CN115147811A - 一种车道线检测方法、装置及电子设备 - Google Patents
一种车道线检测方法、装置及电子设备 Download PDFInfo
- Publication number
- CN115147811A CN115147811A CN202210774709.1A CN202210774709A CN115147811A CN 115147811 A CN115147811 A CN 115147811A CN 202210774709 A CN202210774709 A CN 202210774709A CN 115147811 A CN115147811 A CN 115147811A
- Authority
- CN
- China
- Prior art keywords
- lane line
- line detection
- image
- processed
- element information
- 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 168
- 230000011218 segmentation Effects 0.000 claims abstract description 109
- 238000000034 method Methods 0.000 claims abstract description 32
- 238000000605 extraction Methods 0.000 claims abstract description 9
- 238000004590 computer program Methods 0.000 claims description 10
- 230000015654 memory Effects 0.000 claims description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 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
- G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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
-
- 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
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
- Traffic Control Systems (AREA)
Abstract
本公开关于一种车道线检测方法、装置及电子设备,涉及自动驾驶技术领域。该方法具体包括:获取待处理图像,并对所述待处理图像进行共享权重特征提取;对提取的所述共享权重特征进行基于锚点的车道线检测,以获取所述车道线的元素信息;对提取的所述共享权重特征进行基于二值分割的车道线检测,以获取所述待处理图像的语义分割图;根据所述元素信息和所述语义分割图,获取所述待处理图像的车道线检测结果,通过对基于锚点的车道线检测方法进行改进,使车道线检测结果同时具有实例和多属性的特点,更能够满足现实中车道线检测的需求,提高了车道线检测结果的准确性。
Description
技术领域
本公开涉及自动驾驶技术领域,特别是指一种车道线检测方法、装置及电子设备。
背景技术
随着智能驾驶技术的发展,车道线检测已成为汽车辅助驾驶和无人驾驶的基础环节,准确地检测和识别车道线是车道偏离预警、车道保持、变道等功能的重要前提。特别地,如何提高车道线检测结果的准确性和可靠性,也成为了主要的研究方向之一。
相关技术中,主要的基于深度学习方法的车道线检测方法包括以下几种:基于多分类的语义分割方法、基于按行方式选择的方法、基于锚点的方法等。
然而,上述技术中基于多分类的语义分割方法,仅对于细长特点的车道线很有效,同时只能检测固定条数的车道线,且速度相对比较慢,基于按行方式选择的方法,虽然检测速度快,但是检测效果较差,基于锚点的方法,提取的车道线没有形成车道线的实例,仅仅把图像中的车道线像素信息提取了出来。因此,如何通过准确、可靠的车道线检测方法,使车道线检测结果同时具有实例和属性的特点,已成为了亟待解决的问题。
发明内容
本公开提供一种车道线检测方法、装置及电子设备,通过对基于锚点的车道线检测方法进行改进,使车道线检测结果同时具有实例和多属性的特点,能够满足现实中车道线检测的需求,提高了车道线检测结果的准确性。
本公开的技术方案如下:
根据本公开实施例的第一方面,提供一种车道线检测方法,所述方法包括:获取待处理图像,并对所述待处理图像进行共享权重特征提取;对提取的所述共享权重特征进行基于锚点的车道线检测,以获取所述车道线的元素信息;对提取的所述共享权重特征进行基于二值分割的车道线检测,以获取所述待处理图像的语义分割图;根据所述元素信息和所述语义分割图,获取所述待处理图像的车道线检测结果。
