CN117152707A - 一种车辆偏移距离的计算方法、装置以及处理设备 - Google Patents
一种车辆偏移距离的计算方法、装置以及处理设备 Download PDFInfo
- Publication number
- CN117152707A CN117152707A CN202311425048.2A CN202311425048A CN117152707A CN 117152707 A CN117152707 A CN 117152707A CN 202311425048 A CN202311425048 A CN 202311425048A CN 117152707 A CN117152707 A CN 117152707A
- Authority
- CN
- China
- Prior art keywords
- lane line
- lane
- line detection
- vehicle
- offset distance
- 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.)
- Granted
Links
- 238000012545 processing Methods 0.000 title claims abstract description 71
- 238000004364 calculation method Methods 0.000 title claims abstract description 29
- 238000001514 detection method Methods 0.000 claims abstract description 162
- 238000000034 method Methods 0.000 claims abstract description 74
- 238000013135 deep learning Methods 0.000 claims abstract description 21
- 238000012549 training Methods 0.000 claims abstract description 19
- 238000013528 artificial neural network Methods 0.000 claims abstract description 13
- 230000008569 process Effects 0.000 claims description 22
- 239000011159 matrix material Substances 0.000 claims description 20
- 238000004590 computer program Methods 0.000 claims description 13
- 230000006870 function Effects 0.000 claims description 13
- 238000003860 storage Methods 0.000 claims description 12
- 238000013178 mathematical model Methods 0.000 claims description 10
- 238000003384 imaging method Methods 0.000 claims description 5
- 230000000694 effects Effects 0.000 abstract description 7
- 238000010586 diagram Methods 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 5
- 230000006399 behavior Effects 0.000 description 3
- 238000012937 correction Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000003825 pressing Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 239000004744 fabric Substances 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000011895 specific detection Methods 0.000 description 1
- 230000000007 visual effect Effects 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
- G06V10/24—Aligning, centring, orientation detection or correction of the image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Traffic Control Systems (AREA)
- Image Analysis (AREA)
Abstract
本申请提供了一种车辆偏移距离的计算方法、装置以及处理设备，用于通过引入基于行分类的深度学习方法，来便捷地实现高精度的车道线检测效果，由此可以便捷地获得高精度的车辆与对应车道线之间的偏移距离，可以为智能驾驶提供强有力的数据支持。方法包括：获取部署于预设车辆中心的单目相机所采集的初始图像；将初始图像输入预先配置的车道线检测网络，使得检测初始图像中包含的车道线，车道线检测网络以输入图像中不同行属于不同车道线的概率来检测输入图像包含的车道线，车道线检测网络是由初始深度学习神经网络通过标注有对应车道线检测结果的样本图像训练得到的；基于输出的车道线检测结果，计算当前车辆与对应车道线之间的偏移距离。
Description
技术领域
本申请涉及汽车安全领域，具体涉及一种车辆偏移距离的计算方法、装置以及处理设备。
背景技术
随着科技水平的不断提高，汽车也朝着智能化、电子化在不断发展，自动驾驶或者说智能驾驶就是其中的一大发展方向。
在智能驾驶中，可以涉及到车道线检测环节，为智能驾驶的逻辑判断提供更为丰富且有效的数据支持，因此具有愈加广泛应用的发展趋势，其通过测量出车辆和车道线边距的距离，来实现车道偏离预警和车道保持功能，能够及时预防交通事故发生，提高行车途中的安全性。
