CN115661790B - 基于车道线的车道消失点检测方法、终端及存储介质 - Google Patents
基于车道线的车道消失点检测方法、终端及存储介质 Download PDFInfo
- Publication number
- CN115661790B CN115661790B CN202211329444.0A CN202211329444A CN115661790B CN 115661790 B CN115661790 B CN 115661790B CN 202211329444 A CN202211329444 A CN 202211329444A CN 115661790 B CN115661790 B CN 115661790B
- Authority
- CN
- China
- Prior art keywords
- lane
- lane line
- point
- fitting
- road
- 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
Classifications
-
- 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
- Image Analysis (AREA)
Abstract
本发明公开了一种基于车道线的车道消失点检测方法、终端及计算机可读存储介质,先通过差分进化算法从原始车道线的车道线拟合点中确定出对应的分段点,再根据分段点将原始车道线划分为若干候选车道段,并将最接近车道消失点的候选车道段作为目标车道段,然后根据目标车道段的车道线拟合点,确定目标车道段对应的车道线拟合曲线,作为待检测道路的目标拟合曲线;最后基于该待检测道路的目标拟合曲线,确定待检测道路的车道消失点。通过上述方案,可以有效提高确定的待检测道路的消失点的准确性。
Description
技术领域
本发明涉及计算机技术领域,尤其涉及一种基于车道线的车道消失点检测方法、终端及计算机可读存储介质。
背景技术
车道消失点是指平行的车道线在远处的交汇点,在智慧交通、自动驾驶等领域有着大量的应用。例如,在自动驾驶领域,车道消失点可以作为自动驾驶的导向。
现有技术中一般通过基于最小二乘法的多项式曲线拟合进行车道线拟合,从而将拟合得到的车道线延长得到的交点,作为车道消失点。但是在实际运用场景中,路面情况十分复杂,有简单的直线也有复杂的车道线(例如大弯道、急弯、S型车道、上下坡、直道+弯道等)。
对于复杂的车道线,采用现有的曲线拟合算法难以准确的拟合出对应的车道线,从而进一步放大车道消失点的误差,导致车道消失点的准确度低。
基于此,如何提供一种准确度高的车道消失点检测方法,成为亟需解决的技术问题。
发明内容
本发明的主要目的在于提供一种基于车道线的车道消失点检测方法、终端及计算机可读存储介质,旨在解决现有技术中车道消失点检测的准确度低的问题。
为了实现上述目的,本发明实施例提供了一种基于车道线的车道消失点检测方法,所述方法包括:
获取待检测道路中各原始车道线的车道线拟合点;
通过差分进化算法,从所述原始车道线的所述车道线拟合点中确定所出对应的分段点;
根据所述分段点将所述原始车道线划分为若干候选车道段,并将最接近所述车道消失点的候选车道段作为目标车道段;
根据所述目标车道段的车道线拟合点,确定所述目标车道段对应的车道线,作为所述待检测道路的目标拟合曲线;
基于所述待检测道路的所述目标拟合曲线,确定所述待检测道路的车道消失点。
可选地,所述通过差分进化算法,从所述原始车道线的所述车道线拟合点中确定对应的分段点,具体包括:
根据所述待检测道路中各所述原始车道线的车道线拟合点,确定各所述原始车道线的车道线类型;
其中,所述车道线类型至少包括:简单车道线、复杂车道线;
通过所述差分进化算法,从所述车道线类型为所述复杂车道线的所述原始车道线的所述车道线拟合点中确定所述车道线的分段点。
可选地,所述根据所述待检测道路中各原始车道线的车道线拟合点,确定各所述原始车道线的车道线类型之后,所述方法还包括:
在所述原始车道线的车道线类型为简单车道线的情况下,根据所述原始车道线的车道线拟合点,通过曲线拟合算法进行拟合得到所述简单车道线的车道线拟合曲线,作为所述待检测道路的目标拟合曲线。
可选地,所述根据所述待检测道路中各所述原始车道线的所述车道线拟合点,确定各所述原始车道线的车道线类型,具体包括:
从所述原始车道线的所述车道线拟合点的起点段、中间段以及终点段,分别选择两个车道线拟合点,作为斜率计算点;
根据所述斜率计算点,分别计算所述起点段、所述中间段以及所述终点段的直线斜率;
基于所述起点段、所述中间段以及所述终点段的直线斜率,确定所述原始车道线的车道线类型。
可选地,所述基于所述起点段、所述中间段以及所述终点段的直线斜率,确定所述原始车道线的车道线类型,具体包括:
计算所述起点段、所述中间段以及所述终点段的直线斜率之和,作为所述原始车道线的直线斜率和值;以及
确定所述起点段、所述中间段以及所述终点段的直线斜率中的最小值,作为所述原始车道线的最小直线斜率;
在所述原始车道线的所述直线斜率和值与所述最小直线斜率的差值大于第一预设阈值的情况下,所述原始车道线的车道线类型为复杂车道线;
在所述原始车道线的所述直线斜率和值与所述最小直线斜率的差值小于第一预设阈值的情况下,所述原始车道线的车道线类型为简单车道线。
可选地,基于所述待检测道路的所述目标拟合曲线,确定所述待检测道路的车道消失点,具体包括:
计算所述待检测道路中任意两条所述目标拟合曲线的交点,作为所述待检测道路的候选车道消失点;
在所述待检测道路的所述候选车道消失点的数量为1的情况下,将所述候选车道消失点作为所述待检测道路的车道消失点;
