CN116468713A - 一种车道线确定方法、装置、设备和存储介质 - Google Patents
一种车道线确定方法、装置、设备和存储介质 Download PDFInfo
- Publication number
- CN116468713A CN116468713A CN202310465665.9A CN202310465665A CN116468713A CN 116468713 A CN116468713 A CN 116468713A CN 202310465665 A CN202310465665 A CN 202310465665A CN 116468713 A CN116468713 A CN 116468713A
- Authority
- CN
- China
- Prior art keywords
- image
- preset
- lane line
- initial
- areas
- 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
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000001914 filtration Methods 0.000 claims abstract description 25
- 230000000630 rising effect Effects 0.000 claims description 34
- 238000012545 processing Methods 0.000 claims description 21
- 238000004590 computer program Methods 0.000 claims description 16
- 230000007797 corrosion Effects 0.000 claims description 15
- 238000005260 corrosion Methods 0.000 claims description 15
- 238000012216 screening Methods 0.000 claims description 8
- 230000007935 neutral effect Effects 0.000 claims 1
- 230000008569 process Effects 0.000 abstract description 16
- 238000004422 calculation algorithm Methods 0.000 abstract description 10
- 238000013528 artificial neural network Methods 0.000 abstract description 7
- 238000012549 training Methods 0.000 abstract description 6
- 238000002372 labelling Methods 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 description 11
- 238000004891 communication Methods 0.000 description 10
- 238000005530 etching Methods 0.000 description 8
- 238000007689 inspection Methods 0.000 description 5
- 235000004522 Pentaglottis sempervirens Nutrition 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 240000004050 Pentaglottis sempervirens Species 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000003628 erosive effect Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000001351 cycling effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001035 drying Methods 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 230000002427 irreversible effect Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30248—Vehicle exterior or interior
