CN115713750B - 一种车道线检测方法、装置、电子设备及存储介质 - Google Patents
一种车道线检测方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN115713750B CN115713750B CN202310027198.1A CN202310027198A CN115713750B CN 115713750 B CN115713750 B CN 115713750B CN 202310027198 A CN202310027198 A CN 202310027198A CN 115713750 B CN115713750 B CN 115713750B
- Authority
- CN
- China
- Prior art keywords
- lane line
- line pixel
- detection
- pixel
- lane
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 134
- 238000000034 method Methods 0.000 claims abstract description 61
- 239000013598 vector Substances 0.000 claims abstract description 41
- 238000000605 extraction Methods 0.000 claims abstract description 30
- 238000013507 mapping Methods 0.000 claims abstract description 26
- 238000011156 evaluation Methods 0.000 claims abstract description 24
- 238000012549 training Methods 0.000 claims abstract description 16
- 230000008569 process Effects 0.000 claims description 31
- 238000012545 processing Methods 0.000 claims description 24
- 238000004590 computer program Methods 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000004422 calculation algorithm Methods 0.000 description 11
- 230000006870 function Effects 0.000 description 9
- 238000004891 communication Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 230000009471 action Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 101100059678 Mus musculus Cfdp1 gene Proteins 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000005299 abrasion Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000011664 signaling Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Images
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
本申请实施例提供一种车道线检测方法、装置、电子设备及存储介质,其中,该方法包括:获取包含车道线场景的道路场景图片;对道路场景图片进行车道线像素点标注,得到标注车道线;将道路场景图片输入预先构建的车道线特征提取模型进行训练,得到前景背景图和车道线像素特征向量;根据前景背景图对车道线像素特征向量进行映射,得到车道线像素坐标的像素值;对车道线像素坐标的像素值进行聚类,得到车道线像素坐标集合;对车道线像素坐标集合中的车道线像素坐标进行补全处理,得到补全后的车道线像素坐标集合;对补全后的车道线像素坐标集合和标注车道线进行车道线检测评估,得到检测结果。实施本申请实施例,可以提高车道线检测的准确率。
Description
技术领域
本申请涉及电数字数据处理技术领域,具体而言,涉及一种车道线检测方法、装置、电子设备及计算机存储介质。
背景技术
