CN112434582A - 一种车道线颜色识别方法、系统、电子设备及存储介质 - Google Patents

一种车道线颜色识别方法、系统、电子设备及存储介质 Download PDF

Info

Publication number
CN112434582A
CN112434582A CN202011273693.3A CN202011273693A CN112434582A CN 112434582 A CN112434582 A CN 112434582A CN 202011273693 A CN202011273693 A CN 202011273693A CN 112434582 A CN112434582 A CN 112434582A
Authority
CN
China
Prior art keywords
lane line
rectangular
color
image
line
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
Application number
CN202011273693.3A
Other languages
English (en)
Inventor
万齐斌
何云
王畅
熊迹
刘奋
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Heading Data Intelligence Co Ltd
Original Assignee
Heading Data Intelligence Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Heading Data Intelligence Co Ltd filed Critical Heading Data Intelligence Co Ltd
Priority to CN202011273693.3A priority Critical patent/CN112434582A/zh
Publication of CN112434582A publication Critical patent/CN112434582A/zh
Pending legal-status Critical Current

Links

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
    • 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
    • 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
    • G06V10/56—Extraction of image or video features relating to colour

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Multimedia (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Image Analysis (AREA)

Abstract

本发明实施例提供一种车道线颜色识别方法、系统、电子设备及存储介质，首先使用车道线检测模型生成mask图；接着，提取mask图中每条车道线的骨架线，并在骨架线上标记多个矩形框；之后，将矩形图像进行剪切并输入训练好的颜色识别网络中，得到矩形图像的分类结果；最后，通过判断每条车道线多个矩形图像的颜色，得出车道线的最终颜色。通过本发明实施例能够自动提取车道线颜色，弥补了其他方法只提取车道线，缺乏进一步的颜色识别的缺陷。