- G06T2207/30252—Vehicle exterior; Vicinity of vehicle
- G06T2207/30256—Lane; Road marking
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种车道线确定方法、装置、设备和存储介质。该方法包括:获取待识别图像;基于预设卷积核集合对所述待识别图像进行滤波处理,得到滤波后的图像;根据所述滤波后的图像确定至少两个目标区域;将所述至少两个目标区域进行拟合,得到车道线。通过本发明的技术方案,能够避免采用神经网络的方式完成车道线识别,省去繁琐的标注和训练的过程,同时极大地降低了算法的硬件开销。
Description
技术领域
本发明实施例涉及图像处理技术领域,尤其涉及一种车道线确定方法、装置、设备和存储介质。
背景技术
高速公路交通安全管理工作中,因恶劣天气/交通事故的原因造成压车情况时有发生,尤其在恶劣天气和夜间情况下,因压车造成追尾事故也是屡见不鲜,当高速路上有事故发生时,由于后方来车无法及时得知前方车况,因此易出现二次事故甚至人员伤亡情况。为此,需要用户在处理事故现场情况的同时在事故点前方放置路障,或通过灯光、报警器等醒目手段来提醒后方来车,这会消耗额外的人力成本,同时高速公路上高速行驶的车辆还会因此增加用户的人身危险。
户外无人驾驶车应用场景中,SLAM技术会因周围环境的多变性而失效。那么,如何能让户外预警巡检无人驾驶车自如的定位导航到所要到达的地方成为该场景一大技术难题。户外预警巡检无人驾驶车通常行驶于应急车道内,相对固定连续的车道线成为该场景下很好的一个参照物,相应地,车道线的识别及循迹导航算法成为需要解决的技术点。车道线常规的识别算法多基于神经网络的方式完成,不可避免需要采集大量图样进行标注和训练,而且基于神经网络的计算对计算单元硬件开销比较大。
发明内容
本发明实施例提供一种车道线确定方法、装置、设备和存储介质,以实现能够避免采用神经网络的方式完成车道线识别,省去繁琐的标注和训练的过程,同时极大地降低了算法的硬件开销。
根据本发明的一方面,提供了一种车道线确定方法,包括:
获取待识别图像;
基于预设卷积核集合对所述待识别图像进行滤波处理,得到滤波后的图像;
根据所述滤波后的图像确定至少两个目标区域;
将所述至少两个目标区域进行拟合,得到车道线。
根据本发明的另一方面,提供了一种车道线确定装置,该装置包括:
获取模块,用于获取待识别图像;
滤波模块,用于基于预设卷积核集合对所述待识别图像进行滤波处理,得到滤波后的图像;
确定模块,用于根据所述滤波后的图像确定至少两个目标区域;
拟合模块,用于将所述至少两个目标区域进行拟合,得到车道线。
根据本发明的另一方面,提供了一种电子设备,所述电子设备包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行本发明任一实施例所述的车道线确定方法。
根据本发明的另一方面,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存储有计算机指令,所述计算机指令用于使处理器执行时实现本发明任一实施例所述的车道线确定方法。
本发明实施例通过获取待识别图像,基于预设卷积核集合对待识别图像进行滤波处理,得到滤波后的图像,根据滤波后的图像确定至少两个目标区域,将至少两个目标区域进行拟合,得到车道线。通过本发明的技术方案,能够避免采用神经网络的方式完成车道线识别,省去繁琐的标注和训练的过程,同时极大地降低了算法的硬件开销。
应当理解,本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征,也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对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发明的某些实施例,因此不应被看作是对范围的限定,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是本发明实施例中的一种车道线确定方法的流程图;
图2是本发明实施例中的一种待识别图像的示意图;
图3是本发明实施例中的一种梯度上升沿图像的示意图;
图4是本发明实施例中的一种梯度下降沿图像的示意图;
图5是本发明实施例中的一种合并图像的示意图;
图6是本发明实施例中的一种滤波后的图像的示意图;