而本申请发明人发现，现有技术中车载嵌入式平台采用的车道线检测算法，主要分为传统图像处理算法和深度学习分割算法两大类，在车载嵌入式平台算例有限的情况下，普遍存在着检测精度不稳定的问题，例如所需计算量较大、无法精确计算具体距离值等。
发明内容
本申请提供了一种车辆偏移距离的计算方法、装置以及处理设备，用于通过引入基于行分类的深度学习方法，来便捷地实现高精度的车道线检测效果，由此可以便捷地获得高精度的车辆与对应车道线之间的偏移距离，可以为智能驾驶提供强有力的数据支持。
第一方面，本申请提供了一种车辆偏移距离的计算方法，方法包括：
获取部署于预设车辆中心的单目相机所采集的初始图像；
将初始图像输入预先配置的车道线检测网络，使得车道线检测网络检测初始图像中包含的车道线，其中，车道线检测网络以输入图像中不同行属于不同车道线的概率来检测输入图像包含的车道线，车道线检测网络是由初始深度学习神经网络通过标注有对应车道线检测结果的样本图像训练得到的；
基于车道线检测网络输出的车道线检测结果，计算当前车辆与对应车道线之间的偏移距离。
结合本申请第一方面，在本申请第一方面第一种可能的实现方式中，车道线检测网络包括车道线检测分支和车道线类别分支两个部分；
车道线检测分支通过以下概率计算公式进行建模：
，
其中，代表第j行属于第i条车道线的概率，/>为2，对应车辆当前所处车道的左右两边的车道线；
车道线类别分支用于识别包括白色虚线、白色实线、黄色虚线和黄色实线共4种车道线类别。
结合本申请第一方面，在本申请第一方面第二种可能的实现方式中，基于车道线检测网络输出的车道线检测结果，计算车辆与对应车道线之间的偏移距离，包括：
基于车道线检测网络输出的车道线点形式的车道线检测结果，通过多项式曲线拟合处理，得到完整车道线；
计算当前车辆与完整车道线之间的偏移距离。
结合本申请第一方面第二种可能的实现方式，在本申请第一方面第三种可能的实现方式中，多项式曲线拟合处理所采用的多项式数学模型包括以下处理内容：
配置的多项式数学模型具体为：
，
其中，M为多项式最高次数，w为权重系数，根据检测到的N个点，得到的损失函数为：
，
其中，代表第n个点的纵坐标，/>代表第n个点的横坐标，求解权重系数w，得到车道线的多项式曲线拟合表示/>。
结合本申请第一方面第二种可能的实现方式，在本申请第一方面第四种可能的实现方式中，计算当前车辆与完整车道线之间的偏移距离，包括：
设单目相机由相机内参k求得的相机中心点表示为：
，
其中，，/>、/>为相机焦距f，(/>,/>)为相机中心点成像坐标，相机中心点Y方向坐标与车辆中心Y方向坐标相等；
设基于单目相机预先标定的4个坐标点在世界坐标系中的坐标分别为,/>,/>，以及在像素坐标系中的坐标分别为/>,/>,/>，结合下面示出的像素坐标系到世界坐标系的单应性矩阵的表示公式，确定单目相机对应的单应性矩阵H：
；
设完整车道线的车道线点坐标表示为：
；
基于单应性矩阵H，结合下式求解完整车道线中第c条车道线点在世界坐标系中的坐标：
；
基于第c条车道线点在世界坐标系中的坐标，通过下式求解对应的真实车道线宽度：
，
其中，表示第c条车道线上第i个点在世界坐标系中X方向的坐标；
基于单应性矩阵H，通过下式求解相机中心点在世界坐标系中的坐标：
；
基于车辆宽度，结合第c条车道线点在世界坐标系中的坐标和相机中心点在世界坐标系中的坐标，通过下式分别确定车身到左、右车道线的距离，作为当前车辆与完整车道线之间的偏移距离的计算结果：
，
。
结合本申请第一方面，在本申请第一方面第五种可能的实现方式中，单目相机设于车内后视镜后方，相机视角为车辆正前方。
结合本申请第一方面，在本申请第一方面第六种可能的实现方式中，基于车道线检测网络输出的车道线检测结果，计算当前车辆与对应车道线之间的偏移距离之后，方法还包括：
基于当前车辆与对应车道线之间的偏移距离，进行车道偏离预警处理和/或车道保持处理。
第二方面，本申请提供了一种车辆偏移距离的计算装置，装置包括：
获取单元，用于获取部署于预设车辆中心的单目相机所采集的初始图像；
检测单元，用于将初始图像输入预先配置的车道线检测网络，使得车道线检测网络检测初始图像中包含的车道线，其中，车道线检测网络以输入图像中不同行属于不同车道线的概率来检测输入图像包含的车道线，车道线检测网络是由初始深度学习神经网络通过标注有对应车道线检测结果的样本图像训练得到的；
计算单元，用于基于车道线检测网络输出的车道线检测结果，计算当前车辆与对应车道线之间的偏移距离。
结合本申请第二方面，在本申请第二方面第一种可能的实现方式中，车道线检测网络包括车道线检测分支和车道线类别分支两个部分；
车道线检测分支通过以下概率计算公式进行建模：
，
其中，代表第j行属于第i条车道线的概率，/>为2，对应车辆当前所处车道的左右两边的车道线；
车道线类别分支用于识别包括白色虚线、白色实线、黄色虚线和黄色实线共4种车道线类别。
结合本申请第二方面，在本申请第二方面第二种可能的实现方式中，计算单元，具体用于：
基于车道线检测网络输出的车道线点形式的车道线检测结果，通过多项式曲线拟合处理，得到完整车道线；
计算当前车辆与完整车道线之间的偏移距离。
结合本申请第二方面第二种可能的实现方式，在本申请第二方面第三种可能的实现方式中，多项式曲线拟合处理所采用的多项式数学模型包括以下处理内容：
配置的多项式数学模型具体为：
，
其中，M为多项式最高次数，w为权重系数，根据检测到的N个点，得到的损失函数为：
，
其中，代表第n个点的纵坐标，/>代表第n个点的横坐标，求解权重系数w，得到车道线的多项式曲线拟合表示/>。
结合本申请第二方面第二种可能的实现方式，在本申请第二方面第四种可能的实现方式中，计算当前车辆与完整车道线之间的偏移距离，包括：
设单目相机由相机内参k求得的相机中心点表示为：
，
其中，，/>、/>为相机焦距f，(/>,/>)为相机中心点成像坐标，相机中心点Y方向坐标与车辆中心Y方向坐标相等；
设基于单目相机预先标定的4个坐标点在世界坐标系中的坐标分别为,/>,/>，以及在像素坐标系中的坐标分别为/>,/>,/>，结合下面示出的像素坐标系到世界坐标系的单应性矩阵的表示公式，确定单目相机对应的单应性矩阵H：
；
设完整车道线的车道线点坐标表示为：
；
基于单应性矩阵H，结合下式求解完整车道线中第c条车道线点在世界坐标系中的坐标：
；
基于第c条车道线点在世界坐标系中的坐标，通过下式求解对应的真实车道线宽度：
，
其中，表示第c条车道线上第i个点在世界坐标系中X方向的坐标；
基于单应性矩阵H，通过下式求解相机中心点在世界坐标系中的坐标：
；
基于车辆宽度，结合第c条车道线点在世界坐标系中的坐标和相机中心点在世界坐标系中的坐标，通过下式分别确定车身到左、右车道线的距离，作为当前车辆与完整车道线之间的偏移距离的计算结果：
，
