CN113807236A - 车道线检测的方法、装置、设备、存储介质及程序产品 - Google Patents
车道线检测的方法、装置、设备、存储介质及程序产品 Download PDFInfo
- Publication number
- CN113807236A CN113807236A CN202111077949.8A CN202111077949A CN113807236A CN 113807236 A CN113807236 A CN 113807236A CN 202111077949 A CN202111077949 A CN 202111077949A CN 113807236 A CN113807236 A CN 113807236A
- Authority
- CN
- China
- Prior art keywords
- lane line
- image
- interest
- identification information
- region
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000001514 detection method Methods 0.000 title claims abstract description 35
- 238000000605 extraction Methods 0.000 claims description 32
- 238000012545 processing Methods 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 17
- 239000003086 colorant Substances 0.000 claims description 10
- 238000005516 engineering process Methods 0.000 abstract description 12
- 238000013135 deep learning Methods 0.000 abstract description 3
- 238000012549 training Methods 0.000 description 18
- 238000010586 diagram Methods 0.000 description 12
- 238000004891 communication Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 230000006870 function Effects 0.000 description 5
- 238000013473 artificial intelligence Methods 0.000 description 4
- 230000011218 segmentation Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000003993 interaction Effects 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013503 de-identification Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本公开提供的车道线检测的车道线检测的方法、装置、设备、存储介质及程序产品,涉及计算机视觉技术、自动驾驶技术、深度学习技术,包括:获取车辆上的图像采集装置采集的图像;利用车道线识别模型识别图像,得到图像中至少一个感兴趣区域的多个车道线识别信息;根据各车道线识别信息确定图像的车道线识别结果。本公开提供的方法,将车道线信息拆分为多个独立的信息,网络可以分别学习识别每种车道线信息的能力,因此,在训练网络学习识别每种车道线信息时,不会存在类别不平衡的问题,那么利用该网络识别车道线时,识别结果也较为准确。
Description
技术领域
本公开涉及人工智能领域中的计算机视觉技术、自动驾驶技术、深度学习技术,尤其涉及一种车道线检测的方法、装置、设备、存储介质及程序产品。
背景技术
随着人工智能技术的发展,自动驾驶技术也越来越成熟。具备自动驾驶技术的车辆可以利用传感器识别车辆的外部环境信息,并根据外部环境信息制定行驶策略。其中,识别的外部环境信息中可以包括道路上的车辆、行人、车道线等信息。
现有技术中通常采用语义分割的思路解决车道线识别的问题,语义分割是指对图像中的每个像素进行分类。车辆可以通过传感器采集道路图像,再通过语义分割的思路在道路图像中识别车道线以及车道线的属性等。
这种方案采用单一的网络结构对图像进行识别处理,需要识别图像中每个像素点所属的类别,由于类别众多,利用现有技术中的网络对车道线进行识别存在识别准确度低的问题。
发明内容
本公开提供了一种车道线检测的方法、装置、设备、存储介质及程序产品,以解决利用现有技术中的网络对车道线进行识别存在识别准确度低的问题。
根据本公开的第一方面,提供了一种车道线检测的方法,包括:
获取车辆上的图像采集装置采集的图像;
利用车道线识别模型识别所述图像,得到所述图像中至少一个感兴趣区域的多个车道线识别信息;
根据各车道线识别信息确定所述图像的车道线识别结果。
根据本公开的第二方面,提供了一种车道线检测的装置,包括:
获取单元,用于获取车辆上的图像采集装置采集的图像;
识别单元,用于利用车道线识别模型识别所述图像,得到所述图像中至少一个感兴趣区域的多个车道线识别信息;
确定单元,用于根据各车道线识别信息确定所述图像的车道线识别结果。
根据本公开的第三方面,提供了一种电子设备,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第一方面所述的方法。
根据本公开的第四方面,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,其中,所述计算机指令用于使所述计算机执行第一方面所述的方法。
根据本公开的第五方面,提供了一种计算机程序产品,所述计算机程序产品包括:计算机程序,所述计算机程序存储在可读存储介质中,电子设备的至少一个处理器可以从所述可读存储介质读取所述计算机程序,所述至少一个处理器执行所述计算机程序使得电子设备执行第一方面所述的方法。
本公开提供的车道线检测的方法、装置、设备、存储介质及程序产品,将车道线信息拆分为多个独立的信息,网络可以分别学习识别每种车道线信息的能力,因此,在训练网络学习识别每种车道线信息时,不会存在类别不平衡的问题,那么利用该网络识别车道线时,识别结果也较为准确。
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为本公开一示例性实施例示出的车道线检测的方法的流程示意图;
图2为本公开一示例性实施例示出的车道线识别模型对图像进行处理的示意图;
图3为本公开一示例性实施例示出的车道线检测的方法的流程示意图;
图4为本公开一示例性实施例示出的图像识别模型示意图;
图5为本公开一示例性实施例示出的车道线检测的装置的结构示意图;
图6为本公开另一示例性实施例示出的车道线检测的装置的结构示意图;
图7是用来实现本公开实施例的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。
现有技术中,用于识别车道线的网络采用的是语义分割思想,预先对车道线的各种属性进行排列组合,得到多种车道线类别,利用网络识别图像中的车道线属于那种车道线类别,进而得到识别结果。
由于这种网络具有识别车道线类别的能力,因此,就需要对网络进行训练,使其学习到这种能力。具体可以利用大量的图像训练网络,这些图像具有类别标签,但是,由于车道线的属性种类较多,车道线类别数量也较多,那么对这种结构的网络进行训练时,很容易出现训练数据中类别不平衡的情况,比如,在训练数据中类别为白色单实线的数据数量较多,而黄色虚、实线类别的数据数量较少,那么就可能导致训练的网络不准确的问题。
为了解决上述技术问题,本公开提供的方案对图像中每个感兴趣区域进行识别处理,得到其中多个车道线识别信息,再结合这些车道线识别信息确定图像中的车道线识别结果。这种实施方式中,模型可以单独识别每种车道线信息,而每种车道线信息的类别数量较少,在训练网络学习识别每种车道线信息时,不会存在类别不平衡的问题。
比如,可以训练网络学习识别图像中是否存在车道线,还可以训练网络识别图像中车道线掩膜位置,还可以训练网络学习识别图像中车道线属性,比如可以识别图像中存在的是白色还是黄色车道线,再比如学习图像中存在的是实线和虚线的车道线,而这种训练方式中,每种车道线信息的类别相较于对车道线的各种属性进行排列组合得到的车道线类别来说,数量减少了很多,因此,得到的网络准确性较高,利用这种网络进行车道线识别时,识别结果也较为准确。
图1为本公开一示例性实施例示出的车道线检测的方法的流程示意图。
如图1所示,本公开提供的车道线检测的方法,包括:
步骤101,获取车辆上的图像采集装置采集的图像。
本公开提供的方法可以由具备计算能力的电子设备来执行,该电子设备例如可以是车载设备。
可选地,车载设备可以执行本公开提供的方法,识别车辆外部道路上的车道线,并基于识别结果制定行驶策略。比如,可以根据识别到的车道线控制车辆行驶位置,避免压线行驶。
可选地,车辆上可以设置图像采集装置,该图像采集装置例如可以是摄像头,该图像采集装置可以实时采集车辆外部的图像,并将采集的图像发送给车载设备,使得车载设备对采集的图像进行处理。
可选地,车载设备可以在图像中识别车道线信息,也可以利用该图像识别车辆外部的其他信息,比如是否存在行人,再比如车辆前方是否存在车辆等。
步骤102,利用车道线识别模型识别图像,得到图像中至少一个感兴趣区域的多个车道线识别信息。
可选地,在车载设备中可以设置车道线识别模型,该模型能够对输入的图像进行处理,输出图像中至少一个感兴趣区域的多个车道线识别信息。
可选地,车道线识别模型可以在图像中确定多个感兴趣区域,感兴趣区域是指可能包括车道线的区域,比如,每个感兴趣区域中可以包括一个车道线实例,车道线识别模型可以对其中的车道线实例进行识别,以确定车道线识别信息。
可选地,车道线识别模型可以输出一个感兴趣区域的多个车道线识别信息,具体可以输出一个感兴趣区域每种车道线属性的信息,车道线属性可以包括线型、颜色等信息。比如,车道线识别模型可以输出一个感兴趣区域内车道线的颜色识别信息,还可以输出车道线的线型识别信息,还可以输出单/双线的识别信息。
可选地,车道线识别模型还可以输出一个感兴趣区域内是否存在车道线的识别结果,还可以输出一个感兴趣区域内的车道线掩膜位置。
图2为本公开一示例性实施例示出的车道线识别模型对图像进行处理的示意图。
如图2所示,将图像采集装置采集的图像21输入车道线识别模型22中,该模型能够输出每个感兴趣区域的多个车道线识别信息。
比如,车道线识别模型22能够输出第一个识别信息,其用于表征感兴趣区域内是否存在车道线的信息。车道线识别模型22能够输出第二个识别信息,其用于表征感兴趣区域内车道线掩膜的位置信息,车道线识别模型22能够输出第三个识别信息,其用于表征感兴趣区域内车道线的属性信息,比如可以包括车道线的颜色信息,还可以包括车道线的线型信息。
步骤103,根据各车道线识别信息确定图像的车道线识别结果。
可选地,车载设备可以根据车道线模型输出的每个感兴趣区域的各车道线识别信息,确定出图像中的车道线识别结果。
可选地,若车道线模型输出一个感兴趣区域内存在车道线,则可以进一步的获取该感兴趣区域的车道线掩膜信息,进而确定感兴趣区域内的车道线位置。
可选地,车载设备还可以再结合感兴趣区域的车道线属性信息,确定出该感兴趣区域内车道线的颜色、线型等信息。
可选地,本公开实施例中,可以以感兴趣区域内的车道线实例为单位进行识别处理,车道线模型输出的结果是每个感兴趣区域内车道线识别信息,而无需识别图像中每个像素或每个卷积块的车道线识别信息,因此,本公开提供的方案还能够提高车道线的检测效率。
可选地,现有技术的方案中需要确定每个像素或卷积块的分类结果,该分类结果比如可以是不包括车道线,还可以是车道线的颜色与线型的排列组合,因此,这种网络结构依赖于训练数据类别的平衡性,若某一类别的训练数据数量过少,会导致网络结构无法学习到该类别数据的特征。
而本公开提供的方案中,车道线识别模型对每种车道线信息分别识别,比如,识别感兴趣区域内是否存在车道线,再比如,识别感兴趣区域内车道线的掩膜,再比如,识别感兴趣区域内车道线的属性。由于这种方式将车道线信息拆分为独立的信息,网络可以分别学习识别每种车道线信息的能力,而每种车道线信息的可能结果数量较少,因此,不易产生训练数据不平衡的情况。
本公开提供的车道线检测的方法,包括:获取车辆上的图像采集装置采集的图像;利用车道线识别模型识别图像,得到图像中至少一个感兴趣区域的多个车道线识别信息;根据各车道线识别信息确定图像的车道线识别结果。本公开提供的方法,将车道线信息拆分为多个独立的信息,网络可以分别学习识别每种车道线信息的能力,因此,在训练网络学习识别每种车道线信息时,不会存在类别不平衡的问题,那么利用该网络识别车道线时,识别结果也较为准确。
图3为本公开一示例性实施例示出的车道线检测的方法的流程示意图。
如图3所示,本公开提供的车道线检测的方法,包括:
步骤301,获取车辆上的图像采集装置采集的图像。
步骤301与步骤101的实现方式类似,不再赘述。
步骤302,利用图像识别模型中的特征提取层,提取图像的图像特征。
图4为本公开一示例性实施例示出的图像识别模型示意图。
如图4所示,图像识别模型中包括特征提取层41、感兴趣区域提取层42、多个全连接层43。
可选地,利用车道线识别模型对图像进行识别处理时,可以先利用特征提取层41对图像进行识别处理,得到图像的图像特征。比如,可以将图像输入特征提取层41,使得特征提取层41输出图像特征。
可选地,特征提取层可以是卷积网络,通过卷积处理能够得到图像的图像特征。可以通过网络训练的方式调整特征提取层中的网络参数,使得该特征提取层提取的图像特征是车道线的特征。
步骤303,利用感兴趣区域提取层对图像特征进行处理,识别图像中的至少一个感兴趣区域。
可选地,特征提取层41可以与感兴趣区域提取层42连接,特征提取层41可以将识别的图像特征输入到感兴趣区域提取层42,由感兴趣区域提取层42根据图像特征,识别图像中的至少一个感兴趣区域。
可选地,感兴趣区域是指可能包括车道线的区域,每个感兴趣区域内可以存在一个车道线实例。
可选地,感兴趣区域提取层42可以对图像特征进行处理,识别图像中哪个区域可能存在车道线,从而提取出多个感兴趣区域。
可选地,还可以预先设置或者通过训练调整感兴趣区域的尺寸,使得感兴趣区域提取层42能够根据该尺寸大小,提取感兴趣区域。
可选地,可以通过训练调整感兴趣区域提取层42内部的网络参数,使得感兴趣区域提取层42能够对图像特征进行识别处理,识别出图像中可能存在车道线的区域。
步骤304,利用多个全连接层,识别每个感兴趣区域中的多个车道线识别信息。
可选地,感兴趣区域提取层42与每个全连接层43分别连接,可以将提取的每个感兴趣区域传输到每个全连接层43中。
可选地,每个全连接层的功能不同,具体识别的车道线识别信息不同。比如,一个全连接层用于识别感兴趣区域中是否存在车道线,另一个全连接层用于识别感兴趣区域的车道线颜色信息、车道线线型信息。
可选地,针对每个感兴趣区域,多个全连接层可以分别输出该感兴趣区域不同的车道线识别信息。每个全连接层都是独立设置的,其仅负责识别一种车道线信息,因此,车道线识别信息的可能种类比较少,在对这种结构的网络进行训练时,训练数据不易产生类别失衡的问题。
这种实施方式中,通过多个全连接层识别图像的多个车道线信息,并非利用一个全连接层识别图像中全部的车道线信息,也就不会导致车道线类别数量过多,进而不会产生训练数据类别失衡,使训练的网络不准确的问题。
可选地,多个全连接层包括第一全连接层、第二全连接层、第三全连接层。在一种可选的实施方式中,可以设置三个全连接层,每个全连接层可以对同一个感兴趣区域进行识别处理,并输出不同的识别信息。
可选地,第一全连接层输出的第一识别信息是用于评价感兴趣区域中是否存在车道线的信息。将感兴趣区域输入第一全连接层后,该第一全连接层能够对感兴趣区域进行识别处理,输出该感兴趣区域中是否存在车道线的信息。
可选地,第一全连接层的第一识别信息共可以包括两个类别,一个类别用于表征有车道线,另一个类别用于表征没有车道线。第一全连接层可以输出的第一识别信息中可以包括这两个类别的分值,比如,类别为有车道线的分值为90,类别为没有车道线的分值为10,则可以认为该感兴趣区域中存在车道线。
可选地,输入到第一全连接层的感兴趣区域具体可以是提取的区域特征,该区域特征中可以包括车道线实例,也就是基于图像特征识别出的可能的车道线实例,第一全连接层可以识别车道线实例是否为车道线。
这种实施方式中,第一全连接层只需要识别感兴趣区域内是否存在车道线即可,因此,第一全连接层只需要识别输入数据分别属于两个类别的可能性,在训练第一全连接层时,不会存在类别不平衡的问题。
可选地,第二全连接层输出的第二识别信息是用于表征感兴趣区域中的车道线位置的信息。将感兴趣区域输入第二全连接层后,该第二全连接层能够对感兴趣区域进行识别处理,输出该感兴趣区域的车道线位置的信息。
可选地,车道线位置的信息可以是掩膜的形式,比如,第二全连接层能够输出维度为2*m*m的第二识别信息,一个尺寸为m*m的掩膜与感兴趣区域中存在车道线对应,另一个尺寸为m*m的掩膜与感兴趣区域中不存在车道线对应。
可选地,若通过第一全连接层确定感兴趣区域中存在车道线,则可以根据第二全连接层中与存在车道线对应的掩膜确定车道线位置。
可选地,输入到第二全连接层的感兴趣区域具体可以是提取的区域特征,该区域特征中可以包括车道线实例,也就是基于图像特征识别出的可能的车道线实例。第二全连接层可以识别车道线实例所在的像素点是否为车道线,进而生成掩膜。
这种实施方式中,第二全连接层只需要识别感兴趣区域内的一个位置是否为车道线所在的位置即可,因此,第二全连接层只需要识别输入数据分别属于两个类别的可能性,在训练第二全连接层时,不会存在类别不平衡的问题。
可选地,第三全连接层输出的第三识别信息是用于表征感兴趣区域的多个车道线属性信息。将感兴趣区域输入第三全连接层后,该第三全连接层能够对感兴趣区域进行识别处理,识别该感兴趣区域的多个车道线属性信息。
可选地,第三全连接层可以是多标签分类网络,其可以输出感兴趣区域的多个车道线属性信息,比如,可以输出车道线颜色,还可以输出车道线线型。
可选地,输入到第三全连接层的感兴趣区域具体可以是提取的区域特征,该区域特征中可以包括车道线实例,也就是基于图像特征识别出的可能的车道线实例。第三全连接层可以根据车道线实例,确定感兴趣区域的车道线颜色、线型等属性信息。该第三全连接层无需识别感兴趣区域内每个像素点的颜色、线型等信息,而是输出该感兴趣区域整体的多个车道线属性信息。
这种实施方式中,第三全连接层需要识别的是感兴趣区域整体的多个车道线属性信息,而不是逐个像素或卷积块的去识别,因此,识别速度更快。此外,这种实施方式中,可以采用多标签分类网络实现多个车道线属性信息的识别功能,每种类别的可能性数量较少,比如车道线的颜色属性包括白色和黄色,车道线的线型属性包括虚线和实线,即每种属性仅包括两种类别,相较于对各属性进行排列组合得到数量较多的类别来说,本方案中,类别数量较少,能够避免训练过程中存在的类别不平衡的问题。
步骤305,根据第一识别信息、第二识别信息,确定感兴趣区域中的车道线位置。
可选地,在利用各全连接层得到每个感兴趣区域的车道线识别信息之后,可以结合这些车道线识别信息确定车道线识别结果。
可选地,可以根据第一识别信息、第二识别信息,确定感兴趣区域中的车道线位置。第一识别信息用于评价感兴趣区域中是否存在车道线,第二识别信息用于输出车道线位置信息。
若第一识别信息表征感兴趣区域中存在车道线,则可以从第二识别信息中获取与存在车道线对应的掩膜,并根据该掩膜确定车道线位置。
可选地,若第一识别信息表征感兴趣区域中不存在车道线,则无需从第二识别信息中获取掩膜确定车道线位置。可以将车道线识别结果确定为不存在车道线。
可选地,第一识别信息中包括与存在车道线类别对应的第一分值,以及与不存在车道线类别对应的第二分值,第二识别信息中包括与存在车道线类别对应的第一掩膜,以及与不存在车道线类别对应的第二掩膜。
在确定感兴趣区域中的车道线位置时,车载设备可以根据第一识别信息中的第一分值、第二分值,确定感兴趣区域中是否存在车道线。
第一识别信息中包括两种类别的识别结果,可以直接根据这种类别的识别结果确定感兴趣区域中是否存在车道线。比如,若第一分值大于第二分值,或者第一分值大于预设值,则可以确定感兴趣区域中存在车道线。
若确定感兴趣区域中存在车道线,则根据第二识别信息中与存在车道线类别对应的第一掩膜确定感兴趣区域中的车道线位置。该第一掩膜中,结果为1的位置可以认为是车道线位置,结果为0的位置可以认为不是车道线位置,基于此,可以确定出车道线位置。
这种实施方式中,可以根据第一全连接层和第二全连接层输出的准确结果,在感兴趣区域中确定准确的车道线位置。
步骤306,根据第三识别信息确定感兴趣区域中的车道线属性。
可选地,若根据第一识别信息确定感兴趣区域中存在车道线,则还可以根据第三识别信息确定感兴趣区域中的车道线属性。比如,可以确定车道线的颜色、线型等信息。
可选地,可以将确定的车道线属性赋予步骤305中识别出的车道线,进而确定位于该车道线位置的车道线的属性。
这种实施方式中,由于对各全连接层进行训练时,不存在训练数据类别不均衡导致的训练结果不准确的问题,因此,在识别过程中各全连接层输出的识别结果可信度较高,那么车载设备可以结合各车道线识别信息得到准确的车道线识别结果。
可选地,第三识别信息中包括与多个线型对应的多个线型分值,以及与多个颜色对应的多个颜色分值。
可选地,第三全连接层可以输出多个车道线属性的识别信息,比如,可以输出多个线型的识别信息,具体可以是每个线型对应的线型分值。还可以输出多个颜色的识别信息,具体可以是与每个颜色对应的颜色分值。
可选地,车载设备可以根据各线型分值,确定感兴趣区域的车道线线型,比如实线分值更高,则可以确定感兴趣区域的车道线线型为实线。
可选地,车载设备可以根据各颜色分值,确定感兴趣区域的车道线颜色,比如白色分值更高,则可以确定感兴趣区域的车道线颜色为实线。
这种实施方式中,虽然第三全连接层能够识别多种车道线属性,但是,针对每种车道线属性的类别数量是较少的,比如针对车道线颜色,仅包括白色和黄色两种,再比如针对车道线线型,仅包括虚线和实线,因此,即使第三全连接层需要识别多种车道线属性,但是每种车道线属性所包括的类别数量依然较少,在训练过程中,不会存在训练数据类别不均衡,导致第三全连接层不准确的问题。
因此,第三全连接层输出的第三识别信息较为准确,可以基于该第三识别信息确定车道线属性,从而得到准确的车道线识别结果。
可选地,为了便于说明,本公开实施例提供的方法在涉及车道线属性时,用车道线颜色和线型进行举例说明,但是车道线属性还可以包括其他信息,比如单线或双线等,第三全连接层还可以识别其他的车道线属性。
步骤307,根据各感兴趣区域中的车道线位置、车道线属性,确定图像中的车道线识别结果。
可选地,车载设备可以根据各感兴趣区域中的车道线位置、车道线属性确定出每个感兴趣区域中的车道线,再根据各感兴趣区域中的车道线得到图像中的车道线识别结果。
可选地,可以对各感兴趣区域中的车道线进行拼接,得到至少一条完整的车道线。
步骤308,若车道线识别结果表征图像中存在车道线,则根据车道线的属性、位置,在图像中标注车道线。
可选地,确定出图像中的车道线之后,可以根据该车道线的属性、位置,在图像中标注车道线。比如,可以预先设置与各车道线属性对应的标注方式,比如,黄色的车道线用红色标注,白色的车道线用绿色标注,再比如实线车道线用实线标注,虚线车道线用虚线标注。
步骤309,显示标注车道线后的图像。
可选地,车载设备还可以显示标注车道线后的图像,比如,可以在车端的显示设备中显示该标注车道线后的图像。从而使用户能够了解车辆外部的道路环境。
步骤310,将标注有车道线的图像发送到服务器,标注有车道线的图像用于路径规划。
可选地,车载设备还可以将标注了车道线的图像发送给后台服务器,后台服务器可以根据接收的图像进行路径规划,还可以将路径规划结果反馈给车载设备,使得车载设备能够按照该路径规划行驶。
这种实施方式中,服务器可以基于车载设备识别的车道线为车辆规划路径,从而更精准的控制车端行驶。
图5为本公开一示例性实施例示出的车道线检测的装置的结构示意图。
如图5所示,本公开提供的车道线检测的装置500,包括:
获取单元510,用于获取车辆上的图像采集装置采集的图像;
识别单元520,用于利用车道线识别模型识别所述图像,得到所述图像中至少一个感兴趣区域的多个车道线识别信息;
确定单元530,用于根据各车道线识别信息确定所述图像的车道线识别结果。
本公开提供的车道线检测的装置,将车道线信息拆分为独立的信息,网络可以分别学习识别每种车道线信息的能力,因此,在训练网络学习识别每种车道线信息时,不会存在类别不平衡的问题,那么利用该网络识别车道线时,识别结果也较为准确。
本公开提供的车道线检测的装置与图1所示实施例类似,不再赘述。
图6为本公开另一示例性实施例示出的车道线检测的装置的结构示意图。
如图6所示,本公开提供的车道线检测的装置中,获取单元610与图5所示的获取单元510类似,识别单元620与图5所示的识别单元520类似,确定单元630与图5所示的确定单元530类似。
其中,所述车道线识别模型中包括特征提取层、感兴趣区域提取层、多个全连接层;
所述识别单元620,包括
第一识别模块621,用于利用所述特征提取层,提取所述图像的图像特征;
第二识别模块622,用于利用所述感兴趣区域提取层对所述图像特征进行处理,识别所述图像中的至少一个感兴趣区域;
第三识别模块623,用于利用所述多个全连接层,识别每个所述感兴趣区域中的多个车道线识别信息。
其中,所述多个全连接层包括第一全连接层、第二全连接层、第三全连接层;
其中,所述第一全连接层输出的第一识别信息是用于评价感兴趣区域中是否存在车道线的信息,所述第二全连接层输出的第二识别信息是用于表征所述感兴趣区域中的车道线位置的信息,所述第三全连接层输出的第三识别信息是用于表征所述感兴趣区域的多个车道线属性信息。
其中,所述车道线识别结果包括车道线位置、车道线属性;
所述确定单元630,包括:
位置确定模块631,用于根据所述第一识别信息、所述第二识别信息,确定所述感兴趣区域中的车道线位置;
属性确定模块632,用于根据所述第三识别信息确定所述感兴趣区域中的车道线属性;
结果确定模块633,用于根据各感兴趣区域中的车道线位置、车道线属性,确定所述图像中的车道线识别结果。
其中,所述第一识别信息中包括与存在车道线类别对应的第一分值,以及与不存在车道线类别对应的第二分值,所述第二识别信息中包括与存在车道线类别对应的第一掩膜,以及与不存在车道线类别对应的第二掩膜;
所述位置确定模块631具体用于:
根据所述第一识别信息中的第一分值、第二分值,确定所述感兴趣区域中是否存在车道线;
若确定所述感兴趣区域中存在车道线,则根据所述第二识别信息中与存在车道线类别对应的第一掩膜确定所述感兴趣区域中的车道线位置。
其中,所述第三识别信息中包括与多个线型对应的多个线型分值,以及与多个颜色对应的多个颜色分值;
所述属性确定模块632具体用于:
根据多个线型分值确定所述车道线的线型,根据多个颜色分值确定所述多个车道线的颜色;
根据所述车道线的线型、颜色确定所述车道线属性。
还包括标注单元640,用于:
若所述车道线识别结果表征所述图像中存在车道线,则根据所述车道线的属性、位置,在所述图像中标注所述车道线;
显示标注车道线后的图像。
还包括发送单元650,用于:
将标注有车道线的图像发送到服务器,标注有车道线的图像用于路径规划。
本公开提供一种车道线检测的方法、装置、设备、存储介质及程序产品,应用于人工智能领域中的计算机视觉技术、自动驾驶技术、深度学习技术,以解决利用现有技术中的网络对车道线进行识别存在识别准确度低的问题。
本公开的技术方案中,所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理,均符合相关法律法规的规定,且不违背公序良俗。
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。
根据本公开的实施例,本公开还提供了一种计算机程序产品,计算机程序产品包括:计算机程序,计算机程序存储在可读存储介质中,电子设备的至少一个处理器可以从可读存储介质读取计算机程序,至少一个处理器执行计算机程序使得电子设备执行上述任一实施例提供的方案。
图7示出了可以用来实施本公开的实施例的示例电子设备700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/或者要求的本公开的实现。
如图7所示,设备700包括计算单元701,其可以根据存储在只读存储器(ROM)702中的计算机程序或者从存储单元708加载到随机访问存储器(RAM)703中的计算机程序,来执行各种适当的动作和处理。在RAM 703中,还可存储设备700操作所需的各种程序和数据。计算单元701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。
设备700中的多个部件连接至I/O接口705,包括:输入单元706,例如键盘、鼠标等;输出单元707,例如各种类型的显示器、扬声器等;存储单元708,例如磁盘、光盘等;以及通信单元709,例如网卡、调制解调器、无线通信收发机等。通信单元709允许设备700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701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701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701执行上文所描述的各个方法和处理,例如车道线检测的方法。例如,在一些实施例中,车道线检测的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708。在一些实施例中,计算机程序的部分或者全部可以经由ROM 702和/或通信单元709而被载入和/或安装到设备700上。当计算机程序加载到RAM 703并由计算单元701执行时,可以执行上文描述的车道线检测的方法的一个或多个步骤。备选地,在其他实施例中,计算单元701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的方法。
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。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务("Virtual Private Server",或简称"VPS")中,存在的管理难度大,业务扩展性弱的缺陷。服务器也可以为分布式系统的服务器,或者是结合了区块链的服务器。
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,本发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公开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 (19)
1.一种车道线检测的方法,包括:
获取车辆上的图像采集装置采集的图像;
利用车道线识别模型识别所述图像,得到所述图像中至少一个感兴趣区域的多个车道线识别信息;
根据各车道线识别信息确定所述图像的车道线识别结果。
2.根据权利要求1所述的方法,其中,所述车道线识别模型中包括特征提取层、感兴趣区域提取层、多个全连接层;
所述利用车道线识别模型识别所述图像,得到所述图像中至少一个感兴趣区域的多个车道线识别信息,包括
利用所述特征提取层,提取所述图像的图像特征;
利用所述感兴趣区域提取层对所述图像特征进行处理,识别所述图像中的至少一个感兴趣区域;
利用所述多个全连接层,识别每个所述感兴趣区域中的多个车道线识别信息。
3.根据权利要求2所述的方法,其中,所述多个全连接层包括第一全连接层、第二全连接层、第三全连接层;
其中,所述第一全连接层输出的第一识别信息是用于评价感兴趣区域中是否存在车道线的信息,所述第二全连接层输出的第二识别信息是用于表征所述感兴趣区域中的车道线位置的信息,所述第三全连接层输出的第三识别信息是用于表征所述感兴趣区域的多个车道线属性信息。
4.根据权利要求3所述的方法,其中,所述车道线识别结果包括车道线位置、车道线属性;
所述根据各车道线识别信息确定车道线识别结果,包括:
根据所述第一识别信息、所述第二识别信息,确定所述感兴趣区域中的车道线位置;
根据所述第三识别信息确定所述感兴趣区域中的车道线属性;
根据各感兴趣区域中的车道线位置、车道线属性,确定所述图像中的车道线识别结果。
5.根据权利要求4所述的方法,其中,所述第一识别信息中包括与存在车道线类别对应的第一分值,以及与不存在车道线类别对应的第二分值,所述第二识别信息中包括与存在车道线类别对应的第一掩膜,以及与不存在车道线类别对应的第二掩膜;
所述根据所述第一识别信息、所述第二识别信息,确定所述感兴趣区域中的车道线位置,包括:
根据所述第一识别信息中的第一分值、第二分值,确定所述感兴趣区域中是否存在车道线;
若确定所述感兴趣区域中存在车道线,则根据所述第二识别信息中与存在车道线类别对应的第一掩膜确定所述感兴趣区域中的车道线位置。
6.根据权利要求4所述的方法,其中,所述第三识别信息中包括与多个线型对应的多个线型分值,以及与多个颜色对应的多个颜色分值;
所述根据所述第三识别信息确定所述感兴趣区域中的车道线属性,包括:
根据多个线型分值确定所述车道线的线型,根据多个颜色分值确定所述多个车道线的颜色;
根据所述车道线的线型、颜色确定所述车道线属性。
7.根据权利要求1-6任一项所述的方法,还包括:
若所述车道线识别结果表征所述图像中存在车道线,则根据所述车道线的属性、位置,在所述图像中标注所述车道线;
显示标注车道线后的图像。
8.根据权利要求7所述的方法,还包括:
将标注有车道线的图像发送到服务器,标注有车道线的图像用于路径规划。
9.一种车道线检测的装置,包括:
获取单元,用于获取车辆上的图像采集装置采集的图像;
识别单元,用于利用车道线识别模型识别所述图像,得到所述图像中至少一个感兴趣区域的多个车道线识别信息;
确定单元,用于根据各车道线识别信息确定所述图像的车道线识别结果。
10.根据权利要求9所述的装置,其中,所述车道线识别模型中包括特征提取层、感兴趣区域提取层、多个全连接层;
所述识别单元,包括
第一识别模块,用于利用所述特征提取层,提取所述图像的图像特征;
第二识别模块,用于利用所述感兴趣区域提取层对所述图像特征进行处理,识别所述图像中的至少一个感兴趣区域;
第三识别模块,用于利用所述多个全连接层,识别每个所述感兴趣区域中的多个车道线识别信息。
11.根据权利要求10所述的装置,其中,所述多个全连接层包括第一全连接层、第二全连接层、第三全连接层;
其中,所述第一全连接层输出的第一识别信息是用于评价感兴趣区域中是否存在车道线的信息,所述第二全连接层输出的第二识别信息是用于表征所述感兴趣区域中的车道线位置的信息,所述第三全连接层输出的第三识别信息是用于表征所述感兴趣区域的多个车道线属性信息。
12.根据权利要求11所述的装置,其中,所述车道线识别结果包括车道线位置、车道线属性;
所述确定单元,包括:
位置确定模块,用于根据所述第一识别信息、所述第二识别信息,确定所述感兴趣区域中的车道线位置;
属性确定模块,用于根据所述第三识别信息确定所述感兴趣区域中的车道线属性;
结果确定模块,用于根据各感兴趣区域中的车道线位置、车道线属性,确定所述图像中的车道线识别结果。
13.根据权利要求12所述的装置,其中,所述第一识别信息中包括与存在车道线类别对应的第一分值,以及与不存在车道线类别对应的第二分值,所述第二识别信息中包括与存在车道线类别对应的第一掩膜,以及与不存在车道线类别对应的第二掩膜;
所述位置确定模块具体用于:
根据所述第一识别信息中的第一分值、第二分值,确定所述感兴趣区域中是否存在车道线;
若确定所述感兴趣区域中存在车道线,则根据所述第二识别信息中与存在车道线类别对应的第一掩膜确定所述感兴趣区域中的车道线位置。
14.根据权利要求12所述的装置,其中,所述第三识别信息中包括与多个线型对应的多个线型分值,以及与多个颜色对应的多个颜色分值;
所述属性确定模块具体用于:
根据多个线型分值确定所述车道线的线型,根据多个颜色分值确定所述多个车道线的颜色;
根据所述车道线的线型、颜色确定所述车道线属性。
15.根据权利要求9-14任一项所述的装置,还包括标注单元,用于:
若所述车道线识别结果表征所述图像中存在车道线,则根据所述车道线的属性、位置,在所述图像中标注所述车道线;
显示标注车道线后的图像。
16.根据权利要求15所述的装置,还包括发送单元,用于:
将标注有车道线的图像发送到服务器,标注有车道线的图像用于路径规划。
17.一种电子设备,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1-8中任一项所述的方法。
18.一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行根据权利要求1-8中任一项所述的方法。
19.一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现权利要求1-8中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111077949.8A CN113807236B (zh) | 2021-09-15 | 2021-09-15 | 车道线检测的方法、装置、设备、存储介质及程序产品 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111077949.8A CN113807236B (zh) | 2021-09-15 | 2021-09-15 | 车道线检测的方法、装置、设备、存储介质及程序产品 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113807236A true CN113807236A (zh) | 2021-12-17 |
CN113807236B CN113807236B (zh) | 2024-05-17 |
Family
ID=78940923
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111077949.8A Active CN113807236B (zh) | 2021-09-15 | 2021-09-15 | 车道线检测的方法、装置、设备、存储介质及程序产品 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113807236B (zh) |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9286524B1 (en) * | 2015-04-15 | 2016-03-15 | Toyota Motor Engineering & Manufacturing North America, Inc. | Multi-task deep convolutional neural networks for efficient and robust traffic lane detection |
KR20180048407A (ko) * | 2016-10-31 | 2018-05-10 | 삼성전자주식회사 | 차선 검출 장치 및 방법 |
US20190095706A1 (en) * | 2017-09-22 | 2019-03-28 | Aisin Seiki Kabushiki Kaisha | Image processing device and program |
CN109901574A (zh) * | 2019-01-28 | 2019-06-18 | 华为技术有限公司 | 自动驾驶方法及装置 |
CN109977812A (zh) * | 2019-03-12 | 2019-07-05 | 南京邮电大学 | 一种基于深度学习的车载视频目标检测方法 |
CN110796084A (zh) * | 2019-10-29 | 2020-02-14 | 华人运通(上海)自动驾驶科技有限公司 | 车道线识别方法、装置、设备和计算机可读存储介质 |
CN111754481A (zh) * | 2020-06-23 | 2020-10-09 | 北京百度网讯科技有限公司 | 眼底图像识别方法、装置、设备以及存储介质 |
CN112883962A (zh) * | 2021-01-29 | 2021-06-01 | 北京百度网讯科技有限公司 | 眼底图像识别方法、装置、设备、存储介质以及程序产品 |
CN112949493A (zh) * | 2021-03-03 | 2021-06-11 | 深圳瑞为智能科技有限公司 | 一种结合语义分割和注意力机制的车道线检测方法及系统 |
CN113095164A (zh) * | 2021-03-22 | 2021-07-09 | 西北工业大学 | 基于强化学习和标志点表征的车道线检测定位方法 |
CN113128303A (zh) * | 2019-12-31 | 2021-07-16 | 华为技术有限公司 | 一种自动驾驶方法、相关设备及计算机可读存储介质 |
CN113392793A (zh) * | 2021-06-28 | 2021-09-14 | 北京百度网讯科技有限公司 | 用于识别车道线的方法、装置、设备、存储介质以及无人车 |
-
2021
- 2021-09-15 CN CN202111077949.8A patent/CN113807236B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9286524B1 (en) * | 2015-04-15 | 2016-03-15 | Toyota Motor Engineering & Manufacturing North America, Inc. | Multi-task deep convolutional neural networks for efficient and robust traffic lane detection |
KR20180048407A (ko) * | 2016-10-31 | 2018-05-10 | 삼성전자주식회사 | 차선 검출 장치 및 방법 |
US20190095706A1 (en) * | 2017-09-22 | 2019-03-28 | Aisin Seiki Kabushiki Kaisha | Image processing device and program |
CN109901574A (zh) * | 2019-01-28 | 2019-06-18 | 华为技术有限公司 | 自动驾驶方法及装置 |
CN109977812A (zh) * | 2019-03-12 | 2019-07-05 | 南京邮电大学 | 一种基于深度学习的车载视频目标检测方法 |
CN110796084A (zh) * | 2019-10-29 | 2020-02-14 | 华人运通(上海)自动驾驶科技有限公司 | 车道线识别方法、装置、设备和计算机可读存储介质 |
CN113128303A (zh) * | 2019-12-31 | 2021-07-16 | 华为技术有限公司 | 一种自动驾驶方法、相关设备及计算机可读存储介质 |
CN111754481A (zh) * | 2020-06-23 | 2020-10-09 | 北京百度网讯科技有限公司 | 眼底图像识别方法、装置、设备以及存储介质 |
CN112883962A (zh) * | 2021-01-29 | 2021-06-01 | 北京百度网讯科技有限公司 | 眼底图像识别方法、装置、设备、存储介质以及程序产品 |
CN112949493A (zh) * | 2021-03-03 | 2021-06-11 | 深圳瑞为智能科技有限公司 | 一种结合语义分割和注意力机制的车道线检测方法及系统 |
CN113095164A (zh) * | 2021-03-22 | 2021-07-09 | 西北工业大学 | 基于强化学习和标志点表征的车道线检测定位方法 |
CN113392793A (zh) * | 2021-06-28 | 2021-09-14 | 北京百度网讯科技有限公司 | 用于识别车道线的方法、装置、设备、存储介质以及无人车 |
Non-Patent Citations (1)
Title |
---|
马超;: "融合卷积神经网络和循环神经网络的车轮目标检测", 测绘通报, no. 08, 25 August 2020 (2020-08-25) * |
Also Published As
Publication number | Publication date |
---|---|
CN113807236B (zh) | 2024-05-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113378833B (zh) | 图像识别模型训练方法、图像识别方法、装置及电子设备 | |
CN112633276B (zh) | 训练方法、识别方法、装置、设备、介质 | |
CN113191256A (zh) | 车道线检测模型的训练方法、装置、电子设备及存储介质 | |
CN113780098B (zh) | 文字识别方法、装置、电子设备以及存储介质 | |
CN113205041B (zh) | 结构化信息提取方法、装置、设备和存储介质 | |
CN113963186A (zh) | 目标检测模型的训练方法、目标检测方法及相关装置 | |
CN111275011A (zh) | 移动红绿灯检测方法、装置、电子设备和存储介质 | |
CN115410173B (zh) | 多模态融合的高精地图要素识别方法、装置、设备及介质 | |
CN114490998A (zh) | 文本信息的抽取方法、装置、电子设备和存储介质 | |
CN113378836A (zh) | 图像识别方法、装置、设备、介质及程序产品 | |
CN113591569A (zh) | 障碍物检测方法、装置、电子设备以及存储介质 | |
CN113989300A (zh) | 车道线分割的方法、装置、电子设备和存储介质 | |
CN113963011A (zh) | 图像识别方法、装置、电子设备及存储介质 | |
CN114724113B (zh) | 道路标牌识别方法、自动驾驶方法、装置和设备 | |
CN115457329B (zh) | 图像分类模型的训练方法、图像分类方法和装置 | |
CN113344121B (zh) | 训练招牌分类模型和招牌分类的方法 | |
CN113033431B (zh) | 光学字符识别模型训练和识别方法、装置、设备及介质 | |
CN114429631B (zh) | 三维对象检测方法、装置、设备以及存储介质 | |
CN115761698A (zh) | 一种目标检测方法、装置、设备及存储介质 | |
CN112818972B (zh) | 兴趣点图像的检测方法、装置、电子设备及存储介质 | |
CN113807236B (zh) | 车道线检测的方法、装置、设备、存储介质及程序产品 | |
CN115601620A (zh) | 特征融合方法、装置、电子设备及计算机可读存储介质 | |
CN114330543A (zh) | 模型训练方法、装置、设备、介质及程序产品 | |
CN114612725A (zh) | 图像处理方法、装置、设备及存储介质 | |
CN113936158A (zh) | 一种标签匹配方法及装置 |
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 |