Description

一种车道线颜色识别方法、系统、电子设备及存储介质
技术领域
本发明涉及颜色识别领域，更具体地，涉及一种车道线颜色识别方法、系统、电子设备及存储介质。
背景技术
在高精度地图制作领域，车道线作为交通环境中非常重要的要素，对其进行高精度的检测十分重要。目前，一般的车道线检测技术只单纯执行检测任务，无法进一步判断车道线颜色，而众所周知，车道线的颜色分为白色和黄色，黄线用来区分不同方向的车道，白线用来区分同方向的不同车道，因此，准确识别车道线颜色对于高精度地图的制作至关重要。
发明内容
本发明实施例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车道线颜色识别方法、系统、电子设备及存储介质。
根据本发明实施例的第一方面，提供了一种车道线颜色识别方法，包括：将待识别原始RGB图像输入训练后的车道线检测模型，输出待识别原始RGB图中的车道线mask图；计算所述车道线mask图中每一条车道线的骨架线；在每一条车道线的骨架线上等间隔绘制奇数个大小相等的矩形框；根据每一个矩形框的坐标信息，从待识别原始RGB图像中剪切出对应的矩形图像；将从同一条车道线上剪切的每一个矩形图像输入训练后的颜色识别模型中，输出每一个矩形图像的颜色识别结果；根据每一个矩形图像的颜色识别结果，确定对应的车道线的颜色。
在上述技术方案的基础上，本发明实施例还可以作出如下改进。
进一步的，所述将待识别原始RGB图像输入训练后的车道线检测模型之前还包括：采用包括多张RGB图像和每一张RGB图像经过标注的mask图的第一训练集对车道线检测模型进行训练。
进一步的，所述在每一条车道线的骨架线上等间隔绘制奇数个大小相等的矩形框包括：在每一条车道线的骨架线上等间隔选取奇数个坐标点；以每一个坐标点为中心，绘制出预设大小的矩形框，并记录每一个矩形框的坐标信息。
进一步的，所述颜色识别模型为根据包括从车道线上剪切出的多个矩形图像和每一个矩形图像的颜色标签的第二训练集训练而来。
进一步的，通过如下方式获取第二训练集：将包含车道线的多张RGB图像输入训练后的车道线检测模型，输出每一张RGB图像中的车道线mask图；计算mask图中每一条车道线的骨架线；在同一条车道线的骨架线上等间隔绘制多个大小相等的矩形框，并记录每一个矩形框的坐标信息；根据每一个矩形框的坐标信息，从RGB图像中剪切出对应的矩形图像；为每一张矩形图像标记颜色标签。
进一步的，所述根据每一个矩形图像的颜色识别结果，确定对应的车道线的颜色包括：若识别为同一种颜色的矩形图像的数量最多，则将对应的颜色作为车道线的颜色。
进一步的，从待识别原始RGB图像中剪切出的矩形图像和第二训练集中的矩形图像的大小均相等。
根据本发明实施例的第二方面，提供了一种车道线颜色识别系统，包括：
第一输入模块，用于将待识别原始RGB图像输入训练后的车道线检测模型，输出待识别原始RGB图中的车道线mask图；
计算模块，用于计算所述车道线mask图中每一条车道线的骨架线；
绘制模块，用于在每一条车道线的骨架线上等间隔绘制奇数个大小相等的矩形框；
剪切模块，用于根据每一个矩形框的坐标信息，从待识别原始RGB图像中剪切出对应的矩形图像；
第二输入模块，用于将从同一条车道线上剪切的每一个矩形图像输入训练后的颜色识别模型中，输出每一个矩形图像的颜色识别结果；
确定模块，用于根据每一个矩形图像的颜色识别结果，确定对应的车道线的颜色。
根据本发明实施例的第三方面，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车道线颜色识别方法的步骤。
根据本发明实施例的第四方面，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车道线颜色识别方法的步骤。
本发明实施例提供一种车道线颜色识别方法、系统、电子设备及存储介质，首先使用车道线检测模型生成mask图；接着，提取mask图中每条车道线的骨架线，并在骨架线上标记多个矩形框；之后，将矩形图像进行剪切并输入训练好的颜色识别网络中，得到矩形图像的分类结果；最后，通过判断每条车道线多个矩形图像的颜色，得出车道线的最终颜色。通过本发明实施例能够自动提取车道线颜色，弥补了其他方法只提取车道线，缺乏进一步的颜色识别的缺陷。
附图说明
图1为本发明实施例提供的一种车道线颜色识别方法流程图；
图2为车道线mask图示意图；
图3为本发明实施例的一种车道线颜色识别方法的整体流程图；
图4为本发明实施例的一种车道线颜色识别系统结构图；