在所述待检测道路的所述候选车道消失点数量大于1的情况下,根据各所述候选车道消失点的位置信息进行均值计算,得到所述待检测道路的车道消失点。
可选地,在所述待检测道路的所述候选车道消失点数量大于1的情况下,根据各所述候选车道消失点的位置信息进行均值计算,得到所述待检测道路的车道消失点,具体包括:
通过半径滤波确定剔除所述候选车道消失点中的离群点,并将剩余的候选车道消失点作为有效消失点;
根据各所述有效消失点的位置信息进行均值计算,得到所述待检测道路的车道消失点。
可选地,在计算所述待检测道路中任意两条所述目标拟合曲线的交点之前,所述方法还包括:
在所述原始车道线的数量大于1的情况下,遍历所述待检测道路的目标拟合曲线进行两两组合,得到对应的拟合曲线对;
计算各所述拟合曲线对两条所述目标拟合曲线之间的余弦相似度;
在所述余弦相似度大于第二预设阈值的情况下,放弃计算所述余弦相似度对应的两个所述目标拟合曲线之间交点。
为了实现上述目的,本发明实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有一个或者多个程序,所述一个或者多个程序可被一个或者多个处理器执行,以实现如上所述的基于车道线的车道消失点检测方法。
另外,为了实现上述目的,本发明实施例还提供了一种终端,包括:处理器和存储器;所述存储器上存储有可被所述处理器执行的计算机可读程序;所述处理器执行所述计算机可读程序时实现如上所述的基于车道线的车道消失点检测方法。
本发明实施例提供的基于车道线的车道消失点检测方法,先通过差分进化算法从原始车道线的车道线拟合点中确定出对应的分段点,再根据分段点将原始车道线划分为若干候选车道段,并将最接近车道消失点的候选车道段作为目标车道段,然后根据目标车道段的车道线拟合点,确定目标车道段对应的车道线拟合曲线,作为待检测道路的目标拟合曲线;最后基于该待检测道路的目标拟合曲线,确定待检测道路的车道消失点。本发明通过差分进化算法确定原始车道线的分段点从而对原始车道线进行分段,然后拟合出最接近车道消失点的目标车道段的车道线拟合曲线,相对于拟合出复杂车道线的整个的车道线拟合曲线来说,分段后的目标车道段的车道线拟合曲线更加准确,从而使得基于目标车道段的车道线拟合曲线,确定的该待检测道路的车道消失点也更加精确,减少车道消失点的误差。
附图说明
图1为现有技术确定的车道消失点的效果图;
图2为本发明实施例提供的基于车道线的车道消失点检测方法的流程图;
图3为本发明实施例提供的车道线拟合点示意图;
图4为本发明实施例提出的差分进化算法的流程图;
图5为本发明实施例提出的优等种群大小和迭代次数g的关系示意图;
图6为本发明实施例提供的目标车道段的结构示意图;
图7为本发明实施例提供的车道消失点的示意图;
图8为本发明实施例提供的步骤S205的流程图;
图9为本发明实施例提供的步骤S801的流程图;
图10为本发明实施例提供的基于车道线的车道消失点检测方法的另一流程图;
图11为本发明实施例提供的基于车道线的车道消失点检测方法的另一流程图;
图12为本发明实施例提供的步骤S1001的流程图;
图13为本发明实施例提供的斜率计算点的示意图;
图14为发明实施例提供的直线斜率的示意图;
图15为发明实施例提供的直线斜率的另一示意图;
图16为本发明实施例提供的基于车道线的车道消失点检测方法的效果图;
图17为本发明实施例提供的终端的结构示意图。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚、明确,以下参照附图并举实施例对本发明进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
在实际运用场景中,道路情况十分复杂,车道线的复杂程度也有所不同,有些车道线的曲率较小甚至是直线,而有些车道线复杂程度大(例如:大弯道、急弯、S型弯道、上下坡、直道+弯道等),通过现有的曲线拟合方法难以准确的拟合出复杂程度大的车道线,从而导致车道消失点的误差放大,造成车道消失点的准确度低的问题。
目前,大部分采用B样条插值拟合算法、三次样条插值、Ransac算法、最小二乘法进行曲线拟合。其中,基于最小二乘法的多项式拟合方法最为常用,具体地,对于一条原始车道线L上的车道线拟合点可以表示为:
,/>。
其中,表示原始车道线的车道拟合点的/>坐标的集合,/>表示原始车道线的车道拟合点的/>坐标的集合,/>表示原始车道线的车道拟合点的数量。
此时,先构建一个多项式模型,即多项式函数为:
。
即为:
;
;
其中,表示/>,/>表示/>,/>表示/>。
则,该多项式模型的目标函数为:
,
其中,为最小二乘误差,T表示矩阵转置,Y表示/>。
令上述目标函数中的A的偏导数为0,可得:
,
可得,
。
通过上述步骤即可得到多项式参数A,从而可以根据多项式参数得到对应的多项式函数,比如求得A矩阵中包括标量参数a、b、c,即可得到多项式函数为:,即可绘制出原始车道线的拟合曲线。
图1为现有技术确定的车道消失点的示意图,其中,虚线表示车道线拟合点,实线为现有技术拟合出的车道线拟合曲线,实线的交点为车道消失点。如图1所示,可见通过现有技术获取的车道线消失点存在较大的误差,准确度较低。
为了解决上述技术问题,本发明实施例提供了一种基于车道线的车道消失点检测方法、终端及计算机可读存储介质,下面结合附图进行详细阐述。
图2为本发明实施例提供的基于车道线的车道消失点检测方法的流程图,如图2所示,所述基于车道线的车道消失点检测方法至少包括以下步骤:
S201,获取待检测道路中各原始车道线的车道线拟合点。
在本发明实施例中,可以先获取待检测道路的道路图像,并对道路图像进行图像识别,通过图像识别获得该待检测道路的各原始车道线的车道线拟合点,如图3所示。其中,道路图像可以是行驶在待检测道路的车辆上的拍摄设备采集得到的。
