CN114998863A - 目标道路识别方法、装置、电子设备以及存储介质 - Google Patents
目标道路识别方法、装置、电子设备以及存储介质 Download PDFInfo
- Publication number
- CN114998863A CN114998863A CN202210572980.7A CN202210572980A CN114998863A CN 114998863 A CN114998863 A CN 114998863A CN 202210572980 A CN202210572980 A CN 202210572980A CN 114998863 A CN114998863 A CN 114998863A
- Authority
- CN
- China
- Prior art keywords
- road
- image
- determining
- identified
- depth
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 62
- 238000003709 image segmentation Methods 0.000 claims abstract description 42
- 230000011218 segmentation Effects 0.000 claims description 35
- 238000012545 processing Methods 0.000 claims description 34
- 230000004927 fusion Effects 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 13
- 238000013507 mapping Methods 0.000 claims description 13
- 238000005192 partition Methods 0.000 claims description 8
- 239000000463 material Substances 0.000 claims description 6
- 125000006850 spacer group Chemical group 0.000 claims description 5
- 238000013473 artificial intelligence Methods 0.000 abstract description 6
- 238000013135 deep learning Methods 0.000 abstract description 2
- 230000000875 corresponding effect Effects 0.000 description 27
- 238000010586 diagram Methods 0.000 description 12
- 238000004891 communication Methods 0.000 description 11
- 238000013145 classification model Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 238000012549 training Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000002776 aggregation Effects 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 241000283070 Equus zebra Species 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 239000010426 asphalt Substances 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 239000004568 cement Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Landscapes
- Traffic Control Systems (AREA)
- Image Analysis (AREA)
Abstract
本公开提供了一种目标道路识别方法、装置、电子设备以及存储介质,涉及人工智能技术领域,尤其涉及智能交通、地图导航、计算机视觉和深度学习技术领域。具体实现方案为:根据待识别道路的道路图像序列,得到至少一个图像分割结果,其中,道路图像序列包括至少一个道路图像;根据至少一个图像分割结果,得到至少一个道路场景特征数据;根据待识别道路的深度图像序列,确定待识别道路的至少一个路面宽度,其中,深度图像序列包括至少一个深度图像,深度图像序列与道路图像序列相关;根据至少一个道路场景特征数据和至少一个路面宽度,确定待识别道路的目标道路识别结果。
Description
技术领域
本公开涉及人工智能技术领域,尤其涉及智能交通、地图导航、计算机视觉和深度学习技术领域。具体地,涉及一种目标道路识别方法、装置、电子设备以及存储介质。
背景技术
为了实现车辆的自动驾驶功能或者辅助驾驶功能,可以从车辆周围的道路图像中识别道路,以确定车辆的可行驶区域,从而为车辆的行驶进行导航。
随着人工智能技术的发展,人工智能技术在各个领域得到了广泛的应用。例如,可以利用人工智能技术对目标道路进行识别。
发明内容
本公开提供了一种用于目标道路识别的方法、装置、电子设备以及存储介质。
根据本公开的一方面,提供了一种目标道路识别方法,包括:根据待识别道路的道路图像序列,得到至少一个图像分割结果,其中,上述道路图像序列包括至少一个道路图像;根据上述至少一个图像分割结果,得到至少一个道路场景特征数据;根据上述待识别道路的深度图像序列,确定上述待识别道路的至少一个路面宽度,其中,上述深度图像序列包括至少一个深度图像,上述深度图像序列与上述道路图像序列相关;以及根据上述至少一个道路场景特征数据和上述至少一个路面宽度,确定上述待识别道路的目标道路识别结果。
根据本公开的另一方面,提供了一种目标道路识别装置,包括:第一处理模块,用于根据待识别道路的道路图像序列,得到至少一个图像分割结果,其中,上述道路图像序列包括至少一个道路图像;第二处理模块,用于根据上述至少一个图像分割结果,得到至少一个道路场景特征数据;第一确定模块,用于根据上述待识别道路的深度图像序列,确定上述待识别道路的至少一个路面宽度,其中,上述深度图像序列包括至少一个深度图像,上述深度图像序列与上述道路图像序列相关;以及第二确定模块,用于根据上述至少一个道路场景特征数据和上述至少一个路面宽度,确定上述待识别道路的目标道路识别结果。
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如本公开所述的方法。
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,其中,所述计算机指令用于使所述计算机执行如本公开所述的方法。
