CN117809267A - 车辆所在车道的定位方法、装置、终端设备及存储介质 - Google Patents
车辆所在车道的定位方法、装置、终端设备及存储介质 Download PDFInfo
- Publication number
- CN117809267A CN117809267A CN202211163059.3A CN202211163059A CN117809267A CN 117809267 A CN117809267 A CN 117809267A CN 202211163059 A CN202211163059 A CN 202211163059A CN 117809267 A CN117809267 A CN 117809267A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- lane
- probability value
- value
- road
- 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 72
- 238000012545 processing Methods 0.000 claims abstract description 31
- 238000004590 computer program Methods 0.000 claims description 28
- 230000008569 process Effects 0.000 description 16
- 230000006870 function Effects 0.000 description 6
- 238000003062 neural network model Methods 0.000 description 4
- 230000004044 response Effects 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
- 238000010586 diagram Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 241000282414 Homo sapiens Species 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Landscapes
- Traffic Control Systems (AREA)
Abstract
本申请适用于数据处理技术领域,提供了一种车辆所在车道的定位方法、装置、终端设备及存储介质,该方法包括:根据道路图像确定车辆当前所在的车道的第一编号、当前所在车道为第一编号的第一概率值,以及车辆当前所在的车道的第二编号、当前所在车道为第二编号的第二概率值,第一编号为将车辆所在道路上的各个车道从左向右进行编号后得到的车辆当前所在的车道的编号,第二编号为将各个车道从右向左进行编号后得到的车辆当前所在的车道的编号,若第一概率值和第二概率值均大于第一阈值,获取车辆所在道路的车道总数;基于第一编号、第二编号和车道总数,确定车辆所在的车道的编号。本申请方法可以使确定的车道的编号更准确。
Description
技术领域
本申请属于数据处理技术领域,尤其涉及一种车辆所在车道的定位方法、装置、终端设备及存储介质。
背景技术
自动驾驶汽车依靠人工智能、视觉计算、雷达、监控装置和全球定位系统协同合作,让电脑可以在没有人类主动操作的情况下,自动安全地操作机动车辆。车辆在自动驾驶过程中,需要按照实时规划的行驶路线进行行驶,为了保证规划的行驶路线的合理和准确,精确的车道定位是关键。
目前,若需要确定车辆所在的车道,则需要在路侧设置测距传感器。通过测距传感器检测车辆与测距传感器之间的距离,根据车辆与测距传感器之间的距离和车道的宽度,对车辆进行车道定位。但是,受限于环境和道路自身条件等因素的限制,有些道路是无法安装测距传感器的,对于无法安装测距传感器的道路则无法进行车辆的车道定位,因此,现有的车道定位的方法应用范围较窄,无法满足现有的车道定位的需求。
发明内容
本申请实施例提供了一种车辆所在车道的定位方法、装置、终端设备及存储介质,可以解决现有的车道定位的方法应用范围较窄,无法满足现有的车道定位的需求的问题。
第一方面,本申请实施例提供了一种车辆所在车道的定位方法,包括:
获取道路图像,所述道路图像中存在需要进行车道定位的、车辆所在道路的车道线;
基于所述道路图像,确定所述车辆当前所在的车道的第一编号以及当前所在车道为所述第一编号的第一概率值,以及所述车辆当前所在的车道的第二编号以及当前所在车道为所述第二编号的第二概率值,所述第一编号为将所述车辆所在道路上的各个车道从左向右进行编号后得到的所述车辆当前所在的车道的编号,所述第二编号为将所述车辆所在道路上的各个车道从右向左进行编号后得到的所述车辆当前所在的车道的编号;
