CN115546766B - 车道线生成方法、装置、电子设备和计算机可读介质 - Google Patents
车道线生成方法、装置、电子设备和计算机可读介质 Download PDFInfo
- Publication number
- CN115546766B CN115546766B CN202211518006.9A CN202211518006A CN115546766B CN 115546766 B CN115546766 B CN 115546766B CN 202211518006 A CN202211518006 A CN 202211518006A CN 115546766 B CN115546766 B CN 115546766B
- Authority
- CN
- China
- Prior art keywords
- lane line
- feature
- feature map
- module
- generate
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000000605 extraction Methods 0.000 claims abstract description 75
- 238000007499 fusion processing Methods 0.000 claims abstract description 15
- 230000011218 segmentation Effects 0.000 claims description 34
- 238000010586 diagram Methods 0.000 claims description 22
- 230000007246 mechanism Effects 0.000 claims description 17
- 238000001914 filtration Methods 0.000 claims description 13
- 239000013598 vector Substances 0.000 claims description 12
- 230000004913 activation Effects 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 10
- 230000006798 recombination Effects 0.000 claims description 10
- 238000005215 recombination Methods 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 9
- 230000004927 fusion Effects 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 6
- 230000004044 response Effects 0.000 claims description 3
- 230000006870 function Effects 0.000 description 15
- 238000013528 artificial neural network Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000012886 linear function Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000008521 reorganization Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000000007 visual effect 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
- G06V20/58—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
- G06V10/40—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
- G06V10/443—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 by matching or filtering
- G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