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,所述计算机程序在被处理器执行时实现如本公开所述的方法。
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示意性示出了根据本公开实施例的可以应用目标道路识别方法及装置的示例性系统架构;
图2示意性示出了根据本公开实施例的目标道路识别方法的流程图;
图3示意性示出了根据本公开实施例的得到至少一个道路场景特征数据过程的示例示意图;
图4A示意性示出了根据本公开实施例的待识别道路的示例示意图;
图4B示意性示出了根据本公开实施例的待识别道路的路面宽度的示例示意图;
图5示意性示出了根据本公开实施例的目标道路识别过程的示例示意图;
图6示意性示出了根据本公开实施例的目标道路识别装置的框图;以及
图7示意性示出了根据本公开实施例的适于实现目标道路识别方法的电子设备的框图。
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。
例如,当车辆行驶在路面较为狭窄的路段时,由于狭窄道路容易发生拥堵,难以判断车辆是否能够安全通行。如果在根据地图数据进行路径规划的情况下,没有规避窄路,并及时提醒用户,则会增加用户出行耗时,影响用户出行计划。此外,针对新手司机,如果车辆行驶至窄路,则会容易使车辆与周围障碍物发生剐蹭,从而增加驾驶风险。基于上述内容,需要对道路进行窄路识别。
在相关技术中,采用基于传感器的方式进行窄路识别。例如,利用传感器检测车辆与待识别道路两边障碍物之间距离,并根据车辆与障碍物之间的距离来确定待识别道路是否为窄路。
但是,采用上述实现方式进行窄路识别的计算策略较为复杂,并且识别成本较高。
为此,本公开实施例提出了一种目标道路识别方法。通过对待识别道路的道路图像序列进行处理,得到至少一个道路场景特征数据,根据与待识别道路的道路图像序列相关的深度图像序列,确定至少一个路面宽度,根据至少一个道路场景特征数据和至少一个路面宽度,得到待识别道路的窄路识别结果,由此,降低了道路识别的实现复杂度和识别成本。此外,由于结合了道路场景特征数据和深度图像等多种特征进行目标道路的识别,由此,提高了识别结果的准确性。
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。
在本公开的技术方案中,在获取或采集用户个人信息之前,均获取了用户的授权或同意。
图1示意性示出了根据本公开实施例的可以应用目标道路识别方法及装置的示例性系统架构。
需要注意的是,图1所示仅为可以应用本公开实施例的系统架构的示例,以帮助本领域技术人员理解本公开的技术内容,但并不意味着本公开实施例不可以用于其他设备、系统、环境或场景。例如,在另一实施例中,可以应用目标道路识别方法及装置的示例性系统架构可以包括终端设备,但终端设备可以无需与服务器进行交互,即可实现本公开实施例提供的目标道路识别方法及装置。
如图1所示,根据该实施例的系统架构100可以包括终端设备101、102、103,网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线和/或无线通信链路等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互,以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用,例如知识阅读类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端和/或社交平台软件等(仅为示例)。
终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备,包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等。
服务器105可以是提供各种服务的服务器,例如对用户利用终端设备101、102、103所浏览的内容提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的用户请求等数据进行分析等处理,并将处理结果(例如根据用户请求获取或生成的网页、信息、或数据等)反馈给终端设备。
需要说明的是,本公开实施例所提供的目标道路识别方法一般可以由终端设备101、102、或103执行。相应地,本公开实施例所提供的目标道路识别装置也可以设置于终端设备101、102、或103中。
备选地,本公开实施例所提供的目标道路识别方法一般也可以由服务器105执行。相应地,本公开实施例所提供的目标道路识别装置一般可以设置于服务器105中。本公开实施例所提供的目标道路识别方法也可以由不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群执行。相应地,本公开实施例所提供的目标道路识别装置也可以设置于不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群中。
应该理解,图1中的终端设备、网络和服务器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终端设备、网络和服务器。
图2示意性示出了根据本公开实施例的目标道路识别方法的流程图。
如图2所示,该方法包括操作S210~S240。
在操作S210,根据待识别道路的道路图像序列,得到至少一个图像分割结果。道路图像序列包括至少一个道路图像。
在操作S220,根据至少一个图像分割结果,得到至少一个道路场景特征数据。
在操作S230,根据待识别道路的深度图像序列,确定待识别道路的至少一个路面宽度。深度图像序列包括至少一个深度图像,深度图像序列与道路图像序列相关。
在操作S240,根据至少一个道路场景特征数据和至少一个路面宽度,确定待识别道路的目标道路识别结果。
根据本公开的实施例,待识别道路可以包括需要进行识别的道路。可以通过安装在当前车辆上的图像采集设备,实时采集当前车辆车身四周的道路图像,得到待识别道路的道路图像序列。
根据本公开的实施例,待识别道路的道路图像序列可以包括至少一个道路图像。至少一个道路图像中的每个道路图像可以包括车身四周环境信息的图像和车身四周障碍物信息的图像。车身四周环境信息的图像可以帮助驾驶员观察待识别道路的具体情况。车身四周障碍物信息的图像可以用于提示驾驶员当前车辆车身与障碍物之间的情况,以使驾驶员更准确判断能否安全通过待识别道路。
根据本公开的实施例,道路图像可以包括至少一个对象,至少一个对象中的每个对象可以具有与该对象对应的类别。在获取待识别道路的道路图像序列之后,可以对待识别道路的道路图像序列进行语义分割,得到至少一个图像分割结果。图像分割结果可以用于表征道路图像中属于不同类别的对象。
