CN114743178B - 道路边缘线生成方法、装置、设备及存储介质 - Google Patents
道路边缘线生成方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN114743178B CN114743178B CN202210382453.XA CN202210382453A CN114743178B CN 114743178 B CN114743178 B CN 114743178B CN 202210382453 A CN202210382453 A CN 202210382453A CN 114743178 B CN114743178 B CN 114743178B
- Authority
- CN
- China
- Prior art keywords
- information
- position information
- edge line
- projection
- road
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000003860 storage Methods 0.000 title claims abstract description 17
- 238000012545 processing Methods 0.000 claims description 50
- 230000009466 transformation Effects 0.000 claims description 34
- 238000006243 chemical reaction Methods 0.000 claims description 14
- 239000012634 fragment Substances 0.000 claims description 12
- 230000000694 effects Effects 0.000 abstract description 13
- 238000013473 artificial intelligence Methods 0.000 abstract description 10
- 238000013135 deep learning Methods 0.000 abstract description 7
- 239000011159 matrix material Substances 0.000 description 36
- 238000010586 diagram Methods 0.000 description 20
- 238000013136 deep learning model Methods 0.000 description 13
- 238000005516 engineering process Methods 0.000 description 13
- 238000004590 computer program Methods 0.000 description 11
- 230000011218 segmentation Effects 0.000 description 10
- 238000004891 communication Methods 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000003708 edge detection Methods 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000004140 cleaning Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000003924 mental process Effects 0.000 description 1
- 230000003278 mimic effect Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/20—Drawing from basic elements, e.g. lines or circles
- G06T11/203—Drawing of straight lines or curves
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
-
- 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
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/20—Drawing from basic elements, e.g. lines or circles
- G06T11/206—Drawing of charts or graphs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/66—Analysis of geometric attributes of image moments or centre of gravity
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/469—Contour-based spatial representations, e.g. vector-coding
- G06V10/471—Contour-based spatial representations, e.g. vector-coding using approximation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
- G06V20/588—Recognition of the road, e.g. of lane markings; Recognition of the vehicle driving pattern in relation to the road