- G06V10/451—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters with interaction between the filter responses, e.g. cortical complex cells
- G06V10/454—Integrating the filters into a hierarchical structure, e.g. convolutional neural networks [CNN]
-
- 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
- G06V10/62—Extraction of image or video features relating to a temporal dimension, e.g. time-based feature extraction; Pattern tracking
-
- 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
-
- 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
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Image Analysis (AREA)
Abstract
本公开的实施例公开了车道线生成方法、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；基于上述道路图像，生成车道线场景特征图，其中，上述车道线场景特征图为车道线的二值化特征图像；对上述车道线场景特征图进行场景车道线识别，以生成识别车道线方程组；对上述道路图像进行图像车道线提取，以生成提取车道线方程组；对上述识别车道线方程组和上述提取车道线方程组进行融合处理，以生成目标车道线方程组。该实施方式可以提高生成的车道线的准确度。
Description
技术领域
本公开的实施例涉及计算机技术领域，具体涉及车道线生成方法、装置、电子设备和计算机可读介质。
背景技术
车道线生成是自动驾驶系统里感知模块的重要组成部分。目前，在进行车道线生成时，通常采用的方式为：直接通过预设的神经网络对道路图像进行车道线提取。
然而，发明人发现，当采用上述方式进行车道线生成时，经常会存在如下技术问题：
第一，由于车辆被遮挡、车道线模糊等情况，使得道路图像中的车道线可辨识度降低，导致道路图像中车道线相关的特征减少，由此，导致神经网络对车道线识别的准确度降低；
第二，未考虑道路图像中的道路图像背景对车道线提取的影响，使得在车道线被遮挡、模糊的情况下，增加了道路图像背景对车道线提取的干扰程度，从而，导致生成的车道线的准确度降低。
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生成方法、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生成方法，该方法包括：获取道路图像；基于上述道路图像，生成车道线场景特征图，其中，上述车道线场景特征图为车道线的二值化特征图像；对上述车道线场景特征图进行场景车道线识别，以生成识别车道线方程组；对上述道路图像进行图像车道线提取，以生成提取车道线方程组；对上述识别车道线方程组和上述提取车道线方程组进行融合处理，以生成目标车道线方程组。
第二方面，本公开的一些实施例提供了一种车道线生成装置，该装置包括：获取单元，被配置成获取道路图像；生成单元，被配置成基于上述道路图像，生成车道线场景特征图，其中，上述车道线场景特征图为车道线的二值化特征图像；车道线识别单元，被配置成对上述车道线场景特征图进行场景车道线识别，以生成识别车道线方程组；车道线提取单元，被配置成对上述道路图像进行图像车道线提取，以生成提取车道线方程组；融合处理单元，被配置成对上述识别车道线方程组和上述提取车道线方程组进行融合处理，以生成目标车道线方程组。
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生成方法，可以提高生成车道线的准确度。具体来说，造成生成车道线的准确度降低的原因在于：由于车辆被遮挡、车道线模糊等情况，使得道路图像中的车道线可辨识度降低，导致道路图像中车道线相关的特征减少，由此，导致神经网络对车道线识别的准确度降低。基于此，本公开的一些实施例的车道线生成方法，首先，获取道路图像。然后，基于上述道路图像，生成车道线场景特征图，其中，上述车道线场景特征图为车道线的二值化特征图像。通过生成车道线场景特征图，可以用于削弱道路图像中车道线之外的场景特征（例如，道路、车辆等）对车道线提取的影响。以此提高生成的车道线的准确度。接着，对上述车道线场景特征图进行场景车道线识别，以生成识别车道线方程组。之后，对上述道路图像进行图像车道线提取，以生成提取车道线方程组。通过场景车道线识别和图像车道线提取的两种方式，可以同时提取车道线。最后，对上述识别车道线方程组和上述提取车道线方程组进行融合处理，以生成目标车道线方程组。通过融合处理，可以将用不同方式提取到的车道线进行融合。从而，可以进一步提高生成的车道线的准确度。