若所述第一概率值和所述第二概率值均大于第一阈值,获取所述车辆所在道路的车道总数;
基于所述第一编号、所述第二编号和所述车道总数,确定所述车辆所在的车道的编号。
第二方面,本申请实施例提供了一种车辆所在车道的定位装置,包括:
图像获取模块,用于获取道路图像,所述道路图像中存在需要进行车道定位的车辆所在道路的车道线;
图像处理模块,用于基于所述道路图像,确定所述车辆当前所在的车道的第一编号以及当前所在车道为所述第一编号的第一概率值,以及所述车辆当前所在的车道的第二编号以及当前所在车道为所述第二编号的第二概率值,所述第一编号为将所述车辆所在道路上的各个车道从左向右进行编号后得到的所述车辆当前所在的车道的编号,所述第二编号为将所述车辆所在道路上的各个车道从右向左进行编号后得到的所述车辆当前所在的车道的编号;
车道总数获取模块,用于若所述第一概率值和所述第二概率值均大于第一阈值,获取所述车辆所在道路的车道总数;
编号输出模块,用于基于所述第一编号、所述第二编号和所述车道总数,确定所述车辆所在的车道的编号。
第三方面,本申请实施例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上述第一方面中任一项所述的车辆所在车道的定位方法。
第四方面,本申请实施例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上述第一方面中任一项所述的车辆所在车道的定位方法。
第五方面,本申请实施例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,使得终端设备执行上述第一方面中任一项所述的车辆所在车道的定位方法。
本申请第一方面实施例与现有技术相比存在的有益效果是:本申请根据道路图像确定车辆当前所在的车道的第一编号以及当前所在车道为所述第一编号的第一概率值,以及车辆当前所在的车道的第二编号以及当前所在车道为第二编号的第二概率值,第一编号为将车辆所在道路上的各个车道从左向右进行编号后得到的车辆当前所在的车道的编号,第二编号为将车辆所在道路上的各个车道从右向左进行编号后得到的车辆当前所在的车道的编号;若第一概率值和第二概率值均大于第一阈值,获取车辆所在道路的车道总数;基于第一编号、第二编号和车道总数,确定车辆所在的车道的编号。本申请不依赖于路侧设置的距离传感器,使用道路的图像即可以确定车辆所在的车道的编号,使车道定位更简单、方便、应用范围更广。
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
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本申请一实施例提供的车辆所在车道的定位方法的应用场景示意图;
图2是本申请一实施例提供的车辆所在车道的定位方法的流程示意图;
图3是本申请一实施例提供的确定车辆所在车道的编号的方法的流程示意图;
图4是本申请一实施例提供的确定车道的编号和概率值的方法的流程示意图;
图5是本申请一实施例提供的道路图像的示意图;
图6是本申请一实施例提供的第一图像的示意图;
图7是本申请另一实施例提供的车辆所在车道的定位方法的流程示意图;
图8是本申请一实施例提供的车辆所在车道的定位装置的结构示意图;
图9是本申请一实施例提供的终端设备的结构示意图。
具体实施方式
应当理解,当在本申请说明书和所附权利要求书中使用时,术语“包括”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。
如在本申请说明书和所附权利要求书中所使用的那样,术语“如果”可以依据上下文被解释为“当……时”或“一旦”或“响应于确定”或“响应于检测到”。类似地,短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
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。
在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此,在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例,而是意味着“一个或多个但不是所有的实施例”,除非是以其他方式另外特别强调。
目前在确定车辆所在车道的编号时,需要通过复杂的规则,并依赖高精地图进行判断,在判断过程中需要调用大量的阈值参数,判断复杂、硬件成本高、方法容错率低。高精地图指将交通标识信息(比如地面箭头、车道线)通过矢量方式(三次多项式等曲线方程等)进行表达存储的地图,特点是精度高,可保证误差为厘米级。