例如,可以利用样本道路图像序列训练第一预设模型得到的模型对待识别道路的道路图像序列进行语义分割操作,得到至少一个图像分割结果。第一预设模型可以包括DFANet(Deep Feature Aggregation for Real-Time Semantic Segmentation,基于深度多层聚合的实时语义分割网络)、PSPNet(Pyramid Scene Parsing Network,金字塔场景解析网络)、BiSeNet(Bilateral Segmentation Network for Real-time SemanticSegmentation,多支路轻量化分割网络)、DeepLab或OCRNet(Object-ContextualRepresentations for Semantic Segmentation)。
根据本公开的实施例,在得到至少一个图像分割结果之后,可以对至少一个图像分割结果进行分类,得到至少一个道路场景特征数据。道路场景特征数据可以用于表征道路图像中属于不同类别的对象的特征数据。
例如,可以利用样本图像分割结果训练第二预设模型得到的模型对至少一个图像分割结果进行分类操作,得到至少一个道路场景特征数据。第二预设模型可以包括卷积神经网络模型(Convolutional Neural Networks,CNN)或残差神经网络模型(即ResNet)等。
根据本公开的实施例,待识别道路的深度图像序列可以包括至少一个深度图像。在获取待识别道路的道路图像序列之后,可以对待识别道路的道路图像序列进行图像处理,得到至少一个深度图像。至少一个深度图像中的每个深度图像可以包括当前车辆上的图像采集设备到场景中各点的距离作为像素值的图像,该深度图像可以包括反映场景中物体的几何形状。
例如,可以利用样本道路图像序列训练第三预设模型得到的模型对待识别道路的道路图像序列进行图像处理操作,得到至少一个深度图像。第三预设模型可以包括稠密深度模型(即DenseDepth)等。
根据本公开的实施例,在得到至少一个道路场景特征数据和至少一个路面宽度之后,可以对道路场景特征数据和路面宽度进行分类,确定待识别道路的目标道路识别结果。目标道路识别结果可以用于表征待识别道路是否属于目标道路。
例如,可以利用样本道路场景特征数据和样本路面宽度训练第四预设模型得到的模型,对道路场景特征数据和路面宽度进行分类操作,得到目标道路识别结果。第四预设模型可以包括梯度下降树模型(Gradient Boosting Decision Tree,GBDT)等。
根据本公开的实施例,目标道路可以包括窄路。窄路可以指道路的主路面幅宽小于或等于预定宽度的道路。预定宽度可以根据实际业务需求进行配置,在此不作限定。例如,预定宽度可以是预定数目的车道的宽度之和。例如,预定数目可以是两个。主路面幅宽可以指车辆能够行驶的路面范围。窄路可以指道路的主路面幅宽小于两个车道的宽度之和,并且两个车辆不能够同时行驶的路端。
根据本公开的实施例,通过对待识别道路的道路图像序列进行处理,得到至少一个道路场景特征数据,根据与待识别道路的道路图像序列相关的深度图像序列,确定至少一个路面宽度,并根据至少一个道路场景特征数据和至少一个路面宽度,得到待识别道路的窄路识别结果,由此,降低了道路识别的实现复杂度和识别成本。此外,由于结合了道路场景特征数据和深度图像等多种特征进行目标道路的识别,由此,提高了识别结果的准确性。
下面参考图3、图4A、图4B和图5,对根据本公开实施例的目标道路识别方法做进一步说明。
图3示意性示出了根据本公开实施例的得到至少一个道路场景特征数据过程的示例示意图。
如图3所示,可以将待识别道路的道路图像序列301,输入至预先训练完成的图像分割模型302,输出至少一个图像分割结果303。可以将至少一个图像分割结果303,输入至预先训练完成的图像分类模型304,输出至少一个道路场景特征数据305。
根据本公开的实施例,图像分割结果包括以下至少之一:车道线分割结果、路面分割结果、车辆分割结果和隔离物分割结果。
根据本公开的实施例,道路场景特征数据的特征维度包括以下至少之一:车道线特征维度数据、路面特征维度数据、车辆特征维度数据和隔离物特征维度数据。
根据本公开的实施例,操作S220可以包括以下操作。
对至少一个图像分割结果进行图像分类,得到至少一个道路场景特征数据。
根据本公开的实施例,车道线特征维度数据包括以下至少之一:车道线类型特征数据和车道线颜色特征数据。
根据本公开的实施例,路面特征维度数据包括路面材质类型特征数据。
根据本公开的实施例,至少一个道路图像中的每个道路图像可以包括至少一个对象,至少一个对象中的每个对象可以具有与该对象对应的类别。
例如,道路图像可以包括以下至少一个对象:路面、路肩、栅栏、隔离栏、隔离带、绿化带、立柱、锥桶、行人道路、非机动车道、应急车道、机动车、行人、非机动车、车内物体、高架桥、实线、虚线、导流线、斑马线和停止线等。可以根据对象之间的共性与差异性,将至少一个对象划分为车道线、路面、车辆和隔离物等类别。
根据本公开的实施例,在获取待识别道路的道路图像序列之后,可以对待识别道路的道路图像序列中的每个道路图像分别进行语义分割,得到对象的类别属于车道线的车道线分割结果、对象的类别属于路面的路面分割结果、对象的类别属于车辆的车辆分割结果和对象的类别属于隔离物的隔离物分割结果。
根据本公开的实施例,可以利用样本图像分割结果训练第二预设模型得到的模型,对车道线分割结果进行分类操作,得到车道线特征维度数据。可以利用该模型对路面分割结果进行分类操作,得到路面特征维度数据。可以利用该模型对车辆分割结果进行分类操作,得到车辆特征维度数据。可以利用该模型对隔离物分割结果进行分类操作,得到隔离物特征维度数据。
根据本公开的实施例,车道线类型特征数据可以用于表征车道线的类型,例如可以包括实线、虚线、禁止机动车辆通行的分道线、人行道线或消防通道线等。车道线颜色特征数据可以用于表征车道线的颜色,例如可以包括白色或黄色等。路面材质类型特征数据可以用于表征路面材质的类型,例如可以包括沥青、水泥或土路等。车辆特征维度数据可以用于表征对向车辆的信息,例如可以包括对向车辆的车型或车辆外观参数等。
根据本公开的实施例,通过对至少一个图像分割结果进行图像分类,得到包括车道线特征维度数据、路面特征维度数据、车辆特征维度数据和隔离物特征维度数据中至少之一的道路场景特征数据,由于结合了多种特征维度数据进行行目标道路的识别,由此,提高了识别结果的准确性。
根据本公开的实施例,目标道路识别方法还可以包括以下操作。
在道路图像包括深度信息的情况下,将道路图像序列确定为深度图像。在道路图像不包括深度信息的情况下,对道路图像进行深度估计,得到深度图像。
根据本公开的实施例,在当前车辆上的图像采集设备属于支持获取深度信息的采集装置,即在道路图像包括深度信息的情况下,可以将道路图像序列确定为深度图像。
根据本公开的实施例,在当前车辆上的图像采集设备不属于支持获取深度信息的采集装置,即在道路图像不包括深度信息的情况下,可以将待识别道路的道路图像序列中的至少一个道路图像,输入至利用样本道路图像序列训练第三预设模型得到的模型,输出至少一个深度图像。第三预设模型可以包括基于单目的深度图像模型或基于双目的深度图像模型等。
根据本公开的实施例,操作S230可以包括以下操作。
根据待识别道路的深度图像序列,确定至少一个距离信息。根据至少一个距离信息,确定待识别道路的至少一个路面宽度。
根据本公开的实施例,针对深度图像序列中的深度图像,可以根据深度图像,确定距离信息。根据距离信息,确定待识别道路的路面宽度。
