CN114842451A - 车道线拟合方法及装置、电子设备、介质及车辆 - Google Patents
车道线拟合方法及装置、电子设备、介质及车辆 Download PDFInfo
- Publication number
- CN114842451A CN114842451A CN202210523994.XA CN202210523994A CN114842451A CN 114842451 A CN114842451 A CN 114842451A CN 202210523994 A CN202210523994 A CN 202210523994A CN 114842451 A CN114842451 A CN 114842451A
- Authority
- CN
- China
- Prior art keywords
- pixel
- image
- curve
- points
- pixel 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.)
- Pending
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
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- 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
Abstract
本公开提供了一种车道线拟合方法、装置、电子设备、计算机可读存储介质和计算机程序产品,涉及人工智能领域,尤其涉及图像处理、计算机视觉等技术领域,可应用于智能驾驶和增强现实AR场景。实现方案为:获取包括车道线区域和背景区域的第一图像,车道线区域像素点为第一像素值,背景区域像素点为第二像素值;基于第一图像中具有第一像素值的像素点确定待拟合像素点集;对待拟合像素点集中的像素点进行拟合,以得到内点数量大于第一阈值且内点数量最多的一条曲线;删除待拟合像素点集中距离拟合得到的曲线在第三阈值范围内的像素点,以更新待拟合像素点集;基于预设条件获得一条或多条曲线;以及基于获得的一条或多条曲线确定拟合后得到的车道线。
Description
技术领域
本公开涉及人工智能领域,尤其涉及图像处理、计算机视觉等技术领域,可应用于智能驾驶和增强现实AR场景,具体涉及一种车道线拟合方法、装置、电子设备、计算机可读存储介质、计算机程序产品和车辆。
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。
随着人工智能相关技术的发展与应用,越来越多的领域显露出对智能化、自动化技术的强烈需求,其中自动驾驶和AR导航领域就是其中非常有代表性的领域。无论是自动驾驶还是AR导航,通常需要完成实时的车道线识别。因此,如何完成实例级别的通用车道线的拟合成为关键。
发明内容
本公开提供了一种车道线拟合方法、装置、电子设备、计算机可读存储介质、计算机程序产品和车辆。
根据本公开的一方面,提供了一种车道线拟合方法,包括:获取对包括车道线的图像进行语义分割所得到的第一图像,所述第一图像包括车道线区域和背景区域,其中,所述背景区域为所述第一图像中除所述车道线区域之外的区域,所述车道线区域包括多个具有第一像素值的像素点,所述背景区域包括多个具有第二像素值的像素点;基于所述第一图像中的具有第一像素值的像素点确定待拟合像素点集;对所述待拟合像素点集中的多个像素点进行拟合,以得到内点数量大于第一阈值且所述内点数量最多的一条曲线,其中,所述内点为所述待拟合像素点集中距离拟合得到的曲线在第二阈值范围内的像素点;删除所述待拟合像素点集中距离所述拟合得到的曲线在第三阈值范围内的像素点,以更新所述待拟合像素点集;基于预设条件,获得一条或多条曲线;以及基于所获得的所述一条或多条曲线确定拟合后所得到的车道线。
根据本公开的另一方面,提供了一种车道线拟合装置,包括:第一获取单元,配置为获取对包括车道线的图像进行语义分割所得到的第一图像,所述第一图像包括车道线区域和背景区域,其中,所述背景区域为所述第一图像中除所述车道线区域之外的区域,所述车道线区域包括多个具有第一像素值的像素点,所述背景区域包括多个具有第二像素值的像素点;第一确定单元,配置为基于所述第一图像中的具有第一像素值的像素点确定待拟合像素点集;拟合单元,配置为对所述待拟合像素点集中的多个像素点进行拟合,以得到内点数量大于第一阈值且所述内点数量最多的一条曲线,其中,所述内点为所述待拟合像素点集中距离拟合得到的曲线在第二阈值范围内的像素点;删除单元,配置为删除所述待拟合像素点集中距离所述拟合得到的曲线在第三阈值范围内的像素点,以更新所述待拟合像素点集;第二获取单元,配置为基于预设条件,获得一条或多条曲线;以及第二确定单元,配置为基于所获得的所述一条或多条曲线确定拟合后所得到的车道线。
根据本公开的另一方面,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;存储器存储有可被至少一个处理器执行的指令,该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所述的方法。
根据本公开的另一方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,该计算机指令用于使计算机执行本公开所述的方法。
根据本公开的另一方面,提供了一种计算机程序产品,包括计算机程序,该计算机程序在被处理器执行时实现本公开所述的方法。
