CN114708576A - 一种车道线确定方法、装置、设备及存储介质 - Google Patents
一种车道线确定方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN114708576A CN114708576A CN202210626960.3A CN202210626960A CN114708576A CN 114708576 A CN114708576 A CN 114708576A CN 202210626960 A CN202210626960 A CN 202210626960A CN 114708576 A CN114708576 A CN 114708576A
- Authority
- CN
- China
- Prior art keywords
- lane line
- line points
- anchor
- points
- anchor 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例涉及一种车道线确定方法、装置、设备及存储介质。该方法包括:根据类间距阈值对图像中位于预设位置的锚点层中的车道线点进行分类,确定预设位置的所述锚点层中的车道线点分布情况;其中,所述图像中设置有多个沿高度方向排列的所述锚点层;根据预设位置的所述锚点层对应的车道线点分布情况和多个所述锚点层在图像中的位置关系,对其余所述锚点层中的所述车道线点进行分类;基于预设分组规则,将车道线点分类后的多个所述锚点层的所述车道线点分组;将每组车道线点映射到世界坐标系并拟合为对应的车道线。本发明实施例的技术方案可提高对车道线点分类的效率。
Description
技术领域
本发明涉及图像处理技术领域,尤其涉及一种车道线确定方法、装置、设备及存储介质。
背景技术
机动车保有量日渐增大,日常交通中车辆安全行驶得到重视。
而为了提高汽车运行中的安全性,一些车辆安装了安全设备,安全设备可以监测车辆运行中的数据,还可以辅助驾驶员对汽车进行控制,提高行驶中的安全性。而对车道线的识别有利于确定车辆的行驶安全性。车道线检测一般利用神经网络进行检测。
检测车道线的网络输出关键检测点,也就是检测出的车道线点。对于检测出的车道线点进行分类,现有技术中利用霍夫变换直线检测或者普通的聚类方法计算量较大且效果不佳。
发明内容
本发明提供一种车道线确定方法、装置、设备及存储介质,目的在于提高对车道线点分类的效率。
第一方面,本发明实施例提供了一种车道线确定方法,包括:
根据类间距阈值对图像中位于预设位置的锚点层中的车道线点进行分类,确定预设位置的所述锚点层中的车道线点分布情况;其中,所述图像中设置有多个沿高度方向排列的所述锚点层;
根据预设位置的所述锚点层对应的车道线点分布情况和多个所述锚点层在图像中的位置关系,对其余所述锚点层中的所述车道线点进行分类;
基于预设分组规则,将车道线点分类后的多个所述锚点层的所述车道线点分组;
将每组车道线点映射到世界坐标系并拟合为对应的车道线。
第二方面,本发明实施例提供了一种车道线确定装置,包括:
点分布确定模块,用于根据类间距阈值对图像中位于预设位置的锚点层中的车道线点进行分类,确定预设位置的所述锚点层中的车道线点分布情况;其中,所述图像中设置有多个沿高度方向排列的所述锚点层;
点分类模块,用于根据预设位置的所述锚点层对应的车道线点分布情况和多个所述锚点层在图像中的位置关系,对其余所述锚点层中的所述车道线点进行分类;
点分组模块,用于基于预设分组规则,将车道线点分类后的多个所述锚点层的所述车道线点分组;
车道线确定模块,用于将每组车道线点映射到世界坐标系并拟合为对应的车道线。
第三方面,本发明实施例提供了一种电子设备,包括:
一个或多个处理器;
存储器,用于存储一个或多个程序;
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本发明任意实施例提供的车道线确定方法。
第四方面,本发明实施例提供了一种包含计算机可执行指令的存储介质,所述计算机可执行指令在由计算机处理器执行时用于执行如本发明任意实施例提供的车道线确定方法。
本发明实施例提供的一种车道线确定方法、装置、设备及存储介质,通过车道线点检测的分布特点和网络确定的锚点层对车道线点进行分类,解决了计算量大的问题,实现了提高对车道线点分类的效率。
附图说明
图1为本发明实施例一提供的一种车道线确定方法的流程图;
图2为本发明实施例二提供的一种车道线确定方法的流程图;
图3为本发明实施例三提供的一种车道线确定方法的流程图;
图4为本发明实施例四提供的一种车道线确定装置的结构示意图;
