CN112001235A - 车辆通行信息的生成方法、装置和计算机设备 - Google Patents
车辆通行信息的生成方法、装置和计算机设备 Download PDFInfo
- Publication number
- CN112001235A CN112001235A CN202010667259.7A CN202010667259A CN112001235A CN 112001235 A CN112001235 A CN 112001235A CN 202010667259 A CN202010667259 A CN 202010667259A CN 112001235 A CN112001235 A CN 112001235A
- Authority
- CN
- China
- Prior art keywords
- image
- vehicle
- road
- lane
- acquiring
- 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
- 238000000034 method Methods 0.000 title claims abstract description 61
- 238000004458 analytical method Methods 0.000 claims abstract description 26
- 230000000007 visual effect Effects 0.000 claims abstract description 14
- 238000004590 computer program Methods 0.000 claims description 17
- 238000013527 convolutional neural network Methods 0.000 claims description 13
- 238000013507 mapping Methods 0.000 claims description 12
- 230000003068 static effect Effects 0.000 claims description 12
- 238000001514 detection method Methods 0.000 claims description 11
- 239000011159 matrix material Substances 0.000 claims description 10
- 230000008859 change Effects 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 14
- 230000008569 process Effects 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 6
- 238000007781 pre-processing Methods 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 239000003086 colorant Substances 0.000 description 3
- 238000011176 pooling Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012805 post-processing Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000005236 sound signal Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 238000012549 training 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
- 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
- G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
-
- 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
- G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
- G06V20/582—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads of traffic signs
-
- 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
- G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
- G06V20/584—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads of vehicle lights or traffic lights
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Traffic Control Systems (AREA)
- Image Analysis (AREA)
Abstract
本申请涉及一种车辆通行信息的生成方法、装置和计算机设备，其中，该车辆通行信息的生成方法包括：通过获取车辆的道路图像，对该道路图像进行场景视觉分析，得到该道路图像的多个图像特征，其中，该图像特征包括参考特征和指示特征，将该参考特征与该指示特征进行匹配，得到车辆通行的指示信息。通过本申请，解决了相关技术中，识别信号灯或者人行横道，会导致对城市道路工况的识别度较低，从而降低车辆行驶的安全性的问题，实现了在城市道路工况下，对多种因素进行综合考量，提高了车辆行驶的安全性。
Description
技术领域
本申请涉及图像处理技术领域，特别是涉及车辆通行信息的生成方法、装置和计算机设备。
背景技术
随着科学技术的发展，智能化成为汽车行业发展的重要趋势之一，自动驾驶系统和辅助驾驶系统也越来越成熟。在自动驾驶系统和辅助驾驶系统发展的过程中，高速道路与城市道路是自动驾驶系统和辅助驾驶系统应用的主要工况。相较于高速道路工况，城市道路更加复杂，通过图像识别获取道路工况的难度也更高。
在相关技术中，通过对道路交叉口场景的颜色空间进行信号灯的信息识别，或者在场景的感兴趣区域中，通过色度特征、间距特征和亮度差特征识别人行横道，鲁棒性差，对城市道路工况的识别度较低，从而降低了车辆行驶的安全性。
目前针对相关技术中，识别信号灯或者人行横道，会导致对城市道路工况的识别度较低，从而降低车辆行驶的安全性的问题，尚未提出有效的解决方案。