车道线检测是自动驾驶环境感知领域中的关键问题之一,车道线检测的目的是获取道路上每条车道线的准确形状。由于车道线的形状细长,并且真实场景下面临车道线变化复杂、遮挡问题、光照影响和语义模糊等问题,给车道线的识别带来极大的挑战。其次,车道线检测算法应用于车载系统,需要处理实时数据,因此,对算法实时性也提出了非常高的要求。
现有的车道线检测算法主要有传统的基于图像处理的检测算法和基于深度学习的算法两大类,其中传统的基于图像处理的检测算法主要是通过提取车道线的颜色、纹理、边缘、方向和形状等特征的方式来达到对检测车道线的目的;基于深度学习的算法主要采用卷积神经网络提取图像特征,具有平移不变性、可扩展等特点。基于深度学习的车道线检测常用算法包括:基于分割的方法、基于检测的方法、基于参数曲线的方法和基于关键点的方法。
现有技术存在很多客观缺点,如:SCNN分割模型大,在行列之间传播信息可能导致信息传递费时、效率低、长距离信息丢失;LaneATT预设Anchor形状会影响检测的灵活性;基于关键点的方法在处理遮挡问题时如何构建全局信息是亟待考虑的问题;基于曲线的方法可以自然地学习整体车道线表示,具有较高的推理速度,但在准确度上不高。
发明内容
本申请实施例的目的在于提供一种车道线检测方法、装置、电子设备及存储介质,可以提高车道线检测的准确率,将道路场景图片中的车道线完整地检测出来,缩短检测时间,节省成本。
第一方面,本申请实施例提供了一种车道线检测方法,所述方法包括:
获取包含车道线场景的道路场景图片;
对所述道路场景图片进行车道线像素点标注,得到标注车道线;
将所述道路场景图片输入预先构建的车道线特征提取模型进行训练,得到前景背景图和车道线像素特征向量;
根据所述前景背景图对所述车道线像素特征向量进行映射,得到车道线像素坐标的像素值;
对所述车道线像素坐标的像素值进行聚类,得到车道线像素坐标集合;
对所述车道线像素坐标集合中的车道线像素坐标进行补全处理,得到补全后的车道线像素坐标集合;
对所述补全后的车道线像素坐标集合和所述标注车道线进行车道线检测评估,得到检测结果。
在上述实现过程中,根据车道线特征提取模型对道路场景图片进行特征提取,并将得到的车道线像素特征向量进行映射、聚类后进行检测评估,得到车道线像素坐标集合,可以提高车道线检测的准确率,将道路场景图片中的车道线完整地检测出来,缩短检测时间,节省成本。
进一步地,所述将所述道路场景图片输入预先构建的车道线特征提取模型进行训练,得到前景背景图和车道线像素特征向量的步骤,包括:
将所述道路场景图片输入预先构建的车道线特征提取模型依次进行特征提取和损失计算,得到前景背景图和车道线像素特征向量。
在上述实现过程中,对道路场景图片进行特征提取和损失计算,可以减小计算过程中产生的误差,使得车道线像素特征向量的损失达到最小,提高检测精度。
进一步地,所述根据所述前景背景图对所述车道线像素特征向量进行映射,得到车道线像素坐标的像素值的步骤,包括:
提取所述前景背景图中的车道线像素坐标;
将所述车道线像素坐标映射至所述车道线像素特征向量,得到所述车道线像素坐标的像素值。
在上述实现过程中,将车道线像素坐标映射至车道线像素特征向量,使得到的车道线像素坐标的像素值包含更多车道线的特征,可以准确地反映出车道线的特征变化情况。
进一步地,所述对所述车道线像素坐标的像素值进行聚类,得到车道线像素坐标集合的步骤,包括:
对所述车道线像素坐标的像素值进行聚类,得到车道线像素ID;
将所述车道线像素ID映射至所述车道线像素坐标,得到所述车道线像素坐标集合。
在上述实现过程中,对车道线像素坐标的像素值进行聚类,将车道线根据像素值进行分类,可以明确每个车道线所属于的车道线像素坐标集合,便于对车道线进行检测。
进一步地,所述对所述车道线像素坐标集合中的车道线像素坐标进行补全处理,得到补全后的车道线像素坐标集合的步骤,包括:
对所述车道线像素坐标集合中的车道线像素坐标进行曲线拟合,得到车道线曲线方程;
根据所述车道线曲线方程对所述车道线像素坐标集合中的车道线像素坐标进行补全处理,得到所述补全后的车道线像素坐标集合。
在上述实现过程中,对车道线像素坐标集合中的车道线像素坐标进行曲线拟合,可以提高车道线像素坐标集合中车道线像素坐标的准确性和有效性。
进一步地,所述对所述补全后的车道线像素坐标集合和所述标注车道线进行车道线检测评估,得到检测结果的步骤,包括:
获取所述补全后的车道线像素坐标集合中的车道线像素坐标的H坐标对应的多个W坐标值,得到W坐标集合;
对所述W坐标集合中的所述多个W坐标值进行均值处理,得到用于车道线检测评估的检测点;
根据所述检测点和所述标注车道线进行车道线检测评估,得到所述检测结果。
在上述实现过程中,对多个W坐标值进行均值处理,使得到的检测点的鲁棒性更高,有利于提高检测点进行车道线检测评估的精确度。
进一步地,所述根据所述检测点和所述标注车道线进行车道线检测评估,得到所述检测结果的步骤,包括:
对所述标注车道线进行曲线拟合,得到W坐标方向的距离阈值;
根据所述距离阈值对所述检测点的预测坐标距离进行评估,得到所述检测点的有效性数据;
根据所述有效性数据获得所述检测率。
