CN112115857B - 智能汽车的车道线识别方法、装置、电子设备及介质 - Google Patents
智能汽车的车道线识别方法、装置、电子设备及介质 Download PDFInfo
- Publication number
- CN112115857B CN112115857B CN202010981915.0A CN202010981915A CN112115857B CN 112115857 B CN112115857 B CN 112115857B CN 202010981915 A CN202010981915 A CN 202010981915A CN 112115857 B CN112115857 B CN 112115857B
- Authority
- CN
- China
- Prior art keywords
- lane line
- generate
- initial
- intelligent automobile
- virtual
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 61
- 230000007613 environmental effect Effects 0.000 claims abstract description 21
- 230000004927 fusion Effects 0.000 claims abstract description 16
- 230000008569 process Effects 0.000 claims abstract description 16
- 239000011159 matrix material Substances 0.000 claims description 24
- 230000009466 transformation Effects 0.000 claims description 24
- 238000012937 correction Methods 0.000 claims description 6
- 238000007499 fusion processing Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 4
- 238000003709 image segmentation Methods 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 claims description 3
- 230000007547 defect Effects 0.000 abstract description 4
- 238000001514 detection method Methods 0.000 description 16
- 238000010586 diagram Methods 0.000 description 11
- 238000012545 processing Methods 0.000 description 9
- 238000005286 illumination Methods 0.000 description 6
- 238000005259 measurement Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000004873 anchoring Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000004575 stone Substances 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
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
- G06F18/21—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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Traffic Control Systems (AREA)
- Image Analysis (AREA)
Abstract
本公开涉及一种智能汽车的车道线识别方法、装置、电子设备及计算机可读介质。该方法包括：智能汽车在行驶过程中通过车载摄像头获取环境图像；将所述环境图像输入车道线识别模型中以生成初始车道线；基于预设车道线信息生成虚拟车道线；将所述初始车道线和所述虚拟车道线进行融合补偿以生成车道线识别结果。本公开涉及的智能汽车的车道线识别方法、装置、电子设备及计算机可读介质，能够有效克服传统车道线识别中的不足，辅助智能汽车迅速准确的进行车道线的识别，提高自动驾驶安全性。
Description
技术领域
本公开涉及计算机信息处理领域，具体而言，涉及一种智能汽车的车道线识别方法、装置、电子设备及计算机可读介质。
背景技术
港口作业区自动驾驶作业，车辆定位及运动规划，严重依赖场景中的路面结构信息，尤其是车道线信息，以生成合理行走路径，实现安全运营。
现有技术中，存在一种基于激光雷达的车道线检测系统，这种检测方式受限于激光反射的物理特性，难以在港区常年变换的货物布局和天气、光照条件下得到鲁棒结果。现有技术中，还存在一种基于视觉的传统车道线检测系统，这种检测方式对车道线的清晰度要求较高，且转换到物理坐标系的检测结果往往存在一定幅度的摆动，对于港区重卡常年压擦磨损及土石杂物掩盖车道线的常态，难以输出可靠检测结果。