根据本公开的一个实施例,所述对提取的所述共享权重特征进行基于锚点的车道线检测,以获取所述车道线的元素信息,包括:根据所述共享权重特征进行锚点检测,以获取所述待处理图像上属于车道线的锚点;对所述锚点进行多分类,以获取所述车道线的元素信息。
根据本公开的一个实施例,所述对所述锚点进行多分类,以获取所述车道线的元素信息,包括:对所述锚点进行多分类,以获取所述锚点的第一属性信息;获取属于同一车道线的所述锚点的第一属性信息,根据所述锚点的第一属性信息,确定所述属于同一车道线的第二属性信息,其中,所述元素信息包括所述车道线上的锚点和所述第二属性信息。
根据本公开的一个实施例,所述对提取的所述共享权重特征进行基于二值分割的车道线检测,以获取所述车道线的语义分割信息,包括:将所述共享权重特征输入至二值分割网络中,由所述二值分割网络对所述待处理图像中的像素进行语义识别,以得到语义为车道线的第一像素点和语义为背景的第二像素点;基于所述第一像素点和所述第二像素点,确定所述语义分割图。
根据本公开的一个实施例,所述基于所述第一像素点和所述第二像素点,确定所述语义分割图,包括:配置所述第一像素点配置为第一像素值,以及配置所述第二像素点配置为第二像素值,以确定所述语义分割图。
根据本公开的一个实施例,所述根据所述元素信息和所述语义分割图,获取所述待处理图像的车道线检测结果,包括:将所述元素信息关联至所述语义分割图中位置匹配的像素点上,获取所述待处理图像的车道线检测结果。
根据本公开的一个实施例,所述将所述元素信息关联至所述语义分割图中位置匹配的像素点上,获取所述待处理图像的车道线检测结果,包括:针对所有元素信息中的任一元素信息,获取所述任一元素信息的第一位置信息;在所述语义分割图中定位出第一位置信息对应的目标像素点;将所述目标像素点上关联所述任一元素信息,以获取所述待处理图像的车道线检测结果。
根据本公开实施例的第二方面,提供一种车道线检测装置,所述装置包括:第一获取模块,用于获取待处理图像,并对所述待处理图像进行共享权重特征提取;第一检测模块,用于对提取的所述共享权重特征进行基于锚点的车道线检测,以获取所述车道线的元素信息;第二检测模块,用于对提取的所述共享权重特征进行基于二值分割的车道线检测,以获取所述待处理图像的语义分割图;第二获取模块,根据所述元素信息和所述语义分割图,获取所述待处理图像的车道线检测结果。
根据本公开的一个实施例,所述第一检测模块,还用于:根据所述共享权重特征进行锚点检测,以获取所述待处理图像上属于车道线的锚点;对所述锚点进行多分类,以获取所述车道线的元素信息。
根据本公开的一个实施例,所述第一检测模块,还用于:对所述锚点进行多分类,以获取所述锚点的第一属性信息;根据所述锚点的第一属性信息,确定所述属于同一车道线的第二属性信息,其中,所述元素信息包括所述车道线上的锚点和所述第二属性信息。
根据本公开的一个实施例,所述第二检测模块,还用于:将所述共享权重特征输入至二值分割网络中,由所述二值分割网络对所述待处理图像中的像素进行语义识别,以得到语义为车道线的第一像素点和语义为背景的第二像素点;基于所述第一像素点和所述第二像素点,确定所述语义分割图。
根据本公开的一个实施例,所述第二检测模块,还用于:配置所述第一像素点配置为第一像素值,以及配置所述第二像素点配置为第二像素值,以确定所述语义分割图。
根据本公开的一个实施例,所述第二获取模块,还用于:将所述元素信息关联至所述语义分割图中位置匹配的像素点上,获取所述待处理图像的车道线检测结果。
根据本公开的一个实施例,所述第二获取模块,还用于:针对所有元素信息中的任一元素信息,获取所述任一元素信息的第一位置信息;在所述语义分割图中定位出第一位置信息对应的目标像素点;将所述目标像素点上关联所述任一元素信息,以获取所述待处理图像的车道线检测结果。
根据本公开实施例的第三方面,提供一种电子设备,包括:处理器;用于存储所述处理器可执行指令的存储器;其中,所述处理器被配置为执行所述指令,以实现如本公开第一方面实施例提供的车道线检测方法。
根据本公开实施例的第四方面,提供一种计算机可读存储介质,当所述计算机可读存储介质中的指令由电子设备的处理器执行时,使得所述电子设备能够执行如本公开第一方面实施例提供的车道线检测方法。
根据本公开实施例的第五方面,提供一种计算机程序产品,包括计算机程序,其特征在于,所述计算机程序被处理器执行时实现如本公开第一方面提供的车道线检测方法。
本公开的实施例提供的技术方案至少带来以下有益效果:
本公开实施例的一种车道线检测方法,通过获取待处理图像,并对待处理图像进行共享权重特征提取,并对提取的共享权重特征进行基于锚点的车道线检测,以获取车道线的元素信息,对提取的共享权重特征进行基于二值分割的车道线检测,以获取待处理图像的语义分割图,根据元素信息和语义分割图,获取待处理图像的车道线检测结果。由此,本申请通过对基于锚点的车道线检测方法进行改进,使车道线检测结果同时具有实例和多属性的特点,能够满足现实中车道线检测的需求,提高了车道线检测结果的准确性。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理,并不构成对本公开的不当限定。