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为本发明实施例提供的一种车道线颜色识别方法流程图，如图1所示，所述方法包括：101、将待识别原始RGB图像输入训练后的车道线检测模型，输出待识别原始RGB图中的车道线mask图；102、计算所述车道线mask图中每一条车道线的骨架线；103、在每一条车道线的骨架线上等间隔绘制奇数个大小相等的矩形框；104、根据每一个矩形框的坐标信息，从待识别原始RGB图像中剪切出对应的矩形图像；105、将从同一条车道线上剪切的每一个矩形图像输入训练后的颜色识别模型中，输出每一个矩形图像的颜色识别结果；106、根据每一个矩形图像的颜色识别结果，确定对应的车道线的颜色。
可以理解的是，基于目前只对车道线进行识别，没有对车道线的颜色进行识别的缺陷，本发明实施例提供一种能够自动对车道线的颜色进行识别的方法，首先使用车道线检测模型生成待识别RGB图像的mask图；接着，提取mask图中每条车道线的骨架线，并在骨架线上标记多个矩形框；之后，将矩形图像进行剪切并输入训练好的颜色识别网络中，得到矩形图像的分类结果；最后，通过判断每条车道线多个矩形图像的颜色，得出车道线的最终颜色。通过本发明实施例能够自动提取车道线颜色，弥补了其他方法只提取车道线，缺乏进一步的颜色识别的缺陷。
在一种可能的实施例方式中，将待识别原始RGB图像输入训练后的车道线检测模型之前还包括：采用包括多张RGB图像和每一张RGB图像经过标注的mask图的第一训练集对车道线检测模型进行训练。
可以理解的是，在利用车道线见测模型对待识别原始RGB图像进行mask图识别之前，需要对车道线检测模型进行训练。其中，采用包括多张RGB图像和每一张RGB图像经过标注的mask图的第一训练集对车道线检测模型进行训练。其中，RGB图像的大小为2048*2048px。
将待识别原始RGB图像输入训练后的车道线检测模型，输出其中的车道线mask图，其中，输出的车道线mask图可参见图2，即将车道线的形状识别出来了，但是没有车道线的颜色，也就是mask图为灰度图。
在一种可能的实施例方式中，在每一条车道线的骨架线上等间隔绘制奇数个大小相等的矩形框包括：在每一条车道线的骨架线上等间隔选取奇数个坐标点；以每一个坐标点为中心，绘制出预设大小的矩形框，并记录每一个矩形框的坐标信息。
可以理解的是，通过车道线检测模型输出待识别原始RGB图像中的车道线mask图后，计算mask图中每一条车道线的骨架线，所谓车道线的骨架线即mask图中每一条车道线的轴线。本实施例中经过对单个车道线逐像素的位置坐标计算，得到精确的骨架线。
在每一条车道线的骨架线上等间隔选取多个坐标点，以选取的坐标点为中心，画出50*50px的矩形框，记录每个矩形框的坐标信息，本发明实施例中在每条车道线的骨架线上选取的坐标点为奇数个。
对于绘制出的每一个矩形框，记录其坐标信息，比如，可记录每一个矩形框的左上角坐标点的坐标信息和右下角坐标点的坐标信息。根据记录的每一个矩形框的坐标信息，从待识别的原始的RGB图像中剪切出对应的矩形图像，得到每一条车道线上的多个矩形图像。其中，每一个矩形图像的大小为50*50px。
考虑时间消耗问题，本发明实施例并没有在骨架线上每个点都绘制矩形框，而是每条骨架线上选取三个坐标点，绘制三个矩形框，当然也可以绘制更多数量的矩形框。由于在绘制矩形框时，容易出现车辆遮挡问题，导致最终颜色识别的错误，因此，绘制多个矩形框也在一定程度上避免了这种问题。
在一种可能的实施例方式中，颜色识别模型为根据包括从车道线上剪切出的多个矩形图像和每一个矩形图像的颜色标签的第二训练集训练而来。
可以理解的是，从待识别的原始RGB图像中剪切出每一条车道线的多个矩形图像后，将每一个矩形图像输入训练后的颜色识别模型。其中，颜色识别模型需要经过训练，本发明实施例的颜色识别模型是一种通用的卷积神经网络，基本结构为卷积层、BN层、池化层的顺序连接结构，网络总层数为18层，主要针对于本实施例中背景简单、尺寸较小的图像，其能准确的识别图像中主要的颜色。
本发明实施例采用从车道线上剪切出来的大量的矩形图像和每一个矩形图像标记的颜色标签作为第二训练集，对颜色识别模型进行训练。其中，颜色识别模型均是基于50*50px的矩形图像进行训练，为了识别的准确性和统一性，在待识别的原始RGB图像上剪切的巨像图像的大小也为50*50px。