因此，需要一种新的智能汽车的车道线识别方法、装置、电子设备及计算机可读介质。
所述背景技术部分公开的上述信息仅用于加强对本公开的背景的理解，因此它可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
有鉴于此，本公开提供一种智能汽车的车道线识别方法、装置、电子设备及计算机可读介质，能够有效克服传统车道线识别中的不足，辅助智能汽车迅速准确的进行车道线的识别，提高自动驾驶安全性。
本公开的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本公开的实践而习得。
根据本公开的一方面，提出一种智能汽车的车道线识别方法，该方法包括：智能汽车在行驶过程中通过车载摄像头获取环境图像；将所述环境图像输入车道线识别模型中以生成初始车道线；基于预设车道线信息生成虚拟车道线；将所述初始车道线和所述虚拟车道线进行融合补偿以生成车道线识别结果。
在本公开的一种示例性实施例中，还包括：所述智能汽车基于所述车道线识别结果生成行驶路线。
在本公开的一种示例性实施例中，还包括：通过所述智能汽车上的传感器获取任意连续的两帧环境图像对应的传感器数据之间的空间变换关系；基于所述空间变换关系和所述任意连续的两帧环境图像对所述车道线识别结果进行融合处理。
在本公开的一种示例性实施例中，还包括：通过多个历史环境图像对图像分割神经网络模型进行训练，以生成所述车道线识别模型。
在本公开的一种示例性实施例中，将所述环境图像输入车道线识别模型中以生成初始车道线，包括：将所述环境图像输入车道线识别模型中，生成车道线实例；获取所述智能汽车的传感器标定矩阵；基于所述传感器标定矩阵对所述车道线实例进行坐标转换以生成所述初始车道线。
在本公开的一种示例性实施例中，基于所述传感器标定矩阵对所述车道线实例进行坐标转换以生成所述初始车道线，包括：基于所述车载摄像头的位置在所述智能汽车上的多个传感器中确定目标传感器；基于所述目标传感器生成修正矩阵；基于所述修正矩阵、所述标定矩阵对所述车道线实例进行坐标转换以生成所述初始车道线。
在本公开的一种示例性实施例中，基于预设车道线信息生成虚拟车道线，包括：获取所述初始车道线的类别；基于所述类别确定目标车道线信息；基于所述目标车道线信息中的位置特征生成所述虚拟车道线。
在本公开的一种示例性实施例中，将所述初始车道线和所述虚拟车道线进行融合补偿以生成车道线识别结果，包括：获取所述虚拟车道线的第一点集合；获取所述初始车道线的第二点集合；将所述第一点集合和所述第二点集合中的点进行合并，生成第三点集合；将所述第三点集合中的点进行拟合以生成所述车道线识别结果。
在本公开的一种示例性实施例中，通过所述智能汽车上的传感器获取任意连续的两帧环境图像之间的空间变换关系，包括：通过所述智能汽车上的传感器获取任意连续的两帧环境图像对应的传感器数据；基于所述任意连续的两帧环境图像对应传感器数据生成所述空间变换关系。
在本公开的一种示例性实施例中，基于所述空间变换关系和所述任意连续的两帧环境图像对所述车道线识别结果进行融合处理，包括：根据预设规则为所述任意连续的两帧环境图像分别更新置信度；基于所述置信度、所述两帧环境图像对应的传感器数据对所述车道线识别结果进行融合处理。
根据本公开的一方面，提出一种智能汽车的车道线识别装置，该装置包括：图像模块，用于智能汽车在行驶过程中通过车载摄像头获取环境图像；初始模块，用于将所述环境图像输入车道线识别模型中以生成初始车道线；虚拟模块，用于基于预设车道线信息生成虚拟车道线；识别模块，用于将所述初始车道线和所述虚拟车道线进行融合补偿以生成车道线识别结果。
在本公开的一种示例性实施例中，还包括：融合模块，用于通过所述智能汽车上的传感器获取任意连续的两帧环境图像之间的空间变换关系；并基于所述空间变换关系和所述任意连续的两帧环境图像对所述车道线识别结果进行融合处理。
根据本公开的一方面，提出一种电子设备，该电子设备包括：一个或多个处理器；存储装置，用于存储一个或多个程序；当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如上文的方法。
根据本公开的一方面，提出一种计算机可读介质，其上存储有计算机程序，该程序被处理器执行时实现如上文中的方法。
根据本公开的智能汽车的车道线识别方法、装置、电子设备及计算机可读介质，智能汽车在行驶过程中通过车载摄像头获取环境图像；将所述环境图像输入车道线识别模型中以生成初始车道线；基于预设车道线信息生成虚拟车道线；将所述初始车道线和所述虚拟车道线进行融合补偿以生成车道线识别结果的方式，能够有效克服传统车道线识别中的不足，辅助智能汽车迅速准确的进行车道线的识别，提高自动驾驶安全性。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性的，并不能限制本公开。
附图说明
通过参照附图详细描述其示例实施例，本公开的上述和其它目标、特征及优点将变得更加显而易见。下面描述的附图仅仅是本公开的一些实施例，对于本领域的普通技术人员来讲，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是根据一示例性实施例示出的一种智能汽车的车道线识别方法的流程图。
图2是根据一示例性实施例示出的一种智能汽车的车道线识别方法的流程图。
