具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例,然而应当理解的是,本公开可以通过各种形式来实现,而且不应该被解释为限于这里阐述的实施例。相反,提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是,本公开的附图及实施例仅用于示例性作用,并非用于限制本公开的保护范围。
另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。在不冲突的情况下,本公开中的实施例及实施例中的特征可以相互组合。
需要注意,本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分,并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意,本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的,本领域技术人员应当理解,除非在上下文另有明确指出,否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的,而并不是用于对这些消息或信息的范围进行限制。
下面将参考附图并结合实施例来详细说明本公开。
图1是本公开的一些实施例的三维车道信息生成方法的一个应用场景的示意图。
在图1的应用场景中,首先,计算设备101可以对预获取的道路图像102进行图像识别,得到识别结果103。接着,计算设备101可以响应于确定上述识别结果103满足预设条件,对上述道路图像102进行图像检测,得到采样点坐标序列集104和关键点坐标序列集105。然后,计算设备101可以基于上述采样点坐标序列集104和上述关键点坐标序列集105,生成障碍物信息组序列106。最后,计算设备101可以基于上述采样点坐标序列集104、上述障碍物信息组序列106和上述道路图像102,生成三维车道信息107。
需要说明的是,上述计算设备101可以是硬件,也可以是软件。当计算设备为硬件时,可以实现成多个服务器或终端设备组成的分布式集群,也可以实现成单个服务器或单个终端设备。当计算设备体现为软件时,可以安装在上述所列举的硬件设备中。其可以实现成例如用来提供分布式服务的多个软件或软件模块,也可以实现成单个软件或软件模块。在此不做具体限定。
应该理解,图1中的计算设备的数目仅仅是示意性的。根据实现需要,可以具有任意数目的计算设备。
继续参考图2,示出了根据本公开的三维车道信息生成方法的一些实施例的流程200。该三维车道信息生成方法的流程200,包括以下步骤:
步骤201,对预获取的道路图像进行图像识别,得到识别结果。
在一些实施例中,三维车道信息生成方法的执行主体(如图1所示的计算设备101)可以对预获取的道路图像进行图像识别,得到识别结果。其中,上述道路图像可以是当前车辆在行驶过程中车载相机拍摄的图像。上述图像识别可以是识别上述道路图像中的车道线是否包括横向车道线。横向车道线可以指与当前车辆行车方向垂直的车道线。其次,上述图像识别的方式可以包括但不限于以下至少一项:霍夫变换、LSD(Line Segment Detector线段检测)算法、尺蠖蠕行算法等。
作为示例,上述识别结果可以是:“道路图像不存在横向车道线”。
步骤202,响应于确定识别结果满足预设条件,对道路图像进行图像检测,得到采样点坐标序列集和关键点坐标序列集。
在一些实施例中,上述执行主体可以响应于确定上述识别结果满足预设条件,对上述道路图像进行图像检测,得到采样点坐标序列集和关键点坐标序列集。其中,上述预设条件可以是识别结果表征上述道路图像中不存在和横向车道线。上述图像检测可以是通过预设的网络模型对上述道路图像进行逐行像素检测,以确定每行像素中对应车道线的采样点坐标,得到采样点坐标序列以表征道路图像中一条车道线。上述网络模型可以包括但不限于以下至少一项:UFLD(Ultra Fast Structure-aware Deep Lane Detection,车道线快速检测算法)、LaneNet(多分支车道线检测网络)等。另外,还可以通过预设的关键点检测模型对上述道路图像进行图像检测,得到关键点坐标序列集。每个关键点坐标序列可以对应上述道路图像中存在的一个障碍物车辆。关键点坐标序列中的关键点坐标可以是障碍物车辆与地面接触的四个轮胎的最外侧的点。上述关键点检测模型可以包括但不限于以下至少一项:SPP(Spatial Pyramid Pooling,空间金字塔池化模块)模型、FCN(FullyConvolutional Networks,全卷机神经网络)模型、Resnet(Residual Network,残差神经网络)模型、VGG(Visual Geometry Group Network,卷积神经网络)模型和GoogLeNet(深度神经网络)模型等。