根据本公开的实施例,距离信息包括第一目标像素与采集点之间的深度距离、第一目标像素与第二目标像素之间的第一像素距离和第一目标像素与映射点之间的第二像素距离。采集点表征车载图像采集装置的位置,映射点表征将采集点映射于道路图像上的点。
根据本公开的实施例,映射点可以指采集点垂直落到待识别道路的点。映射点可以位于道路图像中待识别道路的任意位置。例如,映射点可以位于道路图像中距待识别道路的第一侧的距离是第二侧距离的预定倍数。例如,预定倍数可以是大于或等于1的数。例如,预定倍数可以是1,即映射点可以位于道路图像中待识别道路的路面宽度的中心位置。
根据本公开的实施例,根据距离信息,确定待识别道路的路面宽度可以包括以下操作。
确定深度距离与第二像素距离之间的乘积。确定乘积与第一像素距离之间的比值。根据比值,确定待识别道路的路面宽度。
根据本公开的实施例,可以根据乘积与第一像素距离之间的比值,以及映射点距待识别道路的第一侧的距离与距待识别道路的第二侧的距离的距离比值,确定待识别道路的路面宽度。第二目标像素是位于第一侧的像素。例如,距离比值可以是1。由此,可以将比值的2倍作为待识别道路的路面宽度。
图4A示意性示出了根据本公开实施例的待识别道路的示例示意图。
如图4A所示,当前车辆401行驶于路段S1,路段S2和路段S3属于待识别道路。在当前车辆401即将驶入路段S2的情况下,可以获取路段S2的包括至少一个道路图像的道路图像序列。可以根据路段S2的道路图像序列,确定路段S2的包括至少一个深度图像的深度图像序列,以便于根据路段S2的深度图像序列,确定路段S2的至少一个路面宽度。
在当前车辆401即将驶入路段S3的情况下,可以获取路段S3的包括至少一个道路图像的道路图像序列。可以根据路段S3的道路图像序列,确定路段S3的包括至少一个深度图像的深度图像序列,以便于根据路段S3的深度图像序列,确定路段S3的至少一个路面宽度。
图4B示意性示出了根据本公开实施例的待识别道路的路面宽度的示例示意图。
如图4B所示,采集点P1用于表征车载图像采集装置的位置。映射点P2用于表征将采集点P1映射于道路图像上的点。可以从道路图像中选择距离采集点P1为x像素的第一目标像素O。深度距离d用于表征第一目标像素O与采集点P1之间的距离。第一像素距离|OQ|用于表征第一目标像素O与第二目标像素Q之间的距离。第二像素距离|OP2|用于表征第一目标像素O与映射点P2之间的距离。
可以根据深度距离d和x像素,计算α1,tanα1如下式(1)所示。
可以根据第一像素距离|OQ|和第二像素距离|OP2|,计算α2,tanα2如下式(2)所示。
由于|OP1|越长,α1和α2的近似度越高,因此,可以使用α1近似代替α2,即有如下式(3)所示的关系。
由此,可以根据如下式(4)得到路面宽度w。
根据本公开的实施例,通过根据待识别道路的深度图像,确定距离信息,并根据距离信息,确定待识别道路的路面宽度,由于路面宽度是基于深度图像得到的,因此,提高了识别结果的准确性。
根据本公开的实施例,操作S240可以包括以下操作。
根据至少一个道路场景特征数据和至少一个路面宽度,得到融合特征数据。对融合特征数据进行图像分类,得到待识别道路的目标道路识别结果。
根据本公开的实施例,操作S240还可以包括以下操作。
根据道路图像序列的采集时刻信息和采集位置信息,确定车辆的至少一个行驶速度。
根据本公开的实施例,根据至少一个道路场景特征数据和至少一个路面宽度,得到融合特征数据,可以包括以下操作。
根据至少一个道路场景特征数据、至少一个行驶速度和至少一个路面宽度,得到融合特征数据。
根据本公开的实施例,道路图像序列中的至少一个道路图像可以包括与每个道路图像分别对应的采集时刻信息和采集位置信息。采集时刻信息可以用于表征当前车辆上的图像采集设备采集到该道路图像的时刻。采集位置信息可以用于表征当前车辆上的图像采集设备采集到该道路图像时当前车辆所处的位置。
根据本公开的实施例,可以根据与每个道路图像分别对应的采集时刻信息和采集位置信息,确定当前车辆在该时刻和位置处的行驶速度。
根据本公开的实施例,由于摄像头视角、遮挡或车辆行驶位置等因素的影响,在确定车辆的至少一个行驶速度之后,可以根据至少一个行驶速度、至少一个路面宽度和车道线特征维度数据、路面特征维度数据、车辆特征维度数据、隔离物特征维度数据中的至少之一,得到融合特征数据。可以将融合特征数据输入至第四预设模型,输出目标道路识别结果。
根据本公开的实施例,通过根据至少一个道路场景特征数据、至少一个行驶速度和至少一个路面宽度,得到融合特征数据,并对融合特征数据进行图像分类,得到待识别道路的目标道路识别结果,由于结合了道路场景特征数据和深度图像等多种特征进行目标道路的识别,由此,降低了识别成本,提高了识别结果的准确性。
根据本公开的实施例,目标道路识别方法还可以包括以下操作。
在根据目标道路识别结果确定待识别道路为窄路的情况下,对与窄路对应的地图数据进行标记,得到窄路标识,以便在根据地图数据进行路径规划的情况下,根据窄路标识,生成规避窄路的推荐路径,或者在确定行驶路径经过窄路之前,生成针对窄路的提示信息。
根据本公开的实施例,可以将融合特征数据输入至第四预设模型,输出目标道路识别结果,在根据目标道路识别结果确定待识别道路为窄路的情况下,可以对与窄路对应的地图数据进行标记,得到窄路标识。窄路标识可以用于表征该地图数据对应路段为窄路。
根据本公开的实施例,可以根据用户的出发地和目的地进行导航路径规划,并可以根据地图数据中的窄路标识,生成规避窄路的推荐路径,以便于在用户导航时规避狭窄路段。
根据本公开的实施例,在推荐路径无法避免经过窄路的情况下,可以在确定行驶路径经过窄路之前,生成针对窄路的提示信息并显示给用户,以便于用户根据该提示信息进行预警。
根据本公开的实施例,通过在根据目标道路识别结果确定待识别道路为窄路的情况下,对与窄路对应的地图数据进行标记,得到窄路标识,从而能够根据窄路标识准确判断车辆在相对较窄的路段的可通行性,由此提高了车辆的通行安全性。
图5示意性示出了根据本公开实施例的目标道路识别过程的示例示意图。
如图5所示,可以将道路图像序列501输入至图像分割模型502,输出图像分割结果503。例如,可以将道路图像序列501中的道路图像501_1输入至图像分割模型502,输出与道路图像501_1对应的分割结果503_1。可以将待识别道路的道路图像序列501中的道路图像501_2输入至图像分割模型502,输出与道路图像501_2对应的分割结果503_2。
可以将图像分割结果503输入至图像分类模型504,输出至少一个道路场景特征数据505。例如,可以将图像分割结果503中的分割结果503_1输入至图像分类模型504,输出与道路图像501_1对应的道路场景特征数据505_1。可以将图像分割结果503中的分割结果503_2输入至图像分类模型504,输出与道路图像501_2对应的道路场景特征数据505_2。
可以将道路图像序列501输入至深度图像模型506,输出深度图像序列507。例如,可以将道路图像序列501中的道路图像501_1输入至深度图像模型506,输出与道路图像501_1对应的深度图像507_1。可以将道路图像序列501中的道路图像501_2输入至深度图像模型506,输出与道路图像501_2对应的深度图像507_2。