根据本公开的另一方面,提供了一种车辆,包括跟公开所述的电子设备。
根据本公开的一个或多个实施例,在每次拟合之后,删除本次拟合过程所得到的曲线周围的内点以更新待拟合像素点集,从而适应性获得一条或多条车道线,既能够适应多种应用场景,还提高了拟合效率,满足实时性要求。
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
附图示例性地示出了实施例并且构成说明书的一部分,与说明书的文字描述一起用于讲解实施例的示例性实施方式。所示出的实施例仅出于例示的目的,并不限制权利要求的范围。在所有附图中,相同的附图标记指代类似但不一定相同的要素。
图1示出了根据本公开的实施例的可以在其中实施本文描述的各种方法的示例性系统的示意图;
图2示出了根据本公开的实施例的车道线拟合方法的流程图;
图3示出了根据本公开的一个实施例的车道线拟合方法的流程图;
图4示出了根据本公开的实施例的第一图像的示意图;
图5示出了根据本公开的一个实施例的基于坐标信息确定端点并确定相应车道线的示意图;
图6示出了根据本公开的另一个实施例的确定一条或多条曲线的端点的流程图;
图7示出了根据本公开的另一个实施例的基于坐标信息确定端点并确定相应车道线的示意图;
图8示出了根据本公开的实施例的对图4所示的第一图像进行车道线拟合后所输出的图像的示意图;
图9示出了根据本公开的实施例的车道线拟合装置的结构框图;以及
图10示出了能够用于实现本公开的实施例的示例性电子设备的结构框图。
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。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。
在本公开中,除非另有说明,否则使用术语“第一”、“第二”等来描述各种要素不意图限定这些要素的位置关系、时序关系或重要性关系,这种术语只是用于将一个元件与另一元件区分开。在一些示例中,第一要素和第二要素可以指向该要素的同一实例,而在某些情况下,基于上下文的描述,它们也可以指代不同实例。
在本公开中对各种所述示例的描述中所使用的术语只是为了描述特定示例的目的,而并非旨在进行限制。除非上下文另外明确地表明,如果不特意限定要素的数量,则该要素可以是一个也可以是多个。此外,本公开中所使用的术语“和/或”涵盖所列出的项目中的任何一个以及全部可能的组合方式。
下面将结合附图详细描述本公开的实施例。
图1示出了根据本公开的实施例可以将本文描述的各种方法和装置在其中实施的示例性系统100的示意图。参考图1,该系统100包括机动车辆110、服务器120以及将机动车辆110耦接到服务器120的一个或多个通信网络130。
在本公开的实施例中,机动车辆110可以包括根据本公开实施例的计算设备和/或被配置以用于执行根据本公开实施例的方法。
服务器120可以运行使得能够执行车道线拟合的方法的一个或多个服务或软件应用。在某些实施例中,服务器120还可以提供可以包括非虚拟环境和虚拟环境的其他服务或软件应用。在图1所示的配置中,服务器120可以包括实现由服务器120执行的功能的一个或多个组件。这些组件可以包括可由一个或多个处理器执行的软件组件、硬件组件或其组合。机动车辆110的用户可以依次利用一个或多个客户端应用程序来与服务器120进行交互以利用这些组件提供的服务。应当理解,各种不同的系统配置是可能的,其可以与系统100不同。因此,图1是用于实施本文所描述的各种方法的系统的一个示例,并且不旨在进行限制。
服务器120可以包括一个或多个通用计算机、专用服务器计算机(例如PC(个人计算机)服务器、UNIX服务器、中端服务器)、刀片式服务器、大型计算机、服务器群集或任何其他适当的布置和/或组合。服务器120可以包括运行虚拟操作系统的一个或多个虚拟机,或者涉及虚拟化的其他计算架构(例如可以被虚拟化以维护服务器的虚拟存储设备的逻辑存储设备的一个或多个灵活池)。在各种实施例中,服务器120可以运行提供下文所描述的功能的一个或多个服务或软件应用。
服务器120中的计算单元可以运行包括上述任何操作系统以及任何商业上可用的服务器操作系统的一个或多个操作系统。服务器120还可以运行各种附加服务器应用程序和/或中间层应用程序中的任何一个,包括HTTP服务器、FTP服务器、CGI服务器、JAVA服务器、数据库服务器等。
在一些实施方式中,服务器120可以包括一个或多个应用程序,以分析和合并从机动车辆110接收的数据馈送和/或事件更新。服务器120还可以包括一个或多个应用程序,以经由机动车辆110的一个或多个显示设备来显示数据馈送和/或实时事件。
网络130可以是本领域技术人员熟知的任何类型的网络,其可以使用多种可用协议中的任何一种(包括但不限于TCP/IP、SNA、IPX等)来支持数据通信。仅作为示例,一个或多个网络110可以是卫星通信网络、局域网(LAN)、基于以太网的网络、令牌环、广域网(WAN)、因特网、虚拟网络、虚拟专用网络(VPN)、内部网、外部网、公共交换电话网(PSTN)、红外网络、无线网络(包括例如蓝牙、WiFi)和/或这些与其他网络的任意组合。
系统100还可以包括一个或多个数据库150。在某些实施例中,这些数据库可以用于存储数据和其他信息。例如,数据库150中的一个或多个可用于存储诸如音频文件和视频文件的信息。数据存储库150可以驻留在各种位置。例如,由服务器120使用的数据存储库可以在服务器120本地,或者可以远离服务器120且可以经由基于网络或专用的连接与服务器120通信。数据存储库150可以是不同的类型。在某些实施例中,由服务器120使用的数据存储库可以是数据库,例如关系数据库。这些数据库中的一个或多个可以响应于命令而存储、更新和检索到数据库以及来自数据库的数据。
