CN112434585A - 一种车道线的虚实识别方法、系统、电子设备及存储介质 - Google Patents

一种车道线的虚实识别方法、系统、电子设备及存储介质 Download PDF

Info

Publication number
CN112434585A
CN112434585A CN202011276019.0A CN202011276019A CN112434585A CN 112434585 A CN112434585 A CN 112434585A CN 202011276019 A CN202011276019 A CN 202011276019A CN 112434585 A CN112434585 A CN 112434585A
Authority
CN
China
Prior art keywords
lane line
rectangular
line
image
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.)
Pending
Application number
CN202011276019.0A
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 CN202011276019.0A priority Critical patent/CN112434585A/zh
Publication of CN112434585A publication Critical patent/CN112434585A/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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/20—Image enhancement or restoration using local operators
    • G06T5/30—Erosion or dilatation, e.g. thinning
    • 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

本发明提供一种车道线的虚实识别方法、系统、电子设备及存储介质，首先，在车道线检测的mask图中提取每一条车道线的骨架线，在骨架线上取多个点，以每一个点为中心在RGB原图上标记一定大小的矩形框，将这多个矩形框从原始的RGB图像上进行剪切，得到多个矩形图像，并将每一个矩形图像输入到训练好的虚实车道线识别模型中，得到每个矩形图像的标签类别，若多个矩形图像的分类结果中，虚线的数量大于1个，则判断该车道线类型为虚线，否则，判断为实线。通过以上方法可以进一步识别车道线的虚实，弥补了以往技术的不足，且对虚实车道线的识别准确率极高。