图5为本发明实施例五提供的一种电子设备的结构示意图;
图6为本发明实施例中提供的图像中车道线和锚点层分布的示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
图1为本发明实施例一提供的一种车道线确定方法的流程图,本实施例可适用于利用车载单目摄像头获取的图像识别其中车道线的情况,该方法可以由车道线确定装置来执行,该装置可以由硬件和/或软件来实现,并一般可以集成在电子设备中,例如计算机设备,该方法具体包括:
步骤110、根据类间距阈值对图像中位于预设位置的锚点层中的车道线点进行分类,确定预设位置的锚点层中的车道线点分布情况;
其中,图像中设置有多个沿高度方向排列的锚点层。对于利用单目摄像头获取图像,摄像头安装的高度和俯仰角度是预先确定的,所以车道线在图像中的消失点也是可以预先确定的。车道线点是用于检测车道线的网络输出的检测关键点,当然可以理解的是,有些车道线点检出了,也有的车道线点可能没有检出。例如图6中,以实心圆代表检出的车道线点,以空心圆代表本该存在但实际未能检出的车道线点,图6中在图像里建立的坐标系,原点位于图像左上角,x轴正向为右,y轴正向为下。有的网络提前确定了锚点(anchor)层,对于检测车道线的网络来说即已经提前确定了预测点的纵坐标y值,比如确定了n个y值,那么最终网络的预测点都在锚点层确定的纵坐标y上。对于没有锚点层的车道线模型,依然可以在纵向根据一定的间隔划分为多个层,这样也等价于已经确定锚点层。本实施例的方法是基于车道线的分布特点确定的。预设位置的锚点层是需要对多个锚点层中的车道线点进行分类时选择的一个锚点层,可以根据需要进行选择,例如根据锚点层在图像中的位置,或者锚点层中包含的车道线点数量。类间距阈值是对锚点层中车道线点分类的参考阈值,可以根据检测车道线的最大数量和图像分辨率进行设置,以图像中最多包含4条车道线为例,对于分辨率为1920*1080的图像,典型的类间距阈值可以设置为300像素。将相邻车道线点之间的像素距离和类间距阈值进行比较可以确定相邻车道线点是否属于同一类别,分类完成后,可以确定出预设位置的锚点层中车道线点在横向上的位置分布以及相邻车道线点间的间距。
步骤120、根据预设位置的锚点层对应的车道线点分布情况和多个锚点层在图像中的位置关系,对其余锚点层中的车道线点进行分类;
其中,本实施例的技术方案主要对于车道线为直线的情况(可以理解的是现实中的车道线没有绝对直线的,对于曲率较小的车道线都可以视为直线),多个锚点层在图像中的位置是预先设定好的,所以每个锚点层在纵向上的距离是可以确定的。对于每条车道线在锚点层中的车道线点位置是有一定规律的,例如图6中示出的车道线为直线与每个水平的锚点层相交。对于其余锚点层中的车道线点分类时,每个锚点层对应的最小类间距就可以确定,从而利用锚点层对应的最小类间距完成其余锚点层中的车道线点进行分类。
步骤130、基于预设分组规则,将车道线点分类后的多个锚点层的车道线点分组;
其中,由于每条车道线在锚点层中的车道线点位置是有一定规律的,那么可以确定相邻的锚点层中的车道线点是否属于同一车道线,也就是对锚点层的车道线点分组,同一组中的车道线点可以代表一条车道线在图像中的位置。
步骤140、将每组车道线点映射到世界坐标系并拟合为对应的车道线。
其中,利用摄像头的安装位置和摄像头内参可以将车道线点映射到世界坐标系,进而可以利用每组车道线点拟合为对应的车道线。
本实施例的技术方案,通过车道线点检测的分布特点和网络确定的锚点层对车道线点进行分类,解决了计算量大的问题,实现了提高对车道线点分类的效率。
实施例二
图2为本发明实施例二提供的一种车道线确定方法的流程图,本实施例在上述技术方案的基础上进一步细化,该方法具体包括:
步骤210、将位于最底部的锚点层作为预设位置的锚点层;
其中,对于图像最底层的锚点层中的车道线点分布是最分散的,将其作为预设位置的锚点层,对车道线点分类并作为起始分类也较为可靠。
步骤220、将位于预设位置的锚点层中相邻车道线点之间的像素距离小于类间距阈值的相邻车道线点归为相同类别;
步骤230、将位于预设位置的锚点层中相邻车道线点之间的像素距离大于等于类间距阈值的相邻车道线点分为不同类别;
步骤240、将分类后的车道线点按照横向坐标进行排序,确定相邻的不同类别车道线点之间的像素距离。
其中,以图6所示图像中的车道线和锚点层为例,对于最底层的锚点层按照类间距阈值进行分类,相邻车道线点之间的像素距离大于等于类间距阈值的即为新的类别,相邻车道线点之间的像素距离小于类间距阈值的即为同类,假设经过计算分成4类,然后对4个类别的车道线点进行横坐标的排序,计算该锚点层内相邻类之间的像素距离,如针对图6中4条车道线横向像素间隔距离示意记为{L1,L2,L3}。