在某些实施例中,数据库150中的一个或多个还可以由应用程序使用来存储应用程序数据。由应用程序使用的数据库可以是不同类型的数据库,例如键值存储库,对象存储库或由文件系统支持的常规存储库。
机动车辆110可以包括传感器111用于感知周围环境。传感器111可以包括下列传感器中的一个或多个:视觉摄像头、红外摄像头、超声波传感器、毫米波雷达以及激光雷达(LiDAR)。不同的传感器可以提供不同的检测精度和范围。摄像头可以安装在车辆的前方、后方或其他位置。视觉摄像头可以实时捕获车辆内外的情况并呈现给驾驶员和/或乘客。此外,通过对视觉摄像头捕获的画面进行分析,可以获取诸如交通信号灯指示、交叉路口情况、其他车辆运行状态等信息。红外摄像头可以在夜视情况下捕捉物体。超声波传感器可以安装在车辆的四周,用于利用超声波方向性强等特点来测量车外物体距车辆的距离。毫米波雷达可以安装在车辆的前方、后方或其他位置,用于利用电磁波的特性测量车外物体距车辆的距离。激光雷达可以安装在车辆的前方、后方或其他位置,用于检测物体边缘、形状信息,从而进行物体识别和追踪。由于多普勒效应,雷达装置还可以测量车辆与移动物体的速度变化。
机动车辆110还可以包括通信装置112。通信装置112可以包括能够从卫星141接收卫星定位信号(例如,北斗、GPS、GLONASS以及GALILEO)并且基于这些信号产生坐标的卫星定位模块。通信装置112还可以包括与移动通信基站142进行通信的模块,移动通信网络可以实施任何适合的通信技术,例如GSM/GPRS、CDMA、LTE等当前或正在不断发展的无线通信技术(例如5G技术)。通信装置112还可以具有车联网或车联万物(Vehicle-to-Everything,V2X)模块,被配置用于实现例如与其它车辆143进行车对车(Vehicle-to-Vehicle,V2V)通信和与基础设施144进行车辆到基础设施(Vehicle-to-Infrastructure,V2I)通信的车与外界的通信。此外,通信装置112还可以具有被配置为例如通过使用IEEE802.11标准的无线局域网或蓝牙与用户终端145(包括但不限于智能手机、平板电脑或诸如手表等可佩戴装置)进行通信的模块。利用通信装置112,机动车辆110还可以经由网络130接入服务器120。
机动车辆110还可以包括控制装置113。控制装置113可以包括与各种类型的计算机可读存储装置或介质通信的处理器,例如中央处理单元(CPU)或图形处理单元(GPU),或者其他的专用处理器等。控制装置113可以包括用于自动控制车辆中的各种致动器的自动驾驶系统。自动驾驶系统被配置为经由多个致动器响应来自多个传感器111或者其他输入设备的输入而控制机动车辆110(未示出的)动力总成、转向系统以及制动系统等以分别控制加速、转向和制动,而无需人为干预或者有限的人为干预。控制装置113的部分处理功能可以通过云计算实现。例如,可以使用车载处理器执行某一些处理,而同时可以利用云端的计算资源执行其他一些处理。控制装置113可以被配置以执行根据本公开的方法。此外,控制装置113可以被实现为根据本公开的机动车辆侧(客户端)的计算设备的一个示例。
图1的系统100可以以各种方式配置和操作,以使得能够应用根据本公开所描述的各种方法和装置。
通常,需要对语义分割或者实例分割之后得到的车道线进行拟合,以将拟合后的线作为车道线进行输出。
语义分割(Semantic Segmentation)是一种计算机视觉问题,用于将一些原始数据(例如平面图像)作为输入并将它们转换为具有突出显示的感兴趣区域的掩模。即,语义分割结合了图像分类、目标检测和图像分割,通过一定的方法将图像分割成具有一定语义含义的区域块,并识别出每个区域块的语义类别,实现从底层到高层的语义推理过程,最终得到一幅具有逐像素语义标注的分割图像。
实例分割(Instance Segmentation)既具备语义分割的特点,需要做到像素层面上的分类,也具备目标检测(Object Detection)的一部分特点,即需要定位出不同个体,即使它们是同一种类。
在本公开中,语义分割包括实例分割,即实例分割即为特殊的语义分割。因此,首先获取包括车道线的原始图像。示例地,该原始图像可以基于车载传感器或路侧设备获得。并且,该原始图像例如可以是对原始视频流进行分帧后所得到的图像,也可以是摄像机每隔预设时间段所拍摄得到的图像。然后,将所获取的原始图像例如通过语义分割网络,以进一步获得语义分割图像。该语义分割图像将原始图像中的车道线以及车道线以外的背景区域进行像素级标注(即对每个像素点进行标注),从而区别出其中的车道线区域以及背景区域。
在本公开中,将语义分割所得到的图像作为车道线拟合的起始图像,以在语义分割图像的基础上实现车道线的拟合。
在车道线拟合场景下,通常可以通过两种方式实现车道线的拟合,一种是只对当前车道的两条车道线进行分割,因此在拟合时只需要将分割结果分为左右两部分进行拟合即可。但是当遇到换道场景时或需要参考当前车道之外的其他车道线时,该方法就不符合要求了。另一种是通过例如OpenCV(Open Source Computer Vision Library,开源的计算机视觉库)的霍夫直线进行拟合,该方法虽然可以用于多个车道线的拟合场景,但是需要适配的参数太多,因此比较耗时,在部分场景下不能满足实时性要求。因此,如何完成实例级别的车道线拟合成为重点。
