CN113888568A - 多车道线优化方法、装置、电子设备、存储介质及程序 - Google Patents
多车道线优化方法、装置、电子设备、存储介质及程序 Download PDFInfo
- Publication number
- CN113888568A CN113888568A CN202111017281.8A CN202111017281A CN113888568A CN 113888568 A CN113888568 A CN 113888568A CN 202111017281 A CN202111017281 A CN 202111017281A CN 113888568 A CN113888568 A CN 113888568A
- Authority
- CN
- China
- Prior art keywords
- lane line
- lane
- data set
- lane lines
- curve equations
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 71
- 238000005457 optimization Methods 0.000 title claims abstract description 41
- 238000001514 detection method Methods 0.000 claims abstract description 26
- 239000011159 matrix material Substances 0.000 claims description 124
- 230000001419 dependent effect Effects 0.000 claims description 56
- 238000004590 computer program Methods 0.000 claims description 17
- 238000000605 extraction Methods 0.000 claims description 17
- 230000009466 transformation Effects 0.000 claims description 12
- 230000008859 change Effects 0.000 claims description 10
- 238000005286 illumination Methods 0.000 claims description 6
- 238000013135 deep learning Methods 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 abstract description 8
- 238000004891 communication Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 235000004522 Pentaglottis sempervirens Nutrition 0.000 description 3
- 240000004050 Pentaglottis sempervirens Species 0.000 description 2
- 238000003708 edge detection Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Algebra (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Operations Research (AREA)
- Traffic Control Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种多车道线优化方法、装置、电子设备、存储介质及程序产品,该方法包括:获取道路图像;对所述道路图像进行车道线检测,生成车道线数据集合;其中,所述车道线数据集合包括多条车道线的离散点数据;基于车道线平行约束,构建所述多条车道线对应的曲线方程;根据所车道线数据集合以及所述多条车道线对应的曲线方程,基于最小二乘法,获取所述多条车道线对应的目标曲线方程。本发明基于车道线平行约束,构建多条车道线对应的曲线方程,极大地减少了多条车道线拟合过程中的计算量;基于最小二乘法,获取多条车道线对应的目标曲线方程,使得拟合得到的车道线曲线方程与实际车道线整体偏差较小,拟合结果更加精确。
