CN112418037A - 卫星图片中车道线识别方法、系统、电子设备及存储介质 - Google Patents
卫星图片中车道线识别方法、系统、电子设备及存储介质 Download PDFInfo
- Publication number
- CN112418037A CN112418037A CN202011265993.7A CN202011265993A CN112418037A CN 112418037 A CN112418037 A CN 112418037A CN 202011265993 A CN202011265993 A CN 202011265993A CN 112418037 A CN112418037 A CN 112418037A
- Authority
- CN
- China
- Prior art keywords
- lane line
- satellite
- satellite picture
- picture
- coordinate points
- 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 51
- 238000003860 storage Methods 0.000 title claims abstract description 15
- 238000012549 training Methods 0.000 claims abstract description 51
- 239000013598 vector Substances 0.000 claims description 15
- 230000006870 function Effects 0.000 claims description 9
- 238000013145 classification model Methods 0.000 claims description 7
- 238000004519 manufacturing process Methods 0.000 claims description 7
- 230000009466 transformation Effects 0.000 claims description 6
- 238000013519 translation Methods 0.000 claims description 5
- 238000010586 diagram Methods 0.000 description 14
- 238000004590 computer program Methods 0.000 description 11
- 238000012986 modification Methods 0.000 description 6
- 230000004048 modification Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 210000002569 neuron Anatomy 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000013075 data extraction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/182—Network patterns, e.g. roads or rivers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/29—Graphical models, e.g. Bayesian networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
Abstract
本发明提供卫星图片中车道线识别方法、系统、电子设备及存储介质，方法包括：将待识别卫星图片输入训练后的LaneNet网络模型，以输出标记有车道线坐标点的卫星图片；对输出的所述车道线坐标点进行聚类，得到属于每一条车道线的坐标点；根据属于每一条车道线的坐标点，拟合得到每一条车道线；其中，所述LaneNet网络模型为根据包括多张卫星图片以及每一张卫星图片中标记的车道线坐标点的训练集训练而成。本发明采用LaneNet网络模型识别卫星图片中的车道线构建高精度导航地图，提高了卫星图片中识别车道线的效率和准确率，同时相对于传统图像方法识别车道线速度和准确率有较大的提升。
Description
技术领域
本发明图片处理技术领域，更具体地，涉及一种卫星图片中车道线识别方法、系统、电子设备及存储介质。
