CN114579417A - 车道线识别的性能测试方法、装置及电子设备 - Google Patents
车道线识别的性能测试方法、装置及电子设备 Download PDFInfo
- Publication number
- CN114579417A CN114579417A CN202210295794.3A CN202210295794A CN114579417A CN 114579417 A CN114579417 A CN 114579417A CN 202210295794 A CN202210295794 A CN 202210295794A CN 114579417 A CN114579417 A CN 114579417A
- Authority
- CN
- China
- Prior art keywords
- lane line
- identification
- sampling
- test
- image
- 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
- 238000011056 performance test Methods 0.000 title claims abstract description 66
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000005070 sampling Methods 0.000 claims abstract description 283
- 238000012360 testing method Methods 0.000 claims abstract description 234
- 230000004044 response Effects 0.000 claims description 24
- 238000004883 computer application Methods 0.000 abstract description 2
- 238000004590 computer program Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
- G06F11/3409—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment for performance assessment
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Image Analysis (AREA)
Abstract
本公开关于一种车道线识别的性能测试方法、装置及电子设备,属于计算机应用技术领域。其中,该方法包括:获取图像中的原始识别车道线;按照原始识别车道线的延伸属性,对原始识别车道线进行截取,获取测试车道线;对测试车道线进行采样,获取测试车道线上的多个采样像素点;基于采样像素点进行车道线识别的性能测试,获取图像的车道线识别的性能测试结果。由此,可按照延伸属性对原始识别车道线进行截取,以获取测试车道线,提高了获取的测试车道线的灵活性,并基于测试车道线上的采样像素点获取车道线识别的性能测试结果,进而提高了车道线识别的性能测试结果的灵活性,可满足车道线识别的性能测试结果的不同需求。
Description
技术领域
本公开涉及计算机应用技术领域,尤其涉及一种车道线识别的性能测试方法、装置、电子设备和存储介质。
背景技术
目前,随着人工智能技术的发展,车道线识别在自动驾驶、机器人跟随、交通规划等领域中得到了广泛的应用。为了获取车道线识别的性能,需要进行车道线识别的性能测试,然而,相关技术中的车道线识别的性能测试方法存在测试方法较为单一、灵活性低等问题。
发明内容
本公开提供一种车道线识别的性能测试方法、装置、电子设备、计算机可读存储介质、计算机程序产品,以至少解决相关技术中车道线识别的性能测试方法存在测试方法单一、灵活性低的问题。本公开的技术方案如下:
根据本公开实施例的第一方面,提供一种车道线识别的性能测试方法,包括:获取图像中的原始识别车道线;按照所述原始识别车道线的延伸属性,对所述原始识别车道线进行截取,获取测试车道线;对所述测试车道线进行采样,获取所述测试车道线上的多个采样像素点;基于所述采样像素点进行车道线识别的性能测试,获取所述图像的车道线识别的性能测试结果。
在本公开的一个实施例中,所述原始识别车道线包括识别片段和延伸片段;所述按照所述原始识别车道线的延伸属性,对所述原始识别车道线进行截取,获取测试车道线,包括:响应于所述延伸属性为延伸,对所述原始识别车道线进行截取,并将所述原始识别车道线作为所述测试车道线;或者,响应于所述延伸属性为非延伸,对所述原始识别车道线中的所述识别片段进行截取,并将所述识别片段作为所述测试车道线。
在本公开的一个实施例中,所述获取图像中的原始识别车道线,包括:对所述图像进行车道线识别,获取所述图像中的多个识别像素点;基于每个所述识别像素点,生成所述识别片段;将所述识别片段从端点进行延伸,生成所述延伸片段;将所述识别片段和所述延伸片段进行拼接,生成所述原始识别车道线。
在本公开的一个实施例中,所述对所述测试车道线进行采样,获取所述测试车道线上的多个采样像素点,包括:获取所述测试车道线的采样方向;按照所述采样方向对所述测试车道线进行采样,获取所述测试车道线上的多个所述采样像素点。
在本公开的一个实施例中,所述获取所述测试车道线的采样方向,包括:获取所述测试车道线与所述测试车道线所处道路的道路方向之间的夹角;识别所述夹角小于第一设定阈值,或者大于第二设定阈值,确定所述采样方向为垂直方向;或者,识别所述夹角大于或者等于所述第一设定阈值,且小于或者等于所述第二设定阈值,确定所述采样方向为水平方向;其中,所述第一设定阈值小于所述第二设定阈值。
在本公开的一个实施例中,所述基于所述采样像素点进行车道线识别的性能测试,获取所述图像的车道线识别的性能测试结果,包括:获取所述采样像素点的判断结果和权重,其中,所述判断结果用于指示所述采样像素点是否为真实车道线上的位置点在所述图像中的像素点;基于所述采样像素点的判断结果和权重,获取所述采样像素点的加权准确率;根据每个所述采样像素点的加权准确率的和值,获取所述图像的车道线识别的总加权准确率,作为所述图像的车道线识别的性能测试结果。
在本公开的一个实施例中,获取所述采样像素点的权重,包括:基于所述采样像素点在所述图像上的位置,获取所述采样像素点的权重。
在本公开的一个实施例中,所述采样像素点的权重与所述采样像素点到所述图像的下边界的距离负相关。
在本公开的一个实施例中,所述基于所述采样像素点在所述图像上的位置,获取所述采样像素点的权重,包括:基于所述采样像素点在所述图像上的位置,识别所述采样像素点处于所述图像上的目标区域;将所述目标区域对应的设定权重,作为所述采样像素点的权重。
在本公开的一个实施例中,获取所述采样像素点的权重,包括:基于所述采样像素点的深度信息,确定所述采样像素点的权重。
在本公开的一个实施例中,还包括:获取所述测试车道线的识别车道线类别;基于所述识别车道线类别,获取所述图像的车道线识别的性能测试结果。
