CN116592906B - 一种车道线识别导航方法及系统 - Google Patents
一种车道线识别导航方法及系统 Download PDFInfo
- Publication number
- CN116592906B CN116592906B CN202310867938.2A CN202310867938A CN116592906B CN 116592906 B CN116592906 B CN 116592906B CN 202310867938 A CN202310867938 A CN 202310867938A CN 116592906 B CN116592906 B CN 116592906B
- Authority
- CN
- China
- Prior art keywords
- lane
- vehicle
- parameters
- determining
- acquiring
- 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 38
- 238000007689 inspection Methods 0.000 claims abstract description 85
- 238000013507 mapping Methods 0.000 claims abstract description 74
- 230000011218 segmentation Effects 0.000 claims description 18
- 238000012790 confirmation Methods 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000007667 floating Methods 0.000 description 2
- 230000033001 locomotion Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/34—Route searching; Route guidance
- G01C21/3446—Details of route searching algorithms, e.g. Dijkstra, A*, arc-flags, using precalculated routes
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
- G01S19/01—Satellite radio beacon positioning systems transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
- G01S19/13—Receivers
- G01S19/14—Receivers specially adapted for specific applications
-
- 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)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Computer Networks & Wireless Communication (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及车道识别技术领域,具体公开了一种车道线识别导航方法及系统,所述方法包括根据无人机定时获取车道图像,对所述车道图像进行识别,获取车道参数;读取无人机的巡检参数和车辆参数,根据所述巡检参数和所述车辆参数在车道图像中确定预测点位;在各个预测点位处确定所述车道线的映射特征;实时获取含有GPS数据的行驶视频,根据GPS数据查询映射特征,基于所述映射特征对所述行驶视频进行识别,定位车道线。本发明由光线传播原理确定车道线信息在预测点位处的图像特征;当有车辆通行时,查询与之匹配的预测点位,获取对应的图像特征,由图像特征对已有车辆识别算法进行辅助运算,极大地提高了识别过程的层次度与灵活度。
Description
技术领域
本发明涉及车道识别技术领域,具体是一种车道线识别导航方法及系统。
背景技术
