CN114299300A - 一种车道线检测方法、装置、计算机设备和存储介质 - Google Patents
一种车道线检测方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN114299300A CN114299300A CN202111542292.8A CN202111542292A CN114299300A CN 114299300 A CN114299300 A CN 114299300A CN 202111542292 A CN202111542292 A CN 202111542292A CN 114299300 A CN114299300 A CN 114299300A
- Authority
- CN
- China
- Prior art keywords
- lane line
- classification result
- determining
- lane
- fusion
- 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- Withdrawn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
- 238000001514 detection method Methods 0.000 title claims abstract description 31
- 230000004927 fusion Effects 0.000 claims abstract description 65
- 238000000034 method Methods 0.000 claims abstract description 22
- 235000004522 Pentaglottis sempervirens Nutrition 0.000 claims abstract description 9
- 238000004590 computer program Methods 0.000 claims description 21
- 230000011218 segmentation Effects 0.000 claims description 21
- 238000000605 extraction Methods 0.000 claims description 4
- 240000004050 Pentaglottis sempervirens Species 0.000 abstract description 5
- 238000004422 calculation algorithm Methods 0.000 description 17
- 238000013135 deep learning Methods 0.000 description 5
- 238000013527 convolutional neural network Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Landscapes
- Image Analysis (AREA)
Abstract
本申请涉及一种车道线检测方法、装置、计算机设备和存储介质,其中,方法包括:提取图像数据中的车道线特征,图像数据是多个采集设备采集的图像数据,图像数据包括车道线数据,融合车道线特征得到鸟瞰图视角下的车道线融合特征,根据车道线融合特征中车道线的像素级别确定车道线分类结果,以及车道线方向分类结果,根据车道线分类结果确定车道线实例,根据车道线实例和车道线方向分类结果确定车道线,在车道线形状复杂的情况下,能够区分车道线的横纵方向,进而更加准确地检测车道线。
Description
技术领域
本申请涉及智能交通技术领域,特别是涉及一种车道线检测方法、装置、计算机设备和存储介质。
背景技术
准确地感知环境是自动驾驶汽车在复杂动态环境中能够进行安全驾驶的关键,特别是在自动驾驶中,汽车需保持在车道线内,因此,车道线的检测是非常重要的。
现有的车道线检测算法大概分为传统算法和深度学习算法,其中,传统算法基本以图像处理算法为主,以颜色为主要特征;深度学习算法包括二值语义分割产生掩码图和掩码图的线拟合。上述车道线检测算法检测车道线的形状较为固定,在车道线形状复杂的情况下难以准确地检测车道线。
发明内容
基于此,有必要针对上述技术问题,提供一种车道线检测方法、装置、计算机设备和存储介质,即使在车道线形状复杂的情况下,也能够区分车道线的横纵方向,进而准确地检测车道线。
第一方面,提供一种车道线检测方法,该方法包括:
提取图像数据中的车道线特征,图像数据是多个采集设备采集的图像数据,图像数据包括车道线数据;
融合车道线特征得到鸟瞰图视角下的车道线融合特征;
根据车道线融合特征中车道线的像素级别确定车道线分类结果,以及车道线方向分类结果;
根据车道线分类结果确定车道线实例;
根据车道线实例和车道线方向分类结果确定车道线。
在一种可能的实现方式中,融合车道线特征得到鸟瞰图视角下的车道线融合特征,包括:
通过预设网络模型将车道线特征融合为鸟瞰图视角下的车道线融合特征。
在一种可能的实现方式中,根据车道线融合特征中车道线的像素级别确定车道线分类结果,以及车道线方向分类结果,包括:
通过预设分割模型获取车道线融合特征中车道线的像素级别;
根据车道线的像素级别确定车道线分类结果和车道线方向分类结果。
在一种可能的实现方式中,根据车道线分类结果确定车道线实例,包括:
计算车道线分类结果中每个像素点的密度;
根据密度确定车道线实例。
在一种可能的实现方式中,根据车道线实例和车道线方向分类结果确定车道线,包括:
对车道线实例进行多项式拟合,得到拟合曲线;
根据拟合曲线和车道线方向分类结果,确定车道线实例的方向预测值;
根据方向预测值,确定车道线。
第二方面,提供了一种车道线检测装置,该装置包括:
提取模块,用于提取图像数据中的车道线特征,图像数据是多个采集设备采集的图像数据,图像数据包括车道线数据;
融合模块,用于融合车道线特征得到鸟瞰图视角下的车道线融合特征;
确定模块,用于根据车道线融合特征中车道线的像素级别确定车道线分类结果,以及车道线方向分类结果;
确定模块,还用于根据车道线分类结果确定车道线实例;
确定模块,还用于根据车道线实例和车道线方向分类结果确定车道线。
在一种可能的实现方式中,融合模块,具体用于:
通过预设网络模型将车道线特征融合为鸟瞰图视角下的车道线融合特征。
在一种可能的实现方式中,确定模块,具体用于:
通过预设分割模型获取车道线融合特征中车道线的像素级别;
根据车道线的像素级别确定车道线分类结果和车道线方向分类结果。
第三方面,提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行计算机程序时实现第一方面或者第一方面任意一种实现方式中的车道线检测方法
第四方面,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第一方面或者第一方面任意一种实现方式中的车道线检测方法。
上述车道线检测方法、装置、计算机设备和存储介质,通过提取图像数据中的车道线特征,图像数据是多个采集设备采集的图像数据,图像数据包括车道线数据,融合车道线特征得到鸟瞰图视角下的车道线融合特征,根据车道线融合特征中车道线的像素级别确定车道线分类结果,以及车道线方向分类结果,根据车道线分类结果确定车道线实例,根据车道线实例和车道线方向分类结果确定车道线,在车道线形状复杂的情况下,能够区分车道线的横纵方向,进而更加准确地检测车道线。
附图说明
图1为本申请一个实施例中车道线检测方法的流程示意图;
图2为本申请一个实施例中车道线检测方法的拟合结果示意图;
图3为本申请一个实施例中车道线检测装置的结构框图;
图4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。
现有的车道线检测算法以单个前向相机的图像检测为主,采用传统算法和深度学习算法得到车辆前方的车道线检测结果。深度学习算法目前主流的方法分为多阶段和单阶段:多阶段包括二值语义分割产生掩码图和对掩码图进行线的拟合,其中,二值语义分割主要采用卷积神经网络,并通过改进卷积神经网络来提高语义分割精度;单阶段方法则是直接回归出线的参数,即在卷积神经网络上修改分支,使用特殊层将参数输出。
传统算法和深度学习算法检测车道线的过程中限制车道线检测的数量,而且对于前视图像来说,车道线的形状基本较为固定,且基本都未纵向,多项式的拟合也比较简单。但实际上自动驾驶车辆会配置多个相机来获取周围360°的视觉图像,在鸟瞰图视角下的车道线形状复杂,单纯地使用最小二乘法无法满足拟合需要,无法准确地检测车道线。
为了解决现有技术问题,本申请实施例提供了一种车道线检测方法、装置、设备及计算机存储介质。下面首先对本申请实施例所提供的车道线检测方法进行介绍。
在一些实施例中,如图1所示,提供了一种车道线检测方法,包括以下步骤:
S110,提取图像数据中的车道线特征,图像数据是多个采集设备采集的图像数据,图像数据包括车道线数据。
图像数据是多个采集设备采集的图像数据,图像数据中包括车道线数据,从图像中可以获取车道线的轨迹。其中,采集设备可以为相机、激光雷达等设备,多个采集设备从不同角度获取车辆周围全方位的图像。
采用卷积神经网络提取图像数据中的车道线特征,以用于后续车道线的检测。其中,车道线特征包括每个像素点对应的数值。
S120,融合车道线特征得到鸟瞰图视角下的车道线融合特征。
将不同方向拍摄的图像中的车道线特征进行融合,得到鸟瞰图视角下的车道线融合特征,能够比较真实全面地还原车辆所处环境的车道线情况。
S130,根据车道线融合特征中车道线的像素级别确定车道线分类结果,以及车道线方向分类结果。
为了使得分类结果更加准确,用于确定车道线分类结果以及车道线方向分类结果的像素级别为像素点。根据车道线融合特征中车道线的像素点确定车道线分类结果和车道线方向分类结果,其中,车道线分类结果包括0和1,0表示该车道线融合特征为车道线的特征,1表示该车道线融合特征为非车道线的特征,车道线方向分类结果包括0和1,0表示车道线方向为横向,1表示车道线方向为纵向。
S140,根据车道线分类结果确定车道线实例。
选取车道线分类结果为车道线对应的车道线特征进行聚类,得到车道线实例。因为车道线基本为细长的形态结构,所以聚类算法选择基于密度空间的聚类算法DBSCAN,该算法可以针对任意形状产生聚类,能够得到更为真实的车道线实例。
S150,根据车道线实例和车道线方向分类结果确定车道线。
在对车道线实例进行拟合后,通过车道线方向分类结果来区分横向车道线与纵向车道线的拟合曲线,从而确定车道线。
在本申请实施例中,通过提取图像数据中的车道线特征,图像数据是多个采集设备采集的图像数据,图像数据包括车道线数据,融合车道线特征得到鸟瞰图视角下的车道线融合特征,根据车道线融合特征中车道线的像素级别确定车道线分类结果,以及车道线方向分类结果,根据车道线分类结果确定车道线实例,根据车道线实例和车道线方向分类结果确定车道线,在车道线形状复杂的情况下,能够区分车道线的横纵方向,进而更加准确地检测车道线。
在一些实施例中,融合车道线特征得到鸟瞰图视角下的车道线融合特征,包括:
通过预设网络模型将车道线特征融合为鸟瞰图视角下的车道线融合特征。
预设网络模型为预先训练好的用于特征融合的网络模型,该模型包括transformer网络,transformer网络的自注意力机制可以将各个特征图关联起来,使得融合效果更优。由于transformer网络占用显存空间较大,为了节省显存空间,提高模型训练速度,预设网络模型中的transformer网络中的解码部分和编码部分只设置一层。
将多个采集设备采集的图像数据中车道线特征输入到预设网络模型内,可直接得到鸟瞰图视角下的车道线融合特征。相对于现有的融合算法先预测图像中各个像素点的深度信息,形成3D空间上的特征,通过3D坐标进行融合并通过相机内外参数转换到鸟瞰图视角下,预设网络模型的融合过程简单,耗时少,不需要依赖相机内外参数进行转换,避免了相机参数误差对结果的影响,提高了车道线特征的融合效率。
在一些实施例中,根据车道线融合特征中车道线的像素级别确定车道线分类结果,以及车道线方向分类结果,包括:
通过预设分割模型获取车道线融合特征中车道线的像素级别;
根据车道线的像素级别确定车道线分类结果和车道线方向分类结果。
预设分割模型为预先训练好能够对车道线特征进行车道线分类和车道线方向分类的模型,包括分割分支和方向分支。
将车道线融合特征输入预设分割模型,获取车道线融合特征中车道线的像素点,预设分割模型中的分割分支输出每个像素点的分类结果,预设分割模型中的方向分支输出每个像素点的方向分类结果,根据每个像素点的分类和方向分类得到车道线分类结果和车道线方向分类结果。
若预设分割模型中的方向分支在做损失函数计算时有太多的负样本,即非车道线的像素点,会影响检测性能,所以方向分支会结合分割分支得到的像素点的分类结果,只提取分类结果为车道线的像素点,根据这些像素点的方向分类结果做损失函数计算,减少负样本影响,提高预设分割模型输出分类结果的准确性。
在一些实施例中,根据车道线分类结果确定车道线实例,包括:
计算车道线分类结果中每个像素点的密度;
根据密度确定车道线实例。
计算车道线分类结果为车道线的每个像素点的密度,像素点的密度为该点周围一定半径内包含的其他点的数量。当像素点的密度不小于预设阈值时,则该点为核点,当像素点的密度小于预设阈值时,且被核点包围,则该点为边缘点,其中,预设阈值可根据实际需求自行设定。
由于车道线实际上是一条有宽度的实线,而拟合结果是一条曲线,因此,这条曲线应趋向于这些点的中间,所以在进行聚类时只选用核点,去除边缘点,以使拟合曲线更接近于实线中心,连接为核点的像素点得到车道线实例。
在一些实施例中,根据车道线实例和车道线方向分类结果确定车道线,包括:
对车道线实例进行多项式拟合,得到拟合曲线;
根据拟合曲线和车道线方向分类结果,确定车道线实例的方向预测值;
根据方向预测值,确定车道线。
对车道线实例进行多项式拟合,得到车道线的多项式拟合曲线,多项式拟合曲线在最小二乘法的基础上加入方向参数,根据每个车道线实例上的每个像素点的方向分类结果,即0或1,综合每条车道线实例上所有像素点的分类结果再求平均值得到车道线实例的方向预测值,若方向预测值接近0,那么车道线的方向为横向,多项式拟合曲线为y=ax2+bx+c,若方向预测值接近1,那么车道线的方向为纵向,多项式拟合曲线为x=ay2+by+c。
根据上述车道线检测方法,得到的拟合结果如图2所示,黑色部分为公路,灰色线条为车道线,灰色图像为车辆。由图2可知,该方法可以检测出车辆周围一定距离内的所有车道线,且对所有方向的车道线都具有较优的拟合效果。
应该理解的是,虽然图1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,图1中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子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,这些子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的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一些实施例中,如图3所示,提供了一种车道线检测装置,包括:提取模块310、融合模块320和确定模块330,其中:
提取模块310,用于提取图像数据中的车道线特征,图像数据是多个采集设备采集的图像数据,图像数据包括车道线数据;
融合模块320,用于融合车道线特征得到鸟瞰图视角下的车道线融合特征;
确定模块330,用于根据车道线融合特征中车道线的像素级别确定车道线分类结果,以及车道线方向分类结果;
确定模块330,还用于根据车道线分类结果确定车道线实例;
确定模块330,还用于根据车道线实例和车道线方向分类结果确定车道线。
在本申请实施例中,即使在车道线形状复杂的情况下,也能够区分车道线的横纵方向,进而更加准确地检测车道线。
在一些实施例中,融合模块,具体用于:
通过预设网络模型将车道线特征融合为鸟瞰图视角下的车道线融合特征。
在一些实施例中,确定模块,具体用于:
通过预设分割模型获取车道线融合特征中车道线的像素级别;
根据车道线的像素级别确定车道线分类结果和车道线方向分类结果。
在一些实施例中,确定模块,具体用于:
计算车道线分类结果中每个像素点的密度;
根据密度确定车道线实例。
在一些实施例中,确定模块,具体用于:
对车道线实例进行多项式拟合,得到拟合曲线;
根据拟合曲线和车道线方向分类结果,确定车道线实例的方向预测值;
根据方向预测值,确定车道线。
关于车道线检测装置的具体限定可以参见上文中对于车道线检测方法的限定,在此不再赘述。上述车道线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。
在一些实施例中,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4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、网络接口和数据库。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、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车道线数据。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车道线检测方法。
本领域技术人员可以理解,图4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。
在一些实施例中,提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行计算机程序时实现以下步骤:
提取图像数据中的车道线特征,图像数据是多个采集设备采集的图像数据,图像数据包括车道线数据;
融合车道线特征得到鸟瞰图视角下的车道线融合特征;
根据车道线融合特征中车道线的像素级别确定车道线分类结果,以及车道线方向分类结果;
根据车道线分类结果确定车道线实例;
根据车道线实例和车道线方向分类结果确定车道线。
在一些实施例中,处理器执行计算机程序时还实现以下步骤:融合车道线特征得到鸟瞰图视角下的车道线融合特征,包括:通过预设网络模型将车道线特征融合为鸟瞰图视角下的车道线融合特征。
在一些实施例中,处理器执行计算机程序时还实现以下步骤:根据车道线融合特征中车道线的像素级别确定车道线分类结果,以及车道线方向分类结果,包括:通过预设分割模型获取车道线融合特征中车道线的像素级别;根据车道线的像素级别确定车道线分类结果和车道线方向分类结果。
在一些实施例中,处理器执行计算机程序时还实现以下步骤:根据车道线分类结果确定车道线实例,包括:计算车道线分类结果中每个像素点的密度;根据密度确定车道线实例。
在一些实施例中,处理器执行计算机程序时还实现以下步骤:根据车道线实例和车道线方向分类结果确定车道线,包括:对车道线实例进行多项式拟合,得到拟合曲线;根据拟合曲线和车道线方向分类结果,确定车道线实例的方向预测值;根据方向预测值,确定车道线。
在一些实施例中,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:
提取图像数据中的车道线特征,图像数据是多个采集设备采集的图像数据,图像数据包括车道线数据;
融合车道线特征得到鸟瞰图视角下的车道线融合特征;
根据车道线融合特征中车道线的像素级别确定车道线分类结果,以及车道线方向分类结果;
根据车道线分类结果确定车道线实例;
根据车道线实例和车道线方向分类结果确定车道线。
在一些实施例中,计算机程序被处理器执行时还实现以下步骤:融合车道线特征得到鸟瞰图视角下的车道线融合特征,包括:通过预设网络模型将车道线特征融合为鸟瞰图视角下的车道线融合特征。
在一些实施例中,计算机程序被处理器执行时还实现以下步骤:根据车道线融合特征中车道线的像素级别确定车道线分类结果,以及车道线方向分类结果,包括:通过预设分割模型获取车道线融合特征中车道线的像素级别;根据车道线的像素级别确定车道线分类结果和车道线方向分类结果。
在一些实施例中,计算机程序被处理器执行时还实现以下步骤:根据车道线分类结果确定车道线实例,包括:计算车道线分类结果中每个像素点的密度;根据密度确定车道线实例。
在一些实施例中,计算机程序被处理器执行时还实现以下步骤:根据车道线实例和车道线方向分类结果确定车道线,包括:对车道线实例进行多项式拟合,得到拟合曲线;根据拟合曲线和车道线方向分类结果,确定车道线实例的方向预测值;根据方向预测值,确定车道线。
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,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、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
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发明专利范围的限制。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,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种车道线检测方法,其特征在于,所述方法包括:
提取图像数据中的车道线特征,所述图像数据是多个采集设备采集的图像数据,所述图像数据包括车道线数据;
融合所述车道线特征得到鸟瞰图视角下的车道线融合特征;
根据车道线融合特征中车道线的像素级别确定车道线分类结果,以及车道线方向分类结果;
根据所述车道线分类结果确定车道线实例;
根据所述车道线实例和所述车道线方向分类结果确定车道线。
2.根据权利要求1所述的方法,其特征在于,所述融合所述车道线特征得到鸟瞰图视角下的车道线融合特征,包括:
通过预设网络模型将所述车道线特征融合为鸟瞰图视角下的车道线融合特征。
3.根据权利要求1或2所述的方法,其特征在于,所述根据车道线融合特征中车道线的像素级别确定车道线分类结果,以及车道线方向分类结果,包括:
通过预设分割模型获取所述车道线融合特征中车道线的像素级别;
根据所述车道线的像素级别确定车道线分类结果和车道线方向分类结果。
4.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分类结果确定车道线实例,包括:
计算所述车道线分类结果中每个像素点的密度;
根据所述密度确定所述车道线实例。
5.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实例和所述车道线方向分类结果确定车道线,包括:
对所述车道线实例进行多项式拟合,得到拟合曲线;
根据所述拟合曲线和所述车道线方向分类结果,确定所述车道线实例的方向预测值;
根据所述方向预测值,确定所述车道线。
6.一种车道线检测装置,其特征在于,所述装置包括:
提取模块,用于提取图像数据中的车道线特征,所述图像数据是多个采集设备采集的图像数据,所述图像数据包括车道线数据;
融合模块,用于融合所述车道线特征得到鸟瞰图视角下的车道线融合特征;
确定模块,用于根据车道线融合特征中车道线的像素级别确定车道线分类结果,以及车道线方向分类结果;
所述确定模块,还用于根据所述车道线分类结果确定车道线实例;
所述确定模块,还用于根据所述车道线实例和所述车道线方向分类结果确定车道线。
7.根据权利要求6所述的装置,其特征在于,所述融合模块,具体用于:
通过预设网络模型将所述车道线特征融合为鸟瞰图视角下的车道线融合特征。
8.根据权利要求6或7所述的装置,其特征在于,所述确定模块,具体用于:
通过预设分割模型获取所述车道线融合特征中车道线的像素级别;
根据所述车道线的像素级别确定车道线分类结果和车道线方向分类结果。
9.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,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5中任一项所述方法的步骤。
10.一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5中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111542292.8A CN114299300A (zh) | 2021-12-16 | 2021-12-16 | 一种车道线检测方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111542292.8A CN114299300A (zh) | 2021-12-16 | 2021-12-16 | 一种车道线检测方法、装置、计算机设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114299300A true CN114299300A (zh) | 2022-04-08 |
Family
ID=80966698
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111542292.8A Withdrawn CN114299300A (zh) | 2021-12-16 | 2021-12-16 | 一种车道线检测方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114299300A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024001969A1 (zh) * | 2022-07-01 | 2024-01-04 | 华为技术有限公司 | 一种图像处理方法、装置、存储介质及计算机程序产品 |
-
2021
- 2021-12-16 CN CN202111542292.8A patent/CN114299300A/zh not_active Withdrawn
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024001969A1 (zh) * | 2022-07-01 | 2024-01-04 | 华为技术有限公司 | 一种图像处理方法、装置、存储介质及计算机程序产品 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Meyer et al. | Lasernet: An efficient probabilistic 3d object detector for autonomous driving | |
CN111178245B (zh) | 车道线检测方法、装置、计算机设备和存储介质 | |
CN111666921B (zh) | 车辆控制方法、装置、计算机设备和计算机可读存储介质 | |
CN110414507B (zh) | 车牌识别方法、装置、计算机设备和存储介质 | |
US11475681B2 (en) | Image processing method, apparatus, electronic device and computer readable storage medium | |
CN108805016B (zh) | 一种头肩区域检测方法及装置 | |
CN111814902A (zh) | 目标检测模型训练方法、目标识别方法、装置和介质 | |
CN112132156A (zh) | 多深度特征融合的图像显著性目标检测方法及系统 | |
CN112288770A (zh) | 基于深度学习的视频实时多目标检测与跟踪方法和装置 | |
CN110807491A (zh) | 车牌图像清晰度模型训练方法、清晰度检测方法及装置 | |
CN109034086B (zh) | 车辆重识别方法、装置及系统 | |
KR102095842B1 (ko) | 격자지도 생성 장치 및 방법 | |
CN110516541B (zh) | 文本定位方法、装置、计算机可读存储介质和计算机设备 | |
KR102476022B1 (ko) | 얼굴검출 방법 및 그 장치 | |
KR20220093187A (ko) | 포지셔닝 방법 및 장치, 전자 기기, 컴퓨터 판독 가능 저장 매체 | |
CN114998856B (zh) | 一种多相机图像的3d目标检测方法、装置、设备及介质 | |
CN110232418B (zh) | 一种语义识别方法、终端及计算机可读存储介质 | |
CN113267761B (zh) | 激光雷达目标检测识别方法、系统及计算机可读存储介质 | |
CN111652181B (zh) | 目标跟踪方法、装置及电子设备 | |
CN112232140A (zh) | 人群计数方法、装置、电子设备及计算机存储介质 | |
CN110751040B (zh) | 一种三维物体的检测方法和装置、电子设备、存储介质 | |
CN114299300A (zh) | 一种车道线检测方法、装置、计算机设备和存储介质 | |
CN111191482B (zh) | 一种刹车灯识别方法、装置及电子设备 | |
CN109102549B (zh) | 图像光源颜色的检测方法、装置、计算机设备及存储介质 | |
CN112926616B (zh) | 图像匹配方法和装置、电子设备、计算机可读存储介质 |
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 | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20220408 |