CN115311634A - 一种基于模板匹配的车道线跟踪方法、介质以及设备 - Google Patents

一种基于模板匹配的车道线跟踪方法、介质以及设备 Download PDF

Info

Publication number
CN115311634A
CN115311634A CN202210721118.8A CN202210721118A CN115311634A CN 115311634 A CN115311634 A CN 115311634A CN 202210721118 A CN202210721118 A CN 202210721118A CN 115311634 A CN115311634 A CN 115311634A
Authority
CN
China
Prior art keywords
lane line
template
lane
sub
matching
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202210721118.8A
Other languages
English (en)
Inventor
许程
李丹
郭睿
喻鹤
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Institute of Electronic System Engineering
Original Assignee
Beijing Institute of Electronic System Engineering
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Institute of Electronic System Engineering filed Critical Beijing Institute of Electronic System Engineering
Priority to CN202210721118.8A priority Critical patent/CN115311634A/zh
Publication of CN115311634A publication Critical patent/CN115311634A/zh
Pending legal-status Critical Current

Links

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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • 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
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Image Analysis (AREA)

Abstract

本发明的一个实施例公开了一种基于模板匹配的车道线跟踪方法、介质以及设备，所述方法包括：S1：获取车载前向摄像头输出的每一帧图像，根据当前车速对车道线模板进行初始化；S2：将根据当前帧图像检测到的多条车道线与预先构建的车道线模板进行匹配；S3：对匹配结果进行分类并进行对应的处理。本发明可以在车道线检测结果不稳定时，即车道线出现中断、遮挡、大角度弯道以及复杂车道线的情况时，提升整体车道线检测的鲁棒性。