Description
技术领域
本发明涉及智能辅助驾驶和图像处理技术领域,具体涉及一种多车道线优化方法、装置、电子设备、存储介质及程序产品。
背景技术
在车辆行驶过程中,为了更好的了解并预测周围的环境信息,对车道线的曲线拟合是必要的。将采集来的车道线数据进行曲线拟合可以很好的估计车道线的参数信息,得知偏移量、倾斜角、曲率半径等信息,从而预测车道线的走向,为驾驶员或车辆自动控制系统提供帮助。
现有的主流车道线拟合方案是将采集的车道线数据投影到鸟瞰图后分别对多条车道线进行拟合求得目标曲线方程,该拟合过程计算量较大,且拟合得到的多条曲线方程与实际车道线总体累计偏差较大。
因此,亟待出现一种能够克服上述缺陷的车道线优化方法。
发明内容
本发明提供一种多车道线优化方法、装置、电子设备、存储介质及程序产品,用于克服现有技术中车道线拟合过程计算量较大,且拟合得到的多条曲线方程与实际车道线总体累计偏差较大的缺陷。
本发明提供一种多车道线优化方法,包括:
获取道路图像;
对所述道路图像进行车道线检测,生成车道线数据集合;其中,所述车道线数据集合包括多条车道线的离散点数据;
基于车道线平行约束,构建所述多条车道线对应的曲线方程;
根据所车道线数据集合以及所述多条车道线对应的曲线方程,基于最小二乘法,获取所述多条车道线对应的目标曲线方程。
根据本发明提供的多车道线优化方法,所述基于车道线平行约束,构建所述多条车道线对应的曲线方程,包括:
构建所述多条车道线对应的多次曲线方程;其中,所述多条车道线对应的多次曲线方程的多次项系数相同,所述多条车道线对应的多次曲线方程的常数项不同。
根据本发明提供的多车道线优化方法,所述根据所车道线数据集合以及所述多条车道线对应的曲线方程,基于最小二乘法,获取所述多条车道线对应的目标曲线方程,包括:
根据所述多条车道线对应的曲线方程构建自变量矩阵、系数矩阵以及因变量矩阵;其中,所述因变量矩阵为所述自变量矩阵与所述系数矩阵的乘积;
根据所述车道线数据集合中离散点对应的坐标以及所述自变量矩阵、系数矩阵、因变量矩阵确定所述多条车道线对应的目标曲线方程。
根据本发明提供的多车道线优化方法,所述根据所述车道线数据集合中离散点对应的坐标以及所述自变量矩阵、系数矩阵、因变量矩阵确定所述多条车道线对应的目标曲线方程,包括:
根据所述车道线数据集合中离散点对应的自变量坐标以及所述自变量矩阵、系数矩阵,得到所述因变量矩阵的估计值;
根据所述因变量矩阵的估计值以及所述车道线数据集合中离散点自变量坐标对应的因变量坐标,获取所述因变量矩阵的估计值均方误差;
以所述估计值均方误差为优化目标,确定目标系数矩阵。
根据本发明提供的多车道线优化方法,所述对所述道路图像进行车道线检测,生成车道线数据集合;所述车道线数据集包括多条车道线的离散点数据,包括:
将所述道路图像输入车道线提取模型,提取出二维车道线;其中,所述车道线提取模型是车道线检测算法模型或预先训练好的基于深度学习的车道线检测模型;
对所述二维车道线进行单应性变换得到三维的所述车道线数据集合。
根据本发明提供的多车道线优化方法,所述获取道路图像之前,还包括:
采集原始道路图像;
对所述原始道路图像进行预处理,得到所述道路图像;所述预处理至少包括下列之一:灰度转化,光照变化,裁剪,旋转。
本发明还提供一种多车道线优化装置,包括:
获取模块,用于获取道路图像;
提取模块,对所述道路图像进行车道线检测,生成车道线数据集合;其中,所述车道线数据集合包括多条车道线的离散点数据;
构建模块,用于基于车道线平行约束,构建所述多条车道线对应的曲线方程;
生成模块,用于根据所车道线数据集合以及所述多条车道线对应的曲线方程,基于最小二乘法,获取所述多条车道线对应的目标曲线方程。
本发明还提供一种电子设备,包括存储器、处理器及存储在存储器上并可在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,实现如上任一项所述多车道线优化方法的全部或部分步骤。
本发明还提供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,该计算机程序被处理器执行时实现如上任一项所述多车道线优化方法的全部或部分步骤。
本发明还提供一种计算机程序产品,包括计算机程序,其特征在于,所述计算机程序被处理器执行时实现如上任一项所述多车道线优化方法的全部或部分步骤。
