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
应当理解,当在本说明书和所附权利要求书中使用时,术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
请参阅图1,图1为本申请实施例提供的基于先验知识的车道线检测方法的一个流程示意图。如图1所示,该方法包括以下步骤S101-S105:
S101、获取待检测的图像。
S102、根据预设分割函数对所述图像进行分割,以得到所述图像在RGB色彩模式下所对应的RGB三图像通道图。
其中,图像通道为在RGB色彩模式下,指单独的红色、绿色、蓝色部分,即一幅完整的图像,是由红色、绿色及蓝色三个通道组成的,它们共同作用产生了完整的图像,一幅完整的图像,红色、绿色及蓝色三个通道缺一不可。
具体地,在车道线检测中获取的图像,一般是彩色图像,在处理彩色图像时,针对图像在RGB色彩模式下的三通道分离,可以通过函数Opencv或者函数Matlab进行分割。比如,在处理彩色图像时,Opencv split函数的主要功能是把彩色图像分割成RGB三通道,以方便进一步对图像进行处理,比如本申请实施例中的进一步对图像中的车道线进行检测。因此,获取进行车道线检测的图像后,调用预设图像分割函数,以按照预设RGB图像分割方式,对所述图像进行分割,即可得到所述图像在RGB色彩模式下所对应的RGB三图像通道图。
S103、将所述图像输入至预设图像检测模型,以得到第一图像通道图,所述第一图像通道图包括所述图像中所包含的车道线区域与背景区域。
其中,图像检测模型包括车道线检测模型,也可以称为车道线检测算法,包括LanNet模型及H-Net模型等。
具体地,在本申请实施例中,设置了一个预设图像检测模型,该图像检测模型为一个轻量级的车道线检测模型,之所以称为轻量级的车道线检测模型,是由于该预设图像模型仅输出图像中包含的基于先验知识的车道线区域和背景区域两类,而不进行具体车道线类型的区分,该轻量级的车道线检测模型又可以称为基于先验知识的预设图像检测模型,或者称为基于先验知识的车道线检测模型,是一个对所述图像进行预处理以得到基于先验知识的图像特征的图像处理模型。获取待进行车道线检测的图像后,将所述图像输入至预设图像检测模型,即可得到包含所述图像中所包含的车道线区域与背景区域的第一图像通道图,从而获得车道线本身所属的区域形状信息及场景道路信息,后续将其作为先验知识融合到通用的车道线分割模型中以对车道线进行检测,由于充分结合了车道线和道路结构的先验知识,突出强化了车道线和场景道路等基于先验知识的特征,从而实现结合包含车道线和场景道路所对应的道路结构的先验知识,对图像中的车道线进行检测,这些预先得到的基于先验知识的第一图像通道图可视为一种注意力机制,这种机制能够显式地建模图像特征通道间的相关性,提高车道线分割模型的表征能力,从而提升车道线的分割精度和检出率,提高了对车道线检测的准确性。
S104、将所述第一图像通道图与所述RGB三图像通道图通过通道扩增进行拼接,以得到第二图像通道图。
具体地,在对图像进行分割以得到RGB三图像通道图,并在通过预设图像检测模型对所述图像进行检测以得到第一图像通道图后,将所述第一图像通道图与所述RGB三图像通道图通过通道扩增进行拼接,以得到第二图像通道图。例如,若所述RGB三图像通道为ABC,得到的第一图像通道图为D,将ABC三通道进行扩增并和D进行拼接后,得到的第二图像通道图为ABCD。
S105、将所述第二图像通道图输入至预设车道线分割模型。
S106、根据所述预设车道线分割模型对所述第二图像通道图进行检测,得到所述图像中所包含的车道线。
其中,预设车道线分割模型为已有的通用的车道线分割模型,包括上述的LanNet模型及H-Net模型。预设车道线分割模型与得到第一图像通道图的车道线检测模型属于相同性质的模型,可以为相同的模型,也可以为不同的模型,只是预设车道线分割模型与得到第一图像通道图的车道线检测模型各自所起的作用不相同,得到第一图像通道图的车道线检测模型仅输出车道线区域和背景区域两类,,提取的是基于先验知识的车道线所对应的图像特征,并不进行具体车道线类型的区分,而预设车道线分割模型为的通用的车道线分割模型,输出的是具体车道线类型。
具体地,将所述第一图像通道图与所述RGB三图像通道图通过通道扩增进行拼接,以得到第二图像通道图后,将所述第二图像通道图输入至通用的预设车道线分割模型,通过所述预设车道线分割模型对所述第二图像通道图进行检测,从而得到所述图像中所包含的车道线,在输出车道线类型时,由于充分结合了车道线和道路结构的先验知识,突出强化了车道线和场景道路等基于先验知识的特征,从而实现结合道路结构的先验知识,对图像中的车道线进行检测,由于这些预先得到的基于先验知识的第一图像通道图可视为一种注意力机制,能够显式地建模图像特征通道间的相关性,提高车道线分割模型的表征能力,从而提升车道线的分割精度和检出率,提高了对车道线检测的准确性。
本申请实施例通过预先将图像输入至预设图像检测模型,以获得车道线本身所属的区域形状信息及场景道路信息,将其作为先验知识融合到通用的车道线分割模型中以对车道线进行检测,以进一步区分车道线的类型,在输出车道线类型时,由于充分结合了车道线和道路结构的先验知识,突出强化了车道线和场景道路等基于先验知识的特征,从而实现结合道路结构的先验知识,对图像中的车道线进行检测,由于这些预先得到的基于先验知识的第一图像通道图可视为一种注意力机制,能够显式地建模图像特征通道间的相关性,提高车道线分割模型的表征能力,从而提升车道线的分割精度和检出率,提高了对车道线检测的准确性。