图3是根据另一示例性实施例示出的一种智能汽车的车道线识别方法的流程图。
图4是根据另一示例性实施例示出的一种智能汽车的车道线识别方法的示意图。
图5是根据一示例性实施例示出的一种智能汽车的车道线识别装置的框图。
图6是根据一示例性实施例示出的一种电子设备的框图。
图7是根据一示例性实施例示出的一种计算机可读介质的框图。
具体实施方式
现在将参考附图更全面地描述示例实施例。然而，示例实施例能够以多种形式实施，且不应被理解为限于在此阐述的实施例；相反，提供这些实施例使得本公开将全面和完整，并将示例实施例的构思全面地传达给本领域的技术人员。在图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。
此外，所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中，提供许多具体细节从而给出对本公开的实施例的充分理解。然而，本领域技术人员将意识到，可以实践本公开的技术方案而没有特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知方法、装置、实现或者操作以避免模糊本公开的各方面。
附图中所示的方框图仅仅是功能实体，不一定必须与物理上独立的实体相对应。即，可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
附图中所示的流程图仅是示例性说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解，而有的操作/步骤可以合并或部分合并，因此实际执行的顺序有可能根据实际情况改变。
应理解，虽然本文中可能使用术语第一、第二、第三等来描述各种组件，但这些组件不应受这些术语限制。这些术语乃用以区分一组件与另一组件。因此，下文论述的第一组件可称为第二组件而不偏离本公开概念的教示。如本文中所使用，术语“及/或”包括相关联的列出项目中的任一个及一或多者的所有组合。
本领域技术人员可以理解，附图只是示例实施例的示意图，附图中的模块或流程并不一定是实施本公开所必须的，因此不能用于限制本公开的保护范围。
图1是根据一示例性实施例示出的一种智能汽车的车道线识别方法的流程图。智能汽车的车道线识别方法10至少包括步骤S102至S108。
如图1所示，在S102中，智能汽车在行驶过程中通过车载摄像头获取环境图像。
在S104中，将所述环境图像输入车道线识别模型中以生成初始车道线。包括：将所述环境图像输入车道线识别模型中，生成车道线实例；获取所述智能汽车的传感器标定矩阵；基于所述传感器标定矩阵对所述车道线实例进行坐标转换以生成所述初始车道线。
在一个实施例中，还包括：通过多个历史环境图像对图像分割神经网络模型进行训练，以生成所述车道线识别模型。
更具体的，可获取白天多种天气、光照、场地图像数据和夜间场地照明、自车照明和其他照明条件下的图像数据，利用数据增强训练方法，训练昼夜通用检测模型作为车道线识别模型。车道线识别模型的输入为车载摄像头采集的图像数据(彩色、灰度、双目等)，经过计算之后，输出包含像素级别的置信度、坐标偏移、实例标签等信息，通过图像像素后处理得到车道线实例。
更具体的，可结合水平相机参考系(当前相机坐标系俯仰旋转至光轴水平)下相机高度，及小孔相机物像相似性关系，得到像素的相机坐标，再利用外参矩阵将点相机的坐标变换到车身/世界坐标系中，经过坐标转换之后生成初始车道线。
在S106中，基于预设车道线信息生成虚拟车道线。包括：获取所述初始车道线的类别；基于所述类别确定目标车道线信息；基于所述目标车道线信息中的位置特征生成所述虚拟车道线。
可事先通过港区车道线高度结构化的特性，定义特性一致的锚定车道线类型，车道线信息中可包括某个类型的车道线和其对应的线宽度、路面宽度，对侧车道线距离等等。在得到车身/世界坐标系下的初始车道线组后，利用识别出的车道线类型，在预先存储的车道线信息中进行查询，基于该类车道线的位置特性(左线、右线、堆侧线等)，规则化生成对应关联的虚拟车道线。
在S108中，将所述初始车道线和所述虚拟车道线进行融合补偿以生成车道线识别结果。包括：获取所述虚拟车道线的第一点集合；获取所述初始车道线的第二点集合；将所述第一点集合和所述第二点集合中的点进行合并，生成第三点集合；将所述第三点集合中的点进行拟合以生成所述车道线识别结果。
在一个实施例中，还包括：所述智能汽车基于所述车道线识别结果生成行驶路线。
根据本公开的智能汽车的车道线识别方法，智能汽车在行驶过程中通过车载摄像头获取环境图像；将所述环境图像输入车道线识别模型中以生成初始车道线；基于预设车道线信息生成虚拟车道线；将所述初始车道线和所述虚拟车道线进行融合补偿以生成车道线识别结果的方式，能够有效克服传统车道线识别中的不足，辅助智能汽车迅速准确的进行车道线的识别，提高自动驾驶安全性。
在一个实施例中，还包括：通过所述智能汽车上的传感器获取任意连续的两帧环境图像对应的传感器数据之间的空间变换关系；基于所述空间变换关系和所述任意连续的两帧环境图像对所述车道线识别结果进行融合处理。如图2所示，智能汽车的车道线识别方法20至少包括步骤S202至S208。
如图2所示，在S202中，通过所述智能汽车上的传感器获取任意连续的两帧环境图像对应的传感器数据。获取任意连续的两帧环境图像对应的时间戳，基于时间戳确定对应的传感器数据。