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生成方法的一些实施例的流程图；
图2是根据本公开的车道线生成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生成方法的一些实施例的流程100。该车道线生成方法，包括以下步骤：
步骤101，获取道路图像。
在一些实施例中，车道线生成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。其中，道路图像可以是车辆车载相机拍摄的图像。
需要指出的是，上述无线连接方式可以包括但不限于3G/4G连接、WiFi连接、蓝牙连接、WiMAX连接、Zigbee连接、UWB（ultra wideband）连接、以及其他现在已知或将来开发的无线连接方式。
步骤102，基于道路图像，生成车道线场景特征图。
在一些实施例中，上述执行主体可以基于上述道路图像，生成车道线场景特征图。其中，上述车道线场景特征图为车道线的二值化特征图像。
在一些实施例的一些可选的实现方式中，上述执行主体基于上述道路图像，生成车道线场景特征图，可以包括以下步骤：
将上述道路图像输入至预设的车道线场景分割模型，得到车道线场景特征图。
可选的，上述车道线场景分割模型可以通过以下方式生成：
第一步，获取预处理的训练样本。其中，上述训练样本可以包括：样本道路图像、样本车道线场景特征图和样本损失值。其次，可以从存储训练样本集的数据库中获取训练样本。
第二步，将上述样本道路图像输入至初始车道线场景分割模型包括的特征提取模块，以生成提取后车道线特征图。其中，上述初始车道线场景分割模型还可以包括：空间注意力特征提取机制、特征重组模块。这里，特征提取模块可以包括至少一个空洞卷积层。空间注意力特征提取机制可以是带有空间序列性的注意力机制。特征重组模块可以用于重组特征。
作为示例，上述特征提取模块可以包括四组空洞残差模块。每个空洞残差模块可以分为三个分支，左分支接入空洞卷积、归一化、激活操作、空洞卷积、归一化、激活操作。右分支为卷积操作。中间分支为卷积操作、后接激活操作。接着将左分支与右分支特征求和后，再与中间分支特征融合。具体的，首先，可以将第一组空洞残差模块的输出作为第二组空洞残差模块的输入。然后，可以将第二组空洞残差模块的输出作为第三组空洞残差模块的输入。之后，可以将第二组和第三组空洞残差模块的输出特征进行融合后接入卷积操作，以作为第四组空洞残差模块的输入。最后，可以将第一组空洞残差模块和第四组空洞残差模块输出的特征进行融合后接入三层空洞卷积、归一化、激活操作，得到上述提取后车道线特征图。
第三步，将上述提取后车道线特征图输入至上述空间注意力特征提取机制，以生成空间注意力特征图。
第四步，将上述空间注意力特征图输入至上述特征重组模块，得到重组后特征图。
第五步，确定上述重组后特征图与上述样本车道线场景特征图的差异，得到差异损失值。其中，可以通过预设的损失函数，确定上述重组后特征图与上述样本车道线场景特征图的差异。
第六步，响应于确定上述差异损失值小于等于上述样本损失值，将上述初始车道线场景分割模型确定为车道线场景分割模型。其中，差异损失值小于等于上述样本损失值可以用于表征模型训练完成。
可选的，上述空间注意力特征提取机制可以包括：空间注意力特征提取分支模块、特征分割模块和注意力特征融合模块；以及上述将上述提取后车道线特征图输入至上述空间注意力特征提取机制，以生成空间注意力特征图，可以包括以下步骤：
第一步，利用上述空间注意力特征提取分支模块，对上述提取后车道线特征图进行特征提取操作，以生成待分割特征图。其中，空间注意力特征提取分支模块可以是空间注意力特征提取机制中的特征提取网络结构。
作为示例，上述空间注意力特征提取分支模块可以包括三组空洞卷积模块。每组空洞卷积模块可以包括空洞卷积层、归一化层、激活层。
第二步，利用上述特征分割模块，对上述待分割特征图进行特征分割，得到分割后特征向量序列，以及确定上述分割后特征向量序列中每两个分割后特征向量之间的特征相似度，以生成权重特征图。其中，上述特征分割模块可以将待分割特征图以列为单位进行分割。每列特征作为分割后特征向量。其次，可以通过余弦相似度确定上述分割后特征向量序列中每两个分割后特征向量之间的特征相似度。最后，可以将上述提取后车道线特征图与各个特征相似度在激活函数上的取值的乘积确定为权重特征图。
作为示例，激活函数可以是：Sigmoid（S型生长曲线）激活函数。
