CN113903014B - 车道线预测方法、装置及电子设备、计算机可读存储介质 - Google Patents

车道线预测方法、装置及电子设备、计算机可读存储介质 Download PDF

Info

Publication number
CN113903014B
CN113903014B CN202111479535.8A CN202111479535A CN113903014B CN 113903014 B CN113903014 B CN 113903014B CN 202111479535 A CN202111479535 A CN 202111479535A CN 113903014 B CN113903014 B CN 113903014B
Authority
CN
China
Prior art keywords
lane line
image
line image
moment
previous
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
CN202111479535.8A
Other languages
English (en)
Other versions
CN113903014A (zh
Inventor
李岩
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.)
Zhidao Network Technology Beijing Co Ltd
Original Assignee
Zhidao Network 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 Zhidao Network Technology Beijing Co Ltd filed Critical Zhidao Network Technology Beijing Co Ltd
Priority to CN202111479535.8A priority Critical patent/CN113903014B/zh
Publication of CN113903014A publication Critical patent/CN113903014A/zh
Application granted granted Critical
Publication of CN113903014B publication Critical patent/CN113903014B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • 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
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Image Analysis (AREA)

Abstract

本申请公开了一种车道线预测方法、装置及电子设备、计算机可读存储介质，其中，所述方法包括：获取当前时刻的车道线图像和前一时刻的车道线图像；对所述当前时刻的车道线图像和所述前一时刻的车道线图像进行特征匹配，得到特征对集合；根据所述特征对集合确定所述前一时刻的车道线图像与所述当前时刻的车道线图像之间的图像平移信息；根据所述图像平移信息，预测所述前一时刻的车道线在当前时刻的位置信息。本申请实施例的车道线预测方法基于相邻两帧图像之间的图像平移信息，实现对后续短时间内无法识别到的缺失车道线信息的预测，提高了车道线遮挡等场景下车道线预测的准确性和稳定性。