-
- 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
- G06T2207/10032—Satellite or aerial image; Remote sensing
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
- G06T2207/30181—Earth observation
- G06T2207/30184—Infrastructure
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
- G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
Abstract
本公开提供了一种道路边缘线生成方法、装置、设备及存储介质,涉及人工智能技术领域,具体为自动驾驶和深度学习技术领域。具体实现方案为:获取道路图像,从道路图像之中识别出车道线信息,从道路图像之中识别出边缘线相关的关键点信息,以及根据车道线信息和关键点信息,生成道路边缘线。由此,可以联合车道线信息与边缘线相关的关键点信息进行道路边缘线的识别生成,减小道路边缘线的生成误差,有效提升道路边缘线的生成效率和识别生成效果。
Description
技术领域
本公开涉及人工智能技术领域,具体涉及自动驾驶和深度学习技术,尤其涉及一种道路边缘线生成方法、装置、设备及存储介质。
背景技术
人工智能是研究使计算机来模拟人的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科,既有硬件层面的技术也有软件层面的技术。人工智能硬件技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理等技术;人工智能软件技术主要包括计算机视觉技术、语音识别技术、自然语言处理技术,以及机器学习、深度学习、大数据处理技术、知识图谱技术等几大方向。
相关技术中,通常是采用人工作业模式进行道路边缘线的生产制作,或者是采用深度学习辅助人工作业的方式进行道路边缘线的生产制作。
发明内容
本公开提供了一种道路边缘线生成方法、装置、电子设备、存储介质及计算机程序产品。
根据本公开的第一方面,提供了一种道路边缘线生成方法,包括:获取道路图像;从所述道路图像之中识别出车道线信息,和边缘线的片段图像;从所述片段图像中识别关键点,并确定所述关键点的位置信息作为关键点信息;以及根据所述车道线信息和所述关键点信息,生成道路边缘线。
根据本公开的第二方面,提供了一种道路边缘线生成装置,包括:获取模块,用于获取道路图像;第一识别模块,用于从所述道路图像之中识别出车道线信息,和边缘线的片段图像;第二识别模块,用于从所述片段图像中识别关键点,并确定所述关键点的位置信息作为关键点信息;以及生成模块,用于根据所述车道线信息和所述关键点信息,生成道路边缘线。
根据本公开的第三方面,提供了一种电子设备,包括:至少一个处理器;以及与至少一个处理器通信连接的存储器;其中,存储器存储有可被至少一个处理器执行的指令,指令被至少一个处理器执行,以使至少一个处理器能够执行本公开第一方面实施例的道路边缘线生成方法。
根据本公开的第四方面,提出了一种存储有计算机指令的非瞬时计算机可读存储介质,计算机指令用于使计算机执行本公开第一方面实施例的道路边缘线生成方法。
根据本公开的第五方面,提出了一种计算机程序产品,包括计算机程序,当计算机程序由处理器执行时实现本公开第一方面实施例的道路边缘线生成方法。
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是根据本公开第一实施例的示意图;
图2是本公开实施例中的车道线提取示意图;
图3是本公开实施例中的边缘线关键点提取结果示意图;
图4是根据本公开第二实施例的示意图;
图5是本公开实施例中的边缘线拟合生成示意图;
图6是根据本公开第三实施例的示意图;
图7是根据本公开第四实施例的示意图;
图8是根据本公开第五实施例的示意图;
图9示出了可以用来实施本公开的实施例的道路边缘线生成方法的示例电子设备的示意性框图。
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。
图1是根据本公开第一实施例的示意图。
其中,需要说明的是,本实施例的道路边缘线生成方法的执行主体为道路边缘线生成装置,该装置可以由软件和/或硬件的方式实现,该装置可以配置在电子设备中,电子设备可以包括但不限于终端、服务器端等。
本公开实施例涉及人工智能技术领域,具体涉及自动驾驶和深度学习技术领域。
其中,人工智能(Artificial Intelligence),英文缩写为AI。它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。
自动驾驶,是指利用雷达、激光、超声波、全球定位系统(Global PositionSystem,GPS)、里程计、计算机视觉等多种技术来感知其周边环境,通过先进的计算和控制系统,来识别障碍物和各种标识牌,规划合适的路径来控制车辆行驶的技术。
深度学习,是学习样本数据的内在规律和表示层次,这些学习过程中获得的信息对诸如文字,图像和声音等数据的解释有很大的帮助。深度学习的最终目标是让机器能够像人一样具有分析学习能力,能够识别文字、图像和声音等数据。
如图1所示,该道路边缘线生成方法,包括:
S101:获取道路图像。
其中,道路图像是指包含场景中的道路及其背景的图像,举例而言,该道路图像可以是实时捕获的公路图像,或者可以是采集到的高速公路图像等,对此不做限制。
本公开实施例中,在获取道路图像时,可以预先在道路边缘线生成装置上配置图像采集装置,经由该图像采集装置采集场景中的公路图像等作为道路图像。
另一些实施例中,还可以利用高精图像采集车采集场景中的公路图像,并在道路边缘线生成装置上配置数据传输接口,经由该数据传输接口接收高精图像采集车采集的道路图像,或者经由该数据传输接口接收其他电子设备传输的道路图像,对此不做限制。
S102:从道路图像之中识别出车道线信息。
