CN115410168A - 车道线数据处理方法、设备和计算机可读存储介质 - Google Patents
车道线数据处理方法、设备和计算机可读存储介质 Download PDFInfo
- Publication number
- CN115410168A CN115410168A CN202211022836.2A CN202211022836A CN115410168A CN 115410168 A CN115410168 A CN 115410168A CN 202211022836 A CN202211022836 A CN 202211022836A CN 115410168 A CN115410168 A CN 115410168A
- Authority
- CN
- China
- Prior art keywords
- lane line
- lane
- line
- virtual
- length
- 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
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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/20—Finite element generation, e.g. wire-frame surface description, tesselation
-
- 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
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
- G06V10/763—Non-hierarchical techniques, e.g. based on statistics of modelling distributions
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Probability & Statistics with Applications (AREA)
- Computer Graphics (AREA)
- Geometry (AREA)
- Image Analysis (AREA)
Abstract
本申请涉及一种车道线数据处理方法、设备和计算机可读存储介质。该方法包括:从车道相关数据帧获取车道线位置信息,其中,车道相关数据帧包括车道的图像帧以及图像帧对应的点云帧;对车道线位置信息对应位置的点集进行聚类分析,识别出车道相关数据帧中的目标车道线;识别目标车道线中的实车道线和虚车道线;确定目标车道线中实车道线和虚车道线的接驳点;根据标准虚车道线以及接驳点与虚车道线的距离,计算目标车道线的打断点。本申请的技术方案可以快速准确地生成车道线的打断点。
Description
技术领域
本申请涉及自动驾驶领域,尤其涉及车道线数据处理方法、设备和计算机可读存储介质。
背景技术
在自动驾驶领域,准确提供道路信息至关重要,其中,对车道线的准确拟合、分组和打断是不可或缺的关键步骤。在进行车道线的拟合之前,往往需要对车道线的类型,例如,虚线和实线等进行区分,并针对虚线和实线接驳处生成车道线打断点等处理。相关技术中,是基于多车道道路的监控视频生成车道线图像,并设置车道感兴趣区域ROI;然后检测车道ROI中的车道线、聚类并基于聚类结果对车道线进行分类;分类后,基于车道线的几何特征对车道线的线段划分左右边缘,对于虚车道线,提取每条虚车道线的端点信息;最后根据车道线左右边缘划分结果,分别对虚实车道线进行拟合、分组和打断,从而得到最终的车道线检测结果。尽管相关技术最终得到了车道线,但存在连续作业周期长、效率低、区分识别度不高以及车道线打断点位置不准确等缺陷。
发明内容
为解决或部分解决相关技术中存在的问题,本申请提供一种车道线数据处理方法、设备和计算机可读存储介质,可以快速准确地生成车道线的打断点。
本申请第一方面提供一种车道线数据处理方法,包括:
从车道相关数据帧获取车道线位置信息,所述车道相关数据帧包括所述车道的图像帧以及所述图像帧对应的点云帧;
对所述车道线位置信息对应位置的点集进行聚类分析,识别出所述车道相关数据帧中的目标车道线;
识别所述目标车道线中的实车道线和虚车道线;
确定所述目标车道线中实车道线和虚车道线的接驳点;
根据标准虚车道线以及所述接驳点与所述虚车道线的距离,计算所述目标车道线的打断点。
本申请第二方面提供一种车道线数据处理装置,包括:
获取模块,用于从车道相关数据帧获取车道线位置信息,所述车道相关数据帧包括所述车道的图像帧以及所述图像帧对应的点云帧;
聚类模块,用于对所述车道线位置信息对应位置的点集进行聚类分析,识别出所述车道相关数据帧中的目标车道线;
识别模块,用于识别所述目标车道线中的实车道线和虚车道线;