背景技术
随着自动驾驶技术研究的逐渐深入和智能汽车技术的不断发展，高精度导航地图的重要性逐渐凸显。目前高精度导航地图的制作主要是由专业采集车辆进行走行测绘，精度较高，但是成本高并且制作周期长，因此需要寻找一种高效的车道级数据制作方法。
当前卫星图片的精度已经达到亚米级，可以依据卫星图片提取车道级数据，构建车道级导航地图。
对于从卫星图片中提取出车道线，通常利用人工的方式提取卫星图片中的车道线，效率较低且算法准确率不高。
发明内容
本发明提供一种克服上述问题或者至少部分地解决上述问题的一种卫星图片中车道线识别方法、系统、电子设备及存储介质。
根据本发明的第一方面，提供了一种卫星图片中车道线识别方法，包括：将待识别卫星图片输入训练后的LaneNet网络模型，以输出标记有车道线坐标点的卫星图片；对输出的所述车道线坐标点进行聚类，得到属于每一条车道线的坐标点；根据属于每一条车道线的坐标点，拟合得到每一条车道线；其中，所述LaneNet网络模型为根据包括多张卫星图片以及每一张卫星图片中标记的车道线坐标点的训练集训练而成。
在上述技术方案的基础上，本发明还可以作出如下改进。
进一步的，还包括：获取多张卫星图片，对每一张卫星图片进行变换预处理，以使每一张图片变换为多张图片，所述变换预处理至少包括旋转和平移；提取每一张卫星图片中的车道线坐标点；将每一张卫星图片和其中的车道线坐标点对应形成训练集。
进一步的，通过如下方式对LaneNet网络模型进行训练：对于训练集中的任一张卫星图片，将所述任一张卫星图片输入LaneNet网络模型中，输出所述任一张卫星图片中的车道线坐标点；将输出的所述车道线坐标点与训练中所述任一张卫星图片对应的标记的车道线坐标点进行比较，得到所述任一张卫星图片的比较结果；根据所述任一张卫星图片的比较结果，利用损失函数，计算此轮训练的准确率；根据所述准确率，调整所述LaneNet网络模型的模型参数，反复对LaneNet网络模型进行训练，直到所述准确率达到预设阈值。
进一步的，所述LaneNet网络模型为多分类模型
进一步的，所述LaneNet网络模型包括编码网络和解码网络；向所述编码网络中输入待识别卫星图片，由所述解码网络输出所述待识别卫星图片的每一个像素点的多维特征向量，所述多维特征向量中表征每一个像素点的类别，所述类别至少包括属于车道线或者不属于车道线。
进一步的，所述对输出的所述车道线坐标点进行聚类，得到属于每一条车道线的坐标点包括：对于训练后的LaneNet网络模型输出的卫星图片中的车道线坐标点，采用meanshift聚类，将属于同一条车道线的坐标点聚为一类，得到属于每一条车道线的坐标点。
进一步的，还包括：出卫星图片对应的KML数据；根据输出的标记有车道线坐标点的卫星图片以及对应的KML数据，制作高精度导航地图。
根据本发明的第二方面，提供一种卫星图片中车道线识别系统，包括：输入模块，用于将待识别卫星图片输入训练后的LaneNet网络模型，以输出标记有车道线坐标点的卫星图片；聚类模块，用于对输出的所述车道线坐标点进行聚类，得到属于每一条车道线的坐标点；拟合模块，用于根据属于每一条车道线的坐标点，拟合得到每一条车道线；其中，所述LaneNet网络模型为根据包括多张卫星图片以及每一张卫星图片中的车道线坐标点的训练集训练而成。
根据本发明的第三方面，提供了一种电子设备，包括存储器、处理器，所述处理器用于执行存储器中存储的计算机管理类程序时实现如上述任意一项所述的卫星图片中车道线识别方法的步骤。
根据本发明的第四方面，提供了一种计算机可读存储介质，其上存储有计算机管理类程序，所述计算机管理类程序被处理器执行时实现如上述任意一项所述的卫星图片中车道线识别方法的步骤。
本发明提供的一种卫星图片中车道线识别方法、系统、电子设备及存储介质，采用LaneNet网络模型识别卫星图片中的车道线，相比传统的人工方式提取车道数据，识别车道线的效率提高，且识别车道线的算法准确率提高，采用LaneNet网络模型识别卫星图片中的车道线构建高精度导航地图，提高了卫星图片中识别车道线的效率和准确率，同时相对于传统图像方法识别车道线速度和准确率有较大的提升。
附图说明
图1为本发明实施例提供的一种卫星图片中车道线识别方法流程图；
图2为多分类模型的结构示意图；
图3为本发明实施例提供的一种卫星图片中车道线识别方法的整体流程图；
图4为本发明实施例提供的一种卫星图片中车道线识别系统结构图；
图5为本发明实施例提供的一种可能的电子设备的硬件结构示意图；
图6为本发明实施例提供的一种可能的计算机可读存储介质的硬件结构示意图。
具体实施方式