另外,在进行车道定位时,需要采集车辆所在道路的道路图像,根据道路图像中包括的车道的数量、以及道路图像中车辆所在的车道,直接确定出车辆所在的车道的编号,例如,若道路图像中包括3个车道,车辆在中间车道,则直接确定出车辆所在车道的编号为2。但是,在车辆行驶过程中,由于遮挡物遮挡或天气情况等因素的影响,道路图像中包括的车道可能不全或不清楚,导致利用道路图像直接确定的车道的编号不准确。
基于上述问题,本申请提出一种车辆所在车道的定位方法,利用标精地图、CPU(中央处理器,central processing unit)或GPU(图形处理器,graphics processing unit)即可确定车道的编号,方法简单,硬件要求低。标精地图的地图精度为道路级分辨率,分辨率为5-10m,主要用于导航,例如,百度地图和高德地图等。另外,本申请在进行车道定位时,从预设地图中获取的比较准确的车道总数,根据车道总数、利用道路图像确定的第一编号和第二编号共同进行车道定位。第一编号为将车辆所在道路上的各个车道从左向右进行编号后得到的车辆当前所在的车道的编号,第二编号为将车辆所在道路上的各个车道从右向左进行编号后得到的车辆当前所在的车道的编号。
图1为本申请实施例提供的车辆所在车道的定位方法的应用场景示意图,上述车辆所在车道的定位方法可以用于确定车辆当前所在车道的编号。其中,数据处理设备10用于根据车辆所在道路的图像,确定车辆所在车道的第一编号、当前所在车道为所述第一编号的第一概率值,以及车辆当前所在的车道的第二编号、当前所在车道为所述第二编号的第二概率值。
处理器20用于从数据处理设备10获得第一编号、第一概率值、第二编号和第二概率值。利用第一编号、第一概率值、第二编号和第二概率值,以及道路的车道总数判断出车辆当前所在车道的编号。
图2示出了本申请提供的车辆所在车道的定位方法的示意性流程图,参照图2,对该方法的详述如下:
S101,获取道路图像,所述道路图像中存在需要进行车道定位的车辆所在道路的车道线。
在本实施例中,道路图像可以通过车辆上的摄像头进行采集。摄像头可以为前视摄像头或后视摄像头。道路图像中包括道路的车道线。在安装前视摄像头或后视摄像头时,安装位置以较清楚的拍摄到车道线为准。前视摄像头和后视摄像头均可以采用60°广角到150°广角的相机。
在摄像头采集到图像后,按照预设采样时间对图像进行采样,得到道路图像。预设采样时间可以根据需要进行设置,例如,预设采样时间可以为1秒、2秒、3秒等。道路图像为一帧图像。道路图像可以为JPG或PNG等格式的图像。
S102,基于所述道路图像,确定所述车辆当前所在的车道的第一编号、当前所在车道为所述第一编号的第一概率值,以及所述车辆当前所在的车道的第二编号、当前所在车道为所述第二编号的第二概率值,所述第一编号为将所述车辆所在道路上的各个车道从左向右进行编号后得到的所述车辆当前所在的车道的编号,所述第二编号为将所述车辆所在道路上的各个车道从右向左进行编号后得到的所述车辆当前所在的车道的编号。
在本实施例中,将车辆所在道路的道路图像输入神经网络模型中,确定车辆当前所在车道的第一编号、第一概率值、第二编号和第二概率值。作为举例,若车辆所在道路的道路图像中包括4个车道,车辆在左边数第二个车道,则车辆当前所在车道的第一编号为2,第二编号为3。
S103,若所述第一概率值和所述第二概率值均大于第一阈值,获取所述车辆所在道路的车道总数。
在本实施例中,第一阈值可以根据需要进行设置,例如,第一阈值可以设置为0.6或0.7等。
在本实施例中,车道总数可以根据车辆的当前位置确定。具体的,利用车辆中的全球定位系统(Global Positioning System,GPS)确定车辆的当前位置,当前位置包括世界坐标系下的坐标(例如,WGS84坐标系下的经纬度),将世界坐标系下的坐标映射在车辆中搭载的地图中,基于车辆在地图中的位置可以确定车道总数。世界坐标系为全球GPS坐标系统(经纬度表示)或者其他可以唯一表征在全球任意位置的坐标系统。车辆中搭载的地图中包括各个道路的车道总数。在此步骤得到的车道总数为相对准确的车道总数。
S104,基于所述第一编号、所述第二编号和所述车道总数,确定所述车辆所在的车道的编号。
具体的,将第一编号、所述第二编号和车道总数输入至判别模型中,得到车辆所在车道的编号。根据车辆所在的车道的编号可以进行车辆的行驶路线的规划或车辆避障等。
本申请实施例中,根据道路图像,确定车辆当前所在的车道的第一编号以及当前所在车道为所述第一编号的第一概率值,以及车辆当前所在的车道的第二编号以及当前所在车道为第二编号的第二概率值;若第一概率值和第二概率值均大于第一阈值,获取车辆所在道路的车道总数;基于第一编号、第二编号和车道总数,确定车辆所在的车道的编号。相较于现有技术中直接用采集的图像直接确定车辆所在的车道,本申请基于第一编号、第二编号、第一概率值和第二概率值共同确定车辆所在车道的编号,本申请利用多种数据确定车道的编号,可以使确定的车道的编号更准确。本申请不依赖于路侧设置的距离传感器,使用道路的图像即可以确定车辆所在的车道的编号,使车道定位更简单、方便、应用范围更广。