。
结合本申请第二方面，在本申请第二方面第五种可能的实现方式中，单目相机设于车内后视镜后方，相机视角为车辆正前方。
结合本申请第二方面，在本申请第二方面第六种可能的实现方式中，装置还包括处理单元，用于：
基于当前车辆与对应车道线之间的偏移距离，进行车道偏离预警处理和/或车道保持处理。
第三方面，本申请提供了一种处理设备，包括处理器和存储器，存储器中存储有计算机程序，处理器调用存储器中的计算机程序时执行本申请第一方面或者本申请第一方面任一种可能的实现方式提供的方法。
第四方面，本申请提供了一种计算机可读存储介质，计算机可读存储介质存储有多条指令，指令适于处理器进行加载，以执行本申请第一方面或者本申请第一方面任一种可能的实现方式提供的方法。
从以上内容可得出，本申请具有以下的有益效果：
本申请获取到部署于预设车辆中心的单目相机所采集的初始图像后，将其输入预先配置的车道线检测网络，使得车道线检测网络检测初始图像中包含的车道线，其中，车道线检测网络是由初始深度学习神经网络通过标注有对应车道线检测结果的样本图像训练得到的，该车道线检测网络以输入图像中不同行属于不同车道线的概率来检测输入图像包含的车道线，接着基于车道线检测网络输出的车道线检测结果，计算当前车辆与对应车道线之间的偏移距离，在这车道线检测机制中，通过引入基于行分类的深度学习方法，来便捷地实现高精度的车道线检测效果，由此可以便捷地获得高精度的车辆与对应车道线之间的偏移距离，可以为智能驾驶提供强有力的数据支持。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例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申请的一些实施例，对于本领域技术人员来讲，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的附图。
图1为本申请车辆偏移距离的计算方法的一种流程示意图；
图2为本申请所涉及世界坐标系和像素坐标系之间投影关系的一种场景示意图；
图3为本申请世界坐标系下车辆的一种场景示意图；
图4为本申请车辆偏移距离的计算方法的一种逻辑架构图；
图5为本申请车辆偏移距离的计算装置的一种结构示意图；
图6为本申请处理设备的一种结构示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅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，本领域技术人员在没有作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。
本申请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，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。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模块的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或模块，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模块。在本申请中出现的对步骤进行的命名或者编号，并不意味着必须按照命名或者编号所指示的时间/逻辑先后顺序执行方法流程中的步骤，已经命名或者编号的流程步骤可以根据要实现的技术目的变更执行次序，只要能达到相同或者相类似的技术效果即可。
本申请中所出现的模块的划分，是一种逻辑上的划分，实际应用中实现时可以有另外的划分方式，例如多个模块可以结合成或集成在另一个系统中，或一些特征可以忽略，或不执行，另外，所显示的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，模块之间的间接耦合或通信连接可以是电性或其他类似的形式，本申请中均不作限定。并且，作为分离部件说明的模块或子模块可以是也可以不是物理上的分离，可以是也可以不是物理模块，或者可以分布到多个电路模块中，可以根据实际的需要选择其中的部分或全部模块来实现本申请方案的目的。
在介绍本申请提供的车辆偏移距离的计算方法之前，首先介绍本申请所涉及的背景内容。
本申请提供的车辆偏移距离的计算方法、装置以及计算机可读存储介质，可应用于处理设备，用于通过引入基于行分类的深度学习方法，来便捷地实现高精度的车道线检测效果，由此可以便捷地获得高精度的车辆与对应车道线之间的偏移距离，可以为智能驾驶提供强有力的数据支持。
本申请提及的车辆偏移距离的计算方法，其执行主体可以为车辆偏移距离的计算装置，或者集成了该车辆偏移距离的计算装置的处理设备，其中，该处理设备通常为部署于车辆上的车载嵌入式平台（车辆可搭载模块），或者，也可以是车辆上可以搭载或者连接的其他形式的设备，又或者，若是有稳定的网络性能，处理设备本身还可以是车辆外部的设备，例如服务器等，以此通过远程的方式来为本地的车辆提供车辆偏移距离的计算服务，仅需本地车辆上传计算所需数据即可。
下面，开始介绍本申请提供的车辆偏移距离的计算方法。
首先，参阅图1，图1示出了本申请车辆偏移距离的计算方法的一种流程示意图，本申请提供的车辆偏移距离的计算方法，具体可包括如下步骤S101至步骤S103：
步骤S101，获取部署于预设车辆中心的单目相机所采集的初始图像；
可以理解，本申请所配置的基于行分类的车道线检测处理，是基于图像所展开的深度学习分类处理，对此，在车道线检测场景下，需要获取表征车辆所处环境的图像，而这就可以通过部署于车辆上的单目相机（摄像头）来完成。
其中，此处所涉及的单目相机，具体是部署于预设车辆中心的，该预设车辆中心与单目相机的视野有关，也与后续涉及的基于图像所展开的深度学习分类处理有关，相机视野通常是面向车辆前方，对应车辆的前进，并两侧对称，即，处于车辆的中轴线上。
在步骤S101的获取过程中，可以理解的是，具体可以根据单目相机的部署方式进行灵活设置，例如可以是主动调用单目相机进行图像采集，也可以是被动接收单目相机传输过来的图像，显然是较为灵活的。
步骤S102，将初始图像输入预先配置的车道线检测网络，使得车道线检测网络检测初始图像中包含的车道线，其中，车道线检测网络以输入图像中不同行属于不同车道线的概率来检测输入图像包含的车道线，车道线检测网络是由初始深度学习神经网络通过标注有对应车道线检测结果的样本图像训练得到的；
可以看到，本申请所做的车道线检测处理，是基于单目相机的深度学习方法（深度学习神经网络）来实现的。
