CN114445568A - 一种直行转弯复合箭头的检测提取方法及系统 - Google Patents

一种直行转弯复合箭头的检测提取方法及系统 Download PDF

Info

Publication number
CN114445568A
CN114445568A CN202111572878.9A CN202111572878A CN114445568A CN 114445568 A CN114445568 A CN 114445568A CN 202111572878 A CN202111572878 A CN 202111572878A CN 114445568 A CN114445568 A CN 114445568A
Authority
CN
China
Prior art keywords
arrow
straight
extracting
turning
point
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
Application number
CN202111572878.9A
Other languages
English (en)
Other versions
CN114445568B (zh
Inventor
万齐斌
何云
刘奋
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.)
Heading Data Intelligence Co Ltd
Original Assignee
Heading Data Intelligence 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 Heading Data Intelligence Co Ltd filed Critical Heading Data Intelligence Co Ltd
Priority to CN202111572878.9A priority Critical patent/CN114445568B/zh
Publication of CN114445568A publication Critical patent/CN114445568A/zh
Application granted granted Critical
Publication of CN114445568B publication Critical patent/CN114445568B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06T17/05—Geographic models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • Geometry (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Remote Sensing (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Graphics (AREA)
  • Image Analysis (AREA)

Abstract

本发明属于高精度地图制作领域，具体提供了一种直行转弯复合箭头的检测提取方法及系统，其中方法包括S1，训练语义分割模型，输入原图，输出mask图，并根据箭头的灰度值标签提取二值化图；S2，训练箭头分类模型，将二值化图中的每个箭头拟合一个最小外接矩形，将该矩形裁剪，作为箭头分类模型的输入，得到该矩形包围框中的箭头类型；S3，判断该矩形包围框的箭头类型，若为直行左转或直行右转的箭头类型，则提取角点的坐标以进一步判断箭头类型。针对直行左转和直行右转箭头提出一种高效的提取角点的方法，能准确的提取该类箭头的角点，且处理速度较快，极大的提升了该类箭头的检测准确率。

