CN113989300A - 车道线分割的方法、装置、电子设备和存储介质 - Google Patents
车道线分割的方法、装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN113989300A CN113989300A CN202111270191.XA CN202111270191A CN113989300A CN 113989300 A CN113989300 A CN 113989300A CN 202111270191 A CN202111270191 A CN 202111270191A CN 113989300 A CN113989300 A CN 113989300A
- Authority
- CN
- China
- Prior art keywords
- lane line
- feature
- similarity
- block
- instance
- 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
- 230000011218 segmentation Effects 0.000 title claims abstract description 53
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000000605 extraction Methods 0.000 claims abstract description 8
- 230000007246 mechanism Effects 0.000 claims description 25
- 238000004590 computer program Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 8
- 239000000126 substance Substances 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 abstract description 4
- 238000013473 artificial intelligence Methods 0.000 abstract description 3
- 238000013135 deep learning Methods 0.000 abstract description 3
- 238000004891 communication Methods 0.000 description 8
- 238000013527 convolutional neural network Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000008447 perception Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005070 sampling Methods 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30248—Vehicle exterior or interior
- G06T2207/30252—Vehicle exterior; Vicinity of vehicle
- G06T2207/30256—Lane; Road marking
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
Abstract
本公开提供了一种车道线分割的方法、装置、电子设备以及存储介质,涉及人工智能领域,具体涉及计算机视觉和深度学习技术,可用于智慧城市和智能交通场景下。具体实现方案为:对待识别图像进行特征提取,得到待识别图像的至少一个特征块;确定至少一个特征块中的每个特征块与至少一个车道线实例特征中的每个车道线实例特征之间的相似度;根据每个特征块与每个车道线实例特征之间的相似度,确定与每个车道线实例特征分别对应的车道线分割结果。
Description
技术领域
本公开涉及人工智能领域,具体涉及计算机视觉和深度学习技术,可用于智慧城市和智能交通场景下。
背景技术
环境感知是智能交通的基础,是进行后续决策、规划的前提。其中对道路进行感知的车道线检测是环境感知的重要组成部分。目前,车道线检测一般采用语义分割技术实现,能够区分图像中的背景信息以及车道线前景信息。
发明内容
本公开提供了一种车道线分割的方法、装置、电子设备以及存储介质。
根据本公开的一方面,提供了一种车道线分割方法,包括:
对待识别图像进行特征提取,得到待识别图像的至少一个特征块;
确定至少一个特征块中的每个特征块与至少一个车道线实例特征中的每个车道线实例特征之间的相似度;
根据每个特征块与每个车道线实例特征之间的相似度,确定与每个车道线实例特征分别对应的车道线分割结果。
根据本公开的另一方面,提供了一种车道线分割装置,包括:
特征提取模块,用于对待识别图像进行特征提取,得到待识别图像的至少一个特征块;
相似度获取模块,用于确定至少一个特征块中的每个特征块与至少一个车道线实例特征中的每个车道线实例特征之间的相似度;