可以根据深度图像序列507,确定距离信息508,并根据距离信息508,确定路面宽度509。例如,可以根据深度图像507_1,确定与道路图像501_1对应的距离信息508_1。根据距离信息508_1,确定与道路图像501_1对应的路面宽度509_1。可以根据深度图像507_2,确定与道路图像501_2对应的距离信息508_2。根据距离信息508_2,确定与道路图像501_2对应的路面宽度509_2。
可以道路场景特征数据505和路面宽度509,确定融合特征数据510。例如,可以根据道路场景特征数据505_1和路面宽度509_1,确定与道路图像501_1对应的融合特征数据510_1。可以根据道路场景特征数据505_2和路面宽度509_2,确定与道路图像501_2对应的融合特征数据510_2。
可以将融合特征数据510输入至图像分类模型511,输出目标道路识别结果512。备选地,融合特征数据510中可以包括多个融合特征数据。目标道路识别结果512中可以包括多个目标道路识别结果。例如,可以根据道路场景特征数据505_1和路面宽度509_1,确定与道路图像501_1对应的融合特征数据。可以根据道路场景特征数据505_2和路面宽度509_2,确定与道路图像501_2对应的融合特征数据。可以将与道路图像501_1对应的融合特征数据输入至图像分类模型511,输出与道路图像501_1对应的目标道路识别结果。可以将与道路图像501_2对应的融合特征数据510_2输入至图像分类模型511,输出与道路图像501_2对应的目标道路识别结果。
以上仅是示例性实施例,但不限于此,还可以包括本领域已知的其他目标道路识别方法方法,只要能够对目标道路进行识别即可。
图6示意性示出了根据本公开实施例的目标道路识别装置的框图。
如图6所示,目标道路识别装置600可以包括第一处理模块610、第二处理模块620、第一确定模块630和第二确定模块640。
第一处理模块610,用于根据待识别道路的道路图像序列,得到至少一个图像分割结果。道路图像序列包括至少一个道路图像。
第二处理模块620,用于根据至少一个图像分割结果,得到至少一个道路场景特征数据。
第一确定模块630,用于根据待识别道路的深度图像序列,确定待识别道路的至少一个路面宽度。深度图像序列包括至少一个深度图像。深度图像序列与道路图像序列相关。
第二确定模块640,用于根据至少一个道路场景特征数据和至少一个路面宽度,确定待识别道路的目标道路识别结果。
根据本公开的实施例,第一确定模块630可以包括第一确定单元和第二确定单元。
第一确定单元,用于根据待识别道路的深度图像序列,确定至少一个距离信息。
第二确定单元,用于根据距离信息,确定待识别道路的路面宽度。
根据本公开的实施例,距离信息包括第一目标像素与采集点之间的深度距离、第一目标像素与第二目标像素之间的第一像素距离和第一目标像素与映射点之间的第二像素距离。采集点表征车载图像采集装置的位置。映射点表征将采集点映射于道路图像上的点。
根据本公开的实施例,第二确定单元可以包括第一确定子单元、第二确定子单元和第三确定子单元。
针对至少一个距离信息中的距离信息,
第一确定子单元,用于确定深度距离与第二像素距离之间的乘积。
第二确定子单元,用于确定乘积与第一像素距离之间的比值。
第三确定子单元,用于根据比值,确定待识别道路的路面宽度。
根据本公开的实施例,图像分割结果包括以下至少之一:车道线分割结果、路面分割结果、车辆分割结果和隔离物分割结果。
根据本公开的实施例,道路场景特征数据的特征维度包括以下至少之一:车道线特征维度数据、路面特征维度数据、车辆特征维度数据和隔离物特征维度数据。
根据本公开的实施例,第二处理模块620可以包括第一分类单元。
第一分类单元,用于对至少一个图像分割结果进行图像分类,得到至少一个道路场景特征数据。
根据本公开的实施例,车道线特征维度数据包括以下至少之一:车道线类型特征数据和车道线颜色特征数据。
根据本公开的实施例,路面特征维度数据包括路面材质类型特征数据。
根据本公开的实施例,第二确定模块640可以包括第一处理单元和第二分类单元。
第一处理单元,用于根据至少一个道路场景特征数据和至少一个路面宽度,得到融合特征数据。
第二分类单元,用于对融合特征数据进行图像分类,得到待识别道路的目标道路识别结果。
根据本公开的实施例,第二确定模块640还可以包括第三确定单元。
第三确定单元,用于根据道路图像序列的采集时刻信息和采集位置信息,确定车辆的至少一个行驶速度。
根据本公开的实施例,第一处理单元可以包括第一处理子单元。
第一处理子单元,用于根据至少一个道路场景特征数据、至少一个行驶速度和至少一个路面宽度,得到融合特征数据。
根据本公开的实施例,目标道路识别装置600还可以包括第三确定模块和深度估计模块。
第三确定模块,用于在道路图像包括深度信息的情况下,将道路图像序列确定为深度图像。
深度估计模块,用于在道路图像不包括深度信息的情况下,对道路图像进行深度估计,得到深度图像。
根据本公开的实施例,目标道路识别装置600还可以包括标记模块。
标记模块,用于在根据目标道路识别结果确定待识别道路为窄路的情况下,对与窄路对应的地图数据进行标记,得到窄路标识,以便在根据地图数据进行路径规划的情况下,根据窄路标识,生成规避窄路的推荐路径,或者在确定行驶路径经过窄路之前,生成针对窄路的提示信息。
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。
根据本公开的实施例,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如本公开所述的方法。
根据本公开的实施例,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,计算机指令用于使计算机执行如本公开所述的方法。
根据本公开的实施例,一种计算机程序产品,包括计算机程序,计算机程序在被处理器执行时实现如本公开所述的方法。
图7示意性示出了根据本公开实施例的适于实现目标道路识别方法的电子设备的框图。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7所示,电子设备700包括计算单元701,其可以根据存储在只读存储器(ROM)702中的计算机程序或者从存储单元708加载到随机访问存储器(RAM)703中的计算机程序,来执行各种适当的动作和处理。在RAM 703中,还可存储电子设备700操作所需的各种程序和数据。计算单元701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。
