CN115937806A - 图像处理方法、装置及计算机可读存储介质 - Google Patents
图像处理方法、装置及计算机可读存储介质 Download PDFInfo
- Publication number
- CN115937806A CN115937806A CN202211470559.1A CN202211470559A CN115937806A CN 115937806 A CN115937806 A CN 115937806A CN 202211470559 A CN202211470559 A CN 202211470559A CN 115937806 A CN115937806 A CN 115937806A
- Authority
- CN
- China
- Prior art keywords
- image
- lane line
- target
- target area
- processing
- 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
-
- 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
Abstract
本发明公开了一种图像处理方法、装置及计算机可读存储介质。其中,该方法包括:获取目标图像;对目标图像进行全局语义识别处理,得到目标图像中车道线所在的目标区域;对目标区域进行局部特征识别处理,得到在目标区域内的车道线识别结果。本发明解决了相关技术中存在的对车道线的识别在追求速度,造成精确度低的技术问题。
Description
技术领域
本发明涉及图像处理技术领域,具体而言,涉及一种图像处理方法、装置及计算机可读存储介质。
背景技术
随着深度学习的发展,深度学习在图像分类、目标检测和语义分割等计算机视觉任务中表现出了优异的性能,基于神经网络的深度学习方法已成功应用于车道线检测任务中。但在相关技术中,基于图像采用深度学习网络模型对车道线进行检测时,由于深度学习网络网络模型所包括的对特征处理的层数较多,导致处理效率较低。而为了提升采用深度学习网络模型的处理效率,可以通过对图像进行一些预处理,例如,通过缩减图像的尺寸,来减少模型的数据处理量,来提升识别效率;也可以采用减少深度学习网络模型的对特征进行处理的通道数,即减少对图像信息的识别,来提升识别效率。但不管是采用上述缩减图像尺寸的方式,还是减少模型处理的通道数的方式,均是图像的信息进行了删减,即丢失了图像中的信息的,因此,也造成对图像识别不准确的问题。
因此,在相关技术中存在对车道线的识别在追求速度,造成精确度低的技术问题。
针对上述的问题,目前尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种图像处理方法、装置及计算机可读存储介质,以至少解决相关技术中存在的对车道线的识别在追求速度,造成精确度低的技术问题。
根据本发明实施例的一个方面,提供了一种图像处理方法,包括:获取目标图像;对所述目标图像进行全局语义识别处理,得到所述目标图像中车道线所在的目标区域;对所述目标区域进行局部特征识别处理,得到在所述目标区域内的车道线识别结果。
可选地,所述获取目标图像,包括:获取基于车辆上的图像采集设备采集的原始图像;对所述原始图像进行亮度增强处理,得到所述目标图像。
可选地,所述对所述目标图像进行全局语义识别处理,得到所述目标图像中车道线所在的目标区域,包括:识别所述目标图像中所包括的车道线类别,以及非车道线类别;确定所述车道线类别的第一权重,以及所述非车道线类别的第二权重;基于所述车道线类别以及对应的第一权重,和所述非车道线类别以及对应的第二权重,确定所述目标图像中车道线所在的所述目标区域。
可选地,所述对所述目标区域进行局部特征识别处理,得到在所述目标区域内的车道线识别结果,包括:对所述目标区域进行边缘检测,得到边缘点集合;基于所述边缘点集合,确定车道线边缘;基于所述车道线边缘,确定所述目标区域内的车道线识别结果。
可选地,所述基于所述边缘点集合,确定车道线边缘,包括:基于所述边缘点集合,确定边缘点的变化趋势;基于所述变化趋势,拟合出所述车道线边缘。
可选地,所述对所述目标图像进行全局语义识别处理,得到所述目标图像中车道线所在的目标区域,包括:将所述目标图像输入全局语义识别模型中,得到所述目标图像中车道线所在的目标区域,其中,所述全局语义识别模型采用第一样本集进行机器训练得到,所述第一样本集包括:第一样本图像,以及所述第一样本图像中车道线所在的第一样本区域。
可选地,所述对所述目标区域进行局部特征识别处理,得到在所述目标区域内的车道线识别结果,包括:将所述目标图像中的所述目标区域输入局部特征识别模型中,得到所述目标区域内的车道线识别结果,其中,所述局部特征识别模型采用第二样本集进行机器训练得到,所述第二样本集包括:第二样本图像中的图像区域,以及所述第二样本图像中图像区域内的样本车道线。
