CN115063763A - 一种可行驶区域边界线检测方法、装置、交通工具及存储介质 - Google Patents
一种可行驶区域边界线检测方法、装置、交通工具及存储介质 Download PDFInfo
- Publication number
- CN115063763A CN115063763A CN202210569986.9A CN202210569986A CN115063763A CN 115063763 A CN115063763 A CN 115063763A CN 202210569986 A CN202210569986 A CN 202210569986A CN 115063763 A CN115063763 A CN 115063763A
- Authority
- CN
- China
- Prior art keywords
- image
- line segment
- network model
- equation
- boundary line
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 34
- 238000000034 method Methods 0.000 claims abstract description 52
- 238000012545 processing Methods 0.000 claims abstract description 36
- 238000005070 sampling Methods 0.000 claims abstract description 36
- 238000012549 training Methods 0.000 claims description 14
- 230000006870 function Effects 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 2
- 230000008569 process Effects 0.000 description 12
- 238000013528 artificial neural network Methods 0.000 description 9
- 238000013135 deep learning Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000011218 segmentation Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000011478 gradient descent method Methods 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- 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
- 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
- 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
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种可行驶区域边界线检测方法、装置、交通工具及存储介质，方法包括：对第一图像按指定范围进行划分，得到多个第二图像；使用第一预设网络模型对第二图像进行处理，获取第二图像线段表示方程；根据线段表示方程对第二图像进行关键点采样，连接第二图像中的关键点，得到第三图像；遍历位置相邻的第三图像，连接位置相邻的第三图像之间最接近的关键点，得到可行驶区域边界线。通过本发明实施例，利用鱼眼相机拍摄的图片作为模型输入，获得更大的检测范围；利用划分图像块方法，降低曲线拟合的复杂度；使用回归方法拟合线段，降低网络模型的计算量。
Description
技术领域
本发明涉及交通工具技术领域，尤其涉及一种可行驶区域边界线检测方法、装置、交通工具及存储介质。
背景技术
在自动驾驶辅助系统中，可行驶区域的边界线检测是重要任务之一。可行驶区域的划定，有助于自动驾驶辅助系统进行道路规划和决策。现有的方法通常采用深度学习分割方法获得可行驶区域的边界线，分割方法得到可行驶区域的边界线，存在计算量大的问题。
发明内容
