CN115272182A - 车道线检测方法、装置、电子设备和计算机可读介质 - Google Patents
车道线检测方法、装置、电子设备和计算机可读介质 Download PDFInfo
- Publication number
- CN115272182A CN115272182A CN202210716828.1A CN202210716828A CN115272182A CN 115272182 A CN115272182 A CN 115272182A CN 202210716828 A CN202210716828 A CN 202210716828A CN 115272182 A CN115272182 A CN 115272182A
- Authority
- CN
- China
- Prior art keywords
- lane line
- line equation
- detection
- current
- equation
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
- G06F17/12—Simultaneous equations, e.g. systems of linear equations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Algebra (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
- Traffic Control Systems (AREA)
Abstract
本公开的实施例公开了车道线检测方法、装置、电子设备和计算机可读介质。该方法的一具体实施方式包括:获取道路图像和历史车道线参数向量组;对上述道路图像进行提取处理,得到当前车道线方程组;对上述当前车道线方程组中每个当前车道线方程与上述历史车道线参数向量组中对应的历史车道线参数向量进行误差检测处理以生成检测误差值,得到检测误差值集;基于检测误差值集,对上述当前车道线方程组进行筛选处理,得到目标车道线方程组。该实施方式可以提高生成的目标车道线方程组的准确度。
Description
技术领域
本公开的实施例涉及计算机技术领域,具体涉及车道线检测方法、装置、电子设备和计算机可读介质。
背景技术
车道线检测,是自动驾驶领域的一项基础技术。目前,在进行车道线检测时,通常采用的方式为:首先,通过神经网络直接识别道路图像中的车道线。然后,通过亮度差、多帧之间车道线距离约束等方法降低对车道线进行检测;或通过连续帧车道线采样点在图像中的位置与阈值比较判断是否出现误检。最后,将误检车道线进行删除,以此得到车道线检测结果。
然而,发明人发现,当采用上述方式进行车道线检测时,经常会存在如下技术问题:
第一,亮度差、多帧之间车道线距离约束等方法仅适用于车道线是直线为前提的场景,若车辆处于弯道场景,则容易导致的检测结果的准确度不足,从而,导致生成的车道线检测结果的准确度降低;
第二,在车辆变道的情况下,前后帧车道线会发生较大偏移,导致连续帧车道线采样点在图像中的位置与阈值之间的误差较大,从而,容易将非误检车道线确定为误检车道线造成误删情况,进而,导致生成的车道线检测结果的准确度不足。
该背景技术部分中所公开的以上信息仅用于增强对本发明构思的背景的理解,并因此,其可包含并不形成本国的本领域普通技术人员已知的现有技术的信息。
发明内容
本公开的内容部分用于以简要的形式介绍构思,这些构思将在后面的具体实施方式部分被详细描述。本公开的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征,也不旨在用于限制所要求的保护的技术方案的范围。
本公开的一些实施例提出了车道线检测方法、装置、电子设备和计算机可读介质,来解决以上背景技术部分提到的技术问题中的一项或多项。
第一方面,本公开的一些实施例提供了一种车道线检测方法,该方法包括:获取道路图像和历史车道线参数向量组;对上述道路图像进行提取处理,得到当前车道线方程组;对上述当前车道线方程组中每个当前车道线方程与上述历史车道线参数向量组中对应的历史车道线参数向量进行误差检测处理以生成检测误差值,得到检测误差值集;基于检测误差值集,对上述当前车道线方程组进行筛选处理,得到目标车道线方程组。
第二方面,本公开的一些实施例提供了一种车道线检测装置,该装置包括:获取单元,被配置成获取道路图像和历史车道线参数向量组;提取处理单元,被配置成对上述道路图像进行提取处理,得到当前车道线方程组;误差检测处理单元,被配置成对上述当前车道线方程组中每个当前车道线方程与上述历史车道线参数向量组中对应的历史车道线参数向量进行误差检测处理以生成检测误差值,得到检测误差值集;筛选处理单元,被配置成基于检测误差值集,对上述当前车道线方程组进行筛选处理,得到目标车道线方程组。
第三方面,本公开的一些实施例提供了一种电子设备,包括:一个或多个处理器;存储装置,其上存储有一个或多个程序,当一个或多个程序被一个或多个处理器执行,使得一个或多个处理器实现上述第一方面任一实现方式所描述的方法。