第一确定模块,用于确定所述目标车道线中实车道线和虚车道线的接驳点;
第二确定模块,用于根据标准虚车道线以及所述接驳点与所述虚车道线的距离,计算所述目标车道线的打断点。
本申请第三方面提供一种电子设备,包括:
处理器;以及
存储器,其上存储有可执行代码,当所述可执行代码被所述处理器执行时,使所述处理器执行如上所述的方法。
本申请第四方面提供一种计算机可读存储介质,其上存储有可执行代码,当所述可执行代码被电子设备的处理器执行时,使所述处理器执行如上所述的方法。
本申请提供的技术方案可以包括以下有益效果:本申请的技术方案是从车道相关数据帧获取车道线位置信息,识别出车道相关数据帧中的目标车道线并识别目标车道线中的实车道线和虚车道线,在确定目标车道线中实车道线和虚车道线的接驳点后,根据标准虚车道线以及接驳点与虚车道线的距离,计算目标车道线的打断点。一方面,由于在识别实车道线和虚车道线时并不依赖于长周期的图像识别训练,因而整体技术方案简单、高效;另一方面,根据标准虚车道线以及接驳点与虚车道线的距离,可以准确计算出目标车道线的打断点。
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,并不能限制本申请。
附图说明
通过结合附图对本申请示例性实施方式进行更详细地描述,本申请的上述以及其它目的、特征和优势将变得更加明显,其中,在本申请示例性实施方式中,相同的参考标号通常代表相同部件。
图1是本申请实施例示出的车道线数据处理方法的流程示意图;
图2是本申请实施例示出的车道线数据处理装置的结构示意图;
图3a是本申请实施例示出的对M段修正车道线的接驳点做垂线得到M条垂线后以M条垂线中任意一条垂线为基准垂线的示意图;
图4是本申请实施例示出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申请的实施方式。虽然附图中显示了本申请的实施方式,然而应该理解,可以以各种形式实现本申请而不应被这里阐述的实施方式所限制。相反,提供这些实施方式是为了使本申请更加透彻和完整,并且能够将本申请的范围完整地传达给本领域的技术人员。
在本申请使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本申请。在本申请和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。还应当理解,本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解,尽管在本申请可能采用术语“第一”、“第二”、“第三”等来描述各种信息,但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如,在不脱离本申请范围的情况下,第一信息也可以被称为第二信息,类似地,第二信息也可以被称为第一信息。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本申请的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
在自动驾驶领域,准确提供道路信息至关重要,其中,对车道线的准确拟合是不可或缺的关键步骤。在进行车道线的拟合之前,往往需要对车道线的类型,例如,虚线和实线等进行区分,并针对虚线和实线接驳处生成车道线打断点等处理。相关技术中,是基于多车道道路的监控视频生成车道线图像,并设置车道感兴趣区域ROI;然后检测车道ROI中的车道线、聚类并基于聚类结果对车道线进行分类;分类后,基于车道线的几何特征对车道线的线段划分左右边缘,对于虚车道线,提取每条虚车道线的端点信息;最后根据车道线左右边缘划分结果,分别对虚实车道线进行拟合,从而得到最终的车道线检测结果。尽管相关技术最终得到了车道线,但存在连续作业周期长、效率低、区分识别度不高以及车道线打断点位置不准确等缺陷。
针对上述问题,本申请实施例提供一种车道线数据处理方法,可以快速准确地生成车道线的打断点。
以下结合附图详细描述本申请实施例的技术方案。
参见图1,是本申请实施例示出的车道线数据处理方法的流程示意图,主要包括步骤S101至步骤S105,说明如下:
步骤S101:从车道相关数据帧获取车道线位置信息,其中,车道相关数据帧包括车道的图像帧以及图像帧对应的点云帧。
在本申请实施例中,车道相关数据帧包括车道的图像帧以及图像帧对应的点云帧,其中,车道的图像帧可以是搭载相机等视觉设备的采样车对道路拍摄的视频流,然后从这些视频流提取的图像帧,而图像帧对应的点云帧是在采样车对道路拍摄视频的同时,采样车搭载的雷达(例如,激光雷达)对道路采集的一帧帧点云数据。由于后续分析都是基于车道线位置信息进行,准确的车道线位置信息是后续进行准确分析的基础,因此,本申请是从车道的图像帧以及图像帧对应的点云帧构成的车道相关数据帧获取车道线位置信息。作为本申请一个实施例,步骤S10的从车道相关数据帧获取车道线位置信息可通过步骤S1011至步骤S1015实现,说明如下:
步骤S1011:针对每一帧图像帧,根据每一帧图像帧对应的点云帧,拟合得到每一帧图像帧在车辆坐标系对应的道路平面方程。
需要说明的是,由于采集图像帧的设备(例如相机)与采集点云帧的设备(例如雷达)的采样频率并不完全相同,即采样不同步,因此,本申请实施例提及的图像帧对应的点云帧,是指图像帧与点云帧进行了对齐后的两者对应。此外,这种对应关系可以是一一对应,即一帧图像帧对应一帧点云帧,亦可以是一对多即一帧图像帧对应多帧点云帧。
车辆坐标系是搭载相机等视觉设备和雷达等设备的采集车所在的坐标系,虽然采集车在世界坐标系中的位置会发生变化,但是因为雷达、相机等设备等是搭载在采集车上,因此雷达坐标系(即雷达所在的坐标系)与车辆坐标系的转换关系以及相机坐标系(即相机等视觉设备所在的坐标系)与车辆坐标系的转换关系并不会改变。针对每一帧图像帧,认为该图像帧中的道路是一个平面,对该图像帧对应的各雷达点云帧中表示路面的点进行道路平面方程的拟合,并基于雷达坐标系与车辆坐标系的转换关系,得到该图像帧在车辆坐标系对应的道路平面方程。
步骤S1012:针对每一帧图像帧,对该图像帧的车道线进行采样得到该图像帧的采样点。
在本申请实施例中,针对每一帧图像帧,对该图像帧的车道线进行采样,可以为按照车道线实际长度等间距采样,也可以为按照图像像素等像素间隔采样,本申请对采样间隔不做限制。
步骤S1013:将该图像帧的采样点投影至道路平面方程中,得到该图像帧的采样点在车辆坐标系的路面3D坐标。
步骤S1014:根据各采样点的路面3D坐标,将各采样点转换至世界坐标系中得到各采样点的世界坐标。
具体地,步骤S1014的实现可以是针对每一个采样点,获取采集每一个采样点时确定的采样点对应的转换矩阵;利用该采样点对应的转换矩阵,将该采样点的地面3D坐标转换至世界坐标系中得到该采样点的世界坐标。上述实施例中,采样点对应的转换矩阵可以是采集该采样点时确定的平移向量和旋转矩阵,即该采样点所在的车辆坐标系与世界坐标系的对应关系。
步骤S1015:根据各采样点的世界坐标,得到世界坐标系中车道线的位置。
具体可以在世界坐标系中对各采样点进行车道线的线性拟合,从的得到世界坐标系中车道线的位置。
步骤S102:对车道线位置信息对应位置的点集进行聚类分析,识别出车道相关数据帧中的目标车道线。
作为本申请一个实施例,对车道线位置信息对应位置的点集进行聚类分析,识别出车道相关数据帧中的目标车道线可以是采用基于密度的(Density-Based SpatialClustering of Applications with Noise,DBSCAN)聚类算法对车道线位置信息对应位置的点集进行分割,得到若干组点集,并对分割出的若干组点集采用固定大小的矩形区域的边表示目标车道线外轮廓。上述实施例的DBSCAN是一种基于密度的聚类算法,这类密度聚类算法一般假定类别可以通过样本分布的紧密程度决定。同一类别的样本,它们之间是紧密相连的,换言之,由密度可达关系导出的最大密度相连的样本集合,即为最终聚类的一个类别,或者说一个簇。簇里面可以有一个或者多个核心对象。若只有一个核心对象,则簇里其他的非核心对象样本都在这个核心对象的邻域里;若有多个核心对象,则簇里的任意一个核心对象的邻域中一定有一个其他的核心对象,否则这两个核心对象无法密度可达。这些核心对象的邻域里所有的样本的集合组成一个DBSCAN聚类簇。算法开始时,一般是任意选择一个没有类别的核心对象作为种子,然后找到所有这个核心对象能够密度可达的样本集合,即为一个聚类簇。接着继续选择另一个没有类别的核心对象去寻找密度可达的样本集合,如此得到另一个聚类簇(如此得到都肯定是密度相连的),一直运行至所有核心对象都有类别为止。
作为本申请一个实施例,上述实施例的采用基于DBSCAN聚类算法对车道线位置信息对应位置的点集进行分割,得到若干组点集,并对分割出的若干组点集采用固定大小的矩形区域的边表示目标车道线外轮廓可以是:利用DBSCAN聚类算法对车道线位置信息对应位置的点集进行聚类,分割出若干组点集;将DBSCAN聚类空间中簇的半径设为K个像素,簇中所包含点集的数目不小于J个;根据若干组点集每组点集外接矩形的几何中心点坐标,构建尺寸为P像素×Q像素的矩形区域,尺寸为P像素×Q像素的矩形区域的边表示目标车道线外轮廓。上述实施例的J、K、P和Q可以根据精度或者算法收敛速度确定。
步骤S103:识别目标车道线中的实车道线和虚车道线。
由于实车道线和虚车道线在长度、线段间距和道路场景区域等方面各有比较明显的特征区别,在识别出车道相关数据帧中的目标车道线后,可以基于实车道线和虚车道线的上述特征对目标车道线进行分析,识别目标车道线中的实车道线和虚车道线。
步骤S104:确定目标车道线中实车道线和虚车道线的接驳点。
