CN117612128B - 车道线生成方法、装置、计算机设备及存储介质 - Google Patents
车道线生成方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN117612128B CN117612128B CN202410092562.7A CN202410092562A CN117612128B CN 117612128 B CN117612128 B CN 117612128B CN 202410092562 A CN202410092562 A CN 202410092562A CN 117612128 B CN117612128 B CN 117612128B
- Authority
- CN
- China
- Prior art keywords
- lane
- lane line
- line
- point
- detection points
- 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 63
- 238000001514 detection method Methods 0.000 claims abstract description 342
- 238000001914 filtration Methods 0.000 claims abstract description 44
- 238000012545 processing Methods 0.000 claims abstract description 35
- 238000007499 fusion processing Methods 0.000 claims abstract description 14
- 230000002159 abnormal effect Effects 0.000 claims description 26
- 238000004590 computer program Methods 0.000 claims description 26
- 230000004927 fusion Effects 0.000 claims description 16
- 230000008569 process Effects 0.000 claims description 14
- 238000009499 grossing Methods 0.000 claims description 9
- 238000005516 engineering process Methods 0.000 description 10
- 230000008859 change Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000012805 post-processing Methods 0.000 description 3
- 238000005452 bending Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 235000004522 Pentaglottis sempervirens Nutrition 0.000 description 1
- 229910000831 Steel Inorganic materials 0.000 description 1
- 238000005299 abrasion Methods 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 238000010801 machine learning Methods 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
- 238000003672 processing method Methods 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 238000012549 training Methods 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
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/30—Noise filtering
-
- 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
- G06V10/803—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of input or preprocessed data
-
- 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
-
- 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)
- Multimedia (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
Abstract
本申请涉及一种车道线生成方法、装置、计算机设备及存储介质。所述方法包括:从车辆前视图像中获取多个车道线对应的初始检测点;对初始检测点进行异常点过滤处理,得到多个车道线对应的参考检测点;根据多个车道线对应的参考检测点,从多个车道线中确定待融合车道线;对待融合车道线对应的参考检测点进行融合处理,得到至少一个车道线对应的目标检测点;根据至少一个车道线对应的目标检测点进行车道线拟合,得到车道线数据。在交通密集或车道标记不明显的情况下,采用异常点过滤处理能够解决车道线串扰问题,提升了车道线检测的可靠性;针对误识别为分离的车道线进行融合,确保了车道线的完整性和连续性,进而提升了车道线检测的准确性。
Description
技术领域
本申请涉及车辆技术领域,特别是涉及一种车道线生成方法、装置、计算机设备及存储介质。
背景技术
在智能驾驶系统中,车道线检测是实现车辆自动驾驶的核心技术之一。准确的车道线检测对于保障车辆安全行驶、实现车辆自动导航和维持车道保持至关重要。车道线提供了道路结构的基本信息,帮助驾驶系统判断车辆的位置和运动方向,确保车辆能够在车道内正确、安全地行驶。