下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。
图1是本发明实施例提供的一种卫星图片中车道线识别方法流程图，如图1所示，所述方法包括：101、将待识别卫星图片输入训练后的LaneNet网络模型，以输出标记有车道线坐标点的卫星图片；102、对输出的所述车道线坐标点进行聚类，得到属于每一条车道线的坐标点；103、根据属于每一条车道线的坐标点，拟合得到每一条车道线；其中，所述LaneNet网络模型为根据包括多张卫星图片以及每一张卫星图片中标记的车道线坐标点的训练集训练而成。
可以理解的是，当前卫星图片的精度已经达到亚米级，可依据卫星图片提取车道级数据，来构建车道级导航地图，目前主要是通过人工方式提取车道级数据，效率低下，准确率也比较低。
基于此，本发明提出了一种能够从卫星图片中识别车道线的方法，主要是采用LaneNet网络模型来识别。首先，对构建的LaneNet网络模型进行训练，然后将待识别卫星图片输入到训练后的LaneNet网络模型，由LaneNet网络模型输出标记有属于车道线的坐标点的卫星图片，也就是说，LaneNet网络模型输出的标记有坐标点的卫星图片，这些标记的坐标点为车道线的坐标点。
其中，LaneNet网络模型输出的坐标点只是标记为是属于车道线的坐标点，但是并不清楚哪些坐标点属于同一条车道线，也就是无法从这些坐标点中区分出不同的坐标点。因此，需要对这些坐标点进行聚类，将构成同一条车道线的坐标点聚为一类，将属于不同车道线的坐标点分开。然后，根据属于同一条车道线的坐标点进行拟合，得到每一条车道线，即从卫星图片中识别出每一条车道线。
其中，LaneNet网络模型是根据训练集训练而来的，训练集中包括多张卫星图片以及每一张卫星图片中的车道线坐标点。
本发明采用LaneNet网络模型识别卫星图片中的车道线，相比传统的人工方式提取车道数据，识别车道线的效率提高，且识别车道线的算法准确率提高，采用LaneNet网络模型识别卫星图片中的车道线构建高精度导航地图，提高了卫星图片中识别车道线的效率和准确率，同时相对于传统图像方法识别车道线速度和准确率有较大的提升。
在一种可能的实施例方式中，还包括：获取多张卫星图片，对每一张卫星图片进行变换预处理，以使每一张图片变换为多张图片，所述变换预处理至少包括旋转和平移；提取每一张卫星图片中的车道线坐标点；将每一张卫星图片和其中的车道线坐标点对应形成训练集。
可以理解的是，训练集获取的过程为，获取多张卫星图片，对每一张卫星图片进行预处理，其中，对卫星图片的预处理主要包括对图片的旋转和平移，将一张卫星图片变换为多张图片，也可以提高网络模型的泛化能力。
对于每一张卫星图片，提取其中属于车道线的坐标点，将每一张卫星图片和其中属于车道线的坐标点对应起来，形成训练集。
在一种可能的实施例方式中，通过如下方式对LaneNet网络模型进行训练：对于训练集中的任一张卫星图片，将所述任一张卫星图片输入LaneNet网络模型中，输出所述任一张卫星图片中的车道线坐标点；将输出的所述车道线坐标点与训练中所述任一张卫星图片对应的标记的车道线坐标点进行比较，得到所述任一张卫星图片的比较结果；根据所述任一张卫星图片的比较结果，利用损失函数，计算此轮训练的准确率；根据所述准确率，调整所述LaneNet网络模型的模型参数，反复对LaneNet网络模型进行训练，直到所述准确率达到预设阈值。
可以理解的是，对构建的LaneNet网络模型进行训练的过程为，对于训练集中的每一张图片进行分批次训练，对于每一批次的训练集，将该批次训练集中的每一张卫星图片输入到LaneNet网络模型中，输出标记有车道线坐标点的卫星图片，将由LaneNet网络模型输出的车道线坐标点和训练集中对应的车道线坐标点进行对比，以确定是否正确。以同样的方式，判断同一批次训练集中的每一张卫星图片是否正确，以此来计算该批次训练集中的卫星图片识别的正确率。根据正确率调整LaneNet网络模型的模型参数，反复对LaneNet网络模型进行训练，直到正确率达到一定的阈值。
在一种可能的实施方式中，本发明对传统LaneNet网络模型的特征向量维数进行修改，将原本的16维修改成64维，因为传统的LaneNet网络模型是一个二分类模型，本发明的LaneNet网络模型为多分类模型，故此对特征向量的维数进行修改，修改之后就可以输出更多类别信息，比如，可以识别出车道线、路面箭头和分期合流口几类。其中，将传统的16维特征向量修改为64维特征向量，主要是增加LaneNet网络模型的输出层。