第四方面,本公开的一些实施例提供了一种计算机可读介质,其上存储有计算机程序,其中,程序被处理器执行时实现上述第一方面任一实现方式所描述的方法。
本公开的上述各个实施例具有如下有益效果:通过本公开的一些实施例的车道线检测方法,可以提高生成生成的车道线检测结果的准确性。具体来说,造成生成的车道线检测结果准确度不足的原因在于:亮度差、多帧之间车道线距离约束等方法仅适用于车道线是直线为前提的场景,若车辆处于弯道场景,则容易导致的检测结果的准确度不足。基于此,本公开的一些实施例的车道线检测方法,考虑到亮度差、多帧之间车道线距离约束等方法仅适用于车道线是直线为前提的场景,若车辆处于弯道场景,则容易导致的检测结果的准确度不足。因此,首先,通过误差检测处理,可以确定每个当前车道线方程的检测误差值。以此,可以依据检测误差值对车道线进行检测。因此,可以无需考虑车道线是否为直线的情况。然后,基于检测误差值集,对上述当前车道线方程组进行筛选处理,得到目标车道线方程组。由此,可以实现车道线检测。从而,可以进一步确保提取到的当前车道线方程的准确度。进而,可以提高生成的目标车道线方程组(即,车道线检测结果)的准确度。
附图说明
结合附图并参考以下具体实施方式,本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中,相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的,元件和元素不一定按照比例绘制。
图1是根据本公开的车道线检测方法的一些实施例的流程图;
图2是根据本公开的车道线检测装置的一些实施例的结构示意图;
图3是适于用来实现本公开的一些实施例的电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例,然而应当理解的是,本公开可以通过各种形式来实现,而且不应该被解释为限于这里阐述的实施例。相反,提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是,本公开的附图及实施例仅用于示例性作用,并非用于限制本公开的保护范围。
另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。在不冲突的情况下,本公开中的实施例及实施例中的特征可以相互组合。
需要注意,本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分,并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意,本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的,本领域技术人员应当理解,除非在上下文另有明确指出,否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的,而并不是用于对这些消息或信息的范围进行限制。
下面将参考附图并结合实施例来详细说明本公开。
图1示出了根据本公开的车道线检测方法的一些实施例的流程100。该车道线检测方法的流程100,包括以下步骤:
步骤101,获取道路图像和历史车道线参数向量组。
在一些实施例中,车道线检测方法的执行主体可以通过有线的方式或者无线的方式获取道路图像和历史车道线参数向量组。其中,道路图像可以是车辆前视相机拍摄的道路环境图像。历史车道线参数向量组可以是对上一帧道路图像进行车道线检测后生成的。历史车道线参数向量组中的每个历史车道线参数向量可以对应一条车道线。历史车道线参数向量可以是车道线方程中各项系数组成的向量。
步骤102,对道路图像进行提取处理,得到当前车道线方程组。
在一些实施例中,上述执行主体可以对上述道路图像进行提取处理,得到当前车道线方程组。其中,可以通过预设的提取算法,对上述道路图像进行提取处理,得到当前车道线方程组。
这里,上述提取算法可以包括但不限于以下至少一项:Resnet(ResidualNetwork,残差神经网络)模型、VGG(Visual Geometry Group Network,卷积神经网络)模型或GoogLeNet(深度神经网络)模型等。
步骤103,对当前车道线方程组中每个当前车道线方程与历史车道线参数向量组中对应的历史车道线参数向量进行误差检测处理以生成检测误差值,得到检测误差值集。
在一些实施例中,上述执行主体可以对上述当前车道线方程组中每个当前车道线方程与上述历史车道线参数向量组中对应的历史车道线参数向量进行误差检测处理以生成检测误差值,得到检测误差值集。
在一些实施例的一些可选的实现方式中,上述执行主体对上述当前车道线方程组中每个当前车道线方程与上述历史车道线参数向量组中对应的历史车道线参数向量进行误差检测处理以生成检测误差值,可以包括以下步骤:
第一步,基于预设的车道线特征向量,确定与上述当前车道线方程对应的车道线系数向量。其中,上述车道线特征向量可以是用于确定车道线系数向量的先验信息。可以通过以下公式确定与上述当前车道线方程对应的车道线系数向量:
其中,c表示上述车道线系数向量。l表示上述当前车道线方程。u表示上述车道线特征向量。c∈R4表示上述车道线系数向量属于四维向量。
这里,可以通过最小二乘算法进行公式求解,得到车道线系数向量。
第二步,基于上述车道线系数向量、对应的历史车道线参数向量和预设的系数标准差,生成检测误差值。其中,上述系数标准差可以是预先设定的车道线系数向量中各个分量的标准差。其次,可以通过以下公式,生成检测误差值:
其中,e表示上述检测误差值。C′表示上述历史车道线参数向量。C表示上述车道线系数向量。σ表示上述系数标准差。||·||2表示2范式。
在一些实施例的一些可选的实现方式中,上述预设的车道线特征向量可以通过以下步骤生成:
第一步,对已标注车道线方程组中的每个已标注车道线方程进行均采样处理以生成车道线采样点坐标序列,得到车道线采样点坐标序列集。其中,已标注车道线方程可以是预先从至少一个道路图像中标注得到的车道线。均采样处理可以是确定道路图像中的每行像素与已标注车道线方程的交点坐标作为车道线采样点坐标。车道线采样点坐标序列中的各个车道线采样点坐标可以是对应同一车道线与不同行像素之间的交点坐标。由此,每个车道线采样点坐标序列可以表征一条车道线。
第二步,基于上述车道线采样点坐标序列集,构建车道线采样点坐标矩阵。其中,可以将每个车道线采样点坐标序列作为车道线采样点坐标矩阵中的一个行向量,以此构建车道线采样点坐标矩阵。
第三步,对上述车道线采样点坐标矩阵进行分解处理,以生成车道线特征向量。其中,可以通过SVD(Singular Value Decomposition,奇异值分解)方法,对上述车道线采样点坐标矩阵进行分解处理,以生成车道线特征向量。
实践中,车道线特征向量可以包括至少一个分量特征向量。例如,若道路图像中具有四条车道线。那么,以4为奇异值分解的秩,对上述车道线采样点坐标矩阵进行分解处理,由于左奇异向量之间相互正交,可以得到四个左奇异向量。然后,可以将该四个左奇异向量分别作为上述车道线特征向量中的分量,得到车道线特征向量。
步骤104,基于检测误差值集,对当前车道线方程组进行筛选处理,得到目标车道线方程组。
在一些实施例中,上述执行主体可以基于检测误差值集,对上述当前车道线方程组进行筛选处理,得到目标车道线方程组。
在一些实施例的一些可选的实现方式中,上述执行主体基于检测误差值集,对上述当前车道线方程组进行筛选处理,得到目标车道线方程组,可以包括以下步骤:
第一步,确定上述检测误差值集中的最小检测误差值。其中,最小检测误差值可以作为筛选处理的基准。
第二步,对于上述当前车道线方程组中的每个当前车道线方程,执行如下筛选处理步骤,得到上述目标车道线方程组中的目标车道线方程:
响应于确定上述当前车道线方程对应的检测误差值与上述最小检测误差值满足预设筛选条件,将上述当前车道线方程确定为目标车道线方程。其中,上述预设筛选条件可以是上述检测误差值小于等于上述最小检测误差值与目标阈值的和。这里,若上述检测误差值小于等于上述最小检测误差值与目标阈值的和,可以表征前后两针的车道线方程误差不大,可以确定为对应同一车道线。
实践中,上述目标阈值可以是标准差阈值与四维单位向量的乘积的2范式。例如,标准差阈值可以是3,可以用于表征三个标准差对应的正态分布概率。
在一些实施例的一些可选的实现方式中,上述执行主体基于检测误差值集,对上述当前车道线方程组进行筛选处理,得到目标车道线方程组,还可以包括以下步骤:
第一步,响应于确定上述当前车道线方程对应的检测误差值与上述最小检测误差值不满足上述预设筛选条件,将上述当前车道线方程作为待筛选车道线方程添加至预设的待筛选车道线方程序列。其中,上述当前车道线方程对应的检测误差值与上述最小检测误差值不满足上述预设筛选条件可以表征上述前后两针的车道线方程误差较大。在前一帧车道线确定的情况下,当前车道线方程的准确度存在较大的检测误差。因此,可以将上述当前车道线方程作为待筛选车道线方程添加至预设的待筛选车道线方程序列,以供进一步检测。
第二步,对于上述待筛选车道线方程序列中满足预设检验条件的每个待筛选车道线方程,执行如下检验步骤:
第一子步骤,响应于确定上述目标车道线方程组中存在与上述待筛选车道线方程对应的目标车道线方程,将上述对应的目标车道线方程确定为当前目标车道线方程。其中,上述预设检验条件可以是:待筛选车道线方程不为当前帧的当前车道线方程。这里,由于筛选需要根据待筛选车道线方程的前后几帧不存在误检的车道线进行筛选。因此,通过引入上述预设检验条件,过滤当前帧的当前车道线方程。从而,可以降低内存消耗,提高效率。另外,上述目标车道线方程组中存在与上述待筛选车道线方程对应的目标车道线方程,可以表征存在对上述待筛选车道线方程进行检验的条件,即前后几帧不存在误检的车道线。由此,可以提高检验的准确度。
第二子步骤,获取与上述待筛选车道线方程对应的历史目标车道线方程。其中,上述历史目标车道线方程可以是在检测到上述待筛选车道线方程之前几帧中满足上述预设筛选条件的车道线。
第三子步骤,对上述待筛选车道线方程、上述当前目标车道线方程和上述历史目标车道线方程进行组合处理,得到检测车道线方程组序列。其中,组合处理可以是对上述待筛选车道线方程、上述当前目标车道线方程和上述历史目标车道线方程进行两两组合,得到检测车道线方程组序列。