根据本公开实施例的第二方面,提供一种车道线识别的性能测试装置,包括:获取模块,被配置为执行获取图像中的原始识别车道线;截取模块,被配置为执行按照所述原始识别车道线的延伸属性,对所述原始识别车道线进行截取,获取测试车道线;采样模块,被配置为执行对所述测试车道线进行采样,获取所述测试车道线上的多个采样像素点;测试模块,被配置为执行基于所述采样像素点进行车道线识别的性能测试,获取所述图像的车道线识别的性能测试结果。
在本公开的一个实施例中,所述原始识别车道线包括识别片段和延伸片段;所述截取模块,还被配置为执行响应于所述延伸属性为延伸,对所述原始识别车道线进行截取,并将所述原始识别车道线作为所述测试车道线;或者,响应于所述延伸属性为非延伸,对所述原始识别车道线中的所述识别片段进行截取,并将所述识别片段作为所述测试车道线。
在本公开的一个实施例中,所述获取模块,还被配置为执行对所述图像进行车道线识别,获取所述图像中的多个识别像素点;基于每个所述识别像素点,生成所述识别片段;将所述识别片段从端点进行延伸,生成所述延伸片段;将所述识别片段和所述延伸片段进行拼接,生成所述原始识别车道线。
在本公开的一个实施例中,所述采样模块,还被配置为执行获取所述测试车道线的采样方向;按照所述采样方向对所述测试车道线进行采样,获取所述测试车道线上的多个所述采样像素点。
在本公开的一个实施例中,所述采样模块,还被配置为执行获取所述测试车道线与所述测试车道线所处道路的道路方向之间的夹角;识别所述夹角小于第一设定阈值,或者大于第二设定阈值,确定所述采样方向为垂直方向;或者,识别所述夹角大于或者等于所述第一设定阈值,且小于或者等于所述第二设定阈值,确定所述采样方向为水平方向;其中,所述第一设定阈值小于所述第二设定阈值。
在本公开的一个实施例中,所述测试模块,还被配置为执行获取所述采样像素点的判断结果和权重,其中,所述判断结果用于指示所述采样像素点是否为真实车道线上的位置点在所述图像中的像素点;基于所述采样像素点的判断结果和权重,获取所述采样像素点的加权准确率;根据每个所述采样像素点的加权准确率的和值,获取所述图像的车道线识别的总加权准确率,作为所述图像的车道线识别的性能测试结果。
在本公开的一个实施例中,所述测试模块,还被配置为执行基于所述采样像素点在所述图像上的位置,获取所述采样像素点的权重。
在本公开的一个实施例中,所述采样像素点的权重与所述采样像素点到所述图像的下边界的距离负相关。
在本公开的一个实施例中,所述测试模块,还被配置为执行基于所述采样像素点在所述图像上的位置,识别所述采样像素点处于所述图像上的目标区域;将所述目标区域对应的设定权重,作为所述采样像素点的权重。
在本公开的一个实施例中,所述测试模块,还被配置为执行基于所述采样像素点的深度信息,确定所述采样像素点的权重。
在本公开的一个实施例中,所述获取模块,还被配置为执行获取所述测试车道线的识别车道线类别;所述测试模块,还被配置为执行基于所述识别车道线类别,获取所述图像的车道线识别的性能测试结果。
根据本公开实施例的第三方面,提供一种电子设备,包括:处理器;用于存储所述处理器的可执行指令的存储器;其中,所述处理器被配置为执行所述指令,以实现如本公开实施例第一方面所述的车道线识别的性能测试方法。
根据本公开实施例的第四方面,提供一种计算机可读存储介质,当所述计算机可读存储介质中的指令由电子设备的处理器执行时,使得电子设备能够执行如本公开实施例第一方面所述的车道线识别的性能测试方法。
根据本公开实施例的第五方面,提供一种计算机程序产品,包括计算机程序,其特征在于,所述计算机程序被电子设备的处理器执行时实现如本公开实施例第一方面所述的车道线识别的性能测试方法。
本公开的实施例提供的技术方案至少带来以下有益效果:可按照图像中的原始识别车道线的延伸属性,对原始识别车道线进行截取,获取测试车道线,对测试车道线进行采样,获取多个采样像素点,并基于采样像素点获取图像的车道线识别的性能测试结果。由此,可按照延伸属性对原始识别车道线进行截取,以获取测试车道线,提高了获取的测试车道线的灵活性,并基于测试车道线上的采样像素点获取车道线识别的性能测试结果,进而提高了车道线识别的性能测试结果的灵活性,可满足车道线识别的性能测试结果的不同需求。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理,并不构成对本公开的不当限定。
图1是根据一示例性实施例示出的一种车道线识别的性能测试方法的流程图。
图2是根据一示例性实施例示出的一种车道线识别的性能测试方法中原始识别车道线的示意图。
图3是根据一示例性实施例示出的一种车道线识别的性能测试方法中对测试车道线进行采样的流程图。
图4是根据一示例性实施例示出的一种车道线识别的性能测试方法中获取图像的车道线识别的总加权准确率的流程图。
图5是根据一示例性实施例示出的一种车道线识别的性能测试方法中图像的区域划分的示意图。
图6是根据一示例性实施例示出的一种车道线识别的性能测试方法中获取图像的车道线识别的性能测试结果的流程图。
图7是根据一示例性实施例示出的一种车道线识别的性能测试装置的框图。
图8是根据一示例性实施例示出的一种电子设备的框图。
具体实施方式
为了使本领域普通人员更好地理解本公开的技术方案,下面将结合附图,对本公开实施例中的技术方案进行清楚、完整地描述。
需要说明的是,本公开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,以便这里描述的本公开的实施例能够以除了在这里图示或描述的那些以外的顺序实施。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
图1是根据一示例性实施例示出的一种车道线识别的性能测试方法的流程图,如图1所示,本公开实施例的车道线识别的性能测试方法,包括以下步骤。
S101,获取图像中的原始识别车道线。
需要说明的是,本公开实施例的车道线识别的性能测试方法的执行主体为电子设备,电子设备包括手机、笔记本、台式电脑、车载终端、智能家电等。本公开实施例的车道线识别的性能测试方法可以由本公开实施例的车道线识别的性能测试装置执行,本公开实施例的车道线识别的性能测试装置可以配置在任意电子设备中,以执行本公开实施例的车道线识别的性能测试方法。
本公开的实施例中,可获取图像中的原始识别车道线。应说明的是,对图像的类别不做过多限定,比如,图像包括但不限于平面图像、立体图像等。以执行主体为车载终端为例,图像可包括车辆前方道路的图像。其中,车辆前方的道路包括但不限于车辆正在行驶的车道、与车辆正在行驶的车道相邻的车道、前方的路口等。对原始识别车道线的颜色、数量、形状、虚实等均不做过多限定,比如,原始识别车道线包括但不限于单白实线、双白实线、单黄实线、双黄实线、单白虚线、双白虚线、直线、曲线等,图像中可包括一条或多条原始识别车道线。
在一种实施方式中,以执行主体为车载终端为例,可通过车辆上设置的相机对车辆前方的道路进行图像采集,获取车辆前方道路的图像。
在一种实施方式中,可通过2D相机采集道路的平面图像,和/或可通过3D相机采集道路的立体图像。