步骤250、根据图像高度、预设位置的锚点层的高度、其余锚点层的高度和预设位置的锚点层中相邻的不同类别车道线点之间的像素距离,确定其余锚点层中相邻的不同类别车道线点之间的像素距离;
其中,对于其余锚点层分类时,可以近似按照多个锚点层的线性分布比例计算相邻的不同类别车道线点之间的像素距离,如第n层锚点层计算方法,{L1*(y(anchor[n])-c/2)/(c/2),L2*(y(anchor[n])-c/2)/(c/2),L3*(y(anchor[n])-c/2)/(c/2)},其中c为图像的高度,y(anchor[n])意义为第n个锚点层所在的y轴坐标。
步骤260、根据其余锚点层中相邻的不同类别车道线点之间的像素距离,对其余锚点层中的车道线点进行分类。
其中,确定了其余锚点层中相邻的不同类别车道线点之间的像素距离,可以选择相邻的不同类别车道线点之间的像素距离的最小值作为该锚点层的类间距阈值,对该锚点层的车道线点进行分类。
步骤270、基于预设分组规则,将车道线点分类后的多个锚点层的车道线点分组;
步骤280、将每组车道线点映射到世界坐标系并拟合为对应的车道线。
本实施例的技术方案,通过多个锚点层的线性分布,由底层锚点层的车道线点分类情况,确定其余锚点层的车道线点的分布并完成分类,提高对车道线点分类的效率。
实施例三
图3为本发明实施例三提供的一种车道线确定方法的流程图,本实施例在上述技术方案的基础上进一步细化,该方法具体包括:
步骤310、从位于最底部的锚点层开始向上寻找首个包含最多车道线点的锚点层,作为预设位置的锚点层;
其中,对于检测车道线的网络,能够检测的车道线数量是预先设定的,例如网络可以检测4条车道线。从最底部的锚点层开始向上依次搜索,找到第一个包含最多车道线点的锚点层,那么以网络可以检测4条车道线为例,就是找到第一个包含4个车道线点的锚点层作为预设位置的锚点层。
步骤320、将位于预设位置的锚点层中相邻车道线点之间的像素距离小于类间距阈值的相邻车道线点归为相同类别;
步骤330、将位于预设位置的锚点层中相邻车道线点之间的像素距离大于等于类间距阈值的相邻车道线点分为不同类别;
步骤340、将分类后的车道线点按照横向坐标进行排序,确定相邻的不同类别车道线点之间的像素距离;
步骤350、取相邻的不同类别车道线点之间的像素距离最小值作为预设位置的锚点层对应的最小类间间距。
其中,对于预设位置的锚点层按照类间距阈值进行分类,相邻车道线点之间的像素距离大于等于类间距阈值的即为新的类别,相邻车道线点之间的像素距离小于类间距阈值的即为同类。对该锚点层中的多个类别的车道线点进行横坐标的排序,计算该锚点层内相邻类之间的像素距离。选择相邻的不同类别车道线点之间的像素距离的最小值作为该锚点层的最小类间间距,该最小类间间距可以视为该锚点层对应的类间距阈值,用于对该锚点层的车道线点进行分类。
步骤360、根据图像高度、预设位置的锚点层的高度、其余锚点层的高度和预设位置的锚点层对应的最小类间间距,确定其余锚点层对应的最小类间间距;
其中,预设位置的锚点层记为BaseIndex,预设位置的锚点层对应的最小类间间距可以记为BaseMinDistance,对其余锚点层进行分类,每个其余锚点层对应的最小类间间距确定方法,可以根据相似三角形原理:
minDistance(anchor[n]) = BaseMinDistance*(y(anchor[n])-c/2)/(y(anchor[BaseIndex]) -(c/2)),其中c为图像的高度,y(anchor[n])意义是第n个锚点层所在的y轴坐标,y(anchor[BaseIndex])是预设位置的锚点层所在的y轴坐标。
步骤370、根据其余锚点层对应的最小类间间距,对其余锚点层中的车道线点进行分类。
步骤380、基于预设分组规则,将车道线点分类后的多个锚点层的车道线点分组;
步骤390、将每组车道线点映射到世界坐标系并拟合为对应的车道线。
可选的,基于预设分组规则,将车道线点分类后的多个锚点层的车道线点分组,包括:
将图像最底层的锚点层的车道线点类别作为初始车道线类型分组;
根据初始车道线类型分组,从底至上依次将预设数量的锚点层中的车道线点分组;其中,确定当前锚点层中的车道线点横向坐标与下面相邻的已分组车道线点中横向最近一个车道线点的最近横向距离;若最近横向距离小于分组关联阈值,则将当前车道线点分到已分组车道线点中横向最近一个车道线点对应的车道线分组中,若最近横向距离大于等于分组关联阈值,则增加新的车道线点分组;