发明内容
本申请实施例提供了一种车辆通行信息的生成方法、装置、计算机设备和可读存储介质，以至少解决相关技术中识别信号灯或者人行横道，会导致对城市道路工况的识别度较低，从而降低车辆行驶的安全性的问题。
第一方面，本申请实施例提供了一种车辆通行信息的生成方法，所述方法包括：
获取车辆的道路图像，对所述道路图像进行场景视觉分析，得到所述道路图像的多个图像特征，其中，所述图像特征包括参考特征和指示特征；
将所述参考特征与所述指示特征进行匹配，得到所述车辆通行的指示信息。
在其中一些实施例中，所述对所述道路图像进行场景视觉分析，得到所述道路图像的多个图像特征包括：
根据所述道路图像的特征图谱，在预设区域中，识别所述图像特征的类别和坐标，其中，所述特征图谱通过卷积神经网络得到。
在其中一些实施例中，所述对所述道路图像进行场景视觉分析，得到所述道路图像的多个图像特征包括以下至少之一：
在所述图像特征包括移动目标的情况下，根据所述特征图谱，在第一预设区域，对所述道路图像中的移动目标进行分类与位置回归，输出所述移动目标的类别和坐标；
在所述图像特征包括行驶线的情况下，根据所述特征图谱，在第二预设区域中进行像素级分类，输出所述行驶线的类别和坐标，其中，所述行驶线包括车道线和道路边线；
在所述图像特征包括人行横道的情况下，根据所述人行横道的空间几何参数获取第三预设区域，在所述第三预设区域中，根据所述特征图谱输出所述人行横道的区域置信度和坐标；
在所述图像特征包括通行信号设备的情况下，根据所述通行信号设备的检测范围和几何参数确定第四预设区域，在所述第四预设区域中，根据所述特征图谱，识别所述通行信号设备的类别和状态；
在所述图像特征包括路面标识的情况下，根据所述特征图谱，在第五预设区域中，获取所述路面标识的类别和坐标。
在其中一些实施例中，在所述参考特征包括车道线，所述指示特征包括路面标识、移动目标和通行信号设备的情况下，所述将所述参考特征与所述指示特征进行匹配包括：
在所述道路图像中，根据所述车道线的坐标获取车道区间，根据所述路面标识的坐标获取第一中心点，根据所述第一中心点与所述车道区间的位置关系，将所述路面标识与所述车道区间进行匹配，其中，所述第一中心点是所述路面标识的中心点；
在所述道路图像中，根据所述移动目标的位置信息获取第二中心点，根据所述第二中心点与所述车道区间的位置关系，将所述移动目标与所述车道区间进行匹配，其中，所述第二中心点是所述移动目标的中心点；
在所述道路图像中，获取所述通行信号设备的通行信息，将所述通行信息与所述车道线的行驶方向进行匹配。
在其中一些实施例中，在所述获取所述车道线的车道区间之前，所述方法包括：
根据图像采集设备的参数，获取图像坐标系与设备坐标系之间的映射关系矩阵；
根据所述映射关系矩阵计算所述指示特征的空间位置，根据所述车辆的运动信息，对所述空间位置进行滤波。
在其中一些实施例中，所述得到所述车辆通行的指示信息包括：
获取第一速度，在预设提示区域中，在所述第一速度大于预设速度阈值的情况下，生成第一指示信号，其中，所述第一速度为所述车辆的速度。
在其中一些实施例中，所述得到所述车辆通行的指示信息包括：
获取第二速度，在所述第二速度小于或者等于运动状态阈值的情况下，判定所述移动目标为静止目标，其中，所述第二速度为所述移动目标的速度；
根据所述移动目标与所述车道区间的匹配结果，判断所述移动目标与所述车辆是否位于同一车道区间；
在所述车辆所属的车道区间上，不存在所述静止目标的情况下，根据所述通行信息，生成第二指示信号，或者，在所述车辆所处的车道线上，存在所述静止目标的情况下，根据所述静止目标的状态变化，生成第三指示信号。
第二方面，本申请实施例提供了一种车辆通行信息的生成装置，所述装置包括：图像采集设备和芯片；
所述图像采集设备获取车辆的道路图像，所述芯片对所述道路图像进行场景视觉分析，得到所述道路图像的多个图像特征，其中，所述图像特征包括参考特征和指示特征；
所述芯片将所述参考特征与所述指示特征进行匹配，得到所述车辆通行的指示信息。
第三方面，本申请实施例提供了一种计算机设备，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述任一所述方法。
第四方面，本申请实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述任一所述方法。
相比于相关技术，本申请实施例提供的车辆通行信息的生成方法，通过获取车辆的道路图像，对该道路图像进行场景视觉分析，得到该道路图像的多个图像特征，其中，该图像特征包括参考特征和指示特征，将该参考特征与该指示特征进行匹配，得到车辆通行的指示信息，解决了相关技术中，识别信号灯或者人行横道，会导致对城市道路工况的识别度较低，从而降低车辆行驶的安全性的问题，实现了在城市道路工况下，对多种因素进行综合考量，提高了车辆行驶的安全性。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1是根据本申请实施例的车辆通行信息的生成方法的应用环境示意图；
图2是根据本申请实施例的车辆通行信息的生成方法的流程图；
图3是根据本申请实施例的卷积神经网络架构的示意图；
图4是根据本申请实施例的参考特征与指示特征进行匹配的方法的流程图；
图5是根据本申请实施例的生成指示信息的方法的流程图；
图6是根据本申请实施例的视觉场景分析的方法的流程图；
图7是根据本申请实施例的车辆通行信息的生成装置的结构框图；
图8是根据本申请实施例的电子设备的内部结构示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行描述和说明。应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。基于本申请提供的实施例，本领域普通技术人员在没有作出创造性劳动的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。
显而易见地，下面描述中的附图仅仅是本申请的一些示例或实施例，对于本领域的普通技术人员而言，在不付出创造性劳动的前提下，还可以根据这些附图将本申请应用于其他类似情景。此外，还可以理解的是，虽然这种开发过程中所作出的努力可能是复杂并且冗长的，然而对于与本申请公开的内容相关的本领域的普通技术人员而言，在本申请揭露的技术内容的基础上进行的一些设计，制造或者生产等变更只是常规的技术手段，不应当理解为本申请公开的内容不充分。
在本申请中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域普通技术人员显式地和隐式地理解的是，本申请所描述的实施例在不冲突的情况下，可以与其它实施例相结合。
