CN114842448B - 三维车道线生成方法、装置、电子设备和计算机可读介质 - Google Patents

三维车道线生成方法、装置、电子设备和计算机可读介质 Download PDF

Info

Publication number
CN114842448B
CN114842448B CN202210507889.7A CN202210507889A CN114842448B CN 114842448 B CN114842448 B CN 114842448B CN 202210507889 A CN202210507889 A CN 202210507889A CN 114842448 B CN114842448 B CN 114842448B
Authority
CN
China
Prior art keywords
lane line
line equation
sampling point
equation
point coordinate
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
Application number
CN202210507889.7A
Other languages
English (en)
Other versions
CN114842448A (zh
Inventor
胡禹超
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.)
Heduo Technology Guangzhou Co ltd
Original Assignee
HoloMatic Technology Beijing 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 HoloMatic Technology Beijing Co Ltd filed Critical HoloMatic Technology Beijing Co Ltd
Priority to CN202210507889.7A priority Critical patent/CN114842448B/zh
Publication of CN114842448A publication Critical patent/CN114842448A/zh
Application granted granted Critical
Publication of CN114842448B publication Critical patent/CN114842448B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
    • 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
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G06V10/765—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects using rules for classification or partitioning the feature space
    • 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
    • G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Computational Mathematics (AREA)
  • Multimedia (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Mathematical Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Algebra (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Operations Research (AREA)
  • Computer Graphics (AREA)
  • Geometry (AREA)
  • Traffic Control Systems (AREA)

Abstract

本公开的实施例公开了三维车道线生成方法、装置、电子设备和计算机可读介质。该方法的一具体实施方式包括：对预获取的道路图像进行采样处理，以生成车道线采样点坐标组集合和对应的误差标准差组集合；基于上述车道线采样点坐标组集合，生成车道线方程集合；对上述车道线方程集合中的各个车道线方程进行分类处理，得到分类车道线方程组集合；基于上述车道线采样点坐标组集合和上述误差标准差组集合，对上述分类车道线方程组集合进行筛选处理，得到离群车道线方程组和筛选车道线方程组集合；基于上述车道线采样点坐标组集合、离群车道线方程组和筛选车道线方程组集合，生成三维车道线方程集合。该实施方式可以提高生成的三维车道线方程的准确度。

