CN117372975A - 一种路沿检测方法、装置、终端设备和存储介质 - Google Patents
一种路沿检测方法、装置、终端设备和存储介质 Download PDFInfo
- Publication number
- CN117372975A CN117372975A CN202210744167.3A CN202210744167A CN117372975A CN 117372975 A CN117372975 A CN 117372975A CN 202210744167 A CN202210744167 A CN 202210744167A CN 117372975 A CN117372975 A CN 117372975A
- Authority
- CN
- China
- Prior art keywords
- road
- target
- image
- edge
- point cloud
- 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
- 238000003708 edge detection Methods 0.000 title claims abstract description 94
- 238000000034 method Methods 0.000 title claims abstract description 66
- 238000001514 detection method Methods 0.000 claims abstract description 60
- 238000012545 processing Methods 0.000 claims abstract description 38
- 238000004590 computer program Methods 0.000 claims description 24
- 230000008569 process Effects 0.000 claims description 11
- 238000012549 training Methods 0.000 claims description 9
- 238000003062 neural network model Methods 0.000 claims description 8
- 230000001629 suppression Effects 0.000 claims description 8
- 230000008719 thickening Effects 0.000 claims description 6
- 238000010586 diagram Methods 0.000 description 6
- 239000003550 marker Substances 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000005286 illumination Methods 0.000 description 3
- 230000003190 augmentative effect Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 244000025254 Cannabis sativa Species 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 239000004568 cement Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000007246 mechanism Effects 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
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000008685 targeting 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/50—Depth or shape recovery
- G06T7/521—Depth or shape recovery from laser ranging, e.g. using interferometry; from the projection of structured light
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
- G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
-
- 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
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10028—Range image; Depth image; 3D point clouds
-
- 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
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Optics & Photonics (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本申请涉及环境感知技术领域,提出一种路沿检测方法、装置、终端设备和存储介质。该路沿检测方法包括:获取待测道路的目标图像和点云数据;将所述目标图像输入至已训练的路沿检测模型进行处理,输出候选路沿点集合;根据所述候选路沿点集合和所述点云数据,检测得到所述待测道路的路沿检测结果。本申请对现有技术的车道线检测模型进行了部分改进使其适用于路沿检测,得到路沿检测模型,当需要检测待测道路的路沿时,将待测道路的图像输入路沿检测模型进行处理,输出候选路沿点集合,之后再结合待测道路的点云数据辅助定位,从而提高路沿检测的准确率。