作为示例,检测车道线方程组序列可以是:{{历史目标车道线方程,待筛选车道线方程},{当前目标车道线方程,待筛选车道线方程},{历史目标车道线方程,当前目标车道线方程}}。
第四子步骤,对上述检测车道线方程组序列中的每个检测车道线方程组中的各个检测车道线方程进行误差检测处理以生成误差检测结果,得到误差检测结果序列。其中,可以通过上述误差检测处理方式,对上述检测车道线方程组序列中的每个检测车道线方程组中的各个检测车道线方程进行误差检测处理以生成误差检测结果,得到误差检测结果序列。这里,误差检测结果可以是:满足上述预设筛选条件(即,不存在误检)或不满足上述预设筛选条件(即,存在误检)。
作为示例,误差检测结果序列可以是:{{历史目标车道线方程,待筛选车道线方程}:{存在误检},{当前目标车道线方程,待筛选车道线方程}:{不存在误检},{历史目标车道线方程,当前目标车道线方程}:{存在误检}}。
第五子步骤,响应于确定上述误差检测结果序列满足预设误检条件的误差检测结果,将上述待筛选车道线方程确定为目标车道线方程。其中,上述预设误检条件可以是上述误差检测结果序列表征上述待筛选车道线方程不存在误检。这里,若通过上述误差检测结果序列确定上述待筛选车道线方程不存在误检,则可以将上述待筛选车道线方程确定为目标车道线方程。
在一些实施例的一些可选的实现方式中,上述执行主体基于检测误差值集,对上述当前车道线方程组进行筛选处理,得到目标车道线方程组,还可以包括以下步骤:
响应于确定上述误差检测结果序列不满足上述预设误检条件的误差检测结果,将上述待筛选车道线方程确定为误检车道线,以及将上述待筛选车道线从上述待筛选车道线方程序列中移除。其中,若通过上述误差检测结果序列确定上述待筛选车道线方程存在误检,可以将上述待筛选车道线方程确定为误检车道线,以及将上述待筛选车道线从上述待筛选车道线方程序列中移除。另外,若通过上述误差检测结果序列无法确定上述待筛选车道线方程是否存在误检,则也可以将上述待筛选车道线方程确定为误检车道线,以及将上述待筛选车道线从上述待筛选车道线方程序列中移除。从而,可以确保目标车道线方程的准确性。
可选的,上述执行主体还可以将上述目标车道线方程组中的各个目标车道线方程发送至显示终端以供显示。
上述各个公式及其相关内容作为本公开的实施例的一个发明点,解决了背景技术提及的技术问题二“在车辆变道的情况下,前后帧车道线会发生较大偏移,导致连续帧车道线采样点在图像中的位置与阈值之间的误差较大,从而,容易将非误检车道线确定为误检车道线造成误删情况,进而,导致生成的车道线检测结果的准确度不足”。导致生成的车道线检测结果的准确度不足的因素往往如下:在车辆变道的情况下,前后帧车道线会发生较大偏移,导致连续帧车道线采样点在图像中的位置与阈值之间的误差较大,从而,容易将非误检车道线确定为误检车道线造成误删情况。如果解决了上述因素,就能提高生成的车道线检测结果的准确度。为了达到这一效果,首先,通过生成车道线系数向量的公式,以及利用引入的车道线特征向量,生成车道线系数向量。由此,可以避免在车辆变道的情况下,前后帧车道线会发生较大偏移对车道线检测结果产生的影响。然后,通过生成检测误差值的公式,以及引入的系数标准差,生成检测误差值。以此可以通过误差检测值对车道线进行检测筛选。最后,通过引入预设筛选条件、预设检验条件和预设误检条件,可以进一步提高筛选的准确度。从而,可以避免将非误检车道线确定为误检车道线造成误删情况。进而,可以提高生成的车道线检测结果的准确度。
本公开的上述各个实施例具有如下有益效果:通过本公开的一些实施例的车道线检测方法,可以提高生成生成的车道线检测结果的准确性。具体来说,造成生成的车道线检测结果准确度不足的原因在于:亮度差、多帧之间车道线距离约束等方法仅适用于车道线是直线为前提的场景,若车辆处于弯道场景,则容易导致的检测结果的准确度不足。基于此,本公开的一些实施例的车道线检测方法,考虑到亮度差、多帧之间车道线距离约束等方法仅适用于车道线是直线为前提的场景,若车辆处于弯道场景,则容易导致的检测结果的准确度不足。因此,首先,通过误差检测处理,可以确定每个当前车道线方程的检测误差值。以此,可以依据检测误差值对车道线进行检测。因此,可以无需考虑车道线是否为直线的情况。然后,基于检测误差值集,对上述当前车道线方程组进行筛选处理,得到目标车道线方程组。由此,可以实现车道线检测。从而,可以进一步确保提取到的当前车道线方程的准确度。进而,可以提高生成的目标车道线方程组(即,车道线检测结果)的准确度。
进一步参考图2,作为对上述各图所示方法的实现,本公开提供了一种车道线检测装置的一些实施例,这些装置实施例与图1所示的那些方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图2所示,一些实施例的车道线检测装置200包括:获取单元201、提取处理单元202、误差检测处理单元203和筛选处理单元204。其中,获取单元,被配置成获取道路图像和历史车道线参数向量组;提取处理单元,被配置成对上述道路图像进行提取处理,得到当前车道线方程组;误差检测处理单元,被配置成对上述当前车道线方程组中每个当前车道线方程与上述历史车道线参数向量组中对应的历史车道线参数向量进行误差检测处理以生成检测误差值,得到检测误差值集;筛选处理单元,被配置成基于检测误差值集,对上述当前车道线方程组进行筛选处理,得到目标车道线方程组。
