CN114612736A - 一种车道线检测方法、系统及计算机可读介质 - Google Patents

一种车道线检测方法、系统及计算机可读介质 Download PDF

Info

Publication number
CN114612736A
CN114612736A CN202011420336.5A CN202011420336A CN114612736A CN 114612736 A CN114612736 A CN 114612736A CN 202011420336 A CN202011420336 A CN 202011420336A CN 114612736 A CN114612736 A CN 114612736A
Authority
CN
China
Prior art keywords
lane line
position information
lane
vehicle
coordinates
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
CN202011420336.5A
Other languages
English (en)
Other versions
CN114612736B (zh
Inventor
刘前飞
张三林
蔡璐珑
李梓龙
王振男
张志德
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.)
Guangzhou Automobile Group Co Ltd
Original Assignee
Guangzhou Automobile Group 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 Guangzhou Automobile Group Co Ltd filed Critical Guangzhou Automobile Group Co Ltd
Priority to CN202011420336.5A priority Critical patent/CN114612736B/zh
Publication of CN114612736A publication Critical patent/CN114612736A/zh
Application granted granted Critical
Publication of CN114612736B publication Critical patent/CN114612736B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computational Linguistics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Evolutionary Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Traffic Control Systems (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供一种车道线检测方法、系统和计算机可读存储介质，该方法包括：获取车辆前方道路图像，对所述前方道路图像进行处理，获得处理后的道路图像，将所述处理后的道路图像输入训练好的神经网络模型中进行处理，输出前方道路可通行域位置信息、车辆所处车道的左车道线位置信息、右车道线位置信息以及对应的左、右车道线存在的概率，根据所述左、右车道线存在的概率、可通行域位置信息、左车道线位置信息、右车道线位置信息确定车辆所处车道的车道线最终位置信息。该方法可以节约控制器中的GPU计算资源，同时保证了复杂场景下车道线检测的稳定性和准确性，提高了车道线检测算法的鲁棒性。

Description

一种车道线检测方法、系统及计算机可读介质
技术领域
本发明涉及车辆驾驶技术领域，尤其涉及一种车道线检测方法、系统及计算机可读介质。
背景技术
目标车道线检测的稳定性和准确性是智能辅助驾驶ADAS功能开发中最为关键的一个技术环节。由于现实场景中存在很多复杂的道路场景，比如车道线磨损、道路被积水淹没或者其他障碍物遮挡等，车道线检测性能往往会受到很大影响。因此如何提高复杂道路场景下的车道线检测精度是当前ADAS功能开发中的一个难题。
发明内容
本发明所要解决的技术问题在于，提供一种车道线检测方法、系统及计算机可读存储介质，以提高复杂道路场景下的车道线检测精度。
为了解决上述技术问题，本发明一方面提供一种车道线检测方法，包括如下步骤：
获取车辆前方道路图像，对所述前方道路图像进行处理，获得处理后的道路图像；
将所述处理后的道路图像输入训练好的神经网络模型中进行处理，输出前方道路可通行域位置信息、车辆所处车道的左车道线位置信息、右车道线位置信息以及对应的左、右车道线存在的概率；
根据所述左、右车道线存在的概率、可通行域位置信息、左车道线位置信息、右车道线位置信息确定车辆所处车道的车道线最终位置信息。
在一具体实施方式中，所述根据所述左、右车道线存在的概率、可通行域位置信息、左车道线位置信息、右车道线位置信息确定车辆所处车道的车道线最终位置信息具体包括：
分别判断车辆所处车道的左右车道线存在的概率是否均小于设定的概率阈值，若是，则根据可通行区域位置信息确定车辆所处车道的车道线最终位置信息，若不是，则进一步判断车辆所处车道的左右车道线存在的概率是否均大于所述设定的概率阈值，若是，则根据输出的左车道线位置信息、右车道线位置信息确定车辆所处车道的车道线最终位置信息，若不是，则根据所述存在概率大于所述设定的概率阈值的车道线的位置信息确定车辆所处车道的另一条车道线的位置信息。
在一具体实施方式中，所述根据可通行区域位置信息确定车辆所处车道的车道线最终位置信息具体包括：
根据所述可通行域位置信息确定所述前方道路的路肩边沿轮廓表达式；
根据所述路肩边沿轮廓表达式确定路肩边沿上的多个离散点的位置坐标；
对路肩边沿上的每一所述离散点的位置坐标，根据车辆所处的车道、车道宽度、道路边沿与相邻车道线之间的横向距离确定待检测的车道线上对应的离散点位置坐标，从而获得待检测车道线上的多个离散点的位置坐标；
对所述待检测车道线上的多个离散点的位置坐标进行拟合，获得待检测车道线的轮廓表达式。
在一具体实施方式中，所述根据所述可通行域位置信息确定所述前方道路的路肩边沿轮廓表达式具体包括：
对所述可通行域位置信息进行离散化处理，获得所述前方道路的左侧道路路肩边沿的多个离散点坐标和/或右侧道路路肩边沿的多个离散点坐标；
对所述左侧道路路肩边沿的多个离散点坐标和/或右侧道路路肩边沿的多个离散点坐标进行坐标转换，对应获得车辆坐标系下左侧道路路肩边沿的多个离散点坐标和/或右侧道路路肩边沿的多个离散点坐标；
对所述车辆坐标下左侧车道道路路肩边沿的多个离散点坐标进行拟合获得左侧车道道路路肩边沿的轮廓表达式，和/或对所述车辆坐标下右侧车道道路路肩边沿的多个离散点坐标进行拟合获得右侧车道道路路肩边沿的轮廓表达式。
在一具体实施方式中，所述根据所述输出的左车道线位置信息、右车道线位置信息确定车辆所处车道的车道线最终位置信息具体包括：
分别对输出的左车道线位置信息和右车道线位置信息进行离散化处理，对应获得左车道线上的多个离散点坐标和右车道线上的多个离散点坐标；
分别对左车道线上的多个离散点坐标和右车道线上的多个离散点坐标进行坐标转换，对应获得车辆坐标系下的左车道线上的多个离散点坐标和车辆坐标系下的右车道线上的多个离散点坐标；
分别对所述车辆坐标系下的左车道线上的多个离散点坐标和车辆坐标系下的右车道线上的多个离散点坐标进行拟合，对应获得左车道线轮廓函数和右车道线轮廓函数。
在一具体实施方式中，所述根据所述存在概率大于所述设定的概率阈值的车道线的位置信息确定车辆所处车道的另一条车道线的位置信息具体包括：
根据存在概率大于所述设定的概率阈值的车道线的位置信息确定所述存在概率大于所述设定的概率阈值的车道线在车辆坐标系下的多个离散点的坐标；
根据所述多个离散点的坐标、车道宽度对应确定车辆所处车道的另一车道线上的多个离散点坐标；
对另一车道线上的所述多个离散点坐标进行拟合获得另一车道线的轮廓函数。
本发明第二方面提供一种车道线检测系统，包括：
道路图像获取单元，用于获取车辆前方道路图像，对所述前方道路图像进行处理，获得处理后的道路图像；
神经网络模型，用于对处理后的道路图像进行处理，输出前方道路可通行域位置信息、车辆所处车道的左车道线位置信息、右车道线位置信息以及对应的左、右车道线存在的概率；
车道线最终位置信息确定单元，用于根据所述左、右车道线存在的概率、可通行域位置信息、左车道线位置信息、右车道线位置信息确定车辆所处车道的车道线最终位置信息。
在一具体实施方式中，所述车道线最终位置信息确定单元具体包括：
第一判断单元，用于分别判断车辆所处车道的左右车道线存在的概率是否均小于设定的概率阈值；
第一确定单元，用于在车辆所处车道的左右车道线存在的概率均小于设定的概率阈值的情况下，根据可通行区域位置信息确定车辆所处车道的车道线最终位置信息；
第二判断单元，用于在第一判断单元的判断结果为否的情况下，则进一步判断车辆所处车道的左右车道线存在的概率是否均大于所述设定的概率阈值；
第二确定单元，用于在第二判断单元的判断结果为是的情况下，根据所述输出的左车道线位置信息、右车道线位置信息确定车辆所处车道的车道线最终位置信息；
第三确定单元，用于在第二判断单元的判断结果为不是的情况下，则根据所述存在概率大于设定的概率阈值的车道线的位置信息确定车辆所处车道的另一条车道线的位置信息。
在一具体实施方式中，所述第一确定单元具体用于：
根据所述可通行域位置信息确定所述前方道路的路肩边沿轮廓表达式；
根据所述路肩边沿轮廓表达式确定路肩边沿上的多个离散点的位置信息；
对路肩边沿上的每一所述离散点，根据车辆所处的车道、车道宽度、道路边沿与相邻车道线之间的横向距离确定待检测的车道线上对应的离散点位置信息，从而获得待检测车道线上的多个离散点的位置信息；
对所述待检测车道线上的多个离散点的位置信息进行拟合，获得待检测车道线的轮廓表达式。
本发明第三方面提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如前述方法的步骤。
本发明实施例的有益效果在于：通过将处理后的道路图像输入到训练后的神经网络模型中，输出可通行域位置信息、左车道线位置信息、右车道线位置信息以及左、右车道线存在的概率，在左右车道线存在概率小于设定的概率阈值的情况下，结合可通行域位置信息确定车辆所处车道的车道线位置信息。本发明的方法由于神经网络模型可同时输出车道线位置信息和可通行域位置信息，因而可以节约控制器中的GPU计算资源，此外，在车道线存在概率较低的情况下，通过可通行域位置信息确定车道线位置信息，保证了复杂场景下车道线检测的稳定性和准确性，提高了车道线检测算法的鲁棒性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例一种车道线检测方法的流程示意图；
图2是本发明实施例一种车道线检测方法的一具体实施方式的流程示意图；
图3是本发明实施例一种车道线检测方法的一具体实施方式的流程示意图；
图4是本发明实施例一种车道线检测方法的一具体实施方式的流程示意图；
图5是本发明实施例的一种车道线检测系统的框图。
具体实施方式
以下各实施例的说明是参考附图，用以示例本发明可以用以实施的特定实施例。
以下参照图1所示，本发明实施例一提供一种车道线检测方法，包括如下步骤：
S1、获取车辆前方道路图像，对所述前方道路图像进行处理，获得处理后的道路图像。
具体地，通过车载摄像头采集车辆前方道路图像，并对采集的前方道路图像进行预处理，获得处理后的道路图像。其中，对采集的前方道路图像进行预处理包括对前方道路图像的尺寸进行一定的伸缩。
S2、将所述处理后的道路图像输入训练好的神经网络模型中，输出前方道路可通行域位置信息、车辆所处车道的左车道位置信息、右车道线位置信息以及对应的左、右车道线存在的概率。
其中神经网络模型包括卷积层、激活层、池化层、差值层、最大值层，网络输入分辨率为3*640*480，网络输出分辨率为1*320*240。网络输出的6个类别包括可通行域位置信息、与车辆所处车道相邻车道的左车道线、车辆所处车道的左车道线、车辆所处车道的右车道线、车辆所处车道相邻的右车道线、其他。网络可选择pytorch或者caffe网络框架在服务器上进行训练，网络的主干结构可采用1/2的ERFNet网络，网络训练数据采用已经标注好的图像数据。
具体地，在道路两侧边沿处没有过多的其他车辆停泊遮挡道路路肩的情况下，车辆左右两侧最远的可通行域边界实际上就是两侧的道路路肩。
S3、根据所述左、右车道线存在的概率、可通行域位置信息、左车道线位置信息、右车道线位置信息确定车辆所处车道的车道线最终位置信息。
具体地，分别判断车辆所处车道的左右车道线存在的概率是否均小于设定的概率阈值，若是，则根据可通行区域位置信息确定车辆所处车道的车道线最终位置信息，若不是，则进一步判断车辆所处车道的左右车道线存在的概率是否均大于所述设定的概率阈值，若是，则根据输出的左车道线位置信息、右车道线位置信息确定车辆所处车道的车道线最终位置信息，若不是，则根据所述存在概率大于所述设定的概率阈值的车道线的位置信息确定车辆所处车道的另一条车道线的位置信息。
在一具体实施方式中，如图2所示，根据可通行区域位置信息确定车辆所处车道的车道线最终位置信息具体包括：
SA1、根据所述可通行域位置信息确定所述前方道路的路肩边沿轮廓表达式。
由于神经网络模型输出的可通行域在图像中是一个整体的联通域，在道路两侧边沿处没有过多的其他车辆停泊遮挡道路路肩的情况下，车辆左右两侧最远的可通行域边界实际上就是两侧的道路路肩。对可通行区域进行离散化处理，在图像中分别得到左侧道路路肩边沿的多个离散坐标点和右侧道路路肩边沿的多个离散坐标点。
分别对左侧道路路肩边沿的多个离散坐标点和右侧道路路肩边沿的多个离散坐标点进行坐标转换，对应获得车辆坐标系下左侧道路路肩边沿的多个离散坐标点和右侧道路路肩边沿的多个离散坐标点。
具体地，假设道路路肩边沿离散点在图像内坐标为(u，v)，在车辆坐标系下的坐标为(x,y,z),当摄像内参矩阵和外参矩阵都已知的前提下，则相应的坐标转换公式如下：
Figure BDA0002821926150000071
其中，fx＝f/dx，fy＝f/dy，f是摄像头焦距，dx是x方向上每个像素宽度，dy是y方向上每个像素宽度，r11、r12、r13、r21、r22、r23、r31、r32、r33车辆空间坐标系转换到相机空间坐标系的旋转转换矩阵R中的9的参数分量。tx、ty、tz是是车辆空间坐标系转换到相机空间坐标系的平移转换矩阵中的3个参数分量。
对车辆坐标系下的左侧道路路肩边沿的多个离散坐标点进行拟合，获得左侧道路路肩边沿的轮廓函数，对车辆坐标系下的右侧道路路肩边沿的多个离散坐标点进行拟合，获得右侧道路路肩边沿的轮廓函数。
在一具体实施方式中，对左侧道路路肩边沿离散点采用最小二乘法进行三次多项式拟合获得左侧道路路肩边沿的轮廓函数，对右侧道路路肩边沿离散点采用最小二乘法进行三次多项式拟合获得右侧道路路肩边沿的轮廓函数。
SA2、根据所述路肩边沿轮廓表达式确定路肩边沿上的多个离散点的位置坐标。
具体地，根据左道路路肩边沿轮廓表达式确定左道路路肩边沿的多个离散坐标点，根据右道路路肩边沿轮廓表达式确定右道路路肩边沿的多个离散坐标点。
以确定左道路路肩边沿的多个离散坐标点为例进行说明，由于已知左道路路肩边沿表达式，随机确定多个离散坐标点的横坐标值，将该确定的横坐标值代入左道路路肩边沿表达式中，可以对应获得离散坐标点的纵坐标值，从而获得左道路路肩边沿的多个离散点坐标。
SA3、对路肩边沿上的每一所述离散点的位置坐标，根据车辆所处的车道、车道宽度、道路边沿与相邻车道线之间的横向距离确定待检测的车道线上对应的离散点位置坐标，从而获得待检测车道线上的多个离散点的位置坐标。
在一具体实施方式中，通过确定车辆当前所处车道距离左道路路肩边沿的车道数以及每一车道的宽度，左道路路肩边沿相邻的车道线的距离以及左道路路肩边沿的离散点坐标确定待检测的车道线的坐标值。
举例说明，假设车道宽度记为d1，左道路路肩边沿距离相邻的车道线的距离为d2，车辆当前所处车道的左车道线距离左道路路肩边沿之间有n个车道，则车辆当前所处车道的右车道线距离左道路路肩边沿之间具有n+1个车道。假设左道路路肩边沿的离散点坐标为(x1,y)，对应的车辆所处车道的左车道线的离散点坐标为(x2，y)，车辆所处车道的右车道线的离散点坐标为(x3，y)，则有：
|x2-x1|＝nd1+d2+d0
|x3-x1|＝(n+1)d1+d2+d0
其中，d0是数值范围属于属于[-0.2,0.2]之间的随机数。根据上式可以求解处与离散点(x1,y)对应的离散点坐标(x2，y)以及(x3，y)。
在一具体实施方式中，通过确定车辆当前所处车道距离右道路路肩边沿的车道数以及每一车道的宽度，右道路路肩边沿相邻的车道线的距离以及右道路路肩边沿的离散点坐标确定待检测的车道线的坐标值。
具体地求解方式请参照上面的左道路路肩边沿的说明。
SA4、对所述待检测车道线上的多个离散点的位置坐标进行拟合，获得待检测车道线的轮廓表达式。
对获得的车辆所处车道的左车道线的多个离散坐标点进行拟合，从而获得车辆所处车道的左车道线的轮廓函数，对获得的车辆所处车道的右车道线的多个离散坐标点进行拟合，从而获得车辆所处车道的右车道线的轮廓函数。
在一具体实施方式中，采用最小二乘法进行三次多项式拟合。例如：
x＝a0+a1*y+a2*y2+a3*y3
其中，x为横坐标，y为纵坐标，a0-a3为对应的系数。
在一具体实施方式中，如图3所示，根据输出的左车道线位置信息、右车道线位置信息确定车辆所处车道的车道线最终位置信息具体包括：
SB1、分别对输出的左车道线位置信息和右车道线位置信息进行离散化处理，对应获得左车道线上的多个离散点坐标和右车道线上的多个离散点坐标。
SB2、分别对左车道线上的多个离散点坐标和右车道线上的多个离散点坐标进行坐标转换，对应获得车辆坐标系下的左车道线上的多个离散点坐标和车辆坐标系下的右车道线上的多个离散点坐标。
在一具体实施方式中，将图像中的车道线的离散点坐标转换到车辆坐标系下的离散点的转换方式与前述的道路路肩边沿离散点的转换方式相同，因而不在赘述。
SB3、分别对所述车辆坐标系下的左车道线上的多个离散点坐标和车辆坐标系下的右车道线上的多个离散点坐标进行拟合，对应获得左车道线轮廓函数和右车道线轮廓函数。
在一具体实施方式中，车道线的拟合方式与道路路肩边沿的拟合方式相同，都采用最小二乘法进行三次多项式拟合，车道线几何轮廓表达式为：
x'＝b0+b1*y'+b2*y'2+b3*y'3
其中，x'为横坐标，y'为纵坐标，b0-b3为对应的系数。
在一具体实施方式中，如图4所示，根据所述存在概率大于所述设定的概率阈值的车道线的位置信息确定车辆所处车道的另一条车道线的位置信息具体包括：
SC1、根据存在概率大于所述设定的概率阈值的车道线的位置信息确定所述存在概率大于所述设定的概率阈值的车道线在车辆坐标系下的多个离散点的坐标。
具体地，当车辆所处车道的左车道线的存在概率大于设定的概率阈值时，则对输出的左车道线的位置信息进行离散化处理，获得多个图像离散位置点坐标，对多个图像离散位置点坐标进行空间转换，获得车辆坐标系下的左车道线的多个离散点坐标。当车辆所处车道的右车道线的存在概率大于设定的概率阈值时，则对输出的右车道线的位置信息进行离散化处理，获得多个图像离散位置点坐标，对多个图像离散位置点坐标进行空间转换，获得车辆坐标系下的右车道线的多个离散点坐标。
SC2、根据所述多个离散点的坐标、车道宽度对应确定车辆所处车道的另一车道线上的多个离散点坐标。
以左车道的车道线存在概率大于设定概率阈值为例进行说明。根据车道宽到对左车道线上的离散坐标点进行平移处理得到对应的右车道线上的离散坐标点。
SC3、对另一车道线上的所述多个离散点坐标进行拟合获得另一车道线的轮廓函数。
在一具体实施方式中，对另一车道线上的多个离散点坐标最小二乘法进行三次多项式拟合，从而获得另一车道线的轮廓函数。
在一具体实施方式中，设定的概率阈值为0.9。
本发明实施例的车道线检测方法，通过将处理后的道路图像输入到训练后的神经网络模型中，输出可通行域位置信息、左车道线位置信息、右车道线位置信息以及左、右车道线存在的概率，在左右车道线存在概率小于设定的概率阈值的情况下，结合可通行域位置信息确定车辆所处车道的车道线位置信息。本实施例的方法由于神经网络模型可同时输出车道线位置信息和可通行域位置信息，因而可以节约控制器中的GPU计算资源，此外，在车道线存在概率较低的情况下，通过可通行域位置信息确定车道线位置信息，保证了复杂场景下车道线检测的稳定性和准确性，提高了车道线检测算法的鲁棒性。
基于本发明实施例一，本发明实施例二提供一种车道线检测系统，如图5所示，该系统10包括道路图像获取单元1、神经网络模型处理单元2和车道线最终位置信息确定单元3，其中，道路图像获取单元1用于获取车辆前方道路图像，对所述前方道路图像进行处理，获得处理后的道路图像，神经网络模型处理单元2用于对处理后的道路图像进行处理，输出前方道路可通行域位置信息、车辆所处车道的左车道线位置信息、右车道线位置信息以及对应的左、右车道线存在的概率，车道线最终位置信息确定单元3用于根据所述左、右车道线存在的概率、可通行域位置信息、左车道线位置信息、右车道线位置信息确定车辆所处车道的车道线最终位置信息。
在一具体实施方式中，所述车道线最终位置信息确定单元3具体包括第一判断单元、第一确定单元、第二判断单元、第二确定单元、第三确定单元，其中，第一判断单元用于分别判断车辆所处车道的左右车道线存在的概率是否均小于设定的概率阈值，第一确定单元用于在车辆所处车道的左右车道线存在的概率均小于设定的概率阈值的情况下，根据可通行区域位置信息确定车辆所处车道的车道线最终位置信息，第二判断单元，用于在第一判断单元的判断结果为否的情况下，则进一步判断车辆所处车道的左右车道线存在的概率是否均大于所述设定的概率阈值，第二确定单元用于在第二判断单元的判断结果为是的情况下，根据所述输出的左车道线位置信息、右车道线位置信息确定车辆所处车道的车道线最终位置信息，第三确定单元用于在第二判断单元的判断结果为不是的情况下，则根据所述存在概率大于设定的概率阈值的车道线的位置信息确定车辆所处车道的另一条车道线的位置信息。
在一具体实施方式中，所述第一确定单元具体用于根据所述可通行域位置信息确定所述前方道路的路肩边沿轮廓表达式，根据所述路肩边沿轮廓表达式确定路肩边沿上的多个离散点的位置信息，对路肩边沿上的每一所述离散点，根据车辆所处的车道、车道宽度、道路边沿与相邻车道线之间的横向距离确定待检测的车道线上对应的离散点位置信息，从而获得待检测车道线上的多个离散点的位置信息，对所述待检测车道线上的多个离散点的位置信息进行拟合，获得待检测车道线的轮廓表达式。
基于本发明实施例一，本发明实施例三还提供一种计算机可读介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现前述方法的步骤。
有关本实施例的工作原理以及所带来的有益效果请参照本发明实施例一的说明，此处不再赘述。
以上所揭露的仅为本发明较佳实施例而已，当然不能以此来限定本发明之权利范围，因此依本发明权利要求所作的等同变化，仍属本发明所涵盖的范围。

Claims (10)

1.一种车道线检测方法，其特征在于，包括：
获取车辆前方道路图像，对所述前方道路图像进行处理，获得处理后的道路图像；
将所述处理后的道路图像输入训练好的神经网络模型中进行处理，输出前方道路可通行域位置信息、车辆所处车道的左车道线位置信息、右车道线位置信息以及对应的左、右车道线存在的概率；
根据所述左、右车道线存在的概率、可通行域位置信息、左车道线位置信息、右车道线位置信息确定车辆所处车道的车道线最终位置信息。
2.根据权利要求1所述的方法，其特征在于，所述根据所述左、右车道线存在的概率、可通行域位置信息、左车道线位置信息、右车道线位置信息确定车辆所处车道的车道线最终位置信息具体包括：
分别判断车辆所处车道的左右车道线存在的概率是否均小于设定的概率阈值，若是，则根据可通行区域位置信息确定车辆所处车道的车道线最终位置信息，若不是，则进一步判断车辆所处车道的左右车道线存在的概率是否均大于所述设定的概率阈值，若是，则根据输出的左车道线位置信息、右车道线位置信息确定车辆所处车道的车道线最终位置信息，若不是，则根据存在概率大于所述设定的概率阈值的车道线的位置信息确定车辆所处车道的另一条车道线的位置信息。
3.根据权利要求2所述的方法，其特征在于，所述根据可通行区域位置信息确定车辆所处车道的车道线最终位置信息具体包括：
根据所述可通行域位置信息确定所述前方道路的路肩边沿轮廓表达式；
根据所述路肩边沿轮廓表达式确定路肩边沿上的多个离散点的位置坐标；
根据车辆所处的车道、车道宽度、道路路肩边沿与相邻车道线之间的横向距离以及所述多个离散点的位置坐标对应确定待检测的车道线上多个离散点的位置坐标；
对所述待检测车道线上的多个离散点的位置坐标进行拟合，获得待检测车道线的轮廓表达式。
4.根据权利要求3所述的方法，其特征在于，所述根据所述可通行域位置信息确定所述前方道路的路肩边沿轮廓表达式具体包括：
对所述可通行域位置信息进行离散化处理，获得所述前方道路的左侧道路路肩边沿的多个离散点坐标和/或右侧道路路肩边沿的多个离散点坐标；
对所述左侧道路路肩边沿的多个离散点坐标和/或右侧道路路肩边沿的多个离散点坐标进行坐标转换，对应获得车辆坐标系下左侧道路路肩边沿的多个离散点坐标和/或右侧道路路肩边沿的多个离散点坐标；
对所述车辆坐标下左侧车道道路路肩边沿的多个离散点坐标进行拟合获得左侧车道道路路肩边沿的轮廓表达式，和/或对所述车辆坐标下右侧车道道路路肩边沿的多个离散点坐标进行拟合获得右侧车道道路路肩边沿的轮廓表达式。
5.根据权利要求2所述的方法，其特征在于，所述根据所述输出的左车道线位置信息、右车道线位置信息确定车辆所处车道的车道线最终位置信息具体包括：
分别对输出的左车道线位置信息和右车道线位置信息进行离散化处理，对应获得左车道线上的多个离散点坐标和右车道线上的多个离散点坐标；
分别对左车道线上的多个离散点坐标和右车道线上的多个离散点坐标进行坐标转换，对应获得车辆坐标系下的左车道线上的多个离散点坐标和车辆坐标系下的右车道线上的多个离散点坐标；
分别对所述车辆坐标系下的左车道线上的多个离散点坐标和车辆坐标系下的右车道线上的多个离散点坐标进行拟合，对应获得左车道线轮廓函数和右车道线轮廓函数。
6.根据权利要求2所述的方法，其特征在于，所述根据所述存在概率大于所述设定的概率阈值的车道线的位置信息确定车辆所处车道的另一条车道线的位置信息具体包括：
根据存在概率大于所述设定的概率阈值的车道线的位置信息确定所述存在概率大于所述设定的概率阈值的车道线在车辆坐标系下的多个离散点的坐标；
根据所述多个离散点的坐标、车道宽度对应确定车辆所处车道的另一车道线上的多个离散点坐标；
对另一车道线上的所述多个离散点坐标进行拟合获得另一车道线的轮廓函数。
7.一种车道线检测系统，其特征在于，包括：
道路图像获取单元，用于获取车辆前方道路图像，对所述前方道路图像进行处理，获得处理后的道路图像；
神经网络模型处理单元，用于对处理后的道路图像进行处理，输出前方道路可通行域位置信息、车辆所处车道的左车道线位置信息、右车道线位置信息以及对应的左、右车道线存在的概率；
车道线最终位置信息确定单元，用于根据所述左、右车道线存在的概率、可通行域位置信息、左车道线位置信息、右车道线位置信息确定车辆所处车道的车道线最终位置信息。
8.根据权利要求7所述的系统，其特征在于，所述车道线最终位置信息确定单元具体包括：
第一判断单元，用于分别判断车辆所处车道的左右车道线存在的概率是否均小于设定的概率阈值；
第一确定单元，用于在车辆所处车道的左右车道线存在的概率均小于设定的概率阈值的情况下，根据可通行区域位置信息确定车辆所处车道的车道线最终位置信息；
第二判断单元，用于在第一判断单元的判断结果为否的情况下，则进一步判断车辆所处车道的左右车道线存在的概率是否均大于所述设定的概率阈值；
第二确定单元，用于在第二判断单元的判断结果为是的情况下，根据所述输出的左车道线位置信息、右车道线位置信息确定车辆所处车道的车道线最终位置信息；
第三确定单元，用于在第二判断单元的判断结果为不是的情况下，则根据所述存在概率大于设定的概率阈值的车道线的位置信息确定车辆所处车道的另一条车道线的位置信息。
9.根据权利要求8所述的系统，其特征在于，所述第一确定单元具体用于：
根据所述可通行域位置信息确定所述前方道路的路肩边沿轮廓表达式；
根据所述路肩边沿轮廓表达式确定路肩边沿上的多个离散点的位置坐标；
根据车辆所处的车道、车道宽度、道路路肩边沿与相邻车道线之间的横向距离以及所述多个离散点的位置坐标对应确定待检测的车道线上多个离散点的位置坐标；
对所述待检测车道线上的多个离散点的位置坐标进行拟合，获得待检测车道线的轮廓表达式。
10.一种计算机可读介质，其特征在于，其上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1-6任一项所述方法的步骤。
CN202011420336.5A 2020-12-08 2020-12-08 一种车道线检测方法、系统及计算机可读介质 Active CN114612736B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011420336.5A CN114612736B (zh) 2020-12-08 2020-12-08 一种车道线检测方法、系统及计算机可读介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011420336.5A CN114612736B (zh) 2020-12-08 2020-12-08 一种车道线检测方法、系统及计算机可读介质

Publications (2)

Publication Number Publication Date
CN114612736A true CN114612736A (zh) 2022-06-10
CN114612736B CN114612736B (zh) 2024-08-20

Family

ID=81857032

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011420336.5A Active CN114612736B (zh) 2020-12-08 2020-12-08 一种车道线检测方法、系统及计算机可读介质

Country Status (1)

Country Link
CN (1) CN114612736B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115662123A (zh) * 2022-10-20 2023-01-31 联创汽车电子有限公司 车道线存在判断方法、系统和存储介质

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH10143646A (ja) * 1996-08-28 1998-05-29 Matsushita Electric Ind Co Ltd 局地的位置把握装置及びその方法
KR20100034409A (ko) * 2008-09-24 2010-04-01 금오공과대학교 산학협력단 단일 차선을 이용한 차선 인식 및 차량의 차선 이탈 검출 방법
US20120288154A1 (en) * 2009-12-28 2012-11-15 Hitachi Automotive Systems, Ltd. Road-Shoulder Detecting Device and Vehicle Using Road-Shoulder Detecting Device
CN105674992A (zh) * 2014-11-20 2016-06-15 高德软件有限公司 一种导航方法及装置
CN105893949A (zh) * 2016-03-29 2016-08-24 西南交通大学 一种复杂路况场景下的车道线检测方法
CN106485233A (zh) * 2016-10-21 2017-03-08 深圳地平线机器人科技有限公司 可行驶区域检测方法、装置和电子设备
CN108805065A (zh) * 2018-05-31 2018-11-13 华南理工大学 一种基于几何特征改进的车道线检测方法
CN109829351A (zh) * 2017-11-23 2019-05-31 华为技术有限公司 车道信息的检测方法、装置及计算机可读存储介质
CN110363182A (zh) * 2019-07-24 2019-10-22 北京信息科技大学 基于深度学习的车道线检测方法
US20200125860A1 (en) * 2018-10-23 2020-04-23 Samsung Electronics Co., Ltd. Method and apparatus for determining driving information
CN111582079A (zh) * 2020-04-24 2020-08-25 杭州鸿泉物联网技术股份有限公司 基于计算机视觉的车道定位方法及装置
US20200293797A1 (en) * 2018-05-31 2020-09-17 Shanghai Sensetime Intelligent Technology Co., Ltd. Lane line-based intelligent driving control method and apparatus, and electronic device
CN111881832A (zh) * 2020-07-28 2020-11-03 苏州浪潮智能科技有限公司 车道目标检测方法、装置、设备及计算机可读存储介质

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH10143646A (ja) * 1996-08-28 1998-05-29 Matsushita Electric Ind Co Ltd 局地的位置把握装置及びその方法
KR20100034409A (ko) * 2008-09-24 2010-04-01 금오공과대학교 산학협력단 단일 차선을 이용한 차선 인식 및 차량의 차선 이탈 검출 방법
US20120288154A1 (en) * 2009-12-28 2012-11-15 Hitachi Automotive Systems, Ltd. Road-Shoulder Detecting Device and Vehicle Using Road-Shoulder Detecting Device
CN105674992A (zh) * 2014-11-20 2016-06-15 高德软件有限公司 一种导航方法及装置
CN105893949A (zh) * 2016-03-29 2016-08-24 西南交通大学 一种复杂路况场景下的车道线检测方法
CN106485233A (zh) * 2016-10-21 2017-03-08 深圳地平线机器人科技有限公司 可行驶区域检测方法、装置和电子设备
CN109829351A (zh) * 2017-11-23 2019-05-31 华为技术有限公司 车道信息的检测方法、装置及计算机可读存储介质
CN108805065A (zh) * 2018-05-31 2018-11-13 华南理工大学 一种基于几何特征改进的车道线检测方法
US20200293797A1 (en) * 2018-05-31 2020-09-17 Shanghai Sensetime Intelligent Technology Co., Ltd. Lane line-based intelligent driving control method and apparatus, and electronic device
US20200125860A1 (en) * 2018-10-23 2020-04-23 Samsung Electronics Co., Ltd. Method and apparatus for determining driving information
CN110363182A (zh) * 2019-07-24 2019-10-22 北京信息科技大学 基于深度学习的车道线检测方法
CN111582079A (zh) * 2020-04-24 2020-08-25 杭州鸿泉物联网技术股份有限公司 基于计算机视觉的车道定位方法及装置
CN111881832A (zh) * 2020-07-28 2020-11-03 苏州浪潮智能科技有限公司 车道目标检测方法、装置、设备及计算机可读存储介质

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115662123A (zh) * 2022-10-20 2023-01-31 联创汽车电子有限公司 车道线存在判断方法、系统和存储介质

Also Published As

Publication number Publication date
CN114612736B (zh) 2024-08-20

Similar Documents

Publication Publication Date Title
CN108537197B (zh) 一种基于深度学习的车道线检测预警装置及预警方法
WO2021249071A1 (zh) 一种车道线的检测方法及相关设备
CN110390306B (zh) 直角车位的检测方法、车辆和计算机可读存储介质
Yuan et al. Robust lane detection for complicated road environment based on normal map
CN111582083A (zh) 一种基于消失点估计与语义分割的车道线检测方法
CN108629292B (zh) 弯曲车道线检测方法、装置及终端
CN111178150B (zh) 车道线检测方法、系统及存储介质
JP5223675B2 (ja) 車両検知装置，車両検知方法並びに車両検知プログラム
CN109214422B (zh) 基于dcgan的停车数据修补方法、装置、设备及存储介质
CN104236478A (zh) 一种基于视觉的车辆外廓尺寸自动测量系统及方法
CN202134079U (zh) 一种无人驾驶车辆车道标志线识别与报警装置
CN107563331B (zh) 一种基于几何关系的道路标志线检测方法及系统
CN111179220B (zh) 车道标识线质量检测方法、系统及存储介质
CN114937081B (zh) 基于独立非均匀增量采样的网联车位置估计方法及装置
CN105426868A (zh) 一种基于自适应感兴趣区域的车道检测方法
KR20140148171A (ko) 지능형 차량의 차선 검출방법
CN112926365B (zh) 一种车道线检测方法及其系统
CN114612736A (zh) 一种车道线检测方法、系统及计算机可读介质
CN113449647B (zh) 弯曲车道线的拟合方法、系统、设备及计算机可读存储介质
JP5287335B2 (ja) 道路白線認識装置及び道路白線認識方法
CN104063869A (zh) 一种基于Beamlet变换的车道线检测方法
CN111507341A (zh) 一种目标边界框的调整方法、装置、设备及存储介质
WO2020024206A1 (zh) 基于dcgan的停车数据修补方法、装置、设备及存储介质
CN115618602A (zh) 一种车道级场景仿真方法及系统
CN114332105A (zh) 一种可行驶区域分割方法、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