Description
技术领域
本申请涉及环境感知技术领域,尤其涉及一种路沿检测方法、装置、终端设备和存储介质。
背景技术
路沿即道路边界,它限定了车辆的可通行区域。目前,常用的路沿检测方法是在车辆四周安装摄像头,采集多路的道路图像,然后从道路图像中检测道路边缘线,将道路边缘线转换到车体坐标系下,最后基于具有视差的视图进行边缘线匹配,从而实现路沿检测。然而,上述方法属于不借助其它传感器的纯图像处理方案,若采集的道路图像出现光照等干扰,会导致路沿检测的准确率较低。
发明内容
有鉴于此,本申请实施例提供了一种路沿检测方法、装置、终端设备和存储介质,能够提高路沿检测的准确率。
本申请实施例的第一方面提供了一种路沿检测方法,包括:
获取待测道路的目标图像和点云数据;
将所述目标图像输入至已训练的路沿检测模型进行处理,输出候选路沿点集合;其中,所述路沿检测模型通过对用于实现车道线检测的神经网络模型进行改造获得,以已标记路沿的道路图像数据作为样本训练得到,且使用的用于划分锚点为正样本或负样本的阈值大于指定阈值;
根据所述候选路沿点集合和所述点云数据,检测得到所述待测道路的路沿检测结果。
在本申请实施例中,考虑到车道线检测任务与路沿检测任务相似,都是检测线段,故对现有技术的用于实现车道线检测的神经网络模型,也即车道线检测模型进行了部分改进,使其适用于检测路沿。具体的,可以将车道线检测模型的训练样本由已标记车道线的道路图像替换为已标记路沿的道路图像,再按照一定程度提高车道线检测模型使用的用于划分锚点为正样本或负样本的阈值,经过这样改进后,车道线检测模型即成为一个路沿检测模型。当需要检测待测道路的路沿时,将待测道路的图像输入路沿检测模型进行处理,输出候选路沿点集合,之后再结合待测道路的点云数据获得最终的路沿检测结果。本申请实施例使用的是基于深度学习的路沿检测模型,其性能要优于一般的纯图像处理方案,而且,通过结合点云数据辅助定位,能够有效降低光照等干扰对路沿检测的影响,从而提高路沿检测的准确率。
在本申请实施例的一种实现方式中,所述候选路沿点集合包括至少一条候选路沿线段的坐标点;所述根据所述候选路沿点集合和所述点云数据,检测得到所述待测道路的路沿检测结果,可以包括:
使用非极大值抑制的方法,从所述至少一条候选路沿线段的坐标点中选取目标路沿线段的坐标点;
将所述目标路沿线段的坐标点连成线,得到所述目标路沿线段;
将所述点云数据投影至所述目标图像中;
根据所述目标图像中由所述点云数据投影得到的所述目标路沿线段所处区域的点云,检测得到所述待测道路的路沿标记点。
进一步的,在将所述目标路沿线段的坐标点连成线,得到所述目标路沿线段之后,还可以包括:
对所述目标路沿线段执行轮廓加粗处理。
在本申请实施例的一种实现方式中,所述根据所述目标图像中由所述点云数据投影得到的所述目标路沿线段所处区域的点云,检测得到所述待测道路的路沿标记点,可以包括:
检测所述点云数据中是否存在高度差大于设定阈值的目标点云;
若所述点云数据中存在所述目标点云,则根据所述目标点云检测得到所述待测道路的路沿标记点;
若所述点云数据中不存在所述目标点云,则根据所述目标图像中的所述目标路沿线段所处区域的点云,检测得到所述待测道路的路沿标记点。
进一步的,所述目标图像包括连续的N帧图像,所述点云数据包括所述N帧图像中每帧图像分别对应的点云;
所述将所述点云数据投影至所述目标图像中,具体可以为:
针对所述N帧图像中的每帧图像,将该帧图像对应的点云投影至该帧图像中;
在得到所述N帧图像中每帧图像的目标路沿线段之后,还可以包括:
对所述N帧图像包含的所有相邻两帧图像的目标路沿线段执行线段匹配处理;
所述根据所述目标点云检测得到所述待测道路的路沿标记点,可以包括:
若所述所有相邻两帧图像的目标路沿线段的线段匹配结果均为匹配,则根据所述N帧图像中每帧图像的目标点云,分别检测得到所述N帧图像中每帧图像的路沿标记点;
根据所述N帧图像中每帧图像的路沿标记点,确定所述待测道路的路沿标记点;
所述根据所述目标图像中的所述目标路沿线段所处区域的点云,检测得到所述待测道路的路沿标记点,可以包括:
若所述所有相邻两帧图像的目标路沿线段的线段匹配结果均为匹配,则根据所述N帧图像中每帧图像的目标路沿线段所处区域的点云,分别检测得到所述N帧图像中每帧图像的路沿标记点;
根据所述N帧图像中每帧图像的路沿标记点,确定所述待测道路的路沿标记点。
更进一步的,令第一图像和第二图像为所述N帧图像包含的任意两帧相邻图像,所述对所述N帧图像包含的所有相邻两帧图像的目标路沿线段执行线段匹配处理,可以包括:
遍历计算所述第一图像包含的每个目标路沿线段的轮廓和所述第二图像包含的每个目标路沿线段的轮廓之间的重叠度;
以所述第一图像包含的每个目标路沿线段作为二分图的第一部分的目标,以所述第二图像包含的每个目标路沿线段作为所述二分图的第二部分的目标;
以各个所述重叠度作为所述第一部分的目标和所述第二部分的目标之间的权重,对所述二分图执行KM算法处理;
若执行所述KM算法处理后,所述第二部分的每个目标均成功匹配到所述第一部分中的目标,则确定所述第一图像和所述第二图像的目标路沿线段的线段匹配结果为匹配。
更进一步的,在对所述N帧图像包含的所有相邻两帧图像的目标路沿线段执行线段匹配处理之后,还可以包括:
若所述N帧图像中存在连续M帧以上图像的目标路沿线段的线段匹配结果为不匹配,则将所述路沿检测结果删除。
本申请实施例的第二方面提供了一种路沿检测装置,包括:
数据获取模块,用于获取待测道路的目标图像和点云数据;
路沿检测模型处理模块,用于将所述目标图像输入至已训练的路沿检测模型进行处理,输出候选路沿点集合;其中,所述路沿检测模型通过对用于实现车道线检测的神经网络模型进行改造获得,以已标记路沿的道路图像数据作为样本训练得到,且使用的用于划分锚点为正样本或负样本的阈值大于指定阈值;
