CN114565908A - 车道线的检测方法、装置、电子设备及存储介质 - Google Patents
车道线的检测方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN114565908A CN114565908A CN202210280882.6A CN202210280882A CN114565908A CN 114565908 A CN114565908 A CN 114565908A CN 202210280882 A CN202210280882 A CN 202210280882A CN 114565908 A CN114565908 A CN 114565908A
- Authority
- CN
- China
- Prior art keywords
- lane line
- dimensional coordinates
- vehicle environment
- key points
- lane
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/50—Depth or shape recovery
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30248—Vehicle exterior or interior
- G06T2207/30252—Vehicle exterior; Vicinity of vehicle
- G06T2207/30256—Lane; Road marking
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Abstract
本公开提供了车道线的检测方法、装置、电子设备及存储介质,涉及图像处理技术领域,尤其涉及人工智能、自动驾驶和深度学习技术。具体实现方案为:基于单目设备采集的车辆环境图像,得到深度图;检测该车辆环境图像中的车道线,得到车道线关键点的二维坐标;基于该深度图和该二维坐标,得到该车道线关键点的深度信息;利用该单目设备的参数,将该深度信息和该二维坐标转换为该车道线关键点的三维坐标。采用该方案,只需要在车辆上安装一个单目图像采集设备,即可以得到车道线较为精确的三维坐标,大大节省了设备成本和计算成本,为车辆安全行驶提供了保障。
Description
技术领域
本公开涉及图像处理技术领域,尤其涉及人工智能、自动驾驶和深度学习技术。
背景技术
现有车道线检测方法在复杂的现实世界场景中已取得了卓越的性能,但是很多场景下,不但要检测出车道线,还需要获知车道线的精确三维坐标,这对于汽车的自动驾驶来说至关重要。
现有技术中,如果需要获知车道线精确的三维坐标,通常需要结合多个不同种类探测器的数据进行运算,或是基于大量的三维数据集进行训练,得到三维坐标预测的神经网络模型,但是,前者对车辆的硬件设备有较高要求,后者对训练用的数据集有较高的要求,并且,二者的计算过程耗时都很长,存在计算成本高的问题。
发明内容
本公开提供了一种车道线的检测方法、装置、电子设备以及存储介质。
根据本公开的一方面,提供了一种车道线的检测方法,包括:
基于单目设备采集的车辆环境图像,得到深度图;检测所述车辆环境图像中的车道线,得到车道线关键点的二维坐标;基于该深度图和该二维坐标,得到该车道线关键点的深度信息;利用该单目设备的参数,将该深度信息和该二维坐标转换为该车道线关键点的三维坐标。
根据本公开的另一方面,提供了一种车道线的检测装置,包括:
图像模块,用于基于单目设备采集的车辆环境图像,得到深度图;
坐标模块,用于检测该车辆环境图像中的车道线,得到车道线关键点的二维坐标;
深度模块,用于基于该深度图和该二维坐标,得到该车道线关键点的深度信息;
三维模块,用于利用该单目设备的参数,将该深度信息和该二维坐标转换为该车道线关键点的三维坐标。
根据本公开的另一方面,提供了一种电子设备,包括:
至少一个处理器;以及
与该至少一个处理器通信连接的存储器;其中,
该存储器存储有可被该至少一个处理器执行的指令,该指令被该至少一个处理器执行,以使该至少一个处理器能够执行本公开任一实施例中的方法。
根据本公开的另一方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,该计算机指令用于使计算机执行本公开任一实施例中的方法。
根据本公开的另一方面,提供了一种计算机程序产品,包括计算机程序/指令,其特征在于,该计算机程序/指令被处理器执行时实现本公开任一实施例中的方法。
本公开的技术,基于从单目设备中获得的二维车辆环境图像,得到对应的深度图和其中车道线的二维坐标;然后提取深度图中的深度信息,结合车道线的二维坐标,利用单目设备的参数转换得到车道线的三维坐标。本方案只需要在车辆上安装一个单目图像采集设备,即可以最终得到车道线的三维坐标,且检测结果较为准确,鲁棒性高。基于该车道线的三维坐标进行路程规划,可以保证车辆自动驾驶的安全性。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案,不构成对本公开的限定。其中:
图1是根据本公开一实施例的车道线的检测方法的流程示意图;
图2是根据本公开一实施例的车道线关键点提取示意图;
图3A是根据本公开一实施例的车道线关键点坐标转换的观察坐标系示意图;
图3B是根据本公开一实施例的车道线关键点坐标转换的立方体坐标系示意图;
图4是根据本公开另一实施例的车道线的检测方法的流程示意图;
图5是根据本公开一实施例的车道线的检测装置的结构示意图;
图6是根据本公开另一实施例的车道线的检测装置的结构示意图;
图7是根据本公开再一实施例的车道线的检测装置的结构示意图;
图8是用来实现本公开实施例的车道线的检测方法的电子设备的框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明,其中包括本公开实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本公开的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
本文中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合,例如,包括A、B、C中的至少一种,可以表示包括从A、B和C构成的集合中选择的任意一个或多个元素。本文中术语“第一”、“第二”表示指代多个类似的技术用语并对其进行区分,并不是限定顺序的意思,或者限定只有两个的意思,例如,第一特征和第二特征,是指代有两类/两个特征,第一特征可以为一个或多个,第二特征也可以为一个或多个。
另外,为了更好的说明本公开,在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解,没有某些具体细节,本公开同样可以实施。在一些实例中,对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述,以便于凸显本公开的主旨。
随着自动驾驶技术的快速发展,获得车道线的精准三维坐标变得越来越重要。目前,车道线检测模块是自动驾驶系统中感知检测算法的重要模块,三维(3D)的车道线检测结果常被用来为环境融合模块、PNC模块提供决策先验。现有技术中的3D的车道线检测方法,主要有基于视觉深度学习多步融合的车道线检测方法,以及端到端的基于深度学习的3D车道线检测方法。上述方法大致流程步骤为:
(1)基于视觉深度学习多步融合的车道线检测方法包括:检测图像域车道线边缘信息,利用透视原理与通过相机内参,外参,在线标定高度角(pitch角),利用调整后的单应性矩阵,投影得到目标车道线3D的位置,即,得到车道线点的实际(X,Y,Z)坐标集合。
(2)端到端的基于深度学习的3D车道线检测方法包括:直接在3D数据集上训练,得到车道线点的实际(X,Y,Z)坐标集合。
但是,在实际使用场景下,上述两种方案都有缺陷,具体如下:
方法(1)需要用到实例遮罩投影(IMP)的方法,获得IMP投影下边框中点的距离,当检测边框跳动导致下边框中点位置跳动大时,测距精度易受到影响;此外,在某些角度下,悬空物体的下边框中点并不能表征障碍物距离,如果仍然采取常规的计算方法,易使得障碍物距离计算精度下降。
方法(2)需要用到大量的实际数据用于训练,但是,目前的3D车道线数据集大部分是合成数据集,真实样本数据集获取、标注困难。并且,真实数据风格迁移后,训练效果难以保证。
在现有技术的基础上,本公开的方案融合了单目深度估计与车道线关键点检测的结果,实现了一种3D车道线的快速检测方法。图1是根据本公开一实施例的车道线的检测方法的流程示意图,具体包括:
S101:基于单目设备采集的车辆环境图像,得到深度图;
一示例中,单目设备可以是单目照相机、单目摄像机等任意一种单目的图像采集设备。车辆环境图像可以是车辆前视图像或车辆侧视图像等,其中包括车道线的图像。
一示例中,可以先将单目设备采集的车辆环境图像输入视差转换模型,得到对应的视差图;然后,再将得到的视差图转换为深度图。具体地,可以先将单目设备采集的车辆环境图像中获取时刻t对应的图像It,将It输入到已经训练好的视差转换模型中,得到It对应的t视差图DISPt。然后,在基于视差图中的基线长度等数据,将视差图DISPt转换为深度图Dt。采用上述方案,可以充分利用现有技术中的视差转换模型将单目设备采集的图像转换为视差图,再转换为包含深度信息的深度图,现有技术中,想要获取深度图,一般需要安装深度探测器;想要获取视差图,一般也需要安装双目设备。而本公开只需要一个单目设备,就可以经转换得到深度信息,大大节省了硬件成本。
S102:检测该车辆环境图像中的车道线,得到车道线关键点的二维坐标;