图7是本发明实施例中的一种第三图像的示意图;
图8是本发明实施例中的一种目标区域的示意图;
图9是本发明实施例中的一种车道线确定装置的结构示意图;
图10是实现本发明实施例的车道线确定方法的电子设备的结构示意图。
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。
实施例一
图1是本发明实施例中的一种车道线确定方法的流程图,本实施例可适用于车道线确定的情况,该方法可以由本发明实施例中的车道线确定装置来执行,该装置可采用软件和/或硬件的方式实现,如图1所示,该方法具体包括如下步骤:
S101、获取待识别图像。
在本实施例中,待识别图像可以是待进行车道线识别的图像。
具体的,户外预警巡检无人驾驶车上安装有环视摄像头,可以获取包含车道线的鸟瞰图,车身在鸟瞰图中的坐标为车头朝上。将获取到的鸟瞰图转成HLS(Hue、Lightness、Saturation,色调、亮度、饱和度)颜色空间并提取亮度色域(L),得到待识别图像。
S102、基于预设卷积核集合对待识别图像进行滤波处理,得到滤波后的图像。
其中,预设卷积核集合可以是三个自定义算子(卷积核,kernel)。
需要说明的是,滤波处理可以是通过预设卷积核集合对待识别图像进行卷积运算,完成对待识别图像的滤波。
其中,滤波后的图像可以是通过预设卷积核集合对待识别图像进行卷积运算,得到的滤波完成后的图像。
具体的,通过预设卷积核集合对待识别图像进行卷积运算,得到滤波后的图像。
S103、根据滤波后的图像确定至少两个目标区域。
需要解释的是,目标区域可以是构成车道线的区域。
具体的,对滤波后的图像进行骨架提取以及降噪过滤,确定至少两个目标区域。
S104、将至少两个目标区域进行拟合,得到车道线。
需要说明的是,拟合操作可以是将至少两个目标区域进行拟合,拟合成完整的车道线,从而完成车道线检测。
具体的,将至少两个目标区域进行拟合,得到车道线。
本发明实施例通过获取待识别图像,基于预设卷积核集合对待识别图像进行滤波处理,得到滤波后的图像,根据滤波后的图像确定至少两个目标区域,将至少两个目标区域进行拟合,得到车道线。通过本发明的技术方案,能够避免采用神经网络的方式完成车道线识别,省去繁琐的标注和训练的过程,同时极大地降低了算法的硬件开销。
可选的,预设卷积核集合包括:预设上升沿卷积核、预设下降沿卷积核以及预设中线卷积核。
边缘检测本质上就是一种滤波算法,区别在于滤波器的选择,滤波的规则是完全一致的。在本发明实施例中使用卷积核对图像进行卷积运算,对图像依据卷积核的选择可以进行任意的线性滤波处理,计算公式如下:
其中,src:输入图像;kernel:卷积核;dst:结果图像;anchor:卷积核的锚点,用于定位核矩阵与当前处理像素点对齐的点,默认锚点位于内核中心,锚点位置对卷积处理的结果会有非常大的影响。
在本实施例中,预设上升沿卷积核、预设下降沿卷积核以及预设中线卷积核可以是由用户根据实际情况预先设置的卷积核,本实施例对此不进行限定。
优选的,预设上升沿卷积核可以表示为:上升沿kernel:预设下降沿卷积核可以表示为:下降沿kernel:/>预设中线卷积核可以表示为:中线kernel,例如可以是一个15行×24列的矩阵,矩阵中第一列均为1,第24列均为-1,其余数字为0。
可选的,基于预设卷积核对待识别图像进行滤波处理,得到滤波后的图像,包括:
根据待识别图像、预设上升沿卷积核以及预设下降沿卷积核确定待识别图像对应的梯度上升沿图像和梯度下降沿图像。
其中,梯度上升沿图像可以是待识别图像横向的梯度上升沿图像,梯度下降沿图像可以是待识别图像横向的梯度下降沿图像。
具体的,首先通过预设上升沿卷积核和预设下降沿卷积核分别获取待识别图像横向的梯度上升沿和下降沿,即通过预设上升沿卷积核和预设下降沿卷积核分别对待识别图像进行卷积运算,得到待识别图像对应的梯度上升沿图像和梯度下降沿图像。
将梯度上升沿图像和梯度下降沿图像进行合并,得到合并图像。
其中,合并图像可以是将梯度上升沿图像和梯度下降沿图像进行合并后得到的图像。优选的,合并操作例如可以是,将梯度上升沿图像的像素值减去梯度下降沿图像的像素值。
具体的,将梯度上升沿图像和梯度下降沿图像进行合并,得到合并图像。
根据预设中线卷积核和合并图像确定滤波后的图像。
具体的,可以通过预设中线卷积核对合并图像进行卷积运算,得到滤波后的图像。
可选的,根据滤波后的图像确定至少两个目标区域,包括:
将滤波后的图像进行二值化处理,得到第一图像。
可以知道的是,二值化处理就是将图像上的像素点的灰度值设置为0或255,也就是将整个图像呈现出明显的只有黑和白的视觉效果。
其中,第一图像可以是将滤波后的图像进行二值化处理后得到的图像。