本发明的主要目的在于提供一种可行驶区域边界线检测方法、装置、交通工具及存储介质，旨在解决现有技术可行驶区域边界线检测存在计算量大的问题。
为实现上述目的，本发明提供了一种可行驶区域边界线检测方法，所述方法包括以下步骤：
S1：对第一图像按指定范围进行划分，得到多个第二图像；
S2：使用第一预设网络模型对所述第二图像进行处理，获取所述第二图像线段表示方程；
S3：根据所述线段表示方程对所述第二图像进行关键点采样，连接所述第二图像中的关键点，得到第三图像；
S4：遍历位置相邻的所述第三图像，连接位置相邻的所述第三图像之间最接近的关键点，得到可行驶区域边界线。
可选地，所述第一预设网络模型通过以下步骤进行训练：
对第四图像按指定范围进行划分，得到多个第五图像；
对第五图像进行处理，获得所述第五图像的线段表示方程；
使用所述第五图像和所述线段表示方程对第一预设网络模型进行训练。
可选地，在所述步骤S2之前，还包括以下步骤：
使用第二预设网络模型对所述第二图像进行处理，判断所述第二图像是否存在线段；
将存在线段的第二图像提供给所述第一预设网络模型进行处理。
可选地，所述根据所述线段表示方程对所述第二图像进行关键点采样，包括以下步骤：
根据所述线段表示方程在所述第二图像中生成线段；
对所述线段根据指定长度进行采样，得到关键点；或，使用第三预设网络模型对所述线段进行采样，得到关键点。
可选地，在所述步骤S1之后，还包括以下步骤：
对每个所述第二图像进行坐标设置，所述坐标用于标识所述第二图像在坐标系中的位置。
可选地，所述第一图像通过具有广角拍摄功能的拍摄装置拍摄获得。
此外，为实现上述目的，本发明还提出一种可行驶区域边界线检测装置，所述装置包括：
图像划分单元，用于对第一图像按指定范围进行划分，得到多个第二图像；
方程获取单元，用于使用第一预设网络模型对所述第二图像进行处理，获取所述第二图像线段表示方程；
关键点采样单元，用于根据所述线段表示方程对所述第二图像进行关键点采样，连接所述第二图像中的关键点，得到第三图像；
关键点连接单元，用于遍历相邻所述第三图像，连接相邻所述第三图像最接近的关键点，得到可行驶区域边界线。
可选地，所述装置还包括：
线段判断单元，用于使用第二预设网络模型对所述第二图像进行处理，判断所述第二图像是否存在线段；把存在线段的第二图像提供给所述第一预设网络模型进行处理。
此外，为实现上述目的，本发明还提出一种交通工具，所述交通工具包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的可行驶区域边界线检测程序，所述可行驶区域边界线检测程序配置为实现如上文所述可行驶区域边界线检测方法的步骤。
此外，为实现上述目的，本发明还提出一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上文所述的可行驶区域边界线检测方法的步骤。
通过本发明实施例，利用鱼眼相机拍摄的图片作为模型输入，获得更大的检测范围；利用划分图像块方法，降低曲线拟合的复杂度；使用回归方法拟合线段，降低网络模型的计算量。
附图说明
图1为本发明提供的可行驶区域边界线检测方法的一个流程示意图。
图2为本发明提供的对第一预设网络模型进行训练的一个流程示意图。
图3为本发明提供的可行驶区域边界线检测方法的另一流程示意图。
图4为本发明提供的关键点采样的流程示意图。
图5为本发明提供的可行驶区域边界线检测装置实施例的结构框图。
图6为本发明提供的可行驶区域边界线检测装置实施例的另一结构框图。
图7是本发明实施例方案涉及的硬件运行环境的交通工具结构示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
为了使本发明所要解决的技术问题、技术方案及有益效果更加清楚、明白，以下结合附图和实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅以解释本发明，并不用于限定本发明。
在后续的描述中，使用用于表示元件的诸如“模块”、“部件”或“单元”的后缀仅为了有利于本发明的说明，其本身没有特定的意义。因此，“模块”、“部件”或“单元”可以混合地使用。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。
在一个实施例中，如图1所示，本发明提供可行驶区域边界线检测方法，所述方法包括：
步骤S1、对第一图像按指定范围进行划分，得到多个第二图像。