自动驾驶系统采用先进的通信、计算机、网络和控制技术,对列车实现实时、连续控制。采用现代通信手段,直接面对列车,可实现车地间的双向数据通信,传输速率快,信息量大,后续追踪列车和控制中心可以及时获知前行列车的确切位置,使得运行管理更加灵活,控制更为有效,更加适应列车自动驾驶的需求。
自动驾驶系统中的一个核心环节就是车道线识别技术,现有的车道线识别技术大都内置于车辆端,完全借助自身的高精度识别算法,其识别过程需要消耗较高的计算资源,此外,为了实时应对突发情况,其精度需要一直保持在高位,灵活度与计算资源的利用率较低。
发明内容
本发明的目的在于提供一种车道线识别导航方法及系统,以解决上述背景技术中提出的问题。
为实现上述目的,本发明提供如下技术方案:
一种车道线识别导航方法,所述方法包括:
根据无人机定时获取车道图像,对所述车道图像进行识别,获取车道参数;所述车道参数用于表征车道状态;
读取无人机的巡检参数和车辆参数,根据所述巡检参数和所述车辆参数在车道图像中确定预测点位;
在各个预测点位处确定所述车道线的映射特征;所述映射特征为图像特征;
实时获取含有GPS数据的行驶视频,根据GPS数据查询映射特征,基于所述映射特征对所述行驶视频进行识别,定位车道线。
作为本发明进一步的方案:所述根据无人机定时获取车道图像,对所述车道图像进行识别,获取车道参数的步骤包括:
获取划定范围内的车道信息;所述车道信息包括车道尺寸和车道位置;
基于所述车道信息确定无人机的巡检参数;所述巡检参数包括巡检路径、采集频率、巡检高度和镜头参数;
根据所述巡检高度和镜头参数确定巡检范围,根据所述巡检路径和采集频率确定含有相对位置的采集图像;
根据所述相对位置拼接所述采集图像,得到车道图像;
对所述车道图像进行识别,获取车道参数。
作为本发明进一步的方案:所述对所述车道图像进行识别,获取车道参数的步骤包括:
根据预设的识别算法确定车道图像中的轮廓信息;
获取各轮廓信息的边界线的夹角关系,根据所述夹角关系选取目标轮廓;
对所述目标轮廓进行色值识别,确定含有车道线标记的车道图像;
将含有车道线标记的车道图像向人工端发送,接收人工端反馈的确认指令。
作为本发明进一步的方案:所述读取无人机的巡检参数和车辆参数,根据所述巡检参数和所述车辆参数在车道图像中确定预测点位的步骤包括:
读取划定范围内各车道的历史通行记录,生成车辆记录表;所述车辆记录表包括车辆类型和通行时间;
根据所述车辆记录表确定车辆参数;所述车辆参数用于表征一段时间内在该车道上行驶的车辆分布情况;
读取无人机的巡检参数,根据所述巡检参数和所述车辆参数对所述车道图像进行区域切分,得到子区域;
根据所述子区域确定预测点位。
作为本发明进一步的方案:所述读取无人机的巡检参数,根据所述巡检参数和所述车辆参数对所述车道图像进行区域切分,得到子区域的步骤包括:
读取无人机的巡检参数中的巡检高度和镜头参数,确定车道图像的比例尺;
根据车辆参数和所述比例尺在车道图像中确定映射尺寸;所述映射尺寸与车辆类型对应;
根据所述映射尺寸对车道图像进行区域切分,得到子区域。
作为本发明进一步的方案:所述实时获取含有GPS数据的行驶视频,根据GPS数据查询映射特征,基于所述映射特征对所述行驶视频进行识别,定位车道线的步骤包括:
实时获取含有GPS数据的行驶视频,根据GPS数据获取车辆位置;
查询车辆位置对应的预测点位,读取映射特征;
基于所述映射特征遍历匹配行驶视频中的各图像帧,计算得到相关度数组,并记录匹配位置;
根据所述相关度数组和所述匹配位置实时调节预设的车辆自识别模型的识别精度。
本发明技术方案还提供了一种车道线识别导航系统,所述系统包括:
车道参数获取模块,用于根据无人机定时获取车道图像,对所述车道图像进行识别,获取车道参数;所述车道参数用于表征车道状态;
预测点位确定模块,用于读取无人机的巡检参数和车辆参数,根据所述巡检参数和所述车辆参数在车道图像中确定预测点位;
映射特征确定模块,用于在各个预测点位处确定所述车道线的映射特征;所述映射特征为图像特征;
识别应用模块,用于实时获取含有GPS数据的行驶视频,根据GPS数据查询映射特征,基于所述映射特征对所述行驶视频进行识别,定位车道线。
作为本发明进一步的方案:所述车道参数获取模块包括:
车道信息获取单元,用于获取划定范围内的车道信息;所述车道信息包括车道尺寸和车道位置;
巡检参数确定单元,用于基于所述车道信息确定无人机的巡检参数;所述巡检参数包括巡检路径、采集频率、巡检高度和镜头参数;
采集图像筛选单元,用于根据所述巡检高度和镜头参数确定巡检范围,根据所述巡检路径和采集频率确定含有相对位置的采集图像;
采集图像拼接单元,用于根据所述相对位置拼接所述采集图像,得到车道图像;