可以理解，在现有技术中，基于双目相机和红外相机的车道线检测方案，相较于单目相机方案成本是较为高昂的，并且，红外相机虽然在光照不足的情况下成像较好，但是也会丢失色彩信息，使得检测目标特征较为单一，检出率不高，同时周边环境对检测精度也有较大的影响，而单目相机方案显著降低成本的同时，保留了画面的色彩信息，检测精度更高，以此保证检测精度的同时大大减少了运算量，从而能够在车载嵌入式平台实时运行。
并且，本申请在车道线检测处理的具体处理过程中，引入了行分类的处理机制，在行分类的处理过程中，可以理解为将输入图像拆分为若干行的图像区域（可以为1个像素的宽度，长度就是输入图像的长度），对于若干行的图像区域，则可以进行精简化（压缩），此外，在每一行的图像区域内，也可以进行精简化（压缩），如此，在整体的车道线检测处理拆分得到的每一次的车道线检测处理过程中，具体展开车道线检测的图像范围，则为精简化的、行形式的图像区域，如此大大减少了计算量、计算成本，能够适应弱光、强光、以及各种天气等复杂环境，从而可以便捷地实现高精度的检测效果。
在每一次的车道线检测处理过程中，则是以属于不同车道线的概率来进行处理的，如此获得若干行的检测后，则可以融合得到整体的车道线检测结果。
其中，对于最后得到的、用来输出的车道线检测结果，在实际情况下，是以车道线点的形式配置的。
对于本申请所配置的车道线检测网络，可以理解，其可以用任意类型的深度学习神经网络的网络架构，在配置了初始（初始状态）的深度学习神经网络后，则可以展开对应的网络训练处理，以便得到本申请所需的车道线检测网络，对此，本申请则还可以涉及到车道线检测网络的训练处理，在训练过程中，通常可以包括以下内容：
1.将单目相机设于预设车辆中心后，让其保持在车辆的中心，相机固定不动，采集车道线的样本，得到样本图像（可以是视频或者图片）；
2.对样本图像（视频的话需要先进行逐帧裁剪）进行包括清洗和筛选的预处理，提高样本质量，接着对样本图像包含的车道线进行标注，得到网络可以识别的车道线检测结果，具体的标注内容是与车道线检测网络的训练还有检测的需要进行对应性配置的；
3.依次将标注好的样本图像输入网络，使得网络对输入图像进行车道线检测，实现正向传播，接着基于网络输出的车道线检测结果以及预先标注的车道线检测结果计算损失函数，并根据损失函数计算结果优化网络参数，实现反向传播，如此当满足训练时长、训练次数、检测精度等预设的训练要求时，则可以完成网络的训练，得到可以投入实际使用的车道线检测网络。
可以理解，若处理设备为车载嵌入式平台等车上的设备，则上述的网络训练也可以用离线训练来理解，在完成了网络训练并搭载到处理设备上之后，则可以投入在线的实时检测处理使用。
步骤S103，基于车道线检测网络输出的车道线检测结果，计算当前车辆与对应车道线之间的偏移距离。
而在获得了车道线检测网络输出的车道线检测结果后，则可以结合车身位置来计算当前车辆与对应车道线之间的偏移距离（车辆和车道线边距的距离），在前面便捷且高精度的车道线检测效果的基础上，如此可以便捷且高精度的完成偏移距离的计算处理目标。
其中，容易理解的是，在实际情况中，偏移距离通常是车辆与两侧车道线之间的距离，满足对于两侧车道线间距的监控需求，当然，对应于实际情况下灵活多变的应用需求，也可以是涉及到一个或者两个以上数量的车道线间距的检测的。
从图1所示实施例可看出， 本申请获取到部署于预设车辆中心的单目相机所采集的初始图像后，将其输入预先配置的车道线检测网络，使得车道线检测网络检测初始图像中包含的车道线，其中，车道线检测网络是由初始深度学习神经网络通过标注有对应车道线检测结果的样本图像训练得到的，该车道线检测网络以输入图像中不同行属于不同车道线的概率来检测输入图像包含的车道线，接着基于车道线检测网络输出的车道线检测结果，计算当前车辆与对应车道线之间的偏移距离，在这车道线检测机制中，通过引入基于行分类的深度学习方法，来便捷地实现高精度的车道线检测效果，由此可以便捷地获得高精度的车辆与对应车道线之间的偏移距离，可以为智能驾驶提供强有力的数据支持。
此外，可以理解的是，本申请所做的车道线检测处理/偏移距离计算处理，不只是可以为智能驾驶提供数据支持，也可以为人工驾驶的自动提醒提供数据支持，这在实际应用中也是允许的，所谓的数据支持可以随具体的数据使用方式/需求进行灵活的、适配的设置，由此可以让本申请所提供的便捷且高精度的车道线检测处理/偏移距离计算处理方案，可以实现更佳的实际价值。
下面，则继续对上述图1所示实施例的各个步骤及其在实际应用中可能的实现方式进行详细阐述。
作为一种示例性的实现方式，本申请用来采集图像的单目相机，具体可以设于车内后视镜后方，相机视角为车辆正前方。
即，车内后视镜后方为本申请所认定的一个预设车辆中心点，其中，车内后视镜处于汽车中控上方的中间位置，而单目相机则具体设于车内后视镜与前车窗之间的位置上，如此既不影响车内后视镜的使用，也可以在车内中心位置稳定采集车辆正前方的图像。
与此同时，应当理解的是，在本申请中，单目相机的应用可以理解为仅需要一个相机所采集的图像就可以达到本申请车道线检测目的，并不需要如多目相机般涉及到多图像的融合处理，这就意味着本申请在实际应用中，并不是限定只部署了一枚单目相机，也可以部署了多枚单目相机，如此针对不同单目相机展开各自对应的车道线检测处理，这也是可能的，以此满足多视角的车道线监控需求，例如，在车后也可以部署一枚单目相机，以此满足车辆倒车时的车道线监控需求。
作为又一种示例性的实现方式，本申请所采用的车道线检测网络，具体可以包括车道线检测分支和车道线类别分支两个部分；
车道线检测分支通过以下概率计算公式进行建模：
，
其中，代表第j行属于第i条车道线的概率，/>为2，对应车辆当前所处车道的左右两边的车道线；
车道线类别分支用于识别包括白色虚线、白色实线、黄色虚线和黄色实线共4种车道线类别。
可以看到，在该设置中，本申请通过两个分支的车道线检测网络架构，来实现更为高效、精确的检测处理，并给出了具体的检测内容，为具体应用提供了落地配套方案。
此外，如前面所言，车道线检测网络输出的车道线检测结果是以车道线点的形式配置的，为更为方便地进行偏移距离的监控，还可以涉及到平滑的完整车道线的拟合处理。
以该拟合处理为偏移距离计算处理中的处理内容为例，作为又一种示例性的实现方式，步骤S103基于车道线检测网络输出的车道线检测结果，计算车辆与对应车道线之间的偏移距离，可以包括：
基于车道线检测网络输出的车道线点形式的车道线检测结果，通过多项式曲线拟合处理，得到完整车道线；
计算当前车辆与完整车道线之间的偏移距离。
可以看到，此处设置中本申请应用了多项式曲线拟合处理，以此便捷且高精度地获得平滑的完整车道线，以此便于更为精确地计算当前车联关于完整车道线之间的偏移距离。