可以理解的是,现有道路中至少存在两条车道线,因此待检测道路中原始车道线的数量大于或等于2。
在本发明实施例中,上述车道线拟合点可以是原始车道线上的采样点,该采样点可以是原始车道线上的像素点。
S202,通过差分进化算法,从原始车道线的车道线拟合点中确定出对应的分段点。
在本发明的实施例中,确定原始车道线的分段点的核心思想在于使基于分段点对应的各段的拟合损失函数之和最小。以基于最小二乘法的多项式拟合算法为例,由上述可知,其各段的拟合损失函数(即拟合误差)可以表示为:
,
由于拟合损失函数越小,则表示拟合越准确,则计算各段的拟合损失函数之和最小即可。
假设一条原始车道线为L ,可以表示为:
;
其中,表示L中车道线拟合点的位置坐标,/>表示原始车道线的车道拟合点的/>坐标的集合,/>表示原始车道线的车道拟合点的/>坐标的集合。
以将该原始车道线L分为两段为例,则有三个分段点:、/>、/>。其中,/>、/>分别表示原始车道线的首末两点,/>在/>和/>之间,那么所需要获取的分段点即为/>,令上述拟合损失函数/>为SSR函数,则需要优化的问题为:
,
其中,。
即当最小时,/>即为需要寻找的分段点。/>表示/>到间的车道线,/>表示/>到/>间的车道线。
在本发明实施例中,可以通过差分进化算法计算上述拟合损失函数的最小值,在,如图4所示,差分进化算法主要可以包括:初始化种群、种群变异、种群交叉和最优种群选择等步骤,具体如下所示:
A.初始化种群:
预先设置种群大小NP和种群个体的最小值和最大值/>,其中,种群个体是指车道线拟合点的/>坐标,/>为一条原始车道线的车道拟合点中/>坐标的最小值,为该原始车道线车道拟合点中/>坐标的最大值,需要优化的目标函数即为:
,
其中,为该原始车道线车道拟合点中/>坐标的最小值,/>为该原始车道线车道拟合点中/>坐标的最大值。
也就是需要找到一个断点,使断点两端的车道线拟合损失函数的和值最小。
设初始化种群为:
,
其中,0表示第0代。
每个初始化种群个体的定义方式为:
,
其中,表示一个0到1的随机数。
B.种群变异:
在之间找到三个互不相等的随机数/>、/>、/>,用差分的方式进行种群变异,变异后的种群个体为:
,
其中,g表示迭代次数,F为预设缩放因子。
C.种群交叉:
交叉是指根据条件判断是否需要将原种群个体和变异种群个体进行交换,具体参见下述公式:
,
其中,为交叉概率,可以为相应的预设阈值。
D.最优种群选择:
最优种群选择的目的是判断交叉后的变异种群个体和原种群个体哪个带来的拟合损失函数ε更小,并保留损失函数ε最小的种群个体,这里令:
,
则最优种群选择的过程可以表示为:
。
同时记录下所有迭代过程中令拟合损失函数ε最小的种群个体。
之后,在种群变异到最优种群选择这个过程中不断迭代,直到达到预设的迭代次数或者种群的标准差小于相应的预设阈值时停止迭代,并返回令拟合损失函数ε最小的种群个体。
也就是说,最后输出的令拟合损失函数ε最小的种群个体记为分段点的/>坐标。
通过上述方案实现步骤S202以获取对应的分段点。
在实际应用场景中,由于车辆系统需要获取实时的车道消失点,即待检测道路的车道消失点需要实时的更新,在这个过程中需要能够及时的获取分段点,以保证车道消失点的更新频率。
然而,由于初始种群的大小会影响到差分进化算法的精确度,一般是初始种群越大结果越精准,但是初始种群越大其得到分段点的所需时间就越长,从而导致无法及时的更新车道消失点,影响用户体验。
因此,本发明实施例中可以提出以下方法,在保证分段点精确度的情况下尽可能的减少执行时间,具体如下所示:
首先预先设置一个大种群数,后续迭代的过程中以拟合损失函数ε对种群个体进行排序,并挑选出前个种群个体组成优等种群,用于下一次迭代。
其中,为:
,
其中,为预设最小种群个体数,g为迭代次数,G为预设最大迭代次数。
其中,优等种群大小和迭代次数g的关系如图5所示。
通过上述方案,在每次迭代过程中,根据拟合损失函数的大小对种群个体进行排序,以个种群个体优等种群用于下一次迭代,而不再进行所有种群个体的迭代,可以缩短计算时间,在保证种群多样性的情况下,能够快速的得到对应的分段点,从而能够提高获取车道消失点的频率、提高用户体验。
并且,考虑到差分进化算法在种群变异阶段的预设缩放因子F为一个预设值,对种群变异没有指导性的作用,难以快速达到最优值。因此,在本发明实施例中提出通过指导性缩放因子,用于替代原有的预设缩放因子F,其中指导性缩放因子/>如下所示:
,
其中,表示当前种群个体的拟合损失函数,/>表示目前最小的拟合损失函数。
在本发明实施例中,指导性缩放因子的初始值可以设置为0.5,即/>。在每次迭代过程中都会自适应的变化,在当前误差与当前最佳误差的差值小于相应的预设阈值时,减小缩放因子,反之增大缩放因子。通过上述方法去动态指导种群个体的种群变异方向,从而尽快找到最佳种群个体,减少迭代次数,进一步提高获取车道消失点的频率。
另外,在实际应用场景中,为了防止分段后起始段的车道拟合点过少,可以先对原始车道线的车道线拟合点进行三次样条插值,一般可以插值到30个点,另外还可以限定生成的分段点的范围,不能让分段点太靠近车道线首部,避免车道线首部的车道线拟合点过少。
S203,根据分段点将原始车道线划分为若干候选车道段,并将最接近车道消失点的候选车道段作为目标车道段。
通过步骤S202,可以根据分段点将原始车道线划分为若干候选车道段,每个候选车道段内的车道线拟合点即为该候选车道段的车道线拟合点。在本发明实施例中,在该原始车道线中最接近车道消失点的候选车道段作为目标车道段,如图6所示,空心圆部分即为目标车道段。