本实施例中对所述道路图像进行车道线检测,生成车道线数据集合,采集到了车道线样本数据;基于车道线平行约束,构建多条车道线对应的曲线方程,减少了曲线方程中初始未知参数的个数及复杂度,极大地减少了多条车道线拟合过程中的计算量;根据所车道线数据集合以及多条车道线对应的曲线方程,基于最小二乘法,获取所述多条车道线对应的目标曲线方程,使得拟合得到的车道线曲线方程与实际车道线整体偏差较小,拟合结果更加精确。
附图说明
图1是本发明提供的一种多车道线优化方法的流程示意图;
图2是本发明提供的一种多车道线优化装置的结构示意图;
图3是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明中的附图,对本发明的技术方案进行清除完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
以下结合附图1-3详细描述本发明提供的多车道线优化方法、装置、电子设备、存储介质及程序产品。
本发明提供一种多车道线优化方法,图1是本发明提供的一种多车道线优化方法的流程示意图,如图1所示,该方法包括:
S11、获取道路图像;
具体地,行车中需要获取道路图像作为生成车道线的依据。道路图像可以是前向道路图像,用于生成前向车道线,也可以是后向道路图像,用于生成后向车道线。道路图像可以通过车载相机获取,车载相机可采用单目摄像机,车载相机安装于所需位置,如车辆前端、车辆尾端。
S12、对所述道路图像进行车道线检测,生成车道线数据集合;其中,所述车道线数据集合包括多条车道线的离散点数据;
具体地,利用车道线检测算法(如边缘检测滤波、霍夫变换、RANSAC等算法)或经过训练的车道线检测模型从道路图像中检测出车道线,并获得车道线像素点坐标,再通过坐标变换得的相机坐标系下的多条车道线的离散点数据,相机坐标系可按相机安装位置及检测需求设置,如设置为车辆前方为Z轴,右方为X轴,下方为Y轴,多条车道线的离散点数据可以是鸟瞰图(对应上述举例的相机坐标系的ZX平面)下的二维离散点数据,还可以是相机坐标系下三维的离散点数据,其中,第三维为高度数据(对应上述举例的相机坐标系的Y坐标)。
S13、基于车道线平行约束,构建所述多条车道线对应的曲线方程;
具体地,在拟合曲线时需要选择车道线的曲线方程模型,曲线方程的类型根据系统资源及精度需求进行设置,例如可以选择样条线模型、一次函数模型、多次函数模型等。对于多条车道线,基于多条车道线宽度相等,车道线之间互相平行的先验知识,对构建的多条车道线的曲线方程的初始参数进行约束,车道线之间互相平行意味着曲线方程的变化趋势(即导数)存在关联关系。基于车道线平行约束,可以有效减少多条车道线对应的曲线方程中初始未知参数的个数及复杂度。
S14、根据所车道线数据集合以及所述多条车道线对应的曲线方程,基于最小二乘法,获取所述多条车道线对应的目标曲线方程。
具体地,以车道线数据集合中多条车道线的离散点数据中的全部或部分数据作为样本数据,利用构建的多条车道线对应的曲线方程进行曲线拟合,求取曲线方程的估计值与样本数据的整体偏差最小的曲线方程即为目标曲线方程。
本实施例中对所述道路图像进行车道线检测,生成车道线数据集合,采集到了车道线样本数据;基于车道线平行约束,构建多条车道线对应的曲线方程,减少了曲线方程中初始未知参数的个数及复杂度,极大地减少了多条车道线拟合过程中的计算量;根据所车道线数据集合以及多条车道线对应的曲线方程,基于最小二乘法,获取多条车道线对应的目标曲线方程,使得拟合得到的车道线曲线方程与实际车道线整体偏差较小,拟合结果更加精确。
基于上述实施例,在一个实施例中,所述基于车道线平行约束,构建所述多条车道线对应的曲线方程,包括:构建所述多条车道线对应的多次曲线方程;其中,所述多条车道线对应的多次曲线方程的多次项系数相同,所述多条车道线对应的多次曲线方程的常数项不同。
具体地,本实施例中曲线方程选为多次曲线方程,在以车辆正前方为自变量坐标轴,以车辆右方/左方为因变量坐标轴的相机坐标系中,车道线平行即意味着多次曲线方程的多次项系数相同,多次曲线方程的常数项不同。例如:
第1条车道线的曲线方程为:a2z1j 2+a1z1j+c1=x1j;
第2条车道线的曲线方程为:a2z2j 2+a1z2j+c2=x2j;
……
第i条车道线的曲线方程为:a2zij 2+a1zij+ci=xij。
其中,zij为第i条车道线上第j个点的自变量坐标,xij为第i条车道线上第j个点的因变量坐标,ci为第i条车道线的常数项,a2为各车道线曲线方程的二次项系数,a1为各车道线曲线方程的一次项系数。各车道线曲线方程的二次项、一次项相同,即各车道线平行;各车道线曲线方程的常数项不同,常数项的差值即为车道线之间的间距。