电子设备700中的多个部件连接至I/O接口705,包括:输入单元706,例如键盘、鼠标等;输出单元707,例如各种类型的显示器、扬声器等;存储单元708,例如磁盘、光盘等;以及通信单元709,例如网卡、调制解调器、无线通信收发机等。通信单元709允许电子设备700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701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701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701执行上文所描述的各个方法和处理,例如目标道路识别方法。例如,在一些实施例中,目标道路识别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708。在一些实施例中,计算机程序的部分或者全部可以经由ROM 702和/或通信单元709而被载入和/或安装到电子设备700上。当计算机程序加载到RAM 703并由计算单元701执行时,可以执行上文描述的目标道路识别方法的一个或多个步骤。备选地,在其他实施例中,计算单元701可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行目标道路识别方法。
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)、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,也可以是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 (21)
1.一种目标道路识别方法,包括:
根据待识别道路的道路图像序列,得到至少一个图像分割结果,其中,所述道路图像序列包括至少一个道路图像;
根据所述至少一个图像分割结果,得到至少一个道路场景特征数据;
根据所述待识别道路的深度图像序列,确定所述待识别道路的至少一个路面宽度,其中,所述深度图像序列包括至少一个深度图像,所述深度图像序列与所述道路图像序列相关;以及
根据所述至少一个道路场景特征数据和所述至少一个路面宽度,确定所述待识别道路的目标道路识别结果。
2.根据权利要求1所述的方法,其中,所述根据所述待识别道路的深度图像序列,确定所述待识别道路的至少一个路面宽度,包括:
根据所述待识别道路的深度图像序列,确定至少一个距离信息;以及
根据所述至少一个距离信息,确定所述待识别道路的至少一个路面宽度。
3.根据权利要求2所述的方法,其中,所述距离信息包括第一目标像素与采集点之间的深度距离、第一目标像素与第二目标像素之间的第一像素距离和所述第一目标像素与映射点之间的第二像素距离,其中,所述采集点表征车载图像采集装置的位置,所述映射点表征将所述采集点映射于所述道路图像上的点;
其中,所述根据所述至少一个距离信息,确定所述待识别道路的至少一个路面宽度,包括:
针对所述至少一个距离信息中的距离信息,
确定所述深度距离与所述第二像素距离之间的乘积;
确定所述乘积与所述第一像素距离之间的比值;以及
根据所述比值,确定所述待识别道路的路面宽度。
4.根据权利要求1~3中任一项所述的方法,其中,所述图像分割结果包括以下至少之一:车道线分割结果、路面分割结果、车辆分割结果和隔离物分割结果;
其中,所述道路场景特征数据的特征维度包括以下至少之一:车道线特征维度数据、路面特征维度数据、车辆特征维度数据和隔离物特征维度数据;
其中,所述根据所述至少一个图像分割结果,得到至少一个道路场景特征数据,包括:
对所述至少一个图像分割结果进行图像分类,得到所述至少一个道路场景特征数据。
5.根据权利要求4所述的方法,其中,所述车道线特征维度数据包括以下至少之一:车道线类型特征数据和车道线颜色特征数据;
其中,所述路面特征维度数据包括路面材质类型特征数据。
6.根据权利要求1~5中任一项所述的方法,其中,所述根据所述至少一个道路场景特征数据和所述至少一个路面宽度,确定所述待识别道路的道路识别结果,包括:
根据所述至少一个道路场景特征数据和所述至少一个路面宽度,得到融合特征数据;以及
对所述融合特征数据进行图像分类,得到所述待识别道路的目标道路识别结果。
7.根据权利要求6所述的方法,还包括:
根据所述道路图像序列的采集时刻信息和采集位置信息,确定车辆的至少一个行驶速度;
其中,所述根据所述至少一个道路场景特征数据和所述至少一个路面宽度,得到融合特征数据,包括:
根据所述至少一个道路场景特征数据、所述至少一个行驶速度和所述至少一个路面宽度,得到所述融合特征数据。
8.根据权利要求1~7中任一项所述的方法,还包括:
在所述道路图像包括深度信息的情况下,将所述道路图像序列确定为所述深度图像;
在所述道路图像不包括深度信息的情况下,对所述道路图像进行深度估计,得到所述深度图像。
9.根据权利要求1~8中任一项所述的方法,还包括:
在根据所述目标道路识别结果确定所述待识别道路为窄路的情况下,对与所述窄路对应的地图数据进行标记,得到窄路标识,以便在根据所述地图数据进行路径规划的情况下,根据所述窄路标识,生成规避所述窄路的推荐路径,或者在确定行驶路径经过所述窄路之前,生成针对所述窄路的提示信息。
10.一种目标道路识别装置,包括:
第一处理模块,用于根据待识别道路的道路图像序列,得到至少一个图像分割结果,其中,所述道路图像序列包括至少一个道路图像;
第二处理模块,用于根据所述至少一个图像分割结果,得到至少一个道路场景特征数据;
第一确定模块,用于根据所述待识别道路的深度图像序列,确定所述待识别道路的至少一个路面宽度,其中,所述深度图像序列包括至少一个深度图像,所述深度图像序列与所述道路图像序列相关;以及
第二确定模块,用于根据所述至少一个道路场景特征数据和所述至少一个路面宽度,确定所述待识别道路的目标道路识别结果。
11.根据权利要求10所述的装置,其中,所述第一确定模块包括:
第一确定单元,用于根据所述待识别道路的深度图像序列,确定至少一个距离信息;以及
第二确定单元,用于根据所述至少一个距离信息,确定所述待识别道路的至少一个路面宽度。
12.根据权利要求11所述的装置,其中,所述距离信息包括第一目标像素与采集点之间的深度距离、第一目标像素与第二目标像素之间的第一像素距离和所述第一目标像素与映射点之间的第二像素距离,其中,所述采集点表征车载图像采集装置的位置,所述映射点表征将所述采集点映射于所述道路图像上的点;
其中,所述第二确定单元包括:
针对所述至少一个距离信息中的距离信息,
第一确定子单元,用于确定所述深度距离与所述第二像素距离之间的乘积;
第二确定子单元,用于确定所述乘积与所述第一像素距离之间的比值;以及
第三确定子单元,用于根据所述比值,确定所述待识别道路的路面宽度。
13.根据权利要求10~12中任一项所述的装置,其中,所述图像分割结果包括以下至少之一:车道线分割结果、路面分割结果、车辆分割结果和隔离物分割结果;
其中,所述道路场景特征数据的特征维度包括以下至少之一:车道线特征维度数据、路面特征维度数据、车辆特征维度数据和隔离物特征维度数据;
其中,所述第二处理模块包括:
第一分类单元,用于对所述至少一个图像分割结果进行图像分类,得到所述至少一个道路场景特征数据。
14.根据权利要求13所述的装置,其中,所述车道线特征维度数据包括以下至少之一:车道线类型特征数据和车道线颜色特征数据;
其中,所述路面特征维度数据包括路面材质类型特征数据。
15.根据权利要求10~14中任一项所述的装置,其中,所述第二确定模块包括:
第一处理单元,用于根据所述至少一个道路场景特征数据和所述至少一个路面宽度,得到融合特征数据;以及
第二分类单元,用于对所述融合特征数据进行图像分类,得到所述待识别道路的目标道路识别结果。
