JP2022507077A - 区画線属性検出方法、装置、電子機器及び可読記憶媒体 - Google Patents
区画線属性検出方法、装置、電子機器及び可読記憶媒体 Download PDFInfo
- Publication number
- JP2022507077A JP2022507077A JP2021525246A JP2021525246A JP2022507077A JP 2022507077 A JP2022507077 A JP 2022507077A JP 2021525246 A JP2021525246 A JP 2021525246A JP 2021525246 A JP2021525246 A JP 2021525246A JP 2022507077 A JP2022507077 A JP 2022507077A
- Authority
- JP
- Japan
- Prior art keywords
- type
- probability
- roadside
- road surface
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 89
- 238000013528 artificial neural network Methods 0.000 claims abstract description 84
- 238000000034 method Methods 0.000 claims abstract description 80
- 238000012549 training Methods 0.000 claims description 77
- 230000008569 process Effects 0.000 claims description 17
- 239000007787 solid Substances 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 9
- 238000005192 partition Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 230000004044 response Effects 0.000 claims description 6
- 239000000284 extract Substances 0.000 claims description 5
- 230000004927 fusion Effects 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 abstract description 31
- 239000003981 vehicle Substances 0.000 description 40
- 238000004891 communication Methods 0.000 description 16
- 238000013527 convolutional neural network Methods 0.000 description 11
- 238000005516 engineering process Methods 0.000 description 6
- 238000010606 normalization Methods 0.000 description 5
- 101150064138 MAP1 gene Proteins 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000009434 installation Methods 0.000 description 3
- 101100400452 Caenorhabditis elegans map-2 gene Proteins 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 229930091051 Arenine Natural products 0.000 description 1
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 239000003925 fat Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 230000003340 mental effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Images
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
-
- 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
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Traffic Control Systems (AREA)
- Image Analysis (AREA)
- Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