Description

一种车道线的虚实识别方法、系统、电子设备及存储介质
技术领域
本发明涉及车道线识别领域，更具体地，涉及一种车道线的虚实识别方法、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，车道线的检测是极其重要的技术之一，目前的车道线检测技术大多是将真实的车道线用直线或曲线拟合出来，并不能区分该车道线是实线还是虚线。
根据交通规则，实线的车道线代表禁止跨越，虚线的车道线代表允许跨越，因此，进一步准确识别车道线的虚实对于自动驾驶具有极其重要的意义。
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的虚实识别方法、系统、电子设备及存储介质。
根据本发明实施例的第一方面，提供了一种车道线的虚实识别方法，包括：
将待识别的RGB图像输入训练后的车道线检测模型，输出车道线mask图；
计算所述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绘制多个矩形框，并记录下每一个矩形框的坐标信息；
根据每一个矩形框的坐标信息，从待识别的RGB图像中剪切出对应的矩形图像；
将同一条车道线上的每一个矩形图像数输入训练后的虚实车道线分类模型，以输出每一个矩形图像的虚实分类结果；
根据同一条车道线上的每一个矩形图像的虚实分类结果，确定对应的车道线的虚实分类结果。
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，所述将待识别的RGB图像输入训练后的车道线检测模型之前还包括：
获取多张包含车道线的RGB图像，并标注每一张RGB图像的车道线mask图，形成第一训练集；
利用第一训练集对所述车道线检测模型进行训练。
进一步的，所述计算所述mask图中每一条车道线的骨架线包括：
使用形态学腐蚀方法计算得到车道线mask图中每一条车道线的骨架线。
进一步的，所述在每一条车道线的骨架线上绘制多个矩形框，并记录下每一个矩形框的坐标信息包括：
在每一条车道线的骨架线上选取多个坐标点，以每一个坐标点为中心，绘制预设大小的矩形框，得到多个矩形框，并记录每一个矩形框的坐标信息。
进一步的，所述将同一条车道线上的每一个矩形图像数输入训练后的虚实车道线分类模型之前还包括：
将多张包含有车道线的RGB图像输入车道线检测模型中，输出每一张RGB图像中的车道线mask图；
计算车道线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绘制多个矩形框，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，从原始的RGB图像上剪切出对应的矩形图像，并标记每一个矩形图像的虚实属性；其中，多个矩形图像与每一个矩形图像的虚实属性形成第二训练集；
利用第二训练集训练虚实车道线分类模型。
进一步的，所述车道线虚实分类模型为二分类的卷积神经网络模型。
进一步的，所述根据同一条车道线上的每一个矩形图像的虚实分类结果，确定对应的车道线的虚实分类结果：
若同一条车道线上的多个矩形图像中识别为虚线类型的矩形图像的数量大于1个，则确定车道线类型为虚线；否则，确定车道线类型为实线。
根据本发明实施例的第二方面，提供一种车道线的虚实识别系统，包括：
第一输入模块，用于将待识别的RGB图像输入训练后的车道线检测模型，输出车道线mask图；
计算模块，用于计算所述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绘制多个矩形框，并记录下每一个矩形框的坐标信息；
剪切模块，用于根据每一个矩形框的坐标信息，从待识别的RGB图像中剪切出对应的矩形图像；
第二输入模块，用于将同一条车道线上的每一个矩形图像数输入训练后的虚实车道线分类模型，以输出每一个矩形图像的虚实分类结果；
确定模块，用于根据同一条车道线上的每一个矩形图像的虚实分类结果，确定对应的车道线的虚实分类结果。
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的虚实识别方法的步骤。
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的虚实识别方法的步骤。
本发明实施例提供一种车道线的虚实识别方法、系统、电子设备及存储介质，首先，在车道线检测的mask图中提取每一条车道线的骨架线，在骨架线上取多个点，以每一个点为中心在RGB原图上标记一定大小的矩形框，将这多个矩形框从原始的RGB图像上进行剪切，得到多个矩形图像，并将每一个矩形图像输入到训练好的虚实车道线识别模型中，得到每个矩形图像的标签类别，若多个矩形图像的分类结果中，虚线的数量大于1个，则判断该车道线类型为虚线，否则，判断为实线。通过以上方法可以进一步识别车道线的虚实，弥补了以往技术的不足，且对虚实车道线的识别准确率极高。
附图说明
图1为本发明实施例提供的一种车道线的虚实识别方法流程图；
图2为提取的车道线mask图示意图；
图3为本发明实施例提供的一种车道线的虚实识别方法的整体流程图；
图4为本发明实施例提供的一种车道线的虚实识别系统结构图；
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的虚实识别方法流程图，如图1所示，所述方法包括：101、将待识别的RGB图像输入训练后的车道线检测模型，输出车道线mask图；102、计算所述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绘制多个矩形框，并记录下每一个矩形框的坐标信息；104、根据每一个矩形框的坐标信息，从待识别的RGB图像中剪切出对应的矩形图像；105、将同一条车道线上的每一个矩形图像数输入训练后的虚实车道线分类模型，以输出每一个矩形图像的虚实分类结果；106、根据同一条车道线上的每一个矩形图像的虚实分类结果，确定对应的车道线的虚实分类结果。
可以理解的是，基于目前只能识别出车道线，而无法识别车道线类型的缺陷，本发明实施例提出了一种能够识别车道线类型的方法，主要是识别车道线的虚实，能够解决现有车道线检测技术只拟合车道线，但缺乏进一步的识别车道线虚实的问题。
首先，将待识别的原始RGB图像输入车道线检测模型中，输出检测的车道线mask图，其中，车道线mask图可参见图2，即将RGB图像中的车道线识别出来，只是mask图为灰度图。从检测的车道线mask图中提取每一条车道线的骨架线，在骨架线上取多个点，以每一个点为中心在RGB原图上标记一定大小的矩形框，将这多个矩形框从原始的RGB图像上进行剪切，得到多个矩形图像，并将每一个矩形图像输入到训练好的虚实车道线识别模型中，得到每个矩形图像的标签类别，若多个矩形图像的分类结果中，虚线的数量大于1个，则判断该车道线类型为虚线，否则，判断为实线。通过以上方法可以进一步识别车道线的虚实，弥补了以往技术的不足，且对虚实车道线的识别准确率极高。