车道识别单元,用于对所述车道图像进行识别,获取车道参数。
作为本发明进一步的方案:所述预测点位确定模块包括:
记录表生成单元,用于读取划定范围内各车道的历史通行记录,生成车辆记录表;所述车辆记录表包括车辆类型和通行时间;
车辆参数生成单元,用于根据所述车辆记录表确定车辆参数;所述车辆参数用于表征一段时间内在该车道上行驶的车辆分布情况;
区域切分单元,用于读取无人机的巡检参数,根据所述巡检参数和所述车辆参数对所述车道图像进行区域切分,得到子区域;
点位确定单元,用于根据所述子区域确定预测点位。
作为本发明进一步的方案:所述识别应用模块包括:
位置获取单元,用于实时获取含有GPS数据的行驶视频,根据GPS数据获取车辆位置;
特征读取单元,用于查询车辆位置对应的预测点位,读取映射特征;
匹配执行单元,用于基于所述映射特征遍历匹配行驶视频中的各图像帧,计算得到相关度数组,并记录匹配位置;
模型调节单元,用于根据所述相关度数组和所述匹配位置实时调节预设的车辆自识别模型的识别精度。
与现有技术相比,本发明的有益效果是:本发明通过无人机预先获取车道线信息,根据历史通行记录确定一定密度的预测点位,由光线传播原理确定车道线信息在预测点位处的图像特征;当有车辆通行时,查询与之匹配的预测点位,获取对应的图像特征,由图像特征对已有车辆识别算法进行辅助运算,极大地提高了识别过程的层次度与灵活度,变相地降低地车载识别算法的工作压力,提高了车载资源的利用率。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例。
图1为车道线识别导航方法的流程框图。
图2为车道线识别导航方法的第一子流程框图。
图3为车道线识别导航方法的第二子流程框图。
图4为车道线识别导航方法的第三子流程框图。
图5为车道线识别导航系统的组成结构框图。
具体实施方式
为了使本发明所要解决的技术问题、技术方案及有益效果更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。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。
图1为车道线识别导航方法的流程框图,本发明实施例中,一种车道线识别导航方法,所述方法包括:
步骤S100:根据无人机定时获取车道图像,对所述车道图像进行识别,获取车道参数;所述车道参数用于表征车道状态;
无人机采用现有的含有摄像头的无人机即可,向无人机输入预设的路径,无人机通过摄像头可以获取道路的图像,称为车道图像;对车道图像进行识别,可以获取到车道参数;所述车道参数用于表征车道状态;在本发明技术方案中,所述车道参数主要是车道线的位置及其尺寸。
步骤S200:读取无人机的巡检参数和车辆参数,根据所述巡检参数和所述车辆参数在车道图像中确定预测点位;
读取无人机的巡检参数和车辆参数,根据巡检参数和车辆参数可以在车道图像中确定一些点位;其中,所述巡检参数指的是各时刻无人机的运动参数,包括其高度、速度等本体参数以及清晰度、角度等图像获取设备的参数;所述车辆参数可以理解为车辆记录,它用于表示在车道中有哪些通行车辆以及通行车辆的类型等。
步骤S300:在各个预测点位处确定所述车道线的映射特征;所述映射特征为图像特征;
不同预测点位获取到的车道线的特征不同;通俗地说,在预测点位处设定一个车辆,由该车辆采集到的车道线的图像,与无人机采集到的车道线的图像之间存在映射关系,这一映射关系由光线传播的物理特征确定。其中,所述映射特征为图像特征,也即,车道线在图像中的图像特征,如果相应的识别模型采用神经网络识别模型,那么所述图像特征就是卷积核。
步骤S400:实时获取含有GPS数据的行驶视频,根据GPS数据查询映射特征,基于所述映射特征对所述行驶视频进行识别,定位车道线;
行驶视频由车辆端获取,现有的车辆端大都具备导航功能,借助导航功能可以获取到GPS数据(或者其他位置数据);由GPS数据匹配对应的预测点位,查询预测点位处的映射特征,由映射特征对行驶视频进行遍历匹配,可以极大地提高车辆端自识别过程的准确度与效率。
需要说明的是,在本发明技术方案中,所述车辆端自带车道线识别功能,传统的识别功能需要消耗较多的计算资源,在本发明技术方案的技术背景下,由映射特征对行驶视频进行遍历匹配,可以降低车辆自带的车道线识别功能的识别精度,也可以对车辆自带的车道线识别功能进行结果验证,它属于辅助功能,用于优化现有的车辆识别技术。