图1是根据一示例性实施例示出的一种车道线检测方法的流程示意图。
图2是根据一示例性实施例示出的另一种车道线检测方法的流程示意图。
图3是根据一示例性实施例示出的另一种车道线检测方法的流程示意图。
图4是根据一示例性实施例示出的另一种车道线检测方法的流程示意图。
图5是根据一示例性实施例示出的一种语义分割图的示意图。
图6是根据一示例性实施例示出的另一种车道线检测方法的流程示意图。
图7是根据一示例性实施例示出的另一种车道线检测方法的流程示意图。
图8是根据一示例性实施例示出的一种车道线检测方法的示意图。
图9是根据一示例性实施例示出的一种车道线检测装置的框图。
图10是根据一示例性实施例示出的一种电子设备的框图。
具体实施方式
为了使本领域普通人员更好地理解本公开的技术方案,下面将结合附图,对本公开实施例中的技术方案进行清楚、完整地描述。
需要说明的是,本公开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。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本公开的实施例能够以除了在这里图示或描述的那些以外的顺序实施。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
图1为本公开实施例提供的一种车道线检测方法的流程示意图。
如图1所示,该车道线检测方法,包括以下步骤:
S101,获取待处理图像,并对待处理图像进行共享权重特征提取。
其中,待处理图像可以为进行车道线检测的任一图像。
需要说明的是,本申请中对于获取待处理图像的具体方式不作限定,可以根据实际情况进行获取。
可选地,可以通过安装在车辆上的车载摄像头拍摄路况视频,并对路况视频进行截取,以获取待处理图像。
其中,共享权重,指的从输入层到隐藏层的映射称为特征映射,该特征映射的权重称为共享权重。
需要说明的是,本申请中对待处理图像进行共享权重特征提取的具体方式不作限定,可以根据实际情况进行选取。
可选地,可以利用卷积神经网络(Convolutional Neural Network,简称CNN),对待处理图像进行共享权重特征提取。
可选地,可以利用深度残差网络(Deep residual network,简称ResNet),对待处理图像进行共享权重特征提取。
S102,对提取的共享权重特征进行基于锚点的车道线检测,以获取车道线的元素信息。
在本公开实施例中,在获取到待处理图像进行共享权重特征后,可以对提取的共享权重特征进行基于锚点的车道线检测,进而获取车道线的元素信息。
需要说明的是,本申请对于车道线元素信息设置不作限定,可以根据实际情况进行选取。
可选地,车道线的元素信息可以为车道线的像素信息。
可选地,车道线的元素信息可以为车道线的属性信息。
举例而言,车道线的属性信息可以为车道线的虚实信息、颜色信息、置信度信息等。
S103,对提取的共享权重特征进行基于二值分割的车道线检测,以获取待处理图像的语义分割图。
需要说明的是,在相关技术中,在基于锚点的车道线检测方法中,仅仅提取待处理图像中属于车道线的像素信息,提取的车道线像素未形成车道线的实例。
由此,本申请提出一种车道线的检测方法,在对待处理图像进行共享权重特征提取后,在基于锚点的车道线检测的基础上,增加一个分支,再对提取的共享权重特征进行基于二值分割的车道线检测,使车道线的检测结果具有实例性。
在本公开实施例中,在获取到共享权重特征后,可以将提取的共享权重特征输入至二值分割网络中,以获取待处理图像的语义分割图。
S104,根据元素信息和语义分割图,获取待处理图像的车道线检测结果。
在本公开实施例中,在获取到元素信息和语义分割图后,可以将元素信息和语义分割图进行融合,以获取待处理图像的车道线检测结果,进而使待处理图像的车道线检测结果同时具有实例和多属性的特点。
根据本公开实施例的一种车道线检测方法,通过获取待处理图像,并对待处理图像进行共享权重特征提取,并对提取的共享权重特征进行基于锚点的车道线检测,以获取车道线的元素信息,对提取的共享权重特征进行基于二值分割的车道线检测,以获取待处理图像的语义分割图,根据元素信息和语义分割图,获取待处理图像的车道线检测结果。由此,本申请通过对基于锚点的车道线检测方法进行改进,使车道线检测结果同时具有实例和多属性的特点,更能满足现实中车道线检测的需求,提高了车道线检测结果的准确性。
图2是根据本公开一个实施例的车道线检测方法的流程示意图,在上述实施例的基础上,进一步结合图2,对提取的共享权重特征进行基于锚点的车道线检测,以获取车道线的元素信息的具体过程进行解释说明,包括以下步骤:
S201,根据共享权重特征进行锚点检测,以获取待处理图像上属于车道线的锚点。
在本公开实施例中,在获取到共享权重特征后,可以根据共享权重特征进行锚点检测,进而获取待处理图像上属于车道线的锚点。
举例而言,可以对待处理图像纵向做等分操作,得到的垂直方向上的等分点Y:
对于每条车道线,令Y固定,因此,水平方向上的等分点X:
其中,X为横坐标,Y为纵坐标,Xi为第i个等分点的横坐标,Yi为第i个等分点的纵坐标,Npts为等分点的个数,i为当前的等分点。
进一步地,可以根据提取的共享权重特征进行锚点检测,获取待处理图像上属于车道线的锚点信息。
S202,对锚点进行多分类,以获取车道线的元素信息。
其中,多分类,指的是针对多种类别的锚点进行分类。
需要说明的是,本申请中对锚点进行多分类,以获取车道线的元素信息的具体方式不作限定,可以根据实际情况进行选取。
可选地,可以基于梯度提升决策树(Gradient Boosting Decision Tree,GBDT),对锚点进行多分类,以获取车道线的元素信息。
可选地,可以基于softmax归一化模型,对锚点进行多分类,以获取车道线的元素信息。
需要说明的是,车道线的元素信息包括车道线的像素信息和车道线的属性信息。
图3是根据本公开一个实施例的车道线检测方法的流程示意图,在上述实施例的基础上,进一步结合图3,对锚点进行多分类,以获取车道线的元素信息的过程进行解释说明,包括以下步骤:
S301,对锚点进行多分类,以获取锚点的第一属性信息。
需要说明的是,在实际应用过程中,需要获取车道线的属性信息,例如:车道线的虚实、车道线的颜色等,因此,需要对锚点进行多分类,以获取锚点的第一属性信息。
S302,根据锚点的第一属性信息,确定属于同一车道线的第二属性信息。
在本公开实施例中,在获取到锚点的第一属性信息后,可以基于锚点的第一属性信息,进而确定同一车道线的第二属性信息。
其中,元素信息包括车道线上的锚点和第二属性信息。
由此,本公开提出一种车道线检测方法,根据共享权重特征进行锚点检测,以获取待处理图像上属于车道线的锚点,并对锚点进行多分类,以获取锚点的第一属性信息,并获取属于同一车道线的锚点的第一属性信息,确定同一车道线的第二属性信息。通过对基于锚点的车道线检测方法,可以获取车道线的属性信息,为获取同时具有属性和实例特点的车道线检测结果奠定了基础。
图4是根据本公开一个实施例的车道线检测方法的流程示意图,在上述实施例的基础上,进一步结合图4,对提取的共享权重特征进行基于二值分割的车道线检测,以获取车道线的语义分割信息的过程进行解释说明,包括以下步骤:
S401,将共享权重特征输入至二值分割网络中,由二值分割网络对待处理图像中的像素进行语义识别,以得到语义为车道线的第一像素点和语义为背景的第二像素点。
需要说明的是,在获取到权重特征后,可以将共享权重特征输入至二分值网络中,由二值分割网络对待处理图像中的像素进行语义识别,以得到语义为车道线的第一像素点和语义为背景的第二像素点。
S402,基于第一像素点和第二像素点,确定语义分割图。
在本公开实施例中,为了更直观地获取语义分割图,可以将语义分割图进行二值化,即可以配置第一像素点配置为第一像素值,以及配置第二像素点配置为第二像素值,以确定语义分割图。
举例而言,如图5所示,可以配置第一像素值为255,配置第二像素值为0,即白色部分对应的是语义为车道线的第一像素点,黑色部分对应的是语义为背景的第二像素点,进而可以以确定语义分割图。
由此,本公开提出一种车道线检测方法,将共享权重特征输入至二值分割网络中,由二值分割网络对待处理图像中的像素进行语义识别,以得到语义为车道线的第一像素点和语义为背景的第二像素点,基于第一像素点和第二像素点,确定语义分割图。通过基于二值分割的车道线检测方法,可以获取车道线的实例信息,为获取同时具有属性和实例特点的车道线检测结果奠定了基础。
进一步地,在获取到元素信息和语义分割图后,可以将元素信息关联至语义分割图中位置匹配的像素点上,获取待处理图像的车道线检测结果。
图6是根据本公开一个实施例的车道线检测方法的流程示意图,在上述实施例的基础上,进一步结合图6,对将元素信息关联至语义分割图中位置匹配的像素点上,获取待处理图像的车道线检测结果的过程进行解释说明,包括以下步骤:
S601,针对所有元素信息中的任一元素信息,获取任一元素信息的第一位置信息。
作为一种可能实现的方式,在试图获取任一元素信息的第一位置信息时,首先可以对任一元素信息进行定位,以获取任一元素信息对应的坐标信息,进而可以根据坐标信息获取任一元素信息的第一位置信息。
S602,在语义分割图中定位出第一位置信息对应的目标像素点。
在本公开实施例中,在获取到第一位置信息后,即可以获取车道线对应的属性信息的位置信息,相应的,可以在语义分割图中中定位出第一位置信息对应的目标像素点。
S603,将目标像素点上关联任一元素信息,以获取待处理图像的车道线检测结果。
在本公开实施例中,在获取到第一位置信息对应的目标像素点后,可以将目标像素点上关联任一元素信息,此种情况下,在图像空间上,待处理图像的车道线检测结果则同时具有属性和实例的特点。
由此,本公开提出一种车道线检测方法,将针对所有元素信息中的任一元素信息,获取任一元素信息的第一位置信息,在语义分割图中定位出第一位置信息对应的目标像素点,将目标像素点上关联任一元素信息,以获取待处理图像的车道线检测结果。由此,本申请通过对基于锚点的车道线检测方法进行改进,使车道线检测结果同时具有实例和多属性的特点,能够满足现实中车道线检测的需求,提高了车道线检测结果的准确性。