在一种实施方式中,获取图像中的原始识别车道线,可包括将图像输入至车道线识别模型,由车道线识别模型对图像进行车道线识别,从图像中识别到原始识别车道线。比如,由车道线识别模型将识别到的原始识别车道线在图像中进行标注,并输出标注后的图像,标注后的图像携带标注的原始识别车道线。应说明的是,对车道线识别模型不做过多限定。
在一种实施方式中,获取图像中的原始识别车道线,可包括对图像进行车道线识别,获取图像中的多个识别像素点,基于每个识别像素点,生成图像中的原始识别车道线。比如,可基于每个识别像素点进行线段拟合,生成图像中的原始识别车道线。比如,可将每个识别像素点进行连接,生成图像中的原始识别车道线。
在一种实施方式中,获取图像中的多个识别像素点之后,可基于每个识别像素点生成识别片段,将识别片段从端点进行延伸,生成延伸片段,将识别片段和延伸片段进行拼接,生成原始识别车道线。应说明的是,识别片段基于识别像素点获取,延伸片段基于识别片段进行延伸获取。对识别片段、延伸片段的长度均不做过多限定,比如,识别片段与延伸片段的长度的和值(即原始识别车道线的长度)为真实车道线的真实长度。在一种实施方式中,可通过人工对图像中的真实车道线进行标注。应说明的是,基于每个识别像素点生成识别片段的相关内容可参见上述实施例,这里不再赘述。
在一种实施方式中,将识别片段从端点进行延伸,生成延伸片段,可包括将识别片段从两侧的端点分别进行延伸,生成延伸片段。可以理解的是,两侧的端点的延伸方向相反。比如,将识别片段从一侧端点按照第一延伸方向进行延伸,生成第一延伸片段,并将识别片段从另一侧端点按照第二延伸方向进行延伸,生成第二延伸片段,其中,第一延伸方向与第二延伸方向相反。例如,如图2所示,第一延伸方向与第二延伸方向相反,可将原始识别车道线A的识别片段从左侧端点按照第一延伸方向进行延伸,生成第一延伸片段,并将识别片段从右侧端点按照第二延伸方向进行延伸,生成第二延伸片段。
在一种实施方式中,将识别片段从端点进行延伸,生成延伸片段,可包括将识别片段从一端端点进行延伸,生成延伸片段。
S102,按照原始识别车道线的延伸属性,对原始识别车道线进行截取,获取测试车道线。
本公开的实施例中,原始识别车道线具有延伸属性。应说明的是,对延伸属性不做过多限定,比如,延伸属性包括但不限于延伸、非延伸、延伸位置、延伸方向、延伸长度等。在一种实施方式中,延伸属性可由用户自行设置。
在一种实施方式中,原始识别车道线包括识别片段和延伸片段,按照原始识别车道线的延伸属性,对原始识别车道线进行截取,获取测试车道线,可包括响应于延伸属性为延伸,对原始识别车道线进行截取,并将原始识别车道线作为测试车道线,即此时可将完整的原始识别车道线作为测试车道线;或者,响应于延伸属性为非延伸,对原始识别车道线中的识别片段进行截取,并将识别片段作为测试车道线,即此时可将原始识别车道线中的识别片段作为测试车道线。
在一种实施方式中,对原始识别车道线中的识别片段进行截取之前,可包括按照原始识别车道线的延伸位置、延伸方向和延伸长度中的至少一种,确定原始识别车道线中的延伸片段,并将原始识别车道线中延伸片段以外的线段确定为识别片段。
例如,如图2所示,原始识别车道线A包括识别片段、第一延伸片段和第二延伸片段,可响应于原始识别车道线A的延伸属性为延伸,对原始识别车道线A进行截取,并将原始识别车道线A作为测试车道线;或者,可响应于原始识别车道线A的延伸属性为非延伸,对原始识别车道线A中的识别片段进行截取,并将原始识别车道线A中的识别片段作为测试车道线。
在一种实施方式中,按照原始识别车道线的延伸属性,对原始识别车道线进行截取,获取测试车道线,可包括按照原始识别车道线的延伸长度,确定原始识别车道线的截取长度,按照截取长度对原始识别车道线进行截取,获取测试车道线。
在一种实施方式中,按照原始识别车道线的延伸长度,确定原始识别车道线的截取长度,可包括响应于延伸属性为延伸,将原始识别车道线的长度,作为原始识别车道线的截取长度;或者,响应于延伸属性为非延伸,将原始识别车道线的长度与延伸长度的差值,作为原始识别车道线的截取长度。比如,原始识别车道线包括识别片段和延伸片段,延伸长度指的是延伸片段的长度,原始识别车道线的长度与延伸长度的差值为识别片段的长度。
在一种实施方式中,按照原始识别车道线的延伸属性,对原始识别车道线进行截取,获取测试车道线,可包括按照原始识别车道线的延伸位置,确定原始识别车道线的截取位置。按照截取位置对原始识别车道线进行截取,获取测试车道线。比如,可将原始识别车道线的延伸位置确定为截取位置。例如,如图2所示,原始识别车道线A的延伸位置为识别片段的两侧的端点,可将识别片段的两侧的端点确定为截取位置。
S103,对测试车道线进行采样,获取测试车道线上的多个采样像素点。
在一种实施方式中,对测试车道线进行采样,可包括按照设定间隔距离对测试车道线进行采样,其中,设定间隔距离为相邻两个采样像素点之间的距离。应说明的是,对设定间隔距离不做过多限定。
S104,基于采样像素点进行车道线识别的性能测试,获取图像的车道线识别的性能测试结果。
需要说明的是,对图像的车道线识别的性能测试结果的类别不做过多限定,比如,性能测试结果包括车道线位置识别的性能测试结果,包括但不限于精准率(Precision)、召回率(Recall)等。可以理解的是,精准率和/或召回率越高,表明图像的车道线识别的性能越好。在一种实施方式中,性能测试结果用于表征车道线识别模型的性能,可基于性能测试结果调整车道线识别模型的模型参数,以优化车道线识别模型。
在一种实施方式中,基于采样像素点进行车道线识别的性能测试,获取图像的车道线识别的性能测试结果,可包括获取采样像素点的判断结果,其中,判断结果用于指示采样像素点是否为真实车道线上的位置点在图像中的像素点,基于采样像素点的判断结果,获取图像的车道线识别的性能测试结果。应说明的是,对判断结果的形式不做过多限定,比如,判断结果可用0或1来表示,判断结果为0用于指示采样像素点非真实车道线上的位置点在图像中的像素点,判断结果为1用于指示采样像素点为真实车道线上的位置点在图像中的像素点。
在一种实施方式中,获取采样像素点的判断结果,可包括获取采样像素点在真实车道线上的位置点在图像中的真实像素点,响应于采样像素点与真实像素点之间的距离小于或者等于设定距离,表明采样像素点与真实像素点之间的距离较小,采样像素点识别正确,确定采样像素点的判断结果为用于指示采样像素点为真实车道线上的位置点在图像中的像素点;或者,响应于采样像素点与真实像素点之间的距离大于设定距离,表明采样像素点与真实像素点之间的距离较大,采样像素点识别错误,确定采样像素点的判断结果为用于指示采样像素点非真实车道线上的位置点在图像中的像素点。
在一种实施方式中,基于采样像素点的判断结果,获取图像的车道线识别的性能测试结果,可包括基于任一测试车道线上的每个采样像素点的判断结果,获取任一测试车道线的判断结果,其中,测试车道线的判断结果用于指示测试车道线是否为真实车道线上的位置点在图像中的像素点组成的线段,基于每个测试车道线的判断结果,获取图像的车道线识别的性能测试结果。应说明的是,测试车道线的判断结果的相关内容可参见上述实施例,这里不再赘述。
在一种实施方式中,基于任一测试车道线上的每个采样像素点的判断结果,获取任一测试车道线的判断结果,可包括获取任一测试车道线上的采样像素点的第一数量,获取任一测试车道线上的采样像素点的判断结果为用于指示采样像素点为真实车道线上的位置点在图像中的像素点的第二数量,基于第一数量和第二数量,获取任一测试车道线的判断结果。
在一种实施方式中,基于第一数量和第二数量,获取任一测试车道线的判断结果,可包括基于第二数量与第一数量的比值,获取任一测试车道线的判断结果。比如,响应于比值大于或者等于设定比值,测试车道线识别正确,确定任一测试车道线的判断结果为用于指示测试车道线为真实车道线上的位置点在图像中的像素点组成的线段,或者,响应于比值小于设定比值,测试车道线识别错误,确定任一测试车道线的判断结果为用于指示测试车道线非真实车道线上的位置点在图像中的像素点组成的线段。应说明的是,对设定比值不做过多限定,比如,设定比值可为0.85。
在一种实施方式中,基于每个测试车道线的判断结果,获取图像的车道线识别的性能测试结果,可包括获取图像中真实车道线的第三数量,以及图像中测试车道线的判断结果为用于指示测试车道线为真实车道线上的位置点在图像中的像素点组成的线段的第四数量,基于第三数量和第四数量,获取图像的车道线识别的性能测试结果。
在一种实施方式中,基于第三数量和第四数量,获取图像的车道线识别的性能测试结果,可包括根据第四数量与第三数量的比值,获取图像的车道线识别的召回率,作为图像的车道线识别的性能测试结果。
在一种实施方式中,基于第三数量和第四数量,获取图像的车道线识别的性能测试结果,可包括获取图像中测试车道线的第五数量,获取第三数量与第五数量的和值,并获取上述和值与第四数量的差值,根据第四数量与上述差值的比值,获取图像的车道线识别的精准率,作为图像的车道线识别的性能测试结果。
本公开的实施例提供的车道线识别的性能测试方法,可按照图像中的原始识别车道线的延伸属性,对原始识别车道线进行截取,获取测试车道线,对测试车道线进行采样,获取多个采样像素点,并基于采样像素点获取图像的车道线识别的性能测试结果。由此,可按照延伸属性对原始识别车道线进行截取,以获取测试车道线,提高了获取的测试车道线的灵活性,并基于测试车道线上的采样像素点获取车道线识别的性能测试结果,进而提高了车道线识别的性能测试结果的灵活性,可满足车道线识别的性能测试结果的不同需求。
在上述任一实施例的基础上,如图3所示,步骤S103中对测试车道线进行采样,获取测试车道线上的多个采样像素点,包括:
S301,获取测试测试车道线的采样方向。
本公开的实施例中,可获取测试车道线的采样方向。应说明的是,对采样方向不做过多限定,比如,采样方向包括但不限于水平方向、垂直方向等。可以理解的是,不同的测试车道线可对应不同的采样方向,一个测试车道线可对应一个或多个采样方向,比如,一个测试车道线可划分为多个片段,不同的片段可对应不同的采样方向。
在一种实施方式中,获取测试车道线的采样方向,可包括获取测试车道线与测试车道线所处道路的道路方向之间的夹角,识别夹角小于第一设定阈值,或者大于第二设定阈值,确定采样方向为垂直方向;或者,识别夹角大于或者等于第一设定阈值,且小于或者等于第二设定阈值,确定采样方向为水平方向;其中,第一设定阈值小于第二设定阈值。应说明的是,对第一设定阈值、第二设定阈值均不做过多限定,比如,第一设定阈值可为45度,第二设定阈值可为135度。
在一种实施方式中,获取测试车道线的采样方向,可包括获取测试车道线与图像的上边界或者下边界之间的夹角,识别夹角小于第三设定阈值,或者大于第四设定阈值,确定采样方向为水平方向;或者,识别夹角大于或者等于第三设定阈值,且小于或者等于第四设定阈值,确定采样方向为垂直方向;其中,第三设定阈值小于第四设定阈值。应说明的是,第三设定阈值、第四设定阈值的相关内容可参见上述实施例,这里不再赘述。
在一种实施方式中,获取测试车道线的采样方向,可包括获取测试车道线的识别车道线类别,基于识别车道线类别,获取测试车道线的采样方向。可以理解的是,不同的识别车道线类别可对应不同的采样方向。比如,识别车道线类别为停止线、停车让行线、减速让行线等,对应的采样方向为水平方向,识别车道线类别为道路中心线、同向车行道分界线、潮汐车道线等,对应的采样方向为垂直方向。
S302,按照采样方向对测试车道线进行采样,获取测试车道线上的多个采样像素点。
在一种实施方式中,按照采样方向对测试车道线进行采样,获取测试车道线上的多个采样像素点,可包括按照测试车道线的任一片段的采样方向,对测试车道线的任一片段进行采样,获取测试车道线的任一片段上的多个采样像素点。可以理解的是,测试车道线上的采样像素点包括每个片段上的每个采样像素点。
例如,测试车道线A可划分为片段1、2、3,片段1、2、3的采样方向分别为水平方向、垂直方向、水平方向,则可分别按照水平方向、垂直方向、水平方向对片段1、2、3进行采样,获取片段1、2、3上的采样像素点。测试车道线A上的采样像素点包括片段1、2、3上的每个采样像素点。
由此,该方法中可获取测试车道线的采样方向,按照采样方向对测试车道线进行采样,获取测试车道线上的多个采样像素点,相较于相关技术中大多仅按照垂直方向进行采样,有助于提高采样的灵活性和准确性。
在上述任一实施例的基础上,如图4所示,步骤S104中基于采样像素点进行车道线识别的性能测试,获取图像的车道线识别的性能测试结果,可包括:
S401,获取采样像素点的判断结果和权重,其中,判断结果用于指示采样像素点是否为真实车道线上的位置点在图像中的像素点。
需要说明的是,获取采样像素点的判断结果的相关内容,可参见上述实施例,这里不再赘述。
本公开的实施例中,可获取采样像素点的权重。应说明的是,对权重不做过多限定。可以理解的是,不同的采样像素点可对应不同的权重。
在一种实施方式中,获取采样像素点的权重,可包括以下两种可能的实施方式:
方式1、基于采样像素点在图像上的位置,获取采样像素点的权重。
在一种实施方式中,采样像素点的权重与采样像素点到图像的下边界的距离负相关。即采样像素点越靠近图像的下边界,采样像素点的权重越大;反之,采样像素点越靠近图像的上边界,采样像素点的权重越小。
比如,以执行主体为车载终端为例,可通过车辆上设置的相机对车辆前方的道路进行图像采集,获取车辆前方道路的图像,采样像素点越靠近图像的下边界,表明采样像素点对应的位置点距离车辆越近,采样像素点的权重越大;反之,采样像素点越靠近图像的上边界,表明采样像素点对应的位置点距离车辆越远,采样像素点的权重越小。由此,自动驾驶场景下,距离车辆近的位置点的采样像素点的权重大,可满足车辆的定位需求,距离车辆远的位置点的采样像素点的权重小,可满足车辆的路线规划等需求。
在一种实施方式中,基于采样像素点在图像上的位置,获取采样像素点的权重,可包括基于采样像素点在图像上的位置,识别采样像素点处于图像上的目标区域,将目标区域对应的设定权重,作为采样像素点的权重。可以理解的是,图像可划分为多个区域,每个区域可对应一个设定权重,不同的区域可对应不同的设定权重。应说明的是,对图像的区域划分的具体方式不做过多限定。例如,如图5所示,可将图像划分为区域1、2、3,区域1、2、3的长度为图像的长度,区域1、2、3的宽度为图像的宽度的1/3,区域1、2、3到图像的下边界的距离依次递减,区域1、2、3的设定权重依次递增。
由此,该方法中可考虑到采样像素点在图像上的位置,来获取采样像素点的权重,提高了采样像素点的权重的灵活性和准确性。
方式2、基于采样像素点的深度信息,确定采样像素点的权重。
在一种实施方式中,基于采样像素点的深度信息,确定采样像素点的权重,可包括识别深度信息处于目标范围,将目标范围对应的设定权重,作为采样像素点的权重。可以理解的是,可将深度信息划分为多个范围,每个范围可对应一个设定权重,不同的范围可对应不同的设定权重。
由此,该方法中可考虑到采样像素点的深度信息,来获取采样像素点的权重,提高了采样像素点的权重的灵活性和准确性。
S402,基于采样像素点的判断结果和权重,获取采样像素点的加权准确率。
在一种实施方式中,采样像素点的判断结果的形式为数值,基于采样像素点的判断结果和权重,获取采样像素点的加权准确率,可包括将采样像素点的判断结果与权重的乘积,作为采样像素点的加权准确率。
比如,采样像素点的判断结果可用0或1来表示,判断结果为0用于指示采样像素点非真实车道线上的位置点在图像中的像素点,判断结果为1用于指示采样像素点为真实车道线上的位置点在图像中的像素点。基于采样像素点的判断结果和权重,获取采样像素点的加权准确率,可包括响应于采样像素点的判断结果为1,将采样像素点的权重作为采样像素点的加权准确率;或者,响应于采样像素点的判断结果为0,获取采样像素点的加权准确率为0。
S403,根据每个采样像素点的加权准确率的和值,获取图像的车道线识别的总加权准确率,作为图像的车道线识别的性能测试结果。
需要说明的是,总加权准确率越高,表明图像的车道线识别的性能越好。
由此,该方法中可综合考虑到采样像素点的判断结果和权重,来获取采样像素点的加权准确率,进而获取图像的车道线识别的总加权准确率,提高了车道线识别的性能测试结果的灵活性。
在上述任一实施例的基础上,如图6所示,获取图像的车道线识别的性能测试结果,还包括:
S601,获取测试测试车道线的识别车道线类别。
需要说明的是,识别车道线类别的相关内容可参见上述实施例,这里不再赘述。
在一种实施方式中,获取测试车道线的识别车道线类别,可包括将图像输入至车道线识别模型,由车道线识别模型对图像进行车道线识别,从图像中识别到原始识别车道线,并对识别到的原始识别车道线进行类别识别,获取原始识别车道线的识别车道线类别,作为测试车道线的识别车道线类别。比如,由车道线识别模型将识别到的原始识别车道线,以及原始识别车道线的识别车道线类别在图像中进行标注,并输出标注后的图像,标注后的图像携带标注的原始识别车道线,以及识别车道线类别。应说明的是,对车道线识别模型不做过多限定。
S602,基于识别车道线类别,获取图像的车道线识别的性能测试结果。
需要说明的是,性能测试结果包括车道线类别识别的性能测试结果,包括但不限于精准率、召回率、F1值(F1 measure)。应说明的是,每个识别车道线类别可对应一个精准率和一个召回率,F1值为精准率和召回率的调和平均,F1值包括宏平均和微平均。F1值宏平均指的是每个识别车道线类别的F1值的平均值,F1值微平均指的是基于每个识别车道线类别建立全局混淆矩阵得到的F1值。
在一种实施方式中,基于识别车道线类别,获取图像的车道线识别的性能测试结果,可包括基于识别车道线类别的判断结果,其中,识别车道线类别的判断结果用于指示识别车道线类别是否为真实车道线的真实车道线类别,获取图像的车道线识别的性能测试结果。应说明的是,识别车道线类别的判断结果的相关内容可参见上述实施例,这里不再赘述。
在一种实施方式中,获取识别车道线类别的判断结果,可包括将识别车道线类别与真实车道线的真实车道线类别进行比对,响应于识别车道线类别与真实车道线类别一致,确定识别车道线类别的判断结果为用于指示识别车道线类别为真实车道线的真实车道线类别;或者,响应于识别车道线类别与真实车道线类别不一致,确定识别车道线类别的判断结果为用于指示识别车道线类别非真实车道线的真实车道线类别。
在一种实施方式中,基于识别车道线类别的判断结果,获取图像的车道线识别的性能测试结果,可包括针对任一识别车道线类别,获取识别车道线类别的判断结果为用于指示识别车道线类别为真实车道线的真实车道线类别的第六数量,基于第六数量,获取图像的车道线识别的性能测试结果。需要说明的是,基于第六数量,获取图像的车道线识别的性能测试结果的相关内容,可参见上述实施例,这里不再赘述。
由此,该方法中可获取测试车道线的识别车道线类别,并基于识别车道线类别,获取图像的车道线识别的性能测试结果,以实现对图像的车道线类别识别的性能测试。
图7是根据一示例性实施例示出的一种车道线识别的性能测试装置的框图。参照图7,本公开实施例的车道线识别的性能测试装置100,包括:获取模块110、截取模块120、采样模块130和测试模块140。
获取模块110被配置为执行获取图像中的原始识别车道线;
截取模块120被配置为执行按照所述原始识别车道线的延伸属性,对所述原始识别车道线进行截取,获取测试车道线;
采样模块130被配置为执行对所述测试车道线进行采样,获取所述测试车道线上的多个采样像素点;
测试模块140被配置为执行基于所述采样像素点进行车道线识别的性能测试,获取所述图像的车道线识别的性能测试结果。
在本公开的一个实施例中,所述原始识别车道线包括识别片段和延伸片段;所述截取模块120还被配置为执行响应于所述延伸属性为延伸,对所述原始识别车道线进行截取,并将所述原始识别车道线作为所述测试车道线;或者,响应于所述延伸属性为非延伸,对所述原始识别车道线中的所述识别片段进行截取,并将所述识别片段作为所述测试车道线。
在本公开的一个实施例中,所述获取模块110还被配置为执行对所述图像进行车道线识别,获取所述图像中的多个识别像素点;基于每个所述识别像素点,生成所述识别片段;将所述识别片段从端点进行延伸,生成所述延伸片段;将所述识别片段和所述延伸片段进行拼接,生成所述原始识别车道线。
在本公开的一个实施例中,所述采样模块130还被配置为执行获取所述测试车道线的采样方向;按照所述采样方向对所述测试车道线进行采样,获取所述测试车道线上的多个所述采样像素点。
在本公开的一个实施例中,所述采样模块130还被配置为执行获取所述测试车道线与所述测试车道线所处道路的道路方向之间的夹角;识别所述夹角小于第一设定阈值,或者大于第二设定阈值,确定所述采样方向为垂直方向;或者,识别所述夹角大于或者等于所述第一设定阈值,且小于或者等于所述第二设定阈值,确定所述采样方向为水平方向;其中,所述第一设定阈值小于所述第二设定阈值。
在本公开的一个实施例中,所述测试模块140还被配置为执行获取所述采样像素点的判断结果和权重,其中,所述判断结果用于指示所述采样像素点是否为真实车道线上的位置点在所述图像中的像素点;基于所述采样像素点的判断结果和权重,获取所述采样像素点的加权准确率;根据每个所述采样像素点的加权准确率的和值,获取所述图像的车道线识别的总加权准确率,作为所述图像的车道线识别的性能测试结果。
在本公开的一个实施例中,所述测试模块140还被配置为执行基于所述采样像素点在所述图像上的位置,获取所述采样像素点的权重。
在本公开的一个实施例中,所述采样像素点的权重与所述采样像素点到所述图像的下边界的距离负相关。
在本公开的一个实施例中,所述测试模块140还被配置为执行基于所述采样像素点在所述图像上的位置,识别所述采样像素点处于所述图像上的目标区域;将所述目标区域对应的设定权重,作为所述采样像素点的权重。
在本公开的一个实施例中,所述测试模块140还被配置为执行基于所述采样像素点的深度信息,确定所述采样像素点的权重。
在本公开的一个实施例中,所述获取模块110还被配置为执行获取所述测试车道线的识别车道线类别;所述测试模块140还被配置为执行基于所述识别车道线类别,获取所述图像的车道线识别的性能测试结果。
关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
本公开的实施例提供的车道线识别的性能测试装置,可按照图像中的原始识别车道线的延伸属性,对原始识别车道线进行截取,获取测试车道线,对测试车道线进行采样,获取多个采样像素点,并基于采样像素点获取图像的车道线识别的性能测试结果。由此,可按照延伸属性对原始识别车道线进行截取,以获取测试车道线,提高了获取的测试车道线的灵活性,并基于测试车道线上的采样像素点获取车道线识别的性能测试结果,进而提高了车道线识别的性能测试结果的灵活性,可满足车道线识别的性能测试结果的不同需求。
图8是根据一示例性实施例示出的一种电子设备200的框图。
如图8所示,上述电子设备200包括:
存储器210及处理器220,连接不同组件(包括存储器210和处理器220)的总线230,存储器210存储有计算机程序,当处理器220执行所述程序时实现本公开实施例所述的车道线识别的性能测试方法。
总线230表示几类总线结构中的一种或多种,包括存储器总线或者存储器控制器,外围总线,图形加速端口,处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说,这些体系结构包括但不限于工业标准体系结构(ISA)总线,微通道体系结构(MAC)总线,增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。
电子设备200典型地包括多种电子设备可读介质。这些介质可以是任何能够被电子设备200访问的可用介质,包括易失性和非易失性介质,可移动的和不可移动的介质。
存储器210还可以包括易失性存储器形式的计算机系统可读介质,例如随机存取存储器(RAM)240和/或高速缓存存储器250。电子设备200可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例,存储系统260可以用于读写不可移动的、非易失性磁介质(图8未显示,通常称为“硬盘驱动器”)。尽管图8中未示出,可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器,以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下,每个驱动器可以通过一个或者多个数据介质接口与总线230相连。存储器210可以包括至少一个程序产品,该程序产品具有一组(例如至少一个)程序模块,这些程序模块被配置以执行本公开各实施例的功能。
具有一组(至少一个)程序模块270的程序/实用工具280,可以存储在例如存储器210中,这样的程序模块270包括——但不限于——操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块270通常执行本公开所描述的实施例中的功能和/或方法。
电子设备200也可以与一个或多个外部设备290(例如键盘、指向设备、显示器291等)通信,还可与一个或者多个使得用户能与该电子设备200交互的设备通信,和/或与使得该电子设备200能与一个或多个其它计算设备进行通信的任何设备(例如网卡,调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口292进行。并且,电子设备200还可以通过网络适配器293与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图8所示,网络适配器293通过总线230与电子设备200的其它模块通信。应当明白,尽管图中未示出,可以结合电子设备200使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
处理器220通过运行存储在存储器210中的程序,从而执行各种功能应用以及数据处理。
需要说明的是,本实施例的电子设备的实施过程和技术原理参见前述对本公开实施例的车道线识别的性能测试方法的解释说明,此处不再赘述。
本公开实施例提供的电子设备,可以执行如前所述的车道线识别的性能测试方法,可按照图像中的原始识别车道线的延伸属性,对原始识别车道线进行截取,获取测试车道线,对测试车道线进行采样,获取多个采样像素点,并基于采样像素点获取图像的车道线识别的性能测试结果。由此,可按照延伸属性对原始识别车道线进行截取,以获取测试车道线,提高了获取的测试车道线的灵活性,并基于测试车道线上的采样像素点获取车道线识别的性能测试结果,进而提高了车道线识别的性能测试结果的灵活性,可满足车道线识别的性能测试结果的不同需求。
为了实现上述实施例,本公开还提出一种计算机可读存储介质。
其中,该计算机可读存储介质中的指令由电子设备的处理器执行时,使得电子设备能够执行如前所述的车道线识别的性能测试方法。可选的,计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
为了实现上述实施例,本公开还提供一种计算机程序产品,包括计算机程序,其特征在于,所述计算机程序被电子设备的处理器执行时实现如前所述的车道线识别的性能测试方法。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本公开的其它实施方案。本公开旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的真正范围和精神由下面的权利要求指出。
应当理解的是,本公开并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。
Claims (24)
1.一种车道线识别的性能测试方法,其特征在于,包括:
获取图像中的原始识别车道线;
按照所述原始识别车道线的延伸属性,对所述原始识别车道线进行截取,获取测试车道线;
对所述测试车道线进行采样,获取所述测试车道线上的多个采样像素点;
基于所述采样像素点进行车道线识别的性能测试,获取所述图像的车道线识别的性能测试结果。
2.根据权利要求1所述的方法,其特征在于,所述原始识别车道线包括识别片段和延伸片段;所述按照所述原始识别车道线的延伸属性,对所述原始识别车道线进行截取,获取测试车道线,包括:
响应于所述延伸属性为延伸,对所述原始识别车道线进行截取,并将所述原始识别车道线作为所述测试车道线;或者,
响应于所述延伸属性为非延伸,对所述原始识别车道线中的所述识别片段进行截取,并将所述识别片段作为所述测试车道线。
3.根据权利要求2所述的方法,其特征在于,所述获取图像中的原始识别车道线,包括:
对所述图像进行车道线识别,获取所述图像中的多个识别像素点;
基于每个所述识别像素点,生成所述识别片段;
将所述识别片段从端点进行延伸,生成所述延伸片段;
将所述识别片段和所述延伸片段进行拼接,生成所述原始识别车道线。
4.根据权利要求1所述的方法,其特征在于,所述对所述测试车道线进行采样,获取所述测试车道线上的多个采样像素点,包括:
获取所述测试车道线的采样方向;
按照所述采样方向对所述测试车道线进行采样,获取所述测试车道线上的多个所述采样像素点。
5.根据权利要求4所述的方法,其特征在于,所述获取所述测试车道线的采样方向,包括:
获取所述测试车道线与所述测试车道线所处道路的道路方向之间的夹角;
识别所述夹角小于第一设定阈值,或者大于第二设定阈值,确定所述采样方向为垂直方向;或者,
识别所述夹角大于或者等于所述第一设定阈值,且小于或者等于所述第二设定阈值,确定所述采样方向为水平方向;
其中,所述第一设定阈值小于所述第二设定阈值。
6.根据权利要求1所述的方法,其特征在于,所述基于所述采样像素点进行车道线识别的性能测试,获取所述图像的车道线识别的性能测试结果,包括:
获取所述采样像素点的判断结果和权重,其中,所述判断结果用于指示所述采样像素点是否为真实车道线上的位置点在所述图像中的像素点;
基于所述采样像素点的判断结果和权重,获取所述采样像素点的加权准确率;
根据每个所述采样像素点的加权准确率的和值,获取所述图像的车道线识别的总加权准确率,作为所述图像的车道线识别的性能测试结果。
7.根据权利要求6所述的方法,其特征在于,获取所述采样像素点的权重,包括:
基于所述采样像素点在所述图像上的位置,获取所述采样像素点的权重。
8.根据权利要求7所述的方法,其特征在于,所述采样像素点的权重与所述采样像素点到所述图像的下边界的距离负相关。
9.根据权利要求7所述的方法,其特征在于,所述基于所述采样像素点在所述图像上的位置,获取所述采样像素点的权重,包括:
基于所述采样像素点在所述图像上的位置,识别所述采样像素点处于所述图像上的目标区域;
将所述目标区域对应的设定权重,作为所述采样像素点的权重。
10.根据权利要求6所述的方法,其特征在于,获取所述采样像素点的权重,包括:
基于所述采样像素点的深度信息,确定所述采样像素点的权重。
11.根据权利要求1-10任一项所述的方法,其特征在于,还包括:
获取所述测试车道线的识别车道线类别;
基于所述识别车道线类别,获取所述图像的车道线识别的性能测试结果。
12.一种车道线识别的性能测试装置,其特征在于,包括:
获取模块,被配置为执行获取图像中的原始识别车道线;
截取模块,被配置为执行按照所述原始识别车道线的延伸属性,对所述原始识别车道线进行截取,获取测试车道线;
采样模块,被配置为执行对所述测试车道线进行采样,获取所述测试车道线上的多个采样像素点;
测试模块,被配置为执行基于所述采样像素点进行车道线识别的性能测试,获取所述图像的车道线识别的性能测试结果。
13.根据权利要求12所述的装置,其特征在于,所述原始识别车道线包括识别片段和延伸片段;所述截取模块,还被配置为执行响应于所述延伸属性为延伸,对所述原始识别车道线进行截取,并将所述原始识别车道线作为所述测试车道线;或者,
响应于所述延伸属性为非延伸,对所述原始识别车道线中的所述识别片段进行截取,并将所述识别片段作为所述测试车道线。
14.根据权利要求13所述的装置,其特征在于,所述获取模块,还被配置为执行对所述图像进行车道线识别,获取所述图像中的多个识别像素点;
基于每个所述识别像素点,生成所述识别片段;
将所述识别片段从端点进行延伸,生成所述延伸片段;
将所述识别片段和所述延伸片段进行拼接,生成所述原始识别车道线。
15.根据权利要求12所述的装置,其特征在于,所述采样模块,还被配置为执行获取所述测试车道线的采样方向;
按照所述采样方向对所述测试车道线进行采样,获取所述测试车道线上的多个所述采样像素点。
16.根据权利要求15所述的装置,其特征在于,所述采样模块,还被配置为执行获取所述测试车道线与所述测试车道线所处道路的道路方向之间的夹角;
识别所述夹角小于第一设定阈值,或者大于第二设定阈值,确定所述采样方向为垂直方向;或者,
识别所述夹角大于或者等于所述第一设定阈值,且小于或者等于所述第二设定阈值,确定所述采样方向为水平方向;
其中,所述第一设定阈值小于所述第二设定阈值。
17.根据权利要求12所述的装置,其特征在于,所述测试模块,还被配置为执行获取所述采样像素点的判断结果和权重,其中,所述判断结果用于指示所述采样像素点是否为真实车道线上的位置点在所述图像中的像素点;
基于所述采样像素点的判断结果和权重,获取所述采样像素点的加权准确率;
根据每个所述采样像素点的加权准确率的和值,获取所述图像的车道线识别的总加权准确率,作为所述图像的车道线识别的性能测试结果。
18.根据权利要求17所述的装置,其特征在于,所述测试模块,还被配置为执行基于所述采样像素点在所述图像上的位置,获取所述采样像素点的权重。
19.根据权利要求18所述的装置,其特征在于,所述采样像素点的权重与所述采样像素点到所述图像的下边界的距离负相关。
20.根据权利要求18所述的装置,其特征在于,所述测试模块,还被配置为执行基于所述采样像素点在所述图像上的位置,识别所述采样像素点处于所述图像上的目标区域;
将所述目标区域对应的设定权重,作为所述采样像素点的权重。
21.根据权利要求17所述的装置,其特征在于,所述测试模块,还被配置为执行基于所述采样像素点的深度信息,确定所述采样像素点的权重。
22.根据权利要求12-21任一项所述的装置,其特征在于,所述获取模块,还被配置为执行获取所述测试车道线的识别车道线类别;
所述测试模块,还被配置为执行基于所述识别车道线类别,获取所述图像的车道线识别的性能测试结果。
23.一种电子设备,其特征在于,包括:
处理器;
用于存储所述处理器的可执行指令的存储器;
其中,所述处理器被配置为执行所述指令,以实现如权利要求1-11任一项所述的车道线识别的性能测试方法。
24.一种计算机可读存储介质,其特征在于,当所述计算机可读存储介质中的指令由电子设备的处理器执行时,使得电子设备能够执行如权利要求1-11任一项所述的车道线识别的性能测试方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210295794.3A CN114579417B (zh) | 2022-03-23 | 2022-03-23 | 车道线识别的性能测试方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210295794.3A CN114579417B (zh) | 2022-03-23 | 2022-03-23 | 车道线识别的性能测试方法、装置及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114579417A true CN114579417A (zh) | 2022-06-03 |
CN114579417B CN114579417B (zh) | 2023-02-21 |
Family
ID=81781862
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210295794.3A Active CN114579417B (zh) | 2022-03-23 | 2022-03-23 | 车道线识别的性能测试方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114579417B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005190375A (ja) * | 2003-12-26 | 2005-07-14 | Toyota Motor Corp | 白線検出装置 |
CN110532636A (zh) * | 2019-08-05 | 2019-12-03 | 东南大学 | 一种面向多场景的智能驾驶自主车道保持性能检测方法 |
CN111797766A (zh) * | 2020-07-06 | 2020-10-20 | 三一专用汽车有限责任公司 | 识别方法、识别装置、计算机可读存储介质和车辆 |
CN112693466A (zh) * | 2021-01-29 | 2021-04-23 | 重庆长安汽车股份有限公司 | 一种车辆环境感知传感器性能测评系统及方法 |
CN114220082A (zh) * | 2021-11-15 | 2022-03-22 | 浙江大华技术股份有限公司 | 一种车道线识别方法、装置和计算机可读存储介质 |
-
2022
- 2022-03-23 CN CN202210295794.3A patent/CN114579417B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005190375A (ja) * | 2003-12-26 | 2005-07-14 | Toyota Motor Corp | 白線検出装置 |
CN110532636A (zh) * | 2019-08-05 | 2019-12-03 | 东南大学 | 一种面向多场景的智能驾驶自主车道保持性能检测方法 |
CN111797766A (zh) * | 2020-07-06 | 2020-10-20 | 三一专用汽车有限责任公司 | 识别方法、识别装置、计算机可读存储介质和车辆 |
CN112693466A (zh) * | 2021-01-29 | 2021-04-23 | 重庆长安汽车股份有限公司 | 一种车辆环境感知传感器性能测评系统及方法 |
CN114220082A (zh) * | 2021-11-15 | 2022-03-22 | 浙江大华技术股份有限公司 | 一种车道线识别方法、装置和计算机可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN114579417B (zh) | 2023-02-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP4020385A1 (en) | Method for training image depth estimation model and method for processing image depth information | |
EP4044146A1 (en) | Method and apparatus for detecting parking space and direction and angle thereof, device and medium | |
US10867189B2 (en) | Systems and methods for lane-marker detection | |
US11967132B2 (en) | Lane marking detecting method, apparatus, electronic device, storage medium, and vehicle | |
CN109974733A (zh) | 用于ar导航的poi显示方法、装置、终端和介质 | |
CN106326810A (zh) | 道路场景识别方法及设备 | |
CN111402413B (zh) | 三维视觉定位方法、装置及计算设备、存储介质 | |
US20230045715A1 (en) | Text detection method, text recognition method and apparatus | |
CN111400423B (zh) | 基于多视图几何的智慧城市cim三维车辆位姿建模系统 | |
CN114565908A (zh) | 车道线的检测方法、装置、电子设备及存储介质 | |
CN105303554A (zh) | 一种图像特征点的3d重建方法和装置 | |
Mazoul et al. | Fast spatio-temporal stereo for intelligent transportation systems | |
CN114579417B (zh) | 车道线识别的性能测试方法、装置及电子设备 | |
CN113537026A (zh) | 建筑平面图中的图元检测方法、装置、设备及介质 | |
CN111862208A (zh) | 一种基于屏幕光通信的车辆定位方法、装置及服务器 | |
CN115760827A (zh) | 点云数据的检测方法、装置、设备以及存储介质 | |
CN117011481A (zh) | 构建三维地图的方法、装置、电子设备及存储介质 | |
CN111383337B (zh) | 用于识别对象的方法和装置 | |
CN113902047A (zh) | 图像元素匹配方法、装置、设备以及存储介质 | |
CN113390425A (zh) | 地图数据处理方法、装置、设备和存储介质 | |
CN112818845B (zh) | 测试方法、目标对象检测方法、行驶控制方法及装置 | |
EP4030142A2 (en) | Method for generating navigation information, apparatus for generating navigation information, device, medium, and product | |
CN117576649B (zh) | 一种基于分割点和双特征增强的车道线检测方法及系统 | |
CN112052773B (zh) | 基于图像传感的无人机交通疏导智能播音方法及装置 | |
CN116128863B (zh) | 一种医学图像处理方法、装置及设备 |
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 |