在S204中，基于所述任意连续的两帧环境图像对应传感器数据生成所述空间变换关系。更具体的，可利用gps或者imu获取两帧时间间隔内，车辆的绝对或相对位置姿态变化矩阵，将历史帧的车道线点转换到当前车身坐标系下。
在S206中，根据预设规则为所述任意连续的两帧环境图像分别更新置信度。可例如，设置当前帧车道线置信度即为模型检测置信度；历史帧车道线置信度按公式累积递减：
Ccur＝Cprev*l ambda，
其中，Ccur为当前车道线置信度，Cprev为前一帧车道线置信度，l ambda取值在(0.0,1.0]，为衰减系数。更具体的，l ambda典型值可设为0.5，表示当前帧的检测结果每往后传递一帧，置信度衰减为当前值的一半。
在S208中，基于所述置信度、所述两帧环境图像对应的传感器数据对所述车道线识别结果进行融合处理。将配对的历史帧车道线和当前帧车道线进行融合后，与当前帧的其他检测的车道线一并输出；没有配对上的历史车道线，可进行置信度惩罚，若持续没有配对，若干帧后将被设定的置信度阈值过滤掉，然后丢弃。
通过物理传感器获取连续图像帧之间的空间变换关系，将历史帧通过上文的检测结果变换到当前时间的物理坐标中，并根据时间间隔进行相应的置信度衰减，然后与当前帧中的车道线通过上文的检测结果进行融合，实现时序上的平滑，即对当前漏检的车道线利用历史信息进行补全，保证检测结果数据连续、稳定。
应清楚地理解，本公开描述了如何形成和使用特定示例，但本公开的原理不限于这些示例的任何细节。相反，基于本公开公开的内容的教导，这些原理能够应用于许多其它实施例。
图3是根据另一示例性实施例示出的一种智能汽车的车道线识别方法的流程图。图3所示的流程30是对图1所示的流程中S104“将所述环境图像输入车道线识别模型中以生成初始车道线”的详细描述。
如图3所示，在S302中，将所述环境图像输入车道线识别模型中生成车道线实例。
在S304中，获取所述智能汽车的传感器标定矩阵。目前自动驾驶中常见的传感器可包括：摄像头、惯性测量单元、激光雷达。三种传感器各有优劣。摄像头方案成本低，可以识别不同的物体，在物体高度与宽度测量精度、车道线识别、行人识别准确度等方面有优势，但作用距离和测距精度不如毫米波雷达，并且容易受光照、天气等因素的影响。惯性测量单元(InertialMeasurementUnit，IMU)通常由陀螺仪、加速剂和算法处理单元组成，通过对加速度和旋转角度的测量得出本车的运动轨迹。激光雷达成本高，测距精度最高，但是对物体的材质属性识别较差，另外分辨率较低也是影响使用的原因之一。总之只有相互配合取长补短，才能实现更稳定可靠的自动驾驶。
使得三种传感器协调统一工作的基础就是传感器的标定，传感器标定是自动驾驶的基本需求，一个车上装了多个/多种传感器，而它们之间的坐标关系是需要确定的。传感器的标定就是确定不同传感器的不同坐标系之间的相互转换关系，是传感器数据融合的前提，特别是激光雷达的点云数据和图像数据。传感器标定矩阵是在智能汽车出厂前进行设置的，传感器标定矩阵预先存储在智能汽车中。
在S306中，基于所述传感器标定矩阵对所述车道线实例进行坐标转换以生成所述初始车道线。包括：基于所述车载摄像头的位置在所述智能汽车上的多个传感器中确定目标传感器；基于所述目标传感器生成修正矩阵；基于所述修正矩阵、所述标定矩阵对所述车道线实例进行坐标转换以生成所述初始车道线。
车辆行驶过程中，一些明显抖动会使得实际中的传感器标定矩阵与预先测量值有所偏差，导致转换后的平行车道线发生偏移的情况。在这个情况下，可通过与相机运动一致的车载传感器(imu或gps)来估测偏差的变化值，以修正上述变换矩阵，可以有效减少“内外八”情况，得到更实际更贴近的检测结果。
图4是根据另一示例性实施例示出的一种智能汽车的车道线识别方法的示意图。图4所示的示意图是对图2所示的流程中S208“将所述初始车道线和所述虚拟车道线进行融合补偿以生成车道线识别结果”在物理坐标系下的融合示意图。
如图4所示，在智能车辆行驶在预设区域时，具体可为如上文所述的港口区域时，可事先通过港口车道线高度结构化的特性，定义特性一致的锚定车道线类型，车道线信息中可包括某个类型的车道线和其对应的线宽度、路面宽度，对侧车道线距离等等。在得到车身/世界坐标系下的初始车道线组后，利用识别出的车道线类型，在预先存储的车道线信息中进行查询，基于该类车道线的位置特性(左线、右线、堆侧线等)，规则化生成对应关联的虚拟车道线。未融合的车道线(包含实际检测和补偿的虚拟车道线)依置信度保留，可有效提升各中天气和路面情况下的的车道线召回率。
在一个实施例中，集装箱堆场车道宽度值一般是一致的，在已知左、右线中的一条时，可以根据车道宽度补充一条虚拟线，当对侧线没有检出时，虚拟线会与其他实际检测线一并输出；对侧线检出时，则按与它的点集合并后重新拟合，再与其他实际检测线一并输出。还可例如，将融合的车道线之间求取平滑后的结果输出，提升结果稳定性。
本领域技术人员可以理解实现上述实施例的全部或部分步骤被实现为由CPU执行的计算机程序。在该计算机程序被CPU执行时，执行本公开提供的上述方法所限定的上述功能。所述的程序可以存储于一种计算机可读存储介质中，该存储介质可以是只读存储器，磁盘或光盘等。
此外，需要注意的是，上述附图仅是根据本公开示例性实施例的方法所包括的处理的示意性说明，而不是限制目的。易于理解，上述附图所示的处理并不表明或限制这些处理的时间顺序。另外，也易于理解，这些处理可以是例如在多个模块中同步或异步执行的。
下述为本公开装置实施例，可以用于执行本公开方法实施例。对于本公开装置实施例中未披露的细节，请参照本公开方法实施例。
