CN114202747A - 一种实时车道线分割方法、装置、终端及存储介质 - Google Patents

一种实时车道线分割方法、装置、终端及存储介质 Download PDF

Info

Publication number
CN114202747A
CN114202747A CN202111501967.4A CN202111501967A CN114202747A CN 114202747 A CN114202747 A CN 114202747A CN 202111501967 A CN202111501967 A CN 202111501967A CN 114202747 A CN114202747 A CN 114202747A
Authority
CN
China
Prior art keywords
lane line
real
line segmentation
time
time lane
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
Application number
CN202111501967.4A
Other languages
English (en)
Inventor
董俊
陈永辉
周攀
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.)
Shenzhen Miotone Video Signal Technology Co ltd
Original Assignee
Shenzhen Miotone Video Signal Technology 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 Shenzhen Miotone Video Signal Technology Co ltd filed Critical Shenzhen Miotone Video Signal Technology Co ltd
Priority to CN202111501967.4A priority Critical patent/CN114202747A/zh
Publication of CN114202747A publication Critical patent/CN114202747A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • 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
    • G06N3/048—Activation functions
    • 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
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Image Analysis (AREA)

Abstract

本申请涉及车道线识别领域，尤其是涉及一种实时车道线分割方法、装置、终端及存储介质，该方法包括：实时获取路面图像信息；采用深度学习模型对所述路面图像信息进行分割识别并输出车道线图像信息；其中，所述深度学习模型包括编码器、连接部和解码器，所述路面图像信息依次经过所述编码器、连接部和解码器处理后，获得所述车道线图像信息。本申请能够提高车道线识别的环境鲁棒性和实时性。