除非另作定义，本申请所涉及的技术术语或者科学术语应当为本申请所属技术领域内具有一般技能的人士所理解的通常意义。本申请所涉及的“一”、“一个”、“一种”、“该”等类似词语并不表示数量限制，可表示单数或复数。本申请所涉及的术语“包括”、“包含”、“具有”以及它们任何变形，意图在于覆盖不排他的包含；例如包含了一系列步骤或模块(单元)的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可以还包括没有列出的步骤或单元，或可以还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。本申请所涉及的“连接”、“相连”、“耦接”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电气的连接，不管是直接的还是间接的。本申请所涉及的“多个”是指两个或两个以上。“和/或”描述关联对象的关联关系，表示可以存在三种关系，例如，“A和/或B”可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。本申请所涉及的术语“第一”、“第二”、“第三”等仅仅是区别类似的对象，不代表针对对象的特定排序。
本申请提供的车辆通行信息的生成方法，可以应用于如图1所示的应用环境中，图1是根据本申请实施例的车辆通行信息的生成方法的应用环境示意图，如图1所示。其中，图像采集器102与处理器104通过网络进行通信。图像采集器102获取车辆的道路图像，处理器104对该道路图像进行场景视觉分析，得到该道路图像的多个图像特征，其中，该图像特征包括参考特征和指示特征。处理器104将该参考特征与该指示特征进行匹配，得到车辆通行的指示信息。其中，图像采集器102可以但不限于是摄像头、相机、图像传感器等可以获取图像信息的设备，处理器104可以为独立的服务器或者是多个服务器组成的服务器集群来实现，也可以通过集成芯片实现。
本实施例提供了一种车辆通行信息的生成方法，图2是根据本申请实施例的车辆通行信息的生成方法的流程图，如图2所示，该方法包括如下步骤：
步骤S201，获取车辆的道路图像，对该道路图像进行场景视觉分析，得到该道路图像的多个图像特征，其中，该图像特征包括参考特征和指示特征。本实施例中的车辆为自动驾驶车辆或者装有辅助驾驶系统的车辆，车辆的道路图像包括车辆行驶过程中的城市道路工况，例如，障碍物、信号灯、指示牌、人行横道等等，场景视觉分析为对道路图像进行图像特征的提取，图像特征包括城市道路工况中的一个或者多个，本实施例中可以对道路图像中的感兴趣区域进行语义分析，以识别图像特征。本实施例中的参考特征可以为对车辆行驶的车道进行分隔的标志，指示特征可以为对车辆的行驶方向或者行驶状态进行指示的标志，例如，转向线、信号灯等等；
步骤S202，将该参考特征与该指示特征进行匹配，得到车辆通行的指示信息。本实施例由于获取到道路图像中的多个图像特征，因此需要以参考特征为标准，将参考特征与指示特征进行融合与匹配，获取每个行驶车道上的信息，最终得到指示信息，本实施例中的指示信息可以包括提醒车辆减速、起步或者转向。
通过上述步骤S201和步骤S202，本实施例在获取到道路图像之后，对道路图像中的多个图像特征进行提取和匹配，实现了对城市道路工况进行综合考量，解决了相关技术中，识别信号灯或者人行横道，会导致对城市道路工况的识别度较低，从而降低车辆行驶的安全性的问题，提高了车辆行驶的安全性。
在其中一些实施例中，对道路图像进行场景视觉分析包括：根据道路图像的特征图谱，在预设区域中，识别该图像特征的类别和坐标。图3是根据本申请实施例的卷积神经网络架构的示意图，如图3所示，本实施例的场景视觉分析可以基于多任务卷积神经网络实现，通过卷积神经网络对道路图像进行特征提取，得到道路图像的特征图谱。本实施例中的预设区域可以根据经验设置，也可以根据信号灯等图像特征的位置信息确定，在预设区域中，进一步识别图像特征的类别以及图像特征在图像坐标系下的位置，可选地，在图像特征为信号灯的情况下，类别可以为信号灯的亮灯状态，例如，红灯、黄灯、绿灯，也可以为左转灯、直行灯、右转灯。本实施例通过卷积神经网络对道路图像的图像特征进行语义分析，分析过程包括对图像特征进行卷积、池化和激活等，提高了对道路图像中图像特征的识别准确度。
在其中一些实施例中，对道路图像进行场景视觉分析，得到该道路图像的多个图像特征包括以下至少之一：
1、在图像特征包括移动目标的情况下，根据该道路图像的特征图谱，在第一预设区域，对道路图像中的移动目标进行分类与位置回归，输出该移动目标的类别和坐标。本实施例中的移动目标可以为道路中的其他机动车或者非机动车，还可以为道路中的其他移动物体，图像特征可以基于预处理之后的红绿蓝三色图像(Red、Green、Blue，简称为RGB)得到，利用卷积神经网络对道路图像进行多尺度场景特征描述，主要包括卷积、池化、激活、上采样以及通道级联等神经网络运算操作。基于上述离线训练得到特征图谱，可以在特征图谱中根据历史经验设置第一预设区域，在第一预设区域中，对移动目标进行分类与位置回归，在得到卷积神经网络的输出之后，还需对该输出进行非极大值抑制等后处理操作，然后输出移动目标的类别和坐标，本实施例中的类别包括背景、机动车和非机动车，具体的分类结果可以通过数字表示，也可以通过其他标识符，例如字母或者颜色表示，本实施例中的坐标为移动目标在图像坐标系下的位置，通过x、y、w和h表示，其中，x表示移动目标的中心横坐标，y表示移动目标的中心纵坐标，w表示移动目标的宽度，h表示移动目标的高度。
2、在图像特征包括行驶线的情况下，根据该特征图谱，在第二预设区域中进行像素级分类，输出该行驶线的类别和坐标，其中，该行驶线包括车道线和道路边线，车道线为车辆在行驶过程中，不同车道的分界线，道路边线为车辆行驶道路与建筑用地的分界线。本实施例基于道路图像的特征图谱选取特定尺度特征，在进行反卷积操作之后，在预设尺度上进行特征级联以及像素级分类，然后对分类后的特征进行上采样、膨胀腐蚀以及置信度过滤等后处理操作，最后输出二进制车道以及道路边线的图像掩模(mask)，本实施例中的类别包括背景、车道线和道路边线，具体的分类结果可以通过数字表示，也可以通过其他标识符，例如字母或者颜色表示。
3、在图像特征包括人行横道的情况下，根据该人行横道的空间几何参数获取第三预设区域，在该第三预设区域中，根据特征图谱输出该人行横道的区域置信度和坐标。本实施例中，对人行横道的识别具体为，基于道路图像特征图谱中的尺度共享浅层特征部分，级联人行横道的卷积描述特征，根据人行横道的空间几何信息配置第三预设区域的参数，在第三预设区域中进行人行横道检测，输出人行横道的区域置信度以及人行横道的图像坐标位置。其中，空间几何信息包括人行横道在空间中的位置信息、长度信息和宽度信息，置信度为对人行横道识别准确度的评价，置信度越高，表示人行横道的识别结果越可信。