Description

三维车道线生成方法、装置、电子设备和计算机可读介质
技术领域
本公开的实施例涉及计算机技术领域，具体涉及三维车道线生成方法、装置、电子设备和计算机可读介质。
背景技术
三维车道线的生成对自动驾驶领域具有重要意义。目前，在生成三维车道线方程时，通常采用的方式为：将提取到的三维采样点通过拟合算法合成曲线方程，得到三维车道线方程。
然而，当采用上述方式进行三维车道线生成时，经常会存在如下技术问题：
第一，对于虚车道线的空白处或模糊不清的线，提取的采样点较为稀疏且不确定度较高，从而，导致生成的虚车道线的准确度不足；
第二，对于实车道线检测得到的采样点比较密集且不确定度较低，由此，往往会造成车辆过于倾向于贴近实车道线，导致自动驾驶系统容易产生误判的情况，进而，导致降低车辆的驾驶安全。
发明内容
本公开的内容部分用于以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。本公开的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。
本公开的一些实施例提出了三维车道线生成方法、装置、电子设备和计算机可读介质，来解决以上背景技术部分提到的技术问题中的一项或多项。
第一方面，本公开的一些实施例提供了一种三维车道线生成方法，该方法包括：对预获取的道路图像进行采样处理，以生成车道线采样点坐标组集合和对应的误差标准差组集合；基于上述车道线采样点坐标组集合，生成车道线方程集合；对上述车道线方程集合中的各个车道线方程进行分类处理，得到分类车道线方程组集合；基于上述车道线采样点坐标组集合和上述误差标准差组集合，对上述分类车道线方程组集合进行筛选处理，得到离群车道线方程组和筛选车道线方程组集合；基于上述车道线采样点坐标组集合、上述离群车道线方程组和上述筛选车道线方程组集合，生成三维车道线方程集合。
第二方面，本公开的一些实施例提供了一种三维车道线生成装置，该装置包括：采样处理单元，被配置成对预获取的道路图像进行采样处理，以生成车道线采样点坐标组集合和对应的误差标准差组集合；第一生成单元，被配置成基于上述车道线采样点坐标组集合，生成车道线方程集合；分类处理单元，被配置成对上述车道线方程集合中的各个车道线方程进行分类处理，得到分类车道线方程组集合；筛选处理单元，被配置成基于上述车道线采样点坐标组集合和上述误差标准差组集合，对上述分类车道线方程组集合进行筛选处理，得到离群车道线方程组和筛选车道线方程组集合；第二生成单元，被配置成基于上述车道线采样点坐标组集合、上述离群车道线方程组和上述筛选车道线方程组集合，生成三维车道线方程集合。
第三方面，本公开的一些实施例提供了一种电子设备，包括：一个或多个处理器；存储装置，其上存储有一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现上述第一方面任一实现方式所描述的方法。
第四方面，本公开的一些实施例提供了一种计算机可读介质，其上存储有计算机程序，其中，程序被处理器执行时实现上述第一方面任一实现方式所描述的方法。
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线生成方法，可以提高生成的三维车道线方程的准确度。具体来说，造成生成的三维车道线方程的准确度不足的原因在于：对于虚车道线的空白处或模糊不清的线，提取的采样点较为稀疏且不确定度较高，从而，导致生成的虚车道线的准确度不足。基于此，本公开的一些实施例的三维车道线生成方法，首先，对预获取的道路图像进行采样处理，以生成车道线采样点坐标组集合和对应的误差标准差组集合。然后，基于上述车道线采样点坐标组集合，生成车道线方程集合。通过生成误差标准差组集合，可以用于提高生成车道线方程的准确度。而后，对上述车道线方程集合中的各个车道线方程进行分类处理，得到分类车道线方程组集合。之后，基于上述车道线采样点坐标组集合和上述误差标准差组集合，对上述分类车道线方程组集合进行筛选处理，得到离群车道线方程组和筛选车道线方程组集合。通过分类处理和筛选处理，可以用于确定车道线方程中不确定度较高的车道线。最后，基于上述车道线采样点坐标组集合、上述离群车道线方程组和上述筛选车道线方程组集合，生成三维车道线方程集合。从而，通过离群车道线方程组和上述筛选车道线方程组集合，可以在一定程度上提高生成的虚车道线的准确度。进而，可以提高生成的三维车道线方程的准确度。
附图说明
结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，元件和元素不一定按照比例绘制。
图1是根据本公开的三维车道线生成方法的一些实施例的流程图；
图2是根据本公开的三维车道线生成装置的一些实施例的结构示意图；
图3是适于用来实现本公开的一些实施例的电子设备的结构示意图。