在一种可能的实施例方式中，将待识别的RGB图像输入训练后的车道线检测模型之前还包括：获取多张包含车道线的RGB图像，并标注每一张RGB图像的车道线mask图，形成第一训练集；利用第一训练集对所述车道线检测模型进行训练。
可以理解的是，在将待识别的原始RGB图像输入车道线检测模型之前，需要对车道线检测模型进行训练。本发明实施例的车道线检测技术使用的是语义分割方法，首先标注训练集，RGB图中车道线像素值全部设置为(255，255,255)，其他位置设置为(0,0,0)。之后，对训练集使用车道线语义分割网络进行多次训练和调参，得到一个较好的车道线语义分割模型，通过该模型可以得到RGB中每个像素点的预测值，从而输出mask图。
在一种可能的实施例方式中，计算mask图中每一条车道线的骨架线包括：使用形态学腐蚀方法计算得到车道线mask图中每一条车道线的骨架线。
可以理解的是，待识别的原始RGB图像输入训练后的车道线检测模型后，输出车道线mask图，从车道线mask图中提取出每一条车道线的骨架线，其中，车道线的骨架线可理解为车道线的轴线，本发明实施例中骨架线的提取使用的是形态学腐蚀方法，从二值化图像的边缘开始腐蚀，使得目标逐渐细化，最终，保留目标一个像素宽的图像作为骨架。
在一种可能的实施例方式中，在每一条车道线的骨架线上绘制多个矩形框，并记录下每一个矩形框的坐标信息包括：在每一条车道线的骨架线上选取多个坐标点，以每一个坐标点为中心，绘制预设大小的矩形框，得到多个矩形框，并记录每一个矩形框的坐标信息。
可以理解的是，车道线分实线和虚线，实线的特点是连续的、不间断的，而虚线的特点的是不连续的、间断的。因此，当在实线上标记多个矩形框时，每个矩形图像都包含一段连续的车道线，而在虚线上标记多个矩形框时，只有部分矩形图像包含一段连续的车道线，而另一部分矩形图像并不包含车道线或包含间断的车道线。因此，为了保证车道线类型识别的准确性，需要标记的矩形图像数量尽可能多，但同考虑到时间消耗，此处进行多次试验，设定每条车道线都剪切了7个50*50px的图像。
在剪切的过程中，首先在每一条车道线的骨架线选取多个点，本发明实施例中在每一条车道线的骨架线上选取7个点，以每一个点为中心，在骨架线上绘制7个50*50px大小的矩形框，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，从原始的GRB图像中剪切出每一条车道线对应的7个50*50px大小的矩形图像。
在一种可能的实施例方式中，虚实车道线识别模型在使用之前，需要对其进行训练，其中，训练虚实车道线识别模型的第二训练集的获取过程为：将多张包含有车道线的RGB图像输入车道线检测模型中，输出每一张RGB图像中的车道线mask图；计算车道线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绘制多个矩形框，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，从原始的RGB图像上剪切出对应的矩形图像，并标记每一个矩形图像的虚实属性；其中，多个矩形图像与每一个矩形图像的虚实属性形成第二训练集；利用第二训练集训练虚实车道线分类模型。其中，车道线虚实分类模型为二分类的卷积神经网络模型。车道线虚实分类模型的输出为虚线或者实线。
在一种可能的实施例方式中，根据同一条车道线上的每一个矩形图像的虚实分类结果，确定对应的车道线的虚实分类结果：若同一条车道线上的多个矩形图像中识别为虚线类型的矩形图像的数量大于1个，则确定车道线类型为虚线；否则，确定车道线类型为实线。
可以理解的是，从待识别的原始RGB图像中剪切出7个50*50px的矩形图像后，将每一个矩形图像输入到训练后的虚实车道线识别模型中，输出每一个矩形图像的虚实分类结果。当7个矩形图像中识别为虚线的矩形图像的数量大于1个时，确定车道线为虚线车道线；若识别为虚线的矩形图像的数量小于等于1个时，确定车道线为实线车道线。
参见图3，为本发明实施例提供的车道线的虚实识别方法的整体流程图，将待识别的原始RGB图像输入车道线检测模型中，输出检测的车道线mask图，从检测的车道线mask图中提取每一条车道线的骨架线。在骨架线上取多个点，以每一个点为中心在RGB原图上标记一定大小的矩形框，将这多个矩形框从原始的RGB图像上进行剪切，得到多个矩形图像。将每一个矩形图像输入到训练好的虚实车道线识别模型中，得到每个矩形图像的标签类别，若多个矩形图像的分类结果中，虚线的数量大于1个，则判断该车道线类型为虚线，否则，判断为实线。
图4是本发明实施例提供的一种车道线的虚实识别系统结构图，如图4所示，一种车道线的虚实识别系统，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，用于将待识别的RGB图像输入训练后的车道线检测模型，输出车道线mask图；
计算模块402，用于计算所述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绘制多个矩形框，并记录下每一个矩形框的坐标信息；
剪切模块404，用于根据每一个矩形框的坐标信息，从待识别的RGB图像中剪切出对应的矩形图像；
第二输入模块405，用于将同一条车道线上的每一个矩形图像数输入训练后的虚实车道线分类模型，以输出每一个矩形图像的虚实分类结果；
确定模块406，用于根据同一条车道线上的每一个矩形图像的虚实分类结果，确定对应的车道线的虚实分类结果。
本发明实施例提供的车道线的虚实识别系统与前述各实施例提供的车道线的虚实识别方法相对应，车道线的虚实识别系统的相关技术特征可参考前述各实施例的车道线的虚实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：将待识别的RGB图像输入训练后的车道线检测模型，输出车道线mask图；计算所述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绘制多个矩形框，并记录下每一个矩形框的坐标信息；根据每一个矩形框的坐标信息，从待识别的RGB图像中剪切出对应的矩形图像；将同一条车道线上的每一个矩形图像数输入训练后的虚实车道线分类模型，以输出每一个矩形图像的虚实分类结果；根据同一条车道线上的每一个矩形图像的虚实分类结果，确定对应的车道线的虚实分类结果。
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：将待识别的RGB图像输入训练后的车道线检测模型，输出车道线mask图；计算所述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绘制多个矩形框，并记录下每一个矩形框的坐标信息；根据每一个矩形框的坐标信息，从待识别的RGB图像中剪切出对应的矩形图像；将同一条车道线上的每一个矩形图像数输入训练后的虚实车道线分类模型，以输出每一个矩形图像的虚实分类结果；根据同一条车道线上的每一个矩形图像的虚实分类结果，确定对应的车道线的虚实分类结果。
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)