一示例中,可以每隔预设距离,从车道线中提取关键点,具体如图2所示,图2中示出车道两侧的两道车道线,其中一条车道线上有提取的关键点。在检测到车道线变化较快的部分,关键点提取较密,在车道线规律延伸的部分,关键点提取较疏。
一示例中,提取的二维坐标,是车辆环境图像中的二维坐标(X,Y),因为包含多个关键点,因此,此步骤最后得到的是关键点的像素位置集合L。
一示例中,可以预先训练好车道线检测模型,然后利用车道线检测模型对车辆环境图像中的车道线进行检测,得到车道线关键点的二维坐标集合。采用已经训练好的车道线检测模型,可以借助现有的图像识别技术快速获得车道线多个关键点的二维坐标,无需人工过多操作,节省人工成本。
S103:基于该深度图和该二维坐标,得到该车道线关键点的深度信息;
一示例中,将深度图Dt和关键点的像素位置集合L逐像素对齐,得到时刻t的图像It的伪点云图PLt。该伪点云图中包括车道线关键点的二维坐标和深度信息。
S104:利用该单目设备的参数,将该深度信息和该二维坐标转换为该车道线关键点的三维坐标。
一示例中,如图3A和3B所示,基于伪点云图PLt,利用单目设备中摄像头的内参Kin,外参Kex,对当前伪点云图PLt进行坐标转换,得到3D空间状态下的车道线坐标。具体地,图3A所示的是伪点云图所在的截棱锥体坐标系(也被称作观察坐标),可以通过视锥转换,将其映射至图3B所示的立方体中。
采用上述方案,充分利用了单目深度估计与车道线关键点检测的结果,通过将单目图像转换为对应的深度图,可以计算计算车道线的深度信息;通过关键点检测,得到平面的车道线关键点信息。最后将深度信息和平面信息融合,通过坐标转换获得车道线关键点的实际三维坐标。该方案可以复用单目设备采集的2D图像数据,不需要过多的探测设备,对设备要求较低,节省成本,且车道线检测精度较高。
图4是根据本公开另一实施例的车道线的检测方法的流程示意图,具体包括:
S401:基于单目设备采集的车辆环境图像,得到深度图;
S402:检测该车辆环境图像中的车道线,得到车道线关键点的二维坐标;
S403:通过分析该车道线关键点的偏移量和位置关系,得到该车道线的属性信息;
S404:基于该深度图和该二维坐标,得到该车道线关键点的深度信息;
S405:利用该单目设备的参数,将该深度信息和该二维坐标转换为该车道线关键点的三维坐标。
其中,上述步骤S401-S402,S404-S405等同于步骤S101-S104,此处不再重复赘述其具体示例。
需要强调的是,上述步骤S403需要在得到车道线关键点的二维坐标之后,即,需要在步骤S402之后,但与S404、S405的执行先后顺序并无限定。
一示例中,得到车道线关键点的二维坐标之后,对二维坐标进行偏移量分析,并分析各关键点之间的位置关系,可以得到关键点所属的多条车道线,并获知车道线的属性信息Is。得到属性信息后,可以结合深度图和二维坐标,得到带属性信息的伪点云图。最后,在得到车道线关键点的三维坐标之后,也可以结合属性信息,得到车道线关键点的详细信息,该详细信息包括精准的三维位置坐标以及车道线属性。采用该示例,可以得到精准、细节充实的车道线详细信息,该车道线信息非常适用于作为自动驾驶的基础数据,保证了自动驾驶预测的安全性。
一示例中,车道线的属性信息包括但不限于车道线类型、车道线组合信息和车道线表征规则。其中,进一步的,车道线类型可以包括以下至少之一:白色虚线、白色实线、双白虚线、双白实线、白色虚实线、白色实虚线、黄色虚线、黄色实线、双黄虚线、双黄实线、黄色虚实线、黄色实虚线、锯齿实线;根据实际需求,也可以不带颜色信息。车道线组合信息,主要是指哪两条车道线组合成一条车道。车道线表征规则,是在识别车道线类型的基础上,得到的车道线的具体规则内容(也被称作交通指示),比如:此处不可并线、不可拐弯等等。采用该示例,通过充分分析车道线的二维坐标,可以得到车道线类型以及含义。通过获得全面、详细的车道线信息,可以保证之后基于此信息的自动驾驶操作的安全性。
一示例中,上述任一示例还可以包括:根据该车道线的属性信息和/或三维坐标对该车辆环境图像进行标注;利用标注后的车辆环境图像进行路径规划。具体地,可以将分析得到的属性信息和/或三维坐标择优标注在车辆环境图像上,比如,可以预先设置与各车道线属性对应的标注方式,如车辆当前所在的车道线用红色表示,车辆可以并线的车道线用绿色表示等等;或者,如果分析出此处禁止掉头,用对话框文字的形式在图像上标出“注意,此处不能掉头”。可选地,车载设备还可以显示标注车道线后的图像,然后显示给车内人员,比如显示给后座上的乘客,乘客可以基于此图,进行路径规划的操作。或者,还可以将标注好的图像发送给后台服务器,后台服务器可以根据接收的图像进行路径规划,还可以将路径规划结果反馈给车载设备,使得车载设备能够按照该路径规划行驶。在此方案中,将标注好的图像给乘客用于路径规划,可以在不打搅司机驾驶的情况下,充分考虑到乘客的意愿,提升乘客的乘车体验感;将标注好的图像发送给服务器并为车辆进行路径规划,可以根据细节充分的标注图像对车辆进行更加精准的驾驶控制。
