CN112444251A - 车辆行车位置确定方法、装置、存储介质及计算机设备 - Google Patents

车辆行车位置确定方法、装置、存储介质及计算机设备 Download PDF

Info

Publication number
CN112444251A
CN112444251A CN201910808112.2A CN201910808112A CN112444251A CN 112444251 A CN112444251 A CN 112444251A CN 201910808112 A CN201910808112 A CN 201910808112A CN 112444251 A CN112444251 A CN 112444251A
Authority
CN
China
Prior art keywords
current
matching
driving
road
feature
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.)
Granted
Application number
CN201910808112.2A
Other languages
English (en)
Other versions
CN112444251B (zh
Inventor
胡荣东
马源
彭清
曾钰廷
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.)
Changsha Intelligent Driving Research Institute Co Ltd
Original Assignee
Changsha Intelligent Driving Research Institute 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 Changsha Intelligent Driving Research Institute Co Ltd filed Critical Changsha Intelligent Driving Research Institute Co Ltd
Priority to CN201910808112.2A priority Critical patent/CN112444251B/zh
Publication of CN112444251A publication Critical patent/CN112444251A/zh
Application granted granted Critical
Publication of CN112444251B publication Critical patent/CN112444251B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
    • G01C21/28—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network with correlation of data from several navigational instruments
    • G01C21/30—Map- or contour-matching
    • 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)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Automation & Control Theory (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Navigation (AREA)
  • Traffic Control Systems (AREA)

Abstract

本申请涉及一种车辆行车位置确定方法、装置、存储介质及计算机设备，在车辆行驶过程中，通过获取路标特征以及辅助定位特征，结合预保存的拓扑地图，从而可以实现车辆定位，道路路标不同于普通建筑物，由于行车道路上一般都会设置道路路标，从而使得本申请方法可以适用于交通场景。另外，通过在拓扑地图中进行特征匹配以获取当前位置信息，通信信号在定位过程中为非必须因素，从而可以有效降低定位成本。