其中，第二训练集的获取方式为：将包含车道线的多张RGB图像输入训练后的车道线检测模型，输出每一张RGB图像中的车道线mask图；计算mask图中每一条车道线的骨架线；在同一条车道线的骨架线上等间隔绘制多个大小相等的矩形框，并记录每一个矩形框的坐标信息；根据每一个矩形框的坐标信息，从RGB图像中剪切出对应的矩形图像；为每一张矩形图像标记颜色标签。
利用第二训练集对颜色识别模型进行训练，训练后的颜色识别模型就能够识别矩形图像的颜色。
在一种可能的实施例方式中，根据每一个矩形图像的颜色识别结果，确定对应的车道线的颜色包括：若识别为同一种颜色的矩形图像的数量最多，则将对应的颜色作为车道线的颜色。
可以理解的是，将同一条车道线上剪切的每一个矩形图像输入训练后的颜色识别模型，识别出每一个具象图像的颜色。当其中一种颜色对应的矩形图像的数量最多时，则认为车道线的颜色为该种颜色。其中，车道线的颜色通常有两种，黄色和白色，因此，为了避免识别出为黄色的矩形图像的数量与识别出为白色的矩形图像的数量相等，在从同一条车道线上剪切出来的矩形图像的数量为奇数。
参见图3，下面根据图3对本发明实施例提供的车道线颜色识别方法进行说明，首先，将待识别的原始RGB图像输入到训练后的车道线检测模型中，输出车道线mask图，根据车道线mask图计算每一条车道线的骨架线。然后，在每一条车道线的骨架线上等间隔标记三个点，并以三个点绘制三个矩形框，并记录三个矩形框的坐标信息。根据每一个矩形框的坐标信息，从待识别原始RGB图像中剪切出对应的矩形图像。
将同一条车道线上的三个矩形图像分别输入训练后的颜色势必模型，输出三个矩形图像的颜色识别结果，在本发明实施例中，颜色识别结果为黄色或白色，当识别为黄色的矩形图像的数量大于1时，则认为车道线的颜色为黄色，否则，车道线的颜色为白色。
本发明实施例提供的车道线颜色识别方法，首先使用车道线检测模型生成mask图；接着，提取mask图中每条车道线的骨架线，并在骨架线上标记多个矩形框；之后，将矩形图像进行剪切并输入训练好的颜色识别网络中，得到矩形图像的分类结果；最后，通过判断每条车道线多个矩形图像的颜色，得出车道线的最终颜色。通过本发明实施例能够自动提取车道线颜色，弥补了其他方法只提取车道线，缺乏进一步的颜色识别的缺陷。
图4是本发明实施例提供的一种车道线颜色识别系统结构图，如图4所示，一种车道线颜色识别系统包括第一输入模块401、计算模块402、绘制模块403、剪切模块404、第二输入模块405和确定模块406，其中：
第一输入模块401，用于将待识别原始RGB图像输入训练后的车道线检测模型，输出待识别原始RGB图中的车道线mask图；
计算模块402，用于计算所述车道线mask图中每一条车道线的骨架线；
绘制模块403，用于在每一条车道线的骨架线上等间隔绘制奇数个大小相等的矩形框；
剪切模块404，用于根据每一个矩形框的坐标信息，从待识别原始RGB图像中剪切出对应的矩形图像；
第二输入模块405，用于将从同一条车道线上剪切的每一个矩形图像输入训练后的颜色识别模型中，输出每一个矩形图像的颜色识别结果；
确定模块406，用于根据每一个矩形图像的颜色识别结果，确定对应的车道线的颜色。
本发明实施例提供的车道线颜色识别系统与前述各实施例提供的车道线颜色识别方法相对应，车道线颜色识别系统的相关技术特征可参考前述各实施例的车道线颜色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：将待识别原始RGB图像输入训练后的车道线检测模型，输出待识别原始RGB图中的车道线mask图；计算所述车道线mask图中每一条车道线的骨架线；在每一条车道线的骨架线上等间隔绘制奇数个大小相等的矩形框；根据每一个矩形框的坐标信息，从待识别原始RGB图像中剪切出对应的矩形图像；将从同一条车道线上剪切的每一个矩形图像输入训练后的颜色识别模型中，输出每一个矩形图像的颜色识别结果；根据每一个矩形图像的颜色识别结果，确定对应的车道线的颜色。
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：将待识别原始RGB图像输入训练后的车道线检测模型，输出待识别原始RGB图中的车道线mask图；计算所述车道线mask图中每一条车道线的骨架线；在每一条车道线的骨架线上等间隔绘制奇数个大小相等的矩形框；根据每一个矩形框的坐标信息，从待识别原始RGB图像中剪切出对应的矩形图像；将从同一条车道线上剪切的每一个矩形图像输入训练后的颜色识别模型中，输出每一个矩形图像的颜色识别结果；根据每一个矩形图像的颜色识别结果，确定对应的车道线的颜色。
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)