Description

一种基于模板匹配的车道线跟踪方法、介质以及设备
技术领域
本发明涉及图像处理领域。更具体地，涉及一种基于模板匹配的车道线跟踪方法、介质以及设备。
背景技术
车道线跟踪是无人驾驶技术中感知模块的重要功能之一，在无人驾驶车辆行驶过程中起着重要作用，LDW(车道偏离预警)、LKA(车道保持辅助)等功能模块都依赖于连续稳定的车道线检测和跟踪。车道线跟踪是利用图像采集时间上的连续性，根据前几帧图像中检测到的车道线，预测当前帧的车道线，再融合当前帧车道线的检测结果，最终输出当前帧最有可能的车道线。
目前，车道线跟踪常用的方法有基于卡尔曼滤波及其变形的方法，该类方法首先利用传统图像处理算法提取图像特征得到的车道线，然后匹配前一帧和当前帧车道线，再启动卡尔曼滤波器等对车道线参数进行跟踪，最后输出跟踪后的新车道线参数。但直接对车道线参数直接进行跟踪存在问题，卡尔曼滤波是基于噪声服从高斯分布的假设，然而车道线参数噪声分布通常不符合，因此现有车道线跟踪算法存在一些不足之处，尤其在非理想情况下，例如车道线图像出现中断、遮挡、模糊的情况，以及大角度弯道、出入口、路口等车道线繁杂的情况，现有的车道线算法鲁棒性较差，很难持续给出较好的车道线跟踪结果，出现车道线漏检、误检等情况，为后续无人驾驶功能带来危险。
发明内容
有鉴于此，本发明的第一个实施例提供一种基于模板匹配的车道线跟踪方法，包括：
S1：获取车载前向摄像头输出的每一帧图像，根据当前车速对车道线模板进行初始化；
S2：将根据当前帧图像检测到的多条车道线与预先构建的车道线模板进行匹配；
S3：对匹配结果进行分类并进行对应的处理。
在一个具体实施例中，根据当前车速对车道线模板进行初始化包括：
判断所述当前车速是否超过预设的车速阈值，若不超过则清空车道线模板，否则对所述车载前向摄像头输出的每一帧图像进行处理，得到根据当前帧图像检测到的多条车道线；
判断预先构建的车道线模板是否为零，若是则建立车道线模板，否则将根据当前帧图像检测到的多条车道线与预先构建的车道线模板进行匹配。
在一个具体实施例中，将根据当前帧图像检测到的多条车道线与预先构建的车道线模板进行匹配包括：
将每条车道线与预先构建的车道线模板中的子模板两两匹配，得到每条车道线对应的最高得分的子模板；
判断所述子模板的得分是否超过匹配得分阈值，若超过则认为匹配成功，否则匹配失败。
在一个具体实施例中，所述匹配结果分为匹配成功的车道线及其子模板，没有匹配到车道线的子模板，没有匹配到子模板的车道线。
在一个具体实施例中，当匹配结果为匹配成功的车道线及其子模板时，将所述子模板对应的跟踪时间设置为time＝time+1，并更新其对应的其他子模板内容；
获取匹配成功的模板跟踪时间最长及车道线点概率值得分最高的线，将其加入候选车道线列表；
依次计算其余匹配成功的车道线与候选车道线列表中的车道线之间的距离，如果距离大于预设的距离阈值，则将其余匹配成功的车道线也加入候选车道线列表；否则计算候选车道线列表中的车道线与余匹配成功的车道线的跟踪时间差，并根据所述跟踪时间差以及对候选车道线列表中的车道线和其余匹配成功的车道线进行比较，以决定将哪条车道线加入或保留到候选车道线。
在一个具体实施例中，当匹配结果为没有匹配到车道线的子模板时，如果当前帧子模板内语义分割结果概率值超过预设的得分阈值，并且过去一段时间内均在此位置出现了车道线，则认为当前帧车道线为漏检，则补充一条车道线到候选车道线中。
在一个具体实施例中，当匹配结果为没有匹配到子模板的车道线时，计算未匹配成功的车道线与所有子模板的距离，如果距离大于预设的距离阈值，则认为是新检测到的车道线并加入候选车道线中，否则根据与未匹配成功的车道线距离最近的子模板对应的跟踪时间是否大于预设的时间阈值，若是，则判断此条车道线为误检车道线，否则判断子模板出错。
在一个具体实施例中，对所述车载前向摄像头输出的每一帧图像进行处理包括：
所述车载前向摄像头输出的每一帧图像的每个像素点进行二分类，每个像素点给出是否为车道线上的点的概率；
对这些点进行聚类或拟合得到车道线的参数化表示。
本发明的第二个实施例提供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第一个实施例所述的方法。
本发明的第三个实施例提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如第一个实施例所述的方法。
本发明的有益效果如下：
本发明提供了一种基于模板匹配的车道线跟踪方法、介质以及设备，本发明提出的车道线跟踪方法可以在车道线检测结果不稳定时，即车道线出现中断、遮挡、大角度弯道以及复杂车道线的情况时，提升整体车道线检测的鲁棒性，即使车道线处理时出现几帧不稳定输出的情况，即出现车道线部分漏识别或误识别的情况，本发明所提出的跟踪方法可以弥补失误，通过基于模板的跟踪预测依然输出时间及空间上比较连续的车道线。经过实际道路测试，本发明所提出的车道线跟踪方法可整体车道线检测准确率提升10％。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1示出根据本发明一个实施例的基于模板匹配的车道线跟踪方法的流程示意图；
图2示出根据本发明一个实施例的匹配结果为匹配成功的车道线及其子模板时的流程示意图；
图3示出根据本发明一个实施例的当匹配结果为没有匹配到车道线的子模板时的流程示意图；
图4示出根据本发明一个实施例的当匹配结果为没有匹配到子模板的车道线时的流程示意图；
图5示出本发明的另一个实施例所述的一种计算机设备的结构示意图。
具体实施方式
为使本发明的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地详细描述。
如图1所示，本发明的一个实施例提供了一种基于模板匹配的车道线跟踪方法，包括：