其中,车道线是指分布在道路中央的用于指示车辆行驶的标识线,车道线信息是指车道线在实际场景中的位置信息和数据信息。
举例而言,该车道线的位置信息例如可以为车道线的起始坐标信息以及经纬度定位信息等,该车道线的数据信息例如可以为车道线的长度数据信息以及车道线形状数据信息等,或者车道线信息还可以是其他任意可以用于定位车道线的信息,对此不做限制。
本公开实施例中,在从道路图像之中识别出车道线信息时,可以将道路图像输入至语义分割模型中进行处理,利用语义分割模型对道路图像中的车道线进行边缘检测和实例分割,以得到语义分割模型的数据输出结果作为从道路图像之中识别出的车道线信息。
举例而言,如图2所示,图2是本公开实施例中的车道线提取示意图,可以将采集到的道路图像输入至语义分割模型中,对道路图像进行语义分割处理,以得到道路图像中的车道线信息。
另一些实施例中,可以利用边缘检测算法对道路图像进行边缘检测处理,对道路图像中的车道线进行人工标识,将标识处理后的道路图像作为学习样本训练深度学习模型,而后对多张道路图像分别进行边缘检测提取出道路图像中的车道线信息,而后使用拼接合成策略对提取到的多张道路图像中的车道线信息进行拼接合成,以得到完成的道路车道线信息作为从道路图像之中识别出的车道线信息,或者还可以采用其他任意可能的方式从道路图像之中识别出车道线信息,对此不做限制。
S103:从道路图像之中识别出边缘线相关的关键点信息。
其中,边缘线用于描述道路的边界位置信息,边缘线相关的关键点信息是指可以用于定位边缘线所在位置的关键坐标点信息。
本公开实施例中,在从道路图像之中识别出边缘线相关的关键点信息时,可以利用深度学习模型对道路图像进行处理,以得到深度学习模型输出的边缘线片段信息,而后可以选取边缘线片段的中心点信息作为边缘线相关的关键点信息。
举例而言,如图3所示,图3是本公开实施例中的边缘线关键点提取结果示意图,利用深度学习模型对道路图像进行处理之后,得到标注出道路边缘线片段后的道路图像,图3中的虚线即为提取到的边缘线片段,而后选取边缘线的中心点信息作为边缘线相关的关键点信息。
另一些实施例中,可以利用深度学习模型对道路图像进行处理,并对深度学习模型的输出结果进行数据清洗等数据预处理操作,过滤得到输出结果中有效的边缘线片段信息,而后选取边缘线片段的中心点信息作为边缘线相关的关键点信息,或者还可以采用其他任意可能的方式从道路图像之中识别出边缘线相关的关键点信息,对此不做限制。
S104:根据车道线信息和关键点信息,生成道路边缘线。
本公开实施例中,在上述从道路图像之中识别出车道线信息,并从道路图像之中识别出边缘线相关的关键点信息之后,可以根据车道线信息和关键点信息生成道路边缘线。
本公开实施例中,在根据车道线信息和关键点信息生成道路边缘线时,可以基于车道线的形状信息与边缘线相关的关键点信息进行边缘线进行拟合处理,利用最优化处理算法,计算一条近似途径关键点的边缘线,使得关键点到该拟合处理得到的边缘线的距离最小,则该拟合处理得到的边缘线即可作为生成的道路边缘线。
本公开实施例中,在根据车道线信息和关键点信息,生成道路边缘线时,可以对拟合处理得到的边缘线基于关键点信息进行多次调整,并在每次调整处理后计算关键点到拟合边缘线的平均距离,选取平均距离最小的拟合边缘线作为最终生成的道路边缘线信息。
本实施例中,通过获取道路图像,从道路图像之中识别出车道线信息,从道路图像之中识别出边缘线相关的关键点信息,以及根据车道线信息和关键点信息,生成道路边缘线,由此,可以联合车道线信息与边缘线相关的关键点信息进行道路边缘线的识别生成,减小道路边缘线的生成误差,有效提升道路边缘线的生成效率和识别生成效果。
图4是根据本公开第二实施例的示意图。
如图4所示,该道路边缘线生成方法,包括:
S401:获取道路图像。
S401的描述说明可以示例参见上述实施例,在此不再赘述。
S402:从道路图像之中识别出车道线信息。
其中,车道线信息是车道线位置信息,车道线位置信息是指可以用于对车道线的进行定位的信息,该车道线位置信息例如可以为车道线的起始点坐标信息以及车道线的经纬度信息等,对此不做限制。
S403:从道路图像之中识别出边缘线的片段图像。
本公开实施例在上述获取道路图像信息之后,可以从道路图像之中识别出边缘线的片段图像。
本公开实施例中,在从道路图像之中识别出边缘线的片段图像时,可以利用深度学习模型对道路图像进行边缘线识别处理,道路图像中可能存在树木以及障碍物等噪声数据信息,可以对深度学习模型的识别处理结果进行数据清理,过滤掉边缘线识别结果中的噪声数据,以识别出边缘线中的片段图像。
另一些实施例中,还可以对深度学习模型输出的边缘线识别结果进行分割处理,以得到从道路图像之中识别出的边缘线的片段图像,或者还可以采用其他任意可能的方式从道路图像之中识别出边缘线的片段图像,对此不做限制。
S404:从片段图像中识别关键点。
本公开实施例在上述从道路图像之中识别出边缘线的片段图像值周,可以从片段图像中识别关键点。
本公开实施例中,在从片段图像中识别关键点时,可以对能够标识片段图像中的边缘线位置信息的位置坐标点进行提取,并将提取到的位置坐标点作为从片段图像中识别的关键点。
可选地,一些实施例中,在从片段图像中识别关键点时,可以从片段图像中识别出图像中心点,并将图像中心点作为关键点,从而可以选取片段图像的图像中心点作为关键点,由于图像中心点位于识别结果的最中间位置,受到噪声数据的影响较小,从而可以较为准确的定位边缘线的位置信息,辅助提升道路图像中边缘线的识别效果。
本公开实施例中,在从片段图像中识别关键点时,可以利用图像处理算法分别识别出多个片段图像的图像中心点,并将识别得到的图像中心点作为关键点。
本公开实施例中,从片段图像中识别出图像中心点作为关键点之后,可以确定关键点的关键点信息,关键点信息可以用于辅助生成道路边缘线,具体可见后续实施例。
S405:确定关键点的位置信息作为关键点信息。
其中,关键点的位置信息可以为关键点的经纬度坐标信息,用于定位关键点在地图中的具体位置信息。
本公开实施例中,在上述从片段图像识别出图像中心点作为关键点之后,可以对关键点的经纬度坐标信息进行获取,并将获取到的经纬度坐标以矩阵的形式进行存储,则该经纬度坐标信息即为关键点的位置信息,也即是说,该经纬度坐标信息可以作为关键点信息。