图2为车道线识别导航方法的第一子流程框图,所述根据无人机定时获取车道图像,对所述车道图像进行识别,获取车道参数的步骤包括:
步骤S101:获取划定范围内的车道信息;所述车道信息包括车道尺寸和车道位置;
划定范围是由工作人员输入的待检测区域,无人机在该待检测区域内活动;由无人机获取划定范围内的车道信息,车道信息包括车道的尺寸和车道位置,所述车道的尺寸包括宽度和长度,所述车道位置由各边界的位置确定。
步骤S102:基于所述车道信息确定无人机的巡检参数;所述巡检参数包括巡检路径、采集频率、巡检高度和镜头参数;
对车道信息进行分析,可以确定无人机的巡检参数;所述无人机在巡检参数下,可以采集车道图像。
步骤S103:根据所述巡检高度和镜头参数确定巡检范围,根据所述巡检路径和采集频率确定含有相对位置的采集图像;
由巡检高度和镜头参数可以确定巡检范围,所述镜头参数包括镜头广角和镜头角度;根据巡检路径和采集频率可获取到多张图像,每采集到一张图像时,都需要记录图像的相对位置,所述相对位置是相对于待检测区域的位置。
步骤S104:根据所述相对位置拼接所述采集图像,得到车道图像;
根据相对位置可以将多个采集图像拼接起来,得到车道图像;在拼接过程中,如果相邻的两个采集图像中存在交集,那么可以对交集部分比对,进而对采集过程本身进行验证,对采集准确度进行评价。
步骤S105:对所述车道图像进行识别,获取车道参数;
对拼接得到的车道图像进行识别,可以获取到车道参数。
需要说明的是,车道图像主要用于识别车道线,但是拍摄车道图像时,车道上可能存在车辆,此时,对于车辆的运动过程无须考虑,只需要判断车辆是否遮挡车道线即可,如果存在遮挡,就需要剔除相应的采集图像;当采集频率较高时,采集图像的数量较多,即使剔险大部分采集图像,也可以得到车道图像。
作为本发明技术方案的一个优选实施例,所述对所述车道图像进行识别,获取车道参数的步骤包括:
根据预设的识别算法确定车道图像中的轮廓信息;
获取各轮廓信息的边界线的夹角关系,根据所述夹角关系选取目标轮廓;
对所述目标轮廓进行色值识别,确定含有车道线标记的车道图像;
将含有车道线标记的车道图像向人工端发送,接收人工端反馈的确认指令。
上述内容对车道参数的识别过程进行了限定,其核心原理就是定位车道轮廓,然后对车道轮廓进行色值识别,进而确定车道线,最后将含有车道线标记的车道图像向人工端发送,接收到人工端反馈的确认信息后,才能够确定车道线。
其中,车道轮廓指的是车道线的轮廓,车道线的轮廓一般存在两条平行或近乎平行的边界,由这一特征可以定位一些可能是车道轮廓的目标轮廓;然后对目标轮廓进行色值识别,可以剔除一些无效轮廓;最后,将剔除无效轮廓后的目标轮廓向人工端发送,由人工端进行选取或修正,可以得到最终的车道轮廓。
图3为车道线识别导航方法的第二子流程框图,所述读取无人机的巡检参数和车辆参数,根据所述巡检参数和所述车辆参数在车道图像中确定预测点位的步骤包括:
步骤S201:读取划定范围内各车道的历史通行记录,生成车辆记录表;所述车辆记录表包括车辆类型和通行时间;
读取划定范围内各车道的历史通行记录,所述历史通行记录由安装在车道上的测速仪等设备获取;所述车辆记录表包括车辆类型和通行时间,用于表示什么时间通过了什么类型的车辆。
步骤S202:根据所述车辆记录表确定车辆参数;所述车辆参数用于表征一段时间内在该车道上行驶的车辆分布情况;
对车辆记录表进行分析,可以确定车辆参数;所述车辆参数可以理解为所述车辆记录表的另一种表达方式,也即,一段时间内行驶在该车道上的各类车辆的数量及位置等。
步骤S203:读取无人机的巡检参数,根据所述巡检参数和所述车辆参数对所述车道图像进行区域切分,得到子区域;
读取无人机的巡检参数,根据巡检参数和车辆参数可以对车道图像进行区域切分,得到最小单元,称为子区域;车辆参数表示了车辆的分布情况,巡检参数表示了各时刻无人机的状态,结合车辆分布情况和无人机的状态,可以确定最小单元的尺寸。
步骤S204:根据所述子区域确定预测点位;
切分得到的子区域与车辆对应,车辆上的车道识别系统的采集模块一般设置在车辆前方,结合车道方向,在子区域的前方选取点位,即可得到预测点位。
作为本发明技术方案的一个优选实施例,所述读取无人机的巡检参数,根据所述巡检参数和所述车辆参数对所述车道图像进行区域切分,得到子区域的步骤包括:
读取无人机的巡检参数中的巡检高度和镜头参数,确定车道图像的比例尺;
根据车辆参数和所述比例尺在车道图像中确定映射尺寸;所述映射尺寸与车辆类型对应;
根据所述映射尺寸对车道图像进行区域切分,得到子区域;