结果获取模块,根据每个特征块与每个车道线实例特征之间的相似度,确定与每个车道线实例特征分别对应的车道线分割结果。
根据本公开的另一方面,提供了一种电子设备,包括:
至少一个处理器;以及
与该至少一个处理器通信连接的存储器;其中,
该存储器存储有可被该至少一个处理器执行的指令,该指令被该至少一个处理器执行,以使该至少一个处理器能够执行本公开任一实施例中的方法。
根据本公开的另一方面,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,该计算机指令用于使计算机执行本公开任一实施例中的方法。
根据本公开的另一方面,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本公开任一实施例中的方法。
根据本公开的技术,可以通过计算待识别图像中每个特征块与每个车道线实例特征之间的相似度,确定每个车道线实例特征对应的车道线分割结果,得到实例级别的车道线分割结果。
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是根据本公开一实施例的车道线分割方法的流程示意图一;
图2是根据本公开一实施例的车道线分割方法的流程示意图二;
图3是根据本公开一实施例的车道线分割方法的流程示意图三;
图4是根据本公开一实施例中车道线分割方法的一个应用示例的示意图;
图5是根据本公开一实施例的车道线分割装置示意图一;
图6是根据本公开一实施例的车道线分割装置示意图二;
图7是根据本公开一实施例的车道线分割装置示意图三;
图8是用来实现本公开实施例的车道线分割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。
图1是根据本公开一实施例的车道线分割方法的流程示意图,包括:
S110,对待识别图像进行特征提取,得到待识别图像的至少一个特征块;
S120,确定至少一个特征块中的每个特征块与至少一个车道线实例特征中的每个车道线实例特征之间的相似度;
S130,根据每个特征块与每个车道线实例特征之间的相似度,确定与每个车道线实例特征分别对应的车道线分割结果。
示例性地,在上述步骤S11中,可以将待识别图像输入卷积神经网络进行特征提取。该卷积神经网络例如是空间卷积神经网络。针对车道线这类长距离且形状连续又有着很强的空间关系,但从其外观不完整的目标,空间卷积神经网络将传统的卷积层连接层的连接形式转化为连片结构的卷积形式,使得特征信息不仅能在行之间传递,也能在列之间传递,使得空间信息能够在同层的神经元中传播,增强了对结构化信息的识别。
卷积神经网络中可以包括卷积层,还可以包括上采样层、池化层、激活层等网络层。卷积神经网络对待识别图像进行特征处理后,输出特征图。由于存在上采样层和/或池化层等网络层,因此,卷积神经网络输出的特征图与待识别图像的空间尺寸不同。示例性地,在本公开实施例中,待识别图像的一个特征块可以指特征图中的一个像素或多个相邻像素。
实际应用中,可以根据预定的车道线分割输出精度设计卷积神经网络,从而使得提取的特征块的精度符合预定要求。
示例性地,在本公开实施例中,车道线实例特征可以是预先指定的车道线实例的特征。例如,可以预先指定某交通场景中的10个车道线,作为图像识别过程中的10个车道线实例,得到10个车道线实例的特征。再执行上述方法,在待识别图像中识别出这些车道线实例对应的或者说车道线实例特征对应的车道线分割结果。示例性地,车道线分割结果可以包括车道线的位置,例如车道线的像素坐标。
示例性地,上述步骤S120可以采用多种方式实现。例如,可以针对每个车道线实例特征,与至少一个特征块分别进行比较例如计算距离等,得到车道线实例特征与特征块之间的相似度。也可以采用深度学习网络中的自关注注意力机制、交叉关注注意力机制等方式计算车道线实例特征与特征块之间的相似度。
根据上述实施方式,通过计算待识别图像中每个特征块与每个车道线实例特征之间的相似度,可以确定每个车道线实例特征对应的车道线分割结果,得到实例级别的车道线分割结果。
示例性地,如图2所示,步骤S130可以包括:
S131,根据每个特征块与每个车道线实例特征之间的相似度,确定每个车道线实例特征对应的特征块;
S132,基于每个车道线实例特征对应的特征块,得到每个车道线实例特征对应的车道线分割结果。
示例性地,在上述S131中,可以比较每个特征块与每个车道线实例特征之间的相似度与预设阈值的大小关系,当相似度大于预设阈值时,则确定当前特征块与车道线实例特征具有对应关系。或者,可以针对每个车道线实例特征,分别确定相似度最大的N个特征块,作为与车道线实例特征对应的特征块,其中,N为预定的数值,且N为大于等于1的整数。
示例性地,在上述S132中,可以根据每个车道线实例特征对应的特征块,提取这些特征块对应的车道线即可得到每个车道线实例特征对应的车道线分割结果。
根据上述实施方式,先确定出每个车道线实例特征对应的特征块,再提取每个车道线实例特征对应的特征块所对应的车道线,可以获得每个车道线实例特征在待识别图像中对应的车道线分割结果,即可以定位每条不同的车道线在场景中的具体位置,方便了后续利用车道线信息区分车道以及智能车辆的自动驾驶。
示例性地,步骤S120包括:
基于交叉关注注意力机制,计算得到每个特征块与每个车道线实例特征之间的相似度。