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示出了根据本公开的三维车道线生成方法的一些实施例的流程100。该三维车道线生成方法的流程100，包括以下步骤：
步骤101，对预获取的道路图像进行采样处理，以生成车道线采样点坐标组集合和对应的误差标准差组集合。
在一些实施例中，三维车道线生成方法的执行主体可以对预获取的道路图像进行采样处理，以生成车道线采样点坐标组集合和对应的误差标准差组集合。其中，道路图像可以是预先通过有线方式或无线方式获取的、车载相机拍摄的道路图像。其中，可以通过预设的采样算法，对上述道路图像行采样处理，以生成车道线采样点坐标组集合和对应的误差标准差组集合。车道线采样点坐标组集合中的每个车道线采样点坐标组可以对应道路图像中的一段车道线区域。车道线采样点坐标可以是一段车道线区域的角点。误差标准差组集合中的每个误差标准差组可以对应一个车道线采样点坐标组。误差标准差与每个车道线采样点坐标相对应，用于表征该车道线采样点坐标的横向不确定度。
作为示例，上述采样算法可以包括但不限于以下至少一项：UFLD(Ultra FastStructure-aware Deep Lane Detection，车道线检测)算法、LanNet(车道线检测网络)模型。
步骤102，基于车道线采样点坐标组集合，生成车道线方程集合。
在一些实施例中，上述执行主体可以基于上述车道线采样点坐标组集合，通过各种方式，生成车道线方程集合。
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车道线采样点坐标组集合，生成车道线方程集合，可以包括以下步骤：
对上述车道线采样点坐标组集合中每个车道线采样点坐标组中的各个车道线采样点进行拟合处理以生成车道线方程，得到车道线方程集合。其中，可以通过最小二乘法对上述车道线采样点坐标组集合中每个车道线采样点坐标组中的各个车道线采样点进行拟合处理以生成车道线方程，得到车道线方程集合。
步骤103，对车道线方程集合中的各个车道线方程进行分类处理，得到分类车道线方程组集合。
在一些实施例中，上述执行主体可以对上述车道线方程集合中的各个车道线方程进行分类处理，通过各种方式，得到分类车道线方程组集合。
在一些实施例的一些可选的实现方式中，上述执行主体对上述车道线方程集合中的各个车道线方程进行分类处理，得到分类车道线方程组集合，可以包括以下步骤：
第一步，对上述车道线方程集合中的每两个车道线方程进行拟合处理，得到拟合车道线方程集合。其中，上述拟合车道线方程集合中每个拟合车道线方程对应两个车道线方程。
实践中，此种方式可以用于确定两个车道线方程是否对应同一条虚车道线的不同线段。
第二步，确定上述拟合车道线方程集合中每个拟合车道线方程与对应的各个车道线采样点坐标组中各个车道线采样点之间的平均距离值，得到平均距离值集合。其中，可以通过距离值算法，确定上述拟合车道线方程集合中每个拟合车道线方程与对应的各个车道线采样点坐标组中各个车道线采样点之间的平均距离值，得到平均距离值集合。
作为示例，上述距离值算法可以包括但不限于以下至少一项：欧氏距离、曼哈顿距离、切比雪夫距离、余弦距离等。
第三步，基于上述平均距离值集合，对上述车道线方程集合中的各个车道线方程进行分类处理，得到分类车道线方程组集合。其中，上述分类车道线方程组集合中每个分类车道线方程组中的各个分类车道线对应的平均距离值集合中的平均距离值满足预设的距离值条件。上述距离值条件可以是平均距离值小于等于预设距离阈值(例如，0.5)。分类处理可以是将车道线方程组集合中每个车道线方程组中的各个车道线对应的平均距离值集合中的平均距离值、满足预设的距离值条件的车道线方程确定为分类车道线方程组。
实践中，为了确定两段车道线是否属于同一条车道线(例如对于虚线来说，是否属于同一条虚线的不同线段)，可以将每两段车道线的采样点合起来做简单的二次曲线拟合，并确定这两段线的每个采样点与拟合的二次曲线的平均距离，如果距离大于设定阈值。则可以确定这两段车道线不属于同一条车道线。反之则可以确定属于同一条车道线。通过此种方法可以将所有的车道线段归类到不同条的车道线中，得到分类车道线方程组集合。
步骤104，基于车道线采样点坐标组集合和误差标准差组集合，对分类车道线方程组集合进行筛选处理，得到离群车道线方程组和筛选车道线方程组集合。
在一些实施例中，上述执行主体可以基于上述车道线采样点坐标组集合和上述误差标准差组集合，通过各种方式，对上述分类车道线方程组集合进行筛选处理，得到离群车道线方程组和筛选车道线方程组集合。
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车道线采样点坐标组集合和上述误差标准差组集合，对上述分类车道线方程组集合进行筛选处理，得到离群车道线方程组和筛选车道线方程组集合，可以包括以下步骤：
