CN118094392A - 一种道路车道线生成方法、装置、计算机设备及存储介质 - Google Patents
一种道路车道线生成方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN118094392A CN118094392A CN202410141515.7A CN202410141515A CN118094392A CN 118094392 A CN118094392 A CN 118094392A CN 202410141515 A CN202410141515 A CN 202410141515A CN 118094392 A CN118094392 A CN 118094392A
- Authority
- CN
- China
- Prior art keywords
- section
- lane line
- peak
- lane
- fitting
- 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 49
- 230000006870 function Effects 0.000 claims description 55
- 238000004422 calculation algorithm Methods 0.000 claims description 53
- 238000005259 measurement Methods 0.000 claims description 40
- 238000012937 correction Methods 0.000 claims description 20
- 238000001914 filtration Methods 0.000 claims description 19
- 238000012545 processing Methods 0.000 claims description 17
- 238000012886 linear function Methods 0.000 claims description 16
- 238000001514 detection method Methods 0.000 claims description 12
- 238000009499 grossing Methods 0.000 claims description 11
- 239000002699 waste material Substances 0.000 abstract description 6
- 238000005516 engineering process Methods 0.000 description 15
- 238000009434 installation Methods 0.000 description 7
- 238000013473 artificial intelligence Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 5
- 238000007781 pre-processing Methods 0.000 description 5
- 238000007619 statistical method Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000011218 segmentation Effects 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000008447 perception Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000012216 screening Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24317—Piecewise classification, i.e. whereby each classification requires several discriminant rules
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
- G06F18/15—Statistical pre-processing, e.g. techniques for normalisation or restoring missing data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- 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)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- General Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Primary Health Care (AREA)
- Marketing (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请属于智能交通信息技术领域,涉及一种道路车道线生成方法、装置、计算机设备及存储介质,该方法通过毫米波雷达原始数据采集、车辆轨迹数据依道路纵向分段化处理、断面道路车道线识别与道路连续车道线识别等技术手段生成道路车道线。本申请有效解决传统的车道渠化绘制方式费时费力,人工成本巨大的劣势。
Description
技术领域
本申请涉及智能交通信息技术领域,尤其涉及一种道路车道线生成方法、装置、计算机设备及存储介质。
背景技术