在上述实现过程中,对标注车道线进行曲线拟合,使得到的距离阈值更加贴近实际,可以减小距离阈值的误差,便于对检测点的有效性数据进行评估、检测。
第二方面,本申请实施例还提供了一种车道线检测装置,所述装置包括:
获取模块,用于获取包含车道线场景的道路场景图片;
标注模块,用于对所述道路场景图片进行车道线像素点标注,得到标注车道线;
训练模块,用于将所述道路场景图片输入预先构建的车道线特征提取模型进行训练,得到前景背景图和车道线像素特征向量;
映射模块,用于根据所述前景背景图对所述车道线像素特征向量进行映射,得到车道线像素坐标的像素值;
聚类模块,用于对所述车道线像素坐标的像素值进行聚类,得到车道线像素坐标集合;
补全模块,用于对所述车道线像素坐标集合中的车道线像素坐标进行补全处理,得到补全后的车道线像素坐标集合;
检测模块,用于对所述补全后的车道线像素坐标集合和所述标注车道线进行车道线检测评估,得到检测结果。
在上述实现过程中,根据车道线特征提取模型对道路场景图片进行特征提取,并将得到的车道线像素特征向量进行映射、聚类后进行检测评估,得到车道线像素坐标集合,可以提高车道线检测的准确率,将道路场景图片中的车道线完整地检测出来,缩短检测时间,节省成本。
第三方面,本申请实施例提供的一种电子设备,包括:存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如第一方面任一项所述的方法的步骤。
第四方面,本申请实施例提供的一种计算机可读存储介质,所述存储介质上存储有指令,当所述指令在计算机上运行时,使得所述计算机执行如第一方面任一项所述的方法。
第五方面,本申请实施例提供的一种计算机程序产品,所述计算机程序产品在计算机上运行时,使得计算机执行如第一方面任一项所述的方法。
本公开的其他特征和优点将在随后的说明书中阐述,或者,部分特征和优点可以从说明书推知或毫无疑义地确定,或者通过实施本公开的上述技术即可得知。
并可依照说明书的内容予以实施,以下以本申请的较佳实施例并配合附图详细说明如后。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对本申请实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围值的限定,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相关的附图。
图1为本申请实施例提供的车道线检测方法的流程示意图;
图2为本申请实施例提供的车道线检测装置的结构组成示意图;
图3为本申请实施例提供的电子设备的结构组成示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行描述。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。同时,在本申请的描述中,术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
下面结合附图和实施例,对本申请的具体实施方式作进一步详细描述。以下实施例用于说明本申请,但不用来限制本申请的范围值。
实施例一
图1是本申请实施例提供的车道线检测方法的流程示意图,如图1所示,该方法包括:
S1,获取包含车道线场景的道路场景图片;
S2,对道路场景图片进行车道线像素点标注,得到标注车道线;
S3,将道路场景图片输入预先构建的车道线特征提取模型进行训练,得到前景背景图和车道线像素特征向量;
S4,根据前景背景图对车道线像素特征向量进行映射,得到车道线像素坐标的像素值;
S5,对车道线像素坐标的像素值进行聚类,得到车道线像素坐标集合;
S6,对车道线像素坐标集合中的车道线像素坐标进行补全处理,得到补全后的车道线像素坐标集合;
S7,对补全后的车道线像素坐标集合和标注车道线进行车道线检测评估,得到检测结果。
在上述实现过程中,根据车道线特征提取模型对道路场景图片进行特征提取,并将得到的车道线像素特征向量进行映射、聚类后进行检测评估,得到车道线像素坐标集合,可以提高车道线检测的准确率,将道路场景图片中的车道线完整地检测出来,缩短检测时间,节省成本。
在S1、S2中,采集包含车道线的道路场景图片并对车道线像素点进行标注,以此获取道路场景图片用于训练及测试。
进一步地,S3包括:
将道路场景图片输入预先构建的车道线特征提取模型依次进行特征提取和损失计算,得到前景背景图和车道线像素特征向量。
在上述实现过程中,对道路场景图片进行特征提取和损失计算,可以减小计算过程中产生的误差,使得车道线像素特征向量的损失达到最小,提高检测精度。
搭建车道线特征提取模型,采用ResNet作为网络结构的主干网络进行特征提取,然后采用FPN网络进行特征融合,同时增加一个检测头用于学习车道线像素的前景和背景,一个检测头用于学习车道线类别特征,本申请实施例的车道线特征提取模型便于扩展车道线检测任务与其他车位检测任务等多任务展开联合训练,使多任务模型部署轻量化。