多分类模型可参见图2，其中，z1、z2、z3为三个类别标签，比如，图2中类别z1的标签为3，类别z2的标签为-1，类别z3的标签为-3，最后经过多分类模型后输出的属于三个类别的概率为0.88,、0.12和0，根据输出的属于每一个类别的概率可知待识别图片属于z1类别，y1、y2、y3表示每一类别输出的概率，通常概率最大的类别即为模型输出的类别。其中，每一个类别对应的模型中的神经元的权重系数是不同的，比如，z1类别对应的神经元的权重系数为20，z2对应的神经元的权重系数为2.7，z3类别对应的神经元的权重系数为0.05。
在一种可能的实施例方式中，LaneNet网络模型包括编码网络和解码网络；向编码网络中输入待识别卫星图片，由所述解码网络输出所述待识别卫星图片的每一个像素点的多维特征向量，所述多维特征向量中表征每一个像素点的类别，所述类别至少包括属于车道线或者不属于车道线。
可以理解的是，LaneNet网络模型中包括Encode模块和Decode模块，其中Encode编码和Decode解码代表的是编码网络和解码网络，是由一系列的网络层组成，编码网络的输入是卫星图片上，解码网络的输出是卫星图片中每一个像素点对应一个多维的向量，比如，64维特征向量。根据每一个像素点的多维特征向量，即可知道每一个像素点的类别，比如，该像素点是否为车道线的像素点，也就是坐标点。
在一种可能的实施例方式中，对输出的车道线坐标点进行聚类，得到属于每一条车道线的坐标点包括：对于训练后的LaneNet网络模型输出的卫星图片中的车道线坐标点，采用mean shift聚类，将属于同一条车道线的坐标点聚为一类，得到属于每一条车道线的坐标点。
可以理解的是，LaneNet网络模型输出的是卫星图片中的车道线坐标点，通常，一张卫星图片中包括很多条车道线，需要识别出每一条车道线，因此，将LaneNet网络模型中输出的车道线坐标点进行聚类，将同一条车道线坐标点聚为一类，也就是将属于不同车道线坐标点区分开来。
其中，Mean Shift(均值漂移)聚类算法是基于密度的非参数聚类算法，其算法思想是假设不同簇类的数据集符合不同的概率密度分布，找到任一样本点密度增大的最快方向(最快方向的含义就是Mean Shift)，样本密度高的区域对应于该分布的最大值，这些样本点最终会在局部密度最大值收敛，且收敛到相同局部最大值的点被认为是同一簇类的成员。本发明利用mean shift聚类算法对坐标点进行聚类，使得簇中心沿着密度上升的方向移动，防止将离群点选入相同的簇中，之后对像素向量进行划分，以簇中心为圆心，以2delte为半径，选取圆中所有的像素归为同一车道线。重复该步骤，直到将所有的车道线像素分配给对应的车道线，即可将所有的坐标点分配给对应的车道线。
通过聚类找到卫星图片中每一条车道线对应的坐标点，根据属于同一条车道线的坐标点，对坐标点进行拟合，得到对应的车道线，至此，即将卫星图片中的每一条车道线识别出来。
在一种可能的实施例方式中，还包括：输出卫星图片对应的KML数据；根据输出的标记有车道线坐标点的卫星图片以及对应的KML数据，制作高精度导航地图。
可以理解的是，LaneNet网络模型输出的除了属于车道线坐标点之外，还会输出卫星图片的KML数据。其中，KML是Keyhole标记语言(Keyhole Markup Language)的缩写，是一种基于XML语法与格式的、用于描述和保存地理信息(如点、线、图像、多边形和模型等)的编码规范，可以被Google Earth和Google Maps识别并显示。Google Earth和Google Maps处理KML文件的方式与网页浏览器处理HTML和XML文件的方式类似。
根据输出的标记有车道线坐标点的卫星图片以及对应的KML数据，制作高精度导航地图。
参见图3，图3为卫星图片中识别车道线方法的整体流程图，首先，获取训练LaneNet网络模型需要的卫星图片，对卫星图片进行旋转和平移等预处理，得到更多数量的卫星图片，并提取每一张卫星图片中属于车道线的坐标点，每一张卫星图片和对应的属于车道线的坐标点构成训练集。
将训练集中的每一张卫星图片输入LaneNet网络模型中，输出标记有车道线坐标点的卫星图片，利用损失函数计算训练的准确率，根据正确率调整LaneNet网络模型的模型参数，反复对LaneNet网络模型进行训练，直到LaneNet网络模型的正确率达到预设阈值。训练模型之后，将训练好的LaneNet网络模型进行保存。
将待识别卫星图片输入训练好的LaneNet网络模型中，输出标记有车道线坐标点的卫星图片，并对输出的坐标点进行聚类，得到属于每一条车道线的坐标点。将同一条车道线的坐标点进行拟合，得到每一条车道线，即可识别车卫星图片中的每一条车道线。
图4是本发明实施例提供的一种卫星图片中车道线识别系统结构图，如图4所示，一种卫星图片中车道线识别系统，包括输入模块401、聚类模块402和拟合模块403，其中：