在无人驾驶车辆上安装具有鱼眼镜头的拍摄装置(如鱼眼相机)拍摄车行驶过程中的路面信息，得到路面信息图片。利用鱼眼相机拍摄图像，可以获取更大范围的图像信息。由于使用鱼眼相机拍摄的图像存在畸变和边界线的本身复杂性，因此，需要对拍摄的图像进行划分，按一定大小对图像进行划分。如按512×512(像素)对拍摄的图像进行划分，得到多个划分后的图片。具体划分大小，可以根据实际需求进行设置。
对每个划分后的第二图像进行坐标设置，坐标用于标识第二图像在坐标系中的位置。划分后的图片具有唯一编号，该编号记录划分后的图像的顺序。通过X、Y轴坐标来标识划分后的图像在划分前的位置(如相机坐标系中的位置)，如下表所示：
| 图像 | X轴序号 | Y轴序号 |
| 图像A | 1 | 1 |
| 图像B | 2 | 2 |
| 图像C | 3 | 3 |
| 图像D | 4 | 4 |
| 图像E | 5 | 5 |
在进行边界线检测时，需要获得车辆周围的图像信息。因此获得的车辆周围的范围越大，获取的信息就越多，检测到的边界线就越多。因此需要使用具有广角拍摄功能的拍摄装置进行图像拍摄，从而获得更大地理范围内的图像信息，如使用鱼眼相机进行拍摄。
本技术方案，除了使用鱼眼相机进行拍摄也可以使用其他拍摄装置进行拍摄，如使用广角相机。具体使用的拍摄装置，本技术方案不进行限制。
步骤S2、使用第一预设网络模型对所述第二图像进行处理，获取所述第二图像线段表示方程。
第一预设网络模块为深度学习神经网络，也可以是其他神经网络。具体使用的神经网络本技术方案不进行限制。核心在于利用神经网络的非线性拟合采集到的第二图像中的轨迹信息，利用梯度下降的方法使神经网络具有轨迹与表示方程之间对应关系的判断能力，即神经网络经过训练后能够根据输入的轨迹输出对应的表示方程。
轨迹对应的表示方程，根据具体轨迹获得。表示方程可以是曲线拟合方程：r＝x*con(theta)+y*sin(theta)；直线方程：y＝kx+b；二阶多项式：y＝a+b*x+c*x^2等。
第一预设网络采用监督的模型训练方式，具体训练流程，参见图2所述流程。
步骤S101、对第四图像按指定范围进行划分，得到多个第五图像。
在无人驾驶车辆上安装具有鱼眼镜头的拍摄装置(如鱼眼相机)拍摄车行驶过程中的路面信息，得到路面信息图片。利用鱼眼相机拍摄图像，可以获取更大范围的图像信息。由于使用鱼眼相机拍摄的图像存在畸变和边界线的本身复杂性，因此，需要对拍摄的图像进行划分，按一定大小对图像进行划分。如按512×512(像素)对拍摄的图像进行划分，得到多个划分后的图片。
步骤S102、对第五图像进行处理，获得所述第五图像的线段表示方程。
使用霍夫变换对分割后的图片进行处理，获得图片中的曲线的表示方程。霍夫变换是图像处理和计算机视觉中的一种特征提取技术。其运用图像空间和霍夫空间两个坐标空间的变换将一个空间中具有相同形状的曲线或直线映射到另一个坐标空间内的点上投票，形成峰值，从而把检测任意形状的问题转化为统计峰值问题。霍夫变换最重要的特点是：由于引入了概率峰值统计，使得其对于噪声或者不完整形状具有较好的鲁棒性。
每张包含可行驶区域边界的图像经过霍夫变换处理后，可得到一个表示方程。如下表所示：
| 序号 | 第五图像 | 表示方程 |
| 1 | 图像A | 方程A |
| 2 | 图像B | 方程B |
| 3 | 图像C | 方程C |
| 4 | 图像D | 方程D |
| 5 | 图像E | 方程E |
通过霍夫变换对图像进行检测，获取线对应的表示方程属于现有技术方案，本方案不再进行详细描述。也可以采用其他技术方案对图像件检测，获取线对应的表示方程；具体使用那种技术方案，本发明不进行具体限制。
步骤S103、使用所述第五图像和所述线段表示方程对第一预设网络模型进行训练。
第五图像是指用于训练第一预网络设模的图像，本实施例中，第一预网络设模为深度学习网络模型。本申请实施例中采用有监督的模型训练方式，所以样本图像具有标注，用于标注样本图像的真实表示方程。在本申请实施例中，样本图像和表示方程，如下表所示：
| 序号 | 第五图像 | 表示方程 |
| 1 | 图像A | 方程A |
| 2 | 图像B | 方程B |
| 3 | 图像C | 方程C |
| 4 | 图像D | 方程D |
| 5 | 图像E | 方程E |
第一预网络设模可以采用不同的神经网络，也可以采用大网络、多分支的结构进行回归，也即每个分支可以独立训练，运算相互独立。核心在于利用神经网络的非线性拟合采集到的线段信息，利用梯度下降的方法使神经网络习得线段和表示方程之间的关系。