4、在图像特征包括通行信号设备的情况下，根据通行信号设备的检测范围和几何参数确定第四预设区域，在该第四预设区域中，根据特征图谱，识别该通行信号设备的类别和状态。本实施例中，对通行信号设备的检测具体为，基于道路图像特征图谱中的尺度共享浅层特征部分，级联通行信号设备的卷积描述特征，根据通行信号设备的检测范围和几何尺寸等信息确定第四预设区域，该第四预设区域的参数包括第四预设区域的尺度与高宽比，检测范围和几何尺寸等信息可以根据实际测量得到。基于通行信号设备的特征描述以及检测结果，对第四预设区域中的通行信号设备区域进行池化，将池化后的特征送入通行信号设备的属性分类以及状态分类分支，分别输出通行信号设备的类别和状态，在通行信号设备为信号灯的情况下，类别包括圆灯、左转灯、右转灯、直行灯、圆灯和其他，状态包括红灯、绿灯、黄灯和其他，具体的分类结果可以通过数字表示，也可以通过其他标识符，例如字母或者颜色表示。
5、在图像特征包括路面标识的情况下，根据该特征图谱，在第五预设区域中，获取该路面标识的类别和坐标。本实施例中，对路面标识的检测具体为，基于道路图像特征图谱中的尺度共享浅层特征部分，级联路面标识的卷积描述特征，在第五预设区域中检测路面标识，其中，第五预设区域的参数包括预设尺度与高宽比，均可以根据实际场景的测量值进行设置。根据检测结果在第五预设区域中，对路面标识特征的感兴趣区域进行池化，基于离线车载相机的标定结果将路面标识映射至相机坐标系，并送入路面标识分类分支，输出各路面标识的类别。在路面标识为路面指示箭头的情况下，本实施例中的分类包括背景、直行、右转、左转或者调头、左转和直行、右转和直行，具体的分类结果可以通过数字表示，也可以通过其他标识符，例如字母或者颜色表示。
本实施例通过对移动目标、行驶线、人行横道、通行信号设备和路面标识的识别，获取了道路图像中的多个图像特征，通过卷积神经网络对图像特征进行分析，准确度和鲁棒性更高，综合考虑移动目标、行驶线、人行横道、通行信号设备和路面标识对车辆通行的影响，也可以提高指示信息的准确度。
在其中一些实施例中，参考特征包括车道线，指示特征包括路面标识、移动目标和通行信号设备，则图4是根据本申请实施例的参考特征与指示特征进行匹配的方法的流程图，如图4所示，该方法包括如下步骤：
步骤S401，在道路图像中，根据该车道线的坐标获取车道区间，根据路面标识的坐标获取第一中心点，根据该第一中心点与车道区间的位置关系，将路面标识与车道区间进行匹配，其中，该第一中心点是该路面标识的中心点。路面标识与车道区间的关联关系具体可以通过如下程序逻辑得到：
signi.type→laneego.direction，if(laneego.yL<signi.y<laneego.yR)
unknown→laneego.direction，if(laneego.yL，laneego.yR)内无路面标识
上述程序逻辑中，signi表示路面标识，signi.type表示路面标识的类型，例如直行、右转或者左转等等，laneego表示车道，laneego.direction表示车道方向，laneego.yL表示车道线在纵向的左侧边界，laneego.yR表示车道线在纵向的右侧边界，signi.y表示路面标识的第一中心点的纵坐标，unknown表示“未知”，因此，车道区间根据车道线的左侧边界和右侧边界确定，在第一中心点的纵坐标位于车道区间内的情况下，可以将路面标识的类型与该车道区间进行关联和匹配，在第一中心点的纵坐标不位于车道区间内的情况下，不对该路面标识与车道区间进行匹配；
步骤S402，在该道路图像中，根据移动目标的位置信息获取第二中心点，根据该第二中心点与该车道区间的位置关系，将该移动目标与该车道线进行匹配，其中，该第二中心点是该移动目标的中心点。本实施例中的位置信息可以通过检测移动目标的坐标得到，移动目标与车道线的关联关系具体可以通过如下程序逻辑得到：
vehiclei→laneego.ahead，if(laneego.yL<vehiclei<laneego.yR)
none→laneego.ahead，if(laneego.yL，laneego.yR)内无移动目标
在上述程序逻辑中，vehiclei包括移动目标的位置信息，表示第二中心点，laneego.ahead标识车道线的前方，laneego.yL表示车道线在纵向的左侧边界，laneego.yR表示车道线在纵向的右侧边界，none表示“无”，因此，在第二中心点的坐标位于车道区间内的情况下，可以判断车辆前方存在移动目标，在第二中心点的坐标不位于车道区间内的情况下，可以判断车辆前方没有移动目标；
步骤S403，在该道路图像中，获取该通行信号设备的通行信息，将该通行信息与该车道线的行驶方向进行匹配。通行信号设备给出的通行信息可以通过卷积神经网络对道路图像进行识别得到，通行信息与车道线的行驶方向进行匹配可以通过如下程序逻辑得到：
lighti.state→laneego.state，if(laneego.direction＝lighti.direction)
unknown→laneego.state，if未检测到通行信号设备
在上述程序逻辑中，lighti.state表示通行信息，例如左转灯、右转灯或者直行灯，还可以通过识别红灯、绿灯或者黄灯表示车辆是否可以通行，laneego.state表示车道线的状态，例如左转、直行或者右转，在通行信息与车道线的状态相同的情况下，将通行信息与车道线进行匹配，在道路图像中未检测到通行信号设备的情况下，通行信息为“未知(unknown)”。
需要说明的是，在通行信号设备为信号灯的情况下，优先考虑箭头灯的状态对通行信息赋值。
通过上述步骤S401至步骤S403，通过对道路图像中的车道线、路面标识、移动目标和通行信息进行检测和融合匹配，从而对车辆在城市道路工况，尤其是十字路口场景中的通行状态进行有效辅助提示，提高车辆驾驶的安全性。
在其中一些实施例中，在获取车道线的车道区间之前，还包括：根据图像采集设备的参数，获取图像坐标系与设备坐标系之间的映射关系矩阵，根据该映射关系矩阵计算图像特征的空间位置，根据该车辆的运动信息，对该空间位置进行滤波。其中，图像采集设备可以为车载相机，也可以为其他可以获取图像信息的传感器和电子设备，在图像采集设备为车载前视相机的情况下，本实施例中图像采集设备的参数为车载前视相机的内参、外参和安装位置，设备坐标系为相机坐标系，在进行坐标映射之前，需要离线标定该车载前视相机内外参数，生成图像坐标系与相机坐标系平面的映射关系矩阵，图像特征的空间位置可以根据图像特征在道路图像中的坐标，通过映射关系矩阵计算得到，本实施例中空间位置与图像坐标之间的对应关系如公式1所示；
[x,y,1]T＝H·[u,v,1]T 公式1
在公式1中，H为映射关系矩阵，(x，y，1)表示空间位置，(u，v，1)表示图像坐标。
道路图像中的图像特征，例如行驶线、人行横道和路面标识，在根据公式1得到空间位置之后，可以根据车辆自身的运动信息进行位置信号滤波，其中，运动信息包括车辆的速度和加速度等等，可以通过惯性导航系统(Inertial Navigation System，简称为INS)得到。在得到行驶线的输出结果之后，可以基于行驶线的线长、线间距以及平行性等几何限制条件过滤部分虚检，并利用霍夫直线进行拟合，生成行驶线的二次拟合曲线。