Abstract
Description
車両に取り付けられた車載装置により収集された路面画像を取得するステップと、
前記路面画像をニューラルネットワークに入力して、前記ニューラルネットワークにより前記路面画像に対応するM個の確率マップを出力するステップと、
前記車道タイプ確率マップ及び路側タイプ確率マップに基づいて、前記路面画像における区画線属性を決定するステップとを含み、前記M個の確率マップは、N1個の車道タイプ確率マップ及びN2個の路側タイプ確率マップを含み、前記N1個の車道タイプ確率マップは路面画像における画素点がそれぞれN1個の車道タイプに属する確率を示し、前記N2個の路側タイプ確率マップは路面画像における画素点がそれぞれN2個の路側タイプに属する確率を示し、N1及びN2はいずれも正整数であり、MはN1とN2との和以上の整数である。
車両に取り付けられた車載装置により収集された路面画像を取得する第1取得モジュールと、
前記路面画像をニューラルネットワークに入力して、前記ニューラルネットワークにより前記路面画像に対応するM個の確率マップを出力する第2取得モジュールと、
前記車道タイプ確率マップ及び路側タイプ確率マップに基づいて、前記路面画像における区画線属性を決定する第1決定モジュールとを含み、前記M個の確率マップは、N1個の車道タイプ確率マップ及びN2個の路側タイプ確率マップを含み、前記N1個の車道タイプ確率マップは路面画像における画素点がそれぞれN1個の車道タイプに属する確率を示し、前記N2個の路側タイプ確率マップは路面画像における画素点がそれぞれN2個の路側タイプに属する確率を示し、N1及びN2はいずれも正整数であり、MはN1とN2との和以上の整数である。
運転制御装置が、上記いずれか一実施例に記載の区画線属性検出方法により得られた路面画像の区画線属性検出結果を取得するステップと、
前記運転制御装置が前記区画線属性検出結果に基づいて、提示情報を出力し及び/又は車両に対してインテリジェント運転制御を行うステップとを含む。
上記いずれか一実施例に記載の区画線属性検出方法により得られた路面画像の区画線属性検出結果を取得する取得モジュールと、
前記区画線属性検出結果に基づいて、提示情報を出力し及び/又は車両に対してインテリジェント運転制御を行う運転制御モジュールとを含む。
プログラム命令を記憶するメモリと、
上記いずれか一実施例に記載の方法ステップを実行するように、前記メモリに記憶されたプログラム命令を呼び出し実行するプロセッサとを含む。
N1及びN2はいずれも正整数であり、MはN1とN2との和以上の整数である。
複数のシーンにおける路面画像を収集するS701と、
上記複数のシーンにおける路面画像に対して区画線属性標識を行った後に得られた画像を上記トレーニング用画像とするS702とをさらに含む。
車両に取り付けられた車載装置により収集された路面画像を取得する第1取得モジュール801と、
上記路面画像をニューラルネットワークに入力して、上記ニューラルネットワークにより上記路面画像に対応するM個の確率マップを出力する第2取得モジュール802と、
上記車道タイプ確率マップ及び上記路側タイプ確率マップに基づいて、上記路面画像における区画線属性を決定する第1決定モジュール803とを含み、上記M個の確率マップは、N1個の車道タイプ確率マップ及びN2個の路側タイプ確率マップを含み、上記N1個の車道タイプ確率マップは上記路面画像における画素点がそれぞれN1個の車道タイプに属する確率を示し、上記N2個の路側タイプ確率マップは上記路面画像における画素点がそれぞれN2個の路側タイプに属する確率を示し、N1及びN2はいずれも正整数であり、MはN1とN2との和以上の整数である。
L番目の車道タイプ確率マップにおいて確率値が所定閾値以上である複数の画素点が含まれる時、確率値が所定閾値以上である複数の画素点に基づいて上記複数の画素点の属する車道タイプを決定する第1決定ユニット8031を含み、上記L番目の車道タイプ確率マップは上記N1個の車道タイプ確率マップのうちのいずれかの車道タイプ確率マップである。
S番目の車道タイプ確率マップにおいて確率値が所定閾値以上である複数の画素点が含まれる時、確率値が所定閾値以上である複数の画素点に基づいて上記複数の画素点の属する車道タイプを決定する第2決定ユニット8032をさらに含み、上記S番目の路側タイプ確率マップは上記N2個の車道タイプ確率マップのうちのいずれかの路側タイプ確率マップである。
第1画素点の上記M個の確率マップにおける複数の確率マップにおいて対応する確率値がいずれも所定閾値以上である時、上記第1画素点を第1確率マップに対応するタイプを決定する時の画素点とする第3決定ユニット8033をさらに含み、上記第1確率マップは前記複数の確率値における最大確率値に対応する確率マップである。
上記M個の確率マップを融合し、目標確率マップを得る融合モジュール804と、
上記目標確率マップにおける第2確率マップに対応する画素点の画素値を上記第2確率マップに対応する所定画素値に調整する調整モジュール805とをさらに含み、上記第2確率マップは上記M個の確率マップのうちのいずれかの確率マップである。