图7是根据本公开一个实施例的车道线检测方法的流程示意图,包括以下步骤:
S701,获取待处理图像,并对待处理图像进行共享权重特征提取。
S702,根据共享权重特征进行锚点检测,以获取待处理图像上属于车道线的锚点。
S703,对锚点进行多分类,以获取锚点的第一属性信息。
S704,根据锚点的第一属性信息,确定属于同一车道线的第二属性信息。
S705,将共享权重特征输入至二值分割网络中,由二值分割网络对待处理图像中的像素进行语义识别,以得到语义为车道线的第一像素点和语义为背景的第二像素点。
S706,配置第一像素点配置为第一像素值,以及配置第二像素点配置为第二像素值,以确定语义分割图。
S707,针对所有元素信息中的任一元素信息,获取所述任一元素信息的第一位置信息。
S708,在语义分割图中定位出第一位置信息对应的目标像素点。
S709,将目标像素点上关联任一元素信息,以获取待处理图像的车道线检测结果。
综上所述,如图8所示,可以将待处理图像输入至共享编码层中,提取共享权重特征,然后将共享权重特征,一分为二进入两个分支,分别作为基于锚点的车道线检测的特征输入和二值分割网络的特征输入,通过基于锚点的车道线检测方法,其中,x0、x1、x2、x3等为等分点,l为纵向距离,θ为锚点线与水平方向的夹角,可以输出待处理图像中属于车道线的像素信息,并进行锚点的多分类,输出待处理图像中属于车道线的元素信息,其中,车道线的元素信息包括车道线上的锚点、锚点的第一属性信息和第二属性信息,其中,锚点的第一属性信息和第二属性信息为车道线的虚实、颜色等信息,并通过基于二值分割的车道线检测方法,输出待处理图像的语义分割图,即将待处理图像中的车道线信息与背景信息分离,可以获取整条的车道线信息,进一步地,在图像空间上,将车道线的元素信息和语义分割图进行融合,进而获取待处理图像的车道线检测结果。此种情况下,车道线检测结果则具有实例和多属性的特点,更能满足现实项目中车道线检测的需求。
综上所述,本公开实施例的一种车道线检测方法,通过获取待处理图像,并对待处理图像进行共享权重特征提取,并对提取的共享权重特征进行基于锚点的车道线检测,以获取车道线的元素信息,对提取的共享权重特征进行基于二值分割的车道线检测,以获取待处理图像的语义分割图,根据元素信息和语义分割图,获取待处理图像的车道线检测结果。由此,本申请通过对基于锚点的车道线检测方法进行改进,使车道线检测结果同时具有实例和多属性的特点,更能够满足现实中车道线检测的需求,提高了车道线检测结果的准确性和实用性。
图9是根据一示例性实施例示出的一种车道线检测装置的框图。
如图9所示,车道线检测装置1000,包括:第一获取模块110、第一检测模块120、第二检测模块130和第二获取模块140。
第一获取模块110,用于获取待处理图像,并对所述待处理图像进行共享权重特征提取;
第一检测模块120,用于对提取的所述共享权重特征进行基于锚点的车道线检测,以获取所述车道线的元素信息;
第二检测模块130,用于对提取的所述共享权重特征进行基于二值分割的车道线检测,以获取所述待处理图像的语义分割图;
第二获取模块140,根据所述元素信息和所述语义分割图,获取所述待处理图像的车道线检测结果。
进一步的,第一检测模块120,还用于:根据所述共享权重特征进行锚点检测,以获取所述待处理图像上属于车道线的锚点;对所述锚点进行多分类,以获取所述车道线的元素信息。
进一步的,第一检测模块120,还用于:对所述锚点进行多分类,以获取所述锚点的第一属性信息;根据所述锚点的第一属性信息,确定所述属于同一车道线的第二属性信息,其中,所述元素信息包括所述车道线上的锚点和所述第二属性信息。
进一步的,第二检测模块130,还用于:将所述共享权重特征输入至二值分割网络中,由所述二值分割网络对所述待处理图像中的像素进行语义识别,以得到语义为车道线的第一像素点和语义为背景的第二像素点;基于所述第一像素点和所述第二像素点,确定所述语义分割图。
进一步的,第二检测模块130,还用于:配置所述第一像素点配置为第一像素值,以及配置所述第二像素点配置为第二像素值,以确定所述语义分割图。
进一步的,第二获取模块140,还用于:将所述元素信息关联至所述语义分割图中位置匹配的像素点上,获取所述待处理图像的车道线检测结果。
进一步的,第二获取模块140,还用于:针对所有元素信息中的任一元素信息,获取所述任一元素信息的第一位置信息;在所述语义分割图中定位出第一位置信息对应的目标像素点;将所述目标像素点上关联所述任一元素信息,以获取所述待处理图像的车道线检测结果。
根据本公开实施例的一种车道线检测装置,通过获取待处理图像,并对待处理图像进行共享权重特征提取,并对提取的共享权重特征进行基于锚点的车道线检测,以获取车道线的元素信息,对提取的共享权重特征进行基于二值分割的车道线检测,以获取待处理图像的语义分割图,根据元素信息和语义分割图,获取待处理图像的车道线检测结果。由此,本申请通过对基于锚点的车道线检测方法进行改进,使车道线检测结果同时具有实例和多属性的特点,更能满足现实中车道线检测的需求,提高了车道线检测结果的准确性。