第三步，基于上述权重特征图，生成特征正态分布曲线。其中，特征正态分布曲线可以用于表征权重特征图中各列特征的概率分布。
第四步，利用上述注意力特征融合模块和上述特征正态分布曲线，对上述待分割特征图进行特征调整，得到空间注意力特征图。其中，特征调整可以是：将待分割特征图中的各列特征与上述特征正态分布曲线中对应列的概率值相乘。
实践中，通过引入空间注意力特征提取机制，可以用于提升模型区分车道线和背景的能力。基于列的分割方法，还可以使模型在提取车道线的特征时，减少背景的干扰，更多的关注车道线特征之间的相关性。从而，便于进行车道线特征的提取。进而，可以用于提高生成车道线的准确度。
可选的，上述特征重组模块可以包括卷积核调整子模块、特征卷积分支模块和特征滤波模块；以及上述将上述空间注意力特征图输入至上述特征重组模块，得到重组后特征图，可以包括以下步骤：
第一步，利用上述卷积核调整子模块，对上述空间注意力特征图进行特征提取操作，得到调整后特征图。其中，上述卷积核调整子模块还可以用于调整与上述空间注意力特征图中每个通道对应的卷积核。其次，可以通过预设卷积核对上述空间注意力特征图进行特征提取操作，得到调整后特征图。这里，可以通过以下方式确定对应每个通道的卷积核：将该通道的通道序号与上述预设卷积核长度的平方和、确定为该通道的卷积核的长和宽，得到每个通道对应的调整卷积核。
第二步，利用上述特征卷积分支模块对上述空间注意力特征图进行特征提取处理，以生成特征卷积分支特征图和通道数。其中，特征卷积分支模块可以包括至少一层卷积层。
第三步，将上述调整后特征图、上述特征卷积分支特征图和上述通道数输入至上述特征滤波模块以进行滤波操作，得到重组后特征图。其中，可以通过以下公式进行滤波操作：。
其中，表示特征图。表示输出。表示输出的重组后特征图。表示分段线性函数，用于增加特征的稀疏性。表示双曲正切损失函数。表示尺寸调整函数，用于调整卷积核尺寸。表示卷积核尺寸（长或高）。这里，卷积核尺寸可以取较大的奇数。例如，11、13、15等。无具体含义，用于限定卷积核在特征图中的位置区域。表示上述调整后特征图。表示上述特征卷积分支特征图。表示调整后特征图对应的卷积核参数。特征卷积分支特征图对应的卷积核的参数。表示卷积核参数为的调整后特征图。表示卷积核参数为的特征卷积分支特征图。表示尺寸调整后的卷积核。、、、无具体含义，用于限定卷积核在特征图中的位置坐标。表示特征图中的通道序号。表示特征图中某一特征的横坐标值。表示特征图中某一特征的纵坐标值。表示卷积核在调整后特征图中所在位置区域中某一坐标的横坐标值。表示卷积核在调整后特征图中位置区域中某一坐标的纵坐标值。表示卷积核在特征卷积分支特征图中所在位置区域中某一坐标的横坐标值。卷积核在特征卷积分支特征图中所在位置区域中某一坐标的纵坐标值。表示卷积核在特征图中的位置区域为到的范围。表示批数据量。表示卷积操作。
实践中，通过取较大的卷积核尺寸，可以使得模型更好的注意全局特征。通过引入分段线性函数，可以保留大于零的特征值，同时将小于零的特征值归零。以此使得滤波操作后的特征分布更加均匀。通过上述公式，还可以使得模型提取到更多车道线部分的特征。以此，有利于减少图像背景等噪声对车道线特征的干扰。从而，使得重组后特征图中车道线特征的跟容易被提取。
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“未考虑道路图像中的道路图像背景对车道线提取的影响，使得在车道线被遮挡、模糊的情况下，增加了道路图像背景对车道线提取的干扰程度，从而，导致生成的车道线的准确度降低”。导致生成的车道线的准确度降低的因素往往如下：未考虑道路图像中的道路图像背景对车道线提取的影响，使得在车道线被遮挡、模糊的情况下，增加了道路图像背景对车道线提取的干扰程度。如果解决了上述因素，就能提高生成的车道线的准确度。为了达到这一效果，首先，引入了上述车道线场景分割模型。使得可以生成车道线场景图。也因为引入了车道线场景分割模型，以及车道线场景分割模型包括的空间注意力特征提取机制中的空间注意力特征提取分支模块、特征分割模块、注意力特征融合模块等。使得可以用于提升模型区分车道线和背景的能力。基于列的分割方法，还可以使模型在提取车道线的特征时，减少背景的干扰，更多的关注车道线特征之间的相关性。从而，便于进行车道线特征的提取。进而，可以用于提高生成车道线的准确度。然后，通过引入特征重组模块中的卷积核调整子模块、特征卷积分支模块和特征滤波模块，以及通过取较大的卷积核尺寸，可以使得模型更好的注意全局特征。通过引入分段线性激活函数，可以使得滤波操作后的特征分布更加均匀。通过上述公式，还可以使得模型提取到更多车道线部分的特征。以此，有利于减少图像背景等噪声对车道线特征的干扰。从而，使得重组后特征图中车道线特征的跟容易被提取。因此，可以从车道线场景特征图中提取出更加准确的识别车道线方程组。考虑到了道路图像中的道路图像背景对车道线提取的影响，使得在车道线被遮挡、模糊的情况下，降低了道路图像背景对车道线提取的干扰程度。进而，可以用于提高生成的车道线的准确度。