本实施例中，在通过映射关系矩阵得到图像特征的空间位置之后，还对行驶线进行滤波计算，有效提高了行驶线的计算精度。
在其中一些实施例中，在根据车辆的实时速度判定车辆处于运动状态的情况下，获取第一速度，在预设提示区域中，在第一速度大于预设速度阈值的情况下，生成第一指示信号，其中，该第一速度为车辆的速度。本实施例中判定车辆是否处于运动状态，可以通过车辆的实时速度与运动速度阈值的对比得到，例如，在车辆的实时速度大于运动状态阈值的情况下，判定车辆处于运动状态。本实施例中，车辆的实时速度可以通过速度传感器或者INS得到，预设提示区域可以设置于人行横道附近，预设速度阈值为车辆穿过人行横道的速度上限。具体为，在车辆即将到达人行横道，且与人行横道的距离为10m的情况下，检测车辆的行驶速度，预设速度阈值设置为50km/h，在行驶速度大于50km/h的情况下，则向驾驶员发出第一指示信号，则该长度为10m的道路是预设提示区域，该第一指示信号可以为声音信号、指示灯常亮或者指示灯闪烁信号，也可以在车载屏幕中进行弹窗提醒。本实施例中，在车辆处于运动状态，即将穿过人行横道的情况下，在预设提示区域中通过检测车辆的速度对驾驶员进行提示，可以提高车辆行驶的安全性。
在其中一些实施例中，在车辆处于静止状态的情况下，生成对驾驶员进行车辆起步操作的提示，车辆是否处于静止状态可以根据车辆的实时速度确定，例如，在车辆的实时速度小于或者等于运动状态阈值的情况下，判定车辆处于静止状态，图5是根据本申请实施例的生成指示信息的方法的流程图，如图5所示，该方法包括如下步骤：
步骤S501，获取第二速度，在该第二速度小于或者等于运动状态阈值的情况下，判定移动目标为静止目标，其中，该第二速度为该移动目标的速度。在道路图像中对移动目标的速度进行检测，根据第二速度与运动状态阈值的对比结果，可以将移动目标的运动状态分为静止和运动，本实施例中，在第二速度小于或者等于运动状态阈值的情况下，判定移动目标为静止目标；
步骤S502，根据该移动目标与该车道区间的匹配结果，判断该移动目标与该车辆是否位于同一车道线。在判定移动目标为静止目标之后，需要判断该静止目标是否位于车辆的前方，本实施例通过移动目标与车道区间的匹配结果判断静止目标是否位于车辆的前方。进一步地，可以通过移动目标与车道区间的匹配结果确定移动目标所属的车道，通过车辆自身的坐标与车道区间的匹配结果确定车辆所属的车道，在两个车道为同一车道的情况下，判定移动目标与车辆属于同一车道区间，本实施例中，移动目标为车辆车头方向上的移动目标；
步骤S503，在该车辆所属的车道线上，不存在该静止目标的情况下，根据通行信息，生成第二指示信号，或者，在该车辆所处的车道线上，存在该静止目标的情况下，根据该静止目标的状态变化，生成第三指示信号。本实施例中的通行信息可以为信号灯的状态变化，例如，在信号灯从红灯变为绿灯的情况下，生成第二指示信号。本实施例中静止目标的状态需要通过实时检测静止目标的速度得到，根据静止目标的速度，在判定静止目标的运动状态从静止变为运动的情况下，生成第三指示信号。
本实施例中的第二指示信号和第三指示信号优选为不同的指示信号，该指示信号可以为声音信号、指示灯常亮或者指示灯闪烁信号，也可以在车载屏幕中进行弹窗提醒。
本实施例通过上述步骤S501至步骤S503，对移动目标进行速度和状态检测，根据检测结果对驾驶员生成起步指示信号，有利于在车辆静止的情况下，及时提醒驾驶员起步，提高驾驶效率。
在其中一些实施例中，在对道路图像进行场景视觉分析之前，还包括对道路图像进行预处理，具体为：图像采集设备按照预设分辨率、帧率以及图像格式采集道路图像，然后道路图像被送入图像处理模块(Image Signal Processing，简称为ISP)，进行自动曝光、自动白平衡、动态降噪、数字宽动态等预处理，在经过预处理之后，道路图像还需要被送入算法预处理模块，进行通道转换、裁剪、缩放以及归一化，最后被送入多任务卷积神经网络，进行场景视觉分析。
下面通过应用场景对本申请实施例进行描述和说明。
图6是根据本申请实施例的视觉场景分析的方法的流程图，如图6所示，该方法包括如下步骤：
步骤S601，获取道路图像，对该道路图像进行预处理，道路图像可以通过车辆的环视系统得到；
步骤S602，在预处理后的道路图像中，通过卷积神经网络，识别道路图像中的行驶线、路面标识、通行信号设备、移动目标和人行横道，其中，行驶线包括车道线和道路边线；
步骤S603，将车道线、路面标识、通行信号设备和移动目标进行信息融合；
步骤S604，获取车辆的速度信息，根据速度信息判断车辆的运动状态，在车辆为运动状态的情况下，生成第一提示信号，进行穿越人行横道提示，在车辆为静止状态的情况下，生成第二提示信号或者第三提示信号，进行起步提示。
通过上述步骤S601至步骤S604，本实施例基于前向车载视觉场景输入，通过多任务神经网络对道路图像进行场景分析，实现十字路口场景关键语义提取，生成十字路口场景通行结构化数据，并依此对车辆在十字路口场景下的通行状态进行提示与提示。其中，十字路口场景通行结构化数据根据视觉神经网络分析得到，包括移动目标、车道线和道路边界、路面标识和通行信号设备，在经过信息融合之后，根据车道线与其他图像特征的匹配结果，对穿过人行横道和车辆起步进行驾驶辅助提示，实现了对城市道路工况进行综合考量，解决了相关技术中，识别信号灯或者人行横道，会导致对城市道路工况的识别度较低，从而降低车辆行驶的安全性的问题，提高了车辆行驶的安全性。
需要说明的是，在上述流程中或者附图的流程图中示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
本实施例还提供了一种车辆通行信息的生成装置，该装置用于实现上述实施例及优选实施方式，已经进行过说明的不再赘述。如以下所使用的，术语“模块”、“单元”、“子单元”等可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
图7是根据本申请实施例的车辆通行信息的生成装置的结构框图，如图7所示，该装置包括图像采集设备71和芯片72；该图像采集设备71获取车辆的道路图像，该芯片72对该道路图像进行场景视觉分析，得到该道路图像的多个图像特征，其中，该图像特征包括参考特征和指示特征；该芯片72将该参考特征与该指示特征进行匹配，得到该车辆通行的指示信息。本实施例中的装置主要针对城市驾驶场景应用，能够辅助驾驶员提升城市道路工况下的行车安全，还可沿用于高等级自动驾驶系统。图像采集设备71可以为前向车载视觉系统，芯片72多任务卷积神经网络，分别输出道路图像的图像特征，包括车道线信息，人行横道信息以及通行信号设备信息，芯片72将图像特征融合后，生成指示信息，解决了相关技术中，识别信号灯或者人行横道，会导致对城市道路工况的识别度较低，从而降低车辆行驶的安全性的问题，提高了车辆行驶的安全性。