可以理解的是,该装置200中记载的诸单元与参考图1描述的方法中的各个步骤相对应。由此,上文针对方法描述的操作、特征以及产生的有益效果同样适用于装置200及其中包含的单元,在此不再赘述。
下面参考图3,其示出了适于用来实现本公开的一些实施例的电子设备300的结构示意图。图3示出的电子设备仅仅是一个示例,不应对本公开的实施例的功能和使用范围带来任何限制。
如图3所示,电子设备300可以包括处理装置(例如中央处理器、图形处理器等)301,其可以根据存储在只读存储器(ROM)302中的程序或者从存储装置308加载到随机访问存储器(RAM)303中的程序而执行各种适当的动作和处理。在RAM 303中,还存储有电子设备300操作所需的各种程序和数据。处理装置301、ROM 302以及RAM303通过总线304彼此相连。输入/输出(I/O)接口305也连接至总线304。
通常,以下装置可以连接至I/O接口305:包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置306;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置307;包括例如磁带、硬盘等的存储装置308;以及通信装置309。通信装置309可以允许电子设备300与其他设备进行无线或有线通信以交换数据。虽然图3示出了具有各种装置的电子设备300,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图3中示出的每个方框可以代表一个装置,也可以根据需要代表多个装置。
特别地,根据本公开的一些实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的一些实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的一些实施例中,该计算机程序可以通过通信装置309从网络上被下载和安装,或者从存储装置308被安装,或者从ROM 302被安装。在该计算机程序被处理装置301执行时,执行本公开的一些实施例的方法中限定的上述功能。
需要说明的是,本公开的一些实施例上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的一些实施例中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开的一些实施例中,计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
在一些实施方式中,客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol,超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信,并且可以与任意形式或介质的数字数据通信(例如,通信网络)互连。通信网络的示例包括局域网(“LAN”),广域网(“WAN”),网际网(例如,互联网)以及端对端网络(例如,ad hoc端对端网络),以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述装置中所包含的;也可以是单独存在,而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备:获取道路图像和历史车道线参数向量组;对上述道路图像进行提取处理,得到当前车道线方程组;对上述当前车道线方程组中每个当前车道线方程与上述历史车道线参数向量组中对应的历史车道线参数向量进行误差检测处理以生成检测误差值,得到检测误差值集;基于检测误差值集,对上述当前车道线方程组进行筛选处理,得到目标车道线方程组。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的一些实施例的操作的计算机程序代码,上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开的一些实施例中的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中,例如,可以描述为:一种处理器包括获取单元、提取处理单元、误差检测处理单元和筛选处理单元。其中,这些单元的名称在某种情况下并不构成对该单元本身的限定,例如,获取单元还可以被描述为“获取道路图像和历史车道线参数向量组的单元”。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如,非限制性地,可以使用的示范类型的硬件逻辑部件包括:现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。
