CN112613344B - 车辆占道检测方法、装置、计算机设备和可读存储介质 - Google Patents
车辆占道检测方法、装置、计算机设备和可读存储介质 Download PDFInfo
- Publication number
- CN112613344B CN112613344B CN202011383463.2A CN202011383463A CN112613344B CN 112613344 B CN112613344 B CN 112613344B CN 202011383463 A CN202011383463 A CN 202011383463A CN 112613344 B CN112613344 B CN 112613344B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- lane
- target
- lanes
- binarization
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 54
- 238000003860 storage Methods 0.000 title claims abstract description 12
- 238000013135 deep learning Methods 0.000 claims abstract description 43
- 238000000034 method Methods 0.000 claims abstract description 31
- 230000006870 function Effects 0.000 claims abstract description 26
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 25
- 239000003086 colorant Substances 0.000 claims abstract description 21
- 238000012549 training Methods 0.000 claims description 36
- 238000010586 diagram Methods 0.000 claims description 28
- 238000009826 distribution Methods 0.000 claims description 28
- 239000011159 matrix material Substances 0.000 claims description 20
- 238000004590 computer program Methods 0.000 claims description 12
- 238000005516 engineering process Methods 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 9
- 238000013527 convolutional neural network Methods 0.000 claims description 8
- 230000009466 transformation Effects 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000011176 pooling Methods 0.000 claims description 7
- 238000010845 search algorithm Methods 0.000 claims description 7
- 238000012163 sequencing technique Methods 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 6
- 238000005260 corrosion Methods 0.000 claims description 5
- 230000007797 corrosion Effects 0.000 claims description 5
- 230000000007 visual effect Effects 0.000 claims description 5
- 230000002194 synthesizing effect Effects 0.000 claims description 4
- 238000004891 communication Methods 0.000 description 8
- 230000008901 benefit Effects 0.000 description 4
- 238000000605 extraction Methods 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 108010001267 Protein Subunits Proteins 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000003068 static 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
- G06V20/20—Scenes; Scene-specific elements in augmented reality scenes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
- G06F18/24137—Distances to cluster centroïds
- G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]
-
- 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
- G06V10/40—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)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Probability & Statistics with Applications (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种车辆占道检测方法、装置、计算机设备和可读存储介质,该方法包括:将原始图像输送至深度学习全卷积网络,以提取路面上多个车道的粗粒度掩膜,并根据所述粗粒度掩膜生成二值化特征图;在所述二值化特征图中初步确定属于目标颜色的车道,通过幂函数曲线拟合以提取精细车道,并统计各车道的颜色,再将各车道的二值化亮点转换到HSV彩色空间,使用Kmeans算法对车道进行颜色聚类,以鉴别出属于目标颜色的目标车道;根据所述原始图像中车辆的3D信息定位所述车辆所处的车道,以判断所述车辆是否处于所述目标车道内;若所述车辆处于所述目标车道内,则对所述车辆进行标记。本发明能够解决现有技术识别准确度低、车道范围判断不准确的问题。
Description
技术领域
本申请涉及智能交通技术领域,特别是涉及一种车辆占道检测方法、装置、计算机设备和可读存储介质。
背景技术
为应对公共交通出行需要,各地纷纷规划高峰期公交车道专用道,以北京为例,其定义公交流量占道路流量30%以上设置公交车专用道。公交车专用道特定时间专道专行,但占用公交车道的现象屡禁不止,传统违法抓拍的方法为固定龙门架,设置卡口电警或交通电警定点抓拍,人为规避较为容易。
相关技术中,可以通过纹理计算、图像二值化等图像处理手段对抓拍图像进行处理,得到公交车道的二值化图像,然后判断非公交车是否处于公交车道内,但这种方法对公交车道识别的准确度较低,在进行颜色统计时,虚线车道会对统计结果产生影响,导致车道范围判断不准确,影响违法占道抓拍效果。
发明内容
本申请实施例提供了一种车辆占道检测方法、装置、计算机设备和可读存储介质,以至少解决现有技术识别准确度低、车道范围判断不准确的问题。
第一方面,本申请实施例提供了一种车辆占道检测方法,包括:
将原始图像输送至深度学习全卷积网络,以提取路面上多个车道的粗粒度掩膜,并根据所述粗粒度掩膜生成二值化特征图;
在所述二值化特征图中通过幂函数曲线拟合以提取精细车道,将各车道二值化点对应的原始彩色图像中的点转换到HSV彩色空间,使用Kmeans算法对车道进行颜色聚类,以鉴别出属于目标颜色的目标车道;
根据所述原始图像中车辆的3D信息定位所述车辆所处的车道,以判断所述车辆是否处于所述目标车道内;
若所述车辆处于所述目标车道内,则对所述车辆进行标记。
在其中一些实施例中,将原始图像输入至深度学习全卷积网络,以提取路面上多个车道的粗粒度掩膜,并根据所述粗粒度掩膜生成二值化特征图的步骤具体包括:
将所述原始图像输送至所述深度学习全卷积网络,经过卷积、池化、激活、反卷积的传导过程,计算得到与所述原始图像尺度相同的多个车道的所述粗粒度掩膜,经过二值化膨胀腐蚀的连续计算后,获取连续的所述二值化特征图。
在其中一些实施例中,在所述二值化特征图中通过幂函数曲线拟合以提取精细车道线,将各车道二值化点对应的原始彩色图像中的点转换到HSV彩色空间,使用Kmeans算法对车道进行颜色聚类,以鉴别出属于目标颜色的目标车道的步骤具体包括:
采用广度优先搜索算法,在所述粗粒度掩膜中提取若干个二值化点集,采用幂函数拟合算法,拟合车道线方程;
将每一个车道二值化点对应的原始彩色图像中的点转换到HSV彩色空间;使用Kmeans算法对车道进行颜色聚类以获取集合结果;
根据所述集合结果统计车道颜色信息,并根据几何位置关系,对车道进行排序,将相邻两个车道线均为目标颜色的车道确定为候选车道;
提取候选车道的ROI图像,进行透视变换,统一转换为矩形图像,通过卷积神经网络进行目标车道二分类,以鉴别出属于目标颜色的目标车道。
在其中一些实施例中,所述方法还包括:
根据训练图像中标注的2D矩形目标框,沿XY轴方向分别构建高斯分布,综合XY轴高斯分布,构建2D高斯分布,并将所述训练图像中车辆的3D信息作为训练输入;
确定图像输入分辨率,采用深度学习全卷积网络,抽象出预设尺寸的抽象特征图,通过所述2D高斯分布以及所述3D信息监督训练所述深度学习全卷积网络,以计算车辆的3D检测框,并对所述3D检测框进行分类,以输出车辆的3D坐标信息和车型类别,所述深度学习全卷积网络的训练标签包括图片目标热力图标签、目标类别标签和3D顶点坐标标签。
在其中一些实施例中,所述方法还包括:
采用所述深度学习全卷积网络对所述原始图像进行处理,以得到热力图、类别矩阵、3D坐标矩阵;
对所述热力图进行MaxPool操作,获取若干局部极大值;
根据所述局部极大值在所述热力图中的坐标位置,获得对应的类别矩阵和3D坐标矩阵中的值,从而得到所述原始图像中目标车辆对应的车型类别和3D坐标信息。
在其中一些实施例中,根据所述原始图像中车辆的3D信息定位所述车辆所处的车道,以判断所述车辆是否处于所述目标车道内的步骤具体包括:
获取用户输入的需抓拍的目标车型类别;
根据所述原始图像中属于所述目标车型的车辆的3D信息定位所述车辆所处的车道,以判断所述车辆是否处于所述目标车道内。
在其中一些实施例中,若所述车辆处于所述目标车道内,则对所述车辆进行标记的步骤之后,所述方法还包括:
截取所述车辆的3D信息中的朝向视觉抓拍一面的最小外接矩形;
通过车牌识别技术对所述最小外接矩形进行车牌识别。
在其中一些实施例中,根据所述原始图像中车辆的3D信息定位所述车辆所处的车道,以判断所述车辆是否处于所述目标车道内的步骤具体包括:
根据所述原始图像中车辆的3D信息确定所述车辆在地面的四个顶点坐标;
判断所述四个顶点坐标中是否至少有三个顶点坐标处于所述目标车道内;
若是,则判定所述车辆处于所述目标车道内。
第二方面,本申请实施例提供了一种车辆占道检测装置,包括:
输送提取模块,用于将原始图像输送至深度学习全卷积网络,以提取路面上多个车道的粗粒度掩膜,并根据所述粗粒度掩膜生成二值化特征图;
车道鉴别模块,用于在所述二值化特征图中通过幂函数曲线拟合以提取精细车道,将各车道二值化点对应的原始彩色图像中的点转换到HSV彩色空间,使用Kmeans算法对车道进行颜色聚类,以鉴别出属于目标颜色的目标车道;
车辆定位模块,用于根据所述原始图像中车辆的3D信息定位所述车辆所处的车道,以判断所述车辆是否处于所述目标车道内;
标记模块,用于若所述车辆处于所述目标车道内,则对所述车辆进行标记。
在其中一些实施例中,所述输送提取模块具体用于:
将所述原始图像输送至所述深度学习全卷积网络,经过卷积、池化、激活、反卷积的传导过程,计算得到与所述原始图像尺度相同的多个车道的所述粗粒度掩膜,经过二值化膨胀腐蚀的连续计算后,获取连续的所述二值化特征图。
在其中一些实施例中,所述车道鉴别模块具体用于:
采用广度优先搜索算法,在所述粗粒度掩膜中提取若干个二值化点集,采用幂函数拟合算法,拟合车道线方程;
将每一个车道二值化点对应的原始彩色图像中的点转换到HSV彩色空间;使用Kmeans算法对车道进行聚类以获取集合结果;
根据所述集合结果统计车道颜色信息,并根据几何位置关系,对车道进行排序,将相邻两个车道线均为目标颜色的车道确定为候选车道;
提取候选车道的ROI图像,进行透视变换,统一转换为矩形图像,通过卷积神经网络进行目标车道二分类,以鉴别出属于目标颜色的目标车道。
在其中一些实施例中,所述装置还包括:
构建模块,用于根据训练图像中标注的2D矩形目标框,沿XY轴方向分别构建高斯分布,综合XY轴高斯分布,构建2D高斯分布,并将所述训练图像中车辆的3D信息作为训练输入;
训练模块,用于确定图像输入分辨率,采用深度学习全卷积网络,抽象出预设尺寸的抽象特征图,通过所述2D高斯分布以及所述3D信息监督训练所述深度学习全卷积网络,以计算车辆的3D检测框,并对所述3D检测框进行分类,以输出车辆的3D坐标信息和车型类别,所述深度学习全卷积网络的训练标签包括图片目标热力图标签、目标类别标签和3D顶点坐标标签。
在其中一些实施例中,所述装置还包括:
处理模块,用于采用所述深度学习全卷积网络对所述原始图像进行处理,以得到热力图、类别矩阵、3D坐标矩阵;
获取模块,用于对所述热力图进行MaxPool操作,获取若干局部极大值;
类别确定模块,用于根据所述局部极大值在所述热力图中的坐标位置,获得对应的类别矩阵和3D坐标矩阵中的值,从而得到所述原始图像中目标车辆对应的车型类别和3D坐标信息。
在其中一些实施例中,所述车辆定位模块具体用于:
获取用户输入的需抓拍的目标车型类别;
根据所述原始图像中属于所述目标车型的车辆的3D信息定位所述车辆所处的车道,以判断所述车辆是否处于所述目标车道内。
在其中一些实施例中,所述装置还包括:
截取模块,用于截取所述车辆的3D信息中的朝向视觉抓拍一面的最小外接矩形;
识别模块,用于通过车牌识别技术对所述最小外接矩形进行车牌识别。
在其中一些实施例中,所述车辆定位模块具体用于:
根据所述原始图像中车辆的3D信息确定所述车辆在地面的四个顶点坐标;
判断所述四个顶点坐标中是否至少有三个顶点坐标处于所述目标车道内;
若是,则判定所述车辆处于所述目标车道内。
第三方面,本申请实施例提供了一种计算机设备,包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如上述第一方面所述的车辆占道检测方法。
第四方面,本申请实施例提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如上述第一方面所述的车辆占道检测方法。
相比于现有技术,本申请实施例提供的车辆占道检测方法、装置、计算机设备和可读存储介质,通过深度学习全卷积网络提取多个车道的粗粒度掩膜,并根据粗粒度掩膜生成二值化特征图,然后通过幂函数曲线拟合以提取精细车道,并统计各车道的颜色,使用深度学习技术,通过大数据训练可以准确的得到车道线与非车道线的二值化图像,可以准确判断车道是否为目标车道(例如公交车道),且本发明使用Kmeans对车道图像进行HSV色域的颜色聚类,能够有效规避虚线进行颜色统计时产生的影响,解决了现有技术识别准确度低、车道范围判断不准确的问题。
本申请的一个或多个实施例的细节在以下附图和描述中提出,以使本申请的其他特征、目的和优点更加简明易懂。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1是根据本发明一实施例的车辆占道检测方法的流程图;
图2是图1中步骤S102的详细流程图;
图3是根据本发明另一实施例的车辆占道检测方法的流程图;
图4是根据本发明又一实施例的车辆占道检测方法的流程图;
图5是根据本发明一实施例的车辆占道检测装置的结构框图;
图6是根据本发明一实施例的计算机设备的硬件结构示意图。
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,对本申请进行描述和说明。应当理解,此处所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。基于本申请提供的实施例,本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护的范围。
显而易见地,下面描述中的附图仅仅是本申请的一些示例或实施例,对于本领域的普通技术人员而言,在不付出创造性劳动的前提下,还可以根据这些附图将本申请应用于其他类似情景。此外,还可以理解的是,虽然这种开发过程中所作出的努力可能是复杂并且冗长的,然而对于与本申请公开的内容相关的本领域的普通技术人员而言,在本申请揭露的技术内容的基础上进行的一些设计,制造或者生产等变更只是常规的技术手段,不应当理解为本申请公开的内容不充分。
在本申请中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域普通技术人员显式地和隐式地理解的是,本申请所描述的实施例在不冲突的情况下,可以与其它实施例相结合。
除非另作定义,本申请所涉及的技术术语或者科学术语应当为本申请所属技术领域内具有一般技能的人士所理解的通常意义。本申请所涉及的“一”、“一个”、“一种”、“该”等类似词语并不表示数量限制,可表示单数或复数。本申请所涉及的术语“包括”、“包含”、“具有”以及它们任何变形,意图在于覆盖不排他的包含;例如包含了一系列步骤或模块(单元)的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元,而是可以还包括没有列出的步骤或单元,或可以还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。本申请所涉及的“连接”、“相连”、“耦接”等类似的词语并非限定于物理的或者机械的连接,而是可以包括电气的连接,不管是直接的还是间接的。本申请所涉及的“多个”是指两个或两个以上。“和/或”描述关联对象的关联关系,表示可以存在三种关系,例如,“A和/或B”可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。本申请所涉及的术语“第一”、“第二”、“第三”等仅仅是区别类似的对象,不代表针对对象的特定排序。
请参阅图1,本发明一实施例提供的车辆占道检测方法,包括步骤S101~S104:
S101,将原始图像输送至深度学习全卷积网络,以提取路面上多个车道的粗粒度掩膜,并根据所述粗粒度掩膜生成二值化特征图。
其中,在步骤S101之前,需要先通过感光芯片采集图像,经过ISP算法处理后,输出一幅颜色分明、纹理清晰的原始图片。
然后将原始图像输送至深度学习全卷积网络,经过卷积、池化、激活、反卷积的传导过程,计算得到与所述原始图像尺度相同的多个车道的粗粒度掩膜,经过二值化膨胀腐蚀的连续计算后,获取连续的二值化特征图。
S102,在所述二值化特征图中初步确定属于目标颜色的车道,通过幂函数曲线拟合以提取精细车道,将各车道二值化点对应的原始彩色图像中的点转换到HSV彩色空间,使用Kmeans算法对车道进行颜色聚类,以鉴别出属于目标颜色的目标车道。
其中,请参阅图2,步骤S102具体包括:S1021~S1024:
S1021,采用广度优先搜索算法,在所述粗粒度掩膜中提取若干个二值化点集,采用幂函数拟合算法,拟合车道线方程;
S1022,将每一个车道二值化点对应的原始彩色图像中的点转换到HSV彩色空间;使用Kmeans算法对车道进行颜色聚类以获取集合结果。
S1023,根据所述集合结果统计车道颜色信息,并根据几何位置关系,对车道进行排序,将相邻两个车道线均为目标颜色的车道确定为候选车道;
S1024,提取候选车道的ROI图像,进行透视变换,统一转换为矩形图像,通过卷积神经网络进行目标车道二分类,以鉴别出属于目标颜色的目标车道。
本实施例中,目标车道为黄色的公交车道。可以理解的,该方法也可以适用于其他颜色的特定车道。
具体实施时,首先使用广度优先搜索算法,在掩膜中提取若干个二值化点集、即车道线上的点的集合,采用幂函数拟合算法,拟合车道线方程。将每一个车道二值化点集中的每一个点,转换到HSV彩色空间中。使用Kmeans聚类算法,聚类黑、白、黄3个H通道颜色簇,进而得到包括三个不同颜色的集合结果。根据这三个集合统计车道颜色信息,通过聚类的方法,可以有效屏蔽虚线颜色分布不均衡的影响,更准确的判断车道线颜色。根据几何位置关系,对车道进行排序,相邻两个车道线均为黄线,则判定该车道为候选公交车道。然后提取候选公交车道ROI图像,进行透视变换,统一转换为矩形图像。通过卷积神经网络进行是否为公交车道二分类,最终确定是否为公交车道。使用Kalman算法,对车道中心点坐标进行跟踪,结合之前的车道线提取结果,准确从连续的图像输入序列中锁定公交车专用道。
其中,幂函数拟合公式如下:
y=αxβ (1)
logx(y)=logx(α)+β (2)
ln(y)=ln(α)+β×ln(x) (4)
Y=β×X+ln(α) (6)
其中x、y分别为之前求得的公交车道点集。等号两遍同时取对数,按公式(2)到(6)步骤化简为普通的线性方法拟合。
此外,Kmeans颜色聚类的流程如下:
1)随机选取3个值作为起始值的簇心
2)每个点的H分量分别计算和1)值的偏差,按最小偏差归类对应的簇
3)重新计算每个簇的簇心
4)重复迭代2)-3)步骤直到达到终止条件
经过上述步骤,能够获取搭配公交车道左右车道线序号和对应车道幂函数拟合方程。选取候选公交车道消失线上的角点和图像底边的交点获取梯形的车道区域,进行透视变换转换为矩形图像,通过一个简单的二分类卷积神经网络二次确认为公交车道,至此可以求得公交车道在图像中的实际存在范围。
S103,根据所述原始图像中车辆的3D信息定位所述车辆所处的车道,以判断所述车辆是否处于所述目标车道内。
其中,具体可以根据所述原始图像中车辆的3D信息确定所述车辆在地面的四个顶点坐标;
判断所述四个顶点坐标中是否至少有三个顶点坐标处于所述目标车道内;
若是,则判定所述车辆处于所述目标车道内。
反之,则判定所述车辆不处于所述目标车道内。
S104,若所述车辆处于所述目标车道内,则对所述车辆进行标记。
其中,若确定车辆处于目标车道内,则对车辆进行标记,确定出违法占道的车辆。
根据本实施例的车辆占道检测方法,通过深度学习全卷积网络提取多个车道的粗粒度掩膜,并根据粗粒度掩膜生成二值化特征图,然后通过幂函数曲线拟合以提取精细车道,并统计各车道的颜色,使用深度学习技术,通过大数据训练可以准确的得到车道线与非车道线的二值化图像,可以准确判断车道是否为目标车道(例如公交车道),且该方法使用Kmeans对车道图像进行HSV色域的颜色聚类,能够有效规避虚线进行颜色统计时产生的影响,解决了现有技术识别准确度低、车道范围判断不准确的问题。
此外,作为一个具体示例,若所述车辆处于所述目标车道内,则对所述车辆进行标记的步骤之后,所述方法还包括:
截取所述车辆的3D信息中的朝向视觉抓拍一面的最小外接矩形;
通过车牌识别技术对所述最小外接矩形进行车牌识别。识别出违法占道的车辆的车牌后,交警可以根据法规依法处罚该车辆。还可以设定每间隔一定时间抓拍一次违法占道,组成证据链上报应用平台。
请参阅图3,本发明另一实施例提供的车辆占道检测方法,包括步骤S201~S102:
S201,根据训练图像中标注的2D矩形目标框,沿XY轴方向分别构建高斯分布,综合XY轴高斯分布,构建2D高斯分布,并将所述训练图像中车辆的3D信息作为训练输入。
S202,确定图像输入分辨率,采用所述深度学习全卷积网络,抽象出预设尺寸的抽象特征图,通过所述2D高斯分布以及所述3D信息监督训练所述深度学习全卷积网络,以计算车辆的3D检测框,并对所述3D检测框进行分类,以输出车辆的3D坐标信息和车型类别,所述深度学习全卷积网络的训练标签包括图片目标热力图标签、目标类别标签和3D顶点坐标标签。
其中,步骤S201~S202的目的是进行车辆车型和车辆坐标信息的检测。
其中,可以使用真实标注的2D矩形目标框,沿XY轴方向分别构建高斯分布,综合XY轴高斯分布,构建2D目标高斯分布标签,外加车辆3D信息中的顶点(将车辆看出一个长方体,其有8个顶点)作为训练输入。确定图像输入分辨率,采用深度学习全卷积网络(包括卷积层,池化层,激活函数,标准化化层),抽象出原始分辨率1/4尺寸的抽象特征图。通过之前生成的2D高斯分布以及八顶点坐标监督训练该深度学习全卷积网络,计算车辆3D检测框,并对该框进行细致分类(轿车、SUV、厢式货车、小卡车、大卡车、公交车、消防车、危险品车、工程车,叉车)。最终输出车辆3D坐标信息和类别。具体流程如下:
首先需要选取训练标签,本发明中,因为车载相机视场角原因,车辆检测算法需要进行3D检测,以便于准确定位车辆所在车道。故采用中心点提取,检测3D框方案进行准确的3D检测,因此训练过程中标签的选取就显得至关重要。检测模块共有3组标签:图片目标热力图标签、目标类别标签、3D顶点坐标标签。其中目标类别标签和3D顶点坐标标签可通过标注直接获得。图片目标热力图标签则需要计算得到。通过标注信息可以得到目标的2D最小外接矩形。通过X、Y轴的高斯分布函数,计算高斯分布,作为热力图标签。公式如下:
其中a取1,b取0,σ为高斯核半径,则高斯分布简化如下:
在实际应用中高斯核半径取长宽的1/2。则最终热力图标签公式如下:
f(g)=f(x)·f(y)
其中,x、y表示坐标,w、h分别表示框的宽度和高度,g表示高斯输出。
训练图像经过卷积、池化、反卷积等操作,得到训练图像1/4尺寸的特征图,该特征图映射三个分支,分别根据标签1分类目标热力图,标签2分类目标类别,标签3回归目标3D检测框。其中用到的3个训练损失函数如下:
式(7)为热力图损失函数,可以通过α和β来调节不同概率的高斯分布的训练参与度。式(8)为带类别权重的类别损失函数,可以通过权重调整样本不均衡问题。式(9)为标准的SmoothL1损失函数,用于3D坐标的回归。其中,α、β为动态调节参数,i为目标索引,j为类别索引,class是原始类别索引,c为中心标志。
基于上述构建的深度学习全卷积网络,就能够对车辆进行实际检测。请参阅图4,本发明又一实施例提供的车辆占道检测方法,包括步骤S301~S103:
S301,采用所述深度学习全卷积网络对所述原始图像进行处理,以得到热力图、类别矩阵、3D坐标矩阵。
S302,对所述热力图进行MaxPool操作,获取若干局部极大值。
S303,根据所述局部极大值在所述热力图中的坐标位置,获得对应的类别矩阵和3D坐标矩阵中的值,从而得到所述原始图像中目标车辆对应的车型类别和3D坐标信息。至此能够获取到原始图像中的全部车辆的坐标信息和类别信息。
基于上述内容,根据所述原始图像中车辆的3D信息定位所述车辆所处的车道,以判断所述车辆是否处于所述目标车道内的步骤具体可以包括:
获取用户输入的需抓拍的目标车型类别;
根据所述原始图像中属于所述目标车型的车辆的3D信息定位所述车辆所处的车道,以判断所述车辆是否处于所述目标车道内。
因此,可以设定只抓拍特定车型的违法占道行为,例如,只抓拍小轿车的违法占道行为,过滤无须抓拍的车型。
针对现有技术中仅通过车牌定位车辆位置抓拍违法占道的问题,本实施例提出使用车型分类、3D检测框双重结合判断,其中车型分类可以支持无牌车抓拍,并同时支持设置抓拍车型目标名单,可以根据目标名单进行精确的特定车型抓拍。3D检测框可以获取车辆在地面的准确区域,结合车道线就可以定位车辆所在位置判断是否占道。
本发明一实施例提供了一种车辆占道检测装置,该装置用于实现上述实施例的车辆占道检测方法,已经进行过说明的不再赘述。如以下所使用的,术语“模块”、“单元”、“子单元”等可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现,但是硬件,或者软件和硬件的组合的实现也是可能并被构想的。
请参阅图5,该车辆占道检测装置包括:
输送提取模块11,用于将原始图像输送至深度学习全卷积网络,以提取路面上多个车道的粗粒度掩膜,并根据所述粗粒度掩膜生成二值化特征图;
车道鉴别模块12,用于在所述二值化特征图中初步确定属于目标颜色的车道,通过幂函数曲线拟合以提取精细车道,将各车道二值化点对应的原始彩色图像中的点转换到HSV彩色空间,使用Kmeans算法对车道进行颜色聚类,以鉴别出属于目标颜色的目标车道;
车辆定位模块13,用于根据所述原始图像中车辆的3D信息定位所述车辆所处的车道,以判断所述车辆是否处于所述目标车道内;
标记模块14,用于若所述车辆处于所述目标车道内,则对所述车辆进行标记。
本实施例中,所述输送提取模块11具体用于:
将原始图像输送至深度学习全卷积网络,经过卷积、池化、激活、反卷积的传导过程,计算得到与所述原始图像尺度相同的多个车道的粗粒度掩膜,经过二值化膨胀腐蚀的连续计算后,获取连续的二值化特征图。
本实施例中,所述车道鉴别模块12具体用于:
采用广度优先搜索算法,在所述粗粒度掩膜中提取若干个二值化点集,采用幂函数拟合算法,拟合车道线方程;
将每一个车道二值化点对应的原始彩色图像中的点转换到HSV彩色空间;使用Kmeans算法对车道进行颜色聚类以获取集合结果;
根据所述集合结果统计车道颜色信息,并根据几何位置关系,对车道进行排序,将相邻两个车道线均为目标颜色的车道确定为候选车道;
提取候选车道的ROI图像,进行透视变换,统一转换为矩形图像,通过卷积神经网络进行目标车道二分类,以鉴别出属于目标颜色的目标车道。
本实施例中,所述装置还包括:
构建模块15,用于根据训练图像中标注的2D矩形目标框,沿XY轴方向分别构建高斯分布,综合XY轴高斯分布,构建2D高斯分布,并将所述训练图像中车辆的3D信息作为训练输入;
训练模块16,用于确定图像输入分辨率,采用所述深度学习全卷积网络,抽象出预设尺寸的抽象特征图,通过所述2D高斯分布以及所述3D信息监督训练所述深度学习全卷积网络,以计算车辆的3D检测框,并对所述3D检测框进行分类,以输出车辆的3D坐标信息和车型类别,所述深度学习全卷积网络的训练标签包括图片目标热力图标签、目标类别标签和3D顶点坐标标签。
本实施例中,所述装置还包括:
处理模块17,用于采用所述深度学习全卷积网络对所述原始图像进行处理,以得到热力图、类别矩阵、3D坐标矩阵;
获取模块18,用于对所述热力图进行MaxPool操作,获取若干局部极大值;
类别确定模块19,用于根据所述局部极大值在所述热力图中的坐标位置,获得对应的类别矩阵和3D坐标矩阵中的值,从而得到所述原始图像中目标车辆对应的车型类别和3D坐标信息。
本实施例中,所述车辆定位模块13具体用于:
获取用户输入的需抓拍的目标车型类别;
根据所述原始图像中属于所述目标车型的车辆的3D信息定位所述车辆所处的车道,以判断所述车辆是否处于所述目标车道内。
本实施例中,所述装置还包括:
截取模块20,用于截取所述车辆的3D信息中的朝向视觉抓拍一面的最小外接矩形;
识别模块21,用于通过车牌识别技术对所述最小外接矩形进行车牌识别。
本实施例中,所述车辆定位模块13具体用于:
根据所述原始图像中车辆的3D信息确定所述车辆在地面的四个顶点坐标;
判断所述四个顶点坐标中是否至少有三个顶点坐标处于所述目标车道内;
若是,则判定所述车辆处于所述目标车道内。
根据本实施例的车辆占道检测装置,通过深度学习全卷积网络提取多个车道的粗粒度掩膜,并根据粗粒度掩膜生成二值化特征图,然后通过幂函数曲线拟合以提取精细车道,并统计各车道的颜色,使用深度学习技术,通过大数据训练可以准确的得到车道线与非车道线的二值化图像,可以准确判断车道是否为目标车道(例如公交车道),且该装置使用Kmeans对车道图像进行HSV色域的颜色聚类,能够有效规避虚线进行颜色统计时产生的影响,解决了现有技术识别准确度低、车道范围判断不准确的问题。
需要说明的是,上述各个模块可以是功能模块也可以是程序模块,既可以通过软件来实现,也可以通过硬件来实现。对于通过硬件来实现的模块而言,上述各个模块可以位于同一处理器中;或者上述各个模块还可以按照任意组合的形式分别位于不同的处理器中。
另外,本申请实施例的车辆占道检测方法可以由计算机设备来实现。图6为根据本申请一实施例的计算机设备的硬件结构示意图。
该计算机设备可以包括处理器81以及存储有计算机程序指令的存储器82。
具体地,上述处理器81可以包括中央处理器(CPU),或者特定集成电路(Application Specific Integrated Circuit,简称为ASIC),或者可以被配置成实施本申请实施例的一个或多个集成电路。
其中,存储器82可以包括用于数据或指令的大容量存储器。举例来说而非限制,存储器82可包括硬盘驱动器(Hard Disk Drive,简称为HDD)、软盘驱动器、固态驱动器(SolidState Drive,简称为SSD)、闪存、光盘、磁光盘、磁带或通用串行总线(Universal SerialBus,简称为USB)驱动器或者两个或更多个以上这些的组合。在合适的情况下,存储器82可包括可移除或不可移除(或固定)的介质。在合适的情况下,存储器82可在数据处理装置的内部或外部。在特定实施例中,存储器82是非易失性(Non-Volatile)存储器。在特定实施例中,存储器82包括只读存储器(Read-Only Memory,简称为ROM)和随机存取存储器(RandomAccess Memory,简称为RAM)。在合适的情况下,该ROM可以是掩模编程的ROM、可编程ROM(Programmable Read-Only Memory,简称为PROM)、可擦除PROM(Erasable ProgrammableRead-Only Memory,简称为EPROM)、电可擦除PROM(Electrically Erasable ProgrammableRead-Only Memory,简称为EEPROM)、电可改写ROM(Electrically Alterable Read-OnlyMemory,简称为EAROM)或闪存(FLASH)或者两个或更多个以上这些的组合。在合适的情况下,该RAM可以是静态随机存取存储器(Static Random-Access Memory,简称为SRAM)或动态随机存取存储器(Dynamic Random Access Memory,简称为DRAM),其中,DRAM可以是快速页模式动态随机存取存储器(Fast Page Mode Dynamic Random Access Memory,简称为FPMDRAM)、扩展数据输出动态随机存取存储器(Extended Date Out Dynamic RandomAccess Memory,简称为EDODRAM)、同步动态随机存取内存(Synchronous Dynamic Random-Access Memory,简称SDRAM)等。
存储器82可以用来存储或者缓存需要处理和/或通信使用的各种数据文件,以及处理器82所执行的可能的计算机程序指令。
处理器81通过读取并执行存储器82中存储的计算机程序指令,以实现上述实施例的车辆占道检测方法。
在其中一些实施例中,计算机设备还可包括通信接口83和总线80。其中,如图6所示,处理器81、存储器82、通信接口83通过总线80连接并完成相互间的通信。
通信接口83用于实现本申请实施例中各模块、装置、单元和/或设备之间的通信。通信接口83还可以实现与其他部件例如:外接设备、图像/数据采集设备、数据库、外部存储以及图像/数据处理工作站等之间进行数据通信。
总线80包括硬件、软件或两者,将计算机设备的部件彼此耦接在一起。总线80包括但不限于以下至少之一:数据总线(Data Bus)、地址总线(Address Bus)、控制总线(Control Bus)、扩展总线(Expansion Bus)、局部总线(Local Bus)。举例来说而非限制,总线80可包括图形加速接口(Accelerated Graphics Port,简称为AGP)或其他图形总线、增强工业标准架构(Extended Industry Standard Architecture,简称为EISA)总线、前端总线(Front Side Bus,简称为FSB)、超传输(Hyper Transport,简称为HT)互连、工业标准架构(Industry Standard Architecture,简称为ISA)总线、无线带宽(InfiniBand)互连、低引脚数(Low Pin Count,简称为LPC)总线、存储器总线、微信道架构(Micro ChannelArchitecture,简称为MCA)总线、外围组件互连(Peripheral Component Interconnect,简称为PCI)总线、PCI-Express(PCI-X)总线、串行高级技术附件(Serial AdvancedTechnology Attachment,简称为SATA)总线、视频电子标准协会局部(Video ElectronicsStandards Association Local Bus,简称为VLB)总线或其他合适的总线或者两个或更多个以上这些的组合。在合适的情况下,总线80可包括一个或多个总线。尽管本申请实施例描述和示出了特定的总线,但本申请考虑任何合适的总线或互连。
该计算机设备可以基于获取到的计算机程序,执行本申请实施例的车辆占道检测方法。
另外,结合上述实施例的车辆占道检测方法,本申请实施例可提供一种计算机可读存储介质来实现。该计算机可读存储介质上存储有计算机程序指令;该计算机程序指令被处理器执行时实现上述实施例的车辆占道检测方法。
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申请的几种实施方式,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,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种车辆占道检测方法,其特征在于,包括:
将原始图像输送至深度学习全卷积网络,以提取路面上多个车道的粗粒度掩膜,并根据所述粗粒度掩膜生成二值化特征图;
在所述二值化特征图中通过幂函数曲线拟合以提取精细车道,将各车道二值化点对应的原始彩色图像中的点转换到HSV彩色空间,使用Kmeans算法对车道进行颜色聚类,以鉴别出属于目标颜色的目标车道;包括,采用广度优先搜索算法,在所述粗粒度掩膜中提取若干个二值化点集,采用幂函数拟合算法,拟合车道线方程;
将每一个车道二值化点对应的原始彩色图像中的点转换到HSV彩色空间;使用Kmeans算法对车道进行颜色聚类以获取集合结果;
根据所述集合结果统计车道颜色信息,并根据几何位置关系,对车道进行排序,将相邻两个车道线均为目标颜色的车道确定为候选车道;
提取候选车道的ROI图像,进行透视变换,统一转换为矩形图像,通过卷积神经网络进行目标车道二分类,以鉴别出属于目标颜色的目标车道;
根据所述原始图像中车辆的3D信息定位所述车辆所处的车道,以判断所述车辆是否处于所述目标车道内;
若所述车辆处于所述目标车道内,则对所述车辆进行标记。
2.根据权利要求1所述的车辆占道检测方法,其特征在于,将原始图像输送至深度学习全卷积网络,以提取路面上多个车道的粗粒度掩膜,并根据所述粗粒度掩膜生成二值化特征图的步骤具体包括:
将所述原始图像输送至所述深度学习全卷积网络,经过卷积、池化、激活、反卷积的传导过程,计算得到与所述原始图像尺度相同的多个车道的所述粗粒度掩膜,经过二值化膨胀腐蚀的连续计算后,获取连续的所述二值化特征图。
3.根据权利要求1所述的车辆占道检测方法,其特征在于,所述方法还包括:
根据训练图像中标注的2D矩形目标框,沿XY轴方向分别构建高斯分布,综合XY轴高斯分布,构建2D高斯分布,并将所述训练图像中车辆的3D信息作为训练输入;
确定图像输入分辨率,采用所述深度学习全卷积网络,抽象出预设尺寸的抽象特征图,通过所述2D高斯分布以及所述3D信息监督训练所述深度学习全卷积网络,以计算车辆的3D检测框,并对所述3D检测框进行分类,以输出车辆的3D坐标信息和车型类别,所述深度学习全卷积网络的训练标签包括图片目标热力图标签、目标类别标签和3D顶点坐标标签。
4.根据权利要求3所述的车辆占道检测方法,其特征在于,所述方法还包括:
采用所述深度学习全卷积网络对所述原始图像进行处理,以得到热力图、类别矩阵、3D坐标矩阵;
对所述热力图进行MaxPool操作,获取若干局部极大值;
根据所述局部极大值在所述热力图中的坐标位置,获得对应的类别矩阵和3D坐标矩阵中的值,从而得到所述原始图像中目标车辆对应的车型类别和3D坐标信息。
5.根据权利要求4所述的车辆占道检测方法,其特征在于,根据所述原始图像中车辆的3D信息定位所述车辆所处的车道,以判断所述车辆是否处于所述目标车道内的步骤具体包括:
获取用户输入的需抓拍的目标车型类别;
根据所述原始图像中属于所述目标车型的车辆的3D信息定位所述车辆所处的车道,以判断所述车辆是否处于所述目标车道内。
6.根据权利要求1所述的车辆占道检测方法,其特征在于,若所述车辆处于所述目标车道内,则对所述车辆进行标记的步骤之后,所述方法还包括:
截取所述车辆的3D信息中的朝向视觉抓拍一面的最小外接矩形;
通过车牌识别技术对所述最小外接矩形进行车牌识别。
7.根据权利要求1所述的车辆占道检测方法,其特征在于,根据所述原始图像中车辆的3D信息定位所述车辆所处的车道,以判断所述车辆是否处于所述目标车道内的步骤具体包括:
根据所述原始图像中车辆的3D信息确定所述车辆在地面的四个顶点坐标;
判断所述四个顶点坐标中是否至少有三个顶点坐标处于所述目标车道内;
若是,则判定所述车辆处于所述目标车道内。
8.一种车辆占道检测装置,其特征在于,包括:
输送提取模块,用于将原始图像输送至深度学习全卷积网络,以提取路面上多个车道的粗粒度掩膜,并根据所述粗粒度掩膜生成二值化特征图;
车道鉴别模块,用于在所述二值化特征图中通过幂函数曲线拟合以提取精细车道,将各车道二值化点对应的原始彩色图像中的点转换到HSV彩色空间,使用Kmeans算法对车道进行颜色聚类,以鉴别出属于目标颜色的目标车道;包括,采用广度优先搜索算法,在所述粗粒度掩膜中提取若干个二值化点集,采用幂函数拟合算法,拟合车道线方程;将每一个车道二值化点对应的原始彩色图像中的点转换到HSV彩色空间;使用Kmeans算法对车道进行颜色聚类以获取集合结果;根据所述集合结果统计车道颜色信息,并根据几何位置关系,对车道进行排序,将相邻两个车道线均为目标颜色的车道确定为候选车道;提取候选车道的ROI图像,进行透视变换,统一转换为矩形图像,通过卷积神经网络进行目标车道二分类,以鉴别出属于目标颜色的目标车道;
车辆定位模块,用于根据所述原始图像中车辆的3D信息定位所述车辆所处的车道,以判断所述车辆是否处于所述目标车道内;
标记模块,用于若所述车辆处于所述目标车道内,则对所述车辆进行标记。
9.一种计算机设备,包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至7中任一项所述的车辆占道检测方法。
10.一种可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1至7中任一项所述的车辆占道检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011383463.2A CN112613344B (zh) | 2020-12-01 | 2020-12-01 | 车辆占道检测方法、装置、计算机设备和可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011383463.2A CN112613344B (zh) | 2020-12-01 | 2020-12-01 | 车辆占道检测方法、装置、计算机设备和可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112613344A CN112613344A (zh) | 2021-04-06 |
CN112613344B true CN112613344B (zh) | 2024-04-16 |
Family
ID=75228377
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011383463.2A Active CN112613344B (zh) | 2020-12-01 | 2020-12-01 | 车辆占道检测方法、装置、计算机设备和可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112613344B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113033497B (zh) * | 2021-04-30 | 2024-03-05 | 平安科技(深圳)有限公司 | 车道线识别方法、装置、设备及计算机可读存储介质 |
CN113628286B (zh) * | 2021-08-09 | 2024-03-22 | 咪咕视讯科技有限公司 | 视频色域检测方法、装置、计算设备及计算机存储介质 |
CN114038197B (zh) * | 2021-11-24 | 2023-06-13 | 浙江大华技术股份有限公司 | 场景状态的确定方法、装置、存储介质及电子装置 |
CN114038209A (zh) * | 2021-12-21 | 2022-02-11 | 杭州海康威视数字技术股份有限公司 | 公交占道处理方法、装置及设备 |
CN117876669A (zh) * | 2024-01-22 | 2024-04-12 | 珠海市欧冶半导体有限公司 | 目标检测方法、装置、计算机设备和存储介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20120009590A (ko) * | 2010-07-19 | 2012-02-02 | 주식회사 이미지넥스트 | 차선 인식 시스템 및 방법 |
CN108764137A (zh) * | 2018-05-29 | 2018-11-06 | 福州大学 | 基于语义分割的车辆行驶车道定位方法 |
CN110210303A (zh) * | 2019-04-29 | 2019-09-06 | 山东大学 | 一种北斗视觉融合精准车道辨识与定位方法及其实现装置 |
CN110363182A (zh) * | 2019-07-24 | 2019-10-22 | 北京信息科技大学 | 基于深度学习的车道线检测方法 |
CN110516550A (zh) * | 2019-07-26 | 2019-11-29 | 电子科技大学 | 一种基于fpga的车道线实时检测方法 |
CN110659539A (zh) * | 2018-06-28 | 2020-01-07 | 杭州海康威视数字技术股份有限公司 | 一种信息处理方法及其装置 |
WO2020103893A1 (zh) * | 2018-11-21 | 2020-05-28 | 北京市商汤科技开发有限公司 | 车道线属性检测方法、装置、电子设备及可读存储介质 |
WO2020151299A1 (zh) * | 2019-01-23 | 2020-07-30 | 平安科技(深圳)有限公司 | 黄色禁停线识别方法、装置、计算机设备及存储介质 |
-
2020
- 2020-12-01 CN CN202011383463.2A patent/CN112613344B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20120009590A (ko) * | 2010-07-19 | 2012-02-02 | 주식회사 이미지넥스트 | 차선 인식 시스템 및 방법 |
CN108764137A (zh) * | 2018-05-29 | 2018-11-06 | 福州大学 | 基于语义分割的车辆行驶车道定位方法 |
CN110659539A (zh) * | 2018-06-28 | 2020-01-07 | 杭州海康威视数字技术股份有限公司 | 一种信息处理方法及其装置 |
WO2020103893A1 (zh) * | 2018-11-21 | 2020-05-28 | 北京市商汤科技开发有限公司 | 车道线属性检测方法、装置、电子设备及可读存储介质 |
WO2020151299A1 (zh) * | 2019-01-23 | 2020-07-30 | 平安科技(深圳)有限公司 | 黄色禁停线识别方法、装置、计算机设备及存储介质 |
CN110210303A (zh) * | 2019-04-29 | 2019-09-06 | 山东大学 | 一种北斗视觉融合精准车道辨识与定位方法及其实现装置 |
CN110363182A (zh) * | 2019-07-24 | 2019-10-22 | 北京信息科技大学 | 基于深度学习的车道线检测方法 |
CN110516550A (zh) * | 2019-07-26 | 2019-11-29 | 电子科技大学 | 一种基于fpga的车道线实时检测方法 |
Non-Patent Citations (1)
Title |
---|
基于视觉的车道线检测方法研究进展;吴一全;刘莉;;仪器仪表学报(12);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112613344A (zh) | 2021-04-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112613344B (zh) | 车辆占道检测方法、装置、计算机设备和可读存储介质 | |
US11455805B2 (en) | Method and apparatus for detecting parking space usage condition, electronic device, and storage medium | |
CN109087510B (zh) | 交通监测方法及装置 | |
CN110348297B (zh) | 一种用于识别立体停车库的检测方法、系统、终端和存储介质 | |
CN111353512B (zh) | 障碍物分类方法、装置、存储介质和计算机设备 | |
US9082038B2 (en) | Dram c adjustment of automatic license plate recognition processing based on vehicle class information | |
CN108681693B (zh) | 基于可信区域的车牌识别方法 | |
CN109711264B (zh) | 一种公交车道占道检测方法及装置 | |
Xie et al. | A robust license plate detection and character recognition algorithm based on a combined feature extraction model and BPNN | |
CN110502982B (zh) | 一种检测高速公路中障碍物的方法、装置及计算机设备 | |
CN107609483B (zh) | 面向驾驶辅助系统的危险目标检测方法、装置 | |
CN109657664B (zh) | 一种车牌类型的识别方法、装置及电子设备 | |
CN109313699B (zh) | 用于对一车辆的输入图像进行目标识别的装置和方法 | |
CN109871829B (zh) | 一种基于深度学习的检测模型训练方法和装置 | |
CN112200186B (zh) | 基于改进yolo_v3模型的车标识别方法 | |
Li et al. | Robust vehicle detection in high-resolution aerial images with imbalanced data | |
CN105989334A (zh) | 基于单目视觉的道路检测方法 | |
CN113255444A (zh) | 图像识别模型的训练方法、图像识别方法和装置 | |
CN108537223B (zh) | 一种车牌检测方法、系统及设备和存储介质 | |
CN105975949A (zh) | 一种基于视觉信息的汽车识别方法 | |
CN111860219A (zh) | 一种高速占道判断方法、装置及电子设备 | |
CN111709377B (zh) | 特征提取方法、目标重识别方法、装置及电子设备 | |
CN112329886A (zh) | 双车牌识别方法、模型训练方法、装置、设备及存储介质 | |
CN112115737B (zh) | 一种车辆朝向的确定方法、装置及车载终端 | |
CN116721396A (zh) | 车道线检测方法、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 | ||
CB02 | Change of applicant information |
Address after: 310051 Room 301, building 3, no.2930, South Ring Road, Puyan street, Binjiang District, Hangzhou City, Zhejiang Province Applicant after: Zhejiang huaruijie Technology Co.,Ltd. Address before: 310051 Room 301, building 3, no.2930, South Ring Road, Puyan street, Binjiang District, Hangzhou City, Zhejiang Province Applicant before: Zhejiang Dahua Automobile Technology Co.,Ltd. |
|
CB02 | Change of applicant information | ||
GR01 | Patent grant | ||
GR01 | Patent grant |