CN117058647B - 车道线处理方法、装置和设备及计算机存储介质 - Google Patents
车道线处理方法、装置和设备及计算机存储介质 Download PDFInfo
- Publication number
- CN117058647B CN117058647B CN202311323564.4A CN202311323564A CN117058647B CN 117058647 B CN117058647 B CN 117058647B CN 202311323564 A CN202311323564 A CN 202311323564A CN 117058647 B CN117058647 B CN 117058647B
- Authority
- CN
- China
- Prior art keywords
- boundary
- processed
- lane line
- target
- boundaries
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 27
- 238000003860 storage Methods 0.000 title claims abstract description 26
- 238000000034 method Methods 0.000 claims abstract description 95
- 238000012545 processing Methods 0.000 claims abstract description 52
- 238000005070 sampling Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 abstract description 37
- 238000010586 diagram Methods 0.000 description 32
- 238000005516 engineering process Methods 0.000 description 24
- 230000006870 function Effects 0.000 description 20
- 238000004590 computer program Methods 0.000 description 19
- 238000013473 artificial intelligence Methods 0.000 description 15
- 238000004891 communication Methods 0.000 description 14
- 238000012549 training Methods 0.000 description 14
- 238000005520 cutting process Methods 0.000 description 7
- 238000010801 machine learning Methods 0.000 description 7
- 230000003287 optical effect Effects 0.000 description 7
- 238000001914 filtration Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 238000011156 evaluation Methods 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000000638 solvent extraction Methods 0.000 description 3
- 230000005236 sound signal Effects 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 230000003190 augmentative effect Effects 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 230000033228 biological regulation Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000012790 confirmation Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000008520 organization Effects 0.000 description 2
- 230000002035 prolonged effect Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 241000274965 Cyrestis thyodamas Species 0.000 description 1
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 229910044991 metal oxide Inorganic materials 0.000 description 1
- 150000004706 metal oxides Chemical class 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000002310 reflectometry Methods 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
- G06V20/588—Recognition of the road, e.g. of lane markings; Recognition of the vehicle driving pattern in relation to the road
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/30—Noise filtering
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本申请提供了一种车道线处理方法、装置和设备及计算机存储介质,涉及地图技术领域,用以提高车道线识别过程的准确性,降低噪声车道线对地图中车道线绘制的干扰。包括:获取待处理车道线数据,其包括:已标识的至少两条待处理边界及各自对应的位置信息;基于该位置信息,获得目标路段,获取针对目标路段预设的道路参考线;基于道路参考线,将待处理车道线数据划分为两个集合,各集合包括:至少一条待处理边界;针对各集合,分别执行:当一个集合包含的待处理边界的数量大于设定阈值时,基于各待处理边界之间的相对位置关系,选取出位置满足预设位置条件的目标边界,并基于道路参考线以及目标边界,选取出相应的目标车道线。
Description
技术领域
本申请涉及地图技术领域,具体涉及一种车道线处理方法、装置和设备及计算机存储介质。
背景技术
智慧交通作为科技业追逐的热点,是“互联网+”与人工智能时代的精彩产物。其中,车道线绘制是智慧交通领域的关键部分,对于车道偏离预警、车道保持、路径规划等方面起到了至关重要的作用。
目前,绘制高精度地图中的车道线时,会从基于现实道路获取的道路图像中提取出各道路对应的车道线识别结果,并将其转换为点云数据。然后,再根据这些获取的点云数据,在高精地图中绘制道路中各路段所对应的车道线。
在上述过程中,由于道路图像获取时可能拍摄到道路周围与车道线相似的障碍物,因此,获得的车道线识别结果中,如图1A所示,会存在一些实际上并不是车道线,但是车道线识别结果中将其识别成车道线的伪车道线(也可以称之为噪声)。常规的车道线去噪声方案主要是将位于道路边界之外的伪车道线过滤掉。以图1A所示的车道线识别结果为例,在常规的去噪方案中,通过检测车道线是否处于边界内,将处于边界外的伪车道线剔除,就得到如图1B所示的噪声过滤结果。
然而,这样噪声过滤的准确性依靠于车道线识别时对边界识别的准确性,如果在图像识别的过程中,边界识别不准确,后续噪声过滤的效果会非常差。
例如,如图1C所示,如果在车道线识别过程中,误把道路中间的黄实线或者护栏识别成道路边界,这样就会造成边界噪声外侧的车道线被误判为噪声,进而导致其删除,使得该道路的路面车道线不完整。
又例如,如图1D所示,在图像采集过程中,如果采集到了非本道路的车道线或者边界(如主辅路),那么当辅路的道路边界被识别为主车道的边界时,同样会导致车道线识别和滤噪的错误,如图1D所示的辅路中的噪声无法被删除。
因此,如何提高车道线识别过程的准确性,降低噪声车道线对地图中车道线绘制的干扰,是一个亟待解决的技术问题。
发明内容
本申请提供一种车道线处理方法、装置和设备及计算机存储介质,用以提高车道线识别过程的准确性,降低噪声车道线对地图中车道线绘制的干扰。
第一方面,本申请提供一种车道线处理方法,所述方法包括:
获取待处理车道线数据,其中,待处理车道线数据中包括:至少一条车道线,已标识的至少两条待处理边界及各自对应的位置信息;
基于获得的至少两个位置信息,获得相应的目标路段,并获取针对目标路段预设的用于指示数据采集线路的道路参考线;
基于道路参考线,将待处理车道线数据划分为两个集合,其中,两个集合均包括:至少一条待处理边界;
针对两个集合,分别执行如下操作:当一个集合包含的待处理边界的数量大于设定阈值时,基于各待处理边界之间的相对位置关系,选取出位置满足预设位置条件的目标边界,并基于道路参考线以及目标边界,在一个集合中,选取出相应的目标车道线。