需要说明的是,现有技术中车道线拟合中比较重要的是鸟瞰图中的车道线曲线,即俯视图二维平面内的车道线拟合。本发明的方法可以用于获取二维平面下的多条车道线对应的曲线方程,还可以结合在获得二维平面下的多条车道线对应的曲线方程后,进一步结合车道线数据集合中的第三维数据拟合三维车道线的曲线方程。
本实施例中,构建多条车道线对应的曲线方程为多次曲线方程,方便简洁地对车道线平行进行了约束,极大地减少了后续拟合过程中的计算量。
基于上述任一实施例,在一个实施例中,所述根据所车道线数据集合以及所述多条车道线对应的曲线方程,基于最小二乘法,获取所述多条车道线对应的目标曲线方程,包括:
根据所述多条车道线对应的曲线方程构建自变量矩阵、系数矩阵以及因变量矩阵;其中,所述因变量矩阵为所述系数矩阵与所述自变量矩阵的乘积;
根据所述车道线数据集合中离散点对应的坐标以及所述自变量矩阵、系数矩阵、因变量矩阵确定所述多条车道线对应的目标曲线方程。
具体地,根据多条车道线对应的曲线方程构建自变量矩阵、系数矩阵以及因变量矩阵。其中,自变量矩阵由多个曲线方程上对应一系列自变量坐标的直接相关项构成,系数矩阵由多个曲线方程上对应一系列自变量坐标的直接相关项的系数构成,因变量矩阵由多个曲线方程上一系列自变量坐标对应的因变量坐标构成。
例如,有n条车道线,车道线对应的曲线方程为t次曲线,t为曲线方程的最高次数,第i条车道线的曲线方程为:
atzij t+at-1zij t-1+……+a2zij 2+a1zij+ci=xij;
其中,zij为第i条车道线上第j个点的自变量坐标,xij为第i条车道线上第j个点的因变量坐标,at~a1为第i条车道线曲线方程的各多次项系数,ci为第i条车道线曲线方程的常数项。
每条车道线的曲线方程上取m个点构建矩阵,相应地:
构建自变量矩阵如下:
构建系数矩阵如下:
构建因变量矩阵如下:
根据车道线的曲线方程则有:
ZA=X;
在构建自变量矩阵、系数矩阵以及因变量矩阵后,结合车道线数据集中的离散点样本数据,基于最小二乘法可确定多条车道线对应的曲线方程的整体偏差,根据最小整体偏差即可确定最优的目标系数矩阵A,从而确定目标曲线方程。
本实施例中根据多条车道线对应的曲线方程构建自变量矩阵、系数矩阵以及因变量矩阵,便于结合车道线数据确定目标系数矩阵,方便系统进行数据处理,同时可以适应车道线数量变化,采样点数量变化,扩展性和灵活性较强。
基于上述任一实施例,在一个实施例中,所述根据所述车道线数据集合中离散点对应的坐标以及所述自变量矩阵、系数矩阵、因变量矩阵确定所述多条车道线对应的目标曲线方程,包括:
根据所述车道线数据集合中离散点对应的自变量坐标以及所述自变量矩阵、系数矩阵,得到所述因变量矩阵的估计值;
根据所述因变量矩阵的估计值以及所述车道线数据集合中离散点自变量坐标对应的因变量坐标,获取所述因变量矩阵的估计值均方误差;
以所述估计值均方误差为优化目标,确定目标系数矩阵。
具体地,根据所述车道线数据集合中离散点对应的自变量坐标以及所述自变量矩阵、系数矩阵,得到所述因变量矩阵的估计值,即,根据:ZA=X,(其中Z为自变量矩阵,A为系数矩阵,X为因变量矩阵),将车道线数据集合中离散点对应的自变量坐标代入上式自变量矩阵X中,得到因变量矩阵X的估计值:
然后,将车道线数据集合中离散点自变量坐标对应的因变量坐标代入因变量矩阵X中,获取因变量矩阵的估计值均方误差:
因变量矩阵的估计值均方误差后,估计值均方误差为优化目标,确定目标系数矩阵,即,确定最小均方误差对应的系数矩阵A为目标系数矩阵,在确定目标系数矩阵后,将目标系数矩阵中的自变量坐标的直接相关项的系数应用于构建的多条车道线曲线方程中,即可得到多条车道线对应的目标曲线方程。
本实施例中根据车道线数据集合中离散点对应的自变量坐标以及自变量矩阵、系数矩阵,得到了因变量矩阵的估计值;进而结合车道线数据集合中离散点自变量坐标对应的因变量坐标,得到因变量矩阵的估计值均方误差,对多条车道线的曲线方程与实际车道线之间的整体偏差进行了衡量;以估计值均方误差为优化目标,得到了目标系数矩阵,进而得到了整体偏差较小的目标曲线方程,对车道线进行了高效,准确地拟合。
基于上述任一实施例,在一个实施例中,目标系数矩阵通过如下公式获取:
本实施例中,根据目标系数矩阵公式可以便捷高效地获取目标系数矩阵,确定多车道线的曲线方程。
基于上述任一实施例,在一个实施例中,所述对所述道路图像进行车道线检测,生成车道线数据集合;所述车道线数据集包括多条车道线的离散点数据,包括:将所述道路图像输入车道线提取模型,提取出二维车道线;其中,所述车道线提取模型是车道线检测算法模型或预先训练好的基于深度学习的车道线检测模型;对所述二维车道线进行单应性变换得到三维的所述车道线数据集合。