使用训练好后的深度学习网络，对分割后包含边界线的图像进行处理，得到该边界线对应的表示方程。图像和表示方程的对应关系如下表所示：
| 序号 | 第二图像 | 表示方程 |
| 1 | 图像G | 方程A |
| 2 | 图像H | 方程A |
| 3 | 图像I | 方程D |
| 4 | 图像G | 方程B |
| 5 | 图像K | 方程C |
步骤S3、根据所述线段表示方程对所述第二图像进行关键点采样，连接所述第二图像中的关键点，得到第三图像。
使用分割后的第二图像(如图像G)对应的表示方程(如方程A)对图像中的线段上的点进行关键点采样。采样时，可以按一定距离采样一个关键点，也可以采用对线段上的特殊点进行采样，如采样线段发生弯曲的点。具体采样方案，本技术方案不进行限定。
对采样后的关键点进行连接，得到包含关键点的连接线段。
步骤S4、遍历位置相邻的所述第三图像，连接位置相邻的所述第三图像之间最接近的关键点，得到可行驶区域边界线。
拍摄的图像按一定大小进行划分(如按512×512(像素)对拍摄的图像进行划分)，得到多个划分后的图片。划分后的图片具有唯一编号，该编号记录划分后的图像的顺序。可以通过X、Y轴坐标来标识划分后的图像在划分前的位置，如下表所示：
对关键点采样后的图像，通过该图像的X、Y轴序号找到相邻的图像。如图像A相邻的图像为图像B，然后把图像A中的关键点与图像B中的关键点进行连接。连接时，把图像A中和图像B最接近的关键点进行连接，从而得到图像A和图像B之间关键点连接后的线段。以此类推，把所有分割后的第二图像中的关键点连接起来，就得到可行驶区域边界线，如得到车道线、路沿的边界线。
本实施例中步骤S3的关键点采样，采用如图4所示流程进行采样。
步骤S201、根据所述线段表示方程在所述第二图像中生成线段。
根据步骤S2中获取的表示方程(如图像H对应的方程A)，使用方程A在图像H中画出曲线B。
步骤S202、对所述线段根据指定长度进行采样，得到关键点。
根据一定长度，如100个像素单位长度取一个关键点，从而得到曲线上的多个关键点。如对曲线B每隔100个像素单位取一个关键点，得到多个关键点。
步骤S203、使用第三预设网络模型对所述线段进行采样，得到关键点。
使用第三预设网络模型对表示方程对应的曲线进行处理，得到曲线中的关键点。
第三预设网络模型可以深度学习网络模型，也可以是其他网络模型。本申请实施例中第三预设网络模型为深度学习网络模型，采用有监督的模型训练方式，所以样本图像具有标注，标注样本图像的关键点。在本申请实施例中，样本图像和关键点，如下表所示：
| 序号 | 线段图像 | 关键点 |
| 1 | 线段图像A | 关键点A、关键点B、关键点C |
| 2 | 线段图像B | 关键点A、关键点F、关键点G |
| 3 | 线段图像C | 关键点G、关键点B、关键点H |
| 4 | 线段图像D | 关键点G、关键点F、关键点H |
通过对深度学习网络模型的训练，使该网络模型能够根据输入的曲线，输出该曲线的关键点。
步骤S202和步骤S203的关键点采样方法，在实施例中只需要使用一种。如使用步骤S202或步骤S203的关键点采样方法进行采样。
通过本发明实施例，利用鱼眼相机拍摄的图片作为模型输入，获得更大的检测范围；利用划分图像块方法，降低曲线拟合的复杂度；使用回归方法拟合线段，降低网络模型的计算量。
此外，本发明实施例还提出一种可行驶区域边界线检测方法，参见图3。所述方法在图1所示的方法基础上，还包括以下流程：
步骤S5：使用第二预设网络模型对所述第二图像进行处理，判断所述第二图像是否存在线段；把存在线段的第二图像提供给所述第一预设网络模型进行处理。
使用第二预设网络模型对分割后的第二图像进行处理，判断第二图像中是否存在线段，如果存在线段，则提取线段特征(如提取车道线特征)。然后把只包含线段(通过第二预设网络提取线段特征，其他特征不提取)的图像提供给第一预设网络模型进行处理，不包含线段的图像不需要提供给第一预设网络模型信息处理。从而减少第一预设网络模型的计算量。
第二预设网络模型可以是能够提取图像特征的各种类型的网络模型，本申请实施例对第二预设网络模型的结构以及提取出的图像特征不加以限定。例如，第二预设网络模型可以是指U-Net(U-Network，U-网络)模型、PSPNet(Pyramid Scene ParsingNetwork，金字塔场景解析网络)模型、DenseNet(Dense Convolutional Network，密度卷积网络)模型、ResNet(Residual Network，残差网络)模型或MobileNet(Mobile Network)(移动网络)模型等。第二预设网络模型本身可以具有初始参数，初始参数可以为在ImageNet数据集上预训练得到的参数。在第一次迭代训练过程中，在初始参数的基础上对第二预设网络模型进行训练。