第二方面,本申请提供一种车道线处理装置,该装置包括:
获取模块,用于获取待处理车道线数据,其中,待处理车道线数据中包括:至少一条车道线,已标识的至少两条待处理边界及各自对应的位置信息;基于获得的至少两个位置信息,获得相应的目标路段,并获取针对目标路段预设的用于指示数据采集线路的道路参考线;
划分模块,用于基于道路参考线,将待处理车道线数据划分为两个集合,其中,两个集合均包括:至少一条待处理边界;
处理模块,用于针对两个集合,分别执行如下操作:当一个集合包含的待处理边界的数量大于设定阈值时,基于各待处理边界之间的相对位置关系,选取出位置满足预设位置条件的目标边界,并基于道路参考线以及目标边界,在一个集合中,选取出相应的目标车道线。
在一种可能的实施方式中,处理模块用于基于各待处理边界之间的相对位置关系,选取出位置满足预设位置条件的目标边界时,具体用于:
基于目标路段的延伸方向,按照预设间隔,在待处理车道线数据中,设置至少一条横切线;
获取至少一条横切线各自与各待处理边界的交点;
针对至少一条横切线,分别执行以下操作:若一条横切线与各待处理边界的交点的数量超过交点阈值,则从与各交点关联的待处理边界中,选取出长度大于其他待处理边界的长度的待处理边界,作为目标边界。
在一种可能的实施方式中,处理模块用于基于各待处理边界之间的相对位置关系,选取出位置满足预设位置条件的目标边界时,具体用于:
基于目标路段的延伸方向,按照预设间隔,在待处理车道线数据中,设置至少一条横切线;
获取至少一条横切线各自与各待处理边界的交点;
若每条横切线与各待处理边界的交点的数量均不超过交点阈值,则从各待处理边界中选取长度满足预设长度条件的待处理边界作为中间边界;
基于中间边界与各待处理边界中除中间边界以外的其它待处理边界之间的相对位置关系,从各待处理边界中选择出目标边界。
在一种可能的实施方式中,处理模块用于基于中间边界与各待处理边界中除中间边界以外的其它待处理边界之间的相对位置关系,从各待处理边界中选择出目标边界时,具体用于:
针对各待处理边界中除中间边界以外的其它待处理边界,分别执行如下操作:
获取中间边界与一条其它待处理边界相邻的两个边界端点之间,沿中间边界延伸方向的端点距离;
若端点距离小于距离阈值,中间边界的延长线与两个相邻的边界端点所在直线的夹角的大小满足角度范围,且一条其它待处理边界的长度小于长度阈值,则将中间边界作为目标边界;
若端点距离不小于距离阈值,中间边界的延长线与两个相邻的边界端点所在直线的夹角的大小不满足角度范围,或者,一条其它待处理边界的长度不小于长度阈值,则将中间边界与一条其它待处理边界均作为目标边界。
在一种可能的实施方式中,获取模块用于获取待处理车道线数据时,具体用于:
获取道路图像,道路图像为沿道路参考线采集的路况的图像;
对道路图像进行识别提取,获得相应的原始车道线数据,其中,原始车道线数据包括:至少一个路口及各自对应的位置信息;
基于至少一个路口以及至少一个路口各自对应的位置信息,对原始车道线数据进行划分处理,获得相应的待处理车道线数据。
在一种可能的实施方式中,获取模块用于对道路图像进行识别提取,获得相应的原始车道线数据时,具体用于:
对道路图像进行识别提取,获得相应的道路数据,道路数据包括:指示道路图像中包含的各车道线、各边界以及各路口各自对应的全部点云数据;
按照预设间隔,对道路数据进行均匀采样处理,获得原始车道线数据。
在一种可能的实施方式中,处理模块用于在一个集合中,选取出相应的目标车道线时,具体用于:
在一个集合中,选取出道路参考线与目标边界之间的车道线,作为目标车道线。
在一种可能的实施方式中,车道线处理装置还包括绘制模块,绘制模块用于在选取出目标边界与相应的目标车道线后:
基于目标边界对应的位置信息,在待绘制地图中获得相应的目标路段;
将目标边界与目标车道线绘制在待绘制地图中目标路段的对应位置处。
第三方面,本申请提供了一种电子设备,其包括处理器和存储器,其中,存储器存储有程序代码,当程序代码被处理器执行时,使得处理器实现上述任一种方法的步骤。
第四方面,本申请还提供了一种计算机可读存储介质,其包括程序代码,当程序代码在电子设备上运行时,程序代码用于使电子设备执行上述任一种方法的步骤。
第五方面,本申请还提供了一种计算机程序产品,包括计算机程序,计算机程序被处理器执行时实现上述任一种方法的步骤。
本申请有益效果如下:
本申请实施例提供了一种过滤车道线噪声的方法、装置和设备及计算机存储介质,通过对待处理车道线数据中的所有边界进行判断,从中选择出是真实边界的可能性较大的目标边界,进而基于该目标边界对待处理车道线数据中的各个车道线进行二次识别,从中选取出满足条件的车道线的识别结果,进而降低噪声车道线对地图绘制精度的影响。相比于直接根据待处理车道线数据中的边界进行对噪声车道线的处理,增加了目标边界的确认过程,提高了边界识别的准确性,并进一步的提高了车道线处理过程中,对目标车道线的识别准确率。
同时,本申请实施例提供的方法中,通过用于指示数据采集线路的道路参考线,将待处理车道线数据划分为两个集合,利用数据采集线路一定在道路路面内这一特性,将存在两条真实边界的待处理车道线数据划分为:分别存在一条真实边界的两个集合,降低了目标边界确认的复杂度,使得设备可以在较为简单的情况下,对真实边界与噪声边界进行识别区分,提高了边界识别的准确性。
进一步的,在分别识别各个集合中各待处理边界的真实性时,需要根据各待处理边界之间的相对位置关系,对各待处理边界进行判断,如此,可以利用各个集合中整体边界情况的信息,分别对各个边界进行判断,并从中选择除目标边界,通过充分利用待处理车道线数据中的所有信息,提高了边界识别的准确性,并进而提高了边界识别的准确性。
本申请的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本申请而了解。本申请的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
图1A为一种存在噪声的车道线识别结果示意图;
图1B为一般情况下去除车道线噪声的方法的示意图;
图1C为一种识别过程中误判边界的情况示意图;
图1D为另一种识别过程中误判边界的情况示意图;
图2为本申请实施例提供的一种可能的应用场景示意图;
图3为本申请实施例提供的目标识别模型的训练流程图;
图4为本申请实施例提供的一种车道线处理方法的流程图;
图5为本申请实施例提供的一种车道线识别结果的标识示意图;
图6为本申请实施例提供的一种获取待处理车道线数据的方法的流程图;
图7为本申请实施例提供的一种原始车道线数据的标识示意图;
图8为本申请实施例提供的一种划分原始车道线数据的方法的逻辑示意图;
图9为本申请实施例提供的一种道路参考线的示意图;
图10为本申请实施例提供的一种基于横切线与道路参考线划分待处理车道线数据的逻辑示意图;
图11为本申请实施例提供的一种确定待处理边界的相对位置关系的方法的流程图;
图12为本申请实施例提供的一种选取目标边界的方法的逻辑示意图;
图13为本申请实施例提供的第一种时机出现的逻辑示意图;
图14为本申请实施例提供的第二种时机出现的逻辑示意图;
图15为本申请实施例提供的另一种选取出目标边界的方法的逻辑示意图;
图16A为本申请实施例提供的一种选取出目标边界的方法的示意图;
图16B为本申请实施例提供的另一种选取出目标边界的方法的示意图;
图16C为本申请实施例提供的一种选取目标边界的结果的示意图;
图17为本申请实施例提供的一种选取目标车道线的方法的逻辑示意图;
图18为本申请实施例提供的一种车道线处理方法的逻辑示意图;
图19为本申请实施例提供的一种车道线处理装置的结构示意图;
图20为本申请实施例中一种电子设备的一个硬件组成结构示意图;
图21为本申请实施例中另一种电子设备的一个硬件组成结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚明白,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清楚、完整地描述,显然,所描述的实施例仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互任意组合。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。
可以理解的是,在本申请的下述具体实施方式中,涉及到原始车道线数据、道路图像、待处理车道线数据等相关的数据,当本申请的各实施例运用到具体产品或技术中时,需要获得相关许可或者同意,且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准。例如,在需要获得相关的数据时,可以通过招募相关志愿者并签署志愿者授权数据的相关协议,进而可以使用这些志愿者的数据进行实施;或者,通过在已授权允许的组织内部范围内进行实施,通过采用组织内部成员的数据实施下述的实施方式来向内部成员进行相关识别;或者,具体实施时所采用的相关数据均为模拟数据,例如可以是虚拟场景中产生的模拟数据。
为便于理解本申请实施例提供的技术方案,这里先对本申请实施例使用的一些关键名词进行解释:
点云数据(point cloud data)是指在一个三维坐标系统中的一组向量的集合。扫描资料以点的形式记录,每一个点包含有三维坐标,并且可以携带有关该点属性的其他信息,例如颜色、反射率、强度等。点云数据通常由激光扫描仪、相机、三维扫描仪等设备获取,可以用于三维建模、场景重建、机器人导航、虚拟现实和增强现实等应用中。
边界:在本申请中,边界指的是车辆在道路行驶过程中,阻止其驶向其他道路的边界,包括花坛、栅栏、边界白线等。