智能交通系统是现代智慧城市建设的重要领域,是将大数据与云计算技术、传感器与射频识别技术、嵌入式系统与通讯技术等信息技术结合与应用到交通系统中,综合先进交通信息技术构建的智能化交通管理系统。实时掌握城市路网交通信息,精准获取道路车辆的轨迹动态,对于道路中存在的交通问题,可迅速做出预测警告,甚至进行自主决策,降低事故发生率,实现对道路交通的科学管控是智能交通系统的建设目标。道路动态交通流信息是构建智能交通系统的数据基础,对路网各要素和参与者进行全息交通感知是智能交通系统发展的必然方向。因此,对道路进行准确全面的全息交通感知为交通态势研判、交通控制决策、交通信息发布等提供宏、微观数据和决策的支撑,是建设智能交通系统的迫切需求。
现有一种辅助车道线绘制方法,即通过人工对雷达安装实际场景进行数据测量和现场评估,以雷达安装位置为起点对道路中各条车道的车道属性进行判断、匹配和测量,通过人为输入的方式写入系统中,上位机软件在雷达数据坐标系下进行绘制。
然而,申请人发现,由于雷达常年受到外力作用,导致雷达毫米波发射面法线与实际车道走向存在角度偏移现象,造成车辆轨迹与雷达初次安装时配置的车道区域划分出现偏差,仍需要设备维护人员进行定期的测量与调整,由此可见,传统的辅助车道线绘制方法存在人工成本过高、绘制精度过低的问题。
发明内容
本申请实施例的目的在于提出一种道路车道线生成方法、装置、计算机设备及存储介质,以解决传统的辅助车道线绘制方法存在人工成本过高、绘制精度过低的问题。
为了解决上述技术问题,本申请实施例提供一种道路车道线生成方法,采用了如下所述的技术方案:
接收雷达采集设备采集到的原始车辆轨迹数据;
对所述原始车辆轨迹数据进行去噪操作,得到去噪车辆轨迹数据;
对所述去噪车辆轨迹数据进行区段划分操作,得到N个区段划分轨迹数据,其中,N为大于等于1的整数;
分别对所述N个区段划分轨迹数据进行高斯函数拟合操作,得到N个拟合结果参数;
计算所述N个拟合结果参数的方差值,并对所述方差值进行线性函数拟合操作,得到测量误差方差;
根据多峰高斯拟合算法提取所述测量误差方差中各个车道的峰值,并对每个所述峰值进行高斯分布拟合,得到断面轨迹分布曲线,其中,所述轨迹分布曲线由所述多峰高斯函数各个峰的高斯函数组成;
根据相似度算法在断面车道线分布样本库中获取与所述断面轨迹分布曲线相对应的断面车道线位置;
根据所述断面车道线位置生成目标道路车道线。
进一步的,所述对所述原始车辆轨迹数据进行去噪操作,得到去噪车辆轨迹数据的步骤,具体包括下述步骤:
根据数据矫正算法对所述原始车辆轨迹数据进行矫正处理,得到所述去噪车辆轨迹数据,其中,所述数据矫正算法表示为:
其中,和/>分别表示为雷达检测目标的横向距离与径向距离,x和y分别表示为矫正后的横向距离与径向距离,β表示需旋转的角度。
进一步的,在所述计算所述N个拟合结果参数的方差值,并对所述方差值进行线性函数拟合操作,得到测量误差方差的步骤之后,且在所述根据多峰高斯拟合算法提取所述测量误差方差中各个车道的峰值,并对每个所述峰值进行高斯分布拟合,得到断面轨迹分布曲线的步骤之前,还包括下述步骤:
根据卡尔曼滤波算法对所述测量误差方差进行平滑处理。
进一步的,所述多峰高斯拟合算法表示为:
其中,j代表当前断面轨迹数据中的各个峰值下标序号,j=1,2,3,…;yjmax代表当前断面第j个峰的峰值,xji代表当前断面第j个峰的第i个坐标点,xjmax代表代表当前断面第j个峰的峰值位置,Sj代表各个峰的半宽度信息。
进一步的,在所述根据相似度算法在断面车道线分布样本库中获取与所述断面轨迹分布曲线相对应的断面车道线位置的步骤之前,还包括下述步骤:
确定车道数目;
确定车道起始位置集合;
构建车道宽度集合;
对所述车道数目、所述车道起始位置集合以及所述车道宽度集合进行组合操作,生成所述断面车道线分布样本库。
为了解决上述技术问题,本申请实施例还提供一种道路车道线生成装置,采用了如下所述的技术方案:
数据获取模块,用于接收雷达采集设备采集到的原始车辆轨迹数据;
去噪模块,用于对所述原始车辆轨迹数据进行去噪操作,得到去噪车辆轨迹数据;
区段划分模块,用于对所述去噪车辆轨迹数据进行区段划分操作,得到N个区段划分轨迹数据,其中,N为大于等于1的整数;
高斯函数拟合模块,用于分别对所述N个区段划分轨迹数据进行高斯函数拟合操作,得到N个拟合结果参数;
线性函数拟合模块,用于计算所述N个拟合结果参数的方差值,并对所述方差值进行线性函数拟合操作,得到测量误差方差;
高斯分布拟合模块,用于根据多峰高斯拟合算法提取所述测量误差方差中各个车道的峰值,并对每个所述峰值进行高斯分布拟合,得到断面轨迹分布曲线,其中,所述轨迹分布曲线由所述多峰高斯函数各个峰的高斯函数组成;
位置获取模块,用于根据相似度算法在断面车道线分布样本库中获取与所述断面轨迹分布曲线相对应的断面车道线位置;
车道线生成模块,用于根据所述断面车道线位置生成目标道路车道线。
进一步的,所述去噪模块包括:
矫正子模块,用于根据数据矫正算法对所述原始车辆轨迹数据进行矫正处理,得到所述去噪车辆轨迹数据,其中,所述数据矫正算法表示为:
其中,和/>分别表示为雷达检测目标的横向距离与径向距离,x和y分别表示为矫正后的横向距离与径向距离,β表示需旋转的角度。
进一步的,所述装置还包括:
平滑处理模块,用于根据卡尔曼滤波算法对所述测量误差方差进行平滑处理。
为了解决上述技术问题,本申请实施例还提供一种计算机设备,采用了如下所述的技术方案:
包括存储器和处理器,所述存储器中存储有计算机可读指令,所述处理器执行所述计算机可读指令时实现如上所述的道路车道线生成方法的步骤。
为了解决上述技术问题,本申请实施例还提供一种计算机可读存储介质,采用了如下所述的技术方案:
所述计算机可读存储介质上存储有计算机可读指令,所述计算机可读指令被处理器执行时实现如上所述的道路车道线生成方法的步骤。