在一种可能的实现方式中,在步骤S102之后,上述方法还可以包括:
若所述第一概率值和所述第二概率值中存在小于或等于所述第一阈值的概率值,输出第一信息,其中,所述第一信息用于表征未确定出所述车辆所在的车道的编号。
在本实施例中,将第一概率值和第二概率值分别与第一阈值进行比较,若第一概率值和第二概率值中存在小于或等于第一阈值的概率值,则说明车辆当前所在车道为第一编号或第二编号的概率均不大,因此,根据第一编号和第二编号无法确定车辆所在的车道的编号。第一信息可以为数值和/或文字等。
如图3所示,在一种可能的实现方式中,若需要输出从左到右的编号。步骤S104的实现过程可以包括:
S201,将所述车道总数减去所述第二编号,得到第一差值。
S202,将所述第一差值加上1,得到第一和值。
具体的,根据公式L=S-k2+1得到第一和值,其中,L为第一和值,S为车道总数,k2为第二编号。
S203,若所述第一编号与所述第一和值相等,确定所述车辆所在的车道的编号为所述第一编号。
在本实施例中,若所述第一编号与所述第一和值相等,则确定第一编号和第二编号相加等于车道总数-1,说明预测第一编号和第二编号时使用的车道总数与步骤S103获取的车道总数相同,第一编号和第二编号相对准确,可以输出第一编号。
在一种可能的实现方式中,在步骤S202之后,上述方法还可以包括:
若所述第一编号与所述第一和值不相等、且所述第一概率值和所述第二概率值均大于第二阈值,输出第一信息,其中,所述第二阈值大于所述第一阈值,所述第一信息用于表征未确定出所述车辆所在的车道的编号。
在本实施例中,若第一编号与第一和值不相等,则可以继续判断第一概率值和第二概率值分别与第二阈值的关系。
在本实施例中,若第一概率值和第二概率值均大于第二阈值,说明车辆当前所在车道为第一编号的概率比较大,同样为第二编号的概率也比较大,因此,无法判断出车辆当前所在车道的具体编号。
若所述第一编号与所述第一和值不相等、且所述第一概率值和所述第二概率值均小于所述第二阈值,输出所述第一信息。
在本实施例中,若第一概率值和第二概率值均小于第二阈值,说明车辆当前所在车道为第一编号的概率和为第二编号的概率均不是特别大,因此,无法判断出车辆当前所在车道的具体编号。
若所述第一编号与所述第一和值不相等、所述第一概率值大于或等于所述第二阈值、且所述第二概率值小于所述第二阈值,确定所述车辆所在的车道的编号为所述第一编号。
在本实施例中,若第一编号大于或等于第二阈值,第二概率值小于所述第二阈值,说明车辆当前所在车道为第一编号的概率更大,因此,输出第一编号。
若所述第一编号与所述第一和值不相等、所述第一概率值小于所述第二阈值、且所述第二概率值大于或等于所述第二阈值,确定所述车辆所在的车道的编号为所述第一和值。
在本实施例中,若第一编号小于第二阈值,第二概率值大于或等于所述第二阈值,说明车辆当前所在车道为第一编号的概率更小,需要输出从右向左的编号,但是由于第一编号不等于第一和值,因此,第二编号可能不准确,因此,需要输出第一和值。
如图4所示,在一种可能的实现方式中,步骤S102的实现过程可以包括:
S1021,对所述道路图像进行图像处理,得到第一图像,其中,所述图像处理包括下采样处理和/或图像裁剪处理。
在本实施例中,下采样处理可以为双线性插值处理或最近邻插值处理等。对道路图像进行下采样处理可以缩小图像,减少运算量。
在本实施例中,图像裁剪处理可以提升图片中道路信息的占比。
在本实施例中,对道路图像进行下采样处理,得到第三图像。对第三图像进行图像裁剪处理,得到第一图像。例如,图5为道路图像,图6为处理后的图像,也就是第一图像。
第一图像可以用矩阵表征,例如,第一图像为0-255范围的像素矩阵。
S1021,基于所述第一图像,确定所述第一编号、所述第一概率值、所述第二编号和所述第二概率值。
具体的,将第一图像中的车道进行编号,得到第一编号、第一概率值、第二编号和第二概率值。
具体的,将第一图像输入至深度神经网络模型中,得到第一编号、第一概率值、第二编号和第二概率值。深度神经网络模型可以为ResNet(Residual Neural Network)系列、VGG(Visual Geometry Group)系列、mobilenet等模型。
在一种可能的实现方式中,若需要输出从右到左的编号。步骤S104的实现过程可以包括:
将所述车道总数减去所述第一编号,得到第二差值;
将所述第二差值加上1,得到第二和值;
若所述第二编号与所述第二和值相等,确定所述车辆所在的车道的编号为所述第二编号。
若所述第二编号与所述第二和值不相等、且所述第一概率值和所述第二概率值均大于第二阈值,输出第一信息,其中,所述第二阈值大于所述第一阈值,所述第一信息用于表征未确定出所述车辆所在的车道的编号;
若所述第二编号与所述第二和值不相等、且所述第一概率值和所述第二概率值均小于所述第二阈值,输出所述第一信息;
若所述第二编号与所述第二和值不相等、所述第二概率值大于或等于所述第二阈值、且所述第一概率值小于所述第二阈值,确定所述车辆所在的车道的编号为所述第二编号;
若所述第二编号与所述第二和值不相等、所述第二概率值小于所述第二阈值、且所述第一概率值大于或等于所述第二阈值,确定所述车辆所在的车道的编号为所述第二和值。
如图7所示,在一种可能的实现方式中,上述方法还可以包括:
S301,获取车辆上的前视摄像头采集的道路图像。
S302,对道路图像进行下采样处理和图像裁剪处理,得到第一图像。
S303,将第一图像输入至神经网络模型中,得到第一编号、第一概率值、第二编号和第二概率值。
S304,基于车辆所在位置,通过地图得到车辆所在道路的车道总数。
S305,判断第一概率值和第二概率值是否均大于第一阈值。
S306,若第一概率值和所述第二概率值中存在小于或等于第一阈值的概率值,不能确定车辆所在车道的编号。
S307,若第一概率值和第二概率值均大于第一阈值,将所述车道总数减去所述第二编号,得到第一差值;将所述第一差值加上1,得到第一和值。
S308,判断第一编号是否等于第一和值。
S309,若第一编号与第一和值相等,确定车辆所在的车道的编号为第一编号。
S310,若第一编号与第一和值不相等,判断第一概率值和第二概率值是否均大于第二阈值。
S311,若第一概率值和第二概率值均大于第二阈值,或者第一概率值和第二概率值均小于第二阈值,不能确定车辆所在车道的编号。
S312,若第一概率值大于第二阈值,第二概率值小于第二阈值,车辆所在的车道的编号为第一编号。
S313,若第一概率值小于第二阈值,第二概率值大于第二阈值,车辆所在的车道的编号为第一和值,第一和值表征车辆所在车道在车辆所在道路上从左向右的编号。
需要说明的是,步骤S304还可以在S307中的若第一概率值和第二概率值均大于第一阈值之后。
应理解,上述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。
对应于上文实施例所述的车辆所在车道的定位方法,图8示出了本申请实施例提供的车辆所在车道的定位装置的结构框图,为了便于说明,仅示出了与本申请实施例相关的部分。
参照图8,该装置400可以包括:图像获取模块410、图像处理模块420、车道总数获取模块430和编号输出模块440。
其中,图像获取模块410,用于获取道路图像,所述道路图像中存在需要进行车道定位的车辆所在道路的车道线;
图像处理模块420,用于基于所述道路图像,确定所述车辆当前所在的车道的第一编号以及当前所在车道为所述第一编号的第一概率值,以及所述车辆当前所在的车道的第二编号以及当前所在车道为所述第二编号的第二概率值,所述第一编号为将所述车辆所在道路上的各个车道从左向右进行编号后得到的所述车辆当前所在的车道的编号,所述第二编号为将所述车辆所在道路上的各个车道从右向左进行编号后得到的所述车辆当前所在的车道的编号;
车道总数获取模块430,用于若所述第一概率值和所述第二概率值均大于第一阈值,获取所述车辆所在道路的车道总数;
编号输出模块440,用于基于所述第一编号、所述第二编号和所述车道总数,确定所述车辆所在的车道的编号。
在一种可能的实现方式中,在需要确定所述车辆当前所在的车道在所述道路上的从左向右的编号时,编号输出模块440具体可以用于:
将所述车道总数减去所述第二编号,得到第一差值;
将所述第一差值加上1,得到第一和值;
若所述第一编号与所述第一和值相等,确定所述车辆所在的车道的编号为所述第一编号。
在一种可能的实现方式中,编号输出模块440具体可以用于:
若所述第一编号与所述第一和值不相等、且所述第一编号和所述第二编号均大于第二阈值,输出第一信息,其中,所述第二阈值大于所述第一阈值,所述第一信息用于表征未确定出所述车辆所在的车道的编号;
若所述第一编号与所述第一和值不相等、且所述第一编号和所述第二编号均小于所述第二阈值,输出所述第一信息;
若所述第一编号与所述第一和值不相等、所述第一概率值大于或等于所述第二阈值、且所述第二概率值小于所述第二阈值,确定所述车辆所在的车道的编号为所述第一编号;
若所述第一编号与所述第一和值不相等、所述第一概率值小于所述第二阈值、且所述第二概率值大于或等于所述第二阈值,确定所述车辆所在的车道的编号为所述第一和值。
在一种可能的实现方式中,与图像处理模块420相连的还包括:
信息输出模块,用于若所述第一概率值和所述第二概率值中存在小于或等于所述第一阈值的概率值,输出第一信息,其中,所述第一信息用于表征未确定出所述车辆所在的车道的编号。
在一种可能的实现方式中,图像处理模块420具体可以用于:
对所述道路图像进行图像处理,得到第一图像,其中,所述图像处理包括下采样处理和/或图像裁剪处理;
基于所述第一图像,确定所述第一编号、所述第一概率值、所述第二编号和所述第二概率值。
在一种可能的实现方式中,在需要确定所述车辆当前所在的车道在所述道路上的从右向左的编号时,编号输出模块440具体还可以用于:
将所述车道总数减去所述第一编号,得到第二差值;
将所述第二差值加上1,得到第二和值;
若所述第二编号与所述第二和值相等,确定所述车辆所在的车道的编号为所述第二编号。
在一种可能的实现方式中,编号输出模块440具体还可以用于:
若所述第二编号与所述第二和值不相等、且所述第一概率值和所述第二概率值均大于第二阈值,输出第一信息,其中,所述第二阈值大于所述第一阈值,所述第一信息用于表征未确定出所述车辆所在的车道的编号;
若所述第二编号与所述第二和值不相等、且所述第一概率值和所述第二概率值均小于所述第二阈值,输出所述第一信息;
若所述第二编号与所述第二和值不相等、所述第二概率值大于或等于所述第二阈值、且所述第一概率值小于所述第二阈值,确定所述车辆所在的车道的编号为所述第二编号;
若所述第二编号与所述第二和值不相等、所述第二概率值小于所述第二阈值、且所述第一概率值大于或等于所述第二阈值,确定所述车辆所在的车道的编号为所述第二和值。
需要说明的是,上述装置/单元之间的信息交互、执行过程等内容,由于与本申请方法实施例基于同一构思,其具体功能及带来的技术效果,具体可参见方法实施例部分,此处不再赘述。
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。
本申请实施例还提供了一种终端设备,参见图9,该终端设备500可以包括:至少一个处理器510、存储器520以及存储在所述存储器520中并可在所述至少一个处理器510上运行的计算机程序,所述处理器510执行所述计算机程序时实现上述任意各个方法实施例中的步骤,例如图2所示实施例中的步骤S101至步骤S104。或者,处理器510执行所述计算机程序时实现上述各装置实施例中各模块/单元的功能,例如图8所示图像获取模块410至编号输出模块440的功能。
示例性的,计算机程序可以被分割成一个或多个模块/单元,一个或者多个模块/单元被存储在存储器520中,并由处理器510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段,该程序段用于描述计算机程序在终端设备500中的执行过程。
本领域技术人员可以理解,图9仅仅是终端设备的示例,并不构成对终端设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如输入输出设备、网络接入设备、总线等。
处理器510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。
存储器520可以是终端设备的内部存储单元,也可以是终端设备的外部存储设备,例如插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。所述存储器520用于存储所述计算机程序以及终端设备所需的其他程序和数据。所述存储器520还可以用于暂时地存储已经输出或者将要输出的数据。
总线可以是工业标准体系结构(Industry Standard Architecture,ISA)总线、外部设备互连(Peripheral Component,PCI)总线或扩展工业标准体系结构(ExtendedIndustry Standard Architecture,EISA)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示,本申请附图中的总线并不限定仅有一根总线或一种类型的总线。
本申请实施例提供的车辆所在车道的定位方法可以应用于计算机、平板电脑、笔记本电脑、上网本、个人数字助理(personal digital assistant,PDA)等终端设备上,本申请实施例对终端设备的具体类型不作任何限制。
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,所揭露的终端设备、装置和方法,可以通过其它的方式实现。例如,以上所描述的终端设备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,该计算机程序在被一个或多个处理器执行时,可实现上述各个方法实施例的步骤。
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,该计算机程序在被一个或多个处理器执行时,可实现上述各个方法实施例的步骤。
同样,作为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,使得终端设备执行时实现可实现上述各个方法实施例中的步骤。
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,Random AccessMemory)、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)