请参阅图2,图2为本申请实施例提供的基于先验知识的车道线检测方法中一个子流程的示意图。在该实施例中,所述第一图像通道图还包括所述图像中所包含的车辆在所述图像中的位置所对应的车辆位置信息,所述将所述图像输入至预设图像检测模型,以得到所述第一图像通道图的步骤包括:
S201、将所述图像输入至基于先验知识的预设车道线检测模型,以得到所述图像中所包含的车道线区域与背景区域,其中,所述先验知识包括车道线区域所对应的车道线先验知识,所述车道线先验知识包括所述车道线区域包括细长直线及细长曲线。
其中,先验知识,英文为Prior knowledge,为先于经验的知识。在本申请实施例中,针对车道线的检测,先验知识包括车道线和道路结构各自所对应的先验知识,例如,一般情况下,目前所述车道线区域包括细长直线及细长曲线,所述车道线先验知识也就为所述车道线区域包括细长直线及细长曲线。
具体地,通用的车道线分割模型主要是对图像的每个像素点分类,但对于车道线分割而言,实线和虚线从图像像素点来看是没有差异的,它们的区分也很容易受车辆遮挡的影响,因此,单纯利用通用的分割模型输出车道线的类别往往是不可靠的。而由于车道线的几何结构特征(即车道线的几何形状)十分显著,往往是细长的直线或者曲线,因此,可以将车道线的上述几何结构特征作为车道线所属的道路结构的先验知识。若可以将车道线的形状先验融合到通用的车道线分割模型中,使车道线分割模型能够专注学习细长类型物体的特征(即车道线的先验知识),由于增强了通用的车道线分割模型中对于车道线的细长类型特征的注意力,则可以提高车道线的检出率,因此,在本申请实施例中,提供了一种融合车道线先验知识的车道线分割方法,利用已有的车道线分割数据,训练一个轻量级的车道线分割模型(即本申请实施例中的预设车道线检测模型,为基于车道线先验知识的车道线检测模型),该车道线检测模型仅输出车道线区域和背景区域两类,而不进行具体车道线类型的区分,利用预设车道线检测模型分割出图像中的车道线区域,或者直接输出车道线概率图,即判断图像数据中所包含的图案为车道线分割线的可能性,从而实现利用车道线的先验知识对图像进行判断。因此,获取待检测的图像后,将所述图像输入至基于先验知识的预设车道线检测模型,可以得到所述图像中所包含的车道线区域与背景区域,其中,所述先验知识包括车道线区域所对应的车道线先验知识。
S202、将所述图像输入至预设车辆检测模型,以得到所述图像中所包含的车辆在所述图像中的位置所对应的车辆位置信息。
其中,车辆检测模型为目标物体检测模型,可以使用OpenCV和Python构建车辆检测模型,也可以使用已有的车辆检测模型,例如,基于keras框架实现车辆识别模型。
具体地,获得待检测车道线的图像后,检测出所述图像中包含的车辆,以得到所述图像中所包含的车辆在所述图像中的位置所对应的车辆位置信息,即使用车辆检测模型检测原始场景图像中所包含的车辆,获取原始场景图像中的车辆位置。由于辆位置信息在无人驾驶或者行车记录仪违法抓拍领等车道线检测应用场景较为容易获得,因此,本申请实施例也并未增加计算机设备的计算量,从而在智慧城市的建设中,比如智慧城市建设中包含的智慧城管、智慧物流及智慧交通等场景中提高车道线的检测准确性和检测效率,从而促进智慧城市的建设。
S203、将所述车道线区域、所述背景区域及所述车辆位置信息进行组合,以得到第一图像通道图。
具体地,获取到所述车道线区域、所述背景区域及所述车辆位置信息后,将所述车道线区域、所述背景区域及所述车辆位置信息进行组合,以得到包含车道线形状、道路结构及车辆特征的第一图像通道图,从而得到基于先验知识的第一图像通道图,通过第一图像通道图,能够显式地建模图像特征通道间的相关性,提高车道线分割模型的表征能力,从而提升车道线的分割精度和检出率,提高了对车道线检测的准确性。
在一个实施例中,根据所述预设车道线分割模型对所述第二图像通道图进行检测,得到所述图像中所包含的车道线的步骤之后,还包括:
判断所述图像中是否存在车道线;
若所述图像中存在车道线,获取所述车道线的位置信息;
获取所述车辆位置信息;
根据所述车道线的位置信息及所述车辆位置信息,判断所述车道线与所述车辆之间的距离是否小于或者等于预设距离阈值;
若所述车道线与所述车辆之间的距离小于或者等于所述预设距离阈值,按照预设告警方式进行告警提示。
具体地,对所述图像进行检测后,判断所述图像中是否存在车道线,若所述图像中存在车道线,由于在检测车道线的过程中,同时得到了车道线的位置信息,此时获取所述车道线的位置信息,并且由于在图像中检测出了车辆,包含车辆位置信息,获取所述车辆位置信息,就可以根据所述车道线的位置信息及所述车辆位置信息,就可以得到所述车道线与所述车辆之间的距离,进一步判断所述车道线与所述车辆之间的距离是否小于或者等于预设距离阈值,若所述车道线与所述车辆之间的距离小于或者等于所述预设距离阈值,表明车辆距离车道线小较近,很容易造成违章或者影响其它车辆的运行,运行风险比较大,可以按照预设告警方式进行告警提示,例如通过语音进行告警,以提醒驾驶员注意车道线,或者在无人驾驶中,可以对自动驾驶系统进行告警提示,以使自动驾驶系统按照预设策略调整驾驶行为,又或者,在违章抓拍中,可以进行违章提醒等。
请参阅图3,图3为本申请实施例提供的基于先验知识的车道线检测方法的另一个子流程示意图。在该实施例中,所述将所述图像输入至基于先验知识的预设车道线检测模型步骤之前,还包括:
S301、获取训练图像样本,所述图像训练样本包括原始训练图像及所述原始训练图像所对应的标注训练图像,所述标注训练图像中标注有车道线区域和背景区域。
S302、将所述训练图像样本输入至预设车道线检测模型,以对所述预设车道线检测模型进行训练。