具体的,将滤波后的图像上的像素点的灰度值设置为0或255,也就是将滤波后的图像整个图像呈现出明显的只有黑和白的视觉效果,得到二值化处理后的第一图像。
若第一图像中存在像素值为预设数值的像素点,则对第一图像进行腐蚀操作。
其中,预设数值可以是由用户根据实际情况预先设置的数值,优选的,预设数值可以是255。
可以知道的是,腐蚀操作可以表示成用结构元素对图像进行探测,找出图像中可以放下该结构元素的区域。腐蚀是一种消除边界点,使边界向内部收缩的过程,可以用来消除小且无意义的目标物。如果两目标物间有细小的连通,可以选取足够大的结构元素,将细小连通腐蚀掉。
具体的,若第一图像中存在像素值为255的像素点,则对第一图像进行腐蚀操作,得到腐蚀操作后的第一图像。
对腐蚀操作后的第一图像进行开运算,得到第二图像。
可以知道的是,开运算可以是先对图像腐蚀再进行膨胀,能够排除小团块物体(假设物体较背景明亮),开运算的结果删除了不能包含结构元素的对象区域,平滑了毛刺,最后得到的图像就是对原始图像的去燥处理,并保持原有图像的形状不变。
其中,第二图像可以是对腐蚀操作后的第一图像进行开运算后得到的第二图像。
具体的,对腐蚀操作后的第一图像进行开运算,得到第二图像。
将腐蚀操作后的第一图像的像素值减去第二图像的像素值,得到第三图像。
其中,第三图像可以是开运算前的腐蚀操作后的第一图像的像素值,减去开运算后的第二图像的像素值后,得到的图像。
具体的,将开运算前的腐蚀操作后的第一图像的像素值,减去开运算后的第二图像的像素值,得到第三图像。
在实际操作过程中,骨架提取就是开运算过程的不可逆;骨架与目标区域的形状有关。骨架可以由区域的边界计算。提取骨架的常用方法是重建开运算来实现,在保持端点和线的连通性的同时持续细化目标区域。算法步骤如下:
输入:img(二值化处理后得到的第一图像)
输出:out(和img一样尺寸的图像,初始化像素值全为0)
While img中有像素值为255(在这个循环里面,一直腐蚀第一图像,直到全部为黑色):
腐蚀img图像
对img开运算
img2=开运算前的图像减去开运算后的图像
out+=img2
输出out
若第三图像中的像素点的像素值均非预设数值,则获取第三图像中由亮度值相同的轮廓点所构成的至少两个初始区域。
在实际操作过程中,轮廓可以简单地理解为连接所有连续点(沿物体边界)的曲线,这些点通常具有相同的颜色或亮度。
需要说明的是,初始区域可以是第三图像中由亮度值相同的轮廓点所构成的车道线区域。
具体的,若第三图像中的像素点的像素值均非预设数值(例如可以是255),则获取第三图像中由亮度值相同的轮廓点所构成的至少两个初始区域。
对至少两个初始区域进行筛选,得到至少两个目标区域。
在本实施例中,筛选可以是根据初始区域的轮廓面积的大小进行筛选。
具体的,通过找轮廓的方式,根据检测到至少两个初始区域的轮廓面积进行筛选过滤,得到至少两个目标区域。
可选的,对至少两个初始区域进行筛选,得到至少两个目标区域,包括:
删除至少两个初始区域中区域面积小于预设区域面积阈值的初始区域,得到至少两个目标区域。
其中,预设区域面积阈值可以是由用户根据实际情况预先设置的区域面积阈值,本实施例对此不进行限定。
具体的,将检测到的至少两个初始区域中区域面积小于预设区域面积阈值的初始区域删除,得到至少两个目标区域。
可选的,将至少两个目标区域进行拟合,得到车道线,包括:
获取至少两个目标区域的中心像素点。
需要说明的是,中心像素点可以是每个目标区域的轮廓的中心点的像素点。
具体的,获取每个目标区域的轮廓的中心像素点。
将至少两个目标区域的中心像素点进行预设阶数的曲线拟合,得到车道线。
其中,预设阶数可以是由用户根据实际情况预先设置的阶数,本实施例对此不进行限定。优选的,预设阶数可以是1阶。
需要说明的是,曲线拟合可以是对至少两个目标区域的中心像素点进行拟合,形成完整的曲线。
具体的,将至少两个目标区域的中心像素点进行预设阶数的曲线拟合,可以根据设定的多项式幂次生成多项式方程,然后根据方程进行一系列的点生成,形成完整的曲线,从而完成车道线检测。
可选的,获取待识别图像,包括:
获取初始图像。
其中,初始图像为RGB颜色空间下的图像。
在实际操作过程中,初始图像可以通过安装在户外预警巡检无人驾驶车上的全景相机,即环视摄像头获得。
全景相机,也称为360度相机,是一种捕捉场景全方位视图的相机。与智能捕获有限视野的传统相机不同,全景相机可以捕获完整的360度视图,为用户提供全方位的场景视图。近年来,这种类型的摄像头变得越来越流行,特别是在汽车行业,它被用来为驾驶员提供车辆的鸟瞰图。
将RGB颜色空间下的初始图像转换为HLS颜色空间下的初始图像。
其中,H为色相、L为亮度、S为饱和度。