本实施例中,通过从道路图像之中识别出边缘线的片段图像,从片段图像中识别关键点,并确定关键点的位置信息作为关键点信息,由于是从道路图像中提取出边缘线的片段图像,从而可以避免道路图像中的障碍物对道路边缘线的识别造成影响,有效提升关键点选取的准确性,从而有效提升道路边缘线生成的准确性。
S406:根据关键点信息将关键点投影至车道线上,以得到投影点。
本公开实施例在上述从片段图像中识别关键点之后,可以根据关键点信息将关键点投影至车道线上,以得到投影点。
本公开实施例中,在根据关键点信息将关键点投影至车道线上时,可以基于关键点信息对车道线进行垂直投影切分处理,以得到车道线垂直对齐位置上的多个垂直切分点,并将垂直切分点作为车道线对应位置上的投影点。
S407:从车道线位置信息之中,确定出投影点的投影位置信息。
其中,投影位置信息用于描述投影点在车道线上的位置定位信息,该投影点的投影位置信息可以为投影点的经纬度坐标信息。
其中,车道线信息是车道线位置信息,车道线位置信息是指可以用于对车道线的进行定位的位置信息,该车道线位置信息例如可以为车道线的起始点坐标信息以及车道线的经纬度信息等,对此不做限制。
本公开实施例中,在从车道线位置信息之中确定出投影点的投影位置信息时,可以对投影点的经纬度坐标进行获取,并将获取到的投影点的经纬度坐标信息作为投影点的投影位置信息。
S408:根据投影位置信息和关键点信息,生成道路边缘线。
本公开实施例在上述确定关键点的位置信息作为关键点信息,并从车道线位置信息之中定出投影点的投影位置信息之后,可以根据投影位置信息和关键点信息,生成道路边缘线。
本公开实施例中,在根据投影位置信息和关键点信息,生成道路边缘线时,可以基于投影位置信息和关键点信息进行边缘线拟合生成处理,可以将投影位置信息以矩阵的形式进行数据存储,以得到投影位置信息矩阵,并利用线性变化矩阵对投影位置信息矩阵进行线性变化处理,以得到变换处理后的投影位置信息矩阵,并根据变化处理后的投影位置信息矩阵拟合处理生成道路边缘线。
举例而言,如图5所示,图5是本公开实施例中的边缘线拟合生成示意图,图中的黑线即为道路图像中提取到的车道线,标识点表示从道路图像中提取的关键点,在从片段图像中识别关键点之后,可以确定关键点的位置信息作为关键点信息,根据关键点信息将关键点投影至车道线上,以得到投影点,而后根据投影点的投影位置信息和关键点的关键点信息进行道路边缘线的拟合处理,以生成道路边缘线,图中的虚线即可以为生成的道路边缘线。
本实施例中,通过根据关键点信息将关键点投影至车道线上,以得到投影点,从车道线位置信息之中,确定出投影点的投影位置信息,并根据投影位置信息和关键点信息,生成道路边缘线,从而可以利用深度学习模型提取的较为准确的车道线识别结果,并联合关键点信息进行道路边缘线的生成,避免道路图像中的障碍物对深度学习模型道路边缘线的识别效果造成影响,有效提升生成的道路边缘线的准确性,提升道路边缘线的识别处理效果。
本实施例中,通过从道路图像之中识别出边缘线的片段图像,从片段图像中识别关键点,并确定关键点的位置信息作为关键点信息,由于是从道路图像中提取出边缘线的片段图像,从而可以避免道路图像中的障碍物对道路边缘线的识别造成影响,有效提升关键点选取的准确性,从而有效提升道路边缘线生成的准确性,通过根据关键点信息将关键点投影至车道线上,以得到投影点,从车道线位置信息之中,确定出投影点的投影位置信息,并根据投影位置信息和关键点信息,生成道路边缘线,从而可以利用深度学习模型提取的较为准确的车道线识别结果,并联合关键点信息进行道路边缘线的生成,避免道路图像中的障碍物对深度学习模型道路边缘线的识别效果造成影响,有效提升生成的道路边缘线的准确性,提升道路边缘线的识别处理效果。
图6是根据本公开第三实施例的示意图。
如图6所示,该道路边缘线生成方法,包括:
S601:获取道路图像。
S602:从道路图像之中识别出车道线信息。
S603:从道路图像之中识别出边缘线相关的关键点信息。
S601-S603的描述说明可以示例参见上述实施例,在此不再赘述。
S604:根据关键点信息,将关键点垂直投影至车道线上。
本公开实施例在上述从道路图像之中识别出边缘线相关的关键点信息值周,可以根据关键点信息将关键点垂直投影至车道线上,可以根据关键点信息中的关键点坐标信息将关键点垂直投影至车道线上,以得到关键点在车道线对应位置上的投影点。
S605:将垂直投影得到的车道线上的像素点作为投影点。
本公开实施例中,在上述根据关键点信息,将关键点垂直投影至车道线上之后,可以将选取垂直投影到车道线的对应位置上的像素点,并将选取的车道线垂直对应位置上的像素点作为投影点。
本实施例中,通过根据关键点信息,将关键点垂直投影至车道线上,并将垂直投影得到的车道线上的像素点作为投影点,从而可以通过垂直投影处理选取车道线垂直对应位置上的像素点作为投影点,实现获取较为准确的投影点,投影点的投影位置信息可以用于辅助生成道路边缘线,从而辅助提升道路边缘线的识别处理效果。
S606:从车道线位置信息之中,确定出投影点的投影位置信息。
可选地,一些实施例中,车道线位置信息,是车道线上像素点的位置信息,在从车道线位置信息之中,确定出投影点的投影位置信息时,可以确定车道线上与投影点匹配的像素点,将匹配的像素点的位置信息作为投影位置信息,从而可以获取与投影点匹配的像素点的位置信息作为投影位置信息,实现较为准确的投影点的定位处理,投影点的投影位置信息可以用于联合关键点信息生成道路边缘线,有效提升生成的道路边缘线的准确性。
其中,车道线位置信息是车道线上像素点的位置信息,该车道线上像素点的位置信息可以是像素点的位置坐标信息。
本公开实施例中,在从车道线位置信息之中,确定出投影点的投影位置信息时,可以确定车道线上与投影点匹配的像素点,而后确定车道线上与投影点匹配的像素点的坐标位置信息,并将获取的坐标位置信息作为投影位置信息。
S607:根据投影位置信息和关键点信息,拟合得到位置变换信息。
其中,位置变换信息是指用于对车道线位置信息进行数据变换处理的数据信息,该数据变换处理例如可以为线性变换处理,该位置变换信息例如可以为线性变换矩阵。