因此,根据本公开的实施例提供了一种车道线拟合方法。图2示出了根据本公开的实施例的车道线拟合方法的流程图,如图2所示,方法200包括:获取对包括车道线的图像进行语义分割所得到的第一图像,第一图像包括车道线区域和背景区域,背景区域为第一图像中除车道线区域之外的区域,车道线区域包括多个具有第一像素值的像素点,背景区域包括多个具有第二像素值的像素点(步骤210);基于第一图像中的具有第一像素值的像素点确定待拟合像素点集(步骤220);对待拟合像素点集中的多个像素点进行拟合,以得到内点数量大于第一阈值且内点数量最多的一条曲线,内点为待拟合像素点集中距离拟合得到的曲线在第二阈值范围内的像素点(步骤230);删除待拟合像素点集中距离拟合得到的曲线在第三阈值范围内的像素点,以更新待拟合像素点集(步骤240);基于预设条件,获得一条或多条曲线(步骤250);以及基于所获得的一条或多条曲线确定拟合后所得到的车道线(步骤260)。
根据本公开的实施例,在每次拟合之后,删除本次拟合过程所得到的曲线周围的内点以更新待拟合像素点集,从而适应性获得一条或多条车道线,既能够适应多种应用场景,还提高了拟合效率,满足实时性要求。
在根据本公开的实施例中,该“预设条件”可以为基于预设的迭代次数迭代执行步骤220-步骤240,以获得一条或多条曲线。或者,该“预设条件”也可以为迭代执行步骤220-步骤240,直到在对待拟合像素点集中的多个像素点进行拟合时,不再输出相应的曲线。又或者,该“预设条件”也可以为迭代执行步骤220-步骤240,直到所述待拟合像素点集中的待拟合像素点数量小于预设数值。
可以理解的是,可以根据实际需求相应地设置该“预设条件”,在此不作限制。
具体地,图3示出了根据本公开的一个实施例的车道线拟合方法的流程图。在该实施例中,该“预设条件”为基于预设的迭代次数迭代执行步骤220-步骤240,以获得一条或多条曲线。
如图3所示,在步骤310中,获取对包括车道线的图像进行语义分割所得到的第一图像。
在本公开中,第一图像即为所得到的语义分割图像,包括车道线区域和背景区域,背景区域为第一图像中除车道线区域之外的区域。在第一图像中,车道线区域包括多个具有第一像素值的像素点,背景区域包括多个具有第二像素值的像素点。第一像素值不等于第二像素值,从而区分出车道线区域和背景区域。图3示出了根据本公开的实施例的一个第一图像(即语义分割图像)的示意图。如图3所示,白色区域即为车道线区域、黑色区域即为背景区域,也就是说在该示例中,第一像素值可以为255(即白色),第二像素值可以为0(即黑色)。
在本公开中,可以以任何合适的方法得到该语义分割后的第一图像,例如基于语义分割网络模型,在此不作限制。
在步骤320中,迭代执行以下操作预设次数,以获得一条或多条曲线:
具体地,在步骤3201中,基于第一图像中的具有第一像素值的像素点确定待拟合像素点集。
根据一些实施例,步骤3201可以包括:对所述车道线区域进行骨架提取,以将所提取的骨架区域中的具有第一像素值的像素点确定为待拟合像素点集。
通过对车道线区域进行骨架提取,以将所提取的骨架区域中的像素点进行拟合,降低了待拟合的像素点数量,从而降低了拟合难度,提高拟合效率。
经过语义分割后所获得第一图像中可以包括一个或多个车道线区域,对应于所拍摄到的一条或多条车道线。如图4所示,在该第一图像中大致包括4个车道线区域。对车道线区域像素点进行骨架提取,即为在车道线区域中画一条经过该车道线区域的线段,但仍保持原车道线区域的形状,以得到该车道线区域的“骨架”。通过骨架提取,突出了物体或图形的主要结构和形状信息,去除了多余信息。
示例地,可以在图像中的车道线区域内画一条线,使得该条线中间不断开且尽量保持在车道线区域的中间位置,以获得“骨架”。
在本公开中,可以基于任何合适的方法或算法对车道线区域进行骨架提取,例如基于OpenCV,在此不作限制。
可以理解的是,在上述实施例中所提取的骨架可以为任何合适的宽度,例如一个像素宽度、两个像素宽度、三个像素宽度等等。
在步骤3202中,对待拟合像素点集中的多个像素点进行拟合,以得到内点数量大于第一阈值且内点数量最多的一条曲线。
在一些示例中,可以通过RANSAC(RANdom SAmple Consensus,随机抽样一致)算法进行拟合,并根据图像大小等因素设定划分内外点的阈值。在本公开中,内点为待拟合像素点集中距离拟合得到的曲线在第二阈值范围内的像素点,而外点即为待拟合像素点集中距离拟合得到的曲线在第二阈值范围以外内的像素点。
示例地,在一次拟合过程中,可能会拟合得到多条曲线。例如在如图4所示的实施例中,在第一次拟合过程中可能会拟合得到多条(例如3条、4条)曲线,但是通过确定内点数量大于第一阈值且内点数量最多的一条曲线,使得每次拟合只输出一条曲线。该曲线内点数最多,最可能对应于车道线。从而,通过基于内点数对拟合曲线进行删选,可以防止误输出一些不可能并不对应与车道线的曲线,进而提高了车道线拟合效果。
在本公开中,可以根据实际情况预先设置第一阈值,在此不作限制。
在步骤3203中,删除待拟合像素点集中距离拟合得到的曲线在第三阈值范围内的像素点,以更新待拟合像素点集。
在本公开中,在一次拟合过程中,输出内点数最大的一条曲线之后,将该曲线周围(即第三阈值范围内)的内点进行清除,使得在下一次拟合过程中不会重复输出该条曲线。
在一些示例中,通过适当地设置第三阈值的大小实现对该曲线周围的像素点的清除。具体地,在设置第三阈值时,可以考虑尽量将该曲线周围的内点消除但又不干扰其他车道线区域。
根据一些实施例,所述第三阈值可以不小于所述第二阈值,例如略大于第二阈值。从而,保证了当前曲线周围的几乎所有内点都能被删除,以使得在下一次拟合过程中不会再一次筛选出该条曲线。