对于此处涉及的多项式曲线拟合处理，作为又一种示例性的实现方式，本申请多项式曲线拟合处理所采用的多项式数学模型具体可以包括以下处理内容：
配置的多项式数学模型具体为：
，
其中，M为多项式最高次数，w为权重系数，根据检测到的N个点，得到的损失函数为：
，
其中，代表第n个点的纵坐标，/>代表第n个点的横坐标，求解权重系数w，得到车道线的多项式曲线拟合表示/>。
可以看到，此处为本申请平滑检测出的车道线提供了一套具体的落地配套方案。
与此同时，也应当理解的是，除了多项式拟合，本申请在平滑车道线结果的过程中，也可以采用非线性拟合、最小二乘法拟合等不同的拟合算法，随实际需要配置即可。
对于平滑后的完整车道线，应当理解的是，其在细观层面仍是以车道线点的形式配置的。
而在计算当前车辆与车道线之间的偏移距离的过程中，以平滑后的完整车道线为例，作为又一种示例性的实现方式，具体可以包括以下内容：
1）相机标定
设单目相机由相机内参k求得的相机中心点表示为：
，
其中，相机内参k可以通过棋盘格标定并根据张正友棋盘格标定算法求得，，/>、/>为相机焦距f，(/>,/>)为相机中心点成像坐标，相机中心点Y方向坐标与车辆中心Y方向坐标相等；
2）相机单应性矩阵
参考图2示出的本申请所涉及世界坐标系和像素坐标系之间投影关系的一种场景示意图，以及，参考图3示出的本申请世界坐标系下车辆的一种场景示意图，设相机无畸变，世界坐标系的原点为车头中心点，X方向与车身垂直，右手为正方向，Y方向与车身平行，车头方向为正方向，Z轴与地面垂直，向上为正方向，在地面上平铺一个标定布（保证标定布在平坦地面上），基于单目相机预先标定的4个坐标点在世界坐标系中的坐标分别为,/>,/>，以及在像素坐标系中的坐标分别为/>,/>,/>，结合下面示出的像素坐标系到世界坐标系的单应性矩阵的表示公式，确定单目相机对应的单应性矩阵H：
；
3）车道线点
设完整车道线的车道线点坐标表示为：
；
基于单应性矩阵H，结合下式求解完整车道线中第c条车道线点在世界坐标系中的坐标：
；
基于第c条车道线点在世界坐标系中的坐标，通过下式求解对应的真实车道线宽度：
，
其中，表示第c条车道线上第i个点在世界坐标系中X方向的坐标；
4）车辆中心点
基于单应性矩阵H，通过下式求解相机中心点在世界坐标系中的坐标：
；
5）偏移距离
基于车辆宽度，结合第c条车道线点在世界坐标系中的坐标和相机中心点在世界坐标系中的坐标，通过下式分别确定车身到左、右车道线的距离，作为当前车辆与完整车道线之间的偏移距离的计算结果：
，
。
可以理解，上面的处理内容，是从公式层面出发，以此更为详尽地为本申请偏移距离的处理提供具体的落地配套方案，其中涉及了相机的标定、做报喜的转换等内容，以车头中心为世界坐标系原点，通过相机模型将车道线位置和车辆位置统一/还原到世界坐标系中，能够精确计算车身与车道线之间的距离，从而具有较佳的实际意义。
具体来说，经过试验表明，在应用本申请方案后，偏移距离检测精度可以达到小于5cm的误差精度，显著优于现有技术所能取得的偏移距离检测精度。
为进一步理解以上的方案内容，还可以结合图4示出的本申请车辆偏移距离的计算方法的一种逻辑架构图，来进行更为形象的理解。
而在获得了车辆偏移距离计算结果，即当前车辆与对应车道线之间的偏移距离后，则可以继续用来展开相应的数据应用。
例如，若偏移距离未负，则意味着存在压线行为，显然需要进行预警或者纠正，此情况也可以看出，本申请并非是直接基于视觉来确定车道线位置的，通过车道线的拟合可以获得未能在图像中、在视觉中可以直接看到的车道线位置。
又例如，若偏移距离小于阈值，则意味着接下来有可能存在压线行为，或者说有压线行为的风险，则也可以进行预警或者纠正。
又例如，若偏移距离处于正常范围，则意味着当前位置正常，无需进行预警或者纠正。
可以理解，对于计算得到的偏移距离的数据应用，是可以随实际需要进行适应性设置的，以智能驾驶为例，作为又一种示例性的实现方式，步骤S103基于车道线检测网络输出的车道线检测结果，计算当前车辆与对应车道线之间的偏移距离之后，本申请车辆偏移距离的计算方法还可以包括如下步骤：
基于当前车辆与对应车道线之间的偏移距离，进行车道偏离预警处理和/或车道保持处理。
容易理解，本申请方案重点在于如何便捷且高精度地计算出偏移距离，对于计算得到的偏移距离的具体数据应用，是可以参考现有技术的，因此此处不再做具体的展开说明。
以上是本申请提供的车辆偏移距离的计算方法的介绍，为便于更好的实施本申请提供的车辆偏移距离的计算方法，本申请还从功能模块角度提供了一种车辆偏移距离的计算装置。
参阅图5，图5为本申请车辆偏移距离的计算装置的一种结构示意图，在本申请中，车辆偏移距离的计算装置500具体可包括如下结构：
获取单元501，用于获取部署于预设车辆中心的单目相机所采集的初始图像；
检测单元502，用于将初始图像输入预先配置的车道线检测网络，使得车道线检测网络检测初始图像中包含的车道线，其中，车道线检测网络以输入图像中不同行属于不同车道线的概率来检测输入图像包含的车道线，车道线检测网络是由初始深度学习神经网络通过标注有对应车道线检测结果的样本图像训练得到的；
计算单元503，用于基于车道线检测网络输出的车道线检测结果，计算当前车辆与对应车道线之间的偏移距离。
在一种示例性的实现方式中，车道线检测网络包括车道线检测分支和车道线类别分支两个部分；
车道线检测分支通过以下概率计算公式进行建模：
，
其中，代表第j行属于第i条车道线的概率，/>为2，对应车辆当前所处车道的左右两边的车道线；
车道线类别分支用于识别包括白色虚线、白色实线、黄色虚线和黄色实线共4种车道线类别。
在又一种示例性的实现方式中，计算单503，具体用于：
基于车道线检测网络输出的车道线点形式的车道线检测结果，通过多项式曲线拟合处理，得到完整车道线；
计算当前车辆与完整车道线之间的偏移距离。
在又一种示例性的实现方式中，多项式曲线拟合处理所采用的多项式数学模型包括以下处理内容：
配置的多项式数学模型具体为：
，
其中，M为多项式最高次数，w为权重系数，根据检测到的N个点，得到的损失函数为：
，
其中，代表第n个点的纵坐标，/>代表第n个点的横坐标，求解权重系数w，得到车道线的多项式曲线拟合表示/>。
在又一种示例性的实现方式中，计算当前车辆与完整车道线之间的偏移距离，包括：
设单目相机由相机内参k求得的相机中心点表示为：
，
其中，，/>、/>为相机焦距f，(/>,/>)为相机中心点成像坐标，相机中心点Y方向坐标与车辆中心Y方向坐标相等；
设基于单目相机预先标定的4个坐标点在世界坐标系中的坐标分别为,/>,/>，以及在像素坐标系中的坐标分别为/>,/>,/>，结合下面示出的像素坐标系到世界坐标系的单应性矩阵的表示公式，确定单目相机对应的单应性矩阵H：