本公开实施例中,在根据投影位置信息和关键点信息,拟合得到位置变换信息时,可以将投影位置信息中的投影点经纬度坐标以数值矩阵的方式进行存储,以得到投影点位置信息矩阵,将关键点信息中的关键点位置坐标信息以矩阵的形式进行存储,以得到关键点位置信息矩阵,而后可以定义一个线性变换矩阵,将线性变化矩阵与投影点位置信息矩阵进行相乘处理,以得到线性变换处理后的矩阵,线性变换处理后的矩阵可以作为拟合计算出的边缘线,计算关键点到拟合计算出的边缘线的平均距离,而后可以对线性变换矩阵进行数据修改处理,而后对拟合计算出的边缘线进行位置调整,对调整后的边缘线重新计算关键点到拟合计算出的边缘线的平均距离,选取平均距离最小的边缘线对应的线性变换矩阵作为拟合得到的位置变换信息。
举例而言,如果有4个边缘线关键点,相应的,可以根据关键点信息在车道线上进行垂直投影处理,在车道线上选取垂直对应位置上的4个投影点,可以将投影位置信息存储为投影位置信息矩阵投影位置信息矩阵中的每一列表示一个投影点的经纬度坐标,将关键点位置坐标信息存储为关键点位置信息矩阵关键点位置信息矩阵中的每一列表示一个关键点的经纬度坐标,定义线性变换矩阵/> 其中,(a,b,c,d)为变换矩阵A的4个元素值,利用线性变换公式B=AX对关键点位置信息矩阵进行处理,得到拟合计算后的边缘线,而后计算关键点到拟合计算出的边缘线的平均距离,可以以平方距离表示关键点到拟合边缘线的距离d,平方距离计算公式为:d(ki,)2=(k1i-(1i+b2))2+(k2-(1+d2))2,利用多元函数求导法则分别对元素a,b,c,d求导,令导数等于0,计算得到矩阵A的4个元素a,b,c,d的值,并求取4个边缘线关键点到B的最小平均距离,最小平均距离计算公式为/> 此时最小平均距离对应的矩阵A即可以作为拟合得到的位置变换信息。
S608:根据位置变换信息处理车道线位置信息,以得到边缘线位置信息。
其中,边缘线位置信息可以用于定位边缘线的具体位置信息,该边缘线位置信息可以用边缘线位置信息矩阵的形式进行表示存储。
本公开实施例在上述根据投影位置信息和关键点信息,拟合得到位置变换信息之后,可以根据位置变换信息处理车道新位置信息,以得到边缘线位置信息。
本公开实施例中,在根据位置变换信息处理车道线位置信息时,可以利用位置变换信息中的变换矩阵对车道线位置信息中的投影点位置信息矩阵进行线性变换处理,以得到变换处理后的矩阵,变换处理后的矩阵即为边缘线位置信息矩阵,并将边缘线位置信息矩阵作为边缘线位置信息。
S609:根据边缘线位置信息,生成道路边缘线。
本公开实施例在上述根据位置变换信息处理车道线位置信息,以得到边缘线位置信息之后,可以根据边缘线位置信息,生成道路边缘线。
本公开实施例在根据边缘线位置信息生成道路边缘线时,可以根据边缘线位置信息矩阵拟合处理得到道路边缘线,并将道路边缘线绘制在地图之中。
本实施例中,通过根据投影位置信息和关键点信息,拟合得到位置变换信息,根据位置变换信息处理车道线位置信息,以得到边缘线位置信息并根据边缘线位置信息,生成道路边缘线,从而可以根据位置变换信息处理车道线位置信息以生成道路边缘线,由于位置变换信息可以使得关键点到拟合边缘线的平均距离最小,则可以较大程度上提升道路边缘线的拟合程度,有效提升道路边缘线的识别生成效果。
可选地,一些实施例中,基于投影位置信息、关键点信息,以及位置变换信息预测得到的关键点信息和边缘线位置信息之间的偏差值小于设定偏差阈值,从而可以实现对关键点信息和边缘线位置信息之间的误差控制,较大程度上减小拟合生成的道路边缘线与边缘线关键点之间的误差,保证生成的道路边缘线可以反应真实的道路边缘线情况,提升生成的道路边缘线在场景中的实用性。
其中,关键点信息和边缘线位置信息之间的偏差值,可以用关键点经纬度坐标与拟合计算出的边缘线之间的平均距离表示,设定偏差阈值可以是预先针对关键点经纬度坐标与拟合计算出的边缘线之间的平均距离设定的数值阈值,用于检验平均距离对应的道路边缘线是否满足拟合程度需求。
本公开实施例中,可以利用关键点经纬度坐标与拟合计算出的边缘线之间的平均距离对生成的道路边缘线与关键点之间进行偏差控制,如果计算得到的平均距离小于设定的数值阈值,则表明基于投影位置信息、关键点信息,以及位置变换信息预测得到的关键点信息和边缘线位置信息之间的偏差值小于设定偏差阈值。
本实施例中,通过根据关键点信息,将关键点垂直投影至车道线上,并将垂直投影得到的车道线上的像素点作为投影点,从而可以通过垂直投影处理选取车道线垂直对应位置上的像素点作为投影点,实现获取较为准确的投影点,投影点的投影位置信息可以用于辅助生成道路边缘线,从而辅助提升道路边缘线的识别处理效果,通过根据投影位置信息和关键点信息,拟合得到位置变换信息,根据位置变换信息处理车道线位置信息,以得到边缘线位置信息并根据边缘线位置信息,生成道路边缘线,从而可以根据位置变换信息处理车道线位置信息以生成道路边缘线,由于位置变换信息可以使得关键点到拟合边缘线的平均距离最小,则可以较大程度上提升道路边缘线的拟合程度,有效提升道路边缘线的识别生成效果。
图7是根据本公开第四实施例的示意图。
如图7所示,该道路边缘线生成装置70,包括:
获取模块701,用于获取道路图像;
第一识别模块702,用于从道路图像之中识别出车道线信息;
第二识别模块703,用于从道路图像之中识别出边缘线相关的关键点信息;以及
生成模块704,用于根据车道线信息和关键点信息,生成道路边缘线。
在本公开的一些实施例中,如图8所示,图8是根据本公开第五实施例的示意图,该道路边缘线生成装置80,包括:获取模块801,第一识别模块802,第二识别模块803,生成模块804,其中,第二识别模块803,包括:
第一识别子模块8031,用于从道路图像之中识别出边缘线的片段图像;
第二识别子模块8032,用于从片段图像中识别关键点;以及
第一确定子模块8033,用于确定关键点的位置信息作为关键点信息。
在本公开的一些实施例中,车道线信息是车道线位置信息;
其中,生成模块804,包括:
投影子模块8041,用于根据关键点信息将关键点投影至车道线上,以得到投影点;
第二确定子模块8042,用于从车道线位置信息之中,确定出投影点的投影位置信息;以及