图5是根据一示例性实施例示出的一种智能汽车的车道线识别装置的框图。如图5所示，智能汽车的车道线识别装置50包括：图像模块502，初始模块504，虚拟模块506，识别模块508，融合模块510。
图像模块502用于智能汽车在行驶过程中通过车载摄像头获取环境图像；
初始模块504用于将所述环境图像输入车道线识别模型中以生成初始车道线；
虚拟模块506用于基于预设车道线信息生成虚拟车道线；
识别模块508用于将所述初始车道线和所述虚拟车道线进行融合补偿以生成车道线识别结果。
融合模块510用于通过所述智能汽车上的传感器获取任意连续的两帧环境图像之间的空间变换关系；并基于所述空间变换关系和所述任意连续的两帧环境图像对所述车道线识别结果进行融合处理。
根据本公开的智能汽车的车道线识别装置，智能汽车在行驶过程中通过车载摄像头获取环境图像；将所述环境图像输入车道线识别模型中以生成初始车道线；基于预设车道线信息生成虚拟车道线；将所述初始车道线和所述虚拟车道线进行融合补偿以生成车道线识别结果的方式，能够有效克服传统车道线识别中的不足，辅助智能汽车迅速准确的进行车道线的识别，提高自动驾驶安全性。
图6是根据一示例性实施例示出的一种电子设备的框图。
下面参照图6来描述根据本公开的这种实施方式的电子设备600。图6显示的电子设备600仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
如图6所示，电子设备600以通用计算设备的形式表现。电子设备600的组件可以包括但不限于：至少一个处理单元610、至少一个存储单元620、连接不同系统组件(包括存储单元620和处理单元610)的总线630、显示单元640等。
其中，所述存储单元存储有程序代码，所述程序代码可以被所述处理单元610执行，使得所述处理单元610执行本说明书中描述的根据本公开各种示例性实施方式的步骤。例如，所述处理单元610可以执行如图1，图2，图3中所示的步骤。
所述存储单元620可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(RAM)6201和/或高速缓存存储单元6202，还可以进一步包括只读存储单元(ROM)6203。
所述存储单元620还可以包括具有一组(至少一个)程序模块6205的程序/实用工具6204，这样的程序模块6205包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线630可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备600也可以与一个或多个外部设备600’(例如键盘、指向设备、蓝牙设备等)通信，使得用户能与该电子设备600交互的设备通信，和/或该电子设备600能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口650进行。并且，电子设备600还可以通过网络适配器660与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。网络适配器660可以通过总线630与电子设备600的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备600使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，如图,7所示，根据本公开实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、或者网络设备等)执行根据本公开实施方式的上述方法。
所述软件产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
所述计算机可读存储介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读存储介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。可读存储介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本公开操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被一个该设备执行时，使得该计算机可读介质实现如下功能：智能汽车在行驶过程中通过车载摄像头获取环境图像；将所述环境图像输入车道线识别模型中以生成初始车道线；基于预设车道线信息生成虚拟车道线；将所述初始车道线和所述虚拟车道线进行融合补偿以生成车道线识别结果。
本领域技术人员可以理解上述各模块可以按照实施例的描述分布于装置中，也可以进行相应变化唯一不同于本实施例的一个或多个装置中。上述实施例的模块可以合并为一个模块，也可以进一步拆分成多个子模块。
通过以上的实施例的描述，本领域的技术人员易于理解，这里描述的示例实施例可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施例的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、移动终端、或者网络设备等)执行根据本公开实施例的方法。
以上具体地示出和描述了本公开的示例性实施例。应可理解的是，本公开不限于这里描述的详细结构、设置方式或实现方法；相反，本公开意图涵盖包含在所附权利要求的精神和范围内的各种修改和等效设置。