Description

车辆行车位置确定方法、装置、存储介质及计算机设备
技术领域
本申请涉及车辆定位技术领域，特别是涉及一种车辆行车位置确定方法、装置、存储介质及计算机设备。
背景技术
在车辆的行驶过程中，定位导航的重要性不言而喻。现有技术中，多为通过GPS(Global Positioning System，全球定位系统)等定位设备进行车辆定位，定位设备通过通信信号实时获取车辆的位置信息，从而向用户提供车辆定位结果。
然而，这种定位方式，需要实时进行通信定位以获得实时的定位信息，对于某些特殊场景，例如交通场景，特别是比较偏远的高速路段，容易丢失信号造成定位失败，且通过GPS定位设备进行定位的成本较高。
发明内容
基于此，有必要针对现有技术存在的问题，提供一种适用于交通场景且定位成本低的车辆行车位置确定方法、装置、存储介质及计算机设备。
一种车辆行车位置确定方法，包括：
获取当前行车道路上的道路路标的当前路标特征，所述道路路标为设置于所述当前行车道路上、用于提供行车指示信息的路标；
获取所述当前行车道路上的当前辅助定位特征，所述当前辅助定位特征为具有不变性的特征；
根据所述当前路标特征以及所述当前辅助定位特征，在与所述当前行车道路对应的、预构建的拓扑地图中进行特征匹配，获得特征匹配结果；
根据所述特征匹配结果确定当前行驶车辆的当前位置信息。
一种车辆行车位置确定装置，包括：
第一特征获取模块，用于获取当前行车道路上的道路路标的当前路标特征，所述道路路标为设置于所述当前行车道路上、用于提供行车指示信息的路标；
第二特征获取模块，用于获取所述当前行车道路上的当前辅助定位特征，所述当前辅助定位特征为具有不变性的特征；
特征匹配模块，用于根据所述当前路标特征以及所述当前辅助定位特征，在与所述当前行车道路对应的、预构建的拓扑地图中进行特征匹配，获得特征匹配结果；
位置确定模块，用于根据所述特征匹配结果确定当前行驶车辆的当前位置信息。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述方法的步骤。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述方法的步骤。
上述车辆行车位置确定方法、装置、存储介质及计算机设备，获取当前行车道路上的道路路标的当前路标特征，道路路标为设置于当前行车道路上、用于提供行车指示信息的路标；获取当前行车道路上的当前辅助定位特征，当前辅助定位特征为具有不变性的特征；根据当前路标特征以及当前辅助定位特征，在与当前行车道路对应的、预构建的拓扑地图中进行特征匹配，获得特征匹配结果；根据特征匹配结果确定当前行驶车辆的当前位置信息。在车辆行驶过程中，通过获取路标特征以及辅助定位特征，结合预保存的拓扑地图，从而可以实现车辆定位，道路路标不同于普通建筑物，由于行车道路上一般都会设置道路路标，从而使得本申请方法可以适用于交通场景。另外，通过在拓扑地图中进行特征匹配以获取当前位置信息，通信信号在定位过程中为非必须因素，定位过程无需依靠GPS定位设备等，从而可以有效降低定位成本。
附图说明
图1为一个实施例中车辆行车位置确定方法的流程示意图；
图2为一个实施例中获取当前行车道路上的道路路标的当前路标特征的流程示意图；
图3为一个实施例中根据关键图像得到道路路标的当前路标特征的流程示意图；
图4为一个实施例中拓扑地图的构建流程示意图；
图5为一个实施例中根据当前路标特征以及当前辅助定位特征，在与当前行车道路对应的、预构建的拓扑地图中进行特征匹配，获得特征匹配结果的流程示意图；
图6为一个实施例中将当前路标特征以及当前辅助定位特征，与拓扑地图中各个地图点的属性信息进行匹配，得到各个地图点的匹配指数的流程示意图；
图7为一个实施例中根据各个地图点的匹配指数，确定与当前路标特征以及当前辅助定位特征对应的目标地图点的流程示意图；
图8为一个实施例中道路路标比较相似的情况示意图；
图9为一个实施例中确定车辆行车位置的实例图；
图10为一个实施例中车辆行车位置确定装置的结构示意图；
图11为一个实施例中计算机设备的内部结构图。
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，对本申请进行进一步详细说明。应当理解，此处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。
本申请提供的车辆行车位置确定方法，可以应用于实现交通场景中的车辆定位，其中，车辆可以理解为传统意义上实现交通运载功能的工具，也可以理解为用于实现室外作业的移动机器人，在此不做具体限定。
需要说明的是，现有技术中通过GPS、北斗定位系统等进行定位的方法属于稠密定位，定位过程中必须依赖通信信号，且设备昂贵，定位成本高；而本申请主要以单目视觉为主要感知手段，提取道路路标的路标特征，同时考虑其他具有不变性的辅助定位特征，根据拓扑地图进行匹配定位，属于稀疏定位，本申请的定位方法不是必须依赖通信信号才能实现，因此可以实现交通场景(特别是高速场景)的低成本快速定位。
现有技术中另外一种比较常用的定位方法是SLAM(simultaneous localizationand mapping，即时定位与地图构建)方法，SLAM虽然也是研究如何建图和定位，并且其中的一类方法是通过提取场景的特征点来实现，但与本方法存在以下本质区别：(1)SLAM问题里的“稀疏”以是否使用稀疏特征为区分，本申请的“稀疏”以地图点是否连续为区分；(2)SLAM是通过相邻帧特征之间的对应关系试图求出物体的运动轨迹，本申请是通过比较当前帧指定区域内特征和地图中特征的相似度，快速获得当前位置在地图中的对应位置；(3)SLAM强调的是对陌生场景的建图及定位能力，算法复杂，计算量极大，本申请强调的是对已知场景中特殊位置的快速定位，计算量小。
在一个实施例中，如图1所示，提供一种车辆行车位置确定方法，以该方法应用于可以确定车辆行车位置的处理器进行解释说明，该方法包括以下步骤：
步骤S100，获取当前行车道路上的道路路标的当前路标特征。