Description

一种实时车道线分割方法、装置、终端及存储介质
技术领域
本申请涉及车道线识别领域，尤其是涉及一种实时车道线分割方法、装置、终端及存储介质。
背景技术
随着现代生活日益发展，汽车在生活中越来越普及，汽车数量的迅速增加给人们带来了便利，但是也导致了更多的交通事故，其中，由驾驶员个人因素导致的事故比例高达70％以上。因此，开发高级辅助驾驶系统是有效降低交通事故发生率的手段，而车道线识别是高级辅助驾驶系统必不可少的功能，例如车道偏离预警、车道保持辅助等功能模块都依赖于连续稳定的车道线识别，如何精确地识别、分割车道线是高级辅助驾驶系统的核心技术问题。
相关技术中，基于特征的传统算法，大多通过安装在车辆上的传感器、摄像头、雷达等进行获取路面信息，利用获取路面信息的颜色、纹理和边缘等，采用亮度阈值、边缘检测、曲线拟合等方法进行车道线识别检测。
针对上述中的相关技术，发明人认为基于特征的传统算法在车道清晰、路面均匀的结构化道路，检测效果较好，但有较强的局限性、容易受到道路环境的干扰、检测精确度低、且存在计算成本过大的问题。
发明内容
为了提高车道线识别的环境鲁棒性和实时性，本申请提供了一种实时车道线分割方法、装置、终端及存储介质。
第一方面，本申请提供一种实时车道线分割方法，采用如下的技术方案：
一种实时车道线分割方法，包括：
实时获取路面图像信息；
采用深度学习模型对所述路面图像信息进行分割识别并输出车道线图像信息；
其中，所述深度学习模型包括编码器、连接部和解码器，所述路面图像信息依次经过所述编码器、连接部和解码器处理后，获得所述车道线图像信息。
通过采用上述技术方案，本申请能够提高车道线识别的环境鲁棒性和实时性。
可选的，所述编码器采用OSA结构与MSA结构组合成的OSA-MSA结构作为网络的backbone。
通过采用上述技术方案，针对OSA结构与MSA结构的优点将两者进行结合得到OSA-MSA结构，因此，本申请的车道线分割网络中OSA-MSA结构不仅具有OSA结构的较强的提取特征能力、参数量少、计算量小，同时具有MSA结构的空间-通道注意力机制来增强有用特征和提升像素之间空间上联系的能力。
可选的，所述MSA结构的注意力分支通道先采用Maxpooling进行步长为1的特征采样，然后经过常规卷积，再采用Sigmoid激活函数进行激活，获得携带所有attention机制权重信息的特征图。
通过采用上述技术方案，MSA结构的注意力分支通道先采用 Maxpooling进行步长为1的特征采样，使得输出特征图分辨率大小与输入特征图分辨率大小一致，经过Maxpooling能够选出特征辨识度更好的特征，提供了非线性并保留了更多的纹理信息，使得背景与车道线边缘更易区分；池化后的特征经过常规卷积，再进行激活，采用Sigmoid激活函数对所有参数进行归一化到0～1之间，此时该特征图为所有attention机制的权重。根据实际应用对SE结构进行改进，得到适用于语义分割的MSA结构，该结构针对车道线分割在全局特征在个通道上进行加权，对有利于损失函数的特征图权重进行增强；在局部上针对车道线像素之间存在较强的关联进行局部增强，该方法对车道线分割效果有明显提升。
可选的，将所述携带所有attention机制权重信息的特征图与所述MSA 结构输入端的输入特征进行Scale操作。
通过采用上述技术方案，通过注意力分支最后得到的是一个和输入特征图通道数、分辨率一致的特征，通过与输入特征进行Scale操作，MSA 结构最终输出的结果是输入特征与注意力特征图各对应通道特诊值分别和原特征图对应通道的二维矩阵点乘，得出的结果输出。
可选的，将所述OSA结构的输出端连接于所述MSA结构的输入端，并将所述MSA结构的输出端与所述OSA结构的输入端形成shortcut连接。
通过采用上述技术方案，将OSA结构与MSA结构进行串联结合，并将该输出与OSA结构的输入形成shortcut连接用于减少梯度发散问题。
可选的，所述连接部采用ASPP结构。
通过采用上述技术方案，ASPP结构是采用多个采样率的空洞卷积进行并行来对特征进行采样，可以编码图像级的全局上下文特征，进一步提升网络性能。
可选的，所述解码器采用反卷积进行解码并利用FPN结构进行融合。
通过采用上述技术方案，采用FPN结构可以更好的保留目标的位置和边缘信息，最终分割效果更加精细。
第二方面，本申请还提供一种实时车道线分割装置，采用如下的技术方案：
一种实时车道线分割装置，包括：
存储器，用于存储实时车道线分割程序；
处理器，在运行所述实时车道线分割程序时执行上述实时车道线分割方法的步骤。
通过采用上述技术方案，将上述实时车道线分割方法以计算机可读代码的形式呈现并存储于存储器内，在处理器运行存储器内的计算机可读代码时，执行上述实时车道线分割方法的步骤获得提高车道线识别的环境鲁棒性和实时性的效果。
第三方面，本申请还提供一种实时车道线分割终端，采用如下的技术方案：
一种实时车道线分割终端，包括：
图像采集装置，用于采集路面图像信息；
图像显示装置，用于显示车道线图像信息；
上述的实时车道线分割装置，输入端连接所述图像采集装置，输出端连接所述图像显示装置。
通过采用上述技术方案，终端借助图像采集装置采集路面图像信息、通过图像显示装置显示车道线图像信息，具有提高车道线识别的环境鲁棒性和实时性的效果。
第四方面，本申请还提供一种计算机可读存储介质，采用如下的技术方案：
一种计算机可读存储介质，存储有能够被处理器加载并执行上述实时车道线分割方法的计算机程序。
综上所述，本申请能够提高车道线识别的环境鲁棒性和实时性。
附图说明
图1是本申请实时车道线分割终端结构示意图。
图2是本申请实时车道线分割方法流程示意图。
图3是本申请深度学习模型整体结构示意图。
图4是本申请OSA结构示意图。
图5是本申请MSA结构示意图。
图6是本申请OSA-MSA结构示意图。
图7是本申请ASPP结构示意图。
图8是本申请FPN结构示意图。
图9是本申请经过测试的最终网络示意图。
附图标记说明：
1、图像采集装置；2、实时车道线分割装置；3、图像显示装置。
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 1-附图9及实施例，对本申请进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本申请，并不用于限定本申请。
