CN114821530B - 基于深度学习的车道线检测方法及系统 - Google Patents
基于深度学习的车道线检测方法及系统 Download PDFInfo
- Publication number
- CN114821530B CN114821530B CN202210425544.7A CN202210425544A CN114821530B CN 114821530 B CN114821530 B CN 114821530B CN 202210425544 A CN202210425544 A CN 202210425544A CN 114821530 B CN114821530 B CN 114821530B
- Authority
- CN
- China
- Prior art keywords
- lane line
- image
- line detection
- detection model
- lane
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- 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
-
- 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
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/16—Anti-collision systems
- G08G1/167—Driving aids for lane monitoring, lane changing, e.g. blind spot detection
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Remote Sensing (AREA)
- Image Analysis (AREA)
- Traffic Control Systems (AREA)
Abstract
一种基于深度学习的车道线检测方法及系统,对车道线识别,尤其在远端车道线识别准确率较高,而网络带宽需求低,用户隐私数据需求少,属于自动驾驶技术领域。方法包括:将终端车道线检测模型识别获取的车道线实时曲率半径与地图引擎获取的车道线实时曲率半径进行对比,若存在的误差大于设定值,则对车载车道线检测模型获取的车道线曲率进行修正,同时,包括终端车道线检测模型发生修正的实际位置、修正的曲率、脱密处理后的用户隐私图像信息定期传向后台服务器,更新云端车道线检测模型的参数,之后下发各个车道线检测终端;若两曲率半径在水平方向上误差小于设定值,将车道线检测模型获取的车道线视为正确车道线。
Description
技术领域
本发明涉及一种基于深度学习的车道线检测方及系统,属于自动驾驶技术领域。
背景技术
传统车道线检测方法通常基于视觉信息。这类方法利用如HSI颜色模型和边缘提取算法获取图像的视觉信息。当视觉信息不足时,追踪成为了另一种流行的后处理方案。除了追踪,马尔可夫模型和条件随机场也被用作后处理方案。随着机器学习的发展,一些采用模型匹配和支持向量机的方案也被提出。
随着深度学习的发展,一些基于深度神经网络的方案在车道线检测上表现出了优异的性能。目前主流用于车道线检测的深度学习方法主要有:语义分割、顺序预测、聚类和3D构造等。
但是,这些车道线检测的深度学习方法在道路状况复杂时,远端车道线检测准确率会有较大幅下降。且主流的深度学习车道线检测算法在进行优化时,云端将提取大量车辆终端的用户数据,对网络带宽需求大,且涉及到用户隐私问题。
发明内容
为克服现有技术中存在的缺点,本发明的发明目的是提供一种基于深度学习的车道线检测方法及系统,对车道线识别,尤其在远端车道线识别准确率较高,而网络带宽需求低,用户隐私数据需求少。
为实现所述发明目的,本发明一方面提供基于深度学习的车道线检测方法,其特征在于,包括:
S01:根据已训练的终端车道线检测模型获取车道线信息;
S02:根据终端车道线检测模型获取的车道线信息获取车道线实时曲率半径;
S03:将终端车道线检测模型识别获取的车道线实时曲率半径与地图引擎获取的车道线实时曲率半径进行对比,若两曲率半径在水平方向存在的误差大于设定值,则利用地图引擎获取的车道线曲率对终端车道线检测模型获取的车道线曲率进行修正,与此同时,记录终端车道线检测模型发生修正的实际位置、修正的曲率和脱密处理后的用户隐私图像信息,并定期传向云端服务器,通过后期处理,更新云端车道线检测模型的参数,之后下发各个车道线检测终端;若两曲率半径在水平方向上误差小于设定值,将车道线检测模型获取的车道线视为正确车道线。
优选地,根据已训练的车道线检测模型获取车道线信息具体包括:获取车辆前方路段的当前图像,并对所获取的图像进行图像矫正得到矫正图像,将矫正图像输入到车道线检测模型以推理出含有车道线信息的图像。