根据本发明实施例的另一方面,还提供了一种图像处理装置,包括:获取模块,用于获取目标图像;第一处理模块,用于对所述目标图像进行全局语义识别处理,得到所述目标图像中车道线所在的目标区域;第二处理模块,用于对所述目标区域进行局部特征识别处理,得到在所述目标区域内的车道线识别结果。
根据本发明的还一方面,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包括存储的程序,其中,在所述程序运行时控制所述计算机可读存储介质所在设备执行上述任意一项所述的图像处理方法。
根据本发明的再一方面,提供了一种计算机设备,包括:存储器和处理器,所述存储器存储有计算机程序;所述处理器,用于执行所述存储器中存储的计算机程序,所述计算机程序运行时使得所述处理器执行上述任意一项所述的图像处理方法。
在本发明实施例中,采用先对目标图像进行全局语义识别处理,得到包括车道线的目标区域,之后,采用对该目标区域进行局部特征识别处理,得到该目标区域内的车道线识别结果,由于在对目标图像进行全局语义识别处理时,由于仅需要检测出车道线所在的大概位置,即目标区域,因此,可以采用粗略的识别处理方式,有效提升识别速率,另外,针对存在车道线的目标区域进行局部特征识别处理,即对该区域进行精细地识别,因此,能够准确,精细地识别出车道线的具体信息,达到了准确识别目标图像中的车道线的目的,从而实现了在兼顾识别速度的基础上能够有效提升车道线的识别准确度的技术效果,进而解决了相关技术中对车道线的识别在追求速度,造成精确度低的技术问题。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1是根据本发明实施例的图像处理方法的流程图;
图2是根据本发明实施例提供的图像处理装置的结构框图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分的实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
根据本发明实施例,提供了一种图像处理方法的方法实施例,需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
图1是根据本发明实施例的图像处理方法的流程图,如图1所示,该方法包括如下步骤:
步骤S102,获取目标图像;
作为一种可选的实施例,上述图像处理方法的执行主体可以是一种终端,也可以是一种服务器。上述终端可以是各种类型的终端,例如,可以是电脑终端,移动终端,虚拟终端,等,但不管哪种类型的终端,需要具备一定满足计算需求的计算能力。上述服务器也可以是多种形式的,例如,可以是单个的计算机设备,也可以是包括多个计算机的计算机集群,可以是本地的计算单元,还可以是远程的云服务器,等。
作为一种可选的实施例,获取目标图像的方式可以多种,例如,可以是采用摄像头进行拍摄的方式得到,也可以是从已有图像中进行截取的方式得到。在采用摄像头进行拍摄时,该摄像头可以是车辆上的摄像头,用于对车辆行驶的路段进行拍摄,得到该目标图像。另外,对已有图像进行截取时,该图像可以是从图像采集设备中采集图像进行裁减,放缩得到。
因此,上述获取目标图像的方式可以是以电子产品直接拍照后对以电子产品直接拍照后的图像进行图像预处理的形式获取,也可以是外来输入图像后对外来输入图像进行图像预处理的方式获取,在此不进行具体限定。
作为一种可选的实施例,上述目标图像可以是一张预检测车道线的图像,也可以是一段视频中的多张图像,基于从该多张图像中分别检测出对应的车道线,进而得到整个视频图像中的车道线。
作为一种可选的实施例,获取的目标图像时,可以是以图像预处理的方式对已有的初始图像进行处理得到,例如:首先获取原始图像,对原始图像进行图像预处理得到。其中,在对原始图像进行预处理时,依据原始图像所对应的场景不同采用不同的处理方式。比如,在原始图像所处的场景为以下场景时,针对场景分别处理时包括以下内容。1、当获取原始图像为夜间获取的夜间图像时,由于夜间图像的对比度和亮度都较低,无法呈现出含有清晰的车道线的图像,因此需要提高原始图像的亮度和对比度,之后对提高亮度和对比度后的原始图像进行白平衡处理,使得原始图像的色彩能够被还原,之后进行锐化处理,令还原后的原始图像中的色彩变得更加鲜明,使得车道线的特征相比较于原始图像更能够显现出来。2、当获取原始图像为白天采集的白天图像时,可以对该原始图像进行白平衡处理,使得原始图像的色彩能够被还原,之后进行锐化处理,令还原后的原始图像中的色彩变得更加鲜明。
作为一种可选的实施例,针对车辆上采集的图像,在车辆处于夜间行驶的场景下时,由于在夜间行驶时拍摄的图像质量较差,因此,需要对图像进行处理,例如,获取目标图像时,可以获取基于车辆上的图像采集设备采集的原始图像;对原始图像进行亮度增强处理,得到目标图像。在对采集的原始图像进行亮度增强后,使得得到的目标所包括的各部分内容是清楚的,便于后续对目标图像进行准确高效识别。因此,通过上述处理能够实现对夜晚图像的识别的。在对夜晚图像进行识别时,由于采集到的原始图像的光线较暗,因此,需要对采集的图像进行亮度增强处理,基于亮度增强处理后的图像会更准确。
