CN114332370A - 道路图像处理方法、装置、设备和存储介质 - Google Patents
道路图像处理方法、装置、设备和存储介质 Download PDFInfo
- Publication number
- CN114332370A CN114332370A CN202111624799.8A CN202111624799A CN114332370A CN 114332370 A CN114332370 A CN 114332370A CN 202111624799 A CN202111624799 A CN 202111624799A CN 114332370 A CN114332370 A CN 114332370A
- Authority
- CN
- China
- Prior art keywords
- road
- effective
- image
- straight line
- image processing
- 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
Abstract
本申请公开了一种道路图像处理方法、装置、设备和存储介质。该方法包括:获取道路区域图像;确定所述道路区域图像中的带状潜在道路区;基于探测测试单元将所述带状潜在道路区分割成多个道路子单元;测试每个道路子单元是否有效;将多个有效的道路单元进行合并处理得到有效道路。本申请通过探测测试单元来确定对道路区域图像中的带状潜在道路区中的有效道路;提升了有效道路的探测效率,避免了人工手动查找费时效率低,并且自动对有效道路进行修复处理。使得修复后的道路统一平整,大幅节约了人力,提升了效率。
Description
技术领域
本申请涉及图像处理技术领域,具体而言,涉及一种道路图像处理方法、装置、设备和存储介质。
背景技术
三维重建中,主干道路的重建通常会包含一些破损或者残缺的模型,主要是因为道路中存在运动中的车辆、行人等复杂因素,这些运动中的因素会对道路的完整还原产生显著的干扰。现有技术中,通过人工的方式来修整这些残缺模型的结构,将错误数据压平。通过人工的方式来对路面进行修复效率低且成本高。
发明内容
本申请的主要目的在于提供一种道路图像处理方法、装置、设备和存储介质,以解决上述问题。
为了实现上述目的,根据本申请的一个方面,提供了一种道路图像处理方法,包括:
获取道路区域图像;
确定所述道路区域图像中的带状潜在道路区;
基于探测测试单元将所述带状潜在道路区分割成多个道路子单元;
测试每个道路子单元是否有效;
将多个有效的道路单元进行合并处理得到有效道路;
对所述有效道路进行修复处理。
在一种实施方式中,确定所述道路区域图像中的带状潜在道路区域,包括:
将所述道路区域图像输入到预先训练的神经网络模型中,神经网络模型输出识别结果图像;所述识别结果图像中,用语义标签标识出道路区域。
在一种实施方式中,确定所述道路区域图像中的带状潜在道路区,包括:
对所述识别结果图像进行二值化处理得到二值化图像;
对所述二值化图像依次进行膨胀处理、腐蚀处理、边缘检测,得到道路区域的道路的边缘。
在一种实施方式中,确定所述道路区域图像中的带状潜在道路区,包括:
提取所述道路的边缘的直线得到第一直线;
查找与所述第一直线平行的第二直线;
计算所述第一直线与所述第二直线之间的距离;
如果所述距离小于预定的道路宽度阈值;
确定所述第一直线和第二直线的区域为带状潜在道路区。
在一种实施方式中,测试每个单元是否有效,包括:
计算被标记为道路语义标签的像素数量m,以及“探测种子单元”所有像素的总数量n;
根据所述道路语义标签的像素数量m和所有像素的总数量n计算有效道路标记的像素占比P;
如果所述像素占比P大于预定阈值,则确定所述单元为有效单元。
在一种实施方式中,将多个有效的单元进行合并处理得到有效道路,包括:
将多个相邻的有效单元进行合并,得到多个有效单元集合;
对所述多个有效单元集合进行合并处理得到有效道路。
在一种实施方式中,对所述多个有效单元集合进行合并处理得到有效道路,包括:
计算任意的相邻的两个有效单元集合之间的距离;
如果所述距离小于预定距离阈值,则将所述两个相邻的有效单元集进行合并得到有效道路。
为了实现上述目的,根据本申请的另一方面,提供了一种楼体图像处理装置,该装置包括:
获取模块,用于获取道路区域图像;
探测模块,用于确定所述道路区域图像中的带状潜在道路区;以及用于基于探测测试单元将所述带状潜在道路区分割成多个道路子单元;
测试模块,用于测试每个道路子单元是否有效;
合并模块,用于将多个有效的道路单元进行合并处理得到有效道路;
修复模块,用于对所述有效道路进行修复处理。
在一种实施方式中,探测模块还用于,提取所述道路的边缘的直线得到第一直线;
查找与所述第一直线平行的第二直线;
计算所述第一直线与所述第二直线之间的距离;
如果所述距离小于预定的道路宽度阈值;
所述第一直线和第二直线的区域为带状潜在道路区。
在一种实施方式中,测试模块还用于,计算被标记为道路语义标签的像素数量m,以及“探测种子单元”所有像素的总数量n;
根据所述道路语义标签的像素数量m和所有像素的总数量n计算有效道路标记的像素占比P;
如果所述像素占比P大于预定阈值,则确定所述单元为有效单元。
在一种实施方式中,合并模块还用于,将多个相邻的有效单元进行合并,得到多个有效单元集合;
对所述多个有效单元集合进行合并处理得到有效道路。
在一种实施方式中,合并模块还用于,计算任意的相邻的两个有效单元集合之间的距离;
如果所述距离小于预定距离阈值,则将所述两个相邻的有效单元集进行合并得到有效道路。
在一种实施方式中,探测模块还用于,对所述道路图像进行道路语义标注形成二值化图像;
对所述二值化图像依次进行膨胀处理、腐蚀处理、边缘检测,得到道路的边缘。
为了实现上述目的,根据本申请的第三方面,提供了一种电子设备;包括至少一个处理器和至少一个存储器;所述存储器用于存储一个或多个程序指令;所述处理器,用于运行一个或多个程序指令,用以执行上述任一项所述的步骤。
根据本申请的第四方面,提供了一种计算机可读存储介质,计算机可读存储介质中包含一个或多个程序指令,所述一个或多个程序指令用于执行上述任意一项所述的步骤。
在本申请实施例中,本申请通过探测测试单元来确定对道路区域图像中的带状潜在道路区中的有效道路;提升了有效道路的探测效率,避免了人工手动查找费时效率低,并且自动对有效道路进行修复处理。使得修复后的道路统一平整,大幅节约了人力,提升了效率。
附图说明
构成本申请的一部分的附图用来提供对本申请的进一步理解,使得本申请的其它特征、目的和优点变得更明显。本申请的示意性实施例附图及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1是根据本申请实施例的一种道路三维模型重建的示意图;
图2是根据本申请实施例的一种城市路网示意图;
图3是根据本申请实施例的一种道路图像处理方法的流程图;
图4是根据本申请实施例的另一种城市路网示意图;
图5是根据本申请实施例的一种探测道路示意图;
图6是根据本申请实施例的一种道路修复带的示意图;
图7是根据本申请实施例的一种道路图像处理装置的结构示意图;
图8是根据本申请实施例的一种电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分的实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本申请保护的范围。
需要说明的是,本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施例。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
在本申请中,术语“上”、“下”、“左”、“右”、“前”、“后”、“顶”、“底”、“内”、“外”、“中”、“竖直”、“水平”、“横向”、“纵向”等指示的方位或位置关系为基于附图所示的方位或位置关系。这些术语主要是为了更好地描述本发明及其实施例,并非用于限定所指示的装置、元件或组成部分必须具有特定方位,或以特定方位进行构造和操作。
并且,上述部分术语除了可以用于表示方位或位置关系以外,还可能用于表示其他含义,例如术语“上”在某些情况下也可能用于表示某种依附关系或连接关系。对于本领域普通技术人员而言,可以根据具体情况理解这些术语在本发明中的具体含义。
此外,术语“安装”、“设置”、“设有”、“连接”、“相连”、“套接”应做广义理解。例如,可以是固定连接,可拆卸连接,或整体式构造;可以是机械连接,或电连接;可以是直接相连,或者是通过中间媒介间接相连,又或者是两个装置、元件或组成部分之间内部的连通。对于本领域普通技术人员而言,可以根据具体情况理解上述术语在本发明中的具体含义。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
在道路的三维模型重建的过程中,参见附图1所示的一种道路三维模型重建的示意图;道路中央重建出了很多残缺的车辆模型,车辆模型的结构也是扭曲的,这些车辆模型影响了道路重建的整体效果,通常情况下,会通过人工的方式来修整这些残缺的车辆模型的结构,将这些车辆模型压平。
参见附图2所示的一种城市路网示意图;红色直线表示城市的主干道路,在一个城市中通常道路网络会十分丰富且错综复杂,对于错综复杂的城市道路网,如果采用人工的方式来对路面进行修复,首先需要查找每一条道路,人工查找效率低,如果道路的数量众多,也浪费了人力成本。
基于此,本申请提出了一种道路图像处理方法,参见附图3所示的一种道路图像处理方法的流程图;该方法包括:
步骤S302,获取道路区域图像;
具体的,道路区域图像可以为从高空中垂直向下拍摄的城市俯视图。
步骤S304,确定所述道路区域图像中的带状潜在道路区时,将所述道路区域图像输入到预先训练的道路识别模型中,道路识别模型输出识别结果图像,该识别结果图像中,用标签标识出道路的区域。
具体的,道路识别模型可以采用卷积神经网络CNN来实现。训练时,采用大量的道路图片作为正样本,采用大量的非道路的图片作为负样本,损失函数降低到预定阈值之后,停止训练。
对上述的识别结果图像进行二值化处理得到二值化图像;
示例性的,参见附图4所示的另一种城市路网示意图;其中,左图为城市模型图,右图中为二值化图像;道路识别模型可以比较清晰的获得城市的路网区域。
对所述二值化图像依次进行膨胀处理、腐蚀处理、边缘检测,得到道路的边缘。
提取所述道路的边缘的直线得到第一直线;
查找与所述第一直线平行的第二直线;计算所述第一直线与所述第二直线之间的距离;如果所述距离小于预定的道路宽度阈值,所述第一直线和第二直线的区域为带状潜在道路区。
其中,道路宽度阈值可以采用现有的道路的宽度值,具体大小可以灵活进行设置。
示例性的,再通过霍夫变换提取直线,针对当前直线li,寻找和其平行或近似平行的直线lj,并计算与平行直线之间的距离Dij,若满足Dij≤Wr;Wr为道路宽度阈值;则li和lj平行,以两条直线为道路侧边构成了一条未闭合道路,即为“带状潜在道路区”。
示例性的,Wr的范围在[15,30],单位为米;
步骤S306,基于探测测试单元将所述带状潜在道路区分割成多个道路子单元;
其中,探测测试单元的长度和宽度需要预先进行设定。具体可以根据实际情况灵活设置。
步骤S308,测试每个道路子单元是否有效;
具体的,计算被标记为道路语义标签的像素数量m,以及“探测种子单元”所有像素的总数量n;
根据所述道路语义标签的像素数量m和所有像素的总数量n计算有效道路标记的像素占比P;
如果所述像素占比P大于预定阈值,则确定所述单元为有效单元;
其中,预定阈值可以灵活进行设定。
示例性的,参见附图5所示的探测道路示意图;
设置一个“探测种子单元”宽度为Wu,高度为Hu。基于“探测种子单元”,在“有效检测区域”的两条红色平行线描述了“带状潜在道路区”。
示例性的,Wu的取值范围[1,5],单位为米。
如a所示,基于“探测种子单元”将“带状潜在道路区”分割成多段;Ga表示“带状潜在道路区”中所有“探测种子单元”的集合。
R表示一个“探测种子单元”的区域。
Ga={R1,R2,R3,R4,...};针对Ga中的每个“探测种子单元”Ri,计算被标记为道路语义标签的像素数量m,以及“探测种子单元”所有像素的总数量n。
计算P=m/n;P表示有效道路标记的像素占比,如果P≥P0则设置当前Ri为“有效种子单元”。
示例性的,P0的取值范围[0.3,0.9];
步骤S310,将多个有效的道路单元进行合并处理得到有效道路;具体包括以下步骤:计算任意的相邻的两个有效单元集合之间的距离;如果所述距离小于预定距离阈值,则将所述两个相邻的有效单元集进行合并得到有效道路。
示例性的,预定距离阈值的取值范围为[1,10],单位为米。
具体的,将多个相邻的有效单元进行合并,得到多个有效单元集合;对所述多个有效单元集合进行合并处理得到有效道路。
示例性的,参见附图5中,如b所示,填充单元即表示“有效种子单元”,将相邻的“有效种子单元”进行合并,得到了多个“有效种子集”Gbn,Gb1={R3,R4 },Gb2={R6},Gb3={R9}...;针对“有效种子集”进行生长,计算最近的两个“有效种子集”之间的距离,距离以“探测种子单元”为单位,如果小于距离阈值L0,则将两个“有效种子集”进行合并形成更大的“有效种子集合”Gcn。
如c所示,Gc1={R3,R4,R5,R6,R7,R8,R9};基于每一个Gcn,得到对应的“有效道路矩形”。
步骤S312,对所述有效道路进行修复处理。
具体的,可以对有效道路进行统一压平处理,也就是将道路图像中的运动的车辆部分进行模糊处理,达到压平的效果,避免干扰,完成了道路的自动修复工作。
示例性的,参见附图6所示的一种道路修复带的示意图。
其中,以道路侧边为基础,左边线向内部移动Wl的距离,右边线向内部移动Wr的距离,形成一个“道路修复带”,在“道路修复带”区域,利用像素标记的道路语义标签,为三维模型中道路的顶点进行标注,基于三维模型中标记为道路的顶点,估计一个道路平面,对“道路修复带”进行统一压平处理,完成了道路的自动修复工作。
示例性的,Wr的取值范围[15,30],单位为米;
Wl,Wr,两者的和占整个道路宽度的比例范围为[5%,25%]。
本申请的技术方案,通过探测测试单元来确定对道路区域图像中的带状潜在道路区中的有效道路;提升了有效道路的探测效率,避免了人工手动查找费时效率低,并且自动对有效道路进行修复处理。使得修复后的道路统一平整,大幅节约了人力,提升了效率。
需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
根据本发明实施例,还提供了一种楼体图像处理装置,参见附图7所示的一种楼体图像处理装置的结构示意图;该装置包括:
获取模块71,用于获取道路区域图像;
探测模块72,用于确定所述道路区域图像中的带状潜在道路区;以及用于基于探测测试单元将所述带状潜在道路区分割成多个道路子单元;
测试模块73,用于测试每个道路子单元是否有效;
合并模块74,用于将多个有效的道路单元进行合并处理得到有效道路;
修复模块75,用于对所述有效道路进行修复处理。
在一种实施方式中,探测模块72还用于,提取所述道路的边缘的直线得到第一直线;
查找与所述第一直线平行的第二直线;
计算所述第一直线与所述第二直线之间的距离;
如果所述距离小于预定的道路宽度阈值;
所述第一直线和第二直线的区域为带状潜在道路区。
在一种实施方式中,测试模块73还用于,计算被标记为道路语义标签的像素数量m,以及“探测种子单元”所有像素的总数量n;
根据所述道路语义标签的像素数量m和所有像素的总数量n计算有效道路标记的像素占比P;
如果所述像素占比P大于预定阈值,则确定所述单元为有效单元。
在一种实施方式中,合并模块74还用于,将多个相邻的有效单元进行合并,得到多个有效单元集合;
对所述多个有效单元集合进行合并处理得到有效道路。
在一种实施方式中,合并模块74还用于,计算任意的相邻的两个有效单元集合之间的距离;
如果所述距离小于预定距离阈值,则将所述两个相邻的有效单元集进行合并得到有效道路。
在一种实施方式中,探测模块72还用于,对所述道路图像进行道路语义标注形成二值化图像;
对所述二值化图像依次进行膨胀处理、腐蚀处理、边缘检测,得到道路的边缘。
根据本申请的第三方面,提供了一种电子设备,参见附图8所示的电子设备的结构示意图;包括至少一个处理器81和至少一个存储器82;所述存储器82用于存储一个或多个程序指令;所述处理器81,用于运行一个或多个程序指令,用以执行上述任意一项的方法。
第四方面,本申请还提出了一种计算机可读存储介质,计算机可读存储介质中包含一个或多个程序指令,所述一个或多个程序指令用于执行以下的步骤:
获取道路区域图像;
确定所述道路区域图像中的带状潜在道路区;
基于探测测试单元将所述带状潜在道路区分割成多个道路子单元;
测试每个道路子单元是否有效;
将多个有效的道路单元进行合并处理得到有效道路;
对所述有效道路进行修复处理。
在一种实施方式中,确定所述道路区域图像中的潜在道路区,包括:
在一种实施方式中,确定所述道路区域图像中的带状潜在道路区域,包括:
将所述道路区域图像输入到预先训练的神经网络模型中,神经网络模型输出识别结果图像;所述识别结果图像中,用语义标签标识出道路区域。
在一种实施方式中,确定所述道路区域图像中的带状潜在道路区,包括:
对所述识别结果图像进行二值化处理得到二值化图像;
对所述二值化图像依次进行膨胀处理、腐蚀处理、边缘检测,得到道路区域的道路的边缘。
在一种实施方式中,确定所述道路区域图像中的带状潜在道路区,包括:
提取所述道路的边缘的直线得到第一直线;
查找与所述第一直线平行的第二直线;
计算所述第一直线与所述第二直线之间的距离;
如果所述距离小于预定的道路宽度阈值;
确定所述第一直线和第二直线的区域为带状潜在道路区。
在一种实施方式中,测试每个单元是否有效,包括:
计算被标记为道路语义标签的像素数量m,以及“探测种子单元”所有像素的总数量n;
根据所述道路语义标签的像素数量m和所有像素的总数量n计算有效道路标记的像素占比P;
如果所述像素占比P大于预定阈值,则确定所述单元为有效单元。
在一种实施方式中,将多个有效的单元进行合并处理得到有效道路,包括:
将多个相邻的有效单元进行合并,得到多个有效单元集合;
对所述多个有效单元集合进行合并处理得到有效道路。
在一种实施方式中,对所述多个有效单元集合进行合并处理得到有效道路,包括:
计算任意的相邻的两个有效单元集合之间的距离;
如果所述距离小于预定距离阈值,则将所述两个相邻的有效单元集进行合并得到有效道路。
可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。处理器读取存储介质中的信息,结合其硬件完成上述方法的步骤。
存储介质可以是存储器,例如可以是易失性存储器或非易失性存储器,或可包括易失性和非易失性存储器两者。
其中,非易失性存储器可以是只读存储器(Read-Only Memory,简称ROM)、可编程只读存储器(Programmable ROM,简称PROM)、可擦除可编程只读存储器(Erasable PROM,简称EPROM)、电可擦除可编程只读存储器(Electrically EPROM,简称EEPROM)或闪存。
易失性存储器可以是随机存取存储器(Random Access Memory,简称RAM),其用作外部高速缓存。通过示例性但不是限制性说明,许多形式的RAM可用,例如静态随机存取存储器(Static RAM,简称SRAM)、动态随机存取存储器(Dynamic RAM,简称DRAM)、同步动态随机存取存储器(Synchronous DRAM,简称 SDRAM)、双倍数据速率同步动态随机存取存储器(Double Data RateSDRAM,简称DDRSDRAM)、增强型同步动态随机存取存储器(EnhancedSDRAM,简称 ESDRAM)、同步连接动态随机存取存储器(Synchlink DRAM,简称SLDRAM) 和直接内存总线随机存取存储器(DirectRambus RAM,简称DRRAM)。
本发明实施例描述的存储介质旨在包括但不限于这些和任意其它适合类型的存储器。
本领域技术人员应该可以意识到,在上述一个或多个示例中,本发明所描述的功能可以用硬件与软件组合来实现。当应用软件时,可以将相应功能存储在计算机可读介质中或者作为计算机可读介质上的一个或多个指令或代码进行传输。计算机可读介质包括计算机存储介质和通信介质,其中通信介质包括便于从一个地方向另一个地方传送计算机程序的任何介质。存储介质可以是通用或专用计算机能够存取的任何可用介质。
显然,本领域的技术人员应该明白,上述的本发明的各模块或各步骤可以用通用的计算装置来实现,它们可以集中在单个的计算装置上,或者分布在多个计算装置所组成的网络上,可选地,它们可以用计算装置可执行的程序代码来实现,从而,可以将它们存储在存储装置中由计算装置来执行,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样,本发明不限制于任何特定的硬件和软件结合。
以上所述仅为本申请的优选实施例而已,并不用于限制本申请,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (10)
1.一种道路图像处理方法,其特征在于,包括:
获取道路区域图像;
确定所述道路区域图像中的带状潜在道路区;
基于探测测试单元将所述带状潜在道路区分割成多个道路子单元;
测试每个道路子单元是否有效;
将多个有效的道路单元进行合并处理得到有效道路;
对所述有效道路进行修复处理。
2.根据权利要求1所述的楼体图像处理方法,其特征在于,确定所述道路区域图像中的带状潜在道路区域,包括:
将所述道路区域图像输入到预先训练的神经网络模型中,神经网络模型输出识别结果图像;所述识别结果图像中,用语义标签标识出道路区域。
3.根据权利要求2所述的楼体图像处理方法,其特征在于,确定所述道路区域图像中的带状潜在道路区,包括:
对所述识别结果图像进行二值化处理得到二值化图像;
对所述二值化图像依次进行膨胀处理、腐蚀处理、边缘检测,得到道路区域的道路的边缘。
4.根据权利要求3所述的道路图像处理方法,其特征在于,
确定所述道路区域图像中的带状潜在道路区,包括:
提取所述道路的边缘的直线得到第一直线;
查找与所述第一直线平行的第二直线;
计算所述第一直线与所述第二直线之间的距离;
如果所述距离小于预定的道路宽度阈值;
确定所述第一直线和第二直线的区域为带状潜在道路区。
5.根据权利要求1所述的道路图像处理方法,其特征在于,测试每个单元是否有效,包括:
计算被标记为道路语义标签的像素数量m,以及“探测种子单元”所有像素的总数量n;
根据所述道路语义标签的像素数量m和所有像素的总数量n计算有效道路标记的像素占比P;
如果所述像素占比P大于预定阈值,则确定所述单元为有效单元。
6.根据权利要求1所述的道路图像处理方法,其特征在于,将多个有效的单元进行合并处理得到有效道路,包括:
将多个相邻的有效单元进行合并,得到多个有效单元集合;
对所述多个有效单元集合进行合并处理得到有效道路。
7.根据权利要求1所述的道路图像处理方法,其特征在于,对所述多个有效单元集合进行合并处理得到有效道路,包括:
计算任意的相邻的两个有效单元集合之间的距离;
如果所述距离小于预定距离阈值,则将所述两个相邻的有效单元集进行合并得到有效道路。
8.一种楼体图像处理装置,其特征在于,
获取模块,用于获取道路区域图像;
探测模块,用于确定所述道路区域图像中的带状潜在道路区;以及用于基于探测测试单元将所述带状潜在道路区分割成多个道路子单元;
测试模块,用于测试每个道路子单元是否有效;
合并模块,用于将多个有效的道路单元进行合并处理得到有效道路;
修复模块,用于对所述有效道路进行修复处理。
9.一种电子设备,其特征在于,包括:至少一个处理器和至少一个存储器;所述存储器用于存储一个或多个程序指令;所述处理器,用于运行一个或多个程序指令,用以执行如权利要求1-7任一项所述的方法。
10.一种计算机可读存储介质,其特征在于,计算机可读存储介质中包含一个或多个程序指令,所述一个或多个程序指令用于执行如权利要求1-7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111624799.8A CN114332370B (zh) | 2021-12-28 | 2021-12-28 | 道路图像处理方法、装置、设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111624799.8A CN114332370B (zh) | 2021-12-28 | 2021-12-28 | 道路图像处理方法、装置、设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114332370A true CN114332370A (zh) | 2022-04-12 |
CN114332370B CN114332370B (zh) | 2023-02-21 |
Family
ID=81014054
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111624799.8A Active CN114332370B (zh) | 2021-12-28 | 2021-12-28 | 道路图像处理方法、装置、设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114332370B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115330984A (zh) * | 2022-07-25 | 2022-11-11 | 埃洛克航空科技(北京)有限公司 | 用于悬浮物剔除的数据处理方法和装置 |
CN115330985A (zh) * | 2022-07-25 | 2022-11-11 | 埃洛克航空科技(北京)有限公司 | 用于三维模型优化的数据处理方法和装置 |
CN115984221A (zh) * | 2023-01-03 | 2023-04-18 | 广州新粤交通技术有限公司 | 一种道路标线修复识别方法、装置、设备及其存储介质 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070014488A1 (en) * | 2004-07-09 | 2007-01-18 | Ching-Chien Chen | Automatically and accurately conflating road vector data, street maps, and orthoimagery |
JP2007028279A (ja) * | 2005-07-19 | 2007-02-01 | Honda Motor Co Ltd | 車両及び路面標示認識装置 |
US20100231718A1 (en) * | 2009-03-12 | 2010-09-16 | Honda Motor Co., Ltd. | Lane recognition device |
CN104036277A (zh) * | 2014-06-03 | 2014-09-10 | 中国科学院电子学研究所 | 一种提取道路特征的方法和设备 |
CN106997466A (zh) * | 2017-04-12 | 2017-08-01 | 百度在线网络技术(北京)有限公司 | 用于检测道路的方法和装置 |
US20180260648A1 (en) * | 2017-03-09 | 2018-09-13 | Baidu Online Network Technology (Beijing) Co., Ltd | Area of interest boundary extracting method and apparatus, device and computer storage medium |
CN109785307A (zh) * | 2019-01-09 | 2019-05-21 | 武汉大学 | 一种基于矢量引导的无人机影像道路损毁评估方法 |
CN109815859A (zh) * | 2019-01-10 | 2019-05-28 | 中交信息技术国家工程实验室有限公司 | 一种低等级道路自动提取及变化分析方法 |
US20200193157A1 (en) * | 2018-12-17 | 2020-06-18 | Here Global B.V. | Lane feature detection in aerial images based on road geometry |
CN112818775A (zh) * | 2021-01-20 | 2021-05-18 | 北京林业大学 | 基于区域边界像素交换的林区道路快速识别方法及系统 |
US11042742B1 (en) * | 2020-03-11 | 2021-06-22 | Ajou University Industry-Academic Cooperation Foundation | Apparatus and method for detecting road based on convolutional neural network |
CN113343858A (zh) * | 2021-06-10 | 2021-09-03 | 广州海格通信集团股份有限公司 | 路网地理位置识别方法、装置、电子设备及存储介质 |
-
2021
- 2021-12-28 CN CN202111624799.8A patent/CN114332370B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070014488A1 (en) * | 2004-07-09 | 2007-01-18 | Ching-Chien Chen | Automatically and accurately conflating road vector data, street maps, and orthoimagery |
JP2007028279A (ja) * | 2005-07-19 | 2007-02-01 | Honda Motor Co Ltd | 車両及び路面標示認識装置 |
US20100231718A1 (en) * | 2009-03-12 | 2010-09-16 | Honda Motor Co., Ltd. | Lane recognition device |
CN104036277A (zh) * | 2014-06-03 | 2014-09-10 | 中国科学院电子学研究所 | 一种提取道路特征的方法和设备 |
US20180260648A1 (en) * | 2017-03-09 | 2018-09-13 | Baidu Online Network Technology (Beijing) Co., Ltd | Area of interest boundary extracting method and apparatus, device and computer storage medium |
CN106997466A (zh) * | 2017-04-12 | 2017-08-01 | 百度在线网络技术(北京)有限公司 | 用于检测道路的方法和装置 |
US20200193157A1 (en) * | 2018-12-17 | 2020-06-18 | Here Global B.V. | Lane feature detection in aerial images based on road geometry |
CN109785307A (zh) * | 2019-01-09 | 2019-05-21 | 武汉大学 | 一种基于矢量引导的无人机影像道路损毁评估方法 |
CN109815859A (zh) * | 2019-01-10 | 2019-05-28 | 中交信息技术国家工程实验室有限公司 | 一种低等级道路自动提取及变化分析方法 |
US11042742B1 (en) * | 2020-03-11 | 2021-06-22 | Ajou University Industry-Academic Cooperation Foundation | Apparatus and method for detecting road based on convolutional neural network |
CN112818775A (zh) * | 2021-01-20 | 2021-05-18 | 北京林业大学 | 基于区域边界像素交换的林区道路快速识别方法及系统 |
CN113343858A (zh) * | 2021-06-10 | 2021-09-03 | 广州海格通信集团股份有限公司 | 路网地理位置识别方法、装置、电子设备及存储介质 |
Non-Patent Citations (4)
Title |
---|
YUANTAO JIANG: "Research on road extraction of remote sensing image based on convolutional neural network", 《EURASIP JOURNAL ON IMAGE AND VIDEO PROCESSING》 * |
张霞: "结合笔画宽度变换与卷积神经网络的高分影像道路提取研究", 《中国优秀硕士学位论文全文数据库 (工程科技Ⅱ辑)》 * |
李皓昱: "遥感影像道路自动提取系统组件化设计与实现", 《中国优秀硕士学位论文全文数据库 (基础科学辑)》 * |
由清圳: "基于深度学习的视频人脸识别方法", 《中国优秀硕士学位论文全文数据库 (信息科技辑)》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115330984A (zh) * | 2022-07-25 | 2022-11-11 | 埃洛克航空科技(北京)有限公司 | 用于悬浮物剔除的数据处理方法和装置 |
CN115330985A (zh) * | 2022-07-25 | 2022-11-11 | 埃洛克航空科技(北京)有限公司 | 用于三维模型优化的数据处理方法和装置 |
CN115330985B (zh) * | 2022-07-25 | 2023-09-08 | 埃洛克航空科技(北京)有限公司 | 用于三维模型优化的数据处理方法和装置 |
CN115984221A (zh) * | 2023-01-03 | 2023-04-18 | 广州新粤交通技术有限公司 | 一种道路标线修复识别方法、装置、设备及其存储介质 |
CN115984221B (zh) * | 2023-01-03 | 2023-08-04 | 广州新粤交通技术有限公司 | 一种道路标线修复识别方法、装置、设备及其存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN114332370B (zh) | 2023-02-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114332370B (zh) | 道路图像处理方法、装置、设备和存储介质 | |
CN112489456B (zh) | 基于城市主干线车辆排队长度的信号灯调控方法及系统 | |
CN107729818B (zh) | 一种基于深度学习的多特征融合车辆重识别方法 | |
CN110414507B (zh) | 车牌识别方法、装置、计算机设备和存储介质 | |
CN110390666A (zh) | 道路损伤检测方法、装置、计算机设备及存储介质 | |
CN106340044A (zh) | 摄像机外参自动标定方法及标定装置 | |
CN108319952B (zh) | 一种车辆特征提取方法及装置 | |
CN110569856B (zh) | 样本标注方法及装置、损伤类别的识别方法及装置 | |
CN110807123A (zh) | 车辆长度计算方法、装置、系统、计算机设备及存储介质 | |
CN104700072A (zh) | 基于车道线历史帧的识别方法 | |
WO2021151277A1 (zh) | 目标物损伤程度判定方法、装置、电子设备及存储介质 | |
CN106530321A (zh) | 一种基于方向和尺度描述子的多图谱图像分割方法 | |
CN112037180B (zh) | 染色体分割方法及装置 | |
Li et al. | A deep learning-based fine crack segmentation network on full-scale steel bridge images with complicated backgrounds | |
CN113158895A (zh) | 票据识别方法、装置、电子设备及存储介质 | |
Stricker et al. | Road surface segmentation-pixel-perfect distress and object detection for road assessment | |
CN113723382B (zh) | 车道线提点的方法、装置和计算机设备 | |
CN106611147A (zh) | 车辆追踪方法和装置 | |
CN111325724B (zh) | 隧道裂纹区域检测方法和装置 | |
Liu et al. | Multi-lane detection by combining line anchor and feature shift for urban traffic management | |
CN116343148A (zh) | 车道线检测方法、装置、车辆及存储介质 | |
CN103473567B (zh) | 一种基于部分模型的车辆检测方法 | |
CN115830555A (zh) | 基于雷达点云的目标识别方法、存储介质及设备 | |
CN105205161A (zh) | 一种基于互联网图片的同时目标搜索与分割方法 | |
CN115909187A (zh) | 基于Transformer和超分辨率遥感图像的违停车辆检测方法、系统、设备和介质 |
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 |