1.一种车道线的虚实识别方法，其特征在于，包括：
将待识别的RGB图像输入训练后的车道线检测模型，输出车道线mask图；
计算所述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绘制多个矩形框，并记录下每一个矩形框的坐标信息；
根据每一个矩形框的坐标信息，从待识别的RGB图像中剪切出对应的矩形图像；
将同一条车道线上的每一个矩形图像数输入训练后的虚实车道线分类模型，以输出每一个矩形图像的虚实分类结果；
根据同一条车道线上的每一个矩形图像的虚实分类结果，确定对应的车道线的虚实分类结果。
2.根据权利要求1所述的车道线的虚实识别方法，其特征在于，所述将待识别的RGB图像输入训练后的车道线检测模型之前还包括：
获取多张包含车道线的RGB图像，并标注每一张RGB图像的车道线mask图，形成第一训练集；
利用第一训练集对所述车道线检测模型进行训练。
3.根据权利要求1所述的车道线的虚实识别方法，其特征在于，所述计算所述mask图中每一条车道线的骨架线包括：
使用形态学腐蚀方法计算得到车道线mask图中每一条车道线的骨架线。
4.根据权利要求1或3所述的车道线的虚实识别方法，其特征在于，所述在每一条车道线的骨架线上绘制多个矩形框，并记录下每一个矩形框的坐标信息包括：
在每一条车道线的骨架线上选取多个坐标点，以每一个坐标点为中心，绘制预设大小的矩形框，得到多个矩形框，并记录每一个矩形框的坐标信息。
5.根据权利要求1或4所述的车道线的虚实识别方法，其特征在于，所述将同一条车道线上的每一个矩形图像数输入训练后的虚实车道线分类模型之前还包括：
将多张包含有车道线的RGB图像输入车道线检测模型中，输出每一张RGB图像中的车道线mask图；
计算车道线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绘制多个矩形框，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，从原始的RGB图像上剪切出对应的矩形图像，并标记每一个矩形图像的虚实属性；其中，多个矩形图像与每一个矩形图像的虚实属性形成第二训练集；
利用第二训练集训练虚实车道线分类模型。
6.根据权利要求5所述的车道线的虚实识别方法，其特征在于，所述车道线虚实分类模型为二分类的卷积神经网络模型。
7.根据权利要求1所述的车道线的虚实识别方法，其特征在于，所述根据同一条车道线上的每一个矩形图像的虚实分类结果，确定对应的车道线的虚实分类结果：
若同一条车道线上的多个矩形图像中识别为虚线类型的矩形图像的数量大于1个，则确定车道线类型为虚线；否则，确定车道线类型为实线。
8.一种车道线的虚实识别系统，其特征在于，包括：
第一输入模块，用于将待识别的RGB图像输入训练后的车道线检测模型，输出车道线mask图；
计算模块，用于计算所述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绘制多个矩形框，并记录下每一个矩形框的坐标信息；
剪切模块，用于根据每一个矩形框的坐标信息，从待识别的RGB图像中剪切出对应的矩形图像；
第二输入模块，用于将同一条车道线上的每一个矩形图像数输入训练后的虚实车道线分类模型，以输出每一个矩形图像的虚实分类结果；
确定模块，用于根据同一条车道线上的每一个矩形图像的虚实分类结果，确定对应的车道线的虚实分类结果。
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的虚实识别方法的步骤。
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的虚实识别方法的步骤。
CN202011276019.0A 2020-11-14 2020-11-14 一种车道线的虚实识别方法、系统、电子设备及存储介质 Pending CN112434585A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011276019.0A CN112434585A (zh) 2020-11-14 2020-11-14 一种车道线的虚实识别方法、系统、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011276019.0A CN112434585A (zh) 2020-11-14 2020-11-14 一种车道线的虚实识别方法、系统、电子设备及存储介质