目标路段:在本申请中,目标路段是指夹在两个路口之间的一段道路。
车道线噪声:在本申请中,不属于当前道路路面范围的车道线为车道线噪声。
下面对本申请实施例的设计思想进行简要介绍:
在高精地图的绘制过程中,针对车道线的绘制是其中的重要组成部分,其对于车道偏离预警、车道保持、路径规划等方面起到了至关重要的作用。
在一般的车道线绘制方案中,通常会从道路图像中识别提取出各道路对应的车道线识别结果,并将其处理为点云数据,然后再根据这些点云数据,在高精地图中绘制道路中各路段对应的车道线。
由于图像识别技术并不能完全的区分车道线与障碍物,因此,当识别结果中将障碍物误判为车道线时,得到的点云数据中就会存在相应的车道线噪声。常规的车道线去噪声方案主要是将位于道路边界之外的伪车道线过滤掉,具体的,就是通过检测车道线是否处于边界内,将处于边界外的伪车道线剔除。
但是,在图像识别技术出现误判的情况下,边界同样是可能被错误识别的对象,如此,当边界的识别已然存在错误的情况下,那么根据边界来对车道线进行筛选的方法,同样会产生很多误判。
有鉴于此,本申请实施例提供了一种车道线处理方法、装置和设备及计算机存储介质,通过对待处理车道线数据中的边界进行重新判定,确定其是否为噪声边界,然后从中选择出真正的目标边界,再通过该目标边界的划定,选择出待处理车道线中的目标车道线,如此,即可达到提高车道线识别过程的准确性,降低噪声车道线对地图中车道线绘制的干扰的效果。
具体的,在确定目标边界的过程中,需要基于能够指示数据采集路线的道路参考线,将待处理车道线划分为两个集合,其中,每个集合都包括至少一条待处理边界,然后再针对两个集合分别执行以下操作:当确定集合中的边界数量大于设定阈值时,基于各个边界之间的相对位置关系,选取出满足预设位置条件的目标边界,并根据该目标边界以及道路参考线,从集合中选取出相应的目标车道线。
而当集合中的边界数量大于设定阈值时,存在两种可能的情况:第一种、路段的横切线上存在着如图1D所示两条边界,第二种则是路段的横切线上只有一条边界,但是路段存在着如图1C所示的跳变问题。
因此,针对这两种不同的情况,本申请同样提供了对应的目标边界判定方式。而判定目标边界首先需要确定集合中存在上述哪种问题,所以,本申请提出,在分别在两个集合中进行如下操作:
基于目标路段的延伸方向,按照预设间隔,在待处理车道线数据中,设置至少一条横切线,然后获取这些横切线各自与各个待处理边界的交点。
若确定存在一条横切线与各个待处理边界的交点的数量超过交点阈值,则确定是上述第一种情况,那么就需要从与各交点关联的待处理边界中,选取出长度大于其他待处理边界的长度的待处理边界,作为目标边界。
若确定每条横切线与各待处理边界的交点的数量均不超过交点阈值,而该集合本身包括的边界的数量又超过了设定阈值,那么就需要判定该集合中是否存在上述边界跳变的问题,然后若确定存在该问题,则可以从集合中的各待处理边界中选择出长度超过长度阈值的边界作为目标边界。
如此,在通过上述方式分别确定了目标边界后,即可选择道路参考线与目标边界中的车道线作为目标车道线。
在本申请实施例中,完成车道线滤噪的主体为目标识别模型,在获取目标识别模型以及调整模型参数的部分,涉及人工智能(Artificial Intelligence,AI)、计算机视觉技术(Computer Vision, CV)、以及机器学习(Machine Learning,ML)技术,是基于人工智能中的图像识别技术和机器学习而设计。
人工智能是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说,人工智能是计算机科学的一个综合技术,它企图了解智能的实质,并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法,使机器具有感知、推理与决策的功能。
人工智能技术是一门综合学科,涉及领域广泛,既有硬件层面的技术也有软件层面的技术。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、预训练模型技术、操作/交互系统、机电一体化等。其中,预训练模型又称大模型、基础模型,经过微调后可以广泛应用于人工智能各大方向下游任务。人工智能软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
计算机视觉是一门研究如何使机器“看”的科学,更进一步的说,就是指用摄影机和电脑代替人眼对目标进行识别和测量等机器视觉,并进一步做图形处理,使电脑处理成为更适合人眼观察或传送给仪器检测的图像。作为一个科学学科,计算机视觉研究相关的理论和技术,试图建立能够从图像或者多维数据中获取信息的人工智能系统。大模型技术为计算机视觉技术发展带来重要变革,swin-transformer,ViT,V-MOE,MAE等视觉领域的预训练模型经过微调(fine tune)可以快速、广泛适用于下游具体任务。计算机视觉技术通常包括图像处理、图像识别、图像语义理解、图像检索、OCR、视频处理、视频语义理解、视频内容/行为识别、三维物体重建、3D技术、虚拟现实、增强现实、同步定位与地图构建等技术,还包括常见的人脸识别、指纹识别等生物特征识别技术。
机器学习是一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为,以获取新的知识或技能,重新组织已有的知识结构使之不断改善自身的性能。机器学习是人工智能的核心,是使计算机具有智能的根本途径,其应用遍及人工智能的各个领域。机器学习和深度学习通常包括人工神经网络、置信网络、强化学习、迁移学习、归纳学习、式教学习等技术。预训练模型是深度学习的最新发展成果,融合了以上技术。
下面对本申请实施例的技术方案能够适用的应用场景做一些简单介绍,需要说明的是,以下介绍的应用场景仅用于说明本申请实施例而非限定。在具体实施过程中,可以根据实际需要灵活地应用本申请实施例提供的技术方案。
参见图2,为本申请实施例提供的一种可能的应用场景示意图,在该场景中,可以包括终端设备201以及服务器202。
终端设备201可以是手机、平板电脑(PAD)、个人计算机(Personal computer,PC)、可穿戴设备、车载终端等设备,也可以是照相机、摄像机等设备。服务器202可以是独立的物理服务器,也可以是多个物理服务器构成的服务器集群或者分布式系统,还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(Content Delivery Network,CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。
服务器202可以包括一个或多个处理器2021、存储器2022以及与终端交互的I/O接口2023等。此外,服务器202还可以配置数据库2024,数据库2024可以用于道路图像、车道线数据、目标边界、目标车道线等信息,也可以用于存储进行车道线处理的目标识别模型及其对应的模型参数等信息。其中,服务器202的存储器2022中还可以存储本申请实施例提供的车道线处理方法的程序指令,这些程序指令被处理器2021执行时能够用以实现本申请实施例提供的车道线处理方法的步骤,以过滤车道线数据中存在的噪声。
终端设备201和服务器202之间可以通过一个或者多个通信网络203进行直接或间接的通信连接。该通信网络203可以是有线网络,也可以是无线网络,例如无线网络可以是移动蜂窝网络,或者可以是无线保真(Wireless-Fidelity,WIFI)网络,当然还可以是其他可能的网络,本申请实施例对此不做限制。
需要说明的是,本申请实施例中的车道线处理方法可以由计算机设备执行,该计算机设备可以是终端设备201或者是服务器202,即,该方法可以由终端设备201或者服务器202单独执行,或者由终端设备201和服务器202共同执行。
例如,由终端设备201单独执行本申请提供的车道线处理方法时,终端设备中可以配置有本申请实施例提供的目标识别模型,这样,终端设备201可以通过该目标识别模型来对待处理车道线数据进行识别处理,得到相应的目标边界与目标车道线。
又例如,由终端设备201和服务器202共同执行本申请提供的车道线处理方法时,可以由终端设备201收集并整理道路图像,然后将这些道路图像传输至与终端设备201通信连接的服务器202中。如此,通过服务器202先对道路图像进行识别,并转换成对应的待处理车道线数据,然后再对这些待处理车道线数据进行相应的识别处理,进而得到相应的目标边界与目标车道线,并利用这些目标边界与目标车道线,在高精地图中绘制对应的车道线,并为终端设备201提供对应的绘制了车道线的高精地图。
需要说明的是,图2所示只是举例说明,实际上终端设备和服务器的数量和通信方式均不受限制,在本申请实施例中不做具体限定。
下面结合上述描述的应用场景,参考附图来描述本申请示例性实施方式提供的车道线处理方法,需要注意的是,上述应用场景仅是为了便于理解本申请的精神和原理而示出,本申请的实施方式在此方面不受任何限制。
在介绍本申请实施例提供的车道线处理方法时,首先需要对用于执行该车道线处理方法的目标识别模型的训练过程进行介绍。
参见图3,为本申请实施例提供的目标识别模型的训练流程图,其包括如下步骤:
步骤301:获取待处理样本,每个待处理样本中均包括不同的样本车道线、样本边界以及每个样本车道线与样本边界对应的真实标签。
例如,在一个待处理样本中,各个样本车道线可以通过人工标注的方式,利用对应的道路图像,对各个数据进行标签标注,将其分类为真实车道线、真实边界以及噪声车道线、噪声边界。
步骤302:通过本轮迭代的待训练识别模型,对本轮迭代的待处理样本进行车道线识别,获得各个待处理样本的样本识别结果。