步骤203，对车道线场景特征图进行场景车道线识别，以生成识别车道线方程组。
在一些实施例中，上述执行主体可以对上述车道线场景特征图进行场景车道线识别，以生成识别车道线方程组。其中，可以通过预设的车道线识别算法，对上述车道线场景特征图进行场景车道线识别，以生成识别车道线方程组。每个识别车道线方程可以对应一条车道线。另外，每个识别车道线方程还可以对应车道线的唯一标识。
作为示例，上述车道线识别算法可以包括但不限于以下至少一项：Resnet（Residual Network，残差神经网络）模型、VGG（Visual Geometry Group Network，卷积神经网络）模型和Google Net（深度神经网络）模型等。
步骤204，对道路图像进行图像车道线提取，以生成提取车道线方程组。
在一些实施例中，上述执行主体可以对上述道路图像进行图像车道线提取，以生成提取车道线方程组。其中，可以通过预设的车道线提取算法，对上述道路图像进行图像车道线提取，以生成提取车道线方程组。其次，每个车道线方程可以对应一条车道线。同时每个车道线方程还可以对应车道线的唯一标识。
作为示例，上述车道线提取算法可以包括但不限于以下至少一项：SPP（SpatialPyramid Pooling，空间金字塔池化模块）模型、FCN（Fully Convolutional Networks，全卷机神经网络）模型。
步骤205，对识别车道线方程组和提取车道线方程组进行融合处理，以生成目标车道线方程组。
在一些实施例中，上述执行主体可以对上述识别车道线方程组和上述提取车道线方程组进行融合处理，以生成目标车道线方程组。其中，可以将对应车道线唯一标识相同的识别车道线方程和提取车道线方程进行拟合，以生成目标车道线方程。以此得到目标车道线方程组。
可选的，上述执行主体还可以将上述目标车道线方程组发送至当前车辆显示终端以供显示。
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生成方法，可以提高生成车道线的准确度。具体来说，造成生成车道线的准确度降低的原因在于：由于车辆被遮挡、车道线模糊等情况，使得道路图像中的车道线可辨识度降低，导致道路图像中车道线相关的特征减少，由此，导致神经网络对车道线识别的准确度降低。基于此，本公开的一些实施例的车道线生成方法，首先，获取道路图像。然后，基于上述道路图像，生成车道线场景特征图，其中，上述车道线场景特征图为车道线的二值化特征图像。通过生成车道线场景特征图，可以用于削弱道路图像中车道线之外的场景特征（例如，道路、车辆等）对车道线提取的影响。以此提高生成的车道线的准确度。接着，对上述车道线场景特征图进行场景车道线识别，以生成识别车道线方程组。之后，对上述道路图像进行图像车道线提取，以生成提取车道线方程组。通过场景车道线识别和图像车道线提取的两种方式，可以同时提取车道线。最后，对上述识别车道线方程组和上述提取车道线方程组进行融合处理，以生成目标车道线方程组。通过融合处理，可以将用不同方式提取到的车道线进行融合。从而，可以进一步提高生成的车道线的准确度。
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生成装置的一些实施例，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生成装置200包括：获取单元201、生成单元202、车道线识别单元203、车道线提取单元204和融合处理单元205。其中，获取单元201，被配置成获取道路图像；生成单元202，被配置成基于上述道路图像，生成车道线场景特征图，其中，上述车道线场景特征图为车道线的二值化特征图像；车道线识别单元203，被配置成对上述车道线场景特征图进行场景车道线识别，以生成识别车道线方程组；车道线提取单元204，被配置成对上述道路图像进行图像车道线提取，以生成提取车道线方程组；融合处理单元205，被配置成对上述识别车道线方程组和上述提取车道线方程组进行融合处理，以生成目标车道线方程组。
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301（例如中央处理器、图形处理器等），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RAM 303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（Hyper Text 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；基于上述道路图像，生成车道线场景特征图，其中，上述车道线场景特征图为车道线的二值化特征图像；对上述车道线场景特征图进行场景车道线识别，以生成识别车道线方程组；对上述道路图像进行图像车道线提取，以生成提取车道线方程组；对上述识别车道线方程组和上述提取车道线方程组进行融合处理，以生成目标车道线方程组。
