CN113139454B - 基于单张图像的道路宽度提取方法及装置 - Google Patents

基于单张图像的道路宽度提取方法及装置 Download PDF

Info

Publication number
CN113139454B
CN113139454B CN202110419209.1A CN202110419209A CN113139454B CN 113139454 B CN113139454 B CN 113139454B CN 202110419209 A CN202110419209 A CN 202110419209A CN 113139454 B CN113139454 B CN 113139454B
Authority
CN
China
Prior art keywords
road
road width
list
width value
coordinate system
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
Application number
CN202110419209.1A
Other languages
English (en)
Other versions
CN113139454A (zh
Inventor
郑慧
袁胜古
陈昕
徐昊
罗伦
任昊冬
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.)
Guojiao Space Information Technology Beijing Co ltd
Original Assignee
Guojiao Space Information Technology Beijing 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 Guojiao Space Information Technology Beijing Co ltd filed Critical Guojiao Space Information Technology Beijing Co ltd
Priority to CN202110419209.1A priority Critical patent/CN113139454B/zh
Publication of CN113139454A publication Critical patent/CN113139454A/zh
Application granted granted Critical
Publication of CN113139454B publication Critical patent/CN113139454B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/80—Analysis of captured images to determine intrinsic or extrinsic camera parameters, i.e. camera calibration
    • 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
    • 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
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/30244—Camera pose
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Traffic Control Systems (AREA)

Abstract

本公开的实施例提供了基于单张图像的道路宽度提取方法、装置、设备和计算机可读存储介质。所述方法包括对单目设备进行相机标定；通过已完成相机标定的单目设备，采集道路图像；对所述道路图像进行处理，确定该图像中道路两侧边缘点；基于所述相机标定的结果和所述道路两侧边缘点，计算得到道路宽度值列表；对所述道路宽度值列表进行统计分析，得到最终的道路宽度。以此方式，可以提高提取效率，降低经济成本。

Description

基于单张图像的道路宽度提取方法及装置
技术领域
本公开的实施例一般涉及图像处理领域，并且更具体地，涉及基于单张图像的道路宽度提取方法、装置、设备和计算机可读存储介质。
背景技术
随着计算机技术、摄影测量技术及高分辨率遥感技术的发展，利用自动化手段进行道路宽度的提取是交通领域一项重要的研究内容。目前，较常用的道路宽度提取方法主要有基于遥感影像的道路宽度提取方法、基于相机和测距设备的道路宽度提取方法和基于深度图像和红外图像的道路宽度提取方法等。
虽然上诉方法均可实现道路宽度的提取，但也存在一些缺陷，如基于遥感影像的道路宽度提取方法，需要购买最新的高分辨率遥感影像，成本较高，且对于被树木等遮挡严重的道路区域无法实现准确的道路宽度测量；基于相机和测距设备的道路宽度提取方法，相机需要根据测距设备的测量结果每隔固定的距离拍摄道路图像，设备和操作均比较复杂；基于深度图像和红外图像的道路宽度提取方法，需要采用摄像模组进行深度图像的测量，再结合红外图像进行道路边缘线的确定和道路宽度的测量，设备整体价格较高且数据处理过程复杂。
发明内容
根据本公开的实施例，提供了一种基于单张图像的道路宽度提取方案。
在本公开的第一方面，提供了一种基于单张图像的道路宽度提取方法。该方法包括：
对单目设备进行相机标定；
通过已完成相机标定的单目设备，采集道路图像；
对所述道路图像进行处理，确定该图像中道路两侧边缘点；
基于所述相机标定的结果和所述道路两侧边缘点，计算得到道路宽度值列表；
对所述道路宽度值列表进行统计分析，得到最终的道路宽度。
进一步地，所述对单目设备进行相机标定包括：
通过单目设备，获取包括标定板的图像；
基于所述包括标定板的图像，设定第一坐标系和第二坐标系；所述第一坐标系为以图像左上角为坐标系原点的坐标系；所述第二坐标系根据所述标定板的坐标系确定；
通过相机标定原理，标定所述第一坐标系和第二坐标系的转换关系；
基于所述转换关系，通过图像识别算法，确定所述第一坐标系和所述第二坐标系的解算关系，完成相机标定。
进一步地，所述对所述道路图像进行处理，确定该图像中道路两侧边缘点包括：
通过深度学习算法提取所述道路图像中的道路区域；
基于所述道路区域，确定所述道路区域的顶点坐标；
基于所述道路区域的顶点坐标，通过逐行检测的方法，确定所述道路区域中道路两侧的边缘点。
进一步地，所述基于所述相机标定的结果和所述道路两侧边缘点，计算得到道路宽度值列表包括：
基于所述相机标定的结果和所述道路两侧边缘点，计算每一个边缘点在所述第二坐标系中的坐标，得到左侧边缘点列表和右侧边缘点列表；
通过所述左侧边缘点列表和右侧边缘点列表，计算得到道路宽度值列表。
进一步地，所述通过所述左侧边缘点列表和右侧边缘点列表，计算得到道路宽度值列表包括：
从一侧边缘点列表中选取任一点，和另一侧边缘点列表中的所有边缘点，计算得到第一宽度值集合；
选取所述第一宽度值集合中，最小的值作为所述任一点的道路宽度值，并将所述道路宽度值添加至预设的道路宽度值列表；
依次计算一侧边缘点列表中所有边缘点的道路宽度值，并将所述道路宽度值添加至所述道路宽度值列表。
进一步地，所述对所述道路宽度值列表进行统计分析，得到最终的道路宽度包括：
根据所述道路宽度值列表，计算路宽的均值和标准差；
根据所述路宽的均值和标准差，对所述道路宽度值列表中的道路宽度值进行优化，得到优化的道路宽度值列表；
根据所述优化的道路宽度值列表，计算道路均值，得到最终道路的宽度值。
进一步地，所述根据所述路宽的均值和标准差，对所述道路宽度值列表中的道路宽度值进行优化，得到优化的道路宽度值列表包括：
计算所述道路宽度值列表中，每一个值与所述路宽均值的差值绝对值；
从所述道路宽度值列表中，删除所述差值绝对值大于阈值的值，得到优化的道路宽度值列表；所述阈值根据所述路宽的标准差进行设定。
在本公开的第二方面，提供了一种基于单张图像的道路宽度提取装置。该装置包括：
标定模块，用于对单目设备进行相机标定；
采集模块，用于通过已完成相机标定的单目设备，采集道路图像；
处理模块，用于对所述道路图像进行处理，确定该图像中道路两侧边缘点；
计算模块，用于基于所述相机标定的结果和所述道路两侧边缘点，计算得到道路宽度值列表；
分析模块，用于对所述道路宽度值列表进行统计分析，得到最终的道路宽度。
在本公开的第三方面，提供了一种电子设备。该电子设备包括：存储器和处理器，所述存储器上存储有计算机程序，所述处理器执行所述程序时实现如以上所述的方法。
在本公开的第四方面，提供了一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现如根据本公开的第一方面的方法。
本申请实施例提供的基于单张图像的道路宽度提取方法，通过对单目设备进行相机标定；通过已完成相机标定的单目设备，采集道路图像；对所述道路图像进行处理，确定该图像中道路两侧边缘点；基于所述相机标定的结果和所述道路两侧边缘点，计算得到道路宽度值列表；对所述道路宽度值列表进行统计分析，得到最终的道路宽度，可以消除路边杂草、行人、车辆等对道路宽度值计算的影响，准确计算出图像拍摄的每一点在道路坐标系下的真实平面坐标，自动化准确提取道路宽度。
应当理解，发明内容部分中所描述的内容并非旨在限定本公开的实施例的关键或重要特征，亦非用于限制本公开的范围。本公开的其它特征将通过以下的描述变得容易理解。
附图说明
结合附图并参考以下详细说明，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。在附图中，相同或相似的附图标记表示相同或相似的元素，其中：
图1示出了根据本公开的实施例的基于单张图像的道路宽度提取方法的流程图；
图2示出了根据本公开的实施例的道路坐标系示意图；
图3示出了根据本公开的实施例的采集图像示意图；
图4示出了根据本公开的实施例的道路区域提取结果示意图；
图5示出了根据本公开的实施例的基于单张图像的道路宽度提取装置的方框图；
图6示出了能够实施本公开的实施例的示例性电子设备的方框图。
具体实施方式
为使本公开实施例的目的、技术方案和优点更加清楚，下面将结合本公开实施例中的附图，对本公开实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本公开一部分实施例，而不是全部的实施例。基于本公开中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的全部其他实施例，都属于本公开保护的范围。
另外，本文中术语“和/或”，仅仅是一种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。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。
图1示出了根据本公开实施例的基于单张图像的道路宽度提取方法100的流程图。方法100包括：
S110，对单目设备进行相机标定。
其中，所述单目设备通常指单目摄像头，用于获取单张照片。例如，车载单目相机等。
在一些实施例中，以图像左上角为像素坐标系原点标定第一坐标系，即图像坐标系。
在一些实施例中，如图2所示，将单目设备安装固定后，对预先放置在道路上的标定板进行拍摄，获取包括标定板的图像，根据所述图像中的标定板，确定第二坐标系，即道路坐标系。
进一步地，将所述道路坐标系固定于所述图像中的标定板上，即，所述棋盘格上任一点的道路坐标系Z＝0；所述标定板包括棋盘格，所述棋盘格可包括多个大小已知的黑白格(参考图2)。
在一些实施例中，通过相机标定原理，标定所述第一坐标系和第二坐标系的转换关系。
具体地，用坐标(u,v)表示第一坐标系坐标，坐标(X,Y,0)表示第二坐标系，即，用(u,v)表示标定板角点的坐标，用(X,Y,0)表示道路坐标系下的标定板角点的坐标，所述第一坐标系和第二坐标系存在如下关系：
进一步地，通过上式消去尺度因子λ，可得：
其中，通过图像识别算法，可以得到标定板角点的像素坐标(u,v)；基于标定板每一个格的大小，确定道路坐标系下的(X,Y)(Z＝0)；所述H为齐次矩阵；上式中有8个独立未知元素：H11X、H12Y、H31X、H32Y、H21X、H22Y、H31X和H32Y，每一个标定板角点均可提供两个约束方程，因此，当一张图片上的标定板角点数量大于等于4时(通常情况下一张图片上的标定板角点数量大于等于4)，可求得对应的矩阵H，即，可求得第一坐标系与第二坐标系的解算关系，完成相机标定。
需要说明的是，在本公开中测量设备仅为一台相机(单目设备)和一个标定板(通常为棋盘格)，成本低廉。
S120，通过已完成相机标定的单目设备，采集道路图像。
在一些实施例中，如图3所示，通过已完成相机标定的单目设备，采集原始图像，即道路图像。
S130，对所述道路图像进行处理，确定该图像中道路两侧边缘点。
在一些实施例中，采用深度学习算法(基于人工神经网络的机器学习算法)，对所述道路图像进行处理，提取出道路区域，如图4所示。
在一些实施例中，根据提取中的道路区域确定道路区域的顶点。
具体地，在检测出的道路区域中，寻找u(行号)最小的第一个点，并将该点的行号记为u0，所述u0为道路区域的顶点。
在一些实施例中，从u0开始逐行(行号+1)检测，寻找非道路区域与道路区域的边界点Pi，并将其添加到左侧道路边界点LList中，直至图像最后一行，或者至图像某行其左侧第一个像素为道路，即停止左侧道路区域检测；同理，得到右侧道路边缘点RList，确定道路两侧边缘点。
S140，基于所述相机标定的结果和所述道路两侧边缘点，计算得到道路宽度值列表。
在一些实施例中，根据步骤S130中得到的LList和RList进行道路宽度计算，得到道路宽度值列表WList。
具体地，在道路坐标系中计算道路边缘点的坐标，根据边缘点的像素坐标(ui,vi)，结合步骤S110中矩阵H的标定结果，计算出每一个道路边缘点在道路坐标系中的坐标(Xi,Yi,0)。
进一步地，依次计算道路左右两侧边缘点在所述道路坐标系下的坐标，得到LListPT、RListPT。
在一些实施例中，从道路左侧边缘点列表LListPT中选取一个点LPTi，和右侧边缘点RListPT中的所有点计算宽度值Wij，取Wij中最小的值为点LPTi计算的道路宽度值Wi，添加至道路宽度值列表WList。依次计算LListPT中所有点的道路宽度值Wi，得到宽度值列表WList。同理，也可从右侧边缘点列表RListPT选取任一点进行计算，最终得到宽度值列表WList，在此不在赘述。
S150，对所述道路宽度值列表进行统计分析，得到最终的道路宽度。
在一些实施例中，根据道路宽度值列表WList计算道路宽度均值WAveg和标准差σ。对于WList中的每一个值Wi，均计算其与道路宽度均值WAveg的差值的绝对值dWi，若dWi大于两倍标准差σ(异常值)，则从WList中剔除Wi，更新WList。
进一步地，计算更新后的WList的均值，所述均值为最终的道路宽度。
根据本公开的实施例，实现了以下技术效果：
本公开的实施例在道路宽度提取过程中，通过对多个道路宽度值进行统计分析，将道路宽度值中的异常值进行剔除，可以消除路边杂草、行人、车辆等对道路宽度值计算的影响。
进一步地，在进行道路宽度提取过程中，可准确计算出图像拍摄的每一点在道路坐标系下的真实平面坐标。因此，本方法不仅能适用于不同宽度、不同材质道路宽度的自动化准确提取，也能适用于道路破损检测中的道路格网划分，道路中行人、车辆等目标的距离检测等。
进一步地，在相机安装固定后，对标定板拍摄一张图片即完成标定工作，道路宽度提取测量时，相机对道路拍摄一张图片即可计算出该道路的宽度，操作简单，大幅提高了提取效率。
需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本公开并不受所描述的动作顺序的限制，因为依据本公开，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于可选实施例，所涉及的动作和模块并不一定是本公开所必须的。
以上是关于方法实施例的介绍，以下通过装置实施例，对本公开所述方案进行进一步说明。
图5示出了根据本公开的实施例的基于单张图像的道路宽度提取装置500的方框图。如图5所示，装置500包括：
标定模块510，用于对单目设备进行相机标定；
采集模块520，用于通过已完成相机标定的单目设备，采集道路图像；
处理模块530，用于对所述道路图像进行处理，确定该图像中道路两侧边缘点；
计算模块540，用于基于所述相机标定的结果和所述道路两侧边缘点，计算得到道路宽度值列表；
分析模块550，用于对所述道路宽度值列表进行统计分析，得到最终的道路宽度。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，所述描述的模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
图6示出了可以用来实施本公开的实施例的电子设备600的示意性框图。如图所示，设备600包括中央处理单元(CPU)601，其可以根据存储在只读存储器(ROM)602中的计算机程序指令或者从存储单元608加载到随机访问存储器(RAM)603中的计算机程序指令，来执行各种适当的动作和处理。在RAM603中，还可以存储设备600操作所需的各种程序和数据。CPU 601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
设备600中的多个部件连接至I/O接口605，包括：输入单元606，例如键盘、鼠标等；输出单元607，例如各种类型的显示器、扬声器等；存储单元608，例如磁盘、光盘等；以及通信单元609，例如网卡、调制解调器、无线通信收发机等。通信单元609允许设备600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。
处理单元601执行上文所描述的各个方法和处理，例如方法100。例如，在一些实施例中，方法100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608。在一些实施例中，计算机程序的部分或者全部可以经由ROM 602和/或通信单元609而被载入和/或安装到设备600上。当计算机程序加载到RAM 603并由CPU 601执行时，可以执行上文描述的方法100的一个或多个步骤。备选地，在其他实施例中，CPU 601可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行方法100。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：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)等等。
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。
此外，虽然采用特定次序描绘了各操作，但是这应当理解为要求这样操作以所示出的特定次序或以顺序次序执行，或者要求所有图示的操作应被执行以取得期望的结果。在一定环境下，多任务和并行处理可能是有利的。同样地，虽然在上面论述中包含了若干具体实现细节，但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实现中。相反地，在单个实现的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实现中。
尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题，但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反，上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。

Claims (4)

1.一种基于单张图像的道路宽度提取方法，其特征在于，包括：
对单目设备进行相机标定；所述对单目设备进行相机标定包括：通过单目设备，获取包括标定板的图像；基于所述包括标定板的图像，设定第一坐标系和第二坐标系；所述第一坐标系为以图像左上角为坐标系原点的坐标系；所述第二坐标系根据所述标定板的坐标系确定；通过相机标定原理，标定所述第一坐标系和第二坐标系的转换关系；基于所述转换关系，通过图像识别算法，确定所述第一坐标系和所述第二坐标系的解算关系，完成相机标定；
通过已完成相机标定的单目设备，采集道路图像；
对所述道路图像进行处理，确定该图像中道路两侧边缘点；所述对所述道路图像进行处理，确定该图像中道路两侧边缘点包括：通过深度学习算法提取所述道路图像中的道路区域；基于所述道路区域，确定所述道路区域的顶点坐标；基于所述道路区域的顶点坐标，通过逐行检测的方法，确定所述道路区域中道路两侧的边缘点；
基于所述相机标定的结果和所述道路两侧边缘点，计算得到道路宽度值列表；所述基于所述相机标定的结果和所述道路两侧边缘点，计算得到道路宽度值列表包括：基于所述相机标定的结果和所述道路两侧边缘点，计算每一个边缘点在所述第二坐标系中的坐标，得到左侧边缘点列表和右侧边缘点列表；通过所述左侧边缘点列表和右侧边缘点列表，计算得到道路宽度值列表；所述通过所述左侧边缘点列表和右侧边缘点列表，计算得到道路宽度值列表包括：从一侧边缘点列表中选取任一点，和另一侧边缘点列表中的所有边缘点，计算得到第一宽度值集合；选取所述第一宽度值集合中，最小的值作为所述任一点的道路宽度值，并将所述道路宽度值添加至预设的道路宽度值列表；依次计算一侧边缘点列表中所有边缘点的道路宽度值，并将所述道路宽度值添加至所述道路宽度值列表；
对所述道路宽度值列表进行统计分析，得到最终的道路宽度；所述对所述道路宽度值列表进行统计分析，得到最终的道路宽度包括：根据所述道路宽度值列表，计算路宽的均值和标准差；根据所述路宽的均值和标准差，对所述道路宽度值列表中的道路宽度值进行优化，得到优化的道路宽度值列表；根据所述优化的道路宽度值列表，计算道路均值，得到最终道路的宽度值；所述根据所述路宽的均值和标准差，对所述道路宽度值列表中的道路宽度值进行优化，得到优化的道路宽度值列表包括：计算所述道路宽度值列表中，每一个值与所述路宽均值的差值绝对值；从所述道路宽度值列表中，删除所述差值绝对值大于阈值的值，得到优化的道路宽度值列表；所述阈值根据所述路宽的标准差进行设定。
2.一种基于单张图像的道路宽度提取装置，其特征在于，包括：
标定模块，用于对单目设备进行相机标定；所述对单目设备进行相机标定包括：通过单目设备，获取包括标定板的图像；基于所述包括标定板的图像，设定第一坐标系和第二坐标系；所述第一坐标系为以图像左上角为坐标系原点的坐标系；所述第二坐标系根据所述标定板的坐标系确定；通过相机标定原理，标定所述第一坐标系和第二坐标系的转换关系；基于所述转换关系，通过图像识别算法，确定所述第一坐标系和所述第二坐标系的解算关系，完成相机标定；
采集模块，用于通过已完成相机标定的单目设备，采集道路图像；
处理模块，用于对所述道路图像进行处理，确定该图像中道路两侧边缘点；所述对所述道路图像进行处理，确定该图像中道路两侧边缘点包括：通过深度学习算法提取所述道路图像中的道路区域；基于所述道路区域，确定所述道路区域的顶点坐标；基于所述道路区域的顶点坐标，通过逐行检测的方法，确定所述道路区域中道路两侧的边缘点；
计算模块，用于基于所述相机标定的结果和所述道路两侧边缘点，计算得到道路宽度值列表；所述基于所述相机标定的结果和所述道路两侧边缘点，计算得到道路宽度值列表包括：基于所述相机标定的结果和所述道路两侧边缘点，计算每一个边缘点在所述第二坐标系中的坐标，得到左侧边缘点列表和右侧边缘点列表；通过所述左侧边缘点列表和右侧边缘点列表，计算得到道路宽度值列表；所述通过所述左侧边缘点列表和右侧边缘点列表，计算得到道路宽度值列表包括：从一侧边缘点列表中选取任一点，和另一侧边缘点列表中的所有边缘点，计算得到第一宽度值集合；选取所述第一宽度值集合中，最小的值作为所述任一点的道路宽度值，并将所述道路宽度值添加至预设的道路宽度值列表；依次计算一侧边缘点列表中所有边缘点的道路宽度值，并将所述道路宽度值添加至所述道路宽度值列表；
分析模块，用于对所述道路宽度值列表进行统计分析，得到最终的道路宽度；所述对所述道路宽度值列表进行统计分析，得到最终的道路宽度包括：根据所述道路宽度值列表，计算路宽的均值和标准差；根据所述路宽的均值和标准差，对所述道路宽度值列表中的道路宽度值进行优化，得到优化的道路宽度值列表；根据所述优化的道路宽度值列表，计算道路均值，得到最终道路的宽度值；所述根据所述路宽的均值和标准差，对所述道路宽度值列表中的道路宽度值进行优化，得到优化的道路宽度值列表包括：计算所述道路宽度值列表中，每一个值与所述路宽均值的差值绝对值；从所述道路宽度值列表中，删除所述差值绝对值大于阈值的值，得到优化的道路宽度值列表；所述阈值根据所述路宽的标准差进行设定。
3.一种电子设备，包括存储器和处理器，所述存储器上存储有计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1所述的方法。
4.一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，所述程序被处理器执行时实现如权利要求1所述的方法。
CN202110419209.1A 2021-04-19 2021-04-19 基于单张图像的道路宽度提取方法及装置 Active CN113139454B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110419209.1A CN113139454B (zh) 2021-04-19 2021-04-19 基于单张图像的道路宽度提取方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110419209.1A CN113139454B (zh) 2021-04-19 2021-04-19 基于单张图像的道路宽度提取方法及装置

Publications (2)

Publication Number Publication Date
CN113139454A CN113139454A (zh) 2021-07-20
CN113139454B true CN113139454B (zh) 2024-04-23

Family

ID=76812676

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110419209.1A Active CN113139454B (zh) 2021-04-19 2021-04-19 基于单张图像的道路宽度提取方法及装置

Country Status (1)

Country Link
CN (1) CN113139454B (zh)

Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103314599A (zh) * 2011-01-14 2013-09-18 晶像股份有限公司 用于通过分组化通信网络传达的流送内容的时钟恢复的机制
CN106780348A (zh) * 2016-11-14 2017-05-31 吉林大学 信号控制下人行横道宽度确定方法
CN106875699A (zh) * 2017-03-21 2017-06-20 陆化普 一种交通控制优化方法及装置
CN107203761A (zh) * 2017-06-15 2017-09-26 厦门大学 基于高分辨率卫星影像的道路宽度估计方法
JP2018063143A (ja) * 2016-10-12 2018-04-19 日産自動車株式会社 走路境界検出方法及び走路境界検出装置
CN108645342A (zh) * 2018-04-25 2018-10-12 国交空间信息技术（北京）有限公司 一种基于道路轨迹和高分辨率影像的道路宽度提取方法
CN109491375A (zh) * 2017-09-13 2019-03-19 百度（美国）有限责任公司 用于自动驾驶车辆的基于驾驶场景的路径规划
CN111121643A (zh) * 2019-12-25 2020-05-08 中公高科养护科技股份有限公司 一种道路宽度的测量方法及系统
CN111582079A (zh) * 2020-04-24 2020-08-25 杭州鸿泉物联网技术股份有限公司 基于计算机视觉的车道定位方法及装置
CN111680611A (zh) * 2020-06-03 2020-09-18 江苏无线电厂有限公司 一种道路通过性检测方法、系统及设备
CN112034482A (zh) * 2020-08-24 2020-12-04 北京航天发射技术研究所 一种道路边界实时提取及测量方法和装置
CN112115817A (zh) * 2020-09-01 2020-12-22 国交空间信息技术（北京）有限公司 基于深度学习的遥感影像道路轨迹正确性核查方法及装置
CN112183554A (zh) * 2020-09-01 2021-01-05 国交空间信息技术（北京）有限公司 一种自动化道路边界轮廓提取方法
CN112257668A (zh) * 2020-11-12 2021-01-22 腾讯科技（深圳）有限公司 主辅路判断方法、装置、电子设备及存储介质

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103314599A (zh) * 2011-01-14 2013-09-18 晶像股份有限公司 用于通过分组化通信网络传达的流送内容的时钟恢复的机制
JP2018063143A (ja) * 2016-10-12 2018-04-19 日産自動車株式会社 走路境界検出方法及び走路境界検出装置
CN106780348A (zh) * 2016-11-14 2017-05-31 吉林大学 信号控制下人行横道宽度确定方法
CN106875699A (zh) * 2017-03-21 2017-06-20 陆化普 一种交通控制优化方法及装置
CN107203761A (zh) * 2017-06-15 2017-09-26 厦门大学 基于高分辨率卫星影像的道路宽度估计方法
CN109491375A (zh) * 2017-09-13 2019-03-19 百度（美国）有限责任公司 用于自动驾驶车辆的基于驾驶场景的路径规划
CN108645342A (zh) * 2018-04-25 2018-10-12 国交空间信息技术（北京）有限公司 一种基于道路轨迹和高分辨率影像的道路宽度提取方法
CN111121643A (zh) * 2019-12-25 2020-05-08 中公高科养护科技股份有限公司 一种道路宽度的测量方法及系统
CN111582079A (zh) * 2020-04-24 2020-08-25 杭州鸿泉物联网技术股份有限公司 基于计算机视觉的车道定位方法及装置
CN111680611A (zh) * 2020-06-03 2020-09-18 江苏无线电厂有限公司 一种道路通过性检测方法、系统及设备
CN112034482A (zh) * 2020-08-24 2020-12-04 北京航天发射技术研究所 一种道路边界实时提取及测量方法和装置
CN112115817A (zh) * 2020-09-01 2020-12-22 国交空间信息技术（北京）有限公司 基于深度学习的遥感影像道路轨迹正确性核查方法及装置
CN112183554A (zh) * 2020-09-01 2021-01-05 国交空间信息技术（北京）有限公司 一种自动化道路边界轮廓提取方法
CN112257668A (zh) * 2020-11-12 2021-01-22 腾讯科技（深圳）有限公司 主辅路判断方法、装置、电子设备及存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
A Sensor-Fusion Drivable-Region and Lane-Detection System for Autonomous Vehicle Navigation in Challenging Road Scenarios;Qingquan Li等;《IEEE Transactions on Vehicular Technology》;第63卷(第2期);第540 - 555页 *
基于SIFT算法的单目目标识别与定位系统研究;王开元;《中国优秀硕士学位论文全文数据库 (信息科技辑)》(第02期);第I138-1959页 正文第3章 *

Also Published As

Publication number Publication date
CN113139454A (zh) 2021-07-20

Similar Documents

Publication Publication Date Title
US20160182873A1 (en) Image processing apparatus, image processing system, image processing method, and computer program
CN111950543B (zh) 一种目标检测方法和装置
CN110211185B (zh) 在一组候选点内识别校准图案的特征点的方法
CN111768450A (zh) 基于散斑图的结构光相机行偏差的自动检测方法和装置
CN110634137A (zh) 一种基于视觉感知的桥梁变形的监测方法、装置及设备
CN112233076B (zh) 基于红色圆标靶图像处理的结构振动位移测量方法及装置
CN112991459B (zh) 一种相机标定方法、装置、设备以及存储介质
CN110910445B (zh) 一种物件尺寸检测方法、装置、检测设备及存储介质
WO2022183685A1 (zh) 目标检测方法、电子介质和计算机存储介质
CN114862929A (zh) 三维目标检测方法、装置、计算机可读存储介质及机器人
CN112683228A (zh) 单目相机测距方法及装置
CN115861443A (zh) 一种多相机内参标定方法、装置、电子设备及存储介质
CN111311671A (zh) 一种工件测量方法、装置、电子设备及存储介质
CN113749646A (zh) 基于单目视觉的人体身高测量方法、装置及电子设备
CN114119695A (zh) 一种图像标注方法、装置及电子设备
CN113344906A (zh) 车路协同中相机评估方法、装置、路侧设备和云控平台
CN110288655B (zh) 一种自动识别chart图片中测试图案位置的方法及装置
CN113139454B (zh) 基于单张图像的道路宽度提取方法及装置
CN112146834A (zh) 结构振动位移测量方法及装置
CN114581890B (zh) 确定车道线的方法、装置、电子设备和存储介质
CN113450335B (zh) 一种路沿检测方法、路沿检测装置及路面施工车辆
CN114119842B (zh) 基于ssim、psnr算法的渲染方法、系统及计算机可读存储介质
CN115546314A (zh) 传感器外参校准方法和装置、设备及存储介质
CN113112551B (zh) 相机参数的确定方法、装置、路侧设备和云控平台
CN115265472A (zh) 路面沉降测量方法、装置、设备以及介质

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
GR01 Patent grant
GR01 Patent grant