在本公开中,可以预先设置迭代操作的次数。可以基于实际需求自适应设置该迭代次数。示例地,在实际应用中,驾驶员在行车过程中最多可参考四条车道线,即左一、左二、右一、右二。这时,就可以将迭代次数设置为4。因为,在行车过程中,越靠住向道路边缘位置的车道线,受拍摄角度的限制,其在所拍摄到的图像中可能就越细且清晰度受限,在行车过程中也很难给驾驶员提供参考作用。因此,也就不必运用有限的计算资源再进一步对该车道线进行拟合。在拟合过程中,输出内点数量大于第一阈值且内点数量最多的一条曲线,已经保证了每次拟合过程均输出当前待拟合像素点集中的最可能的对应车道线的曲线。这样,即使图像中所拍摄到的车道线数量大于预设的迭代次数,拟合后所得到的曲线也只能是最靠近驾驶区域的车道线,未能输出的车道线只能是越靠近道路边缘的车道线。
在一些示例中,当迭代次数大于图像中所拍摄到的车道线数量时,前几次迭代过程即可输出所可能对应车道线的曲线,而后面的迭代过程便不会再输出拟合曲线。
在步骤330中,基于所获得的一条或多条曲线确定拟合后所得到的车道线。
根据一些实施例,步骤330可以包括:基于所获得的一条或多条曲线,分别确定该一条或多条曲线在第一图像中的端点;以及基于所述端点以及所述一条或多条曲线,确定拟合后所得到的一条或多条车道线。
在获得拟合得到的一条或多条曲线之后,即可确定该一条或多条曲线各自在第一图像中都经过的区域,进而确定该一条或多条曲线各自在第一图像中的起点和终点,从而更精确地确定拟合所得到的车道线。
根据一些实施例,第一图像可以包括像素点的坐标信息,即每个像素点包括相应的X坐标和Y坐标。确定所述一条或多条曲线在所述第一图像中的端点可以包括:对于所述一条或多条曲线中的每条曲线:获取该曲线在所述第一图像中所经过的具有第一像素值的像素点的坐标信息;以及基于所述坐标信息确定在X方向或Y方向上具有最大值的像素点以及在所述X方向或Y方向上具有最小值的像素点,以作为该曲线在所述第一图像中的端点。
具体地,一条曲线对应于第一图像中的一条车道线。基于曲线所经过区域的坐标点信息,例如对每个所经过像素点的Y坐标进行排序,以确定Y坐标为最大值和最小值的像素点,作为该曲线在第一图像中的端点。从而,确定出拟合所得到的车道线的位置及形状。
图5示出了根据本公开的一个实施例的基于坐标信息确定端点并确定相应车道线的示意图。如图5所示,区域501即为语义分割图像(即第一图像)A中的车道线区域;曲线502即为拟合所得到的曲线(在这里为直线,当然也可以为其他曲线);点503和504分别为所述曲线502所经过的在区域501内Y坐标最大和最小的像素点。因此,可以将点503和504作为曲线502在当前图像中的端点。因此,可以基于点503和504、以及曲线502确定出所拟合得到的车道线,如图5下方的图像B所示。
在一些示例中,也可以对每个所经过像素点的X坐标进行排序,以确定X坐标为最大值和最小值的像素点,作为该曲线在第一图像中的端点,在此不作限制。
根据一些实施例,如图6所示,在确定曲线在第一图像中的端点时,还可以对于所述一条或多条曲线中的每条曲线执行以下操作:获取第一图像中距离该曲线在第四阈值范围内的具有第一像素值的像素点的坐标信息(步骤610);基于所述坐标信息确定在X方向或Y方向上具有最大值的像素点以及在所述X方向或Y方向上具有最小值的像素点(步骤620);以及确定该曲线上的其坐标信息在所述X方向或Y方向上具有所述最大值的像素点以及在所述X方向或Y方向上具有所述最小值的像素点,以作为该曲线在所述第一图像中的端点(步骤630)。
具体地,一条曲线对应于第一图像中的一条车道线。基于曲线所经过区域以及该曲线周围区域(例如3个像素点范围内)的坐标点信息,例如对每个所经过像素点以及周围区域的像素点的Y坐标进行排序,以确定Y坐标为最大值和最小值的像素点。从而,可以进一步确定该曲线上的Y坐标具有该最大值和最小值时所各自对应的像素点,作为该曲线在第一图像中的端点。从而,确定出拟合所得到的车道线的位置及形状。
图7示出了根据本公开的另一个实施例的基于坐标信息确定端点并确定相应车道线的示意图。如图7所示,区域701即为语义分割图像(即第一图像)A’中的车道线区域;曲线702即为拟合所得到的曲线(在这里为直线,当然也可以为其他曲线);点703为区域701中的距离曲线702在一定阈值范围内的、Y坐标具有最大值的像素点;点704即为点703向曲线702做映射后所对应的曲线702上的点,即点704和点703具有相应的Y坐标。因此,可以将点704作为曲线702在当前图像中的一个端点。曲线702在当前图像中的另一个端点同理,在此不再赘述。因此,可以基于所确定的端点以及曲线702确定出所拟合得到的车道线,如图7下方的图像B’所示。
在一些示例中,也可以将距离曲线在一定阈值范围内的像素点按X坐标进行排序,以确定X坐标为最大值和最小值的像素点,进而确定该曲线在第一图像中的端点,在此不作限制。
从而,根据本公开的方法对图4所示的语义分割图像进行车道线拟合后所输出的图像可以如图8所示。
根据一些实施例,所述拟合后所得到的车道线包括实线和虚线中的至少一种。
虽然图5和7均示出了实线车道线的形式,但是可以理解的是,在确定了拟合得到的曲线以及该曲线在第一图像中的端点之后,可以以任何合适的形式输出拟合得到的车道线,包括但不限于实线、虚线的形式。例如,还可以将所确定的曲线段均匀膨胀一定的宽度,以模拟现实中的车道线。