1.一种车道线颜色识别方法，其特征在于，包括：
将待识别原始RGB图像输入训练后的车道线检测模型，输出待识别原始RGB图中的车道线mask图；
计算所述车道线mask图中每一条车道线的骨架线；
在每一条车道线的骨架线上等间隔绘制奇数个大小相等的矩形框；
根据每一个矩形框的坐标信息，从待识别原始RGB图像中剪切出对应的矩形图像；
将从同一条车道线上剪切的每一个矩形图像输入训练后的颜色识别模型中，输出每一个矩形图像的颜色识别结果；
根据每一个矩形图像的颜色识别结果，确定对应的车道线的颜色。
2.根据权利要求1所述的车道线颜色识别方法，其特征在于，所述将待识别原始RGB图像输入训练后的车道线检测模型之前还包括：
采用包括多张RGB图像和每一张RGB图像经过标注的mask图的第一训练集对车道线检测模型进行训练。
3.根据权利要求1或2所述的车道线颜色识别方法，其特征在于，所述在每一条车道线的骨架线上等间隔绘制奇数个大小相等的矩形框包括：
在每一条车道线的骨架线上等间隔选取奇数个坐标点；
以每一个坐标点为中心，绘制出预设大小的矩形框，并记录每一个矩形框的坐标信息。
4.根据权利要求1所述的车道线颜色识别方法，其特征在于，所述颜色识别模型为根据包括从车道线上剪切出的多个矩形图像和每一个矩形图像的颜色标签的第二训练集训练而来。
5.根据权利要求4所述的车道线颜色识别方法，其特征在于，通过如下方式获取第二训练集：
将包含车道线的多张RGB图像输入训练后的车道线检测模型，输出每一张RGB图像中的车道线mask图；
计算mask图中每一条车道线的骨架线；
在同一条车道线的骨架线上等间隔绘制多个大小相等的矩形框，并记录每一个矩形框的坐标信息；
根据每一个矩形框的坐标信息，从RGB图像中剪切出对应的矩形图像；
为每一张矩形图像标记颜色标签。
6.根据权利要求1所述的车道线颜色识别方法，其特征在于，所述根据每一个矩形图像的颜色识别结果，确定对应的车道线的颜色包括：
若识别为同一种颜色的矩形图像的数量最多，则将对应的颜色作为车道线的颜色。
7.根据权利要求5所述的车道线颜色识别方法，其特征在于，从待识别原始RGB图像中剪切出的矩形图像和第二训练集中的矩形图像的大小均相等。
8.一种车道线颜色识别系统，其特征在于，包括：
第一输入模块，用于将待识别原始RGB图像输入训练后的车道线检测模型，输出待识别原始RGB图中的车道线mask图；
计算模块，用于计算所述车道线mask图中每一条车道线的骨架线；
绘制模块，用于在每一条车道线的骨架线上等间隔绘制奇数个大小相等的矩形框；
剪切模块，用于根据每一个矩形框的坐标信息，从待识别原始RGB图像中剪切出对应的矩形图像；
第二输入模块，用于将从同一条车道线上剪切的每一个矩形图像输入训练后的颜色识别模型中，输出每一个矩形图像的颜色识别结果；
确定模块，用于根据每一个矩形图像的颜色识别结果，确定对应的车道线的颜色。
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任一项所述的车道线颜色识别方法的步骤。
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任一项所述的车道线颜色识别方法的步骤。
CN202011273693.3A 2020-11-14 2020-11-14 一种车道线颜色识别方法、系统、电子设备及存储介质 Pending CN112434582A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011273693.3A CN112434582A (zh) 2020-11-14 2020-11-14 一种车道线颜色识别方法、系统、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011273693.3A CN112434582A (zh) 2020-11-14 2020-11-14 一种车道线颜色识别方法、系统、电子设备及存储介质