；
设完整车道线的车道线点坐标表示为：
；
基于单应性矩阵H，结合下式求解完整车道线中第c条车道线点在世界坐标系中的坐标：
；
基于第c条车道线点在世界坐标系中的坐标，通过下式求解对应的真实车道线宽度：
，
其中，表示第c条车道线上第i个点在世界坐标系中X方向的坐标；
基于单应性矩阵H，通过下式求解相机中心点在世界坐标系中的坐标：
；/>
基于车辆宽度，结合第c条车道线点在世界坐标系中的坐标和相机中心点在世界坐标系中的坐标，通过下式分别确定车身到左、右车道线的距离，作为当前车辆与完整车道线之间的偏移距离的计算结果：
，
。
在又一种示例性的实现方式中，单目相机设于车内后视镜后方，相机视角为车辆正前方。
在又一种示例性的实现方式中，装置还包括处理单元504，用于：
基于当前车辆与对应车道线之间的偏移距离，进行车道偏离预警处理和/或车道保持处理。
本申请还从硬件结构角度提供了一种处理设备，参阅图6，图6示出了本申请处理设备的一种结构示意图，具体的，本申请处理设备可包括处理器601、存储器602以及输入输出设备603，处理器601用于执行存储器602中存储的计算机程序时实现如图1对应实施例中车辆偏移距离的计算方法的各步骤；或者，处理器601用于执行存储器602中存储的计算机程序时实现如图5对应实施例中各单元的功能，存储器602用于存储处理器601执行上述图1对应实施例中车辆偏移距离的计算方法所需的计算机程序。
示例性的，计算机程序可以被分割成一个或多个模块/单元，一个或者多个模块/单元被存储在存储器602中，并由处理器601执行，以完成本申请。一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述计算机程序在计算机装置中的执行过程。
处理设备可包括，但不仅限于处理器601、存储器602、输入输出设备603。本领域技术人员可以理解，示意仅仅是处理设备的示例，并不构成对处理设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如处理设备还可以包括网络接入设备、总线等，处理器601、存储器602、输入输出设备603等通过总线相连。
处理器601可以是中央处理单元（Central Processing Unit，CPU），还可以是其他通用处理器、数字信号处理器（Digital Signal Processor，DSP）、专用集成电路（Application Specific Integrated Circuit，ASIC）、现场可编程门阵列（Field-Programmable Gate Array，FPGA）或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，处理器是处理设备的控制中心，利用各种接口和线路连接整个设备的各个部分。
存储器602可用于存储计算机程序和/或模块，处理器601通过运行或执行存储在存储器602内的计算机程序和/或模块，以及调用存储在存储器602内的数据，实现计算机装置的各种功能。存储器602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、至少一个功能所需的应用程序等；存储数据区可存储根据处理设备的使用所创建的数据等。此外，存储器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，例如硬盘、内存、插接式硬盘，智能存储卡（Smart Media Card，SMC），安全数字（SecureDigital，SD）卡，闪存卡（Flash Card）、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。
处理器601用于执行存储器602中存储的计算机程序时，具体可实现以下功能：
获取部署于预设车辆中心的单目相机所采集的初始图像；
将初始图像输入预先配置的车道线检测网络，使得车道线检测网络检测初始图像中包含的车道线，其中，车道线检测网络以输入图像中不同行属于不同车道线的概率来检测输入图像包含的车道线，车道线检测网络是由初始深度学习神经网络通过标注有对应车道线检测结果的样本图像训练得到的；
基于车道线检测网络输出的车道线检测结果，计算当前车辆与对应车道线之间的偏移距离。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的车辆偏移距离的计算装置、处理设备及其相应单元的具体工作过程，可以参考如图1对应实施例中车辆偏移距离的计算方法的说明，具体在此不再赘述。
本领域普通技术人员可以理解，上述实施例的各种方法中的全部或部分步骤可以通过指令来完成，或通过指令控制相关的硬件来完成，该指令可以存储于一计算机可读存储介质中，并由处理器进行加载和执行。
为此，本申请提供一种计算机可读存储介质，其中存储有多条指令，该指令能够被处理器进行加载，以执行本申请如图1对应实施例中车辆偏移距离的计算方法的步骤，具体操作可参考如图1对应实施例中车辆偏移距离的计算方法的说明，在此不再赘述。
其中，该计算机可读存储介质可以包括：只读存储器（Read Only Memory，ROM）、随机存取记忆体（Random Access Memory，RAM）、磁盘或光盘等。
由于该计算机可读存储介质中所存储的指令，可以执行本申请如图1对应实施例中车辆偏移距离的计算方法的步骤，因此，可以实现本申请如图1对应实施例中车辆偏移距离的计算方法所能实现的有益效果，详见前面的说明，在此不再赘述。
以上对本申请提供的车辆偏移距离的计算方法、装置、处理设备以及计算机可读存储介质进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。
Claims (9)
1.一种车辆偏移距离的计算方法，其特征在于，所述方法包括：
获取部署于预设车辆中心的单目相机所采集的初始图像；
将所述初始图像输入预先配置的车道线检测网络，使得所述车道线检测网络检测所述初始图像中包含的车道线，其中，所述车道线检测网络以输入图像中不同行属于不同车道线的概率来检测所述输入图像包含的车道线，所述车道线检测网络是由初始深度学习神经网络通过标注有对应车道线检测结果的样本图像训练得到的；
基于所述车道线检测网络输出的车道线检测结果，计算当前车辆与对应车道线之间的偏移距离；
所述车道线检测网络包括车道线检测分支和车道线类别分支两个部分；
所述车道线检测分支通过以下概率计算公式进行建模：
，
其中，代表第j行属于第i条车道线的概率，/>为2，对应车辆当前所处车道的左右两边的车道线；
所述车道线类别分支用于识别包括白色虚线、白色实线、黄色虚线和黄色实线共4种车道线类别。