本申请提供了一种道路车道线生成方法,包括:接收雷达采集设备采集到的原始车辆轨迹数据;对所述原始车辆轨迹数据进行去噪操作,得到去噪车辆轨迹数据;对所述去噪车辆轨迹数据进行区段划分操作,得到N个区段划分轨迹数据,其中,N为大于等于1的整数;分别对所述N个区段划分轨迹数据进行高斯函数拟合操作,得到N个拟合结果参数;计算所述N个拟合结果参数的方差值,并对所述方差值进行线性函数拟合操作,得到测量误差方差;根据多峰高斯拟合算法提取所述测量误差方差中各个车道的峰值,并对每个所述峰值进行高斯分布拟合,得到断面轨迹分布曲线,其中,所述轨迹分布曲线由所述多峰高斯函数各个峰的高斯函数组成;根据相似度算法在断面车道线分布样本库中获取与所述断面轨迹分布曲线相对应的断面车道线位置;根据所述断面车道线位置生成目标道路车道线。与现有技术相比,本申请利用毫米波雷达精准采集道路各个路段位置的实时车辆轨迹数据,将路段沿纵截面划分多段,并对每一段单一断面的轨迹数据进行车辆运行轨迹分布统计分析,拟合出各车道车辆轨迹的概率密度函数,根据客观道路交通规范约束和驾驶人的主观行驶习惯,车辆行驶于车道内区域的概率远大于车辆横跨在车道线上的概率,由此基于概率密度函数得到该车道的中心点;根据最外侧轨迹点坐标以及依据城市道路交叉口规划规范车道宽度,将虚拟车道线位置区间与国标车道宽度进行排列组合,进而构建渠化标准库,由此可得到不同最外侧车道线位置、不同车道宽度情况下的道路车道线位置,最后采用相似度算法在渠化标准库中找到各车道中心线与此断面各车道中心线相似度最高的渠化方案,此方案的车道线位置即为该断面的车道线位置;最终将各个分段路段的车道线进行连续车道线拟合,得到该路段实际车道线位置,有效解决传统的车道渠化绘制方式费时费力,人工成本巨大的劣势。
附图说明
为了更清楚地说明本申请中的方案,下面将对本申请实施例描述中所需要使用的附图作一个简单介绍,显而易见地,下面描述中的附图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是本申请可以应用于其中的示例性系统架构图;
图2是本申请实施例一提供的道路车道线生成方法的实现流程图;
图3是本申请实施例一提供的毫米波雷达垂直安装示意图;
图4是本申请实施例一提供的毫米波雷达水平安装示意图;
图5是本申请实施例一提供的滑动窗口框选断面数据示意图;
图6是本申请实施例一提供的连续道路车道线生成示意图;
图7是本申请实施例二提供的道路车道线生成装置的结构示意图;
图8是根据本申请的计算机设备的一个实施例的结构示意图。
具体实施方式
除非另有定义,本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同;本文中在申请的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本申请;本申请的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形,意图在于覆盖不排他的包含。本申请的说明书和权利要求书或上述附图中的术语“第一”、“第二”等是用于区别不同对象,而不是用于描述特定顺序。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
为了使本技术领域的人员更好地理解本申请方案,下面将结合附图,对本申请实施例中的技术方案进行清楚、完整地描述。
如图1所示,系统架构100可以包括终端设备101、102、103,网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互,以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用,例如网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备,包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器(Moving Picture ExpertsGroup Audio Layer III,动态影像专家压缩标准音频层面3)、MP4(Moving PictureExperts Group Audio Layer IV,动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。
服务器105可以是提供各种服务的服务器,例如对终端设备101、102、103上显示的页面提供支持的后台服务器。
需要说明的是,本申请实施例所提供的道路车道线生成方法一般由服务器/终端设备执行,相应地,道路车道线生成装置一般设置于服务器/终端设备中。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
继续参考图2,示出了根据本申请的道路车道线生成方法的一个实施例的流程图。所述的道路车道线生成方法,包括:步骤S201、步骤S202、步骤S203、步骤S204、步骤S205、步骤S206、步骤S207以及步骤S208。
在步骤S201中,接收雷达采集设备采集到的原始车辆轨迹数据。
在本申请实施例中,本系统检测区域主要为高速公路匝道合流区、分流区、隧道、桥梁等事故高发地带。在各个路段设置立杆,安装双向乃至多个朝毫米波雷达,做到潜在危险区段全覆盖。其安装方式如图3、图4所示。
在步骤S202中,对原始车辆轨迹数据进行去噪操作,得到去噪车辆轨迹数据。
在本申请实施例中,将原始数据解析后基于目标数据筛选、过滤和矫正等多策略综合预处理方法对车辆数据进行数据清洗和矫正处理,消除交通原始数据中的背景噪声、虚警目标等无效信息,提高目标识别准确性。
在本申请实施例中,去噪操作可以是目标数据筛选操作、目标数据过滤操作,其中:
(1)目标数据筛选操作:根据雷达数据接口协议手册可知,雷达返回的数据中存在系统状态信息、软件配置状态信息、硬件状态信息、交通检测信息等多种信息类型,因此需将雷达返回原始数据中的车辆目标信息提取出来;