Publications (1)

Publication Number Publication Date
CN112434585A true CN112434585A (zh) 2021-03-02

Family

ID=74700329

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011276019.0A Pending CN112434585A (zh) 2020-11-14 2020-11-14 一种车道线的虚实识别方法、系统、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN112434585A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113688721A (zh) * 2021-08-20 2021-11-23 北京京东乾石科技有限公司 用于拟合车道线的方法及装置
CN113780067A (zh) * 2021-07-30 2021-12-10 武汉中海庭数据技术有限公司 一种基于语义分割的车道线状标识物检测方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105260699A (zh) * 2015-09-10 2016-01-20 百度在线网络技术（北京）有限公司 一种车道线数据的处理方法及装置
WO2017020528A1 (zh) * 2015-08-03 2017-02-09 百度在线网络技术（北京）有限公司 车道线的识别建模方法、装置、存储介质和设备及识别方法、装置、存储介质和设备
CN106652468A (zh) * 2016-12-09 2017-05-10 武汉极目智能技术有限公司 车辆道路前车违规检测和自车违规预警提醒装置及方法
CN108470159A (zh) * 2018-03-09 2018-08-31 腾讯科技（深圳）有限公司 车道线数据处理方法、装置、计算机设备和存储介质
CN109670376A (zh) * 2017-10-13 2019-04-23 神州优车股份有限公司 车道线识别方法及系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017020528A1 (zh) * 2015-08-03 2017-02-09 百度在线网络技术（北京）有限公司 车道线的识别建模方法、装置、存储介质和设备及识别方法、装置、存储介质和设备
CN105260699A (zh) * 2015-09-10 2016-01-20 百度在线网络技术（北京）有限公司 一种车道线数据的处理方法及装置
CN106652468A (zh) * 2016-12-09 2017-05-10 武汉极目智能技术有限公司 车辆道路前车违规检测和自车违规预警提醒装置及方法
CN109670376A (zh) * 2017-10-13 2019-04-23 神州优车股份有限公司 车道线识别方法及系统
CN108470159A (zh) * 2018-03-09 2018-08-31 腾讯科技（深圳）有限公司 车道线数据处理方法、装置、计算机设备和存储介质

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113780067A (zh) * 2021-07-30 2021-12-10 武汉中海庭数据技术有限公司 一种基于语义分割的车道线状标识物检测方法及系统
CN113688721A (zh) * 2021-08-20 2021-11-23 北京京东乾石科技有限公司 用于拟合车道线的方法及装置
CN113688721B (zh) * 2021-08-20 2024-03-05 北京京东乾石科技有限公司 用于拟合车道线的方法及装置

Similar Documents

Publication Publication Date Title
CN109886928A (zh) 一种目标细胞标记方法、装置、存储介质及终端设备
CN112085022B (zh) 一种用于识别文字的方法、系统及设备
CN110599453A (zh) 一种基于图像融合的面板缺陷检测方法、装置及设备终端
CN112200218B (zh) 一种模型训练方法、装置及电子设备
CN111191611A (zh) 基于深度学习的交通标志标号识别方法
CN115063618B (zh) 一种基于模板匹配的缺陷定位方法、系统、设备及介质
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
JP6936961B2 (ja) 情報提供装置、端末、本人確認システム、情報提供方法及びプログラム
CN113591746B (zh) 一种文档表格结构检测方法及装置
CN112513927A (zh) 基于卷积神经网络的风力涡轮机叶片缺陷检查
CN110689134A (zh) 执行机器学习过程的方法、装置、设备以及存储介质
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
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
CN110728193B (zh) 一种脸部图像丰富度特征的检测方法及设备
CN112434582A (zh) 一种车道线颜色识别方法、系统、电子设备及存储介质
CN113780287A (zh) 一种多深度学习模型的最优选取方法及系统
CN113486856A (zh) 一种基于语义分割和卷积神经网络的驾驶员不规范行为检测方法
CN112613367A (zh) 票据信息文本框获取方法、系统、设备及存储介质
CN115631197B (zh) 一种图像处理方法、装置、介质、设备及系统
CN111488846A (zh) 一种识别水位的方法及设备
CN111553368A (zh) 伪造车牌的识别方法、训练方法、装置、设备及存储介质
CN114550129B (zh) 一种基于数据集的机器学习模型处理方法和系统
CN111046262A (zh) 一种数据标注方法、装置及计算机存储介质
CN112084103A (zh) 界面测试方法、装置、设备和介质
CN114612889A (zh) 一种仪表信息获取方法、系统、电子设备及存储介质

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: 20210302