Description

一种直行转弯复合箭头的检测提取方法及系统
技术领域
本发明涉及高精度地图制作领域，更具体地，涉及一种直行转弯复合箭头的检测提取方法及系统。
背景技术
高精地图作为无人驾驶系统的关键技术之一，与普通的导航地图存在着很大不同。从使用对象上来说，普通的导航地图是面向驾驶员使用，而高精地图是供无人驾驶汽车使用；从提供的信息来说，普通的导航地图位置精度低，信息量少，仅提供道路级别精度的地理信息，驾驶员无法从导航地图上得知当前道路的车道信息以及自身处于哪一车道，而高精地图拥有精确的道路位置信息和丰富的道路元素信息，可以让无人驾驶车辆预知路面复杂信息，如坡度、曲率、航向等，辅助精确定位、智能决策等模块做出更好的判断和决策。
但是在高精度地图制作领域，提取箭头真实角点检测是极其重要的技术之一。目前，大多数方法对简单的直行、左转或右转箭头准确率较高，但对于更复杂的直行右转和直行左转等箭头的处理效果不佳。
发明内容
本发明针对现有技术中存在的高精度地图制作时，对直行左转和直行右转箭头处理效果不佳的技术问题。
本发明提供了一种直行转弯复合箭头的检测提取方法，包括以下步骤：
S1，训练语义分割模型，输入原图，输出mask图，并根据箭头的灰度值标签提取二值化图；
S2，训练箭头分类模型，将二值化图中的每个箭头拟合一个最小外接矩形，将该矩形裁剪，作为箭头分类模型的输入，得到该矩形包围框中的箭头类型；
S3，判断该矩形包围框的箭头类型，若为直行左转或直行右转的箭头类型，则提取角点的坐标以进一步判断箭头类型。
优选地，所述箭头包括直行箭头、左转箭头、右转箭头、直行左转箭头以及直行右转箭头。
优选地，所述S1具体包括：
首先，标注数据集，RGB图中对不同的要素像素值设置为不同的灰度值，背景设置为0；
然后，对数据集使用语义分割模型进行多次训练和调参，得到最终语义分割模型，通过该最终语义分割模型来获取RGB图中每个像素点的预测值，从而输出mask图，并从中提取箭头的二值化图。
优选地，所示S2具体包括：将裁剪下来的箭头矩形图像输入至箭头分类模型以得到该箭头矩形图像的箭头类型。
优选地，所示S3中提取角点具体包括：对箭头类型进行多边形拟合得到多个关键点，并根据箭头二值化图的轮廓拟合一个最小外接矩形，计算得到该矩形的中心点，依据所述中心点将箭头的所有关键点划分为四个象限，再根据箭头中每个角点的位置特性，得到角点的坐标。
优选地，所述S3具体包括：根据最小外接矩形的中心点将所有关键点划分为四个象限，在第一象限中，提取y坐标最小的角点；在第二象限中，提取y坐标最小角点，提取x坐标最小的角点，提取x坐标最大的角点；在第三象限中，取y坐标最大的两个角点，提取x坐标最小的角点，提取x坐标最大的角点；在第四象限中，提取y坐标最大的角点。
优选地，在各象限内的角点提取过程中，当确定一个角点就从关键点中对应删除一个，避免对后续角点的判断造成影响；删除以上确定的角点后，合并剩余第一和第四象限的关键点，得到x坐标最大的角点。
本发明还提供了一种直行转弯复合箭头的检测提取系统，所述检测提取系统用于实施直行转弯复合箭头的检测提取方法，包括：
语义分割模块，用于训练语义分割模型，输入原图，输出mask图，并根据箭头的灰度值标签提取二值化图；
箭头分类模块，用于训练箭头分类模型，将二值化图中的每个箭头拟合一个最小外接矩形，将该矩形裁剪，作为箭头分类模型的输入，得到该矩形包围框中的箭头类型；
后处理模块，用于判断该矩形包围框的箭头类型，若为直行左转或直行右转的箭头类型，则提取角点的坐标以进一步判断箭头类型。
本发明还提供了一种电子设备，包括存储器、处理器，所述处理器用于执行存储器中存储的计算机管理类程序时实现直行转弯复合箭头的检测提取方法的步骤。
本发明还提供了一种计算机可读存储介质，其上存储有计算机管理类程序，所述计算机管理类程序被处理器执行时实现直行转弯复合箭头的检测提取方法的步骤。