本申请实施例中,在每一轮迭代训练时,可以将全部的待处理样本作为本轮的输入,也可以抽取部分的待处理样本作为本轮的输入。其中,车道线识别的过程将在后续进行具体的介绍,因而在此不进行过多的赘述。
步骤303:基于每个待处理样本的样本识别结果以及相应的真实标签,确定本轮迭代的待训练识别模型的模型损失值。
在一种可能的实施方式中,模型损失值可以采用任意可能的损失函数来计算,例如交叉熵损失函数(Cross Entropy Loss Function)、均方差(Mean Squared Error、MSE)损失函数、平方绝对误差损失函数、最大似然损失(Likelihood Loss,LHL)函数等,当然,也可以为其他可能的损失函数,本申请实施例对此不做限制。
步骤304:判断本轮迭代的待训练识别模型是否达到收敛条件。
本申请实施例中,收敛条件可以包括如下条件的一个或者多个:
(1)迭代次数达到设定的次数阈值。
(2)模型损失值小于设定的损失阈值。
步骤305:若步骤304的确定过程为否,则基于模型损失值进行模型参数调整。
本申请实施例中,当迭代次数未超过预先设定的次数阈值,且模型损失值不小于设定的损失阈值时,则步骤304的确定过程为否,即认为当前待训练识别模型未满足收敛条件,那么需要调整模型参数继续进行训练。进行参数调整之后,则进入下一次迭代训练过程,即跳转至步骤302。
在一种可能的实施方式中,在模型仍不满足收敛条件时,可以通过梯度下降法更新得到模型权重参数,并以更新后的模型权重参数继续进行训练。
而当迭代次数已经超过预先设定的次数阈值,或者模型损失值小于设定的损失阈值时,则步骤304的确定过程为是,即认为当前待训练识别模型已满足收敛条件,模型训练结束,获得目标识别模型。为了验证训练好的目标识别模型的效果,本申请实施例对目标识别模型使用待处理样本进行测试,如果测评指标达到预设测评效果,则可以将该目标识别模型用于实际的车道线识别过程。如果没有通过模型评估,则需要继续进行训练和测试,直至待训练识别模型达到预设测评效果为止。
在模型训练完成后,则可以使用目标识别模型参与实际的车道线处理过程。下面结合附图,对基于获得的目标识别模型进行应用的过程进行说明:
参见图4,为本申请实施例提供的一种车道线处理方法的流程图。为便于说明,后续均以服务器作为该方法的执行主体为例,对本申请实施例进行介绍。如图4所示,该方法具体执行步骤如下:
步骤S401:获取待处理车道线数据,该待处理车道线数据中包括:至少一条车道线,已标识的至少两条待处理边界及各自对应的位置信息。
待处理车道线数据中包含了各个车道线以及各个待处理边界以及其各自对应的位置信息。如上所述,待处理车道线数据实际上是点云数据,而点云数据则是多个GPS点的集合,因此,实际上待处理车道线数据中,各个车道线、边界都是多个GPS点的集合,而在本申请提出的车道线处理过程中,如图5所示,会将这些GPS点以图像中的线的形式表现,如此,这些以线的形式表示的车道线、边界在展示了车道线、边界这些对象以外,同时还携带者其各自对应的位置信息。
而服务器实现这些待处理车道线数据的获取,则可以通过以下方式:
参见图6,为本申请实施例提供的一种获取待处理车道线数据的方法的流程图,如图6所示,该方法具体实施步骤如下:
步骤601:获取道路图像,该道路图像为沿道路参考线采集的路况的图像。
服务器在高精地图中绘制对应的车道线时,由于这一过程属于将现实世界的情况等比例复制在数字世界中,因此,其必须获取能够表现现实世界的路况的道路图像。
而在本申请所提供的方法中,道路图像的获取可以是通过与服务器通信连接的固定终端设备拍摄获取,也可以是通过移动终端设备,移动采集对应的道路图像,进而发送到服务器获取。例如,可以通过采集车辆行驶在各个道路中,并随之拍摄行驶过程中的道路的图像,并将这些图像作为上述道路图像,发送至与采集车辆中的终端设备通信连接的服务器中,另外,采集车辆还可以将其行驶过程中的位置信息进行保存,从而得到对应的道路参考线,以此来指示数据采集线路。
步骤S602:对道路图像进行识别提取,获得相应的原始车道线数据,其中,原始车道线数据包括:至少一个路口及各自对应的位置信息。
服务器在获得上述道路图像后,即可对这些道路图像进行相应的识别提取,从这些包含了路况信息的图像中,获得相应的原始车道线数据,其中,这些原始车道线数据中包括了至少一个路口及各自对应的位置信息。
由于一张道路图像中仅能展示道路中的部分路况信息,因此,在该针对道路图像的识别提取过程中,服务器从每张道路图像中可以获取一部分道路的点云数据,而服务器可以将这些分别获取的点云数据进行组合,得到如图7所示的包含至少一个路口及各自对应的位置信息的原始车道线数据。
需要说明的是,为了便于理解,在图7中以线段的方式表现了将点云数据组合后的车道线数据,而图7中仅包含一个路口只是为了示例性的展示一种可能的原始车道线数据,实际上,原始车道线数据中可能包含了更多的路口、道路以及车道线,本申请对此不做限制。
可选的,在“对道路图像进行识别提取,获得相应的原始车道线数据”这一过程中,服务器可以通过采用以方式完成:
首先,需要对道路图像进行识别提取,以此获得相应的道路数据,而该道路数据包括了道路图像中包含的各车道线、各边界以及各路口各自对应的全部点云数据。
其次,在获取到道路数据后,服务器即可采用均匀采样的方式,按照预设间隔,对道路数据进行采样,获得相应的原始车道线数据。
示例性的,对于一张道路图像而言,服务器对其进行识别处理后,可以对应的获取道路图像中可能包含的各车道线、各边界以及各路口对应的全部点云数据,而这些全部的点云数据对于后续的车道线处理过程并非必须,反之,其很有可能会造成计算量过大的问题,因此,在获取到全部的点云数据后,服务器可以按照预设间隔,从这些点云数据中进行均匀采样,从各个间隔处获取对应的点云数据,如,每隔一米从道路数据中获取对应的车道线、边界、路口的点云数据。
步骤S603:基于至少一个路口以及至少一个路口各自对应的位置信息,对原始车道线数据进行划分处理,获得相应的待处理车道线数据。
在得到上述原始车道线数据后,为了便于后续车道线处理过程,服务器需要基于至少一个路口以及至少一个路口各自对应的位置信息,将原始车道线数据进行划分。
如图8所示,在对原始车道线数据划分后,服务器将各个不包含路口的路段对应的车道线数据作为相应的待处理车道线数据,如此,确保了各待处理车道线数据中仅包含了一条路段的车道线数据,进而确保了每个待处理车道线数据中应该只包含两条准确的边界。
在完成了待处理车道线数据的获取后,服务器即可从该待处理车道线数据中,提取出各个车道线与各个边界的位置信息,并继续执行如下操作:
步骤S402:基于获得的至少两个位置信息,获得相应的目标路段,并获取针对目标路段预设的用于指示数据采集线路的道路参考线。
服务器从待处理车道线数据获取到位置信息后,即可根据这些位置信息,从自身存储的或者通过网络获取的道路网络位置信息中,确定待处理车道线数据所对应的目标路段,并进而获得如图9所示的针对该目标路段预设的用于指示数据采集线路的道路参考线。
需要说明的是,“针对该目标路段预设的道路参考线”既可以是先由上述提到的采集设备在道路中行驶并采集图像的过程中,保存的位置信息转换得到的道路参考线,也可以是服务器首先规划的道路参考线,进而由采集设备依据该道路参考线在道路中依线路行驶。
步骤S403:基于道路参考线,将待处理车道线数据划分为两个集合,其中,两个集合均包括:至少一条待处理边界。
服务器在获取道路参考线后,即可将待处理车道线数据划分为各包括了至少一条待处理边界的两个集合。由上述可知,道路参考线是采集车辆行驶在道路上的采集路线,而采集车辆一定行驶在当前路段内,因此,通过道路参考线对待处理车道线数据进行划分后,得到的两个集合中的每个集合都会包括一条真实的边界。
可选的,在进行集合的划分时,服务器可以基于上述均匀采样的方式执行如下的划分操作:
如图10所示,服务器可以按照预设间隔,在待处理车道线数据上分别设置横切线,这些横切线与道路参考线的交点,可以作为每个横切线对应的横切面的中心,然后再以各个横切面的中心,作为划分待处理车道线数据的标准,将其划分为两个集合,而这两个集合中的每个集合都会包含至少一条待处理边界,并且,这至少一条待处理边界中一定会包含一条目标边界。
因此,针对获得的这两个集合,服务器需要分别执行如下操作:
步骤S404:当一个集合包含的待处理边界的数量大于设定阈值时,基于各待处理边界之间的相对位置关系,选取出位置满足预设位置条件的目标边界,并基于道路参考线以及目标边界,在一个集合中,选取出相应的目标车道线。
在获取到两个集合后,服务器就需要判断这两个集合中,存在的待处理边界的数量是否大于设定阈值,而判断集合中是否存在的待处理边界的数量是否大于设定阈值,还可以通过以下具体条件执行,即,判断待处理边界的边界端点的数量是否大于目标阈值,其中,目标阈值为设定预设的2倍。
当确定一个集合中仅有一个待处理边界或仅存在两个边界的端点时,服务器即可确定该待处理边界即为目标边界。
而当确定一个集合包含的待处理边界的数量大于设定阈值时,服务器就此确定该集合中存在需要过滤的噪声边界。此时,服务器可以通过集合中的至少一条待处理边界之间的相对位置关系,选取出位置满足预设位置条件的目标边界。
其中,待处理边界之间的相对位置关系存在着以下两种可能:一是如图1D所示的,在水平方向上存在着至少两条边界,另外则是如图1C所示的,在垂直方向上存在至少两条边界。以下,将分别针对这两种可能,介绍选取目标边界的方法。
在对上述两种可能进行介绍时,首先,需要介绍服务器如何区分上述两种情况。
参见图11,为本申请实施例提供的一种确定待处理边界的相对位置关系的方法的流程图,如图11所示,该方法具体实施步骤如下:
步骤S1101:基于目标路段的延伸方向,按照预设间隔,在待处理车道线数据中,设置至少一条横切线。
步骤S1102:获取至少一条横切线各自与各待处理边界的交点。
如上所述,在获取待处理车道线数据之前,服务器可以基于均匀采样的方式获取原始车道线数据,然后再将该原始车道线数据划分后获取待处理车道线数据,因此,这样获取的待处理车道线数据,按照预设间隔设置横切线时,只要存在待处理边界,每个横切线均会与其存在交点,服务器就可以获取到这些横切线与待处理边界的交点。
步骤S1103:针对至少一条横切线,分别判断其与各待处理边界的交点的数量是否超过交点阈值。
若确定交点的数量超过交点阈值,则确定该处存在上述第一种可能对应的问题,若确定任一条横切线对应的交点的数量都不超过交点阈值,则确定该集合中存在上述第二种可能对应的问题。其中,对于交点阈值而言,针对不同的实际线路可以划分不同的值,一般而言,当超过交点数量超过1时,就可以确定此处存在多余的噪声边界。
以上是针对各种情况进行的判断过程,而一旦服务器确定各处存在的问题时,就可以分别采用不同的方式对其进行如下处理。
如图12所示,当确定一条横切线与各待处理边界的交点的数量超过交点阈值,则从与各交点关联的待处理边界(即边界1、边界2、边界3)中,选取出长度大于其他待处理边界的长度的待处理边界,作为所述目标边界(如边界1)。一般而言,在图像识别过程中,边界长度越长,识别的准确率越高,因此,在这多个待处理边界中,长度最长的待处理边界相较于其他待处理边界为真实边界的可能性更高,所以可以选择长度为边界1、边界2、边界3中最长的待处理边界作为目标边界。
而当确定每条横切线与各待处理边界的交点的数量均不超过交点阈值时,服务器则可以从各待处理边界中选取长度满足预设长度条件的待处理边界作为中间边界,并基于中间边界与各待处理边界中除中间边界以外的其它待处理边界之间的相对位置关系,从各待处理边界中选择出目标边界。
对于这种问题的出现,首先需要说明其可能出现的两种时机。如图13所示,第一种时机是,整个集合中都不存在上述第一种可能的问题,但是集合中存在的待处理边界的数量又大于了设定阈值,因此,该集合中可能存在上述第二种可能的问题。如图14所示,第二种时机则是,服务器首先从集合中确定了第一种可能的问题的存在,而当所有第一种问题对应的目标边界均以被选择出后,集合中存在的边界的数量仍然大于的设定阈值,此时,该集合中同样会存在第二种可能的问题。
在这两种时机出现时,服务器都可以采用上述方式从各个待处理边界中选择出对应的目标边界。
可选的,上述基于中间边界与各待处理边界中除中间边界以外的其它待处理边界之间的相对位置关系,从各待处理边界中选择出目标边界,这一步骤的实施,具体可以采用以下方式完成。
服务器可以针对各待处理边界中除中间边界以外的其它待处理边界,分别执行如下操作:
如图15所示,其中仅以中间边界与一条其它待处理边界为例对上述方法进行说明:
服务器在执行上述方法时,首先需要获取中间边界与一条其它待处理边界相邻的两个边界端点之间,沿中间边界延伸方向的端点距离,并将该端点距离记为h。
然后,将中间边界的延长线记为link1,将两个相邻的边界端点所在直线记为link2,以中间边界的边界端点为夹角顶点,link1与link2作为夹角边,得到对应的夹角α。
接着,服务器基于上述内容,对一条其它待处理边界进行判断:
若端点距离小于距离阈值,夹角α的大小满足角度范围,且一条其它待处理边界的长度小于长度阈值,则将中间边界作为目标边界,并将该中间边界进行延长,使得延长后的中间边界替代上述一条其它待处理边界所在的路段的范围。
例如,当端点距离h小于3米时,再判断夹角α的是否满足10°< α<95°这一范围,当确定α满足这一范围时,就进一步确定一条其它待处理边界的长度是否小于整个目标路段长度的1/3,如果再次确定其长度小于整个目标路段长度的1/3时,则确定该一条其它待处理边界为噪声边界,将中间边界确定为目标边界。
而若端点距离不小于距离阈值,夹角α的大小不满足角度范围,或者一条其它待处理边界的长度不小于长度阈值,则将中间边界与一条其它待处理边界均作为所述目标边界。
示例性的,以下分别通过一个集合中存在两个待处理边界以及一个集合中存在三个及以上的待处理边界这两种可能的场景,对上述方式进行说明。
如图16A所示,当一个集合中只存在两个待处理边界时,服务器将其中较长的一条待处理边界作为中间边界,然后将该中间边界与另一条待处理边界直接进行上述比较判断,进而从中选择出目标边界,并将该目边界。
如图16B所示,当一个集合中存在三个及以上的待处理边界时,服务器则依据边界越长,准确率越高的原则,从中选择出最长的一条待处理边界作为中间边界,然后依照与中间边界的距离的远近,依次对其它待处理边界进行上述判断,最终得到如图16C所示的目标边界。
以上介绍了目标边界的获取,而目标车道线的获取,则依靠上述道路参考线与目标边界的相对位置关系。具体的,如图17所示,服务器在完成了目标边界的获取后,可以从一个集合中包含的待处理车道线数据中选取出道路参考线与目标边界之间的车道线,作为目标车道线。
可选的,在完成了上述对目标边界与目标车道线的选取后,服务器还可以继续执行如下操作,来完成上述的高精地图的绘制。
首先,服务器可以基于选取出的目标边界的位置信息,在待绘制地图中获得相应的目标路段。其中,待绘制地图中存在着各个道路路段的大致位置以及道路走向等内容,而这些内容可以是服务器基于从网络资源中获取的道路路线,进行先期绘制得到的,也可以是服务器直接获取到的用于指示道路的普通地图,本申请对此不做限制。
其次,在确定目标路段后,服务器即可将目标边界与目标车道线绘制在待绘制地图中目标路段的对应位置处。
服务器在通过上述方式从待处理车道线数据中选取出目标边界与目标车道线后,即可基于这些点云数据中的位置信息,在待绘制地图中的对应位置处,绘制相应的车道线与边界。
如此,在服务器分别将各个待处理车道线数据中的目标边界与目标车道线绘制在待绘制地图后,即可得到具有清晰边界与车道线的高精地图。
以上分别介绍了本申请实施例提供的车道线处理方法以及各种可能的实施方式,为了便于理解,以下将基于本申请的具体应用场景,并结合上述多种方案的组合,对本申请提供的方法进行整体介绍。
首先应明确,本申请实施例提供的上述车道线处理方法可以应用于高精度地图的绘制工作,因此,以下将以高精度地图的绘制这一过程对本申请实施例提供的方法进行介绍。
在绘制高精度地图这一过程中,服务器首先需要获取的就是待绘制地图,该待绘制地图中包括了需要绘制车道线与边界的各个路段的道路走向与位置,如此,后续需要服务器进行的操作就是从这些路段各自对应的道路图像中获取相应的目标边界与目标车道线,然后再绘制在待绘制地图中各个路段的对应位置处。
具体的,从道路图像中获取最后的目标边界与目标车道线的过程则可以通过如图18所示的车道线处理方法实现。如图18所示,服务器首先会从道路图像中识别提取出原始车道线数据,然后再将原始车道线数据划分为多个待处理车道线数据。接着,服务器会分别对各个待处理车道线数据执行如下操作:确定待处理车道线数据对应的目标路段以及相应的道路参考线,再基于该道路参考线将待处理车道线数据划分为两个集合,接着,分别从两个集合中选取出目标边界以及目标车道线。
其中,分别从两个集合中选取出目标边界与目标车道线的过程可以分为以下两个阶段,即:第一阶段,从待处理车道线数据中选取出目标边界,第二阶段,基于目标边界与道路参考线,选取相应的目标车道线。
在第一阶段,服务器需要对待处理车道线中的各个待处理边界进行判断,确定其中是否存在多余的边界,当存在超出设定阈值数量的待处理边界后,服务器即需要从这些待处理边界中选取目标边界。该选取目标边界的过程同样需要确定,集合中的待处理边界之间的相对位置关系,从而确定使用什么样的方式选择目标边界。例如,当集合中的待处理边界存在重复出现在目标路段的同一个横切线上时,就需要从这些重复出现的待处理边界中选择出长度较长的边界作为目标边界,又例如,当集合中出现边界跳变情况时,就需要根据跳变的两条边界之间的相对位置关系,确认是否真的出现了跳变情况,还是只是出现了边界识别误判的问题,当确认是边界识别误判时,同样从中选择长度较长的一条边界作为目标边界。
基于上述方式选取出集合中的目标边界后,服务器就进入第二阶段,即从待处理车道线数据中选取出目标车道线。而该过程则可以通过目标边界与道路参考线进行,服务器从所有的车道线中,选取出道路参考线与目标边界之间的车道线作为目标车道线即可。
如此,服务器完成了目标车道线与目标边界的识别确认,接下来就可以利用这些目标车道线与目标边界各自对应的位置信息,将其绘制在待绘制地图中的对应位置处,从而获得能够完整表现路段道路情况的高精度地图。
基于同一发明构思,本申请实施例还提供了一种车道线处理装置,参见图19,为本申请实施例提供的一种车道线处理装置的结构示意图,该装置可以是上述终端设备或服务器或者是其中的芯片或集成电路等,该装置包括用于执行上述方法实施例中由终端设备或服务器执行的方法的模块/单元/技术手段。
示例性的,该装置1900包括:
获取模块1901,用于获取待处理车道线数据,其中,所述待处理车道线数据中包括:至少一条车道线,已标识的至少两条待处理边界及各自对应的位置信息;基于获得的至少两个位置信息,获得相应的目标路段,并获取针对所述目标路段预设的用于指示数据采集线路的道路参考线;
划分模块1902,用于基于所述道路参考线,将所述待处理车道线数据划分为两个集合,其中,所述两个集合均包括:至少一条待处理边界;
处理模块1903,用于针对所述两个集合,分别执行如下操作:当一个集合包含的待处理边界的数量大于设定阈值时,基于各待处理边界之间的相对位置关系,选取出位置满足预设位置条件的目标边界,并基于所述道路参考线以及所述目标边界,在所述一个集合中,选取出相应的目标车道线。