由上述可知,车道消失点是指平行的车道线在远处的交汇点,那么在本发明实施例中,可以将最远处的候选车道段作为最接近车道消失点的候选车道段即目标车道段。
S204,根据目标车道段的车道线拟合点,确定目标车道段对应的车道线拟合曲线,作为待检测道路的目标拟合曲线。
在本发明实施例中,可以通过现有的曲线拟合算法(例如上述的最小二乘法),根据目标车道段的车道线拟合点,拟合出目标车道段的车道段拟合曲线,并将目标车道段的车道段拟合曲线作为该待检测道路的目标拟合曲线。
S205,基于待检测道路的目标拟合曲线,确定该待检测道路的车道消失点。
通过步骤S204即可得到待检测道路中每个原始车道线对应的目标拟合曲线,通过两条目标拟合曲线即可计算出对应的车道消失点。
进一步地,可以根据待检测道路中两条目标拟合曲线的多项式函数相减,然后利用numpy库的roots函数求根,即可求得交点坐标,即得到车道消失点,如图7所示,图7中两实线即为目标拟合曲线,两条实线的交点即为车道消失点。
更进一步地,如图8所示,步骤S205至少可以通过以下步骤实现:
S801,计算待检测道路中任意两条目标拟合曲线的交点,作为待检测道路的候选车道消失点。
可以理解的是,一个待检测道路中至少存在两条原始车道线,因此在本发明实施例中可以从待检测道路中的目标拟合曲线中,任意选择两条目标拟合曲线进行两两组合,得到对应的拟合曲线对,每个拟合曲线对中包含有两条目标拟合曲线。计算每个拟合曲线对中两条目标拟合曲线的交点,作为待检测道路的候选车道消失点。
例如,待检测道路A中存在四条原始车道线,且四条原始车道线的目标拟合曲线分别为A1、A2、A3和A4,从A1、A2、A3和A4中任意两条目标拟合曲线进行两两组合,得到的拟合曲线对分别为:(A1,A2)、(A1,A3)、(A1,A4)、(A2,A3)、(A2,A4)、(A3,A4)。
由于在实际应用场景中,目标拟合曲线之间可能靠的比较近,通过这两条目标拟合曲线求得的交点误差比较大,从而影响车道消失点的准确度。因此,如图9所示,步骤S801至少可以通过以下步骤实现:
S901,遍历待检测道路的目标拟合曲线进行两两组合,得到对应的拟合曲线对。
可以理解的是,步骤S901在上述实施例中已进行阐述,在此不再加以赘述,具体参见上述实施例。
S902,计算各拟合曲线对的两条目标拟合曲线之间的余弦相似度。
S903,在余弦相似度大于第二预设阈值的情况下,将该余弦相似度对应的拟合曲线对作为异常拟合曲线对,并删除该异常拟合曲线对。
在余弦相似度大于第二预设阈值的情况下,说明该余弦相似度对应的拟合曲线对中的两条目标拟合曲线靠的比较紧,因此,可以将该拟合曲线对删除,不再进行交点计算,从而进一步提高车道消失点的准确度。
S904,在余弦相似度小于或等于第二预设阈值的情况下,将该余弦相似度对应的拟合曲线对作为正常拟合曲线对,并计算该正常拟合曲线对的两条目标拟合曲线的交点,作为待检测道路的候选车道消失点。
通过上述步骤S901-S904,可以进一步减少因两条目标拟合曲线之间间隔较近导致的车道消失点误差,从而进一步提高车道消失点的准确度。
S802,在待检测道路的候选车道消失点的数量为1的情况下,将该候选车道消失点作为该待检测道路的车道消失点。
S803,在待检测道路的候选车道消失点的数量大于1的情况下,根据各候选车道消失点的位置信息进行均值计算,得到该待检测道路的车道消失点。
由上述可知,一个待检测道路至少包括两条原始车道线,因此通过上述实施例提供的方法可以得到多个候选车道消失点。在本发明实施例中,可以对该待检测道路设置相应的坐标系,从而获取各候选车道消失点的位置坐标(即上述位置信息),并根据位置坐标进行均值计算,求得的均值对应的坐标点,即为该待检测道路的车道消失点。
在实际过程中,在车道线数量较多的情况下,容易出现离群点影响车道消失点的准确度。因此,在本发明实施例中,步骤S803可以通过以下步骤实现:
通过半径滤波剔除候选车道消失点中的离群点,并将剩余的候选车道消失点作为有效消失点;根据各有效消失点的位置信息进行均值计算,得到待检测道路的车道消失点。
可以理解的是,根据各有效消失点的位置信息进行均值计算,得到待检测道路的车道消失点,可以参考上述实施例中根据各候选车道消失点的位置信息进行均值计算,得到该待检测道路的车道消失点的实现步骤,再次不再加以赘述。
通过上述方案提出候选车道消失点中的离群点,进一步减小待检测道路的车道消失点的误差,从而进一步提高车道消失点的准确度。
此外,在实际运用场景中,路面情况十分复杂,有较为简单的车道线,也有复杂的车道线。对于复杂程度小的车道线(例如:直线,曲率较小的车道线)来说,通过上述实施例提供的方案得到对应的消失点。但是,由于上述实施例提供的方案需要先进行计算对应的分段点,然后基于分段点进行分段,需要较多的计算资源,而对于复杂程度小的车道线来说曲率较小,可以不需要进行分段,故在本发明的一些实施例中,如图10、11所示,在步骤S202之前还可以包括以下步骤:
S1001,根据待检测道路中各原始车道线的车道线拟合点,确定各原始车道线的车道线类型。
其中,车道线类型至少包括:简单车道线、复杂车道线。
S1002,在原始车道线的车道线类型为简单车道线的情况下,根据原始车道线的车道线拟合点,通过多项式拟合算法进行拟合得到简单车道线的车道线拟合曲线,作为待检测道路的目标拟合曲线。
需要说明的是,可以通过现有的曲线拟合算法(例如最小二乘法)拟合简单车道线的车道线拟合曲线,上述实施例中已进行详细阐述,在此不再多加赘述。
也就是说,在通过步骤S201获取到待检测道路的各原始车道线的车道线拟合点后,可以先确定根据车道线拟合点确定其对应的原始车道线的车道线类型,对于简单车道线可以不进行分段直接进行车道线拟合,仅对复杂车道线进行分段处理,从而可以在保证车道线消失点准确度的基础上,尽可能的减少计算资源,节约成本。