2.根据权利要求1所述的方法，其特征在于，所述基于所述车道线检测网络输出的车道线检测结果，计算车辆与对应车道线之间的偏移距离，包括：
基于所述车道线检测网络输出的车道线点形式的所述车道线检测结果，通过多项式曲线拟合处理，得到完整车道线；
计算当前车辆与所述完整车道线之间的偏移距离。
3.根据权利要求2所述的方法，其特征在于，所述多项式曲线拟合处理所采用的多项式数学模型包括以下处理内容：
配置的多项式数学模型具体为：
，
其中，M为多项式最高次数，w为权重系数，根据检测到的N个点，得到的损失函数为：
，
其中，代表第n个点的纵坐标，/>代表所述第n个点的横坐标，求解权重系数w，得到车道线的多项式曲线拟合表示/>。
4.根据权利要求2所述的方法，其特征在于，所述计算当前车辆与所述完整车道线之间的偏移距离，包括：
设所述单目相机由相机内参k求得的相机中心点表示为：
，
其中，，/>、/>为相机焦距f，(/>,/>)为相机中心点成像坐标，所述相机中心点Y方向坐标与车辆中心Y方向坐标相等；
设基于所述单目相机预先标定的4个坐标点在世界坐标系中的坐标分别为,/>,/>，以及在像素坐标系中的坐标分别为/>,/>,/>，结合下面示出的所述像素坐标系到所述世界坐标系的单应性矩阵的表示公式，确定所述单目相机对应的单应性矩阵H：
；
设所述完整车道线的车道线点坐标表示为：
；
基于所述单应性矩阵H，结合下式求解所述完整车道线中第c条车道线点在所述世界坐标系中的坐标：
；
基于所述第c条车道线点在所述世界坐标系中的坐标，通过下式求解对应的真实车道线宽度：
，
其中，表示所述第c条车道线上第i个点在所述世界坐标系中X方向的坐标；
基于所述单应性矩阵H，通过下式求解所述相机中心点在所述世界坐标系中的坐标：
；
基于车辆宽度，结合所述第c条车道线点在所述世界坐标系中的坐标和所述相机中心点在所述世界坐标系中的坐标，通过下式分别确定车身到左、右车道线的距离，作为所述当前车辆与所述完整车道线之间的偏移距离的计算结果：
，
。
5.根据权利要求1所述的方法，其特征在于，所述单目相机设于车内后视镜后方，相机视角为车辆正前方。
6.根据权利要求1所述的方法，其特征在于，所述基于所述车道线检测网络输出的车道线检测结果，计算当前车辆与对应车道线之间的偏移距离之后，所述方法还包括：
基于所述当前车辆与对应车道线之间的偏移距离，进行车道偏离预警处理和/或车道保持处理。
7.一种车辆偏移距离的计算装置，其特征在于，所述装置包括：
获取单元，用于获取部署于预设车辆中心的单目相机所采集的初始图像；
检测单元，用于将所述初始图像输入预先配置的车道线检测网络，使得所述车道线检测网络检测所述初始图像中包含的车道线，其中，所述车道线检测网络以输入图像中不同行属于不同车道线的概率来检测所述输入图像包含的车道线，所述车道线检测网络是由初始深度学习神经网络通过标注有对应车道线检测结果的样本图像训练得到的；
计算单元，用于基于所述车道线检测网络输出的车道线检测结果，计算当前车辆与对应车道线之间的偏移距离；
所述车道线检测网络包括车道线检测分支和车道线类别分支两个部分；
所述车道线检测分支通过以下概率计算公式进行建模：
，
其中，代表第j行属于第i条车道线的概率，/>为2，对应车辆当前所处车道的左右两边的车道线；
所述车道线类别分支用于识别包括白色虚线、白色实线、黄色虚线和黄色实线共4种车道线类别。
8.一种处理设备，其特征在于，包括处理器和存储器，所述存储器中存储有计算机程序，所述处理器调用所述存储器中的计算机程序时执行如权利要求1至6任一项所述的方法。
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存储有多条指令，所述指令适于处理器进行加载，以执行权利要求1至6任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311425048.2A CN117152707B (zh) | 2023-10-31 | 2023-10-31 | 一种车辆偏移距离的计算方法、装置以及处理设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311425048.2A CN117152707B (zh) | 2023-10-31 | 2023-10-31 | 一种车辆偏移距离的计算方法、装置以及处理设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117152707A true CN117152707A (zh) | 2023-12-01 |
| CN117152707B CN117152707B (zh) | 2024-03-22 |
Family
ID=88901180
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311425048.2A Active CN117152707B (zh) | 2023-10-31 | 2023-10-31 | 一种车辆偏移距离的计算方法、装置以及处理设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117152707B (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108537197A (zh) * | 2018-04-18 | 2018-09-14 | 吉林大学 | 一种基于深度学习的车道线检测预警装置及预警方法 |
| CN109993074A (zh) * | 2019-03-14 | 2019-07-09 | 杭州飞步科技有限公司 | 辅助驾驶的处理方法、装置、设备及存储介质 |
| CN111222417A (zh) * | 2019-12-24 | 2020-06-02 | 武汉中海庭数据技术有限公司 | 一种用于提高基于车载图像车道线提取精度的方法及装置 |
| CN111814623A (zh) * | 2020-06-29 | 2020-10-23 | 浙江工业大学 | 一种基于深度神经网络的车辆车道偏离视觉检测方法 |
| US10891518B1 (en) * | 2018-12-14 | 2021-01-12 | Waymo Llc | Auto labeler |
| CN112339773A (zh) * | 2020-11-10 | 2021-02-09 | 中科海微(北京)科技有限公司 | 一种基于单目视觉的非主动车道偏离预警方法及系统 |