可以知道的是,HLS色域有三个分量,hue(色相)、saturation(饱和度)以及lightness(亮度)。HLS中的L分量为亮度,亮度为100,表示白色;亮度为0,表示黑色。色相就是颜色的色彩相貌,说简单点就是这个什么颜色,比如:蓝色、青色、紫色等就是色相。饱和度就是色彩的纯度,饱和度越高色彩越浓,饱和度越低色彩越淡。亮度就是色彩的明亮程度,色彩的明度越高,色彩越亮;色彩的明度越暗,色彩越暗。
具体的,将RGB颜色空间下的初始图像转换为HLS颜色空间下的初始图像的计算过程可以表示为:
RGB→HLS:
设M=max(R,G,B),m=min(R,G,B),P=M+m,D=M–m,则L=(M+m)/2;
若M=m,则S=H=0;
若M≠m,
若L<0.5,则S=D/P;
若L≥0.5,则S=D/(2-P);
若R=M,则H=(G-B)/D;
若G=M,则H=2+(B-R)/D;
若B=M,则H=4+(R-G)/D;
若H≥0,则H=H*60;
若H<0,则H=H*60+360。
将亮度L参数下的初始图像确定为待识别图像。
具体的,将亮度L参数下的初始图像确定为待识别图像。
作为本发明实施例的一个示例性描述,图2是本发明实施例中的一种待识别图像的示意图。先通过安装在户外预警巡检无人驾驶车上的环视摄像头获取到一张包含车道线的原始图像,将RGB颜色空间下的初始图像转换为HLS颜色空间下的初始图像,将亮度L参数下的初始图像确定为待识别图像,即如图2所示的待识别图像。
图3是本发明实施例中的一种梯度上升沿图像的示意图。得到待识别图像后,根据待识别图像和预设上升沿卷积核确定待识别图像对应的梯度上升沿图像,即如图3所示的梯度上升沿图像。
图4是本发明实施例中的一种梯度下降沿图像的示意图。得到待识别图像后,根据待识别图像和预设下降沿卷积核确定待识别图像对应的梯度下降沿图像,即如图4所示的梯度下降沿图像。
图5是本发明实施例中的一种合并图像的示意图。确定待识别图像对应的梯度上升沿图像和梯度下降沿图像之后,将梯度上升沿图像和梯度下降沿图像进行合并,得到合并图像,即如图5所示的合并图像。
图6是本发明实施例中的一种滤波后的图像的示意图。得到合并图像后,根据预设中线卷积核和合并图像确定滤波后的图像,即如图6所示的滤波后的图像。
图7是本发明实施例中的一种第三图像的示意图。得到滤波后的图像之后,将滤波后的图像进行二值化处理,得到第一图像,若第一图像中存在像素值为预设数值的像素点,则对第一图像进行腐蚀操作,对腐蚀操作后的第一图像进行开运算,得到第二图像,将腐蚀操作后的第一图像的像素值减去第二图像的像素值,得到第三图像,循环上述过程,直至第三图像中的像素点的像素值均非预设数值,得到如图7所示的第三图像。
图8是本发明实施例中的一种目标区域的示意图。得到像素点的像素值均非预设数值的第三图像后,获取第三图像中由亮度值相同的轮廓点所构成的至少两个初始区域,删除至少两个初始区域中区域面积小于预设区域面积阈值的初始区域,得到至少两个目标区域,即如图8所示的目标区域。之后,获取至少两个目标区域的中心像素点,将至少两个目标区域的中心像素点进行预设阶数的曲线拟合,得到车道线。
本发明实施例的技术方案,获取初始图像,将RGB颜色空间下的初始图像转换为HLS颜色空间下的初始图像,将亮度L参数下的初始图像确定为待识别图像,根据待识别图像、预设上升沿卷积核以及预设下降沿卷积核确定待识别图像对应的梯度上升沿图像和梯度下降沿图像,将梯度上升沿图像和梯度下降沿图像进行合并,得到合并图像,根据预设中线卷积核和合并图像确定滤波后的图像,将滤波后的图像进行二值化处理,得到第一图像,若第一图像中存在像素值为预设数值的像素点,则对第一图像进行腐蚀操作,对腐蚀操作后的第一图像进行开运算,得到第二图像,将腐蚀操作后的第一图像的像素值减去第二图像的像素值,得到第三图像,若第三图像中的像素点的像素值均非预设数值,则获取第三图像中由亮度值相同的轮廓点所构成的至少两个初始区域,删除至少两个初始区域中区域面积小于预设区域面积阈值的初始区域,得到至少两个目标区域,获取至少两个目标区域的中心像素点,将至少两个目标区域的中心像素点进行预设阶数的曲线拟合,得到车道线。通过本发明的技术方案,能够避免采用神经网络的方式完成车道线识别,省去繁琐的标注和训练的过程,同时极大地降低了算法的硬件开销。
实施例二
图9是本发明实施例中的一种车道线确定装置的结构示意图。本实施例可适用于车道线确定的情况,该装置可采用软件和/或硬件的方式实现,该装置可集成在任何提供车道线确定的功能的设备中,如图9所示,所述车道线确定装置具体包括:获取模块201、滤波模块202、确定模块203和拟合模块204。
其中,获取模块201,用于获取待识别图像;
滤波模块202,用于基于预设卷积核集合对所述待识别图像进行滤波处理,得到滤波后的图像;