如图12所示,步骤S1001至少可以通过以下步骤实现:
S1201,从原始车道线的车道线拟合点的起点段、中间段以及终点段分别选择两个车道线拟合点,作为斜率计算点。
在本发明实施例中,可以先将原始车道线的车道线拟合点划分为三段,即起点段、中间段以及终点段。可以理解的是,起点段、中间段以及终点段可以根据车道拟合点的数量进行平均划分。然后,分别从起点段、中间段以及终点段分别提取两个相邻的车道线拟合点,作为斜率计算点。
例如,可以将原始车道线的车道线拟合点的首端对应起始段,尾端对应终点段,起始段的两个斜率计算点即为图13所示的首两点,终点段的两个斜率计算点即为图13所示的尾两点。
S1202,根据斜率计算点,分别计算起点段、中间段以及终点段的直线斜率。
在本发明实施例中,可以预先为车道线拟合点设置坐标系,从而确定各车道线拟合点的位置信息,从而计算出对应的直线斜率。
具体地,可以通过以下公式实现:
,/>,/>。
其中,为起始段的直线斜率,/>为中间段的直线斜率,/>为终点段的直线斜率;、/>为起始段的两个斜率计算点的位置坐标;/>、/>为中间段的两个斜率计算点的位置坐标;/>、/>为中间段的两个斜率计算点的位置坐标。
S1203,计算起点段、中间段以及终点端的直线斜率之和,作为原始车道线的直线斜率和值。
S1204,确定起点段、中间段以及终点段的直线斜率中的最小值,作为原始车道线的最小直线斜率。
需要说明的是,可以先执行步骤S1103再执行步骤S1104,或者先执行步骤S1104再执行步骤S1103,亦或者步骤S1103与步骤S1104同时执行,在本发明实施例中不做具体限定。
S1205,在原始车道线的直线斜率和值与最小直线斜率的差值大于第一预设阈值的情况下,该原始车道线的车道线类型为复杂车道线。
S1206,在原始车道的直线斜率和值与最小直线斜率的差值小于第一预设阈值的情况下,该原始车道线的车道线类型为简单车道线。
具体地,可以预先设置一个角度阈值即为第一预设阈值,与原始车道线的直线斜率和值与最小直线斜率的差值进行比较,如下公式所示:
;
可得:
;
在本发明实施例中,上述第一预设阈值可以设置为/>。
原始车道线的直线斜率和值与最小直线斜率的差值,表示角度的差异,角度差异越大,代表车道线的曲率越大(如图14、15所示),也就说明原始车道线的复杂程度越大,因此可通过上述方式可以对原始车道线进行类型划分,确定其车道线类型。
另外,在本发明实施例中选择起始段、中间段以及终点段三个位置的车道线拟合点,是因为原始车道线首末处的角度差距不大,若中间比较弯曲,则属于复杂车道线,能够更加准确的区分车道线类型。
也就是说,通过上述步骤S1203-S1206,即可实现基于起点段、中间段以及终点端的直线斜率,确定原始车道线的车道线类型的步骤。
在本申请实施例中,对于车道线类型为复杂车道线的原始车道线,为了使得车道消失点的检测更加准确,采用上述步骤S202-S204提供的方法,确定复杂车道线的目标车道段的车道线拟合曲线,作为待检测道路的目标拟合曲线。
本发明实施例提供的基于车道线的车道消失点检测方法,先通过差分进化算法从原始车道线的车道线拟合点中确定出对应的分段点,再根据分段点将原始车道线划分为若干候选车道段,并将最接近车道消失点的候选车道段作为目标车道段,然后根据目标车道段的车道线拟合点,确定目标车道段对应的车道线拟合曲线,作为待检测道路的目标拟合曲线;最后基于该待检测道路的目标拟合曲线,确定待检测道路的车道消失点。本发明通过差分进化算法确定原始车道线的分段点从而对原始车道线进行分段,然后拟合出最接近车道消失点的目标车道段的车道线拟合曲线,相对于拟合出复杂车道线的整个的车道线拟合曲线来说,分段后的目标车道段的车道线拟合曲线更加准确,从而使得基于目标车道段的车道线拟合曲线,确定的该待检测道路的车道消失点也更加精确,减少车道消失点的误差,如图16。
在本发明的一些实施例中,上述基于车道线的车道消失点检测方法可以应用于自动驾驶领域,用于更加准确地确定自动驾驶车辆的行进方向,从而提高自动驾驶的准确度,促进自动驾驶的发展。具体地,实时获取自动驾驶车辆行驶过程中待检测道路图像,并基于所述待检测道路图像确定待检测道路的原始车道线的车道线拟合点,通过差分进化算法,从所述原始车道线的所述车道线拟合点中确定所出对应的分段点;根据所述分段点将所述原始车道线划分为若干候选车道段,并将靠近所述车道消失点的候选车道段作为目标车道段;根据所述目标车道段的车道线拟合点,确定所述目标车道段对应的车道线,作为所述待检测道路的目标拟合曲线;基于所述待检测道路的所述目标拟合曲线,确定所述待检测道路的车道消失点;最后,根据待检测道路的车道线消失点,确定所述自动驾驶车辆的行驶方向。
基于上述基于车道线的车道消失点检测方法,本发明实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有一个或者多个程序,所述一个或者多个程序可被一个或者多个处理器执行,以实现上述实施例所述的基于车道线的车道消失点检测方法中的步骤。
基于上述基于车道线的车道消失点检测方法,本发明实施例还提供了做一种终端,如图17所示,其包括至少一个处理器(processor)30;显示屏31;以及存储器(memory)32,还可以包括通信接口(Communications Interface)33和总线34。其中,处理器30、显示屏31、存储器32和通信接口33可以通过总线34完成相互间的通信。显示屏31设置为显示初始设置模式中预设的用户引导界面。通信接口33可以传输信息。处理器30可以调用存储器32中的逻辑指令,以执行上述实施例中的方法。