在一种可能的实施方式中,处理模块1903用于基于各待处理边界之间的相对位置关系,选取出位置满足预设位置条件的目标边界时,具体用于:
基于目标路段的延伸方向,按照预设间隔,在待处理车道线数据中,设置至少一条横切线;
获取至少一条横切线各自与各待处理边界的交点;
针对至少一条横切线,分别执行以下操作:若一条横切线与各待处理边界的交点的数量超过交点阈值,则从与各交点关联的待处理边界中,选取出长度大于其他待处理边界的长度的待处理边界,作为目标边界。
在一种可能的实施方式中,处理模块1903用于基于各待处理边界之间的相对位置关系,选取出位置满足预设位置条件的目标边界时,具体用于:
基于目标路段的延伸方向,按照预设间隔,在待处理车道线数据中,设置至少一条横切线;
获取至少一条横切线各自与各待处理边界的交点;
若每条横切线与各待处理边界的交点的数量均不超过交点阈值,则从各待处理边界中选取长度满足预设长度条件的待处理边界作为中间边界;
基于中间边界与各待处理边界中除中间边界以外的其它待处理边界之间的相对位置关系,从各待处理边界中选择出目标边界。
在一种可能的实施方式中,处理模块1903用于基于中间边界与各待处理边界中除中间边界以外的其它待处理边界之间的相对位置关系,从各待处理边界中选择出目标边界时,具体用于:
针对各待处理边界中除中间边界以外的其它待处理边界,分别执行如下操作:
获取中间边界与一条其它待处理边界相邻的两个边界端点之间,沿中间边界延伸方向的端点距离;
若端点距离小于距离阈值,中间边界的延长线与两个相邻的边界端点所在直线的夹角的大小满足角度范围,且一条其它待处理边界的长度小于长度阈值,则将中间边界作为目标边界;
若端点距离不小于距离阈值,中间边界的延长线与两个相邻的边界端点所在直线的夹角的大小不满足角度范围,或者,一条其它待处理边界的长度不小于长度阈值,则将中间边界与一条其它待处理边界均作为目标边界。
在一种可能的实施方式中,获取模块1901用于获取待处理车道线数据时,具体用于:
获取道路图像,道路图像为沿道路参考线采集的路况的图像;
对道路图像进行识别提取,获得相应的原始车道线数据,其中,原始车道线数据包括:至少一个路口及各自对应的位置信息;
基于至少一个路口以及至少一个路口各自对应的位置信息,对原始车道线数据进行划分处理,获得相应的待处理车道线数据。
在一种可能的实施方式中,获取模块1901用于对道路图像进行识别提取,获得相应的原始车道线数据时,具体用于:
对道路图像进行识别提取,获得相应的道路数据,道路数据包括:指示道路图像中包含的各车道线、各边界以及各路口各自对应的全部点云数据;
按照预设间隔,对道路数据进行均匀采样处理,获得原始车道线数据。
在一种可能的实施方式中,处理模块1903用于在一个集合中,选取出相应的目标车道线时,具体用于:
在一个集合中,选取出道路参考线与目标边界之间的车道线,作为目标车道线。
在一种可能的实施方式中,车道线处理装置还包括绘制模块1904,绘制模块用于在选取出目标边界与相应的目标车道线后:
基于目标边界对应的位置信息,在待绘制地图中获得相应的目标路段;
将目标边界与目标车道线绘制在待绘制地图中目标路段的对应位置处。
基于同一发明构思,本申请实施例还提供一种电子设备。在一种可能的实施方式中,该电子设备可以是服务器,如图2所示的服务器202。在该实施例中,电子设备2000的结构如图20所示,可以至少包括存储器2001、通讯模块2003,以及至少一个处理器2002。
存储器2001,用于存储处理器2002执行的计算机程序。存储器2001可主要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,以及运行即时通讯功能所需的程序等;存储数据区可存储各种即时通讯信息和操作指令集等。
存储器2001可以是易失性存储器(volatile memory),例如随机存取存储器(random-access memory,RAM);存储器2001也可以是非易失性存储器(non-volatilememory),例如只读存储器,快闪存储器(flash memory),硬盘(hard disk drive,HDD)或固态硬盘(solid-state drive,SSD);或者存储器2001是能够用于携带或存储具有指令或数据结构形式的期望的计算机程序并能够由计算机存取的任何其他介质,但不限于此。存储器2001可以是上述存储器的组合。
处理器2002,可以包括一个或多个中央处理单元(central processing unit,CPU)或者为数字处理单元等等。处理器2002,用于调用存储器2001中存储的计算机程序时实现上述异常识别的方法。
通讯模块2003用于与终端设备和其他服务器进行通信。
本申请实施例中不限定上述存储器2001、通讯模块2003和处理器2002之间的具体连接介质。本申请实施例在图20中以存储器2001和处理器2002之间通过总线2004连接,总线2004在图20中以粗线描述,其它部件之间的连接方式,仅是进行示意性说明,并不引以为限。总线2004可以分为地址总线、数据总线、控制总线等。为便于描述,图20中仅用一条粗线描述,但并不描述仅有一根总线或一种类型的总线。
存储器2001中存储有计算机存储介质,计算机存储介质中存储有计算机可执行指令,计算机可执行指令用于实现本申请实施例的异常识别方法。处理器2002用于执行上述的车道线处理方法。
在另一种实施例中,电子设备也可以是其他电子设备,如图2所示的终端设备201。在该实施例中,电子设备的结构可以如图21所示,包括:通信组件2110、存储器2120、显示单元2130、摄像头2140、传感器2150、音频电路2160、蓝牙模块2170、处理器2180等部件。
通信组件2110用于与服务器进行通信。在一些实施例中,可以包括电路无线保真(Wireless Fidelity,WiFi)模块,WiFi模块属于短距离无线传输技术,电子设备通过WiFi模块可以帮助对象收发信息。
存储器2120可用于存储软件程序及数据。处理器2180通过运行存储在存储器2120的软件程序或数据,从而执行终端设备201的各种功能以及数据处理。存储器2120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,例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。存储器2120存储有使得终端设备201能运行的操作系统。本申请中存储器2120可以存储操作系统及各种应用程序,还可以存储执行本申请实施例车道线处理方法的计算机程序。
显示单元2130还可用于显示由对象输入的信息或提供给对象的信息以及终端设备201的各种菜单的图形用户界面(graphical user interface,GUI)。具体地,显示单元2130可以包括设置在终端设备201正面的显示屏2132。其中,显示屏2132可以采用液晶显示器、发光二极管等形式来配置。显示单元2130可以用于显示本申请实施例中的缺陷检测界面、模型训练界面等。
显示单元2130还可用于接收输入的数字或字符信息,产生与终端设备201的对象设置以及功能控制有关的信号输入,具体地,显示单元2130可以包括设置在终端设备201正面的触控屏2131,可收集对象在其上或附近的触摸操作,例如点击按钮,拖动滚动框等。
其中,触控屏2131可以覆盖在显示屏2132之上,也可以将触控屏2131与显示屏2132集成而实现物理终端设备201的输入和输出功能,集成后可以简称触摸显示屏。本申请中显示单元2130可以显示应用程序以及对应的操作步骤。
摄像头2140可用于捕获静态图像,对象可以将摄像头2140拍摄的图像通过应用发布。摄像头2140可以是一个,也可以是多个。物体通过镜头生成光学图像投射到感光元件。感光元件可以是电荷耦合器件(charge coupled device,CCD)或互补金属氧化物半导体(complementary metal-oxide-semiconductor,CMOS)光电晶体管。感光元件把光信号转换成电信号,之后将电信号传递给处理器2180转换成数字图像信号。
物理终端设备还可以包括至少一种传感器2150,比如加速度传感器2151、距离传感器2152、指纹传感器2153、温度传感器2154。终端设备还可配置有陀螺仪、气压计、湿度计、温度计、红外线传感器、光传感器、运动传感器等其他传感器。
音频电路2160、扬声器2161、传声器2162可提供对象与终端设备201之间的音频接口。音频电路2160可将接收到的音频数据转换后的电信号,传输到扬声器2161,由扬声器2161转换为声音信号输出。物理终端设备201还可配置音量按钮,用于调节声音信号的音量。另一方面,传声器2162将收集的声音信号转换为电信号,由音频电路2160接收后转换为音频数据,再将音频数据输出至通信组件2110以发送给比如另一物理终端设备201,或者将音频数据输出至存储器2120以便进一步处理。
蓝牙模块2170用于通过蓝牙协议来与其他具有蓝牙模块的蓝牙设备进行信息交互。例如,物理终端设备可以通过蓝牙模块2170与同样具备蓝牙模块的可穿戴电子设备(例如智能手表)建立蓝牙连接,从而进行数据交互。
处理器2180是物理终端设备的控制中心,利用各种接口和线路连接整个终端的各个部分,通过运行或执行存储在存储器2120内的软件程序,以及调用存储在存储器2120内的数据,执行终端设备的各种功能和处理数据。在一些实施例中,处理器2180可包括一个或多个处理单元;处理器2180还可以集成应用处理器和基带处理器,其中,应用处理器主要处理操作系统、用户界面和应用程序等,基带处理器主要处理无线通信。可以理解的是,上述基带处理器也可以不集成到处理器2180中。本申请中处理器2180可以运行操作系统、应用程序、用户界面显示及触控响应,以及本申请实施例的车道线处理方法。另外,处理器2180与显示单元2130耦接。