根据本公开的实施例,可以根据实际需求设置操作迭代的次数,并且在每次拟合之后,删除本次拟合过程所得到的曲线周围的内点,以使得下次拟合过程中不重复输出同一条车道线,以适应性拟合得到一条或多条车道线,既能够适应多种应用场景,还提高了拟合效率,满足实时性要求。
可以理解的是,其“预设条件”设置为其他情形的实施例的具体操作与上面所述实施例类似,在此不再赘述。
通过本公开的实施例,可以高效地通过车道线的语义分割信息,完成实例级别的车道线拟合,不仅满足实时性要求,而且能够完成出现在图像内的大部分车道线的拟合操作。
根据本公开的实施例,如图9所示,还提供了一种车道线拟合装置900,包括:第一获取单元910,配置为获取对包括车道线的图像进行语义分割所得到的第一图像,所述第一图像包括车道线区域和背景区域,其中,所述背景区域为所述第一图像中除所述车道线区域之外的区域,所述车道线区域包括多个具有第一像素值的像素点,所述背景区域包括多个具有第二像素值的像素点;第一确定单元920,配置为基于所述第一图像中的具有第一像素值的像素点确定待拟合像素点集;拟合单元930,配置为对所述待拟合像素点集中的多个像素点进行拟合,以得到内点数量大于第一阈值且所述内点数量最多的一条曲线,其中,所述内点为所述待拟合像素点集中距离拟合得到的曲线在第二阈值范围内的像素点;删除单元940,配置为删除所述待拟合像素点集中距离所述拟合得到的曲线在第三阈值范围内的像素点,以更新所述待拟合像素点集;第二获取单元950,配置为基于预设条件,获得一条或多条曲线;以及第二确定单元960,配置为基于所获得的所述一条或多条曲线确定拟合后所得到的车道线。
这里,车道线拟合装置900的上述各单元910~960的操作分别与前面描述的步骤210~260的操作类似,在此不再赘述。
本公开的技术方案中,所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理,均符合相关法律法规的规定,且不违背公序良俗。
根据本公开的实施例,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。
根据本公开的实施例,还提供了一种车辆,该车辆包括本公开实施例所述的电子设备。
参考图10,现将描述可以作为本公开的服务器或客户端的电子设备1000的结构框图,其是可以应用于本公开的各方面的硬件设备的示例。电子设备旨在表示各种形式的数字电子的计算机设备,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10所示,电子设备1000包括计算单元1001,其可以根据存储在只读存储器(ROM)1002中的计算机程序或者从存储单元1008加载到随机访问存储器(RAM)1003中的计算机程序,来执行各种适当的动作和处理。在RAM 1003中,还可存储电子设备1000操作所需的各种程序和数据。计算单元1001、ROM 1002以及RAM 1003通过总线1004彼此相连。输入/输出(I/O)接口1005也连接至总线1004。
电子设备1000中的多个部件连接至I/O接口1005,包括:输入单元1006、输出单元1007、存储单元1008以及通信单元1009。输入单元1006可以是能向电子设备1000输入信息的任何类型的设备,输入单元1006可以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和/或功能控制有关的键信号输入,并且可以包括但不限于鼠标、键盘、触摸屏、轨迹板、轨迹球、操作杆、麦克风和/或遥控器。输出单元1007可以是能呈现信息的任何类型的设备,并且可以包括但不限于显示器、扬声器、视频/音频输出终端、振动器和/或打印机。存储单元1008可以包括但不限于磁盘、光盘。通信单元1009允许电子设备1000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,并且可以包括但不限于调制解调器、网卡、红外通信设备、无线通信收发机和/或芯片组,例如蓝牙TM设备、802.11设备、WiFi设备、WiMax设备、蜂窝通信设备和/或类似物。
计算单元1001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1001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1001执行上文所描述的各个方法和处理,例如方法200。例如,在一些实施例中,方法200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1008。在一些实施例中,计算机程序的部分或者全部可以经由ROM 1002和/或通信单元1009而被载入和/或安装到电子设备1000上。当计算机程序加载到RAM 1003并由计算单元1001执行时,可以执行上文描述的方法200的一个或多个步骤。备选地,在其他实施例中,计算单元1001可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行方法200。
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)、复杂可编程逻辑设备(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)和互联网。
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,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,本公开中记载的各步骤可以并行地执行、也可以顺序地或以不同的次序执行,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。
虽然已经参照附图描述了本公开的实施例或示例,但应理解,上述的方法、系统和设备仅仅是示例性的实施例或示例,本发明的范围并不由这些实施例或示例限制,而是仅由授权后的权利要求书及其等同范围来限定。实施例或示例中的各种要素可以被省略或者可由其等同要素替代。此外,可以通过不同于本公开中描述的次序来执行各步骤。进一步地,可以以各种方式组合实施例或示例中的各种要素。重要的是随着技术的演进,在此描述的很多要素可以由本公开之后出现的等同要素进行替换。
Claims (18)
1.一种车道线拟合方法,包括:
获取对包括车道线的图像进行语义分割所得到的第一图像,所述第一图像包括车道线区域和背景区域,其中,所述背景区域为所述第一图像中除所述车道线区域之外的区域,所述车道线区域包括多个具有第一像素值的像素点,所述背景区域包括多个具有第二像素值的像素点;
基于所述第一图像中的具有第一像素值的像素点确定待拟合像素点集;
对所述待拟合像素点集中的多个像素点进行拟合,以得到内点数量大于第一阈值且所述内点数量最多的一条曲线,其中,所述内点为所述待拟合像素点集中距离拟合得到的曲线在第二阈值范围内的像素点;
删除所述待拟合像素点集中距离所述拟合得到的曲线在第三阈值范围内的像素点,以更新所述待拟合像素点集;
基于预设条件,获得一条或多条曲线;以及
基于所获得的所述一条或多条曲线确定拟合后所得到的车道线。
2.如权利要求1所述的方法,其中,基于所述第一图像中的具有第一像素值的像素点确定待拟合像素点集包括:
对所述车道线区域进行骨架提取,以将所提取的骨架区域中的具有第一像素值的像素点确定为待拟合像素点集。
3.如权利要求1所述的方法,其中,基于所获得的所述一条或多条曲线确定拟合后所得到的车道线包括:
基于所获得的所述一条或多条曲线,分别确定所述一条或多条曲线在所述第一图像中的端点;以及
基于所述端点以及所述一条或多条曲线,确定拟合后所得到的一条或多条车道线。
4.如权利要求3所述的方法,其中,所述第一图像包括像素点的坐标信息,并且其中,分别确定所述一条或多条曲线在所述第一图像中的端点包括:
对于所述一条或多条曲线中的每条曲线:
获取该曲线在所述第一图像中所经过的具有第一像素值的像素点的坐标信息;以及
基于所述坐标信息确定在X方向或Y方向上具有最大值的像素点以及在所述X方向或Y方向上具有最小值的像素点,以作为该曲线在所述第一图像中的端点。
5.如权利要求3所述的方法,其中,所述第一图像包括像素点的坐标信息,并且其中,分别确定所述一条或多条曲线在所述第一图像中的端点包括:
对于所述一条或多条曲线中的每条曲线:
获取第一图像中距离该曲线在第四阈值范围内的具有第一像素值的像素点的坐标信息;
基于所述坐标信息确定在X方向或Y方向上具有最大值的像素点以及在所述X方向或Y方向上具有最小值的像素点;以及
确定该曲线上的其坐标信息在所述X方向或Y方向上具有所述最大值的像素点以及在所述X方向或Y方向上具有所述最小值的像素点,以作为该曲线在所述第一图像中的端点。
6.如权利要求1所述的方法,其中,所述第三阈值不小于所述第二阈值。
7.如权利要求1所述的方法,其中,所述拟合后所得到的车道线包括实线和虚线中的至少一种。
8.一种车道线拟合装置,包括:
第一获取单元,配置为获取对包括车道线的图像进行语义分割所得到的第一图像,所述第一图像包括车道线区域和背景区域,其中,所述背景区域为所述第一图像中除所述车道线区域之外的区域,所述车道线区域包括多个具有第一像素值的像素点,所述背景区域包括多个具有第二像素值的像素点;
第一确定单元,配置为基于所述第一图像中的具有第一像素值的像素点确定待拟合像素点集;
拟合单元,配置为对所述待拟合像素点集中的多个像素点进行拟合,以得到内点数量大于第一阈值且所述内点数量最多的一条曲线,其中,所述内点为所述待拟合像素点集中距离拟合得到的曲线在第二阈值范围内的像素点;
删除单元,配置为删除所述待拟合像素点集中距离所述拟合得到的曲线在第三阈值范围内的像素点,以更新所述待拟合像素点集;
第二获取单元,配置为基于预设条件,获得一条或多条曲线;以及
第二确定单元,配置为基于所获得的所述一条或多条曲线确定拟合后所得到的车道线。
9.如权利要求8所述的装置,其中,所述第一确定子单元包括:
骨架提取单元,配置为对所述车道线区域进行骨架提取,以将所提取的骨架区域中的具有第一像素值的像素点确定为待拟合像素点集。
10.如权利要求8所述的装置,其中,所述第二确定单元包括:
第三确定单元,配置为基于所获得的所述一条或多条曲线,分别确定所述一条或多条曲线在所述第一图像中的端点;以及
第四确定单元,配置为基于所述端点以及所述一条或多条曲线,确定拟合后所得到的一条或多条车道线。
11.如权利要求10所述的装置,其中,所述第一图像包括像素点的坐标信息,并且其中,所述第三确定单元包括:
第五确定子单元,配置为对于所述一条或多条曲线中的每条曲线:
获取该曲线在所述第一图像中所经过的具有第一像素值的像素点的坐标信息;以及
基于所述坐标信息确定在X方向或Y方向上具有最大值的像素点以及在所述X方向或Y方向上具有最小值的像素点,以作为该曲线在所述第一图像中的端点。
12.如权利要求10所述的方法,其中,所述第一图像包括像素点的坐标信息,并且其中,所述第三确定单元包括:
第六确定子单元,配置为对于所述一条或多条曲线中的每条曲线:
获取第一图像中距离该曲线在第四阈值范围内的具有第一像素值的像素点的坐标信息;
基于所述坐标信息确定在X方向或Y方向上具有最大值的像素点以及在所述X方向或Y方向上具有最小值的像素点;以及
确定该曲线上的其坐标信息在所述X方向或Y方向上具有所述最大值的像素点以及在所述X方向或Y方向上具有所述最小值的像素点,以作为该曲线在所述第一图像中的端点。
13.如权利要求8所述的装置,其中,所述第三阈值不小于所述第二阈值。
14.如权利要求8所述的装置,其中,所述拟合后所得到的车道线包括实线和虚线中的至少一种。
15.一种电子设备,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1-7中任一项所述的方法。
16.一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1-7中任一项所述的方法。
17.一种计算机程序产品,包括计算机程序,其中,所述计算机程序在被处理器执行时实现权利要求1-7中任一项所述的方法。
18.一种车辆,包括根据权利要求15所述的电子设备。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210523994.XA CN114842451A (zh) | 2022-05-13 | 2022-05-13 | 车道线拟合方法及装置、电子设备、介质及车辆 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210523994.XA CN114842451A (zh) | 2022-05-13 | 2022-05-13 | 车道线拟合方法及装置、电子设备、介质及车辆 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114842451A true CN114842451A (zh) | 2022-08-02 |
Family
ID=82571036
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210523994.XA Pending CN114842451A (zh) | 2022-05-13 | 2022-05-13 | 车道线拟合方法及装置、电子设备、介质及车辆 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114842451A (zh) |
-
2022
- 2022-05-13 CN CN202210523994.XA patent/CN114842451A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112258519B (zh) | 一种高精度地图制作中道路的让行线自动化提取方法及装置 | |
CN113887400B (zh) | 障碍物检测方法、模型训练方法、装置及自动驾驶车辆 | |
WO2022206414A1 (zh) | 三维目标检测方法及装置 | |
CN114179832A (zh) | 用于自动驾驶车辆的变道方法 | |
CN115019060A (zh) | 目标识别方法、目标识别模型的训练方法及装置 | |
CN112650300A (zh) | 一种无人机避障方法和装置 | |
CN114047760A (zh) | 路径规划方法、装置、电子设备及自动驾驶车辆 | |
CN115082690B (zh) | 目标识别方法、目标识别模型训练方法及装置 | |
CN114549961B (zh) | 目标对象的检测方法、装置、设备以及存储介质 | |
CN114394111B (zh) | 用于自动驾驶车辆的变道方法 | |
CN114419564B (zh) | 车辆位姿检测方法、装置、设备、介质及自动驾驶车辆 | |
CN113850909B (zh) | 点云数据处理方法、装置、电子设备及自动驾驶设备 | |
CN116052097A (zh) | 一种地图要素检测方法、装置、电子设备和存储介质 | |
CN115675528A (zh) | 基于相似场景挖掘的自动驾驶方法和车辆 | |
CN114842451A (zh) | 车道线拟合方法及装置、电子设备、介质及车辆 | |
CN113920174A (zh) | 点云配准方法、装置、设备、介质和自动驾驶车辆 | |
CN115019278B (zh) | 一种车道线拟合方法、装置、电子设备和介质 | |
KR101611789B1 (ko) | 주행영상의 모션 파라미터 추출을 통한 자동화된 주행도로 노면의 시각화 방법 | |
CN115049895B (zh) | 一种图像属性识别方法、属性识别模型训练方法及装置 | |
CN114179834B (zh) | 车辆停靠方法、装置、电子设备、介质及自动驾驶车辆 | |
CN112270377B (zh) | 目标图像提取方法、神经网络训练方法和装置 | |
CN115583243B (zh) | 确定车道线信息的方法、车辆控制方法、装置和设备 | |
CN116363604A (zh) | 目标交通事件识别方法、装置、设备及介质 | |
CN115131562B (zh) | 三维场景分割方法、模型训练方法、装置和电子设备 | |
CN115830558A (zh) | 车道线修正方法、装置、电子设备及存储介质 |
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 |