Claims (9)
1.一种智能汽车的车道线识别方法，其特征在于，包括：
智能汽车在行驶过程中通过车载摄像头获取环境图像；
将所述环境图像输入车道线识别模型中以生成初始车道线；
基于预设车道线信息生成虚拟车道线，包括：获取所述初始车道线的类别；基于所述类别确定目标车道线信息；基于所述目标车道线信息中的位置特征生成所述虚拟车道线；
将所述初始车道线和所述虚拟车道线进行融合补偿，以生成车道线识别结果，
对所述车道线识别结果进行融合处理，包括：
通过所述智能汽车上的传感器获取任意连续的两帧环境图像对应的传感器数据，
基于所述任意连续的两帧环境图像对应传感器数据生成空间变换关系，
根据预设规则为所述任意连续的两帧环境图像分别更新置信度，
基于所述置信度、所述两帧环境图像对应的传感器数据对所述车道线识别结果进行融合处理。
2.如权利要求1所述的方法，其特征在于，还包括：
所述智能汽车基于所述车道线识别结果生成行驶路线。
3.如权利要求1所述的方法，其特征在于，还包括：
通过多个历史环境图像对图像分割神经网络模型进行训练，以生成所述车道线识别模型。
4.如权利要求1所述的方法，其特征在于，将所述环境图像输入车道线识别模型中以生成初始车道线，包括：
将所述环境图像输入车道线识别模型中，生成车道线实例；
获取所述智能汽车的传感器标定矩阵；
基于所述传感器标定矩阵对所述车道线实例进行坐标转换以生成所述初始车道线。
5.如权利要求4所述的方法，其特征在于，基于所述传感器标定矩阵对所述车道线实例进行坐标转换以生成所述初始车道线，包括：
基于所述车载摄像头的位置在所述智能汽车上的多个传感器中确定目标传感器；
基于所述目标传感器生成修正矩阵；
基于所述修正矩阵、所述标定矩阵对所述车道线实例进行坐标转换以生成所述初始车道线。
6.如权利要求1所述的方法，其特征在于，将所述初始车道线和所述虚拟车道线进行融合补偿以生成车道线识别结果，包括：
获取所述虚拟车道线的第一点集合；
获取所述初始车道线的第二点集合；
将所述第一点集合和所述第二点集合中的点进行合并，生成第三点集合；
将所述第三点集合中的点进行拟合以生成所述车道线识别结果。
7.一种智能汽车的车道线识别装置，其特征在于，包括：
图像模块，用于智能汽车在行驶过程中通过车载摄像头获取环境图像；
初始模块，用于将所述环境图像输入车道线识别模型中以生成初始车道线；
虚拟模块，用于基于预设车道线信息生成虚拟车道线，包括：获取所述初始车道线的类别；基于所述类别确定目标车道线信息；基于所述目标车道线信息中的位置特征生成所述虚拟车道线；
识别模块，用于将所述初始车道线和所述虚拟车道线进行融合补偿以生成车道线识别结果，
融合模块，用于对所述车道线识别结果进行融合处理，包括：通过所述智能汽车上的传感器获取任意连续的两帧环境图像对应的传感器数据，基于所述任意连续的两帧环境图像对应传感器数据生成空间变换关系，根据预设规则为所述任意连续的两帧环境图像分别更新置信度，基于所述置信度、所述两帧环境图像对应的传感器数据对所述车道线识别结果进行融合处理。
8.一种电子设备，其特征在于，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-6中任一所述的方法。
9.一种计算机可读介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现如权利要求1-6中任一所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010981915.0A CN112115857B (zh) | 2020-09-17 | 2020-09-17 | 智能汽车的车道线识别方法、装置、电子设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010981915.0A CN112115857B (zh) | 2020-09-17 | 2020-09-17 | 智能汽车的车道线识别方法、装置、电子设备及介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112115857A CN112115857A (zh) | 2020-12-22 |
| CN112115857B true CN112115857B (zh) | 2024-03-01 |
Family
ID=73799775
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010981915.0A Active CN112115857B (zh) | 2020-09-17 | 2020-09-17 | 智能汽车的车道线识别方法、装置、电子设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112115857B (zh) |
Families Citing this family (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112328731B (zh) * | 2021-01-06 | 2021-07-09 | 禾多科技（北京）有限公司 | 车辆车道级定位方法、装置、电子设备和计算机可读介质 |
| CN116997940B (zh) * | 2021-03-29 | 2024-08-06 | 华为技术有限公司 | 一种车道线检测方法及装置 |