由于交叉关注注意力机制是通过对外部引入的实例特征和输入的图像的特征进行计算,因此,基于交叉关注注意力机制可以得到两者之间的互信息,从而准确计算每个特征块与每个车道线实例特征之间的相似度。
示例性地,基于交叉关注注意力机制,计算得到每个特征块与每个车道线实例特征之间的相似度,可以包括:
基于至少一个特征块以及至少一个车道线实例特征,得到交叉相关信息;
基于交叉相关信息以及自关注注意力机制,计算得到每个特征块与每个车道线实例特征之间的相似度。
示例性地,在本公开实施例中,可以对至少一个特征块以及至少一个车道线实例特征进行合并,合并后得到的信息记为交叉相关信息。再基于交叉相关信息对每个特征块执行自关注注意力机制,得到每个特征块与每个车道线实例特征之间的相似度。
示例性地,在本公开实施例中,还可以基于至少一个特征块进行自关注注意力的计算。例如在基于交叉关注注意力机制计算相似度之前,先对至少一个特征块进行自关注注意力机制的计算,再利用交叉关注注意力机制计算相似度。由于注意力机制可以快速提取稀疏数据的重要特征,而自关注注意力机制是注意力机制的改进,其减少了对外部信息的依赖,更擅长捕捉数据或特征的内部相关性,因此,利用自关注注意力机制和交叉关注注意力机制的结合,可以使得计算出的相似度更准确。
根据上述实施方式,利用自关注注意力机制和交叉关注注意力机制,可以更加精确地捕捉特征块与车道线实例的特征,因此能够准确得到每个特征块与每个车道线实例特征之间的相似度,便于后续输出每个车道线实例特征分别对应的车道线分割结果。
示例性地,如图3所示,车道线分割方法还包括:
S310,对待识别图像进行分类识别,确定针对预设车道线实例的前背景分类结果;
S320,在前背景分类结果表征预设车道线实例为待识别图像的前景的情况下,将预设车道线实例的特征确定为至少一个车道线实例特征中的一个。
示例性地,前背景分类结果可以指对预设车道线实例是否前景的判断结果。即前背景分类结果用于表征该预设车道线实例是否待识别图像中的前景。例如,可以利用预设的车道线实例训练分类识别模型,训练好的分类识别模型可以识别图像中是否含有预设车道线实例对应的内容,并区分该部分内容属于车道线前景信息或是背景信息。
由于后续的车道线分割需要针对车道线示例特征分别确定待识别图像中对应的车道线分割结果,因此,可以利用上述方式先确定出需要获取车道线分割结果的至少一个车道线实例。例如,可以预设100个车道线实例,但其中部分车道线可能不在待识别图像中或者为待识别图像中的背景信息。利用分类器对待识别图像进行分类识别,针对每个车道线实例进行判别,得到每个车道线实例的前背景分类结果。对于其中的第i个车道线实例,如果该车道线实例为待识别图像的前景,则该车道线实例的特征为用于计算相似度以获取车道线分割结果的车道线实例特征。最终可以从100个车道线实例中确定出例如5个、10个车道线实例,这些车道线实例的特征即前述至少一个车道线实例特征。
根据上述实施方式,通过分类识别模型对待识别图像进行分类识别,在前背景分类结果表征预设车道线实例为待识别图像的前景的情况下,将预设车道线实例的特征确定为至少一个车道线实例特征中的一个。可以在进行车道线分割前消除车道线的背景信息造成的干扰,且分类识别模型对待识别图像的预处理缩小了车道线分割时所需车道线实例特征范围,提高了车道线分割的效率。
图4给出了本公开实施例中车道线分割方法的一个应用示例的示意图。如图4所示,实际应用时,可以采用卷积神经网络提取图像特征,实现特征图分块,得到多个特征块,再利用多个特征块与车道线实例进行交叉注意力以及自注意力计算,在此过程中,可以进行迭代优化,最终得到每个实例对应的车道线分割结果。
作为上述各方法的实现,本公开实施例还提供了一种车道线分割装置。图5是根据本公开一实施例的车道线分割装置示意图,该装置包括:
特征提取模块510,用于对待识别图像进行特征提取,得到待识别图像的至少一个特征块;
相似度获取模块520,用于确定至少一个特征块中的每个特征块与至少一个车道线实例特征中的每个车道线实例特征之间的相似度;
结果获取模块530,根据每个特征块与每个车道线实例特征之间的相似度,确定与每个车道线实例特征分别对应的车道线分割结果。
示例性地,在本公开实施例中,如图6所示,结果获取模块530包括:
确定单元531,用于根据每个特征块与每个车道线实例特征之间的相似度,确定每个车道线实例特征对应的特征块;
结果获取单元532,用于基于每个车道线实例特征对应的特征块,得到每个车道线实例特征对应的车道线分割结果。
示例性地,相似度获取模块520包括:
相似度计算单元521,用于基于交叉关注注意力机制,计算得到每个特征块与每个车道线实例特征之间的相似度。
示例性地,在本公开实施例中,相似度计算单元521具体用于:
基于至少一个特征块以及至少一个车道线实例特征,得到交叉相关信息;
基于交叉相关信息以及自关注注意力机制,计算得到每个特征块与每个车道线实例特征之间的相似度。
示例性地,在本公开实施例中,如图7所示,上述车道线分割装置还包括:
分类模块710,用于对待识别图像进行分类识别,确定针对预设车道线实例的前背景分类结果;
特征确定模块720,用于在前背景分类结果表征预设车道线实例为待识别图像的前景的情况下,将预设车道线实例的特征确定为至少一个车道线实例特征中的一个。
本公开实施例提供的装置及其中的各模块、单元,可以用于实现本公开任意实施例中的车道线分割方法,具备相应的有益效果。