输入模块401，用于将待识别卫星图片输入训练后的LaneNet网络模型，以输出标记有车道线坐标点的卫星图片；
聚类模块402，用于对输出的所述车道线坐标点进行聚类，得到属于每一条车道线的坐标点；
拟合模块403，用于根据属于每一条车道线的坐标点，拟合得到每一条车道线；
其中，所述LaneNet网络模型为根据包括多张卫星图片以及每一张卫星图片中的车道线坐标点的训练集训练而成。
本发明实施例提供的卫星图片中车道线识别系统与前述各实施例提供的卫星图片中车道线识别方法相对应，卫星图片中车道线识别系统的相关技术特征可参考前述各实施例的卫星图片中车道线识别方法的相关技术特征，在此不再赘述。
请参阅图5，图5为本申请实施例提供的电子设备的实施例示意图。如图5所示，本申请实施例提了一种电子设备，包括存储器510、处理器520及存储在存储器520上并可在处理器520上运行的计算机程序511，处理器520执行计算机程序511时实现以下步骤：将待识别卫星图片输入训练后的LaneNet网络模型，以输出标记有车道线坐标点的卫星图片；对输出的所述车道线坐标点进行聚类，得到属于每一条车道线的坐标点；根据属于每一条车道线的坐标点，拟合得到每一条车道线；其中，所述LaneNet网络模型为根据包括多张卫星图片以及每一张卫星图片中标记的车道线坐标点的训练集训练而成。
请参阅图6，图6为本申请实施例提供的一种计算机可读存储介质的实施例示意图。如图6所示，本实施例提供了一种计算机可读存储介质600，其上存储有计算机程序611，该计算机程序611被处理器执行时实现如下步骤：将待识别卫星图片输入训练后的LaneNet网络模型，以输出标记有车道线坐标点的卫星图片；对输出的所述车道线坐标点进行聚类，得到属于每一条车道线的坐标点；根据属于每一条车道线的坐标点，拟合得到每一条车道线；其中，所述LaneNet网络模型为根据包括多张卫星图片以及每一张卫星图片中标记的车道线坐标点的训练集训练而成。
本发明实施例提供的卫星图片中车道线识别方法、系统、电子设备及存储介质，采用LaneNet网络模型识别卫星图片中的车道线构建高精度导航地图，提高了卫星图片中识别车道线的效率和准确率，同时相对于传统图像方法识别车道线速度和准确率有较大的提升；对LaneNet网络模型进行修改，增加了特征向量的维数，拓展了LaneNet网络模型的应用场景，实现识别卫星图片中车道线的功能。
需要说明的是，在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详细描述的部分，可以参见其它实施例的相关描述。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式计算机或者其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本申请的优选实施例，但本领域内的技术人员一旦得知了基本创造概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。
显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包括这些改动和变型在内。
Claims (10)
1.一种卫星图片中车道线识别方法，其特征在于，包括：
将待识别卫星图片输入训练后的LaneNet网络模型，以输出标记有车道线坐标点的卫星图片；
对输出的所述车道线坐标点进行聚类，得到属于每一条车道线的坐标点；
根据属于每一条车道线的坐标点，拟合得到每一条车道线；
其中，所述LaneNet网络模型为根据包括多张卫星图片以及每一张卫星图片中标记的车道线坐标点的训练集训练而成。
2.根据权利要求1所述的车道线识别方法，其特征在于，还包括：
获取多张卫星图片，对每一张卫星图片进行变换预处理，以使每一张图片变换为多张图片，所述变换预处理至少包括旋转和平移；
提取每一张卫星图片中的车道线坐标点；
将每一张卫星图片和其中的车道线坐标点对应形成训练集。
3.根据权利要求2所述的车道线识别方法，其特征在于，通过如下方式对LaneNet网络模型进行训练：
对于训练集中的任一张卫星图片，将所述任一张卫星图片输入LaneNet网络模型中，输出所述任一张卫星图片中的车道线坐标点；
将输出的所述车道线坐标点与训练中所述任一张卫星图片对应的标记的车道线坐标点进行比较，得到所述任一张卫星图片的比较结果；
根据所述任一张卫星图片的比较结果，利用损失函数，计算此轮训练的准确率；
根据所述准确率，调整所述LaneNet网络模型的模型参数，反复对LaneNet网络模型进行训练，直到所述准确率达到预设阈值。