第一步，对上述车道线采样点坐标组集合中每个车道线采样点坐标组中的各个车道线采样点坐标进行反投影处理，得到反投影车道线采样点坐标组集合。其中，可以通过反投影算法，将车道线采样点从图像坐标系反投影至车辆坐标系，得到反投影车道线采样点坐标组集合。
第二步，基于上述反投影车道线采样点坐标组集合，生成目标车道线采样点坐标组集合。其中，可以将反投影车道线采样点坐标组集合中各个反投影车道线采样点坐标的竖坐标值为零，得到目标车道线采样点坐标组集合。
实践中，上述反投影算法可以是逆透视变换算法。将反投影车道线采样点坐标组集合中各个反投影车道线采样点坐标的竖坐标值为零可以是将车辆坐标系中的反投影坐标点映射至车辆坐标系中横纵坐标轴所在的平面。
第三步，基于上述目标车道线采样点坐标组集合和上述误差标准差组集合，确定上述分类车道线方程组集合中每个分类车道线方程的系数信息，得到系数信息组集合。其中，首先，可以构建与每个分类车道线方程初始三维曲线方程。系数信息可以是每个分类车道线方程对应的三维曲线方程的系数。三维曲线方程可以是添加与每个分类车道线方程对应的系数信息后的初始三维曲面方程。系数信息可以包括三维曲面方程的常数项系数和次数项系数组。其次，在生成系数信息组集合的过程中，可以确定每个分类车道线方程组对应一个常数项系数。以及分类车道线方程组集合中的各个分类车道线方程可以对应同一个次数项系数组。次数项系数组中可以包括从最高次项到一次项的系数。然后，可以通过以下公式，生成系数信息组集合：
Figure BDA0003638124400000081
其中，i、j、k、m表示序号。a*表示常数项系数。
Figure BDA0003638124400000082
表示对应上述分类车道线方程组集合中第l个分类车道线方程组中的各个分类车道线方程组的常数项系数。c*表示次数项系数。/>
Figure BDA0003638124400000083
表示初始三维曲线方程中的第m次项的次数项系数。ai和cm表示初始三维曲线方程的初始常数项系数和初始次数项系数。Δi表示与上述分类车道线方程组集合中第i个分类车道线方程组对应的优化参数。Δ1表示与上述分类车道线方程组集合中第1个分类车道线方程组对应的优化参数。Δ2表示与上述分类车道线方程组集合中第2个分类车道线方程组对应的优化参数。||·||2表示2范式。h表示误差参数。hi表示与上述分类车道线方程组集合中第i个分类车道线方程组中的分类车道线方程对应的目标车道线采样点坐标的误差参数。hi，j表示与上述分类车道线方程组集合中第i个分类车道线方程组中的第j个分类车道线方程对应的目标车道线采样点坐标的误差参数。hi，j，k表示与上述分类车道线方程组集合中第i个分类车道线方程组中的第j个分类车道线方程对应的第k个目标车道线采样点坐标的误差参数。n表示初始三维曲线方程的最高次项的次数。x表示与上述分类车道线方程组集合中分类车道线方程组中的分类车道线方程对应的目标车道线坐标的横坐标值。xi表示与上述分类车道线方程组集合中第i个分类车道线方程组中的分类车道线方程对应的目标车道线坐标的横坐标值。xi，j表示与上述分类车道线方程组集合中第i个分类车道线方程组中的第j个分类车道线方程对应的目标车道线坐标的横坐标值。xi，j，k表示与上述分类车道线方程组集合中第i个分类车道线方程组中的第j个分类车道线方程对应的第k个目标车道线坐标的横坐标值。y表示与上述分类车道线方程组集合中分类车道线方程组中的分类车道线方程对应的目标车道线坐标的纵坐标值。yi表示与上述分类车道线方程组集合中第i个分类车道线方程组中的分类车道线方程对应的目标车道线坐标的纵坐标值。yi，j表示与上述分类车道线方程组集合中第l个分类车道线方程组中的第j个分类车道线方程对应的目标车道线坐标的纵坐标值。yi，j，k表示与上述分类车道线方程组集合中第i个分类车道线方程组中的第j个分类车道线方程对应的第k个目标车道线坐标的纵坐标值。σ表示与上述分类车道线方程组集合中分类车道线方程组中的分类车道线方程对应的目标车道线坐标的误差标准差。σi表示与上述分类车道线方程组集合中第i个分类车道线方程组中的分类车道线方程对应的目标车道线坐标的误差标准差。σi，j表示与上述分类车道线方程组集合中第i个分类车道线方程组中的第j个分类车道线方程对应的目标车道线坐标的误差标准差。σi，j，k表示与上述分类车道线方程组集合中第i个分类车道线方程组中的第j个分类车道线方程对应的第k个目标车道线坐标的误差标准差。
实践中，可以通过线性求解方法对上述公式进行求解。上述线性求解方法可以包括但不限于以下至少一项：正交三角形分解法，奇异值分解法等。
第四步，对于上述分类车道线方程组集合中每个分类车道线方程组中的每个分类车道线方程，执行如下筛选处理步骤：
第一子步骤，确定上述分类车道线方程与对应的各个目标车道线采样点坐标之间残差均值。其中，首先，可以确定上述分类车道线方程与对应的每个目标车道线采样点坐标之间的采样距离值，得到采样距离值集合。然后，可以将采样距离值集合中各个采样距离值的平均值确定为上述残差均值。
第二子步骤步，响应于确定上述残差均值满足预设残差条件，将上述分类车道线方程确定为筛选车道线方程。其中，上述预设残差条件可以是残差均值大于预设残差阈值(例如0.3)。
在一些实施例的一些可选的实现方式中，上述筛选处理步骤还可以包括：
响应于确定上述残差均值不满足预设残差条件，将上述分类车道线方程确定为离群车道线方程。其中，离群车道线方程可以表征实际的车道线形状与其它车道线不同(例如，离群车道线方程可以是分合流线)。通过选出离群车道线，可以用于区分不同形状的车道线对应的采样点坐标。由此，可以避免使用离群车道线对应的目标采样点坐标参与其它目标车道线采样点坐标的拟合。从而，可以提高生成的三维车道线的准确度。
步骤105，基于车道线采样点坐标组集合、离群车道线方程组和筛选车道线方程组集合，生成三维车道线方程集合。
在一些实施例中，上述执行主体可以基于上述车道线采样点坐标组集合、上述离群车道线方程组和上述筛选车道线方程组集合，通过各种方式，生成三维车道线方程集合。
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车道线采样点坐标组集合、上述离群车道线方程组和上述筛选车道线方程组集合，生成三维车道线方程集合，可以包括以下步骤：
第一步，对与上述离群车道线方程组中每个离群车道线方程对应的各个目标车道线采样点坐标进行方程拟合以生成第一三维车道线方程，得到第一三维车道线方程组。
第二步，对与上述筛选车道线方程组集合中每个筛选车道线方程组中各个筛选车道线方程对应的各个反投影车道线采样点坐标进行方程拟合以生成第二三维车道线方程，得到第二三维车道线方程组。
第三步，对上述第一三维车道线方程组和上述第二三维车道线方程组进行组合，以生成三维车道线方程集合。其中，可以将各个第一三维车道线方程和各个第二三维车道线方程确定为三维车道线方程，得到三维车道线方程集合。
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二“对于实车道线检测得到的采样点比较密集且不确定度较低，由此，往往会造成车辆过于倾向于贴近实车道线，导致自动驾驶系统容易产生误判的情况，进而，导致降低车辆的驾驶安全”。导致车辆过于倾向于贴近实车道线的因素往往如下：对于实车道线检测得到的采样点比较密集且不确定度较低以及对于虚车道线的空白处或模糊不清的线，提取的采样点较为稀疏且不确定度较高。如果解决了上述因素，就能避免车辆过于倾向于贴近实车道线，从而，可以在一定程度上避免自动驾驶系统产生的误判情况。进而，提高驾驶安全。为了达到这一效果，首先，通过采集每段车道线的角点坐标作为车道线采样点坐标。可以在一定程度上降低车道线清晰度对提取采样线稀疏度的影响程度。然后，可以利用上述公式，确定每个三维曲线方程的系数。其中，还利用引入的误差标准差组集合，可以避免降低采样点的不确定度较低对生成三维车道线方程造成的影响。最后，利用多条车道线采样点的位置及不确定度信息同时拟合多条车道线，通过使相同走向的不同车道线共享参数，使得拟合的车道线更加稳定。另外，离群车道线为合流线，则与其他车道线走向不一致。若利用离群车道线的车道线采样点与其他车道线的采样点一同拟合生成三维车道线，会导致降低三维车道线的准确度。从而，还通过确定残差均值，用于区分离群车道线。以此，可以提高拟合的三维车道线方程的准确度。由此，提高了虚车道线的对应的三维车道线方程的准确度。因此，可以降低虚车道线的不确定度。避免车辆过于倾向于贴近实车道线，导致自动驾驶系统容易产生误判的情况。进而，提高车辆驾驶安全。
可选的，上述执行主体还可以将上述三维车道线方程集合中的各个三维车道线方程发送至显示终端，以供三维车道线显示。
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线生成方法，可以提高生成的三维车道线方程的准确度。具体来说，造成生成的三维车道线方程的准确度不足的原因在于：对于虚车道线的空白处或模糊不清的线，提取的采样点较为稀疏且不确定度较高，从而，导致生成的虚车道线的准确度不足。基于此，本公开的一些实施例的三维车道线生成方法，首先，对预获取的道路图像进行采样处理，以生成车道线采样点坐标组集合和对应的误差标准差组集合。然后，基于上述车道线采样点坐标组集合，生成车道线方程集合。通过生成误差标准差组集合，可以用于提高生成车道线方程的准确度。而后，对上述车道线方程集合中的各个车道线方程进行分类处理，得到分类车道线方程组集合。之后，基于上述车道线采样点坐标组集合和上述误差标准差组集合，对上述分类车道线方程组集合进行筛选处理，得到离群车道线方程组和筛选车道线方程组集合。通过分类处理和筛选处理，可以用于确定车道线方程中不确定度较高的车道线。最后，基于上述车道线采样点坐标组集合、上述离群车道线方程组和上述筛选车道线方程组集合，生成三维车道线方程集合。从而，通过离群车道线方程组和上述筛选车道线方程组集合，可以在一定程度上提高生成的虚车道线的准确度。进而，可以提高生成的三维车道线方程的准确度。