为了实现上述实施例,本公开还提供了一种电子设备,如图10所示,所述电子设备2000包括:处理器201;用于存储所述处理器201可执行指令的一个或多个存储器202;其中,所述处理器201被配置为执行上述实施例所述的车道线检测方法。处理器201和存储器202通过通信总线连接。
为了实现上述实施例,本公开还提供了一种包括指令的计算机可读存储介质,例如包括指令的存储器202,上述指令可由装置1000的处理器201执行以完成上述方法。可选地,计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
为了实现上述实施例,本公开还提供一种计算机程序产品,包括计算机程序,其特征在于,所述计算机程序被处理器执行时实现上述实施例所述的车道线检测方法。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本公开的其它实施方案。本公开旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的真正范围和精神由下面的权利要求指出。
应当理解的是,本公开并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。
Claims (17)
1.一种车道线检测方法,其特征在于,所述方法包括:
获取待处理图像,并对所述待处理图像进行共享权重特征提取;
对提取的所述共享权重特征进行基于锚点的车道线检测,以获取所述车道线的元素信息;
对提取的所述共享权重特征进行基于二值分割的车道线检测,以获取所述待处理图像的语义分割图;
根据所述元素信息和所述语义分割图,获取所述待处理图像的车道线检测结果。
2.根据权利要求1所述的车道线检测方法,其特征在于,所述对提取的所述共享权重特征进行基于锚点的车道线检测,以获取所述车道线的元素信息,包括:
根据所述共享权重特征进行锚点检测,以获取所述待处理图像上属于车道线的锚点;
对所述锚点进行多分类,以获取所述车道线的元素信息。
3.根据权利要求2所述的车道线检测方法,其特征在于,所述对所述锚点进行多分类,以获取所述车道线的元素信息,包括:
对所述锚点进行多分类,以获取所述锚点的第一属性信息;
根据所述锚点的第一属性信息,确定所述属于同一车道线的第二属性信息;
其中,所述元素信息包括所述车道线上的锚点和所述第二属性信息。
4.根据权利要求1所述的车道线检测方法,其特征在于,所述对提取的所述共享权重特征进行基于二值分割的车道线检测,以获取所述车道线的语义分割信息,包括:
将所述共享权重特征输入至二值分割网络中,由所述二值分割网络对所述待处理图像中的像素进行语义识别,以得到语义为车道线的第一像素点和语义为背景的第二像素点;
基于所述第一像素点和所述第二像素点,确定所述语义分割图。
5.根据权利要求4所述的车道线检测方法,其特征在于,所述基于所述第一像素点和所述第二像素点,确定所述语义分割图,包括:
配置所述第一像素点配置为第一像素值,以及配置所述第二像素点配置为第二像素值,以确定所述语义分割图。
6.根据权利要求1-4中任一项所述的车道线检测方法,其特征在于,所述根据所述元素信息和所述语义分割图,获取所述待处理图像的车道线检测结果,包括:
将所述元素信息关联至所述语义分割图中位置匹配的像素点上,获取所述待处理图像的车道线检测结果。
7.根据权利要求6所述的车道线检测方法,其特征在于,所述将所述元素信息关联至所述语义分割图中位置匹配的像素点上,获取所述待处理图像的车道线检测结果,包括:
针对所有元素信息中的任一元素信息,获取所述任一元素信息的第一位置信息;
在所述语义分割图中定位出第一位置信息对应的目标像素点;
将所述目标像素点上关联所述任一元素信息,以获取所述待处理图像的车道线检测结果。
8.一种车道线检测装置,其特征在于,所述装置包括:
第一获取模块,用于获取待处理图像,并对所述待处理图像进行共享权重特征提取;
第一检测模块,用于对提取的所述共享权重特征进行基于锚点的车道线检测,以获取所述车道线的元素信息;
第二检测模块,用于对提取的所述共享权重特征进行基于二值分割的车道线检测,以获取所述待处理图像的语义分割图;
第二获取模块,根据所述元素信息和所述语义分割图,获取所述待处理图像的车道线检测结果。
9.根据权利要求8所述的车道线检测装置,其特征在于,所述第一检测模块,还用于:
根据所述共享权重特征进行锚点检测,以获取所述待处理图像上属于车道线的锚点;
对所述锚点进行多分类,以获取所述车道线的元素信息。
10.根据权利要求9所述的车道线检测装置,其特征在于,所述第一检测模块,还用于:
对所述锚点进行多分类,以获取所述锚点的第一属性信息;
根据所述锚点的第一属性信息,确定所述属于同一车道线的第二属性信息;
其中,所述元素信息包括所述车道线上的锚点和所述第二属性信息。
11.根据权利要求8所述的车道线检测装置,其特征在于,所述第二检测模块,还用于:
将所述共享权重特征输入至二值分割网络中,由所述二值分割网络对所述待处理图像中的像素进行语义识别,以得到语义为车道线的第一像素点和语义为背景的第二像素点;
基于所述第一像素点和所述第二像素点,确定所述语义分割图。
12.根据权利要求11所述的车道线检测装置,其特征在于,所述第二检测模块,还用于:
配置所述第一像素点配置为第一像素值,以及配置所述第二像素点配置为第二像素值,以确定所述语义分割图。
13.根据权利要求8-11中任一项所述的车道线检测装置,其特征在于,所述第二获取模块,还用于:
将所述元素信息关联至所述语义分割图中位置匹配的像素点上,获取所述待处理图像的车道线检测结果。
14.根据权利要求13所述的车道线检测装置,其特征在于,所述第二获取模块,还用于:
针对所有元素信息中的任一元素信息,获取所述任一元素信息的第一位置信息;
在所述语义分割图中定位出第一位置信息对应的目标像素点;
将所述目标像素点上关联所述任一元素信息,以获取所述待处理图像的车道线检测结果。
15.一种电子设备,其特征在于,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计算机程序,所述处理器执行所述程序时,实现如权利要求1-7中任一项所述的车道线检测方法。
16.一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,该程序被处理器执行时实现如权利要求1-7中任一项所述的车道线检测方法。
17.一种计算机程序产品,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1-7中任一项所述的车道线检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210774709.1A CN115147811B (zh) | 2022-07-01 | 2022-07-01 | 一种车道线检测方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210774709.1A CN115147811B (zh) | 2022-07-01 | 2022-07-01 | 一种车道线检测方法、装置及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115147811A true CN115147811A (zh) | 2022-10-04 |
CN115147811B CN115147811B (zh) | 2023-05-30 |
Family
ID=83409673
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210774709.1A Active CN115147811B (zh) | 2022-07-01 | 2022-07-01 | 一种车道线检测方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115147811B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10423840B1 (en) * | 2019-01-31 | 2019-09-24 | StradVision, Inc. | Post-processing method and device for detecting lanes to plan the drive path of autonomous vehicle by using segmentation score map and clustering map |
CN111259796A (zh) * | 2020-01-16 | 2020-06-09 | 东华大学 | 一种基于图像几何特征的车道线检测方法 |
CN112949493A (zh) * | 2021-03-03 | 2021-06-11 | 深圳瑞为智能科技有限公司 | 一种结合语义分割和注意力机制的车道线检测方法及系统 |
US20210406561A1 (en) * | 2019-03-12 | 2021-12-30 | Zhejiang Dahua Technology Co., Ltd. | Systems and methods for lane detection |
CN114581887A (zh) * | 2022-03-07 | 2022-06-03 | 上海人工智能创新中心 | 车道线的检测方法、装置、设备和计算机可读存储介质 |
-
2022
- 2022-07-01 CN CN202210774709.1A patent/CN115147811B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10423840B1 (en) * | 2019-01-31 | 2019-09-24 | StradVision, Inc. | Post-processing method and device for detecting lanes to plan the drive path of autonomous vehicle by using segmentation score map and clustering map |
