CN114399588A - 三维车道线生成方法、装置、电子设备和计算机可读介质 - Google Patents
三维车道线生成方法、装置、电子设备和计算机可读介质 Download PDFInfo
- Publication number
- CN114399588A CN114399588A CN202111559849.9A CN202111559849A CN114399588A CN 114399588 A CN114399588 A CN 114399588A CN 202111559849 A CN202111559849 A CN 202111559849A CN 114399588 A CN114399588 A CN 114399588A
- Authority
- CN
- China
- Prior art keywords
- lane line
- line equation
- road image
- equation set
- vector
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Computer Graphics (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Traffic Control Systems (AREA)
- Image Analysis (AREA)
Abstract
本公开的实施例公开了三维车道线生成方法、装置、电子设备和计算机可读介质。该方法的一具体实施方式包括:获取当前车辆上单目相机拍摄的第一道路图像和第二道路图像;对上述第一道路图像和上述第二道路图像进行车道线提取,得到第一车道线方程组和第二车道线方程组;对上述第一车道线方程组中的第一车道线方程和上述第二车道线方程组中的第二车道线方程进行匹配,得到匹配车道线方程组集合,其中,上述匹配车道线方程组集合中的每个匹配车道线方程组包括两个匹配车道线方程,上述两个匹配车道线方程分别对应上述第一道路图像和上述第二道路图像;基于匹配车道线方程组集合,生成三维车道线方程组。该实施方式可以提高三维车道线方程的准确度。
Description
技术领域
本公开的实施例涉及计算机技术领域,具体涉及三维车道线生成方法、装置、电子设备和计算机可读介质。
背景技术
三维车道线的生成对自动驾驶车辆在高速公路上的稳定安全行驶具有重要意义。目前,在生成三维车道线时,通常采用的方式为:基于神经网络的方法,或基于逆透视变换的方法,生成三维车道线。
然而,当采用上述方式进行三维车道线生成时,经常会存在如下技术问题:
第一,基于神经网络的方法,未考虑一定时间间隔的两个道路图像表征的车道线之间的位置关系,容易产生误差,从而,导致生成的三维车道线的准确度降低;
第二,基于逆透视变换的方法,依赖于传感器数据或先验信息(例如,相机对地面的高度、相机俯仰角等),若不存在传感器数据或先验信息,则不能直接生成三维车道线信息。
发明内容
本公开的内容部分用于以简要的形式介绍构思,这些构思将在后面的具体实施方式部分被详细描述。本公开的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征,也不旨在用于限制所要求的保护的技术方案的范围。
本公开的一些实施例提出了三维车道线生成方法、装置、电子设备和计算机可读介质,来解决以上背景技术部分提到的技术问题中的一项或多项。
第一方面,本公开的一些实施例提供了一种三维车道线生成方法,该方法包括:获取当前车辆上单目相机拍摄的第一道路图像和第二道路图像;对上述第一道路图像和上述第二道路图像进行车道线提取,得到第一车道线方程组和第二车道线方程组;对上述第一车道线方程组中的第一车道线方程和上述第二车道线方程组中的第二车道线方程进行匹配,得到匹配车道线方程组集合,其中,上述匹配车道线方程组集合中的每个匹配车道线方程组包括两个匹配车道线方程,上述两个匹配车道线方程分别对应上述第一道路图像和上述第二道路图像;基于上述匹配车道线方程组集合,生成三维车道线方程组。
第二方面,本公开的一些实施例提供了一种三维车道线生成装置,该装置包括:获取单元,被配置成获取当前车辆上单目相机拍摄的第一道路图像和第二道路图像;提取单元,被配置成对上述第一道路图像和上述第二道路图像进行车道线提取,得到第一车道线方程组和第二车道线方程组;匹配单元,被配置成对上述第一车道线方程组中的第一车道线方程和上述第二车道线方程组中的第二车道线方程进行匹配,得到匹配车道线方程组集合,其中,上述匹配车道线方程组集合中的每个匹配车道线方程组包括两个匹配车道线方程,上述两个匹配车道线方程分别对应上述第一道路图像和上述第二道路图像;生成单元,被配置成基于上述匹配车道线方程组集合,生成三维车道线方程组。
第三方面,本公开的一些实施例提供了一种电子设备,包括:一个或多个处理器;存储装置,其上存储有一个或多个程序,当一个或多个程序被一个或多个处理器执行,使得一个或多个处理器实现上述第一方面任一实现方式所描述的方法。
第四方面,本公开的一些实施例提供了一种计算机可读介质,其上存储有计算机程序,其中,程序被处理器执行时实现上述第一方面任一实现方式所描述的方法。
本公开的上述各个实施例具有如下有益效果:通过本公开的一些实施例的三维车道线生成方法,可以提高生成的三维车道线方程的准确度。具体来说,造成生成的三维车道线方程的准确度降低的原因在于:基于神经网络的方法,未考虑一定时间间隔的两个道路图像表征的车道线之间的位置关系,容易产生误差。基于此,本公开的一些实施例的三维车道线生成方法,首先,获取当前车辆上单目相机拍摄的第一道路图像和第二道路图像。由此,可以引入一定时间间隔的两个道路图像。然后,对上述第一道路图像和上述第二道路图像进行车道线提取,得到第一车道线方程组和第二车道线方程组。之后,对上述第一车道线方程组中的第一车道线方程和上述第二车道线方程组中的第二车道线方程进行匹配,得到匹配车道线方程组集合。通过匹配可以确定第一道路图像和第二道路图像中表征同一车道线的车道线方程。最后,基于上述匹配车道线方程组集合,生成三维车道线方程组。同时利用第一道路图像和第二道路图像中表征同一车道线的车道线方程生成三维车道线方程,可以相互对应,减少误差。从而,可以提高生成的三维车道线方程的准确度。进而,可以提高车辆驾驶安全。
附图说明
结合附图并参考以下具体实施方式,本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中,相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的,元件和元素不一定按照比例绘制。
图1是本公开的一些实施例的三维车道线生成方法的一个应用场景的示意图;
图2是根据本公开的三维车道线生成方法的一些实施例的流程图;
图3是根据本公开的三维车道线生成方法的另一些实施例的流程图;
图4是根据本公开的三维车道线生成装置的一些实施例的结构示意图;
图5是适于用来实现本公开的一些实施例的电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例,然而应当理解的是,本公开可以通过各种形式来实现,而且不应该被解释为限于这里阐述的实施例。相反,提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是,本公开的附图及实施例仅用于示例性作用,并非用于限制本公开的保护范围。
另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。在不冲突的情况下,本公开中的实施例及实施例中的特征可以相互组合。
需要注意,本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分,并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意,本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的,本领域技术人员应当理解,除非在上下文另有明确指出,否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的,而并不是用于对这些消息或信息的范围进行限制。
下面将参考附图并结合实施例来详细说明本公开。
图1是本公开的一些实施例的三维车道线生成方法的一个应用场景的示意图。
在图1的应用场景中,首先,计算设备101可以获取当前车辆上单目相机拍摄的第一道路图像102和第二道路图像103。接着,计算设备101可以对上述第一道路图像102和上述第二道路图像103进行车道线提取,得到第一车道线方程组104和第二车道线方程组105。然后,计算设备101可以对上述第一车道线方程组104中的第一车道线方程和上述第二车道线方程组105中的第二车道线方程进行匹配,得到匹配车道线方程组集合106,其中,上述匹配车道线方程组集合106中的每个匹配车道线方程组包括两个匹配车道线方程,上述两个匹配车道线方程分别对应上述第一道路图像102和上述第二道路图像103。最后,计算设备101可以基于上述匹配车道线方程组集合106,生成三维车道线方程组107。
需要说明的是,上述计算设备101可以是硬件,也可以是软件。当计算设备为硬件时,可以实现成多个服务器或终端设备组成的分布式集群,也可以实现成单个服务器或单个终端设备。当计算设备体现为软件时,可以安装在上述所列举的硬件设备中。其可以实现成例如用来提供分布式服务的多个软件或软件模块,也可以实现成单个软件或软件模块。在此不做具体限定。
应该理解,图1中的计算设备的数目仅仅是示意性的。根据实现需要,可以具有任意数目的计算设备。
继续参考图2,示出了根据本公开的三维车道线生成方法的一些实施例的流程200。该三维车道线生成方法的流程200,包括以下步骤:
步骤201,获取当前车辆上单目相机拍摄的第一道路图像和第二道路图像。
在一些实施例中,三维车道线生成方法的执行主体(如图1所示的计算设备101)可以通过有线的方式或者无线的方式获取当前车辆上单目相机拍摄的第一道路图像和第二道路图像。其中,第一道路图像和第二道路图像可以是上述当前车辆在不同时刻或在不同位置,由上述单目相机拍摄的道路图像。因此,第一道路图像和第二道路图像所对应的车辆位置间隔一定距离。
作为示例,拍摄第一道路图像时当前车辆所在位置,和拍摄第二道路图像时,当前车俩所在位置之间的间隔可以是2米。
步骤202,对第一道路图像和第二道路图像进行车道线提取,得到第一车道线方程组和第二车道线方程组。
在一些实施例中,上述执行主体可以对上述第一道路图像和上述第二道路图像进行车道线提取,得到第一车道线方程组和第二车道线方程组。其中,可以通过车道线提取算法对上述第一道路图像和上述第二道路图像进行车道线提取,得到第一车道线方程组和第二车道线方程组。另外,上述第一车道线方程组中的第一车道线方程处于第一道路图像的坐标系中。上述第二车道线方程组中的第二车道线方程处于第二道路图像的坐标系中。上述车道线提取算法可以包括但不限于:UFLD(Ultra Fast Structure-aware Deep LaneDetection,车道线快速检测算法),LaneNet(多分支车道线检测网络)等。
步骤203,对第一车道线方程组中的第一车道线方程和第二车道线方程组中的第二车道线方程进行匹配,得到匹配车道线方程组集合。
在一些实施例中,上述执行主体可以对上述第一车道线方程组中的第一车道线方程和上述第二车道线方程组中的第二车道线方程进行匹配,得到匹配车道线方程组集合。其中,上述匹配车道线方程组集合中的每个匹配车道线方程组可以包括两个匹配车道线方程。上述两个匹配车道线方程分别可以对应上述第一道路图像和上述第二道路图像。可以通过以下方式对第一车道线方程组中的第一车道线方程和第二车道线方程组中的第二车道线方程进行匹配:
第一步,通过坐标转换,将第一车道线方程组中的第一车道线方程从第一道路图像的图像坐标系转换到第二道路图像的图像坐标系,得到转换车道线方程组。其中,也可以通过此种方法对第二车道线方程进行坐标转换,在此不在具体赘述。
第二步,将第二道路图像的图像坐标系中相互之间距离最小的第二车道线方程和转换车道线方程确定为匹配车道线方程组。具体的,此种方式对于车道线纹理信息要求不高,仅适用于高速公路的直线路段。其中,直线车道线可以是实现、虚线等各种线型。第一道路图像和第二道路图像分别表征高速公路上短距离内两个位置的车道线,所以较为相似。因此,可以通过上述方式匹配表征同一车道线的车道线方程。另外,第二车道线方程与转换车道线方程之间的距离可以是某个相同横坐标或纵坐标处的两个点之间的距离。也可以是多个相同横坐标或纵坐标的点之间的距离的平均值。
实践中,此种方式可以用于直线车道线匹配。
步骤204,基于匹配车道线方程组集合,生成三维车道线方程组。
在一些实施例中,上述执行主体可以基于上述匹配车道线方程组集合,生成三维车道线方程组。其中,上述执行主体可以通过任意方式生成三维车道线方程组。
在一些实施例的一些可选的实现方式中,上述执行主体基于匹配车道线方程组集合,生成三维车道线方程组,可以包括以下步骤:
第一步,获取第一外参矩阵、第一投影矩阵、第二外参矩阵和第二投影矩阵。其中,上述第一外参矩阵和上述第一投影矩阵与上述第一道路图像对应。上述第二外参矩阵和上述第二投影矩阵与上述第二道路图像对应。上述第一外参矩阵可以是:在上述单目相机在拍摄上述第一道路图像时,上述单目相机与上述当前车辆之间的外参矩阵。上述第二外参矩阵可以是:在上述单目相机在拍摄上述第二道路图像时,上述单目相机与上述当前车辆之间的外参矩阵。上述第一投影矩阵可以是上述第一外参矩阵与上述单目相机的内参矩阵的乘积。上述第二投影矩阵可以是上述第二外参矩阵与上述单目相机的内参矩阵的乘积。
第二步,对于上述匹配车道线组集合中的每个匹配车道线组中的两个匹配车道线方程,执行如下步骤以生成三维车道线方程组中的三维车道线方程:
第一子步骤,基于上述第一外参矩阵和上述第一投影矩阵,生成第一参数矩阵。其中,可以将上述第一投影矩阵和上述第一外参矩阵的乘积确定为第一参数矩阵。
作为示例,上述第一投影矩阵可以是3×4的矩阵。上述第一外参矩阵可以是4×4的矩阵。那么,第一参数矩阵可以是4×4的矩阵。
第二子步骤,基于上述第二外参矩阵和上述第二投影矩阵,生成第二参数矩阵。其中,可以将上述第二投影矩阵和上述第二外参矩阵的乘积确定为第二参数矩阵。
作为示例,上述第二投影矩阵可以是3×4的矩阵。上述第二外参矩阵可以是4×4的矩阵。那么,第二参数矩阵可以是4×4的矩阵。
第三子步骤,确定上述两个匹配车道线方程中每个匹配车道线方程的系数向量,得到第一系数向量和第二系数向量。其中,可以将两个匹配车道线方程中对应第一车道线方程的匹配车道线方程的系数和常数项组合为第一系数向量。可以将两个匹配车道线方程中对应第二车道线方程的匹配车道线方程的系数和常数项组合为第二系数向量。具体的,第一系数向量和第二系数向量中的第一个数据可以是二次项系数,第二个数据可以是一次项系数,第三个数据可以是常数项。
第四子步骤,基于上述第一系数向量和上述第二系数向量,生成第一反投影平面向量和第二反投影平面向量。其中,可以通过反投影法确定上述第一系数向量对应的车道线方程的反投影平面的第一反投影面方程,以及确定上述第二系数向量对应的车道线方程的反投影平面的第二反投影面方程。上述第一反投影面方程和第二反投影面方程可以是一般式的平面方程。将第一反投影面方程的系数和常数项组合为第一反投影平面向量。将第二反投影面方程的系数和常数项组合为第二反投影平面向量。具体的,第一反投影平面向量中的第一个数据可以是第一反投影面方程横坐标的系数,第二个数据可以是第一反投影面方程纵坐标的系数,第三个数据可以是第一反投影面方程竖坐标的系数,第四个数据可以是常数项。第二反投影平面向量中的第一个数据可以是第二反投影面方程横坐标的系数,第二个数据可以是第二反投影面方程纵坐标的系数,第三个数据可以是第二反投影面方程竖坐标的系数,第四个数据可以是常数项。
第五子步骤,基于上述第一参数矩阵、上述第二参数矩阵、上述第一系数向量、上述第二系数向量、上述第一反投影平面向量和上述第二反投影平面向量,生成三维车道线方程。
在一些实施例的一些可选的实现方式中,上述执行主体基于上述第一参数矩阵、上述第二参数矩阵、上述第一系数向量、上述第二系数向量、上述第一反投影平面向量和上述第二反投影平面向量,生成三维车道线方程,可以包括以下步骤:
第一步,利用上述第一反投影平面向量和上述第二反投影平面向量,构建车道线方程组。其中,可以对上述第一反投影平面向量对应的第一反投影平面方程,和第二反投影平面向量对应的第二反投影平面方程进行方程组联立,作为车道线方程组。
第二步,基于上述第一系数向量、上述第二系数向量、上述第一参数矩阵和上述第二参数矩阵,生成目标参数向量。其中,上述目标参数向量中的各个目标参数为上述车道线方程组中各个车道线方程的系数。可以通过以下公式生成目标参数向量:
其中,等号左边表示上述目标参数向量。
π11表示上述第一反投影平面向量中的第一个数据。
π12表示上述第一反投影平面向量中的第二个数据。
π13表示上述第一反投影平面向量中的第三个数据。
π14表示上述第一反投影平面向量中的第四个数据。
π21表示上述第二反投影平面向量中的第一个数据。
π22表示上述第二反投影平面向量中的第二个数据。
π23表示上述第二反投影平面向量中的第三个数据。
π24表示上述第二反投影平面向量中的第四个数据。
a111表示上述第一参数矩阵中的第一行第一列的数据。
a112表示上述第一参数矩阵中的第二行第一列的数据。
a113表示上述第一参数矩阵中的第三行第一列的数据。
a114表示上述第一参数矩阵中的第四行第一列的数据。
a121表示上述第一参数矩阵中的第一行第二列的数据。
a122表示上述第一参数矩阵中的第二行第二列的数据。
a123表示上述第一参数矩阵中的第三行第二列的数据。
a124表示上述第一参数矩阵中的第四行第二列的数据。
a131表示上述第一参数矩阵中的第一行第三列的数据。
a132表示上述第一参数矩阵中的第二行第三列的数据。
a133表示上述第一参数矩阵中的第三行第三列的数据。
a134表示上述第一参数矩阵中的第四行第三列的数据。
a211表示上述第二参数矩阵中的第一行第一列的数据。
a212表示上述第二参数矩阵中的第二行第一列的数据。
a213表示上述第二参数矩阵中的第三行第一列的数据。
a214表示上述第二参数矩阵中的第四行第一列的数据。
a221表示上述第二参数矩阵中的第一行第二列的数据。
a222表示上述第二参数矩阵中的第二行第二列的数据。
a223表示上述第二参数矩阵中的第三行第二列的数据。
a224表示上述第二参数矩阵中的第四行第二列的数据。
a231表示上述第二参数矩阵中的第一行第三列的数据。
a232表示上述第二参数矩阵中的第二行第三列的数据。
a233表示上述第二参数矩阵中的第三行第三列的数据。
a234表示上述第二参数矩阵中的第四行第三列的数据。
l11表示上述第一系数向量中的第一个数据。
l12表示上述第一系数向量中的第二个数据。
l13表示上述第一系数向量中的第三个数据。
l21表示上述第二系数向量中的第一个数据。
l22表示上述第二系数向量中的第二个数据。
l23表示上述第二系数向量中的第三个数据。
第三步,利用上述目标参数向量,对上述车道线方程组进行转换,得到目标车道线方程。其中,可以将上述车道线方程组中的各个车道线方程转换为以下目标车道线方程:
其中,y表示上述目标车道线方程的纵坐标值。x表示上述目标车道线方程的横坐标值。
上述两个公式及其相关内容作为本公开的实施例的一个发明点,解决了背景技术提及的技术问题一“基于神经网络的方法,未考虑一定时间间隔的两个道路图像表征的车道线之间的位置关系,容易产生误差,从而,导致生成的三维车道线的准确度降低”。首先,通过第一个公式生成目标参数向量,可以确定第一道路图像和第二道路图像中表征同一车道线的车道线方程,对应的投影平面的系数。然后,通过第二个公式生成目标车道线方程,确定第一道路图像和第二道路图像中表征同一车道线的车道线方程对应的反投影平面之间的关系表达式。由此,可以实现对一定时间间隔的两个道路图像表征的车道线之间的位置关联。从而,可以更加直观的体现出车道线之间的位置关系。使得便于生成三维车道线,以降低生成三维车道线的误差。
在一些实施例的一些可选的实现方式中,上述执行主体基于上述第一参数矩阵、上述第二参数矩阵、上述第一系数向量、上述第二系数向量、上述第一反投影平面向量和上述第二反投影平面向量,生成三维车道线方程,还可以包括以下步骤:
响应于确定上述目标车道线方程满足预设条件,生成三维车道线方程。其中,上述预设条件可以是上述目标车道线方程中等号右侧的分母小于等于预设阈值(例如,0.01毫米)。可以通过IPM(inverse perspective mapping,逆透视变换方法),利用预先存储的单目相机与地面之间的高度值和单目相机的俯仰角,生成三维车道线方程。
实践中,如果分母非常接近于0。那么,可以表明两个反投影平面所交直线在很远处。即这两个反投影平面几乎平行,由于它们都通过车道线所在的直线,可知这两个平面几乎重叠。考虑到测量误差的存在,可认为这两个平面是重叠的。那么,相机光心可以是在这个平面中运动,可得相机的运动方向与车道线平行。
在一些实施例的一些可选的实现方式中,上述执行主体基于上述第一参数矩阵、上述第二参数矩阵、上述第一系数向量、上述第二系数向量、上述第一反投影平面向量和上述第二反投影平面向量,生成三维车道线方程,还可以包括以下步骤:
响应于确定上述目标车道线方程不满足上述预设条件,将上述第一反投影平面向量对应的平面和上述第二反投影平面向量对应的平面的交线确定为三维车道线方程。由此,可以不需要利用传感器数据或先验信息,直接生成三维车道线信息。
可选的,上述执行主体还可以将上述三维车道线方程组发送至显示终端以供车道线显示。其中,上述三维车道线方程组中的各个三维车道线方程可以用于表征第一道路图像和第二道路图像共同区域所表征的,上述当前车辆所在道路的车道线。从而,可以供驾驶员查看。
本公开的上述各个实施例具有如下有益效果:通过本公开的一些实施例的三维车道线生成方法,可以提高生成的三维车道线方程的准确度。具体来说,造成生成的三维车道线方程的准确度降低的原因在于:基于神经网络的方法,未考虑一定时间间隔的两个道路图像表征的车道线之间的位置关系,容易产生误差。基于此,本公开的一些实施例的三维车道线生成方法,首先,获取当前车辆上单目相机拍摄的第一道路图像和第二道路图像。由此,可以引入一定时间间隔的两个道路图像。然后,对上述第一道路图像和上述第二道路图像进行车道线提取,得到第一车道线方程组和第二车道线方程组。之后,对上述第一车道线方程组中的第一车道线方程和上述第二车道线方程组中的第二车道线方程进行匹配,得到匹配车道线方程组集合。通过匹配可以确定第一道路图像和第二道路图像中表征同一车道线的车道线方程。最后,基于上述匹配车道线方程组集合,生成三维车道线方程组。同时利用第一道路图像和第二道路图像中表征同一车道线的车道线方程生成三维车道线方程,可以相互对应,减少误差。从而,可以提高生成的三维车道线方程的准确度。进而,可以提高车辆驾驶安全。
进一步参考图3,其示出了三维车道线生成方法的另一些实施例的流程300。该三维车道线生成方法的流程300,包括以下步骤:
步骤301,获取当前车辆上单目相机拍摄的第一道路图像和第二道路图像。
在一些实施例中,步骤301的具体实现方式及所带来的技术效果可以参考图2对应的那些实施例中的步骤201,在此不再赘述。
步骤302,对第一道路图像和第二道路图像进行图像截取,得到截取后第一道路图像和截取后第二道路图像。
在一些实施例中,三维车道线生成方法的执行主体(如图1所示的计算设备101)可以对上述第一道路图像和上述第二道路图像进行图像截取,得到截取后第一道路图像和截取后第二道路图像。其中,可以通过以下方式对第一道路图像进行图像截取:
从第一道路图像的图像坐标系的横轴(即,上边界开始)开始,沿图像坐标系的纵轴往下截取目标长度(例如,图像的三分之一),剩余部分作为截取后第一道路图像。相同的,可以得到截取后第二道路图像。
实践中,上述第一道路图像和第二道路图像可以是单目相机拍摄的车辆前方的道路图像。因此,第一道路图像和第二道路图像中的上半部分可能是远处的天空,不存在车道线。或者第一道路图像和第二道路图像中的上半部分的场景距离当前车辆较远,车道线不够清晰,容易降低提取车道线的准确度。由此,需要对上述第一道路图像和上述第二道路图像进行图像截取。
步骤303,对截取后第一道路图像和截取后第二道路图像进行车道线提取,得到第一车道线方程组和第二车道线方程组。
步骤304,对第一车道线方程组中的第一车道线方程和第二车道线方程组中的第二车道线方程进行匹配,得到匹配车道线方程组集合。
步骤305,基于匹配车道线方程组集合,生成三维车道线方程组。
在一些实施例中,步骤303-305的具体实现方式及所带来的技术效果可以参考图2对应的那些实施例中的步骤202-304,在此不再赘述。
从图3中可以看出,与图2对应的一些实施例的描述相比,图3对应的一些实施例中的三维车道线生成方法的流程300体现了对上述第一道路图像和上述第二道路图像进行车道线提取的步骤。通过图像截取,可以避免道路图像中不相关部分对车道线提取的干扰。从而,可以提高生成的第一车道线方程组和第二车道线方程组的准确度,进而,可以提高生成的三维车道线方程组的准确度。
进一步参考图4,作为对上述各图所示方法的实现,本公开提供了一种三维车道线生成装置的一些实施例,这些装置实施例与图2所示的那些方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图4所示,一些实施例的三维车道线生成装置400包括:获取单元401、提取单元402、匹配单元403和生成单元404。其中,获取单元401,被配置成获取当前车辆上单目相机拍摄的第一道路图像和第二道路图像;提取单元402,被配置成对上述第一道路图像和上述第二道路图像进行车道线提取,得到第一车道线方程组和第二车道线方程组;匹配单元403,被配置成对上述第一车道线方程组中的第一车道线方程和上述第二车道线方程组中的第二车道线方程进行匹配,得到匹配车道线方程组集合,其中,上述匹配车道线方程组集合中的每个匹配车道线方程组包括两个匹配车道线方程,上述两个匹配车道线方程分别对应上述第一道路图像和上述第二道路图像;生成单元404,被配置成基于上述匹配车道线方程组集合,生成三维车道线方程组。
可以理解的是,该装置400中记载的诸单元与参考图2描述的方法中的各个步骤相对应。由此,上文针对方法描述的操作、特征以及产生的有益效果同样适用于装置400及其中包含的单元,在此不再赘述。
下面参考图5,其示出了适于用来实现本公开的一些实施例的电子设备(例如图1中的计算设备101)500的结构示意图。图5示出的电子设备仅仅是一个示例,不应对本公开的实施例的功能和使用范围带来任何限制。
如图5所示,电子设备500可以包括处理装置(例如中央处理器、图形处理器等)501,其可以根据存储在只读存储器(ROM)502中的程序或者从存储装置508加载到随机访问存储器(RAM)503中的程序而执行各种适当的动作和处理。在RAM 503中,还存储有电子设备500操作所需的各种程序和数据。处理装置501、ROM 502以及RAM503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。
通常,以下装置可以连接至I/O接口505:包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置506;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置507;包括例如磁带、硬盘等的存储装置508;以及通信装置509。通信装置509可以允许电子设备500与其他设备进行无线或有线通信以交换数据。虽然图5示出了具有各种装置的电子设备500,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图5中示出的每个方框可以代表一个装置,也可以根据需要代表多个装置。
特别地,根据本公开的一些实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的一些实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的一些实施例中,该计算机程序可以通过通信装置509从网络上被下载和安装,或者从存储装置508被安装,或者从ROM 502被安装。在该计算机程序被处理装置501执行时,执行本公开的一些实施例的方法中限定的上述功能。
需要说明的是,本公开的一些实施例上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的一些实施例中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开的一些实施例中,计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
在一些实施方式中,客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol,超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信,并且可以与任意形式或介质的数字数据通信(例如,通信网络)互连。通信网络的示例包括局域网(“LAN”),广域网(“WAN”),网际网(例如,互联网)以及端对端网络(例如,ad hoc端对端网络),以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述装置中所包含的;也可以是单独存在,而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备:获取当前车辆上单目相机拍摄的第一道路图像和第二道路图像;对上述第一道路图像和上述第二道路图像进行车道线提取,得到第一车道线方程组和第二车道线方程组;对上述第一车道线方程组中的第一车道线方程和上述第二车道线方程组中的第二车道线方程进行匹配,得到匹配车道线方程组集合,其中,上述匹配车道线方程组集合中的每个匹配车道线方程组包括两个匹配车道线方程,上述两个匹配车道线方程分别对应上述第一道路图像和上述第二道路图像;基于上述匹配车道线方程组集合,生成三维车道线方程组。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的一些实施例的操作的计算机程序代码,上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开的一些实施例中的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中,例如,可以描述为:一种处理器包括获取单元、提取单元、匹配单元、生成单元。其中,这些单元的名称在某种情况下并不构成对该单元本身的限定,例如,获取单元还可以被描述为“获取当前车辆上单目相机拍摄的第一道路图像和第二道路图像的单元”。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如,非限制性地,可以使用的示范类型的硬件逻辑部件包括:现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。
以上描述仅为本公开的一些较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本公开的实施例中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开的实施例中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (10)
1.一种三维车道线生成方法,包括:
获取当前车辆上单目相机拍摄的第一道路图像和第二道路图像;
对所述第一道路图像和所述第二道路图像进行车道线提取,得到第一车道线方程组和第二车道线方程组;
对所述第一车道线方程组中的第一车道线方程和所述第二车道线方程组中的第二车道线方程进行匹配,得到匹配车道线方程组集合,其中,所述匹配车道线方程组集合中的每个匹配车道线方程组包括两个匹配车道线方程,所述两个匹配车道线方程分别对应所述第一道路图像和所述第二道路图像;
基于所述匹配车道线方程组集合,生成三维车道线方程组。
2.根据权利要求1所述的方法,其中,所述方法还包括:
将所述三维车道线方程组发送至显示终端以供车道线显示。
3.根据权利要求1所述的方法,其中,所述对所述第一道路图像和所述第二道路图像进行车道线提取,得到第一车道线方程组和第二车道线方程组,包括:
对所述第一道路图像和所述第二道路图像进行图像截取,得到截取后第一道路图像和截取后第二道路图像;
对所述截取后第一道路图像和所述截取后第二道路图像进行车道线提取,得到第一车道线方程组和第二车道线方程组。
4.根据权利要求1所述的方法,其中,所述基于所述匹配车道线方程组集合,生成三维车道线方程组,包括:
获取第一外参矩阵、第一投影矩阵、第二外参矩阵和第二投影矩阵,其中,所述第一外参矩阵和所述第一投影矩阵与所述第一道路图像对应,所述第二外参矩阵和所述第二投影矩阵与所述第二道路图像对应;
对于所述匹配车道线组集合中的每个匹配车道线组中的两个匹配车道线方程,执行如下步骤以生成三维车道线方程组中的三维车道线方程:
基于所述第一外参矩阵和所述第一投影矩阵,生成第一参数矩阵;
基于所述第二外参矩阵和所述第二投影矩阵,生成第二参数矩阵;
确定所述两个匹配车道线方程中每个匹配车道线方程的系数向量,得到第一系数向量和第二系数向量;
基于所述第一系数向量和所述第二系数向量,生成第一反投影平面向量和第二反投影平面向量;
基于所述第一参数矩阵、所述第二参数矩阵、所述第一系数向量、所述第二系数向量、所述第一反投影平面向量和所述第二反投影平面向量,生成三维车道线方程。
5.根据权利要求4所述的方法,其中,所述基于所述第一参数矩阵、所述第二参数矩阵、所述第一系数向量、所述第二系数向量、所述第一反投影平面向量和所述第二反投影平面向量,生成三维车道线方程,包括:
利用所述第一反投影平面向量和所述第二反投影平面向量,构建车道线方程组;
基于所述第一系数向量、所述第二系数向量、所述第一参数矩阵和所述第二参数矩阵,生成目标参数向量,其中,所述目标参数向量中的各个目标参数为所述车道线方程组中各个车道线方程的系数;
利用所述目标参数向量,对所述车道线方程组中的各个车道线方程进行转换,得到目标车道线方程。
6.根据权利要求5所述的方法,其中,所述基于所述第一参数矩阵、所述第二参数矩阵、所述第一系数向量、所述第二系数向量、所述第一反投影平面向量和所述第二反投影平面向量,生成三维车道线方程,还包括:
响应于确定所述目标车道线方程满足预设条件,生成三维车道线方程。
7.根据权利要求6所述的方法,其中,所述基于所述第一参数矩阵、所述第二参数矩阵、所述第一系数向量、所述第二系数向量、所述第一反投影平面向量和所述第二反投影平面向量,生成三维车道线方程,还包括:
响应于确定所述目标车道线方程不满足所述预设条件,将所述第一反投影平面向量对应的平面和所述第二反投影平面向量对应的平面的交线确定为三维车道线方程。
8.一种三维车道线生成装置,包括:
获取单元,被配置成获取当前车辆上单目相机拍摄的第一道路图像和第二道路图像;
提取单元,被配置成对所述第一道路图像和所述第二道路图像进行车道线提取,得到第一车道线方程组和第二车道线方程组;
匹配单元,被配置成对所述第一车道线方程组中的第一车道线方程和所述第二车道线方程组中的第二车道线方程进行匹配,得到匹配车道线方程组集合,其中,所述匹配车道线方程组集合中的每个匹配车道线方程组包括两个匹配车道线方程,所述两个匹配车道线方程分别对应所述第一道路图像和所述第二道路图像;
生成单元,被配置成基于所述匹配车道线方程组集合,生成三维车道线方程组。
9.一种电子设备,包括:
一个或多个处理器;
存储装置,其上存储有一个或多个程序,
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。
10.一种计算机可读介质,其上存储有计算机程序,其中,所述程序被处理器执行时实现如权利要求1-7中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111559849.9A CN114399588B (zh) | 2021-12-20 | 2021-12-20 | 三维车道线生成方法、装置、电子设备和计算机可读介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111559849.9A CN114399588B (zh) | 2021-12-20 | 2021-12-20 | 三维车道线生成方法、装置、电子设备和计算机可读介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114399588A true CN114399588A (zh) | 2022-04-26 |
CN114399588B CN114399588B (zh) | 2022-11-11 |
Family
ID=81227332
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111559849.9A Active CN114399588B (zh) | 2021-12-20 | 2021-12-20 | 三维车道线生成方法、装置、电子设备和计算机可读介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114399588B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114842448A (zh) * | 2022-05-11 | 2022-08-02 | 禾多科技(北京)有限公司 | 三维车道线生成方法、装置、电子设备和计算机可读介质 |
CN115546766A (zh) * | 2022-11-30 | 2022-12-30 | 广汽埃安新能源汽车股份有限公司 | 车道线生成方法、装置、电子设备和计算机可读介质 |
CN115937825A (zh) * | 2023-01-06 | 2023-04-07 | 之江实验室 | 在线俯仰角估计的bev下鲁棒车道线生成方法及装置 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102592114A (zh) * | 2011-12-26 | 2012-07-18 | 河南工业大学 | 复杂路况的车道线特征提取、识别方法 |
US20150279017A1 (en) * | 2014-03-28 | 2015-10-01 | Fuji Jukogyo Kabushiki Kaisha | Stereo image processing device for vehicle |
US9170116B1 (en) * | 2014-07-11 | 2015-10-27 | Toyota Motor Engineering & Manufacturing North America, Inc. | Method for generating accurate lane level maps |
CN108764187A (zh) * | 2018-06-01 | 2018-11-06 | 百度在线网络技术(北京)有限公司 | 提取车道线的方法、装置、设备、存储介质以及采集实体 |
CN110688876A (zh) * | 2018-07-05 | 2020-01-14 | 苏州天瞳威视电子科技有限公司 | 一种基于视觉的车道线检测方法及装置 |
WO2020029706A1 (zh) * | 2018-08-10 | 2020-02-13 | 广州小鹏汽车科技有限公司 | 一种伪车道线剔除方法及装置 |
CN111209770A (zh) * | 2018-11-21 | 2020-05-29 | 北京三星通信技术研究有限公司 | 一种车道线识别方法及装置 |
CN112050821A (zh) * | 2020-09-11 | 2020-12-08 | 湖北亿咖通科技有限公司 | 一种车道线聚合方法 |
-
2021
- 2021-12-20 CN CN202111559849.9A patent/CN114399588B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102592114A (zh) * | 2011-12-26 | 2012-07-18 | 河南工业大学 | 复杂路况的车道线特征提取、识别方法 |
US20150279017A1 (en) * | 2014-03-28 | 2015-10-01 | Fuji Jukogyo Kabushiki Kaisha | Stereo image processing device for vehicle |
US9170116B1 (en) * | 2014-07-11 | 2015-10-27 | Toyota Motor Engineering & Manufacturing North America, Inc. | Method for generating accurate lane level maps |
CN108764187A (zh) * | 2018-06-01 | 2018-11-06 | 百度在线网络技术(北京)有限公司 | 提取车道线的方法、装置、设备、存储介质以及采集实体 |
CN110688876A (zh) * | 2018-07-05 | 2020-01-14 | 苏州天瞳威视电子科技有限公司 | 一种基于视觉的车道线检测方法及装置 |
WO2020029706A1 (zh) * | 2018-08-10 | 2020-02-13 | 广州小鹏汽车科技有限公司 | 一种伪车道线剔除方法及装置 |
CN111209770A (zh) * | 2018-11-21 | 2020-05-29 | 北京三星通信技术研究有限公司 | 一种车道线识别方法及装置 |
CN112050821A (zh) * | 2020-09-11 | 2020-12-08 | 湖北亿咖通科技有限公司 | 一种车道线聚合方法 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114842448A (zh) * | 2022-05-11 | 2022-08-02 | 禾多科技(北京)有限公司 | 三维车道线生成方法、装置、电子设备和计算机可读介质 |
CN114842448B (zh) * | 2022-05-11 | 2023-03-24 | 禾多科技(北京)有限公司 | 三维车道线生成方法、装置、电子设备和计算机可读介质 |
CN115546766A (zh) * | 2022-11-30 | 2022-12-30 | 广汽埃安新能源汽车股份有限公司 | 车道线生成方法、装置、电子设备和计算机可读介质 |
CN115937825A (zh) * | 2023-01-06 | 2023-04-07 | 之江实验室 | 在线俯仰角估计的bev下鲁棒车道线生成方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN114399588B (zh) | 2022-11-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112598762B (zh) | 三维车道线信息生成方法、装置、电子设备和介质 | |
CN114399588B (zh) | 三维车道线生成方法、装置、电子设备和计算机可读介质 | |
CN113607185B (zh) | 车道线信息显示方法、装置、电子设备和计算机可读介质 | |
CN112733820B (zh) | 障碍物信息生成方法、装置、电子设备和计算机可读介质 | |
CN113255619B (zh) | 车道线识别及定位方法、电子设备和计算机可读介质 | |
CN114399589B (zh) | 三维车道线生成方法、装置、电子设备和计算机可读介质 | |
CN114993328B (zh) | 车辆定位评估方法、装置、设备和计算机可读介质 | |
CN113327318B (zh) | 图像显示方法、装置、电子设备和计算机可读介质 | |
US20240273808A1 (en) | Texture mapping method and apparatus, device and storage medium | |
CN116182878B (zh) | 道路曲面信息生成方法、装置、设备和计算机可读介质 | |
CN114445597B (zh) | 三维车道线生成方法、装置、电子设备和计算机可读介质 | |
CN114894205A (zh) | 三维车道线信息生成方法、装置、设备和计算机可读介质 | |
CN115817463A (zh) | 车辆避障方法、装置、电子设备和计算机可读介质 | |
WO2024174871A1 (zh) | 一种图像处理方法、装置、设备及介质 | |
CN114723640B (zh) | 障碍物信息生成方法、装置、电子设备和计算机可读介质 | |
CN115100536B (zh) | 建筑物识别方法、装置、电子设备和计算机可读介质 | |
CN114724115B (zh) | 障碍物定位信息生成方法、装置、设备和计算机可读介质 | |
CN114140538B (zh) | 车载相机位姿调整方法、装置、设备和计算机可读介质 | |
CN115393826A (zh) | 三维车道线生成方法、装置、电子设备和计算机可读介质 | |
CN115393423A (zh) | 目标检测方法和装置 | |
CN113778078A (zh) | 定位信息生成方法、装置、电子设备和计算机可读介质 | |
CN114863025B (zh) | 三维车道线生成方法、装置、电子设备和计算机可读介质 | |
CN114399555B (zh) | 数据在线标定方法、装置、电子设备和计算机可读介质 | |
CN116630436B (zh) | 相机外参修正方法、装置、电子设备和计算机可读介质 | |
CN116563818B (zh) | 障碍物信息生成方法、装置、电子设备和计算机可读介质 |
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 | ||
CP03 | Change of name, title or address | ||
CP03 | Change of name, title or address |
Address after: 201, 202, 301, No. 56-4 Fenghuang South Road, Huadu District, Guangzhou City, Guangdong Province, 510806 Patentee after: Heduo Technology (Guangzhou) Co.,Ltd. Address before: 100099 101-15, 3rd floor, building 9, yard 55, zique Road, Haidian District, Beijing Patentee before: HOLOMATIC TECHNOLOGY (BEIJING) Co.,Ltd. |