具体地,车道线提取模型可以是车道线检测算法,如边缘检测滤波、霍夫变换、RANSAC等算法,还可以是预先训练好的基于深度学习的车道线检测模型,用于提取图像坐标系下的二维车道线数据;在提取出二维车道线后,进行单应性变换,如homography变换,将图像坐标系下的二维车道线数据转换为相机坐标系下的三维的车道线数据。需要说明的是,在车道线拟合中如果需要对平面内的二维车道线拟合,则只需去掉相机坐标系下的三维的车道线数据中不需要的维度数据即可。
本实施例中将道路图像输入车道线提取模型,提取出二维车道线;对二维车道线进行单应性变换得到三维的车道线数据集合,为获取多车道线的目标曲线方程提供数据支持。
基于上述任一实施例,在一个实施例中,所述获取道路图像之前,还包括:采集原始道路图像;对所述原始道路图像进行预处理,得到所述道路图像;所述预处理至少包括下列之一:灰度转化,光照变化,裁剪,旋转。
具体地,灰度变换是指根据目标条件按一定变换关系逐点改变源原始道路图像中每一个像素灰度值;光照变化,是指改变原始道路图像的光照度;裁剪,是指改变原始道路图像的尺寸或获取图像中的目标区域;旋转,是指改变原始道路图像角度。
本实施例中,通过对原始道路进行预处理,改善画质,增强了图像特征,减小了数据处理量,使得获取到的多条车道线的目标曲线方程更加精确。
本发明还提供一种多车道线优化装置,所述装置可以理解为执行上述多车道线优化方法的装置,二者工作原理一致,可以相互参照,此处不作赘述。
本发明还提供一种多车道线优化装置,图2是本发明提供的一种多车道线优化装置的结构示意图,如图2所示,所述装置包括:
获取模块21,用于获取道路图像;
提取模块22,对所述道路图像进行车道线检测,生成车道线数据集合;其中,所述车道线数据集合包括多条车道线的离散点数据;
构建模块23,用于基于车道线平行约束,构建所述多条车道线对应的曲线方程;
生成模块24,用于根据所车道线数据集合以及所述多条车道线对应的曲线方程,基于最小二乘法,获取所述多条车道线对应的目标曲线方程。
本实施例中对所述道路图像进行车道线检测,生成车道线数据集合,采集到了车道线样本数据;基于车道线平行约束,构建多条车道线对应的曲线方程,减少了曲线方程中初始未知参数的个数及复杂度,极大地减少了多条车道线拟合过程中的计算量;根据所车道线数据集合以及多条车道线对应的曲线方程,基于最小二乘法,获取所述多条车道线对应的目标曲线方程,使得拟合得到的车道线曲线方程与实际车道线整体偏差较小,拟合结果更加精确。
基于上述实施例,在一个实施例中,所述构建模块23,具体用于构建所述多条车道线对应的多次曲线方程;其中,所述多条车道线对应的多次曲线方程的多次项系数相同,所述多条车道线对应的多次曲线方程的常数项不同。
本实施例中,构建多条车道线对应的曲线方程为多次曲线方程,方便简洁地对车道线平行进行了约束,极大地减少了后续拟合过程中的计算量。
基于上述实施例,在一个实施例中,所述生成模块24,包括:
第一生成单元,用于根据所述多条车道线对应的曲线方程构建自变量矩阵、系数矩阵以及因变量矩阵;其中,所述因变量矩阵为所述自变量矩阵与所述系数矩阵的乘积;
第二生成单元,用于根据所述车道线数据集合中离散点对应的坐标以及所述自变量矩阵、系数矩阵、因变量矩阵确定所述多条车道线对应的目标曲线方程。
本实施例中根据多条车道线对应的曲线方程构建自变量矩阵、系数矩阵以及因变量矩阵,便于结合车道线数据确定目标系数矩阵,方便系统进行数据处理,同时可以适应车道线数量变化,采样点数量变化,扩展性和灵活性较强。
基于上述实施例,在一个实施例中,所述第二生成单元,包括:
第一子单元,用于根据所述车道线数据集合中离散点对应的自变量坐标以及所述自变量矩阵、系数矩阵,得到所述因变量矩阵的估计值;
第二子单元,用于根据所述因变量矩阵的估计值以及所述车道线数据集合中离散点自变量坐标对应的因变量坐标,获取所述因变量矩阵的估计值均方误差;
第三子单元,用于以所述估计值均方误差为优化目标,确定目标系数矩阵。
本实施例中根据车道线数据集合中离散点对应的自变量坐标以及自变量矩阵、系数矩阵,得到了因变量矩阵的估计值;进而结合车道线数据集合中离散点自变量坐标对应的因变量坐标,得到因变量矩阵的估计值均方误差,对多条车道线的曲线方程与实际车道线之间的整体偏差进行了衡量;以估计值均方误差为优化目标,得到了目标系数矩阵,进而得到了整体偏差较小的目标曲线方程,对车道线进行了高效,准确地拟合。