此外,上述的存储器32中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。
存储器32作为一种计算机可读存储介质,可设置为存储软件程序、计算机可执行程序,如本公开实施例中的方法对应的程序指令或模块。处理器30通过运行存储在存储器32中的软件程序、指令或模块,从而执行功能应用以及数据处理,即实现上述实施例中的基于车道线的车道消失点检测方法。
存储器32可包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序;存储数据区可存储根据终端的使用所创建的数据等。此外,存储器32可以包括高速随机存取存储器,还可以包括非易失性存储器。例如,U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等多种可以存储程序代码的介质,也可以是暂态存储介质。
本申请中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于终端和介质实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
本申请实施例提供的终端和介质与方法是一一对应的,因此,终端和介质也具有与其对应的方法类似的有益技术效果,由于上面已经对方法的有益技术效果进行了详细说明,因此,这里不再赘述终端和介质的有益技术效果。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
当然,本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关硬件(如处理器,控制器等)来完成,所述的程序可存储于一计算机可读取的计算机可读存储介质中,所述程序在执行时可包括如上述各方法实施例的流程。其中所述的计算机可读存储介质可为存储器、磁碟、光盘等。
应当理解的是,本发明的应用不限于上述的举例,对本领域普通技术人员来说,可以根据上述说明加以改进或变换,所有这些改进和变换都应属于本发明所附权利要求的保护范围。
Claims (8)
1.一种基于车道线的车道消失点检测方法,其特征在于,所述方法包括:
获取待检测道路中各原始车道线的车道线拟合点;
通过差分进化算法,从所述原始车道线的所述车道线拟合点中确定对应的分段点;
所述通过差分进化算法,从所述原始车道线的所述车道线拟合点中确定对应的分段点,具体包括:根据所述待检测道路中各所述原始车道线的车道线拟合点,确定各所述原始车道线的车道线类型;其中,所述车道线类型至少包括:简单车道线、复杂车道线;通过所述差分进化算法,从所述车道线类型为所述复杂车道线的所述原始车道线的所述车道线拟合点中确定所述车道线的分段点;
所述根据所述待检测道路中各所述原始车道线的所述车道线拟合点,确定各所述原始车道线的车道线类型,具体包括:从所述原始车道线的所述车道线拟合点的起点段、中间段以及终点段,分别选择两个车道线拟合点,作为斜率计算点;根据所述斜率计算点,分别计算所述起点段、所述中间段以及所述终点段的直线斜率;基于所述起点段、所述中间段以及所述终点段的直线斜率,确定所述原始车道线的车道线类型;
所述通过所述差分进化算法,从所述车道线类型为所述复杂车道线的所述原始车道线的所述车道线拟合点中确定所述车道线的分段点,具体为:所述确定所述车道线的分段点在于使基于分段点对应的各段的拟合损失函数之和最小;所述各段的拟合损失函数即拟合误差;通过所述差分进化算法计算所述各段的拟合损失函数之和的最小值;所述各段的拟合损失函数之和的最小值对应的分段点即为最优的分段点,将所述最优的分段点作为所述车道线的分段点;
根据所述分段点将所述原始车道线划分为若干候选车道段,并将最接近所述车道消失点的候选车道段作为目标车道段;
根据所述目标车道段的车道线拟合点,确定所述目标车道段对应的车道线,作为所述待检测道路的目标拟合曲线;
基于所述待检测道路的所述目标拟合曲线,确定所述待检测道路的车道消失点。
2.根据权利要求1所述的方法,其特征在于,所述根据所述待检测道路中各原始车道线的车道线拟合点,确定各所述原始车道线的车道线类型之后,所述方法还包括:
在所述原始车道线的车道线类型为简单车道线的情况下,根据所述原始车道线的车道线拟合点,通过曲线拟合算法进行拟合得到所述简单车道线的车道线拟合曲线,作为所述待检测道路的目标拟合曲线。
3. 根据权利要求1所述的方法,其特征在于,所述基于所述起点段、所述中间段以及所述终点段的直线斜率,确定所述原始车道线的车道线类型,具体包括:
计算所述起点段、所述中间段以及所述终点段的直线斜率之和,作为所述原始车道线的直线斜率和值;以及
确定所述起点段、所述中间段以及所述终点段的直线斜率中的最小值,作为所述原始车道线的最小直线斜率;
在所述原始车道线的所述直线斜率和值与所述最小直线斜率的差值大于第一预设阈值的情况下,所述原始车道线的车道线类型为复杂车道线;
在所述原始车道线的所述直线斜率和值与所述最小直线斜率的差值小于第一预设阈值的情况下,所述原始车道线的车道线类型为简单车道线。
4.根据权利要求1所述的方法,其特征在于,基于所述待检测道路的所述目标拟合曲线,确定所述待检测道路的车道消失点,具体包括:
计算所述待检测道路中任意两条所述目标拟合曲线的交点,作为所述待检测道路的候选车道消失点;
在所述待检测道路的所述候选车道消失点的数量为1的情况下,将所述候选车道消失点作为所述待检测道路的车道消失点;
在所述待检测道路的所述候选车道消失点数量大于1的情况下,根据各所述候选车道消失点的位置信息进行均值计算,得到所述待检测道路的车道消失点。