如图5所示,本公开的实施例中提供一种车道线的检测装置500,该装置包括:
图像模块501,用于基于单目设备采集的车辆环境图像,得到深度图;
坐标模块502,用于检测该车辆环境图像中的车道线,得到车道线关键点的二维坐标;
深度模块503,用于基于该深度图和该二维坐标,得到该车道线关键点的深度信息;
三维模块504,用于利用该单目设备的参数,将该深度信息和该二维坐标转换为该车道线关键点的三维坐标。
如图6所示,本公开的实施例中提供另一种车道线的检测装置600,该装置包括:
图像模块601,用于基于单目设备采集的车辆环境图像,得到深度图;
坐标模块602,用于检测该车辆环境图像中的车道线,得到车道线关键点的二维坐标;
属性模块603,用于通过分析该车道线关键点的偏移量和位置关系,得到该车道线的属性信息;
深度模块604,用于基于该深度图和该二维坐标,得到该车道线关键点的深度信息;
三维模块605,用于利用该单目设备的参数,将该深度信息和该二维坐标转换为该车道线关键点的三维坐标。
需要强调的是,属性模块603需要在坐标模块602之后,但是其和深度模块604和三维模块605之间的关系,并没有限制。比如,在实际执行的时候,属性模块603可以在三维模块605之后执行。
一示例中,该车道线的属性信息,包括以下至少一种:车道线类型、车道线组合信息和车道线表征规则。
一示例中,该图像模块用于:将单目设备采集的车辆环境图像输入视差转换模型,得到对应的视差图;将该视差图转换为深度图。
一示例中,该坐标模块用于:将该车辆环境图像输入车道线检测模型,得到车道线关键点的二维坐标。
如图7所示,本公开的实施例中提供再一种车道线的检测装置700,该装置包括:
图像模块701,用于基于单目设备采集的车辆环境图像,得到深度图;
坐标模块702,用于检测该车辆环境图像中的车道线,得到车道线关键点的二维坐标;
属性模块703,用于通过分析该车道线关键点的偏移量和位置关系,得到该车道线的属性信息;
深度模块704,用于基于该深度图和该二维坐标,得到该车道线关键点的深度信息;
三维模块705,用于利用该单目设备的参数,将该深度信息和该二维坐标转换为该车道线关键点的三维坐标;
标注模块706,用于根据该车道线的属性信息和/或三维坐标对该车辆环境图像进行标注;
规划模块707,用于利用标注后的车辆环境图像进行路径规划。
本公开实施例各装置中的各模块的功能可以参见上述方法中的对应描述,在此不再赘述。
本公开的技术方案中,所涉及的用户个人信息的获取,存储和应用等,均符合相关法律法规的规定,且不违背公序良俗。
根据本公开的实施例,本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图8示出了可以用来实施本公开的实施例的示例电子设备800的示意性框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图8所示,设备800包括计算单元801,其可以根据存储在只读存储器(ROM)802中的计算机程序或者从存储单元808加载到随机访问存储器(RAM)803中的计算机程序,来执行各种适当的动作和处理。在RAM803中,还可存储设备800操作所需的各种程序和数据。计算单元801、ROM 802以及RAM 803通过总线804彼此相连。输入/输出(I/O)接口805也连接至总线804。
设备800中的多个部件连接至I/O接口805,包括:输入单元806,例如键盘、鼠标等;输出单元807,例如各种类型的显示器、扬声器等;存储单元808,例如磁盘、光盘等;以及通信单元809,例如网卡、调制解调器、无线通信收发机等。通信单元809允许设备800通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元801可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元801的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元801执行上文所描述的各个方法和处理,例如车道线的检测方法。例如,在一些实施例中,车道线的检测方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元808。在一些实施例中,计算机程序的部分或者全部可以经由ROM 802和/或通信单元809而被载入和/或安装到设备800上。当计算机程序加载到RAM 803并由计算单元801执行时,可以执行上文描述的车道线的检测方法的一个或多个步骤。备选地,在其他实施例中,计算单元801可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行车道线的检测方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、复杂可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,也可以为分布式系统的服务器,或者是结合了区块链的服务器。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本公开公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本公开保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等,均应包含在本公开保护范围之内。