基于上述实施例,在一个实施例中,所述提取模块22,包括:
第一提取单元,用于将所述道路图像输入车道线提取模型,提取出二维车道线;其中,所述车道线提取模型是车道线检测算法模型或预先训练好的基于深度学习的车道线检测模型;
第一提取单元,用于对所述二维车道线进行单应性变换得到三维的所述车道线数据集合。
本实施例中将道路图像输入车道线提取模型,提取出二维车道线;对二维车道线进行单应性变换得到三维的车道线数据集合,为获取多车道线的目标曲线方程提供数据支持。
基于上述实施例,在一个实施例中,所述装置还包括:
采集模块,用于采集原始道路图像;
预处理模块,用于对所述原始道路图像进行预处理,得到所述道路图像;所述预处理至少包括下列之一:灰度转化,光照变化,裁剪,旋转。
本实施例中,通过对原始道路进行预处理,改善画质,增强了图像特征,减小了数据处理量,使得获取到的多条车道线的目标曲线方程更加精确。
本发明还提供一种电子设备,图3是本发明提供的电子设备的结构示意图,如图3所示,该电子设备可以包括:处理器(processor)310、通信接口(CommunicationsInterface)320、存储器(memory)330和通信总线340,其中,处理器310,通信接口320,存储器330通过通信总线340完成相互间的通信。处理器310可以调用存储器330中的逻辑指令,以执行所述多车道线优化方法的全部或部分步骤,该方法包括:获取道路图像;对所述道路图像进行车道线检测,生成车道线数据集合;其中,所述车道线数据集合包括多条车道线的离散点数据;基于车道线平行约束,构建所述多条车道线对应的曲线方程;根据所车道线数据集合以及所述多条车道线对应的曲线方程,基于最小二乘法,获取所述多条车道线对应的目标曲线方程。
此外,上述的存储器330中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述车道线检测方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面,本发明还提供一种计算机程序产品,所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,计算机能够执行上述各实施例所提供的所述多车道线优化方法,该方法包括:获取道路图像;对所述道路图像进行车道线检测,生成车道线数据集合;其中,所述车道线数据集合包括多条车道线的离散点数据;基于车道线平行约束,构建所述多条车道线对应的曲线方程;根据所车道线数据集合以及所述多条车道线对应的曲线方程,基于最小二乘法,获取所述多条车道线对应的目标曲线方程。
又一方面,本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如上各实施例所述多车道线优化方法的全部或部分步骤,该方法包括:获取道路图像;对所述道路图像进行车道线检测,生成车道线数据集合;其中,所述车道线数据集合包括多条车道线的离散点数据;基于车道线平行约束,构建所述多条车道线对应的曲线方程;根据所车道线数据集合以及所述多条车道线对应的曲线方程,基于最小二乘法,获取所述多条车道线对应的目标曲线方程。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本发明实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的多车道线优化方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种多车道线优化方法,其特征在于,包括:
获取道路图像;
对所述道路图像进行车道线检测,生成车道线数据集合;其中,所述车道线数据集合包括多条车道线的离散点数据;
基于车道线平行约束,构建所述多条车道线对应的曲线方程;
根据所车道线数据集合以及所述多条车道线对应的曲线方程,基于最小二乘法,获取所述多条车道线对应的目标曲线方程。
2.根据权利要求1所述的多车道线优化方法,其特征在于,所述基于车道线平行约束,构建所述多条车道线对应的曲线方程,包括:
构建所述多条车道线对应的多次曲线方程;其中,所述多条车道线对应的多次曲线方程的多次项系数相同,所述多条车道线对应的多次曲线方程的常数项不同。
3.根据权利要求1所述的多车道线优化方法,其特征在于,所述根据所车道线数据集合以及所述多条车道线对应的曲线方程,基于最小二乘法,获取所述多条车道线对应的目标曲线方程,包括:
根据所述多条车道线对应的曲线方程构建自变量矩阵、系数矩阵以及因变量矩阵;其中,所述因变量矩阵为所述自变量矩阵与所述系数矩阵的乘积;
根据所述车道线数据集合中离散点对应的坐标以及所述自变量矩阵、系数矩阵、因变量矩阵确定所述多条车道线对应的目标曲线方程。
4.根据权利要求3所述的多车道线优化方法,其特征在于,所述根据所述车道线数据集合中离散点对应的坐标以及所述自变量矩阵、系数矩阵、因变量矩阵确定所述多条车道线对应的目标曲线方程,包括:
根据所述车道线数据集合中离散点对应的自变量坐标以及所述自变量矩阵、系数矩阵,得到所述因变量矩阵的估计值;
根据所述因变量矩阵的估计值以及所述车道线数据集合中离散点自变量坐标对应的因变量坐标,获取所述因变量矩阵的估计值均方误差;
以所述估计值均方误差为优化目标,确定目标系数矩阵。
5.根据权利要求1所述的多车道线优化方法,其特征在于,所述对所述道路图像进行车道线检测,生成车道线数据集合;所述车道线数据集包括多条车道线的离散点数据,包括:
将所述道路图像输入车道线提取模型,提取出二维车道线;其中,所述车道线提取模型是车道线检测算法模型或预先训练好的基于深度学习的车道线检测模型;
对所述二维车道线进行单应性变换得到三维的所述车道线数据集合。
6.根据权利要求1所述的多车道线优化方法,其特征在于,所述获取道路图像之前,还包括:
采集原始道路图像;
对所述原始道路图像进行预处理,得到所述道路图像;所述预处理至少包括下列之一:灰度转化,光照变化,裁剪,旋转。
7.一种多车道线优化装置,其特征在于,包括:
获取模块,用于获取道路图像;
提取模块,对所述道路图像进行车道线检测,生成车道线数据集合;其中,所述车道线数据集合包括多条车道线的离散点数据;
构建模块,用于基于车道线平行约束,构建所述多条车道线对应的曲线方程;
生成模块,用于根据所车道线数据集合以及所述多条车道线对应的曲线方程,基于最小二乘法,获取所述多条车道线对应的目标曲线方程。
8.一种电子设备,包括存储器、处理器及存储在存储器上并可在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,实现根据权利要求1-6任一项所述多车道线优化方法的全部或部分步骤。
9.一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,该计算机程序被处理器执行时实现根据权利要求1-6任一项所述多车道线优化方法的全部或部分步骤。
10.一种计算机程序产品,包括计算机程序,其特征在于,所述计算机程序被处理器执行时实现根据权利要求1-6任一项所述多车道线优化方法的全部或部分步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111017281.8A CN113888568A (zh) | 2021-08-31 | 2021-08-31 | 多车道线优化方法、装置、电子设备、存储介质及程序 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111017281.8A CN113888568A (zh) | 2021-08-31 | 2021-08-31 | 多车道线优化方法、装置、电子设备、存储介质及程序 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113888568A true CN113888568A (zh) | 2022-01-04 |
Family
ID=79011509
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111017281.8A Pending CN113888568A (zh) | 2021-08-31 | 2021-08-31 | 多车道线优化方法、装置、电子设备、存储介质及程序 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113888568A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114475614A (zh) * | 2022-03-21 | 2022-05-13 | 中国第一汽车股份有限公司 | 一种危险目标的筛选方法、装置、介质及设备 |
CN115272182A (zh) * | 2022-06-23 | 2022-11-01 | 禾多科技(北京)有限公司 | 车道线检测方法、装置、电子设备和计算机可读介质 |