16.根据权利要求15所述的装置,还包括:
第三确定单元,用于根据所述道路图像序列的采集时刻信息和采集位置信息,确定车辆的至少一个行驶速度;
其中,所述第一处理单元包括:
第一处理子单元,用于根据所述至少一个道路场景特征数据、所述至少一个行驶速度和所述至少一个路面宽度,得到所述融合特征数据。
17.根据权利要求10~16中任一项所述的装置,还包括:
第三确定模块,用于在所述道路图像包括深度信息的情况下,将所述道路图像序列确定为所述深度图像;
深度估计模块,用于在所述道路图像不包括深度信息的情况下,对所述道路图像进行深度估计,得到所述深度图像。
18.根据权利要求10~17中任一项所述的装置,还包括:
标记模块,用于在根据所述目标道路识别结果确定所述待识别道路为窄路的情况下,对与所述窄路对应的地图数据进行标记,得到窄路标识,以便在根据所述地图数据进行路径规划的情况下,根据所述窄路标识,生成规避所述窄路的推荐路径,或者在确定行驶路径经过所述窄路之前,生成针对所述窄路的提示信息。
19.一种电子设备,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1~9中任一项所述的方法。
20.一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1~9中任一项所述的方法。
21.一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现根据权利要求1~9中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210572980.7A CN114998863B (zh) | 2022-05-24 | 2022-05-24 | 目标道路识别方法、装置、电子设备以及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210572980.7A CN114998863B (zh) | 2022-05-24 | 2022-05-24 | 目标道路识别方法、装置、电子设备以及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114998863A true CN114998863A (zh) | 2022-09-02 |
CN114998863B CN114998863B (zh) | 2023-12-12 |
Family
ID=83030071
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210572980.7A Active CN114998863B (zh) | 2022-05-24 | 2022-05-24 | 目标道路识别方法、装置、电子设备以及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114998863B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116452941A (zh) * | 2023-06-15 | 2023-07-18 | 山东中清智能科技股份有限公司 | 一种多视角的多图像融合方法及装置 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1723481A (zh) * | 2003-01-14 | 2006-01-18 | 松下电器产业株式会社 | 导航装置以及接近信息显示方法 |
CN103630122A (zh) * | 2013-10-15 | 2014-03-12 | 北京航天科工世纪卫星科技有限公司 | 一种单目视觉车道线检测方法及其测距方法 |
US20180164832A1 (en) * | 2016-12-14 | 2018-06-14 | Hyundai Motor Company | Apparatus and method for controlling narrow road driving of vehicle |
CN110163064A (zh) * | 2018-11-30 | 2019-08-23 | 腾讯科技(深圳)有限公司 | 一种道路标志物的识别方法、装置及存储介质 |
CN111564043A (zh) * | 2019-02-14 | 2020-08-21 | 上海博泰悦臻网络技术服务有限公司 | 车辆通行提示方法、提示系统、及车载终端 |
CN113408413A (zh) * | 2021-06-18 | 2021-09-17 | 苏州科达科技股份有限公司 | 应急车道的识别方法、系统及装置 |
US20210365696A1 (en) * | 2019-02-28 | 2021-11-25 | Shenzhen Sensetime Technology Co., Ltd. | Vehicle Intelligent Driving Control Method and Device and Storage Medium |
CN113869140A (zh) * | 2021-09-07 | 2021-12-31 | 中汽创智科技有限公司 | 车辆行驶道路类型的确定方法及装置 |
US20220019817A1 (en) * | 2020-12-15 | 2022-01-20 | Apollo Intelligent Connectivity (Beijing) Technology Co., Ltd. | Vehicle locating method, electronic device and storage medium |
CN113971729A (zh) * | 2021-10-29 | 2022-01-25 | 北京百度网讯科技有限公司 | 图像分割方法、训练方法、装置、电子设备以及存储介质 |
US20220032946A1 (en) * | 2020-07-31 | 2022-02-03 | GM Global Technology Operations LLC | Apparatus and methodology of road condition classification using sensor data |
CN114332805A (zh) * | 2021-11-25 | 2022-04-12 | 腾讯科技(深圳)有限公司 | 车道位置获取方法、装置、计算机设备和存储介质 |
-
2022
- 2022-05-24 CN CN202210572980.7A patent/CN114998863B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1723481A (zh) * | 2003-01-14 | 2006-01-18 | 松下电器产业株式会社 | 导航装置以及接近信息显示方法 |
CN103630122A (zh) * | 2013-10-15 | 2014-03-12 | 北京航天科工世纪卫星科技有限公司 | 一种单目视觉车道线检测方法及其测距方法 |