需要说明的是，上述各个模块可以是功能模块也可以是程序模块，既可以通过软件来实现，也可以通过硬件来实现。对于通过硬件来实现的模块而言，上述各个模块可以位于同一处理器中；或者上述各个模块还可以按照任意组合的形式分别位于不同的处理器中。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种车辆通行信息的生成方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
在一个实施例中，图8是根据本申请实施例的电子设备的内部结构示意图，如图8所示，提供了一种电子设备，该电子设备可以是服务器，其内部结构图可以如图8所示。该电子设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该电子设备的处理器用于提供计算和控制能力。该电子设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该电子设备的数据库用于存储数据。该电子设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种车辆通行信息的生成方法。
本领域技术人员可以理解，图8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电子设备的限定，具体的电子设备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。
在一个实施例中，提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述各实施例提供的车辆通行信息的生成方法中的步骤。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述各个实施例提供的车辆通行信息的生成方法中的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，该计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种车辆通行信息的生成方法，其特征在于，所述方法包括：
获取车辆的道路图像，对所述道路图像进行场景视觉分析，得到所述道路图像的多个图像特征，其中，所述图像特征包括参考特征和指示特征；
将所述参考特征与所述指示特征进行匹配，得到所述车辆通行的指示信息。
2.根据权利要求1所述的方法，其特征在于，所述对所述道路图像进行场景视觉分析，得到所述道路图像的多个图像特征包括：
根据所述道路图像的特征图谱，在预设区域中，识别所述图像特征的类别和坐标，其中，所述特征图谱通过卷积神经网络得到。
3.根据权利要求2所述的方法，其特征在于，所述对所述道路图像进行场景视觉分析，得到所述道路图像的多个图像特征包括以下至少之一：
在所述图像特征包括移动目标的情况下，根据所述特征图谱，在第一预设区域，对所述道路图像中的移动目标进行分类与位置回归，输出所述移动目标的类别和坐标；
在所述图像特征包括行驶线的情况下，根据所述特征图谱，在第二预设区域中进行像素级分类，输出所述行驶线的类别和坐标，其中，所述行驶线包括车道线和道路边线；
在所述图像特征包括人行横道的情况下，根据所述人行横道的空间几何参数获取第三预设区域，在所述第三预设区域中，根据所述特征图谱输出所述人行横道的区域置信度和坐标；
在所述图像特征包括通行信号设备的情况下，根据所述通行信号设备的检测范围和几何参数确定第四预设区域，在所述第四预设区域中，根据所述特征图谱，识别所述通行信号设备的类别和状态；
在所述图像特征包括路面标识的情况下，根据所述特征图谱，在第五预设区域中，获取所述路面标识的类别和坐标。
4.根据权利要求2所述的方法，其特征在于，在所述参考特征包括车道线，所述指示特征包括路面标识、移动目标和通行信号设备的情况下，所述将所述参考特征与所述指示特征进行匹配包括：
在所述道路图像中，根据所述车道线的坐标获取车道区间，根据所述路面标识的坐标获取第一中心点，根据所述第一中心点与所述车道区间的位置关系，将所述路面标识与所述车道区间进行匹配，其中，所述第一中心点是所述路面标识的中心点；
在所述道路图像中，根据所述移动目标的位置信息获取第二中心点，根据所述第二中心点与所述车道区间的位置关系，将所述移动目标与所述车道区间进行匹配，其中，所述第二中心点是所述移动目标的中心点；
在所述道路图像中，获取所述通行信号设备的通行信息，将所述通行信息与所述车道线的行驶方向进行匹配。
5.根据权利要求4所述的方法，其特征在于，在所述获取所述车道线的车道区间之前，所述方法包括：
根据图像采集设备的参数，获取图像坐标系与设备坐标系之间的映射关系矩阵；
根据所述映射关系矩阵计算所述图像特征的空间位置，根据所述车辆的运动信息，对所述空间位置进行滤波。
6.根据权利要求4所述的方法，其特征在于，所述得到所述车辆通行的指示信息包括：
获取第一速度，在预设提示区域中，在所述第一速度大于预设速度阈值的情况下，生成第一指示信号，其中，所述第一速度为所述车辆的速度。
7.根据权利要求4所述的方法，其特征在于，所述得到所述车辆通行的指示信息包括：
获取第二速度，在所述第二速度小于或者等于运动状态阈值的情况下，判定所述移动目标为静止目标，其中，所述第二速度为所述移动目标的速度；
根据所述移动目标与所述车道区间的匹配结果，判断所述移动目标与所述车辆是否位于同一车道区间；
在所述车辆所属的车道区间上，不存在所述静止目标的情况下，根据所述通行信息，生成第二指示信号，或者，在所述车辆所处的车道线上，存在所述静止目标的情况下，根据所述静止目标的状态变化，生成第三指示信号。
8.一种车辆通行信息的生成装置，其特征在于，所述装置包括：图像采集设备和芯片；
所述图像采集设备获取车辆的道路图像，所述芯片对所述道路图像进行场景视觉分析，得到所述道路图像的多个图像特征，其中，所述图像特征包括参考特征和指示特征；
所述芯片将所述参考特征与所述指示特征进行匹配，得到所述车辆通行的指示信息。
9.一种计算机设备，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7中任一项所述方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1至7中任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010667259.7A CN112001235A (zh) | 2020-07-13 | 2020-07-13 | 车辆通行信息的生成方法、装置和计算机设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010667259.7A CN112001235A (zh) | 2020-07-13 | 2020-07-13 | 车辆通行信息的生成方法、装置和计算机设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112001235A true CN112001235A (zh) | 2020-11-27 |