需要说明的是,本公开的技术方案中,所涉及的用户个人信息的获取,存储和应用等,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。
图8示出了可以用来实施本公开的实施例的示例电子设备800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8所示,设备800包括计算单元801,其可以根据存储在只读存储器(ROM)802中的计算机程序或者从存储单元808加载到随机访问存储器(RAM)803中的计算机程序,来执行各种适当的动作和处理。在RAM 803中,还可存储设备800操作所需的各种程序和数据。计算单元801、ROM 802以及RAM 803通过总线804彼此相连。输入/输出(I/O)接口805也连接至总线804。
设备800中的多个部件连接至I/O接口805,包括:输入单元806,例如键盘、鼠标等;输出单元807,例如各种类型的显示器、扬声器等;存储单元808,例如磁盘、光盘等;以及通信单元809,例如网卡、调制解调器、无线通信收发机等。通信单元809允许设备800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801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801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801执行上文所描述的各个方法和处理,例如车道线分割方法。例如,在一些实施例中,车道线分割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808。在一些实施例中,计算机程序的部分或者全部可以经由ROM 802和/或通信单元809而被载入和/或安装到设备800上。当计算机程序加载到RAM 803并由计算单元801执行时,可以执行上文描述的车道线分割方法的一个或多个步骤。备选地,在其他实施例中,计算单元801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分割方法。
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,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 (13)
1.一种车道线分割方法,包括:
对待识别图像进行特征提取,得到所述待识别图像的至少一个特征块;
确定所述至少一个特征块中的每个特征块与至少一个车道线实例特征中的每个车道线实例特征之间的相似度;
根据所述每个特征块与所述每个车道线实例特征之间的相似度,确定与所述每个车道线实例特征分别对应的车道线分割结果。
2.根据权利要求1所述的方法,其中,根据所述每个特征块与所述每个车道线实例特征之间的相似度,确定与所述每个车道线实例特征对应的车道线分割结果,包括:
根据所述每个特征块与所述每个车道线实例特征之间的相似度,确定所述每个车道线实例特征对应的特征块;
基于所述每个车道线实例特征对应的特征块,得到所述每个车道线实例特征对应的车道线分割结果。
3.根据权利要求1或2所述的方法,其中,所述确定所述至少一个特征块中的每个特征块与至少一个车道线实例特征中的每个车道线实例特征之间的相似度,包括:
基于交叉关注注意力机制,计算得到所述每个特征块与所述每个车道线实例特征之间的相似度。
4.根据权利要求3所述的方法,其中,所述基于交叉关注注意力机制,计算得到所述每个特征块与所述每个车道线实例特征之间的相似度,包括:
基于所述至少一个特征块以及所述至少一个车道线实例特征,得到交叉相关信息;
基于所述交叉相关信息以及自关注注意力机制,计算得到所述每个特征块与所述每个车道线实例特征之间的相似度。
5.根据权利要求1-4中任一项所述的方法,还包括:
对所述待识别图像进行分类识别,确定针对预设车道线实例的前背景分类结果;
在所述前背景分类结果表征所述预设车道线实例为所述待识别图像的前景的情况下,将所述预设车道线实例的特征确定为所述至少一个车道线实例特征中的一个。
6.一种车道线分割装置,包括:
特征提取模块,用于对待识别图像进行特征提取,得到所述待识别图像的至少一个特征块;
相似度获取模块,用于确定所述至少一个特征块中的每个特征块与至少一个车道线实例特征中的每个车道线实例特征之间的相似度;
结果获取模块,根据所述每个特征块与所述每个车道线实例特征之间的相似度,确定与所述每个车道线实例特征分别对应的车道线分割结果。
7.根据权利要求6所述的装置,其中,结果获取模块包括:
确定单元,用于根据所述每个特征块与所述每个车道线实例特征之间的相似度,确定所述每个车道线实例特征对应的特征块;
结果获取单元,用于基于所述每个车道线实例特征对应的特征块,得到所述每个车道线实例特征对应的车道线分割结果。
8.根据权利要求6或7所述的装置,其中,相似度确定获取模块包括:
相似度计算单元,用于基于交叉关注注意力机制,计算得到所述每个特征块与所述每个车道线实例特征之间的相似度。
9.根据权利要求8所述的装置,其中,相似度计算单元具体用于:
基于所述至少一个特征块以及所述至少一个车道线实例特征,得到交叉相关信息;