S1：获取车载前向摄像头输出的每一帧图像，根据当前车速对车道线模板进行初始化；
在一个具体实施例中，根据当前车速对车道线模板进行初始化包括：
判断所述当前车速是否超过预设的车速阈值，若不超过则清空车道线模板，否则对所述车载前向摄像头输出的每一帧图像进行处理，得到根据当前帧图像检测到的多条车道线；
判断预先构建的车道线模板是否为零，若是则建立车道线模板，否则将根据当前帧图像检测到的多条车道线与预先构建的车道线模板进行匹配。
在本实施例中，可以先根据当前车速判断是否需要输出车道线，当车速较低时，无需输出车道线，此时积累车道线模板价值不大，选择清空车道线模板。当车速满足阈值后并且模板数量为零时，开始建立车道线模板。车道线模板会包含路面多条车道线的坐标点、宽度、曲率等特征，用于后续进行匹配跟踪。
其中，车道线模板与现有技术也有很大不同，不仅包含车道线参数信息，还包含很多能够评判车道线质量的数据。实际路面基本会包含两条及以上车道线，一个车道线模板会包含多条子车道线模板，每个子模板的内容会包含：前向图像上的车道线点的坐标，车道线点进行逆透视变换后的坐标，车道线点的语义分割概率值，前向图像上的车道线2次拟合参数，逆透视变换后1次拟合参数，逆透视变换后2次拟合参数，是否为左车道线标志，是否为直道车道线标志，跟踪时间，该车道线的最大曲率，模板宽度，最长跟踪时间阈值，车道线与模板匹配得分阈值等。
其中，在一个具体实施例中，对所述车载前向摄像头输出的每一帧图像进行处理包括：
所述车载前向摄像头输出的每一帧图像的每个像素点进行二分类，每个像素点给出是否为车道线上的点的概率；
对这些点进行聚类或拟合得到车道线的参数化表示。
在本实施例中，对所述车载前向摄像头输出的每一帧图像的每个像素点进行二分类，每个像素点给出是否为车道线上的点的概率，对这些点进行聚类或拟合得到车道线的参数化表示，例如可以用二次曲线、三次曲线、样条曲线等表示，从而以便后续进行与预先构建的车道线模板进行匹配。
S2：将根据当前帧图像检测到的多条车道线与预先构建的车道线模板进行匹配；
在一个具体实施例中，将根据当前帧图像检测到的多条车道线与预先构建的车道线模板进行匹配包括：
将每条车道线与预先构建的车道线模板中的子模板两两匹配，得到每条车道线对应的最高得分的子模板；
判断所述子模板的得分是否超过匹配得分阈值，若超过则认为匹配成功，否则匹配失败。
在本实施例中，由于经过语义分割和后处理后的车道线可能会出现漏检误检情况，少检测到车道线，或者将一条车道线识别为前后两条，或者将路面污损部分识别为车道线等，这种情况下，仅依赖当前帧图像的检测结果很容易得到错误的车道线，需要考虑到过去一小段时间历史车道线。在车辆连续移动的情况下，车道线在空间上也具有一定连续性，连续两帧图像通常间隔小于0.05s，车道线的位置不会产生很大的变化。车道线模板所表示的就是历史车道线的信息，因此，模板匹配是根据车道线点与模板的位置关系进行匹配，通过模板匹配找到本帧车道线与历史车道线的对应关系，可以有效消除几帧检测失误而导致车道线结果错误的情况。
车道线与预先构建的车道线模板匹配模块具体实现流程如下：如果获取到新的一帧图像，车速满足阈值，并且模板不为空时，进入车道线与模板匹配操作。每一帧图像会检测出多条车道线，将每条车道线与车道线模板中的子模板两两匹配，找出每条车道线对应的最高得分的子模板，如果得分超过匹配得分阈值，则认为匹配成功。匹配得分是当前帧检测到的一条车道线点在子模板范围内的点数量与这条车道线总点数比值，可以计算点距离子模板线的距离与模板宽度来判断车道线点是否在子模板范围内。
所以在一个具体实施例中，通过上述匹配过程，所述匹配结果分为匹配成功的车道线及其子模板，没有匹配到车道线的子模板，没有匹配到子模板的车道线。
S3：对匹配结果进行分类并进行对应的处理。
在一个具体实施例中，如图2所示，当匹配结果为匹配成功的车道线及其子模板时，将所述子模板对应的跟踪时间设置为time＝time+1，并更新其对应的其他子模板内容；
获取匹配成功的模板跟踪时间最长及车道线点概率值得分最高的线，将其加入候选车道线列表；
依次计算其余匹配成功的车道线(记为line2)与候选车道线列表中的车道线(记为line1)之间的距离，如果距离大于预设的距离阈值K_dis，则将其余匹配成功的车道线也加入候选车道线列表；否则计算候选车道线列表中的车道线与其余匹配成功的车道线的跟踪时间差line1.time-line2.time，并根据所述跟踪时间差以及对候选车道线列表中的车道线和其余匹配成功的车道线进行比较，以决定将哪条车道线加入或保留到候选车道线，并对另一条车道线对应的子模板对应的跟踪时间设置为time＝time-4，例如计算候选车道线列表中的车道线与其余匹配成功的车道线的跟踪时间差line1.time-line2.time，并判断所述跟踪时间差是否超过预设的时间阈值K_time，如果未超过则保存候选车道线列表中的车道线，并删除其余匹配成功的车道线及其对应的子模板，否则对候选车道线列表中的车道线和其余匹配成功的车道线进行比较，选择得分高的线加入候选车道线列表，并对另一条车道线对应的子模板对应的跟踪时间设置为time＝time-4。
如图3所示，当匹配结果为没有匹配到车道线的子模板时，如果当前帧子模板内语义分割结果概率值超过预设的得分阈值K_prob，并且过去一段时间内均在此位置出现了车道线，则认为当前帧车道线为漏检，则补充一条车道线到候选车道线中。
在本实施例中，需要通过当前帧语义分割结果以及子模板的属性值判断是否要补充候选车道线。如果当前帧子模板内语义分割结果概率值超过阈值K_prob，并且过去一段时间内均在此位置出现了车道线，则认为当前帧车道线为漏检，根据子模板补充一条车道线到候选车道线中。但依然需要对车道线模板进行惩罚，减少属性值跟踪时间，减少的值具体根据概率值情况而定，以防是由于路况变化等原因导致的车道线消失。
如图4所示，当匹配结果为没有匹配到子模板的车道线时，计算未匹配成功的车道线与所有子模板的距离，如果距离大于预设的距离阈值K_dis，则认为是新检测到的车道线并加入候选车道线中，否则根据与未匹配成功的车道线距离最近的子模板对应的跟踪时间是否大于预设的时间阈值，若是，则判断此条车道线为误检车道线，否则判断子模板出错。
经过上述车道线跟踪方法处理后，需要根据上述过程的中间处理结果整体更新车道线模板，补充新的车道线子模板，删除不符合要求的车道线子模板。最后，将候选车道线列表中的车道线输出，作为本帧的车道线输出。
本发明的另一个实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现：获取车载前向摄像头输出的每一帧图像，根据当前车速对车道线模板进行初始化；将根据当前帧图像检测到的多条车道线与预先构建的车道线模板进行匹配；对匹配结果进行分类并进行对应的处理。
在实际应用中，所述计算机可读存储介质可以采用一个或多个计算机可读的介质的任意组合。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。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(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(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。
计算机可读的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。计算机可读的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，包括但不限于无线、电线、光缆、RF等等，或者上述的任意合适的组合。
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发明操作的计算机程序代码，所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)。
如图5所示，本发明的另一个实施例提供的一种计算机设备的结构示意图。图5显示的计算机设备12仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图5所示，计算机设备12以通用计算设备的形式表现。计算机设备12的组件可以包括但不限于：一个或者多个处理器或者处理单元16，系统存储器28，连接不同系统组件(包括系统存储器28和处理单元16)的总线18。
总线18表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(ISA)总线，微通道体系结构(MAC)总线，增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。
计算机设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被计算机设备12访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。
系统存储器28可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(RAM)30和/或高速缓存存储器32。计算机设备12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统34可以用于读写不可移动的、非易失性磁介质(图5未显示，通常称为“硬盘驱动器”)。尽管图5中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如CD-ROM，DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线18相连。存储器28可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块42的程序/实用工具40，可以存储在例如存储器28中，这样的程序模块42包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本发明所描述的实施例中的功能和/或方法。
计算机设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信，还可与一个或者多个使得用户能与该计算机设备12交互的设备通信，和/或与使得该计算机设备12能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口22进行。并且，计算机设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图5所示，网络适配器20通过总线18与计算机设备12的其它模块通信。应当明白，尽管图5中未示出，可以结合计算机设备12使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
处理器单元16通过运行存储在系统存储器28中的程序，从而执行各种功能应用以及数据处理，例如实现本发明实施例所提供的一种基于模板匹配的车道线跟踪方法。
显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定，对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动，这里无法对所有的实施方式予以穷举，凡是属于本发明的技术方案所引伸出的显而易见的变化或变动仍处于本发明的保护范围之列。

Claims (10)

1.一种基于模板匹配的车道线跟踪方法，其特征在于，包括：
S1：获取车载前向摄像头输出的每一帧图像，根据当前车速对车道线模板进行初始化；
S2：将根据当前帧图像检测到的多条车道线与预先构建的车道线模板进行匹配；
S3：对匹配结果进行分类并进行对应的处理。
2.根据权利要求1所述的方法，其特征在于，根据当前车速对车道线模板进行初始化包括：
判断所述当前车速是否超过预设的车速阈值，若不超过则清空车道线模板，否则对所述车载前向摄像头输出的每一帧图像进行处理，得到根据当前帧图像检测到的多条车道线；
判断预先构建的车道线模板是否为零，若是则建立车道线模板，否则将根据当前帧图像检测到的多条车道线与预先构建的车道线模板进行匹配。
3.根据权利要求1所述的方法，其特征在于，将根据当前帧图像检测到的多条车道线与预先构建的车道线模板进行匹配包括：
将每条车道线与预先构建的车道线模板中的子模板两两匹配，得到每条车道线对应的最高得分的子模板；
判断所述子模板的得分是否超过匹配得分阈值，若超过则认为匹配成功，否则匹配失败。
4.根据权利要求3所述的方法，其特征在于，所述匹配结果分为匹配成功的车道线及其子模板，没有匹配到车道线的子模板，没有匹配到子模板的车道线。
5.根据权利要求4所述的方法，其特征在于，当匹配结果为匹配成功的车道线及其子模板时，将所述子模板对应的跟踪时间设置为time＝time+1，并更新其对应的其他子模板内容；
获取匹配成功的模板跟踪时间最长及车道线点概率值得分最高的线，将其加入候选车道线列表；
依次计算其余匹配成功的车道线与候选车道线列表中的车道线之间的距离，如果距离大于预设的距离阈值，则将其余匹配成功的车道线也加入候选车道线列表；否则计算候选车道线列表中的车道线与余匹配成功的车道线的跟踪时间差，并根据所述跟踪时间差以及对候选车道线列表中的车道线和其余匹配成功的车道线进行比较，以决定将哪条车道线加入或保留到候选车道线。
6.根据权利要求4所述的方法，其特征在于，当匹配结果为没有匹配到车道线的子模板时，如果当前帧子模板内语义分割结果概率值超过预设的得分阈值，并且过去一段时间内均在此位置出现了车道线，则认为当前帧车道线为漏检，则补充一条车道线到候选车道线中。
7.根据权利要求4所述的方法，其特征在于，当匹配结果为没有匹配到子模板的车道线时，计算未匹配成功的车道线与所有子模板的距离，如果距离大于预设的距离阈值，则认为是新检测到的车道线并加入候选车道线中，否则根据与未匹配成功的车道线距离最近的子模板对应的跟踪时间是否大于预设的时间阈值，若是，则判断此条车道线为误检车道线，否则判断子模板出错。
8.根据权利要求2所述的方法，其特征在于，对所述车载前向摄像头输出的每一帧图像进行处理包括：
所述车载前向摄像头输出的每一帧图像的每个像素点进行二分类，每个像素点给出是否为车道线上的点的概率；
对这些点进行聚类或拟合得到车道线的参数化表示。
9.一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1-8中任一项所述的方法。
10.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-8中任一项所述的方法。
CN202210721118.8A 2022-06-24 2022-06-24 一种基于模板匹配的车道线跟踪方法、介质以及设备 Pending CN115311634A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210721118.8A CN115311634A (zh) 2022-06-24 2022-06-24 一种基于模板匹配的车道线跟踪方法、介质以及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210721118.8A CN115311634A (zh) 2022-06-24 2022-06-24 一种基于模板匹配的车道线跟踪方法、介质以及设备

Publications (1)

Publication Number Publication Date
CN115311634A true CN115311634A (zh) 2022-11-08

Family

ID=83855048

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210721118.8A Pending CN115311634A (zh) 2022-06-24 2022-06-24 一种基于模板匹配的车道线跟踪方法、介质以及设备

Country Status (1)

Country Link
CN (1) CN115311634A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116933097A (zh) * 2023-06-27 2023-10-24 广州汽车集团股份有限公司 车辆的变型数据校验方法、装置、设备及存储介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116933097A (zh) * 2023-06-27 2023-10-24 广州汽车集团股份有限公司 车辆的变型数据校验方法、装置、设备及存储介质
CN116933097B (zh) * 2023-06-27 2024-04-26 广州汽车集团股份有限公司 车辆的变型数据校验方法、装置、设备及存储介质

Similar Documents

Publication Publication Date Title
US11210534B2 (en) Method for position detection, device, and storage medium
CN109740469B (zh) 车道线检测方法、装置、计算机设备和存储介质
CN109188438B (zh) 偏航角确定方法、装置、设备和介质
JP7073247B2 (ja) 車線境界線検出モデルを生成するための方法、車線境界線を検出するための方法、車線境界線検出モデルを生成するための装置、車線境界線を検出するための装置、機器、コンピュータ読み取り可能な記憶媒体およびコンピュータプログラム
CN109887033B (zh) 定位方法及装置
CN109633688B (zh) 一种激光雷达障碍物识别方法和装置
CN110163176B (zh) 车道线变化位置识别方法、装置、设备和介质
CN110263713B (zh) 车道线检测方法、装置、电子设备及存储介质
CN110276293B (zh) 车道线检测方法、装置、电子设备及存储介质
CN112200142A (zh) 一种识别车道线的方法、装置、设备及存储介质
KR20150112656A (ko) 카메라 캘리브레이션 방법 및 그 장치
CN110263714B (zh) 车道线检测方法、装置、电子设备及存储介质
CN108734161B (zh) 冠字号区域的识别方法、装置、设备及存储介质
CN112149663A (zh) 结合rpa和ai的图像文字的提取方法、装置及电子设备
CN112507852A (zh) 一种车道线识别方法、装置、设备及存储介质
CN112037521A (zh) 一种车辆类型识别方法以及危化品车辆识别方法
CN113392794A (zh) 车辆跨线识别方法、装置、电子设备和存储介质
CN109300322B (zh) 引导线绘制方法、装置、设备和介质
CN115424245A (zh) 车位识别方法、电子设备和存储介质
CN115311634A (zh) 一种基于模板匹配的车道线跟踪方法、介质以及设备
CN114092909A (zh) 一种车道线提取方法、装置、车辆及存储介质
CN113221894A (zh) 车辆的车牌号识别方法、装置、电子设备和存储介质
CN114429631B (zh) 三维对象检测方法、装置、设备以及存储介质
CN114140772A (zh) 基于深度学习的激光点云车道印刷虚线块提取方法及系统
CN114662600A (zh) 一种车道线的检测方法、装置和存储介质

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