生成子模块8043,用于根据投影位置信息和关键点信息,生成道路边缘线。
在本公开的一些实施例中,其中,生成子模块8043,具体用于:
根据投影位置信息和关键点信息,拟合得到位置变换信息;
根据位置变换信息处理车道线位置信息,以得到边缘线位置信息;以及
根据边缘线位置信息,生成道路边缘线。
在本公开的一些实施例中,其中,基于投影位置信息、关键点信息,以及位置变换信息预测得到的关键点信息和边缘线位置信息之间的偏差值小于设定偏差阈值。
在本公开的一些实施例中,其中,投影子模块8041,具体用于:
根据关键点信息,将关键点垂直投影至车道线上;
将垂直投影得到的车道线上的像素点作为投影点。
在本公开的一些实施例中,车道线位置信息,是车道线上像素点的位置信息;
其中,第二确定子模块8042,具体用于:
确定车道线上与投影点匹配的像素点;
将匹配的像素点的位置信息作为投影位置信息。
在本公开的一些实施例中,其中,第二识别子模块8032,具体用于:
从片段图像中识别出图像中心点,并将图像中心点作为关键点。
可以理解的是,本实施例附图8中的道路边缘线生成装置80与上述实施例中的道路边缘线生成装置70,获取模块801与上述实施例中的获取模块701,第一识别模块802与上述实施例中的第一识别模块702,第二识别模块803与上述实施例中的第二识别模块703,生成模块804与上述实施例中的生成模块704可以具有相同的功能和结构。
需要说明的是,前述对道路边缘线生成方法的解释说明也适用于本实施例的道路边缘线生成装置,在此不再赘述。
本实施例中,通过获取道路图像,从所述道路图像之中识别出车道线信息,从所述道路图像之中识别出边缘线相关的关键点信息,以及根据所述车道线信息和所述关键点信息,生成道路边缘线。由此,可以联合车道线信息与边缘线相关的关键点信息进行道路边缘线的识别生成,减小道路边缘线的生成误差,有效提升道路边缘线的生成效率和识别生成效果。
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9示出了可以用来实施本公开的实施例的示例电子设备900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9所示,设备900包括计算单元901,其可以根据存储在只读存储器(ROM)902中的计算机程序或者从存储单元908加载到随机访问存储器(RAM)903中的计算机程序,来执行各种适当的动作和处理。在RAM 903中,还可存储设备900操作所需的各种程序和数据。计算单元901、ROM 902以及RAM 903通过总线904彼此相连。输入/输出(I/O)接口905也连接至总线904。
设备900中的多个部件连接至I/O接口905,包括:输入单元906,例如键盘、鼠标等;输出单元907,例如各种类型的显示器、扬声器等;存储单元908,例如磁盘、光盘等;以及通信单元909,例如网卡、调制解调器、无线通信收发机等。通信单元909允许设备900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901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901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901执行上文所描述的各个方法和处理,例如道路边缘线生成方法。例如,在一些实施例中,道路边缘线生成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908。在一些实施例中,计算机程序的部分或者全部可以经由ROM 902和/或通信单元909而被载入和/或安装到设备900上。当计算机程序加载到RAM 903并由计算单元901执行时,可以执行上文描述的道路边缘线生成方法的一个或多个步骤。备选地,在其他实施例中,计算单元901可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行道路边缘线生成方法。
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)、负载可编程逻辑设备(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)、互联网及区块链网络。
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,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务("Virtual Private Server",或简称"VPS")中,存在的管理难度大,业务扩展性弱的缺陷。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 (14)
1.一种道路边缘线生成方法,包括:
获取道路图像;
从所述道路图像之中识别出所述道路图像中的车道线信息,和边缘线的片段图像,所述车道线是指分布在道路中央的用于指示车辆行驶的标识线,所述车道线信息是车道线位置信息;
从所述片段图像中识别所述边缘线的关键点,并确定所述关键点的位置信息作为关键点信息,其中,所述边缘线用于描述道路的边界位置信息,所述关键点信息是指用于定位所述边缘线所在位置的关键坐标点信息;以及
根据所述车道线信息和所述关键点信息,生成道路边缘线;
其中,所述根据所述车道线信息和所述关键点信息,生成道路边缘线,包括:
根据所述关键点信息将所述关键点投影至所述车道线上,以得到投影点;
从所述车道线位置信息之中,确定出所述投影点的投影位置信息;以及
根据所述投影位置信息和所述关键点信息,生成所述道路边缘线。
2.根据权利要求1所述的方法,其中,所述根据所述投影位置信息和所述关键点信息,生成所述道路边缘线,包括:
根据所述投影位置信息和所述关键点信息,拟合得到位置变换信息;
根据所述位置变换信息处理所述车道线位置信息,以得到边缘线位置信息;以及
根据所述边缘线位置信息,生成所述道路边缘线。
3.根据权利要求2所述的方法,其中,基于所述投影位置信息、所述关键点信息,以及所述位置变换信息预测得到的所述关键点信息和所述边缘线位置信息之间的偏差值小于设定偏差阈值。
4.根据权利要求1所述的方法,其中,所述根据所述关键点信息将所述关键点投影至所述车道线上,以得到投影点,包括:
根据所述关键点信息,将所述关键点垂直投影至所述车道线上;
将垂直投影得到的所述车道线上的像素点作为所述投影点。
5.根据权利要求4所述的方法,所述车道线位置信息,是所述车道线上像素点的位置信息;
其中,所述从所述车道线位置信息之中,确定出所述投影点的投影位置信息,包括:
确定所述车道线上与所述投影点匹配的像素点;
将所述匹配的像素点的位置信息作为所述投影位置信息。
6.根据权利要求1所述的方法,其中,所述从所述片段图像中识别关键点,包括:
从所述片段图像中识别出图像中心点,并将所述图像中心点作为所述关键点。
7.一种道路边缘线生成装置,包括:
获取模块,用于获取道路图像;
第一识别模块,用于从所述道路图像之中识别出所述道路图像中的车道线信息,和边缘线的片段图像,所述车道线是指分布在道路中央的用于指示车辆行驶的标识线,所述车道线信息是车道线位置信息;
第二识别模块,用于从所述片段图像中识别所述边缘线的关键点,并确定所述关键点的位置信息作为关键点信息,其中,所述边缘线用于描述道路的边界位置信息,所述关键点信息是指用于定位所述边缘线所在位置的关键坐标点信息;以及
生成模块,用于根据所述车道线信息和所述关键点信息,生成道路边缘线;
其中,所述生成模块,包括:
投影子模块,用于根据所述关键点信息将所述关键点投影至所述车道线上,以得到投影点;
第二确定子模块,用于从所述车道线位置信息之中,确定出所述投影点的投影位置信息;以及
生成子模块,用于根据所述投影位置信息和所述关键点信息,生成所述道路边缘线。
8.根据权利要求7所述的装置,其中,所述生成子模块,具体用于:
根据所述投影位置信息和所述关键点信息,拟合得到位置变换信息;
根据所述位置变换信息处理所述车道线位置信息,以得到边缘线位置信息;以及
根据所述边缘线位置信息,生成所述道路边缘线。
9.根据权利要求8所述的装置,其中,基于所述投影位置信息、所述关键点信息,以及所述位置变换信息预测得到的所述关键点信息和所述边缘线位置信息之间的偏差值小于设定偏差阈值。
10.根据权利要求7所述的装置,其中,所述投影子模块,具体用于:
根据所述关键点信息,将所述关键点垂直投影至所述车道线上;
将垂直投影得到的所述车道线上的像素点作为所述投影点。
11.根据权利要求10所述的装置,所述车道线位置信息,是所述车道线上像素点的位置信息;
其中,所述第二确定子模块,具体用于:
确定所述车道线上与所述投影点匹配的像素点;
将所述匹配的像素点的位置信息作为所述投影位置信息。
12.根据权利要求7所述的装置,其中,所述第二识别模块,具体用于:
从所述片段图像中识别出图像中心点,并将所述图像中心点作为所述关键点。
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。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US17/946,986 US20230021027A1 (en) | 2021-12-29 | 2022-09-16 | Method and apparatus for generating a road edge line |
EP22215359.5A EP4148690A3 (en) | 2021-12-29 | 2022-12-21 | Method and apparatus for generating a road edge line |
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111640213 | 2021-12-29 | ||
CN2021116402137 | 2021-12-29 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114743178A CN114743178A (zh) | 2022-07-12 |
CN114743178B true CN114743178B (zh) | 2024-03-08 |
Family
ID=82280785
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210382453.XA Active CN114743178B (zh) | 2021-12-29 | 2022-04-12 | 道路边缘线生成方法、装置、设备及存储介质 |
Country Status (2)
Country | Link |
---|---|
US (1) | US20230021027A1 (zh) |
CN (1) | CN114743178B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117152299B (zh) * | 2023-10-27 | 2024-02-20 | 腾讯科技(深圳)有限公司 | 车道虚线的渲染方法、装置、设备、存储介质及程序产品 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019228211A1 (zh) * | 2018-05-31 | 2019-12-05 | 上海商汤智能科技有限公司 | 基于车道线的智能驾驶控制方法和装置、电子设备 |
CN111652952A (zh) * | 2020-06-05 | 2020-09-11 | 腾讯科技(深圳)有限公司 | 车道线生成方法、装置、计算机设备和存储介质 |
CN111860319A (zh) * | 2020-07-20 | 2020-10-30 | 北京百度网讯科技有限公司 | 车道线的确定方法、定位精度的评测方法、装置、设备 |
CN113239733A (zh) * | 2021-04-14 | 2021-08-10 | 重庆利龙科技产业(集团)有限公司 | 一种多车道车道线检测方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI611961B (zh) * | 2016-06-01 | 2018-01-21 | 緯創資通股份有限公司 | 車道線影像分析方法、影像分析裝置及其電腦可讀取式媒體 |
CN111191487A (zh) * | 2018-11-14 | 2020-05-22 | 北京市商汤科技开发有限公司 | 车道线的检测及驾驶控制方法、装置和电子设备 |
US11288521B2 (en) * | 2019-01-31 | 2022-03-29 | Uatc, Llc | Automated road edge boundary detection |
US20220299341A1 (en) * | 2021-03-19 | 2022-09-22 | Here Global B.V. | Method, apparatus, and system for providing route-identification for unordered line data |
US11908164B2 (en) * | 2021-07-23 | 2024-02-20 | Embark Trucks Inc. | Automatic extrinsic calibration using sensed data as a target |
-
2022
- 2022-04-12 CN CN202210382453.XA patent/CN114743178B/zh active Active
- 2022-09-16 US US17/946,986 patent/US20230021027A1/en active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019228211A1 (zh) * | 2018-05-31 | 2019-12-05 | 上海商汤智能科技有限公司 | 基于车道线的智能驾驶控制方法和装置、电子设备 |
CN111652952A (zh) * | 2020-06-05 | 2020-09-11 | 腾讯科技(深圳)有限公司 | 车道线生成方法、装置、计算机设备和存储介质 |
CN111860319A (zh) * | 2020-07-20 | 2020-10-30 | 北京百度网讯科技有限公司 | 车道线的确定方法、定位精度的评测方法、装置、设备 |
CN113239733A (zh) * | 2021-04-14 | 2021-08-10 | 重庆利龙科技产业(集团)有限公司 | 一种多车道车道线检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114743178A (zh) | 2022-07-12 |
US20230021027A1 (en) | 2023-01-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113989450B (zh) | 图像处理方法、装置、电子设备和介质 | |
CN113191256A (zh) | 车道线检测模型的训练方法、装置、电子设备及存储介质 | |
CN113674421B (zh) | 3d目标检测方法、模型训练方法、相关装置及电子设备 | |
EP3852008A2 (en) | Image detection method and apparatus, device, storage medium and computer program product | |
CN112785625A (zh) | 目标跟踪方法、装置、电子设备及存储介质 | |
CN113859264B (zh) | 车辆控制方法、装置、电子设备及存储介质 | |
CN114034295A (zh) | 高精地图生成方法、装置、电子设备、介质及程序产品 | |
CN114743178B (zh) | 道路边缘线生成方法、装置、设备及存储介质 | |
CN114663397A (zh) | 可行驶区域的检测方法、装置、设备及存储介质 | |
CN116188893A (zh) | 基于bev的图像检测模型训练及目标检测方法和装置 | |
CN113705716B (zh) | 图像识别模型训练方法、设备、云控平台及自动驾驶车辆 | |
EP4148690A2 (en) | Method and apparatus for generating a road edge line | |
CN114186007A (zh) | 高精地图生成方法、装置、电子设备和存储介质 | |
CN113191261A (zh) | 图像类别的识别方法、装置和电子设备 | |
CN114419564B (zh) | 车辆位姿检测方法、装置、设备、介质及自动驾驶车辆 | |
CN116052097A (zh) | 一种地图要素检测方法、装置、电子设备和存储介质 | |
CN113762397B (zh) | 检测模型训练、高精度地图更新方法、设备、介质及产品 | |
CN114166238B (zh) | 车道线的识别方法、装置及电子设备 | |
CN114111813A (zh) | 高精地图元素更新方法、装置、电子设备及存储介质 | |
CN115171094A (zh) | 一种道路要素确定方法、装置、设备以及存储介质 | |
US11804042B1 (en) | Prelabeling of bounding boxes in video frames | |
CN113781653A (zh) | 对象模型生成方法、装置、电子设备及存储介质 | |
CN113706705A (zh) | 用于高精地图的图像处理方法、装置、设备以及存储介质 | |
CN113591847B (zh) | 一种车辆定位方法、装置、电子设备及存储介质 | |
CN113806361B (zh) | 电子监控设备与道路的关联方法、装置及存储介质 |
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 |