Description

车道线预测方法、装置及电子设备、计算机可读存储介质
技术领域
本申请涉及自动驾驶技术领域，尤其涉及一种车道线预测方法、装置及电子设备、计算机可读存储介质。
背景技术
随着自动驾驶技术的发展，车道线识别技术的应用也越来越广，如车道线定位、车道保持等功能都会用到车道线信息。因此，对于图像中车道线识别的精度要求也越来越高。
目前车道线识别技术主要有两大类，一类是传统的基于Hough变换（霍夫变换）的车道线识别方法，另一类是基于深度学习的车道线识别模型的车道线识别方法。
然而，上述车道线识别方法都是针对当前时刻图像中可视的车道线进行识别。在实际场景下，由于车辆等物体的遮挡、雨雪天气的影响或者由于常年使用而造成的车道线磨损等，会造成识别到的图像中的车道线信息不完整，或者在车辆换道等情况下，车道线信息不连续也会导致识别不准确。
发明内容
本申请实施例提供了一种车道线预测方法、装置及电子设备、计算机可读存储介质，以提高短时间内车道线预测的准确性和稳定性。
本申请实施例采用下述技术方案：
第一方面，本申请实施例提供一种车道线预测方法，其中，所述方法包括：
获取当前时刻的车道线图像和前一时刻的车道线图像；
对所述当前时刻的车道线图像和所述前一时刻的车道线图像进行特征匹配，得到特征对集合；
根据所述特征对集合确定所述前一时刻的车道线图像与所述当前时刻的车道线图像之间的图像平移信息；
根据所述图像平移信息，预测所述前一时刻的车道线在当前时刻的位置信息。
可选地，所述获取当前时刻的车道线图像和前一时刻的车道线图像包括：
根据预设车道线识别算法对所述当前时刻的车道线图像进行识别，得到车道线识别结果；
确定所述车道线识别结果中是否包含当前路段完整的车道线信息；
若是，则确定所述当前时刻的车道线图像不满足预设车道线预测条件，并直接使用所述车道线识别结果；
若不是，则确定所述当前时刻的车道线图像满足预设车道线预测条件，并获取所述前一时刻的车道线图像。
可选地，所述对所述当前时刻的车道线图像和所述前一时刻的车道线图像进行特征匹配，得到特征对集合包括：
对所述前一时刻的车道线图像和所述当前时刻的车道线图像分别进行逆透视变换处理，得到前一时刻的处理后的车道线图像和当前时刻的处理后的车道线图像；
利用预设特征提取算子对所述前一时刻的处理后的车道线图像和所述当前时刻的处理后的车道线图像分别进行特征提取，得到前一时刻的图像特征和后一时刻的图像特征；
将所述前一时刻的图像特征和所述后一时刻的图像特征进行匹配，得到匹配后的特征对集合。
可选地，所述根据所述特征对集合确定所述前一时刻的车道线图像与所述当前时刻的车道线图像之间的图像平移信息包括：
获取前一时刻的惯性测量单元的定位信息；
根据所述前一时刻的惯性测量单元的定位信息和所述特征对集合，确定所述前一时刻的车道线图像与所述当前时刻的车道线图像之间的图像平移信息。
可选地，所述根据所述前一时刻的惯性测量单元的定位信息和所述特征对集合，确定所述前一时刻的车道线图像与所述当前时刻的车道线图像之间的图像平移信息包括：
根据所述前一时刻的惯性测量单元的定位信息，以及前一时刻与当前时刻的时间间隔，预测车辆行驶方向；
根据所述车辆行驶方向对所述特征对集合进行筛选，得到特征对子集合；
根据所述特征对子集合确定所述图像平移信息，其中，所述图像平移信息包括图像平移方向和图像平移距离。
可选地，所述前一时刻的车道线在当前时刻的位置信息是指前一时刻的车道线在当前时刻的逆透视变换处理后的车道线图像中的位置信息，所述根据所述图像平移信息，预测所述前一时刻的车道线在当前时刻的位置信息包括：
获取相机的相机参数，其中，所述相机参数包括内参和外参；
根据所述相机参数以及前一时刻的车道线在当前时刻的逆透视变换处理后的车道线图像中的位置信息，确定所述前一时刻的车道线在当前时刻的世界坐标系下的位置信息。
可选地，所述方法还包括：
确定所述当前时刻是否触发预测中止条件；
若是，则中止所述车道线位置信息的预测；
否则，则继续所述车道线位置信息的预测。
第二方面，本申请实施例还提供一种车道线预测装置，其中，所述装置包括：
获取单元，用于获取当前时刻的车道线图像和前一时刻的车道线图像；
特征匹配单元，用于对所述当前时刻的车道线图像和所述前一时刻的车道线图像进行特征匹配，得到特征对集合；
第一确定单元，用于根据所述特征对集合确定所述前一时刻的车道线图像与所述当前时刻的车道线图像之间的图像平移信息；
预测单元，用于根据所述图像平移信息，预测所述前一时刻的车道线在当前时刻的位置信息。
第三方面，本申请实施例还提供一种电子设备，包括：
处理器；以及
被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器执行前述之任一所述方法。