实践中,在高速公路场景下所拍摄的道路图像中,上述执行主体检测到的车道线大多都是与车辆行进方向平行的。因此,对道路图像进行逐行像素检测,可以较好的确定车道线对应的采样点坐标。以此可以提高生成的采样点坐标序列集的准确度。
步骤203,基于采样点坐标序列集和关键点坐标序列集,生成障碍物信息组序列。
在一些实施例中,上述执行主体可以基于上述采样点坐标序列集和上述关键点坐标序列集,生成障碍物信息组序列。其中,上述障碍物信息组序列中的每个障碍物信息组可以表征道路图像中对应的一个障碍物车辆与道路图像中对应的一条车道线之间的位置关系。
在一些实施例的一些可选的实现方式中,上述执行主体基于上述采样点坐标序列集和上述关键点坐标序列集,生成障碍物信息组序列,可以包括以下步骤:
对于上述关键点坐标序列集中的每个关键点坐标序列,执行如下步骤,以生成障碍物信息组序列:
第一子步骤,响应于确定上述采样点坐标序列中存在与上述关键点坐标序列集中各个关键点坐标的纵坐标值相同的采样点坐标,确定每个关键点坐标与对应采样点坐标之间的符号值,得到符号值组集合。
在一些实施例中,上述对应可以指采样点坐标序列集中与关键点坐标序列中关键点坐标的纵坐标值相同的采样点坐标。上述执行主体首先,可以确定每组对应的关键点坐标与采样点坐标中横坐标之间的差值。然后,可以将差值输入至sign符号函数生成符号值。
作为示例,符号值可以为“-1”或“+1”。若符号值为“-1”,则可以表示关键点坐标处于对应采样点坐标的右侧。若符号值为“+1”,则可以表示关键点坐标处于对应采样点坐标的左侧。
第二子步骤,根据上述符号值组集合生成障碍物信息组。
在一些实施例中,上述执行主体首先,可以对上述符号值组集合进行重新分组,得到至少一个符号值子组集合。其中,每个符号值子组可以是上述关键点坐标序列中各个关键点坐标对应的、与上述道路图像中同一车道线的采样点坐标的符号值。每个符号值子组中的各个符号值可以用于表征、对应道路图像中一个障碍物车辆与一条车道线之间的符号数据。然后,若该符号值子组中的各个符号值皆为“-1”,则可以表示上述符号值子组对应的障碍物车辆处于该车道线的右侧。若该符号值子组中的各个符号值皆为“+1”,则可以表示上述符号值子组对应的障碍物车辆处于该车道线的左侧。若该符号值子组中的各个符号值既有“-1”、也有“+1”,则可以表示上述符号值子组对应的障碍物车辆处于该车道线上,属于压线状态。最后,障碍物信息可以表示对道路图像测量的、障碍物车辆与车道线之间的二维位置关系。障碍物信息可以是表征该二维位置关系的数值。若障碍物车辆处于该车道线的左侧或右侧,可以将符号值确定为障碍物信息。若障碍物车辆处于压线状态,可以将“0”作为障碍物信息。
步骤204,基于采样点坐标序列集、障碍物信息组序列和道路图像,生成三维车道信息。
在一些实施例中,上述执行主体可以基于上述采样点坐标序列集、上述障碍物信息组序列和上述道路图像,生成三维车道信息。其中,可以将上述采样点坐标序列集、上述障碍物信息组序列和上述道路图像输入至预设的三维车道信息模型,生成三维车道信息。上述三维车道信息可以是将道路图像中的二维信息还原至三维的信息。上述三维车道信息可以包括但不限于以下至少一项:三维车道线坐标、三维障碍物车辆坐标、车道线编号、障碍物车辆编号、当前车辆三维坐标等。上述三维车道信息模型可以包括但不限于以下至少一项:G-CRF(Gaus-conditional random field,高斯条件随机场)模型、DenseCRF(Fully-Connected Conditional Random Fields,全连接条件随机场)模型、MRF(MRF-MarkovRandom Field,马尔科夫条件随机场)模型。
在一些实施例的一些可选的实现方式中,上述执行主体基于上述采样点坐标序列集、上述障碍物信息组序列和上述道路图像,生成三维车道信息,可以包括以下步骤:
第一步,将上述采样点坐标序列集中的各个采样点坐标投影至初始曲面方程所在的曲面,得到投影采样点坐标序列集。其中,上述初始曲面方程可以是预设的曲面方程,也可以是上述执行主体根据上一帧道路图像调整后的曲面方程。该初始曲面方程可以用于表征在上一帧道路图像对应的时刻、当前车辆所在的附近地面。上述初始曲面方程所在坐标系可以是初始曲面方程所在的曲面的世界坐标系。上述投影可以是将采样点坐标序列集中的各个采样点坐标、从道路图像的图像坐标系转换至上述初始曲面方程的坐标系。