随着神经网络理论的发展、大数据时代数据规模增加和硬件的更新迭代，与深度学习相关的算法体现出了比传统方法更准确、鲁棒性更强的特性，开始广泛应用在各行各业中。同样，在车道线识别检测上采用深度学习的相关算法的检测效果和检测速度也大幅提升。例如，一种基于消失点的网络，可以用于车道线的检测和识别，还可以训练一个多任务网络进行车道检测，该算法以20fps的速度运行，可以实时实现。又例如，一种采用改进的ResNet50作为基础模型提取局部特征，设计扩张卷积金字塔模块，对不同尺度的车道线进行提取，最终在CULane数据集中综合评价指标达到78.6％。尽管这些算法在车道线数据基本上取得了较好的结果，但是这些算法应用在车载端识别速度慢且需要的硬件资源多，无法达到实时应用要求。
下面结合说明书附图对本申请实时车道线分割终端的实施例作进一步详细描述。
如图1所示，本申请实施例提供一种实时车道线分割终端，终端包括图像采集装置1、实时车道线分割装置2和图像显示装置3，实时车道线分割装置2输入端连接图像采集装置1，输出端连接图像显示装置3；实时车道线分割装置2上集成有存储器和处理器，存储器用于存储实时车道线分割程序，处理器用于在运行实时车道线分割程序时执行上述实时车道线分割方法的步骤；图像采集装置1用于采集路面图像信息，图像显示装置3 用于显示车道线图像信息。可应用于自动驾驶领域，将实时车道线分割终端集成于车载端进行快速准确的识别道路上的车道线。
下面结合实时车道线分割终端对实时车道线分割方法的实施进行详细说明：
如图2所示，本申请实施例公开一种实时车道线分割方法，包括：
S01：实时获取路面图像信息；
S02：采用深度学习模型对路面图像信息进行分割识别并输出车道线图像信息。
如图3所示，深度学习模型整体采用全卷积网络，包括编码器 (Encoder)、连接部(neck部分)和解码器(Decoder)，路面图像信息依次经过编码器、连接部和解码器处理后，获得车道线图像信息；编码器采用OSA结构与MSA结构组合成的OSA-MSA结构作为网络的backbone(主干网络)，主干网络可以先经过若干个卷积进行下采样后，采用若干个 OSA-MSA结构进行特征提取，具体个数可以按照所需要卷积神经网络的深度进行堆叠，连接部采用ASPP结构，解码器采用若干个反卷积进行解码并利用FPN结构进行融合，其中，实线箭头表示普通卷积，虚线箭头表示反卷积，空心箭头表示FPN特征融合。
具体来说，OSA(One-Shot Aggregation)结构是基于DenseNet网络所用的backbone的优缺点进行改良的。DenseNet有着极强的提取特征能力，而且其参数、计算量(FLOPs)少，但是速度较慢，主要是因为DenseNet 中Dense Block密集连接所导致的高内存访问成本和能耗。
在设计轻量级网络时，FLOPs和模型参数是主要考虑因素，但是减少模型大小和FLOPs不等同于减少推理时间和降低能耗。比如ShuffleNetv2 与MobileNetv2在相同的FLOPs下，前者在GPU上速度更快。所以除了FLOPs 和模型大小外，还需要考虑其他因素对能耗和模型推理速度的影响。主要考虑两个重要的因素：内存访问成本(Memory AccessCost，MAC)和GPU 计算效率。
内存访问成本：
对于CNN网路来说，内存访问比计算对能耗贡献还大，如果网络中间特征比较大，甚至在同等模型大小下内存访问成本会增加，所以要充分考虑CNN层的MAC。在ShuffleNetV2论文中给出计算卷积层MAC的方法：
MAC＝hw(ci+co)+k2cico (4-1)；
其中，k为卷积核大小，h为特征高，w为特征框，ci为输入的通道数， co为输出的通道数。卷积层的计算量B＝k2hwcico，如果固定B的话，那么有：
Figure RE-GDA0003462383110000081
根据均值不等式，可以知道当输入和输出的通道数相同时MAC才取下界，此时的设计是最高效的。
GPU计算效率：
GPU计算的优势在于并行计算机制，因此，当要计算的特征较大时会充分发挥GPU的计算能力。如果将一个较大的卷积层拆分成几个小的卷积层，尽管效果是相同的，但是GPU计算却是低效的。所以，如果效果一样，尽量采用较少的层。比如MobileNet中采用深度可分离卷积(depthwise conv+1x1 conv)虽然降低了FLOPs，但是因为额外的1x1卷积而不利于GPU 运算效率。相比FLOPs，更应该关注的指标是FLOPs per Second，即用总的FLOPs除以总的GPU推理时间，这个指标越高说明GPU利用越高效。
对于DenseNet来说，其核心模块就是Dense Block，一种密集连接会聚合前面所有的layer，导致每个layer的输入channel数线性增长。受限于FLOPs和模型参数，每层layer的输出channel数是固定大小，这带来的问题就是输入和输出channel数不一致，如前面所述，此时的MAC不是最优的。虽然DenseNet的FLOPs和模型参数都不大，但是推理却并不高效，当输入较大时往往需要更多的显存和推理时间。
DenseNet密集连接，而且每个layer都会聚合前面层的特征，其实造成了特征冗余，因为后面的特征其实已经学习到了这些中间层的核心信息。
如图4所示，这种信息冗余优化后得到了OSA(One-Shot Aggregation) 模块，简单来说，就是只在最后一次性聚合前面所有的layer。这一改动将会解决DenseNet前面所述的问题，因为每个layer的输入channel数是固定的，这里可以让输出channel数和输入一致而取得最小的MAC，而且也不再需要1x1卷积层来压缩特征，OSA模块是GPU计算高效的。OSA结构具有了DenseNet有着极强的提取特征能力，且计算量小、计算速度快等优点。
视觉注意力机制是人类视觉所特有的大脑信号处理机制。人类视觉通过快速扫描全局图像，获得需要重点关注的目标区域，也就是一般所说的注意力焦点，而后对这一区域投入更多注意力资源，以获取更多所需要关注目标的细节信息，而抑制其他无用信息。人类视觉注意力机制极大地提高了视觉信息处理的效率与准确性。