第四方面，本申请实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储一个或多个程序，所述一个或多个程序当被包括多个应用程序的电子设备执行时，使得所述电子设备执行前述之任一所述方法。
本申请实施例采用的上述至少一个技术方案能够达到以下有益效果：本申请实施例的车道线预测方法，先获取当前时刻的车道线图像和前一时刻的车道线图像；然后对当前时刻的车道线图像和前一时刻的车道线图像进行特征匹配，得到特征对集合；之后根据特征对集合确定前一时刻的车道线图像与当前时刻的车道线图像之间的图像平移信息；最后根据图像平移信息，预测前一时刻的车道线在当前时刻的位置信息。本申请实施例的车道线预测方法基于相邻两帧图像之间的图像平移信息，实现对后续短时间内无法识别到的缺失车道线信息的预测，提高了车道线遮挡等场景下车道线预测的准确性和稳定性。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1为本申请实施例中一种车道线预测方法的流程示意图；
图2为本申请实施例中一种原始的特征对集合效果示意图；
图3为本申请实施例中一种筛选后的特征对子集合效果示意图；
图4为本申请实施例中一种车道线预测装置的结构示意图；
图5为本申请实施例中一种电子设备的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚，下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
以下结合附图，详细说明本申请各实施例提供的技术方案。
本申请实施例提供了一种车道线预测方法，如图1所示，提供了本申请实施例中一种车道线预测方法的流程示意图，所述方法至少包括如下的步骤S110至步骤S140：
步骤S110，获取当前时刻的车道线图像和前一时刻的车道线图像。
本申请实施例在进行车道线识别时，需要先获取当前时刻的车道线图像和前一时刻的车道线图像，这里的车道线图像不仅包含车道线信息，还可以包含其他的道路信息，如道路上的裂缝、树荫等。
步骤S120，对所述当前时刻的车道线图像和所述前一时刻的车道线图像进行特征匹配，得到特征对集合。
在获取到相邻两帧的车道线图像后，需要将这两帧车道线图像中所包含的全部图像特征进行特征匹配，从而得到由多个匹配成功的特征对构成的特征对集合，这里的特征匹配算法，本领域技术人员可以根据实际需求灵活选择，在此不作具体限定。
步骤S130，根据所述特征对集合确定所述前一时刻的车道线图像与所述当前时刻的车道线图像之间的图像平移信息。
在得到特征对集合后，需要根据特征对集合中的特征对信息，来确定这两帧车道线图像之间的图像平移信息，例如可以包括图像平移距离和方向。
步骤S140，根据所述图像平移信息，预测所述前一时刻的车道线在当前时刻的位置信息。
在确定了相邻两帧车道线图像之间的图像平移信息后，就可以基于图像平移信息，预测出前一时刻图像中的某一个车道线点在当前时刻图像中的具体位置了，也即将前一时刻的车道线信息作为先验信息，预测当前时刻的车道线信息，一定程度上避免了车道线遮挡等场景下无法识别到准确的车道线信息的问题。
本申请实施例的车道线预测方法基于相邻两帧图像之间的图像平移信息，实现对后续短时间内无法识别到的缺失车道线信息的预测，提高了车道线遮挡等场景下车道线预测的准确性和稳定性。
在本申请的一个实施例中，所述获取当前时刻的车道线图像和前一时刻的车道线图像包括：根据预设车道线识别算法对所述当前时刻的车道线图像进行识别，得到车道线识别结果；确定所述车道线识别结果中是否包含当前路段完整的车道线信息；若是，则确定所述当前时刻的车道线图像不满足预设车道线预测条件，并直接使用所述车道线识别结果；若不是，则确定所述当前时刻的车道线图像满足预设车道线预测条件，并获取所述前一时刻的车道线图像。
现有的车道线识别算法主要是针对图像中的车道线直接进行识别，从而得到车道线识别结果，在开阔明朗的道路环境中，该车道线识别算法通常具有较好的识别效果，而在出现雨雪天气、车辆密集等情况时，将导致图像中的车道线被部分或全部遮挡，此时，车道线识别算法将无法识别到完整的车道线，进而可能影响自动驾驶的定位和导航功能。
基于此，本申请实施例的车道线预测方法本质上可以看作是针对上述特定场景所提出的方案，其原理在于，如果现有的车道线识别算法在当前时刻能够准确识别出完整的车道线信息，即识别出的车道线的置信度较高，那么可以直接使用车道线识别算法识别出的车道线识别结果，同时初始化本申请实施例的车道线预测方法；而如果当前的车道线识别算法在当前时刻没有识别到完整的车道线信息，则会直接触发本申请实施例的车道线识别方法，这时需要进一步获取上一时刻的车道线图像，将上一时刻的车道线图像中包含的图像信息作为后续预测车道线信息的先验信息。