优选地,对所获取的图像进行图像矫正包括如下步骤:
S01-1:通过下列运算式将当前图像的像素图像坐标(u,v)矫正为(ud,vd):
x′=(u―cx)/fx
y′=(v―cy)/fy
x″=(1+k1r2+k2r4)x′+2p1x′y′+p2(r2+2x′2)
y″=(1+k1r2+k2r4)y′+p1(r2+2y′2)+2p2x′y′
r2=x′2+y′2
ud=fxx″+cx
vd=fyy″+cy
上式中fx、fy、cx和cy为获取图像的摄像头的内参矩阵中参数;k1、k2为径向形变系数,p1、p2为切向形变系数。
优选地,基于深度学习的车道线检测方法还包括
通过下式拟合图像坐标系下车道线方程:
x=ay3+by2+cy+d
式中(x,y)分别为车道图像坐标;a、b、c、d为车道线方程系数。
优选地,基于深度学习的车道线检测方法还包括通过下式得到车道线检测模型获取的图像坐标(x,y)处的车道线实时曲率半径:
优选地,基于深度学习的车道线检测方法将含有车道线信息的图像坐标变换为空间坐标;根据有车道线的空间坐标拟合车道线空间方程,根据车道线空间方程推理车道线实时曲率半径。
优选地,车道线检测模型通过开源的Ultra-Fast-Lane-Detection算法训练生成。
为实现所述发明目的,本发明还提供一种基于深度学习的车道线检测系统,其特征在于,包括:已训练的终端车道线检测模型,被配置为获取车道线信息;车道线实时曲率半径确定模块,被配置为根据终端车道线检测模型获取的车道线信息获取车道线实时曲率半径;
比较模块,被配置为将终端车道线检测模型识别获取的车道线实时曲率半径与地图引擎获取的车道线实时曲率半径进行对比;
处理模块,被配置为若两曲率半径在水平方向存在的误差大于设定值,则利用地图引擎获取的车道线曲率对终端车道线检测模型获取的车道线曲率进行修正,与此同时,记录终端车道线检测模型发生修正的实际位置、修正的曲率和脱密处理后的用户隐私图像信息,并定期传向云端服务器,通过后期处理,更新云端车道线检测模型的参数,之后下发至各个车道线检测终端;若两曲率半径在水平方向上误差小于设定值,将车道线检测模型获取的车道线视为正确车道线。
为实现所述发明目的,本发明还提供一种非暂时性计算机可读存储介质,其上存储有计算机指令,其中,所述计算机指令被配置为使计算机能够执行基于深度学习的车道线检测方法。
为实现所述发明目的,本发明还提供一种车辆,其包括存储器及至少一个处理器,所述存储器与所述至少一个处理器通信地连接,所述至少一个处理器执行的指令被存储在所述存储器中,所述指令由所述至少一个处理器执行,以使得所述至少一个处理器能够执行基于深度学习的车道线检测方法。
与现有技术相比,本发明提供的基于深度学习的车道线检测方法、系统、可读存储介质和车辆具有如下有益效果:
(1)利用地图引擎获取的道路实时曲率对深度学习车道检测模型得到的车道线进行修正,从而保证了在道路情况复杂时对远端车道线的高检测准确率;
(2)脱密处理后的用户隐私图像信息相比于用户隐私数据信息量更少,从而降低了对于网络带宽需求,并保证了在脱敏脱密情况下,对模型实现优化。
附图说明
图1是本发明第一实施例提供的基于深度学习的车道线检测方法的流程图;
图2是本发明第二实施例提供的基于深度学习的车道线检测方法的流程图。
具体实施方式
下面将结合附图对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
在本发明的描述中,需要说明的是,本文所用的术语仅用于描述特定实施例的目的,而并非旨在限制本发明。除非上下文明确指出,否则如本文中所使用的单数形式“一”、“一个”和“该”等意图也包括复数形式。使用“包括”和/或“包含”等术语时,是意图说明存在该特征、整数、步骤、操作、元素和/或组件,而不排除一个或多个其他特征、整数、步骤、操作、元素、组件、和/或其他组合的存在或增加。术语“和/或”包括一个或多个相关列出项目的任何和所有组合。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
此外,下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。
第一实施例
图1是本发明第一实施例提供的基于深度学习的车道线检测方法的流程图,如图1所示,本发明提供的基于深度学习的车道线检测方法包括:
根据已训练的终端车道线检测模型获取车道线信息;根据终端车道线检测模型获取的车道线信息获取车道线实时曲率半径;将终端车道线检测模型获取的车道线实时曲率半径与地图引擎获取的车道线实时曲率半径进行对比,若两曲率半径在水平方向存在的误差大于设定值,利用地图引擎获取的车道线对终端车道线检测模型获取的车道线进行修正,利用地图引擎获取的车道线曲率对终端车道线检测模型获取的车道线曲率进行现场修正,与此同时,记录发生修正的车辆实际位置(由例如GPS导航定位系统获取)、实际道路曲率和经过脱密处理的当前道路情况视觉图像,并将传送到云端服务器,经过后期处理,更新云端车道线检测模型的参数,之后下发至各个车道线检测终端,从而实现车道线检测模型的定期优化;若两曲率半径在水平方向上误差小于设定值,将车道线检测模型获取的车道线视为正确车道线。
第一实施例中,车道线检测模型通过开源的Ultra-Fast-Lane-Detection算法训练生成,车道线检测模型还可以为VPGNet,Fast-Draw等模型。地图引擎例如为:ADAS Map地图、Waymo高精度地图、DeepMap等。
第一实施例中,根据已训练的车道线检测模型获取车道线信息具体包括:获取车辆前方路段的当前图像,并对所获取的图像进行图像矫正得到矫正图像,将矫正图像输入到车道线检测模型以推理出含有车道线信息的图像。
第一实施例中,对所获取的图像进行图像矫正包括如下步骤:
S01-1:通过下列运算式将当前图像的像素图像坐标(u,v)矫正为(ud,vd):
x′=(u―cx)/fx
y′=(v―cy)/fy
x″=(1+k1r2+k2r4)x′+2p1x′y′+p2(r2+2x′2)
y″=(1+k1r2+k2r4)y′+p1(r2+2y′2)+2p2x′y′
r2=x′2+y′2
ud=fxx″+cx
vd=fyy″+cy
上式中fx、fy、cx和cy为获取图像的摄像头的内参矩阵中参数;k1、k2为径向形变系数,p1、p2为切向形变系数。
第一实施例中,基于深度学习的车道线检测方法还包括
通过下式拟合图像坐标系下车道线方程:
x=ay3+by2+cy+d
式中(x,y)为车道线的图像坐标;a、b、c、d为车道线方程系数。
第一实施例中,基于深度学习的车道线检测方法还包括通过下式得到车道线检测模型获取的图像坐标(x,y)处的车道线实时曲率半径:
第一实施例中,对当前道路情况视觉图像的脱密处理包括通过使用卷积神经网络(CNN)的图像识别装置对图像进行处理,其通过如下步骤实现,根据输入的当前道路情况视觉图像生成分辨率从高到低的N级特征图像,使用第N级特征图生成第一特征图像;利用车道线检测模型检测上述第一特征图像中的车道线,获取车道线在所述第一特征图像上的边界位置信息,记录边界位置的图像坐标;校正边界之间的车道线的图像,使得边界之间的车道线的图像对应于第二特征图像的分辨率,第二特征图像是在第N级之前生成的特征图;将校正后的车道线图像素信息及边界坐标作为脱密处理结果传送给云端服务器。云端服务器可根据接收的脱密处理结果更新云端车道线检测模型的参数。
第一实施例中,由于只传送了车道线图像及边界坐标,因此,使得需要传送到云端的数据大大减少,更加降低了网络带宽,且对用户的其它数据更加保密。
可选地,第二实施例中,对当前道路情况视觉图像的脱密处理包括通过使用卷积神经网络(CNN)的图像识别装置对图像进行处理,其通过如下步骤实现,根据输入的当前道路情况视觉图像生成分辨率随着从第1级向第N级而变低的特征图,使用第N级特征图生成第一特征图;利用车道线检测模型检测上述第一特征图中道路边界,获取道路边界在所述第一特征图上的边界位置信息,记录边界位置的图像坐标;校正道路边界之间的路面的图像,使得道路边界之间的路面的图像对应于第二特征图的分辨率,第二特征图是在第N级之前生成的特征图;将校正后的道路之间的路面的图像及边界坐标作为脱密处理结果传送给云端服务器。云端服务器可根据接收的脱密处理结果进行路面障碍物的识别。
第二实施例
图2是本发明第二实施例提供的基于深度学习的车道线检测方法的流程图,如图2所示,本发明第二实施例提供的基于深度学习的车道线检测方法与第一实施例提供的基于深度学习的车道线检测方法所不同的是:还包括将含有车道线信息的图像坐标变换为空间坐标;根据有车道线信息的空间坐标拟合车道线空间方程,根据车道线空间方程推理出车道线实时曲率半径。
第二实施例中,根据摄像头的空间共线方程通过下式将含有车道线信息的图像坐标变换为空间坐标:
式中,(x,y)为含有车道线信息的图像坐标,(X,Y,Z)含有车道线信息的空间坐标,f为摄像头的焦距。为系数矩阵,将四个物的图像坐标和空间坐标带入公式中可以解出参数a11、a12,a13、a21、a22、a23、a31、a32、a32。所述空间坐标可以选择大地坐标。
根据本发明一个实施例,本发明还提供一种相应于第一实施例和第二实施例提供的基于深度学习的车道线检测方法的系统,系统包括:已训练的终端车道线检测模型,其被配置为获取车道线信息;车道线实时曲率半径确定模块,其被配置为根据终端车道线检测模型获取的车道线信息获取车道线实时曲率半径;比较模块,被配置为将终端车道线检测模型识别获取的车道线实时曲率半径与地图引擎获取的车道线实时曲率半径进行对比;处理模块,被配置为若两曲率半径在水平方向存在的误差大于设定值,则利用地图引擎获取的终端车道线曲率对终端车道线检测模型获取的车道线曲率进行修正,与此同时,记录终端车道线检测模型发生修正的实际位置、修正的曲率和脱密处理后的用户隐私图像信息,并定期传向云端服务器,通过后期处理,更新云端车道线检测模型的参数,之后下发至各个车道线检测终端,从而实现车道线检测模型的定期优化;若两曲率半径在水平方向上误差小于设定值,将车道线检测模型获取的车道线视为正确车道线。