将道路场景图片输入车道线特征提取模型,提取出图像特征信息,采用Focal-Loss损失函数来训练学习图像特征信息属于车道线还是属于背景,该损失函数更适用于解决难易样本数量不平衡问题,包括使同一条车道线的像素向量距离尽可能小的方差损失函数Lvar,和使属于不同车道线的像素向量距离尽可能大的距离损失Ldist函数,来训练学习得到车道线像素特征向量。
进一步地,S4包括:
提取前景背景图中的车道线像素坐标;
将车道线像素坐标映射至车道线像素特征向量,得到车道线像素坐标的像素值。
在上述实现过程中,将车道线像素坐标映射至车道线像素特征向量,使得到的车道线像素坐标的像素值包含更多车道线的特征,可以准确地反映出车道线的特征变化情况。
提取训练过程中的车道线像素坐标,将车道线像素坐标映射至车道线像素特征向量,得到车道线像素坐标的像素值。
进一步地,S5包括:
对车道线像素坐标的像素值进行聚类,得到车道线像素ID;
将车道线像素ID映射至车道线像素坐标,得到车道线像素坐标集合。
在上述实现过程中,对车道线像素坐标的像素值进行聚类,将车道线根据像素值进行分类,可以明确每个车道线所属于的车道线像素坐标集合,便于对车道线进行检测。
对所有车道线像素坐标的像素值进行聚类,得到属于每条车道线的车道线像素ID,本申请实施例采用CFDP聚类算法获取像素值类别。相比于经典的K-means聚类算法不能检测非球面类别的数据分布,CFDP聚类算法可以完成任意形状的聚类,无需预先指定聚类个数,且其超参数很容易确定。
将车道线像素ID映射至车道线像素坐标,得到属于每条车道线的车道线像素坐标集合。
进一步地,S6包括:
对车道线像素坐标集合中的车道线像素坐标进行曲线拟合,得到车道线曲线方程;
根据车道线曲线方程对车道线像素坐标集合中的车道线像素坐标进行补全处理,得到补全后的车道线像素坐标集合。
在上述实现过程中,对车道线像素坐标集合中的车道线像素坐标进行曲线拟合,可以提高车道线像素坐标集合中车道线像素坐标的准确性和有效性。
通过曲线拟合得到车道线曲线方程,然后对检测车道线坐标不全时(如磨损、不清晰导致),进行车道线位置自动补全。并将补全后的车道线像素坐标集合中的车道线类别赋新的像素值。
进一步地,S7包括:
获取补全后的车道线像素坐标集合中的车道线像素坐标的H坐标对应的多个W坐标值,得到W坐标集合;
对W坐标集合中的多个W坐标值进行均值处理,得到用于车道线检测评估的检测点;
根据检测点和标注车道线进行车道线检测评估,得到检测结果。
在上述实现过程中,对多个W坐标值进行均值处理,使得到的检测点的鲁棒性更高,有利于提高检测点进行车道线检测评估的精确度。
进一步地,根据检测点和标注车道线进行车道线检测评估,得到检测结果的步骤,包括:
对标注车道线进行曲线拟合,得到W坐标方向的距离阈值;
根据距离阈值对检测点的预测坐标距离进行评估,得到检测点的有效性数据;
根据有效性数据获得检测率。
在上述实现过程中,对标注车道线进行曲线拟合,使得到的距离阈值更加贴近实际,可以减小距离阈值的误差,便于对检测点的有效性数据进行评估、检测。
根据包含车道线类别的补全后的车道线像素坐标集合,提取出不同类别的车道线类别像素值,针对每个H坐标,结合车道线类别像素值,依次得到每个H坐标下每条车道线的W坐标集合,对于单条车道线单个H坐标对应多个W坐标的,取均值处理,对于单条车道线单个H坐标对应零个W坐标的,赋值-2(无效)处理。
给定车道线法线方向的距离阈值d_thresh_n,针对每条标注车道线进行曲线拟合,求出车道线切角,并依次将法线方向距离阈值转换为W坐标方向距离阈值d_thresh_w。
依次根据标注坐标w_gt与对应预测坐标w_perd的距离(即检测点的预测坐标距离)是否小于距离阈值d_thresh_w,对每个检测点判定预测有效性。
针对每条标注车道线,统计其对应预测车道线上有效预测的点的数量,若有效检测点的数量大于该条标注车道线点总数量的N_thresh%(N_thresh%为一个常数阈值),则判定当前标注车道线被有效预测。
统计预测正确车道线的检测点的数量、漏检车道线的检测点的数量、误检车道线的检测点的数量等,依次计算基于车道线像素点的精确率、召回率和F1分数。统计预测正确车道线数量、漏检车道线数量、误检车道线数量等,依次计算基于车道线的精确率、召回率、F1分数。
实施例二
为了执行上述实施例一对应的方法,以实现相应的功能和技术效果,下面提供一种车道线检测装置,如图2所示,该装置包括:
获取模块1,用于获取包含车道线场景的道路场景图片;
标注模块2,用于对道路场景图片进行车道线像素点标注,得到标注车道线;
训练模块3,用于将道路场景图片输入预先构建的车道线特征提取模型进行训练,得到前景背景图和车道线像素特征向量;
映射模块4,用于根据前景背景图对车道线像素特征向量进行映射,得到车道线像素坐标的像素值;
聚类模块5,用于对车道线像素坐标的像素值进行聚类,得到车道线像素坐标集合;