以上描述仅为本公开的一些较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本公开的实施例中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开的实施例中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (10)
1.一种车道线检测方法,包括:
获取道路图像和历史车道线参数向量组;
对所述道路图像进行提取处理,得到当前车道线方程组;
对所述当前车道线方程组中每个当前车道线方程与所述历史车道线参数向量组中对应的历史车道线参数向量进行误差检测处理以生成检测误差值,得到检测误差值集;
基于检测误差值集,对所述当前车道线方程组进行筛选处理,得到目标车道线方程组。
2.根据权利要求1所述的方法,其中,所述方法还包括:
将所述目标车道线方程组中的各个目标车道线方程发送至显示终端以供显示。
3.根据权利要求1所述的方法,其中,所述对所述当前车道线方程组中每个当前车道线方程与所述历史车道线参数向量组中对应的历史车道线参数向量进行误差检测处理以生成检测误差值,包括:
基于预设的车道线特征向量,确定与所述当前车道线方程对应的车道线系数向量;
基于所述车道线系数向量、对应的历史车道线参数向量和预设的系数标准差,生成检测误差值。
4.根据权利要求3所述的方法,其中,所述预设的车道线特征向量通过以下步骤生成:
对已标注车道线方程组中的每个已标注车道线方程进行均采样处理以生成车道线采样点坐标序列,得到车道线采样点坐标序列集;
基于所述车道线采样点坐标序列集,构建车道线采样点坐标矩阵;
对所述车道线采样点坐标矩阵进行分解处理,以生成车道线特征向量。
5.根据权利要求1所述的方法,其中,所述基于检测误差值集,对所述当前车道线方程组进行筛选处理,得到目标车道线方程组,包括:
确定所述检测误差值集中的最小检测误差值;
对于所述当前车道线方程组中的每个当前车道线方程,执行如下筛选处理步骤,得到所述目标车道线方程组中的目标车道线方程:
响应于确定所述当前车道线方程对应的检测误差值与所述最小检测误差值满足预设筛选条件,将所述当前车道线方程确定为目标车道线方程。
6.根据权利要求5所述的方法,其中,所述方法还包括:
响应于确定所述当前车道线方程对应的检测误差值与所述最小检测误差值不满足所述预设筛选条件,将所述当前车道线方程作为待筛选车道线方程添加至预设的待筛选车道线方程序列;
对于所述待筛选车道线方程序列中满足预设检验条件的每个待筛选车道线方程,执行如下检验步骤:
响应于确定所述目标车道线方程组中存在与所述待筛选车道线方程对应的目标车道线方程,将所述对应的目标车道线方程确定为当前目标车道线方程;
获取与所述待筛选车道线方程对应的历史目标车道线方程;
对所述待筛选车道线方程、所述当前目标车道线方程和所述历史目标车道线方程进行组合处理,得到检测车道线方程组序列;
对所述检测车道线方程组序列中的每个检测车道线方程组中的各个检测车道线方程进行误差检测处理以生成误差检测结果,得到误差检测结果序列;
响应于确定所述误差检测结果序列满足预设误检条件的误差检测结果,将所述待筛选车道线方程确定为目标车道线方程。
7.根据权利要求6所述的方法,其中,所述方法还包括:
响应于确定所述误差检测结果序列不满足所述预设误检条件的误差检测结果,将所述待筛选车道线方程确定为误检车道线,以及将所述待筛选车道线从所述待筛选车道线方程序列中移除。
8.一种车道线检测装置,包括:
获取单元,被配置成获取道路图像和历史车道线参数向量组;
提取处理单元,被配置成对所述道路图像进行提取处理,得到当前车道线方程组;
误差检测处理单元,被配置成对所述当前车道线方程组中每个当前车道线方程与所述历史车道线参数向量组中对应的历史车道线参数向量进行误差检测处理以生成检测误差值,得到检测误差值集;
筛选处理单元,被配置成基于检测误差值集,对所述当前车道线方程组进行筛选处理,得到目标车道线方程组。
9.一种电子设备,包括:
一个或多个处理器;
存储装置,其上存储有一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-7中任一所述的方法。
10.一种计算机可读介质,其上存储有计算机程序,其中,所述程序被处理器执行时实现如权利要求1-7中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210716828.1A CN115272182B (zh) | 2022-06-23 | 2022-06-23 | 车道线检测方法、装置、电子设备和计算机可读介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210716828.1A CN115272182B (zh) | 2022-06-23 | 2022-06-23 | 车道线检测方法、装置、电子设备和计算机可读介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115272182A true CN115272182A (zh) | 2022-11-01 |