确定模块203,用于根据所述滤波后的图像确定至少两个目标区域;
拟合模块204,用于将所述至少两个目标区域进行拟合,得到车道线。
可选的,所述预设卷积核集合包括:预设上升沿卷积核、预设下降沿卷积核以及预设中线卷积核。
可选的,所述滤波模块202包括:
第一确定单元,用于根据所述待识别图像、所述预设上升沿卷积核以及所述预设下降沿卷积核确定所述待识别图像对应的梯度上升沿图像和梯度下降沿图像;
合并单元,用于将所述梯度上升沿图像和所述梯度下降沿图像进行合并,得到合并图像;
第二确定单元,用于根据所述预设中线卷积核和所述合并图像确定滤波后的图像。
可选的,所述确定模块203包括:
二值化单元,用于将所述滤波后的图像进行二值化处理,得到第一图像;
腐蚀单元,用于若所述第一图像中存在像素值为预设数值的像素点,则对所述第一图像进行腐蚀操作;
开运算单元,用于对腐蚀操作后的第一图像进行开运算,得到第二图像;
第三确定单元,用于将所述腐蚀操作后的第一图像的像素值减去所述第二图像的像素值,得到第三图像;
第一获取单元,用于若所述第三图像中的像素点的像素值均非预设数值,则获取所述第三图像中由亮度值相同的轮廓点所构成的至少两个初始区域;
筛选单元,用于对所述至少两个初始区域进行筛选,得到至少两个目标区域。
可选的,所述筛选单元具体用于:
删除所述至少两个初始区域中区域面积小于预设区域面积阈值的初始区域,得到至少两个目标区域。
可选的,所述拟合模块204包括:
第二获取单元,用于获取所述至少两个目标区域的中心像素点;
拟合单元,用于将所述至少两个目标区域的中心像素点进行预设阶数的曲线拟合,得到车道线。
可选的,所述获取模块201包括:
第三获取单元,用于获取初始图像,其中,所述初始图像为RGB颜色空间下的图像;
转换单元,用于将RGB颜色空间下的所述初始图像转换为HLS颜色空间下的所述初始图像,其中,H为色相、L为亮度、S为饱和度;
第四确定单元,用于将所述亮度L参数下的所述初始图像确定为待识别图像。
上述产品可执行本发明任意实施例所提供的车道线确定方法,具备执行车道线确定方法相应的功能模块和有益效果。
实施例三
图10示出了可以用来实施本发明的实施例的电子设备30的结构示意图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本发明的实现。
如图10所示,电子设备30包括至少一个处理器31,以及与至少一个处理器31通信连接的存储器,如只读存储器(ROM)32、随机访问存储器(RAM)33等,其中,存储器存储有可被至少一个处理器执行的计算机程序,处理器31可以根据存储在只读存储器(ROM)32中的计算机程序或者从存储单元38加载到随机访问存储器(RAM)33中的计算机程序,来执行各种适当的动作和处理。在RAM 33中,还可存储电子设备30操作所需的各种程序和数据。处理器31、ROM 32以及RAM 33通过总线34彼此相连。输入/输出(I/O)接口35也连接至总线34。
电子设备30中的多个部件连接至I/O接口35,包括:输入单元36,例如键盘、鼠标等;输出单元37,例如各种类型的显示器、扬声器等;存储单元38,例如磁盘、光盘等;以及通信单元39,例如网卡、调制解调器、无线通信收发机等。通信单元39允许电子设备30通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器31可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器31的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器31执行上文所描述的各个方法和处理,例如车道线确定方法:
获取待识别图像;
基于预设卷积核集合对所述待识别图像进行滤波处理,得到滤波后的图像;
根据所述滤波后的图像确定至少两个目标区域;
将所述至少两个目标区域进行拟合,得到车道线。
在一些实施例中,车道线确定方法可被实现为计算机程序,其被有形地包含于计算机可读存储介质,例如存储单元38。在一些实施例中,计算机程序的部分或者全部可以经由ROM 32和/或通信单元39而被载入和/或安装到电子设备30上。当计算机程序加载到RAM33并由处理器31执行时,可以执行上文描述的车道线确定方法的一个或多个步骤。备选地,在其他实施例中,处理器31可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行车道线确定方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器,使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本发明的上下文中,计算机可读存储介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。备选地,计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在电子设备上实施此处描述的系统和技术,该电子设备具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)、区块链网络和互联网。