深度学习中的注意力机制从本质上讲和人类的选择性视觉注意力机制类似，核心目标也是从众多信息中选择出对当前任务目标更关键的信息。由于注意力机制能够捕获更多信息特征来提高其表示能力，从而被广泛应用于深度学习网络中。
相关技术中的SE(Squeeze-and-Excitation)模块核心思想在于网络训练的同时学习不同通道特征图的权重，使得有利于损失函数下降的特征图的权重变大，而对损失函数下降没有贡献或者贡献较小的特征图权重变小，这样使用全局图像信息选择性地对特征图通道进行加权来增强其功能。 SE模块通过少量增加计算量，可有效提升网络效果，但是SE结构不能保持spatial information(空间信息)，只是针对全局上下文特征对这些区域进行整体编码，不能对图像的每个部分独立地学习重新加权。在图像语义分割任务中，不仅是像素预测，其像素之间同样存在较强的联系。
本申请实施例针对语义分割提出改进的attention(注意力)结构MSA(Maxpooling-Squeeze-Attention)。该结构具有SE结构的各通道特征图的权重，在每个特征图上像素之间同样存在着权重。
如图5所示，MSA结构的注意力分支通道先采用Maxpooling(最大池) 进行步长为1的特征采样，使得输出特征图分辨率大小与输入特征图分辨率大小一致，经过Maxpooling能够选出特征辨识度更好的特征，提供了非线性并保留了更多的纹理信息，使得背景与车道线边缘更易区分；池化后的特征经过常规卷积，再进行激活，采用Sigmoid激活函数对所有参数进行归一化到0～1之间，此时该特征图为所有attention机制的权重。
通过注意力分支最后得到的是一个和输入特征图通道数、分辨率一致的特征，通过与输入特征进行Scale操作。MSA结构最终输出的结果是输入特征与注意力特征图各对应通道特诊值分别和原特征图对应通道的二维矩阵点乘，得出的结果输出。
MSA结构是基于SE结构在此基础上以扩张的全卷积结构作为主干网络，增加了空间特征来进行像素级别的增强。该模块融合了全卷积层的优势，可进行密集的像素级预测，此外还添加了另一种局部形式的特征图加权，称为像素组注意力(pixel-groupattention)，从而以有效的方式考虑了空间通道的相互依赖性。SE模块与主要体现在提高分类性能上，MSA模块则是专门为改善分割结果而设计的。
如图6所示，本申请实施例针对OSA结构与MSA结构的优点将两者进行结合得到OSA-MSA结构，将OSA结构与MSA结构进行串联结合，并将该输出与OSA结构的输入形成shortcut(直连)连接；因此，本申请的车道线分割网络中OSA-MSA结构不仅具有OSA结构的较强的提取特征能力、参数量少、计算量小，同时具有MSA结构的空间-通道注意力机制来增强有用特征和提升像素之间空间上联系的能力，最后加入的shortcut连接用于减少梯度发散问题。
如图7所示，ASPP(Atrous Spatial Pyramid Pooling)空洞空间卷积池化金字塔，这是由SPP(Spatial Pyramid Pooling)池化金字塔结构和 Atrous空洞卷积这两个概念加在一起产生了ASPP。
SPP是利用多个不同尺度的池化层对特征进行提取，然后拼接，多尺度构造多感受野域，以多个比例捕捉对象以及图像上下文，对最后输出的性能提升。
Atrous空洞卷积相比于常规卷积在卷积核引入了扩张率这个参数，正常的卷积扩张率为1，空洞卷积利用更大的扩张率来扩大感受野。加入空洞卷积可以让原本3x3的卷积核，在相同参数量和计算量下拥有5x5或者更大的感受野，非常适用于图像语义分割。
ASPP是采用多个采样率的空洞卷积进行并行来对特征进行采样，可以编码图像级的全局上下文特征，进一步提升网络性能。
如图8所示，FPN(feature pyramid networks)将不同维度的特征图逐步进行融合。相关技术中，深度学习网络低层特征分辨率高，包含更多位置、细节信息，但语义信息少，高层特征具有更强的语义信息，但是分辨率很低，对细节的感知能力较差。FPN结构将深层的特征进行上采样后与浅层进行通道相加，增大特征感受野，同时保留了特征的位置信息和高层的语义信息，高效解决了“深度悖论”。在本申请实施例中采用FPN结构，可以更好的保留目标的位置和边缘信息，最终分割效果更加精细。
如图9所示，本申请实施例经过测试，主干网络经过三个卷积进行两次下采样后，采用4个OSA-MSA结构进行特征提取，此方法结合了OSA极强的特征提取能力且参数量小，同时具有MSA结构的空间-通道注意力机制提高像素之间的关联性，对车道线这种相关单元会集中在局部区域的特性的相关性会加强。ASPP结构作为网络的neck部分，采用级联不同扩张率的空洞卷积进行多尺度提取特征，以多个比例捕捉对象以及图像上下文，对最后输出的性能提升。网络Decoder部分采用5个反卷积进行解码并利用FPN结构进行融合，同时网络为FCN32s有利于提高小目标的分割效果；最后采用softmax(归一化指数函数)进行归一化操作。本申请实施例在 BDD 100K数据集上进行训练，训练数据标签分为两类，分别为背景和车道线；网络整体属于轻量级网络参数量少、计算量小，具有极强的特征提取能力，将OSA模块与MSA模块结合应用于车道线分割上，加入ASPP结多尺度进行特征采样，进一步利用全局上下文特征，对分割边缘有明显提升。
基于上述同一发明构思，本申请实施例提供一种计算机可读存储介质，包括能够被处理器加载执行时实现实时车道线分割方法流程中所述的各个步骤。
所述计算机可读存储介质例如包括：U盘、移动硬盘、只读存储器 (Read-OnlyMemory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将装置的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
以上均为本申请的较佳实施例，并非依此限制本申请的保护范围，本说明书(包括摘要和附图)中公开的任一特征，除非特别叙述，均可被其他等效或者具有类似目的的替代特征加以替换。即，除非特别叙述，每个特征只是一系列等效或类似特征中的一个例子而已。

Claims (10)

1.一种实时车道线分割方法，其特征在于，包括：
实时获取路面图像信息；
采用深度学习模型对所述路面图像信息进行分割识别并输出车道线图像信息；
其中，所述深度学习模型包括编码器、连接部和解码器，所述路面图像信息依次经过所述编码器、连接部和解码器处理后，获得所述车道线图像信息。
2.根据权利要求1所述的一种实时车道线分割方法，其特征在于：所述编码器采用OSA结构与MSA结构组合成的OSA-MSA结构作为网络的backbone。
3.根据权利要求2所述的一种实时车道线分割方法，其特征在于：所述MSA结构的注意力分支通道先采用Maxpooling进行步长为1的特征采样，然后经过常规卷积，再采用Sigmoid激活函数进行激活，获得携带所有attention机制权重信息的特征图。
4.根据权利要求3所述的一种实时车道线分割方法，其特征在于：将所述携带所有attention机制权重信息的特征图与所述MSA结构输入端的输入特征进行Scale操作。
5.根据权利要求2所述的一种实时车道线分割方法，其特征在于：将所述OSA结构的输出端连接于所述MSA结构的输入端，并将所述MSA结构的输出端与所述OSA结构的输入端形成shortcut连接。
6.根据权利要求1所述的一种实时车道线分割方法，其特征在于：所述连接部采用ASPP结构。
7.根据权利要求1所述的一种实时车道线分割方法，其特征在于：所述解码器采用反卷积进行解码并利用FPN结构进行融合。
8.一种实时车道线分割装置，其特征在于，包括：
存储器，用于存储实时车道线分割程序；
处理器，在运行所述实时车道线分割程序时执行权利要求1-7任一项所述实时车道线分割方法的步骤。
9.一种实时车道线分割终端，其特征在于，包括：
图像采集装置，用于采集路面图像信息；
图像显示装置，用于显示车道线图像信息；
如权利要求8所述的实时车道线分割装置，输入端连接所述图像采集装置，输出端连接所述图像显示装置。
10.一种计算机可读存储介质，其特征在于，存储有能够被处理器加载并执行权利要求1至7中任一项所述实时车道线分割方法的计算机程序。
CN202111501967.4A 2021-12-09 2021-12-09 一种实时车道线分割方法、装置、终端及存储介质 Pending CN114202747A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111501967.4A CN114202747A (zh) 2021-12-09 2021-12-09 一种实时车道线分割方法、装置、终端及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111501967.4A CN114202747A (zh) 2021-12-09 2021-12-09 一种实时车道线分割方法、装置、终端及存储介质

Publications (1)

Publication Number Publication Date
CN114202747A true CN114202747A (zh) 2022-03-18

Family

ID=80651865

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111501967.4A Pending CN114202747A (zh) 2021-12-09 2021-12-09 一种实时车道线分割方法、装置、终端及存储介质

Country Status (1)

Country Link
CN (1) CN114202747A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115115925A (zh) * 2022-08-29 2022-09-27 福建（泉州）哈工大工程技术研究院 一种基于多尺度特征信息融合的MS-YOLOv3工业仪表读数检测方法
CN115565148A (zh) * 2022-11-09 2023-01-03 福思(杭州)智能科技有限公司 道路图像的检测方法、装置、存储介质和电子装置

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115115925A (zh) * 2022-08-29 2022-09-27 福建（泉州）哈工大工程技术研究院 一种基于多尺度特征信息融合的MS-YOLOv3工业仪表读数检测方法
CN115565148A (zh) * 2022-11-09 2023-01-03 福思(杭州)智能科技有限公司 道路图像的检测方法、装置、存储介质和电子装置
CN115565148B (zh) * 2022-11-09 2023-04-18 福思(杭州)智能科技有限公司 道路图像的检测方法、装置、存储介质和电子装置

Similar Documents

Publication Publication Date Title
CN111915592B (zh) 基于深度学习的遥感图像云检测方法
CN112183203B (zh) 一种基于多尺度像素特征融合的实时交通标志检测方法
CN114445430B (zh) 轻量级多尺度特征融合的实时图像语义分割方法及系统
CN114202747A (zh) 一种实时车道线分割方法、装置、终端及存储介质
CN113780132B (zh) 一种基于卷积神经网络的车道线检测方法
Cho et al. Semantic segmentation with low light images by modified CycleGAN-based image enhancement
CN115631344B (zh) 一种基于特征自适应聚合的目标检测方法
CN116188999B (zh) 一种基于可见光和红外图像数据融合的小目标检测方法
CN114764856A (zh) 图像语义分割方法和图像语义分割装置
CN115761393B (zh) 一种基于模板在线学习的无锚目标跟踪方法
CN112149526A (zh) 一种基于长距离信息融合的车道线检测方法及系统
CN113392812B (zh) 基于深度神经网络的道路车道线检测方法及系统
Lee et al. An intelligent driving assistance system based on lightweight deep learning models
CN116229406B (zh) 车道线检测方法、系统、电子设备及存储介质
CN116343159B (zh) 一种非结构化场景可通行区域检测方法、装置及存储介质
CN116311154A (zh) 一种基于YOLOv5模型优化的车辆检测与识别方法
CN116309050A (zh) 图像超分辨率方法、程序产品、存储介质及电子设备
CN112836669B (zh) 一种司机分心驾驶检测方法
CN114627183A (zh) 一种激光点云3d目标检测方法
CN116783620A (zh) 根据点云的高效三维对象检测
Gao et al. RASWNet: an algorithm that can remove all severe weather features from a degraded image
CN118269967B (zh) 一种车辆防撞控制方法、装置、存储介质及设备
CN118379601B (zh) 一种基于阶梯交互注意力和像素特征增强网络红外小目标检测方法
Bo et al. Method of Eliminating Reflection Interference for Image Recognition in Autonomous Driving
CN117203678A (zh) 目标检测方法和装置

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