道路路标为设置于当前行车道路上、用于提供行车指示信息的路标，道路路标具体可以是包括指路标志、警告标志、禁令标志和道路交通标线中的至少一种。处理器执行上述步骤时，可以是在满足车辆行车定位触发条件时执行，但是本申请并不仅仅局限于该情景。车辆行车定位触发条件可以是检测到车辆行车定位指令，该车辆行车定位指令具体可以是由用户通过控制终端输出，也可以是由相关设备定时输出。当处理器检测到车辆行车定位指令，即满足车辆行车定位触发条件时，处理器获取当前行车道路上的道路路标的当前路标特征。
具体地，处理器可以是采用单目视觉的方式，即控制单目摄像头进行图像拍摄的方式获取当前路标特征。由于道路路标的设置通常与设置点的地理位置严格对应，具有位置不变性，从而处理器可以根据道路路标对应的地理位置信息进行分析处理，以进行车辆行车定位。
步骤S200，获取当前行车道路上的当前辅助定位特征。
当前辅助定位特征为具有不变性的特征，此处的不变性可以理解为形状不变性、颜色不变性、位置不变性等，其中，不变可以理解为并不要求严格意义上的完全不变，只要该特征在一定时间内不会发生太大的变化，即可认为该特征具有不变性，可以作为当前辅助定位特征，从而处理器可以根据当前辅助定位特征对应的地理位置信息进行分析处理，以进行车辆行车定位。辅助定位特征具体可以是天际线特征等。
步骤S300，根据当前路标特征以及当前辅助定位特征，在与当前行车道路对应的、预构建的拓扑地图中进行特征匹配，获得特征匹配结果；
处理器在获取当前路标特征以及当前辅助定位特征之后，在预构建的拓扑地图中进行特征匹配，拓扑地图为包含有不同位置的路标特征以及辅助定位特征、且与当前行车道路对应的地图，从而得到特征匹配结果，其中，拓扑地图与当前行车道路对应可以理解为拓扑地图中包含有该当前行车道路。
具体地，处理器在进行特征匹配时，可以是首先采用其中任一种特征进行匹配，当确定该特征匹配时，再判断另一种特征是否匹配；也可以是同时采用两种特征进行匹配，在此不作限定。
步骤S400，根据特征匹配结果确定当前行驶车辆的当前位置信息。
处理器在根据当前路标特征以及当前辅助定位特征进行特征匹配并得到特征匹配结果后，特征匹配结果可以是包含与当前路标特征以及当前辅助定位特征相匹配的位置信息，从而，处理器可以将匹配的位置信息确定为当前行车车辆的当前位置信息。
本实施例提供一种车辆行车位置确定方法，在车辆行驶过程中，通过获取路标特征以及辅助定位特征，结合预保存的拓扑地图，从而可以实现车辆定位，道路路标不同于普通建筑物，由于行车道路上一般都会设置道路路标，从而使得本申请方法可以适用于交通场景。另外，通过在拓扑地图中进行特征匹配以获取当前位置信息，通信信号在定位过程中为非必须因素，定位过程无需依靠GPS定位设备等，从而可以有效降低定位成本。
在一个实施例中，如图2所示，步骤S100中获取当前行车道路上的道路路标的当前路标特征，包括步骤S110至步骤S150。
步骤S110，获取当前行驶车辆在当前行车道路上时，进行拍摄获得的行车拍摄图像；
步骤S130，从行车拍摄图像中筛选关键图像，关键图像为包含道路路标且满足预设要求的行车拍摄图像；
步骤S150，根据关键图像得到道路路标的当前路标特征。
具体地，处理器可以控制安装于当前行驶车辆的车载摄像头拍摄在当前行车道路上进行拍摄，从而得到行车拍摄图像。另外，由于行车道路上道路路标设置的数量有限，并非所有的行车拍摄图像中都包含有道路路标，处理器无法通过不包含道路路标的行车拍摄图像获取当前路标特征，因此，处理器还需要对行车拍摄图像进行筛选，得到包含道路图标且满足预设要求的关键图像，从而，处理器可以进一步根据关键图像得到道路路标的当前路标特征。
本实施例采用单目视觉的方式获取行车拍摄地图，设备成本较低；另外，通过在行车拍摄地图中筛选满足条件的关键图像，可以得到较为准确的当前路标特征，从而保证车辆定位结果的可靠性。
在一个实施例中，预设要求包括：(1)行车拍摄图像中的道路路标与图像边缘的距离小于预设距离阈值；(2)行车拍摄图像中的道路路标满足预设特征条件；(3)行车拍摄图像中的与上一关键图像的拍摄时间间隔大于预设时间阈值。具体地，关键图像可以是行车拍摄图像中的某一帧图像，筛选关键图像的预设要求包括上述三条要求，且须同时满足。
其中，条件(1)通过对道路路标与图像边缘的距离进行限定，可以尽可能地保证当前行驶车辆与道路路标的距离最为接近，以提高实际定位精度，另外也可以确保构建拓扑地图过程中与车辆行车定位过程中关键图像的提取标准一致。预设距离阈值δ可以根据当前行驶车辆的车速以及摄像头的图像采集帧率设定，当车速较快、采集帧率较低时，可以适当调高预设距离阈值δ，例如，δ的取值范围可以是5-10个像素。
条件(2)是对行车拍摄图像的图像质量进行限定，为了保证可以从关键图像中提取到较为丰富的图像特征，因此需要对道路路标的图像特征进行限定，以避免出现成像质量较差的问题。
条件(3)是对关键图像的拍摄时间间隔进行了限定，从而可以避免连续拍摄的多张图像都被确定为关键图像的问题。例如，如果第Ti时刻拍摄的第i帧图像被确定为关键图像，那么第Ti+TN时刻拍摄的第i+N帧图像才有可能被确定为关键图像，其中，TN为预设时间阈值，预设时间阈值TN可以根据当前行驶车辆的车速以及摄像头的图像采集帧率设定，当车速较快、采集帧率较低时，可以适当调低预设时间阈值TN。
本实施例通过设定在行车拍摄地图中筛选关键图像的预设要求，可以得到较为准确的当前路标特征，从而保证车辆定位结果的可靠性。
在一个实施例中，预设特征条件包括：道路路标的特征点数量大于预设数量阈值；或者，道路路标的特征检测概率大于预设概率阈值。
具体地，对于传统的图像处理特征检测方法，需要保证关键图像中特征点的数量足够，因此可以设置预设特征条件为特征点数量大于预设数量阈值n，预设数量阈值n的取值可以是大于0的数。另外，对于使用网络模型进行特征检测的方法，可以设置预设特征条件为特征检测概率大于预设概率阈值ρ，预设概率阈值ρ的取值可以是0到1之间的数，其中，特征检测概率是指图像中的每个像素点被检测为特征点的概率。
本实施例通过设定在行车拍摄地图中筛选关键图像的预设特征要求，可以得到较为准确的当前路标特征，从而保证车辆定位结果的可靠性。
在一个实施例中，如图3所示，步骤S150根据关键图像得到道路路标的当前路标特征，包括步骤S152至步骤S158。
步骤S152，以道路路标的背景色和饱和度为依据，对关键图像进行前景分割，得到第一处理图像；
步骤S154，使用形态学方法对第一处理图像进行修正，得到第二处理图像；
步骤S156，对第二处理图像进行前景筛选，得到路标边框；