第二预设网络模型用于对第二图像进行识别、语义分割处理。在对第二预设网络模型进行训练之前，可以对第二预设网络模型的参数进行初始化。例如，采用方差为0.01，均值为0的高斯分布对第二预设网络模型的参数进行初始化。再例如，采用方差为0.001，均值为0的高斯分布对第二预设网络模型的参数进行初始化等。不同的模型参数可以采用相同的方式进行初始化，也可以采用不同的方式进行初始化，本申请实施例对此不加以限定。第二预设网络模型的结构和参数类型可以根据需求灵活设置，本申请实施例对此不加以限定。在设置好结构和参数类型，并且对参数进行初始化后，获取到第二预设网络模型。
本实施例对第二预设网络模型采用有标注方式进行训练，如对带有车道线、路沿的图片进行标注，标注该图像中存在线段和语义特征。
把获取到的边界线从二维坐标系投影到三维坐标系，具体使用的投影方法，本实施例不进行限制。如可以根据地面方程把边界线从二维坐标系投影到三维坐标系。
从二维坐标系投影到三维坐标系属于现有技术方案，本实施例不进行详细描述。
通过本发明实施例，利用第二预设网络判断分割后的图像是否存在线段，然后把包含线段且提取出线段特征的图像提供给第一预设网络进行处理，从而减少了提供给第一预设网络进行处理的图像，可以降低网络模型的计算量。
此外，本发明实施例还提出一种可行驶区域边界线检测装置，参照图5，所述可行驶区域边界线检测装置包括：
图像划分单元10，用于对第一图像按指定范围进行划分，得到多个第二图像；
方程获取单元20，用于使用第一预设网络模型对所述第二图像进行处理，获取所述第二图像线段表示方程；
关键点采样单元30，用于根据所述线段表示方程对所述第二图像进行关键点采样，连接所述第二图像中的关键点，得到第三图像；
关键点连接单元40，用于遍历相邻所述第三图像，连接相邻所述第三图像最接近的关键点，得到可行驶区域边界线。
通过本发明实施例，利用鱼眼相机拍摄的图片作为模型输入，获得更大的检测范围；利用划分图像块方法，降低曲线拟合的复杂度；使用回归方法拟合线段，降低网络模型的计算量。
此外，本发明实施例还提出一种可行驶区域边界线检测装置，参照图6。在图5所示的可行驶区域边界线检测装置基础上，还包括：
线段判断单元50，用于使用第二预设网络模型对所述第二图像进行处理，判断所述第二图像是否存在线段；把存在线段的第二图像提供给所述第一预设网络模型进行处理。
通过本发明实施例，利用第二预设网络判断分割后的图像是否存在线段，然后把包含线段且提取出线段特征的图像提供给第一预设网络进行处理，从而减少了提供给第一预设网络进行处理的图像，可以降低网络模型的计算量。
参照图7，图7为本发明实施例方案涉及的硬件运行环境的交通工具的结构示意图。
如图7所示，该交通工具可以包括：处理器1001，例如CPU，通信总线1002、用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard)，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI、4G、5G接口)。存储器1005可以是高速RAM存储器，也可以是稳定的存储器(non-volatile memory)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解，图7中示出的结构并不构成对交通工具的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
如图7所示，作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及可行驶区域边界线检测程序。
在图7所示的交通工具中，网络接口1004主要用于与外部网络进行数据通信；用户接口1003主要用于接收用户的输入指令；交通工具通过处理器1001调用存储器1005中存储的可行驶区域边界线检测程序，并执行以下操作：
S1：对第一图像按指定范围进行划分，得到多个第二图像；
S2：使用第一预设网络模型对所述第二图像进行处理，获取所述第二图像线段表示方程；
S3：根据所述线段表示方程对所述第二图像进行关键点采样，连接所述第二图像中的关键点，得到第三图像；
S4：遍历位置相邻的所述第三图像，连接位置相邻的所述第三图像之间最接近的关键点，得到可行驶区域边界线。
可选地，所述第一预设网络模型通过以下步骤进行训练：
对第四图像按指定范围进行划分，得到多个第五图像；
对第五图像进行处理，获得所述第五图像的线段表示方程；
使用所述第五图像和所述线段表示方程对第一预设网络模型进行训练。
可选地，在所述步骤S2之前，还包括以下步骤：
使用第二预设网络模型对所述第二图像进行处理，判断所述第二图像是否存在线段；
将存在线段的第二图像提供给所述第一预设网络模型进行处理。
可选地，所述根据所述线段表示方程对所述第二图像进行关键点采样，包括以下步骤：
根据所述线段表示方程在所述第二图像中生成线段；
对所述线段根据指定长度进行采样，得到关键点；或，使用第三预设网络模型对所述线段进行采样，得到关键点。
可选地，在所述步骤S1之后，还包括以下步骤：
对每个所述第二图像进行坐标设置，所述坐标用于标识所述第二图像在坐标系中的位置。
可选地，所述第一图像通过具有广角拍摄功能的拍摄装置拍摄获得。
通过本发明实施例，利用鱼眼相机拍摄的图片作为模型输入，获得更大的检测范围；利用划分图像块方法，降低曲线拟合的复杂度；使用回归方法拟合线段，降低网络模型的计算量。
此外，本发明实施例还提出一种计算机可读存储介质，计算机可读存储介质上存储有可行驶区域边界线检测程序，可行驶区域边界线检测程序被处理器执行时实现如下操作：
S1：对第一图像按指定范围进行划分，得到多个第二图像；
S2：使用第一预设网络模型对所述第二图像进行处理，获取所述第二图像线段表示方程；
S3：根据所述线段表示方程对所述第二图像进行关键点采样，连接所述第二图像中的关键点，得到第三图像；
S4：遍历位置相邻的所述第三图像，连接位置相邻的所述第三图像之间最接近的关键点，得到可行驶区域边界线。
可选地，所述第一预设网络模型通过以下步骤进行训练：
对第四图像按指定范围进行划分，得到多个第五图像；
对第五图像进行处理，获得所述第五图像的线段表示方程；
使用所述第五图像和所述线段表示方程对第一预设网络模型进行训练。
可选地，在所述步骤S2之前，还包括以下步骤：
使用第二预设网络模型对所述第二图像进行处理，判断所述第二图像是否存在线段；
将存在线段的第二图像提供给所述第一预设网络模型进行处理。
可选地，所述根据所述线段表示方程对所述第二图像进行关键点采样，包括以下步骤：
根据所述线段表示方程在所述第二图像中生成线段；
对所述线段根据指定长度进行采样，得到关键点；或，使用第三预设网络模型对所述线段进行采样，得到关键点。
可选地，在所述步骤S1之后，还包括以下步骤：
对每个所述第二图像进行坐标设置，所述坐标用于标识所述第二图像在坐标系中的位置。
可选地，所述第一图像通过具有广角拍摄功能的拍摄装置拍摄获得。
通过本发明实施例，利用鱼眼相机拍摄的图片作为模型输入，获得更大的检测范围；利用划分图像块方法，降低曲线拟合的复杂度；使用回归方法拟合线段，降低网络模型的计算量。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，控制器，或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种可行驶区域边界线检测方法，其特征在于，所述方法包括以下步骤：
S1：对第一图像按指定范围进行划分，得到多个第二图像；
S2：使用第一预设网络模型对所述第二图像进行处理，获取所述第二图像线段表示方程；
S3：根据所述线段表示方程对所述第二图像进行关键点采样，连接所述第二图像中的关键点，得到第三图像；
S4：遍历位置相邻的所述第三图像，连接位置相邻的所述第三图像之间最接近的关键点，得到可行驶区域边界线。
2.根据权利要求1所述方法，其特征在于，所述第一预设网络模型通过以下步骤进行训练：
对第四图像按指定范围进行划分，得到多个第五图像；
对第五图像进行处理，获得所述第五图像的线段表示方程；
使用所述第五图像和所述线段表示方程对第一预设网络模型进行训练。
3.根据权利要求1所述方法，其特征在于，在所述步骤S2之前，还包括以下步骤：
使用第二预设网络模型对所述第二图像进行处理，判断所述第二图像是否存在线段；
将存在线段的第二图像提供给所述第一预设网络模型进行处理。
4.根据权利要求1所述方法，其特征在于，所述根据所述线段表示方程对所述第二图像进行关键点采样，包括以下步骤：
根据所述线段表示方程在所述第二图像中生成线段；
对所述线段根据指定长度进行采样，得到关键点；或，使用第三预设网络模型对所述线段进行采样，得到关键点。
5.根据权利要求1所述方法，其特征在于，在所述步骤S1之后，还包括以下步骤：
对每个所述第二图像进行坐标设置，所述坐标用于标识所述第二图像在坐标系中的位置。
6.根据权利要求1所述方法，其特征在于，所述第一图像通过具有广角拍摄功能的拍摄装置拍摄获得。
7.一种可行驶区域边界线检测装置，其特征在于，所述装置包括：
图像划分单元，用于对第一图像按指定范围进行划分，得到多个第二图像；
方程获取单元，用于使用第一预设网络模型对所述第二图像进行处理，获取所述第二图像线段表示方程；
关键点采样单元，用于根据所述线段表示方程对所述第二图像进行关键点采样，连接所述第二图像中的关键点，得到第三图像；
关键点连接单元，用于遍历相邻所述第三图像，连接相邻所述第三图像最接近的关键点，得到可行驶区域边界线。
8.根据权利要求7所述装置，其特征在于，所述装置还包括：
线段判断单元，用于使用第二预设网络模型对所述第二图像进行处理，判断所述第二图像是否存在线段；把存在线段的第二图像提供给所述第一预设网络模型进行处理。
9.一种交通工具，其特征在于，所述交通工具包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的可行驶区域边界线检测程序，所述可行驶区域边界线检测程序配置为实现根据权利要求1至6中任一项所述可行驶区域边界线检测方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的可行驶区域边界线检测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210569986.9A CN115063763B (zh) | 2022-05-24 | 一种可行驶区域边界线检测方法、装置、交通工具及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210569986.9A CN115063763B (zh) | 2022-05-24 | 一种可行驶区域边界线检测方法、装置、交通工具及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115063763A true CN115063763A (zh) | 2022-09-16 |
| CN115063763B CN115063763B (zh) | 2024-11-15 |
Family
ID=
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20140137100A (ko) * | 2013-05-22 | 2014-12-02 | 숭실대학교산학협력단 | 차선 인식 시스템 및 그 방법 |
| CN107729814A (zh) * | 2017-09-19 | 2018-02-23 | 浙江大华技术股份有限公司 | 一种检测车道线的方法及装置 |
| CN107730520A (zh) * | 2017-09-22 | 2018-02-23 | 智车优行科技（北京）有限公司 | 车道线检测方法及系统 |
| CN108830165A (zh) * | 2018-05-22 | 2018-11-16 | 南通职业大学 | 一种考虑前车干扰的车道线检测方法 |
| CN110705330A (zh) * | 2018-07-09 | 2020-01-17 | 株式会社理光 | 车道线检测方法、车道线检测装置和计算机可读存储介质 |
| CN111811530A (zh) * | 2020-06-16 | 2020-10-23 | 当家移动绿色互联网技术集团有限公司 | 车道线生成方法、装置、存储介质及电子设备 |
| CN113239906A (zh) * | 2021-07-09 | 2021-08-10 | 新石器慧通（北京）科技有限公司 | 车道线检测方法和装置 |
| CN113887298A (zh) * | 2021-08-31 | 2022-01-04 | 际络科技(上海)有限公司 | 车道线检测方法、装置、电子设备、存储介质及程序产品 |
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20140137100A (ko) * | 2013-05-22 | 2014-12-02 | 숭실대학교산학협력단 | 차선 인식 시스템 및 그 방법 |