补全模块6,用于对车道线像素坐标集合中的车道线像素坐标进行补全处理,得到补全后的车道线像素坐标集合;
检测模块7,用于对补全后的车道线像素坐标集合和标注车道线进行车道线检测评估,得到检测结果。
在上述实现过程中,根据车道线特征提取模型对道路场景图片进行特征提取,并将得到的车道线像素特征向量进行映射、聚类后进行检测评估,得到车道线像素坐标集合,可以提高车道线检测的准确率,将道路场景图片中的车道线完整地检测出来,缩短检测时间,节省成本。
进一步地,训练模块3还用于:
将道路场景图片输入预先构建的车道线特征提取模型依次进行特征提取和损失计算,得到前景背景图和车道线像素特征向量。
在上述实现过程中,对道路场景图片进行特征提取和损失计算,可以减小计算过程中产生的误差,使得车道线像素特征向量的损失达到最小,提高检测精度。
进一步地,映射模块4还用于:
提取前景背景图中的车道线像素坐标;
将车道线像素坐标映射至车道线像素特征向量,得到车道线像素坐标的像素值。
在上述实现过程中,将车道线像素坐标映射至车道线像素特征向量,使得到的车道线像素坐标的像素值包含更多车道线的特征,可以准确地反映出车道线的特征变化情况。
进一步地,聚类模块5还用于:
对车道线像素坐标的像素值进行聚类,得到车道线像素ID;
将车道线像素ID映射至车道线像素坐标,得到车道线像素坐标集合。
在上述实现过程中,对车道线像素坐标的像素值进行聚类,将车道线根据像素值进行分类,可以明确每个车道线所属于的车道线像素坐标集合,便于对车道线进行检测。
进一步地,补全模块6还用于:
对车道线像素坐标集合中的车道线像素坐标进行曲线拟合,得到车道线曲线方程;
根据车道线曲线方程对车道线像素坐标集合中的车道线像素坐标进行补全处理,得到补全后的车道线像素坐标集合。
在上述实现过程中,对车道线像素坐标集合中的车道线像素坐标进行曲线拟合,可以提高车道线像素坐标集合中车道线像素坐标的准确性和有效性。
进一步地,检测模块7还用于:
获取补全后的车道线像素坐标集合中的车道线像素坐标的H坐标对应的多个W坐标值,得到W坐标集合;
对W坐标集合中的多个W坐标值进行均值处理,得到用于车道线检测评估的检测点;
根据检测点和标注车道线进行车道线检测评估,得到检测结果。
在上述实现过程中,对多个W坐标值进行均值处理,使得到的检测点的鲁棒性更高,有利于提高检测点进行车道线检测评估的精确度。
进一步地,检测模块7还用于:
对标注车道线进行曲线拟合,得到W坐标方向的距离阈值;
根据距离阈值对检测点的预测坐标距离进行评估,得到检测点的有效性数据;
根据有效性数据获得检测率。
在上述实现过程中,对标注车道线进行曲线拟合,使得到的距离阈值更加贴近实际,可以减小距离阈值的误差,便于对检测点的有效性数据进行评估、检测。
上述的车道线检测装置可实施上述实施例一的方法。上述实施例一中的可选项也适用于本实施例,这里不再详述。
本申请实施例的其余内容可参照上述实施例一的内容,在本实施例中,不再进行赘述。
实施例三
本申请实施例提供一种电子设备,包括存储器及处理器,该存储器用于存储计算机程序,该处理器运行计算机程序以使电子设备执行实施例一的车道线检测方法。
可选地,上述电子设备可以是服务器。
请参见图3,图3为本申请实施例提供的电子设备的结构组成示意图。该电子设备可以包括处理器31、通信接口32、存储器33和至少一个通信总线34。其中,通信总线34用于实现这些组件直接的连接通信。其中,本申请实施例中设备的通信接口32用于与其他节点设备进行信令或数据的通信。处理器31可以是一种集成电路芯片,具有信号的处理能力。
上述的处理器31可以是通用处理器,包括中央处理器(Central ProcessingUnit,CPU)、网络处理器(Network Processor,NP)等;还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(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。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器51也可以是任何常规的处理器等。
存储器33可以是,但不限于,随机存取存储器(Random Access Memory,RAM),只读存储器(Read Only Memory,ROM),可编程只读存储器(Programmable Read-Only Memory,PROM),可擦除只读存储器(Erasable Programmable Read-Only Memory,EPROM),电可擦除只读存储器(Electric Erasable Programmable Read-Only Memory,EEPROM)等。存储器33中存储有计算机可读取指令,当计算机可读取指令由所述处理器31执行时,设备可以执行上述图1方法实施例涉及的各个步骤。