1.一种车辆所在车道的定位方法,其特征在于,包括:
获取道路图像,所述道路图像中存在需要进行车道定位的车辆所在道路的车道线;
基于所述道路图像,确定所述车辆当前所在的车道的第一编号、当前所在车道为所述第一编号的第一概率值,以及所述车辆当前所在的车道的第二编号、当前所在车道为所述第二编号的第二概率值,所述第一编号为将所述车辆所在道路上的各个车道从左向右进行编号后得到的所述车辆当前所在的车道的编号,所述第二编号为将所述车辆所在道路上的各个车道从右向左进行编号后得到的所述车辆当前所在的车道的编号;
若所述第一概率值和所述第二概率值均大于第一阈值,获取所述车辆所在道路的车道总数;
基于所述第一编号、所述第二编号和所述车道总数,确定所述车辆所在的车道的编号。
2.如权利要求1所述的车辆所在车道的定位方法,其特征在于,在需要确定所述车辆当前所在的车道在所述道路上的从左向右的编号时,所述基于所述第一编号、所述第二编号和所述车道总数,确定所述车辆所在的车道的编号,包括:
将所述车道总数减去所述第二编号,得到第一差值;
将所述第一差值加上1,得到第一和值;
若所述第一编号与所述第一和值相等,确定所述车辆所在的车道的编号为所述第一编号。
3.如权利要求2所述的车辆所在车道的定位方法,其特征在于,在所述将所述第一差值加上1,得到第一和值之后,所述方法还包括:
若所述第一编号与所述第一和值不相等、且所述第一概率值和所述第二概率值均大于第二阈值,输出第一信息,其中,所述第二阈值大于所述第一阈值,所述第一信息用于表征未确定出所述车辆所在的车道的编号;
若所述第一编号与所述第一和值不相等、且所述第一概率值和所述第二概率值均小于所述第二阈值,输出所述第一信息;
若所述第一编号与所述第一和值不相等、所述第一概率值大于或等于所述第二阈值、且所述第二概率值小于所述第二阈值,确定所述车辆所在的车道的编号为所述第一编号;
若所述第一编号与所述第一和值不相等、所述第一概率值小于所述第二阈值、且所述第二概率值大于或等于所述第二阈值,确定所述车辆所在的车道的编号为所述第一和值。
4.如权利要求1所述的车辆所在车道的定位方法,其特征在于,在所述基于所述道路图像,确定所述车辆当前所在的车道的第一编号以及当前所在车道为所述第一编号的第一概率值,以及所述车辆当前所在的车道的第二编号以及当前所在车道为所述第二编号的第二概率值之后,所述方法还包括:
若所述第一概率值和所述第二概率值中存在小于或等于所述第一阈值的概率值,输出第一信息,其中,所述第一信息用于表征未确定出所述车辆所在的车道的编号。
5.如权利要求1至4任一项所述的车辆所在车道的定位方法,其特征在于,所述基于所述道路图像,确定所述车辆当前所在的车道的第一编号、当前所在车道为所述第一编号的第一概率值,以及所述车辆当前所在的车道的第二编号、当前所在车道为所述第二编号的第二概率值,包括:
对所述道路图像进行图像处理,得到第一图像,其中,所述图像处理包括下采样处理和/或图像裁剪处理;
基于所述第一图像,确定所述第一编号、所述第一概率值、所述第二编号和所述第二概率值。
6.如权利要求1所述的车辆所在车道的定位方法,其特征在于,在需要确定所述车辆当前所在的车道在所述道路上的从右向左的编号时,所述基于所述第一编号、所述第二编号和所述车道总数,确定所述车辆所在的车道的编号,包括:
将所述车道总数减去所述第一编号,得到第二差值;
将所述第二差值加上1,得到第二和值;
若所述第二编号与所述第二和值相等,确定所述车辆所在的车道的编号为所述第二编号。
7.如权利要求6所述的车辆所在车道的定位方法,其特征在于,在所述将所述第二差值加上1,得到第二和值之后,所述方法还包括:
若所述第二编号与所述第二和值不相等、且所述第一概率值和所述第二概率值均大于第二阈值,输出第一信息,其中,所述第二阈值大于所述第一阈值,所述第一信息用于表征未确定出所述车辆所在的车道的编号;
若所述第二编号与所述第二和值不相等、且所述第一概率值和所述第二概率值均小于所述第二阈值,输出所述第一信息;
若所述第二编号与所述第二和值不相等、所述第二概率值大于或等于所述第二阈值、且所述第一概率值小于所述第二阈值,确定所述车辆所在的车道的编号为所述第二编号;
若所述第二编号与所述第二和值不相等、所述第二概率值小于所述第二阈值、且所述第一概率值大于或等于所述第二阈值,确定所述车辆所在的车道的编号为所述第二和值。
8.一种车辆所在车道的定位装置,其特征在于,包括:
图像获取模块,用于获取道路图像,所述道路图像中存在需要进行车道定位的车辆所在道路的车道线;
图像处理模块,用于基于所述道路图像,确定所述车辆当前所在的车道的第一编号以及当前所在车道为所述第一编号的第一概率值,以及所述车辆当前所在的车道的第二编号以及当前所在车道为所述第二编号的第二概率值,所述第一编号为将所述车辆所在道路上的各个车道从左向右进行编号后得到的所述车辆当前所在的车道的编号,所述第二编号为将所述车辆所在道路上的各个车道从右向左进行编号后得到的所述车辆当前所在的车道的编号;