Family
ID=73468007
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010667259.7A Pending CN112001235A (zh) | 2020-07-13 | 2020-07-13 | 车辆通行信息的生成方法、装置和计算机设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112001235A (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112818853A (zh) * | 2021-02-01 | 2021-05-18 | 中国第一汽车股份有限公司 | 一种交通要素识别方法、装置、设备及储存介质 |
| CN113450571A (zh) * | 2021-09-01 | 2021-09-28 | 深圳市鼎粤科技有限公司 | 基于交通路口的行驶方向提醒方法、装置及存储介质 |
| CN113781055A (zh) * | 2021-09-16 | 2021-12-10 | 广东省智能家电研究院 | 基于工业互联网标识的结算方法、装置、电子设备及系统 |
| CN113963060A (zh) * | 2021-09-22 | 2022-01-21 | 腾讯科技（深圳）有限公司 | 基于人工智能的车信图像处理方法、装置及电子设备 |
| CN115294795A (zh) * | 2022-06-10 | 2022-11-04 | 华南师范大学 | 人行横道督导方法、电子设备、存储介质 |
| JP7497398B2 (ja) | 2022-09-26 | 2024-06-10 | 株式会社デンソーテン | 情報処理装置、情報処理方法およびプログラム |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2009122825A (ja) * | 2007-11-13 | 2009-06-04 | Clarion Co Ltd | 走行状況判定装置 |
| CN102117546A (zh) * | 2011-03-10 | 2011-07-06 | 上海交通大学 | 车载交通信号灯辅助装置 |
| CN105185140A (zh) * | 2015-09-30 | 2015-12-23 | 上海修源网络科技有限公司 | 一种辅助驾驶方法和系统 |
| US20180005054A1 (en) * | 2016-06-30 | 2018-01-04 | Beijing Kuangshi Technology Co., Ltd. | Driving assistance information generating method and device, and driving assistance system |
| CN107978165A (zh) * | 2017-12-12 | 2018-05-01 | 南京理工大学 | 基于计算机视觉的交叉口标志标线与信号灯智能感知方法 |
| CN108394410A (zh) * | 2017-02-08 | 2018-08-14 | 现代自动车株式会社 | Ecu、包括该ecu的自动驾驶车辆以及确定该车辆的行驶车道的方法 |
| CN109859509A (zh) * | 2018-11-13 | 2019-06-07 | 惠州市德赛西威汽车电子股份有限公司 | 车道通行状态提醒方法及设备 |
| CN110825093A (zh) * | 2019-11-28 | 2020-02-21 | 安徽江淮汽车集团股份有限公司 | 自动驾驶策略生成方法、装置、设备及存储介质 |
-
2020
- 2020-07-13 CN CN202010667259.7A patent/CN112001235A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2009122825A (ja) * | 2007-11-13 | 2009-06-04 | Clarion Co Ltd | 走行状況判定装置 |
| CN102117546A (zh) * | 2011-03-10 | 2011-07-06 | 上海交通大学 | 车载交通信号灯辅助装置 |
| CN105185140A (zh) * | 2015-09-30 | 2015-12-23 | 上海修源网络科技有限公司 | 一种辅助驾驶方法和系统 |
| US20180005054A1 (en) * | 2016-06-30 | 2018-01-04 | Beijing Kuangshi Technology Co., Ltd. | Driving assistance information generating method and device, and driving assistance system |
| CN108394410A (zh) * | 2017-02-08 | 2018-08-14 | 现代自动车株式会社 | Ecu、包括该ecu的自动驾驶车辆以及确定该车辆的行驶车道的方法 |
| CN107978165A (zh) * | 2017-12-12 | 2018-05-01 | 南京理工大学 | 基于计算机视觉的交叉口标志标线与信号灯智能感知方法 |
| CN109859509A (zh) * | 2018-11-13 | 2019-06-07 | 惠州市德赛西威汽车电子股份有限公司 | 车道通行状态提醒方法及设备 |
| CN110825093A (zh) * | 2019-11-28 | 2020-02-21 | 安徽江淮汽车集团股份有限公司 | 自动驾驶策略生成方法、装置、设备及存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| 陈慧岩等: "《无人驾驶车辆理论与设计》", 北京理工大学出版社, pages: 34 - 39 * |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112818853A (zh) * | 2021-02-01 | 2021-05-18 | 中国第一汽车股份有限公司 | 一种交通要素识别方法、装置、设备及储存介质 |
| CN112818853B (zh) * | 2021-02-01 | 2022-07-19 | 中国第一汽车股份有限公司 | 一种交通要素识别方法、装置、设备及储存介质 |