4.根据权利要求1-3任一项所述的车道线识别方法，其特征在于，所述LaneNet网络模型为多分类模型。
5.根据权利要求4所述的车道线识别方法，其特征在于，所述LaneNet网络模型包括编码网络和解码网络；
向所述编码网络中输入待识别卫星图片，由所述解码网络输出所述待识别卫星图片的每一个像素点的多维特征向量，所述多维特征向量中表征每一个像素点的类别，所述类别至少包括属于车道线或者不属于车道线。
6.根据权利要求1所述的车道线识别方法，其特征在于，所述对输出的所述车道线坐标点进行聚类，得到属于每一条车道线的坐标点包括：
对于训练后的LaneNet网络模型输出的卫星图片中的车道线坐标点，采用mean shift聚类，将属于同一条车道线的坐标点聚为一类，得到属于每一条车道线的坐标点。
7.根据权利要求1所述的车道线识别方法，其特征在于，还包括：
输出卫星图片对应的KML数据；
根据输出的标记有车道线坐标点的卫星图片以及对应的KML数据，制作高精度导航地图。
8.一种卫星图片中车道线识别系统，其特征在于，包括：
输入模块，用于将待识别卫星图片输入训练后的LaneNet网络模型，以输出标记有车道线坐标点的卫星图片；
聚类模块，用于对输出的所述车道线坐标点进行聚类，得到属于每一条车道线的坐标点；
拟合模块，用于根据属于每一条车道线的坐标点，拟合得到每一条车道线；
其中，所述LaneNet网络模型为根据包括多张卫星图片以及每一张卫星图片中的车道线坐标点的训练集训练而成。
9.一种电子设备，其特征在于，包括存储器、处理器，所述处理器用于执行存储器中存储的计算机管理类程序时实现如权利要求1-7任一项所述的卫星图片中车道线识别方法的步骤。
10.一种计算机可读存储介质，其特征在于，其上存储有计算机管理类程序，所述计算机管理类程序被处理器执行时实现如权利要求1-7任一项所述的卫星图片中车道线识别方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011265993.7A CN112418037A (zh) | 2020-11-12 | 2020-11-12 | 卫星图片中车道线识别方法、系统、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011265993.7A CN112418037A (zh) | 2020-11-12 | 2020-11-12 | 卫星图片中车道线识别方法、系统、电子设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112418037A true CN112418037A (zh) | 2021-02-26 |
Family
ID=74831126
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011265993.7A Pending CN112418037A (zh) | 2020-11-12 | 2020-11-12 | 卫星图片中车道线识别方法、系统、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112418037A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113177443A (zh) * | 2021-04-13 | 2021-07-27 | 深圳市天双科技有限公司 | 一种基于图像视觉的智能识别道路交通违章的方法 |
| CN113298050A (zh) * | 2021-07-21 | 2021-08-24 | 智道网联科技(北京)有限公司 | 车道线识别模型训练方法、装置及车道线识别方法、装置 |
| CN113869293A (zh) * | 2021-12-03 | 2021-12-31 | 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 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110348273A (zh) * | 2018-04-04 | 2019-10-18 | 北京四维图新科技股份有限公司 | 神经网络模型训练方法、系统及车道线识别方法、系统 |
-
2020
- 2020-11-12 CN CN202011265993.7A patent/CN112418037A/zh active Pending