若一段车道线由一段实车道线和一段虚车道线组成,那么必然存在实车道线和虚车道线的接驳点。当经过步骤S103,识别出目标车道线中的实车道线和虚车道线后,将实车道线和虚车道线交接处且为实车道线尽头处的点确定为实车道线和虚车道线的接驳点。
步骤S105:根据标准虚车道线以及接驳点与虚车道线的距离,计算目标车道线的打断点。
按照现行交通标志的国家标准,目前我国总共包括三种标准虚车道线,第一种标准虚车道线是每个虚车道线段的长度为6米且相邻虚车道线段之间的间距为9米,第二种标准虚车道线是每个虚车道线段的长度为2米且相邻虚车道线段之间的间距为4米,第三种标准虚车道线是每个虚车道线段的长度为4米且相邻虚车道线段之间的间距为6米。作为本申请一个实施例,根据标准虚车道线以及接驳点与虚车道线的距离,计算目标车道线的打断线位置,以生成目标车道线的打断点的实现可通过步骤S1051至步骤S1053实现,详细说明如下:
步骤S1051:根据标准虚车道线以及虚车道线在世界坐标系下虚车道线段长度和虚车道线段的间距,确定以平均点集膨胀比计算得到的实车道线修正长度和虚车道线修正长度,得到N段修正车道线,其中,N段修正车道线平行且每一段修正车道线包含接驳点处的长度修正实车道线段和长度修正虚车道线段,长度修正实车道线是长度为实车道线修正长度的实车道线,长度修正虚车道线段是长度为虚车道线修正长度的虚车道线段,N为大于1的自然数。
由于虚车道线是从通过相机等视觉设备获取的图像帧识别出来的,其尺寸是在像素坐标系下衡量。因此,可以根据相机参数和图像对应的GPS点,将像素坐标转换为世界坐标系坐标,然后根据标准虚车道线以及虚车道线在世界坐标系下虚车道线段长度和虚车道线段的间距,确定以平均点集膨胀比计算得到的实车道线修正长度和虚车道线修正长度,得到N段修正车道线,这N段修正车道线平行且每一段修正车道线包含接驳点处的长度修正实车道线段和长度修正虚车道线段。需要说明的是,虚车道线是由若干个虚车道线段组成,相邻的虚车道线段之间存在间隔,这个间隔的距离就是虚车道线段的间距。
具体地,根据标准虚车道线以及虚车道线在世界坐标系下虚车道线段长度和虚车道线段的间距,确定以平均点集膨胀比计算得到的实车道线修正长度和虚车道线修正长度,得到N段修正车道线可以是:将虚车道线在世界坐标系下虚车道线段长度和虚车道线段的间距分别与标准虚车道线的标准虚车道线段长度和标准虚车道线段长度间距相比,确定识别出的虚车道线所属标
长度修正实车道线段的长度和长度修正虚车道线段的长度L,得到N段修正车道线,其中,为识别出的虚车道线中对应于修正车道线Lk的一段虚车道线中第i个虚车道线段的长度,m为一段虚车道线中包含的虚车道线段的数量,为标准虚车道线Ls中虚车道线的长度,为对应于第i个虚车道线段的实车道线段的长度。上述实施例中,将虚车道线在世界坐标系下虚车道线段长度和虚车道线段的间距分别与标准虚车道线的标准虚车道线段长度和标准虚车道线段长度间距相比,亦可以只将虚车道线在世界坐标系下虚车道线段长度与标准虚车道线的标准虚车道线段长度相比,若两者接近(此处的接近是两者长度的绝对差值在预设范围之内,例如0.1米),则可以将该虚车道线归属于某个标准虚车道线Ls。例如,若虚车道线在世界坐标系下虚车道线段长度是6.1米,该虚车道线段的间距为8.9,则可以确定该虚车道线归属为虚车道线段的长度为6米且相邻虚车道线段之间的间距为9米的第一种标准虚车道线;又如,若虚车道线在世界坐标系下虚车道线段长度是3.9米,该虚车道线段的间距为6.1,则可以确定该虚车道线归属为虚车道线段的长度为4米且相邻虚车道线段之间的间距为6米的第三种标准虚车道线,等等。
步骤S1052:若N段修正车道线中每一段修正车道线的接驳点与长度修正虚车道线的距离接近于标准虚车道线的间距,则以从接驳点所作垂直于长度修正实车道线的垂线确定为目标车道线的打断线。
在本申请实施例中,目标车道线的打断线与目标车道线中实车道线段或实车道线段延长线的交点作为目标车道线的打断点,意味着后续在拟合车道线时,若N段修正车道线中某个或某几个长度修正实车道线段的尽头不是刚好在打断点处,则需要将这个或这些长度修正实车道线段或延长至打断点,或从打断点处截断后与其他长度修正实车道线段对齐。
步骤S1053:若N段修正车道线中不是每一段修正车道线的接驳点与长度修正虚车道线的距离接近于标准虚车道线的间距,则根据N段修正车道线的接驳点与长度修正虚车道线段的距离的平均值确定目标车道线的打断线。
具体地,作为本申请一个实施例,步骤S1053的实现可以是:计算N段修正车道线中每一段修正车道线的接驳点与对应长度修正虚车道线段的距离
的平均值;若根据平均值确定N段修正车道线中具有M段修正车道线的接驳点与对应长度修正虚车道线段的距离相等或接近相等,则对M段修正车道线的接驳点做垂线,得到M条垂线,其中,M为大于N/2的最小正数;以M条垂线中任意一条垂线为基准垂线,计算基准垂线与M条垂线中非基准垂线的距离的平均值;将基准垂线向左或向右平移平均值的距离至新的位置,新的位置的垂线作为目标车道线的打断线。需要说明的是,上述实施例
得到N个距离值。若这N个距离值中具有M个距离值与平均值的绝对差值在预设范围之内,则确定M个距离值对应的M段修正车道线的接驳点与对应长度修正虚车道线段的距离相等或接近相等。此外,将基准垂线向左或向右平移平均值的距离至新的位置,至于是向左平移还是向右平移,需要根据基准线所对应长度修正实车道线段的长度而定,具体而言,在M段长度修正实车道线段的左端对齐的前提下,若基准线所对应长度修正实车道线段的长度大于其他长度修正实车道线段的长度,则将基准垂线向左平移平均值的距离至新的位置,新的位置的垂线作为目标车道线的打断线,否则,将基准垂线向右平移平均值的距离至新的位置,新的位置的垂线作为目标车道线的打断线;打断线与N段长度修正实车道线段或其延长线相交的点即为目标车道线的打断点。如图3a所示,车道线1、车道线2、车道线3和车道线4这四段修正车道线中,车道线1、车道线2和车道线4这三段修正车道线的接驳点与对应长度修正虚车道线段的距离相等或接近相等,只有车道线3的接驳点与对应长度修正虚车道线段的距离太短,即车道线3属于噪声。假设基准垂线如图所示,当计算基准垂线与3条垂线中非基准垂线的距离的平均值时,由于基准线所对应长度修正实车道线段的长度大于其他长度修正实车道线段的长度,因此,可以将基准垂线向左平移平均值的距离至新的位置,新的位置的垂线作为目标车道线的打断线,如图3b所示。
作为本申请另一实施例,步骤S1053的实现还可以是:计算N段修正车道线中每一段修正车道线的接驳点与对应长度修正虚车道线段的距离的平均
值;若根据平均值确定N段修正车道线中具有少于M段修正车道线的接驳点与对应长度修正虚车道线段的距离相等或接近相等,则对N段修正车道线的接驳点作垂线,得到N条垂线;以N条垂线中任意一条垂线为基准垂线,计算基准垂线与N条垂线中非基准垂线的距离的平均值;将基准垂线向左或向右平移平均值的距离至新的位置,新的位置的垂线作为目标车道
线的打断线。需要说明的是,上述实施例的根据平均值确定N段修正车道线中具有少于M段修正车道线的接驳点与对应长度修正虚车道线段的距离相等或接近相等,具体可以是在计算得到N段修正车道线中每一段修正车道线的接驳点与对应长度修正虚车道线段的距离,得到N个距离值。若这N个距
离值中具有少于M个距离值与平均值的绝对差值在预设范围之内,则确定N段修正车道线中具有少于M段修正车道线的接驳点与对应长度修正虚车道线段的距离相等或接近相等。此外,将基准垂线向左或向右平移平均值的距离至新的位置,至于是向左平移还是向右平移,需要根据基准线所对应长度修正实车道线段的长度而定,具体而言,在N段长度修正实车道线段的左端对齐的前提下,若基准线所对应长度修正实车道线段的长度大于其他长度修正实车道线段的长度,则将基准垂线向左平移平均值的距离至新的位置,否则,将基准垂线向右平移平均值的距离至新的位置;打断线与N段长度修正实车道线段或其延长线相交的点即为目标车道线的打断点。
需要说明的是,上述实施例中,若根据N段修正车道线的接驳点与长度修正虚车道线段的距离的平均值确定目标车道线的打断线之后,接驳点处的长度修正实车道线段不足预设长度,则将N段修正车道线中具有最长实车道线段的接驳点确定目标车道线的打断点。
从上述图1示例的车道线数据处理方法可知,本申请的技术方案是从车道相关数据帧获取车道线位置信息,识别出车道相关数据帧中的目标车道线并识别目标车道线中的实车道线和虚车道线,在确定目标车道线中实车道线和虚车道线的接驳点后,根据标准虚车道线以及接驳点与虚车道线的距离,计算目标车道线的打断点。一方面,由于在识别实车道线和虚车道线时并不依赖于长周期的图像识别训练,因而整体技术方案简单、高效;另一方面,根据标准虚车道线以及接驳点与虚车道线的距离,可以准确计算出目标车道线的打断点。
与前述应用功能实现方法实施例相对应,本申请还提供了一种车道线数据处理装置、电子设备及相应的实施例。
参见图2,是本申请实施例示出的车道线数据处理装置的结构示意图。为了便于说明,仅示出了与本申请实施例相关的部分。图2示例的车道线数据处理装置主要包括获取模块201、聚类模块202、识别模块203、第一确定模块204和第二确定模块205,其中:
获取模块201,用于从车道相关数据帧获取车道线位置信息,其中,车道相关数据帧包括车道的图像帧以及图像帧对应的点云帧;
聚类模块202,用于对车道线位置信息对应位置的点集进行聚类分析,识别出车道相关数据帧中的目标车道线;
识别模块203,用于识别目标车道线中的实车道线和虚车道线;
第一确定模块204,用于确定目标车道线中实车道线和虚车道线的接驳点;
第二确定模块205,用于根据标准虚车道线以及接驳点与虚车道线的距离,计算目标车道线的打断点。
关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不再做详细阐述说明。
从上述图2示例的车道线数据处理装置可知,本申请的技术方案是从车道相关数据帧获取车道线位置信息,识别出车道相关数据帧中的目标车道线并识别目标车道线中的实车道线和虚车道线,在确定目标车道线中实车道线和虚车道线的接驳点后,根据标准虚车道线以及接驳点与虚车道线的距离,计算目标车道线的打断点。一方面,由于在识别实车道线和虚车道线时并不依赖于长周期的图像识别训练,因而整体技术方案简单、高效;另一方面,根据标准虚车道线以及接驳点与虚车道线的距离,可以准确计算出目标车道线的打断点。
图4是本申请实施例示出的电子设备的结构示意图。
参见图4,电子设备400包括存储器410和处理器420。
处理器420可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器410可以包括各种类型的存储单元,例如系统内存、只读存储器(ROM)和永久存储装置。其中,ROM可以存储处理器420或者计算机的其他模块需要的静态数据或者指令。永久存储装置可以是可读写的存储装置。永久存储装置可以是即使计算机断电后也不会失去存储的指令和数据的非易失性存储设备。在一些实施方式中,永久性存储装置采用大容量存储装置(例如磁或光盘、闪存)作为永久存储装置。另外一些实施方式中,永久性存储装置可以是可移除的存储设备(例如软盘、光驱)。系统内存可以是可读写存储设备或者易失性可读写存储设备,例如动态随机访问内存。系统内存可以存储一些或者所有处理器在运行时需要的指令和数据。此外,存储器410可以包括任意计算机可读存储媒介的组合,包括各种类型的半导体存储芯片(例如DRAM,SRAM,SDRAM,闪存,可编程只读存储器),磁盘和/或光盘也可以采用。在一些实施方式中,存储器410可以包括可读和/或写的可移除的存储设备,例如激光唱片(CD)、只读数字多功能光盘(例如DVD-ROM,双层DVD-ROM)、只读蓝光光盘、超密度光盘、闪存卡(例如SD卡、min SD卡、Micro-SD卡等)、磁性软盘等。计算机可读存储媒介不包含载波和通过无线或有线传输的瞬间电子信号。
存储器410上存储有可执行代码,当可执行代码被处理器420处理时,可以使处理器420执行上文述及的方法中的部分或全部。
此外,根据本申请的方法还可以实现为一种计算机程序或计算机程序产品,该计算机程序或计算机程序产品包括用于执行本申请的上述方法中部分或全部步骤的计算机程序代码指令。
或者,本申请还可以实施为一种计算机可读存储介质(或非暂时性机器可读存储介质或机器可读存储介质),其上存储有可执行代码(或计算机程序或计算机指令代码),当可执行代码(或计算机程序或计算机指令代码)被电子设备(或服务器等)的处理器执行时,使处理器执行根据本申请的上述方法的各个步骤的部分或全部。
以上已经描述了本申请的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进,或者使本技术领域的其他普通技术人员能理解本文披露的各实施例。
Claims (13)
1.一种车道线数据处理方法,其特征在于,所述方法包括:
从车道相关数据帧获取车道线位置信息,所述车道相关数据帧包括所述车道的图像帧以及所述图像帧对应的点云帧;
对所述车道线位置信息对应位置的点集进行聚类分析,识别出所述车道相关数据帧中的目标车道线;
识别所述目标车道线中的实车道线和虚车道线;
确定所述目标车道线中实车道线和虚车道线的接驳点;
根据标准虚车道线以及所述接驳点与所述虚车道线的距离,计算所述目标车道线的打断点。
2.根据权利要求1所述的车道线数据处理方法,其特征在于,所述从车道相关数据帧获取车道线位置信息,包括:
针对每一帧图像帧,根据每一帧所述点云帧,拟合得到所述每一帧图像帧在车辆坐标系对应的道路平面方程;
针对每一帧图像帧,对所述图像帧的车道线进行采样得到所述图像帧的采样点;
将所述图像帧的采样点投影至所述道路平面方程中,得到所述图像帧的采样点在所述车辆坐标系的路面3D坐标;
根据各采样点的路面3D坐标,将各采样点转换至世界坐标系中得到各采样点的世界坐标;
根据各采样点的世界坐标,得到世界坐标系中车道线的位置。
3.根据权利要求2所述的车道线数据处理方法,其特征在于,所述根据各采样点的路面3D坐标,将各采样点转换至世界坐标系中得到各采样点的世界坐标,包括:
针对每一个采样点,获取采集每一个所述采样点时确定的采样点对应的转换矩阵;
利用所述采样点对应的转换矩阵,将所述采样点的地面3D坐标转换至世界坐标系中得到所述采样点的世界坐标。
4.根据权利要求1所述的车道线数据处理方法,其特征在于,所述对所述车道线位置信息对应位置的点集进行聚类分析,识别出所述车道相关数据帧中的目标车道线,包括:
采用DBSCAN聚类算法对所述车道线位置信息对应位置的点集进行分割,得到若干组点集,并对分割出的所述若干组点集采用固定大小的矩形区域的边表示所述目标车道线外轮廓。
5.根据权利要求4所述的车道线数据处理方法,其特征在于,所述采用DBSCAN聚类算法对所述车道线位置信息对应位置的点集进行分割,得到若干组点集,并对分割出的所述若干组点集采用固定大小的矩形区域的边表示所述目标车道线外轮廓,包括:
利用DBSCAN聚类算法对所述车道线位置信息对应位置的点集进行聚类,分割出若干组点集;
将DBSCAN聚类空间中簇的半径设为K个像素,簇中所包含点集的数目不小于J个;
根据所述若干组点集每组点集外接矩形的几何中心点坐标,构建尺寸为P像素×Q像素的矩形区域,所述尺寸为P像素×Q像素的矩形区域的边表示所述目标车道线外轮廓。
6.根据权利要求1所述的车道线数据处理方法,其特征在于,所述根据标准虚车道线以及所述接驳点与所述虚车道线的距离,计算所述目标车道线的打断点,包括:
根据所述标准虚车道线以及所述虚车道线在世界坐标系下虚车道线段长度和所述虚车道线段的间距,确定以平均点集膨胀比计算得到的实车道线修正长度和虚车道线修正长度,得到N段修正车道线,所述N段修正车道线平行且每一段修正车道线包含接驳点处的长度修正实车道线段和长度修正虚车道线段,所述长度修正实车道线是长度为所述实车道线修正长度的实车道线,所述长度修正虚车道线段是长度为所述虚车道线修正长度的虚车道线段,所述N为大于1的自然数;
若所述N段修正车道线中每一段修正车道线的接驳点与所述长度修正虚车道线的距离接近于所述标准虚车道线的间距,则以从所述接驳点所作垂直于所述长度修正实车道线的垂线确定为所述目标车道线的打断线;
若所述N段修正车道线中不是每一段修正车道线的接驳点与所述长度修正虚车道线的距离接近于所述标准虚车道线的间距,则根据所述N段修正车道线的接驳点与所述长度修正虚车道线段的距离的平均值确定所述目标车道线的打断线。
7.根据权利要求6所述的车道线数据处理方法,其特征在于,所述根据所述标准虚车道线以及所述虚车道线在世界坐标系下每个虚车道线段长度和所述虚车道线段的间距,确定以平均点集膨胀比计算得到的实车道线修正长度和虚车道线修正长度,得到N段修正车道线,包括:
将所述虚车道线在世界坐标系下虚车道线段长度和所述虚车道线段的间距分别与所述标准虚车道线的长度和间距相比,确定识别出的虚车道线所属标准虚车道线Ls;
道线Lk的平均点集膨胀比,所述为所述识别出的虚车道线中对应于所述修正车道线Lk的一段虚车道线中第i个虚车道线段的长度,所述m为所述一段虚车道线中包含的虚车道线段的数量,所述为所述标准虚车道线Ls中虚车道线的长度;
8.根据权利要求6所述的车道线数据处理方法,其特征在于,所述根据所述N段修正车道线的接驳点与所述长度修正虚车道线段的距离的平均值确定所述目标车道线的打断线,包括:
计算所述N段修正车道线中每一段修正车道线的接驳点与对应长度修正虚车道线段的距离的平均值;
9.根据权利要求6所述的车道线数据处理方法,其特征在于,所述根据所述N段修正车道线的接驳点与所述长度修正虚车道线段的距离的平均值确定所述目标车道线的打断线,包括:
计算所述N段修正车道线中每一段修正车道线的接驳点与对应长度修正虚车道线段的距离的平均值;
10.根据权利要求6至9任意一项所述的车道线数据处理方法,其特征在于,所述方法还包括:
若根据所述N段修正车道线的接驳点与所述长度修正虚车道线段的距离的平均值确定所述目标车道线的打断线之后,接驳点处的长度修正实车道线段不足预设长度,则将所述N段修正车道线中具有最长实车道线段的接驳点确定所述目标车道线的打断点。
11.一种车道线数据处理装置,其特征在于,所述装置包括:
获取模块,用于从车道相关数据帧获取车道线位置信息,所述车道相关数据帧包括所述车道的图像帧以及所述图像帧对应的点云帧;
聚类模块,用于对所述车道线位置信息对应位置的点集进行聚类分析,识别出所述车道相关数据帧中的目标车道线;
识别模块,用于识别所述目标车道线中的实车道线和虚车道线;
第一确定模块,用于确定所述目标车道线中实车道线和虚车道线的接驳点;
第二确定模块,用于根据标准虚车道线以及所述接驳点与所述虚车道线的距离,计算所述目标车道线的打断点。
12.一种电子设备,其特征在于,包括:
处理器;以及
存储器,其上存储有可执行代码,当所述可执行代码被所述处理器执行时,使所述处理器执行如权利要求1至10中任意一项所述的方法。
13.一种计算机可读存储介质,其上存储有可执行代码,当所述可执行代码被电子设备的处理器执行时,使所述处理器执行如权利要求1至10中任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211022836.2A CN115410168A (zh) | 2022-08-25 | 2022-08-25 | 车道线数据处理方法、设备和计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211022836.2A CN115410168A (zh) | 2022-08-25 | 2022-08-25 | 车道线数据处理方法、设备和计算机可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115410168A true CN115410168A (zh) | 2022-11-29 |