| CN113450571A (zh) * | 2021-09-01 | 2021-09-28 | 深圳市鼎粤科技有限公司 | 基于交通路口的行驶方向提醒方法、装置及存储介质 |
| CN113781055A (zh) * | 2021-09-16 | 2021-12-10 | 广东省智能家电研究院 | 基于工业互联网标识的结算方法、装置、电子设备及系统 |
| CN113781055B (zh) * | 2021-09-16 | 2024-04-09 | 广东省智能家电研究院 | 基于工业互联网标识的结算方法、装置、电子设备及系统 |
| CN113963060A (zh) * | 2021-09-22 | 2022-01-21 | 腾讯科技（深圳）有限公司 | 基于人工智能的车信图像处理方法、装置及电子设备 |
| CN113963060B (zh) * | 2021-09-22 | 2022-03-18 | 腾讯科技（深圳）有限公司 | 基于人工智能的车信图像处理方法、装置及电子设备 |
| CN115294795A (zh) * | 2022-06-10 | 2022-11-04 | 华南师范大学 | 人行横道督导方法、电子设备、存储介质 |
| JP7497398B2 (ja) | 2022-09-26 | 2024-06-10 | 株式会社デンソーテン | 情報処理装置、情報処理方法およびプログラム |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112001235A (zh) | 车辆通行信息的生成方法、装置和计算机设备 | |
| CN113284366B (zh) | 车辆盲区预警方法、预警装置、mec平台和存储介质 | |
| CN111212772B (zh) | 用于确定车辆的驾驶策略的方法和设备 | |
| US20180373943A1 (en) | Computer implemented detecting method, computer implemented learning method, detecting apparatus, learning apparatus, detecting system, and recording medium | |
| CN111874006B (zh) | 路线规划处理方法和装置 | |
| CN109284674B (zh) | 一种确定车道线的方法及装置 | |
| US9652980B2 (en) | Enhanced clear path detection in the presence of traffic infrastructure indicator | |
| CN114375467B (zh) | 用于检测紧急车辆的系统和方法 | |
| US20180031384A1 (en) | Augmented road line detection and display system | |
| US11200432B2 (en) | Method and apparatus for determining driving information | |
| CN111986128A (zh) | 偏心图像融合 | |
| US11776277B2 (en) | Apparatus, method, and computer program for identifying state of object, and controller | |
| US20210182575A1 (en) | Device and method for generating travel trajectory data in intersection, and vehicle-mounted device | |
| US20210312199A1 (en) | Apparatus, method, and computer program for identifying state of object, and controller | |
| US11928871B2 (en) | Vehicle position estimation device and traveling position estimation method | |
| JP4775658B2 (ja) | 地物認識装置・自車位置認識装置・ナビゲーション装置・地物認識方法 | |
| JP5522475B2 (ja) | ナビゲーション装置 | |
| JP2020125033A (ja) | 表示制御装置および表示制御プログラム | |
| CN114639085A (zh) | 交通信号灯识别方法、装置、计算机设备和存储介质 | |
| JP7226368B2 (ja) | 物体状態識別装置 | |
| CN112781600A (zh) | 一种车辆导航方法、装置及存储介质 | |
| KR20200028679A (ko) | 차선을 검출하는 방법 및 장치 | |
| US20220292686A1 (en) | Image processing apparatus, image processing method, and computer-readable storage medium storing program | |
| JP7255706B2 (ja) | 信号機認識方法及び信号機認識装置 | |
| JP7255707B2 (ja) | 信号機認識方法及び信号機認識装置 |
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 | ||
| CB02 | Change of applicant information | ||
| CB02 | Change of applicant information |
Address after: 310051 Room 301, building 3, no.2930, South Ring Road, Puyan street, Binjiang District, Hangzhou City, Zhejiang Province Applicant after: Zhejiang huaruijie Technology Co.,Ltd. Address before: 310051 Room 301, building 3, no.2930, South Ring Road, Puyan street, Binjiang District, Hangzhou City, Zhejiang Province Applicant before: Zhejiang Dahua Automobile Technology Co.,Ltd. |