步骤S158，在关键图像中与路标边框对应的图像区域，进行路标特征提取，获得道路路标的当前路标特征。
具体地，以指路标志为例，指路标志通常具有背景颜色，不同道路性质对应的道路标志背景颜色不同，例如，高速公路上的指路标志一般为绿色背景，城市道路上的指路标志一般为蓝色背景，在得到关键图像后，首先对关键图像进行二值化处理，具体可以通过以下公式实现：
Figure BDA0002184249100000091
其中，
Figure BDA0002184249100000092
为二值化图像，H和W为关键图像的高和宽，D1和D2为每个像素主色彩通道值(对于高速场景，绿色为主色彩)与其他两个色彩通道值的差。
可选地，由于指路标志具有一定的反光能力，对应的色彩饱和度较高，因此可以进一步进行饱和度筛选，过滤噪声，第一处理图像具体可以通过以下公式得到：
Figure BDA0002184249100000093
其中，
Figure BDA0002184249100000094
为第一处理图像，I为原始的关键图像，
Figure BDA0002184249100000095
是对原始的关键图像I取饱和度通道，返回
Figure BDA0002184249100000101
标记的前景像素对应的饱和度，
Figure BDA0002184249100000102
为饱和度的sign函数，前景具体是指道路路标，本实施例目的在于获取关键图像中的道路路标，因此将道路路标设置为前景，除了道路路标外的其他图像区域都可以认为是背景区域。
在提取路标边框时，可以使用形态学方法改善第一处理图像
Figure BDA0002184249100000103
的前景得到第二处理图像Ib，例如先通过闭运算和孔洞填充方法连接前景，然后开运算去掉噪声，然后对第二处理图像Ib提取路标边框轮廓并根据形状和面积等先验条件进行前景筛选，得到路标边框。在得到路标边框后，在原始关键图像中与路标边框对应的图像区域进行路标特征提取，具体可以是通过ORB(Oriented FAST and Rotated BRIEF)算法进行特征提取，也可以是采用文字识别算法等进行特征提取，在此不作限定。
本实施例通过根据关键图像，采用传统的图像处理特征检测方法得到道路路标的当前路标特征，可以得到较为准确的当前路标特征，从而保证车辆定位结果的可靠性。
在一个实施例中，根据关键图像得到道路路标的当前路标特征，包括：使用训练好的、基于深度学习的路标特征检测模型对关键图像进行特征提取，得到道路路标的当前路标特征。
具体地，路标特征检测模型可以通过样本数据训练得到，样本数据包括样本图像以及对应的特征标注，通过对网络模型进行训练，使得训练好的网络模型具备特征提取能力，从而可以用于进行道路路标的路标特征提取。
本实施例通过根据关键图像，采用深度学习的神经网络模型进行特征提取得到道路路标的当前路标特征，可以得到较为准确的当前路标特征，从而保证车辆定位结果的可靠性。
在一个实施例中，如图4所示，拓扑地图的构建过程，包括步骤S312至步骤S318。
步骤S312，获取历史行车拍摄图像以及历史行车拍摄图像的定位位置；
步骤S314，从历史行车拍摄图像中筛选出历史关键图像，并提取历史关键图像的路标特征以及辅助定位特征；
步骤S316，为各历史关键图像建立地图点，并将历史关键图像对应的路标特征、辅助定位特征以及定位位置作为地图点的属性信息；
步骤S318，根据建立的各地图点构建拓扑地图。
具体地，拓扑地图(topological map)是指地图学中一种统计地图，是一种保持点与线相对位置关系正确而不一定保持图形形状与面积、距离、方向正确的抽象地图。拓扑地图可以是预先通过上述步骤构建好、保存在存储器中，当处理器需要进行特征匹配时，处理器从存储器中读取该拓扑地图并进行特征匹配。通过预先构建拓扑地图，可以为车辆行车定位提供定位参考基础。
在一个实施例中，如图5所示，步骤S300中，根据当前路标特征以及当前辅助定位特征，在与当前行车道路对应的、预构建的拓扑地图中进行特征匹配，获得特征匹配结果，包括步骤S322至步骤S324。
步骤S322，将当前路标特征以及当前辅助定位特征，与拓扑地图中各个地图点的属性信息进行匹配，得到各个地图点的匹配指数；
步骤S324，根据各个地图点的匹配指数，确定与当前路标特征以及当前辅助定位特征对应的目标地图点，特征匹配结果包括目标地图点。
具体地，拓扑地图中各个地图点的属性信息包括该地图点对应的路标特征信息以及辅助定位信息，从而处理器可以得到当前路标特征以及当前辅助定位特征与不同地图点的匹配指数，然后，根据匹配指数确定与当前路标特征以及当前辅助定位特征匹配的目标地图点。由于当前路标特征以及当前辅助定位特征对应的位置可以认为是与当前行驶车辆所在的当前位置一致，从而，与当前路标特征以及当前辅助定位特征匹配的目标地图点也可以认为是与当前行驶车辆所在的当前位置匹配的目标地图点，该目标地图点的实际地理位置也就是当前行驶车辆所在的当前位置。
本实施例通过根据路标特征以及辅助定位特征进行地图点匹配，可以提高匹配结果的准确度，提高定位结果的准确性。
在一个实施例中，如图6所示，步骤S322中，将当前路标特征以及当前辅助定位特征，与拓扑地图中各个地图点的属性信息进行匹配，得到各个地图点的匹配指数，包括步骤S3222至步骤S3226：
步骤S3222，将当前路标特征与地图点中的路标特征进行匹配，得到第一匹配因子；
步骤S3224，将当前辅助定位特征与地图点中的辅助定位特征进行匹配，得到第二匹配因子；
步骤S3226，对第一匹配因子以及第二匹配因子进行加权求和处理，将获得的加权求和处理结果作为地图点的匹配指数。
具体地，匹配指数可以通过以下公式计算得到：
Figure BDA0002184249100000121
其中，Ψ为匹配指数，φ(f1,Pi)为第一匹配因子，表示当前路标特征与地图点中的路标特征的匹配得分，f1为当前路标特征，Pi为第i个地图点中的路标特征，
Figure BDA0002184249100000131
为第二匹配因子，表示当前辅助定位特征与地图点中的辅助定位特征的匹配得分，f2为当前辅助定位特征，Qi为第i个地图点中的辅助定位特征，α和β分别为第一匹配因子以及第二匹配因子的权重系数。
具体地，以特征点匹配为例，第一匹配因子可以通过以下公式计算得到：