路沿检测模块,用于根据所述候选路沿点集合和所述点云数据,检测得到所述待测道路的路沿检测结果。
本申请实施例的第三方面提供了一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如本申请实施例的第一方面提供的路沿检测方法。
本申请实施例的第四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程序,所述计算机程序被处理器执行时实现如本申请实施例的第一方面提供的路沿检测方法。
本申请实施例的第五方面提供了一种计算机程序产品,当计算机程序产品在终端设备上运行时,使得终端设备执行如本申请实施例的第一方面所述的路沿检测方法。
可以理解的是,上述第二方面至第五方面的有益效果可以参见上述第一方面中的相关描述,在此不再赘述。
附图说明
图1是本申请实施例提供的一种路沿检测方法的流程图;
图2是使用LaneATT模型输出的车道线检测结果示意图;
图3是图1中步骤103的一种具体实施方式的流程图;
图4是使用本申请实施例提供的路沿检测方法获得的待测道路的路沿标记点的效果示意图;
图5是本申请实施例提供的一种路沿检测装置的结构框架图;
图6是本申请实施例提供的一种终端设备的示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本申请实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本申请的描述。另外,在本申请说明书和所附权利要求书的描述中,术语“第一”、“第二”、“第三”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
本申请实施例提出的是一种路沿检测方法,适用于车辆驾驶过程中的环境感知,例如,在车辆行驶过程中,采用该路沿检测方法能够比较准确地识别道路边缘,实时感知可通行区域。关于本申请实施例更具体的技术实现细节,请参照下文所述的方法实施例。
应当理解,本申请各个方法实施例的执行主体为各种类型的终端设备或服务器,例如可以是手机、平板电脑、可穿戴设备、车载设备、增强现实(augmented reality,AR)/虚拟现实(virtual reality,VR)设备、笔记本电脑、超级移动个人计算机(ultra-mobilepersonal computer,UMPC)、上网本、个人数字助理(personal digital assistant,PDA)、大屏电视,等等,本申请实施例对该终端设备和服务器的具体类型不作任何限制。
请参阅图1,示出了本申请实施例提供的一种路沿检测方法,包括:
101、获取待测道路的目标图像和点云数据;
首先,获取待测道路的图像(用目标图像表示)和点云数据,待测道路可以是需要检测路沿的任何类型的道路,点云数据既可以是激光雷达点云,也可以是图像点云。在实际操作中,针对车辆在待测道路上行驶的场景,可以在车体安装激光雷达和摄像头,通过摄像头采集前方道路的目标图像,通过激光雷达采集前方道路的点云数据。
102、将所述目标图像输入至已训练的路沿检测模型进行处理,输出候选路沿点集合;
考虑到车道线检测任务与路沿检测任务相似,都是检测线段,本申请实施例对现有技术的车道线检测模型(也即用于实现车道线检测的各类神经网络模型)进行了改进,使得该模型适用于实现路沿检测。现有技术已经提出很多种不同的车道线检测模型,例如LaneNet,LaneATT等。以LaneATT为例,其基本原理是:使用特征提取网络提取输入图像的特征,生成一个特征映射,然后汇集特征映射提取每个锚点(anchor)的特征;锚点的特征与一组由注意力机制模块产生的图像全局特征结合,通过结合局部特征和全局特征,在车道线被遮挡或没有可见车道标记的情况下可以更容易地使用来自其它车道的信息;最后,将融合后的特征传递给全连接层,以预测最终的输出车道。LaneATT模型最终输出的是用于表示车道线位置的离散坐标点集合,若连接这些离散坐标点将得到各个表示车道线的线段,如图2所示。
本申请实施例主要对现有技术的车道线检测模型进行了如下2点改进:
(1)将车道线检测模型的训练样本由已标记车道线的道路图像替换为已标记路沿的道路图像;通过这样设置,车道线检测模型的输出不再是车道线的坐标点集合,而是路沿的坐标点集合,本申请实施例用候选路沿点集合表示路沿的坐标点集合;
(2)按照一定程度提高车道线检测模型使用的用于划分锚点为正样本或负样本的阈值,使得其大于某个指定阈值;该指定阈值可以理解为车道线检测模型在执行车道线检测时使用的对应阈值。大多数车道线属于直线,只有在图像末端存在弯曲的情况较多,而对于路沿,直线和曲线的情况都比较常见。因此,在锚点(anchor)的选取中,需要修改正负样本的选取阈值,使得提取的正负样本能满足曲线的边缘。传统的车道线检测模型在训练时,会计算锚点(anchor)和真实值(ground truth)之间的距离。当两者距离小于阈值τ_p时,该锚点(anchor)被当作正样本;当两者距离大于阈值τ_n时,该锚点(anchor)被当作负样本;否则忽略样本。为了实现路沿检测,可以对应调高上述两个阈值τ_p和τ_n。
改进后的车道线检测模型即成为一个路沿检测模型,将目标图像输入该路沿检测模型进行处理,会输出离散的路沿坐标点集合,用候选路沿点集合表示。
103、根据所述候选路沿点集合和所述点云数据,检测得到所述待测道路的路沿检测结果。
为了提高路沿检测的准确率,本申请实施例结合目标图像对应的点云数据辅助定位路沿的位置,从而得到待测道路的路沿检测结果,该路沿检测结果可以是一系列路沿标记点,也可以是对路沿标记点进行曲线拟合后得到的路沿标记曲线。
在本申请实施例的一种实现方式中,如图3所示,所述候选路沿点集合包括至少一条候选路沿线段的坐标点;所述步骤103可以包括:
1031、使用非极大值抑制的方法,从所述至少一条候选路沿线段的坐标点中选取目标路沿线段的坐标点;
1032、将所述目标路沿线段的坐标点连成线,得到所述目标路沿线段;
1033、将所述点云数据投影至所述目标图像中;
1034、根据所述目标图像中由所述点云数据投影得到的所述目标路沿线段所处区域的点云,检测得到所述待测道路的路沿标记点。
对于上述步骤1031,目标图像中的每条路沿,在经过车道线检测模型检测后通常会得到一条或多条候选路沿线段的离散坐标点;例如,假设目标图像中有左路沿和右路沿,则经过车道线检测模型检测后,左路沿会检测出一条或多条候选路沿线段的离散坐标点,右路沿同样会检测出一条或多条候选路沿线段的离散坐标点。针对每条路沿,都可以使用非极大值抑制的方法从一条或多条候选路沿线段中选择最优的一条,用目标路沿线段表示,也即目标图像中的每条路沿都会检测得到一条对应的目标路沿线段。在目标检测的初始结果中,同一个物体可能对应有多个检测框,这些检测框通常相互重叠,此时可以使用非极大值抑制(Non-maximum suppression,NMS)的方法从这些检测框中选择一个最优的与真实目标框最接近的检测框。具体的,可以分别用检测框将每条候选路沿线段包围起来,这样即得到多个重叠的检测框,从而可以实施非极大值抑制的处理,从中筛选出最优检测框,该最优检测框包围的候选路沿线段即为目标路沿线段。
对于上述步骤1032,由于车道线检测模型输出的是离散的坐标点,为便于后续步骤做线段匹配,可以将目标路沿线段的坐标点连成线,从而生成完整的目标路沿线段;在通常情况下,连成的目标路沿线段较细,不方便做线段匹配,故在连线后还可以对目标路沿线段执行轮廓加粗处理,线段的轮廓加粗处理也可称作线段膨胀处理,处理后的目标路沿线段所占的像素范围更大,有利于执行线段匹配。
对于上述步骤1033-1034,为了辅助定位,可以将与目标图像对应的点云数据投影到目标图像中,之后即可根据该目标图像中由该点云数据投影得到的目标路沿线段所处区域的点云,检测得到待测道路的路沿标记点,从而获得路沿检测结果。在本申请实施例的一种实现方式中,所述根据所述目标图像中由所述点云数据投影得到的所述目标路沿线段所处区域的点云,检测得到所述待测道路的路沿标记点,可以包括:
(1)检测所述点云数据中是否存在高度差大于设定阈值的目标点云;
(2)若所述点云数据中存在所述目标点云,则根据所述目标点云检测得到所述待测道路的路沿标记点;
(3)若所述点云数据中不存在所述目标点云,则根据所述目标图像中的所述目标路沿线段所处区域的点云,检测得到所述待测道路的路沿标记点。
实际场景中的路沿可以分为两种类型,一种是路沿和路面之间具有明显高度差的,例如具有马路牙的路段;另一种是路沿和路面之间没有明显高度差的,例如水泥地旁边接草地的路段。针对这两种类型的路沿,可以分别采用不同的检测方式:对于路沿和路面之间具有明显高度差的类型,点云数据中会存在一部分高度差大于设定阈值的点云,用目标点云表示,通过对目标点云进行检测,可以得到路沿标记点;对于路沿和路面之间没有明显高度差的类型,点云数据中不存在明显高度差的点云,此时可以找到投影到目标图像的目标路沿线段所处区域内的点云,对这部分点云进行检测以得到路沿标记点。可以看出,对于路沿和路面之间具有明显高度差的类型,同样也可以采用第二种检测方式,即检测投影到目标图像的目标路沿线段所处区域内的点云以获得路沿标记点。
进一步的,所述目标图像包括连续的N帧图像,所述点云数据包括所述N帧图像中每帧图像分别对应的点云;所述将所述点云数据投影至所述目标图像中,具体可以为:
针对所述N帧图像中的每帧图像,将该帧图像对应的点云投影至该帧图像中。
假设该N帧图像为图像1-图像N,与它们对应的点云分别为点云1-点云N,则将点云1投影至图像1,点云2投影至图像2…点云N投影至图像N。也即,投影至图像的是相同时刻的点云数据。
在上述步骤中会得到N帧图像中每帧图像的目标路沿线段,接下来可以做线段的跟踪匹配,也即对该N帧图像包含的所有相邻两帧图像的目标路沿线段执行线段匹配处理。例如,图像1和图像2做目标路沿线段匹配,图像2和图像3做目标路沿线段匹配…图像N-1和图像N做目标路沿线段匹配。
在本申请实施例的一种实施方式中,令第一图像和第二图像为所述N帧图像包含的任意两帧相邻图像,第一图像和第二图像做目标路沿线段匹配的过程可以包括:
(1)获取所述第一图像的目标路沿线段的第一起始坐标点和第一结束坐标点,以及获取所述第二图像的目标路沿线段的第二起始坐标点和第二结束坐标点;
(2)从所述第一起始坐标点和所述第二起始坐标点中,选取第一方向的坐标值较大的目标起始坐标点;
(3)从所述第一结束坐标点和所述第二结束坐标点中,选取所述第一方向的坐标值较小的目标结束坐标点;
(4)在所述目标起始坐标点和所述目标结束坐标点限定的范围内,分别计算所述第一图像的目标路沿线段中每个坐标点的第二方向的坐标值与所述第二图像的目标路沿线段中对应坐标点的第二方向的坐标值之间的差值;其中,所述第二方向和所述第一方向相互垂直;
(5)若各个所述差值之和小于设定阈值,则确定所述第一图像和所述第二图像的目标路沿线段的线段匹配结果为匹配。
第一方向和第二方向是坐标系中相互垂直的两个方向,例如第一方向可以是Y轴方向,第二方向可以是X轴方向。假设第一图像的目标路沿线段的起始坐标点和结束坐标点分别为A1=(x1,y1)和A1=(x2,y2),第二图像的目标路沿线段的起始坐标点和结束坐标点分别为B1=(x3,y3)和B2=(x4,y4),则从中查找Y坐标最大的起始坐标点作为目标起始坐标点,查找Y坐标最小的结束坐标点作为目标结束坐标点。例如,若y1大于y3,y2大于y4,则得到的目标起始坐标点是第一图像的目标路沿线段的起始坐标点A1,得到的目标结束坐标点是第二图像的目标路沿线段的结束坐标点B2。在目标起始坐标点和目标结束坐标点限定的Y坐标范围内,两个目标路沿线段都具有坐标点,可以做线段匹配,具体可以分别计算第一图像的目标路沿线段的每个坐标点的X坐标和第二图像的目标路沿线段的对应坐标点(Y坐标相同)的X坐标之差,若这些差值之和小于设定阈值,则表示第一图像的目标路沿线段和第二图像的目标路沿线段属于同一路沿,相应的线段匹配结果为匹配,否则表示第一图像的目标路沿线段和第二图像的目标路沿线段不属于同一路沿,相应的线段匹配结果为不匹配。
在本申请实施例的另一种实施方式中,第一图像和第二图像做目标路沿线段匹配的过程可以包括:
(1)遍历计算所述第一图像包含的每个目标路沿线段的轮廓和所述第二图像包含的每个目标路沿线段的轮廓之间的重叠度;
(2)以所述第一图像包含的每个目标路沿线段作为二分图的第一部分的目标,以所述第二图像包含的每个目标路沿线段作为所述二分图的第二部分的目标;
(3)以各个所述重叠度作为所述第一部分的目标和所述第二部分的目标之间的权重,对所述二分图执行KM算法处理;
(4)若执行所述KM算法处理后,所述第二部分的每个目标均成功匹配到所述第一部分中的目标,则确定所述第一图像和所述第二图像的目标路沿线段的线段匹配结果为匹配。
假设第一图像包含3个目标路沿线段,用a1、a2和a3表示,第二图像包含3个目标路沿线段,用b1、b2和b3表示,则分别计算a1的轮廓和b1的轮廓之间的重叠度,a1的轮廓和b2的轮廓之间的重叠度,a1的轮廓和b3的轮廓之间的重叠度,a2的轮廓和b1的轮廓之间的重叠度…以此类推,得到9个重叠度数值。二分图是一类特殊的图,可以被划分为两个部分,每个部分内的点互不相连,可以把二分图理解为视频中连续两帧图像中的所有目标检测框。具体的,以a1、a2和a3作为二分图的第一部分的目标,以b1、b2和b3作为二分图的第二部分的目标,并将上述得到的9个重叠度数值作为两部分目标之间的权重,例如,a1的轮廓和b1的轮廓之间的重叠度Iou1,可作为目标a1和目标b1之间的权重,a1的轮廓和b2的轮廓之间的重叠度Iou2,可作为目标a1和目标b2之间的权重,以此类推。接着,可以使用KM算法对该二分图进行处理,从而解决带权二分图的最优匹配问题,关于KM算法的具体操作原理可以参照现有技术。经过KM算法处理后,二分图的第二部分的某个目标可能成功匹配到第一部分中的目标,也可能匹配不上第一部分中的目标。如果二分图的第二部分的所有目标均成功匹配到第一部分中的目标,则表示第二图像中的每个目标路沿线段都成功匹配到第一图像中的目标路沿线段,此时可以确定第一图像和第二图像的目标路沿线段的线段匹配结果为匹配。否则,如果第二图像中存在至少一个目标路沿线段无法匹配到第一图像中的目标路沿线段,则可以确定第一图像和第二图像的目标路沿线段的线段匹配结果为不匹配。在完成N帧图像的目标路沿线段跟踪匹配之后,前文所述的根据目标点云检测得到待测道路的路沿标记点,可以包括:
(1)若所述所有相邻两帧图像的目标路沿线段的线段匹配结果均为匹配,则根据所述N帧图像中每帧图像的目标点云,分别检测得到所述N帧图像中每帧图像的路沿标记点;
(2)根据所述N帧图像中每帧图像的路沿标记点,确定所述待测道路的路沿标记点。
如果图像1-图像N的目标路沿线段的线段匹配结果均为匹配,即表示图像1-图像N中的目标路沿线段都属于同一路沿。针对具有高度差的目标点云的情况:检测点云1中具有高度差的目标点云,计算该目标点云所处区域中每一行点云的平均X坐标,这些平均X坐标视作图像1中检测出来的路沿标记点;检测点云2中具有高度差的目标点云,计算该目标点云所处区域中每一行点云的平均X坐标,这些平均X坐标视作图像2中检测出来的路沿标记点,以此类推,直至获得图像N中检测出来的路沿标记点。最后,可以计算图像1-图像N中每个对应路沿标记点的X坐标的平均值,作为最终输出的待测道路的路沿标记点。
前文所述的根据目标图像中的目标路沿线段所处区域的点云,检测得到待测道路的路沿标记点,可以包括:
(1)若所述所有相邻两帧图像的目标路沿线段的线段匹配结果均为匹配,则根据所述N帧图像中每帧图像的目标路沿线段所处区域的点云,分别检测得到所述N帧图像中每帧图像的路沿标记点;
(2)根据所述N帧图像中每帧图像的路沿标记点,确定所述待测道路的路沿标记点。
如果图像1-图像N的目标路沿线段的线段匹配结果均为匹配,即表示图像1-图像N中的目标路沿线段都属于同一路沿。针对没有目标点云的情况:检测图像1中目标路沿线段所处区域的点云,计算该区域点云中每一行点云的平均X坐标,这些平均X坐标视作图像1中检测出来的路沿标记点;检测图像2中目标路沿线段所处区域的点云,计算该区域点云中每一行点云的平均X坐标,这些平均X坐标视作图像2中检测出来的路沿标记点;以此类推,直至获得图像N中检测出来的路沿标记点。最后,可以计算图像1-图像N中每个对应路沿标记点的X坐标的平均值,作为最终输出的待测道路的路沿标记点。
如图4所示,为使用本申请实施例提供的路沿检测方法获得的待测道路的路沿标记点的效果示意图。图4中仅标示出左边路沿的标记点,三条白色的虚线段分别表示3帧不同时刻图像检测出来的路沿标记点。
进一步的,在对所述N帧图像包含的所有相邻两帧图像的目标路沿线段执行线段匹配处理之后,还可以包括:
若所述N帧图像中存在连续M帧以上图像的目标路沿线段的线段匹配结果为不匹配,则将所述路沿检测结果删除。
在实际操作中,可以创建一个向量用于保存路沿检测结果,该向量可以保存2N帧图像的路沿标记点,每输入一帧图像则将该图像的路沿标记点存入该向量中。当该向量中已经存入N帧图像的路沿标记点时,可以计算一次当前路沿标记点坐标的平均值(作为当前的路沿检测结果),每输入一帧新图像的路沿标记点,则重新计算一次当前路沿标记点坐标的平均值;如果该向量已经存入2N帧图像的路沿标记点,则按照先进先出的原则,将该向量中第一帧图像的路沿标记点删除,以便存入新图像的路沿标记点。需要说明的是,每个向量保存的各帧图像的目标路沿线段的线段匹配结果都是匹配的,如果出现某帧图像和前一帧图像的目标路沿线段不匹配,则会创建一个新的向量保存该帧图像的路沿标记点数据。而如果出现连续多帧以上的图像的目标路沿线段不匹配,则会将已创建的向量删除,也即删除对应的路沿检测结果。例如,图像1-图像5的目标路沿线段是匹配的,向量A保存图像1-图像5的路沿标记点数据,图像6和图像5的目标路沿线段不匹配,则新创建向量B用于保存图像6的路沿标记点数据,而如果图像7-图像10都与图像5不匹配,则可以删除已创建的向量A。