对于剩余数量的锚点层中的车道线点,对每个现有的车道线点分组中的点进行曲线拟合,并确定每条拟合曲线与剩余数量的锚点层的交点;确定车道线点与自身处所锚点层中每个交点的距离,并得到最小交点距离;若最小交点距离小于锚点层对应的最小类间间距,则将当前的车道线点分到最小交点距离对应的车道线点分组中,若最小交点距离大于等于锚点层对应的最小类间间距,则增加新的车道线点分组。
其中,预设数量可以根据全部锚点层的数量来选择,一般可以选择超过全部锚点层的数量的一半,例如,全部锚点层的数量为18,最底层的锚点层记为anchor[0],最上层的锚点层记为anchor[17],中间的锚点层序号为整数依次增大,预设数量选择10,剩余数量即为7。可以根据anchor[0]的车道线类型分组,依次将anchor[1]至anchor[10]中的车道线点分组。以anchor[1]为例,计算anchor[1]中车道线点x坐标与anchor[0]中x坐标最近一个车道线点的横向距离Distance,并得到anchor[1]中车道线点对应的最近横向距离,如果最近横向距离小于分组关联阈值(例如,对于图像分辨率1920*1080,分组关联阈值可以设置为200像素距离),则将当前车道线点分到最近横向距离对应的车道线点分组中,若最近横向距离大于等于分组关联阈值,则增加新的车道线点分组。这一步中分组方式基于下面邻近的锚点层中车道线点,容易通过经验值来设置的分组关联阈值进行很好地分类。
剩余数量的锚点层中的车道线点,对每个车道线点分组中的车道线点进行曲线拟合,例如可以利用最小二乘法进行二次曲线拟合,并求出所有二次曲线与当前y(anchor[n])交点,然后计算当前车道线点与所有交点的距离,并取其中最小的距离为最小交点距离,若最小交点距离小于锚点层对应的最小类间间距,则将当前的车道线点分到最小交点距离对应的车道线点分组中,若最小交点距离大于等于锚点层对应的最小类间间距,则增加新的车道线点分组。这一步中分组方式使用了二次曲线拟合方式,是为了动态调整分组的阈值,因为车道线在图像中远端的车道线点密集,丢点的可能性也比较大。用拟合曲线进行后续车道线点的搜索时即使有一定偏差对确定车道线影响也很小,因为拟合的曲线是搜索邻近的一层锚点层中相近的车道线点,且拟合的曲线会随着分类的进行不断迭代。
可选的,在基于预设分组规则,将车道线点分类后的多个锚点层的车道线点分组之后,还包括:
将每组车道线点组中的车道线点数量和组内点数阈值进行比较,剔除车道线点数量小于组内点数阈值的车道线点组。
其中,如果车道线点组中的车道线点数量较少,则可能是误识别导致的,对于这种车道线点数量小于组内点数阈值的车道线点组可以抛弃。例如,对于锚点层数量为18,可以将组内点数阈值设置为4或5。
本实施例的技术方案,对车道线在图像中远端的车道线点,采用拟合曲线的方式进行分组,降低了网络检测车道线点丢点造成的影响,提高了车道线确定的准确率。
实施例四
图4为本发明实施例四提供的一种车道线确定装置的结构示意图,如图4所示,该车道线确定装置,包括:点分布确定模块410、点分类模块420、点分组模块430和车道线确定模块440,其中,
点分布确定模块410,用于根据类间距阈值对图像中位于预设位置的锚点层中的车道线点进行分类,确定预设位置的锚点层中的车道线点分布情况;其中,图像中设置有多个沿高度方向排列的锚点层;
点分类模块420,用于根据预设位置的锚点层对应的车道线点分布情况和多个锚点层在图像中的位置关系,对其余锚点层中的车道线点进行分类;
点分组模块430,用于基于预设分组规则,将车道线点分类后的多个锚点层的车道线点分组;
车道线确定模块440,用于将每组车道线点映射到世界坐标系并拟合为对应的车道线。
本实施例的技术方案,通过车道线点检测的分布特点和网络确定的锚点层对车道线点进行分类,解决了计算量大的问题,实现了提高对车道线点分类的效率。
可选的,点分布确定模块410,具体用于:
将位于最底部的锚点层作为预设位置的锚点层;
将位于预设位置的锚点层中相邻车道线点之间的像素距离小于类间距阈值的相邻车道线点归为相同类别;
将位于预设位置的锚点层中相邻车道线点之间的像素距离大于等于类间距阈值的相邻车道线点分为不同类别;
将分类后的车道线点按照横向坐标进行排序,确定相邻的不同类别车道线点之间的像素距离。
可选的,点分类模块420,具体用于:
根据图像高度、预设位置的锚点层的高度、其余锚点层的高度和预设位置的锚点层中相邻的不同类别车道线点之间的像素距离,确定其余锚点层中相邻的不同类别车道线点之间的像素距离;
根据其余锚点层中相邻的不同类别车道线点之间的像素距离,对其余锚点层中的车道线点进行分类。
可选的,点分布确定模块410,具体用于:
从位于最底部的锚点层开始向上寻找首个包含最多车道线点的锚点层,作为预设位置的锚点层;
将位于预设位置的锚点层中相邻车道线点之间的像素距离小于类间距阈值的相邻车道线点归为相同类别;
将位于预设位置的锚点层中相邻车道线点之间的像素距离大于等于类间距阈值的相邻车道线点分为不同类别;
将分类后的车道线点按照横向坐标进行排序,确定相邻的不同类别车道线点之间的像素距离;
取相邻的不同类别车道线点之间的像素距离最小值作为预设位置的锚点层对应的最小类间间距。
可选的,点分类模块420,具体用于:
根据图像高度、预设位置的锚点层的高度、其余锚点层的高度和预设位置的锚点层对应的最小类间间距,确定其余锚点层对应的最小类间间距;
根据其余锚点层对应的最小类间间距,对其余锚点层中的车道线点进行分类。
可选的,点分组模块430,具体用于:
将图像最底层的锚点层的车道线点类别作为初始车道线类型分组;
根据初始车道线类型分组,从底至上依次将预设数量的锚点层中的车道线点分组;其中,确定当前锚点层中的车道线点横向坐标与下面相邻的已分组车道线点中横向最近一个车道线点的最近横向距离;若最近横向距离小于分组关联阈值,则将当前车道线点分到已分组车道线点中横向最近一个车道线点对应的车道线分组中,若最近横向距离大于等于分组关联阈值,则增加新的车道线点分组;
对于剩余数量的锚点层中的车道线点,对每个现有的车道线点分组中的点进行曲线拟合,并确定每条拟合曲线与剩余数量的锚点层的交点;确定车道线点与自身处所锚点层中每个交点的距离,并得到最小交点距离;若最小交点距离小于锚点层对应的最小类间间距,则将当前的车道线点分到最小交点距离对应的车道线点分组中,若最小交点距离大于等于锚点层对应的最小类间间距,则增加新的车道线点分组。
可选的,车道线确定装置,还包括:
分组剔除模块,用于在基于预设分组规则,将车道线点分类后的多个锚点层的车道线点分组之后,将每组车道线点组中的车道线点数量和组内点数阈值进行比较,剔除车道线点数量小于组内点数阈值的车道线点组。
本发明实施例所提供的车道线确定装置可执行本发明任意实施例所提供的车道线确定方法,具备执行方法相应的功能模块和有益效果。
实施例五
图5为本发明实施例五提供的一种电子设备的结构示意图,如图5所示,该电子设备包括处理器510、存储器520、输入装置530和输出装置540;电子设备中处理器510的数量可以是一个或多个,图5中以一个处理器510为例;电子设备中的处理器510、存储器520、输入装置530和输出装置540可以通过总线或其他方式连接,图5中以通过总线连接为例。
存储器520作为一种计算机可读存储介质,可用于存储软件程序、计算机可执行程序以及模块,如本发明实施例中的车道线确定方法对应的程序指令/模块(例如,车道线确定装置中的点分布确定模块410、点分类模块420、点分组模块430和车道线确定模块440)。处理器510通过运行存储在存储器520中的软件程序、指令以及模块,从而执行电子设备的各种功能应用以及数据处理,即实现上述的车道线确定方法。
存储器520可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序;存储数据区可存储根据终端的使用所创建的数据等。此外,存储器520可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中,存储器520可进一步包括相对于处理器510远程设置的存储器,这些远程存储器可以通过网络连接至电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置530可用于接收输入的数字或字符信息,以及产生与电子设备的用户设置以及功能控制有关的键信号输入。输出装置540可包括显示屏等显示设备。
实施例六
本发明实施例六还提供一种包含计算机可执行指令的存储介质,所述计算机可执行指令在由计算机处理器执行时用于执行一种车道线确定方法,包括:
根据类间距阈值对图像中位于预设位置的锚点层中的车道线点进行分类,确定预设位置的所述锚点层中的车道线点分布情况;其中,所述图像中设置有多个沿高度方向排列的所述锚点层;
根据预设位置的所述锚点层对应的车道线点分布情况和多个所述锚点层在图像中的位置关系,对其余所述锚点层中的所述车道线点进行分类;
基于预设分组规则,将车道线点分类后的多个所述锚点层的所述车道线点分组;
将每组车道线点映射到世界坐标系并拟合为对应的车道线。
当然,本发明实施例所提供的一种包含计算机可执行指令的存储介质,其计算机可执行指令不限于如上所述的方法操作,还可以执行本发明任意实施例所提供的车道线确定方法中的相关操作。
通过以上关于实施方式的描述,所属领域的技术人员可以清楚地了解到,本发明可借助软件及必需的通用硬件来实现,当然也可以通过硬件实现,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如计算机的软盘、只读存储器(Read-Only Memory, ROM)、随机存取存储器(RandomAccess Memory, RAM)、闪存(FLASH)、硬盘或光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述的方法。
值得注意的是,上述车道线确定装置的实施例中,所包括的各个单元和模块只是按照功能逻辑进行划分的,但并不局限于上述的划分,只要能够实现相应的功能即可;另外,各功能单元的具体名称也只是为了便于相互区分,并不用于限制本发明的保护范围。
虽然,上文中已经用一般性说明、具体实施方式及试验,对本发明作了详尽的描述,但在本发明基础上,可以对之作一些修改或改进,这对本领域技术人员而言是显而易见的。因此,在不偏离本发明精神的基础上所做的这些修改或改进,均属于本发明要求保护的范围。
Claims (10)
1.一种车道线确定方法,其特征在于,包括:
根据类间距阈值对图像中位于预设位置的锚点层中的车道线点进行分类,确定预设位置的所述锚点层中的车道线点分布情况;其中,所述图像中设置有多个沿高度方向排列的所述锚点层;
根据预设位置的所述锚点层对应的车道线点分布情况和多个所述锚点层在图像中的位置关系,对其余所述锚点层中的所述车道线点进行分类;
基于预设分组规则,将车道线点分类后的多个所述锚点层的所述车道线点分组;
将每组车道线点映射到世界坐标系并拟合为对应的车道线。
2.根据权利要求1所述的方法,其特征在于,所述根据类间距阈值对图像中位于预设位置的锚点层中的车道线点进行分类,确定预设位置的所述锚点层中的车道线点分布情况,包括:
将位于最底部的所述锚点层作为预设位置的所述锚点层;
将位于预设位置的所述锚点层中相邻车道线点之间的像素距离小于所述类间距阈值的相邻车道线点归为相同类别;
将位于预设位置的所述锚点层中相邻车道线点之间的像素距离大于等于所述类间距阈值的相邻车道线点分为不同类别;
将分类后的所述车道线点按照横向坐标进行排序,确定相邻的不同类别车道线点之间的像素距离。
3.根据权利要求2所述的方法,其特征在于,所述根据预设位置的所述锚点层对应的车道线点分布情况和多个所述锚点层在图像中的位置关系,对其余所述锚点层中的所述车道线点进行分类,包括:
根据图像高度、预设位置的所述锚点层的高度、其余所述锚点层的高度和预设位置的所述锚点层中相邻的不同类别车道线点之间的像素距离,确定其余所述锚点层中相邻的不同类别车道线点之间的像素距离;
根据其余所述锚点层中相邻的不同类别车道线点之间的像素距离,对其余所述锚点层中的所述车道线点进行分类。
4.根据权利要求1所述的方法,其特征在于,所述根据类间距阈值对图像中位于预设位置的锚点层中的车道线点进行分类,确定预设位置的所述锚点层中的车道线点分布情况,包括:
从位于最底部的所述锚点层开始向上寻找首个包含最多所述车道线点的所述锚点层,作为预设位置的所述锚点层;
将位于预设位置的所述锚点层中相邻车道线点之间的像素距离小于所述类间距阈值的相邻车道线点归为相同类别;
将位于预设位置的所述锚点层中相邻车道线点之间的像素距离大于等于所述类间距阈值的相邻车道线点分为不同类别;
将分类后的所述车道线点按照横向坐标进行排序,确定相邻的不同类别车道线点之间的像素距离;
取相邻的不同类别车道线点之间的像素距离最小值作为所述预设位置的所述锚点层对应的最小类间间距。
5.根据权利要求4所述的方法,其特征在于,所述根据预设位置的所述锚点层对应的车道线点分布情况和多个所述锚点层在图像中的位置关系,对其余所述锚点层中的所述车道线点进行分类,包括:
根据图像高度、预设位置的所述锚点层的高度、其余所述锚点层的高度和预设位置的所述锚点层对应的最小类间间距,确定其余所述锚点层对应的最小类间间距;
根据其余所述锚点层对应的最小类间间距,对其余所述锚点层中的所述车道线点进行分类。
6.根据权利要求5所述的方法,其特征在于,所述基于预设分组规则,将车道线点分类后的多个所述锚点层的所述车道线点分组,包括:
将图像最底层的所述锚点层的车道线点类别作为初始车道线类型分组;
根据所述初始车道线类型分组,从底至上依次将预设数量的所述锚点层中的所述车道线点分组;其中,确定当前所述锚点层中的所述车道线点横向坐标与下面相邻的已分组车道线点中横向最近一个车道线点的最近横向距离;若所述最近横向距离小于分组关联阈值,则将当前所述车道线点分到所述已分组车道线点中横向最近一个车道线点对应的车道线分组中,若所述最近横向距离大于等于分组关联阈值,则增加新的车道线点分组;
对于剩余数量的所述锚点层中的所述车道线点,对每个现有的所述车道线点分组中的点进行曲线拟合,并确定每条拟合曲线与剩余数量的所述锚点层的交点;确定所述车道线点与自身处所锚点层中每个交点的距离,并得到最小交点距离;若所述最小交点距离小于所述锚点层对应的所述最小类间间距,则将当前的所述车道线点分到所述最小交点距离对应的所述车道线点分组中,若所述最小交点距离大于等于所述锚点层对应的所述最小类间间距,则增加新的所述车道线点分组。
7.根据权利要求6所述的方法,其特征在于,在所述基于预设分组规则,将车道线点分类后的多个所述锚点层的所述车道线点分组之后,还包括:
将每组车道线点组中的车道线点数量和组内点数阈值进行比较,剔除车道线点数量小于所述组内点数阈值的所述车道线点组。
8.一种车道线确定装置,其特征在于,包括:
点分布确定模块,用于根据类间距阈值对图像中位于预设位置的锚点层中的车道线点进行分类,确定预设位置的所述锚点层中的车道线点分布情况;其中,所述图像中设置有多个沿高度方向排列的所述锚点层;
点分类模块,用于根据预设位置的所述锚点层对应的车道线点分布情况和多个所述锚点层在图像中的位置关系,对其余所述锚点层中的所述车道线点进行分类;
点分组模块,用于基于预设分组规则,将车道线点分类后的多个所述锚点层的所述车道线点分组;
车道线确定模块,用于将每组车道线点映射到世界坐标系并拟合为对应的车道线。
9.一种电子设备,其特征在于,包括:
一个或多个处理器;
存储器,用于存储一个或多个程序;
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中任一所述的车道线确定方法。
10.一种包含计算机可执行指令的存储介质,其特征在于,所述计算机可执行指令在由计算机处理器执行时用于执行如权利要求1-7中任一所述的车道线确定方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210626960.3A CN114708576B (zh) | 2022-06-06 | 2022-06-06 | 一种车道线确定方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210626960.3A CN114708576B (zh) | 2022-06-06 | 2022-06-06 | 一种车道线确定方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114708576A true CN114708576A (zh) | 2022-07-05 |
CN114708576B CN114708576B (zh) | 2022-10-25 |
Family
ID=82177966
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210626960.3A Active CN114708576B (zh) | 2022-06-06 | 2022-06-06 | 一种车道线确定方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114708576B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111126182A (zh) * | 2019-12-09 | 2020-05-08 | 苏州智加科技有限公司 | 车道线检测方法、装置、电子设备及存储介质 |
CN111507153A (zh) * | 2019-01-31 | 2020-08-07 | 斯特拉德视觉公司 | 用分割得分图和聚类图检测车道线的后处理方法以及装置 |
CN112154446A (zh) * | 2019-09-19 | 2020-12-29 | 深圳市大疆创新科技有限公司 | 立体车道线确定方法、装置和电子设备 |
CN113468967A (zh) * | 2021-06-02 | 2021-10-01 | 北京邮电大学 | 基于注意力机制的车道线检测方法、装置、设备及介质 |
CN113627228A (zh) * | 2021-05-28 | 2021-11-09 | 华南理工大学 | 一种基于关键点回归与多尺度特征融合的车道线检测方法 |
CN113885045A (zh) * | 2020-07-03 | 2022-01-04 | 华为技术有限公司 | 车道线的检测方法和装置 |
-
2022
- 2022-06-06 CN CN202210626960.3A patent/CN114708576B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111507153A (zh) * | 2019-01-31 | 2020-08-07 | 斯特拉德视觉公司 | 用分割得分图和聚类图检测车道线的后处理方法以及装置 |
CN112154446A (zh) * | 2019-09-19 | 2020-12-29 | 深圳市大疆创新科技有限公司 | 立体车道线确定方法、装置和电子设备 |
CN111126182A (zh) * | 2019-12-09 | 2020-05-08 | 苏州智加科技有限公司 | 车道线检测方法、装置、电子设备及存储介质 |
CN113885045A (zh) * | 2020-07-03 | 2022-01-04 | 华为技术有限公司 | 车道线的检测方法和装置 |
CN113627228A (zh) * | 2021-05-28 | 2021-11-09 | 华南理工大学 | 一种基于关键点回归与多尺度特征融合的车道线检测方法 |
CN113468967A (zh) * | 2021-06-02 | 2021-10-01 | 北京邮电大学 | 基于注意力机制的车道线检测方法、装置、设备及介质 |
Non-Patent Citations (1)
Title |
---|
代小岗: ""基于深度学习的车道线检测与分类研究"", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Also Published As
Publication number | Publication date |
---|---|
CN114708576B (zh) | 2022-10-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110443225B (zh) | 一种基于特征像素统计的虚实车道线识别方法及其装置 | |
US10140529B2 (en) | Method, apparatus and device for detecting lane lines | |
US9373043B2 (en) | Method and apparatus for detecting road partition | |
CN103093181B (zh) | 一种车牌图像定位的方法和装置 | |
CN110378297B (zh) | 基于深度学习的遥感图像目标检测方法、装置、及存储介质 | |
CN113421432B (zh) | 交通限行信息检测方法、装置、电子设备和存储介质 | |
CN111797829A (zh) | 一种车牌检测方法、装置、电子设备和存储介质 | |
CN109977776A (zh) | 一种车道线检测方法、装置及车载设备 | |
CN111898491B (zh) | 一种车辆逆向行驶的识别方法、装置及电子设备 | |
CN111291603A (zh) | 车道线检测方法、装置、系统及存储介质 | |
CN109657664A (zh) | 一种车牌类型的识别方法、装置及电子设备 | |
CN112115939A (zh) | 车辆车牌的识别方法、装置 | |
CN113297939B (zh) | 障碍物检测方法、系统、终端设备及存储介质 | |
CN114708576B (zh) | 一种车道线确定方法、装置、设备及存储介质 | |
CN111860113A (zh) | 车道线检测方法及系统 | |
CN116721396A (zh) | 车道线检测方法、设备及存储介质 | |
CN112036232A (zh) | 一种图像表格结构识别方法、系统、终端以及存储介质 | |
CN107578037B (zh) | 一种基于似物性估计的道线检测方法 | |
CN113743316B (zh) | 基于目标检测的车辆加塞行为识别方法、系统及装置 | |
CN107273935B (zh) | 一种基于自适应K-Means的车道标志分组方法 | |
CN114895274A (zh) | 一种护栏识别方法 | |
CN111553368A (zh) | 伪造车牌的识别方法、训练方法、装置、设备及存储介质 | |
CN107066985B (zh) | 一种基于快速霍夫变换的路口斑马线检测方法 | |
CN112149600A (zh) | 一种大数据汽车驾驶区域图像分析方法及系统 | |
CN113408453A (zh) | 车道线检测方法、装置、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 |