CN115272182B CN115272182B (zh) | 2023-05-26 |
Family
ID=83761897
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210716828.1A Active CN115272182B (zh) | 2022-06-23 | 2022-06-23 | 车道线检测方法、装置、电子设备和计算机可读介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115272182B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115546766A (zh) * | 2022-11-30 | 2022-12-30 | 广汽埃安新能源汽车股份有限公司 | 车道线生成方法、装置、电子设备和计算机可读介质 |
CN115731526A (zh) * | 2022-11-21 | 2023-03-03 | 禾多科技(北京)有限公司 | 车道线识别方法、装置、电子设备和计算机可读介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2014056536A (ja) * | 2012-09-14 | 2014-03-27 | Oki Electric Ind Co Ltd | 情報処理装置、情報処理方法、及びプログラム |
CN111316284A (zh) * | 2019-02-13 | 2020-06-19 | 深圳市大疆创新科技有限公司 | 车道线检测方法、装置、系统与车辆、存储介质 |
CN111353446A (zh) * | 2020-03-05 | 2020-06-30 | 广智微芯(扬州)有限公司 | 一种车道线检测方法及系统 |
CN112154449A (zh) * | 2019-09-26 | 2020-12-29 | 深圳市大疆创新科技有限公司 | 车道线融合方法、车道线融合装置、车辆和存储介质 |
CN113167885A (zh) * | 2021-03-03 | 2021-07-23 | 华为技术有限公司 | 车道线检测方法和车道线检测装置 |
CN113870600A (zh) * | 2021-09-29 | 2021-12-31 | 禾多阡陌科技(北京)有限公司 | 车道线信息显示方法、装置、电子设备和计算机可读介质 |
CN113888568A (zh) * | 2021-08-31 | 2022-01-04 | 际络科技(上海)有限公司 | 多车道线优化方法、装置、电子设备、存储介质及程序 |
CN114644019A (zh) * | 2022-05-23 | 2022-06-21 | 苏州挚途科技有限公司 | 车道中心线的确定方法、装置和电子设备 |
-
2022
- 2022-06-23 CN CN202210716828.1A patent/CN115272182B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2014056536A (ja) * | 2012-09-14 | 2014-03-27 | Oki Electric Ind Co Ltd | 情報処理装置、情報処理方法、及びプログラム |
CN111316284A (zh) * | 2019-02-13 | 2020-06-19 | 深圳市大疆创新科技有限公司 | 车道线检测方法、装置、系统与车辆、存储介质 |
CN112154449A (zh) * | 2019-09-26 | 2020-12-29 | 深圳市大疆创新科技有限公司 | 车道线融合方法、车道线融合装置、车辆和存储介质 |
CN111353446A (zh) * | 2020-03-05 | 2020-06-30 | 广智微芯(扬州)有限公司 | 一种车道线检测方法及系统 |
CN113167885A (zh) * | 2021-03-03 | 2021-07-23 | 华为技术有限公司 | 车道线检测方法和车道线检测装置 |
CN113888568A (zh) * | 2021-08-31 | 2022-01-04 | 际络科技(上海)有限公司 | 多车道线优化方法、装置、电子设备、存储介质及程序 |
CN113870600A (zh) * | 2021-09-29 | 2021-12-31 | 禾多阡陌科技(北京)有限公司 | 车道线信息显示方法、装置、电子设备和计算机可读介质 |
CN114644019A (zh) * | 2022-05-23 | 2022-06-21 | 苏州挚途科技有限公司 | 车道中心线的确定方法、装置和电子设备 |
Non-Patent Citations (2)
Title |
---|
ABDULADHEM ABDULKAREEM ALI .ET AL: "Real-time lane markings recognition based on seed-fill algorithm" * |
梁朱冬等: "基于改进最小二乘法车道线模型的车道标识线检测识别" * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115731526A (zh) * | 2022-11-21 | 2023-03-03 | 禾多科技(北京)有限公司 | 车道线识别方法、装置、电子设备和计算机可读介质 |
CN115731526B (zh) * | 2022-11-21 | 2023-10-13 | 禾多科技(北京)有限公司 | 车道线识别方法、装置、电子设备和计算机可读介质 |
CN115546766A (zh) * | 2022-11-30 | 2022-12-30 | 广汽埃安新能源汽车股份有限公司 | 车道线生成方法、装置、电子设备和计算机可读介质 |
Also Published As
Publication number | Publication date |
---|---|
CN115272182B (zh) | 2023-05-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112184738B (zh) | 一种图像分割方法、装置、设备及存储介质 | |
CN115272182B (zh) | 车道线检测方法、装置、电子设备和计算机可读介质 | |
CN111784712B (zh) | 图像处理方法、装置、设备和计算机可读介质 | |
CN112733820B (zh) | 障碍物信息生成方法、装置、电子设备和计算机可读介质 | |
CN114399589B (zh) | 三维车道线生成方法、装置、电子设备和计算机可读介质 | |
CN113869293A (zh) | 车道线识别方法、装置、电子设备和计算机可读介质 | |
CN112766189A (zh) | 深度伪造检测方法、装置、存储介质及电子设备 | |
CN111414879A (zh) | 人脸遮挡程度识别方法、装置、电子设备及可读存储介质 | |
CN112381717A (zh) | 图像处理方法、模型训练方法、装置、介质及设备 | |
CN111757100B (zh) | 相机运动变化量的确定方法、装置、电子设备和介质 | |
CN113610034B (zh) | 识别视频中人物实体的方法、装置、存储介质及电子设备 | |
CN113658196A (zh) | 红外图像中船舶的检测方法、装置、电子设备和介质 | |
CN113808134B (zh) | 油罐布局信息生成方法、装置、电子设备、介质 | |
CN112085733A (zh) | 图像处理方法、装置、电子设备和计算机可读介质 | |
CN115100536B (zh) | 建筑物识别方法、装置、电子设备和计算机可读介质 | |
CN113780247B (zh) | 红绿灯检测方法、装置、电子设备和计算机可读介质 | |
CN113435393B (zh) | 森林火灾烟雾根节点检测方法、装置和设备 | |
CN112597788B (zh) | 目标测定方法、装置、电子设备和计算机可读介质 | |
CN111915532B (zh) | 图像追踪方法、装置、电子设备及计算机可读介质 | |
CN111680754B (zh) | 图像分类方法、装置、电子设备及计算机可读存储介质 | |
CN114155545A (zh) | 表格识别方法、装置、可读介质及电子设备 | |
CN111586295B (zh) | 图像生成方法、装置和电子设备 | |
CN110348374B (zh) | 车辆检测方法、装置、电子设备及存储介质 | |
CN112418233A (zh) | 图像处理方法、装置、可读介质及电子设备 | |
CN112070034A (zh) | 图像识别方法、装置、电子设备和计算机可读介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CP03 | Change of name, title or address | ||
CP03 | Change of name, title or address |
Address after: 201, 202, 301, No. 56-4 Fenghuang South Road, Huadu District, Guangzhou City, Guangdong Province, 510806 Patentee after: Heduo Technology (Guangzhou) Co.,Ltd. Address before: 100099 101-15, 3rd floor, building 9, yard 55, zique Road, Haidian District, Beijing Patentee before: HOLOMATIC TECHNOLOGY (BEIJING) Co.,Ltd. |