CN111507153A (zh) * | 2019-01-31 | 2020-08-07 | 斯特拉德视觉公司 | 用分割得分图和聚类图检测车道线的后处理方法以及装置 |
US20210406561A1 (en) * | 2019-03-12 | 2021-12-30 | Zhejiang Dahua Technology Co., Ltd. | Systems and methods for lane detection |
CN111259796A (zh) * | 2020-01-16 | 2020-06-09 | 东华大学 | 一种基于图像几何特征的车道线检测方法 |
CN112949493A (zh) * | 2021-03-03 | 2021-06-11 | 深圳瑞为智能科技有限公司 | 一种结合语义分割和注意力机制的车道线检测方法及系统 |
CN114581887A (zh) * | 2022-03-07 | 2022-06-03 | 上海人工智能创新中心 | 车道线的检测方法、装置、设备和计算机可读存储介质 |
Non-Patent Citations (2)
Title |
---|
DAVY NEVEN ET AL.: "Towards End-to-End Lane Detection: an Instance Segmentation Approach", 《ARXIV.ORG》 * |
LUCAS TABELINI ET AL.: "Keep your Eyes on the Lane: Real-time Attention-guided Lane Detection", 《ARXIV.ORG》 * |
Also Published As
Publication number | Publication date |
---|---|
CN115147811B (zh) | 2023-05-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110069986B (zh) | 一种基于混合模型的交通信号灯识别方法及系统 | |
US10445602B2 (en) | Apparatus and method for recognizing traffic signs | |
Wang et al. | An effective method for plate number recognition | |
CN104200228B (zh) | 一种安全带识别方法与系统 | |
CN105989334B (zh) | 基于单目视觉的道路检测方法 | |
CN103927762A (zh) | 一种目标车辆自动跟踪方法及装置 | |
CN111582178B (zh) | 基于多方位信息和多分支神经网络车辆重识别方法及系统 | |
CN111738033B (zh) | 基于平面分割的车辆行驶信息确定方法及装置、车载终端 | |
CN111931683B (zh) | 图像识别方法、装置及计算机可读存储介质 | |
CN111078946A (zh) | 一种基于多目标区域特征聚合的卡口车辆检索方法及系统 | |
CN112001378B (zh) | 基于特征空间的车道线处理方法、装置、车载终端和介质 | |
CN111915583A (zh) | 复杂场景中基于车载红外热像仪的车辆和行人检测方法 | |
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 | |
CN111985507A (zh) | 一种岩体三维点云节理迹线提取方法 | |
CN112712066B (zh) | 图像识别方法、装置、计算机设备和存储介质 | |
CN106650814B (zh) | 一种基于车载单目视觉室外道路自适应分类器生成方法 | |
CN110458234B (zh) | 一种基于深度学习的以图搜车方法 | |
CN115147811B (zh) | 一种车道线检测方法、装置及电子设备 | |
CN116630917A (zh) | 一种车道线检测方法 | |
CN111178370A (zh) | 车辆检索方法及相关装置 | |
Lu et al. | Clustering based road detection method | |
CN114898321A (zh) | 道路可行驶区域检测方法、装置、设备、介质及系统 | |
CN115393379A (zh) | 一种数据标注方法及相关产品 | |
CN112069971A (zh) | 一种基于视频的高速公路标志标线识别方法及识别系统 | |
CN113837270B (zh) | 一种目标识别方法、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 | ||
GR01 | Patent grant |