(2)目标数据过滤操作:雷达工作过程中可能出现误检,这些误检目标会降低有效目标的准确性,因此需要将这些没有价值的无效目标滤除,具体的:
①当探测车辆目标id在连续相邻采样周期中出现次数少于5次可判定其为无效目标,予以滤除;
②毫米波雷达设置的采样周期较短,所以两连续的目标数值之间的差值不会过大,当两次连续采集同一目标的区域位置差值过大或者横向径向速度的值超过正常速度阈值时,则判定本次检测的目标数据无效。
在本申请实施例中,通过上述几种方法分别对车辆目标进行基于产品接口协议信息、运动状态信息、数据变化信息、区域位置以及车辆速度的综合预处理。完成对数据清洗过滤,减少雷达所受到的环境干扰,减少虚警与噪声,提高车辆轨迹识别准确性并为后续数据处理提供稳定支撑。
在步骤S203中,对去噪车辆轨迹数据进行区段划分操作,得到N个区段划分轨迹数据,其中,N为大于等于1的整数。
在本申请实施例中,区段划分操作指的是将雷达采集得到的车辆位置数据根据径向距离均等划分为多个区段,每个区段可取5~20m。
在步骤S204中,分别对N个区段划分轨迹数据进行高斯函数拟合操作,得到N个拟合结果参数。
在本申请实施例中,根据客观道路交通规范约束和驾驶人的主观行驶习惯,车辆行驶于车道内区域的概率远大于车辆横跨在车道线上的概率,所以极值点对应的横向距离应位于车道的中心。因此对区段中每个断面预处理后的毫米波雷达数据进行数量统计,以如图5所示滑动窗口方式框选断面统计数据,当窗口中数据的极值点位于窗口横坐标中间时,对该窗口内的数据进行高斯函数拟合,高斯函数公式如下式所示:
在步骤S205中,计算N个拟合结果参数的方差值,并对方差值进行线性函数拟合操作,得到测量误差方差。
在本申请实施例中,基于各区段统计数量点高斯函数公式得到拟合结果参数,再经由拟合参数得到函数方差的值,将雷达测量误差以高斯函数方差形式表示出来。雷达测量误差方差值和测量距离的关系基本符合线性关系,对统计方差数据点拟合线性函数,拟合得到的测量误差方差与各区段目标径向距离满足线性关系式:
σ2=P×yi(k)-b
在步骤S206中,根据多峰高斯拟合算法提取测量误差方差中各个车道的峰值,并对每个峰值进行高斯分布拟合,得到断面轨迹分布曲线,其中,轨迹分布曲线由多峰高斯函数各个峰的高斯函数组成。
在本申请实施例中,在一个道路横向断面中包含有多个车道,每个车道的车辆轨迹分布曲线都基本符合高斯分布,因此为了获取整个断面的轨迹分布规律,可采用多峰高斯拟合算法提取数据中各个车道的峰值,并对每个峰值进行高斯分布拟合。
的多峰高斯函数如下式:
其中,j代表当前断面轨迹数据中的各个峰值下标序号,j=1,2,3,…;yjmax代表当前断面第j个峰的峰值,xji代表当前断面第j个峰的第i个坐标点,xjmax代表代表当前断面第j个峰的峰值位置,Sj代表各个峰的半宽度信息。
求解多峰高斯函数可各个峰分别按照单峰高斯函数拟合过程计算,进而计算高斯函数的待估计的特征参数ymax,xmax,S的值。
由此得到多峰高斯函数各个峰的高斯函数,最终组合成该断面的轨迹分布曲线,xmax的值即为各条车道的中心线位置,两个相邻xmax的平均值即为两条车道之间的车道线。
在本申请实施例中,轨迹数据在不同探测径向距离下会呈现不同的测量误差,通过分析分段化处理后的车辆轨迹数据,实现雷达测量误差和测量距离的关系线性化,进而完成基于误差与距离线性关系的滤波处理,得到易于提取车道线的轨迹分布函数。
在步骤S207中,根据相似度算法在断面车道线分布样本库中获取与断面轨迹分布曲线相对应的断面车道线位置。
在本申请实施例中,通过相似度算法在该断面车道线分布样本库中找到与由断面轨迹分布曲线得到的各车道中心线位置、车道线位置相关性最高的一组数据,该组的各个中心线即为该断面各条车道的中心线,该组所对应的车道线位置即为该断面各条车道的车道线位置。
在本申请实施例中,确定断面车道线位置可以是:
①获取当前断面各车道中心线位置与车道线位置:在步骤车辆轨迹数据依路段分段化处理最后所得到的多峰高斯函数各个峰的xmax的值即为各条车道的中心线位置,两个相邻xmax的平均值即为两条车道之间的车道线。
②相似度算法选取最佳样本:首先确定数据格式,将断面车道几何信息以及样本库的车道几何信息以左侧车道线横坐标、车道中间线横坐标、右侧车道线横坐标依次排列,例:
(xleft1,xmid1,xright1,xleft2,xmid2,xright2,…,xleftn,xmidn,xrightn)
然后遍历样本库车道的几何信息数据集,与当前断面车道几何信息数据集代入欧氏距离相似度计算公式,公式如下:
距离越小则相似度越大,由此可在车道线分布样本库中找到与当前断面基于轨迹分布规律所得的车道线分布位置最为相似的样本,该样本的车道线位置即为当前断面的车道线位置。
在步骤S208中,根据断面车道线位置生成目标道路车道线。
在本申请实施例中,通过上述步骤得到各个断面的车道线位置分布(xlane1,xlane2,…,xlanei,…xlanen),依据各个分布集合的纵向位置进行顺序排列,然后在道路纵向方向上进行曲线拟合,生成连续的道路车道线,如图6所示。
在本申请实施例中,提供了一种道路车道线生成方法,包括:接收雷达采集设备采集到的原始车辆轨迹数据;对原始车辆轨迹数据进行去噪操作,得到去噪车辆轨迹数据;对去噪车辆轨迹数据进行区段划分操作,得到N个区段划分轨迹数据,其中,N为大于等于1的整数;分别对N个区段划分轨迹数据进行高斯函数拟合操作,得到N个拟合结果参数;计算N个拟合结果参数的方差值,并对方差值进行线性函数拟合操作,得到测量误差方差;根据多峰高斯拟合算法提取测量误差方差中各个车道的峰值,并对每个峰值进行高斯分布拟合,得到断面轨迹分布曲线,其中,轨迹分布曲线由多峰高斯函数各个峰的高斯函数组成;根据相似度算法在断面车道线分布样本库中获取与断面轨迹分布曲线相对应的断面车道线位置;根据断面车道线位置生成目标道路车道线。与现有技术相比,本申请利用毫米波雷达精准采集道路各个路段位置的实时车辆轨迹数据,将路段沿纵截面划分多段,并对每一段单一断面的轨迹数据进行车辆运行轨迹分布统计分析,拟合出各车道车辆轨迹的概率密度函数,根据客观道路交通规范约束和驾驶人的主观行驶习惯,车辆行驶于车道内区域的概率远大于车辆横跨在车道线上的概率,由此基于概率密度函数得到该车道的中心点;根据最外侧轨迹点坐标以及依据城市道路交叉口规划规范车道宽度,将虚拟车道线位置区间与国标车道宽度进行排列组合,进而构建渠化标准库,由此可得到不同最外侧车道线位置、不同车道宽度情况下的道路车道线位置,最后采用相似度算法在渠化标准库中找到各车道中心线与此断面各车道中心线相似度最高的渠化方案,此方案的车道线位置即为该断面的车道线位置;最终将各个分段路段的车道线进行连续车道线拟合,得到该路段实际车道线位置,有效解决传统的车道渠化绘制方式费时费力,人工成本巨大的劣势。