基于所述交叉相关信息以及自关注注意力机制,计算得到所述每个特征块与所述每个车道线实例特征之间的相似度。
10.根据权利要求6-9中任一项所述的装置,还包括:
分类模块,用于对所述待识别图像进行分类识别,确定针对预设车道线实例的前背景分类结果;
特征确定模块,用于在所述前背景分类结果表征所述预设车道线实例为所述待识别图像的前景的情况下,将所述预设车道线实例的特征确定为所述至少一个车道线实例特征中的一个。
11.一种电子设备,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1-5中任一项所述的方法。
12.一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1-5中任一项所述的方法。
13.一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现根据权利要求1-5中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111270191.XA CN113989300A (zh) | 2021-10-29 | 2021-10-29 | 车道线分割的方法、装置、电子设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111270191.XA CN113989300A (zh) | 2021-10-29 | 2021-10-29 | 车道线分割的方法、装置、电子设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113989300A true CN113989300A (zh) | 2022-01-28 |
Family
ID=79744204
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111270191.XA Pending CN113989300A (zh) | 2021-10-29 | 2021-10-29 | 车道线分割的方法、装置、电子设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113989300A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114529768A (zh) * | 2022-02-18 | 2022-05-24 | 阿波罗智联(北京)科技有限公司 | 确定对象类别的方法、装置、电子设备和存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107767383A (zh) * | 2017-11-01 | 2018-03-06 | 太原理工大学 | 一种基于超像素的道路图像分割方法 |
US20190065867A1 (en) * | 2017-08-23 | 2019-02-28 | TuSimple | System and method for using triplet loss for proposal free instance-wise semantic segmentation for lane detection |
CN110647612A (zh) * | 2019-09-18 | 2020-01-03 | 合肥工业大学 | 一种基于双视觉注意力网络的视觉对话生成方法 |
CN111192200A (zh) * | 2020-01-02 | 2020-05-22 | 南京邮电大学 | 基于融合注意力机制残差网络的图像超分辨率重建方法 |
US20200349364A1 (en) * | 2019-04-30 | 2020-11-05 | Baidu Online Network Technology (Beijing) Co., Ltd. | Method and apparatus for training lane line identifying model, device, and storage medium |
CN111950498A (zh) * | 2020-08-21 | 2020-11-17 | 中国人民解放军国防科技大学 | 一种基于端到端实例分割的车道线检测方法及装置 |
WO2021120776A1 (zh) * | 2020-05-28 | 2021-06-24 | 平安科技(深圳)有限公司 | 实时车辆违章检测方法、装置、设备及存储介质 |
-
2021
- 2021-10-29 CN CN202111270191.XA patent/CN113989300A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190065867A1 (en) * | 2017-08-23 | 2019-02-28 | TuSimple | System and method for using triplet loss for proposal free instance-wise semantic segmentation for lane detection |
