CN112818792A - 车道线检测方法、装置、电子设备及计算机存储介质 - Google Patents

车道线检测方法、装置、电子设备及计算机存储介质 Download PDF

Info

Publication number
CN112818792A
CN112818792A CN202110097191.8A CN202110097191A CN112818792A CN 112818792 A CN112818792 A CN 112818792A CN 202110097191 A CN202110097191 A CN 202110097191A CN 112818792 A CN112818792 A CN 112818792A
Authority
CN
China
Prior art keywords
line
solid line
solid
determining
foreground
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
CN202110097191.8A
Other languages
English (en)
Inventor
李莹莹
谭啸
孙昊
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.)
Beijing Baidu Netcom Science and Technology Co Ltd
Original Assignee
Beijing Baidu Netcom Science and Technology 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 Beijing Baidu Netcom Science and Technology Co Ltd filed Critical Beijing Baidu Netcom Science and Technology Co Ltd
Priority to CN202110097191.8A priority Critical patent/CN112818792A/zh
Publication of CN112818792A publication Critical patent/CN112818792A/zh
Priority to EP21200369.3A priority patent/EP3955218A3/en
Priority to US17/494,682 priority patent/US11741726B2/en
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
    • G06F18/23—Clustering techniques
    • 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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2431—Multiple classes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/143—Segmentation; Edge detection involving probabilistic approaches, e.g. Markov random field [MRF] modelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • 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
    • G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
    • 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
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
    • 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
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • G06V20/54—Surveillance or monitoring of activities, e.g. for recognising suspicious objects of traffic, e.g. cars on the road, trains or boats
    • 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
    • G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/70—Labelling scene content, e.g. deriving syntactic or semantic representations
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
    • G08G1/0112—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from the vehicle, e.g. floating car data [FCD]
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
    • G08G1/0116—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from roadside infrastructure, e.g. beacons
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125—Traffic data processing
    • G08G1/0133—Traffic data processing for classifying traffic situation
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/04—Detecting movement of traffic to be counted or controlled using optical or ultrasonic detectors
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/052—Detecting movement of traffic to be counted or controlled with provision for determining speed or overspeed
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/056—Detecting movement of traffic to be counted or controlled with provision for distinguishing direction of travel
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/30—Services specially adapted for particular environments, situations or purposes
    • H04W4/40—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P]
    • H04W4/44—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P] for communication between vehicles and infrastructures, e.g. vehicle-to-cloud [V2C] or vehicle-to-home [V2H]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20076—Probabilistic image processing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30248—Vehicle exterior or interior
    • G06T2207/30252—Vehicle exterior; Vicinity of vehicle
    • G06T2207/30256—Lane; Road marking

Abstract

本公开提供了车道线检测方法、装置、设备以及存储介质，涉及人工智能领域，具体涉及计算机视觉和深度学习技术，可应用于智能交通场景下。具体实现方案为：将图像分成前景区域和背景区域；确定前景区域包括的实线和虚线；根据前景区域包括的实线和虚线之间的距离确定前景区域中是否包括虚实线；根据实线和虚线以及前景区域是否包括虚实线确定车道线检测结果。根据本公开的技术方案，能提高车道线检测的精度。

Description

车道线检测方法、装置、电子设备及计算机存储介质
技术领域
本公开涉及人工智能领域，具体涉及计算机视觉和深度学习技术，可应用于智能交通场景下。
背景技术
随着经济的快速发展，行驶在公路上的车辆越来越多，交通事故及导致的损失受到社会越来越多的关注。车道线是行车环境信息中的基础信息，车道线检测对于行车安全和智能违章防控等具有重要意义。因此，如何提高车道线检测的精度是目前有待解决的问题。
发明内容
本公开提供了一种车道线检测方法、装置、设备、存储介质以及产品。
根据本公开的一方面，提供了一种车道线检测方法，包括：
将图像分成前景区域和背景区域；
确定前景区域包括的实线和虚线；
根据前景区域包括的实线和虚线，确定前景区域中是否包括虚实线；
根据实线、虚线和前景区域是否包括虚实线确定车道线检测结果。
根据本公开的另一方面，提供了一种车道线检测装置，包括：
分类模块，用于将图像分成前景区域和背景区域；
识别模块，用于确定前景区域包括的实线和虚线；
第一确定模块，用于根据前景区域包括的实线和虚线，确定前景区域中是否包括虚实线；
第二确定模块，用于根据实线、虚线和前景区域是否包括虚实线确定车道线检测结果。
根据本公开的另一方面，提供了一种电子设备，包括：
至少一个处理器；以及
与该至少一个处理器通信连接的存储器；其中，
该存储器存储有可被该至少一个处理器执行的指令，该指令被该至少一个处理器执行，以使该至少一个处理器能够执行本公开任一实施例中的方法。
根据本公开的另一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，该计算机指令用于使计算机执行本公开任一实施例中的方法。
根据本公开的另一方面，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现本公开任一实施例中的方法。
根据本公开的技术方案，能提高车道线的检测精度。
应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案，不构成对本公开的限定。其中：
图1是根据本公开实施例的车道线检测方法的流程示意图一；
图2A至图2C为本公开实施例提供的车道线的示意图；
图3是根据本公开实施例的确定前景区域包括的实线和虚线的流程示意图；
图4是根据本公开实施例的确定前景区域中是否包括虚实线的流程示意图一；
图5是根据本公开实施例的确定前景区域中是否包括虚实线的流程示意图二；
图6是根据本公开实施例的车道线检测方法的流程示意图二；
图7是根据本公开实施例的根据车辆检测结果与车道线检测结果判断违章车辆的示意图；
图8是根据本公开实施例的车道线检测装置的组成结构示意图一；
图9是根据本公开实施例的车道线检测装置的组成结构示意图二；
图10是用来实现本公开实施例的车道线检测方法的电子设备的框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
本公开的说明书实施例和权利要求书及上述附图中的术语"第一"、"第二"、和"第三"等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。此外，术语"包括"和"具有"以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元。方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
本公开提供一种车道线检测方法，该方法可以应用于电子设备，该电子设备包括但不限于固定设备和/或移动设备，例如，固定设备包括但不限于服务器，服务器可以是云服务器或普通服务器。例如，移动设备包括但不限于手机、平板电脑、车载设备、可穿戴设备等设备。如图1所示，该方法包括：
步骤S101，将图像分成前景区域和背景区域；
步骤S102，确定前景区域包括的实线和虚线；
步骤S103，根据前景区域包括的实线和虚线，确定前景区域中是否包括虚实线；
步骤S104，根据实线、虚线和前景区域是否包括虚实线确定车道线检测结果。
其中，本公开不对图像的获取方式进行限定。示例性地，电子设备通过对外接口接收图像。又示例性地，电子设备接收其他设备转发的图像。本公开不对图像的采集设备进行限定。比如，该图像可以由无人机采集，或者由安装于车辆上的拍摄设备如摄像头采集，或者由道路上的拍摄装置采集。
本公开不对采集图像的频率、采集图像时的时速、采集图像时的飞行高度等进行限定。
在本公开中，图像除包括车道线图像外，还可包括车道线所处的地域信息及环境信息等。
其中，前景区域是图像中的待检测道路区域，如高速道路区域、或普通道路区域。
其中，背景区域是图像中除该待检测道路区域之外的区域。
在一些实施方式中，将待检测道路区域视为前景，通过对图像做二值化分割得到图像中的前景区域和背景区域。需要说明的是，本公开不对采用的二值化方法进行限定。示例性地，可采用全局阈值法的二值化方法，或局部阈值法的二值化方法，或自适应阈值法的二值化方法将图像分割成前景区域和背景区域。
当然，还可采用非二值化方法来分割图像中的前景区域和背景区域。本公开不对前景区域和背景区域的分割方式进行限定。
如此，通过确定图像的前景区域和背景区域，以便后续仅对前景区域进行识别处理，能够有效避免背景区域对车道线检测时的干扰。
本公开中，车道线可分为：虚线，实线和虚实线。车道线具有多个属性，比如，颜色属性，粗细属性，虚实属性；其中，颜色属性是指车道线的颜色，例如黄色、白色等。粗细属性是指车道线为粗线还是细线。细线可以是指普通的虚线、实线等。粗线是指宽度大于细线的车道线，例如导流线等。虚实属性是指车道线为虚线还是实线。
本公开中，车道线具体还可以细分为：双黄实线，单黄实线，双黄虚线，单黄虚线，单白实线，单白虚线。可以理解，实际应用中，不同类型的车道线具有不同的交通指示作用。
图2A示出了实线车道线的示意图，实际应用中，道路中的单黄实线表示不准车辆跨越超车或压线行驶，一般用于划分单方向只有一条车道或一条机动车道和一条非机动车道的道路上。道路中的单白实线是车道的划分线，车辆各行其道互不影响。道路中的双黄实线用以划分上下行方向各有两条或两条以上机动车道，而没有设置中央分隔带的道路。双黄实线严格禁止车辆跨线超车或压线行驶。
图2B示出了虚线车道线的示意图，道路中的单虚线表示在保证安全的情况下，可以越线借道超车或掉头；两条车道的车，同样都可以掉头和左转弯。道路中的双黄虚线表示在安全且不妨碍交通的情况下，在主干道上的双黄虚线可以左转但不可以掉头。
图2C示出了虚实线车道线的示意图，如图2C所示，虚实线包括一条虚线和一条实线，且虚实线包括的虚线和实线之间的距离小于一定的阈值。实际应用中，虚线一侧的车辆允许临时越线超车或掉头转弯，而实线一侧的车辆则不允许压线，否则就是压线违章。
图2A至图2C仅为几种可能的示例，本实施例并不以此为限。可以理解，不同地区的交规可能不同，上述对实线、虚线、虚实线的交规解释仅仅是示意性的，并不以此为限。
其中，车道线检测结果包括实线信息、虚线信息以及是否有虚实线信息，以及在有虚实线情况下虚实线的具体信息。实线信息可以包括标识信息、数量信息、位置信息、颜色信息、粗细信息中的一种或多种。同理，虚线信息可以包括标识信息、位置信息、颜色信息、粗细信息中的一种或多种。虚实线信息可以包括标识信息、位置信息、颜色信息、粗细信息中的一种或多种。其中，粗细信息表征实线或虚线或虚实线的宽度。其中，标识信息表征实线或虚线或虚实线的编号。其中，数量信息表征实线或虚线或虚实线的数量。
示性地，车道线检测结果包括道路区域中实线标识及位置，虚线标识及位置，是否有虚实线，以及在有虚实线实情况下虚实线标识及位置。
又示性地，车道线检测结果包括道路区域中实线的标识、颜色及位置，虚线的标识、颜色及位置，是否有虚实线，以及在有虚实线实情况下虚实线的标识、颜色及位置。
再示例性地，车道线检测结果包括道路区域中实线的位置、颜色及宽度，虚线的位置、颜色及宽度，是否有虚实线，以及在有虚实线实情况下虚实线的位置、颜色及宽度。
需要说明的是，车道线检测结果包括的实线、虚线以及虚实线的具体信息可以根据实际需求如检测精度或检测速度或检测项目需求进行设定或调整。
这样，本公开方案通过将图像分成前景区域和背景区域；确定前景区域包括的实线和虚线；根据前景区域包括的实线和虚线，确定前景区域中是否包括虚实线；根据实线、虚线和前景区域是否包括虚实线确定车道线检测结果；如此，能够识别出前景区域中是否包括虚实线，进而使车道线检测结果中包括虚实线的相关信息，提高了车道线检测的精度，从而为后续判断车辆是否违章提供参考依据，为实现智能监控车辆违章行为提供数据支撑。
在本公开实施例中，在实现上述任一方法的基础上，确定前景区域包括的实线和虚线，包括：在前景区域的面积大于第一预设阈值的情况下，确定前景区域包括的实线和虚线。
其中，第一预设阈值可以根据实际情况如检测精度需求或检测速度需求进行设定或调整。
这样，并不是对接收到的所有的图像进行分析处理，只有前景区域大于第一预设阈值的图像才会进行后续的识别处理。
通过上述实施方式，通过判断图像中前景区域的面积剔除一些无参考价值或参考价值小的图像，不仅能提高车道线的检测速度，还有助于提高车道线检测的精度。
在本公开实施例中，在实现上述任一方法的基础上，如图3所示，确定前景区域包括的实线和虚线，包括：
步骤S201，对前景区域进行语义分割，得到前景区域中被预测为实线的第一类像素和该第一类像素的第一特征，以及被预测为虚线的第二类像素和该第二类像素的第二特征；
步骤S202，对该第一类像素的该第一特征进行聚类，并对聚类为同一类别的该第一类像素进行直线拟合，得到前景区域包括的实线；
步骤S203，对该第二类像素的该第二特征进行聚类，并对聚类为同一类别的该第二类像素进行直线拟合，得到前景区域包括的虚线。
需要说明的是，本公开并不对步骤S202和S203的执行顺序进行限定。步骤S202可以在步骤S203之前执行，也可以在步骤S203之前后执行，也可以与步骤S203同步执行。
在一些实施方式中，通过训练好的模型对前景区域进行语义分割，得到前景区域中被预测为实线的第一类像素和该第一类像素的第一特征，以及被预测为虚线的第二类像素和该第二类像素的第二特征。具体的，将前景区域输入该训练好的模型，由该训练好的模型输出前景区域中被预测为实线的第一类像素和该第一类像素的第一特征，以及被预测为虚线的第二类像素和该第二类像素的第二特征。如此，便于通过训练好的模型快速得到第一类像素和该第一类像素的第一特征，以及第二类像素和该第二类像素的第二特征，从而为后续确定前景区域中的实线和虚线提供计算基础。
本公开并不对具体如何训练模型进行强制性限定。示例性地，将实线和虚线的二分类语义标注与车道实例标注均作为模型监督信号，模型分为两个分支，一个分支用于预测语义分割结果，分为两类(背景、实线和虚线)或三类(背景、实线和虚线)，另一个分支用于预测实例特征信息，输出每个像素的特征。具体网络结构和损失设计可参考lanenet，在此不再赘述。
在一些实施方式中，对该第一类像素的第一特征进行聚类，包括：通过计算各个第一类像素的第一特征的L2距离进行聚类，将距离小于第一阈值的第一类像素归为同一类。示例性地，有100个第一像素点，记为编号1～100，其中，编号为1、10、21、33、45、51、60、72、83、91、99的第一像素点的第一特征的L2距离小于第一阈值，归为同一类，记为实线1；编号为2、20、31、43、52、61、70、82、93、98的第一像素点的第一特征的L2距离小于第一阈值，归为同一类，记为实线2。按此方法，将100个第一像素点分成多个类别的第一像素点；其中，同一类别对应同一条实线。其中，第一阈值可根据需求如精度需求或速度需求进行设定或调整。
在一些实施方式中，对该第二类像素的第二特征进行聚类，包括：通过计算各个第二类像素的第二特征的L2距离进行聚类，将距离小于第二阈值的第二类像素归为同一类。示例性地，有50个第二像素点，记为编号101～150，其中，编号为101、109、121、130、145、149的第二像素点的第二特征的L2距离小于第二阈值，归为同一类，记为虚线1；编号为102、120、131、143、148的第二像素点的第二特征的L2距离小于第二阈值，归为同一类，记为虚线2。其中，第二阈值可根据需求如精度需求或速度需求进行设定或调整。
当然，聚类方法除可采用L2距离聚类方法外，还可采用其他聚类方法，如L1范数聚类算法等，在此不做过多枚举。
本公开不对直线拟合方法进行限定。示例性地，采用最小二乘法进行直线拟合。又示例性地，采用随机抽样一致算法(Rrandom Sample Consensu，RANSAC)进行直线拟合。
通过上述实施方式，能够识别出前景区域中的实线和虚线，从而为后续判断前景区域是否包括虚实线提供判断基础。
在本公开实施例中，在实现上述任一方法的基础上，如图4所示，根据前景区域包括的实线和虚线，确定前景区域中是否包括虚实线，包括：
步骤S301，确定前景区域包括的每组实线和虚线之间的距离；
步骤S302，在至少一组实线和虚线之间的距离小于第二预设阈值的情况下，确定前景区域中包括虚实线。
其中，第二预设阈值可根据实际情况如不同道路中虚实线的宽度进行设定或调整。
在一些实施方式中，设前景区域包括M条实线，N条虚线，以实线为参照物，每条实线都对应有N组虚线，共有M×N组实线和虚线，分别计算M×N组的每组中的实线与虚线之间的距离，若M×N组中存在实线与虚线之间的距离小于第二预设阈值的一组或多组，则判定前景区域中包括虚实线；并将距离小于第二预设阈值的实线和虚线称为虚实线。
在一些实施方式中，设前景区域包括M条实线，N条虚线，以虚线为参照物，每条虚线都对应有M组实线，共有N×M组实线和虚线，分别计算N×M组的每组中的实线与虚线之间的距离，将实线与虚线之间的距离小于第二预设阈值的这组称为虚实线。若N×M组中存在实线与虚线之间的距离小于第二预设阈值的一组或多组，则判定前景区域中包括虚实线；并将距离小于第二预设阈值的实线和虚线称为虚实线。
通过上述实施方式，能根据前景区域包括的每组实线和虚线之间的距离，判断前景区域是否包括虚实线，从而为后续生成车道线检测结果提供虚实线信息，提升车道线检测结果的精度。
在本公开实施例中，在实现上述任一方法的基础上，确定前景区域包括的每组实线和虚线之间的距离，包括：
针对每组实线和虚线，选择实线或虚线中多个点；
计算实线或虚线中的多个点到对应组中的虚线或实线的距离的平均值，并将平均值作为实线和虚线之间的距离。
其中，多个点可以是均匀分布的多个点，也可以是非均匀分布的多个点。不同实线或虚线选取的点的个数可以不同。
其中，平均值可以是算术平均值，或几何平均值，或平方平均值，或加权平均值等。本公开不对平均值的形式进行限定。
示例性地，前景区域包括2条实线，分别记为实线A和实线B；前景区域还包括两条虚线，分别记为虚线a和虚线b；将实线A和虚线a记为第一组；实线A和虚线b记为第二组；实线B和虚线a记为第三组；实线B和虚线b记为第四组。在一些实施方式中，以第一组为例，从实线A上选择p个点，分别计算这p个点到虚线a的距离，得到这p个点到虚线a的距离为S1a、S2a、…、和Spa，对S1a、S2a、…、和Spa求平均值，将该平均值作为实线A和虚线a之间的距离。继续以第一组为例，在另一些实施方式中，从虚线a上选择q个点，分别计算这q个点到实线A的距离，得到这q个点到实线A的距离为S1A、S2A、…、和SqA，对S1A、S2A、…、和SqA求平均值，将该平均值作为实线A和虚线a之间的距离。
通过上述实施方式，采样多个点确定实线和虚线之间的距离，能够提升确定实线和虚线之间的距离的速度，从而有助于快速确定前景区域中是否包括虚实线，提升确定前景区域是否包括虚实线的速度。
在本公开实施例中，在实现上述任一方法的基础上，如图5所示，还包括：
步骤S303，根据距离小于第二预设阈值的实线和虚线，确定前景区域中包括的虚实线。
其中，确定前景区域包括的虚实线，具体包括确定前景区域包括的虚实线的位置、标识、颜色、宽度中的一种或多种。
继续以前景区域包括2条实线，分别记为实线A和实线B；前景区域还包括两条虚线，分别记为虚线a和虚线b；将实线A和虚线a记为第一组；实线A和虚线b记为第二组；实线B和虚线a记为第三组；实线B和虚线b记为第四组。若四组中仅第一组的实线A和虚线a之间的距离小于第二预设阈值，则确定前景区域中包括虚实线，且虚实线包括实线A和虚线a。
其中，根据实线、虚线和前景区域是否包括虚实线确定车道线检测结果，包括：根据实线的相关信息、虚线的相关信息和虚实线的相关信息确定车道线检测结果。
在一些实施方式中，根据实线的相关信息、虚线的相关信息和虚实线的相关信息确定车道线检测结果，包括：根据实线的属性、虚线的属性和虚实线的属性确定车道线检测结果。
这里，属性包括但不限于颜色属性、粗细属性、位置属性等。
如此，通过结合各种车道线的属性，使得确定出的车道线检测结果更加全面，提高检测结果的精确性。
通过上述实施方式，在确定车道线检测结果时，除了考虑实线和虚线外，还增加了虚实线的相关信息，使得确定出车道线检测结果更加全面，能够提高车道线检测结果的精度，从而为后续进行车辆违章判断提供依据。
在本公开实施例中，在实现上述任一方法的基础上，如图6所示，方法还包括：
步骤S105，获取车辆检测跟踪结果；
步骤S106，根据车辆检测跟踪结果以及车道线检测结果判断违章车辆。
其中，车辆检测跟踪结果包括车辆位置信息，还可包括车辆行驶方向信息、车速信息、车牌信息、车型信息中一种或多种。当然，车辆检测跟踪结果还可以根据实际检测需求增加或减少检测项。
本公开不对车辆检测跟踪结果的获取方式进行限定。示例性地，电子设备通过对外接口接收侦测设备如车载设备上传的车辆检测跟踪结果。又示例性地，电子设备接收其他设备如图像采集设备发送的车辆检测跟踪结果。
在一些实施方式中，根据车辆检测跟踪结果以及车道线检测结果判断违章车辆，包括：结合交通法规，根据车辆检测跟踪结果以及车道线检测结果，判断道路中是否存在违章车辆。
示例性地，根据车道线检测结果中的虚线、实线、虚实线，判断当前车辆是否压线以及是否允许压线，或者，判断当前车辆是否允许掉头，或者，判断当前车辆停靠位置是否允许停靠。
图7示出了根据车辆检测结果与车道线检测结果判断违章车辆的示意图，如图7所示，一车辆的车头压到了虚线车道导线，车尾触碰到了虚实线中的虚线部分，由于虚线可以压线或过线，且虚实线位于虚线一侧的车辆允许临时越线，因此，判定当前车辆目前符合交通法规。
通过上述实施方式，车道线预测完成后，结合车辆检测跟踪的结果，可以判断实线变道等违章事件，从而有助于实现车辆行驶违章实时监控，并解决了车辆行驶违章的漏拍问题。
应理解，图7所示的示意图为一种可选的具体实现方式，本领域技术人员可以基于图7的例子进行各种显而易见的变化和/或替换，得到的技术方案仍属于本公开实施例的公开范围。
本公开提供的车道线检测方法，可以用于车道线检测项目或导航项目或车辆违章监测项目、或智能违章防控系统等项目中。示例性地，方法的执行主体可以是电子设备，该电子设备可以是终端，还可以是服务器。
作为对上述各方法的实现，本公开还提供一种车道线检测装置。图8示出了车道线检测装置的示意图。如图8所示，该装置包括：
分类模块801，用于将图像分成前景区域和背景区域；
识别模块802，用于确定前景区域包括的实线和虚线；
第一确定模块803，用于根据前景区域包括的实线和虚线，确定前景区域中是否包括虚实线；
第二确定模块804，用于根据实线、虚线和前景区域是否包括虚实线确定车道线检测结果。
在一些实施方式中，该识别模块802，具体用于：
在前景区域的面积大于第一预设阈值的情况下，确定前景区域包括的实线和虚线。
在一些实施方式中，该识别模块802，具体用于：
对前景区域进行语义分割，得到前景区域中被预测为实线的第一类像素和第一类像素的第一特征，以及被预测为虚线的第二类像素和第二类像素的第二特征；
对第一类像素的第一特征进行聚类，并对聚类为同一类别的第一类像素进行直线拟合，得到前景区域包括的实线；
对第二类像素的第二特征进行聚类，并对聚类为同一类别的第二类像素进行直线拟合，得到前景区域包括的虚线。
在一些实施方式中，该第一确定模块803，具体用于：
确定前景区域包括的每组实线和虚线之间的距离；
在至少一组实线和虚线之间的距离小于第二预设阈值的情况下，确定前景区域中包括虚实线。
在一些实施方式中，如图9所示，该第一确定模块803，具体用于：
针对每组实线和虚线，选择实线或虚线中的多个点；
计算实线或虚线中的多个点到对应组中的虚线或实线的距离的平均值，并将平均值作为实线和虚线之间的距离。
在一些实施方式中，如图9所示，该装置还可以包括：第三确定模块805，该第三确定模块805，用于根据距离小于第二预设阈值的实线和虚线，确定前景区域中包括的虚实线；
其中，该第二确定模块804，还用于：
根据实线的属性、虚线的属性和虚实线的属性确定车道线检测结果。
在一些实施方式中，如图9所示，该装置还可以包括：
获取模块806，用于获取车辆检测跟踪结果；
判断模块807，用于根据车辆检测跟踪结果以及车道线检测结果判断违章车辆。
本公开实施例各装置中的各模块的功能可以参见上述车道线检测方法中的对应描述，在此不再赘述。
本公开的车道线检测装置，能提高车道线检测的精度，从而有助于提升车辆违章检测的速度和精度。
根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图10示出了可以用来实施本公开的实施例的示例电子设备1000的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或要求的本公开的实现。
如图10所示，设备1000包括计算单元1001，其可以根据存储在只读存储器(ROM)1002中的计算机程序或者从存储单元1008加载到随机访问存储器(RAM)1003中的计算机程序来执行各种适当的动作和处理。在RAM 1003中，还可存储设备1000操作所需的各种程序和数据。计算单元1001、ROM 1002以及RAM 1003通过总线1004彼此相连。输入输出(I/O)接口1005也连接至总线1004。
设备1000中的多个部件连接至I/O接口1005，包括：输入单元1006，例如键盘、鼠标等；输出单元1007，例如各种类型的显示器、扬声器等；存储单元1008，例如磁盘、光盘等；以及通信单元1009，例如网卡、调制解调器、无线通信收发机等。通信单元1009允许设备1000通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元1001可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元1001的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元1001执行上文所描述的各个方法和处理，例如车道线检测方法。例如，在一些实施例中，车道线检测方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元1008。在一些实施例中，计算机程序的部分或者全部可以经由ROM 1002和/或通信单元1009而被载入和/或安装到设备1000上。当计算机程序加载到RAM 1003并由计算单元1001执行时，可以执行上文描述的车道线检测方法的一个或多个步骤。备选地，在其他实施例中，计算单元1001可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行车道线检测方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入、或者触觉输入来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开提供的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。

Claims (17)

1.一种车道线检测方法，包括：
将图像分成前景区域和背景区域；
确定所述前景区域包括的实线和虚线；
根据所述前景区域包括的所述实线和所述虚线，确定所述前景区域中是否包括虚实线；
根据所述实线、所述虚线和所述前景区域是否包括所述虚实线确定车道线检测结果。
2.根据权利要求1所述的方法，其中，所述确定所述前景区域包括的实线和虚线，包括：
在所述前景区域的面积大于第一预设阈值的情况下，确定所述前景区域包括的所述实线和所述虚线。
3.根据权利要求1所述的方法，其中，所述确定所述前景区域包括的实线和虚线，包括：
对所述前景区域进行语义分割，得到所述前景区域中被预测为实线的第一类像素和所述第一类像素的第一特征，以及被预测为虚线的第二类像素和所述第二类像素的第二特征；
对所述第一类像素的所述第一特征进行聚类，并对聚类为同一类别的所述第一类像素进行直线拟合，得到所述前景区域包括的所述实线；
对所述第二类像素的所述第二特征进行聚类，并对聚类为同一类别的所述第二类像素进行直线拟合，得到所述前景区域包括的所述虚线。
4.根据权利要求1所述的方法，其中，所述根据所述前景区域包括的所述实线和所述虚线，确定所述前景区域中是否包括虚实线，包括：
确定所述前景区域包括的每组所述实线和所述虚线之间的距离；
在至少一组所述实线和所述虚线之间的所述距离小于第二预设阈值的情况下，确定所述前景区域中包括所述虚实线。
5.根据权利要求4所述的方法，其中，所述确定所述前景区域包括的每组所述实线和所述虚线之间的距离，包括：
针对每组所述实线和所述虚线，选择所述实线或所述虚线中的多个点；
计算所述实线或所述虚线中的所述多个点到对应组中的所述虚线或所述实线的距离的平均值，并将所述平均值作为所述实线和所述虚线之间的距离。
6.根据权利要求4所述的方法，还包括：
根据所述距离小于所述第二预设阈值的所述实线和所述虚线，确定所述前景区域中包括的所述虚实线；
其中，根据所述实线、所述虚线和所述前景区域是否包括所述虚实线确定车道线检测结果，包括：
根据所述实线的属性、所述虚线的属性和所述虚实线的属性确定车道线检测结果。
7.根据权利要求1至6任一项所述的方法，还包括：
获取车辆检测跟踪结果；
根据所述车辆检测跟踪结果以及所述车道线检测结果判断违章车辆。
8.一种车道线检测装置，包括：
分类模块，用于将图像分成前景区域和背景区域；
识别模块，用于确定所述前景区域包括的实线和虚线；
第一确定模块，用于根据所述前景区域包括的所述实线和所述虚线，确定所述前景区域中是否包括虚实线；
第二确定模块，用于根据所述实线、所述虚线和所述前景区域是否包括所述虚实线确定车道线检测结果。
9.根据权利要求8所述的装置，其中，所述识别模块，还用于：
在所述前景区域的面积大于第一预设阈值的情况下，确定所述前景区域包括的所述实线和所述虚线。
10.根据权利要求8所述的装置，其中，所述识别模块，还用于：
对所述前景区域进行语义分割，得到所述前景区域中被预测为实线的第一类像素和所述第一类像素的第一特征，以及被预测为虚线的第二类像素和所述第二类像素的第二特征；
对所述第一类像素的所述第一特征进行聚类，并对聚类为同一类别的所述第一类像素进行直线拟合，得到所述前景区域包括的所述实线；
对所述第二类像素的所述第二特征进行聚类，并对聚类为同一类别的所述第二类像素进行直线拟合，得到所述前景区域包括的所述虚线。
11.根据权利要求8所述的装置，其中，所述第一确定模块，还用于：
确定所述前景区域包括的每组所述实线和所述虚线之间的距离；
在至少一组所述实线和所述虚线之间的所述距离小于第二预设阈值的情况下，确定所述前景区域中包括所述虚实线。
12.根据权利要求11所述的装置，其中，所述第一确定模块，还用于：
针对每组所述实线和所述虚线，选择所述实线或所述虚线中的多个点；
计算所述实线或所述虚线中均匀分布的所述多个点到对应组中的所述虚线或所述实线的距离的平均值，并将所述平均值作为所述实线和所述虚线之间的距离。
13.根据权利要求11所述的装置，还包括：第三确定模块，所述第三确定模块，用于根据所述距离小于所述第二预设阈值的所述实线和所述虚线，确定所述前景区域中包括的所述虚实线；
其中，所述第二确定模块，还用于：
根据所述实线的属性、所述虚线的属性和所述虚实线的属性确定车道线检测结果。
14.根据权利要求8至13任一项所述的装置，还包括：
获取模块，用于获取车辆检测跟踪结果；
判断模块，用于根据所述车辆检测跟踪结果以及所述车道线检测结果判断违章车辆。
15.一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-7中任一项所述的方法。
16.一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使计算机执行权利要求1-7中任一项所述的方法。
17.一种计算机程序产品，包括计算机程序，该计算机程序在被处理器执行时实现根据权利要求1-7中任一项所述的方法。
CN202110097191.8A 2021-01-25 2021-01-25 车道线检测方法、装置、电子设备及计算机存储介质 Pending CN112818792A (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN202110097191.8A CN112818792A (zh) 2021-01-25 2021-01-25 车道线检测方法、装置、电子设备及计算机存储介质
EP21200369.3A EP3955218A3 (en) 2021-01-25 2021-09-30 Lane line detection method and apparatus, electronic device, computer storage medium, and computer program product
US17/494,682 US11741726B2 (en) 2021-01-25 2021-10-05 Lane line detection method, electronic device, and computer storage medium

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110097191.8A CN112818792A (zh) 2021-01-25 2021-01-25 车道线检测方法、装置、电子设备及计算机存储介质

Publications (1)

Publication Number Publication Date
CN112818792A true CN112818792A (zh) 2021-05-18

Family

ID=75859614

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110097191.8A Pending CN112818792A (zh) 2021-01-25 2021-01-25 车道线检测方法、装置、电子设备及计算机存储介质

Country Status (3)

Country Link
US (1) US11741726B2 (zh)
EP (1) EP3955218A3 (zh)
CN (1) CN112818792A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023050698A1 (zh) * 2021-09-30 2023-04-06 北京百度网讯科技有限公司 一种交通限制识别方法、装置及电子设备

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111507924B (zh) * 2020-04-27 2023-09-29 北京百度网讯科技有限公司 视频帧的处理方法和装置
US20230192121A1 (en) * 2021-12-22 2023-06-22 Gm Cruise Holdings Llc Class-aware depth data clustering
CN115393595B (zh) * 2022-10-27 2023-02-03 福思(杭州)智能科技有限公司 分割网络模型训练方法、车道线检测方法、装置和介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110084095A (zh) * 2019-03-12 2019-08-02 浙江大华技术股份有限公司 车道线检测方法、车道线检测装置和计算机存储介质
CN110334634A (zh) * 2019-06-28 2019-10-15 广州鹰瞰信息科技有限公司 一种车道线类别的检测方法和预警装置
CN111178253A (zh) * 2019-12-27 2020-05-19 深圳佑驾创新科技有限公司 自动驾驶的视觉感知方法、装置、计算机设备和存储介质
CN111667706A (zh) * 2020-06-05 2020-09-15 百度在线网络技术（北京）有限公司 车道级路面状况识别方法、路况提示方法和装置
CN111860255A (zh) * 2020-07-10 2020-10-30 东莞正扬电子机械有限公司 驾驶检测模型的训练、使用方法、装置、设备及介质

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10121093B2 (en) * 2017-04-11 2018-11-06 Sony Corporation System and method for background subtraction in video content
CN107590470B (zh) 2017-09-18 2020-08-04 浙江大华技术股份有限公司 一种车道线检测方法及装置
US10997433B2 (en) * 2018-02-27 2021-05-04 Nvidia Corporation Real-time detection of lanes and boundaries by autonomous vehicles
CN109657632B (zh) 2018-12-25 2022-05-06 重庆邮电大学 一种车道线检测识别方法
CN112131914B (zh) * 2019-06-25 2022-10-21 北京市商汤科技开发有限公司 车道线属性检测方法、装置、电子设备及智能设备
CN110298300B (zh) * 2019-06-27 2022-11-22 上海工程技术大学 一种检测车辆违章压线的方法
US11240473B2 (en) * 2019-08-29 2022-02-01 CarmaCam, Inc. Method and apparatus for traffic infraction management

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110084095A (zh) * 2019-03-12 2019-08-02 浙江大华技术股份有限公司 车道线检测方法、车道线检测装置和计算机存储介质
CN110334634A (zh) * 2019-06-28 2019-10-15 广州鹰瞰信息科技有限公司 一种车道线类别的检测方法和预警装置
CN111178253A (zh) * 2019-12-27 2020-05-19 深圳佑驾创新科技有限公司 自动驾驶的视觉感知方法、装置、计算机设备和存储介质
CN111667706A (zh) * 2020-06-05 2020-09-15 百度在线网络技术（北京）有限公司 车道级路面状况识别方法、路况提示方法和装置
CN111860255A (zh) * 2020-07-10 2020-10-30 东莞正扬电子机械有限公司 驾驶检测模型的训练、使用方法、装置、设备及介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
MAURÍCIO BRAGA DE PAULA 等: "Automatic Detection and Classification of Road Lane Markings Using Onboard Vehicular Cameras", 《IEEE TRANSACTIONS ON INTELLIGENT TRANSPORTATION SYSTEMS》, pages 3160 - 3169 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023050698A1 (zh) * 2021-09-30 2023-04-06 北京百度网讯科技有限公司 一种交通限制识别方法、装置及电子设备

Also Published As

Publication number Publication date
EP3955218A3 (en) 2022-04-20
EP3955218A2 (en) 2022-02-16
US20220027639A1 (en) 2022-01-27
US11741726B2 (en) 2023-08-29

Similar Documents

Publication Publication Date Title
CN109087510B (zh) 交通监测方法及装置
CN112818792A (zh) 车道线检测方法、装置、电子设备及计算机存储介质
CN113240909B (zh) 车辆监测方法、设备、云控平台和车路协同系统
CN112579464A (zh) 自动驾驶算法的校验方法、装置、设备以及存储介质
CN111291697A (zh) 用于识别障碍物的方法和装置
CN113989777A (zh) 高精地图限速标牌与车道位置的识别方法、装置和设备
CN113392794A (zh) 车辆跨线识别方法、装置、电子设备和存储介质
CN113538963A (zh) 用于输出信息的方法、装置、设备以及存储介质
CN112559371A (zh) 一种自动驾驶测试方法、装置及电子设备
CN115359471A (zh) 图像处理及联合检测模型训练方法、装置、设备和存储介质
CN113052047A (zh) 交通事件的检测方法、路侧设备、云控平台及系统
CN116935631A (zh) 基于雷视融合的异常交通态势检测方法、装置及系统
CN114724113A (zh) 道路标牌识别方法、自动驾驶方法、装置和设备
CN115114312A (zh) 地图数据更新方法、装置及电子设备
CN114895274A (zh) 一种护栏识别方法
CN114495049A (zh) 识别车道线的方法和装置
CN114821190A (zh) 图像分类模型训练方法、图像分类方法、装置及设备
CN114987494A (zh) 驾驶场景处理方法、装置及电子设备
CN113989300A (zh) 车道线分割的方法、装置、电子设备和存储介质
CN114549961A (zh) 目标对象的检测方法、装置、设备以及存储介质
CN114379587A (zh) 自动驾驶中避让行人的方法与装置
CN114429631A (zh) 三维对象检测方法、装置、设备以及存储介质
CN112861701A (zh) 违章停车识别方法、装置、电子设备以及计算机可读介质
CN111860661A (zh) 基于用户行为的数据分析方法、装置、电子设备及介质
CN112784789B (zh) 识别道路的交通流量的方法、装置、电子设备和介质

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