在本实施例的一些可选的实现方式中,步骤S202具体包括下述步骤:
根据数据矫正算法对原始车辆轨迹数据进行矫正处理,得到去噪车辆轨迹数据,其中,数据矫正算法表示为:
其中,和/>分别表示为雷达检测目标的横向距离与径向距离,x和y分别表示为矫正后的横向距离与径向距离,β表示需旋转的角度。
在本申请实施例中,去噪操作还可以是目标数据矫正操作,其中,由于设备安装问题,雷达波发射面法线与车道走向存在角度误差,造成车辆轨迹与正方向存在偏移现象。因此需对原始车辆轨迹数据进行矫正处理,即对目标位置点的二维坐标位置进行矫正。
在本申请实施例中,通过目标数据矫正操作对车辆目标进行基于位置矫正的综合预处理,完成对数据清洗过滤,更进一步减少雷达所受到的环境干扰,减少虚警与噪声,提高车辆轨迹识别准确性并为后续数据处理提供稳定支撑。
在本实施例的一些可选的实现方式中,在步骤S205之后且步骤S206之前,还包括以下步骤:
根据卡尔曼滤波算法对测量误差方差进行平滑处理。
在本申请实施例中,根据测量误差方差与各区段目标径向距离满足的线性关系式,毫米波雷达探测误差变化函数可得到其协方差矩阵,再将其代入到卡尔曼滤波算法的滤波增益矩阵,完成基于毫米波雷达测量误差变化函数对卡尔曼滤波算法的适应性改进,减少数据波动对后续对轨迹分布规律拟合的影响。
综上,本申请基于毫米波雷达实现车辆轨迹数据感知,可以精准地获取路段交通车流中车辆的实时位置信息,基于真实的轨迹数据进行车道线的识别可以提高车道线位置数据的准确度;本申请提出了一种基于多策略综合数据预处理方法和改进的卡尔曼滤波算法对车辆目标运动轨迹进行数据清洗和滤波降噪处理,量化雷达测量误差,对车辆轨迹数据进行滤波平滑处理。基于雷达采集径向距离分区段对雷达测量误差进行量化和拟合,得到测量误差变化函数,对卡尔曼滤波算法进行适应性改进。最后通过改进卡尔曼滤波算法对轨迹数据进行处理得到更准确、真实、稳定的轨迹结果;本申请基于车辆轨迹数据在道路横截面上的分布规律设计了基于多峰高斯分布的断面车辆轨迹分布模型,并基于此模型实现断面车道线的识别,并且由于断面轨迹数据的不断积累,由断面轨迹分布规律模型所得到的车道线位置会越来越符合真实位置,大大提高了断面车道线识别的准确度。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中,人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。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,是可以通过计算机可读指令来指令相关的硬件来完成,该计算机可读指令可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,前述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)等非易失性存储介质,或随机存储记忆体(Random Access Memory,RAM)等。
应该理解的是,虽然附图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,其可以以其他的顺序执行。而且,附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子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,其执行顺序也不必然是依次进行,而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
实施例二
进一步参考图7,作为对上述图2所示方法的实现,本申请提供了一种道路车道线生成装置的一个实施例,该装置实施例与图2所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图7所示,本实施例的道路车道线生成装置200包括:数据获取模块210、去噪模块220、区段划分模块230、高斯函数拟合模块240、线性函数拟合模块250、高斯分布拟合模块260、位置获取模块270以及车道线生成模块280,其中:
数据获取模块210,用于接收雷达采集设备采集到的原始车辆轨迹数据;
去噪模块220,用于对原始车辆轨迹数据进行去噪操作,得到去噪车辆轨迹数据;
区段划分模块230,用于对去噪车辆轨迹数据进行区段划分操作,得到N个区段划分轨迹数据,其中,N为大于等于1的整数;
高斯函数拟合模块240,用于分别对N个区段划分轨迹数据进行高斯函数拟合操作,得到N个拟合结果参数;
线性函数拟合模块250,用于计算N个拟合结果参数的方差值,并对方差值进行线性函数拟合操作,得到测量误差方差;
高斯分布拟合模块260,用于根据多峰高斯拟合算法提取测量误差方差中各个车道的峰值,并对每个峰值进行高斯分布拟合,得到断面轨迹分布曲线,其中,轨迹分布曲线由多峰高斯函数各个峰的高斯函数组成;
位置获取模块270,用于根据相似度算法在断面车道线分布样本库中获取与断面轨迹分布曲线相对应的断面车道线位置;