US20180164832A1 (en) * | 2016-12-14 | 2018-06-14 | Hyundai Motor Company | Apparatus and method for controlling narrow road driving of vehicle |
CN110163064A (zh) * | 2018-11-30 | 2019-08-23 | 腾讯科技(深圳)有限公司 | 一种道路标志物的识别方法、装置及存储介质 |
CN111564043A (zh) * | 2019-02-14 | 2020-08-21 | 上海博泰悦臻网络技术服务有限公司 | 车辆通行提示方法、提示系统、及车载终端 |
US20210365696A1 (en) * | 2019-02-28 | 2021-11-25 | Shenzhen Sensetime Technology Co., Ltd. | Vehicle Intelligent Driving Control Method and Device and Storage Medium |
US20220032946A1 (en) * | 2020-07-31 | 2022-02-03 | GM Global Technology Operations LLC | Apparatus and methodology of road condition classification using sensor data |
US20220019817A1 (en) * | 2020-12-15 | 2022-01-20 | Apollo Intelligent Connectivity (Beijing) Technology Co., Ltd. | Vehicle locating method, electronic device and storage medium |
CN113408413A (zh) * | 2021-06-18 | 2021-09-17 | 苏州科达科技股份有限公司 | 应急车道的识别方法、系统及装置 |
CN113869140A (zh) * | 2021-09-07 | 2021-12-31 | 中汽创智科技有限公司 | 车辆行驶道路类型的确定方法及装置 |
CN113971729A (zh) * | 2021-10-29 | 2022-01-25 | 北京百度网讯科技有限公司 | 图像分割方法、训练方法、装置、电子设备以及存储介质 |
CN114332805A (zh) * | 2021-11-25 | 2022-04-12 | 腾讯科技(深圳)有限公司 | 车道位置获取方法、装置、计算机设备和存储介质 |
Non-Patent Citations (3)
Title |
---|
张浩: "基于车道线宽度特征的车道线识别", 《南方农机》 * |
张浩: "基于车道线宽度特征的车道线识别", 《南方农机》, no. 09, 15 May 2020 (2020-05-15) * |
李进;陈杰平;易克传;徐朝胜;: "基于特征融合的视觉导航智能车辆的车道识别", 汽车工程, no. 05, pages 1 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116452941A (zh) * | 2023-06-15 | 2023-07-18 | 山东中清智能科技股份有限公司 | 一种多视角的多图像融合方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN114998863B (zh) | 2023-12-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11783568B2 (en) | Object classification using extra-regional context | |
US20210302585A1 (en) | Smart navigation method and system based on topological map | |
CN113240909B (zh) | 车辆监测方法、设备、云控平台和车路协同系统 | |
WO2018068653A1 (zh) | 点云数据处理方法、装置及存储介质 | |
CN113421432B (zh) | 交通限行信息检测方法、装置、电子设备和存储介质 | |
US11755917B2 (en) | Generating depth from camera images and known depth data using neural networks | |
KR20210043516A (ko) | 궤적 계획 모델을 훈련하는 방법, 장치, 전자 기기, 저장 매체 및 프로그램 | |
CN113378760A (zh) | 训练目标检测模型和检测目标的方法及装置 | |
CN113674287A (zh) | 高精地图的绘制方法、装置、设备以及存储介质 | |
US20230159052A1 (en) | Method for processing behavior data, method for controlling autonomous vehicle, and autonomous vehicle | |
CN114545424A (zh) | 障碍物识别、模型训练方法、装置、设备及存储介质 | |
CN115880928A (zh) | 自动驾驶高精地图实时更新方法、装置、设备及存储介质 | |
CN114998863B (zh) | 目标道路识别方法、装置、电子设备以及存储介质 | |
CN112926630B (zh) | 路线规划方法、装置、电子设备以及计算机可读介质 | |
CN114092909A (zh) | 一种车道线提取方法、装置、车辆及存储介质 | |
CN114724113B (zh) | 道路标牌识别方法、自动驾驶方法、装置和设备 | |
CN112987707A (zh) | 一种车辆的自动驾驶控制方法及装置 | |
CN115588180A (zh) | 地图生成方法、装置、电子设备、介质和程序产品 | |
CN115761698A (zh) | 一种目标检测方法、装置、设备及存储介质 | |
CN114708498A (zh) | 图像处理方法、装置、电子设备以及存储介质 | |
CN114495049A (zh) | 识别车道线的方法和装置 | |
CN114119951A (zh) | 车信标注的方法、装置、设备以及存储介质 | |
CN116168366B (zh) | 点云数据生成方法、模型训练方法、目标检测方法和装置 | |
CN112861701A (zh) | 违章停车识别方法、装置、电子设备以及计算机可读介质 | |
CN114863285B (zh) | 识别目标道路的方法、装置、设备以及存储介质 |
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 |