CN117474804A - 一种指示线消除方法及装置 - Google Patents
一种指示线消除方法及装置 Download PDFInfo
- Publication number
- CN117474804A CN117474804A CN202311274728.9A CN202311274728A CN117474804A CN 117474804 A CN117474804 A CN 117474804A CN 202311274728 A CN202311274728 A CN 202311274728A CN 117474804 A CN117474804 A CN 117474804A
- Authority
- CN
- China
- Prior art keywords
- image
- avm
- line
- mask image
- indication
- 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
- 238000000034 method Methods 0.000 title claims abstract description 47
- 230000011218 segmentation Effects 0.000 claims abstract description 33
- 230000008030 elimination Effects 0.000 claims description 20
- 238000003379 elimination reaction Methods 0.000 claims description 20
- 230000015572 biosynthetic process Effects 0.000 claims description 11
- 238000003786 synthesis reaction Methods 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 8
- 230000002194 synthesizing effect Effects 0.000 claims description 7
- 230000008719 thickening Effects 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 6
- 230000000694 effects Effects 0.000 abstract description 12
- 238000010586 diagram Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000001514 detection method Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 241000251468 Actinopterygii Species 0.000 description 3
- 235000017274 Diospyros sandwicensis Nutrition 0.000 description 3
- 241000282838 Lama Species 0.000 description 3
- 239000003086 colorant Substances 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000010420 art technique Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- 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
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种指示线消除方法及装置，其方法包括：获取AVM图像及拼接成所述AVM图像的多个鱼眼图像;利用所述多个鱼眼图像获得对应所述AVM图像的AVM掩膜图像；从所述AVM掩膜图像中提取出指示线掩膜图像，基于所述指示线掩膜图像去除所述AVM图像中的指示线。本发明利用鱼眼图像获取AVM图像的掩膜，相比于直接使用AVM图像获取AVM图像的掩膜分割难度更小，分割效果更好；然后利用所述AVM图像的掩膜的数据基础去除AVM图像中的指示线，去除效果比现有技术更好，不会出现不融洽的区域。
Description
技术领域
本发明涉及图像合成领域，尤其涉及一种指示线消除方法及装置。
背景技术
在飞速发展的自动驾驶技术中，自动泊车系统具有举足轻重的地位，各种泊车位检测算法应运而生，而对于泊车位检测算法来说，为了达到精确的检测效果，需要大量不同场景的AVM(Around View Monitor)环视影像图训练数据。
然而数据采集比较困难，这使得数据合成技术得到发展，而在泊车位合成的时候，往往会受到采集的图像上的原有车道线、车位线的干扰，因此需要对其进行消除。
传统方法主要流程为识别车道线、车位线的区域，然后采用传统图像融合的方法将其他相似位置的图像块复制到该区域。这种方法虽然可以消除目标区域，但是效果往往不是很理想，会有不融洽的区域出现，影响训练效果。
发明内容
针对上述技术问题，本发明提供了一种指示线消除方法及装置，可更好地消除图像中的指示线。
本发明的第一方面，提供一种指示线消除方法，包括：
获取AVM图像及拼接成所述AVM图像的多个鱼眼图像;
利用所述多个鱼眼图像获得对应所述AVM图像的AVM掩膜图像；
从所述AVM掩膜图像中提取出指示线掩膜图像，基于所述指示线掩膜图像去除所述AVM图像中的指示线。
在一可选实施方式中，所述利用所述多个鱼眼图像获得对应所述AVM图像的AVM掩膜图像，包括：
利用语义分割模型分别对所述多个鱼眼图像进行语义分割，获得对应所述多个鱼眼图像的多个语义掩膜，所述语义掩膜包括指示线类别；
将所述多个语义掩膜根据合成规则进行拼接，形成所述AVM掩膜图像。
在一可选实施方式中，所述从所述AVM掩膜图像中提取出指示线掩膜图像，基于所述指示线掩膜图像去除所述AVM图像中的指示线，包括：
从所述AVM掩膜图像中提取出指示线掩膜图像，将所述AVM图像及所述指示线掩膜图像输入预设指示线消除模型，获得去除指示线后的目标AVM图像，其中指示线至少包括车道线或车位线。
在一可选实施方式中，所述从所述AVM掩膜图像中提取出指示线掩膜图像，包括：
从所述AVM掩膜图像提取出指示线图像，并对所述指示线图像进行加预处理用以使得所述指示线显示明显，获得目标语义掩膜图像，将所述目标语义掩膜图像作为所述指示线掩膜图像。
在一可选实施方式中，所述从所述AVM掩膜图像提取出指示线图像，并对所述指示线图像进行加预处理用以使得所述指示线显示明显，获得目标语义掩膜图像，包括：
利用膨胀算法对所述指示线图像中的指示线进行加粗处理，获得所述目标语义掩膜图像。
在一可选实施方式中，所述基于所述指示线掩膜图像去除所述AVM图像中的指示线，包括：
将所述AVM图像及所述指示线掩膜图像输入图像修复模型，去除所述AVM图像中的指示线。
本发明的第二方面，提供一种指示线消除装置，包括：
获取模块，用于获取AVM图像及拼接成所述AVM图像的多个鱼眼图像;
语义处理模块，用于利用所述多个鱼眼图像获得对应所述AVM图像的AVM掩膜图像；
去除模块，用于从所述AVM掩膜图像中提取出指示线掩膜图像，基于所述指示线掩膜图像去除所述AVM图像中的指示线。
本发明的第三方面，提供一种泊车位合成方法，包括：利用本发明的第一方面所述的指示线消除方法去除AVM图像中的指示线；
识别出所述AVM图像中用于添加泊车位的候选区域，将泊车位模板合成至所述候选区域，获得带有泊车位的AVM图像。
本发明的第四方面，提供一种电子设备，包括：
至少一个处理器；以及与所述处理器通信连接的至少一个存储器，其中：所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行如本发明实施例的第一方面所述的方法。
本发明的第五方面，提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被计算机运行时，执行如本发明实施例的第一方面所述的方法。
本发明利用鱼眼图像获取AVM图像的掩膜，相比于直接使用AVM图像获取AVM图像的掩膜分割难度更小，分割效果更好；然后利用所述AVM图像的掩膜的数据基础去除AVM图像中的指示线，去除效果比现有技术更好，不会出现不融洽的区域。
附图说明
图1为本发明实施例中一种指示线消除方法的流程示意图。
图2为本发明实施例中鱼眼图像语义分割的对比图；图2a为原图像，图2b为鱼眼图像的鱼眼分割图像。
图3为本发明实施例中从AVM图像提取车道线的对比图；图3a为原始AVM图像，图3b为AVM掩膜图像，图3c为提取出的车道线掩膜。
图4为本发明实施例中去除AVM图像中车道线的对比图；图4a为原始AVM图像，图4b为去除车道线的AVM图像。
图5为本发明实施例中对车道线做加粗处理的流程图。
图6为本发明实施例中车道线加粗前后的对比图；图6a为未加黑前的车道线原始图，图6b为加黑处理后的车道线。
图7为本发明实施例中一种指示线消除装置的模块示意图。
图8为本发明实施例中一种泊车位合成方法的流程示意图。
图9为根据本发明的一个实施例的电子设备的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域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，都属于本发明保护的范围。
应当理解，本披露的说明书和权利要求书中使用的术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在此本披露说明书中所使用的术语仅仅是出于描述特定实施例的目的，而并不意在限定本披露。如在本披露说明书和权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。还应当进一步理解，在本披露说明书和权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
合成泊车位的时候需要在干净路面上进行，以达到更为真实的效果，但很多需要合成泊车位的AVM图像中往往会存在一些车道线或者部分已有车位的车位线，为了防止合成的泊车与这些已有的车道线产生交叉造成干扰，从而影响该图像作为泊车位检测训练数据对模型产生的负面影响，需要对其进行消除。同时在消除之后尽量不保留痕迹，使得消除效果更为自然。本发明的主要目的是提出一种AVM图中的车道线消除方法，主要应用于进行AVM图中的泊车位合成时遇到的已有车道线、车位线等干扰的情况。采用本发明的方法也可以将原有的泊车位进行消除，重新合成不同类型的车位，以达到丰富数据集的效果；另外也为在部分公开数据集上验证合成数据的效果提供了途径。
以车道线为例，本发明获取采集到的需要进行泊车位合成的数据，包括鱼眼图及其拼接成的AVM图，通常由四个鱼眼图拼接成一个AVM图。其中，鱼眼图用于车道线mask的获取，AVM图用于车道线的消除。然后利用语义分割模型对鱼眼图进行分割，将四个不同视角的鱼眼图分割输出的语义mask进行AVM掩膜图的拼接，获取AVM掩膜图的语义分割mask，并根据颜色提取其中的车道线部分。过程中可以对车道线部分进行强化，然后调用部署好的图像修复模型，将原始AVM图以及强化后的车道线mask图同时输入模型进行车道线消除，输出消除后的干净路面的AVM图数据，输出结果通过验证后，符合标准的数据存储到数据湖当中，以供后续泊车位合成使用，去除方式如下文所述：
请参阅图1，本发明提供一种指示线消除方法，包括：
步骤110：获取AVM图像及拼接成所述AVM图像的多个鱼眼图像。
示例地，可以从云端数据湖中获取路采车采集到需要进行泊车位合成的图像数据，包括四个鱼眼图像及其拼接成的AVM图像。当然也可以从本地端获取图像数据，或从云端下载的图像数据。数据来源不做限制，为满足训练需求及合成需求，本发明执行程序的各模块部署在云端，可根据实际应用远程对各模块分别进行改造，灵活适配，不影响线上应用；一般用云端数据进行比较方便。
步骤120：利用所述多个鱼眼图像获得对应所述AVM图像的AVM掩膜图像。
具体的，利用语义分割模型分别对所述多个鱼眼图像进行语义分割，获得对应所述多个鱼眼图像的多个语义掩膜；所述语义掩膜包括指示线类别。常见的语义分割模型包括FCN算法、UNet算法、DeepLab算法，可以理解的是也可以采用其他语义分割模型识别所述鱼眼图像区域。本发明采用鱼眼图像分割的方式而不是直接在AVM图像中进行分割的原因，在于AVM图像中相对鱼眼图像的车道线更细，同时在AVM图像拼接时会出现拉伸等失真情况，导致车道线分割难度较大，分割效果较差。
本发明调用云端部署好的语义分割模型的鱼眼图像语义分割模型进行语义分割，如图2所示，图2a是一张鱼眼图像，图2b是语义分割后的语义分割图像。由图2b可以看到，对于鱼眼图像中的电动车、路面、路面边沿分为不同颜色进行分类标注。在该步骤中分别对四个鱼眼图像进行语义分割。
然后将所述多个语义掩膜根据合成规则进行拼接，形成所述AVM掩膜图像。例如可以使用查找表法进行点对点投影，或者根据鱼眼相机内参与畸变系数先对鱼眼图畸变校正，然后利用单应性变将鱼眼图像换投影到AVM空间，再进行拼接；拼接方法多种多样，本领域技术人员可以依据需求选择不同的拼接方式。
步骤130：从所述AVM掩膜图像中提取出指示线掩膜图像，基于所述指示线掩膜图像去除所述AVM图像中的指示线。
如图3所示，图3a为原始AVM图像，即步骤110中获取的所述AVM图像；图3b为多个鱼眼图像的语义分割图像拼接成的AVM掩膜图像，图中用不同颜色标注车体、路面、车道线；而图3c为从所述AVM图像中提取的指示线掩膜图像：车道线掩膜图像。
从所述AVM掩膜图像中提取出指示线掩膜图像之后，可以将所述AVM图像及所述指示线掩膜图像输入预设指示线消除模型，获得去除指示线后的目标AVM图像。
之后可以将所述AVM图像及所述指示线掩膜图像输入图像修复模型，去除所述AVM图像中的指示线。
示例地，调用云端部署图像修复模型，将原始AVM图图像与车道线掩膜图像同时输出模型进行推理，即可获得消除车道线的结果。图像修复模型可以采用生成对抗网络，如LaMa（Large Mask）模型。
如图4所示，为去除车道线后与原图对比。其中图4a为原始AVM图像，图4b为去除车道线后的AVM图像。由图4可知，本本发明提供的方法输出的消除车道线后的结果可以达到较为自然的程度，看不出车道线存在的痕迹，便于后续图像合成的数据需求。
应当理解的是，本发明获取鱼眼图像以及由其拼接的AVM图像，然后通过语义分割模型在鱼眼图像中进行语义分割，从中获取到包含车道线的语义分割掩膜，并将掩膜图像通过查找表(LUT Look Up Table)的方式将四张鱼眼图像拼接成AVM图像，并从中提取出车道线的掩膜，然后将原始AVM图像以及通过训练好的图像修复模型LaMa（Large Mask）进行车道线消除。相对于现有技术，本发明的优势包括：采用语义分割可以获取不同车道线甚至箭头等标志的掩膜并对其进行消除；可以消除车道线的同时也能消除原有车位线，从而提供更充分的合成数据源；通过对鱼眼图像进行分割再拼接为AVM掩膜图像的方式，可以更好识别在AVM图像中相对较细的车道线，消除更彻底。 本发明提供的方法适用性好，适用于各种场景，可以大批量合成；可以进行全链路管控，利用云端一体化系统，可以完成从原数据到输出结果整体管控。
进一步地，由于拼接原因，AVM图像中的车道线相对较细，鱼眼图像的掩膜图像拼接而成的AVM掩膜图像中的车道线也相应的较细，不容易识别，因此本发明在上述步骤中还对AVM掩膜图像中提取的车道线进行加粗处理，以便于更好地消除AVM图像中的车道线。
如图5所示，在上述步骤130中，所述从所述AVM掩膜图像中提取出指示线掩膜图像，包括：
步骤131：从所述AVM掩膜图像提取出指示线图像。
如图3b所述，车道线使用红色（假设）标注，可以根据颜色从AVM掩膜图像中提取出二值化的车道线掩膜图像，得到图3c。由图3c可以看到，车道线比较细，如果基于该图像去除AVM图像中的车道线，可以存在去除不干净的问题或者有残存遗留的问题；但应当理解的是，即使这样也比现有技术采用复制图像的技术效果好。
步骤132：利用膨胀算法对所述指示线图像中的指示线进行加粗处理，获得所述目标语义掩膜图像。
在该步骤中，对所述指示线图像进行加预处理用以使得所述指示线显示明显，获得目标语义掩膜图像，将所述目标语义掩膜图像作为所述指示线掩膜图像。
如图6所示，图6a为提取出车道线图像，图6b为加粗处理处理后的车道线图像。在上述步骤中，加入膨胀算法，对车道线的覆盖更大，避免边缘的遗漏，去除车道线后的AVM图像可以达到较为自然的程度。
本领域技术人员还应当理解的是，本发明上述以车道线为例对本发明进行了说明，但本发明提供的方法同样适用于车位线的去除。
请参阅图7，本发明还提供一种指示线消除装置，包括：
获取模块71，用于获取AVM图像及拼接成所述AVM图像的多个鱼眼图像。示例地，获取需要进行泊车位合成的图像数据，包括四个鱼眼图像及其拼接成的AVM图像。
语义处理模块72，用于利用所述多个鱼眼图像获得对应所述AVM图像的AVM掩膜图像。示例地，利用语义分割模型分别对所述多个鱼眼图像进行语义分割，获得对应所述多个鱼眼图像的多个语义掩膜，然后基于多个语义掩膜拼接成所述AVM掩膜图像。常见的语义分割模型包括FCN算法、UNet算法、DeepLab算法。
去除模块73，用于从所述AVM掩膜图像中提取出指示线掩膜图像，基于所述指示线掩膜图像去除所述AVM图像中的指示线。示例地，将所述AVM图像及所述指示线掩膜图像输入图像修复模型，去除所述AVM图像中的指示线。图像修复模型可以采用生成对抗网络模型，如LaMa（Large Mask）模型。
进一步地，语义处理模块72，具体用于利用语义分割模型分别对所述多个鱼眼图像进行语义分割，获得对应所述多个鱼眼图像的多个语义掩膜，所述语义掩膜包括指示线类别（如车道线、车位线等）；将所述多个语义掩膜根据合成规则进行拼接，形成所述AVM掩膜图像。例如查找表(LUT Look Up Table)的方式将四张鱼眼图像拼接成AVM图像。
进一步地，语义处理模块72，具体还用于从所述AVM掩膜图像中提取出指示线掩膜图像，将所述AVM图像及所述指示线掩膜图像输入预设指示线消除模型（生成对抗网络模型），获得去除指示线（其中指示线至少包括车道线或车位线）后的目标AVM图像。
更进一步地，语义处理模块72，具体还用于从所述AVM掩膜图像提取出指示线图像，并对所述指示线图像进行加预处理用以使得所述指示线显示明显，获得目标语义掩膜图像，将所述目标语义掩膜图像作为所述指示线掩膜图像。处理过程中，还可以利用膨胀算法对所述指示线图像中的指示线进行加粗处理，获得所述目标语义掩膜图像。加入膨胀算法，对车道线的覆盖更大，避免边缘的遗漏，去除车道线后的AVM图像可以达到较为自然的程度。
请参阅图8，本发明还提供一种泊车位合成方法，包括：
步骤810：获取AVM图像及拼接成所述AVM图像的多个鱼眼图像。
步骤820：利用所述多个鱼眼图像获得对应所述AVM图像的AVM掩膜图像。
步骤830：从所述AVM掩膜图像中提取出指示线掩膜图像，基于所述指示线掩膜图像去除所述AVM图像中的指示线。
上述步骤810至步骤830可参考本发明中步骤110至步骤130的内容，具体不再赘述。
步骤840：识别出所述AVM图像中用于添加泊车位的候选区域，将泊车位模板合成至所述候选区域，获得带有泊车位的AVM图像。
单应性变换算法可将一个坐标系统移植到另一个坐标系统，在确定了顶点坐标与放置坐标后，可以计算出所述模板数据投影至所述AVM图像中的单应性变换矩阵。在一种实施方式中，利用单应性变换矩阵可将所述泊车位模板投影到所述AVM图像坐标系下，实现比例大小的相同位置定位。然后采用泊松融合算法将投影后的模板数据与原始的所述AVM图像进行融合，最终获取到融合后AVM图像。
如图9所示，本发明还提供一种电子设备，包括：
至少一个处理器；以及与所述处理器通信连接的至少一个存储器，其中：所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行上述指示线消除方法。
本发明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上存储计算机程序，所述计算机程序被处理器执行时实现上述指示线消除方法。