上記ニューラルネットワークの少なくとも1つの畳み込み層により上記路面画像のM個のチャネルの下位層特徴情報を抽出する第1取得ユニット8021と、
上記ニューラルネットワークの少なくとも1つの残差ネットワークユニットにより、上記M個のチャネルの下位層特徴情報に基づいて、上記路面画像のM個のチャネルの上位層特徴情報を抽出する第2取得ユニット8022と、
上記ニューラルネットワークの少なくとも1つのアップサンプリング層により、上記M個のチャネルの上位層特徴情報をアップサンプリングし、上記路面画像と同じ大きさのM個の確率マップを取得する第3取得ユニット8023とを含む。
複数のシーンにおける路面画像を収集し、及び、上記複数のシーンにおける路面画像に対して区画線属性標識を行った後に得られた画像を上記トレーニング用画像とする収集モジュール806をさらに含み、
上記複数のシーンは、雨天シーン、霧シーン、直線路シーン、カーブ路シーン、トンネルシーン、強光照射シーン及び夜シーンのうちの少なくとも2つのシーンのうちの任意の1つ又は複数を含む。
プログラム命令を記憶するメモリ1701と、
メモリ1701に記憶されたプログラム命令を呼び出し、上記第1態様に記載の方法ステップを実行するプロセッサ1702とを含む。
上記区画線属性検出方法により得られた路面画像の区画線属性検出結果を取得する第3取得モジュール1901と、
上記区画線属性検出結果に基づいて、提示情報を出力し及び/又は車両に対してインテリジェント運転制御を行う運転制御モジュール1902とを含む。
Claims (35)
- 車両に取り付けられた車載装置により収集された路面画像を取得するステップと、
前記路面画像をニューラルネットワークに入力して、前記ニューラルネットワークにより前記路面画像に対応するM個の確率マップを出力するステップと、
前記車道タイプ確率マップ及び前記路側タイプ確率マップに基づいて、前記路面画像における区画線属性を決定するステップとを含み、前記M個の確率マップは、N1個の車道タイプ確率マップ及びN2個の路側タイプ確率マップを含み、前記N1個の車道タイプ確率マップは前記路面画像における画素点がそれぞれN1個の車道タイプに属する確率を示し、前記N2個の路側タイプ確率マップは前記路面画像における画素点がそれぞれN2個の路側タイプに属する確率を示し、N1及びN2はいずれも正整数であり、MはN1とN2との和以上の整数であることを特徴とする区画線属性検出方法。 - 前記N1個の車道タイプは、白色破線、白色実線、二重白破線、二重白実線、白色虚実線、白色実破線、黄色破線、黄色実線、二重黄破線、二重黄実線、黄色虚実線、黄色実破線、鋸歯状の実線のうちの任意の1つ又は複数を含むことを特徴とする請求項1に記載の方法。
- 前記N2個の路側タイプは、左路側エッジ、右路側エッジ、左フェンス、右フェンスのうちの任意の1つ又は複数を含むことを特徴とする請求項1又は2に記載の方法。
- 前記MはN1とN2との和より大きい整数であり、前記M個の確率マップは、前記路面画像における画素点が背景タイプに属する確率を示すM-N1-N2個の背景確率マップをさらに含むことを特徴とする請求項1~3のいずれか一項に記載の方法。
- 前記車道タイプ確率マップ及び前記路側タイプ確率マップに基づいて、前記路面画像における区画線属性を決定する前記ステップは、
L番目の車道タイプ確率マップにおいて確率値が所定閾値以上である複数の画素点が含まれることに応答し、確率値が所定閾値以上である複数の画素点に基づいて前記複数の画素点の属する車道タイプを決定するステップを含み、前記L番目の車道タイプ確率マップは前記N1個の車道タイプ確率マップのうちのいずれかの車道タイプ確率マップであることを特徴とする請求項1~4のいずれか一項に記載の方法。 - 前記車道タイプ確率マップ及び前記路側タイプ確率マップに基づいて、前記路面画像における区画線属性を決定する前記ステップは、
S番目の車道タイプ確率マップにおいて確率値が所定閾値以上である複数の画素点が含まれることに応答し、確率値が所定閾値以上である複数の画素点に基づいて前記複数の画素点の属する車道タイプを決定するステップを含み、前記S番目の路側タイプ確率マップは前記N2個の車道タイプ確率マップのうちのいずれかの路側タイプ確率マップであることを特徴とする請求項1~5のいずれか一項に記載の方法。 - 前記車道タイプ確率マップ及び前記路側タイプ確率マップに基づいて、前記路面画像における区画線属性を決定する前記ステップは、
第1画素点の前記M個の確率マップにおける複数の確率マップにおいて対応する確率値がいずれも所定閾値以上であることに応答し、前記第1画素点を第1確率マップに対応するタイプを決定する時の画素点とするステップを含み、前記第1確率マップは前記複数の確率値における最大確率値に対応する確率マップであることを特徴とする請求項1~6のいずれか一項に記載の方法。 - 前記M個の確率マップを融合し、目標確率マップを得るステップと、
前記目標確率マップにおける第2確率マップに対応する画素点の画素値を前記第2確率マップに対応する所定画素値に調整するステップとをさらに含み、前記第2確率マップは前記M個の確率マップのうちのいずれかの確率マップであることを特徴とする請求項1~7のいずれか一項に記載の方法。 - 前記ニューラルネットワークにより前記路面画像に対応するM個の確率マップを出力する前記ステップは、