车道线生成模块280,用于根据断面车道线位置生成目标道路车道线。
在本实施例中,提供了一种道路车道线生成装置200,包括:数据获取模块210、去噪模块220、区段划分模块230、高斯函数拟合模块240、线性函数拟合模块250、高斯分布拟合模块260、位置获取模块270以及车道线生成模块280。与现有技术相比,本申请利用毫米波雷达精准采集道路各个路段位置的实时车辆轨迹数据,将路段沿纵截面划分多段,并对每一段单一断面的轨迹数据进行车辆运行轨迹分布统计分析,拟合出各车道车辆轨迹的概率密度函数,根据客观道路交通规范约束和驾驶人的主观行驶习惯,车辆行驶于车道内区域的概率远大于车辆横跨在车道线上的概率,由此基于概率密度函数得到该车道的中心点;根据最外侧轨迹点坐标以及依据城市道路交叉口规划规范车道宽度,将虚拟车道线位置区间与国标车道宽度进行排列组合,进而构建渠化标准库,由此可得到不同最外侧车道线位置、不同车道宽度情况下的道路车道线位置,最后采用相似度算法在渠化标准库中找到各车道中心线与此断面各车道中心线相似度最高的渠化方案,此方案的车道线位置即为该断面的车道线位置;最终将各个分段路段的车道线进行连续车道线拟合,得到该路段实际车道线位置,有效解决传统的车道渠化绘制方式费时费力,人工成本巨大的劣势。
在本实施例的一些可选的实现方式中,上述去噪模块220包括:
矫正子模块,用于根据数据矫正算法对原始车辆轨迹数据进行矫正处理,得到去噪车辆轨迹数据,其中,数据矫正算法表示为:
其中,和/>分别表示为雷达检测目标的横向距离与径向距离,x和y分别表示为矫正后的横向距离与径向距离,β表示需旋转的角度。
在本实施例的一些可选的实现方式中,上述道路车道线生成装置200还包括:平滑处理模块,其中:
平滑处理模块,用于根据卡尔曼滤波算法对测量误差方差进行平滑处理。
为解决上述技术问题,本申请实施例还提供计算机设备。具体请参阅图8,图8为本实施例计算机设备基本结构框图。
所述计算机设备300包括通过系统总线相互通信连接存储器310、处理器320、网络接口330。需要指出的是,图中仅示出了具有组件310-330的计算机设备300,但是应理解的是,并不要求实施所有示出的组件,可以替代的实施更多或者更少的组件。其中,本技术领域技术人员可以理解,这里的计算机设备是一种能够按照事先设定或存储的指令,自动进行数值计算和/或信息处理的设备,其硬件包括但不限于微处理器、专用集成电路(Application Specific Integrated Circuit,ASIC)、可编程门阵列(Field-Programmable Gate Array,FPGA)、数字处理器(Digital SignalProcessor,DSP)、嵌入式设备等。
所述计算机设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述计算机设备可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。
所述存储器310至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如,SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中,所述存储器310可以是所述计算机设备300的内部存储单元,例如该计算机设备300的硬盘或内存。在另一些实施例中,所述存储器310也可以是所述计算机设备300的外部存储设备,例如该计算机设备300上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。当然,所述存储器310还可以既包括所述计算机设备300的内部存储单元也包括其外部存储设备。本实施例中,所述存储器310通常用于存储安装于所述计算机设备300的操作系统和各类应用软件,例如道路车道线生成方法的计算机可读指令等。此外,所述存储器310还可以用于暂时地存储已经输出或者将要输出的各类数据。
所述处理器320在一些实施例中可以是中央处理器(Central Processing Unit,CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器320通常用于控制所述计算机设备300的总体操作。本实施例中,所述处理器320用于运行所述存储器310中存储的计算机可读指令或者处理数据,例如运行所述道路车道线生成方法的计算机可读指令。
所述网络接口330可包括无线网络接口或有线网络接口,该网络接口330通常用于在所述计算机设备300与其他电子设备之间建立通信连接。
本申请提供的计算机设备,利用毫米波雷达精准采集道路各个路段位置的实时车辆轨迹数据,将路段沿纵截面划分多段,并对每一段单一断面的轨迹数据进行车辆运行轨迹分布统计分析,拟合出各车道车辆轨迹的概率密度函数,根据客观道路交通规范约束和驾驶人的主观行驶习惯,车辆行驶于车道内区域的概率远大于车辆横跨在车道线上的概率,由此基于概率密度函数得到该车道的中心点;根据最外侧轨迹点坐标以及依据城市道路交叉口规划规范车道宽度,将虚拟车道线位置区间与国标车道宽度进行排列组合,进而构建渠化标准库,由此可得到不同最外侧车道线位置、不同车道宽度情况下的道路车道线位置,最后采用相似度算法在渠化标准库中找到各车道中心线与此断面各车道中心线相似度最高的渠化方案,此方案的车道线位置即为该断面的车道线位置;最终将各个分段路段的车道线进行连续车道线拟合,得到该路段实际车道线位置,有效解决传统的车道渠化绘制方式费时费力,人工成本巨大的劣势。
本申请还提供了另一种实施方式,即提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机可读指令,所述计算机可读指令可被至少一个处理器执行,以使所述至少一个处理器执行如上述的道路车道线生成方法的步骤。
本申请提供的计算机可读存储介质,利用毫米波雷达精准采集道路各个路段位置的实时车辆轨迹数据,将路段沿纵截面划分多段,并对每一段单一断面的轨迹数据进行车辆运行轨迹分布统计分析,拟合出各车道车辆轨迹的概率密度函数,根据客观道路交通规范约束和驾驶人的主观行驶习惯,车辆行驶于车道内区域的概率远大于车辆横跨在车道线上的概率,由此基于概率密度函数得到该车道的中心点;根据最外侧轨迹点坐标以及依据城市道路交叉口规划规范车道宽度,将虚拟车道线位置区间与国标车道宽度进行排列组合,进而构建渠化标准库,由此可得到不同最外侧车道线位置、不同车道宽度情况下的道路车道线位置,最后采用相似度算法在渠化标准库中找到各车道中心线与此断面各车道中心线相似度最高的渠化方案,此方案的车道线位置即为该断面的车道线位置;最终将各个分段路段的车道线进行连续车道线拟合,得到该路段实际车道线位置,有效解决传统的车道渠化绘制方式费时费力,人工成本巨大的劣势。
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上述实施例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,空调器,或者网络设备等)执行本申请各个实施例所述的方法。
显然,以上所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例,附图中给出了本申请的较佳实施例,但并不限制本申请的专利范围。本申请可以以许多不同的形式来实现,相反地,提供这些实施例的目的是使对本申请的公开内容的理解更加透彻全面。尽管参照前述实施例对本申请进行了详细的说明,对于本领域的技术人员来而言,其依然可以对前述各具体实施方式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效替换。凡是利用本申请说明书及附图内容所做的等效结构,直接或间接运用在其他相关的技术领域,均同理在本申请专利保护范围之内。
Claims (10)
1.一种道路车道线生成方法,其特征在于,包括下述步骤:
接收雷达采集设备采集到的原始车辆轨迹数据;
对所述原始车辆轨迹数据进行去噪操作,得到去噪车辆轨迹数据;
对所述去噪车辆轨迹数据进行区段划分操作,得到N个区段划分轨迹数据,其中,N为大于等于1的整数;
分别对所述N个区段划分轨迹数据进行高斯函数拟合操作,得到N个拟合结果参数;
计算所述N个拟合结果参数的方差值,并对所述方差值进行线性函数拟合操作,得到测量误差方差;
根据多峰高斯拟合算法提取所述测量误差方差中各个车道的峰值,并对每个所述峰值进行高斯分布拟合,得到断面轨迹分布曲线,其中,所述轨迹分布曲线由所述多峰高斯函数各个峰的高斯函数组成;
根据相似度算法在断面车道线分布样本库中获取与所述断面轨迹分布曲线相对应的断面车道线位置;
根据所述断面车道线位置生成目标道路车道线。
2.根据权利要求1所述的道路车道线生成方法,其特征在于,所述对所述原始车辆轨迹数据进行去噪操作,得到去噪车辆轨迹数据的步骤,具体包括下述步骤:
根据数据矫正算法对所述原始车辆轨迹数据进行矫正处理,得到所述去噪车辆轨迹数据,其中,所述数据矫正算法表示为:
其中,和/>分别表示为雷达检测目标的横向距离与径向距离,x和y分别表示为矫正后的横向距离与径向距离,β表示需旋转的角度。
3.根据权利要求1所述的道路车道线生成方法,其特征在于,在所述计算所述N个拟合结果参数的方差值,并对所述方差值进行线性函数拟合操作,得到测量误差方差的步骤之后,且在所述根据多峰高斯拟合算法提取所述测量误差方差中各个车道的峰值,并对每个所述峰值进行高斯分布拟合,得到断面轨迹分布曲线的步骤之前,还包括下述步骤:
根据卡尔曼滤波算法对所述测量误差方差进行平滑处理。
4.根据权利要求1所述的道路车道线生成方法,其特征在于,所述多峰高斯拟合算法表示为:
其中,j代表当前断面轨迹数据中的各个峰值下标序号,j=1,2,3,…;yjmax代表当前断面第j个峰的峰值,xji代表当前断面第j个峰的第i个坐标点,xjmax代表代表当前断面第j个峰的峰值位置,Sj代表各个峰的半宽度信息。
5.根据权利要求1所述的道路车道线生成方法,其特征在于,在所述根据相似度算法在断面车道线分布样本库中获取与所述断面轨迹分布曲线相对应的断面车道线位置的步骤之前,还包括下述步骤:
确定车道数目;
确定车道起始位置集合;
构建车道宽度集合;
对所述车道数目、所述车道起始位置集合以及所述车道宽度集合进行组合操作,生成所述断面车道线分布样本库。
6.一种道路车道线生成装置,其特征在于,包括:
数据获取模块,用于接收雷达采集设备采集到的原始车辆轨迹数据;
去噪模块,用于对所述原始车辆轨迹数据进行去噪操作,得到去噪车辆轨迹数据;
区段划分模块,用于对所述去噪车辆轨迹数据进行区段划分操作,得到N个区段划分轨迹数据,其中,N为大于等于1的整数;
高斯函数拟合模块,用于分别对所述N个区段划分轨迹数据进行高斯函数拟合操作,得到N个拟合结果参数;
线性函数拟合模块,用于计算所述N个拟合结果参数的方差值,并对所述方差值进行线性函数拟合操作,得到测量误差方差;
高斯分布拟合模块,用于根据多峰高斯拟合算法提取所述测量误差方差中各个车道的峰值,并对每个所述峰值进行高斯分布拟合,得到断面轨迹分布曲线,其中,所述轨迹分布曲线由所述多峰高斯函数各个峰的高斯函数组成;
位置获取模块,用于根据相似度算法在断面车道线分布样本库中获取与所述断面轨迹分布曲线相对应的断面车道线位置;
车道线生成模块,用于根据所述断面车道线位置生成目标道路车道线。
7.根据权利要求6所述的道路车道线生成装置,其特征在于,所述去噪模块包括:
矫正子模块,用于根据数据矫正算法对所述原始车辆轨迹数据进行矫正处理,得到所述去噪车辆轨迹数据,其中,所述数据矫正算法表示为:
其中,和/>分别表示为雷达检测目标的横向距离与径向距离,x和y分别表示为矫正后的横向距离与径向距离,β表示需旋转的角度。
8.根据权利要求6所述的道路车道线生成装置,其特征在于,所述装置还包括:
平滑处理模块,用于根据卡尔曼滤波算法对所述测量误差方差进行平滑处理。
9.一种计算机设备,包括存储器和处理器,所述存储器中存储有计算机可读指令,所述处理器执行所述计算机可读指令时实现如权利要求1至5中任一项所述的道路车道线生成方法的步骤。
10.一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上存储有计算机可读指令,所述计算机可读指令被处理器执行时实现如权利要求1至5中任一项所述的道路车道线生成方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410141515.7A CN118094392A (zh) | 2024-01-31 | 2024-01-31 | 一种道路车道线生成方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410141515.7A CN118094392A (zh) | 2024-01-31 | 2024-01-31 | 一种道路车道线生成方法、装置、计算机设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN118094392A true CN118094392A (zh) | 2024-05-28 |
Family
ID=91164032
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410141515.7A Pending CN118094392A (zh) | 2024-01-31 | 2024-01-31 | 一种道路车道线生成方法、装置、计算机设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118094392A (zh) |
-
2024
- 2024-01-31 CN CN202410141515.7A patent/CN118094392A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10706285B2 (en) | Automatic ship tracking method and system based on deep learning network and mean shift | |
CN108121986B (zh) | 目标检测方法及装置、计算机装置和计算机可读存储介质 | |
CN109509260B (zh) | 动态障碍物点云的标注方法、设备及可读介质 | |
Ma et al. | A real-time crack detection algorithm for pavement based on CNN with multiple feature layers | |
CN109087510A (zh) | 交通监测方法及装置 | |
CN103208008A (zh) | 基于机器视觉的交通视频监控目标检测快速适应方法 | |
CN113780270B (zh) | 目标检测方法和装置 | |
CN114998852A (zh) | 一种基于深度学习的公路路面病害智能检测方法 | |
CN116468392A (zh) | 一种电网工程项目进度监控方法、装置、设备及存储介质 | |
CN111126459A (zh) | 一种车辆细粒度识别的方法及装置 | |
CN113962000B (zh) | 一种cad图纸中感烟探测器动态排布的方法 | |
Zhang et al. | Vehicle re-identification for lane-level travel time estimations on congested urban road networks using video images | |
CN111402579A (zh) | 道路拥堵程度预测方法、电子装置及可读存储介质 | |
CN113895460A (zh) | 行人轨迹预测方法、装置及存储介质 | |
CN112836699A (zh) | 一种基于长时多目标跟踪的泊位出入场事件分析方法 | |
CN116109986A (zh) | 一种基于激光雷达和视频技术互补的车辆轨迹提取方法 | |
CN117932763A (zh) | 基于数字孪生的高速公路交通模型构建方法 | |
CN111709346B (zh) | 基于深度学习和高分影像的历史建筑识别与检测方法 | |
CN113902793A (zh) | 基于单视觉遥感影像端到端建筑物高度预测方法、系统和电子设备 | |
Zhang et al. | Automatic identification of building structure types using unmanned aerial vehicle oblique images and deep learning considering facade prior knowledge | |
Hou et al. | Application of YOLO V2 in construction vehicle detection | |
CN112613496A (zh) | 一种行人重识别方法、装置、电子设备及存储介质 | |
CN110766938B (zh) | 路网拓扑结构的构建方法、装置、计算机设备及存储介质 | |
CN118094392A (zh) | 一种道路车道线生成方法、装置、计算机设备及存储介质 | |
CN115761698A (zh) | 一种目标检测方法、装置、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 |