CN113903016A - 分岔点检测方法、装置、计算机设备和计算机程序产品 - Google Patents
分岔点检测方法、装置、计算机设备和计算机程序产品 Download PDFInfo
- Publication number
- CN113903016A CN113903016A CN202111499309.6A CN202111499309A CN113903016A CN 113903016 A CN113903016 A CN 113903016A CN 202111499309 A CN202111499309 A CN 202111499309A CN 113903016 A CN113903016 A CN 113903016A
- Authority
- CN
- China
- Prior art keywords
- lane
- point
- points
- edge line
- point set
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/231—Hierarchical techniques, i.e. dividing or merging pattern sets so as to obtain a dendrogram
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
本申请涉及一种分岔点检测方法、装置、计算机设备、存储介质和计算机程序产品。所述方法包括：从获取的待监测车道图像中聚类得到车道点集合，将车道点集合剖分成不均匀的三角形网格并计算组成三角形网格的边缘线的权重值，通过与每一车道点相连接的边缘线的权值来确定每一车道点的子节点，然后根据子节点来确定候选边缘线，通过候选边缘线来确定联通域，在连通域中通过判断是否存在一个连通域中是否存在另一个联通域的子节点来确定分岔点，该方法中通过边缘线的权值来确定车道点的子节点，也就是通过车道点之间的关系来确定分岔点，充分地利用了车道点之间的拓扑信息，可以使车辆在复杂的路况中准确地识别出道路的分岔点。
Description
技术领域
本申请涉及数据处理技术领域，特别是涉及一种分岔点检测方法、装置、计算机设备、存储介质和计算机程序产品。
背景技术
随着自动驾驶技术的发展，对车道的检测和识别是自动驾驶系统的一个重要的功能，已经得到了广泛的研究。利用视觉算法的车道线检测解决方案是一种较为常见的解决方案。视觉检测方案主要是基于图像算法，检测出图像中车道线区域，将不同的车道线分为不同的类别，以供车辆在行驶中自动辨别车道等信息。
在现有技术中，车道线识别方法多使用基于深度学习的车道检测算法，该算法的性能很大程度上依赖于标记数据的数量和多样性，然而现有的开放车道数据集大多是在一般场景下收集的，在复杂拓扑(如车道合并和分岔)下收集的数据很少，并且拓扑信息通常不包括在标签中，因此现有的车道线识别方法更适用于训练和评估平行和规则的车道线，但不足以满足道路情况更复杂的驾驶需求。
发明内容
基于此，有必要针对上述技术问题，提供一种分岔点检测方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
第一方面，本申请提供了一种分岔点检测方法。所述方法包括：获取待检测车道图像；从所述待检测车道图像中提取出车道点集合；所述车道点集合由各簇类中心点组成；将所述车道点集合剖分成不均匀的三角形网格，所述三角形网格由以车道点为端点的边缘线组成；根据每一所述边缘线的两个端点所在簇确定每一所述边缘线的权重值；根据所述权重值选取每一车道点的子节点，当两个车道点互为对方的子节点并且以所述两个车道点为端点的边缘线的权重值小于第一阈值时，则将所述两个车道点为端点的边缘线确定为候选边缘线；根据所述候选边缘线组成多个联通域，若第一联通域中存在第一车道点是第二联通域中第二车道点的子节点，且以第一车道点和第二车道点为端点的边缘线的权值小于第二阈值时，则将所述第一车道点判定为分岔点，其中，所述第二阈值小于所述第一阈值。
在其中一个实施例中，所述从所述待检测车道图像中提取出车道点集合，包括：从所述待检测车道图像中采样提取第一车道点；所述第一车道点均分布在第一网格的网格节点上；在所述第一网格上插入第二网格，并在第二网格中找到距离第一车道点最近的网格节点作为初始簇中心，对所述第一车道点进行聚类运算得到第一点集；所述第一点集包含各簇聚类中心；所述第二网格的尺度大于所述第一网格的尺度；对所述第一点集进行WARD聚类运算，得到第二点集；在所述第二点集中找出距离第一车道点最近的点作为初始簇中心，对第一车道点进行聚类运算得到第三点集，将所述第三点集作为车道点集合。
在其中一个实施例中，所述对所述第一点集进行WARD聚类运算，得到第二点集，包括：利用WARD聚类算法对所述第一点集进行聚类运算，得到聚类点集；所述聚类点集中散点的数量小于所述第一点集中点的数量；重复上述聚类运算步骤，直至所述聚类点集中散点的数量等于预设值，则将所述聚类点集作为第二点集。
在其中一个实施例中，所述根据每一所述边缘线的两个端点所在簇确定每一所述边缘线的权重值，包括：分别获取每一所述边缘线的两个端点所在簇的散点分布信息；根据所述散点分布信息计算出两个端点所在簇的协方差矩阵，从所述协方差矩阵中确定出特征向量的倾斜角度；根据所述倾斜角度以及每一所述边缘线的两个端点的坐标计算出每一边缘线的权重值。
在其中一个实施例中，所述根据所述权重值选取每一车道点的子节点，当两个车道点互为对方的子节点并且以所述两个车道点为端点的边缘线的权重值小于第一阈值时，则将所述两个车道点为端点的边缘线确定为候选边缘线，包括：将每个车道点分别作为目标车道点，从所述三角形网格中选择与目标车道点相连且纵坐标大于目标车道点的第一方向连接节点，再从所述第一方向连接节点中选取与所述目标车道点相连接的边缘线权重值最小的节点作为第一子节点；从所述三角形网格中选择与第一目标车道点相连且纵坐标小于目标车道点的第二方向连接节点，再从所述第二方向连接节点中选取与所述目标车道点相连接的边缘线权重值最小的节点作为第二子节点；当存在两个目标车道点互为对方的子节点时，并且两个目标车道点之间相连接的边缘线权重值小于第一阈值时，将以两个目标车道点为端点的边缘线确定为候选边缘线；所述子节点为第一子节点或第二子节点。
在其中一个实施例中，所述方法还包括：根据所述候选边缘线组成多个联通域，若任一联通域均不存在另一联通域中某一车道点的子节点，则认定在所述待检测车道图像中不存在分岔点。
第二方面，本申请还提供了一种分岔点检测装置。所述装置包括：图像获取模块，用于获取待检测车道图像；点集获取模块，用于从所述待检测车道图像中提取出车道点集合；所述车道点集合由各簇类中心点组成；网格剖分模块，用于将所述车道点集合剖分成不均匀的三角形网格，所述三角形网格由以车道点为端点的边缘线组成；权值计算模块，用于根据每一所述边缘线的两个端点所在簇确定每一所述边缘线的权重值；候选边缘线确定模块，用于根据所述权重值选取每一车道点的子节点，当两个车道点互为对方的子节点并且以所述两个车道点为端点的边缘线的权重值小于第一阈值时，则将所述两个车道点为端点的边缘线确定为候选边缘线；分岔点判定模块，用于根据所述候选边缘线组成多个联通域，若第一联通域中存在第一车道点是第二联通域中第二车道点的子节点，且以第一车道点和第二车道点为端点的边缘线的权值小于第二阈值时，则将所述第一车道点判定为分岔点，其中，所述第二阈值小于所述第一阈值。
第三方面，本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：获取待检测车道图像；从所述待检测车道图像中提取出车道点集合；所述车道点集合由各簇类中心点组成；将所述车道点集合剖分成不均匀的三角形网格，所述三角形网格由以车道点为端点的边缘线组成；根据每一所述边缘线的两个端点所在簇确定每一所述边缘线的权重值；根据所述权重值选取每一车道点的子节点，当两个车道点互为对方的子节点并且以所述两个车道点为端点的边缘线的权重值小于第一阈值时，则将所述两个车道点为端点的边缘线确定为候选边缘线；根据所述候选边缘线组成多个联通域，若第一联通域中存在第一车道点是第二联通域中第二车道点的子节点，且以第一车道点和第二车道点为端点的边缘线的权值小于第二阈值时，则将所述第一车道点判定为分岔点，其中，所述第二阈值小于所述第一阈值。
第四方面，本申请还提供了一种计算机可读存储介质。所述计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：获取待检测车道图像；从所述待检测车道图像中提取出车道点集合；所述车道点集合由各簇类中心点组成；将所述车道点集合剖分成不均匀的三角形网格，所述三角形网格由以车道点为端点的边缘线组成；根据每一所述边缘线的两个端点所在簇确定每一所述边缘线的权重值；根据所述权重值选取每一车道点的子节点，当两个车道点互为对方的子节点并且以所述两个车道点为端点的边缘线的权重值小于第一阈值时，则将所述两个车道点为端点的边缘线确定为候选边缘线；根据所述候选边缘线组成多个联通域，若第一联通域中存在第一车道点是第二联通域中第二车道点的子节点，且以第一车道点和第二车道点为端点的边缘线的权值小于第二阈值时，则将所述第一车道点判定为分岔点，其中，所述第二阈值小于所述第一阈值。
第五方面，本申请还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，该计算机程序被处理器执行时实现以下步骤：获取待检测车道图像；从所述待检测车道图像中提取出车道点集合；所述车道点集合由各簇类中心点组成；将所述车道点集合剖分成不均匀的三角形网格，所述三角形网格由以车道点为端点的边缘线组成；根据每一所述边缘线的两个端点所在簇确定每一所述边缘线的权重值；根据所述权重值选取每一车道点的子节点，当两个车道点互为对方的子节点并且以所述两个车道点为端点的边缘线的权重值小于第一阈值时，则将所述两个车道点为端点的边缘线确定为候选边缘线；根据所述候选边缘线组成多个联通域，若第一联通域中存在第一车道点是第二联通域中第二车道点的子节点，且以第一车道点和第二车道点为端点的边缘线的权值小于第二阈值时，则将所述第一车道点判定为分岔点，其中，所述第二阈值小于所述第一阈值。
上述分岔点检测方法、装置、计算机设备、存储介质和计算机程序产品，从获取的待监测车道图像中聚类得到车道点集合，将车道点集合剖分成不均匀的三角形网格并计算组成三角形网格的边缘线的权重值，通过与每一车道点相连接的边缘线的权值来确定每一车道点的子节点，然后根据子节点来确定候选边缘线，通过候选边缘线来确定联通域，在连通域中通过判断是否存在一个连通域中是否存在另一个联通域的子节点来确定分岔点，该方法中通过边缘线的权值来确定车道点的子节点，也就是通过车道点之间的关系来确定分岔点，充分地利用了车道点之间的拓扑信息，可以使车辆在复杂的路况中准确地识别出道路的分岔点。
附图说明
图1为一个实施例中分岔点检测方法的应用环境图；
图2为一个实施例中分岔点检测方法的流程示意图；
图3为一个实施例中点集获取步骤的流程示意图；
图4为一个实施例中权值计算步骤的流程示意图；
图5为一个实施例中分岔点判定步骤的流程示意图；
图6为另一个实施例中分岔点判定方法的流程示意图；
图7为另一个实施例中分岔点示意图；
图8为一个实施例中分岔点检测装置的结构框图；
图9为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请实施例提供的分岔点检测方法，可以应用于如图1所示的应用环境中。其中，终端102通过网络与服务器104进行通信。数据存储系统可以存储服务器104需要处理的数据。数据存储系统可以集成在服务器104上，也可以放在云上或其他网络服务器上。终端102获取待检测车道图像，并将待检测车道图像发送至服务器104，服务器104从待检测车道图像中提取出车道点集合；将车道点集合剖分成不均匀的三角形网格，根据每一所述边缘线的两个端点所在簇确定每一边缘线的权重值；根据权重值选取每一车道点的子节点，当两个车道点互为对方的子节点并且以两个车道点为端点的边缘线的权重值小于第一阈值时，则将两个车道点为端点的边缘线确定为候选边缘线；根据候选边缘线组成多个联通域，若第一联通域中存在第一车道点是第二联通域中第二车道点的子节点，且以第一车道点和第二车道点为端点的边缘线的权值小于第二阈值时，则将第一车道点判定为分岔点。其中，终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑、物联网设备和便携式可穿戴设备，物联网设备可为智能音箱、智能电视、智能空调、智能车载设备等。便携式可穿戴设备可为智能手表、智能手环、头戴设备等。服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中，如图2所示，提供了一种分岔点检测方法，以该方法应用于图1中的服务器104为例进行说明，包括以下步骤：
S202，获取待检测车道图像。
其中，待检测车道图像可以是指目标车辆在行驶过程中拍摄的车道图像。车辆上的摄影终端在车辆行驶过程中对前方行驶道路进行拍摄得到待检测车道图像，再将待检测车道图像发送给服务器104。
S204，从待检测车道图像中提取出车道点集合；车道点集合由各簇类中心点组成。
其中，车道点集合是由从待检测图像中初步采样得到的车道点进行聚类得到各簇类中心点组成的。初步采样是指将空间上连续的待检测图像变成离散点的操作，初步采样过程即可看作将图像平面划分成网格的过程，将网格中的节点对应的特征点作为初步采样点。
服务器将对待检测车道图像进行初步采样得到的初步采样点，并利用聚类算法对初步采样点进行聚类，将聚类得到的各簇类的簇中心点作为车道点集合。
S206，将车道点集合剖分成不均匀的三角形网格，三角形网格由以车道点为端点的边缘线组成。
其中，三角剖分算法是对车道点集合进行预处理，再进行初始三角剖分，此后按增量方式，在初始剖分得到的三角形区域以外逐点加入新点，形成新的剖分，直至点集处理完毕，最后对形成的基本网格运用曲率最小优化准则对其进行优化处理，得到了三维散乱点集的最终三角剖分。利用三角剖分算法将各散点进行三角剖分有且仅能得到一个三角形网格。
具体地，将车道点集合利用三角剖分算法得到三角形网格，其中三角形网格中的每一个三角形的外接圆均不存在车道点点集内的任何一点，并且三角形网格是由散点与散点之间连接的各条边缘线组成。
S208，根据每一边缘线的两个端点所在簇确定每一边缘线的权重值。
其中，权重值用于衡量与每一目标车道点相连接的连接节点与目标车道点之间的相关联程度。权重值越大说明连接节点与目标车道点之间的相关联程度越低。能对边缘线的权重值产生影响的变量有目标车道点与连接节点的距离以及目标车道点之间相连的边缘线的角度。例如，当目标车道点与连接节点之间的距离越大，则两者之间边缘线的权重值越小。
由于车道点集合是由对待检测图像进行初步采样得到初步采样点聚类得到的各簇类中心，通过聚类中心所在的簇中的各散点坐标分布以及每条边缘线的端点的坐标来计算每一条边缘线的权重值。
具体地，服务器获取每一边缘线的两个端点坐标，以及每个端点所在簇内的散点的分布信息，来计算每一边缘线的权重值。
S208，根据权重值选取每一车道点的子节点，当两个车道点互为对方的子节点并且以两个车道点为端点的边缘线的权重值小于第一阈值时，则将两个车道点为端点的边缘线确定为候选边缘线。
具体地，以目标车道点画一条分界线，将分界线的左旋方向确定为第一区域，分界线的右旋方向确定为第二区域，将在第一区域内与目标车道点相连接确定为第一连接节点，将在第二区域内与目标车道点相连接确定为第二连接节点。根据与目标车道点与第一连接节点相连接的各条边缘线的权重值的大小来判断出在第一区域中相关性最高的节点作为第一子节点；同理，在第二区域中找到与目标车道点相关性最高的第二连接节点作为第二子节点。当两个车道点互为对方的子节点并且以两个车道点为端点的边缘线的权重值小于第一阈值时，则将两个车道点为端点的边缘线确定为候选边缘线。
S210，根据候选边缘线组成多个联通域，若第一联通域中存在第一车道点是第二联通域中第二车道点的子节点，且以第一车道点和第二车道点为端点的边缘线的权值小于第二阈值时，则将第一车道点判定为分岔点，其中，第二阈值小于第一阈值。
其中，联通域是指由候选边缘线连接起来的连续线段。而分岔点是指车道点在固定联通域中有与之相连的子节点，同时在其他联通域中也存在该车道点的子节点。
根据S208得到的候选边缘线组成多个连通域，若第一联通域中存在第一车道点是第二联通域中第二车道点的子节点，且以第一车道点和第二车道点为端点的边缘线的权值小于第二阈值时，则将第一车道点判定为分岔点。
上述分岔点检测方法，从获取的待监测车道图像中聚类得到车道点集合，将车道点集合剖分成不均匀的三角形网格并计算组成三角形网格的边缘线的权重值，通过与每一车道点相连接的边缘线的权值来确定每一车道点的子节点，然后根据子节点来确定候选边缘线，通过候选边缘线来确定联通域，在连通域中通过判断是否存在一个连通域中是否存在另一个联通域的子节点来确定分岔点，该方法中通过边缘线的权值来确定车道点的子节点，也就是通过车道点之间的关系来确定分岔点，充分地利用了车道点之间的拓扑信息，可以使车辆在复杂的路况中准确地识别出道路的分岔点。
在一个实施例中，如图3所示，对第一点集进行WARD聚类运算，得到第二点集包括：
S302，从待检测车道图像中采样提取第一车道点；所述第一车道点均分布在第一网格的网格节点上。
具体地，在待检测车道图像上划出第一网格，将与第一网格中网格节点对应的像素点作为采样点。
S304，在第一网格上插入第二网格，并在第二网格中找到距离第一车道点最近的网格节点作为初始簇中心，对第一车道点进行聚类运算得到第一点集。
其中第二网格的尺度大于第一网格的尺度，例如，当第一网格的尺度是横坐标间隔0.05米，纵坐标间隔0.75米；而第二网格的尺度可以设置为横坐标间隔0.5米，纵坐标间隔0.8米。
具体地，在待检测图像上插入第二网格，并获取第二网格的网格节点对应的像素点，并在其中找到与S304得到的初步采样点距离最近的像素点作为初始聚类簇中心，根据初始簇类中心对初步采样点进行聚类，将聚类得到的各簇类中心作为第一点集。
S306，对第一点集进行WARD聚类运算，得到第二点集。
为了获得固定数量的簇中心点集，将第一点集中高度相似的点进行去除。具体地，利用WARD聚类算法对所述第一点集进行聚类运算，得到聚类点集；所述聚类点集中散点的数量小于所述第一点集中点的数量；重复上述聚类运算步骤，直至所述聚类点集中散点的数量等于预设值，则将所述聚类点集作为第二点集。
S308，在第二点集中找出距离第一车道点最近的点作为初始簇中心，对第一车道点进行聚类运算得到第三点集，将第三点集作为车道点集合。
具体地，分别计算第一车道点与第二点集中所有点的距离，从中找到距离第一车道点最近的散点，将所有散点作为初始簇中心，根据该初始簇中心对第一车道点进行聚类运算，得到新的各簇类中心，将各簇类中心作为车道点集合。
本实施例中通过多次聚类算法从待检测图像中提取到特征点，各特征点可很好地反映车道点之间的相关特性，从而更准确地判断出车道中的分岔点。
在一个实施例中，如图4所示，根据每一边缘线的两个端点所在簇确定每一边缘线的权重值，包括：
S402，分别获取每一边缘线的两个端点所在簇的散点分布信息。
其中，散点分布信息是指某一簇内所有散点的横纵坐标值。
具体地，根据S308得到每一边缘线的两个端点所在簇内的中所有散点的坐标。
S404，根据散点分布信息计算出两个端点所在簇的协方差矩阵，从协方差矩阵中确定出特征向量的倾斜角度。
根据S402获得的各簇类的散点坐标计算出各簇的协方差矩阵，协方差矩阵可由以下公式获得：
其中x i, ，y i 分别表示各散点的横坐标和纵坐标；x i,k ，y i,k 分别表示各散点横坐标的期望值和以及各散点纵坐标的期望值。
选取该协方差矩阵中特征值最大的特征向量，并计算出该特征向量的角度：
S406，根据倾斜角度以及每一边缘线的两个端点的坐标计算出每一边缘线的权重值。
将S404得到的特征向量的倾斜角度和边缘线两个端点的坐标，代入到如下公式中计算出每一边缘线的权重值：
其中，i和j分别代表每一边缘线的两个端点。
在本实施例中，通过每一簇类的特征向量的倾斜角度以及每一边缘线的两个端点的坐标计算出每一边缘线的权重值，也就是将两个端点的相关性通过相连的边缘线的权重值来确定，从而解决了训练数据中拓扑信息缺失的问题，可以使车辆在复杂的路况中准确地识别出道路的分岔点。
在一个实施例中，如图5所示，所述根据所述权重值选取每一车道点的子节点，当两个车道点互为对方的子节点并且以所述两个车道点为端点的边缘线的权重值小于第一阈值时，则将所述两个车道点为端点的边缘线确定为候选边缘线，包括：
S502，将每个车道点分别作为目标车道点，从三角形网格中选择与目标车道点相连且纵坐标大于目标车道点的第一方向连接节点，再从第一方向连接节点中选取与目标车道点相连接的边缘线权重值最小的节点作为第一子节点；
其中，第一方向和第一方向是指以经过目标车道点的直线为分界线的顺时针方向与逆时针方向。
具体地，以经过目标车道点的水平线为分界线，将纵坐标大于目标车道点的连接节点当做第一连接节点，将纵坐标小于目标车道点的连接节点当做第二连接节点，分别计算第一连接节点与目标车道点连接的边缘线的权重值，从中找到权重值最小的第一连接节点当做第一子节点。
S504，从三角形网格中选择与第一目标车道点相连且纵坐标小于目标车道点的第二方向连接节点，再从第二方向连接节点中选取与目标车道点相连接的边缘线权重值最小的节点作为第二子节点。
与S503同理，分别计算第二连接节点与目标车道点连接的边缘线的权重值，从中找到权重值最小的第二连接节点当做第二子节点。
S506，当存在两个目标车道点互为对方的子节点时，并且两个目标车道点之间相连接的边缘线权重值小于第一阈值时，将以两个目标车道点为端点的边缘线确定为候选边缘线。
其中，子节点中包含第一子节点和第二子节点。
当存在两个目标车道点互为对方的子节点时，并且两个目标车道点之间相连接的边缘线权重值小于第一阈值时，将以两个目标车道点为端点的边缘线确定为候选边缘线。
在本实施例中，将两个互为子节点的车道点之间连接的边缘线作为候选边缘节点，可以保证连接起来的两个子节点之间相关性很高，从而使得对道路中各种形态的识别更加准确。
在一个实施例中，如图6所示，提出一种具体的分岔点检测方法：
S1，获取输入的待检测车道图像。
S2，初步采样，提取位于网格点上的车道点。网格由以下的尺度确定（单位：m）：x方向：0.05；y方向：0.1 + (n/150)^2 , 其中n代表第n格。
S3，第一步聚类。在图像中插入更大尺度的网格（单位：m）：dx=0.5，dy = min(8,ymax/8), 将S2中采样得到的点聚类到离它最近的网格点，将聚类得到的簇中心作为初始节点。
S4，第二步聚类：利用WARD聚类算法聚合相近的初始节点，每次减少5个点，直到最后剩下min(2/5 num.initial node, 25)个点，这些点作为新的初始点。
S5，第三步聚类：将S2中采样得到的点聚类到离它最近的初始点那一类，再根据得到的簇中心作为最终的节点。
S6，利用三角剖分算法(Delaunay triangulation)得到候选边缘线。
S7，根据簇中散点分布以及数量可以计算出每个节点的角度，节点两两之间的边缘线，则可以根据角度（direction）和节点的坐标计算权重。
S8，对于每个节点，根据边缘线权重值向上向下各选取一个子节点，若两个节点互相选择则可以连接一条候选边缘线。在这些被选择的边缘线中保留小于阈值threshold的作为最终边缘线。
S9，对于上一步得出的边缘线计算连通域，如果一个点的子节点在另一个连通域中同时对应边缘线权重小于0.4*threshold，这个子节点就被认为是一个分岔点。具体地如图7所示，节点1和节点2互为对方的子节点，但是经计算得出节点3也是节点1的子节点，但是节点1不是节点3的子节点，因此节点1和节点3并没有互选，也就是说节点1和节点3之间没有连接候选边缘线，同时经计算节点1和节点3之间边缘线的权重值小于第二阈值0.4*threshold，则可以判定节点1为分岔点。
应该理解的是，虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思，本申请实施例还提供了一种用于实现上述所涉及的分岔点检测方法的分岔点检测装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个分岔点检测装置实施例中的具体限定可以参见上文中对于分岔点检测方法的限定，在此不再赘述。
在一个实施例中，如图8所示，提供了一种分岔点检测装置800，包括：图像获取模块802、点集获取模块804、网格剖分模块806、权值计算模块808、边缘线确定模块810和分岔点判定模块812，其中：
图像获取模块802，用于获取待检测车道图像。
点集获取模块804，用于从所述待检测车道图像中提取出车道点集合；所述车道点集合由各簇类中心点组成。
网格剖分模块806，用于将所述车道点集合剖分成不均匀的三角形网格，所述三角形网格由以车道点为端点的边缘线组成。
权值计算模块808，用于根据每一所述边缘线的两个端点所在簇确定每一所述边缘线的权重值。
边缘线确定模块810，用于根据所述权重值选取每一车道点的子节点，当两个车道点互为对方的子节点并且以所述两个车道点为端点的边缘线的权重值小于第一阈值时，则将所述两个车道点为端点的边缘线确定为候选边缘线。
分岔点判定模块812，用于根据所述候选边缘线组成多个联通域，若第一联通域中存在第一车道点是第二联通域中第二车道点的子节点，且以第一车道点和第二车道点为端点的边缘线的权值小于第二阈值时，则将所述第一车道点判定为分岔点，其中，所述第二阈值小于所述第一阈值。
上述分岔点检测装置，从获取的待监测车道图像中聚类得到车道点集合，将车道点集合剖分成不均匀的三角形网格并计算组成三角形网格的边缘线的权重值，通过与每一车道点相连接的边缘线的权值来确定每一车道点的子节点，然后根据子节点来确定候选边缘线，通过候选边缘线来确定联通域，在连通域中通过判断是否存在一个连通域中是否存在另一个联通域的子节点来确定分岔点，该方法中通过边缘线的权值来确定车道点的子节点，也就是通过车道点之间的关系来确定分岔点，充分地利用了车道点之间的拓扑信息，可以使车辆在复杂的路况中准确地识别出道路的分岔点。
在一个实施例中，点集获取模块804包括：第一车道点获取子模块，用于从所述待检测车道图像中采样提取第一车道点；所述第一车道点均分布在第一网格的网格节点上；第一点集获取子模块，用于在所述第一网格上插入第二网格，并在第二网格中找到距离第一车道点最近的网格节点作为初始簇中心，对所述第一车道点进行聚类运算得到第一点集；所述第一点集包含各簇聚类中心；所述第二网格的尺度大于所述第一网格的尺度；第二点集获取子模块，用于对所述第一点集进行WARD聚类运算，得到第二点集；第三点集获取子模块，用于在所述第二点集中找出距离第一车道点最近的点作为初始簇中心，对第一车道点进行聚类运算得到第三点集，将所述第三点集作为车道点集合。
在一个实施例中，第二点集获取子模块还用于利用WARD聚类算法对所述第一点集进行聚类运算，得到聚类点集；所述聚类点集中散点的数量小于所述第一点集中点的数量；重复上述聚类运算步骤，直至所述聚类点集中散点的数量等于预设值，则将所述聚类点集作为第二点集。
在一个实施例中，权值计算模块808，还包括：分布信息获取子模块，用于分别获取每一所述边缘线的两个端点所在簇的散点分布信息；角度计算子模块，用于根据所述散点分布信息计算出两个端点所在簇的协方差矩阵，从所述协方差矩阵中确定出特征向量的倾斜角度；权重值计算子模块，用于根据所述倾斜角度以及每一所述边缘线的两个端点的坐标计算出每一边缘线的权重值。
在一个实施例中，边缘线确定模块810包括：第一子节点确定子模块，用于将每个车道点分别作为目标车道点，从所述三角形网格中选择与目标车道点相连且纵坐标大于目标车道点的第一方向连接节点，再从所述第一方向连接节点中选取与所述目标车道点相连接的边缘线权重值最小的节点作为第一子节点；第二子节点确定子模块，用于从所述三角形网格中选择与第一目标车道点相连且纵坐标小于目标车道点的第二方向连接节点，再从所述第二方向连接节点中选取与所述目标车道点相连接的边缘线权重值最小的节点作为第二子节点；判断子模块，用于当存在两个目标车道点互为对方的子节点时，并且两个目标车道点之间相连接的边缘线权重值小于第一阈值时，将以两个目标车道点为端点的边缘线确定为候选边缘线；所述子节点为第一子节点或第二子节点。
在一个实施例中，所述装置还用于根据所述候选边缘线组成多个联通域，若任一联通域均不存在另一联通域中某一车道点的子节点，则认定在所述待检测车道图像中不存在分岔点。
上述分岔点检测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图9所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储道路数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种分岔点检测方法。
本领域技术人员可以理解，图9中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：获取待检测车道图像；从所述待检测车道图像中提取出车道点集合；所述车道点集合由各簇类中心点组成；将所述车道点集合剖分成不均匀的三角形网格，所述三角形网格由以车道点为端点的边缘线组成；根据每一所述边缘线的两个端点所在簇确定每一所述边缘线的权重值；根据所述权重值选取每一车道点的子节点，当两个车道点互为对方的子节点并且以所述两个车道点为端点的边缘线的权重值小于第一阈值时，则将所述两个车道点为端点的边缘线确定为候选边缘线；根据所述候选边缘线组成多个联通域，若第一联通域中存在第一车道点是第二联通域中第二车道点的子节点，且以第一车道点和第二车道点为端点的边缘线的权值小于第二阈值时，则将所述第一车道点判定为分岔点，其中，所述第二阈值小于所述第一阈值。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：获取待检测车道图像；从所述待检测车道图像中提取出车道点集合；所述车道点集合由各簇类中心点组成；将所述车道点集合剖分成不均匀的三角形网格，所述三角形网格由以车道点为端点的边缘线组成；根据每一所述边缘线的两个端点所在簇确定每一所述边缘线的权重值；根据所述权重值选取每一车道点的子节点，当两个车道点互为对方的子节点并且以所述两个车道点为端点的边缘线的权重值小于第一阈值时，则将所述两个车道点为端点的边缘线确定为候选边缘线；根据所述候选边缘线组成多个联通域，若第一联通域中存在第一车道点是第二联通域中第二车道点的子节点，且以第一车道点和第二车道点为端点的边缘线的权值小于第二阈值时，则将所述第一车道点判定为分岔点，其中，所述第二阈值小于所述第一阈值。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：从所述待检测车道图像中采样提取第一车道点；所述第一车道点均分布在第一网格的网格节点上；在所述第一网格上插入第二网格，并在第二网格中找到距离第一车道点最近的网格节点作为初始簇中心，对所述第一车道点进行聚类运算得到第一点集；所述第一点集包含各簇聚类中心；所述第二网格的尺度大于所述第一网格的尺度；对所述第一点集进行WARD聚类运算，得到第二点集；在所述第二点集中找出距离第一车道点最近的点作为初始簇中心，对第一车道点进行聚类运算得到第三点集，将所述第三点集作为车道点集合。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：利用WARD聚类算法对所述第一点集进行聚类运算，得到聚类点集；所述聚类点集中散点的数量小于所述第一点集中点的数量；重复上述聚类运算步骤，直至所述聚类点集中散点的数量等于预设值，则将所述聚类点集作为第二点集。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：分别获取每一所述边缘线的两个端点所在簇的散点分布信息；根据所述散点分布信息计算出两个端点所在簇的协方差矩阵，从所述协方差矩阵中确定出特征向量的倾斜角度；根据所述倾斜角度以及每一所述边缘线的两个端点的坐标计算出每一边缘线的权重值。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：将每个车道点分别作为目标车道点，从所述三角形网格中选择与目标车道点相连且纵坐标大于目标车道点的第一方向连接节点，再从所述第一方向连接节点中选取与所述目标车道点相连接的边缘线权重值最小的节点作为第一子节点；从所述三角形网格中选择与第一目标车道点相连且纵坐标小于目标车道点的第二方向连接节点，再从所述第二方向连接节点中选取与所述目标车道点相连接的边缘线权重值最小的节点作为第二子节点；当存在两个目标车道点互为对方的子节点时，并且两个目标车道点之间相连接的边缘线权重值小于第一阈值时，将以两个目标车道点为端点的边缘线确定为候选边缘线；所述子节点为第一子节点或第二子节点。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：根据所述候选边缘线组成多个联通域，若任一联通域均不存在另一联通域中某一车道点的子节点，则认定在所述待检测车道图像中不存在分岔点。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：获取待检测车道图像；从所述待检测车道图像中提取出车道点集合；所述车道点集合由各簇类中心点组成；将所述车道点集合剖分成不均匀的三角形网格，所述三角形网格由以车道点为端点的边缘线组成；根据每一所述边缘线的两个端点所在簇确定每一所述边缘线的权重值；根据所述权重值选取每一车道点的子节点，当两个车道点互为对方的子节点并且以所述两个车道点为端点的边缘线的权重值小于第一阈值时，则将所述两个车道点为端点的边缘线确定为候选边缘线；根据所述候选边缘线组成多个联通域，若第一联通域中存在第一车道点是第二联通域中第二车道点的子节点，且以第一车道点和第二车道点为端点的边缘线的权值小于第二阈值时，则将所述第一车道点判定为分岔点，其中，所述第二阈值小于所述第一阈值。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：从所述待检测车道图像中采样提取第一车道点；所述第一车道点均分布在第一网格的网格节点上；在所述第一网格上插入第二网格，并在第二网格中找到距离第一车道点最近的网格节点作为初始簇中心，对所述第一车道点进行聚类运算得到第一点集；所述第一点集包含各簇聚类中心；所述第二网格的尺度大于所述第一网格的尺度；对所述第一点集进行WARD聚类运算，得到第二点集；在所述第二点集中找出距离第一车道点最近的点作为初始簇中心，对第一车道点进行聚类运算得到第三点集，将所述第三点集作为车道点集合。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：利用WARD聚类算法对所述第一点集进行聚类运算，得到聚类点集；所述聚类点集中散点的数量小于所述第一点集中点的数量；重复上述聚类运算步骤，直至所述聚类点集中散点的数量等于预设值，则将所述聚类点集作为第二点集。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：分别获取每一所述边缘线的两个端点所在簇的散点分布信息；根据所述散点分布信息计算出两个端点所在簇的协方差矩阵，从所述协方差矩阵中确定出特征向量的倾斜角度；根据所述倾斜角度以及每一所述边缘线的两个端点的坐标计算出每一边缘线的权重值。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：将每个车道点分别作为目标车道点，从所述三角形网格中选择与目标车道点相连且纵坐标大于目标车道点的第一方向连接节点，再从所述第一方向连接节点中选取与所述目标车道点相连接的边缘线权重值最小的节点作为第一子节点；从所述三角形网格中选择与第一目标车道点相连且纵坐标小于目标车道点的第二方向连接节点，再从所述第二方向连接节点中选取与所述目标车道点相连接的边缘线权重值最小的节点作为第二子节点；当存在两个目标车道点互为对方的子节点时，并且两个目标车道点之间相连接的边缘线权重值小于第一阈值时，将以两个目标车道点为端点的边缘线确定为候选边缘线；所述子节点为第一子节点或第二子节点。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：根据所述候选边缘线组成多个联通域，若任一联通域均不存在另一联通域中某一车道点的子节点，则认定在所述待检测车道图像中不存在分岔点。
在一个实施例中，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以下步骤：获取待检测车道图像；从所述待检测车道图像中提取出车道点集合；所述车道点集合由各簇类中心点组成；将所述车道点集合剖分成不均匀的三角形网格，所述三角形网格由以车道点为端点的边缘线组成；根据每一所述边缘线的两个端点所在簇确定每一所述边缘线的权重值；根据所述权重值选取每一车道点的子节点，当两个车道点互为对方的子节点并且以所述两个车道点为端点的边缘线的权重值小于第一阈值时，则将所述两个车道点为端点的边缘线确定为候选边缘线；根据所述候选边缘线组成多个联通域，若第一联通域中存在第一车道点是第二联通域中第二车道点的子节点，且以第一车道点和第二车道点为端点的边缘线的权值小于第二阈值时，则将所述第一车道点判定为分岔点，其中，所述第二阈值小于所述第一阈值。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：从所述待检测车道图像中采样提取第一车道点；所述第一车道点均分布在第一网格的网格节点上；在所述第一网格上插入第二网格，并在第二网格中找到距离第一车道点最近的网格节点作为初始簇中心，对所述第一车道点进行聚类运算得到第一点集；所述第一点集包含各簇聚类中心；所述第二网格的尺度大于所述第一网格的尺度；对所述第一点集进行WARD聚类运算，得到第二点集；在所述第二点集中找出距离第一车道点最近的点作为初始簇中心，对第一车道点进行聚类运算得到第三点集，将所述第三点集作为车道点集合。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：利用WARD聚类算法对所述第一点集进行聚类运算，得到聚类点集；所述聚类点集中散点的数量小于所述第一点集中点的数量；重复上述聚类运算步骤，直至所述聚类点集中散点的数量等于预设值，则将所述聚类点集作为第二点集。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：分别获取每一所述边缘线的两个端点所在簇的散点分布信息；根据所述散点分布信息计算出两个端点所在簇的协方差矩阵，从所述协方差矩阵中确定出特征向量的倾斜角度；根据所述倾斜角度以及每一所述边缘线的两个端点的坐标计算出每一边缘线的权重值。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：将每个车道点分别作为目标车道点，从所述三角形网格中选择与目标车道点相连且纵坐标大于目标车道点的第一方向连接节点，再从所述第一方向连接节点中选取与所述目标车道点相连接的边缘线权重值最小的节点作为第一子节点；从所述三角形网格中选择与第一目标车道点相连且纵坐标小于目标车道点的第二方向连接节点，再从所述第二方向连接节点中选取与所述目标车道点相连接的边缘线权重值最小的节点作为第二子节点；当存在两个目标车道点互为对方的子节点时，并且两个目标车道点之间相连接的边缘线权重值小于第一阈值时，将以两个目标车道点为端点的边缘线确定为候选边缘线；所述子节点为第一子节点或第二子节点。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：根据所述候选边缘线组成多个联通域，若任一联通域均不存在另一联通域中某一车道点的子节点，则认定在所述待检测车道图像中不存在分岔点。
需要说明的是，本申请所涉及的用户信息（包括但不限于用户设备信息、用户个人信息等）和数据（包括但不限于用于分析的数据、存储的数据、展示的数据等），均为经用户授权或者经过各方充分授权的信息和数据。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器（Read-OnlyMemory，ROM）、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器（ReRAM）、磁变存储器（Magnetoresistive Random Access Memory，MRAM）、铁电存储器（Ferroelectric Random Access Memory，FRAM）、相变存储器（Phase Change Memory，PCM）、石墨烯存储器等。易失性存储器可包括随机存取存储器（Random Access Memory，RAM）或外部高速缓冲存储器等。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器（Static Random Access Memory，SRAM）或动态随机存取存储器（Dynamic RandomAccess Memory，DRAM）等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。
Claims (10)
1.一种分岔点检测方法，其特征在于，所述方法包括：
获取待检测车道图像；
从所述待检测车道图像中提取出车道点集合；所述车道点集合由各簇类中心点组成；
将所述车道点集合剖分成不均匀的三角形网格，所述三角形网格由以车道点为端点的边缘线组成；
根据每一所述边缘线的两个端点所在簇确定每一所述边缘线的权重值；
根据所述权重值选取每一车道点的子节点，当两个车道点互为对方的子节点并且以所述两个车道点为端点的边缘线的权重值小于第一阈值时，则将所述两个车道点为端点的边缘线确定为候选边缘线；
根据所述候选边缘线组成多个联通域，若第一联通域中存在第一车道点是第二联通域中第二车道点的子节点，且以第一车道点和第二车道点为端点的边缘线的权值小于第二阈值时，则将所述第一车道点判定为分岔点，其中，所述第二阈值小于所述第一阈值。
2.根据权利要求1所述的方法，其特征在于，所述从所述待检测车道图像中提取出车道点集合，包括：
从所述待检测车道图像中采样提取第一车道点；所述第一车道点均分布在第一网格的网格节点上；
在所述第一网格上插入第二网格，并在第二网格中找到距离第一车道点最近的网格节点作为初始簇中心，对所述第一车道点进行聚类运算得到第一点集；所述第一点集包含各簇聚类中心；所述第二网格的尺度大于所述第一网格的尺度；
对所述第一点集进行WARD聚类运算，得到第二点集；
在所述第二点集中找出距离第一车道点最近的点作为初始簇中心，对第一车道点进行聚类运算得到第三点集，将所述第三点集作为车道点集合。
3.根据权利要求2所述的方法，其特征在于，所述对所述第一点集进行WARD聚类运算，得到第二点集，包括：
利用WARD聚类算法对所述第一点集进行聚类运算，得到聚类点集；所述聚类点集中散点的数量小于所述第一点集中点的数量；
重复上述聚类运算步骤，直至所述聚类点集中散点的数量等于预设值，则将所述聚类点集作为第二点集。
4.根据权利要求1所述的方法，其特征在于，所述根据每一所述边缘线的两个端点所在簇确定每一所述边缘线的权重值，包括：
分别获取每一所述边缘线的两个端点所在簇的散点分布信息；
根据所述散点分布信息计算出两个端点所在簇的协方差矩阵，从所述协方差矩阵中确定出特征向量的倾斜角度；
根据所述倾斜角度以及每一所述边缘线的两个端点的坐标计算出每一边缘线的权重值。
5.根据权利要求1所述的方法，其特征在于，所述根据所述权重值选取每一车道点的子节点，当两个车道点互为对方的子节点并且以所述两个车道点为端点的边缘线的权重值小于第一阈值时，则将所述两个车道点为端点的边缘线确定为候选边缘线，包括：
将每个车道点分别作为目标车道点，从所述三角形网格中选择与目标车道点相连且纵坐标大于目标车道点的第一方向连接节点，再从所述第一方向连接节点中选取与所述目标车道点相连接的边缘线权重值最小的节点作为第一子节点；
从所述三角形网格中选择与第一目标车道点相连且纵坐标小于目标车道点的第二方向连接节点，再从所述第二方向连接节点中选取与所述目标车道点相连接的边缘线权重值最小的节点作为第二子节点；
当存在两个目标车道点互为对方的子节点时，并且两个目标车道点之间相连接的边缘线权重值小于第一阈值时，将以两个目标车道点为端点的边缘线确定为候选边缘线；所述子节点为第一子节点或第二子节点。
6.根据权利要求1所述的方法，其特征在于，所述方法还包括：
根据所述候选边缘线组成多个联通域，若任一联通域均不存在另一联通域中某一车道点的子节点，则认定在所述待检测车道图像中不存在分岔点。
7.一种分岔点检测装置，其特征在于，所述装置包括：
图像获取模块，用于获取待检测车道图像；
点集获取模块，用于从所述待检测车道图像中提取出车道点集合；所述车道点集合由各簇类中心点组成；
网格剖分模块，用于将所述车道点集合剖分成不均匀的三角形网格，所述三角形网格由以车道点为端点的边缘线组成；
权值计算模块，用于根据每一所述边缘线的两个端点所在簇确定每一所述边缘线的权重值；
边缘线确定模块，用于根据所述权重值选取每一车道点的子节点，当两个车道点互为对方的子节点并且以所述两个车道点为端点的边缘线的权重值小于第一阈值时，则将所述两个车道点为端点的边缘线确定为候选边缘线；
分岔点判定模块，用于根据所述候选边缘线组成多个联通域，若第一联通域中存在第一车道点是第二联通域中第二车道点的子节点，且以第一车道点和第二车道点为端点的边缘线的权值小于第二阈值时，则将所述第一车道点判定为分岔点，其中，所述第二阈值小于所述第一阈值。
8.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述的方法的步骤。
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，所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
10.一种计算机程序产品，包括计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111499309.6A CN113903016B (zh) | 2021-12-09 | 2021-12-09 | 分岔点检测方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111499309.6A CN113903016B (zh) | 2021-12-09 | 2021-12-09 | 分岔点检测方法、装置、计算机设备和存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113903016A true CN113903016A (zh) | 2022-01-07 |
| CN113903016B CN113903016B (zh) | 2022-05-13 |
Family
ID=79025737
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111499309.6A Active CN113903016B (zh) | 2021-12-09 | 2021-12-09 | 分岔点检测方法、装置、计算机设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113903016B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114935334A (zh) * | 2022-05-31 | 2022-08-23 | 小米汽车科技有限公司 | 车道拓扑关系的构建方法、装置、车辆、介质及芯片 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101369312A (zh) * | 2007-08-17 | 2009-02-18 | 日电（中国）有限公司 | 检测图像中交叉口的方法和设备 |
| CN104517112A (zh) * | 2013-09-29 | 2015-04-15 | 北大方正集团有限公司 | 一种表格识别方法与系统 |
| CN109215033A (zh) * | 2017-06-30 | 2019-01-15 | 上海联影医疗科技有限公司 | 图像分割的方法及系统 |
| KR101951683B1 (ko) * | 2017-09-08 | 2019-02-26 | 충북대학교 산학협력단 | 자율주행 자동차를 위한 차선 인식 시스템 및 방법 |
| CN110688958A (zh) * | 2019-09-28 | 2020-01-14 | 中国测绘科学研究院 | 基于GoogLeNet神经网络的交叉路口识别方法 |
| CN110826263A (zh) * | 2019-09-27 | 2020-02-21 | 鲁东大学 | 一种基于三维拉普拉斯算子的脑皮层厚度估计方法 |
| CN110992473A (zh) * | 2019-12-13 | 2020-04-10 | 武汉大学 | 一种基于车载激光扫描点云的树木枝干建模方法及系统 |
| CN112150804A (zh) * | 2020-08-31 | 2020-12-29 | 中国地质大学（武汉） | 一种基于MaskRCNN算法的城市多类型交叉口识别方法 |
| CN112528859A (zh) * | 2020-12-11 | 2021-03-19 | 中国第一汽车股份有限公司 | 车道线检测方法、装置、设备及存储介质 |
| CN113723382A (zh) * | 2021-11-03 | 2021-11-30 | 深圳佑驾创新科技有限公司 | 车道线提点的方法、装置和计算机设备 |
-
2021
- 2021-12-09 CN CN202111499309.6A patent/CN113903016B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101369312A (zh) * | 2007-08-17 | 2009-02-18 | 日电（中国）有限公司 | 检测图像中交叉口的方法和设备 |
| CN104517112A (zh) * | 2013-09-29 | 2015-04-15 | 北大方正集团有限公司 | 一种表格识别方法与系统 |
| CN109215033A (zh) * | 2017-06-30 | 2019-01-15 | 上海联影医疗科技有限公司 | 图像分割的方法及系统 |
| KR101951683B1 (ko) * | 2017-09-08 | 2019-02-26 | 충북대학교 산학협력단 | 자율주행 자동차를 위한 차선 인식 시스템 및 방법 |
| CN110826263A (zh) * | 2019-09-27 | 2020-02-21 | 鲁东大学 | 一种基于三维拉普拉斯算子的脑皮层厚度估计方法 |
| CN110688958A (zh) * | 2019-09-28 | 2020-01-14 | 中国测绘科学研究院 | 基于GoogLeNet神经网络的交叉路口识别方法 |
| CN110992473A (zh) * | 2019-12-13 | 2020-04-10 | 武汉大学 | 一种基于车载激光扫描点云的树木枝干建模方法及系统 |
| CN112150804A (zh) * | 2020-08-31 | 2020-12-29 | 中国地质大学（武汉） | 一种基于MaskRCNN算法的城市多类型交叉口识别方法 |
| CN112528859A (zh) * | 2020-12-11 | 2021-03-19 | 中国第一汽车股份有限公司 | 车道线检测方法、装置、设备及存储介质 |
| CN113723382A (zh) * | 2021-11-03 | 2021-11-30 | 深圳佑驾创新科技有限公司 | 车道线提点的方法、装置和计算机设备 |
Non-Patent Citations (8)
| Title |
|---|
| ALAUDDIN BHUIYAN ET AL: "Detection and Classification of Bifurcation and Branch Points on Retinal Vascular Network", 《DICTA》 * |
| K. REBAI ET AL: "Hierarchical SVM classifier for road intersection detection and recognition", 《2013 IEEE CONFERENCE ON OPEN SYSTEMS (ICOS)》 * |
| M. I. IQBAL ET AL: "Detection of vascular intersection in retina fundus image using modified cross point number and neural network technique", 《2008 INTERNATIONAL CONFERENCE ON COMPUTER AND COMMUNICATION ENGINEERING》 * |
| REN KEYAN ET AL: "LaneDraw: Cascaded lane and its bifurcation detection with nested fusion", 《SCIENCE CHINA》 * |
| 刘进博等: "基于梯度直方图的交叉点检测方法", 《国防科技大学学报》 * |
| 张鸿刚: "一种基于GoogLeNet神经网络的复杂交叉路口识别与简化方法", 《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅱ辑》 * |
| 李雅丽等: "车辆轨迹与遥感影像多层次融合的道路交叉口识别", 《测绘学报》 * |
| 郭风成等: "高分辨率SAR影像道路交叉口自动提取方法", 《测绘科学技术学报》 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114935334A (zh) * | 2022-05-31 | 2022-08-23 | 小米汽车科技有限公司 | 车道拓扑关系的构建方法、装置、车辆、介质及芯片 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113903016B (zh) | 2022-05-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107784288B (zh) | 一种基于深度神经网络的迭代定位式人脸检测方法 | |
| CN111914908B (zh) | 一种图像识别模型训练方法、图像识别方法及相关设备 | |
| CN114494260B (zh) | 对象缺陷检测方法、装置、计算机设备和存储介质 | |
| CN115457492A (zh) | 目标检测方法、装置、计算机设备及存储介质 | |
| CN113903016B (zh) | 分岔点检测方法、装置、计算机设备和存储介质 | |
| CN115797781A (zh) | 农作物识别方法、装置、计算机设备和存储介质 | |
| CN111626311B (zh) | 一种异构图数据处理方法和装置 | |
| CN113496260B (zh) | 基于改进YOLOv3算法的粮库人员不规范作业检测法 | |
| CN113704276A (zh) | 地图更新方法、装置、电子设备及计算机可读存储介质 | |
| CN113160117A (zh) | 一种自动驾驶场景下的三维点云目标检测方法 | |
| Elashry et al. | Feature matching enhancement using the graph neural network (gnn-ransac) | |
| CN115713769A (zh) | 文本检测模型的训练方法、装置、计算机设备和存储介质 | |
| CN113033578B (zh) | 基于多尺度特征匹配的图像校准方法、系统、终端及介质 | |
| WO2022017129A1 (zh) | 目标对象检测方法、装置、电子设备及存储介质 | |
| CN113902874A (zh) | 点云数据处理方法、装置、计算机设备和存储介质 | |
| CN115544191A (zh) | 基于三维点云众包式语义地图的更新方法和装置 | |
| CN113658338A (zh) | 点云树木单体分割方法、装置、电子设备及存储介质 | |
| CN112818943A (zh) | 车道线检测方法、装置、设备及存储介质 | |
| CN113822892A (zh) | 仿真雷达的评测方法、装置、设备及计算机程序产品 | |
| CN111598941A (zh) | 一种杆塔倾斜度测量方法、装置、设备及存储介质 | |
| Kim et al. | An enhanced density-based spatial separation strategy of 3D point clouds | |
| CN116665177B (zh) | 数据处理方法、装置、电子装置和存储介质 | |
| CN115984583B (zh) | 数据处理方法、装置、计算机设备、存储介质和程序产品 | |
| CN115424022B (zh) | 输电走廊地面点云分割方法、装置和计算机设备 | |
| CN118015576A (zh) | 车道线检测方法、装置、计算机设备、存储介质 |
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 | ||
| CP03 | Change of name, title or address | ||
| CP03 | Change of name, title or address |
Address after: Floor 25, Block A, Zhongzhou Binhai Commercial Center Phase II, No. 9285, Binhe Boulevard, Shangsha Community, Shatou Street, Futian District, Shenzhen, Guangdong 518000 Patentee after: Shenzhen Youjia Innovation Technology Co.,Ltd. Address before: 518048 401, building 1, Shenzhen new generation industrial park, No. 136, Zhongkang Road, Meidu community, Meilin street, Futian District, Shenzhen, Guangdong Province Patentee before: SHENZHEN MINIEYE INNOVATION TECHNOLOGY Co.,Ltd. |