Family
ID=84161640
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211022836.2A Pending CN115410168A (zh) | 2022-08-25 | 2022-08-25 | 车道线数据处理方法、设备和计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115410168A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115797896A (zh) * | 2023-01-30 | 2023-03-14 | 智道网联科技(北京)有限公司 | 车道线聚类方法、设备和计算机可读存储介质 |
-
2022
- 2022-08-25 CN CN202211022836.2A patent/CN115410168A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115797896A (zh) * | 2023-01-30 | 2023-03-14 | 智道网联科技(北京)有限公司 | 车道线聚类方法、设备和计算机可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109243289B (zh) | 高精度地图制作中地下车库停车位提取方法及系统 | |
Chen et al. | Next generation map making: Geo-referenced ground-level LIDAR point clouds for automatic retro-reflective road feature extraction | |
Balali et al. | Multi-class US traffic signs 3D recognition and localization via image-based point cloud model using color candidate extraction and texture-based recognition | |
JP5385105B2 (ja) | 画像検索方法およびシステム | |
CN110969592B (zh) | 图像融合方法、自动驾驶控制方法、装置和设备 | |
CN109145708A (zh) | 一种基于rgb和d信息融合的人流量统计方法 | |
Soheilian et al. | 3D road marking reconstruction from street-level calibrated stereo pairs | |
EP4120123A1 (en) | Scan line-based road point cloud extraction method | |
WO2021253245A1 (zh) | 识别车辆变道趋势的方法和装置 | |
CN111383286B (zh) | 定位方法、装置、电子设备及可读存储介质 | |
CN110991452A (zh) | 一种车位框检测方法、装置、设备及可读存储介质 | |
CN114463724A (zh) | 一种基于机器视觉的车道提取识别方法 | |
CN114187579A (zh) | 自动驾驶的目标检测方法、装置和计算机可读存储介质 | |
CN115410168A (zh) | 车道线数据处理方法、设备和计算机可读存储介质 | |
CN113139031A (zh) | 用于自动驾驶的交通标识的生成方法及相关装置 | |
CN104769643A (zh) | 用于使用可平行化架构中的图像来初始化及解算面元的局部几何形状或表面法线的方法 | |
CN113838129B (zh) | 一种获得位姿信息的方法、装置以及系统 | |
CN110636248B (zh) | 目标跟踪方法与装置 | |
CN112598743B (zh) | 一种单目视觉图像的位姿估算方法及相关装置 | |
WO2017161544A1 (zh) | 一种基于单摄像头视频序列匹配的车辆测速方法及其系统 | |
CN111768373A (zh) | 基于深度学习的层级式路面标记破损检测方法 | |
CN115797310A (zh) | 一种光伏电站组串倾角的确定方法及电子设备 | |
CN113269768A (zh) | 一种交通拥堵分析方法、装置及分析设备 | |
CN117197182B (zh) | 雷视标定方法、设备及存储介质 | |
CN115546704B (zh) | 一种车辆抛洒物识别方法、装置及应用 |
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 |