CN115422316A (zh) * | 2022-11-02 | 2022-12-02 | 高德软件有限公司 | 车道线数据处理方法、装置、电子设备及存储介质 |
-
2021
- 2021-08-31 CN CN202111017281.8A patent/CN113888568A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114475614A (zh) * | 2022-03-21 | 2022-05-13 | 中国第一汽车股份有限公司 | 一种危险目标的筛选方法、装置、介质及设备 |
CN115272182A (zh) * | 2022-06-23 | 2022-11-01 | 禾多科技(北京)有限公司 | 车道线检测方法、装置、电子设备和计算机可读介质 |
CN115422316A (zh) * | 2022-11-02 | 2022-12-02 | 高德软件有限公司 | 车道线数据处理方法、装置、电子设备及存储介质 |
CN115422316B (zh) * | 2022-11-02 | 2023-01-13 | 高德软件有限公司 | 车道线数据处理方法、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113888568A (zh) | 多车道线优化方法、装置、电子设备、存储介质及程序 | |
CN111209770B (zh) | 一种车道线识别方法及装置 | |
US11049275B2 (en) | Method of predicting depth values of lines, method of outputting three-dimensional (3D) lines, and apparatus thereof | |
JP2016194925A (ja) | 道路境界物の検出方法及び装置 | |
CN109325386B (zh) | 车道线检测方法、设备和计算机可读存储介质 | |
CN111539484A (zh) | 训练神经网络的方法及装置 | |
CN111627001A (zh) | 图像检测方法及装置 | |
CN111222417A (zh) | 一种用于提高基于车载图像车道线提取精度的方法及装置 | |
CN111310746A (zh) | 文本行检测方法、模型训练方法、装置、服务器及介质 | |
CN112683228A (zh) | 单目相机测距方法及装置 | |
DE102022102934A1 (de) | Ereignisbasierte fahrzeugposenschätzung unter verwendung monochromatischer bildgebung | |
CN114919584A (zh) | 机动车定点目标测距方法、装置及计算机可读存储介质 | |
CN115496923A (zh) | 一种基于不确定性感知的多模态融合目标检测方法及装置 | |
CN114428259A (zh) | 一种基于地图车采集的地库激光点云中车辆自动提取方法 | |
CN116863124B (zh) | 车辆姿态确定方法、控制器及存储介质 | |
CN112215714B (zh) | 基于无人机的稻穗检测方法及装置 | |
CN112837404B (zh) | 一种平面对象的三维信息的构建方法及装置 | |
CN116520338A (zh) | 目标车辆距离的确定方法、装置、电子设备和存储介质 | |
KR101910256B1 (ko) | 카메라 기반 도로 곡률 추정을 위한 차선 검출 방법 및 시스템 | |
CN115063759A (zh) | 一种三维车道线检测方法、装置、交通工具及存储介质 | |
CN114398158A (zh) | 驾驶任务处理方法、装置、电子设备及存储介质 | |
CN112784705A (zh) | 一种车辆侧边棱确定方法和装置 | |
CN116778262B (zh) | 一种基于虚拟点云的三维目标检测方法和系统 | |
CN117612129B (zh) | 车辆动态感知方法、系统及动态感知模型训练方法 | |
JP7501481B2 (ja) | 距離推定装置、距離推定方法、および距離推定用コンピュータプログラム |
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 |