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、生成单元、车道线识别单元、车道线提取单元和融合处理单元。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 (6)
1.一种车道线生成方法，包括：
获取道路图像；
基于所述道路图像，生成车道线场景特征图，其中，所述车道线场景特征图为车道线的二值化特征图像；
对所述车道线场景特征图进行场景车道线识别，以生成识别车道线方程组；
对所述道路图像进行图像车道线提取，以生成提取车道线方程组；
对所述识别车道线方程组和所述提取车道线方程组进行融合处理，以生成目标车道线方程组；
其中，所述基于所述道路图像，生成车道线场景特征图，包括：
将所述道路图像输入至预设的车道线场景分割模型，得到车道线场景特征图；
其中，所述车道线场景分割模型通过以下方式生成：
获取预处理的训练样本，其中，所述训练样本包括：样本道路图像、样本车道线场景特征图和样本损失值；
将所述样本道路图像输入至初始车道线场景分割模型包括的特征提取模块，以生成提取后车道线特征图，其中，所述初始车道线场景分割模型还包括：空间注意力特征提取机制、特征重组模块；
将所述提取后车道线特征图输入至所述空间注意力特征提取机制，以生成空间注意力特征图；
将所述空间注意力特征图输入至所述特征重组模块，得到重组后特征图；
确定所述重组后特征图与所述样本车道线场景特征图的差异，得到差异损失值；
响应于确定所述差异损失值小于等于所述样本损失值，将所述初始车道线场景分割模型确定为车道线场景分割模型；
其中，所述空间注意力特征提取机制包括：空间注意力特征提取分支模块、特征分割模块和注意力特征融合模块；以及
所述将所述提取后车道线特征图输入至所述空间注意力特征提取机制，以生成空间注意力特征图，包括：
利用所述空间注意力特征提取分支模块，对所述提取后车道线特征图进行特征提取操作，以生成待分割特征图，其中，空间注意力特征提取分支模块包括三组空洞卷积模块，每组空洞卷积模块包括空洞卷积层、归一化层、激活层；
利用所述特征分割模块，对所述待分割特征图进行特征分割，得到分割后特征向量序列，以及确定所述分割后特征向量序列中每两个分割后特征向量之间的特征相似度，以生成权重特征图；
基于所述权重特征图，生成特征正态分布曲线；
利用所述注意力特征融合模块和所述特征正态分布曲线，对所述待分割特征图进行特征调整，得到空间注意力特征图；
其中，所述特征重组模块包括卷积核调整子模块、特征卷积分支模块和特征滤波模块；以及
所述将所述空间注意力特征图输入至所述特征重组模块，得到重组后特征图，包括：
利用所述卷积核调整子模块，对所述空间注意力特征图进行特征提取操作，得到调整后特征图，其中，所述卷积核调整子模块还用于调整与所述空间注意力特征图中每个通道对应的卷积核；
利用所述特征卷积分支模块对所述空间注意力特征图进行特征提取处理，以生成特征卷积分支特征图和通道数；
将所述调整后特征图、所述特征卷积分支特征图和所述通道数输入至所述特征滤波模块以进行滤波操作，得到重组后特征图。
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发送至当前车辆显示终端以供显示。
3.根据权利要求1所述的方法，其中，所述对所述识别车道线方程组和所述提取车道线方程组进行融合处理，以生成目标车道线方程组，包括：
对所述识别车道线方程组和所述提取车道线方程组中对应同一车道线的识别车道线方程和提取车道线方程进行融合以生成目标车道线方程，得到目标车道线方程组。
4.一种车道线生成装置，包括：
获取单元，被配置成获取道路图像；
生成单元，被配置成基于所述道路图像，生成车道线场景特征图，其中，所述车道线场景特征图为车道线的二值化特征图像；
车道线识别单元，被配置成对所述车道线场景特征图进行场景车道线识别，以生成识别车道线方程组；
车道线提取单元，被配置成对所述道路图像进行图像车道线提取，以生成提取车道线方程组；
融合处理单元，被配置成对所述识别车道线方程组和所述提取车道线方程组进行融合处理，以生成目标车道线方程组；
其中，所述基于所述道路图像，生成车道线场景特征图，包括：
将所述道路图像输入至预设的车道线场景分割模型，得到车道线场景特征图；
其中，所述车道线场景分割模型通过以下方式生成：
获取预处理的训练样本，其中，所述训练样本包括：样本道路图像、样本车道线场景特征图和样本损失值；