可选地,电子设备还可以包括存储控制器、输入输出单元。存储器33、存储控制器、处理器31、外设接口、输入输出单元各元件相互之间直接或间接地电性连接,以实现数据的传输或交互。例如,这些元件相互之间可通过一条或多条通信总线34实现电性连接。处理器31用于执行存储器33中存储的可执行模块,例如设备包括的软件功能模块或计算机程序。
输入输出单元用于提供给用户创建任务以及为该任务创建启动可选时段或预设执行时间以实现用户与服务器的交互。输入输出单元可以是,但不限于,鼠标和键盘等。
可以理解,图3所示的结构仅为示意,电子设备还可包括比图3中所示更多或者更少的组件,或者具有与图3所示不同的配置。图3中所示的各组件可以采用硬件、软件或其组合实现。
另外,本申请实施例还提供一种计算机可读存储介质,其存储有计算机程序,该计算机程序被处理器执行时实现实施例一的车道线检测方法。
本申请实施例还提供一种计算机程序产品,该计算机程序产品在计算机上运行时,使得计算机执行方法实施例所述的方法。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,附图中的流程图和框图显示了根据本申请的多个实施例的装置、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,所述模块、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方式中,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,两个连续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动作的专用的基于硬件的装置来实现,或者可以用专用硬件与计算机指令的组合来实现。
另外,在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块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。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本申请的实施例而已,并不用于限制本申请的保护范围值,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围值之内。应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
以上所述,仅为本申请的具体实施方式,但本申请的保护范围值并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围值内,可轻易想到变化或替换,都应涵盖在本申请的保护范围值之内。因此,本申请的保护范围值应所述以权利要求的保护范围值为准。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,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、物品或者设备不仅包括那些要素,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、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
Claims (7)
1.一种车道线检测方法,其特征在于,所述方法包括:
获取包含车道线场景的道路场景图片;
对所述道路场景图片进行车道线像素点标注,得到标注车道线;
将所述道路场景图片输入预先构建的车道线特征提取模型进行训练,得到前景背景图和车道线像素特征向量;
根据所述前景背景图对所述车道线像素特征向量进行映射,得到车道线像素坐标的像素值;
对所述车道线像素坐标的像素值进行聚类,得到车道线像素坐标集合;
对所述车道线像素坐标集合中的车道线像素坐标进行补全处理,得到补全后的车道线像素坐标集合;
对所述补全后的车道线像素坐标集合和所述标注车道线进行车道线检测评估,得到检测结果;
所述根据所述前景背景图对所述车道线像素特征向量进行映射,得到车道线像素坐标的像素值的步骤,包括:
提取所述前景背景图中的车道线像素坐标;
将所述车道线像素坐标映射至所述车道线像素特征向量,得到所述车道线像素坐标的像素值;
所述对所述补全后的车道线像素坐标集合和所述标注车道线进行车道线检测评估,得到检测结果的步骤,包括:
获取所述补全后的车道线像素坐标集合中的车道线像素坐标的H坐标对应的多个W坐标值,得到W坐标集合;
对所述W坐标集合中的所述多个W坐标值进行均值处理,得到用于车道线检测评估的检测点;
根据所述检测点和所述标注车道线进行车道线检测评估,得到所述检测结果;
所述根据所述检测点和所述标注车道线进行车道线检测评估,得到所述检测结果的步骤,包括:
对所述标注车道线进行曲线拟合,得到W坐标方向的距离阈值;
根据所述距离阈值对所述检测点的预测坐标距离进行评估,得到所述检测点的有效性数据;
根据所述有效性数据获得所述检测率。
2.根据权利要求1所述的车道线检测方法,其特征在于,所述将所述道路场景图片输入预先构建的车道线特征提取模型进行训练,得到前景背景图和车道线像素特征向量的步骤,包括:
将所述道路场景图片输入预先构建的车道线特征提取模型依次进行特征提取和损失计算,得到前景背景图和车道线像素特征向量。
3.根据权利要求1所述的车道线检测方法,其特征在于,所述对所述车道线像素坐标的像素值进行聚类,得到车道线像素坐标集合的步骤,包括:
对所述车道线像素坐标的像素值进行聚类,得到车道线像素ID;
将所述车道线像素ID映射至所述车道线像素坐标,得到所述车道线像素坐标集合。
4.根据权利要求1所述的车道线检测方法,其特征在于,所述对所述车道线像素坐标集合中的车道线像素坐标进行补全处理,得到补全后的车道线像素坐标集合的步骤,包括:
对所述车道线像素坐标集合中的车道线像素坐标进行曲线拟合,得到车道线曲线方程;
根据所述车道线曲线方程对所述车道线像素坐标集合中的车道线像素坐标进行补全处理,得到所述补全后的车道线像素坐标集合。
5.一种车道线检测装置,其特征在于,所述装置包括:
获取模块,用于获取包含车道线场景的道路场景图片;
标注模块,用于对所述道路场景图片进行车道线像素点标注,得到标注车道线;
训练模块,用于将所述道路场景图片输入预先构建的车道线特征提取模型进行训练,得到前景背景图和车道线像素特征向量;
映射模块,用于根据所述前景背景图对所述车道线像素特征向量进行映射,得到车道线像素坐标的像素值;
聚类模块,用于对所述车道线像素坐标的像素值进行聚类,得到车道线像素坐标集合;
补全模块,用于对所述车道线像素坐标集合中的车道线像素坐标进行补全处理,得到补全后的车道线像素坐标集合;
检测模块,用于对所述补全后的车道线像素坐标集合和所述标注车道线进行车道线检测评估,得到检测结果;
所述映射模块还用于提取所述前景背景图中的车道线像素坐标;将所述车道线像素坐标映射至所述车道线像素特征向量,得到所述车道线像素坐标的像素值;
所述检测模块还用于获取所述补全后的车道线像素坐标集合中的车道线像素坐标的H坐标对应的多个W坐标值,得到W坐标集合;对所述W坐标集合中的所述多个W坐标值进行均值处理,得到用于车道线检测评估的检测点;根据所述检测点和所述标注车道线进行车道线检测评估,得到所述检测结果;
所述检测模块还用于对所述标注车道线进行曲线拟合,得到W坐标方向的距离阈值;根据所述距离阈值对所述检测点的预测坐标距离进行评估,得到所述检测点的有效性数据;根据所述有效性数据获得所述检测率。
6.一种电子设备,其特征在于,包括存储器及处理器,所述存储器用于存储计算机程序,所述处理器运行所述计算机程序以使所述电子设备执行根据权利要求1至4中任一项所述的车道线检测方法。
7.一种计算机可读存储介质,其特征在于,其存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至4中任一项所述的车道线检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310027198.1A CN115713750B (zh) | 2023-01-09 | 2023-01-09 | 一种车道线检测方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310027198.1A CN115713750B (zh) | 2023-01-09 | 2023-01-09 | 一种车道线检测方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115713750A CN115713750A (zh) | 2023-02-24 |
CN115713750B true CN115713750B (zh) | 2023-04-11 |
Family
ID=85236238
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310027198.1A Active CN115713750B (zh) | 2023-01-09 | 2023-01-09 | 一种车道线检测方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115713750B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117392634B (zh) * | 2023-12-13 | 2024-02-27 | 上海闪马智能科技有限公司 | 车道线的获取方法、装置、存储介质及电子装置 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101395259B1 (ko) * | 2013-08-19 | 2014-05-15 | 조용근 | 터치패드 및 그 입력 감지방법 |