有益效果：本发明提供的一种直行转弯复合箭头的检测提取方法及系统，其中方法包括S1，训练语义分割模型，输入原图，输出mask图，并根据箭头的灰度值标签提取二值化图；S2，训练箭头分类模型，将二值化图中的每个箭头拟合一个最小外接矩形，将该矩形裁剪，作为箭头分类模型的输入，得到该矩形包围框中的箭头类型；S3，判断该矩形包围框的箭头类型，若为直行左转或直行右转的箭头类型，则提取角点的坐标以进一步判断箭头类型。针对直行左转和直行右转箭头提出一种高效的提取角点的方法，能准确的提取该类箭头的角点，且处理速度较快，极大的提升了该类箭头的检测准确率。
附图说明
图1为本发明提供的一种直行转弯复合箭头的检测提取方法流程图；
图2为本发明提供的一种可能的电子设备的硬件结构示意图；
图3为本发明提供的一种可能的计算机可读存储介质的硬件结构示意图；
图4为本发明提供的一种直行转弯复合箭头的检测提取方法中直行右拐提取示意图。
具体实施方式
下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。
图1为本发明提供的一种直行转弯复合箭头的检测提取方法，其中方法包括S1，训练语义分割模型，输入原图，输出mask图，并根据箭头的灰度值标签提取二值化图；S2，训练箭头分类模型，将二值化图中的每个箭头拟合一个最小外接矩形，将该矩形裁剪，作为箭头分类模型的输入，得到该矩形包围框中的箭头类型；S3，判断该矩形包围框的箭头类型，若为直行左转或直行右转的箭头类型，则提取角点的坐标以进一步判断箭头类型。针对直行左转和直行右转箭头提出一种高效的提取角点的方法，能准确的提取该类箭头的角点，且处理速度较快，极大的提升了该类箭头的检测准确率。
参考附图1和附图4，本实施例直行转弯复合箭头的检测提取方法具体地分为以下几个步骤：
步骤1、训练语义分割模型，输入原图，输出mask图，并根据箭头的灰度值标签提取其二值化图。
步骤2、训练箭头分类模型，将二值化图中的每个箭头拟合一个最小外接矩形，将该矩形裁剪，作为箭头分类模型的输入，得到该矩形包围框中的箭头类型。
步骤3、针对直行左转和直行右转的箭头，调用专门后处理程序，以下以直行右转为例.将箭头的14个角点标号如图4所示，首先，多边形拟合得到N个关键点，再根据箭头二值化图的轮廓拟合一个最小外接矩形，计算得到该矩形的中心点；依据该点将箭头的N个关键点划分为四个象限；再根据直行右转箭头中每个角点的位置特性，可直接得到部分角点的坐标；另一部分角点由于分割时有较大误差，可根据已知角点坐标预测得到。
在一个具体的实施场景中，结合图4，以直行右拐箭头为例：
第一步，本实施例的箭头检测方法使用的是语义分割网络即语义分割模型，这类网络可以对箭头像素进行较为准确的分割，首先标注数据集，RGB图中对不同的要素像素值设置为不同的灰度值，背景设置为0。之后，对数据集使用语义分割网络进行多次训练和调参，得到一个较好的语义分割模型，通过该模型可以获取RGB图中每个像素点的预测值，从而输出mask图，并从中提取箭头的二值化图像。
第二步，训练箭头分类模型，将二值化图中的每个箭头拟合一个最小外接矩形，将该矩形裁剪，作为箭头分类模型的输入，得到该矩形包围框中的箭头类型。
在第一步中只是分割出了箭头的像素，但没有细分箭头具体的类别，因此，需要再训练一个分类模型，用于箭头的进一步分类，将二值化图中的每一个箭头拟合一个最小外接矩形，输入分类模型，得到箭头的分类。
第三步，针对直行左转和直行右转类别的箭头，采取专门的后处理程序，以直行右转箭头为例，假设直行右转箭头的14个角点如图4所示，多边形拟合得到N个关键点，再根据箭头二值化图的轮廓拟合一个最小外接矩形，计算得到该矩形的中心点；依据该点将箭头的N个关键点划分为四个象限；再根据直行右转箭头中每个角点的位置特性，可直接得到部分角点的坐标；另一部分角点由于分割时有较大误差，可根据已知角点坐标预测得到。
根据最小外接矩形的中心点将N个关键点划分为四个象限具体包括，首先，第一象限中，y坐标最小的为7号角点；第二象限中，y坐标最小的为1号角点，x坐标最小的为2号角点，x坐标最大的为5号角点；第三象限中，首先取y坐标较大的两个角点，其中x坐标小的设为11号角点，x坐标大的设为12号角点；第四象限中，y坐标最大的为10号角点。以上角点确定一个就从N个关键点中删除一个，避免对后续角点的判断造成影响；删除以上确定的角点后，合并剩余第一和第四象限的关键点，将x坐标最大的设为6号角点，这是由于6号角点在划分的时候既可能在第一象限，也可能在第四象限，因此，需要最后合并起来，再来判断6号。
此外，标准意义上，3，4号角点位于2，5号角点的连线上，但由于拟合得到的关键点在3，4号位置上偏差较多，因此，3，4号角点通过2，5号角点预测得到，此处，假设3，4号角点位于2，5号角点的连线上，且3，4号角点的线段长度大约为1/3的5，6号角点的长度；因此，可通过计算得到3，4号角点的具体坐标；同理，也可根据7，10号角点的坐标预测得到8，9号角点的坐标位置；针对13，14号点的具体坐标也需要进行预测得到，其在4，12点的连线上，且13，14号角点的线段长度大约为2/5的4，12号角点的线段长度，且14，12号点的线段长度大约为1/5的4，12号点的线段长度；依次，也可计算得到13，14号角点的坐标位置。
需要特别指出的是，以上是直行右转箭头的检测，针对直行左转箭头的检测也是同样的道理，在此不再赘述。
本发明实施例还提供了一种直行转弯复合箭头的检测提取系统，所述检测提取系统用于实施直行转弯复合箭头的检测提取方法，包括：
语义分割模块，用于训练语义分割模型，输入原图，输出mask图，并根据箭头的灰度值标签提取二值化图；
箭头分类模块，用于训练箭头分类模型，将二值化图中的每个箭头拟合一个最小外接矩形，将该矩形裁剪，作为箭头分类模型的输入，得到该矩形包围框中的箭头类型；
后处理模块，用于判断该矩形包围框的箭头类型，若为直行左转或直行右转的箭头类型，则提取角点的坐标以进一步判断箭头类型。
请参阅图2为本发明实施例提供的电子设备的实施例示意图。如图2所示，本发明实施例提了一种电子设备，包括存储器1310、处理器1320及存储在存储器1310上并可在处理器1320上运行的计算机程序1311，处理器1320执行计算机程序1311时实现以下步骤：S1，训练语义分割模型，输入原图，输出mask图，并根据箭头的灰度值标签提取二值化图；
S2，训练箭头分类模型，将二值化图中的每个箭头拟合一个最小外接矩形，将该矩形裁剪，作为箭头分类模型的输入，得到该矩形包围框中的箭头类型；
S3，判断该矩形包围框的箭头类型，若为直行左转或直行右转的箭头类型，则提取角点的坐标以进一步判断箭头类型。
请参阅图3为本发明提供的一种计算机可读存储介质的实施例示意图。如图3所示，本实施例提供了一种计算机可读存储介质1400，其上存储有计算机程序1411，该计算机程序1411被处理器执行时实现如下步骤：S1，训练语义分割模型，输入原图，输出mask图，并根据箭头的灰度值标签提取二值化图；
S2，训练箭头分类模型，将二值化图中的每个箭头拟合一个最小外接矩形，将该矩形裁剪，作为箭头分类模型的输入，得到该矩形包围框中的箭头类型；
S3，判断该矩形包围框的箭头类型，若为直行左转或直行右转的箭头类型，则提取角点的坐标以进一步判断箭头类型。
需要说明的是，在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详细描述的部分，可以参见其它实施例的相关描述。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式计算机或者其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包括这些改动和变型在内。

Claims (10)

1.一种直行转弯复合箭头的检测提取方法，其特征在于，包括以下步骤：
S1，训练语义分割模型，输入原图，输出mask图，并根据箭头的灰度值标签提取二值化图；
S2，训练箭头分类模型，将二值化图中的每个箭头拟合一个最小外接矩形，将该矩形裁剪，作为箭头分类模型的输入，得到该矩形包围框中的箭头类型；
S3，判断该矩形包围框的箭头类型，若为直行左转或直行右转的箭头类型，则提取角点的坐标以进一步判断箭头类型。
2.根据权利要求1所述的直行转弯复合箭头的检测提取方法，其特征在于，所述箭头包括直行箭头、左转箭头、右转箭头、直行左转箭头以及直行右转箭头。
3.根据权利要求1所述的直行转弯复合箭头的检测提取方法，其特征在于，所述S1具体包括：
首先，标注数据集，RGB图中对不同的要素像素值设置为不同的灰度值，背景设置为0；
然后，对数据集使用语义分割模型进行多次训练和调参，得到最终语义分割模型，通过该最终语义分割模型来获取RGB图中每个像素点的预测值，从而输出mask图，并从中提取箭头的二值化图。
4.根据权利要求1所述的直行转弯复合箭头的检测提取方法，其特征在于，所示S2具体包括：将裁剪下来的箭头矩形图像输入至箭头分类模型以得到该箭头矩形图像的箭头类型。
5.根据权利要求1所述的直行转弯复合箭头的检测提取方法，其特征在于，所示S3中提取角点具体包括：对箭头类型进行多边形拟合得到多个关键点，并根据箭头二值化图的轮廓拟合一个最小外接矩形，计算得到该矩形的中心点，依据所述中心点将箭头的所有关键点划分为四个象限，再根据箭头中每个角点的位置特性，得到角点的坐标。
6.根据权利要求5所述的直行转弯复合箭头的检测提取方法，其特征在于，所述S3具体包括：根据最小外接矩形的中心点将所有关键点划分为四个象限，在第一象限中，提取y坐标最小的角点；在第二象限中，提取y坐标最小角点，提取x坐标最小的角点，提取x坐标最大的角点；在第三象限中，取y坐标最大的两个角点，提取x坐标最小的角点，提取x坐标最大的角点；在第四象限中，提取y坐标最大的角点。
7.根据权利要求6所述的直行转弯复合箭头的检测提取方法，其特征在于，在各象限内的角点提取过程中，当确定一个角点就从关键点中对应删除一个，避免对后续角点的判断造成影响；删除以上确定的角点后，合并剩余第一和第四象限的关键点，得到x坐标最大的角点。
8.一种直行转弯复合箭头的检测提取系统，其特征在于，所述检测提取系统用于实施如权利要求1-7任一项所述的直行转弯复合箭头的检测提取方法，包括：
语义分割模块，用于训练语义分割模型，输入原图，输出mask图，并根据箭头的灰度值标签提取二值化图；
箭头分类模块，用于训练箭头分类模型，将二值化图中的每个箭头拟合一个最小外接矩形，将该矩形裁剪，作为箭头分类模型的输入，得到该矩形包围框中的箭头类型；
后处理模块，用于判断该矩形包围框的箭头类型，若为直行左转或直行右转的箭头类型，则提取角点的坐标以进一步判断箭头类型。
9.一种电子设备，其特征在于，包括存储器、处理器，所述处理器用于执行存储器中存储的计算机管理类程序时实现如权利要求1-7任一项所述的直行转弯复合箭头的检测提取方法的步骤。
10.一种计算机可读存储介质，其特征在于，其上存储有计算机管理类程序，所述计算机管理类程序被处理器执行时实现如权利要求1-7任一项所述的直行转弯复合箭头的检测提取方法的步骤。
CN202111572878.9A 2021-12-21 2021-12-21 一种直行转弯复合箭头的检测提取方法及系统 Active CN114445568B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111572878.9A CN114445568B (zh) 2021-12-21 2021-12-21 一种直行转弯复合箭头的检测提取方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111572878.9A CN114445568B (zh) 2021-12-21 2021-12-21 一种直行转弯复合箭头的检测提取方法及系统

Publications (2)

Publication Number Publication Date
CN114445568A true CN114445568A (zh) 2022-05-06
CN114445568B CN114445568B (zh) 2024-10-01

Family

ID=81364798

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111572878.9A Active CN114445568B (zh) 2021-12-21 2021-12-21 一种直行转弯复合箭头的检测提取方法及系统

Country Status (1)

Country Link
CN (1) CN114445568B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS63241405A (ja) * 1987-03-30 1988-10-06 Shimadzu Corp 硬度計
KR101453713B1 (ko) * 2014-02-03 2014-10-22 연세대학교 산학협력단 객체 인식 방법 및 그 장치
JP2019046007A (ja) * 2017-08-31 2019-03-22 株式会社Pfu 座標検出装置及び学習済みモデル
KR102054747B1 (ko) * 2018-06-14 2019-12-11 연세대학교 산학협력단 이미지에서 기울어진 사각 영역 인식 방법 및 장치
WO2020098004A1 (zh) * 2018-11-13 2020-05-22 惠州市德赛西威汽车电子股份有限公司 车道通行状态提醒方法及设备
CN112581533A (zh) * 2020-12-16 2021-03-30 百度在线网络技术（北京）有限公司 定位方法、装置、电子设备及存储介质
CN113780070A (zh) * 2021-07-30 2021-12-10 武汉中海庭数据技术有限公司 一种人行横道预警标识检测方法及系统

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS63241405A (ja) * 1987-03-30 1988-10-06 Shimadzu Corp 硬度計
KR101453713B1 (ko) * 2014-02-03 2014-10-22 연세대학교 산학협력단 객체 인식 방법 및 그 장치
JP2019046007A (ja) * 2017-08-31 2019-03-22 株式会社Pfu 座標検出装置及び学習済みモデル
KR102054747B1 (ko) * 2018-06-14 2019-12-11 연세대학교 산학협력단 이미지에서 기울어진 사각 영역 인식 방법 및 장치
WO2020098004A1 (zh) * 2018-11-13 2020-05-22 惠州市德赛西威汽车电子股份有限公司 车道通行状态提醒方法及设备
CN112581533A (zh) * 2020-12-16 2021-03-30 百度在线网络技术（北京）有限公司 定位方法、装置、电子设备及存储介质
CN113780070A (zh) * 2021-07-30 2021-12-10 武汉中海庭数据技术有限公司 一种人行横道预警标识检测方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
孙迅;贾庆轩;孙汉旭;洪磊;陈钢;: "双目立体视觉系统设计", 科技信息(学术研究), no. 34, 5 December 2008 (2008-12-05) *

Also Published As

Publication number Publication date
CN114445568B (zh) 2024-10-01

Similar Documents

Publication Publication Date Title
EP3792901B1 (en) Ground mark extraction method, model training method, device and storage medium
CN111582189B (zh) 交通信号灯识别方法、装置、车载控制终端及机动车
WO2021051344A1 (zh) 高精度地图中车道线的确定方法和装置
JP7119197B2 (ja) 車線属性検出
CN110796066A (zh) 一种车道线组构建方法及装置
CN113345015A (zh) 一种包裹位置检测方法、装置、设备及可读存储介质
CN115661097A (zh) 一种物体表面缺陷检测方法及系统
CN116222539A (zh) 高精度地图数据差异化更新方法及系统
CN111127582B (zh) 一种轨迹重合段识别方法、装置、系统及存储介质
CN113706705B (zh) 用于高精地图的图像处理方法、装置、设备以及存储介质
CN113780070A (zh) 一种人行横道预警标识检测方法及系统
CN112434582A (zh) 一种车道线颜色识别方法、系统、电子设备及存储介质
CN112434585A (zh) 一种车道线的虚实识别方法、系统、电子设备及存储介质
CN116721396A (zh) 车道线检测方法、设备及存储介质
CN114445568B (zh) 一种直行转弯复合箭头的检测提取方法及系统
CN111639593A (zh) 车道线标签处理方法及装置
CN112258602B (zh) 一种停止线生成方法、装置、电子设备及存储介质
CN114964210B (zh) 地图绘制方法、装置、计算机设备及存储介质
CN114485684B (zh) 一种基于地面要素拓扑关系的地图道路匹配方法和系统
CN113591543B (zh) 交通标志识别方法、装置、电子设备及计算机存储介质
CN115112125A (zh) 自动驾驶车辆的定位方法、装置及电子设备、存储介质
CN114359859A (zh) 一种含遮挡的目标物处理方法、装置及存储介质
CN114299012A (zh) 一种基于卷积神经网络的物体表面缺陷检测方法及系统
CN113610920A (zh) 一种确定车辆的运行轨迹的方法及系统
CN114022501B (zh) 箭头角点自动化检测方法、系统、电子设备及存储介质

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
GR01 Patent grant
GR01 Patent grant