Publications (1)

Publication Number Publication Date
CN112434582A true CN112434582A (zh) 2021-03-02

Family

ID=74700812

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011273693.3A Pending CN112434582A (zh) 2020-11-14 2020-11-14 一种车道线颜色识别方法、系统、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN112434582A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113066153A (zh) * 2021-04-28 2021-07-02 浙江中控技术股份有限公司 管道流程图的生成方法、装置、设备及存储介质
EP4177849A1 (en) * 2021-11-08 2023-05-10 Bayerische Motoren Werke Aktiengesellschaft Method and device for determining a color of a lane marking

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107358242A (zh) * 2017-07-11 2017-11-17 浙江宇视科技有限公司 目标区域颜色识别方法、装置及监控终端
CN110705577A (zh) * 2019-09-29 2020-01-17 武汉中海庭数据技术有限公司 一种激光点云车道线提取方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107358242A (zh) * 2017-07-11 2017-11-17 浙江宇视科技有限公司 目标区域颜色识别方法、装置及监控终端
CN110705577A (zh) * 2019-09-29 2020-01-17 武汉中海庭数据技术有限公司 一种激光点云车道线提取方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113066153A (zh) * 2021-04-28 2021-07-02 浙江中控技术股份有限公司 管道流程图的生成方法、装置、设备及存储介质
EP4177849A1 (en) * 2021-11-08 2023-05-10 Bayerische Motoren Werke Aktiengesellschaft Method and device for determining a color of a lane marking

Similar Documents

Publication Publication Date Title
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
CN110582783B (zh) 训练装置、图像识别装置、训练方法和计算机可读信息存储介质
CN113255578B (zh) 交通标识的识别方法及装置、电子设备和存储介质
CN109472786B (zh) 脑出血图像处理方法、装置、计算机设备及存储介质
EP3605453A1 (en) Convolutional neural network based inspection of blade-defects of a wind turbine
CN112434582A (zh) 一种车道线颜色识别方法、系统、电子设备及存储介质
CN111950523A (zh) 基于航拍的船只检测优化方法、装置、电子设备及介质
CN112883926A (zh) 表格类医疗影像的识别方法及装置
CN109523570B (zh) 运动参数计算方法及装置
CN112651315A (zh) 折线图的信息提取方法、装置、计算机设备和存储介质
CN112434583A (zh) 车道横向减速标线检测方法、系统、电子设备及存储介质
CN115984796A (zh) 一种图像标注方法及系统
CN112434585A (zh) 一种车道线的虚实识别方法、系统、电子设备及存储介质
CN113780070A (zh) 一种人行横道预警标识检测方法及系统
CN113435350A (zh) 一种交通标线检测方法、装置、设备和介质
CN113780287A (zh) 一种多深度学习模型的最优选取方法及系统
CN112507801A (zh) 车道路面数字颜色识别方法、限速信息识别方法及系统
CN112861867A (zh) 指针式仪表盘识别方法、系统及存储介质
CN115546219B (zh) 检测板式生成方法、板卡缺陷检测方法、装置及产品
CN116740616A (zh) 一种输煤皮带目标检测方法和相关设备
CN114926817B (zh) 识别车位的方法、装置、电子设备和计算机可读存储介质
CN116245915A (zh) 一种基于视频的目标跟踪方法
CN116052120A (zh) 基于图像增强和多传感器融合的挖掘机夜间物体检测方法
CN116259021A (zh) 一种车道线检测方法、存储介质和电子设备

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20210302