将所述样本道路图像输入至初始车道线场景分割模型包括的特征提取模块，以生成提取后车道线特征图，其中，所述初始车道线场景分割模型还包括：空间注意力特征提取机制、特征重组模块；
将所述提取后车道线特征图输入至所述空间注意力特征提取机制，以生成空间注意力特征图；
将所述空间注意力特征图输入至所述特征重组模块，得到重组后特征图；
确定所述重组后特征图与所述样本车道线场景特征图的差异，得到差异损失值；
响应于确定所述差异损失值小于等于所述样本损失值，将所述初始车道线场景分割模型确定为车道线场景分割模型；
其中，所述空间注意力特征提取机制包括：空间注意力特征提取分支模块、特征分割模块和注意力特征融合模块；以及
所述将所述提取后车道线特征图输入至所述空间注意力特征提取机制，以生成空间注意力特征图，包括：
利用所述空间注意力特征提取分支模块，对所述提取后车道线特征图进行特征提取操作，以生成待分割特征图，其中，空间注意力特征提取分支模块包括三组空洞卷积模块，每组空洞卷积模块包括空洞卷积层、归一化层、激活层；
利用所述特征分割模块，对所述待分割特征图进行特征分割，得到分割后特征向量序列，以及确定所述分割后特征向量序列中每两个分割后特征向量之间的特征相似度，以生成权重特征图；
基于所述权重特征图，生成特征正态分布曲线；
利用所述注意力特征融合模块和所述特征正态分布曲线，对所述待分割特征图进行特征调整，得到空间注意力特征图；
其中，所述特征重组模块包括卷积核调整子模块、特征卷积分支模块和特征滤波模块；以及
所述将所述空间注意力特征图输入至所述特征重组模块，得到重组后特征图，包括：
利用所述卷积核调整子模块，对所述空间注意力特征图进行特征提取操作，得到调整后特征图，其中，所述卷积核调整子模块还用于调整与所述空间注意力特征图中每个通道对应的卷积核；
利用所述特征卷积分支模块对所述空间注意力特征图进行特征提取处理，以生成特征卷积分支特征图和通道数；
将所述调整后特征图、所述特征卷积分支特征图和所述通道数输入至所述特征滤波模块以进行滤波操作，得到重组后特征图。
5.一种电子设备，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1-3中任一所述的方法。
6.一种计算机可读介质，其上存储有计算机程序，其中，所述计算机程序被处理器执行时实现如权利要求1-3中任一所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211518006.9A CN115546766B (zh) | 2022-11-30 | 2022-11-30 | 车道线生成方法、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 |
|---|---|---|---|
| CN202211518006.9A CN115546766B (zh) | 2022-11-30 | 2022-11-30 | 车道线生成方法、装置、电子设备和计算机可读介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115546766A CN115546766A (zh) | 2022-12-30 |
| CN115546766B true CN115546766B (zh) | 2023-04-07 |
Family
ID=84722089
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211518006.9A Active CN115546766B (zh) | 2022-11-30 | 2022-11-30 | 车道线生成方法、装置、电子设备和计算机可读介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115546766B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115713750B (zh) * | 2023-01-09 | 2023-04-11 | 广汽埃安新能源汽车股份有限公司 | 一种车道线检测方法、装置、电子设备及存储介质 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115273012A (zh) * | 2022-08-19 | 2022-11-01 | 禾多科技（北京）有限公司 | 虚线车道线识别方法、装置、电子设备和计算机可读介质 |
Family Cites Families (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TWI641516B (zh) * | 2018-03-06 | 2018-11-21 | 國立交通大學 | 車道線偵測方法 |