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110348273A (zh) * | 2018-04-04 | 2019-10-18 | 北京四维图新科技股份有限公司 | 神经网络模型训练方法、系统及车道线识别方法、系统 |
Non-Patent Citations (1)
| Title |
|---|
| DAVY NEVEN，ET AL: "Towards End-to-End Lane Detection: an Instance Segmentation", 《ARXIV:1802.05591V1》 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113177443A (zh) * | 2021-04-13 | 2021-07-27 | 深圳市天双科技有限公司 | 一种基于图像视觉的智能识别道路交通违章的方法 |
| CN113298050A (zh) * | 2021-07-21 | 2021-08-24 | 智道网联科技(北京)有限公司 | 车道线识别模型训练方法、装置及车道线识别方法、装置 |
| CN113869293A (zh) * | 2021-12-03 | 2021-12-31 | 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 |
| 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 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112418037A (zh) | 卫星图片中车道线识别方法、系统、电子设备及存储介质 | |
| CN106951830B (zh) | 一种基于先验条件约束的图像场景多对象标记方法 | |
| CN111191654B (zh) | 道路数据生成方法、装置、电子设备及存储介质 | |
| CN110879960B (zh) | 生成卷积神经网络学习用图像数据集的方法及计算装置 | |
| CN112347970A (zh) | 一种基于图卷积神经网络的遥感影像地物识别方法 | |
| CN112528934A (zh) | 一种基于多尺度特征层的改进型YOLOv3的交通标志检测方法 | |
| CN113449594A (zh) | 一种多层网络组合的遥感影像地类语义分割与面积计算方法 | |
| CN114913498A (zh) | 一种基于关键点估计的并行多尺度特征聚合车道线检测方法 | |
| CN114418021B (zh) | 模型优化方法、装置及计算机程序产品 | |
| CN114821045A (zh) | 语义分割方法、装置、电子设备及存储介质 | |
| CN115689946B (zh) | 图像修复方法、电子设备及计算机程序产品 | |
| CN113096133A (zh) | 一种基于注意力机制的语义分割网络的构建方法 | |
| CN113704276A (zh) | 地图更新方法、装置、电子设备及计算机可读存储介质 | |
| CN113780532B (zh) | 语义分割网络的训练方法、装置、设备及存储介质 | |
| CN113177130B (zh) | 基于二值语义嵌入的图像检索和识别方法和装置 | |
| CN115773744A (zh) | 模型训练和路网处理方法、装置、设备、介质和产品 | |
| CN112926585B (zh) | 一种基于再生核希尔伯特空间的跨域语义分割方法 | |
| CN114220082A (zh) | 一种车道线识别方法、装置和计算机可读存储介质 | |
| CN113223037A (zh) | 一种面向大规模数据的无监督语义分割方法及系统 | |
| CN116597419B (zh) | 一种基于参数化互近邻的车辆限高场景识别方法 | |
| CN113435427B (zh) | 车道线的聚合方法和装置 | |
| CN113823082B (zh) | 导航数据处理方法、装置、设备及存储介质 | |
| CN111160109B (zh) | 一种基于深度神经网络的道路分割方法及系统 | |
| CN115861840A (zh) | 基于gf-2遥感影像多尺度路网提取的非对称对抗性学习方法 | |
| CN115761322A (zh) | 图形识别方法、装置、计算机设备及计算机可读存储介质 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210226 |