| CN113869293B (zh) * | 2021-12-03 | 2022-03-11 | 禾多科技（北京）有限公司 | 车道线识别方法、装置、电子设备和计算机可读介质 |
| CN114721371A (zh) * | 2022-03-04 | 2022-07-08 | 湖北国际物流机场有限公司 | 一种机场无人清扫车行驶控制方法、系统及电子设备 |
| CN115273012A (zh) * | 2022-08-19 | 2022-11-01 | 禾多科技（北京）有限公司 | 虚线车道线识别方法、装置、电子设备和计算机可读介质 |
| CN115731525B (zh) * | 2022-11-21 | 2023-07-25 | 禾多科技（北京）有限公司 | 车道线识别方法、装置、电子设备和计算机可读介质 |
| CN118247620B (zh) * | 2024-05-27 | 2024-09-27 | 长城汽车股份有限公司 | 车道线的融合方法、电子设备及存储介质 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107862268A (zh) * | 2017-10-30 | 2018-03-30 | 深圳市易成自动驾驶技术有限公司 | 环视车道线识别方法、装置及计算机可读存储介质 |
| CN108256446A (zh) * | 2017-12-29 | 2018-07-06 | 百度在线网络技术（北京）有限公司 | 用于确定道路中的车道线的方法、装置和设备 |
| CN108875603A (zh) * | 2018-05-31 | 2018-11-23 | 上海商汤智能科技有限公司 | 基于车道线的智能驾驶控制方法和装置、电子设备 |
| CN109460739A (zh) * | 2018-11-13 | 2019-03-12 | 广州小鹏汽车科技有限公司 | 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 |
| CN110160542A (zh) * | 2018-08-20 | 2019-08-23 | 腾讯科技（深圳）有限公司 | 车道线的定位方法和装置、存储介质、电子装置 |
| CN111247525A (zh) * | 2019-01-14 | 2020-06-05 | 深圳市大疆创新科技有限公司 | 一种车道检测方法、装置及车道检测设备、移动平台 |
| CN111291676A (zh) * | 2020-02-05 | 2020-06-16 | 清华大学 | 一种基于激光雷达点云和相机图像融合的车道线检测方法及装置和芯片 |
| CN111316284A (zh) * | 2019-02-13 | 2020-06-19 | 深圳市大疆创新科技有限公司 | 车道线检测方法、装置、系统与车辆、存储介质 |
| CN111626078A (zh) * | 2019-02-27 | 2020-09-04 | 湖南湘江地平线人工智能研发有限公司 | 识别车道线的方法及装置 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9677898B2 (en) * | 2014-06-17 | 2017-06-13 | Think Ware Corporation | Electronic apparatus and control method thereof |
-
2020
- 2020-09-17 CN CN202010981915.0A patent/CN112115857B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107862268A (zh) * | 2017-10-30 | 2018-03-30 | 深圳市易成自动驾驶技术有限公司 | 环视车道线识别方法、装置及计算机可读存储介质 |
| CN108256446A (zh) * | 2017-12-29 | 2018-07-06 | 百度在线网络技术（北京）有限公司 | 用于确定道路中的车道线的方法、装置和设备 |
| CN108875603A (zh) * | 2018-05-31 | 2018-11-23 | 上海商汤智能科技有限公司 | 基于车道线的智能驾驶控制方法和装置、电子设备 |
| CN110160542A (zh) * | 2018-08-20 | 2019-08-23 | 腾讯科技（深圳）有限公司 | 车道线的定位方法和装置、存储介质、电子装置 |
| CN109460739A (zh) * | 2018-11-13 | 2019-03-12 | 广州小鹏汽车科技有限公司 | 车道线检测方法及装置 |
| CN111247525A (zh) * | 2019-01-14 | 2020-06-05 | 深圳市大疆创新科技有限公司 | 一种车道检测方法、装置及车道检测设备、移动平台 |
| CN111316284A (zh) * | 2019-02-13 | 2020-06-19 | 深圳市大疆创新科技有限公司 | 车道线检测方法、装置、系统与车辆、存储介质 |
| 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 |