Claims (15)
1.一种车道线的检测方法,包括:
基于单目设备采集的车辆环境图像,得到深度图;
检测所述车辆环境图像中的车道线,得到车道线关键点的二维坐标;
基于所述深度图和所述二维坐标,得到所述车道线关键点的深度信息;
利用所述单目设备的参数,将所述深度信息和所述二维坐标转换为所述车道线关键点的三维坐标。
2.根据权利要求1所述的方法,还包括:
通过分析所述车道线关键点的偏移量和位置关系,得到所述车道线的属性信息。
3.根据权利要求2所述的方法,其中,所述车道线的属性信息,包括以下至少一种:车道线类型、车道线组合信息和车道线表征规则。
4.根据权利要求1所述的方法,其中,所述基于单目设备采集的车辆环境图像,得到深度图,包括:
将单目设备采集的车辆环境图像输入视差转换模型,得到对应的视差图;
将所述视差图转换为深度图。
5.根据权利要求1所述的方法,其中,所述检测所述车辆环境图像中的车道线,得到车道线关键点的二维坐标,包括:
将所述车辆环境图像输入车道线检测模型,得到车道线关键点的二维坐标。
6.根据权利要求2所述的方法,还包括:
根据所述车道线的属性信息和/或三维坐标对所述车辆环境图像进行标注;
利用标注后的车辆环境图像进行路径规划。
7.一种车道线的检测装置,包括:
图像模块,用于基于单目设备采集的车辆环境图像,得到深度图;
坐标模块,用于检测所述车辆环境图像中的车道线,得到车道线关键点的二维坐标;
深度模块,用于基于所述深度图和所述二维坐标,得到所述车道线关键点的深度信息;
三维模块,用于利用所述单目设备的参数,将所述深度信息和所述二维坐标转换为所述车道线关键点的三维坐标。
8.根据权利要求7所述的装置,还包括:
属性模块,用于通过分析所述车道线关键点的偏移量和位置关系,得到所述车道线的属性信息。
9.根据权利要求8所述的装置,其中,所述车道线的属性信息,包括以下至少一种:车道线类型、车道线组合信息和车道线表征规则。
10.根据权利要求7所述的装置,其中,所述图像模块用于:
将单目设备采集的车辆环境图像输入视差转换模型,得到对应的视差图;
将所述视差图转换为深度图。
11.根据权利要求7所述的装置,其中,所述坐标模块用于:
将所述车辆环境图像输入车道线检测模型,得到车道线关键点的二维坐标。
12.根据权利要求8所述的装置,还包括:
标注模块,用于根据所述车道线的属性信息和/或三维坐标对所述车辆环境图像进行标注;
规划模块,用于利用标注后的车辆环境图像进行路径规划。
13.一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-6中任一项所述的方法。
14.一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行根据权利要求1-6中任一项所述的方法。
15.一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现根据权利要求1-6中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210280882.6A CN114565908A (zh) | 2022-03-21 | 2022-03-21 | 车道线的检测方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210280882.6A CN114565908A (zh) | 2022-03-21 | 2022-03-21 | 车道线的检测方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114565908A true CN114565908A (zh) | 2022-05-31 |
Family
ID=81719125
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210280882.6A Pending CN114565908A (zh) | 2022-03-21 | 2022-03-21 | 车道线的检测方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114565908A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115147789A (zh) * | 2022-06-16 | 2022-10-04 | 禾多科技(北京)有限公司 | 分合流道路信息检测方法、装置、设备和计算机可读介质 |
CN116385529A (zh) * | 2023-04-14 | 2023-07-04 | 小米汽车科技有限公司 | 确定减速带位置的方法、装置、存储介质以及车辆 |
-
2022
- 2022-03-21 CN CN202210280882.6A patent/CN114565908A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115147789A (zh) * | 2022-06-16 | 2022-10-04 | 禾多科技(北京)有限公司 | 分合流道路信息检测方法、装置、设备和计算机可读介质 |
CN115147789B (zh) * | 2022-06-16 | 2023-04-18 | 禾多科技(北京)有限公司 | 分合流道路信息检测方法、装置、设备和计算机可读介质 |
CN116385529A (zh) * | 2023-04-14 | 2023-07-04 | 小米汽车科技有限公司 | 确定减速带位置的方法、装置、存储介质以及车辆 |
CN116385529B (zh) * | 2023-04-14 | 2023-12-26 | 小米汽车科技有限公司 | 确定减速带位置的方法、装置、存储介质以及车辆 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3581890B1 (en) | Method and device for positioning | |
CN109492507B (zh) | 红绿灯状态的识别方法及装置、计算机设备及可读介质 | |
KR102094341B1 (ko) | 인공지능 기반의 도로 노면 불량 객체 정보 분석 시스템 및 방법 | |
CN111998860A (zh) | 自动驾驶定位数据校验方法、装置、电子设备及存储介质 | |
EP3937077A1 (en) | Lane marking detecting method, apparatus, electronic device, storage medium, and vehicle | |
CN114565908A (zh) | 车道线的检测方法、装置、电子设备及存储介质 | |
CN113378760A (zh) | 训练目标检测模型和检测目标的方法及装置 | |
CN109118532B (zh) | 视觉景深估计方法、装置、设备及存储介质 | |
CN113221677A (zh) | 一种轨迹异常检测方法、装置、路侧设备和云控平台 | |
CN112863187B (zh) | 感知模型的检测方法、电子设备、路侧设备和云控平台 | |
CN113378693B (zh) | 生成目标检测系统和检测目标的方法及装置 | |
CN115273039B (zh) | 一种基于摄像头的小障碍物探测方法 | |
CN115719436A (zh) | 模型训练方法、目标检测方法、装置、设备以及存储介质 | |
US11488332B1 (en) | Intensity data visualization | |
CN114186007A (zh) | 高精地图生成方法、装置、电子设备和存储介质 | |
CN113806464A (zh) | 路牙确定方法、装置、设备以及存储介质 | |
EP4080479A2 (en) | Method for identifying traffic light, device, cloud control platform and vehicle-road coordination system | |
CN113591569A (zh) | 障碍物检测方法、装置、电子设备以及存储介质 | |
CN115236693A (zh) | 轨道侵限检测方法、装置、电子设备和存储介质 | |
CN113901903A (zh) | 道路识别方法和装置 | |
CN114998863A (zh) | 目标道路识别方法、装置、电子设备以及存储介质 | |
CN114005098A (zh) | 高精地图车道线信息的检测方法、装置和电子设备 | |
CN114429631A (zh) | 三维对象检测方法、装置、设备以及存储介质 | |
CN114495049A (zh) | 识别车道线的方法和装置 | |
CN114419564A (zh) | 车辆位姿检测方法、装置、设备、介质及自动驾驶车辆 |
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 |