在本申请的一个实施例中，所述对所述当前时刻的车道线图像和所述前一时刻的车道线图像进行特征匹配，得到特征对集合包括：对所述前一时刻的车道线图像和所述当前时刻的车道线图像分别进行逆透视变换处理，得到前一时刻的处理后的车道线图像和当前时刻的处理后的车道线图像；利用预设特征提取算子对所述前一时刻的处理后的车道线图像和所述当前时刻的处理后的车道线图像分别进行特征提取，得到前一时刻的图像特征和后一时刻的图像特征；将所述前一时刻的图像特征和所述后一时刻的图像特征进行匹配，得到匹配后的特征对集合。
由于自动驾驶车辆上的相机直接采集到的图像会存在一定的透视效应，直接进行图像的特征提取和匹配会影响准确性，因此本申请实施例在将当前时刻的车道线图像与前一时刻的车道线图像进行特征匹配时，可以先对两帧车道线图像进行逆透视变换（InversePerspective Mapping，简称IPM）处理，提高后续特征提取和匹配的准确性。
之后，利用预设特征提取算子对逆透视变换处理后的两帧车道线图像进行特征提取，分别得到两帧车道线图像的图像特征，最后再将前一时刻的图像特征和当前时刻的图像特征进行匹配，从而得到匹配后的特征对集合。本申请实施例的图像特征匹配不单单是对图像中的车道线进行特征匹配，而是对图像中的所有图像信息包括车道线信息和车道线以外的其他道路信息等均进行特征匹配，从而为后续确定图像平移信息提供更加丰富的特征信息。
上述预设特征提取算子可以采用SIFT（Scale-invariant feature transform，尺度不变特征变换）算子，SIFT是用于图像处理领域的一种描述，这种描述具有尺度不变性，可在图像中检测出关键点，是一种局部特征描述子。采用SIFT提取出的图像特征是基于目标上的一些局部外观的兴趣点得到，而与图像的大小和旋转无关，且对于光线、噪声、微视角改变的容忍度也相当高。
当然，除了采用上述SIFT特征提取算子，本领域技术人员也可以根据实际需求灵活选择其他特征提取算法，如SURF（Speeded Up Robust Features）、ORB（Oriented Fastand Rotated Brief）等，在此不作具体限定。
在本申请的一个实施例中，所述根据所述特征对集合确定所述前一时刻的车道线图像与所述当前时刻的车道线图像之间的图像平移信息包括：获取前一时刻的惯性测量单元的定位信息；根据所述前一时刻的惯性测量单元的定位信息和所述特征对集合，确定所述前一时刻的车道线图像与所述当前时刻的车道线图像之间的图像平移信息。
本申请实施例在确定相邻两帧车道线图像之间的图像平移信息时，可以进一步获取前一时刻的惯性测量单元（Inertial Measurement Unit，简称IMU）输出的定位信息，这里的定位信息具体可以是指IMU输出的位置，将前一时刻IMU输出的位置作为额外的信息辅助判断相邻两帧车道线图像之间的图像平移信息。
在本申请的一个实施例中，所述根据所述前一时刻的惯性测量单元的定位信息和所述特征对集合，确定所述前一时刻的车道线图像与所述当前时刻的车道线图像之间的图像平移信息包括：根据所述前一时刻的惯性测量单元的定位信息，以及前一时刻与当前时刻的时间间隔，预测车辆行驶方向；根据所述车辆行驶方向对所述特征对集合进行筛选，得到特征对子集合；根据所述特征对子集合确定所述图像平移信息，其中，所述图像平移信息包括图像平移方向和图像平移距离。
在基于前一时刻IMU输出的位置辅助确定相邻两帧车道线图像之间的图像平移信息时，可以先根据前一时刻IMU输出的位置以及两个时刻的时间间隔预测车辆行驶方向，然后基于车辆行驶方向对特征对集合进行筛选，这里的筛选是指过滤掉匹配错误的特征对，例如，基于IMU输出的位置确定出的车辆行驶方向为由南向北行驶，而特征对集合中的某一特征对（a2，b2）表征的车辆行驶方向却是由北向南行驶，说明该特征对（a2，b2）匹配错误，不可用于后续车道线位置的预测，因此可以剔除掉该特征对。
通过此种方式最终剩下的特征对即构成特征对子集合，基于该特征对子集合进行车道线预测，具有更高的准确性和稳定性，相比现有的RANSAC（Random sample consensus，随机抽样一致算法）等方法，防止了无法获得正确的特征对子集合，导致预测失败的问题。
为了便于对本申请实施例的理解，如图2所示，提供了本申请实施例中一种原始的特征对集合效果示意图，如图3所示，提供了本申请实施例中一种筛选后的特征对子集合效果示意图。需要说明的是，为了保证示意图的效果，对图2和图3中的特征对进了适当简化，实际匹配结果要更为丰富。
比较图2和图3可以看出，通过基于IMU输出的定位信息辅助筛选特征对，可以在很大程度上过滤掉匹配错误的特征对，该方法不受物体运动的影响，且大部分分布在路面非车道线的位置，充分利用了图像中的道路因素如裂缝、树荫等，且匹配对数量多，保证了预测的精确性和稳定性。