| CN111626078A (zh) * | 2019-02-27 | 2020-09-04 | 湖南湘江地平线人工智能研发有限公司 | 识别车道线的方法及装置 |
| CN111291676A (zh) * | 2020-02-05 | 2020-06-16 | 清华大学 | 一种基于激光雷达点云和相机图像融合的车道线检测方法及装置和芯片 |
Non-Patent Citations (1)
| Title |
|---|
| Robust road lane detection from shape and color feature fusion for vehicle self-localization;Hao Cai et al;《IEEE》;1009-1014 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112115857A (zh) | 2020-12-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112115857B (zh) | 智能汽车的车道线识别方法、装置、电子设备及介质 | |
| US11217012B2 (en) | System and method for identifying travel way features for autonomous vehicle motion control | |
| CN108571974B (zh) | 使用摄像机的车辆定位 | |
| US11024055B2 (en) | Vehicle, vehicle positioning system, and vehicle positioning method | |
| US10437252B1 (en) | High-precision multi-layer visual and semantic map for autonomous driving | |
| US10794710B1 (en) | High-precision multi-layer visual and semantic map by autonomous units | |
| US11248925B2 (en) | Augmented road line detection and display system | |
| CN109870689B (zh) | 毫米波雷达与高精矢量地图匹配的车道级定位方法与系统 | |
| Suhr et al. | Sensor fusion-based low-cost vehicle localization system for complex urban environments | |
| CN109949439B (zh) | 行车实景信息标注方法、装置、电子设备和介质 | |
| CN111660934A (zh) | 定位系统和方法 | |
| Kim et al. | Sensor fusion algorithm design in detecting vehicles using laser scanner and stereo vision | |
| US10782411B2 (en) | Vehicle pose system | |
| CN112740268B (zh) | 目标检测方法和装置 | |
| US20160363647A1 (en) | Vehicle positioning in intersection using visual cues, stationary objects, and gps | |
| JP7165201B2 (ja) | 認識装置 | |
| US12026894B2 (en) | System for predicting near future location of object | |
| US20210149408A1 (en) | Generating Depth From Camera Images and Known Depth Data Using Neural Networks | |
| CN118153709A (zh) | 数据分发系统、传感器装置和服务器 | |
| KR20220073472A (ko) | V2x 통신기반 자율주행 혼합류환경 교차로 통합정보 제공 시스템 및 방법 | |
| WO2024008086A1 (zh) | 轨迹预测方法及其装置、介质、程序产品和电子设备 | |
| US11976939B2 (en) | High-definition maps and localization for road vehicles | |
| Park et al. | Vehicle localization using an AVM camera for an automated urban driving | |
| US20220198262A1 (en) | Method, apparatus, and computer program product for surveillance of road environments via deep learning | |
| CN113459951A (zh) | 车外环境显示方法和装置、车辆、设备和存储介质 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |