CN117392634B - 车道线的获取方法、装置、存储介质及电子装置 - Google Patents
车道线的获取方法、装置、存储介质及电子装置 Download PDFInfo
- Publication number
- CN117392634B CN117392634B CN202311709322.9A CN202311709322A CN117392634B CN 117392634 B CN117392634 B CN 117392634B CN 202311709322 A CN202311709322 A CN 202311709322A CN 117392634 B CN117392634 B CN 117392634B
- Authority
- CN
- China
- Prior art keywords
- lane line
- lane
- target
- line
- lines
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 70
- 238000001514 detection method Methods 0.000 claims abstract description 84
- 238000000605 extraction Methods 0.000 claims abstract description 19
- 238000012545 processing Methods 0.000 claims abstract description 12
- 238000004590 computer program Methods 0.000 claims description 10
- 238000010586 diagram Methods 0.000 description 14
- 238000004891 communication Methods 0.000 description 10
- 238000013135 deep learning Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000003068 static effect Effects 0.000 description 3
- 230000000903 blocking effect Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 239000002689 soil Substances 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 230000001502 supplementing 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
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/757—Matching configurations of points or 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
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Traffic Control Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例提供了一种车道线的获取方法、装置、存储介质及电子装置，其中，该方法包括：对与目标道路对应的目标检测图片进行车道线提取，得到一组车道线，其中，目标检测图片为目标道路上的车道线未被运动物体遮挡的图片；在确定目标检测图片中存在隐藏车道线的情况下，基于车道线的邻近关系，确定一组车道线中与隐藏车道线对应的两个车道线，其中，两个车道线包括第一车道线和第二车道线；基于第一车道线上的每个参考点到第二车道线的垂直距离，确定与每个参考点匹配的目标点，其中，与每个参考点匹配的目标点位于经过每个参考点的第一车道线的垂线上；对与每个参考点匹配的目标点进行聚类处理，得到隐藏车道线。
Description
技术领域
本发明实施例涉及智慧交通领域，具体而言，涉及一种车道线的获取方法、装置、存储介质及电子装置。
背景技术
相关技术中，根据车道线与道路、植物等物体之间的像素值差异，可以获取道路图片中的车道线，例如，由于应急车道边缘的像素值和外部绿化树木或者泥土的像素值之前有较大的差异，可以根据二者之间像素值的差异来判断应急车道和外部绿化带，再将应急车道的边缘线进行标注，并通过深度学习训练模型对应急车道边缘线进行预测。
然而，在道路图片中，车道线被遮挡的情况下，例如，在车道线被树木或者绿化带遮挡，或者树木或者绿化带的阴影遮挡了车道线的情况下，无法根据车道线和其他物体之间的像素值差异获取车道线。由此可见，相关技术中的车道线的获取方法存在无法获取被遮挡的车道线导致的车道线的获取方法的可靠性低的问题。
发明内容
本发明实施例提供了一种车道线的获取方法、装置、存储介质及电子装置，以至少解决相关技术中的车道线的获取方法存在无法获取被遮挡的车道线导致的车道线的获取方法的可靠性低的问题。
根据本发明的一个实施例，提供了一种车道线的获取方法，包括：对与目标道路对应的目标检测图片进行车道线提取，得到一组车道线，其中，所述目标检测图片为所述目标道路上的车道线未被运动物体遮挡的图片；在确定所述目标检测图片中存在隐藏车道线的情况下，基于车道线的邻近关系，确定所述一组车道线中与所述隐藏车道线对应的两个车道线，其中，所述两个车道线包括第一车道线和第二车道线；基于所述第一车道线上的每个参考点到所述第二车道线的垂直距离，确定与所述每个参考点匹配的目标点，其中，与所述每个参考点匹配的目标点位于经过所述每个参考点的所述第一车道线的垂线上；对与所述每个参考点匹配的目标点进行聚类处理，得到所述隐藏车道线。
根据本发明的另一个实施例，提供了一种车道线的获取装置，包括：提取单元，用于对与目标道路对应的目标检测图片进行车道线提取，得到一组车道线，其中，所述目标检测图片为所述目标道路上的车道线未被运动物体遮挡的图片；第一确定单元，用于在确定所述目标检测图片中存在隐藏车道线的情况下，基于车道线的邻近关系，确定所述一组车道线中与所述隐藏车道线对应的两个车道线，其中，所述两个车道线包括第一车道线和第二车道线；第二确定单元，用于基于所述第一车道线上的每个参考点到所述第二车道线的垂直距离，确定与所述每个参考点匹配的目标点，其中，与所述每个参考点匹配的目标点位于经过所述每个参考点的所述第一车道线的垂线上；处理单元，用于对与所述每个参考点匹配的目标点进行聚类处理，得到所述隐藏车道线。
根据本发明的又一个实施例，还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中存储有计算机程序，其中，所述计算机程序被处理器执行时实现上述任一项中所述的方法的步骤。
根据本发明的又一个实施例，还提供了一种电子装置，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行上述任一项方法实施例中的步骤。
通过本申请，采用基于车道线的邻近关系的确定的两个车道线确定隐藏车道线的方式，通过对与目标道路对应的目标检测图片进行车道线提取，得到一组车道线，其中，目标检测图片为目标道路上的车道线未被运动物体遮挡的图片；在确定目标检测图片中存在隐藏车道线的情况下，基于车道线的邻近关系，确定一组车道线中与隐藏车道线对应的两个车道线，其中，两个车道线包括第一车道线和第二车道线；基于第一车道线上的每个参考点到第二车道线的垂直距离，确定与每个参考点匹配的目标点，其中，与每个参考点匹配的目标点位于经过每个参考点的第一车道线的垂线上；对与每个参考点匹配的目标点进行聚类处理，得到隐藏车道线，由于在确定目标检测图片中存在隐藏车道线的情况下，基于车道线的邻近关系，确定第一车道线和第二车道线，并基于第一车道线上的各个点与第二车道线的垂直确定位于隐藏车道线上的各个点，通过对隐藏车道线上的各个点进行聚类，得到隐藏车道线，可以实现对树木、绿化带等静止物体遮挡的车道线的预测的目的，达到提高车道线获取的可靠性的技术效果，进而解决了相关技术中的车道线的获取方法存在无法获取被遮挡的车道线导致的车道线的获取方法的可靠性低的问题。
附图说明
图1是本发明实施例的一种车道线的获取方法的移动终端的硬件结构框图；
图2是根据本申请实施例的一种车道线的获取方法的流程示意图；
图3是根据本申请实施例的一种车道线的获取方法的示意图；
图4是根据本申请实施例的另一种车道线的获取方法的示意图；
图5是根据本申请实施例的又一种车道线的获取方法的示意图；
图6是根据本申请实施例的又一种车道线的获取方法的示意图；
图7是根据本申请实施例的又一种车道线的获取方法的示意图；
图8是根据本申请实施例的又一种车道线的获取方法的示意图；
图9是根据本申请实施例的又一种车道线的获取方法的示意图；
图10是根据本申请实施例的又一种车道线的获取方法的示意图；
图11是根据本申请实施例的另一种车道线的获取方法的流程示意图；
图12是根据本申请实施例的一种可选的车道线的获取装置的结构框图；
图13是根据本申请实施例的一种可选的电子装置的结构框图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案，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的实施例，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，都应当属于本申请保护的范围。
需要说明的是，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，以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
根据本申请实施例的一个方面，提供了一种车道线的获取方法。该车道线的获取方法可以如图1所示的包含终端设备102和服务器104的硬件环境中。如图1所示，服务器104通过网络与终端设备102进行连接，可用于为终端或终端上安装的客户端提供服务（如应用服务等），可在服务器上或独立于服务器设置数据库，用于为服务器104提供数据存储服务，可在服务器上或独立于服务器配置云计算和/或边缘计算服务，用于为服务器104提供数据运算服务。
上述网络可以包括但不限于以下至少之一：有线网络，无线网络。上述有线网络可以包括但不限于以下至少之一：广域网，城域网，局域网，上述无线网络可以包括但不限于以下至少之一：WIFI，蓝牙。终端设备102可以但并不限定于为PC、手机、平板电脑、智能家居设备等。
本申请实施例的车道线的获取方法可以由服务器104来执行，也可以由终端设备102来执行，还可以是由服务器104和终端设备102共同执行。其中，终端设备102执行本申请实施例的车道线的获取方法也可以是由安装在其上的客户端来执行。
以由服务器104来执行本实施例中的车道线的获取方法为例，图2是根据本申请实施例的一种可选的车道线的获取方法的流程示意图，如图2所示，该方法的流程可以包括以下步骤：
步骤S202，对与目标道路对应的目标检测图片进行车道线提取，得到一组车道线，其中，目标检测图片为目标道路上的车道线未被运动物体遮挡的图片。
本实施例中的车道线的获取方法可以应用到获取目标检测图片中的车道线的场景中，这里的目标检测图片可以是对目标道路进行拍摄得到的图片，目标道路可以是任意设置了车道线的道路，这里的车道线可以是道路的路面上的线条、箭头等交通信息的标识。
相关技术中，根据车道线与道路、植物等物体之间的像素值差异，可以获取道路图片中的车道线，例如，由于应急车道边缘的像素值和外部绿化树木或者泥土的像素值之前有较大的差异，可以根据二者之间像素值的差异来判断应急车道和外部绿化带，再将应急车道的边缘线进行标注，并通过深度学习训练模型对应急车道边缘线进行预测。
然而，在道路图片中车道线被遮挡的情况下，例如，在车道线被树木或者绿化带遮挡，或者树木或者绿化带的阴影遮挡了车道线的情况下，无法根据车道线和其他物体之间的像素值差异获取车道线，对车道线的预测结果可能较差，例如，如图3所示，右侧的应急车道线由于被树木遮挡而无法识别，左侧的车道线由于被绿化带遮挡住而无法识别，在高速公路上除了需要感知可行驶车道上的车辆，对于应急车道上车辆的感知也尤为重要，以便于及时开展救援、拖车等行动，因此，感知到应急车道的边缘线尤为重要。
为了至少部分解决上述技术问题，在本实施例中，在确定目标检测图片中存在隐藏车道线的情况下，基于车道线的邻近关系，确定第一车道线和第二车道线，并基于第一车道线上的各个点与第二车道线的垂直确定位于隐藏车道线上的各个点，通过对隐藏车道线上的各个点进行聚类，得到隐藏车道线，通过计算相邻车道线之间垂直距离，对车道线边缘进行预测，可以弥补单纯基于像素特征获取车道线的不足，实现被树木或者绿化带等静止物体遮挡的隐藏车道线的预测。
在本实施例中，可以对与目标道路对应的目标检测图片进行车道线提取，得到一组车道线，这里，目标检测图片为目标道路上的车道线未被运动物体遮挡的图片，对目标检测图片进行车道线提取的方式可以是基于车道线与道路或者植物等物体之间的像素值差异，提取目标检测图片中的车道线。例如，如图4所示，加粗部分的线条为提取出的车道线。
步骤S204，在确定目标检测图片中存在隐藏车道线的情况下，基于车道线的邻近关系，确定一组车道线中与隐藏车道线对应的两个车道线，其中，两个车道线包括第一车道线和第二车道线。
在目标道路对应的图片中。车道线除了可能被运动物体遮挡，也可能被静止物体遮挡，在道路图片中树木、路障等静止物体遮挡的车道线为隐藏车道线，对于隐藏车道线，无法根据物体的运动状态获取隐藏车道线。在确定目标检测图片中存在隐藏车道线的情况下，可以基于车道线的邻近关系，确定一组车道线中和隐藏车道线对应的两个车道线（第一车道线和第二车道线），并且可以基于两个车道线确定隐藏车道线。
可选地，隐藏车道线可以包括被部分遮挡的隐藏车道线和被完全遮挡的隐藏车道线，确定目标检测图片中存在隐藏车道线的方式可以包括通过识别出被部分遮挡的车道线，确定存在隐藏车道线，也可以包括基于规定的车道线数量或者车道线设置规则，确定存在隐藏车道线等方式，本实施例中对比不做限定。
例如，图5中外侧车道线51被外侧植物完全遮挡，因此外侧车道线51为隐藏车道线。图6中内侧车道线61被绿化带62完全遮挡，因此内侧车道线61为隐藏车道线。被完全遮挡的车道线无法检测出，可以基于规定的车道线数量或者车道线设置规则，确定存在隐藏车道线，并获取隐藏车道线。
步骤S206，基于第一车道线上的每个参考点到第二车道线的垂直距离，确定与每个参考点匹配的目标点，其中，与每个参考点匹配的目标点位于经过每个参考点的第一车道线的垂线上。
对于第一车道线，可以将第一车道线上的每个点作为参考点，并根据每个参考点到第二车道线的垂直距离，确定经过每个参考点的第一车道线的垂线上的与每个参考点匹配的目标点，即，与每个参考线匹配的目标点位于经过每个参考点的第一车道线的垂线上，且每个参考点和与每个参考点匹配的目标点之间的距离，是根据第一车道线上的每个参考点到第二车道线的垂直距离确定的。
步骤S208，对与每个参考点匹配的目标点进行聚类处理，得到隐藏车道线。
在得到对与每个参考点匹配的目标点之后，可以对与每个参考点匹配的目标点进行聚类处理，得到隐藏的车道线，可选地，对与每个参考点匹配的目标点进行聚类处理可以是基于与每个参考点匹配的目标点的坐标，进行曲线拟合，得到隐藏车道线对应的曲线方程。
例如，对于如图4所示的目标检测图片，通过上述方式，获取到的车道线如图7所示（图7中加粗线条为获取到的车道线）。
通过上述步骤，对与目标道路对应的目标检测图片进行车道线提取，得到一组车道线，其中，目标检测图片为目标道路上的车道线未被运动物体遮挡的图片；在确定目标检测图片中存在隐藏车道线的情况下，基于车道线的邻近关系，确定一组车道线中与隐藏车道线对应的两个车道线，其中，两个车道线包括第一车道线和第二车道线；基于第一车道线上的每个参考点到第二车道线的垂直距离，确定与每个参考点匹配的目标点，其中，与每个参考点匹配的目标点位于经过每个参考点的第一车道线的垂线上；对与每个参考点匹配的目标点进行聚类处理，得到隐藏车道线，解决了相关技术中的车道线的获取方法存在无法获取被遮挡的车道线导致的车道线的获取方法的可靠性低的问题，提高了车道线获取的可靠性。
在一个示例性实施例中，在确定目标检测图片中存在隐藏车道线的情况下，基于车道线的邻近关系，确定一组车道线中与隐藏车道线对应的两个车道线，包括：
S11，在确定目标检测图片中存在隐藏车道线的情况下，将一组车道线中与隐藏车道线相邻的车道线确定为第一车道线，将与第一车道线相邻且与隐藏车道线位于第一车道线不同侧的车道线，确定为第二车道线，得到两个车道线。
在确定目标检测图片中存在隐藏车道线的情况下，可以将一组车道线中与隐藏车道线相邻的车道线确定为第一车道线，即，将隐藏车道线某一侧相邻的车道线确定为第一车道线，并将与第一车道线相邻且与隐藏车道线位于第一车道线不同侧的车道线确定为第二车道线，即，将与第一车道线位于隐藏车道线的同一侧、且与第一车道线相邻的车道线确定为第二车道线，可以得到一组车道线中与隐藏车道线对应的两个车道线。
通过本实施例，通过确定位于隐藏车道线同一侧且与隐藏车道线邻近的两个车道线，可以便于确定目标检测图片中的隐藏车道线，提高了车道线获取的可靠性。
在一个示例性实施例中，基于第一车道线上的每个参考点到第二车道线的垂直距离，确定与每个参考点匹配的目标点，包括：
S21，将位于经过每个参考点的第一车道线的垂线上、且与每个参考点之间的距离为每个参考点到第二车道线的垂直距离与预设比例的乘积的点，确定为与每个参考点匹配的目标点，其中，与每个参考点匹配的目标点与第二车道线位于第一车道线的不同侧，预设比例小于1。
在本实施例中，可以基于每个参考点作第一车道线的垂线，并将位于经过每个第一参考线的第一车道线的垂线上、与第二车道线位于第一车道线的不同测、且和每个参考点之间的距离为每个参考点到第二车道线的垂直距离与预设比例的乘积的点，确定为每个参考线匹配的目标点，这里的预设比例可以是根据道路的属性设置的比例值，预设比值可以小于1。
例如，如图8所示，除了外侧车道线51以外，公路上还包括第一车道线81和第二车道线82。计算第一车道线81的曲线方程，并得到第一车道线81上某个点的垂线方程，进而可以求出第一车道线81的垂线与第二车道线82在第一车道线81上的交点83，进而计算第一车道线81和第二车道线82之间的垂直距离，并且将第一车道线81上的交点83沿着过交点83的第一车道线81的垂线移动至隐藏车道线位置，在图8中，外侧车道线51为应急车道边缘线。
需要说明的是，在实际移动过程中，隐藏车道线并不存在，将每个参考点按照上述方式进行移动，可以得到一组目标点，通过对一组目标点进行聚类，可以得到隐藏车道线，每个参考点的移动距离为每个参考点到第二车道线82的垂直距离乘以固定比例，一般情况下，固定比例可以根据道路属性进行调整。
可选地，由于高速公路上的应急车道宽度都小于普通车道宽度，因而在预测应急车道时不需要等距往垂直方向平移，预设比例可以为0.9，可以得到图8中被遮挡的应急车道边缘线。
通过本实施例，通过将每个参考点到第二车道线的垂直距离和预设比例的比值确定为每个参考点和与每个参考点匹配的目标点之间的距离，可以基于道路属性确定隐藏车道线的位置，提高了车道线获取的准确性。
在一个示例性实施例中，上述方法还包括：
S31，将经过每个参考点的第一车道线的垂线与第二车道线的交点到每个参考点之间的距离，确定为每个参考点到第二车道线的垂直距离。
每个参考点到第二车道线的垂直距离可以为经过每个参考点的第一车道线的垂线与第二车道线的交点到每个参考点之间的距离，即，过每个参考点作第一车道线的垂线，每个垂线与第一车道线的交点（每个参考点）和每个垂线与第二车道线的交点之间的距离为每个参考点到第二车道线的垂直距离。
通过本实施例，通过确定每个参考点到第二车道线的垂直距离，可以确定每个参考点和与每个参考点匹配的目标点的距离，进而确定隐藏车道线的位置，可以提高车道线获取方法的可靠性。
在一个示例性实施例中，在对与目标道路对应的目标检测图片进行车道线提取之前，上述方法还包括：
S41，对目标道路视频中执行剥离操作，得到目标检测图片，其中，目标道路视频是对目标道路进行拍摄所得到的视频，剥离操作用于剥离目标道路视频的道路视频帧中的前景和背景，目标检测图片为剥离目标道路视频的道路视频帧中的前景之后所得到的图片。
为了获取更多的道路信息，可以使用摄像设备对目标道路进行拍摄，得到目标道路视频，对目标道路视频执行剥离操作，可以得到目标检测图片。这里的剥离操作为剥离目标道路视频的道路视频帧中的前景和背景，在目标道路视频的道路视频帧中，前景为目标道路视频中运动的物体，可以包括但不限于车辆、行人、动物或者其他对道路进行遮挡的人或物，背景为目标道路视频中静止的物体，可以包括但不限于道路主体或者未对道路进行遮挡的人或物，在剥离目标道路视频的道路视频帧中的前景之后，可以得到目标检测图片。
通过本实施例，通过剥离道路视频帧中的前景和背景，可以得到包含车道线的图片，提高车道线获取的可靠性。
在一个示例性实施例中，对目标道路视频中执行剥离操作，得到目标检测图片，包括：
S51，记录目标道路视频的第一个道路视频帧中的所有像素点的像素信息；
S52，对第一个道路视频帧进行车辆目标识别，得到车辆识别结果，其中，车辆识别结果用于指示所有像素点中的一组车辆像素点，一组车辆像素点为从第一个道路视频帧中识别出的车辆所在的像素点；
S53，使用目标道路视频中第一个道路视频帧之后的至少一个道路视频帧中的一组车辆像素点的像素信息，更新第一个道路视频帧中的一组车辆像素点的像素信息，得到目标检测图片，其中，至少一个道路视频帧中的一组车辆像素点不是从至少一个道路视频帧中识别出的车辆所在的像素点。
在本实施例中，可以记录目标道路视频的第一个道路视频帧中的所有像素点的像素信息，并基于第一个道路视频帧执行剥离操作。对第一个道路视频帧进行车辆识别，得到车辆识别结果，车辆识别结果可以用于指示第一个道路视频帧中所有像素点中的一组车辆像素点，这里的一组车辆像素点是从一个道路视频帧中识别出来的车辆对应的像素点。
在得到第一个道路视频帧之后，也可以获取目标道路视频中第一个道路视频帧之后的至少一个道路视频帧，这里的至少一个视频帧可以是第一个道路视频帧之后的任意一个或者多个道路视频帧，在至少一个道路视频帧中的一组车辆像素点并不是从至少一个道路视频帧中识别出的车辆所在的像素点，而是从第一个道路视频帧中识别出来的车辆所在的位置（在第一道路视频帧中的位置）在至少一个道路视频帧中对应的像素点。
基于目标道路视频中第一个道路视频帧之后的至少一个道路视频帧中的一组车辆像素点的像素信息，可以对第一个道路视频帧中的一组车辆像素点的像素信息进行更新，得到目标检测图片，这里对第一个道路视频中的一组车辆像素点的像素信息进行更新可以是将对第一个道路视频帧中的一组车辆像素点的像素信息替换为至少一个道路视频帧中的一组车辆像素点的像素信息。
例如，对连续的高速监控视频进行逐帧分解，首先记录第一帧的所有像素信息，利用深度学习的目标检测技术对第一帧进行目标识别，识别出第一帧中的车辆，记录第一帧中无车的像素值，并将第一帧中无车的像素值作为背景，有车的像素位置则使用第二帧及之后帧中无车的像素信息进行补充。由于画面背景是静止不动的，而车辆是运动的，因而第一帧中被车辆遮挡住的车道线，总能在之后的视频中会显露出来，因此可以得到车道线未被遮挡的清晰的背景图，图9中车道线被遮挡，可以将不同帧图像中的道路图像截取出来，再进行组合，得到如图10所示的图片，从而实现将车辆等其它杂物抹去的功能。
通过本实施例，通过对多张图片进行组合和拼接，可以去除车辆等物体对车道线的遮挡，得到车道线未被遮挡的图片，提高车道线获取的可靠性。
在一个示例性实施例中，对与目标道路对应的目标检测图片进行车道线提取，得到一组车道线，包括：
S61，基于预设的车道线的像素特征，从目标检测图片中提取出车道线点，得到车道线点集合；
S62，基于车道线点集合中的每个车道线点的坐标对车道线点集合中的车道线点进行聚类，得到一组车道线点类簇，其中，一组车道线点类簇包含车道线点集合中的至少部分车道线点；
S63，通过对一组车道线点类簇中的每个车道线点类簇分别进行曲线拟合，确定出与每个车道线点类簇对应的车道线的曲线方程，得到一组车道线。
车道线具有颜色为白色或者黄色、呈现规则形状等明显区别于其他物体的像素特征，可以将这些特征作为预设的车道线的像素特征，从目标检测图片中提取出车道线点，得到车道线点集合，这里的车道线点满足预设的车道线的像素特征或组合多个车道线点可以满足预设的车道线像素特征。
例如，如图4所示，利用车道线的像素特征（白色，呈现规则形状等特征），使用深度学习技术在车道线无遮挡的图上提取出车道线。
基于车道线点集合中的每个车道线点的坐标，可以对车道线点集合中的车道线点进行聚类，即，将车道线点集合中可能属于同一条车道线的车道线点进行聚类，可以得到一组车道线点类簇，这里。一组车道线点类簇包含车道线点集合中的至少部分车道线点，一组车道线点类簇中的每个车道线点类簇可以用于指示一条车道线。
通过对每个车道线点类簇分别进行曲线拟合，可以得到与每个车道线点类簇对应的车道线的曲线方程，得到一组车道线点类簇对应的一组车道线，即，每个聚类每个车道线点类簇对应的车道线。
例如，如图5所示和图8所示，将画面左上角规定为坐标原点，往右和往下为正方向，基于提取出的所有车道线，将每一条车道线分开计算：记录车道线上每一个点的坐标，通过相邻点的聚类，将这些点分类到不同的车道线，（在计算坐标时，得到的是车道线上的无数个坐标点，将这些点聚类成线，最终得到车道线），根据每个车道线上的点的坐标，进行曲线拟合，得到车道线的曲线方程。
可选地，可以根据颜色表示每条线段为车道线的概率，红色线段表示该线段有较高概率为车道线，蓝色线段表示该线段有较低概率为车道线，颜色越深，表示该线段为车道线的可能性越大。
通过本实施例，根据车道线的像素特征从目标检测图片中提取车道线点，并通过对车道线点进行聚类和拟合，得到车道线，可以提高车道线获取的准确性。
下面结合可选示例对本申请实施例中的车道线的获取方法进行解释说明。
本可选示例提供了一种视频中隐藏车道线的感知的方案。结合图11，本可选示例中的车道线的获取方法的流程可以包括以下步骤：
步骤1，通过目标检测算法识别视频中的车辆。
步骤2，逐帧计算去除车辆：使用目标检测算法对视频进行前景背景分离。
步骤3，得到车道线未被遮挡、清晰的背景图。
步骤4，基于车道线未被遮挡的背景图，基于特征像素进行车道线检测，使用车道线检测算法将白色的车道线提取出来。
步骤5，基于提取出的白色车道线，计算已有车道线之间的垂直距离。
步骤6，按照一定比例往外扩散出应急车道外侧线，从而实现隐藏车道线的感知。
通过本可选示例，根据提取出的车道线之间的垂直距离，确定隐藏车道线，可以解决由于应急车道外侧车道线被遮挡或者由于摄像头角度问题车道线被遮挡导致的使用基于像素特征的车道线检测算法无法检测出应急车道边缘，进而提升车道线获取方法的可靠性。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到根据上述实施例的方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质（如ROM/RAM、磁碟、光盘）中，包括若干指令用以使得一台终端设备（可以是手机，计算机，服务器，或者网络设备等）执行本申请各个实施例所述的方法。
在本实施例中还提供了一种车道线的获取装置，该装置用于实现上述实施例及优选实施方式，已经进行过说明的不再赘述。如以下所使用的，术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
图12是根据本申请实施例的一种可选的车道线的获取装置的结构框图，如图12所示，该装置包括：
提取单元1202，用于对与目标道路对应的目标检测图片进行车道线提取，得到一组车道线，其中，目标检测图片为目标道路上的车道线未被运动物体遮挡的图片；
第一确定单元1204，与提取单元1202相连，用于在确定目标检测图片中存在隐藏车道线的情况下，基于车道线的邻近关系，确定一组车道线中与隐藏车道线对应的两个车道线，其中，两个车道线包括第一车道线和第二车道线；
第二确定单元1206，与第一确定单元1204相连，用于基于第一车道线上的每个参考点到第二车道线的垂直距离，确定与每个参考点匹配的目标点，其中，与每个参考点匹配的目标点位于经过每个参考点的第一车道线的垂线上；
处理单元1208，与第二确定单元1206相连，用于对与每个参考点匹配的目标点进行聚类处理，得到隐藏车道线。
通过上述模块，对与目标道路对应的目标检测图片进行车道线提取，得到一组车道线，其中，目标检测图片为目标道路上的车道线未被运动物体遮挡的图片；在确定目标检测图片中存在隐藏车道线的情况下，基于车道线的邻近关系，确定一组车道线中与隐藏车道线对应的两个车道线，其中，两个车道线包括第一车道线和第二车道线；基于第一车道线上的每个参考点到第二车道线的垂直距离，确定与每个参考点匹配的目标点，其中，与每个参考点匹配的目标点位于经过每个参考点的第一车道线的垂线上；对与每个参考点匹配的目标点进行聚类处理，得到隐藏车道线，解决了相关技术中的车道线的获取方法存在无法获取被遮挡的车道线导致的车道线的获取方法的可靠性低的问题，提高了车道线获取的可靠性。
在一个示例性实施例中，第一确定单元包括：
第一执行单元，用于在确定目标检测图片中存在隐藏车道线的情况下，将一组车道线中与隐藏车道线相邻的车道线确定为第一车道线，将与第一车道线相邻且与隐藏车道线位于第一车道线不同侧的车道线，确定为第二车道线，得到两个车道线。
在一个示例性实施例中，第二确定单元包括：
第一确定模块，用于将位于经过每个参考点的第一车道线的垂线上、且与每个参考点之间的距离为每个参考点到第二车道线的垂直距离与预设比例的乘积的点，确定为与每个参考点匹配的目标点，其中，与每个参考点匹配的目标点与第二车道线位于第一车道线的不同侧，预设比例小于1。
在一个示例性实施例中，上述方法还包括：
第三确定单元，用于将经过每个参考点的第一车道线的垂线与第二车道线的交点到每个参考点之间的距离，确定为每个参考点到第二车道线的垂直距离。
在一个示例性实施例中，上述方法还包括：
第二执行单元，用于在对与目标道路对应的目标检测图片进行车道线提取之前，对目标道路视频中执行剥离操作，得到目标检测图片，其中，目标道路视频是对目标道路进行拍摄所得到的视频，剥离操作用于剥离目标道路视频的道路视频帧中的前景和背景，目标检测图片为剥离目标道路视频的道路视频帧中的前景之后所得到的图片。
在一个示例性实施例中，第二执行单元包括：
记录模块，用于记录目标道路视频的第一个道路视频帧中的所有像素点的像素信息；
识别模块，用于对第一个道路视频帧进行车辆目标识别，得到车辆识别结果，其中，车辆识别结果用于指示所有像素点中的一组车辆像素点，一组车辆像素点为从第一个道路视频帧中识别出的车辆所在的像素点；
更新模块，用于使用目标道路视频中第一个道路视频帧之后的至少一个道路视频帧中的一组车辆像素点的像素信息，更新第一个道路视频帧中的一组车辆像素点的像素信息，得到目标检测图片，其中，至少一个道路视频帧中的一组车辆像素点不是从至少一个道路视频帧中识别出的车辆所在的像素点。
在一个示例性实施例中，提取单元包括：
提取模块，用于基于预设的车道线的像素特征，从目标检测图片中提取出车道线点，得到车道线点集合；
聚类模块，用于基于车道线点集合中的每个车道线点的坐标对车道线点集合中的车道线点进行聚类，得到一组车道线点类簇，其中，一组车道线点类簇包含车道线点集合中的至少部分车道线点；
第二确定模块，用于通过对一组车道线点类簇中的每个车道线点类簇分别进行曲线拟合，确定出与每个车道线点类簇对应的车道线的曲线方程，得到一组车道线。
需要说明的是，上述各个模块是可以通过软件或硬件来实现的，对于后者，可以通过以下方式实现，但不限于此：上述模块均位于同一处理器中；或者，上述各个模块以任意组合的形式分别位于不同的处理器中。
根据本申请实施例的又一个方面，还提供了一种存储介质。可选地，在本实施例中，上述存储介质可以用于执行本申请实施例中上述任一项车道线的获取方法的程序代码。
可选地，在本实施例中，上述存储介质可以位于上述实施例所示的网络中的多个网络设备中的至少一个网络设备上。
可选地，在本实施例中，存储介质被设置为存储用于执行以下步骤的程序代码：
S1，对与目标道路对应的目标检测图片进行车道线提取，得到一组车道线，其中，目标检测图片为目标道路上的车道线未被运动物体遮挡的图片；
S2，在确定目标检测图片中存在隐藏车道线的情况下，基于车道线的邻近关系，确定一组车道线中与隐藏车道线对应的两个车道线，其中，两个车道线包括第一车道线和第二车道线；
S3，基于第一车道线上的每个参考点到第二车道线的垂直距离，确定与每个参考点匹配的目标点，其中，与每个参考点匹配的目标点位于经过每个参考点的第一车道线的垂线上；
S4，对与每个参考点匹配的目标点进行聚类处理，得到隐藏车道线。
可选地，本实施例中的具体示例可以参考上述实施例中所描述的示例，本实施例中对此不再赘述。
可选地，在本实施例中，上述存储介质可以包括但不限于：U盘、ROM、RAM、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
根据本申请实施例的又一个方面，还提供了一种用于实施上述车道线的获取方法的电子装置，该电子装置可以是服务器、终端、或者其组合。
图13是根据本申请实施例的一种可选的电子装置的结构框图，如图13所示，包括处理器1302、通信接口1304、存储器1306和通信总线1308其中，处理器1302、通信接口1304和存储器1306通过通信总线1308完成相互间的通信，其中，
存储器1306，用于存储计算机程序；
处理器1302，用于执行存储器1306上所存放的计算机程序时，实现如下步骤：
S1，对与目标道路对应的目标检测图片进行车道线提取，得到一组车道线，其中，目标检测图片为目标道路上的车道线未被运动物体遮挡的图片；
S2，在确定目标检测图片中存在隐藏车道线的情况下，基于车道线的邻近关系，确定一组车道线中与隐藏车道线对应的两个车道线，其中，两个车道线包括第一车道线和第二车道线；
S3，基于第一车道线上的每个参考点到第二车道线的垂直距离，确定与每个参考点匹配的目标点，其中，与每个参考点匹配的目标点位于经过每个参考点的第一车道线的垂线上；
S4，对与每个参考点匹配的目标点进行聚类处理，得到隐藏车道线。
可选地，在本实施例中，通信总线可以是PCI (Peripheral ComponentInterconnect，外设部件互连标准)总线、或EISA (Extended Industry StandardArchitecture，扩展工业标准结构)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示，图13中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。通信接口用于上述电子装置与其他设备之间的通信。
上述的存储器可以包括RAM，也可以包括非易失性存储器(non-volatilememory)，例如，至少一个磁盘存储器。可选地，存储器还可以是至少一个位于远离前述处理器的存储装置。
作为一种示例，上述存储器1306中可以但不限于包括上述车道线的获取装置中的提取单元1202、第一确定单元1204、第二确定单元1206以及处理单元1208。此外，还可以包括但不限于上述设备的控制装置中的其他模块单元，本示例中不再赘述。
上述处理器可以是通用处理器，可以包含但不限于：CPU (Central ProcessingUnit，中央处理器)、NP(Network Processor，网络处理器)等；还可以是DSP (DigitalSignal Processing，数字信号处理器)、ASIC (Application Specific IntegratedCircuit，专用集成电路)、FPGA (Field－Programmable Gate Array，现场可编程门阵列)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。
可选地，本实施例中的具体示例可以参考上述实施例中所描述的示例，本实施例在此不再赘述。
本领域普通技术人员可以理解，图13所示的结构仅为示意，实施上述车道线的获取方法的设备可以是终端设备，该终端设备可以是智能手机（如Android手机、iOS手机等）、平板电脑、掌上电脑以及移动互联网设备（Mobile Internet Devices，MID）、PAD等终端设备。图13其并不对上述电子装置的结构造成限定。例如，电子装置还可包括比图13中所示更多或者更少的组件（如网络接口、显示装置等），或者具有与图13所示的不同的配置。
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是可以通过程序来指令终端设备相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：闪存盘、ROM、RAM、磁盘或光盘等。
上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。
上述实施例中的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，可以存储在上述计算机可读取的存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在存储介质中，包括若干指令用以使得一台或多台计算机设备（可为个人计算机、服务器或者网络设备等）执行本申请各个实施例所述方法的全部或部分步骤。
在本申请的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中，应该理解到，所揭露的客户端，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，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。另一图标，所显示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，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
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，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实施例中所提供的方案的目的。
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。
以上所述仅是本申请的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本申请的保护范围。
Claims (9)
1.一种车道线的获取方法，其特征在于，包括：
对与目标道路对应的目标检测图片进行车道线提取，得到一组车道线，其中，所述目标检测图片为所述目标道路上的车道线未被运动物体遮挡的图片；
在确定所述目标检测图片中存在隐藏车道线的情况下，基于车道线的邻近关系，确定所述一组车道线中与所述隐藏车道线对应的两个车道线，其中，所述两个车道线包括第一车道线和第二车道线；
基于所述第一车道线上的每个参考点到所述第二车道线的垂直距离，确定与所述每个参考点匹配的目标点，其中，与所述每个参考点匹配的目标点位于经过所述每个参考点的所述第一车道线的垂线上；
对与所述每个参考点匹配的目标点进行聚类处理，得到所述隐藏车道线；
其中，所述在确定所述目标检测图片中存在隐藏车道线的情况下，基于车道线的邻近关系，确定所述一组车道线中与所述隐藏车道线对应的两个车道线，包括：在确定所述目标检测图片中存在隐藏车道线的情况下，将所述一组车道线中与所述隐藏车道线相邻的车道线确定为所述第一车道线，将与所述第一车道线相邻且与所述隐藏车道线位于所述第一车道线不同侧的车道线，确定为所述第二车道线，得到所述两个车道线；
其中，所述基于所述第一车道线上的每个参考点到所述第二车道线的垂直距离，确定与所述每个参考点匹配的目标点，包括：将位于经过所述每个参考点的所述第一车道线的垂线上、且与所述每个参考点之间的距离为所述每个参考点到所述第二车道线的垂直距离与预设比例的乘积的点，确定为与所述每个参考点匹配的目标点。
2.根据权利要求1所述的方法，其特征在于，与所述每个参考点匹配的目标点与所述第二车道线位于所述第一车道线的不同侧，所述预设比例小于1。
3.根据权利要求1所述的方法，其特征在于，所述方法还包括：
将经过所述每个参考点的所述第一车道线的垂线与所述第二车道线的交点到所述每个参考点之间的距离，确定为所述每个参考点到所述第二车道线的垂直距离。
4.根据权利要求1所述的方法，其特征在于，在所述对与目标道路对应的目标检测图片进行车道线提取之前，所述方法还包括：
对目标道路视频中执行剥离操作，得到所述目标检测图片，其中，所述目标道路视频是对所述目标道路进行拍摄所得到的视频，所述剥离操作用于剥离所述目标道路视频的道路视频帧中的前景和背景，所述目标检测图片为剥离所述目标道路视频的道路视频帧中的前景之后所得到的图片。
5.根据权利要求4所述的方法，其特征在于，所述对目标道路视频中执行剥离操作，得到所述目标检测图片，包括：
记录所述目标道路视频的第一个道路视频帧中的所有像素点的像素信息；
对所述第一个道路视频帧进行车辆目标识别，得到车辆识别结果，其中，所述车辆识别结果用于指示所述所有像素点中的一组车辆像素点，所述一组车辆像素点为从所述第一个道路视频帧中识别出的车辆所在的像素点；
使用所述目标道路视频中所述第一个道路视频帧之后的至少一个道路视频帧中的所述一组车辆像素点的像素信息，更新所述第一个道路视频帧中的所述一组车辆像素点的像素信息，得到所述目标检测图片，其中，所述至少一个道路视频帧中的所述一组车辆像素点不是从所述至少一个道路视频帧中识别出的车辆所在的像素点。
6.根据权利要求1至5中任一项所述的方法，其特征在于，所述对与目标道路对应的目标检测图片进行车道线提取，得到一组车道线，包括：
基于预设的车道线的像素特征，从所述目标检测图片中提取出车道线点，得到车道线点集合；
基于所述车道线点集合中的每个车道线点的坐标对所述车道线点集合中的车道线点进行聚类，得到一组车道线点类簇，其中，所述一组车道线点类簇包含所述车道线点集合中的至少部分车道线点；
通过对所述一组车道线点类簇中的每个车道线点类簇分别进行曲线拟合，确定出与所述每个车道线点类簇对应的车道线的曲线方程，得到所述一组车道线。
7.一种车道线的获取装置，其特征在于，包括：
提取单元，用于对与目标道路对应的目标检测图片进行车道线提取，得到一组车道线，其中，所述目标检测图片为所述目标道路上的车道线未被运动物体遮挡的图片；
第一确定单元，用于在确定所述目标检测图片中存在隐藏车道线的情况下，基于车道线的邻近关系，确定所述一组车道线中与所述隐藏车道线对应的两个车道线，其中，所述两个车道线包括第一车道线和第二车道线；
第二确定单元，用于基于所述第一车道线上的每个参考点到所述第二车道线的垂直距离，确定与所述每个参考点匹配的目标点，其中，与所述每个参考点匹配的目标点位于经过所述每个参考点的所述第一车道线的垂线上；
处理单元，用于对与所述每个参考点匹配的目标点进行聚类处理，得到所述隐藏车道线；
其中，所述第一确定单元包括：第一执行单元，用于在确定目标检测图片中存在隐藏车道线的情况下，将一组车道线中与隐藏车道线相邻的车道线确定为第一车道线，将与第一车道线相邻且与隐藏车道线位于第一车道线不同侧的车道线，确定为第二车道线，得到两个车道线；
其中，所述第二确定单元包括：第一确定模块，用于将位于经过每个参考点的第一车道线的垂线上、且与每个参考点之间的距离为每个参考点到第二车道线的垂直距离与预设比例的乘积的点，确定为与每个参考点匹配的目标点。
8.一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中存储有计算机程序，其中，所述计算机程序被处理器执行时实现权利要求1至6任一项中所述的方法的步骤。
9.一种电子装置，包括存储器和处理器，其特征在于，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行权利要求1至6任一项中所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311709322.9A CN117392634B (zh) | 2023-12-13 | 2023-12-13 | 车道线的获取方法、装置、存储介质及电子装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311709322.9A CN117392634B (zh) | 2023-12-13 | 2023-12-13 | 车道线的获取方法、装置、存储介质及电子装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117392634A CN117392634A (zh) | 2024-01-12 |
| CN117392634B true CN117392634B (zh) | 2024-02-27 |
Family
ID=89439631
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311709322.9A Active CN117392634B (zh) | 2023-12-13 | 2023-12-13 | 车道线的获取方法、装置、存储介质及电子装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117392634B (zh) |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106529493A (zh) * | 2016-11-22 | 2017-03-22 | 北京联合大学 | 一种基于透视图的鲁棒性多车道线检测方法 |
| CN108052880A (zh) * | 2017-11-29 | 2018-05-18 | 南京大学 | 交通监控场景虚实车道线检测方法 |
| CN108875657A (zh) * | 2018-06-26 | 2018-11-23 | 北京茵沃汽车科技有限公司 | 一种车道线检测方法 |
| CN109034047A (zh) * | 2018-07-20 | 2018-12-18 | 京东方科技集团股份有限公司 | 一种车道线检测方法及装置 |
| CN109583280A (zh) * | 2017-09-29 | 2019-04-05 | 比亚迪股份有限公司 | 车道线识别方法、装置、设备及存储介质 |
| CN112001378A (zh) * | 2020-10-30 | 2020-11-27 | 深圳佑驾创新科技有限公司 | 基于特征空间的车道线处理方法、装置、车载终端和介质 |
| CN114002725A (zh) * | 2021-11-01 | 2022-02-01 | 武汉中海庭数据技术有限公司 | 一种车道线辅助定位方法、装置、电子设备及存储介质 |
| CN114092904A (zh) * | 2020-08-07 | 2022-02-25 | 顺丰科技有限公司 | 车道线检测方法、装置、电子设备及存储介质 |
| CN115235500A (zh) * | 2022-09-15 | 2022-10-25 | 北京智行者科技股份有限公司 | 基于车道线约束的位姿校正方法及装置、全工况静态环境建模方法及装置 |
| CN115713750A (zh) * | 2023-01-09 | 2023-02-24 | 广汽埃安新能源汽车股份有限公司 | 一种车道线检测方法、装置、电子设备及存储介质 |
| CN116259022A (zh) * | 2022-12-28 | 2023-06-13 | 新石器慧通（北京）科技有限公司 | 基于视觉车道线的跟踪方法、电子设备、介质及车辆 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP7272334B2 (ja) * | 2020-08-26 | 2023-05-12 | トヨタ自動車株式会社 | 地図生成装置および地図生成方法 |
-
2023
- 2023-12-13 CN CN202311709322.9A patent/CN117392634B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106529493A (zh) * | 2016-11-22 | 2017-03-22 | 北京联合大学 | 一种基于透视图的鲁棒性多车道线检测方法 |
| CN109583280A (zh) * | 2017-09-29 | 2019-04-05 | 比亚迪股份有限公司 | 车道线识别方法、装置、设备及存储介质 |
| CN108052880A (zh) * | 2017-11-29 | 2018-05-18 | 南京大学 | 交通监控场景虚实车道线检测方法 |
| CN108875657A (zh) * | 2018-06-26 | 2018-11-23 | 北京茵沃汽车科技有限公司 | 一种车道线检测方法 |
| CN109034047A (zh) * | 2018-07-20 | 2018-12-18 | 京东方科技集团股份有限公司 | 一种车道线检测方法及装置 |
| CN114092904A (zh) * | 2020-08-07 | 2022-02-25 | 顺丰科技有限公司 | 车道线检测方法、装置、电子设备及存储介质 |
| CN112001378A (zh) * | 2020-10-30 | 2020-11-27 | 深圳佑驾创新科技有限公司 | 基于特征空间的车道线处理方法、装置、车载终端和介质 |
| CN114002725A (zh) * | 2021-11-01 | 2022-02-01 | 武汉中海庭数据技术有限公司 | 一种车道线辅助定位方法、装置、电子设备及存储介质 |
| CN115235500A (zh) * | 2022-09-15 | 2022-10-25 | 北京智行者科技股份有限公司 | 基于车道线约束的位姿校正方法及装置、全工况静态环境建模方法及装置 |
| CN116259022A (zh) * | 2022-12-28 | 2023-06-13 | 新石器慧通（北京）科技有限公司 | 基于视觉车道线的跟踪方法、电子设备、介质及车辆 |
| CN115713750A (zh) * | 2023-01-09 | 2023-02-24 | 广汽埃安新能源汽车股份有限公司 | 一种车道线检测方法、装置、电子设备及存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| 一种鲁棒性的多车道线检测算法;宣寒宇;刘宏哲;袁家政;李青;牛小宁;;计算机科学;20171115(第11期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117392634A (zh) | 2024-01-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP3806064B1 (en) | Method and apparatus for detecting parking space usage condition, electronic device, and storage medium | |
| US10133941B2 (en) | Method, apparatus and device for detecting lane boundary | |
| Son et al. | Real-time illumination invariant lane detection for lane departure warning system | |
| CN110298300B (zh) | 一种检测车辆违章压线的方法 | |
| US8977060B2 (en) | Motion stabilization and detection of articulated objects | |
| CN112163543A (zh) | 一种车辆违法占道的检测方法及系统 | |
| WO2013186662A1 (en) | Multi-cue object detection and analysis | |
| EP3285477A1 (en) | Image processing device, image processing method, and image processing system | |
| CN112733690A (zh) | 一种高空抛物检测方法、装置及电子设备 | |
| US20160180201A1 (en) | Image processing | |
| CN113112480A (zh) | 视频场景变换检测方法、存储介质和电子设备 | |
| CN111967396A (zh) | 障碍物检测的处理方法、装置、设备及存储介质 | |
| CN112434566A (zh) | 客流统计方法、装置、电子设备及存储介质 | |
| CN111127358B (zh) | 图像处理方法、装置及存储介质 | |
| CN112699711B (zh) | 车道线检测方法、装置、存储介质及电子设备 | |
| WO2020210960A1 (zh) | 交通道路的数字化全景重建的方法和系统 | |
| CN113076851B (zh) | 一种车辆违章数据的采集方法、装置以及计算机设备 | |
| US10535154B2 (en) | System, method, and program for image analysis | |
| CN117392634B (zh) | 车道线的获取方法、装置、存储介质及电子装置 | |
| KR20210008574A (ko) | 프레임 분할과 지능형 검출 pool을 이용한 다수의 카메라 영상에서 실시간 객체 검출 방법 | |
| CN116259021A (zh) | 一种车道线检测方法、存储介质和电子设备 | |
| CN114913470A (zh) | 一种事件检测方法及装置 | |
| CN115019242A (zh) | 一种交通场景的异常事件检测方法、装置和处理设备 | |
| CN111753663B (zh) | 目标检测方法及装置 | |
| CN112861711A (zh) | 区域入侵检测方法、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 |