传统的车道线检测技术主要依赖简单的图像处理方法,如边缘检测、颜色识别等,这些方法在道路条件简单、车道线清晰可见的情况下表现良好。然而,在道路条件、天气恶劣、道路标记磨损、车道线部分遮挡等情况下,传统的车道线检测技术往往无法达到预期的检测效果。
随着智能驾驶技术的发展,车道线检测技术引入了机器学习和深度学习方法,这些方法通过训练大量数据来提高车道线检测的准确性和鲁棒性。尽管深度学习方法在车道线检测中取得了显著进展,但它们通常仍然依赖于后处理技术来解码和精细化检测结果。当前的后处理技术存在局限性,通常依赖于特定的环境参数和精确的校准,在处理车道线串扰、车道线间断、车道线部分遮挡等方面存在明显不足,由于对复杂多变的、非标准化的道路场景适应性不足,直接影响了车道线检测的准确性和可靠性,从而对智能驾驶系统的整体性能产生了较大影响。
发明内容
基于此,有必要针对上述技术问题,提供一种车道线生成方法、装置、计算机设备及计算机可读存储介质,能够提升车道线检测的准确性和可靠性。
第一方面,本申请提供了一种车道线生成方法。所述方法包括:
从车辆前视图像中获取多个车道线对应的初始检测点;
对所述初始检测点进行异常点过滤处理,得到多个车道线对应的参考检测点;
根据所述多个车道线对应的参考检测点,从多个车道线中确定待融合车道线;
对所述待融合车道线对应的参考检测点进行融合处理,得到至少一个车道线对应的目标检测点;
根据所述至少一个车道线对应的目标检测点进行车道线拟合,得到车道线数据。
在其中一个实施例中,所述对所述初始检测点进行异常点过滤处理,得到多个车道线对应的参考检测点,包括:
根据所述初始检测点的位置信息确定相邻检测点之间的曲率半径和欧式距离;所述相邻检测点为任意两个处于同一车道线上、且位置相邻的初始检测点;
根据所述相邻检测点之间的曲率半径和欧式距离进行异常点过滤处理,得到多个车道线对应的参考检测点。
在其中一个实施例中,所述根据所述相邻检测点之间的曲率半径和欧式距离进行异常点过滤处理之后,所述方法还包括:
基于预设滑动窗口对过滤处理后的检测点进行平滑处理,得到多个车道线对应的参考检测点。
在其中一个实施例中,所述根据所述多个车道线对应的参考检测点,从多个车道线中确定待融合车道线,包括:
根据所述多个车道线对应的参考检测点,确定相邻两个车道线之间的夹角和距离;
将夹角小于设定角度阈值、且距离小于设定距离阈值的相邻两个车道线,确定为待融合车道线。
在其中一个实施例中,所述根据所述多个车道线对应的参考检测点,确定相邻两个车道线之间的夹角和距离,包括:
根据所述多个车道线对应的参考检测点,确定每个车道线的起始点、终止点、起始部分所在直线以及终止部分所在直线;
根据第一车道线的起始部分所在直线、第一车道线的终止部分所在直线、第二车道线的起始部分所在直线、以及第二车道线的终止部分所在直线,确定所述第一车道线与所述第二车道线之间的夹角;所述第一车道线与所述第二车道线为相邻两个车道线;
确定所述第一车道线的起始点与所述第二车道线的终止点之间的中点,得到第一参考点;
并确定所述第二车道线的起始点与所述第一车道线的终止点之间的中点,得到第二参考点;
根据所述第一参考点与第一车道线的起始部分所在直线之间的距离、所述第一参考点与第二车道线的终止部分所在直线之间的距离、所述第二参考点与第一车道线的终止部分所在直线之间的距离、所述第二参考点与第二车道线的起始部分所在直线之间的距离,确定所述第一车道线与所述第二车道线之间的距离。
在其中一个实施例中,所述参考检测点包括车道线标签;所述对所述待融合车道线对应的参考检测点进行融合处理,得到至少一个车道线对应的目标检测点,包括:
获取车道线融合后的车道线标识;
根据所述车道线标识,对所述待融合车道线对应的参考检测点的车道线标签进行修正;
根据修正后的参考检测点,确定至少一个车道线对应的目标检测点。
在其中一个实施例中,所述根据所述至少一个车道线对应的目标检测点进行车道线拟合,得到车道线数据,包括:
针对每个目标检测点,确定所针对的目标检测点所在车道线的最小纵坐标,根据所针对的目标检测点的纵坐标、与所述最小纵坐标之间的比值,为所针对的目标检测点赋予对应的权重;
针对每条车道线,根据所针对的车道线对应的目标检测点、每个目标检测点对应的权重、以及贝塞尔曲线进行加权拟合,得到车道线数据。
第二方面,本申请还提供了一种车道线生成装置。所述装置包括:
获取模块,用于从车辆前视图像中获取多个车道线对应的初始检测点;
异常点过滤模块,用于对所述初始检测点进行异常点过滤处理,得到多个车道线对应的参考检测点;
车道线融合模块,用于根据所述多个车道线对应的参考检测点,从多个车道线中确定待融合车道线;对所述待融合车道线对应的参考检测点进行融合处理,得到至少一个车道线对应的目标检测点;
车道线拟合模块,用于根据所述至少一个车道线对应的目标检测点进行车道线拟合,得到车道线数据。
第三方面,本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
从车辆前视图像中获取多个车道线对应的初始检测点;
对所述初始检测点进行异常点过滤处理,得到多个车道线对应的参考检测点;
根据所述多个车道线对应的参考检测点,从多个车道线中确定待融合车道线;
对所述待融合车道线对应的参考检测点进行融合处理,得到至少一个车道线对应的目标检测点;
根据所述至少一个车道线对应的目标检测点进行车道线拟合,得到车道线数据。
第四方面,本申请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,其上存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:
从车辆前视图像中获取多个车道线对应的初始检测点;
对所述初始检测点进行异常点过滤处理,得到多个车道线对应的参考检测点;
根据所述多个车道线对应的参考检测点,从多个车道线中确定待融合车道线;
对所述待融合车道线对应的参考检测点进行融合处理,得到至少一个车道线对应的目标检测点;
根据所述至少一个车道线对应的目标检测点进行车道线拟合,得到车道线数据。
上述车道线生成方法、装置、计算机设备及存储介质,从车辆前视图像中获取多个车道线对应的初始检测点;对初始检测点进行异常点过滤处理,得到多个车道线对应的参考检测点;根据多个车道线对应的参考检测点,从多个车道线中确定待融合车道线;对待融合车道线对应的参考检测点进行融合处理,得到至少一个车道线对应的目标检测点;根据至少一个车道线对应的目标检测点进行车道线拟合,得到车道线数据。通过上述方式,采用异常点过滤处理,减少了因噪声或其他因素造成的误检测,能够避免在交通密集或车道标记不明显等情况下、车道线检测结果的混淆,解决车道线串扰问题,提升了车道线检测的可靠性;针对误识别为分离的车道线进行融合,确保了车道线的完整性和连续性,进而提升了车道线检测的准确性。
附图说明
图1为一个实施例中车道线生成方法的流程示意图;
图2为一个实施例中的车道线示意图;
图3为另一个实施例中车道线生成方法的流程示意图;
图4为又一个实施例中车道线生成方法的流程示意图;
图5为一个实施例中车道线生成装置的结构框图;
图6为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
在一个实施例中,如图1所示,提供了一种车道线生成方法,本实施例以该方法应用于车载计算机进行举例说明,可以理解的是,该方法也可以应用于智能交通系统中,本实施例对此不加以限制。包括以下步骤:
步骤102,从车辆前视图像中获取多个车道线对应的初始检测点。
其中,车辆前视图像是指通过车辆的前视相机采集的车辆前方的单帧图像数据。在一种实现方式中,车载计算机设置有车道线检测功能,通过车道线检测功能识别出多个车道线上的检测点数据,即初始检测点。可选地,车道线检测功能包括预先训练好的卷积神经网络模型,输入车辆前视图像,得到该卷积神经网络模型输出的多个车道线对应的初始检测点。
初始检测点包括车道线标签和位置信息,位置信息是指检测点在车辆前视图像中的像素点坐标。参照图2,针对图2所示的车道线,检测点数据可以通过以下公式进行描述:
;
;
其中,K表示每条车道线由K个检测点来描述,用于描述第i条车道线,表示第i条车道线上的第j个检测点,该检测点由图像上的像素点坐标和车道线标签来描述。可以为车道线ID,取值为0、1、2、3,参照图2,0表示左车道的左线,1表示当前车道的左线,2表示当前车道的右线,3表示右车道的右线。
传统方案中基于鸟瞰图视角对车道线检测点进行后处理,而本实施例中基于车辆前视图像进行后处理,不依赖于特定的视角转换参数进行视图转换,提升了本实施例在不同道路环境、不同图像采集设备上的适应性和泛化能力,能够适用于多变的实际场景。
步骤104,对所述初始检测点进行异常点过滤处理,得到多个车道线对应的参考检测点。
在一种实现方式中,相邻检测点包括当前检测点和相邻点,根据初始检测点的位置信息确定相邻检测点之间的曲率半径,预设有曲率半径阈值,若相邻检测点之间的曲率半径小于曲率半径阈值,则将相邻检测点中的当前检测点确定为异常点,剔除该异常点,按照这种方式针对每条车道线上的检测点进行异常点过滤处理,得到处理后的多个车道线对应的参考检测点。
在一种实现方式中,根据初始检测点的位置信息确定相邻检测点之间的欧式距离,预设有欧式距离阈值,若相邻检测点之间的欧式距离大于欧式距离阈值,则将相邻检测点中的当前检测点确定为异常点,剔除该异常点。
在一种实现方式中,若相邻检测点之间的曲率半径小于曲率半径阈值、且相邻检测点之间的欧式距离大于欧式距离阈值,则将相邻检测点中的当前检测点确定为异常点,剔除该异常点。
在一种实现方式中,根据相邻检测点之间的曲率半径和欧式距离剔除离群点,并利用滑动窗口技术进行平滑处理,得到多个车道线对应的参考检测点。
步骤106,根据所述多个车道线对应的参考检测点,从多个车道线中确定待融合车道线。
其中,根据多个车道线对应的参考检测点,分析相邻车道线的相似程度,将相似程度高的相邻车道线确定为待融合车道线。在一种实现方式中,通过相邻车道线之间的夹角和距离来分析相邻车道线的相似程度,将夹角小、距离近的相邻车道线确定为待融合车道线。在一种实现方式中,若未识别出待融合车道线,则基于多个车道线对应的参考检测点执行进行车道线拟合,得到车道线数据。针对同一张车辆前视图像,通过本实施例的方式可能识别出至少一组待融合车道线,每组待融合车道线包括两条相邻的车道线。
步骤108,对所述待融合车道线对应的参考检测点进行融合处理,得到至少一个车道线对应的目标检测点。
其中,针对每组待融合车道线,将待融合的相邻车道线上的参考检测点,融合为同一条车道线上的目标检测点。具体地,通过修改参考检测点的车道线标签实现车道线融合。
步骤110,根据所述至少一个车道线对应的目标检测点进行车道线拟合,得到车道线数据。
其中,针对每条车道线,根据该车道线对应的多个目标检测点进行曲线拟合,得到车道线数据,车道线数据包括车道线在图像中的位置信息。在执行步骤110之前,车道线以车道线标识(ID)的形式进行区分,在执行步骤110后,生成了车道线在图像中的位置信息。
在一种实现方式中,根据目标检测点的纵向位置为目标检测点赋予权重系数,在曲线拟合过程中,采用贝塞尔曲线和目标检测点进行加权拟合,以形成接近真实车道线的曲线。
上述车道线生成方法中,从车辆前视图像中获取多个车道线对应的初始检测点;对初始检测点进行异常点过滤处理,得到多个车道线对应的参考检测点;根据多个车道线对应的参考检测点,从多个车道线中确定待融合车道线;对待融合车道线对应的参考检测点进行融合处理,得到至少一个车道线对应的目标检测点;根据至少一个车道线对应的目标检测点进行车道线拟合,得到车道线数据。通过上述方式,采用异常点过滤处理,减少了因噪声或其他因素造成的误检测,能够避免在交通密集或车道标记不明显等情况下、车道线检测结果的混淆,解决车道线串扰问题,提升了车道线检测的可靠性;针对误识别为分离的车道线进行融合,确保了车道线的完整性和连续性,进而提升了车道线检测的准确性。
在一个实施例中,如图3所示,步骤104包括:
步骤302,根据所述初始检测点的位置信息确定相邻检测点之间的曲率半径和欧式距离;所述相邻检测点为任意两个处于同一车道线上、且位置相邻的初始检测点。
其中,假设相邻检测点为当前检测点和相邻点,通过以下公式计算曲率半径和欧式距离:
;
;
式中,为当前检测点和相邻点的曲率半径,为当前检测点和相邻点的欧式距离,i=0,1,2,3,…(参照图2,图2对应的i为0、1、2、3,在实际应用中,i可以为更大),j=1,2,3,…,K。
步骤304,根据所述相邻检测点之间的曲率半径和欧式距离进行异常点过滤处理,得到多个车道线对应的参考检测点。
在一种实现方式中,预设有曲率半径阈值和欧式距离阈值,若相邻检测点之间的曲率半径小于曲率半径阈值,或相邻检测点之间的欧式距离大于欧式距离阈值,则将相邻检测点中的当前检测点确定为异常点,剔除该异常点,按照这种方式针对每条车道线上的检测点进行异常点过滤处理,得到处理后的多个车道线对应的参考检测点。
在一种实现方式中,通过以下公式检测异常点:
;
;
式中,为预设的曲率半径阈值,为预设的欧氏距离阈值。Flag1为1表示相邻检测点之间的曲率半径小于阈值,将相邻检测点中的当前检测点作为候选异常点,Flag2为1表示当前候选异常点和相邻点的距离超过了阈值,则当前检测点为异常点,剔除该异常点,也即,将Flag1=1且Flag2=1的当前检测点作为异常点进行剔除。
在处理带有异常检测点的数据时,传统的后处理技术未能有效解决车道线间的串扰问题,特别是在交通密集或车道标记不明显的情况下,异常点的存在可能导致车道线检测结果的混淆。本实施例中通过分析曲率,能更好地适应车道线在不同道路条件下的几何变化,如弯道或坡道,结合曲率半径和欧式距离去除异常点,能够准确地确定多个车道线的检测点,为后续车道线检测和处理提供准确的数据支持。
在一个实施例中,所述根据所述相邻检测点之间的曲率半径和欧式距离进行异常点过滤处理之后,所述方法还包括:基于预设滑动窗口对过滤处理后的检测点进行平滑处理,得到多个车道线对应的参考检测点。
其中,本实施例中先利用相邻检测点的曲率半径和欧式距离剔除离群点,然后利用滑动窗口技术进行平滑处理。具体地,预设滑动窗口的大小为N,预设滑动窗口所在领域内包括同一车道线上的N个检测点,平滑处理描述为:
;
式中,为预设滑动窗口内的检测点(即像素点坐标),预设滑动窗口设置于第i条车道线上,通过计算预设滑动窗口内所有检测点的像素点坐标的平均值,用来更新预设滑动窗口内每个检测点的像素点坐标。通过这种方式,有助于消除偶发的噪声点,使得车道线的检测更加平滑连贯。
在一个实施例中,如图4所示,步骤106包括:
步骤402,根据所述多个车道线对应的参考检测点,确定相邻两个车道线之间的夹角和距离。
在一种实现方式中,针对每个车道线,将该车道线起始点和终止点之间的连线作为参考线,确定相邻两个车道线的参考线所形成的夹角的角度,并确定相邻两个车道线的参考线之间的距离。
本实施例中还可以采用其他方式确定相邻两个车道线之间的夹角和距离,本实施对此不加以限制。
步骤404,将夹角小于设定角度阈值、且距离小于设定距离阈值的相邻两个车道线,确定为待融合车道线。
其中,设定角度阈值为提前设置的用于区分夹角大小的临界值,设定距离阈值为提前设置的用于区分距离远近的临界值,夹角小于设定角度阈值表征相邻两个车道线的倾斜方向相似,距离小于设定距离阈值表征相邻两个车道线相距较近,将倾斜方向相似、相距较近的相邻两个车道线,确定为待融合车道线。即,相邻两个车道线的相似性描述为:
;
式中,为相邻两个车道线的夹角,为相邻两个车道线的距离,为设定角度阈值,为设定距离阈值。将的相邻两个车道线,确定为待融合车道线。
传统的车道线检测技术在处理间断或部分遮挡的车道线(例如,道路标记老化或积雪、积水等天气因素造成遮挡)时,无法正确识别为一条连续的线条,导致车道线被多段识别。本实施例中利用基于角度和距离的融合准则,有效地判断并融合被错误识别为分离的车道线段,确保了检测车道线的完整性和连续性。
在一个实施例中,所述步骤402,包括:根据所述多个车道线对应的参考检测点,确定每个车道线的起始点、终止点、起始部分所在直线以及终止部分所在直线;根据第一车道线的起始部分所在直线、第一车道线的终止部分所在直线、第二车道线的起始部分所在直线、以及第二车道线的终止部分所在直线,确定所述第一车道线与所述第二车道线之间的夹角;所述第一车道线与所述第二车道线为相邻两个车道线;确定所述第一车道线的起始点与所述第二车道线的终止点之间的中点,得到第一参考点;并确定所述第二车道线的起始点与所述第一车道线的终止点之间的中点,得到第二参考点;根据所述第一参考点与第一车道线的起始部分所在直线之间的距离、所述第一参考点与第二车道线的终止部分所在直线之间的距离、所述第二参考点与第一车道线的终止部分所在直线之间的距离、所述第二参考点与第二车道线的起始部分所在直线之间的距离,确定所述第一车道线与所述第二车道线之间的距离。
其中,根据设定的距离值,将每个车道线起始点与终止点之间的部分进行分割,得到分割后的多个线段,多个线段中包括起始点的线段为车道线的起始部分、包括终止点的线段为车道线的终止部分。起始部分所在直线可以为起始线段的起点与终点形成的直线,终止部分所在直线可以为终止线段的起点与终点形成的直线;起始部分所在直线还可以为经过起始线段的中点且与起始线段相切的直线,终止部分所在直线还可以为经过终止线段的中点且与终止线段相切的直线。
其中,根据第一车道线的起始部分所在直线、第一车道线的终止部分所在直线、第二车道线的起始部分所在直线、以及第二车道线的终止部分所在直线,确定所述第一车道线与所述第二车道线之间的夹角,具体为:确定第一车道线的起始部分所在直线、与第二车道线的终止部分所在直线之间的第一夹角,确定第一车道线的终止部分所在直线、与第二车道线的起始部分所在直线之间的第二夹角,选择第一夹角与第二夹角中的最小值作为第一车道线与第二车道线之间的夹角。假设第一车道线为,第二车道线为,的起始点和终止点为和,的起始点和终止点为和,通过以下公式进行描述:
;
;
;
式中,为起始部分所在的直线,为终止部分所在的直线,为起始部分所在的直线,为终止部分所在的直线,为与之间的夹角。
其中,根据所述第一参考点与第一车道线的起始部分所在直线之间的距离、所述第一参考点与第二车道线的终止部分所在直线之间的距离、所述第二参考点与第一车道线的终止部分所在直线之间的距离、所述第二参考点与第二车道线的起始部分所在直线之间的距离,确定所述第一车道线与所述第二车道线之间的距离,具体为:确定第一参考点与第一车道线的起始部分所在直线之间的距离、以及第一参考点与第二车道线的终止部分所在直线之间的距离之和,得到第一距离,确定第二参考点与第一车道线的终止部分所在直线之间的距离、以及第二参考点与第二车道线的起始部分所在直线之间的距离之和,得到第二距离,选择第一距离与第二距离中的最大值作为第一车道线与第二车道线之间的距离。即,确定和的中点到直线的距离、与到直线的距离之和,确定和的中点到直线的距离、与到直线的距离之和,与之间的距离。
在一个实施例中,所述参考检测点包括车道线标签;步骤108包括:获取车道线融合后的车道线标识;根据所述车道线标识,对所述待融合车道线对应的参考检测点的车道线标签进行修正;根据修正后的参考检测点,确定至少一个车道线对应的目标检测点。
其中,针对每个参考检测点,按照融合后的车道线标识,对参考检测点的车道线标签进行修正。具体地,假设车辆前视图像的宽度为W、高度为H,针对每条车道线,根据该车道线的起始部分所在直线在y=H时的横轴坐标、与的位置关系来修改该车道线上的参考检测点的group标签,通过这种方式,实现车道线检测与融合,提高了车道线识别的准确性和鲁棒性。
在一个实施例中,步骤110,包括:针对每个目标检测点,确定所针对的目标检测点所在车道线的最小纵坐标,根据所针对的目标检测点的纵坐标、与所述最小纵坐标之间的比值,为所针对的目标检测点赋予对应的权重;针对每条车道线,根据所针对的车道线对应的目标检测点、每个目标检测点对应的权重、以及贝塞尔曲线进行加权拟合,得到车道线数据。
其中,应用贝塞尔曲线进行拟合,以形成接近真实车道线的曲线。每个检测点被赋予一个基于其纵向位置确定的权重系数,从而在曲线拟合过程中考虑到车道线的纵向分布特征。贝塞尔曲线是一种通过控制点定义曲线形状的数学曲线。每个检测点被赋予一个权重:
;
式中,是目标检测点所在车道线的所有检测点中纵坐标的最小值,为检测点的纵坐标。使用加权贝塞尔曲线的方式拟合车道线,通过以下公式进行描述:
;
;
式中,为贝塞尔基函数,n为控制点数量减一,t的取值范围为0~1。
在弯道或车道线曲率较大的场景中,由于模型的局限性和对高曲率车道线的适应性不足,传统的车道线拟合方式往往难以准确地反映实际的道路状况。本实施例中通过加权贝塞尔曲线拟合方式,可以在不影响整体曲线形状的情况下调整局部区域,能够更准确地逼近复杂和高度非线性的车道线形状,反映车道线的实际形状,特别是在车道线纵向延伸和弯曲较大的区域。加权贝塞尔曲线拟合不仅提高了车道线检测的精度,也增强了车道线检测方式在不同道路条件下的适应性。
应该理解的是,虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思,本申请实施例还提供了一种用于实现上述所涉及的车道线生成方法的车道线生成装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似,故下面所提供的一个或多个车道线生成装置实施例中的具体限定可以参见上文中对于车道线生成方法的限定,在此不再赘述。
在一个实施例中,如图5所示,提供了一种车道线生成装置,包括:
获取模块10,用于从车辆前视图像中获取多个车道线对应的初始检测点。
异常点过滤模块20,用于对所述初始检测点进行异常点过滤处理,得到多个车道线对应的参考检测点。
车道线融合模块30,用于根据所述多个车道线对应的参考检测点,从多个车道线中确定待融合车道线;对所述待融合车道线对应的参考检测点进行融合处理,得到得到至少一个车道线对应的目标检测点。
车道线拟合模块40,用于根据所述至少一个车道线对应的目标检测点进行车道线拟合,得到车道线数据。
上述车道线生成装置中,从车辆前视图像中获取多个车道线对应的初始检测点;对初始检测点进行异常点过滤处理,得到多个车道线对应的参考检测点;根据多个车道线对应的参考检测点,从多个车道线中确定待融合车道线;对待融合车道线对应的参考检测点进行融合处理,得到至少一个车道线对应的目标检测点;根据至少一个车道线对应的目标检测点进行车道线拟合,得到车道线数据。通过上述方式,采用异常点过滤处理,减少了因噪声或其他因素造成的误检测,能够避免在交通密集或车道标记不明显等情况下、车道线检测结果的混淆,解决车道线串扰问题,提升了车道线检测的可靠性;针对误识别为分离的车道线进行融合,确保了车道线的完整性和连续性,进而提升了车道线检测的准确性。
在一个实施例中,所述异常点过滤模块20,还用于根据所述初始检测点的位置信息确定相邻检测点之间的曲率半径和欧式距离;所述相邻检测点为任意两个处于同一车道线上、且位置相邻的初始检测点;根据所述相邻检测点之间的曲率半径和欧式距离进行异常点过滤处理,得到多个车道线对应的参考检测点。
在一个实施例中,所述异常点过滤模块20,还用于基于预设滑动窗口对过滤处理后的检测点进行平滑处理,得到多个车道线对应的参考检测点。
在一个实施例中,所述车道线融合模块30,还用于根据所述多个车道线对应的参考检测点,确定相邻两个车道线之间的夹角和距离;将夹角小于设定角度阈值、且距离小于设定距离阈值的相邻两个车道线,确定为待融合车道线。
在一个实施例中,所述车道线融合模块30,还用于根据所述多个车道线对应的参考检测点,确定每个车道线的起始点、终止点、起始部分所在直线以及终止部分所在直线;根据第一车道线的起始部分所在直线、第一车道线的终止部分所在直线、第二车道线的起始部分所在直线、以及第二车道线的终止部分所在直线,确定所述第一车道线与所述第二车道线之间的夹角;所述第一车道线与所述第二车道线为相邻两个车道线;确定所述第一车道线的起始点与所述第二车道线的终止点之间的中点,得到第一参考点;并确定所述第二车道线的起始点与所述第一车道线的终止点之间的中点,得到第二参考点;根据所述第一参考点与第一车道线的起始部分所在直线之间的距离、所述第一参考点与第二车道线的终止部分所在直线之间的距离、所述第二参考点与第一车道线的终止部分所在直线之间的距离、所述第二参考点与第二车道线的起始部分所在直线之间的距离,确定所述第一车道线与所述第二车道线之间的距离。
在一个实施例中,所述参考检测点包括车道线标签;所述车道线融合模块30,还用于获取车道线融合后的车道线标识;根据所述车道线标识,对所述待融合车道线对应的参考检测点的车道线标签进行修正;根据修正后的参考检测点,确定至少一个车道线对应的目标检测点。
在一个实施例中,所述车道线拟合模块40,还用于针对每个目标检测点,确定所针对的目标检测点所在车道线的最小纵坐标,根据所针对的目标检测点的纵坐标、与所述最小纵坐标之间的比值,为所针对的目标检测点赋予对应的权重;针对每条车道线,根据所针对的车道线对应的目标检测点、每个目标检测点对应的权重、以及贝塞尔曲线进行加权拟合,得到车道线数据。
上述车道线生成装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图6所示。该计算机设备包括处理器、存储器、输入/输出接口(Input/Output,简称I/O)和通信接口。其中,处理器、存储器和输入/输出接口通过系统总线连接,通信接口通过输入/输出接口连接到系统总线。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种车道线生成方法。
本领域技术人员可以理解,图6中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:从车辆前视图像中获取多个车道线对应的初始检测点;对初始检测点进行异常点过滤处理,得到多个车道线对应的参考检测点;根据多个车道线对应的参考检测点,从多个车道线中确定待融合车道线;对待融合车道线对应的参考检测点进行融合处理,得到至少一个车道线对应的目标检测点;根据至少一个车道线对应的目标检测点进行车道线拟合,得到车道线数据。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:根据初始检测点的位置信息确定相邻检测点之间的曲率半径和欧式距离;相邻检测点为任意两个处于同一车道线上、且位置相邻的初始检测点;根据相邻检测点之间的曲率半径和欧式距离进行异常点过滤处理,得到多个车道线对应的参考检测点。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:基于预设滑动窗口对过滤处理后的检测点进行平滑处理,得到多个车道线对应的参考检测点。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:根据多个车道线对应的参考检测点,确定相邻两个车道线之间的夹角和距离;将夹角小于设定角度阈值、且距离小于设定距离阈值的相邻两个车道线,确定为待融合车道线。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:根据多个车道线对应的参考检测点,确定每个车道线的起始点、终止点、起始部分所在直线以及终止部分所在直线;根据第一车道线的起始部分所在直线、第一车道线的终止部分所在直线、第二车道线的起始部分所在直线、以及第二车道线的终止部分所在直线,确定第一车道线与第二车道线之间的夹角;第一车道线与第二车道线为相邻两个车道线;确定第一车道线的起始点与第二车道线的终止点之间的中点,得到第一参考点;并确定第二车道线的起始点与第一车道线的终止点之间的中点,得到第二参考点;根据第一参考点与第一车道线的起始部分所在直线之间的距离、第一参考点与第二车道线的终止部分所在直线之间的距离、第二参考点与第一车道线的终止部分所在直线之间的距离、第二参考点与第二车道线的起始部分所在直线之间的距离,确定第一车道线与第二车道线之间的距离。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:获取车道线融合后的车道线标识;根据车道线标识,对待融合车道线对应的参考检测点的车道线标签进行修正;根据修正后的参考检测点,确定至少一个车道线对应的目标检测点。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:针对每个目标检测点,确定所针对的目标检测点所在车道线的最小纵坐标,根据所针对的目标检测点的纵坐标、与最小纵坐标之间的比值,为所针对的目标检测点赋予对应的权重;针对每条车道线,根据所针对的车道线对应的目标检测点、每个目标检测点对应的权重、以及贝塞尔曲线进行加权拟合,得到车道线数据。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:从车辆前视图像中获取多个车道线对应的初始检测点;对初始检测点进行异常点过滤处理,得到多个车道线对应的参考检测点;根据多个车道线对应的参考检测点,从多个车道线中确定待融合车道线;对待融合车道线对应的参考检测点进行融合处理,得到至少一个车道线对应的目标检测点;根据至少一个车道线对应的目标检测点进行车道线拟合,得到车道线数据。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:根据初始检测点的位置信息确定相邻检测点之间的曲率半径和欧式距离;相邻检测点为任意两个处于同一车道线上、且位置相邻的初始检测点;根据相邻检测点之间的曲率半径和欧式距离进行异常点过滤处理,得到多个车道线对应的参考检测点。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:基于预设滑动窗口对过滤处理后的检测点进行平滑处理,得到多个车道线对应的参考检测点。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:根据多个车道线对应的参考检测点,确定相邻两个车道线之间的夹角和距离;将夹角小于设定角度阈值、且距离小于设定距离阈值的相邻两个车道线,确定为待融合车道线。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:根据多个车道线对应的参考检测点,确定每个车道线的起始点、终止点、起始部分所在直线以及终止部分所在直线;根据第一车道线的起始部分所在直线、第一车道线的终止部分所在直线、第二车道线的起始部分所在直线、以及第二车道线的终止部分所在直线,确定第一车道线与第二车道线之间的夹角;第一车道线与第二车道线为相邻两个车道线;确定第一车道线的起始点与第二车道线的终止点之间的中点,得到第一参考点;并确定第二车道线的起始点与第一车道线的终止点之间的中点,得到第二参考点;根据第一参考点与第一车道线的起始部分所在直线之间的距离、第一参考点与第二车道线的终止部分所在直线之间的距离、第二参考点与第一车道线的终止部分所在直线之间的距离、第二参考点与第二车道线的起始部分所在直线之间的距离,确定第一车道线与第二车道线之间的距离。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:获取车道线融合后的车道线标识;根据车道线标识,对待融合车道线对应的参考检测点的车道线标签进行修正;根据修正后的参考检测点,确定至少一个车道线对应的目标检测点。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:针对每个目标检测点,确定所针对的目标检测点所在车道线的最小纵坐标,根据所针对的目标检测点的纵坐标、与最小纵坐标之间的比值,为所针对的目标检测点赋予对应的权重;针对每条车道线,根据所针对的车道线对应的目标检测点、每个目标检测点对应的权重、以及贝塞尔曲线进行加权拟合,得到车道线数据。
需要说明的是,本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等),均为经用户授权或者经过各方充分授权的信息和数据,且相关数据的收集、使用和处理需要符合相关规定。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是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非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory,MRAM)、铁电存储器(Ferroelectric Random Access Memory,FRAM)、相变存储器(Phase Change Memory,PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器等。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory,DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等,不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等,不限于此。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请的保护范围应以所附权利要求为准。
Claims (10)
1.一种车道线生成方法,其特征在于,所述方法包括:
从车辆前视图像中获取多个车道线对应的初始检测点;
对所述初始检测点进行异常点过滤处理,得到多个车道线对应的参考检测点;
根据所述多个车道线对应的参考检测点,从多个车道线中确定待融合车道线;
对所述待融合车道线对应的参考检测点进行融合处理,得到至少一个车道线对应的目标检测点;
根据所述至少一个车道线对应的目标检测点进行车道线拟合,得到车道线数据;
其中,所述根据所述多个车道线对应的参考检测点,从多个车道线中确定待融合车道线,包括:
根据所述多个车道线对应的参考检测点,确定每个车道线的起始点、终止点、起始部分所在直线以及终止部分所在直线;
根据第一车道线的起始部分所在直线、第一车道线的终止部分所在直线、第二车道线的起始部分所在直线、以及第二车道线的终止部分所在直线,确定所述第一车道线与所述第二车道线之间的夹角;所述第一车道线与所述第二车道线为相邻两个车道线;
确定所述第一车道线的起始点与所述第二车道线的终止点之间的中点,得到第一参考点;
并确定所述第二车道线的起始点与所述第一车道线的终止点之间的中点,得到第二参考点;
根据所述第一参考点与第一车道线的起始部分所在直线之间的距离、所述第一参考点与第二车道线的终止部分所在直线之间的距离、所述第二参考点与第一车道线的终止部分所在直线之间的距离、所述第二参考点与第二车道线的起始部分所在直线之间的距离,确定所述第一车道线与所述第二车道线之间的距离;
将夹角小于设定角度阈值、且距离小于设定距离阈值的相邻两个车道线,确定为待融合车道线。
2.根据权利要求1所述的方法,其特征在于,所述对所述初始检测点进行异常点过滤处理,得到多个车道线对应的参考检测点,包括:
根据所述初始检测点的位置信息确定相邻检测点之间的曲率半径和欧式距离;所述相邻检测点为任意两个处于同一车道线上、且位置相邻的初始检测点;
根据所述相邻检测点之间的曲率半径和欧式距离进行异常点过滤处理,得到多个车道线对应的参考检测点。
3.根据权利要求2所述的方法,其特征在于,所述根据所述相邻检测点之间的曲率半径和欧式距离进行异常点过滤处理之后,所述方法还包括:
基于预设滑动窗口对过滤处理后的检测点进行平滑处理,得到多个车道线对应的参考检测点。
4.根据权利要求1所述的方法,其特征在于,所述参考检测点包括车道线标签;所述对所述待融合车道线对应的参考检测点进行融合处理,得到至少一个车道线对应的目标检测点,包括:
获取车道线融合后的车道线标识;
根据所述车道线标识,对所述待融合车道线对应的参考检测点的车道线标签进行修正;
根据修正后的参考检测点,确定至少一个车道线对应的目标检测点。
5.根据权利要求1至4中任意一项所述的方法,其特征在于,所述根据所述至少一个车道线对应的目标检测点进行车道线拟合,得到车道线数据,包括:
针对每个目标检测点,确定所针对的目标检测点所在车道线的最小纵坐标,根据所针对的目标检测点的纵坐标、与所述最小纵坐标之间的比值,为所针对的目标检测点赋予对应的权重;
针对每条车道线,根据所针对的车道线对应的目标检测点、每个目标检测点对应的权重、以及贝塞尔曲线进行加权拟合,得到车道线数据。
6.一种车道线生成装置,其特征在于,所述装置包括:
获取模块,用于从车辆前视图像中获取多个车道线对应的初始检测点;
异常点过滤模块,用于对所述初始检测点进行异常点过滤处理,得到多个车道线对应的参考检测点;
车道线融合模块,用于根据所述多个车道线对应的参考检测点,从多个车道线中确定待融合车道线;对所述待融合车道线对应的参考检测点进行融合处理,得到至少一个车道线对应的目标检测点;
车道线拟合模块,用于根据所述至少一个车道线对应的目标检测点进行车道线拟合,得到车道线数据;
其中,所述车道线融合模块,还用于根据所述多个车道线对应的参考检测点,确定每个车道线的起始点、终止点、起始部分所在直线以及终止部分所在直线;根据第一车道线的起始部分所在直线、第一车道线的终止部分所在直线、第二车道线的起始部分所在直线、以及第二车道线的终止部分所在直线,确定所述第一车道线与所述第二车道线之间的夹角;所述第一车道线与所述第二车道线为相邻两个车道线;确定所述第一车道线的起始点与所述第二车道线的终止点之间的中点,得到第一参考点;并确定所述第二车道线的起始点与所述第一车道线的终止点之间的中点,得到第二参考点;根据所述第一参考点与第一车道线的起始部分所在直线之间的距离、所述第一参考点与第二车道线的终止部分所在直线之间的距离、所述第二参考点与第一车道线的终止部分所在直线之间的距离、所述第二参考点与第二车道线的起始部分所在直线之间的距离,确定所述第一车道线与所述第二车道线之间的距离;将夹角小于设定角度阈值、且距离小于设定距离阈值的相邻两个车道线,确定为待融合车道线。
7.根据权利要求6所述的装置,其特征在于,所述异常点过滤模块,还用于根据所述初始检测点的位置信息确定相邻检测点之间的曲率半径和欧式距离;所述相邻检测点为任意两个处于同一车道线上、且位置相邻的初始检测点;根据所述相邻检测点之间的曲率半径和欧式距离进行异常点过滤处理,得到多个车道线对应的参考检测点。
8.根据权利要求7所述的装置,其特征在于,所述异常点过滤模块,还用于基于预设滑动窗口对过滤处理后的检测点进行平滑处理,得到多个车道线对应的参考检测点。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至5中任一项所述的方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至5中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410092562.7A CN117612128B (zh) | 2024-01-23 | 2024-01-23 | 车道线生成方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410092562.7A CN117612128B (zh) | 2024-01-23 | 2024-01-23 | 车道线生成方法、装置、计算机设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117612128A CN117612128A (zh) | 2024-02-27 |
CN117612128B true CN117612128B (zh) | 2024-07-12 |
Family
ID=89953868
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410092562.7A Active CN117612128B (zh) | 2024-01-23 | 2024-01-23 | 车道线生成方法、装置、计算机设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117612128B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113887298A (zh) * | 2021-08-31 | 2022-01-04 | 际络科技(上海)有限公司 | 车道线检测方法、装置、电子设备、存储介质及程序产品 |
CN115861959A (zh) * | 2023-02-24 | 2023-03-28 | 中国第一汽车股份有限公司 | 一种车道线识别方法、装置、电子设备及存储介质 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112937573A (zh) * | 2019-12-10 | 2021-06-11 | 华为技术有限公司 | 一种安全速度的确定方法、装置及系统 |
CN115393816A (zh) * | 2022-08-25 | 2022-11-25 | 深圳元戎启行科技有限公司 | 车道线生成方法、装置、计算机设备和存储介质 |
-
2024
- 2024-01-23 CN CN202410092562.7A patent/CN117612128B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113887298A (zh) * | 2021-08-31 | 2022-01-04 | 际络科技(上海)有限公司 | 车道线检测方法、装置、电子设备、存储介质及程序产品 |
CN115861959A (zh) * | 2023-02-24 | 2023-03-28 | 中国第一汽车股份有限公司 | 一种车道线识别方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN117612128A (zh) | 2024-02-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Neven et al. | Towards end-to-end lane detection: an instance segmentation approach | |
CN110414507B (zh) | 车牌识别方法、装置、计算机设备和存储介质 | |
CN108388896B (zh) | 一种基于动态时序卷积神经网络的车牌识别方法 | |
Marzougui et al. | A lane tracking method based on progressive probabilistic Hough transform | |
CN111178236B (zh) | 一种基于深度学习的车位检测方法 | |
US10915767B2 (en) | Methods and systems for parking line marker detection and pairing and parking spot detection and classification | |
CN109118473B (zh) | 基于神经网络的角点检测方法、存储介质与图像处理系统 | |
CN113221750A (zh) | 车辆追踪方法、装置、设备及存储介质 | |
CN110688902A (zh) | 一种检测停车位内车辆区域的方法及装置 | |
CN116824516B (zh) | 一种涉路施工安全监测及管理系统 | |
CN111160231A (zh) | 一种基于Mask R-CNN的自动驾驶环境道路提取方法 | |
Yan et al. | Lane information perception network for HD maps | |
CN117423085A (zh) | 一种导流线区域检测方法及系统 | |
CN117612128B (zh) | 车道线生成方法、装置、计算机设备及存储介质 | |
Truong et al. | Lane boundaries detection algorithm using vector lane concept | |
CN114120259A (zh) | 一种空车位识别方法及其系统、计算机设备、存储介质 | |
Yang et al. | A novel vision-based framework for real-time lane detection and tracking | |
CN115187867A (zh) | 一种基于深度学习的多源遥感图像融合方法和系统 | |
CN113255405B (zh) | 车位线识别方法及其系统、车位线识别设备、存储介质 | |
CN114299300A (zh) | 一种车道线检测方法、装置、计算机设备和存储介质 | |
CN114118188A (zh) | 针对待检测图像中移动对象的处理系统、方法和存储介质 | |
Kuprešak et al. | Solution for autonomous vehicle parking | |
CN116259042B (zh) | 基于图注意力的环视图像停车位检测方法及装置 | |
CN114694112B (zh) | 交通信号灯的识别方法、装置及电子设备 | |
US20230419522A1 (en) | Method for obtaining depth images, electronic device, and storage medium |
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 |