在本申请的一个实施例中，所述前一时刻的车道线在当前时刻的位置信息是指前一时刻的车道线在当前时刻的逆透视变换处理后的车道线图像中的位置信息，所述根据所述图像平移信息，预测所述前一时刻的车道线在当前时刻的位置信息包括：获取相机的相机参数，其中，所述相机参数包括内参和外参；根据所述相机参数以及前一时刻的车道线在当前时刻的逆透视变换处理后的车道线图像中的位置信息，确定所述前一时刻的车道线在当前时刻的世界坐标系下的位置信息。
由于上述实施例在进行特征匹配阶段，将相邻两帧车道线图像均进行了IPM处理，因此本申请实施例得到的图像平移方向和图像平移距离其实是在BEV（Bird's-eye view，鸟瞰视图）视角下的图像平移方向和图像平移距离，为了进一步确定出车道线在世界坐标系下的位置，可以获取相机的内参和外参，以此反算出前一时刻的车道线在当前时刻的世界坐标系下的具体位置，从而完成当前时刻车道线位置的预测。
在本申请的一个实施例中，所述方法还包括：确定所述当前时刻是否触发预测中止条件；若是，则中止所述车道线位置信息的预测；否则，则继续所述车道线位置信息的预测。
由于本申请实施例的车道线预测方法在不断预测过程中会不断累计误差，当累计误差较大时，将不再适合继续预测，因此这里可以事先设定预测中止条件，例如，设定预测最长时间或者最大累计误差，如果当前时刻满足预测最长时间，或者当前累计误差达到最大累计误差，则中止预测，以防止累计误差导致的错误预测。当后续又获取到完整的车道线信息时，可以再次初始化本申请实施例的车道线预测方法，以为后续预测做准备。
本申请实施例还提供了一种车道线预测装置400，如图4所示，提供了本申请实施例中一种车道线预测装置的结构示意图，所述装置400包括：获取单元410、特征匹配单元420、第一确定单元430以及预测单元440，其中：
获取单元410，用于获取当前时刻的车道线图像和前一时刻的车道线图像；
特征匹配单元420，用于对所述当前时刻的车道线图像和所述前一时刻的车道线图像进行特征匹配，得到特征对集合；
第一确定单元430，用于根据所述特征对集合确定所述前一时刻的车道线图像与所述当前时刻的车道线图像之间的图像平移信息；
预测单元440，用于根据所述图像平移信息，预测所述前一时刻的车道线在当前时刻的位置信息。
在本申请的一个实施例中，所述获取单元410具体用于：根据预设车道线识别算法对所述当前时刻的车道线图像进行识别，得到车道线识别结果；确定所述车道线识别结果中是否包含当前路段完整的车道线信息；若是，则确定所述当前时刻的车道线图像不满足预设车道线预测条件，并直接使用所述车道线识别结果；若不是，则确定所述当前时刻的车道线图像满足预设车道线预测条件，并获取所述前一时刻的车道线图像。
在本申请的一个实施例中，所述特征匹配单元420具体用于：对所述前一时刻的车道线图像和所述当前时刻的车道线图像分别进行逆透视变换处理，得到前一时刻的处理后的车道线图像和当前时刻的处理后的车道线图像；利用预设特征提取算子对所述前一时刻的处理后的车道线图像和所述当前时刻的处理后的车道线图像分别进行特征提取，得到前一时刻的图像特征和后一时刻的图像特征；将所述前一时刻的图像特征和所述后一时刻的图像特征进行匹配，得到匹配后的特征对集合。
在本申请的一个实施例中，所述第一确定单元430具体用于：获取前一时刻的惯性测量单元的定位信息；根据所述前一时刻的惯性测量单元的定位信息和所述特征对集合，确定所述前一时刻的车道线图像与所述当前时刻的车道线图像之间的图像平移信息。
在本申请的一个实施例中，所述第一确定单元430具体用于：根据所述前一时刻的惯性测量单元的定位信息，以及前一时刻与当前时刻的时间间隔，预测车辆行驶方向；根据所述车辆行驶方向对所述特征对集合进行筛选，得到特征对子集合；根据所述特征对子集合确定所述图像平移信息，其中，所述图像平移信息包括图像平移方向和图像平移距离。
在本申请的一个实施例中，所述前一时刻的车道线在当前时刻的位置信息是指前一时刻的车道线在当前时刻的逆透视变换处理后的车道线图像中的位置信息，所述预测单元440具体用于：获取相机的相机参数，其中，所述相机参数包括内参和外参；根据所述相机参数以及前一时刻的车道线在当前时刻的逆透视变换处理后的车道线图像中的位置信息，确定所述前一时刻的车道线在当前时刻的世界坐标系下的位置信息。
在本申请的一个实施例中，所述装置还包括：第二确定单元，用于确定所述当前时刻是否触发预测中止条件；若是，则中止所述车道线位置信息的预测；否则，则继续所述车道线位置信息的预测。
能够理解，上述车道线预测装置，能够实现前述实施例中提供的车道线预测方法的各个步骤，关于车道线预测方法的相关阐释均适用于车道线预测装置，此处不再赘述。
图5是本申请的一个实施例电子设备的结构示意图。请参考图5，在硬件层面，该电子设备包括处理器，可选地还包括内部总线、网络接口、存储器。其中，存储器可能包含内存，例如高速随机存取存储器(Random-Access Memory，RAM)，也可能还包括非易失性存储器（non-volatile memory），例如至少1个磁盘存储器等。当然，该电子设备还可能包括其他业务所需要的硬件。