可以理解，计算机可读存储介质可以包括：能够携带计算机程序的任何实体或装置、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-OnlyMemory)、随机存取存储器（RAM，Random Access Memory)、以及软件分发介质等。计算机程序包括计算机程序代码。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。计算机可读存储介质可以包括：能够携带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-OnlyMemory)、随机存取存储器（RAM，Random Access Memory)、以及软件分发介质等。
在本发明的某些实施方式中，电子设备可以包括控制器或处理器，控制器是一个单片机芯片，集成了处理器、存储器，通信模块等。处理器可以是指控制器包含的处理器。处理器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 SpecificIntegrated 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。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本发明地优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本发明的实施例所属技术领域的技术人员所理解。
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实例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。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发明的范围。
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，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发明各实施例技术方案的精神和范围。
Claims (10)
1.一种指示线消除方法，其特征在于，包括：
获取AVM图像及拼接成所述AVM图像的多个鱼眼图像;
利用所述多个鱼眼图像获得对应所述AVM图像的AVM掩膜图像；
从所述AVM掩膜图像中提取出指示线掩膜图像，基于所述指示线掩膜图像去除所述AVM图像中的指示线。
2.根据权利要求1所述的指示线消除方法，其特征在于，所述利用所述多个鱼眼图像获得对应所述AVM图像的AVM掩膜图像，包括：
利用语义分割模型分别对所述多个鱼眼图像进行语义分割，获得对应所述多个鱼眼图像的多个语义掩膜，所述语义掩膜包括指示线类别；
将所述多个语义掩膜根据合成规则进行拼接，形成所述AVM掩膜图像。
3.根据权利要求1或2所述的指示线消除方法，其特征在于，所述从所述AVM掩膜图像中提取出指示线掩膜图像，基于所述指示线掩膜图像去除所述AVM图像中的指示线，包括：
从所述AVM掩膜图像中提取出指示线掩膜图像，将所述AVM图像及所述指示线掩膜图像输入预设指示线消除模型，获得去除指示线后的目标AVM图像，其中指示线至少包括车道线或车位线。
4.根据权利要求3所述的指示线消除方法，其特征在于，所述从所述AVM掩膜图像中提取出指示线掩膜图像，包括：
从所述AVM掩膜图像提取出指示线图像，并对所述指示线图像进行加预处理用以使得所述指示线显示明显，获得目标语义掩膜图像，将所述目标语义掩膜图像作为所述指示线掩膜图像。
5.根据权利要求4所述的指示线消除方法，其特征在于，所述从所述AVM掩膜图像提取出指示线图像，并对所述指示线图像进行加预处理用以使得所述指示线显示明显，获得目标语义掩膜图像，包括：
利用膨胀算法对所述指示线图像中的指示线进行加粗处理，获得所述目标语义掩膜图像。
6.根据权利要求1所述的指示线消除方法，其特征在于，所述基于所述指示线掩膜图像去除所述AVM图像中的指示线，包括：
将所述AVM图像及所述指示线掩膜图像输入图像修复模型，去除所述AVM图像中的指示线。
7.一种指示线消除装置，其特征在于，包括：
获取模块，用于获取AVM图像及拼接成所述AVM图像的多个鱼眼图像;
语义处理模块，用于利用所述多个鱼眼图像获得对应所述AVM图像的AVM掩膜图像；
去除模块，用于从所述AVM掩膜图像中提取出指示线掩膜图像，基于所述指示线掩膜图像去除所述AVM图像中的指示线。
8.一种泊车位合成方法，其特征在于，包括：利用权利要求1至6任一项所述的指示线消除方法去除AVM图像中的指示线；
识别出所述AVM图像中用于添加泊车位的候选区域，将泊车位模板合成至所述候选区域，获得带有泊车位的AVM图像。
9.一种电子设备，其特征在于，包括：
至少一个处理器；以及与所述处理器通信连接的至少一个存储器，其中：所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行如权利要求1至6或权利要求7中任一项所述的方法。
10.一种计算机可读存储介质，其特征在于，其上存储有计算机程序，所述计算机程序被计算机运行时，执行如权利要求1至6或权利要求7中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311274728.9A CN117474804A (zh) | 2023-09-28 | 2023-09-28 | 一种指示线消除方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311274728.9A CN117474804A (zh) | 2023-09-28 | 2023-09-28 | 一种指示线消除方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117474804A true CN117474804A (zh) | 2024-01-30 |
Family
ID=89630228
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311274728.9A Pending CN117474804A (zh) | 2023-09-28 | 2023-09-28 | 一种指示线消除方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117474804A (zh) |
-
2023
- 2023-09-28 CN CN202311274728.9A patent/CN117474804A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113160257B (zh) | 图像数据标注方法、装置、电子设备及存储介质 | |
| CN107507217B (zh) | 证件照的制作方法、装置及存储介质 | |
| US11636639B2 (en) | Mobile application for object recognition, style transfer and image synthesis, and related systems, methods, and apparatuses | |
| KR101746712B1 (ko) | 안개 제거 방법 및 장치 | |
| CN110570435B (zh) | 用于对车辆损伤图像进行损伤分割的方法及装置 | |
| US11941815B2 (en) | Method and a system training a model to perform semantic segmentation on foggy images | |
| US10726535B2 (en) | Automatically generating image datasets for use in image recognition and detection | |
| CN112070733A (zh) | 基于弱监督模式的缺陷粗定位方法和装置 | |
| CN110276343A (zh) | 图像的分割和注释的方法 | |
| WO2020020445A1 (en) | A method and a system for processing images to obtain foggy images | |
| CN112419214A (zh) | 一种标注图像生成方法、装置、可读存储介质及终端设备 | |
| CN112699885A (zh) | 一种基于对抗生成网络gan的语义分割训练数据增广方法和系统 | |
| CN111311601B (zh) | 一种拼接图像的分割方法及装置 | |
| CN112132848B (zh) | 一种基于图像图层分割抽取的预处理方法 | |
| CN117474804A (zh) | 一种指示线消除方法及装置 | |
| CN113792600A (zh) | 一种基于深度学习的视频抽帧方法和系统 | |
| US20020154828A1 (en) | User interface for interactive removal of defects in an image sequence | |
| CN116245960A (zh) | 一种bev俯视图生成方法、系统、电子设备及存储介质 | |
| CN116228535A (zh) | 图像处理方法、装置、电子设备及车辆 | |
| Zhang et al. | A combined approach to single-camera-based lane detection in driverless navigation | |
| CN116188720A (zh) | 数字人的生成方法、装置、电子设备和存储介质 | |
| CN113256541B (zh) | 利用机器学习对钻井平台监控画面进行去水雾的方法 | |
| Guo et al. | Fast Defogging and Restoration Assessment Approach to Road Scene Images*. | |
| CN110310235B (zh) | 眼底图像处理方法、装置及设备和存储介质 | |
| JP2022517849A (ja) | モジュール式画像補間方法 |
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 |