车道总数获取模块,用于若所述第一概率值和所述第二概率值均大于第一阈值,获取所述车辆所在道路的车道总数;
编号输出模块,用于基于所述第一编号、所述第二编号和所述车道总数,确定所述车辆所在的车道的编号。
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任一项所述的车辆所在车道的定位方法。
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任一项所述的车辆所在车道的定位方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211163059.3A CN117809267A (zh) | 2022-09-23 | 2022-09-23 | 车辆所在车道的定位方法、装置、终端设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211163059.3A CN117809267A (zh) | 2022-09-23 | 2022-09-23 | 车辆所在车道的定位方法、装置、终端设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117809267A true CN117809267A (zh) | 2024-04-02 |
Family
ID=90423856
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211163059.3A Pending CN117809267A (zh) | 2022-09-23 | 2022-09-23 | 车辆所在车道的定位方法、装置、终端设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117809267A (zh) |
-
2022
- 2022-09-23 CN CN202211163059.3A patent/CN117809267A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108986465B (zh) | 一种车流量检测的方法、系统及终端设备 | |
CN111209780A (zh) | 车道线属性检测方法、装置、电子设备及可读存储介质 | |
CN108859952B (zh) | 车辆变道预警方法、装置和雷达 | |
CN112528807B (zh) | 行驶轨迹的预测方法、装置、电子设备及存储介质 | |
CN110341621B (zh) | 一种障碍物检测方法及装置 | |
CN112634359A (zh) | 车辆防碰撞预警方法、装置、终端设备及存储介质 | |
JP7119197B2 (ja) | 車線属性検出 | |
CN113945219B (zh) | 动态地图生成方法、系统、可读存储介质及终端设备 | |
CN108693517B (zh) | 车辆定位方法、装置和雷达 | |
CN116863124B (zh) | 车辆姿态确定方法、控制器及存储介质 | |
CN111273314A (zh) | 点云数据处理方法、装置和存储介质 | |
CN117313828A (zh) | 一种感知模型的迁移方法、装置、设备及介质 | |
CN107452230B (zh) | 一种障碍物检测方法、装置、终端设备及存储介质 | |
CN111982132B (zh) | 数据处理方法、装置和存储介质 | |
CN109740502B (zh) | 道路质量检测方法及装置 | |
CN117809267A (zh) | 车辆所在车道的定位方法、装置、终端设备及存储介质 | |
CN115965636A (zh) | 车辆侧面图的生成方法、装置及终端设备 | |
CN116259033A (zh) | 车辆信息丢失的目标跟踪方法、系统、介质及设备 | |
CN115393827A (zh) | 交通信号灯状态识别方法、系统、电子设备及存储介质 | |
CN112132123B (zh) | 坡道的检测方法和装置 | |
CN115019511A (zh) | 基于自动驾驶车辆的识别机动车违规变道的方法和装置 | |
CN114694107A (zh) | 一种图像处理方法、装置、电子设备和存储介质 | |
CN113002548B (zh) | 高度的确定方法和装置 | |
CN111383268A (zh) | 车辆间距状态获取方法、装置、计算机设备和存储介质 | |
CN111191603A (zh) | 车内人员识别方法、装置、终端设备及介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination |