CN114267029A - 一种车道线检测方法、装置、设备及存储介质 - Google Patents
一种车道线检测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN114267029A CN114267029A CN202210191967.7A CN202210191967A CN114267029A CN 114267029 A CN114267029 A CN 114267029A CN 202210191967 A CN202210191967 A CN 202210191967A CN 114267029 A CN114267029 A CN 114267029A
- Authority
- CN
- China
- Prior art keywords
- value
- vector
- lane line
- image
- pixel
- 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.)
- Withdrawn
Links
Images
Landscapes
- Image Analysis (AREA)
Abstract
本发明实施例公开了一种车道线检测方法、装置、设备及存储介质。所述方法包括:根据车道线图像中各像素点在各通道的均值和标准差,以及所述车道线图像中车道线上各像素点在各通道的均值,确定所述车道线图像的待识别向量;根据所述待识别向量中一部分的向量值和样本图像关联特征向量中对应部分的向量值,从样本图像中确定目标图像;遍历所述车道线图像的各通道的各像素值,如果像素值小于或等于目标和,且大于目标差值,则把该像素值置为第一像素值,否则置为第二像素值;把各通道的像素值进行与操作,得到检测结果。本发明实施例提供一种车道线检测方法、装置、设备及存储介质,以提高不同光照下对物体的识别准确率。
Description
技术领域
本发明实施例涉及智能驾驶领域,尤其涉及一种车道线检测方法、装置、设备及存储介质。
背景技术
智能驾驶的时代已经来到。比如说,根据检测到的车道线,对司机进行辅助驾驶提醒。车道线检测是基础,车道线检测的准确率直接影响辅助驾驶提醒的准确率。
但发明人发现,车道线检测非常重要,但是在很多时候受天气和其他环境影响,车道线并不是清晰的,甚至是模糊的,导致识别非常困难。
发明内容
本发明实施例提供一种车道线检测方法、装置、设备及存储介质,以提高不同光照下对物体的识别准确率。
第一方面,本发明提供了一种车道线检测方法,所述方法包括:
获取待识别的车道线图像,根据所述车道线图像中各像素点在各通道的均值和标准差,以及所述车道线图像中车道线上各像素点在各通道的均值,确定所述车道线图像的特征向量,记为待识别向量;
根据所述待识别向量中一部分的向量值和样本图像关联特征向量中对应部分的向量值,从样本图像中确定目标图像;
遍历所述车道线图像的各通道的各像素值,如果像素值小于或等于目标和,且大于目标差值,则把该像素值置为第一像素值,否则置为第二像素值,
其中所述目标差值为目标图像关联样本均值向量中另一部分的向量值和目标图像关联样本标准差向量中对应部分的向量值的差,所述目标和为所述样本均值向量中另一部分的向量值和所述样本标准差向量中对应部分的向量值的和;
把各通道的像素值进行与操作,得到所述车道线图像的二值化图像,其中所述第一像素值表示识别得到的车道线。
第二方面,本发明还提供了一种车道线检测装置,所述装置包括:
向量确定模块,用于获取待识别的车道线图像,根据所述车道线图像中各像素点在各通道的均值和标准差,以及所述车道线图像中车道线上各像素点在各通道的均值,确定所述车道线图像的特征向量,记为待识别向量;
目标选择模块,用于根据所述待识别向量中一部分的向量值和样本图像关联特征向量中对应部分的向量值,从样本图像中确定目标图像;
像素遍历模块,用于遍历所述车道线图像的各通道的各像素值,如果像素值小于或等于目标和,且大于目标差值,则把该像素值置为第一像素值,否则置为第二像素值,
其中所述目标差值为目标图像关联样本均值向量中另一部分的向量值和目标图像关联样本标准差向量中对应部分的向量值的差,所述目标和为所述样本均值向量中另一部分的向量值和所述样本标准差向量中对应部分的向量值的和;
结果确定模块,用于把各通道的像素值进行与操作,得到所述车道线图像的二值化图像,其中所述第一像素值表示识别得到的车道线。
第三方面,本发明还提供了一种电子设备,所述设备包括:
一个或多个处理器;
存储器,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现本发明中任一所述的方法。
第四方面,本发明还提供了一种包含计算机可执行指令的存储介质,所述计算机可执行指令在由计算机处理器执行时用于执行如本发明中任一所述的方法。
本发明通过根据车道线图像中各像素点在各通道的均值和标准差,以及所述车道线图像中车道线上各像素点在各通道的均值,确定待识别向量。因为像素点在各通道的均值和标准差,以及所述车道线图像中车道线上各像素点在各通道的均值可以一定程度过滤环境因素对待识别图像的影响。然后,根据待识别向量从样本图像中确定目标图像,利用目标图像关联样本均值向量和样本标准差向量对车道线图像进行逐个通道的像素点进行遍历,以实现对车道线的检测。其中样本均值向量和样本标准差向量的应用可以一定程度过滤化境因素对样本图像的影响。在待识别图像和样本图像对环境因素都有一定鲁棒性的基础上,本发明可以提高在不同环境因素下车道线的识别准确率。
附图说明
图1为本发明实施例一提供的一种车道线检测方法的流程图;
图2是本发明实施例三提供的一种车道线检测装置的结构示意图;
图3为本发明实施例四提供的一种电子设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
图1为本发明实施例一提供的一种车道线检测方法的流程图。本实施例可适用于对不同环境因素下进行车道线检测的情况。该方法可以由一种车道线检测装置来执行,该装置可以由软件和/或硬件的方式实现。参见图1,本发明实施例提供的车道线检测方法包括:
S110、获取待识别的车道线图像,根据所述车道线图像中各像素点在各通道的均值和标准差,以及所述车道线图像中车道线上各像素点在各通道的均值,确定所述车道线图像的特征向量,记为待识别向量。
通道可以是图像的任意通道,可以是R、G、B通道,也可以是Y、U、V通道。各像素点在各通道的均值和标准差,可以通过各像素点在各通道的取值确定。
S120、根据所述待识别向量中一部分的向量值和样本图像关联特征向量中对应部分的向量值,从样本图像中确定目标图像。
目标图像是指与车道线图像相似度最高的样本图像。上述一部分的向量值中的一部分的具体数量可以根据实际需要设定,本实施例对此也不进行限定。
S130、遍历所述车道线图像的各通道的各像素值,如果像素值小于或等于目标和,且大于目标差值,则把该像素值置为第一像素值,否则置为第二像素值,
其中,所述目标差值为目标图像关联样本均值向量中另一部分的向量值和目标图像关联样本标准差向量中对应部分的向量值的差,所述目标和为所述样本均值向量中另一部分的向量值和所述样本标准差向量中对应部分的向量值的和。
第一像素值不同第二像素值,例如第一像素值为255,第二像素值为0,或,第一像素值为250,第二像素值为10。第一像素值和第二像素值仅用于区分图像的前景和背景,对取值不作限定,具体可以根据实际需要设定。
S140、把各通道的像素值进行与操作,得到所述车道线图像的二值化图像,其中所述第一像素值表示识别得到的车道线。
与操作后的车道线图像包括两类像素值,第一像素值和第二像素值,其中第一像素值标识作为检测结果的车道线。
本发明实施例的技术方案通过根据车道线图像中各像素点在各通道的均值和标准差,以及所述车道线图像中车道线上各像素点在各通道的均值,确定待识别向量。因为像素点在各通道的均值和标准差,以及所述车道线图像中车道线上各像素点在各通道的均值可以一定程度过滤环境因素对待识别图像的影响。然后,根据待识别向量从样本图像中确定目标图像,利用目标图像关联样本均值向量和样本标准差向量对车道线图像进行逐个通道的像素点进行遍历,以实现对车道线的检测。其中样本均值向量和样本标准差向量的应用可以一定程度过滤化境因素对样本图像的影响。在待识别图像和样本图像对环境因素都有一定鲁棒性的基础上,本发明实施例可以提高在不同环境因素下车道线的识别准确率。
为进一步提高待识别向量对车道线的描述准确率,所述根据所述车道线图像中各像素点在各通道的均值和标准差,以及所述车道线图像中车道线上各像素点在各通道的均值,确定所述车道线图像的特征向量,包括:
根据所述车道线图像中各像素点在各通道的均值、标准差、最大值、最小值、平均梯度,以及所述车道线图像中车道线上各像素点在各通道的均值,确定所述车道线图像的特征向量。
权衡对识别准确率和识别速度的要求,可以仅增加车道线图像中各像素点在各通道的最大值、最小值、平均梯度中的至少一种,也可以增加车道线图像中各像素点在各通道的最大值、最小值、平均梯度中的至少两种,增加车道线图像中各像素点在各通道的最大值、最小值、平均梯度中的全部。
进一步地,所述根据所述待识别向量中一部分的向量值和样本图像关联特征向量中对应部分的向量值,从样本图像中确定目标图像,包括:
根据所述待识别向量中一部分的向量值和样本图像关联特征向量中对应部分的向量值,确定图像距离值,所述图像距离值表示所述车道线图像与样本图像之间的相似度;
根据确定的图像距离值从样本图像中确定目标图像。
具体地,可以计算所述待识别向量中一部分的向量值和样本图像关联特征向量中对应部分的向量值之间的差值,根据计算的差值确定车道线图像与样本图像之间的相似度。
可选地,所述根据所述待识别向量中一部分的向量值和样本图像关联特征向量中对应部分的向量值,确定图像距离值,包括:
计算所述待识别向量中一部分向量在各维度的数值与样本均值向量中对应维度的数值的差值,记为第一差值;
若所述第一差值的绝对值小于或等于样本图像关联样本标准差向量中对应维度的数值,则所述图像距离值累加0,其中所述图像距离值的初始值为0;
若所述第一差值的绝对值大于样本图像关联样本标准差向量中对应维度的数值,则所述图像距离值累加第二差值,所述第二差值为所述第一差值的绝对值与所述样本标准差向量中对应维度数值的差值。
上述步骤通过待识别向量与样本均值向量的差值,过滤相似的像素点,基于较大区别的像素点计算图像距离值,从而有效解决了因环境原因导致的整体像素都存在较小偏差而带来的误判问题。
进一步地,若通道为R、G、B通道,则所述遍历所述车道线图像的各通道的各像素值,如果像素值小于或等于目标和,且大于目标差值,则把该像素值置为第一像素值,否则置为第二像素值,包括:
遍历R通道的每个像素值;如果像素值小于或等于所述目标和,且大于所述目标差值,则把该像素值置为第一像素值,否则置第二像素值;
遍历G通道的每个像素值;如果像素值小于或等于所述目标和,且大于所述目标差值,则把该像素值置为第一像素值,否则置第二像素值;
遍历B通道的每个像素值;如果像素值小于或等于所述目标和,且大于所述目标差值,则把该像素值置为第一像素值,否则置第二像素值。
进一步地,所述遍历所述车道线图像的各通道的各像素值,如果像素值小于或等于目标和,且大于目标差值,则把该像素值置为第一像素值,否则置为第二像素值之前,所述方法还包括:
获取设定数量的样本图像;根据所述样本图像中各像素点在各通道的像素值,确定样本图像的特征向量;
对所述设定数量的样本图像的特征向量,进行各维度的均值和标准差的计算,将计算得到的各维度的均值作为所述目标图像的样本均值向量,将计算得到的各维度的标准差作为所述目标图像的样本标准差向量。
进一步地,所述根据所述样本图像中各像素点在各通道的像素值,确定样本图像的特征向量,包括:
根据所述样本图像中各像素点在各通道的像素值,确定样本图像中各像素点在各通道的均值和标准差;
根据所述样本图像中车道线上各像素点的像素值,确定样本图像中车道线上各像素点在各通道的均值;
组合所述样本图像中各像素点在各通道的均值和标准差,以及所述样本图像中车道线上各像素点在各通道的均值,得到样本图像的特征向量。
实施例二
本实施例是在上述实施例的基础上以R、G、B通道为例提供的一种可选方案。本实施例提供的车道线检测方法包括生成样本数据阶段和识别过程阶段。生成样本数据阶段为预处理过程,识别过程阶段为实时过程。
其中生成样本数据阶段包括:
1、准备若干张不同场景下的车道线图片,例如1000张,二值化这些图片,车道线部分是白色,其余都是黑色,保留车道线图片和二值化图片。
2、根据二值化图片从车道线图片中定位车道线像素点,确定车道线图片的特征向量:每一张车道线图片都转化为B通道均值,B通道标准差,B通道最小值,B通道最大值,B通道平均梯度, G通道均值,G通道标准差,G通道最小值,G通道最大值,G通道平均梯度, R通道均值,R通道标准差,R通道最小值,R通道最大值,R通道平均梯度,B通道车道线部分平均值,G通道车道线部分平均值,R通道车道线部分平均值,共18个特征值。也就是说每一张图片对应一个18维向量。
3、假设有1000张车道线图片,那就会生成1000组特征值,通过压缩算法将1000组特征值压缩成30组。那样每组就有若干个特征值向量。取出第一组特征值向量求出第一列的均值和标准差,第二列的平均值和标准差,……第18列的均值和标准差,并存下来。这样每组就对应着一个平均值向量和一个标准差向量。那么30组数据就对应着30个平均值向量和30个标准差向量。
识别过程阶段包括:
1、识别车道线时,截取视频的某一帧,因为车道线只会在图像的中间靠下的部分,所以截取这部分ROI(感兴趣区域),也按照生成样本数据的规则生成18个特征值,记为向量a。
2、定义一个表示图像距离值的变量d,赋值为0。取出第一组平均值向量,记为b,取出第一组标准差向量,记为c。
3、循环处理向量的前15个特征值,如果a[i]-b[i]的绝对值小于等于c[i],则d+=0;如果a[i]-b[i]的绝对值大于c[i],则d+=|a[i]-b[i]|-c[i],保存下d。其中i用于标识不同特征值,示例性的,i可以取值0、1、2、3、4、5、6、7、8、9、10、11、12、13、14。
4、在取出第二组向量按照上述步骤处理,全部处理完后就得到30个d的值,最小的d值对应的就是目标图像,记为e平均值向量和f标准差向量。
5、把ROI分解成R、G、B三个通道,遍历B通道的每一个像素值,如果当前像素小于等于e[15]+f[15],并且大于e[15]-f[15],就把这个像素记为255,否则为0;遍历G通道的每一个像素值,如果当前像素小于等于e[16]+f[16],并且大于e[16]-f[16],就把这个像素记为255,否则为0;遍历R通道的每一个像素值,如果当前像素小于等于e[17]+f[17],并且大于e[17]-f[17],就把这个像素记为255,否则为0。
6、把R、G、B三个通道的数据进行与操作,最后就得到ROI的二值化图像,在二值化图像中车道线是白色,其他是黑色,至此一帧数据的车道线识别完毕。
本发明实施例通过大量采集不同场景下的车道线数据,提取车道线特征,在识别的时候通过数学方法把当前的图像特征与特征库里的数据比较,取出最相近的数据,利用特征数据就可以提取出车道线。解决了在很多时候受天气和其他环境影响,车道线并不是清晰的,甚至是模糊的,导致识别非常困难的问题。
实施例三
图2是本发明实施例三提供的一种车道线检测装置的结构示意图。本实施例提供的车道线检测装置包括:向量确定模块110、目标选择模块120、像素遍历模块130和结果确定模块140。
其中,向量确定模块110,用于获取待识别的车道线图像,根据所述车道线图像中各像素点在各通道的均值和标准差,以及所述车道线图像中车道线上各像素点在各通道的均值,确定所述车道线图像的特征向量,记为待识别向量;
目标选择模块120,用于根据所述待识别向量中一部分的向量值和样本图像关联特征向量中对应部分的向量值,从样本图像中确定目标图像;
像素遍历模块130,用于遍历所述车道线图像的各通道的各像素值,如果像素值小于或等于目标和,且大于目标差值,则把该像素值置为第一像素值,否则置为第二像素值,
其中所述目标差值为目标图像关联样本均值向量中另一部分的向量值和目标图像关联样本标准差向量中对应部分的向量值的差,所述目标和为所述样本均值向量中另一部分的向量值和所述样本标准差向量中对应部分的向量值的和;
结果确定模块140,用于把各通道的像素值进行与操作,得到所述车道线图像的二值化图像,其中所述第一像素值表示识别得到的车道线。
本发明实施例的技术方案通过根据车道线图像中各像素点在各通道的均值和标准差,以及所述车道线图像中车道线上各像素点在各通道的均值,确定待识别向量。因为像素点在各通道的均值和标准差,以及所述车道线图像中车道线上各像素点在各通道的均值可以一定程度过滤环境因素对待识别图像的影响。然后,根据待识别向量从样本图像中确定目标图像,利用目标图像关联样本均值向量和样本标准差向量对车道线图像进行逐个通道的像素点进行遍历,以实现对车道线的检测。其中样本均值向量和样本标准差向量的应用可以一定程度过滤化境因素对样本图像的影响。在待识别图像和样本图像对环境因素都有一定鲁棒性的基础上,本发明实施例可以提高在不同环境因素下车道线的识别准确率。
进一步地,所述向量确定模块,包括:
向量确定单元,用于根据所述车道线图像中各像素点在各通道的均值、标准差、最大值、最小值、平均梯度,以及所述车道线图像中车道线上各像素点在各通道的均值,确定所述车道线图像的特征向量。
进一步地,所述目标选择模块,包括:
距离确定单元,用于根据所述待识别向量中一部分的向量值和样本图像关联特征向量中对应部分的向量值,确定图像距离值,所述图像距离值表示所述车道线图像与样本图像之间的相似度;
目标确定单元,用于根据确定的图像距离值从样本图像中确定目标图像。
进一步地,所述距离确定单元用于:
计算所述待识别向量中一部分向量在各维度的数值与样本均值向量中对应维度的数值的差值,记为第一差值;
若所述第一差值的绝对值小于或等于样本图像关联样本标准差向量中对应维度的数值,则所述图像距离值累加0,其中所述图像距离值的初始值为0;
若所述第一差值的绝对值大于样本图像关联样本标准差向量中对应维度的数值,则所述图像距离值累加第二差值,所述第二差值为所述第一差值的绝对值与所述样本标准差向量中对应维度数值的差值。
进一步地,若通道为R、G、B通道,则所述像素遍历模块,包括:
R通道遍历单元,用于遍历R通道的每个像素值;如果像素值小于或等于所述目标和,且大于所述目标差值,则把该像素值置为第一像素值,否则置第二像素值;
G通道遍历单元,用于遍历G通道的每个像素值;如果像素值小于或等于所述目标和,且大于所述目标差值,则把该像素值置为第一像素值,否则置第二像素值;
B通道遍历单元,用于遍历B通道的每个像素值;如果像素值小于或等于所述目标和,且大于所述目标差值,则把该像素值置为第一像素值,否则置第二像素值。
进一步地,所述装置还包括:
第一向量确定模块,用于所述遍历所述车道线图像的各通道的各像素值,如果像素值小于或等于目标和,且大于目标差值,则把该像素值置为第一像素值,否则置为第二像素值之前,获取设定数量的样本图像;根据所述样本图像中各像素点在各通道的像素值,确定样本图像的特征向量;
第二向量确定模块,用于对所述设定数量的样本图像的特征向量,进行各维度的均值和标准差的计算,将计算得到的各维度的均值作为所述目标图像的样本均值向量,将计算得到的各维度的标准差作为所述目标图像的样本标准差向量。
进一步地,所述第一向量确定模块用于:
根据所述样本图像中各像素点在各通道的像素值,确定样本图像中各像素点在各通道的均值和标准差;
根据所述样本图像中车道线上各像素点的像素值,确定样本图像中车道线上各像素点在各通道的均值;
组合所述样本图像中各像素点在各通道的均值和标准差,以及所述样本图像中车道线上各像素点在各通道的均值,得到样本图像的特征向量。
上述产品可执行本发明任意实施例所提供的方法,具备执行方法相应的功能模块和有益效果。
实施例四
图3为本发明实施例四提供的一种电子设备的结构示意图.如图3所示,该终端包括处理器70、存储器71、输入装置72和输出装置73;终端中处理器70的数量可以是一个或多个,图3中以一个处理器70为例;终端中的处理器70、存储器71、输入装置72和输出装置73可以通过总线或其他方式连接,图3中以通过总线连接为例。
存储器71作为一种计算机可读存储介质,可用于存储软件程序、计算机可执行程序以及模块,如本发明实施例中的传感器故障诊断方法对应的程序指令/模块(例如,车道线检测装置中的向量确定模块110、目标选择模块120、像素遍历模块130和结果确定模块140)。处理器70通过运行存储在存储器71中的软件程序、指令以及模块,从而执行终端的各种功能应用以及数据处理,即实现上述的获取页面加载时间的方法。
存储器71可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序;存储数据区可存储根据终端的使用所创建的数据等。此外,存储器71可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中,存储器71可进一步包括相对于处理器70远程设置的存储器,这些远程存储器可以通过网络连接至终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置72可用于接收输入的数字或字符信息,以及产生与终端的用户设置以及功能控制有关的键信号输入。输出装置73可包括显示屏等显示设备。
实施例五
本发明实施例五还提供一种包含计算机可执行指令的存储介质,所述计算机可执行指令在由计算机处理器执行时用于执行一种车道线检测方法,该方法包括:
获取待识别的车道线图像,根据所述车道线图像中各像素点在各通道的均值和标准差,以及所述车道线图像中车道线上各像素点在各通道的均值,确定所述车道线图像的特征向量,记为待识别向量;
根据所述待识别向量中一部分的向量值和样本图像关联特征向量中对应部分的向量值,从样本图像中确定目标图像;
遍历所述车道线图像的各通道的各像素值,如果像素值小于或等于目标和,且大于目标差值,则把该像素值置为第一像素值,否则置为第二像素值,
其中所述目标差值为目标图像关联样本均值向量中另一部分的向量值和目标图像关联样本标准差向量中对应部分的向量值的差,所述目标和为所述样本均值向量中另一部分的向量值和所述样本标准差向量中对应部分的向量值的和;
把各通道的像素值进行与操作,得到所述车道线图像的二值化图像,其中所述第一像素值表示识别得到的车道线。
当然,本发明实施例所提供的一种包含计算机可执行指令的存储介质,其计算机可执行指令不限于如上所述的方法操作,还可以执行本发明任意实施例所提供的车道线检测方法中的相关操作。
通过以上关于实施方式的描述,所属领域的技术人员可以清楚地了解到,本发明可借助软件及必需的通用硬件来实现,当然也可以通过硬件实现,但很多情况下前者是更佳的实施方式。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,如计算机的软盘、只读存储器(Read-Only Memory, ROM)、随机存取存储器(RandomAccess Memory, RAM)、闪存(FLASH)、硬盘或光盘等,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)执行本发明各个实施例所述的方法。
值得注意的是,上述一种车道线检测装置的实施例中,所包括的各个单元和模块只是按照功能逻辑进行划分的,但并不局限于上述的划分,只要能够实现相应的功能即可;另外,各功能单元的具体名称也只是为了便于相互区分,并不用于限制本发明的保护范围。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.一种车道线检测方法,其特征在于,包括:
获取待识别的车道线图像,根据所述车道线图像中各像素点在各通道的均值和标准差,以及所述车道线图像中车道线上各像素点在各通道的均值,确定所述车道线图像的特征向量,记为待识别向量;
根据所述待识别向量中一部分的向量值和样本图像关联特征向量中对应部分的向量值,从样本图像中确定目标图像;
遍历所述车道线图像的各通道的各像素值,如果像素值小于或等于目标和,且大于目标差值,则把该像素值置为第一像素值,否则置为第二像素值,
其中所述目标差值为目标图像关联样本均值向量中另一部分的向量值和目标图像关联样本标准差向量中对应部分的向量值的差,所述目标和为所述样本均值向量中另一部分的向量值和所述样本标准差向量中对应部分的向量值的和;
把各通道的像素值进行与操作,得到所述车道线图像的二值化图像,其中所述第一像素值表示识别得到的车道线。
2.根据权利要求1所述的方法,其特征在于,所述根据所述车道线图像中各像素点在各通道的均值和标准差,以及所述车道线图像中车道线上各像素点在各通道的均值,确定所述车道线图像的特征向量,包括:
根据所述车道线图像中各像素点在各通道的均值、标准差、最大值、最小值、平均梯度,以及所述车道线图像中车道线上各像素点在各通道的均值,确定所述车道线图像的特征向量。
3.根据权利要求1所述的方法,其特征在于,所述根据所述待识别向量中一部分的向量值和样本图像关联特征向量中对应部分的向量值,从样本图像中确定目标图像,包括:
根据所述待识别向量中一部分的向量值和样本图像关联特征向量中对应部分的向量值,确定图像距离值,所述图像距离值表示所述车道线图像与样本图像之间的相似度;
根据确定的图像距离值从样本图像中确定目标图像。
4.根据权利要求3所述的方法,其特征在于,所述根据所述待识别向量中一部分的向量值和样本图像关联特征向量中对应部分的向量值,确定图像距离值,包括:
计算所述待识别向量中一部分向量在各维度的数值与样本均值向量中对应维度的数值的差值,记为第一差值;
若所述第一差值的绝对值小于或等于样本图像关联样本标准差向量中对应维度的数值,则所述图像距离值累加0,其中所述图像距离值的初始值为0;
若所述第一差值的绝对值大于样本图像关联样本标准差向量中对应维度的数值,则所述图像距离值累加第二差值,所述第二差值为所述第一差值的绝对值与所述样本标准差向量中对应维度数值的差值。
5.根据权利要求1所述的方法,其特征在于,若通道为R、G、B通道,则所述遍历所述车道线图像的各通道的各像素值,如果像素值小于或等于目标和,且大于目标差值,则把该像素值置为第一像素值,否则置为第二像素值,包括:
遍历R通道的每个像素值;如果像素值小于或等于所述目标和,且大于所述目标差值,则把该像素值置为第一像素值,否则置第二像素值;
遍历G通道的每个像素值;如果像素值小于或等于所述目标和,且大于所述目标差值,则把该像素值置为第一像素值,否则置第二像素值;
遍历B通道的每个像素值;如果像素值小于或等于所述目标和,且大于所述目标差值,则把该像素值置为第一像素值,否则置第二像素值。
6.根据权利要求1所述的方法,其特征在于,所述遍历所述车道线图像的各通道的各像素值,如果像素值小于或等于目标和,且大于目标差值,则把该像素值置为第一像素值,否则置为第二像素值之前,所述方法还包括:
获取设定数量的样本图像;根据所述样本图像中各像素点在各通道的像素值,确定样本图像的特征向量;
对所述设定数量的样本图像的特征向量,进行各维度的均值和标准差的计算,将计算得到的各维度的均值作为所述目标图像的样本均值向量,将计算得到的各维度的标准差作为所述目标图像的样本标准差向量。
7.根据权利要求6所述的方法,其特征在于,所述根据所述样本图像中各像素点在各通道的像素值,确定样本图像的特征向量,包括:
根据所述样本图像中各像素点在各通道的像素值,确定样本图像中各像素点在各通道的均值和标准差;
根据所述样本图像中车道线上各像素点的像素值,确定样本图像中车道线上各像素点在各通道的均值;
组合所述样本图像中各像素点在各通道的均值和标准差,以及所述样本图像中车道线上各像素点在各通道的均值,得到样本图像的特征向量。
8.一种车道线检测装置,其特征在于,包括:
向量确定模块,用于获取待识别的车道线图像,根据所述车道线图像中各像素点在各通道的均值和标准差,以及所述车道线图像中车道线上各像素点在各通道的均值,确定所述车道线图像的特征向量,记为待识别向量;
目标选择模块,用于根据所述待识别向量中一部分的向量值和样本图像关联特征向量中对应部分的向量值,从样本图像中确定目标图像;
像素遍历模块,用于遍历所述车道线图像的各通道的各像素值,如果像素值小于或等于目标和,且大于目标差值,则把该像素值置为第一像素值,否则置为第二像素值,
其中所述目标差值为目标图像关联样本均值向量中另一部分的向量值和目标图像关联样本标准差向量中对应部分的向量值的差,所述目标和为所述样本均值向量中另一部分的向量值和所述样本标准差向量中对应部分的向量值的和;
结果确定模块,用于把各通道的像素值进行与操作,得到所述车道线图像的二值化图像,其中所述第一像素值表示识别得到的车道线。
9.一种电子设备,其特征在于,所述设备包括:
一个或多个处理器;
存储器,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-7中任一所述的方法。
10.一种包含计算机可执行指令的存储介质,其特征在于,所述计算机可执行指令在由计算机处理器执行时用于执行如权利要求1-7中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210191967.7A CN114267029A (zh) | 2022-03-01 | 2022-03-01 | 一种车道线检测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210191967.7A CN114267029A (zh) | 2022-03-01 | 2022-03-01 | 一种车道线检测方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114267029A true CN114267029A (zh) | 2022-04-01 |
Family
ID=80833904
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210191967.7A Withdrawn CN114267029A (zh) | 2022-03-01 | 2022-03-01 | 一种车道线检测方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114267029A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114724119A (zh) * | 2022-06-09 | 2022-07-08 | 天津所托瑞安汽车科技有限公司 | 车道线提取方法、检测设备及存储介质 |
CN115690747A (zh) * | 2022-12-30 | 2023-02-03 | 天津所托瑞安汽车科技有限公司 | 车辆盲区检测模型测试方法、装置、电子设备及存储介质 |
-
2022
- 2022-03-01 CN CN202210191967.7A patent/CN114267029A/zh not_active Withdrawn
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114724119A (zh) * | 2022-06-09 | 2022-07-08 | 天津所托瑞安汽车科技有限公司 | 车道线提取方法、检测设备及存储介质 |
CN115690747A (zh) * | 2022-12-30 | 2023-02-03 | 天津所托瑞安汽车科技有限公司 | 车辆盲区检测模型测试方法、装置、电子设备及存储介质 |
CN115690747B (zh) * | 2022-12-30 | 2023-03-21 | 天津所托瑞安汽车科技有限公司 | 车辆盲区检测模型测试方法、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110705405B (zh) | 目标标注的方法及装置 | |
KR101617681B1 (ko) | 히스토그램들을 갖는 다중 층 연결 요소들을 사용하는 텍스트 검출 | |
CN114267029A (zh) | 一种车道线检测方法、装置、设备及存储介质 | |
CN109727275B (zh) | 目标检测方法、装置、系统和计算机可读存储介质 | |
CN108960412B (zh) | 图像识别方法、装置及计算机可读存储介质 | |
CN110399842B (zh) | 视频处理方法、装置、电子设备及计算机可读存储介质 | |
CN109116129B (zh) | 终端检测方法、检测设备、系统及存储介质 | |
CN116168351B (zh) | 电力设备巡检方法及装置 | |
CN115375917B (zh) | 一种目标边缘特征提取方法、装置、终端及存储介质 | |
CN110610123A (zh) | 一种多目标车辆检测方法、装置、电子设备及存储介质 | |
CN114359665A (zh) | 全任务人脸识别模型的训练方法及装置、人脸识别方法 | |
CN111275040A (zh) | 定位方法及装置、电子设备、计算机可读存储介质 | |
CN112883827B (zh) | 图像中指定目标的识别方法、装置、电子设备和存储介质 | |
CN114267076B (zh) | 一种图像识别方法、装置、设备及存储介质 | |
CN116259021A (zh) | 一种车道线检测方法、存储介质和电子设备 | |
CN109977937B (zh) | 图像处理方法、装置及设备 | |
CN114463242A (zh) | 图像检测方法、设备、存储介质及装置 | |
CN113838110B (zh) | 目标检测结果的校验方法、装置、存储介质和电子设备 | |
CN114821128B (zh) | 一种尺度自适应的模板匹配方法 | |
CN110766644A (zh) | 一种图像降采样方法及装置 | |
CN112766264B (zh) | 图片比对方法及电子设备、计算机可读存储介质 | |
CN115761598B (zh) | 一种基于云端业务平台的大数据分析方法及系统 | |
CN109117844B (zh) | 一种密码确定方法和装置 | |
CN114792427A (zh) | 一种可识别分析作业人员行为的方法、智能终端及装置 | |
CN114463243A (zh) | 图像检测方法、设备、存储介质及装置 |
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 | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20220401 |
|
WW01 | Invention patent application withdrawn after publication |