Figure BDA0002184249100000132
其中，其中N1为当前关键图像中道路路标的数量，Ni为第i个地图点中道路路标的数量；L1为当前关键图像中道路路标的特征点数量，λ为对应的预设数量阈值，D(f1,Pi)为当前关键图像内特征向量与第i个地图点内匹配后特征向量的相似度。
以天际线匹配为例，第二匹配因子可以通过以下公式得到：
Figure BDA0002184249100000133
其中x、y分别是当前天际线特征在关键图像中沿像宽方向、像高方向的偏移量，Sa、Sb分别为当前天际线特征向量和拓扑地图中地图点的天际线特征向量，sumAbsDiff(Sa,Sb,shiftY,shiftX)为首先将向量Sa按shiftX和shiftY做偏移，得到Sa'，然后通过以下公式计算匹配得分：
Figure BDA0002184249100000134
其中p为天际线特征向量长度。
在一个实施例中，如图7所示，步骤S324中，根据各个地图点的匹配指数，确定与当前路标特征以及当前辅助定位特征对应的目标地图点，包括步骤S3242至步骤S3246。
步骤S3242，根据各个地图点的匹配指数确定第一匹配指数以及第二匹配指数，第一匹配指数为各地图点的匹配指数中值最大的匹配指数，第二匹配指数为各地图点的匹配指数中值仅小于第一匹配指数的匹配指数；
步骤S3244，基于第一匹配指数以及第二匹配指数确定可信度指数；
步骤S3246，当可信度指数大于预设指数阈值时，确定第一匹配指数对应的地图点为与当前路标特征以及当前辅助定位特征对应的目标地图点。
其中，基于第一匹配指数以及第二匹配指数确定可信度指数，包括：计算第一匹配指数与第二匹配指数的比值；对第一匹配指数以及比值进行加权求和处理，将获得的加权求和处理结果作为可信度指数。
具体地，可信度指数可以通过以下公式计算得到：
Γ＝μ1Ψmax+μ2Ψrate
其中，Γ为可信度指数，Ψmax为第一匹配指数，Ψrate为第一匹配指数与第二匹配指数的比值，比值越高可以在一定程度上反映结果可信度越高，μ1和μ2分别为第一匹配指数和比值对应的权重系数。当Γ>τ时，可以确定匹配成功，并确定第一匹配指数对应的地图点为与当前路标特征以及当前辅助定位特征对应的目标地图点，其中，τ为预设指数阈值。
在一个实施例中，当前辅助定位特征包括当前天际线特征。获取当前行车道路上的当前辅助定位特征，包括：获取当前行驶车辆在当前行车道路上时，进行拍摄获得的行车拍摄图像；提取行车拍摄图像中的天际线，得到当前天际线特征。
以高速场景为例，有时可能会存在道路路标比较相似的情况，此时，根据路标特征可能无法进行稳定区分，需要借助辅助定位特征进行定位，从而通过结合路标特征以及辅助定位特征可以有助于提高不同位置的区别度。具体地，如图8所示，图8(a)为XX公路上距离A地点3km的位置，图8(b)为XX公路上距离A地点1km的位置，可以看出，两个道路路标的路标特征非常相似，但是图像中两个位置的天际线(公路上方的曲线)特征却存在一定的区别，从而，结合天际线特征可以提高两个位置的区别度，从而有助于提高车辆定位结果的准确度。
在一个实施例中，如图9所示，为确定车辆行车位置的实例图。处理器首先获取通过摄像头拍摄的行车拍摄图像，并从中筛选出图示包含道路路标的关键图像，然后根据关键图像提取得到当前路标特征“XXX大桥”，并进行天际线特征提取，得到当前天际线特征，然后将当前路标特征和当前天际线特征与拓扑地图中的各地图点的特征进行匹配，从而确定拓扑地图中与当前位置对应的目标地图点，最后根据目标地图点的属性信息得到当前位置信息，完成车辆行车位置确定处理流程。
在合理条件下应当理解，虽然前文各实施例涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，各流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图10所示，提供一种车辆行车位置确定装置，该装置包括：第一特征获取模块100、第二特征获取模块200、特征匹配模块300以及位置确定模块400。
第一特征获取模块100用于获取当前行车道路上的道路路标的当前路标特征，道路路标为设置于当前行车道路上、用于提供行车指示信息的路标；
第二特征获取模块200用于获取当前行车道路上的当前辅助定位特征，当前辅助定位特征为具有不变性的特征；
特征匹配模块300用于根据当前路标特征以及当前辅助定位特征，在与当前行车道路对应的、预构建的拓扑地图中进行特征匹配，获得特征匹配结果；
位置确定模块400用于根据特征匹配结果确定当前行驶车辆的当前位置信息。
关于车辆行车位置确定装置的具体限定可以参见上文中对于车辆行车位置确定方法的限定，在此不再赘述。上述车辆行车位置确定装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：获取当前行车道路上的道路路标的当前路标特征，道路路标为设置于当前行车道路上、用于提供行车指示信息的路标；获取当前行车道路上的当前辅助定位特征，当前辅助定位特征为具有不变性的特征；根据当前路标特征以及当前辅助定位特征，在与当前行车道路对应的、预构建的拓扑地图中进行特征匹配，获得特征匹配结果；根据特征匹配结果确定当前行驶车辆的当前位置信息。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：获取当前行驶车辆在当前行车道路上时，进行拍摄获得的行车拍摄图像；从行车拍摄图像中筛选关键图像，关键图像为包含道路路标且满足预设要求的行车拍摄图像；根据关键图像得到道路路标的当前路标特征。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：获取历史行车拍摄图像以及历史行车拍摄图像的定位位置；从历史行车拍摄图像中筛选出历史关键图像，并提取历史关键图像的路标特征以及辅助定位特征；为各历史关键图像建立地图点，并将历史关键图像对应的路标特征、辅助定位特征以及定位位置作为地图点的属性信息；根据建立的各地图点构建拓扑地图。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：将当前路标特征以及当前辅助定位特征，与拓扑地图中各个地图点的属性信息进行匹配，得到各个地图点的匹配指数；根据各个地图点的匹配指数，确定与当前路标特征以及当前辅助定位特征对应的目标地图点，特征匹配结果包括目标地图点。