计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务中,存在的管理难度大,业务扩展性弱的缺陷。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本发明的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本发明保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。
Claims (10)
1.一种车道线确定方法,其特征在于,包括:
获取待识别图像;
基于预设卷积核集合对所述待识别图像进行滤波处理,得到滤波后的图像;
根据所述滤波后的图像确定至少两个目标区域;
将所述至少两个目标区域进行拟合,得到车道线。
2.根据权利要求1所述的方法,其特征在于,所述预设卷积核集合包括:预设上升沿卷积核、预设下降沿卷积核以及预设中线卷积核。
3.根据权利要求2所述的方法,其特征在于,基于预设卷积核对所述待识别图像进行滤波处理,得到滤波后的图像,包括:
根据所述待识别图像、所述预设上升沿卷积核以及所述预设下降沿卷积核确定所述待识别图像对应的梯度上升沿图像和梯度下降沿图像;
将所述梯度上升沿图像和所述梯度下降沿图像进行合并,得到合并图像;
根据所述预设中线卷积核和所述合并图像确定滤波后的图像。
4.根据权利要求1所述的方法,其特征在于,根据所述滤波后的图像确定至少两个目标区域,包括:
将所述滤波后的图像进行二值化处理,得到第一图像;
若所述第一图像中存在像素值为预设数值的像素点,则对所述第一图像进行腐蚀操作;
对腐蚀操作后的第一图像进行开运算,得到第二图像;
将所述腐蚀操作后的第一图像的像素值减去所述第二图像的像素值,得到第三图像;
若所述第三图像中的像素点的像素值均非预设数值,则获取所述第三图像中由亮度值相同的轮廓点所构成的至少两个初始区域;
对所述至少两个初始区域进行筛选,得到至少两个目标区域。
5.根据权利要求4所述的方法,其特征在于,对所述至少两个初始区域进行筛选,得到至少两个目标区域,包括:
删除所述至少两个初始区域中区域面积小于预设区域面积阈值的初始区域,得到至少两个目标区域。
6.根据权利要求1所述的方法,其特征在于,将所述至少两个目标区域进行拟合,得到车道线,包括:
获取所述至少两个目标区域的中心像素点;
将所述至少两个目标区域的中心像素点进行预设阶数的曲线拟合,得到车道线。
7.根据权利要求1所述的方法,其特征在于,获取待识别图像,包括:
获取初始图像,其中,所述初始图像为RGB颜色空间下的图像;
将RGB颜色空间下的所述初始图像转换为HLS颜色空间下的所述初始图像,其中,H为色相、L为亮度、S为饱和度;
将所述亮度L参数下的所述初始图像确定为待识别图像。
8.一种车道线确定装置,其特征在于,包括:
获取模块,用于获取待识别图像;
滤波模块,用于基于预设卷积核集合对所述待识别图像进行滤波处理,得到滤波后的图像;
确定模块,用于根据所述滤波后的图像确定至少两个目标区域;
拟合模块,用于将所述至少两个目标区域进行拟合,得到车道线。
9.一种电子设备,其特征在于,所述电子设备包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-7中任一项所述的车道线确定方法。
10.一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计算机指令,所述计算机指令用于使处理器执行时实现权利要求1-7中任一项所述的车道线确定方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310465665.9A CN116468713A (zh) | 2023-04-26 | 2023-04-26 | 一种车道线确定方法、装置、设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310465665.9A CN116468713A (zh) | 2023-04-26 | 2023-04-26 | 一种车道线确定方法、装置、设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116468713A true CN116468713A (zh) | 2023-07-21 |