根据本发明一个实施例,本发明还提供一种非暂时性计算机可读存储介质,其上存储有计算机指令,其中,所述计算机指令被配置为使计算机能够执行第一实施例和第二实施例提供的基于深度学习的车道线检测方法。
根据本发明一个实施例,本发明还提供一种车辆,包括:存储器及至少一个处理器,所述存储器与所述至少一个处理器通信地连接,由所述至少一个处理器执行的指令被存储在所述存储器中,并且所述指令由所述至少一个处理器执行,以使得所述至少一个处理器能够执行第一实施例和第二实施例基于深度学习的车道线检测方法。
本发明通过将地图引擎中的道路实时曲率信息,在车道线模型推理产生的车道线产生较大偏差时,对结果进行修正,从而实现了在道路情况复杂时,对车道线准确的判断。同时将利用道路实时曲率信息对终端车道线检测模型参数进行更新,云端服务器将收集各个终端车道线检测模型参数更新数据对车道线检测模型进行更新,而后优化。实现了在降低网络带宽需求、保证隐私的同时,提高模型检测准确率。
终端将定期向云端传输模型参数更新信息,云端在收到大量模型更新参数后,对模型进行优化,并发送给各个终端,实现了车道线检测模型的定期优化。
本发明利用道路实时曲率信息对终端模型参数进行更新,后用终端模型参数更新数据代替用户隐私数据上传到云端对模型进行优化。终端模型参数更新数据相比于用户隐私数据信息量更少,从而降低了对于网络带宽需求,并保证了在脱敏脱密情况下,对模型实现优化。
本发明将终端模型参数更新数据上传云端服务器进行模型优化,从而脱敏脱密。将终端中的其他数据,如实时车道线检测误差,上传云端服务器进行模型优化,也能实现脱敏脱密。
显然,上述实施例仅仅是为清楚地说明所作的举例,而并非对实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。
Claims (9)
1.一种基于深度学习的车道线检测方法,其特征在于,包括:
S01:根据已训练的终端车道线检测模型获取车道线信息,具体包括:获取车辆前方路段的当前图像,并对所获取的图像进行图像矫正得到矫正图像,将矫正图像输入到车道线检测模型以推理出含有车道线信息的图像;
S02:根据终端车道线检测模型获取的车道线信息获取车道线实时曲率半径;
S03:将终端车道线检测模型获取的车道线实时曲率半径与地图引擎获取的车道线实时曲率半径进行对比,若两曲率半径在水平方向存在的误差大于设定值,则利用地图引擎获取的车道线曲率对终端车道线检测模型获取的车道线曲率进行修正,与此同时,记录终端车道线检测模型发生修正的实际位置、修正的曲率和脱密处理后的用户隐私图像信息并定期传向云端服务器,通过后期处理,更新云端车道线检测模型的参数,之后下发至各个车道线检测终端;若两曲率半径在水平方向上误差小于设定值,将车道线检测模型获取的车道线视为正确车道线;脱密处理包括通过使用卷积神经网络的图像识别装置对当前图像进行处理,其通过如下步骤实现,根据输入的当前道路情况的当前图像生成分辨率从高到低的N级特征图像,使用第N级特征图像生成第一特征图像;利用车道线检测模型检测上述第一特征图像中的车道线,获取车道线在所述第一特征图像上的边界位置信息,记录边界位置的图像坐标;校正边界之间的车道线的图像,使得边界之间的车道线的图像对应于第二特征图像的分辨率,第二特征图像是在第N级之前生成的特征图像;将校正后的车道线的图像信息及边界位置的图像坐标作为脱密处理结果传送给云端服务器。
2.根据权利要求1所述的基于深度学习的车道线检测方法,其特征在于,对所获取的图像进行图像矫正包括如下步骤:
通过下列运算式将当前图像的像素图像坐标(u,v)矫正为(ud,vd):
x′=(u―cx)/fx
y′=(v―cy)/fy
x″=(1+k1r2+k2r4)x′+2p1x′y′+p2(r2+2x′2)
y″=(1+k1r2+k2r4)y′+p1(r2+2y′2)+2p2x′y′
r2=x′2+y′2
ud=fxx″+cx
vd=fyy″+cy
上式中fx、fy、cx和cy为获取图像的摄像头的内参矩阵中参数;k1、k2为径向形变系数,p1、p2为切向形变系数。
3.根据权利要求2所述的基于深度学习的车道线检测方法,其特征在于,还包括通过下式拟合图像坐标系下车道线方程:
x=ay3+by2+cy+d;
式中(x,y)分别为车道线图像坐标;a、b、c、d为车道线方程系数。
5.根据权利要求1所述的基于深度学习的车道线检测方法,其特征在于,将含有车道线信息的图像坐标变换为空间坐标;根据有车道线的空间坐标拟合车道线空间方程,根据车道线空间方程推理出车道线实时曲率半径。
6.权利要求1-5任一所述的方法,其特征在于,车道线检测模型通过开源的Ultra-Fast-Lane-Detection算法训练生成。
7.一种基于深度学习的车道线检测系统,其特征在于,包括:已训练的终端车道线检测模型,被配置为获取车道线信息,具体包括:获取车辆前方路段的当前图像,并对所获取的图像进行图像矫正得到矫正图像,将矫正图像输入到车道线检测模型以推理出含有车道线信息的图像;
车道线实时曲率半径确定模块,被配置为根据终端车道线检测模型获取的车道线信息获取车道线实时曲率半径;
比较模块,被配置为将终端车道线检测模型获取的车道线实时曲率半径与地图引擎获取的车道线实时曲率半径进行对比;
处理模块,被配置为若两曲率半径在水平方向存在的误差大于设定值,则利用地图引擎获取的车道线曲率对终端车道线检测模型获取的车道线曲率进行修正,与此同时,记录终端车道线检测模型发生修正的实际位置、修正的曲率和脱密处理后的用户隐私图像信息,并定期传向云端服务器,通过后期处理,更新云端车道线检测模型的参数,之后下发至各个车道线检测终端;若两曲率半径在水平方向上误差小于设定值,将车道线检测模型获取的车道线视为正确车道线;脱密处理包括通过使用卷积神经网络的图像识别装置对当前图像进行处理,其通过如下步骤实现,根据输入的当前道路情况的当前图像生成分辨率从高到低的N级特征图像,使用第N级特征图像生成第一特征图像;利用车道线检测模型检测上述第一特征图像中的车道线,获取车道线在所述第一特征图像上的边界位置信息,记录边界位置的图像坐标;校正边界之间的车道线的图像,使得边界之间的车道线的图像对应于第二特征图像的分辨率,第二特征图像是在第N级之前生成的特征图像;将校正后的车道线的图像信息及边界位置的图像坐标作为脱密处理结果传送给云端服务器。
8.一种非暂时性计算机可读存储介质,其上存储有计算机指令,其特征在于,所述计算机指令被配置为使计算机能够执行权利要求1-6任一项所述的基于深度学习的车道线检测方法。
9.一种车辆,其包括存储器及至少一个处理器,所述存储器与所述至少一个处理器通信地连接,所述至少一个处理器执行的指令被存储在所述存储器中,其特征在于,所述指令由所述至少一个处理器执行,以使得所述至少一个处理器能够执行权利要求1-6任一项所述的基于深度学习的车道线检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210425544.7A CN114821530B (zh) | 2022-04-22 | 2022-04-22 | 基于深度学习的车道线检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210425544.7A CN114821530B (zh) | 2022-04-22 | 2022-04-22 | 基于深度学习的车道线检测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114821530A CN114821530A (zh) | 2022-07-29 |
CN114821530B true CN114821530B (zh) | 2023-06-02 |
Family
ID=82504689
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210425544.7A Active CN114821530B (zh) | 2022-04-22 | 2022-04-22 | 基于深度学习的车道线检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114821530B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115797506B (zh) * | 2022-12-16 | 2023-11-17 | 江苏泽景汽车电子股份有限公司 | 车道线对象的绘制方法、装置、终端设备和存储介质 |
CN116142180B (zh) * | 2023-04-14 | 2023-07-07 | 北京裕峻汽车技术研究院有限公司 | 基于毫米波雷达的碰撞风险确定方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108537197A (zh) * | 2018-04-18 | 2018-09-14 | 吉林大学 | 一种基于深度学习的车道线检测预警装置及预警方法 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102374919B1 (ko) * | 2017-10-16 | 2022-03-16 | 주식회사 만도모빌리티솔루션즈 | 자율주행 지원 장치 및 방법 |
JP6938367B2 (ja) * | 2017-12-28 | 2021-09-22 | アルパイン株式会社 | 車載システム |
CN111837014A (zh) * | 2018-03-05 | 2020-10-27 | 御眼视觉技术有限公司 | 用于匿名化导航信息的系统和方法 |
CN109002795B (zh) * | 2018-07-13 | 2021-08-27 | 清华大学 | 车道线检测方法、装置及电子设备 |
CN109359602B (zh) * | 2018-10-22 | 2021-02-26 | 长沙智能驾驶研究院有限公司 | 车道线检测方法和装置 |
CN110163218A (zh) * | 2019-04-10 | 2019-08-23 | 阿里巴巴集团控股有限公司 | 基于图像识别的脱敏处理方法以及装置 |
CN114194219B (zh) * | 2022-01-19 | 2023-09-12 | 上海智驾汽车科技有限公司 | 一种自动驾驶车辆行驶道路模型预测方法 |
-
2022
- 2022-04-22 CN CN202210425544.7A patent/CN114821530B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108537197A (zh) * | 2018-04-18 | 2018-09-14 | 吉林大学 | 一种基于深度学习的车道线检测预警装置及预警方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114821530A (zh) | 2022-07-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114821530B (zh) | 基于深度学习的车道线检测方法及系统 | |
CN107481292B (zh) | 车载摄像头的姿态误差估计方法和装置 | |
CN112232241B (zh) | 一种行人重识别方法、装置、电子设备和可读存储介质 | |
CN110147382B (zh) | 车道线更新方法、装置、设备、系统及可读存储介质 | |
CN111598089A (zh) | 一种基于深度学习的车牌矫正与识别方法 | |
KR102206834B1 (ko) | 도로정보 변화 감지 방법 및 시스템 | |
CN111553945B (zh) | 一种车辆定位方法 | |
CN112348752B (zh) | 一种基于平行约束的车道线消失点补偿方法及装置 | |
US20220067881A1 (en) | Image correction method and system based on deep learning | |
US20230350418A1 (en) | Position determination by means of neural networks | |
CN113240750A (zh) | 三维空间信息测算方法及装置 | |
CN112424568A (zh) | 构建高清地图的系统和方法 | |
CN117215327A (zh) | 基于无人机的公路巡检检测及智能飞行控制方法 | |
CN111428538B (zh) | 一种车道线提取方法、装置和设备 | |
CN115457780B (zh) | 一种基于先验知识集合的车流量流速自动测算方法及系统 | |
CN115690711A (zh) | 一种目标检测方法、装置及智能车辆 | |
US11477371B2 (en) | Partial image generating device, storage medium storing computer program for partial image generation and partial image generating method | |
CN113435427B (zh) | 车道线的聚合方法和装置 | |
CN115236643A (zh) | 一种传感器标定方法、系统、装置、电子设备及介质 | |
CN112634141B (zh) | 一种车牌矫正方法、装置、设备及介质 | |
CN115018926A (zh) | 车载相机的俯仰角确定方法、装置、设备和存储介质 | |
US11798265B2 (en) | Teaching data correction method for training image, teaching data correction device and program | |
CN114111817A (zh) | 基于slam地图与高精度地图匹配的车辆定位方法及系统 | |
CN113643374A (zh) | 基于道路特征的多目相机标定方法、装置、设备和介质 | |
CN117036502A (zh) | 一种环视鱼眼相机外参自标定方法及系统 |
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 |