5.根据权利要求4所述的方法,其特征在于,在所述待检测道路的所述候选车道消失点数量大于1的情况下,根据各所述候选车道消失点的位置信息进行均值计算,得到所述待检测道路的车道消失点,具体包括:
通过半径滤波确定剔除所述候选车道消失点中的离群点,并将剩余的候选车道消失点作为有效消失点;
根据各所述有效消失点的位置信息进行均值计算,得到所述待检测道路的车道消失点。
6.根据权利要求4所述的方法,其特征在于,在计算所述待检测道路中任意两条所述目标拟合曲线的交点之前,所述方法还包括:
遍历所述待检测道路的目标拟合曲线进行两两组合,得到对应的拟合曲线对;
计算各所述拟合曲线对两条所述目标拟合曲线之间的余弦相似度;
在所述余弦相似度大于第二预设阈值的情况下,放弃计算所述余弦相似度对应的两个所述目标拟合曲线之间交点。
7.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有一个或者多个程序,所述一个或者多个程序可被一个或者多个处理器执行,以实现如权利要求1-6任意一项所述的基于车道线的车道消失点检测方法。
8.一种终端,其特征在于,包括:处理器和存储器;所述存储器上存储有可被所述处理器执行的计算机可读程序;所述处理器执行所述计算机可读程序时实现如权利要求1-6任意一项所述的基于车道线的车道消失点检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211329444.0A CN115661790B (zh) | 2022-10-27 | 2022-10-27 | 基于车道线的车道消失点检测方法、终端及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211329444.0A CN115661790B (zh) | 2022-10-27 | 2022-10-27 | 基于车道线的车道消失点检测方法、终端及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115661790A CN115661790A (zh) | 2023-01-31 |
CN115661790B true CN115661790B (zh) | 2023-08-18 |
Family
ID=84992791
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211329444.0A Active CN115661790B (zh) | 2022-10-27 | 2022-10-27 | 基于车道线的车道消失点检测方法、终端及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115661790B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2012089005A (ja) * | 2010-10-21 | 2012-05-10 | Honda Elesys Co Ltd | 画像処理装置、及び画像処理方法 |
CN105046198A (zh) * | 2015-06-12 | 2015-11-11 | 上海修源网络科技有限公司 | 一种车道检测方法 |
CN109886175A (zh) * | 2019-02-13 | 2019-06-14 | 合肥思艾汽车科技有限公司 | 一种直线与圆弧相结合的车道线检测方法 |
CN111582083A (zh) * | 2020-04-25 | 2020-08-25 | 华南理工大学 | 一种基于消失点估计与语义分割的车道线检测方法 |
KR102177614B1 (ko) * | 2020-01-09 | 2020-11-12 | 렉스젠(주) | 교통 정보 수집을 위한 차로 생성 시스템 및 그 방법 |
CN114092906A (zh) * | 2021-10-13 | 2022-02-25 | 武汉光庭信息技术股份有限公司 | 一种车道线分段拟合方法、系统、电子设备及存储介质 |
CN114124104A (zh) * | 2021-11-29 | 2022-03-01 | 福建中科云杉信息技术有限公司 | 一种道路定位数据压缩存储方法和终端设备 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10102435B2 (en) * | 2016-08-10 | 2018-10-16 | Omnivision Technologies, Inc. | Lane departure warning system and associated methods |
US10331957B2 (en) * | 2017-07-27 | 2019-06-25 | Here Global B.V. | Method, apparatus, and system for vanishing point/horizon estimation using lane models |
KR20200036335A (ko) * | 2018-09-28 | 2020-04-07 | 삼성전자주식회사 | 차로를 결정하는 방법 및 장치 |
KR20200045701A (ko) * | 2018-10-23 | 2020-05-06 | 삼성전자주식회사 | 소실점 검출을 위한 학습 방법, 소실점 검출 방법 및 장치 |
-
2022
- 2022-10-27 CN CN202211329444.0A patent/CN115661790B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2012089005A (ja) * | 2010-10-21 | 2012-05-10 | Honda Elesys Co Ltd | 画像処理装置、及び画像処理方法 |