上述内容对区域切分过程进行了具体的限定,首先,由无人机的巡检参数,可以确定车道图像的比例尺;然后,基于比例尺,可以在车道图像中确定与车辆参数对应的映射尺寸,所述映射尺寸就是与车辆对应的子区域的尺寸;最后由映射尺寸对车道图像进行切分即可。
需要说明的是,无人机的巡检高度和镜头参数一般是固定的,确定的映射尺寸几科也没有变化;由映射尺寸对车道图像进行切分,得到的子区域也是固定的。
如果无人机的巡检高度和镜头参数发生了变化,此时,映射尺寸是浮动的,在浮动的映射尺寸中选取最小的映射尺寸,由最小的映射尺寸对车道图像进行切分,进而得到子区域,此时,确定的预测点位的密度较高,后续的匹配过程更加容易。
图4为车道线识别导航方法的第三子流程框图,所述实时获取含有GPS数据的行驶视频,根据GPS数据查询映射特征,基于所述映射特征对所述行驶视频进行识别,定位车道线的步骤包括:
步骤S401:实时获取含有GPS数据的行驶视频,根据GPS数据获取车辆位置;
步骤S402:查询车辆位置对应的预测点位,读取映射特征;
步骤S403:基于所述映射特征遍历匹配行驶视频中的各图像帧,计算得到相关度数组,并记录匹配位置;
步骤S404:根据所述相关度数组和所述匹配位置实时调节预设的车辆自识别模型的识别精度。
上述内容对具体的车道线辅助识别功能进行了具体的限定;现有的车辆本身具备对车道线的识别功能,它有着不同精度的算法,用于采集行驶视频并对行驶视频进行分析,从而定位车道线;在此基础上,本发明技术方案预先根据无人机获取车道线,并设置预测点位,根据光学传播特征,确定车道线在预测点位处的映射特征;当获取到车辆的GPS数据时,根据GPS数据匹配对应的映射特征,由映射特征对行驶视频进行比对识别,可以快速地判断出行驶视频中是否存在车道线特征或者是否存在相似的车道线特征,存在与否由相关度数组进行表示。
如果相关度数组中的元素一直为1(表示存在车道线),那么就可以认为车辆处于平稳运行的状态,此时,将匹配位置作为车道线的大致位置,车辆上的车道线识别算法起到验证作用,较低的精度即可完成功能。
如果相关度数组中的元素不稳定,此时,车道处于不稳定的状态,比如经常调头等,此时,需要将车辆上的车道线识别算法调节为高精度模式。
实际上,本方法确定的匹配位置,为车辆端的车道线识别算法预先划定了一个识别范围,可以极大地提高识别效率。
图5为车道线识别导航系统的组成结构框图,本发明实施例中,一种车道线识别导航系统,所述系统10包括:
车道参数获取模块11,用于根据无人机定时获取车道图像,对所述车道图像进行识别,获取车道参数;所述车道参数用于表征车道状态;
预测点位确定模块12,用于读取无人机的巡检参数和车辆参数,根据所述巡检参数和所述车辆参数在车道图像中确定预测点位;
映射特征确定模块13,用于在各个预测点位处确定所述车道线的映射特征;所述映射特征为图像特征;
识别应用模块14,用于实时获取含有GPS数据的行驶视频,根据GPS数据查询映射特征,基于所述映射特征对所述行驶视频进行识别,定位车道线。
所述车道参数获取模块11包括:
车道信息获取单元,用于获取划定范围内的车道信息;所述车道信息包括车道尺寸和车道位置;
巡检参数确定单元,用于基于所述车道信息确定无人机的巡检参数;所述巡检参数包括巡检路径、采集频率、巡检高度和镜头参数;
采集图像筛选单元,用于根据所述巡检高度和镜头参数确定巡检范围,根据所述巡检路径和采集频率确定含有相对位置的采集图像;
采集图像拼接单元,用于根据所述相对位置拼接所述采集图像,得到车道图像;
车道识别单元,用于对所述车道图像进行识别,获取车道参数。
所述预测点位确定模块12包括:
记录表生成单元,用于读取划定范围内各车道的历史通行记录,生成车辆记录表;所述车辆记录表包括车辆类型和通行时间;
车辆参数生成单元,用于根据所述车辆记录表确定车辆参数;所述车辆参数用于表征一段时间内在该车道上行驶的车辆分布情况;
区域切分单元,用于读取无人机的巡检参数,根据所述巡检参数和所述车辆参数对所述车道图像进行区域切分,得到子区域;
点位确定单元,用于根据所述子区域确定预测点位。
所述识别应用模块14包括:
位置获取单元,用于实时获取含有GPS数据的行驶视频,根据GPS数据获取车辆位置;
特征读取单元,用于查询车辆位置对应的预测点位,读取映射特征;
匹配执行单元,用于基于所述映射特征遍历匹配行驶视频中的各图像帧,计算得到相关度数组,并记录匹配位置;