前記ニューラルネットワークの少なくとも1つの畳み込み層により前記路面画像のM個のチャネルの下位層特徴情報を抽出するステップと、
前記ニューラルネットワークの少なくとも1つの残差ネットワークユニットにより、前記M個のチャネルの下位層特徴情報に基づいて、前記路面画像のM個のチャネルの上位層特徴情報を抽出するステップと、
前記ニューラルネットワークの少なくとも1つのアップサンプリング層により、前記M個のチャネルの上位層特徴情報をアップサンプリングし、前記路面画像と同じ大きさのM個の確率マップを取得するステップとを含むことを特徴とする請求項1~8のいずれか一項に記載の方法。 - 前記少なくとも1つの畳み込み層は接続された6~10のうちのいずれかの数の畳み込み層を含み、前記少なくとも1つの残差ネットワークユニットは接続された7~12のうちのいずれかの数の残差ネットワークユニットを含み、前記少なくとも1つのアップサンプリング層は接続された1~4のうちのいずれかの数のアップサンプリング層を含むことを特徴とする請求項9に記載の方法。
- 前記ニューラルネットワークは、車道タイプ、路側タイプ及び/又は非区画線標示情報を含む路面トレーニング画像セットを用いて教師ありトレーニングして得られるものであることを特徴とする請求項1~10のいずれか一項に記載の方法。
- 車道タイプ、路側タイプ及び/又は非区画線標示情報を含む路面トレーニング画像セットを用いて教師ありトレーニングして前記ニューラルネットワークを得るステップは、
前記路面トレーニング画像セットに含まれるトレーニング用画像を前記ニューラルネットワークに入力し、前記トレーニング用画像の予測車道タイプ確率マップ又は予測路側タイプ確率マップを取得するステップと、
前記予測車道タイプ確率マップ又は前記路側タイプ確率マップに含まれる確率値が所定閾値以上である複数の画素点に基づいて、前記複数の画素点の属する予測車道タイプ又は予測路側タイプを決定するステップと、
前記トレーニング用画像の予測車道タイプと前記トレーニング用画像の車道タイプ真値マップにおける車道タイプとの間の第1損失、及び/又は前記トレーニング用画像の予測路側タイプと前記トレーニング用画像の路側タイプ真値マップにおける路側タイプとの間の第2損失を取得するステップと、
前記第1損失及び/又は前記第2損失に基づいて、前記ニューラルネットワークのネットワークパラメータを調整するステップとを含み、前記車道タイプ真値マップは前記トレーニング用画像の車道タイプの標示情報に基づいて取得され、前記路側タイプ真値マップは前記トレーニング用画像の路側タイプの標示情報に基づいて取得されることを特徴とする請求項11に記載の方法。 - 車道タイプ、路側タイプ及び/又は非区画線標示情報を含む路面トレーニング画像セットを用いて教師ありトレーニングして前記ニューラルネットワークを得る前記ステップの前に、
複数のシーンにおける路面画像を収集するステップと、
前記複数のシーンにおける路面画像に対して区画線属性標識を行った後に得られた画像を前記トレーニング用画像とするステップとをさらに含み、
前記複数のシーンは、雨天シーン、霧シーン、直線路シーン、カーブ路シーン、トンネルシーン、強光照射シーン及び夜シーンのうちの少なくとも2つのシーンのうちの任意の1つ又は複数を含むことを特徴とする請求項11又は12に記載の方法。 - 前記路面画像をニューラルネットワークに入力する前記ステップの前に、
前記路面画像に対して歪み除去処理を行うステップをさらに含むことを特徴とする請求項1~13のいずれか一項に記載の方法。 - 前記路面画像における車道タイプ及び路側タイプをグローバル座標系にマッピングして、グローバル座標系における車道タイプ情報及び路側タイプ情報を得るステップをさらに含むことを特徴とする請求項1~14のいずれか一項に記載の方法。
- 車両に取り付けられた車載装置により収集された路面画像を取得する第1取得モジュールと、
前記路面画像をニューラルネットワークに入力して、前記ニューラルネットワークにより前記路面画像に対応するM個の確率マップを出力する第2取得モジュールと、
前記車道タイプ確率マップ及び前記路側タイプ確率マップに基づいて、前記路面画像における区画線属性を決定する第1決定モジュールとを含み、前記M個の確率マップは、N1個の車道タイプ確率マップ及びN2個の路側タイプ確率マップを含み、前記N1個の車道タイプ確率マップは前記路面画像における画素点がそれぞれN1個の車道タイプに属する確率を示し、前記N2個の路側タイプ確率マップは前記路面画像における画素点がそれぞれN2個の路側タイプに属する確率を示し、N1及びN2はいずれも正整数であり、MはN1とN2との和以上の整数であることを特徴とする区画線属性検出装置。 - 前記N1個の車道タイプは、白色破線、白色実線、二重白破線、二重白実線、白色虚実線、白色実破線、黄色破線、黄色実線、二重黄破線、二重黄実線、黄色虚実線、黄色実破線、鋸歯状の実線のうちの任意の1つ又は複数を含むことを特徴とする請求項16に記載の装置。
- 前記N2個の路側タイプは、左路側エッジ、右路側エッジ、左フェンス、右フェンスのうちの任意の1つ又は複数を含むことを特徴とする請求項16又は17に記載の装置。
- 前記MはN1とN2との和より大きい整数であり、前記M個の確率マップは、前記路面画像における画素点が背景タイプに属する確率を示すM-N1-N2個の背景確率マップをさらに含むことを特徴とする請求項16~18のいずれか一項に記載の装置。
- 前記第1決定モジュールは、
L番目の車道タイプ確率マップにおいて確率値が所定閾値以上である複数の画素点が含まれる時、確率値が所定閾値以上である複数の画素点に基づいて前記複数の画素点の属する車道タイプを決定する第1決定ユニットを含み、前記L番目の車道タイプ確率マップは前記N1個の車道タイプ確率マップのうちのいずれかの車道タイプ確率マップであることを特徴とする請求項16~19のいずれか一項に記載の装置。 - 前記第1決定モジュールは、
S番目の車道タイプ確率マップにおいて確率値が所定閾値以上である複数の画素点が含まれる時、確率値が所定閾値以上である複数の画素点に基づいて前記複数の画素点の属する車道タイプを決定する第2決定ユニットをさらに含み、前記S番目の路側タイプ確率マップは前記N2個の車道タイプ確率マップのうちのいずれかの路側タイプ確率マップであることを特徴とする請求項16~20のいずれか一項に記載の装置。 - 前記第1決定モジュールは、
第1画素点の前記M個の確率マップにおける複数の確率マップにおいて対応する確率値がいずれも所定閾値以上である時、前記第1画素点を第1確率マップに対応するタイプを決定する時の画素点とする第3決定ユニットをさらに含み、前記第1確率マップは前記複数の確率値における最大確率値に対応する確率マップであることを特徴とする請求項16~21のいずれか一項に記載の装置。 - 前記M個の確率マップを融合し、目標確率マップを得る融合モジュールと、
前記目標確率マップにおける第2確率マップに対応する画素点の画素値を前記第2確率マップに対応する所定画素値に調整する調整モジュールとを含み、
前記第2確率マップは前記M個の確率マップのうちのいずれかの確率マップであることを特徴とする請求項16~22のいずれか一項に記載の装置。 - 前記第2取得モジュールは、
前記ニューラルネットワークの少なくとも1つの畳み込み層により前記路面画像のM個のチャネルの下位層特徴情報を抽出する第1取得ユニットと、
前記ニューラルネットワークの少なくとも1つの残差ネットワークユニットにより、前記M個のチャネルの下位層特徴情報に基づいて、前記路面画像のM個のチャネルの上位層特徴情報を抽出する第2取得ユニットと、
前記ニューラルネットワークの少なくとも1つのアップサンプリング層により、前記M個のチャネルの上位層特徴情報をアップサンプリングし、前記路面画像と同じ大きさのM個の確率マップを取得する第3取得ユニットとを含むことを特徴とする請求項16~23のいずれか一項に記載の装置。 - 前記少なくとも1つの畳み込み層は接続された6~10のうちのいずれかの数の畳み込み層を含み、前記少なくとも1つの残差ネットワークユニットは接続された7~12のうちのいずれかの数の残差ネットワークユニットを含み、前記少なくとも1つのアップサンプリング層は接続された1~4のうちのいずれかの数のアップサンプリング層を含むことを特徴とする請求項24に記載の装置。
- 車道タイプ、路側タイプ及び/又は非区画線標示情報を含む路面トレーニング画像セットを用いて教師ありトレーニングして前記ニューラルネットワークを得るトレーニングモジュールをさらに含むことを特徴とする請求項16~25のいずれか一項に記載の装置。
- 前記トレーニングモジュールは、
前記路面トレーニング画像セットに含まれるトレーニング用画像を前記ニューラルネットワークに入力し、前記トレーニング用画像の予測車道タイプ確率マップ又は予測路側タイプ確率マップを取得し、
前記予測車道タイプ確率マップ又は前記路側タイプ確率マップに含まれる確率値が所定閾値以上である複数の画素点に基づいて、前記複数の画素点の属する予測車道タイプ又は予測路側タイプを決定し、
前記トレーニング用画像の予測車道タイプと前記トレーニング用画像の車道タイプ真値マップにおける車道タイプとの間の第1損失、及び/又は前記トレーニング用画像の予測路側タイプと前記トレーニング用画像の路側タイプ真値マップにおける路側タイプとの間の第2損失を取得し、
前記第1損失及び/又は第2損失に基づいて、ニューラルネットワークのネットワークパラメータを調整し、前記車道タイプ真値マップは前記トレーニング用画像の車道タイプの標示情報に基づいて取得され、前記路側タイプ真値マップは前記トレーニング用画像の路側タイプの標示情報に基づいて取得されることを特徴とする請求項26に記載の装置。 - 複数のシーンにおける路面画像を収集し、及び、前記複数のシーンにおける路面画像に対して区画線属性標識を行った後に得られた画像を前記トレーニング用画像とする収集モジュールをさらに含み、