处理器、网络接口和存储器可以通过内部总线相互连接，该内部总线可以是ISA(Industry Standard Architecture，工业标准体系结构）总线、PCI(PeripheralComponent Interconnect，外设部件互连标准)总线或EISA(Extended Industry StandardArchitecture，扩展工业标准结构）总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示，图5中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。
存储器，用于存放程序。具体地，程序可以包括程序代码，所述程序代码包括计算机操作指令。存储器可以包括内存和非易失性存储器，并向处理器提供指令和数据。
处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行，在逻辑层面上形成车道线预测装置。处理器，执行存储器所存放的程序，并具体用于执行以下操作：
获取当前时刻的车道线图像和前一时刻的车道线图像；
对所述当前时刻的车道线图像和所述前一时刻的车道线图像进行特征匹配，得到特征对集合；
根据所述特征对集合确定所述前一时刻的车道线图像与所述当前时刻的车道线图像之间的图像平移信息；
根据所述图像平移信息，预测所述前一时刻的车道线在当前时刻的位置信息。
上述如本申请图1所示实施例揭示的车道线预测装置执行的方法可以应用于处理器中，或者由处理器实现。处理器可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器可以是通用处理器，包括中央处理器（Central Processing Unit，CPU）、网络处理器（Network Processor，NP）等；还可以是数字信号处理器（Digital SignalProcessor，DSP）、专用集成电路（Application Specific Integrated Circuit，ASIC）、现场可编程门阵列（Field－Programmable Gate Array，FPGA）或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。
该电子设备还可执行图1中车道线预测装置执行的方法，并实现车道线预测装置在图1所示实施例的功能，本申请实施例在此不再赘述。
本申请实施例还提出了一种计算机可读存储介质，该计算机可读存储介质存储一个或多个程序，该一个或多个程序包括指令，该指令当被包括多个应用程序的电子设备执行时，能够使该电子设备执行图1所示实施例中车道线预测装置执行的方法，并具体用于执行：
获取当前时刻的车道线图像和前一时刻的车道线图像；
对所述当前时刻的车道线图像和所述前一时刻的车道线图像进行特征匹配，得到特征对集合；
根据所述特征对集合确定所述前一时刻的车道线图像与所述当前时刻的车道线图像之间的图像平移信息；
根据所述图像平移信息，预测所述前一时刻的车道线在当前时刻的位置信息。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备（系统）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器 (CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器 (RAM) 和/或非易失性内存等形式，如只读存储器 (ROM) 或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存 (PRAM)、静态随机存取存储器 (SRAM)、动态随机存取存储器 (DRAM)、其他类型的随机存取存储器 (RAM)、只读存储器 (ROM)、电可擦除可编程只读存储器 (EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘 (DVD) 或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体 (transitory media)，如调制的数据信号和载波。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白，本申请的实施例可提供为方法、系统或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。
以上所述仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。

Claims (9)

1.一种车道线预测方法，其中，所述方法包括：
获取当前时刻的车道线图像和前一时刻的车道线图像；
对所述当前时刻的车道线图像和所述前一时刻的车道线图像进行特征匹配，得到特征对集合；
所述对所述当前时刻的车道线图像和所述前一时刻的车道线图像进行特征匹配包括：将所述车道线图像中的车道线信息以及车道线以外的其他道路信息均进行特征匹配；
根据所述特征对集合确定所述前一时刻的车道线图像与所述当前时刻的车道线图像之间的图像平移信息，包括：
根据前一时刻的惯性测量单元的定位信息，以及前一时刻与当前时刻的时间间隔，预测车辆行驶方向；
基于所述车辆行驶方向对所述特征对集合进行筛选，得到特征对子集合；
根据所述特征对子集合确定所述前一时刻的车道线图像与所述当前时刻的车道线图像之间的图像平移信息；
根据所述图像平移信息，预测所述前一时刻的车道线在当前时刻的位置信息，包括：
根据所述图像平移信息，预测所述前一时刻的车道线图像中的某一个车道线点在当前时刻的车道线图像中的位置信息。
2.根据权利要求1所述方法，其中，所述获取当前时刻的车道线图像和前一时刻的车道线图像包括：
根据预设车道线识别算法对所述当前时刻的车道线图像进行识别，得到车道线识别结果；
确定所述车道线识别结果中是否包含当前路段完整的车道线信息；
若是，则确定所述当前时刻的车道线图像不满足预设车道线预测条件，并直接使用所述车道线识别结果；
若不是，则确定所述当前时刻的车道线图像满足预设车道线预测条件，并获取所述前一时刻的车道线图像。
3.根据权利要求1所述方法，其中，所述对所述当前时刻的车道线图像和所述前一时刻的车道线图像进行特征匹配，得到特征对集合包括：
对所述前一时刻的车道线图像和所述当前时刻的车道线图像分别进行逆透视变换处理，得到前一时刻的处理后的车道线图像和当前时刻的处理后的车道线图像；
利用预设特征提取算子对所述前一时刻的处理后的车道线图像和所述当前时刻的处理后的车道线图像分别进行特征提取，得到前一时刻的图像特征和后一时刻的图像特征；
将所述前一时刻的图像特征和所述后一时刻的图像特征进行匹配，得到匹配后的特征对集合。
4.根据权利要求1所述方法，其中，所述根据所述特征对集合确定所述前一时刻的车道线图像与所述当前时刻的车道线图像之间的图像平移信息包括：
获取前一时刻的惯性测量单元的定位信息；
根据所述前一时刻的惯性测量单元的定位信息和所述特征对集合，确定所述前一时刻的车道线图像与所述当前时刻的车道线图像之间的图像平移信息。
5.根据权利要求1所述方法，其中，所述前一时刻的车道线在当前时刻的位置信息是指前一时刻的车道线在当前时刻的逆透视变换处理后的车道线图像中的位置信息，所述根据所述图像平移信息，预测所述前一时刻的车道线在当前时刻的位置信息包括：
获取相机的相机参数，其中，所述相机参数包括内参和外参；
根据所述相机参数以及前一时刻的车道线在当前时刻的逆透视变换处理后的车道线图像中的位置信息，确定所述前一时刻的车道线在当前时刻的世界坐标系下的位置信息。
6.根据权利要求1所述方法，其中，所述方法还包括：
确定所述当前时刻是否触发预测中止条件；
若是，则中止所述车道线位置信息的预测；
否则，则继续所述车道线位置信息的预测。
7.一种车道线预测装置，其中，所述装置包括：
获取单元，用于获取当前时刻的车道线图像和前一时刻的车道线图像；
特征匹配单元，用于对所述当前时刻的车道线图像和所述前一时刻的车道线图像进行特征匹配，得到特征对集合；
所述特征匹配单元具体用于：将所述车道线图像中的车道线信息以及车道线以外的其他道路信息均进行特征匹配；
第一确定单元，用于根据所述特征对集合确定所述前一时刻的车道线图像与所述当前时刻的车道线图像之间的图像平移信息，还用于：
根据前一时刻的惯性测量单元的定位信息，以及前一时刻与当前时刻的时间间隔，预测车辆行驶方向；
基于所述车辆行驶方向对所述特征对集合进行筛选，得到特征对子集合；
根据所述特征对子集合确定所述前一时刻的车道线图像与所述当前时刻的车道线图像之间的图像平移信息；
预测单元，用于根据所述图像平移信息，预测所述前一时刻的车道线在当前时刻的位置信息，还用于：
根据所述图像平移信息，预测所述前一时刻的车道线图像中的某一个车道线点在当前时刻的车道线图像中的位置信息。
8.一种电子设备，包括：
处理器；以及
被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器执行所述权利要求1~6之任一所述方法。
9.一种计算机可读存储介质，所述计算机可读存储介质存储一个或多个程序，所述一个或多个程序当被包括多个应用程序的电子设备执行时，使得所述电子设备执行所述权利要求1~6之任一所述方法。
CN202111479535.8A 2021-12-07 2021-12-07 车道线预测方法、装置及电子设备、计算机可读存储介质 Active CN113903014B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111479535.8A CN113903014B (zh) 2021-12-07 2021-12-07 车道线预测方法、装置及电子设备、计算机可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111479535.8A CN113903014B (zh) 2021-12-07 2021-12-07 车道线预测方法、装置及电子设备、计算机可读存储介质

Publications (2)

Publication Number Publication Date
CN113903014A CN113903014A (zh) 2022-01-07
CN113903014B true CN113903014B (zh) 2022-05-17

Family

ID=79195380

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111479535.8A Active CN113903014B (zh) 2021-12-07 2021-12-07 车道线预测方法、装置及电子设备、计算机可读存储介质

Country Status (1)

Country Link
CN (1) CN113903014B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115830562B (zh) * 2022-12-12 2024-05-24 昆易电子科技(上海)有限公司 车道信息的确定方法、计算机设备及介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101455835B1 (ko) * 2014-06-16 2014-11-04 주식회사 지티 영상을 이용한 차선인식 및 추적시스템, 이를 이용한 차선인식 및 추적방법
CN106447730A (zh) * 2016-09-14 2017-02-22 深圳地平线机器人科技有限公司 参数估计方法、装置和电子设备
CN108090456A (zh) * 2017-12-27 2018-05-29 北京初速度科技有限公司 一种车道线识别方法及装置
CN110929655A (zh) * 2019-11-27 2020-03-27 厦门金龙联合汽车工业有限公司 一种行驶过程中车道线识别方法、终端设备及存储介质
CN113344979A (zh) * 2021-06-29 2021-09-03 北京搜狗科技发展有限公司 一种车道线跟踪方法、装置和用于车道线跟踪的装置

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104008645B (zh) * 2014-06-12 2015-12-09 湖南大学 一种适用于城市道路车道线预测及预警方法
DE102015209467A1 (de) * 2015-05-22 2016-11-24 Continental Teves Ag & Co. Ohg Verfahren zur Schätzung von Fahrstreifen
CN111161357B (zh) * 2019-12-30 2023-10-27 联想(北京)有限公司 信息处理方法及装置、增强现实设备和可读存储介质

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101455835B1 (ko) * 2014-06-16 2014-11-04 주식회사 지티 영상을 이용한 차선인식 및 추적시스템, 이를 이용한 차선인식 및 추적방법
CN106447730A (zh) * 2016-09-14 2017-02-22 深圳地平线机器人科技有限公司 参数估计方法、装置和电子设备
CN108090456A (zh) * 2017-12-27 2018-05-29 北京初速度科技有限公司 一种车道线识别方法及装置
CN110929655A (zh) * 2019-11-27 2020-03-27 厦门金龙联合汽车工业有限公司 一种行驶过程中车道线识别方法、终端设备及存储介质
CN113344979A (zh) * 2021-06-29 2021-09-03 北京搜狗科技发展有限公司 一种车道线跟踪方法、装置和用于车道线跟踪的装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
孙思思;基于机器视觉的车道线检测和识别技术的研究与实现;《中国优秀博硕士学位论文全文数据库(硕士) 信息科技辑(月刊)》;20140715(第07期);第I138-856页 *

Also Published As

Publication number Publication date
CN113903014A (zh) 2022-01-07

Similar Documents

Publication Publication Date Title
CN110163176B (zh) 车道线变化位置识别方法、装置、设备和介质
CN113298050B (zh) 车道线识别模型训练方法、装置及车道线识别方法、装置
CN111027535A (zh) 一种车牌识别方法及相关设备
CN109102026B (zh) 一种车辆图像检测方法、装置及系统
CN115507862A (zh) 车道线定位方法及装置、电子设备及存储介质
CN112052907A (zh) 基于图像边缘信息的目标检测方法、装置及存储介质
CN113903014B (zh) 车道线预测方法、装置及电子设备、计算机可读存储介质
CN111444911B (zh) 车牌识别模型的训练方法及装置、车牌识别方法及装置
CN115143952A (zh) 基于视觉辅助的自动驾驶车辆定位方法、装置
CN114705121B (zh) 车辆位姿测量方法、装置及电子设备、存储介质
CN113804214B (zh) 车辆定位方法、装置及电子设备、计算机可读存储介质
CN115641454A (zh) 目标跟踪方法、装置及电子设备、计算机可读存储介质
CN112446375A (zh) 车牌识别方法、装置、设备及存储介质
CN116863124B (zh) 车辆姿态确定方法、控制器及存储介质
CN117058642A (zh) 一种车道线检测方法、装置、设备及存储介质
CN116721396A (zh) 车道线检测方法、设备及存储介质
CN113111872B (zh) 图像识别模型的训练方法、装置及电子设备、存储介质
CN116309628A (zh) 车道线识别方法和装置、电子设备和计算机可读存储介质
CN112906495B (zh) 一种目标检测方法、装置、电子设备及存储介质
CN115170679A (zh) 路侧相机的标定方法、装置及电子设备、存储介质
CN111126336B (zh) 样本采集方法、装置及设备
CN114397671A (zh) 目标的航向角平滑方法、装置及计算机可读存储介质
CN109949335B (zh) 一种图像处理方法及装置
CN116381698B (zh) 道路遗撒物的检测方法、装置及电子设备
CN116503695B (zh) 目标检测模型的训练方法、目标检测方法及设备

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