模型调节单元,用于根据所述相关度数组和所述匹配位置实时调节预设的车辆自识别模型的识别精度。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种车道线识别导航方法,其特征在于,所述方法包括:
根据无人机定时获取车道图像,对所述车道图像进行识别,获取车道参数;所述车道参数用于表征车道状态;
读取无人机的巡检参数和车辆参数,根据所述巡检参数和所述车辆参数在车道图像中确定预测点位;
在各个预测点位处确定所述车道线的映射特征;所述映射特征为图像特征;
实时获取含有GPS数据的行驶视频,根据GPS数据查询映射特征,基于所述映射特征对所述行驶视频进行识别,定位车道线;
所述实时获取含有GPS数据的行驶视频,根据GPS数据查询映射特征,基于所述映射特征对所述行驶视频进行识别,定位车道线的步骤包括:
实时获取含有GPS数据的行驶视频,根据GPS数据获取车辆位置;
查询车辆位置对应的预测点位,读取映射特征;
基于所述映射特征遍历匹配行驶视频中的各图像帧,计算得到相关度数组,并记录匹配位置;
根据所述相关度数组和所述匹配位置实时调节预设的车辆自识别模型的识别精度;
其中,所述车辆自识别模型为内置于车辆的车道线识别模型,含有不同精度的车道线识别算法,用于采集行驶视频并对行驶视频进行分析,从而定位车道线。
2.根据权利要求1所述的车道线识别导航方法,其特征在于,所述根据无人机定时获取车道图像,对所述车道图像进行识别,获取车道参数的步骤包括:
获取划定范围内的车道信息;所述车道信息包括车道尺寸和车道位置;
基于所述车道信息确定无人机的巡检参数;所述巡检参数包括巡检路径、采集频率、巡检高度和镜头参数;
根据所述巡检高度和镜头参数确定巡检范围,根据所述巡检路径和采集频率确定含有相对位置的采集图像;
根据所述相对位置拼接所述采集图像,得到车道图像;
对所述车道图像进行识别,获取车道参数。
3.根据权利要求2所述的车道线识别导航方法,其特征在于,所述对所述车道图像进行识别,获取车道参数的步骤包括:
根据预设的识别算法确定车道图像中的轮廓信息;
获取各轮廓信息的边界线的夹角关系,根据所述夹角关系选取目标轮廓;
对所述目标轮廓进行色值识别,确定含有车道线标记的车道图像;
将含有车道线标记的车道图像向人工端发送,接收人工端反馈的确认指令。
4.根据权利要求2所述的车道线识别导航方法,其特征在于,所述读取无人机的巡检参数和车辆参数,根据所述巡检参数和所述车辆参数在车道图像中确定预测点位的步骤包括:
读取划定范围内各车道的历史通行记录,生成车辆记录表;所述车辆记录表包括车辆类型和通行时间;
根据所述车辆记录表确定车辆参数;所述车辆参数用于表征一段时间内在该车道上行驶的车辆分布情况;
读取无人机的巡检参数,根据所述巡检参数和所述车辆参数对所述车道图像进行区域切分,得到子区域;
根据所述子区域确定预测点位。
5.根据权利要求4所述的车道线识别导航方法,其特征在于,所述读取无人机的巡检参数,根据所述巡检参数和所述车辆参数对所述车道图像进行区域切分,得到子区域的步骤包括:
读取无人机的巡检参数中的巡检高度和镜头参数,确定车道图像的比例尺;
根据车辆参数和所述比例尺在车道图像中确定映射尺寸;所述映射尺寸与车辆类型对应;
根据所述映射尺寸对车道图像进行区域切分,得到子区域。
6.一种车道线识别导航系统,其特征在于,所述系统包括:
车道参数获取模块,用于根据无人机定时获取车道图像,对所述车道图像进行识别,获取车道参数;所述车道参数用于表征车道状态;
预测点位确定模块,用于读取无人机的巡检参数和车辆参数,根据所述巡检参数和所述车辆参数在车道图像中确定预测点位;
映射特征确定模块,用于在各个预测点位处确定所述车道线的映射特征;所述映射特征为图像特征;
识别应用模块,用于实时获取含有GPS数据的行驶视频,根据GPS数据查询映射特征,基于所述映射特征对所述行驶视频进行识别,定位车道线;
所述识别应用模块包括:
位置获取单元,用于实时获取含有GPS数据的行驶视频,根据GPS数据获取车辆位置;
特征读取单元,用于查询车辆位置对应的预测点位,读取映射特征;
匹配执行单元,用于基于所述映射特征遍历匹配行驶视频中的各图像帧,计算得到相关度数组,并记录匹配位置;
模型调节单元,用于根据所述相关度数组和所述匹配位置实时调节预设的车辆自识别模型的识别精度;
其中,所述车辆自识别模型为内置于车辆的车道线识别模型,含有不同精度的车道线识别算法,用于采集行驶视频并对行驶视频进行分析,从而定位车道线。
7.根据权利要求6所述的车道线识别导航系统,其特征在于,所述车道参数获取模块包括:
车道信息获取单元,用于获取划定范围内的车道信息;所述车道信息包括车道尺寸和车道位置;
巡检参数确定单元,用于基于所述车道信息确定无人机的巡检参数;所述巡检参数包括巡检路径、采集频率、巡检高度和镜头参数;
采集图像筛选单元,用于根据所述巡检高度和镜头参数确定巡检范围,根据所述巡检路径和采集频率确定含有相对位置的采集图像;
采集图像拼接单元,用于根据所述相对位置拼接所述采集图像,得到车道图像;
车道识别单元,用于对所述车道图像进行识别,获取车道参数。
8.根据权利要求7所述的车道线识别导航系统,其特征在于,所述预测点位确定模块包括:
记录表生成单元,用于读取划定范围内各车道的历史通行记录,生成车辆记录表;所述车辆记录表包括车辆类型和通行时间;
车辆参数生成单元,用于根据所述车辆记录表确定车辆参数;所述车辆参数用于表征一段时间内在该车道上行驶的车辆分布情况;
区域切分单元,用于读取无人机的巡检参数,根据所述巡检参数和所述车辆参数对所述车道图像进行区域切分,得到子区域;
点位确定单元,用于根据所述子区域确定预测点位。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310867938.2A CN116592906B (zh) | 2023-07-17 | 2023-07-17 | 一种车道线识别导航方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310867938.2A CN116592906B (zh) | 2023-07-17 | 2023-07-17 | 一种车道线识别导航方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116592906A CN116592906A (zh) | 2023-08-15 |
CN116592906B true CN116592906B (zh) | 2023-09-22 |
Family
ID=87601191
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310867938.2A Active CN116592906B (zh) | 2023-07-17 | 2023-07-17 | 一种车道线识别导航方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116592906B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114512005A (zh) * | 2022-02-15 | 2022-05-17 | 复亚智能科技(太仓)有限公司 | 一种道路自巡检方法、装置、无人机及存储介质 |
CN116434088A (zh) * | 2023-04-17 | 2023-07-14 | 重庆邮电大学 | 基于无人机航拍图像的车道线检测及车道辅助保持方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10600326B2 (en) * | 2016-09-15 | 2020-03-24 | International Business Machines Corporation | Method for guiding an emergency vehicle using an unmanned aerial vehicle |
US11235872B2 (en) * | 2018-10-26 | 2022-02-01 | Here Global B.V. | Method and apparatus for utilizing an unmanned air vehicle to define or provide guidance along a route |
KR102675640B1 (ko) * | 2021-11-26 | 2024-06-19 | 경북대학교 산학협력단 | 교통법규 위반 차량을 검출하는 드론 및 이를 제어하는 방법 |
-
2023
- 2023-07-17 CN CN202310867938.2A patent/CN116592906B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114512005A (zh) * | 2022-02-15 | 2022-05-17 | 复亚智能科技(太仓)有限公司 | 一种道路自巡检方法、装置、无人机及存储介质 |