在本申请实施例中,考虑到车道线检测任务与路沿检测任务相似,都是检测线段,故对现有技术的用于实现车道线检测的神经网络模型,也即车道线检测模型进行了部分改进,使其适用于检测路沿。具体的,可以将车道线检测模型的训练样本由已标记车道线的道路图像替换为已标记路沿的道路图像,再按照一定程度提高车道线检测模型使用的用于划分锚点为正样本或负样本的阈值,经过这样改进后,车道线检测模型即成为一个路沿检测模型。当需要检测待测道路的路沿时,将待测道路的图像输入路沿检测模型进行处理,输出候选路沿点集合,之后再结合待测道路的点云数据获得最终的路沿检测结果。本申请实施例使用的是基于深度学习的路沿检测模型,其性能要优于一般的纯图像处理方案,而且,通过结合点云数据辅助定位,能够有效降低光照等干扰对路沿检测的影响,从而提高路沿检测的准确率。
应理解,上述各个实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。
上面主要描述了一种路沿检测方法,下面将对一种路沿检测装置进行描述。
请参阅图5,本申请实施例中一种路沿检测装置的一个实施例包括:
数据获取模块501,用于获取待测道路的目标图像和点云数据;
路沿检测模型处理模块502,用于将所述目标图像输入至已训练的路沿检测模型进行处理,输出候选路沿点集合;其中,所述路沿检测模型通过对用于实现车道线检测的神经网络模型进行改造获得,以已标记路沿的道路图像数据作为样本训练得到,且使用的用于划分锚点为正样本或负样本的阈值大于指定阈值;
路沿检测模块503,用于根据所述候选路沿点集合和所述点云数据,检测得到所述待测道路的路沿检测结果。
在本申请实施例的一种实现方式中,所述候选路沿点集合包括至少一条候选路沿线段的坐标点,所述路沿检测模块可以包括:
目标路沿线段选取单元,用于使用非极大值抑制的方法,从所述至少一条候选路沿线段的坐标点中选取目标路沿线段的坐标点;
点连线单元,用于将所述目标路沿线段的坐标点连成线,得到所述目标路沿线段;
点云投影单元,用于将所述点云数据投影至所述目标图像中;
路沿标记点检测单元,用于根据所述目标图像中由所述点云数据投影得到的所述目标路沿线段所处区域的点云,检测得到所述待测道路的路沿标记点。
进一步的,所述路沿检测模块还可以包括:
线段加粗单元,用于对所述目标路沿线段执行轮廓加粗处理。
进一步的,所述路沿标记点检测单元可以包括:
目标点云检测单元,用于检测所述点云数据中是否存在高度差大于设定阈值的目标点云;
第一路沿检测单元,用于若所述点云数据中存在所述目标点云,则根据所述目标点云检测得到所述待测道路的路沿标记点;
第二路沿检测单元,用于若所述点云数据中不存在所述目标点云,则根据所述目标图像中的所述目标路沿线段所处区域的点云,检测得到所述待测道路的路沿标记点。
进一步的,所述目标图像包括连续的N帧图像,所述点云数据包括所述N帧图像中每帧图像分别对应的点云;
所述点云投影单元具体可以用于:针对所述N帧图像中的每帧图像,将该帧图像对应的点云投影至该帧图像中;
所述路沿检测模块还可以包括:
线段匹配单元,用于对所述N帧图像包含的所有相邻两帧图像的目标路沿线段执行线段匹配处理;
所述第一路沿检测单元可以包括:
第一路沿标记点检测子单元,用于若所述所有相邻两帧图像的目标路沿线段的线段匹配结果均为匹配,则根据所述N帧图像中每帧图像的目标点云,分别检测得到所述N帧图像中每帧图像的路沿标记点;
第一路沿标记点确定子单元,用于根据所述N帧图像中每帧图像的路沿标记点,确定所述待测道路的路沿标记点;
所述第二路沿检测单元可以包括:
第二路沿标记点检测子单元,用于若所述所有相邻两帧图像的目标路沿线段的线段匹配结果均为匹配,则根据所述N帧图像中每帧图像的目标路沿线段所处区域的点云,分别检测得到所述N帧图像中每帧图像的路沿标记点;
第二路沿标记点确定子单元,用于根据所述N帧图像中每帧图像的路沿标记点,确定所述待测道路的路沿标记点。
更进一步的,令第一图像和第二图像为所述N帧图像包含的任意两帧相邻图像,所述线段匹配单元可以包括:
重叠度计算子单元,用于遍历计算所述第一图像包含的每个目标路沿线段的轮廓和所述第二图像包含的每个目标路沿线段的轮廓之间的重叠度;
二分图目标构建子单元,用于以所述第一图像包含的每个目标路沿线段作为二分图的第一部分的目标,以所述第二图像包含的每个目标路沿线段作为所述二分图的第二部分的目标;
KM算法处理子单元,用于以各个所述重叠度作为所述第一部分的目标和所述第二部分的目标之间的权重,对所述二分图执行KM算法处理;
线段匹配结果确定子单元,用于若执行所述KM算法处理后,所述第二部分的每个目标均成功匹配到所述第一部分中的目标,则确定所述第一图像和所述第二图像的目标路沿线段的线段匹配结果为匹配。
更进一步的,所述路沿检测模块还可以包括:
路沿检测结果删除单元,用于若所述N帧图像中存在连续M帧以上图像的目标路沿线段的线段匹配结果为不匹配,则将所述路沿检测结果删除。
本申请实施例还提供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程序,所述计算机程序被处理器执行时实现如图1表示的任意一种路沿检测方法。
本申请实施例还提供一种计算机程序产品,当该计算机程序产品在终端设备上运行时,使得终端设备执行实现如图1表示的任意一种路沿检测方法。
图6是本申请一实施例提供的终端设备的示意图。如图6所示,该实施例的终端设备6包括:处理器60、存储器61以及存储在所述存储器61中并可在所述处理器60上运行的计算机程序62。所述处理器60执行所述计算机程序62时实现上述各个路沿检测方法的实施例中的步骤,例如图1所示的步骤101至103。或者,所述处理器60执行所述计算机程序62时实现上述各装置实施例中各模块/单元的功能,例如图5所示模块501至503的功能。
所述计算机程序62可以被分割成一个或多个模块/单元,所述一个或者多个模块/单元被存储在所述存储器61中,并由所述处理器60执行,以完成本申请。所述一个或多个模块/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,该指令段用于描述所述计算机程序62在所述终端设备6中的执行过程。
所称处理器60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)、现成可编程门阵列(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。
所述存储器61可以是所述终端设备6的内部存储单元,例如终端设备6的硬盘或内存。所述存储器61也可以是所述终端设备6的外部存储设备,例如所述终端设备6上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,所述存储器61还可以既包括所述终端设备6的内部存储单元也包括外部存储设备。所述存储器61用于存储所述计算机程序以及所述终端设备所需的其他程序和数据。所述存储器61还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
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,上述描述的系统,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的系统实施例仅仅是示意性的,例如,所述模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本申请实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,RandomAccess Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括是电载波信号和电信信号。
以上所述实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围,均应包含在本申请的保护范围之内。
Claims (10)
1.一种路沿检测方法,其特征在于,包括:
获取待测道路的目标图像和点云数据;
将所述目标图像输入至已训练的路沿检测模型进行处理,输出候选路沿点集合;其中,所述路沿检测模型通过对用于实现车道线检测的神经网络模型进行改造获得,以已标记路沿的道路图像数据作为样本训练得到,且使用的用于划分锚点为正样本或负样本的阈值大于指定阈值;
根据所述候选路沿点集合和所述点云数据,检测得到所述待测道路的路沿检测结果。
2.如权利要求1所述的方法,其特征在于,所述候选路沿点集合包括至少一条候选路沿线段的坐标点;所述根据所述候选路沿点集合和所述点云数据,检测得到所述待测道路的路沿检测结果,包括:
使用非极大值抑制的方法,从所述至少一条候选路沿线段的坐标点中选取目标路沿线段的坐标点;
将所述目标路沿线段的坐标点连成线,得到所述目标路沿线段;
将所述点云数据投影至所述目标图像中;
根据所述目标图像中由所述点云数据投影得到的所述目标路沿线段所处区域的点云,检测得到所述待测道路的路沿标记点。
3.如权利要求2所述的方法,其特征在于,在将所述目标路沿线段的坐标点连成线,得到所述目标路沿线段之后,还包括:
对所述目标路沿线段执行轮廓加粗处理。
4.如权利要求2或3所述的方法,其特征在于,所述根据所述目标图像中由所述点云数据投影得到的所述目标路沿线段所处区域的点云,检测得到所述待测道路的路沿标记点,包括:
检测所述点云数据中是否存在高度差大于设定阈值的目标点云;
若所述点云数据中存在所述目标点云,则根据所述目标点云检测得到所述待测道路的路沿标记点;
若所述点云数据中不存在所述目标点云,则根据所述目标图像中的所述目标路沿线段所处区域的点云,检测得到所述待测道路的路沿标记点。
5.如权利要求4所述的方法,其特征在于,所述目标图像包括连续的N帧图像,所述点云数据包括所述N帧图像中每帧图像分别对应的点云;
所述将所述点云数据投影至所述目标图像中,具体为:
针对所述N帧图像中的每帧图像,将该帧图像对应的点云投影至该帧图像中;
在得到所述N帧图像中每帧图像的目标路沿线段之后,还包括:
对所述N帧图像包含的所有相邻两帧图像的目标路沿线段执行线段匹配处理;
所述根据所述目标点云检测得到所述待测道路的路沿标记点,包括:
若所述所有相邻两帧图像的目标路沿线段的线段匹配结果均为匹配,则根据所述N帧图像中每帧图像的目标点云,分别检测得到所述N帧图像中每帧图像的路沿标记点;
根据所述N帧图像中每帧图像的路沿标记点,确定所述待测道路的路沿标记点;
所述根据所述目标图像中的所述目标路沿线段所处区域的点云,检测得到所述待测道路的路沿标记点,包括:
若所述所有相邻两帧图像的目标路沿线段的线段匹配结果均为匹配,则根据所述N帧图像中每帧图像的目标路沿线段所处区域的点云,分别检测得到所述N帧图像中每帧图像的路沿标记点;
根据所述N帧图像中每帧图像的路沿标记点,确定所述待测道路的路沿标记点。
6.如权利要求5所述的方法,其特征在于,令第一图像和第二图像为所述N帧图像包含的任意两帧相邻图像,所述对所述N帧图像包含的所有相邻两帧图像的目标路沿线段执行线段匹配处理,包括:
遍历计算所述第一图像包含的每个目标路沿线段的轮廓和所述第二图像包含的每个目标路沿线段的轮廓之间的重叠度;
以所述第一图像包含的每个目标路沿线段作为二分图的第一部分的目标,以所述第二图像包含的每个目标路沿线段作为所述二分图的第二部分的目标;
以各个所述重叠度作为所述第一部分的目标和所述第二部分的目标之间的权重,对所述二分图执行KM算法处理;
若执行所述KM算法处理后,所述第二部分的每个目标均成功匹配到所述第一部分中的目标,则确定所述第一图像和所述第二图像的目标路沿线段的线段匹配结果为匹配。
7.如权利要求5或6所述的方法,其特征在于,在对所述N帧图像包含的所有相邻两帧图像的目标路沿线段执行线段匹配处理之后,还包括:
若所述N帧图像中存在连续M帧以上图像的目标路沿线段的线段匹配结果为不匹配,则将所述路沿检测结果删除。
8.一种路沿检测装置,其特征在于,包括:
数据获取模块,用于获取待测道路的目标图像和点云数据;
路沿检测模型处理模块,用于将所述目标图像输入至已训练的路沿检测模型进行处理,输出候选路沿点集合;其中,所述路沿检测模型通过对用于实现车道线检测的神经网络模型进行改造获得,以已标记路沿的道路图像数据作为样本训练得到,且使用的用于划分锚点为正样本或负样本的阈值大于指定阈值;
路沿检测模块,用于根据所述候选路沿点集合和所述点云数据,检测得到所述待测道路的路沿检测结果。
9.一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至7中任一项所述的路沿检测方法。
10.一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程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述的路沿检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210744167.3A CN117372975A (zh) | 2022-06-28 | 2022-06-28 | 一种路沿检测方法、装置、终端设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210744167.3A CN117372975A (zh) | 2022-06-28 | 2022-06-28 | 一种路沿检测方法、装置、终端设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117372975A true CN117372975A (zh) | 2024-01-09 |
Family
ID=89391512
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210744167.3A Pending CN117372975A (zh) | 2022-06-28 | 2022-06-28 | 一种路沿检测方法、装置、终端设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117372975A (zh) |
-
2022
- 2022-06-28 CN CN202210744167.3A patent/CN117372975A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11486727B2 (en) | Map generation device, map generation method, and map generation computer program | |
EP3650814B1 (en) | Vision augmented navigation | |
US8238610B2 (en) | Homography-based passive vehicle speed measuring | |
JP6726932B2 (ja) | 走行路メタデータを用いた空中写真/映像におけるコンテキスト・アウェア物体検出 | |
CN102208035B (zh) | 图像处理系统及位置测量系统 | |
CN111830953A (zh) | 车辆自定位方法、装置及系统 | |
CN112507862B (zh) | 基于多任务卷积神经网络的车辆朝向检测方法及系统 | |
CN110608746B (zh) | 用于确定机动车的位置的方法和装置 | |
JP2006208223A (ja) | 車両位置認識装置及び車両位置認識方法 | |
JP6278791B2 (ja) | 車両位置検出装置、車両位置検出方法及び車両位置検出用コンピュータプログラムならびに車両位置検出システム | |
JP6759175B2 (ja) | 情報処理装置および情報処理システム | |
WO2021017211A1 (zh) | 一种基于视觉的车辆定位方法、装置及车载终端 | |
JP2009205403A (ja) | 道路標示認識装置、および道路標示認識方法 | |
CN111382625A (zh) | 道路标识识别方法、装置及电子设备 | |
JP2012215442A (ja) | 自位置特定システム、自位置特定プログラム及び自位置特定方法 | |
CN114758086B (zh) | 一种城市道路信息模型的构建方法及装置 | |
CN113223064B (zh) | 一种视觉惯性里程计尺度的估计方法和装置 | |
JP6649859B2 (ja) | 自車位置推定装置、自車位置推定方法 | |
JPH10300494A (ja) | 車輌位置検出装置および方法ならびに経路案内装置および方法 | |
CN111982132B (zh) | 数据处理方法、装置和存储介质 | |
CN111754388B (zh) | 一种建图方法及车载终端 | |
CN113902047B (zh) | 图像元素匹配方法、装置、设备以及存储介质 | |
CN117372975A (zh) | 一种路沿检测方法、装置、终端设备和存储介质 | |
CN116259033A (zh) | 车辆信息丢失的目标跟踪方法、系统、介质及设备 | |
CN115909241A (zh) | 一种车道线检测方法、系统、电子设备和存储介质 |
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 |