CN105046198A (zh) * | 2015-06-12 | 2015-11-11 | 上海修源网络科技有限公司 | 一种车道检测方法 |
CN109886175A (zh) * | 2019-02-13 | 2019-06-14 | 合肥思艾汽车科技有限公司 | 一种直线与圆弧相结合的车道线检测方法 |
KR102177614B1 (ko) * | 2020-01-09 | 2020-11-12 | 렉스젠(주) | 교통 정보 수집을 위한 차로 생성 시스템 및 그 방법 |
CN111582083A (zh) * | 2020-04-25 | 2020-08-25 | 华南理工大学 | 一种基于消失点估计与语义分割的车道线检测方法 |
CN114092906A (zh) * | 2021-10-13 | 2022-02-25 | 武汉光庭信息技术股份有限公司 | 一种车道线分段拟合方法、系统、电子设备及存储介质 |
CN114124104A (zh) * | 2021-11-29 | 2022-03-01 | 福建中科云杉信息技术有限公司 | 一种道路定位数据压缩存储方法和终端设备 |
Non-Patent Citations (1)
Title |
---|
一种鲁棒的消失点估计算法;王锐;杨晓华;孙常存;;科技资讯(第06期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN115661790A (zh) | 2023-01-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6347827B2 (ja) | 車線境界線を検出する方法、装置、およびデバイス | |
CN109426801B (zh) | 一种车道线实例检测方法和装置 | |
KR20210008083A (ko) | 목표 검출 방법 및 장치 및 지능형 주행 방법, 기기 및 저장 매체 | |
KR20120009590A (ko) | 차선 인식 시스템 및 방법 | |
CN108805128B (zh) | 一种字符分割方法和装置 | |
US11049275B2 (en) | Method of predicting depth values of lines, method of outputting three-dimensional (3D) lines, and apparatus thereof | |
KR102237559B1 (ko) | 고정밀 지도의 제공을 위한 세그먼트 모델링 기반의 도로의 형상 정보 생성 방법 | |
CN110458083B (zh) | 一种车道线矢量化方法、装置及存储介质 | |
CN111433780A (zh) | 车道线检测方法、设备、计算机可读存储介质 | |
CN116783620A (zh) | 根据点云的高效三维对象检测 | |
EP3901821A1 (en) | Method and device for calibrating pitch of camera on vehicle and method and device for continual learning of vanishing point estimation model to be used for calibrating the pitch | |
KR102552719B1 (ko) | 주행경로 자동생성방법 및 장치 | |
CN109635641B (zh) | 道路边界线的确定方法、装置、设备和存储介质 | |
CN115661790B (zh) | 基于车道线的车道消失点检测方法、终端及存储介质 | |
EP3522073A1 (en) | Method and apparatus for detecting road surface marking | |
US20020006224A1 (en) | Computer automated process for vectorization of raster images | |
US11453337B2 (en) | Method and apparatus with three-dimensional object display | |
KR20210124789A (ko) | 라이다센서 기반의 객체 인식 장치 및 그 방법 | |
CN110728359A (zh) | 搜索模型结构的方法、装置、设备和存储介质 | |
CN110827318A (zh) | 一种基于多层语义特征与多响应图融合的目标跟踪方法 | |
Li et al. | An improved Douglas-Peucker algorithm for fast curve approximation | |
JP2011210160A (ja) | 画像処理方法、画像処理装置、プログラム、及びプログラム記憶媒体 | |
CN110705695B (zh) | 搜索模型结构的方法、装置、设备和存储介质 | |
JP6354186B2 (ja) | 情報処理装置、ぼけ具合計算方法、及びプログラム | |
CN111860289A (zh) | 一种时序动作检测方法、装置及计算机设备 |
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 |