进一步参考图2，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线生成装置的一些实施例，这些装置实施例与图1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2所示，一些实施例的三维车道线生成装置200包括：采样处理单元201、第一生成单元202、分类处理单元203、筛选处理单元204和第二生成单元205。其中，采样处理单元201，被配置成对预获取的道路图像进行采样处理，以生成车道线采样点坐标组集合和对应的误差标准差组集合；第一生成单元202，被配置成基于上述车道线采样点坐标组集合，生成车道线方程集合；分类处理单元203，被配置成对上述车道线方程集合中的各个车道线方程进行分类处理，得到分类车道线方程组集合；筛选处理单元204，被配置成基于上述车道线采样点坐标组集合和上述误差标准差组集合，对上述分类车道线方程组集合进行筛选处理，得到离群车道线方程组和筛选车道线方程组集合；第二生成单元205，被配置成基于上述车道线采样点坐标组集合、上述离群车道线方程组和上述筛选车道线方程组集合，生成三维车道线方程集合。
可以理解的是，该装置200中记载的诸单元与参考图1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200及其中包含的单元，在此不再赘述。
下面参考图3，其示出了适于用来实现本公开的一些实施例的电子设备300的结构示意图。图3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3所示，电子设备300可以包括处理装置(例如中央处理器、图形处理器等)301，其可以根据存储在只读存储器(ROM)302中的程序或者从存储装置308加载到随机访问存储器(RAM)303中的程序而执行各种适当的动作和处理。在RAM 303中，还存储有电子设备300操作所需的各种程序和数据。处理装置301、ROM 302以及RAM303通过总线304彼此相连。输入/输出(I/O)接口305也连接至总线304。
通常，以下装置可以连接至I/O接口305：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306；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置307；包括例如磁带、硬盘等的存储装置308；以及通信装置309。通信装置309可以允许电子设备300与其他设备进行无线或有线通信以交换数据。虽然图3示出了具有各种装置的电子设备300，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3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309从网络上被下载和安装，或者从存储装置308被安装，或者从ROM 302被安装。在该计算机程序被处理装置301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采样处理，以生成车道线采样点坐标组集合和对应的误差标准差组集合；基于上述车道线采样点坐标组集合，生成车道线方程集合；对上述车道线方程集合中的各个车道线方程进行分类处理，得到分类车道线方程组集合；基于上述车道线采样点坐标组集合和上述误差标准差组集合，对上述分类车道线方程组集合进行筛选处理，得到离群车道线方程组和筛选车道线方程组集合；基于上述车道线采样点坐标组集合、上述离群车道线方程组和上述筛选车道线方程组集合，生成三维车道线方程集合。
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：一种处理器包括采样处理单元、第一生成单元、分类处理单元、筛选处理单元和第二生成单元。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，分类处理单元还可以被描述为“对车道线方程集合中的各个车道线方程进行分类处理的单元”。
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。

Claims (9)

1.一种三维车道线生成方法，包括：
对预获取的道路图像进行采样处理，以生成车道线采样点坐标组集合和对应的误差标准差组集合；
基于所述车道线采样点坐标组集合，生成车道线方程集合；
对所述车道线方程集合中的各个车道线方程进行分类处理，得到分类车道线方程组集合；
基于所述车道线采样点坐标组集合和所述误差标准差组集合，对所述分类车道线方程组集合进行筛选处理，得到离群车道线方程组和筛选车道线方程组集合；
基于所述车道线采样点坐标组集合、所述离群车道线方程组和所述筛选车道线方程组集合，生成三维车道线方程集合；
其中，所述基于所述车道线采样点坐标组集合和所述误差标准差组集合，对所述分类车道线方程组集合进行筛选处理，得到离群车道线方程组和筛选车道线方程组集合，包括：
对所述车道线采样点坐标组集合中每个车道线采样点坐标组中的各个车道线采样点坐标进行反投影处理，得到反投影车道线采样点坐标组集合；
基于所述反投影车道线采样点坐标组集合，生成目标车道线采样点坐标组集合；
基于所述目标车道线采样点坐标组集合和所述误差标准差组集合，确定所述分类车道线方程组集合中每个分类车道线方程的系数信息，得到系数信息组集合；
对于所述分类车道线方程组集合中每个分类车道线方程组中的每个分类车道线方程，执行如下筛选处理步骤：
确定所述分类车道线方程与对应的各个目标车道线采样点坐标之间残差均值；
响应于确定所述残差均值满足预设残差条件，将所述分类车道线方程确定为筛选车道线方程。
2.根据权利要求1所述的方法，其中，所述方法还包括：
将所述三维车道线方程集合中的各个三维车道线方程发送至显示终端，以供三维车道线显示。
3.根据权利要求1所述的方法，其中，所述基于所述车道线采样点坐标组集合，生成车道线方程集合，包括：
对所述车道线采样点坐标组集合中每个车道线采样点坐标组中的各个车道线采样点进行拟合处理以生成车道线方程，得到车道线方程集合。
4.根据权利要求1所述的方法，其中，所述对所述车道线方程集合中的各个车道线方程进行分类处理，得到分类车道线方程组集合，包括：
对所述车道线方程集合中的每两个车道线方程进行拟合处理，得到拟合车道线方程集合，其中，所述拟合车道线方程集合中每个拟合车道线方程对应两个车道线方程；
确定所述拟合车道线方程集合中每个拟合车道线方程与对应的各个车道线采样点坐标组中各个车道线采样点之间的平均距离值，得到平均距离值集合；
基于所述平均距离值集合，对所述车道线方程集合中的各个车道线方程进行分类处理，得到分类车道线方程组集合，其中，所述分类车道线方程组集合中每个分类车道线方程组中的各个分类车道线对应的平均距离值集合中的平均距离值满足预设的距离值条件。
5.根据权利要求1所述的方法，其中，所述筛选处理步骤还包括：
响应于确定所述残差均值不满足预设残差条件，将所述分类车道线方程确定为离群车道线方程。
6.根据权利要求5所述的方法，其中，所述基于所述车道线采样点坐标组集合、所述离群车道线方程组和所述筛选车道线方程组集合，生成三维车道线方程集合，包括：
对与所述离群车道线方程组中每个离群车道线方程对应的各个目标车道线采样点坐标进行方程拟合以生成第一三维车道线方程，得到第一三维车道线方程组；
对与所述筛选车道线方程组集合中每个筛选车道线方程组中各个筛选车道线方程对应的各个反投影车道线采样点坐标进行方程拟合以生成第二三维车道线方程，得到第二三维车道线方程组；
对所述第一三维车道线方程组和所述第二三维车道线方程组进行组合，以生成三维车道线方程集合。
7.一种三维车道线生成装置，包括：
采样处理单元，被配置成对预获取的道路图像进行采样处理，以生成车道线采样点坐标组集合和对应的误差标准差组集合；
第一生成单元，被配置成基于所述车道线采样点坐标组集合，生成车道线方程集合；
分类处理单元，被配置成对所述车道线方程集合中的各个车道线方程进行分类处理，得到分类车道线方程组集合；
筛选处理单元，被配置成基于所述车道线采样点坐标组集合和所述误差标准差组集合，对所述分类车道线方程组集合进行筛选处理，得到离群车道线方程组和筛选车道线方程组集合；
第二生成单元，被配置成基于所述车道线采样点坐标组集合、所述离群车道线方程组和所述筛选车道线方程组集合，生成三维车道线方程集合；
其中，所述基于所述车道线采样点坐标组集合和所述误差标准差组集合，对所述分类车道线方程组集合进行筛选处理，得到离群车道线方程组和筛选车道线方程组集合，包括：
对所述车道线采样点坐标组集合中每个车道线采样点坐标组中的各个车道线采样点坐标进行反投影处理，得到反投影车道线采样点坐标组集合；
基于所述反投影车道线采样点坐标组集合，生成目标车道线采样点坐标组集合；
基于所述目标车道线采样点坐标组集合和所述误差标准差组集合，确定所述分类车道线方程组集合中每个分类车道线方程的系数信息，得到系数信息组集合；
对于所述分类车道线方程组集合中每个分类车道线方程组中的每个分类车道线方程，执行如下筛选处理步骤：
确定所述分类车道线方程与对应的各个目标车道线采样点坐标之间残差均值；
响应于确定所述残差均值满足预设残差条件，将所述分类车道线方程确定为筛选车道线方程。
8.一种电子设备，包括：
一个或多个处理器；
存储装置，其上存储有一个或多个程序，
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1-6中任一所述的方法。
9.一种计算机可读介质，其上存储有计算机程序，其中，所述程序被处理器执行时实现如权利要求1-6中任一所述的方法。
CN202210507889.7A 2022-05-11 2022-05-11 三维车道线生成方法、装置、电子设备和计算机可读介质 Active CN114842448B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210507889.7A CN114842448B (zh) 2022-05-11 2022-05-11 三维车道线生成方法、装置、电子设备和计算机可读介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210507889.7A CN114842448B (zh) 2022-05-11 2022-05-11 三维车道线生成方法、装置、电子设备和计算机可读介质

Publications (2)

Publication Number Publication Date
CN114842448A CN114842448A (zh) 2022-08-02
CN114842448B true CN114842448B (zh) 2023-03-24

Family

ID=82571011

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210507889.7A Active CN114842448B (zh) 2022-05-11 2022-05-11 三维车道线生成方法、装置、电子设备和计算机可读介质

Country Status (1)

Country Link
CN (1) CN114842448B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114399587A (zh) * 2021-12-20 2022-04-26 禾多科技（北京）有限公司 三维车道线生成方法、装置、电子设备和计算机可读介质
CN114399588A (zh) * 2021-12-20 2022-04-26 禾多科技（北京）有限公司 三维车道线生成方法、装置、电子设备和计算机可读介质

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105260699B (zh) * 2015-09-10 2018-06-26 百度在线网络技术（北京）有限公司 一种车道线数据的处理方法及装置
CN106407893B (zh) * 2016-08-29 2019-11-22 东软集团股份有限公司 一种检测车道线的方法、装置和设备
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
US20200393265A1 (en) * 2019-06-11 2020-12-17 DeepMap Inc. Lane line determination for high definition maps
CN112154449A (zh) * 2019-09-26 2020-12-29 深圳市大疆创新科技有限公司 车道线融合方法、车道线融合装置、车辆和存储介质
CN111222405A (zh) * 2019-11-15 2020-06-02 北京邮电大学 车道线的检测方法、装置、电子设备及可读存储介质
CN111832536B (zh) * 2020-07-27 2024-03-12 北京经纬恒润科技股份有限公司 一种车道线检测方法及装置
CN113869293B (zh) * 2021-12-03 2022-03-11 禾多科技（北京）有限公司 车道线识别方法、装置、电子设备和计算机可读介质
CN114463715A (zh) * 2021-12-27 2022-05-10 江苏航天大为科技股份有限公司 一种车道线检测方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114399587A (zh) * 2021-12-20 2022-04-26 禾多科技（北京）有限公司 三维车道线生成方法、装置、电子设备和计算机可读介质
CN114399588A (zh) * 2021-12-20 2022-04-26 禾多科技（北京）有限公司 三维车道线生成方法、装置、电子设备和计算机可读介质

Also Published As

Publication number Publication date
CN114842448A (zh) 2022-08-02

Similar Documents

Publication Publication Date Title
CN108197652B (zh) 用于生成信息的方法和装置
CN111967467B (zh) 图像目标检测方法、装置、电子设备和计算机可读介质
CN112598762A (zh) 三维车道线信息生成方法、装置、电子设备和介质
CN112733820B (zh) 障碍物信息生成方法、装置、电子设备和计算机可读介质
CN113607185B (zh) 车道线信息显示方法、装置、电子设备和计算机可读介质
CN112348029B (zh) 局部地图调整方法、装置、设备和计算机可读介质
CN114399589B (zh) 三维车道线生成方法、装置、电子设备和计算机可读介质
CN112258512A (zh) 点云分割方法、装置、设备和存储介质
CN114399588B (zh) 三维车道线生成方法、装置、电子设备和计算机可读介质
CN112037223B (zh) 图像缺陷检测方法、装置及电子设备
CN112183627A (zh) 生成预测密度图网络的方法和车辆年检标数量检测方法
CN113592033B (zh) 油罐图像识别模型训练方法、油罐图像识别方法和装置
CN113781478B (zh) 油罐图像检测方法、装置、电子设备和计算机可读介质
CN115272182A (zh) 车道线检测方法、装置、电子设备和计算机可读介质
CN114445597A (zh) 三维车道线生成方法、装置、电子设备和计算机可读介质
CN114399814A (zh) 一种基于深度学习的遮挡物移除和三维重建方法
CN111986265B (zh) 用于标定相机方法、装置、电子设备和介质
CN114842448B (zh) 三维车道线生成方法、装置、电子设备和计算机可读介质
CN113808134B (zh) 油罐布局信息生成方法、装置、电子设备、介质
CN112597788B (zh) 目标测定方法、装置、电子设备和计算机可读介质
CN115100536A (zh) 建筑物识别方法、装置、电子设备和计算机可读介质
CN111965383B (zh) 车速信息生成方法、装置、电子设备和计算可读介质
CN114120423A (zh) 人脸图像检测方法、装置、电子设备和计算机可读介质
CN112528970A (zh) 路牌检测方法、装置、设备和计算机可读介质
CN114863025B (zh) 三维车道线生成方法、装置、电子设备和计算机可读介质

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
CP03 Change of name, title or address
CP03 Change of name, title or address

Address after: 201, 202, 301, No. 56-4 Fenghuang South Road, Huadu District, Guangzhou City, Guangdong Province, 510806

Patentee after: Heduo Technology (Guangzhou) Co.,Ltd.

Address before: 100099 101-15, 3rd floor, building 9, yard 55, zique Road, Haidian District, Beijing

Patentee before: HOLOMATIC TECHNOLOGY (BEIJING) Co.,Ltd.