此外需要注意的是,在本申请的具体实施方式中,涉及到与目标识别模型等相关的对象数据,当本申请以上实施例运用到具体产品或技术中时,需要获得对象许可或者同意,且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准。
在一些可能的实施方式中,本申请提供的车道线处理方法的各个方面还可以实现为一种程序产品的形式,其包括计算机程序,当程序产品在电子设备上运行时,计算机程序用于使计电子设备执行本说明书上述描述的根据本申请各种示例性实施方式的车道线处理方法中的步骤。
程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以是但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。可读存储介质的更具体地例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
本申请的实施方式的程序产品可以采用便携式紧凑盘只读存储器(CD-ROM)并包括计算机程序,并可以在电子设备上运行。然而,本申请的程序产品不限于此,在本文件中,可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被命令执行系统、装置或者器件使用或者与其结合使用。
可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了可读计算机程序。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质,该可读介质可以发送、传播或者传输用于由命令执行系统、装置或者器件使用或者与其结合使用的程序。
可读介质上包含的计算机程序可以用任何适当的介质传输,包括但不限于无线、有线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本申请操作的计算机程序,程序设计语言包括面向对象的程序设计语言—诸如Java、C++等,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。计算机程序可以完全地在用户电子设备上执行、部分地在用户电子设备上执行、作为一个独立的软件包执行、部分在用户电子设备上部分在远程电子设备上执行、或者完全在远程电子设备上执行。在涉及远程电子设备的情形中,远程电子设备可以通过任意种类的网络包括局域网(LAN)或广域网(WAN)连接到用户电子设备,或者,可以连接到外部电子设备(例如利用因特网服务提供商来通过因特网连接)。
应当注意,尽管在上文详细描述中提及了装置的若干单元或子单元,但是这种划分仅仅是示例性的并非强制性的。实际上,根据本申请的实施方式,上文描述的两个或更多单元的特征和功能可以在一个单元中具体化。反之,上文描述的一个单元的特征和功能可以进一步划分为由多个单元来具体化。
此外,尽管在附图中以特定顺序描述了本申请方法的操作,但是,这并非要求或者暗示必须按照该特定顺序来执行这些操作,或是必须执行全部所示的操作才能实现期望的结果。附加地或备选地,可以省略某些步骤,将多个步骤合并为一个步骤执行,和/或将一个步骤分解为多个步骤执行。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样,倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内,则本申请也意图包含这些改动和变型在内。
Claims (9)
1.一种车道线处理方法,其特征在于,所述方法包括:
获取待处理车道线数据,其中,所述待处理车道线数据中包括:至少一条车道线,已标识的至少两条待处理边界及各自对应的位置信息;
基于所述至少两条待处理边界各自对应的位置信息,从预设的道路网络位置信息中,获得相应的目标路段,并获取针对所述目标路段预设的用于指示数据采集线路的道路参考线;
基于所述道路参考线,将所述待处理车道线数据划分为两个集合,其中,所述两个集合均包括:至少一条待处理边界;
针对所述两个集合,分别执行如下操作:
当一个集合包含的待处理边界的数量大于设定阈值时,基于所述目标路段的延伸方向,按照预设间隔,在所述待处理车道线数据中,设置至少一条横切线,并获取所述至少一条横切线各自与各待处理边界的交点;
针对所述至少一条横切线,分别执行以下操作:
若一条横切线与所述各待处理边界的交点的数量超过交点阈值,则从与各交点关联的待处理边界中,选取出长度大于其他待处理边界的长度的待处理边界,作为目标边界;或者,若每条横切线与所述各待处理边界的交点的数量均不超过交点阈值,则从所述各待处理边界中选取长度满足预设长度条件的待处理边界作为中间边界,并基于所述中间边界与所述各待处理边界中除所述中间边界以外的其它待处理边界之间的相对位置关系,从所述各待处理边界中选择出目标边界;
基于所述道路参考线以及所述目标边界,在所述一个集合中,选取出相应的目标车道线。
2.如权利要求1所述的方法,其特征在于,所述基于所述中间边界与所述各待处理边界中除所述中间边界以外的其它待处理边界之间的相对位置关系,从所述各待处理边界中选择出目标边界,包括:
针对所述各待处理边界中除所述中间边界以外的其它待处理边界,分别执行如下操作:
获取所述中间边界与一条其它待处理边界相邻的两个边界端点之间,沿所述中间边界延伸方向的端点距离;
若所述端点距离小于距离阈值,所述中间边界的延长线与所述两个边界端点所在直线的夹角的大小满足角度范围,且所述一条其它待处理边界的长度小于长度阈值,则将所述中间边界作为所述目标边界;
若所述端点距离不小于距离阈值,所述中间边界的延长线与所述两个边界端点所在直线的夹角的大小不满足角度范围,或者,所述一条其它待处理边界的长度不小于长度阈值,则将所述中间边界与所述一条其它待处理边界均作为所述目标边界。
3.如权利要求1或2所述的方法,其特征在于,所述获取待处理车道线数据,包括:
获取道路图像,所述道路图像为沿所述道路参考线采集的路况的图像;
对所述道路图像进行识别提取,获得相应的原始车道线数据,其中,所述原始车道线数据包括:至少一个路口及各自对应的位置信息;
基于所述至少一个路口以及所述至少一个路口各自对应的位置信息,对所述原始车道线数据进行划分处理,获得相应的待处理车道线数据。
4.如权利要求3所述的方法,其特征在于,所述对所述道路图像进行识别提取,获得相应的原始车道线数据,包括:
对所述道路图像进行识别提取,获得相应的道路数据,所述道路数据包括:指示所述道路图像中包含的各车道线、各边界以及各路口各自对应的全部点云数据;
按照预设间隔,对所述道路数据进行均匀采样处理,获得所述原始车道线数据。
5.如权利要求1或2所述的方法,其特征在于,所述在所述一个集合中,选取出相应的目标车道线,包括:
在所述一个集合中,选取出所述道路参考线与所述目标边界之间的车道线,作为所述目标车道线。
6.如权利要求1或2所述的方法,其特征在于,在选取出目标边界与相应的目标车道线后,所述方法还包括:
基于所述目标边界对应的位置信息,在待绘制地图中获得相应的目标路段;
将所述目标边界与所述目标车道线绘制在所述待绘制地图中所述目标路段的对应位置处。
7.一种车道线处理装置,其特征在于,所述装置包括:
获取模块,用于获取待处理车道线数据,其中,所述待处理车道线数据中包括:至少一条车道线,已标识的至少两条待处理边界及各自对应的位置信息;基于所述至少两条待处理边界各自对应的位置信息,从预设的道路网络位置信息中,获得相应的目标路段,并获取针对所述目标路段预设的用于指示数据采集线路的道路参考线;
划分模块,用于基于所述道路参考线,将所述待处理车道线数据划分为两个集合,其中,所述两个集合均包括:至少一条待处理边界;
处理模块,用于针对所述两个集合,分别执行如下操作:当一个集合包含的待处理边界的数量大于设定阈值时,基于所述目标路段的延伸方向,按照预设间隔,在所述待处理车道线数据中,设置至少一条横切线,并获取所述至少一条横切线各自与各待处理边界的交点;针对所述至少一条横切线,分别执行以下操作:若一条横切线与所述各待处理边界的交点的数量超过交点阈值,则从与各交点关联的待处理边界中,选取出长度大于其他待处理边界的长度的待处理边界,作为目标边界;或者,若每条横切线与所述各待处理边界的交点的数量均不超过交点阈值,则从所述各待处理边界中选取长度满足预设长度条件的待处理边界作为中间边界,并基于所述中间边界与所述各待处理边界中除所述中间边界以外的其它待处理边界之间的相对位置关系,从所述各待处理边界中选择出目标边界;基于所述道路参考线以及所述目标边界,在所述一个集合中,选取出相应的目标车道线。
8.一种电子设备,其特征在于,其包括处理器和存储器,其中,所述存储器存储有程序代码,当所述程序代码被所述处理器执行时,使得所述处理器执行权利要求1-6中任一项所述方法的步骤。
9.一种计算机可读存储介质,其特征在于,其包括程序代码,当所述程序代码在计算设备上运行时,所述程序代码用于使所述计算设备执行权利要求1-6中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311323564.4A CN117058647B (zh) | 2023-10-13 | 2023-10-13 | 车道线处理方法、装置和设备及计算机存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311323564.4A CN117058647B (zh) | 2023-10-13 | 2023-10-13 | 车道线处理方法、装置和设备及计算机存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117058647A CN117058647A (zh) | 2023-11-14 |