CN116434088A (zh) * | 2023-04-17 | 2023-07-14 | 重庆邮电大学 | 基于无人机航拍图像的车道线检测及车道辅助保持方法 |
Non-Patent Citations (3)
Title |
---|
motion planning and control for mobile robot navigation using machine learning: a survey;Xuesu Xiao 等;autonomous robots(第46期);第569-597页 * |
基于无人机航拍图像的车道线检测方法综述;王秋生 等;无人系统技术;第2卷(第5期);第9-16页 * |
无人机广域视频的机动车交通参数计算及分析;周雨阳;龚艺;姚琳;李小勇;;交通运输系统工程与信息;第15卷(第06期);第67-73页 * |
Also Published As
Publication number | Publication date |
---|---|
CN116592906A (zh) | 2023-08-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7430277B2 (ja) | 障害物検出方法及び装置、コンピュータデバイス、並びにコンピュータプログラム | |
CN109059954B (zh) | 支持高精度地图车道线实时融合更新的方法和系统 | |
JP6976641B2 (ja) | 高精度道路地図の更新のためのオブジェクトの変化検知システム及びその制御方法 | |
CN109059944B (zh) | 基于驾驶习惯学习的运动规划方法 | |
CN111753797B (zh) | 一种基于视频分析的车辆测速方法 | |
WO2023240805A1 (zh) | 一种基于滤波校正的网联车超速预警方法及系统 | |
WO2021237768A1 (zh) | 一种基于数据驱动的实现预测模型自动化迭代的系统 | |
CN113255578B (zh) | 交通标识的识别方法及装置、电子设备和存储介质 | |
CN113221750A (zh) | 车辆追踪方法、装置、设备及存储介质 | |
CN113592905A (zh) | 基于单目摄像头的车辆行驶轨迹预测方法 | |
CN110796230A (zh) | 卷积神经网络的训练及使用方法、设备及存储介质 | |
CN114663852A (zh) | 车道线图的构建方法、装置、电子设备及可读存储介质 | |
CN114694078A (zh) | 一种基于多目标跟踪的交通行为判定方法 | |
CN116592906B (zh) | 一种车道线识别导航方法及系统 | |
CN116901089B (zh) | 一种多角度视距的机器人控制方法及系统 | |
Notz et al. | Extraction and assessment of naturalistic human driving trajectories from infrastructure camera and radar sensors | |
CN115457780B (zh) | 一种基于先验知识集合的车流量流速自动测算方法及系统 | |
CN113392170A (zh) | 一种高精度地图数据的生成方法、装置及服务器 | |
CN114495520B (zh) | 一种车辆的计数方法、装置、终端和存储介质 | |
CN115690717A (zh) | 红绿灯检测方法、装置、计算设备和存储介质 | |
CN116503383B (zh) | 道路曲线检测方法、系统及介质 | |
CN117268424B (zh) | 一种多传感器融合的自动驾驶寻线方法及装置 | |
CN116027375B (zh) | 自动驾驶车辆的定位方法、装置及电子设备、存储介质 | |
CN116052131A (zh) | 一种车道级限速信息识别方法、装置、车辆及存储介质 | |
JP2024034054A (ja) | 地図更新装置、地図更新方法及び地図更新用コンピュータプログラム |
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 |