CN105631880B (zh) * | 2015-12-31 | 2019-03-22 | 百度在线网络技术(北京)有限公司 | 车道线分割方法和装置 |
CN110866526A (zh) * | 2018-08-28 | 2020-03-06 | 北京三星通信技术研究有限公司 | 图像分割方法、电子设备及计算机可读存储介质 |
CN111476157B (zh) * | 2020-04-07 | 2020-11-03 | 南京慧视领航信息技术有限公司 | 一种路口监控环境下的车道导向箭头识别方法 |
CN111860319B (zh) * | 2020-07-20 | 2024-03-26 | 阿波罗智能技术(北京)有限公司 | 车道线的确定方法、定位精度的评测方法、装置、设备 |
US11527085B1 (en) * | 2021-12-16 | 2022-12-13 | Motional Ad Llc | Multi-modal segmentation network for enhanced semantic labeling in mapping |
CN115546766B (zh) * | 2022-11-30 | 2023-04-07 | 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 |
-
2023
- 2023-01-09 CN CN202310027198.1A patent/CN115713750B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN115713750A (zh) | 2023-02-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109948684B (zh) | 激光雷达点云数据标注质量的质检方法、装置及设备 | |
CN110751678A (zh) | 运动目标的检测方法、装置和电子设备 | |
CN112200884B (zh) | 一种车道线的生成方法及装置 | |
CN112801227B (zh) | 一种台风识别模型的生成方法、装置、设备及存储介质 | |
CN115713750B (zh) | 一种车道线检测方法、装置、电子设备及存储介质 | |
CN115810178B (zh) | 人群异常聚集预警方法、装置、电子设备及介质 | |
CN111898491A (zh) | 一种车辆逆向行驶的识别方法、装置及电子设备 | |
CN114240956A (zh) | 一种肺部ct影像管状结构分割方法、装置、电子设备 | |
CN114120071A (zh) | 一种带有对象标注框图像的检测方法 | |
CN116229419B (zh) | 一种行人检测方法及装置 | |
CN112837384A (zh) | 车辆标记方法、装置和电子设备 | |
CN111680680A (zh) | 一种目标码定位方法、装置、电子设备及存储介质 | |
CN111860512A (zh) | 一种车辆识别方法、装置、电子设备及计算机可读存储介质 | |
CN112784691B (zh) | 一种目标检测模型训练方法、目标检测方法和装置 | |
CN113793364A (zh) | 目标跟踪方法、装置、计算机设备和存储介质 | |
Sun et al. | Contextual models for automatic building extraction in high resolution remote sensing image using object-based boosting method | |
CN112819953A (zh) | 三维重建方法、网络模型训练方法、装置及电子设备 | |
CN112183463A (zh) | 基于雷达图像的船只识别模型的验证方法及装置 | |
CN116052122B (zh) | 一种可行驶空间的检测方法、装置、电子设备及存储介质 | |
CN116563769B (zh) | 一种视频目标识别追踪方法、系统、计算机及存储介质 | |
CN116543365B (zh) | 一种车道线识别方法、装置、电子设备及存储介质 | |
CN112257646B (zh) | 一种商品检测方法、装置、电子设备及存储介质 | |
JP7345680B2 (ja) | 推論装置、推論方法及び推論プログラム | |
CN117456542B (zh) | 图像匹配方法、装置、电子设备及存储介质 | |
CN117475448B (zh) | 图像处理模型的训练方法、图像处理方法及装置 |
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 |