具体地,预先利用已有的车道线分割数据作为训练数据训练预设车道线检测模型,训练一个基于先验知识的预设车道线检测模型,以在进行车道线检测时,能够提取待检测图像中的基于先验知识的车道线图像特征,例如车道线区域图像特征和背景区域图像特征两类。即利用已有的车道线分割数据,训练一个基于先验知识的轻量级的车道线分割模型,该基于先验知识的轻量级的车道线分割模型仅输出车道线区域和背景区域两类,而不进行具体车道线类型的区分。利用该轻量级的车道线分割模型分割出训练数据中的车道线区域,或者直接输出概率图,即判断训练数据中所包含图案为分割线的可能性,从而实现利用先验知识对训练图像进行车道线判断。
在进行预设车道线检测模型训练时,将原始训练图像进行标注,可以通过人工标注出车道线区域和背景区域,从而得到原始训练图像所对应的标注训练图像,以使预设车道线检测模型通过将原始训练图像和标注训练图像进行对比,从而进行学习,即获取训练图像样本,所述图像训练样本包括原始训练图像及所述原始训练图像所对应的标注训练图像,所述标注训练图像中标注有车道线区域和背景区域,将所述训练图像样本输入至预设车道线检测模型,预设车道线检测模型通过对原始训练图像和标注训练图像的学习,从而实现对所述预设车道线检测模型进行训练,最终实现基于先验知识的预设车道线检测模型,能够在进行车道线检测时,基于先验知识提取待检测图像中的车道线区域和背景区域。
请继续参阅图3,在该实施例中,在对预设车道线检测模型进行训练后,还需要进一步对后续过程中的通用的预设车道线分割模型进行训练,从而实现对预设车道线检测模型和预设车道线分割模型同时进行训练,才能提高最终的对车道线的检测准确率。因此,将原始训练图像进行标注,以得到标注训练图像时,还需对原始训练图像中的车辆位置及车道线进行标注,从而在得到的所述标注训练图像中还标注有车辆位置及车道线,从而预设车道线分割模型通过对原始训练图像和标注训练图像进行对比学习后,最终实现基于先验知识的车道线分割。因此,所述将所述训练图像样本输入至预设车道线检测模型,以对所述预设车道线检测模型进行训练的步骤之后,还包括:
S303、根据所述预设车道线检测模型,输出所述原始训练图像中所包含的车道线区域与背景区域。
具体地,再对预设车道线检测模型进行训练后,所述预设车道线检测模型输出所述原始训练图像中所包含的车道线区域与背景区域,以使预设车道线分割模型基于输出所述原始训练图像中所包含的车道线区域与背景区域,并结合标注训练图像中的标注进行学习。
S304、将所述训练图像样本输入至所述预设车辆检测模型,以得到所述原始图像中所包含的车辆在所述原始图像中的位置所对应的车辆位置信息。
具体地,为了实现对预设车辆检测模型的训练,对原始训练图像中所包含的车辆进行标注,以得到包含车辆位置的标注训练图像,将所述训练图像样本输入至所述预设车辆检测模型,预设车辆检测模型可以结合原始训练图像和标注训练图像进行学习,以进行车辆识别,并输出所述原始图像中所包含的车辆在所述原始图像中的位置所对应的车辆位置信息,从而实现使用预设车辆检测模型获取原始场景图像中的车辆位置,即检测原始场景图像中车辆所在的位置。
S305、将所述原始训练图像中所包含的车道线区域与背景区域,及所述原始图像中的车辆位置信息组合成所述原始图像所对应的第一图像通道图。
S306、将所述原始图像所对应的第一图像通道图与所述原始图像所对应的RGB图像,及所述标注训练图像,输入至所述预设车道线分割模型,以对所述预设车道线分割模型进行训练。
具体地,将所述原始训练图像中所包含的车道线区域与背景区域,及所述原始图像中的车辆位置信息组合成所述原始图像所对应的第一图像通道图,将所述原始图像所对应的第一图像通道图与所述原始图像所对应的RGB图像,及所述标注训练图像,输入至所述预设车道线分割模型,所述预设车道线分割模型根据所述原始图像所对应的第一图像通道图与所述原始图像所对应的RGB图像,及所述标注训练图像进行对车道线的检测进行学习,从而实现对所述预设车道线分割模型进行训练。
本申请实施例提出的基于先验知识的车道线分割方法是一种基于深度学习模型的方法,在对预设车道线分割模型进行训练的过程中,由于将得到的车道线区域信息(即糅合进先验知识进行车道线区域的识别)、图像背景区域信息和车辆位置信息(上述各部分的信息均包含各自在原始图像中的位置信息)等组合成一个通道图,将其与原始图像通过通道扩增的方式拼接在一起,得到新的输入数据,再训练通用的车道线分割模型,以实现进一步区分车道线的类型,这些预先得到的要素信息可视为一种注意力机制,在通过大量的标注数据的训练后,能够在复杂场景下有效的分割出各种类型的车道线。同时,在搭建车道线分割模型时,由于充分考虑车道线和道路结构的先验知识,并将其编码成一个额外的通道与原始的RGB图像的三通道进行拼接,以形成四通道的输入数据,从而在车道线分割模型中结合进道路结构的先验知识,输入到通用的车道线分割模型中对所述通用的车道线分割模型进行训练,能够显式地建模图像特征通道间的相关性,提高车道线分割模型的表征能力,从而提升车道线的分割精度和检出率,提高了对车道线检测的准确性。
在一个实施例中,所述根据预设分割函数对所述图像进行分割,以得到所述图像在RGB色彩模式下所对应的RGB三图像通道图的步骤之前,还包括:
获取所述图像所包含的像素值;
根据所述像素值,判断所述图像是否为彩色图像;
若所述图像为彩色图像,执行所述根据预设分割函数对所述图像进行分割,以得到所述图像在RGB色彩模式下所对应的RGB三图像通道图的步骤。
具体地,在对图像进行分割前,先判断获取的待检测图像是否为彩色图像,若所述图像为彩色图像,所述根据预设分割函数对所述图像进行分割,以得到所述图像在RGB色彩模式下所对应的RGB三图像通道图,若所述图像不为彩色图像,无需对待检测图像进行处理。通过检测所述图像是否为彩色图像,在图像不为彩色图像的情形下,可以避免进行冗余的图像处理,从而节省计算资源,尤其对于大量图像的处理,可以从整体上提高对图像的处理效率,提高对图像的处理性能,从而提高对车道线检测的质量和效率。进一步地,判断待检测图像是否为彩色图像,可以通过根据图像的像素点对图像进行检测,例如,可以在获取图像的像素点后,通过判断图像中的其中一个像素点,由于彩色图一般都是RGB组合成的,格式是3*3的矩阵,而黑白图像的像素点是通过一个固定的公式转换来的,转换后的像素点是1*3的矩阵,因此可以通过判断其中一个像素点所对应的矩阵类型,来区分所述图像是彩色还是黑白。也可以通过遍历所述图像的像素值RGB值,若RGB值均为是0或255的就是黑白图像,从而实现对图像色彩类型的识别。
需要说明的是,上述各个实施例所述的基于先验知识的车道线检测方法,可以根据需要将不同实施例中包含的技术特征重新进行组合,以获取组合后的实施方案,但都在本申请要求的保护范围之内。
请参阅图4,图4为本申请实施例提供的基于先验知识的车道线检测装置的一个示意性框图。对应于上述所述基于先验知识的车道线检测方法,本申请实施例还提供一种基于先验知识的车道线检测装置。如图4所示,该基于先验知识的车道线检测装置包括用于执行上述所述基于先验知识的车道线检测方法的单元,该基于先验知识的车道线检测装置可以被配置于计算机设备中。具体地,请参阅图4,该基于先验知识的车道线检测装置400包括第一获取单元401、分割单元402、第一输入单元403、拼接单元404、第二输入单元405及检测单元406。
其中,第一获取单元401,用于获取待检测的图像;
分割单元402,用于根据预设分割函数对所述图像进行分割,以得到所述图像在RGB色彩模式下所对应的RGB三图像通道图;
第一输入单元403,用于将所述图像输入至预设图像检测模型,以得到第一图像通道图,所述第一图像通道图包括所述图像中所包含的车道线区域与背景区域;
拼接单元404,用于将所述第一图像通道图与所述图像所对应的RGB三图像通道图通过通道扩增进行拼接,以得到第二图像通道图;
第二输入单元405,用于将所述第二图像通道图输入至预设车道线分割模型;
检测单元406,用于根据所述预设车道线分割模型对所述第二图像通道图进行检测,得到所述图像中所包含的车道线。
在一个实施例中,所述第一图像通道图还包括所述图像中所包含的车辆在所述图像中的位置所对应的车辆位置信息,所述第一输入单元403包括:
第一输入子单元,用于将所述图像输入至基于先验知识的预设车道线检测模型,以得到所述图像中所包含的车道线区域与背景区域,其中,所述先验知识包括车道线区域所包含的车道线先验知识,所述车道线先验知识包括所述车道线区域包括细长直线及细长曲线;
第二输入子单元,用于将所述图像输入至预设车辆检测模型,以得到所述图像中所包含的车辆在所述图像中的位置所对应的车辆位置信息;
组合子单元,用于将所述车道线区域、所述背景区域及所述车辆位置信息进行组合,以得到第一图像通道图。
在一个实施例中,所述装置400还包括:
第一判断单元,用于判断所述图像中是否存在车道线;
第二获取单元,用于若所述图像中存在车道线,获取所述车道线的位置信息;
第三获取单元,用于获取所述车辆位置信息;
第二判断单元,用于根据所述车道线的位置信息及所述车辆位置信息,判断所述车道线与所述车辆之间的距离是否小于或者等于预设距离阈值;
告警单元,用于若所述车道线与所述车辆之间的距离小于或者等于所述预设距离阈值,按照预设告警方式进行告警提示。
在一个实施例中,所述装置400还包括:
第四获取单元,用于获取训练图像样本,所述图像训练样本包括原始训练图像及所述原始训练图像所对应的标注训练图像,所述标注训练图像中标注有车道线区域和背景区域;
第三输入单元,用于将所述训练图像样本输入至预设车道线检测模型,以对所述预设车道线检测模型进行训练。
在一个实施例中,所述标注训练图像中还标注有车辆位置及车道线,所述装置400还包括:
输出单元,用于根据所述预设车道线检测模型,输出所述原始训练图像中所包含的车道线区域与背景区域;
第四输入单元,用于将所述训练图像样本输入至所述预设车辆检测模型,以得到所述原始图像中所包含的车辆在所述原始图像中的位置所对应的车辆位置信息;
组合单元,用于将所述原始训练图像中所包含的车道线区域与背景区域,及所述原始图像中的车辆位置信息组合成所述原始图像所对应的第一图像通道图;
第五输入单元,用于将所述原始图像所对应的第一图像通道图与所述原始图像所对应的RGB图像,及所述标注训练图像,输入至所述预设车道线分割模型,以对所述预设车道线分割模型进行训练。
在一个实施例中,所述车道线检测装置400还包括:
第五获取单元,用于获取所述图像所包含的像素值;
第三判断单元,用于根据所述像素值,判断所述图像是否为彩色图像;
执行单元,用于若所述图像为彩色图像,执行所述根据预设分割函数对所述图像进行分割,以得到所述图像在RGB色彩模式下所对应的RGB三图像通道图的步骤。
需要说明的是,所属领域的技术人员可以清楚地了解到,上述基于先验知识的车道线检测装置和各单元的具体实现过程,可以参考前述方法实施例中的相应描述,为了描述的方便和简洁,在此不再赘述。
同时,上述基于先验知识的车道线检测装置中各个单元的划分和连接方式仅用于举例说明,在其他实施例中,可将基于先验知识的车道线检测装置按照需要划分为不同的单元,也可将基于先验知识的车道线检测装置中各单元采取不同的连接顺序和方式,以完成上述基于先验知识的车道线检测装置的全部或部分功能。
上述基于先验知识的车道线检测装置可以实现为一种计算机程序的形式,该计算机程序可以在如图5所示的计算机设备上运行。
请参阅图5,图5是本申请实施例提供的一种计算机设备的示意性框图。该计算机设备500可以是台式机电脑或者服务器等计算机设备,也可以是其他设备中的组件或者部件。
参阅图5,该计算机设备500包括通过系统总线501连接的处理器502、存储器和网络接口505,其中,存储器可以包括非易失性存储介质503和内存储器504。
该非易失性存储介质503可存储操作系统5031和计算机程序5032。该计算机程序5032被执行时,可使得处理器502执行一种上述基于先验知识的车道线检测方法。
该处理器502用于提供计算和控制能力,以支撑整个计算机设备500的运行。
该内存储器504为非易失性存储介质503中的计算机程序5032的运行提供环境,该计算机程序5032被处理器502执行时,可使得处理器502执行一种上述基于先验知识的车道线检测方法。
该网络接口505用于与其它设备进行网络通信。本领域技术人员可以理解,图5中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备500的限定,具体的计算机设备500可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。例如,在一些实施例中,计算机设备可以仅包括存储器及处理器,在这样的实施例中,存储器及处理器的结构及功能与图5所示实施例一致,在此不再赘述。
其中,所述处理器502用于运行存储在存储器中的计算机程序5032,以实现如下步骤:获取待检测的图像;根据预设分割函数对所述图像进行分割,以得到所述图像在RGB色彩模式下所对应的RGB三图像通道图;将所述图像输入至预设图像检测模型,以得到第一图像通道图,所述第一图像通道图包括所述图像中所包含的车道线区域与背景区域;将所述第一图像通道图与所述RGB三图像通道图通过通道扩增进行拼接,以得到第二图像通道图;将所述第二图像通道图输入至预设车道线分割模型;根据所述预设车道线分割模型对所述第二图像通道图进行检测,得到所述图像中所包含的车道线。
在一实施例中,所述处理器502在实现所述将所述图像输入至预设图像检测模型,以得到第一图像通道图的步骤时,所述第一图像通道图还包括所述图像中所包含的车辆在所述图像中的位置所对应的车辆位置信息;
所述处理器502在实现所述将所述图像输入至预设图像检测模型,以得到所述第一图像通道图的步骤时,具体实现以下步骤:
将所述图像输入至基于先验知识的预设车道线检测模型,以得到所述图像中所包含的车道线区域与背景区域,其中,所述先验知识包括车道线区域所对应的车道线先验知识,所述车道线先验知识包括所述车道线区域包括细长直线及细长曲线;
将所述图像输入至预设车辆检测模型,以得到所述图像中所包含的车辆在所述图像中的位置所对应的车辆位置信息;
将所述车道线区域、所述背景区域及所述车辆位置信息进行组合,以得到第一图像通道图。
在一实施例中,所述处理器502在实现根据所述预设车道线分割模型对所述第二图像通道图进行检测,得到所述图像中所包含的车道线的步骤之后,还实现以下步骤:
判断所述图像中是否存在车道线;
若所述图像中存在车道线,获取所述车道线的位置信息;
获取所述车辆位置信息;
根据所述车道线的位置信息及所述车辆位置信息,判断所述车道线与所述车辆之间的距离是否小于或者等于预设距离阈值;
若所述车道线与所述车辆之间的距离小于或者等于所述预设距离阈值,按照预设告警方式进行告警提示。
在一实施例中,所述处理器502在实现所述将所述图像输入至基于先验知识的预设车道线检测模型步骤之前,还实现以下步骤:
获取训练图像样本,所述图像训练样本包括原始训练图像及所述原始训练图像所对应的标注训练图像,所述标注训练图像中标注有车道线区域和背景区域;
将所述训练图像样本输入至预设车道线检测模型,以对所述预设车道线检测模型进行训练。
在一实施例中,所述处理器502在实现所述标注训练图像中还标注有车辆位置及车道线,所述将所述训练图像样本输入至预设车道线检测模型,以对所述预设车道线检测模型进行训练的步骤之后,还实现以下步骤:
根据所述预设车道线检测模型,输出所述原始训练图像中所包含的车道线区域与背景区域;
将所述训练图像样本输入至所述预设车辆检测模型,以得到所述原始图像中所包含的车辆在所述原始图像中的位置所对应的车辆位置信息;
将所述原始训练图像中所包含的车道线区域与背景区域,及所述原始图像中的车辆位置信息组合成所述原始图像所对应的第一图像通道图;
将所述原始图像所对应的第一图像通道图与所述原始图像所对应的RGB图像,及所述标注训练图像,输入至所述预设车道线分割模型,以对所述预设车道线分割模型进行训练。
在一实施例中,所述处理器502在实现所述根据预设分割函数对所述图像进行分割,以得到所述图像在RGB色彩模式下所对应的RGB三图像通道图的步骤之前,还实现以下步骤:
获取所述图像所包含的像素值;
根据所述像素值,判断所述图像是否为彩色图像;
若所述图像为彩色图像,执行所述根据预设分割函数对所述图像进行分割,以得到所述图像在RGB色彩模式下所对应的RGB三图像通道图的步骤。
应当理解,在本申请实施例中,处理器502可以是中央处理单元(CentralProcessing Unit,CPU),该处理器502还可以是其他通用处理器、数字信号处理器(DigitalSignal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。其中,通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
本领域普通技术人员可以理解的是实现上述实施例的方法中的全部或部分流程,是可以通过计算机程序来完成,该计算机程序可存储于一计算机可读存储介质。该计算机程序被该计算机系统中的至少一个处理器执行,以实现上述方法的实施例的流程步骤。
因此,本申请还提供一种计算机可读存储介质。该计算机可读存储介质可以为非易失性的计算机可读存储介质,该计算机可读存储介质存储有计算机程序,该计算机程序被处理器执行时使处理器执行如下步骤:
一种计算机程序产品,当其在计算机上运行时,使得计算机执行以上各实施例中所描述的所述基于先验知识的车道线检测方法的步骤。
所述计算机可读存储介质可以是前述设备的内部存储单元,例如设备的硬盘或内存。所述计算机可读存储介质也可以是所述设备的外部存储设备,例如所述设备上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,所述计算机可读存储介质还可以既包括所述设备的内部存储单元也包括外部存储设备。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,上述描述的设备、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
所述存储介质为实体的、非瞬时性的存储介质,例如可以是U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)、磁碟或者光盘等各种可以存储计算机程序的实体存储介质。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的。例如,各个单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。
本申请实施例方法中的步骤可以根据实际需要进行顺序调整、合并和删减。本申请实施例装置中的单元可以根据实际需要进行合并、划分和删减。另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以是两个或两个以上单元集成在一个单元中。
该集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分,或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台电子设备(可以是个人计算机,终端,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。
以上所述,仅为本申请的具体实施方式,但本申请明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种基于先验知识的车道线检测方法,其特征在于,所述方法包括:
获取待检测的图像;
根据预设分割函数对所述图像进行分割,以得到所述图像在RGB色彩模式下所对应的RGB三图像通道图;
将所述图像输入至预设图像检测模型,以得到第一图像通道图,所述第一图像通道图包括所述图像中所包含的车道线区域与背景区域;
将所述第一图像通道图与所述RGB三图像通道图通过通道扩增进行拼接,以得到第二图像通道图;
将所述第二图像通道图输入至预设车道线分割模型;
根据所述预设车道线分割模型对所述第二图像通道图进行检测,得到所述图像中所包含的车道线。
2.根据权利要求1所述基于先验知识的车道线检测方法,其特征在于,所述第一图像通道图还包括所述图像中所包含的车辆在所述图像中的位置所对应的车辆位置信息,所述将所述图像输入至预设图像检测模型,以得到所述第一图像通道图的步骤包括:
将所述图像输入至基于先验知识的预设车道线检测模型,以得到所述图像中所包含的车道线区域与背景区域,其中,所述先验知识包括车道线区域所对应的车道线先验知识,所述车道线先验知识包括所述车道线区域包括细长直线及细长曲线;
将所述图像输入至预设车辆检测模型,以得到所述图像中所包含的车辆在所述图像中的位置所对应的车辆位置信息;
将所述车道线区域、所述背景区域及所述车辆位置信息进行组合,以得到第一图像通道图。
3.根据权利要求2所述基于先验知识的车道线检测方法,其特征在于,根据所述预设车道线分割模型对所述第二图像通道图进行检测,得到所述图像中所包含的车道线的步骤之后,还包括:
判断所述图像中是否存在车道线;
若所述图像中存在车道线,获取所述车道线的位置信息;
获取所述车辆位置信息;
根据所述车道线的位置信息及所述车辆位置信息,判断所述车道线与所述车辆之间的距离是否小于或者等于预设距离阈值;
若所述车道线与所述车辆之间的距离小于或者等于所述预设距离阈值,按照预设告警方式进行告警提示。
4.根据权利要求2所述基于先验知识的车道线检测方法,其特征在于,所述将所述图像输入至基于先验知识的预设车道线检测模型步骤之前,还包括:
获取训练图像样本,所述图像训练样本包括原始训练图像及所述原始训练图像所对应的标注训练图像,所述标注训练图像中标注有车道线区域和背景区域;
将所述训练图像样本输入至预设车道线检测模型,以对所述预设车道线检测模型进行训练。
5.根据权利要求4所述基于先验知识的车道线检测方法,其特征在于,所述标注训练图像中还标注有车辆位置及车道线,所述将所述训练图像样本输入至预设车道线检测模型,以对所述预设车道线检测模型进行训练的步骤之后,还包括:
根据所述预设车道线检测模型,输出所述原始训练图像中所包含的车道线区域与背景区域;
将所述训练图像样本输入至所述预设车辆检测模型,以得到所述原始图像中所包含的车辆在所述原始图像中的位置所对应的车辆位置信息;
将所述原始训练图像中所包含的车道线区域与背景区域,及所述原始图像中的车辆位置信息组合成所述原始图像所对应的第一图像通道图;
将所述原始图像所对应的第一图像通道图与所述原始图像所对应的RGB图像,及所述标注训练图像,输入至所述预设车道线分割模型,以对所述预设车道线分割模型进行训练。
6.根据权利要求1-5任一项所述基于先验知识的车道线检测方法,其特征在于,所述根据预设分割函数对所述图像进行分割,以得到所述图像在RGB色彩模式下所对应的RGB三图像通道图的步骤之前,还包括:
获取所述图像所包含的像素值;
根据所述像素值,判断所述图像是否为彩色图像;
若所述图像为彩色图像,执行所述根据预设分割函数对所述图像进行分割,以得到所述图像在RGB色彩模式下所对应的RGB三图像通道图的步骤。
7.一种基于先验知识的车道线检测装置,其特征在于,包括:
第一获取单元,用于获取待检测的图像;
分割单元,用于根据预设分割函数对所述图像进行分割,以得到所述图像在RGB色彩模式下所对应的RGB三图像通道图;
第一输入单元,用于将所述图像输入至预设图像检测模型,以得到第一图像通道图,所述第一图像通道图包括所述图像中所包含的车道线区域与背景区域;
拼接单元,用于将所述第一图像通道图与所述图像所对应的RGB三图像通道图通过通道扩增进行拼接,以得到第二图像通道图;
第二输入单元,用于将所述第二图像通道图输入至预设车道线分割模型;
检测单元,用于根据所述预设车道线分割模型对所述第二图像通道图进行检测,得到所述图像中所包含的车道线。
8.根据权利要求7所述基于先验知识的车道线检测装置,其特征在于,所述第一图像通道图还包括所述图像中所包含的车辆在所述图像中的位置所对应的车辆位置信息,所述第一输入单元包括:
第一输入子单元,用于将所述图像输入至基于先验知识的预设车道线检测模型,以得到所述图像中所包含的车道线区域与背景区域,其中,所述先验知识包括车道线区域所包含的车道线先验知识;
第二输入子单元,用于将所述图像输入至预设车辆检测模型,以得到所述图像中所包含的车辆在所述图像中的位置所对应的车辆位置信息;
组合子单元,用于将所述车道线区域、所述背景区域及所述车辆位置信息进行组合,以得到第一图像通道图。
9.一种计算机设备,其特征在于,所述计算机设备包括存储器以及与所述存储器相连的处理器;所述存储器用于存储计算机程序;所述处理器用于运行所述计算机程序,以执行如权利要求1-6任一项所述方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时可实现如权利要求1-6中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010754208.8A CN111898540A (zh) | 2020-07-30 | 2020-07-30 | 车道线检测方法、装置、计算机设备及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010754208.8A CN111898540A (zh) | 2020-07-30 | 2020-07-30 | 车道线检测方法、装置、计算机设备及计算机可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111898540A true CN111898540A (zh) | 2020-11-06 |
Family
ID=73182659
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010754208.8A Pending CN111898540A (zh) | 2020-07-30 | 2020-07-30 | 车道线检测方法、装置、计算机设备及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111898540A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112529914A (zh) * | 2020-12-18 | 2021-03-19 | 北京中科深智科技有限公司 | 一种实时头发分割方法和系统 |
CN113200052A (zh) * | 2021-05-06 | 2021-08-03 | 上海伯镭智能科技有限公司 | 一种用于无人驾驶的路况智能识别方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105718870A (zh) * | 2016-01-15 | 2016-06-29 | 武汉光庭科技有限公司 | 自动驾驶中基于前向摄像头的道路标线提取方法 |
CN108647664A (zh) * | 2018-05-18 | 2018-10-12 | 河海大学常州校区 | 一种基于环视图像的车道线检测方法 |
CN109426800A (zh) * | 2017-08-22 | 2019-03-05 | 北京图森未来科技有限公司 | 一种车道线检测方法和装置 |
CN109543493A (zh) * | 2017-09-22 | 2019-03-29 | 杭州海康威视数字技术股份有限公司 | 一种车道线的检测方法、装置及电子设备 |
CN109740469A (zh) * | 2018-12-24 | 2019-05-10 | 百度在线网络技术(北京)有限公司 | 车道线检测方法、装置、计算机设备和存储介质 |
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 |
CN110427860A (zh) * | 2019-07-26 | 2019-11-08 | 武汉中海庭数据技术有限公司 | 一种车道线识别方法、装置及存储介质 |
CN110705330A (zh) * | 2018-07-09 | 2020-01-17 | 株式会社理光 | 车道线检测方法、车道线检测装置和计算机可读存储介质 |
CN111178245A (zh) * | 2019-12-27 | 2020-05-19 | 深圳佑驾创新科技有限公司 | 车道线检测方法、装置、计算机设备和存储介质 |
-
2020
- 2020-07-30 CN CN202010754208.8A patent/CN111898540A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105718870A (zh) * | 2016-01-15 | 2016-06-29 | 武汉光庭科技有限公司 | 自动驾驶中基于前向摄像头的道路标线提取方法 |
CN109426800A (zh) * | 2017-08-22 | 2019-03-05 | 北京图森未来科技有限公司 | 一种车道线检测方法和装置 |
CN109543493A (zh) * | 2017-09-22 | 2019-03-29 | 杭州海康威视数字技术股份有限公司 | 一种车道线的检测方法、装置及电子设备 |
CN108647664A (zh) * | 2018-05-18 | 2018-10-12 | 河海大学常州校区 | 一种基于环视图像的车道线检测方法 |
CN110705330A (zh) * | 2018-07-09 | 2020-01-17 | 株式会社理光 | 车道线检测方法、车道线检测装置和计算机可读存储介质 |
CN109740469A (zh) * | 2018-12-24 | 2019-05-10 | 百度在线网络技术(北京)有限公司 | 车道线检测方法、装置、计算机设备和存储介质 |
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 |
CN110427860A (zh) * | 2019-07-26 | 2019-11-08 | 武汉中海庭数据技术有限公司 | 一种车道线识别方法、装置及存储介质 |
CN111178245A (zh) * | 2019-12-27 | 2020-05-19 | 深圳佑驾创新科技有限公司 | 车道线检测方法、装置、计算机设备和存储介质 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112529914A (zh) * | 2020-12-18 | 2021-03-19 | 北京中科深智科技有限公司 | 一种实时头发分割方法和系统 |
CN113200052A (zh) * | 2021-05-06 | 2021-08-03 | 上海伯镭智能科技有限公司 | 一种用于无人驾驶的路况智能识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112528878B (zh) | 检测车道线的方法、装置、终端设备及可读存储介质 | |
WO2022126377A1 (zh) | 检测车道线的方法、装置、终端设备及可读存储介质 | |
WO2020042489A1 (zh) | 违法停车案件的鉴别方法、装置和计算机设备 | |
CN110163176B (zh) | 车道线变化位置识别方法、装置、设备和介质 | |
EP3806064A1 (en) | Method and apparatus for detecting parking space usage condition, electronic device, and storage medium | |
CN109886928B (zh) | 一种目标细胞标记方法、装置、存储介质及终端设备 | |
CN111191611B (zh) | 基于深度学习的交通标志标号识别方法 | |
CN110956081B (zh) | 车辆与交通标线位置关系的识别方法、装置及存储介质 | |
CN112381775A (zh) | 一种图像篡改检测方法、终端设备及存储介质 | |
CN110909699A (zh) | 视频车辆非导向行驶检测方法、装置及可读存储介质 | |
KR101922852B1 (ko) | 영상 기반 색상정보를 이용한 초지 경계 검출 방법 | |
CN111898540A (zh) | 车道线检测方法、装置、计算机设备及计算机可读存储介质 | |
CN111627057A (zh) | 一种距离测量方法、装置及服务器 | |
CN114841910A (zh) | 车载镜头遮挡识别方法及装置 | |
CN111178359A (zh) | 车牌号码识别方法、装置和设备及计算机存储介质 | |
CN113297939A (zh) | 障碍物检测方法、系统、终端设备及存储介质 | |
CN110689481A (zh) | 车辆种类识别方法及装置 | |
Ab Ghani et al. | Lane Detection Using Deep Learning for Rainy Conditions | |
CN112289040B (zh) | 一种车辆行驶方向识别的方法、装置及存储介质 | |
CN111062309B (zh) | 一种雨天交通标志检测方法、存储介质及系统 | |
CN112016514A (zh) | 一种交通标志识别方法、装置、设备及储存介质 | |
CN114627400A (zh) | 一种车道拥堵检测方法、装置、电子设备和存储介质 | |
CN112700653A (zh) | 一种车辆违法变道的判定方法、装置、设备及存储介质 | |
CN112597924A (zh) | 电动自行车轨迹追踪方法、摄像机装置和服务器 | |
CN116503695B (zh) | 目标检测模型的训练方法、目标检测方法及设备 |
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 |