步骤S104,对目标图像进行全局语义识别处理,得到目标图像中车道线所在的目标区域;
作为一种可选的实施例,上述所指的全局语义识别处理,是指对目标图像所包括的内容中识别出多种类型的对象所对应的区域,比如,对目标图像中所包括的内容分别进行分类标签,该分类标签是区分不同的对象的。例如,在目标图像中包括车辆,行人,路灯,栏杆,车道线,植被,等。由于车辆,行人,路灯,栏杆,车道线,植被等属于不同的事物,具有不同的语义,因此,应该被划分为不同的分类标签。对目标图像进行全局语义识别处理即是从目标图像中识别出车辆所对应的区域,行人所对应的区域,路灯所对应的区域,栏杆所对应的区域,车道线所对应的区域,以及植被所对应的区域,等。
作为一种可选的实施例,在上述对目标图像进行全局语义识别处理时,由于仅需要对不同的语义内容进行区分,并不需要对具体的语义内容进行精细识别,因此,在对目标对象进行全局语义识别时,可以采用对整个图像进行粗略检测的方式进行。例如,可以对目标图像进行下采样处理,基于下采样处理后,对图像特征进行提取,得到全局语义处理后的结果,该结果中包括目标图像中车道线所在的目标区域。
在对目标图像进行全局语义识别处理时,可以采用神经网络模型的方式进行识别,例如,可以通过两方面实现上述较为粗略识别的全局语义识别。其中一方面是,对图像本身进行裁减处理,比如,可以先对目标图像进行扫描,扫描出像素值较小,例如,像素值小于预定阈值的区域,由于该区域不存在语义内容(即上述所指的事务内容)的概率较大,即在该区域有车道线的可能性也较上,因此,在识别过程中,可以直接忽略对该区域的识别,可以直接将识别出的该区域裁减掉。另一方面是,在采用神经网络模型的方式进行识别时,可以采用对神经网络模型的架构进行改造的方式,比如,在神经网络模型中对加入下采样,或者快速下采样的处理结构,使得神经网络模型对目标图像进行识别时,减少一些不必要的识别通道,即对一些特征的识别直接忽略,即通过采用更少的识别通道,来快速地对目标图像进行识别,得到包括车道线的目标区域。
通过采用上述神经网络模型对目标图像中的语义信息进行识别时,由于需要的仅为与车道线特征相关的特征,因此,可以基于车道线特征来对目标区域进行识别。在识别时,可以采用多种方式,例如:采用机器学习的方式对目标图像进行语义分析,通过使用含有车道线的图像和上述含有车道线的图像中车道线所在区域的图像对神经网络模型进行训练,得到可以准确地识别出车道线特征所在区域的神经网络模型。在训练好神经网络模型后,将目标图像输入训练好的神经网络模型中,得到目标图像中车道线所在的目标区域。即,对目标图像进行全局语义识别处理,得到目标图像中车道线所在的目标区域,包括:将目标图像输入全局语义识别模型中,得到目标图像中车道线所在的目标区域,其中,全局语义识别模型采用第一样本集进行机器训练得到,第一样本集包括:第一样本图像,以及第一样本图像中车道线所在的第一样本区域。例如:构建含有全局平均池化层的轻量级网络模型,对目标图像的语义信息进行编码,从而根据目标图像的语义信息确定车道线语义信息所在的位置为目标区域。其中,轻量级网络可以采用Xception,ShuffleNet系列和MobileNet系列中任一种,在此不进行具体限定。
作为一种可选的实施例,在对目标图像进行全局语义识别处理,得到目标图像中车道线所在的目标区域时,由于目标图像中的特征分为环境特征和目标车道线的特征,因此,对于图像中存在车道线的地方应该重点识别,即增加对应的识别权重,通过权重的方式,区分图像中的特征在识别过程中的重要性,不仅能够提升对识别目标的准确性,而且能够有效避免无效识别。
例如,在对目标图像进行全局语义识别处理,得到目标图像中车道线所在的目标区域时,识别目标图像中所包括的车道线类别,以及非车道线类别;确定车道线类别的第一权重,以及非车道线类别的第二权重;基于车道线类别以及对应的第一权重,和非车道线类别以及对应的第二权重,确定目标图像中车道线所在的目标区域。因此,在对目标区域进行识别时,因为目标是识别车道线,因此,对于图像中存在车道线的地方应该重点识别,即增加对应的识别权重,通过权重的方式,区分图像中的特征在识别过程中的重要性,不仅能够提升对识别目标的准确性,而且能够有效避免无效识别。
需要说明的是,上述车道线类别可以是上述目标图像中具有车道线的特征的标签类别,例如,可以是规则的线,可以是连续的点,具有一定的轨迹特征,等。因此,通过上述标签类别可以区分出是否为车道线,因此,将目标图像中的标签类别划分为两类,一类是车道线类别,另一类为非车道线类别,分别针对车道线类别和非车道线类别分别设置不同的权重,例如,针对车道线类别设置高于非车道线类别的权重,便于对车道线类型所对应的特征进行识别,实现对目标图像的准确识别。
需要说明的是,上述为车道线类别,或者非车道线类别设置权重时,也可以采用多种方式,例如,可以采用人工经验的方式直接设置,也可以通过学习的方式来获取到对应类别的重要程度,然后依照这个重要程度去提升有用的特征并抑制用处不大的特征。
步骤S106,对目标区域进行局部特征识别处理,得到在目标区域内的车道线识别结果;
作为一种可选的实施例,在对目标区域进行局部特征识别处理,得到在目标区域内的车道线识别结果时,可以采用多种处理方式,例如,可以对目标区域进行边缘检测,得到边缘点集合;基于边缘点集合,确定车道线边缘。需要说明的是,在对目标区域进行边缘检测时,可以采用预定的边缘检测算法进行检测,例如,可以基于对目标区域中各个点的梯度来确定是否为车道线上的点。由于车道线可能是由一系列的点形成的,基于对边缘点的检测,识别,得到车道线边缘线。因为车道线上的点相对于其它点而言,有一些明显的特征,例如,亮度,像素值相对于其它点而言,是有一些区别的。例如,车道线上的点的像素值的梯度相对于非车道线上的像素值的梯度会明显大,因此,可以基于该梯度确定出车道线的边缘点。之后,基于该边缘点得到的边缘点集合,确定出车道线边缘。
作为一种可选的实施例,在基于边缘点集合,确定车道线边缘时,由于并不是车道线上的所有点均是出现在目标区域,即在目标区域内出现的车道线可能是有缺失的,因此,为得到完整的车道线信息,可以基于边缘点集合,确定边缘点的变化趋势;之后,基于变化趋势,拟合出车道线边缘。通过上述补充完善处理,能够使得得到的车道线边缘较为完善,使得后续得到的车道线较为平滑。
因此,对目标区域进行识别处理时,可以采用边缘检测法,基于目标区域内车道线的特征进行边缘点提取,得到车道线的边缘点集合。其中,边缘检测法可以是根据灰度图像中灰度值的变化来提取边缘点。将目标区域的图像进行灰度化处理之后,一般情况下,在车道线区域范围内,由于车道线本身轮廓附近的灰度值会出现明显变化,因此可以根据变化情况得出车道线的边缘点。在识别过程中,不管是由于图像质量,还是环境所造成的缺陷,在识别过程中,有可能会出现检测出的点不连续,会中断的现象,这时需要把中断,不连续的地方进行相应补充,因此,可以基于检测出的这些点的梯度变化进行线性拟合,得到完善的车道线边缘。
在对目标区域进行局部特征识别处理,得到在目标区域内的车道线识别结果时,也可以采用神经网络模型的方式进行识别,例如,将目标图像中的目标区域输入局部特征识别模型中,得到目标区域内的车道线识别结果,其中,局部特征识别模型采用第二样本集进行机器训练得到,第二样本集包括:第二样本图像中的图像区域,以及第二样本图像中图像区域内的样本车道线。在采用上述神经网络模型的方式进行识别时,可以采用一个带有小步长的空间路径(即使用较多的特征通道、较浅的网络来保留丰富的空间信息,从而生成高分辨率特征)来尽可能地保留目标区域的信息,从而生成高分辨率的特征,基于该高分辨率的特征来对目标区域进行识别,得到车道线的识别结果。
需要说明的是,上述车道线的识别结果包括多种,例如,可以是车道线的类型,可以是黄色实线,黄色实线还可以分为中心黄色双实线,中心黄色单实线,以及中心黄色虚实线;可以是白色实线,包括:禁止变换车行道线,车行道边缘线。又例如,可以是车道线的状态,例如,可以是车道线是否被遮挡,车道线是否有磨损,车道线是否需要补全,车道线是否是转弯,车道线是否是掉头,等。
通过上述步骤,采用先对目标图像进行全局语义识别处理,得到包括车道线的目标区域,之后,采用对该目标区域进行局部特征识别处理,得到该目标区域内的车道线识别结果,由于在对目标图像进行全局语义识别处理时,由于仅需要检测出车道线所在的大概位置,即目标区域,因此,可以采用粗略的识别处理方式,有效提升识别速率,另外,针对存在车道线的目标区域进行局部特征识别处理,即对该区域进行精细地识别,因此,能够准确,精细地识别出车道线的具体信息,达到了准确识别目标图像中的车道线的目的,从而实现了在兼顾识别速度的基础上能够有效提升车道线的识别准确度的技术效果,进而解决了相关技术中对车道线的识别在追求速度,造成精确度低的技术问题。
现有的车道线提取方法,一般是基于图像或视频的提取方法,但在对图像或视频提取的过程中,由于图像或视频本身受环境和光照影响会出现灰度值不同的问题,增加了车道线提取的难度,其次,从上述的图像中如何准确地识别并提取出车道线也是一个有待解决的问题。
在本发明实施例中,还提供了一种图像处理装置,图2是根据本发明实施例提供的图像处理装置的结构框图,如图2所示,该装置包括:获取模块20,第一处理模块22,第二处理模块24,下面对该装置进行说明。
获取模块20,用于获取原始图像,并对原始图像根据夜间和白天两种情况进行图像预处理;第一处理模块22,连接至上述获取模块20,用于对目标图像进行全局语义识别处理,得到目标图像中车道线所在的目标区域;第二处理模块24:连接至上述第一处理模块22,用于对目标区域进行局部特征识别处理,得到在目标区域内的车道线识别结果。
在本发明实施例中,还提供了一种计算机可读存储介质,计算机可读存储介质包括存储的程序,其中,在程序运行时控制计算机可读存储介质所在设备执行上述任意一项的图像处理方法。
在本发明实施例中,还提供了一种计算机设备,包括:存储器和处理器,存储器存储有计算机程序;处理器,用于执行存储器中存储的计算机程序,计算机程序运行时使得处理器执行上述任意一项的图像处理方法。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
在本发明的上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所揭露的技术内容,可通过其它的方式实现。其中,以上所描述的装置实施例仅仅是示意性的,例如所述单元的划分,可以为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,单元或模块的间接耦合或通信连接,可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以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。基于这样的理解,本发明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全部或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(可为个人计算机、服务器或者网络设备等)执行本发明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、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种图像处理方法,其特征在于,包括:
获取目标图像;
对所述目标图像进行全局语义识别处理,得到所述目标图像中车道线所在的目标区域;
对所述目标区域进行局部特征识别处理,得到在所述目标区域内的车道线识别结果。
2.根据权利要求1所述的方法,其特征在于,所述获取目标图像,包括:
获取基于车辆上的图像采集设备采集的原始图像;
对所述原始图像进行亮度增强处理,得到所述目标图像。
3.根据权利要求1所述的方法,其特征在于,所述对所述目标图像进行全局语义识别处理,得到所述目标图像中车道线所在的目标区域,包括:
识别所述目标图像中所包括的车道线类别,以及非车道线类别;
确定所述车道线类别的第一权重,以及所述非车道线类别的第二权重;
基于所述车道线类别以及对应的第一权重,和所述非车道线类别以及对应的第二权重,确定所述目标图像中车道线所在的所述目标区域。
4.根据权利要求1所述的方法,其特征在于,所述对所述目标区域进行局部特征识别处理,得到在所述目标区域内的车道线识别结果,包括:
对所述目标区域进行边缘检测,得到边缘点集合;
基于所述边缘点集合,确定车道线边缘;
基于所述车道线边缘,确定所述目标区域内的车道线识别结果。
5.根据权利要求4所述的方法,其特征在于,所述基于所述边缘点集合,确定车道线边缘,包括:
基于所述边缘点集合,确定边缘点的变化趋势;
基于所述变化趋势,拟合出所述车道线边缘。
6.根据权利要求1至5中任一项所述的方法,其特征在于,所述对所述目标图像进行全局语义识别处理,得到所述目标图像中车道线所在的目标区域,包括:
将所述目标图像输入全局语义识别模型中,得到所述目标图像中车道线所在的目标区域,其中,所述全局语义识别模型采用第一样本集进行机器训练得到,所述第一样本集包括:第一样本图像,以及所述第一样本图像中车道线所在的第一样本区域。
7.根据权利要求1至5中任一项所述的方法,其特征在于,所述对所述目标区域进行局部特征识别处理,得到在所述目标区域内的车道线识别结果,包括:
将所述目标图像中的所述目标区域输入局部特征识别模型中,得到所述目标区域内的车道线识别结果,其中,所述局部特征识别模型采用第二样本集进行机器训练得到,所述第二样本集包括:第二样本图像中的图像区域,以及所述第二样本图像中图像区域内的样本车道线。
8.一种图像处理装置,其特征在于,包括:
获取模块,用于获取目标图像;
第一处理模块,用于对所述目标图像进行全局语义识别处理,得到所述目标图像中车道线所在的目标区域;
第二处理模块,用于对所述目标区域进行局部特征识别处理,得到在所述目标区域内的车道线识别结果。
9.一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包括存储的程序,其中,在所述程序运行时控制所述计算机可读存储介质所在设备执行权利要求1至7中任意一项所述的图像处理方法。
10.一种计算机设备,其特征在于,包括:存储器和处理器,
所述存储器存储有计算机程序;
所述处理器,用于执行所述存储器中存储的计算机程序,所述计算机程序运行时使得所述处理器执行权利要求1至7中任意一项所述的图像处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211470559.1A CN115937806A (zh) | 2022-11-23 | 2022-11-23 | 图像处理方法、装置及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211470559.1A CN115937806A (zh) | 2022-11-23 | 2022-11-23 | 图像处理方法、装置及计算机可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115937806A true CN115937806A (zh) | 2023-04-07 |
Family
ID=86555071
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211470559.1A Pending CN115937806A (zh) | 2022-11-23 | 2022-11-23 | 图像处理方法、装置及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115937806A (zh) |
-
2022
- 2022-11-23 CN CN202211470559.1A patent/CN115937806A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wu et al. | Lane-mark extraction for automobiles under complex conditions | |
CN109460699B (zh) | 一种基于深度学习的驾驶员安全带佩戴识别方法 | |
US9275289B2 (en) | Feature- and classifier-based vehicle headlight/shadow removal in video | |
US9721173B2 (en) | Machine learning approach for detecting mobile phone usage by a driver | |
KR101848019B1 (ko) | 차량 영역 검출을 통한 차량 번호판 검출 방법 및 장치 | |
Abdullah et al. | YOLO-based three-stage network for Bangla license plate recognition in Dhaka metropolitan city | |
CN108268867B (zh) | 一种车牌定位方法及装置 | |
WO2017171659A1 (en) | Signal light detection | |
CN111767878B (zh) | 嵌入式设备中基于深度学习的交通标志检测方法及系统 | |
CN109918971B (zh) | 监控视频中人数检测方法及装置 | |
CN104537360A (zh) | 车辆未让行违章检测方法及其检测系统 | |
CN110163109B (zh) | 一种车道线标注方法及装置 | |
Bell et al. | A novel system for nighttime vehicle detection based on foveal classifiers with real-time performance | |
CN111507145A (zh) | 嵌入式车载环视系统库位障碍物检测方法、系统及装置 | |
CN111507324A (zh) | 卡片边框识别方法、装置、设备和计算机存储介质 | |
CN110276318A (zh) | 夜间公路下雨识别方法、装置、计算机设备及存储介质 | |
Ghahremannezhad et al. | Automatic road detection in traffic videos | |
CN112115800A (zh) | 一种基于深度学习目标检测的车辆组合识别系统及方法 | |
CN111783654A (zh) | 车辆重识别方法、装置及电子设备 | |
US20120189161A1 (en) | Visual attention apparatus and control method based on mind awareness and display apparatus using the visual attention apparatus | |
CN112204566A (zh) | 基于机器视觉的图像处理方法和设备 | |
CN112686248B (zh) | 证件增减类别检测方法、装置、可读存储介质和终端 | |
CN113537037A (zh) | 路面病害识别方法、系统、电子设备及存储介质 | |
CN112863194A (zh) | 一种图像处理方法、装置、终端及介质 | |
CN115147450B (zh) | 基于运动帧差图像的移动目标检测方法及检测装置 |
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 |