第二步,将上述关键点坐标序列集中的各个关键点坐标投影至上述初始曲面方程所在的曲面,得到投影关键点坐标序列集。其中,上述投影关键点坐标序列集中的投影关键点坐标为三维坐标。上述投影可以是将上述关键点坐标序列集中的各个关键点坐标、从道路图像的图像坐标系转换至上述初始曲面方程的坐标系。
第三步,基于上述障碍物信息组序列、上述投影采样点坐标序列集、上述投影关键点坐标序列集和预设的约束条件,生成目标采样点坐标序列集和目标关键点坐标序列集。其中,可以通过以下方式生成目标采样点坐标序列集和目标关键点坐标序列集:
第一子步骤,基于上述初始曲面方程,生成目标参数。其中,首先可以确定当前车辆在当前时刻与上一帧道路图像对应时刻之间的角速度变化量。然后,可以将上述角速度变化量输入至预设的转换方程,得到上述目标参数。转换方程可以是直线方程也可以是曲线方程。该转换方程因变量的取值范围可以是[0,1]。另外,角速度变化量可以与上述目标参数成反比。角速度变化量可以用于表征当前车辆的颠簸程度。
第二子步骤,可以通过以下公式,生成目标采样点坐标序列集和目标关键点坐标序列集:
其中,P表示上述投影采样点坐标序列集中的投影采样点坐标。i、j、m、n表示序号。P
i,j表示上述投影采样点坐标序列集中第i个投影采样点坐标序列中的第j个投影采样点坐标。B表示初始曲面方程所在坐标系与当前车辆相机坐标系之间的坐标转换矩阵。K表示车载相机的内参矩阵。a表示投影采样点坐标序列集中的投影采样点坐标对应的投影采样点坐标向量。a
i,j表示上述投影采样点坐标序列集中第i个投影采样点坐标序列中的第j个投影采样点坐标对应的投影采样坐标向量。Q表示上述投影关键点坐标序列集中的投影关键点坐标。Q
m,n表示上述投影关键点坐标序列集中第m个投影关键点坐标序列中的第n个投影关键点坐标。b表示上述投影关键点坐标序列集中的投影关键点坐标对应的投影关键点坐标向量。b
m,n表示上述投影关键点坐标序列集中第m个投影关键点坐标序列中的第n个投影关键点坐标对应的投影关键点坐标向量。()3表示取括号内向量的第3个元素。()1:2表示取括号内向量的第1个到第2个元素。p表示上述投影采样点坐标序列集中第i个投影采样点坐标序列中的第j个投影采样点坐标对应的采样点坐标。p
u表示上述投影采样点坐标序列集中第i个投影采样点坐标序列中的第j个投影采样点坐标对应的采样点坐标的横坐标值。p
v表示上述投影采样点坐标序列集中第i个投影采样点坐标序列中的第j个投影采样点坐标对应的采样点坐标的纵坐标值。E表示误差矩阵。
表示上述投影采样点坐标序列集中第i个投影采样点坐标序列中的第j个投影采样点坐标对应的误差矩阵。q表示上述投影关键点坐标序列集中第i个投影关键点坐标序列中的第j个投影关键点坐标对应的关键点坐标。q
u表示上述投影关键点坐标序列集中第i个投影关键点坐标序列中的第j个投影关键点坐标对应的关键点坐标的横坐标值。q
v表示上述投影关键点坐标序列集中第i个投影关键点坐标序列中的第j个投影关键点坐标对应的关键点坐标的纵坐标值。
表示上述投影关键点坐标序列集中第m个投影关键点坐标序列中的第n个投影关键点坐标对应的误差矩阵。
表示预设的、投影采样坐标的坐标协方差矩阵的逆。
表示预设的、投影关键点坐标的坐标协方差矩阵的逆。E′表示综合误差矩阵。A表示转换参数,用于缩短公式。λ表示上述投影参数。M表示上述初始曲面方程。S
i,j表示预先生成的、与上述投影采样点坐标序列集中第i个投影采样点坐标序列中的第j个投影采样点坐标对应的参数值。R表示上述障碍物信息组序列中障碍物信息的符号值。R
i,j表示与上述投影采样点坐标序列集中第i个投影采样点坐标序列中的第j个投影采样点坐标对应的障碍物信息组序列中障碍物信息的符号值。L表示位置关系损失值。L
i,j表示上述投影采样点坐标序列集中第i个投影采样点坐标序列中的第j个投影采样点坐标对应的位置关系损失值。M′表示目标曲面方程,以供对下一帧的道路图像识别时作为初始目标曲面方程使用。P′表示与上述目标采样点坐标序列集中第i个目标采样点坐标序列中的第j个目标采样点坐标对应的目标采样点坐标。Q′表示与上述投影关键点坐标序列集中第i个投影关键点坐标序列中的第j个投影关键点坐标对应的目标关键点坐标。
具体的,上述坐标协方差矩阵可以用于表征生成关键点坐标时的误差的不确定度,误差值越大,不确定度越大。而协方差矩阵的逆则表征误差的确定度,误差值越大,确定度越大,不确定度越小。因此,通过引入坐标协方差矩阵的逆以便降低生成关键点坐标时的误差所带来的影响。其次,上述公式可以通过非线性优化方法进行实时求解。例如,iSAM(Incremental Smoothing And Mapping,增量平滑和建图方法)。在求解过程中调整投影关键点坐标和投影采样点坐标在初始曲面方程所在曲面上的投影坐标。使其满足关键点坐标的投影误差和采样点坐标的投影误差满足高斯分布,以及确保投影关键点坐标与投影采样点坐标之间的左右位置关系与图像中的左右位置关系保持一致。另外,通过引入预先生成的、与上述投影采样点坐标序列集中第i个投影采样点坐标序列中的第j个投影采样点坐标对应的参数值,可以用于确保在求解过程中状态转移的误差满足高斯分布,投影坐标的竖轴误差和运动方向误差趋近于零等条件。从而,可以极大地减少各项误差,提高生成目标曲面方程的准确度。
上述公式及其相关内容作为本公开的实施例的一个发明点,解决了背景技术提及的技术问题“未充分考虑二维车道线信息与二维障碍物信息之间的相互关系,导致生成三维车道线信息与三维障碍物信息之间容易产生空间关系错误,由此,导致生成的三维车道信息不准确”。首先,通过上一帧道路图像对应的初始曲面方程和状态变化情况生成目标曲面方程,可以提高目标曲面方程的连续性,以此可以提高目标曲面方程对当前车辆附近路面的表征能力。从而,可以用于提高生成的三维车道信息的准确度。然后,通过生成障碍物信息组序列,引入障碍物车辆与车道线在二维空间的左右位置关系。使得在将关键点坐标与采样点坐标还原至三维坐标后,避免产生空间关系错误。进而,可以提高生成的目标采样点坐标序列集和目标关键点坐标序列集的准确度。
在一些实施例的一些可选的实现方式中,上述执行主体基于上述采样点坐标序列集、上述障碍物信息组序列和上述道路图像,生成三维车道信息,还可以包括以下步骤:
第一步,对上述目标采样点坐标序列集中每个目标采样点坐标序列中的各个目标采样点坐标进行曲线拟合以生成三维车道线方程,得到三维车道线方程组。其中,上述三维车道线方程组中的每个三维车道线方程可以表示上述道路图像中对应的一条车道线。
第二步,基于上述目标采样点坐标序列集和上述目标关键点坐标序列集,生成障碍物位置信息集。其中,上述障碍物位置信息集中的每个障碍物位置信息可以是道路图像对应的一个障碍物车辆相对于各个车道线的信息。例如,该信息可以包括但不限于:距离值、左右位置关系、与当前车辆之间的距离值等。
作为示例,可以从每个目标关键点坐标序列(即,对应每个障碍物车辆)中选出与各个三维车道线方程之间的最小距离值,作为障碍物位置信息中障碍物车辆与各个车道线之间的距离值。
第三步,将上述三维车道线方程组、上述目标关键点坐标序列集和上述障碍物位置信息集确定为三维车道信息。其中,由于解决了“未充分考虑二维车道线信息与二维障碍物信息之间的相互关系,导致生成三维车道线信息与三维障碍物信息之间容易产生空间关系错误”的技术问题,可以提高了三维车道线方程组、上述目标关键点坐标序列集和上述障碍物位置信息集的准确度。从而,可以进一步提高生成的三维车道信息的准确度。
可选的,上述执行主体还可以将上述三维车道信息发送至显示终端以供显示。其中,通过显示可以为驾驶员展示更准确的道路信息。
本公开的上述各个实施例具有如下有益效果:通过本公开的一些实施例的三维车道信息生成方法,可以提高生成的三维车道信息的准确度。具体来说,造成生成的三维号车道信息不准确的原因在于:未充分考虑二维车道线信息与二维障碍物信息之间的相互关系,导致生成三维车道线信息与三维障碍物信息之间容易产生空间关系错误。基于此,本公开的一些实施例的三维车道信息生成方法,首先,对预获取的道路图像进行图像识别,得到识别结果。然后,响应于确定上述识别结果满足预设条件,对上述道路图像进行图像检测,得到采样点坐标序列集和关键点坐标序列集。通过图像识别以及引入预设条件,可以确定道路图像的图像检测方式。进而,可以用于提高生成的采样点坐标序列集和关键点坐标序列集的准确度。之后,基于上述采样点坐标序列集和上述关键点坐标序列集,生成障碍物信息组序列。由于,采样点坐标序列集可以表示道路图像中的二维车道线信息,关键点坐标序列集可以表示道路图像中的二维障碍物信息。因此,通过生成障碍物信息组序列,可以用于表征道路图像中二维车道线信息与二维障碍物信息之间的相互关系。最后,基于上述采样点坐标序列集、上述障碍物信息组序列和上述道路图像,生成三维车道信息。由于在生成三维车道信息的过程中,引入了二维车道线信息与二维障碍物信息之间的相互关系。因此,可以避免生成三维车道线信息与三维障碍物信息之间产生的空间关系错误。进而,可以提高生成的三维车道信息的准确度。
进一步参考图3,其示出了三维车道信息生成方法的另一些实施例的流程300。该三维车道信息生成方法的流程300,包括以下步骤:
步骤301,对预获取的道路图像进行图像识别,得到识别结果。
在一些实施例中,三维车道信息生成方法的执行主体(如图1所示的计算设备101)可以对预获取的道路图像进行图像识别,得到识别结果。
作为示例,若当前车辆处于城区或者泊车场景中的直角弯道,所拍摄的道路图像中可存在与当前车辆行进方向垂直的车道线。那么,上述识别结果可以是:“道路图像存在横向车道线”。
步骤302,响应于确定识别结果不满足预设条件,对道路图像的各列像素进行逐列检测,得到检测点坐标序列集。
在一些实施例中,上述执行主体可以响应于确定上述识别结果不满足上述预设条件,对上述道路图像的各列像素进行逐列检测,得到检测点坐标序列集。其中,上述预设条件可以是:识别结果表征上述道路图像中不存在和横向车道线。上述图像检测可以是通过预设的网络模型对上述道路图像进行逐列像素检测,以确定每列像素中对应车道线的检测点坐标,得到检测点坐标序列以对应道路图像中的一条车道线。
实践中,在城区或者泊车场景中的直角弯道下所拍摄的道路图像中,会检测到与车辆行进方向垂直的车道线,若仍然对像素逐行检测容易产生数据冗余以及检测误差。因此,对道路图像进行逐列像素检测,可以较好的确定与车辆行进方向垂直的车道线对应的检测点坐标。
步骤303,根据采样点坐标序列集,对检测点坐标序列集进行去重处理,得到检测采样点坐标序列集。
在一些实施例中,上述执行主体可以根据上述采样点坐标序列集,对上述检测点坐标序列集进行去重处理,得到检测采样点坐标序列集。其中,去重处理可以是去除检测点坐标序列集中与上述采样点坐标序列集中各个采样点坐标序列表征同一车道线的检测点坐标序列。可以通过车道线拟合,确定检测点坐标序列和采样点坐标序列对应的车道线方程之间的夹角是否小于预设角度值(例如10度)。若小于,则表示检测重复,删除该检测点坐标序列。最后,可以将去重处理后的检测点坐标序列集作为检测采样点坐标序列集。
步骤304,将检测采样点坐标序列集添加至采样点坐标序列集。
在一些实施例中,上述执行主体可以将上述检测采样点坐标序列集添加至上述采样点坐标序列集。其中,添加后的采样点坐标序列集中的每个采样点坐标序列仍可以对应道路图像中的一条车道线。
步骤305,基于采样点坐标序列集和关键点坐标序列集,生成障碍物信息组序列。
在一些实施例中,步骤305的具体实现方式及所带来的技术效果可以参考图2对应的那些实施例中的步骤203,在此不再赘述。
作为示例,符号值也可以为“-1”或“+1”。若符号值为“-1”,则可以表示关键点坐标处于对应采样点坐标的前侧,即远离当前车辆的一侧。若符号值为“+1”,则可以表示关键点坐标处于对应采样点坐标的后侧,即接近当前车辆的一侧。
步骤306,基于采样点坐标序列集、障碍物信息组序列和道路图像,生成三维车道信息。
在一些实施例中,步骤306的具体实现方式及所带来的技术效果可以参考图2对应的那些实施例中的步骤204,在此不再赘述。
从图3中可以看出,与图2对应的一些实施例的描述相比,图3对应的一些实施例中的三维车道信息生成方法的流程300体现了生成采样点坐标序列集的步骤。首先,考虑了在实际情况中存在垂直于当前车辆行进方向的车道线的影响,对道路图像进行了像素逐列扫描的步骤,以检测出横向车道线。然后,进行了去重处理,避免产生数据冗余以及检测误差。由此,可以提高采样点坐标序列集的准确度。进而可以用于提高生成三维车道信息的准确度。
进一步参考图4,作为对上述各图所示方法的实现,本公开提供了一种三维车道信息生成装置的一些实施例,这些装置实施例与图2所示的那些方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图4所示,一些实施例的三维车道信息生成装置400包括:识别单元401、检测单元402、第一生成单元403和第二生成单元404。其中,识别单元401,被配置成对预获取的道路图像进行图像识别,得到识别结果;检测单元402,被配置成响应于确定上述识别结果满足预设条件,对上述道路图像进行图像检测,得到采样点坐标序列集和关键点坐标序列集;第一生成单元403,被配置成基于上述采样点坐标序列集和上述关键点坐标序列集,生成障碍物信息组序列;第二生成单元404,被配置成基于上述采样点坐标序列集、上述障碍物信息组序列和上述道路图像,生成三维车道信息。
可以理解的是,该装置400中记载的诸单元与参考图2描述的方法中的各个步骤相对应。由此,上文针对方法描述的操作、特征以及产生的有益效果同样适用于装置400及其中包含的单元,在此不再赘述。
下面参考图5,其示出了适于用来实现本公开的一些实施例的电子设备(例如图1中的计算设备101)500的结构示意图。图5示出的电子设备仅仅是一个示例,不应对本公开的实施例的功能和使用范围带来任何限制。
如图5所示,电子设备500可以包括处理装置(例如中央处理器、图形处理器等)501,其可以根据存储在只读存储器(ROM)502中的程序或者从存储装置508加载到随机访问存储器(RAM)503中的程序而执行各种适当的动作和处理。在RAM 503中,还存储有电子设备500操作所需的各种程序和数据。处理装置501、ROM 502以及RAM503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。
通常,以下装置可以连接至I/O接口505:包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置506;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置507;包括例如磁带、硬盘等的存储装置508;以及通信装置509。通信装置509可以允许电子设备500与其他设备进行无线或有线通信以交换数据。虽然图5示出了具有各种装置的电子设备500,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图5中示出的每个方框可以代表一个装置,也可以根据需要代表多个装置。
特别地,根据本公开的一些实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的一些实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的一些实施例中,该计算机程序可以通过通信装置509从网络上被下载和安装,或者从存储装置508被安装,或者从ROM 502被安装。在该计算机程序被处理装置501执行时,执行本公开的一些实施例的方法中限定的上述功能。
需要说明的是,本公开的一些实施例上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的一些实施例中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开的一些实施例中,计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
在一些实施方式中,客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol,超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信,并且可以与任意形式或介质的数字数据通信(例如,通信网络)互连。通信网络的示例包括局域网(“LAN”),广域网(“WAN”),网际网(例如,互联网)以及端对端网络(例如,ad hoc端对端网络),以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述装置中所包含的;也可以是单独存在,而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备:对预获取的道路图像进行图像识别,得到识别结果;响应于确定上述识别结果满足预设条件,对上述道路图像进行图像检测,得到采样点坐标序列集和关键点坐标序列集;基于上述采样点坐标序列集和上述关键点坐标序列集,生成障碍物信息组序列;基于上述采样点坐标序列集、上述障碍物信息组序列和上述道路图像,生成三维车道信息。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的一些实施例的操作的计算机程序代码,上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开的一些实施例中的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中,例如,可以描述为:一种处理器包括识别单元、检测单元、第一生成单元、第二生成单元。其中,这些单元的名称在某种情况下并不构成对该单元本身的限定,例如,第二生成单元还可以被描述为“生成三维车道信息的单元”。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如,非限制性地,可以使用的示范类型的硬件逻辑部件包括:现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。
以上描述仅为本公开的一些较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本公开的实施例中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开的实施例中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。