CN117058647B true CN117058647B (zh) | 2024-01-23 |
Family
ID=88657653
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311323564.4A Active CN117058647B (zh) | 2023-10-13 | 2023-10-13 | 车道线处理方法、装置和设备及计算机存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117058647B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117911974A (zh) * | 2024-03-13 | 2024-04-19 | 腾讯科技(深圳)有限公司 | 一种数据处理方法、装置、设备以及存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111114544A (zh) * | 2019-11-25 | 2020-05-08 | 福瑞泰克智能系统有限公司 | 一种补偿车道线确定方法、装置、可移动设备及存储介质 |
WO2020119567A1 (zh) * | 2018-12-12 | 2020-06-18 | 阿里巴巴集团控股有限公司 | 一种数据处理方法、装置、设备和机器可读介质 |
CN114359870A (zh) * | 2021-12-27 | 2022-04-15 | 广州小鹏自动驾驶科技有限公司 | 一种数据处理的方法和装置 |
CN116052104A (zh) * | 2023-01-05 | 2023-05-02 | 智道网联科技(北京)有限公司 | 基于神经网络模型的车道线分组方法、装置及电子设备 |
CN116363008A (zh) * | 2023-03-31 | 2023-06-30 | 高德软件有限公司 | 高精地图数据的去噪方法、装置及电子设备 |
CN116360641A (zh) * | 2023-03-27 | 2023-06-30 | 重庆长安汽车股份有限公司 | 一种车道线显示方法、装置、车辆和存储介质 |
CN116740667A (zh) * | 2023-08-15 | 2023-09-12 | 腾讯科技(深圳)有限公司 | 路口面数据生成方法、装置、电子设备及存储介质 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2010140578A1 (ja) * | 2009-06-02 | 2010-12-09 | 日本電気株式会社 | 画像処理装置、画像処理方法、及び画像処理用プログラム |
JP7077967B2 (ja) * | 2019-01-10 | 2022-05-31 | 株式会社Soken | 走行車線推定装置、走行車線推定方法、及び制御プログラム |
CN114724108B (zh) * | 2022-03-22 | 2024-02-02 | 北京百度网讯科技有限公司 | 车道线处理方法及装置 |
-
2023
- 2023-10-13 CN CN202311323564.4A patent/CN117058647B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020119567A1 (zh) * | 2018-12-12 | 2020-06-18 | 阿里巴巴集团控股有限公司 | 一种数据处理方法、装置、设备和机器可读介质 |
CN111114544A (zh) * | 2019-11-25 | 2020-05-08 | 福瑞泰克智能系统有限公司 | 一种补偿车道线确定方法、装置、可移动设备及存储介质 |
CN114359870A (zh) * | 2021-12-27 | 2022-04-15 | 广州小鹏自动驾驶科技有限公司 | 一种数据处理的方法和装置 |
CN116052104A (zh) * | 2023-01-05 | 2023-05-02 | 智道网联科技(北京)有限公司 | 基于神经网络模型的车道线分组方法、装置及电子设备 |
CN116360641A (zh) * | 2023-03-27 | 2023-06-30 | 重庆长安汽车股份有限公司 | 一种车道线显示方法、装置、车辆和存储介质 |
CN116363008A (zh) * | 2023-03-31 | 2023-06-30 | 高德软件有限公司 | 高精地图数据的去噪方法、装置及电子设备 |
CN116740667A (zh) * | 2023-08-15 | 2023-09-12 | 腾讯科技(深圳)有限公司 | 路口面数据生成方法、装置、电子设备及存储介质 |
Non-Patent Citations (1)
Title |
---|
Study of the Recognition and Tracking Methods for Lane Lines Based on Image Edge Detections;Weijiao Yang;International Symposium on Communication Engineering & Computer Science (CECS 2018);第1-7 * |
Also Published As
Publication number | Publication date |
---|---|
CN117058647A (zh) | 2023-11-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110287276A (zh) | 高精地图更新方法、装置及存储介质 | |
CN108319895B (zh) | 用于识别电子地图中的路口的方法和装置 | |
CN117058647B (zh) | 车道线处理方法、装置和设备及计算机存储介质 | |
CN111275026B (zh) | 一种三维点云联合语义和实例分割的方法 | |
Dai et al. | Fast and accurate cable detection using CNN | |
EP3443482B1 (en) | Classifying entities in digital maps using discrete non-trace positioning data | |
CN114758337B (zh) | 一种语义实例重建方法、装置、设备及介质 | |
CN116484971A (zh) | 车辆的自动驾驶感知自学习方法、装置及电子设备 | |
Farag | A lightweight vehicle detection and tracking technique for advanced driving assistance systems | |
CN115600157B (zh) | 一种数据处理的方法、装置、存储介质及电子设备 | |
WO2024088445A1 (zh) | 一种基于视觉语义矢量的车辆导引方法、系统、设备和介质 | |
CN114283343B (zh) | 基于遥感卫星图像的地图更新方法、训练方法和设备 | |
Masmoudi et al. | Trajectory analysis for parking lot vacancy detection system | |
CN116958959B (zh) | 一种高程信息的处理方法、装置、电子设备和存储介质 | |
Zhou et al. | DSM-assisted unsupervised domain adaptive network for semantic segmentation of remote sensing imagery | |
CN112434753A (zh) | 模型训练方法、目标检测方法、装置、设备及存储介质 | |
CN116109874A (zh) | 一种检测方法、装置、电子设备和存储介质 | |
CN117011692A (zh) | 一种道路识别的方法以及相关装置 | |
CN115758738A (zh) | 交通事故仿真测试方法、数据格式转换方法、系统、设备及计算机可读存储介质 | |
CN115601674A (zh) | 一种输电工程烟雾隐患识别方法、装置及存储介质 | |
CN116206278A (zh) | 道路信息的识别方法、装置、电子设备、车辆及介质 | |
CN114219073A (zh) | 属性信息的确定方法、装置、存储介质及电子装置 | |
CN114743395A (zh) | 一种信号灯检测方法、装置、设备及介质 | |
CN116630632B (zh) | 图像分割模型的量化方法、装置和设备及计算机存储介质 | |
CN117576245B (zh) | 一种图像的风格转换方法、装置、电子设备及存储介质 |
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 |