CN107767383A (zh) * | 2017-11-01 | 2018-03-06 | 太原理工大学 | 一种基于超像素的道路图像分割方法 |
US20200349364A1 (en) * | 2019-04-30 | 2020-11-05 | Baidu Online Network Technology (Beijing) Co., Ltd. | Method and apparatus for training lane line identifying model, device, and storage medium |
CN110647612A (zh) * | 2019-09-18 | 2020-01-03 | 合肥工业大学 | 一种基于双视觉注意力网络的视觉对话生成方法 |
CN111192200A (zh) * | 2020-01-02 | 2020-05-22 | 南京邮电大学 | 基于融合注意力机制残差网络的图像超分辨率重建方法 |
WO2021120776A1 (zh) * | 2020-05-28 | 2021-06-24 | 平安科技(深圳)有限公司 | 实时车辆违章检测方法、装置、设备及存储介质 |
CN111950498A (zh) * | 2020-08-21 | 2020-11-17 | 中国人民解放军国防科技大学 | 一种基于端到端实例分割的车道线检测方法及装置 |
Non-Patent Citations (3)
Title |
---|
刘艳洋;张沛纲;: "基于深度学习的车道线与绿植分割算法", 电子技术与软件工程, no. 06, 15 March 2020 (2020-03-15) * |
包晓敏;陈家凡;吴龙;吕文涛;杨晓城;: "基于改进图像自适应算法的车道线识别研究", 无线电通信技术, no. 05, 18 September 2017 (2017-09-18) * |
张峻荧;张成海;倪洪飞;于涛;: "基于车道投影特征的弯道识别算法研究", 汽车科技, no. 06, 25 November 2016 (2016-11-25) * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114529768A (zh) * | 2022-02-18 | 2022-05-24 | 阿波罗智联(北京)科技有限公司 | 确定对象类别的方法、装置、电子设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113902897B (zh) | 目标检测模型的训练、目标检测方法、装置、设备和介质 | |
CN112966599B (zh) | 关键点识别模型的训练方法、关键点识别方法及装置 | |
CN112528858A (zh) | 人体姿态估计模型的训练方法、装置、设备、介质及产品 | |
CN113947188A (zh) | 目标检测网络的训练方法和车辆检测方法 | |
CN113570606A (zh) | 目标分割的方法、装置及电子设备 | |
CN115358392A (zh) | 深度学习网络的训练方法、文本检测方法及装置 | |
CN113963197A (zh) | 图像识别方法、装置、电子设备和可读存储介质 | |
CN113378837A (zh) | 车牌遮挡识别方法、装置、电子设备和存储介质 | |
CN113920158A (zh) | 跟踪模型的训练与交通对象跟踪方法、装置 | |
CN114022865A (zh) | 基于车道线识别模型的图像处理方法、装置、设备和介质 | |
CN113989300A (zh) | 车道线分割的方法、装置、电子设备和存储介质 | |
CN114724113B (zh) | 道路标牌识别方法、自动驾驶方法、装置和设备 | |
CN114549961B (zh) | 目标对象的检测方法、装置、设备以及存储介质 | |
CN114677566B (zh) | 深度学习模型的训练方法、对象识别方法和装置 | |
CN116469073A (zh) | 目标识别方法、装置、电子设备、介质及自动驾驶车辆 | |
CN115439692A (zh) | 一种图像处理方法、装置、电子设备及介质 | |
CN115578431A (zh) | 图像深度处理方法、装置、电子设备及介质 | |
CN115063765A (zh) | 一种道路边界线确定方法、装置、设备及存储介质 | |
CN114445802A (zh) | 点云处理方法、装置及车辆 | |
CN113936158A (zh) | 一种标签匹配方法及装置 | |
CN114708498A (zh) | 图像处理方法、装置、电子设备以及存储介质 | |
CN114005098A (zh) | 高精地图车道线信息的检测方法、装置和电子设备 | |
CN113902898A (zh) | 目标检测模型的训练、目标检测方法、装置、设备和介质 | |
CN113706705A (zh) | 用于高精地图的图像处理方法、装置、设备以及存储介质 | |
CN113806361B (zh) | 电子监控设备与道路的关联方法、装置及存储介质 |
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 |