Family
ID=87175192
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310465665.9A Pending CN116468713A (zh) | 2023-04-26 | 2023-04-26 | 一种车道线确定方法、装置、设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116468713A (zh) |
-
2023
- 2023-04-26 CN CN202310465665.9A patent/CN116468713A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wu et al. | Lane-mark extraction for automobiles under complex conditions | |
EP3036730B1 (en) | Traffic light detection | |
CN103761529B (zh) | 一种基于多色彩模型和矩形特征的明火检测方法和系统 | |
CN106682665B (zh) | 一种基于计算机视觉的七段式数显仪表数字识别方法 | |
CN108416784B (zh) | 城市建成区边界快速提取方法、装置及终端设备 | |
JP2020501281A (ja) | 障害物検出方法及び装置 | |
EP2575077A2 (en) | Road sign detecting method and road sign detecting apparatus | |
CN114118124B (zh) | 图像检测方法和装置 | |
CN104766071B (zh) | 一种应用于无人驾驶汽车的交通灯快速检测算法 | |
US10824885B2 (en) | Method and apparatus for detecting braking behavior of front vehicle of autonomous vehicle | |
CN107273838A (zh) | 交通信号灯抓拍图片的处理方法及装置 | |
Chen et al. | An advanced visibility restoration algorithm for single hazy images | |
CN111275036A (zh) | 目标检测方法、装置、电子设备及计算机可读存储介质 | |
CN113673584A (zh) | 一种图像检测方法及相关装置 | |
KR102180726B1 (ko) | 딥러닝 기반의 슬래그 자동 제거 장치 및 방법 | |
CN113409461A (zh) | 构建地貌地图的方法、装置、电子设备和可读存储介质 | |
JP6375911B2 (ja) | カーブミラー検出装置 | |
Khin et al. | License plate detection of Myanmar vehicle images captured from the dissimilar environmental conditions | |
US10997743B2 (en) | Attachable matter detection apparatus | |
Zong et al. | Traffic light detection based on multi-feature segmentation and online selecting scheme | |
CN116645568A (zh) | 目标检测方法、装置、电子设备及存储介质 | |
CN116468713A (zh) | 一种车道线确定方法、装置、设备和存储介质 | |
CN111160206A (zh) | 一种交通环境元素视觉感知方法及装置 | |
Wang et al. | An efficient method of shadow elimination based on image region information in HSV color space | |
CN114692775A (zh) | 模型训练、目标检测及渲染方法、存储介质、程序产品 |
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 |