前記複数のシーンは、雨天シーン、霧シーン、直線路シーン、カーブ路シーン、トンネルシーン、強光照射シーン及び夜シーンのうちの少なくとも2つのシーンのうちの任意の1つ又は複数を含むことを特徴とする請求項26又は27に記載の装置。 - 前記路面画像に対して歪み除去処理を行うステップを前処理モジュールをさらに含むことを特徴とする請求項16~28のいずれか一項に記載の装置。
- 前記路面画像における車道タイプ及び路側タイプをグローバル座標系にマッピングして、グローバル座標系における車道タイプ情報及び路側タイプ情報を得るマッピングモジュールをさらに含むことを特徴とする請求項16~29のいずれか一項に記載の装置。
- 運転制御装置が、請求項1~15のいずれか一項に記載の区画線属性検出方法により得られた路面画像の区画線属性検出結果を取得するステップと、
前記運転制御装置が前記区画線属性検出結果に基づいて、提示情報を出力し及び/又は車両に対してインテリジェント運転制御を行うステップとを含むことを特徴とする運転制御方法。 - 請求項1~15のいずれか一項に記載の区画線属性検出方法により得られた路面画像の区画線属性検出結果を取得する第3取得モジュールと、
前記区画線属性検出結果に基づいて、提示情報を出力し及び/又は車両に対してインテリジェント運転制御を行う運転制御モジュールとを含むことを特徴とする運転制御装置。 - プログラム命令を記憶するメモリと、
請求項1~15のいずれか一項に記載の方法ステップを実行するように、前記メモリに記憶されたプログラム命令を呼び出し実行するプロセッサとを含むことを特徴とする電子機器。 - 通信接続されるカメラ、請求項33に記載の電子機器及び請求項32に記載の運転制御装置を含み、前記カメラは路面画像を取得することを特徴とするインテリジェント運転システム。
- 請求項1~15のいずれか一項に記載の方法ステップを実行するコンピュータプログラムが記憶されることを特徴とする可読記憶媒体。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811393443.6A CN111209780A (zh) | 2018-11-21 | 2018-11-21 | 车道线属性检测方法、装置、电子设备及可读存储介质 |
CN201811393443.6 | 2018-11-21 | ||
PCT/CN2019/119888 WO2020103893A1 (zh) | 2018-11-21 | 2019-11-21 | 车道线属性检测方法、装置、电子设备及可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2022507077A true JP2022507077A (ja) | 2022-01-18 |
Family
ID=70774347
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2021525246A Pending JP2022507077A (ja) | 2018-11-21 | 2019-11-21 | 区画線属性検出方法、装置、電子機器及び可読記憶媒体 |
Country Status (4)
Country | Link |
---|---|
JP (1) | JP2022507077A (ja) |
KR (1) | KR20210078530A (ja) |
CN (1) | CN111209780A (ja) |
WO (1) | WO2020103893A1 (ja) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023188090A1 (ja) * | 2022-03-30 | 2023-10-05 | 本田技研工業株式会社 | 移動体の制御装置、移動体の制御方法、および記憶媒体 |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111860155B (zh) * | 2020-06-12 | 2022-04-29 | 华为技术有限公司 | 一种车道线的检测方法及相关设备 |
EP4193123A4 (en) * | 2020-08-07 | 2024-01-17 | Grabtaxi Holdings Pte Ltd | METHOD FOR PREDICTING ROAD ATTRIBUTES, DATA PROCESSING SYSTEM AND COMPUTER EXECUTABLE CODE |
CN112200884B (zh) * | 2020-09-08 | 2024-05-03 | 浙江大华技术股份有限公司 | 一种车道线的生成方法及装置 |
CN112132109A (zh) * | 2020-10-10 | 2020-12-25 | 北京百度网讯科技有限公司 | 车道线处理和车道定位方法、装置、设备及存储介质 |
CN112613344B (zh) * | 2020-12-01 | 2024-04-16 | 浙江华锐捷技术有限公司 | 车辆占道检测方法、装置、计算机设备和可读存储介质 |
CN112560684B (zh) * | 2020-12-16 | 2023-10-24 | 阿波罗智联(北京)科技有限公司 | 车道线检测方法、装置、电子设备、存储介质以及车辆 |
CN112598676B (zh) * | 2020-12-29 | 2022-11-22 | 北京市商汤科技开发有限公司 | 图像分割方法及装置、电子设备和存储介质 |
CN113505653B (zh) * | 2021-06-15 | 2023-06-30 | 杭州飞步科技有限公司 | 目标检测方法、装置、设备、介质及程序产品 |
CN113469133A (zh) * | 2021-07-26 | 2021-10-01 | 奥特酷智能科技(南京)有限公司 | 一种基于深度学习的车道线检测方法 |
CN115050006B (zh) * | 2022-06-21 | 2023-07-18 | 荆州职业技术学院 | 一种基于卷积神经网络的车道偏离预警方法及系统 |
CN115471708B (zh) * | 2022-09-27 | 2023-09-12 | 禾多科技(北京)有限公司 | 车道线类型信息生成方法、装置、设备和计算机可读介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006018688A (ja) * | 2004-07-02 | 2006-01-19 | Toyota Motor Corp | 道路環境認識方法及び道路環境認識装置 |
CN108216229A (zh) * | 2017-09-08 | 2018-06-29 | 北京市商汤科技开发有限公司 | 交通工具、道路线检测和驾驶控制方法及装置 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10207706B2 (en) * | 2016-12-28 | 2019-02-19 | Automotive Research & Testing Center | System for detecting lane line of road and method thereof |
US9952594B1 (en) * | 2017-04-07 | 2018-04-24 | TuSimple | System and method for traffic data collection using unmanned aerial vehicles (UAVs) |
CN108009524B (zh) * | 2017-12-25 | 2021-07-09 | 西北工业大学 | 一种基于全卷积网络的车道线检测方法 |
CN108470159B (zh) * | 2018-03-09 | 2019-12-20 | 腾讯科技(深圳)有限公司 | 车道线数据处理方法、装置、计算机设备和存储介质 |
CN108764137A (zh) * | 2018-05-29 | 2018-11-06 | 福州大学 | 基于语义分割的车辆行驶车道定位方法 |
-
2018
- 2018-11-21 CN CN201811393443.6A patent/CN111209780A/zh active Pending
-
2019
- 2019-11-21 WO PCT/CN2019/119888 patent/WO2020103893A1/zh active Application Filing
- 2019-11-21 JP JP2021525246A patent/JP2022507077A/ja active Pending
- 2019-11-21 KR KR1020217015035A patent/KR20210078530A/ko not_active Application Discontinuation
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006018688A (ja) * | 2004-07-02 | 2006-01-19 | Toyota Motor Corp | 道路環境認識方法及び道路環境認識装置 |
CN108216229A (zh) * | 2017-09-08 | 2018-06-29 | 北京市商汤科技开发有限公司 | 交通工具、道路线检测和驾驶控制方法及装置 |
Non-Patent Citations (1)
Title |
---|
菊池孝平 外2名: "走行環境認識のためのSemantic Segmentationの性能向上に関する研究", ロボティクス・メカトロニクス講演会2018 講演論文集, JPN6022026849, 1 June 2018 (2018-06-01), pages 1 - 2, ISSN: 0004980797 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023188090A1 (ja) * | 2022-03-30 | 2023-10-05 | 本田技研工業株式会社 | 移動体の制御装置、移動体の制御方法、および記憶媒体 |
Also Published As
Publication number | Publication date |
---|---|
CN111209780A (zh) | 2020-05-29 |
KR20210078530A (ko) | 2021-06-28 |
WO2020103893A1 (zh) | 2020-05-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP2022507077A (ja) | 区画線属性検出方法、装置、電子機器及び可読記憶媒体 | |
JP2022506920A (ja) | 区画線検出方法、装置、電子機器及び可読記憶媒体 | |
US11580755B2 (en) | Method, apparatus, and system for determining polyline homogeneity | |
Maddern et al. | 1 year, 1000 km: The oxford robotcar dataset | |
US10339669B2 (en) | Method, apparatus, and system for a vertex-based evaluation of polygon similarity | |
EP4152204A1 (en) | Lane line detection method, and related apparatus | |
US11410389B2 (en) | Point cloud display method and apparatus | |
US11501104B2 (en) | Method, apparatus, and system for providing image labeling for cross view alignment | |
DE102017127346A1 (de) | Bremslichterkennung | |
EP3706072B1 (en) | Method, apparatus, and system for detecting degraded ground paint in an image | |
US11003934B2 (en) | Method, apparatus, and system for selecting sensor systems for map feature accuracy and reliability specifications | |
DE102019118999A1 (de) | Lidar-basierte objektdetektion und -klassifikation | |
US11710239B2 (en) | Method, apparatus, and system using a machine learning model to segment planar regions | |
US11055862B2 (en) | Method, apparatus, and system for generating feature correspondence between image views | |
Zakaria et al. | Lane detection in autonomous vehicles: A systematic review | |
CN112805762B (zh) | 提高交通状况可视化的系统和方法 | |
US20190051013A1 (en) | Method, apparatus, and system for an asymmetric evaluation of polygon similarity | |
WO2024088445A1 (zh) | 一种基于视觉语义矢量的车辆导引方法、系统、设备和介质 | |
CN116188587A (zh) | 定位方法、装置及车辆 | |
US20230175854A1 (en) | Explicit Signage Visibility Cues in Driving Navigation | |
CN114898321A (zh) | 道路可行驶区域检测方法、装置、设备、介质及系统 | |
US10970597B2 (en) | Method, apparatus, and system for priority ranking of satellite images | |
CN115712749A (zh) | 一种图像处理方法、装置、计算机设备及存储介质 | |
KR20200143554A (ko) | 증강 현실 기반 운전 보조 장치 및 그 방법 | |
CN117893990A (zh) | 道路标志检测方法、装置和计算机设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20210603 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20210603 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20220621 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20220629 |
|
A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20230203 |