| CN107729814A (zh) * | 2017-09-19 | 2018-02-23 | 浙江大华技术股份有限公司 | 一种检测车道线的方法及装置 |
| CN107730520A (zh) * | 2017-09-22 | 2018-02-23 | 智车优行科技（北京）有限公司 | 车道线检测方法及系统 |
| CN108830165A (zh) * | 2018-05-22 | 2018-11-16 | 南通职业大学 | 一种考虑前车干扰的车道线检测方法 |
| CN110705330A (zh) * | 2018-07-09 | 2020-01-17 | 株式会社理光 | 车道线检测方法、车道线检测装置和计算机可读存储介质 |
| CN111811530A (zh) * | 2020-06-16 | 2020-10-23 | 当家移动绿色互联网技术集团有限公司 | 车道线生成方法、装置、存储介质及电子设备 |
| CN113239906A (zh) * | 2021-07-09 | 2021-08-10 | 新石器慧通（北京）科技有限公司 | 车道线检测方法和装置 |
| CN113887298A (zh) * | 2021-08-31 | 2022-01-04 | 际络科技(上海)有限公司 | 车道线检测方法、装置、电子设备、存储介质及程序产品 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110705405B (zh) | 目标标注的方法及装置 | |
| CN107944450B (zh) | 一种车牌识别方法及装置 | |
| CN112348778B (zh) | 一种物体识别方法、装置、终端设备及存储介质 | |
| CN108108734B (zh) | 一种车牌识别方法及装置 | |
| CN111223065A (zh) | 图像矫正方法、不规则文本识别方法、装置、存储介质和设备 | |
| CN113869293A (zh) | 车道线识别方法、装置、电子设备和计算机可读介质 | |
| CN110852311A (zh) | 一种三维人手关键点定位方法及装置 | |
| CN114049499A (zh) | 用于连续轮廓的目标对象检测方法、设备及存储介质 | |
| CN111191582A (zh) | 三维目标检测方法、检测装置、终端设备及计算机可读存储介质 | |
| CN114444565B (zh) | 一种图像篡改检测方法、终端设备及存储介质 | |
| CN110443245A (zh) | 一种非限制场景下的车牌区域的定位方法、装置及设备 | |
| CN110852327A (zh) | 图像处理方法、装置、电子设备及存储介质 | |
| CN115661522A (zh) | 一种基于视觉语义矢量的车辆导引方法、系统、设备和介质 | |
| CN114419428A (zh) | 一种目标检测方法、目标检测装置和计算机可读存储介质 | |
| CN111753766B (zh) | 一种图像处理方法、装置、设备及介质 | |
| CN104463238B (zh) | 一种车标识别方法和系统 | |
| CN112686247A (zh) | 一种身份证号码检测方法、装置、可读存储介质和终端 | |
| CN115578590A (zh) | 基于卷积神经网络模型的图像识别方法、装置及终端设备 | |
| CN111860084B (zh) | 图像特征的匹配、定位方法及装置、定位系统 | |
| CN115063763B (zh) | 一种可行驶区域边界线检测方法、装置、交通工具及存储介质 | |
| CN115063763A (zh) | 一种可行驶区域边界线检测方法、装置、交通工具及存储介质 | |
| CN110660000A (zh) | 数据预测方法、装置、设备及计算机可读存储介质 | |
| CN115063759B (zh) | 一种三维车道线检测方法、装置、交通工具及存储介质 | |
| CN113947529B (zh) | 图像增强方法、模型训练方法、构件识别方法及相关设备 | |
| CN114120016B (zh) | 字符串提取方法、装置、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 | ||
| GR01 | Patent grant |