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：将当前路标特征与地图点中的路标特征进行匹配，得到第一匹配因子；将当前辅助定位特征与地图点中的辅助定位特征进行匹配，得到第二匹配因子；对第一匹配因子以及第二匹配因子进行加权求和处理，将获得的加权求和处理结果作为地图点的匹配指数。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：根据各个地图点的匹配指数确定第一匹配指数以及第二匹配指数，第一匹配指数为各地图点的匹配指数中值最大的匹配指数，第二匹配指数为各地图点的匹配指数中值仅小于第一匹配指数的匹配指数；基于第一匹配指数以及第二匹配指数确定可信度指数；当可信度指数大于预设指数阈值时，确定第一匹配指数对应的地图点为与当前路标特征以及当前辅助定位特征对应的目标地图点。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：计算第一匹配指数与第二匹配指数的比值；对第一匹配指数以及比值进行加权求和处理，将获得的加权求和处理结果作为可信度指数。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：获取当前行驶车辆在当前行车道路上时，进行拍摄获得的行车拍摄图像；提取行车拍摄图像中的天际线，得到当前天际线特征。
图11示出了一个实施例中计算机设备的内部结构图。该计算机设备具体可以是终端(或服务器)。如图11所示，该计算机设备包括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、输入装置和显示屏。其中，存储器包括非易失性存储介质和内存储器。该计算机设备的非易失性存储介质存储有操作系统，还可存储有计算机程序，该计算机程序被处理器执行时，可使得处理器实现车辆行车位置确定方法。该内存储器中也可储存有计算机程序，该计算机程序被处理器执行时，可使得处理器执行车辆行车位置确定方法。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，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。
本领域技术人员可以理解，图11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计算机设备的限定，具体的计算机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以下步骤：获取当前行车道路上的道路路标的当前路标特征，道路路标为设置于当前行车道路上、用于提供行车指示信息的路标；获取当前行车道路上的当前辅助定位特征，当前辅助定位特征为具有不变性的特征；根据当前路标特征以及当前辅助定位特征，在与当前行车道路对应的、预构建的拓扑地图中进行特征匹配，获得特征匹配结果；根据特征匹配结果确定当前行驶车辆的当前位置信息。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：获取当前行驶车辆在当前行车道路上时，进行拍摄获得的行车拍摄图像；从行车拍摄图像中筛选关键图像，关键图像为包含道路路标且满足预设要求的行车拍摄图像；根据关键图像得到道路路标的当前路标特征。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：获取历史行车拍摄图像以及历史行车拍摄图像的定位位置；从历史行车拍摄图像中筛选出历史关键图像，并提取历史关键图像的路标特征以及辅助定位特征；为各历史关键图像建立地图点，并将历史关键图像对应的路标特征、辅助定位特征以及定位位置作为地图点的属性信息；根据建立的各地图点构建拓扑地图。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：将当前路标特征以及当前辅助定位特征，与拓扑地图中各个地图点的属性信息进行匹配，得到各个地图点的匹配指数；根据各个地图点的匹配指数，确定与当前路标特征以及当前辅助定位特征对应的目标地图点，特征匹配结果包括目标地图点。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：将当前路标特征与地图点中的路标特征进行匹配，得到第一匹配因子；将当前辅助定位特征与地图点中的辅助定位特征进行匹配，得到第二匹配因子；对第一匹配因子以及第二匹配因子进行加权求和处理，将获得的加权求和处理结果作为地图点的匹配指数。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：根据各个地图点的匹配指数确定第一匹配指数以及第二匹配指数，第一匹配指数为各地图点的匹配指数中值最大的匹配指数，第二匹配指数为各地图点的匹配指数中值仅小于第一匹配指数的匹配指数；基于第一匹配指数以及第二匹配指数确定可信度指数；当可信度指数大于预设指数阈值时，确定第一匹配指数对应的地图点为与当前路标特征以及当前辅助定位特征对应的目标地图点。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：计算第一匹配指数与第二匹配指数的比值；对第一匹配指数以及比值进行加权求和处理，将获得的加权求和处理结果作为可信度指数。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：获取当前行驶车辆在当前行车道路上时，进行拍摄获得的行车拍摄图像；提取行车拍摄图像中的天际线，得到当前天际线特征。
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，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发明的几种实施方式，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，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (12)

1.一种车辆行车位置确定方法，其特征在于，包括：
获取当前行车道路上的道路路标的当前路标特征，所述道路路标为设置于所述当前行车道路上、用于提供行车指示信息的路标；
获取所述当前行车道路上的当前辅助定位特征，所述当前辅助定位特征为具有不变性的特征；
根据所述当前路标特征以及所述当前辅助定位特征，在与所述当前行车道路对应的、预构建的拓扑地图中进行特征匹配，获得特征匹配结果；
根据所述特征匹配结果确定当前行驶车辆的当前位置信息。
2.根据权利要求1所述的方法，其特征在于，获取当前行车道路上的道路路标的当前路标特征，包括：
获取所述当前行驶车辆在所述当前行车道路上时，进行拍摄获得的行车拍摄图像；
从所述行车拍摄图像中筛选关键图像，所述关键图像为包含道路路标且满足预设要求的行车拍摄图像；
根据所述关键图像得到所述道路路标的当前路标特征。
3.根据权利要求2所述的方法，其特征在于，所述预设要求包括：
所述行车拍摄图像中的所述道路路标与图像边缘的距离小于预设距离阈值，所述行车拍摄图像中的所述道路路标满足预设特征条件，且所述行车拍摄图像中的与上一关键图像的拍摄时间间隔大于预设时间阈值。
4.根据权利要求1所述的方法，其特征在于，所述拓扑地图的构建过程，包括：
获取历史行车拍摄图像以及历史行车拍摄图像的定位位置；
从所述历史行车拍摄图像中筛选出历史关键图像，并提取所述历史关键图像的路标特征以及辅助定位特征；
为各历史关键图像建立地图点，并将所述历史关键图像对应的路标特征、辅助定位特征以及所述定位位置作为所述地图点的属性信息；
根据建立的各地图点构建所述拓扑地图。
5.根据权利要求4所述的方法，其特征在于，根据所述当前路标特征以及所述当前辅助定位特征，在与所述当前行车道路对应的、预构建的拓扑地图中进行特征匹配，获得特征匹配结果，包括：
将所述当前路标特征以及所述当前辅助定位特征，与所述拓扑地图中各个地图点的属性信息进行匹配，得到各个地图点的匹配指数；
根据所述各个地图点的匹配指数，确定与所述当前路标特征以及所述当前辅助定位特征对应的目标地图点，所述特征匹配结果包括所述目标地图点。
6.根据权利要求5所述的方法，其特征在于，将所述当前路标特征以及所述当前辅助定位特征，与所述拓扑地图中各个地图点的属性信息进行匹配，得到各个地图点的匹配指数，包括：
将所述当前路标特征与地图点中的路标特征进行匹配，得到第一匹配因子；
将所述当前辅助定位特征与地图点中的辅助定位特征进行匹配，得到第二匹配因子；
对所述第一匹配因子以及所述第二匹配因子进行加权求和处理，将获得的加权求和处理结果作为地图点的匹配指数。
7.根据权利要求5所述的方法，其特征在于，根据所述各个地图点的匹配指数，确定与所述当前路标特征以及所述当前辅助定位特征对应的目标地图点，包括：
根据各个地图点的匹配指数确定第一匹配指数以及第二匹配指数，所述第一匹配指数为各所述地图点的匹配指数中值最大的匹配指数，所述第二匹配指数为各所述地图点的匹配指数中值仅小于所述第一匹配指数的匹配指数；
基于所述第一匹配指数以及所述第二匹配指数确定可信度指数；
当所述可信度指数大于预设指数阈值时，确定所述第一匹配指数对应的地图点为与所述当前路标特征以及所述当前辅助定位特征对应的目标地图点。
8.根据权利要求7所述的方法，其特征在于，基于所述第一匹配指数以及所述第二匹配指数确定可信度指数，包括：
计算所述第一匹配指数与所述第二匹配指数的比值；
对所述第一匹配指数以及所述比值进行加权求和处理，将获得的加权求和处理结果作为可信度指数。
9.根据权利要求1所述的方法，其特征在于，包括以下各项中的至少一项：
第一项：所述道路路标包括指路标志、警告标志、禁令标志和道路交通标线中的至少一种；
第二项：所述当前辅助定位特征包括当前天际线特征；
获取所述当前行车道路上的当前辅助定位特征，包括：
获取所述当前行驶车辆在所述当前行车道路上时，进行拍摄获得的行车拍摄图像；
提取所述行车拍摄图像中的天际线，得到所述当前天际线特征。
10.一种车辆行车位置确定装置，其特征在于，包括：
第一特征获取模块，用于获取当前行车道路上的道路路标的当前路标特征，所述道路路标为设置于所述当前行车道路上、用于提供行车指示信息的路标；
第二特征获取模块，用于获取所述当前行车道路上的当前辅助定位特征，所述当前辅助定位特征为具有不变性的特征；
特征匹配模块，用于根据所述当前路标特征以及所述当前辅助定位特征，在与所述当前行车道路对应的、预构建的拓扑地图中进行特征匹配，获得特征匹配结果；
位置确定模块，用于根据所述特征匹配结果确定当前行驶车辆的当前位置信息。
11.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至9中任一项所述方法的步骤。
12.一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，所述计算机程序被处理器执行时实现权利要求1至9中任一项所述的方法的步骤。
CN201910808112.2A 2019-08-29 2019-08-29 车辆行车位置确定方法、装置、存储介质及计算机设备 Active CN112444251B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910808112.2A CN112444251B (zh) 2019-08-29 2019-08-29 车辆行车位置确定方法、装置、存储介质及计算机设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910808112.2A CN112444251B (zh) 2019-08-29 2019-08-29 车辆行车位置确定方法、装置、存储介质及计算机设备

Publications (2)

Publication Number Publication Date
CN112444251A true CN112444251A (zh) 2021-03-05
CN112444251B CN112444251B (zh) 2023-06-13

Family

ID=74742124

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910808112.2A Active CN112444251B (zh) 2019-08-29 2019-08-29 车辆行车位置确定方法、装置、存储介质及计算机设备

Country Status (1)

Country Link
CN (1) CN112444251B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113984072A (zh) * 2021-10-28 2022-01-28 阿波罗智能技术(北京)有限公司 车辆定位方法、装置、设备、存储介质及自动驾驶车辆
CN116380107A (zh) * 2023-05-29 2023-07-04 速度科技股份有限公司 一种基于高精地图对车辆进行定位的系统
EP4322020A4 (en) * 2021-04-27 2024-10-09 Huawei Tech Co Ltd METHOD FOR POSITIONING TERMINAL DEVICE AND ASSOCIATED DEVICE

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180190016A1 (en) * 2016-12-30 2018-07-05 DeepMap Inc. Enrichment of point cloud data for high-definition maps for autonomous vehicles
CN108303721A (zh) * 2018-02-12 2018-07-20 北京经纬恒润科技有限公司 一种车辆定位方法及系统
CN108759844A (zh) * 2018-06-07 2018-11-06 科沃斯商用机器人有限公司 机器人重定位与环境地图构建方法、机器人及存储介质
CN109431381A (zh) * 2018-10-29 2019-03-08 北京石头世纪科技有限公司 机器人的定位方法及装置、电子设备、存储介质
CN109446904A (zh) * 2018-09-25 2019-03-08 中国平安人寿保险股份有限公司 排队取号方法、装置、计算机设备及存储介质

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180190016A1 (en) * 2016-12-30 2018-07-05 DeepMap Inc. Enrichment of point cloud data for high-definition maps for autonomous vehicles
CN108303721A (zh) * 2018-02-12 2018-07-20 北京经纬恒润科技有限公司 一种车辆定位方法及系统
CN108759844A (zh) * 2018-06-07 2018-11-06 科沃斯商用机器人有限公司 机器人重定位与环境地图构建方法、机器人及存储介质
CN109446904A (zh) * 2018-09-25 2019-03-08 中国平安人寿保险股份有限公司 排队取号方法、装置、计算机设备及存储介质
CN109431381A (zh) * 2018-10-29 2019-03-08 北京石头世纪科技有限公司 机器人的定位方法及装置、电子设备、存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
HONGJIE MA 第: "Radar_Image-Based_Positioning_for_USV_Under_GPS_Denial_Environment", 《IEEE TRANSACTIONS ON INTELLIGENT TRANSPORTATION SYSTEMS,》 *
李承等: "面向智能车定位的道路环境视觉地图构建", 《中国公路学报》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP4322020A4 (en) * 2021-04-27 2024-10-09 Huawei Tech Co Ltd METHOD FOR POSITIONING TERMINAL DEVICE AND ASSOCIATED DEVICE
CN113984072A (zh) * 2021-10-28 2022-01-28 阿波罗智能技术(北京)有限公司 车辆定位方法、装置、设备、存储介质及自动驾驶车辆
CN113984072B (zh) * 2021-10-28 2024-05-17 阿波罗智能技术(北京)有限公司 车辆定位方法、装置、设备、存储介质及自动驾驶车辆
CN116380107A (zh) * 2023-05-29 2023-07-04 速度科技股份有限公司 一种基于高精地图对车辆进行定位的系统
CN116380107B (zh) * 2023-05-29 2023-08-22 速度科技股份有限公司 一种基于高精地图对车辆进行定位的系统

Also Published As

Publication number Publication date
CN112444251B (zh) 2023-06-13

Similar Documents

Publication Publication Date Title
WO2020186678A1 (zh) 无人机三维地图构建方法、装置、计算机设备及存储介质
CN111178253A (zh) 自动驾驶的视觉感知方法、装置、计算机设备和存储介质
CN111178245A (zh) 车道线检测方法、装置、计算机设备和存储介质
CN111213155A (zh) 图像处理方法、设备、可移动平台、无人机及存储介质
CN110136199A (zh) 一种基于摄像头的车辆定位、建图的方法和装置
CN110443898A (zh) 一种基于深度学习的ar智能终端目标识别系统及方法
KR101261409B1 (ko) 영상 내 노면표시 인식시스템
CN105405154A (zh) 基于颜色-结构特征的目标对象跟踪方法
CN110555433A (zh) 图像处理方法、装置、电子设备及计算机可读存储介质
CN112444251A (zh) 车辆行车位置确定方法、装置、存储介质及计算机设备
CN109815831B (zh) 一种车辆朝向获取方法及相关装置
US11941892B2 (en) Method and device for providing data for creating a digital map
CN112699834B (zh) 交通标识检测方法、装置、计算机设备和存储介质
CN114299457A (zh) 积水深度检测方法及装置
CN110516559B (zh) 适用于精准监控的目标跟踪方法及装置、计算机设备
CN112215205B (zh) 目标识别方法、装置、计算机设备和存储介质
CN112861748A (zh) 一种自动驾驶中的红绿灯检测系统及方法
CN112101205A (zh) 基于多任务网络的训练方法和装置
CN111159459A (zh) 地标定位方法、装置、计算机设备以及存储介质
CN111738033A (zh) 基于平面分割的车辆行驶信息确定方法及装置、车载终端
Zang et al. Traffic lane detection using fully convolutional neural network
Kühnl et al. Visual ego-vehicle lane assignment using spatial ray features
Liu et al. Real-time traffic light recognition based on smartphone platforms
CN115909241A (zh) 一种车道线检测方法、系统、电子设备和存储介质
CN114898321A (zh) 道路可行驶区域检测方法、装置、设备、介质及系统

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