| CN109034047B (zh) * | 2018-07-20 | 2021-01-22 | 京东方科技集团股份有限公司 | 一种车道线检测方法及装置 |
| CN112068567B (zh) * | 2020-09-16 | 2023-11-24 | 上海振华重工(集团)股份有限公司 | 一种基于超宽带和视觉图像的定位方法及定位系统 |
| CN114399588B (zh) * | 2021-12-20 | 2022-11-11 | 禾多科技（北京）有限公司 | 三维车道线生成方法、装置、电子设备和计算机可读介质 |
| CN114897094A (zh) * | 2022-06-01 | 2022-08-12 | 西南科技大学 | 一种基于注意力双支路特征融合的食管早癌病灶分割方法 |
| CN115272182B (zh) * | 2022-06-23 | 2023-05-26 | 禾多科技（北京）有限公司 | 车道线检测方法、装置、电子设备和计算机可读介质 |
| CN115116018A (zh) * | 2022-06-30 | 2022-09-27 | 北京旋极信息技术股份有限公司 | 一种拟合车道线的方法和装置 |
-
2022
- 2022-11-30 CN CN202211518006.9A patent/CN115546766B/zh active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115273012A (zh) * | 2022-08-19 | 2022-11-01 | 禾多科技（北京）有限公司 | 虚线车道线识别方法、装置、电子设备和计算机可读介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115546766A (zh) | 2022-12-30 |
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 | |
| CN107622240B (zh) | 人脸检测方法和装置 | |
| CN111967467B (zh) | 图像目标检测方法、装置、电子设备和计算机可读介质 | |
| CN111414953B (zh) | 点云分类方法和装置 | |
| CN110211195B (zh) | 生成图像集合的方法、装置、电子设备和计算机可读存储介质 | |
| CN111310770A (zh) | 目标检测方法和装置 | |
| CN111311480A (zh) | 图像融合方法和装置 | |
| CN115546766B (zh) | 车道线生成方法、装置、电子设备和计算机可读介质 | |
| CN114067389A (zh) | 一种面部表情的分类方法和电子设备 | |
| CN112598673A (zh) | 全景分割方法、装置、电子设备和计算机可读介质 | |
| CN112418249A (zh) | 掩膜图像生成方法、装置、电子设备和计算机可读介质 | |
| CN112419179A (zh) | 修复图像的方法、装置、设备和计算机可读介质 | |
| CN110852242A (zh) | 基于多尺度网络的水印识别方法、装置、设备及存储介质 | |
| CN112070888B (zh) | 图像生成方法、装置、设备和计算机可读介质 | |
| CN117011156A (zh) | 图像处理方法、装置、设备及存储介质 | |
| CN114596203A (zh) | 用于生成图像和用于训练图像生成模型的方法和装置 | |
| CN112613544A (zh) | 目标检测方法、装置、电子设备和计算机可读介质 | |
| CN113688928A (zh) | 图像匹配方法、装置、电子设备和计算机可读介质 | |
| CN114170233A (zh) | 图像分割标签的生成方法、装置、电子设备及存储介质 | |
| CN113255812A (zh) | 视频边框检测方法、装置和电子设备 | |
| CN116704473B (zh) | 障碍物信息检测方法、装置、电子设备和计算机可读介质 | |
| CN116246175B (zh) | 土地利用信息生成方法、电子设备和计算机可读介质 | |
| CN111311616B (zh) | 用于分割图像的方法和装置 | |
| CN113033579B (zh) | 图像处理方法、装置、存储介质及电子设备 | |
| CN115661238B (zh) | 可行驶区域生成方法、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 |