| CN114763136A (zh) * | 2022-03-22 | 2022-07-19 | 同济大学 | 一种基于深度学习的引导车驾驶辅助系统 |
| US20220319196A1 (en) * | 2021-04-01 | 2022-10-06 | Beijing Tusen Zhitu Technology Co., Ltd. | Method and apparatus for detecting lane lines, electronic device and storage medium |
| CN116259021A (zh) * | 2022-12-27 | 2023-06-13 | 广州导远电子科技有限公司 | 一种车道线检测方法、存储介质和电子设备 |
-
2023
- 2023-10-31 CN CN202311425048.2A patent/CN117152707B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108537197A (zh) * | 2018-04-18 | 2018-09-14 | 吉林大学 | 一种基于深度学习的车道线检测预警装置及预警方法 |
| US10891518B1 (en) * | 2018-12-14 | 2021-01-12 | Waymo Llc | Auto labeler |
| CN109993074A (zh) * | 2019-03-14 | 2019-07-09 | 杭州飞步科技有限公司 | 辅助驾驶的处理方法、装置、设备及存储介质 |
| CN111222417A (zh) * | 2019-12-24 | 2020-06-02 | 武汉中海庭数据技术有限公司 | 一种用于提高基于车载图像车道线提取精度的方法及装置 |
| CN111814623A (zh) * | 2020-06-29 | 2020-10-23 | 浙江工业大学 | 一种基于深度神经网络的车辆车道偏离视觉检测方法 |
| CN112339773A (zh) * | 2020-11-10 | 2021-02-09 | 中科海微(北京)科技有限公司 | 一种基于单目视觉的非主动车道偏离预警方法及系统 |
| US20220319196A1 (en) * | 2021-04-01 | 2022-10-06 | Beijing Tusen Zhitu Technology Co., Ltd. | Method and apparatus for detecting lane lines, electronic device and storage medium |
| CN114763136A (zh) * | 2022-03-22 | 2022-07-19 | 同济大学 | 一种基于深度学习的引导车驾驶辅助系统 |
| CN116259021A (zh) * | 2022-12-27 | 2023-06-13 | 广州导远电子科技有限公司 | 一种车道线检测方法、存储介质和电子设备 |
Non-Patent Citations (1)
| Title |
|---|
| 唐进民: ""多项式曲线拟合"", 《HTTPS://ZHUANLAN.ZHIHU.COM/P/53056358》, 19 April 2020 (2020-04-19) * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117152707B (zh) | 2024-03-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110059608B (zh) | 一种物体检测方法、装置、电子设备和存储介质 | |
| EP4036870A1 (en) | Parking spot detection method and parking spot detection system | |
| CN109741241B (zh) | 鱼眼图像的处理方法、装置、设备和存储介质 | |
| JP6572345B2 (ja) | 車線検出のための方法及び装置 | |
| CN116012817A (zh) | 基于双网络深度学习的实时全景车位检测方法、装置 | |
| JP2018073275A (ja) | 画像認識装置 | |
| CN111079634B (zh) | 车辆行驶中检测障碍物的方法、装置、系统及车辆 | |
| CN117152707B (zh) | 一种车辆偏移距离的计算方法、装置以及处理设备 | |
| CN110659545A (zh) | 车辆识别模型的训练方法、车辆识别方法、装置和车辆 | |
| JP2023517365A (ja) | 駐車スペース検出方法、装置、デバイス及び記憶媒体 | |
| CN110880003B (zh) | 一种图像匹配方法、装置、存储介质及汽车 | |
| CN113743163A (zh) | 交通目标识别模型训练方法、交通目标定位方法、装置 | |
| CN116958939A (zh) | 一种雨雾天气下道路检测方法、系统及存储介质 | |
| CN109960990B (zh) | 障碍物侦测可信度评估方法 | |
| CN114648639B (zh) | 一种目标车辆的检测方法、系统及装置 | |
| CN116403186A (zh) | 基于FPN Swin Transformer与Pointnet++ 的自动驾驶三维目标检测方法 | |
| CN116343171A (zh) | 目标检测方法、存储介质、电子设备以及车辆 | |
| CN116363628A (zh) | 标志检测方法、装置、非易失性存储介质及计算机设备 | |
| CN111260538A (zh) | 基于长基线双目鱼眼相机的定位及车载终端 | |
| CN117252912A (zh) | 深度图像获取方法、电子设备及存储介质 | |
| CN115147495A (zh) | 一种针对车载系统的标定方法、装置以及系统 | |
| CN114821517A (zh) | 用于学习神经网络以确定环境中车辆姿态的方法和系统 | |
| CN114677859B (zh) | 无人机航线自动校正方法和装置 | |
| CN117201705B (zh) | 一种全景图像的获取方法、装置、电子设备及存储介质 | |
| CN113177502B (zh) | 环视障碍物检测方法、装置、介质、车载系统以及车辆 |
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 |