WO2024017003A1 - 基于算法融合的车辆汇入检测方法、装置及设备 - Google Patents
基于算法融合的车辆汇入检测方法、装置及设备 Download PDFInfo
- Publication number
- WO2024017003A1 WO2024017003A1 PCT/CN2023/104337 CN2023104337W WO2024017003A1 WO 2024017003 A1 WO2024017003 A1 WO 2024017003A1 CN 2023104337 W CN2023104337 W CN 2023104337W WO 2024017003 A1 WO2024017003 A1 WO 2024017003A1
- Authority
- WO
- WIPO (PCT)
- Prior art keywords
- vehicle
- algorithm
- image
- area
- pixel point
- Prior art date
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 66
- 230000011218 segmentation Effects 0.000 claims abstract description 18
- 230000004927 fusion Effects 0.000 claims description 39
- 230000015654 memory Effects 0.000 claims description 15
- 230000010354 integration Effects 0.000 claims description 3
- 238000000034 method Methods 0.000 abstract description 25
- 230000008569 process Effects 0.000 description 10
- 238000004364 calculation method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000009432 framing Methods 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000000007 visual effect Effects 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
- G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
- G06V20/42—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items of sport video content
-
- 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
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
-
- 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
- G06V2201/08—Detecting or categorising vehicles
Abstract
本申请涉及基于算法融合的车辆汇入检测方法、装置及设备,该方法包括:获取车辆图像;应用目标检测算法于图像,得到第一算法图像,第一算法图像包括车辆轮廓框;应用语义分割算法与图像,得到第二算法图像,第二算法图像包括车辆的车辆特征区域及车道线特征区域;添加轮廓框于车辆特征区域,得到单一车辆区域;比对单一车辆区域与车道线特征区域,若两者重合判定存在车辆汇入。本申请提供的基于算法融合的车辆汇入检测方法、装置及设备,获取车辆图像并结合前述两种算法得到轮廓框、车辆特征区域以及车道线特征区域,通过轮廓框对车道线特征区域标记,得到单一车辆区域并与车道线特征区域比对,判断车辆有无汇入本车道可能,提升检测精度。
Description
本专利申请要求于2022年7月21日提交的中国专利申请No.CN202210856052.3的优先权。在先申请的公开内容通过整体引用并入本申请。
本申请涉及智能驾驶技术领域,尤其涉及一种基于算法融合的车辆汇入检测方法、装置及设备。
在智能驾驶领域中,智能驾驶网络导航主要用于生成车辆所选择的路况以及在行使过程中针对驾驶安全的处置方案。例如在车辆行使过程中,对于车辆是否存在汇入本车辆所属车道(本车道)的情况,现有智能驾驶技术通常采用目标检测和/或语义分割算法进行推理。前者采用将目标车辆进行框选的方式,并根据矩形框的边缘判定是否存在汇入本车道的可能;后者采用将目标车辆进行像素级别的分割与预测的方式进行推理。
但上述两种检测算法均存在一定的不足。对于目标检测算法,在框选矩形框过程中,存在非车辆区域被误判定汇入本车道的可能,进而影响对路况的正确判断;对于语义分割算法,由于采用像素级的目标识别,因此对于不规则形状具有识别能力,但无法对前方重叠车辆进行准确划分。因此,需要一种算法融合方法以提升对车辆汇入的检测精度。
本申请提供一种基于算法融合的车辆汇入检测方法、装置及设备,目的在于结合目标检测算法以及语义分割算法,提升对车辆汇入的检测精度。
第一方面,本申请实施例提供了一种基于算法融合的车辆汇入检测方法,包括:
获取关于前方相邻车道内车辆的图像;
应用目标检测算法于图像,得到第一算法图像,第一算法图像包括关于车辆的轮廓框;
应用语义分割算法于图像,得到第二算法图像,第二算法图像包括车辆的车辆特征区域以及本车道与相邻车道的共用车道线的车道线特征区域;
添加轮廓框于车辆特征区域,得到车辆特征区域中单一车辆区域;
比对单一车辆区域与车道线特征区域,若两者重合,判定存在车辆汇入。
在一种可能的实现方式中,获取关于车辆的图像,具体包括:
实时获取关于车辆的视频;
分帧处理视频,得到图像。
在一种可能的实现方式中,添加轮廓框于车辆特征区域,得到车辆特征区域中单一车辆区域,具体包括:
以第一算法图像的顶点为第一原点,以水平方向为x轴,竖直方向为y轴,建立世界坐标系;
获取世界坐标系下,轮廓框所对应的坐标值;
以第二算法图像中对应顶点为第二原点,复制世界坐标系至第二算法图像;
添加轮廓框于第二算法图像中坐标值处;
根据轮廓框,得到单一车辆区域。
在一种可能的实现方式中,比对单一车辆区域与车道线特征区域,若两者重合,判定存在车辆汇入,具体包括:
在世界坐标系下,选定单一车辆区域边缘的第一像素点,得到车辆的车辆轮廓;第一像素点为第二算法图像中车辆特征区域的像素点;
选定车辆轮廓的特定像素点,特定像素点在车辆轮廓内具有绝对值最大的纵坐标;
比对特定像素点与第二像素点,第二像素点为第二算法图像中车道线特征区域的像素点,若特定像素点与第二像素点重合,判定存在车辆汇入。
在一种可能的实现方式中,比对特定像素点与第二像素点,第二像素点为第二算法图像中车道线特征区域的像素点,若特定像素点与第二像素点重合,判定存在车辆汇入,具体包括:
获取世界坐标系下,关于第二像素点的坐标值的车道线参数方程,车道线参数方程为世界坐标系下,第二像素点的集合;
若特定像素点的坐标值使车道线参数方程小于和/或等于0,则特定像素点与车道线特征区域的像素点重合,判定存在车辆汇入;
否则,判定不存在车辆汇入。
第二方面,本申请还提供了一种基于算法融合的车辆汇入检测装置,包括:
图像获取模块,用于获取关于前方相邻车道内车辆的图像;
第一算法图像获取模块,用于应用目标检测算法于图像,得到第一算法图像,第一算法图像包括关于车辆的轮廓框;
第二算法图像获取模块,用于应用语义分割算法于图像,得到第二算法图像,第二算法图像包括车辆的车辆特征区域以及本车道与相邻车道的共用车道线的车道线特征区域;
单一车辆区域获取模块,用于添加轮廓框于车辆特征区域,得到车辆特征区域中单一车辆区域;
车辆汇入判定模块,用于比对单一车辆区域与车道线特征区域,若两者重合,判定存在车辆汇入。
在一种可能的实现方式中,图像获取模块被配置以执行以下操作:
实时获取关于车辆的视频;
分帧处理视频,得到图像。
在一种可能的实现方式中,单一车辆区域获取模块被配置以执行以下操作:
以第一算法图像的顶点为第一原点,以水平方向为x轴,竖直方向为y轴,建立世界坐标系;
获取世界坐标系下,轮廓框所对应的坐标值;
以第二算法图像中对应顶点为第二原点,复制世界坐标系至第二算法图像;
添加轮廓框于第二算法图像中坐标值处;
根据轮廓框,得到单一车辆区域。
第三方面,本申请实施例提供了一种电子设备,电子设备包括:
一个或多个处理器;
存储器,用于存储一个或多个程序;
当一个或多个程序被一个或多个处理器执行,使得一个或多个处理器实现如本申请任意实施例提供的基于算法融合的车辆汇入检测方法的步骤。
第四方面,本申请实施例提供了一种包含计算机可执行指令的存储介质,计算机可执行指令在由计算机处理器执行时用于执行如本申请任意实施例提供的基于算法融合的车辆汇入检测方法的步骤。
本申请所提供的一种基于算法融合的车辆汇入检测方法、装置及设备,获取车辆的图像并通过结合目标检测算法以及语义分割算法,得到关于车辆的轮廓框、车辆特征区域以及车道线特征区域,通过轮廓框对车道线特征区域进行标记,划分得到单一车辆区域,并与车道线特征区域进行比对,从而判断车辆有无汇入本车道可能,提升车辆汇入的检测精度。
图1为本申请实施例一提供的一种基于算法融合的车辆汇入检测方法的流程图;
图2为本申请实施例一提供的一种基于算法融合的车辆汇入检测方法中获取图像的流程图;
图3为本申请实施例二提供的一种基于算法融合的车辆汇入检测方法中划分单一车辆区域的流程图;
图4为本申请实施例二提供的一种基于算法融合的车辆汇入检测方法中比对单一车辆区域与车道线特征区域的流程图;
图5为本申请实施例二提供的一种基于算法融合的车辆汇入检测方法中的比对特定像素点与第二像素点的流程图;
图6为本申请实施例一提供的一种基于算法融合的车辆汇入检测方法的效果图;
图7为本申请实施例三提供的一种基于算法融合的车辆汇入检测装置的结构示意图;
图8为本申请实施例四提供的一种基于算法融合的车辆汇入检测检测设备的结构示意图。
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本申请,而非对本申请的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本申请相关的部分而非全部结构。
实施例一
本申请针对以上不足,提出了一种基于算法融合的车辆汇入检测算法,如图1及图2所示,包括:
S10:获取关于前方相邻车道内车辆的图像;其中,步骤S10具体包括:
S11:实时获取关于车辆的视频;获取视频的方式包括但不限于采用车载摄像头;
S12:分帧处理视频,得到图像。这里需要补充的是,由于后续步骤中针对目标检测算法以及语义分割算法采用了双网络结构,因此优选采用车载的前视摄像头获取关于车辆的视频。分帧处理就是以帧为单位将视频进行分割,所得到的结果即为图像。
将上述图像进行保存复制,得到每一帧图像的多个图像文件(如两个),并将同一帧图像的多个图像文件应用到后续的目标检测算法以及语义分割算法中。
S20:应用目标检测算法于图像,得到第一算法图像,第一算法图像包括关于车辆的轮廓框;上述轮廓框能够将第一算法图像中车辆进行框选,但框选操作容易将非车辆区域选中,进而对车辆是否汇入本车道存在错误判断。
S30:应用语义分割算法于图像,得到第二算法图像,第二算法图像包括车辆的车辆特征区域以及本车道与相邻车道的共用车道线的车道线特征区域;
其中车辆特征区域是指图像中车辆所在区域,同理,车道线特征区域是指图像中车道线所在区域。
上述车辆特征区域也可能是包括多个车辆的叠加所形成的图像区域,例如由于拍摄角度的原因造成相邻车道内,前后车辆存在视觉重叠,因而所形成的图像在进行语义分割的过程中,容易形成前后车辆相连接的车辆特征区域。
单纯采用语义分割的方法,无法将车辆特征区域中不同车辆所属的区域进行分割;并且即便是单独的车辆特征区域,当与车道线特征区域相叠加后,也无法进行独立分割。
S40:添加轮廓框于车辆特征区域,得到车辆特征区域中单一车辆区域;当轮廓框圈定车辆特征区域的全部和/或部分时,被圈定的区域即为单一车辆区域。
添加轮廓框于车辆特征区域的方式可以包括如下两种:
(1)第一种方法:在第一算法图像下建立世界坐标系,并根据第一算法图像与第二算法图像具有相同像素值及尺寸信息(未做图像处理的情况下)的关系,在第二算法图像下建立相同世界坐标系,并根据轮廓框在第一算法图像的坐标值复制到第二算法图像中对应的坐标值处。
(2)第二种方法:分别在第一算法图像以及第二算法图像下建立坐标系,并根据第一算法图像与第二算法图像具有相同像素值及尺寸信息的原理,实现轮廓框由一个坐标系复制到另一个坐标系中,这里不再赘述。
S50:比对单一车辆区域与车道线特征区域,若两者重合,判定存在车辆汇入。如图6所示,比对的方式可以是直观的观察,或者计算轮廓信息与单一车辆区域的位置关系。
本申请所提供的一种基于算法融合的车辆汇入检测方法,该方法通过获取车辆的图像并通过结合目标检测算法以及语义分割算法,得到关于车辆的轮廓框、车辆特征区域以及车道线特征区域,通过轮廓框对车辆特征区域进行划分,从而得到单一车辆区域,并与车道线特征区域进行比对,从而判断车辆有无汇入本车道可能,提升车辆汇入的检测精度。
实施例二
进一步如图3所示,本实施例在上述技术方案的基础上进一步细化,添加轮廓框于车辆特征区域,得到车辆特征区域中单一车辆区域,具体包括:
S41:以第一算法图像的顶点为第一原点,以水平方向为x轴,竖直方向为y轴,建立世界坐标系;优选的情况下,世界坐标系选取第一算法图像左侧顶点为第一原点,第一算法图像包括有若干个顺序排列的像素点,这些像素点在世界坐标系下,均对应有坐标值。
S42:获取世界坐标系下,轮廓框所对应的坐标值。一种可替换的实施方式中,获取上述轮廓框中对应顶点的坐标值。轮廓框对应顶点的坐标值可以通过关于顶点对应像素点的坐标值获得。
S43:以第二算法图像中对应顶点为第二原点,复制世界坐标系至第二算法图像,并且复制的过程中同样选取以水平方向为x轴,竖直方向为y轴。对应选取第二算法图像中左侧顶点为第二原点。
S44:添加轮廓框于第二算法图像中坐标值处。一种可选的添加方式可以是通过将轮廓框所属的4个顶点分别添加至第二算法图像中,之后通过依次连接顶点,完成轮廓框的添加。
例如,上述轮廓框的一个顶点(例如,第一坐标系下的坐标值为(144,250)),通过在第二坐标系下标记相同坐标值的顶点,完成顶点添加。关于轮廓框其余顶点如此类推,完成轮廓框的添加。
S45:根据轮廓框,得到单一车辆区域。该单一车辆区域对应于第一算法图像中轮廓框所包围的单一车辆。
进而,一种优选的实施方式中,如图4及图5所示,步骤S50:比对单一车辆区域与车道线特征区域,若两者重合,判定存在车辆汇入,包括:
S51:在世界坐标系下,该世界坐标系通过第一算法图像的顶点为第一原点,以水平方向为x轴,竖直方向为y轴的方式建立,并复制到第二算法图像的方式获得。选定单一车辆区域边缘的第一像素点,得到车辆的车辆轮廓;第一像素点为第二算法图像中车辆特征区域的像素点;在第二算法图像中,车辆特征区域由第一像素点组成,其中单一车辆区域边缘一周的第一像素点即为车辆轮廓。
S52:选定车辆的车辆轮廓的特定像素点,特定像素点可以是在轮廓框内具有绝对值最大的纵坐标。该特定像素点为车辆后侧轮胎(左侧或右侧)。
S53:比对特定像素点与第二像素点,第二像素点为第二算法图像中车道线特征区域的像素点,若特定像素点与第二像素点重合,判定存在车辆汇入。当特定像素点的坐标值与第二像素点中任一个像素点的坐标值发生重合时,判定车辆已压上车道,判定存在车辆汇入可能。
在对比特定像素点与车道线特征区域的像素点过程中,由于第二像素点包括多个像素点,因此,通过建立关于第二像素点的参数方程,可以简化比对过程。具体地,如图5所示,包括:
S531:获取世界坐标系下,关于第二像素点的坐标值的车道线参数方程,车道线参数方程为世界坐标系下,第二像素点的集合;
车道线参数方程的获取方式可以通过选取车道线特征区域的任意两个第二像素点(例如与x轴以及y轴的交点),分别得到该两个第二像素点的坐标值;计算得到关于车道线特征区域的计算公式:kx+b-y=0。在实际路况下,车道线特征区域可以是直线或者曲线,对于曲线车道线特征区域的计算公式,需要根据情况采用二次方程或者三次方程计算公式,比如,采用二次曲线ax
2+bx+c-y=0来描述曲线车道线特征区域的线型。
S532:若特定像素点的坐标值使车道线参数方程小于和/或等于0,则特定像素点与车道线特征区域的像素点重合,判定存在车辆汇入。
S533:否则,若车道线参数方程的结果大于0,则判定不存在车辆汇入。
以直线车道线特征区域为例,假设根据第二像素点坐标值计算得到车道线参数方程为:2x+4-y=0,进而,当特定像素点的坐标值为(1,1)时,通过将特定像素点的坐标值代入车道线参数方程,得到该车道线参数方程>0,进而判定不存在车辆汇入;若特定像素点的坐标值为(-2,1)时,通过代入车道线参数方程,得到该车道线参数方程小于0,则判定存在车辆汇入。
本申请实施例在实施例一的基础上,根据第一算法图像以及第二算法图像相同的世界坐标系,选取两个图像下坐标值相同的原点实现轮廓框的由第一算法图像复制到第二算法图像,得到车辆的车辆轮廓(特定像素点),通过建立关于车道线特征区域的车道线参数方程,比对轮廓信息(或特定像素点)与车道线参数方程所代表的第二像素点的位置关系,从而判断车辆有无汇入本车道可能,提升了车辆汇入的检测精度。
实施例三
本申请实施例提供了一种基于算法融合的车辆汇入检测装置,如图7所示,包括:
图像获取模块01,用于获取关于前方相邻车道内车辆的图像;
第一算法图像获取模块02,用于应用目标检测算法于图像,得到第一算法图像;第一算法图像包括关于车辆的轮廓框;
第二算法图像获取模块03,用于应用语义分割算法于图像,得到第二算法图像;第二算法图像包括车辆的车辆特征区域以及关于车道的车道线特征区域;
单一车辆区域获取模块04,用于添加轮廓框于车辆特征区域,划分车辆特征区域为单一车辆区域;
车辆汇入判定模块05,用于比对单一车辆区域与车道线特征区域,若两者重合,判定存在车辆汇入。
并且,图像获取模块01被配置以执行以下操作:
实时获取关于车辆的视频;
分帧处理视频,得到图像。
可选地,单一车辆区域获取模块04还被配置以执行以下操作:
以第一算法图像的顶点为第一原点,以水平方向为x轴,竖直方向为y轴,建立世界坐标系;
获取世界坐标系下,轮廓框所对应的坐标值;
以第二算法图像中对应顶点为第二原点,复制世界坐标系至第二算法图像;
添加轮廓框于第二算法图像中坐标值处;
根据轮廓框,得到单一车辆区域。
可选地,车辆汇入判定模块05还被配置以执行以下操作:
在世界坐标系下,选定单一车辆区域边缘的第一像素点,得到车辆的车辆轮廓;第一像素点为第二算法图像中车辆特征区域的像素点;
选定车辆轮廓的特定像素点,特定像素点在车辆轮廓内具有绝对值最大的纵坐标;
比对特定像素点与第二像素点,第二像素点为第二算法图像中车道线特征区域的像素点,若特定像素点与第二像素点重合,判定存在车辆汇入。
一种优选的实施方式中,该比对过程可以采用以下方式:
获取世界坐标系下,关于第二像素点的坐标值的车道线参数方程,车道线参数方程为世界坐标系下,第二像素点的集合;
若特定像素点的坐标值使车道线参数方程小于和/或等于0,则特定像素点与车道线特征区域的像素点重合,判定存在车辆汇入;
否则,判定不存在车辆汇入。
本申请实施例所提供的一种基于算法融合的车辆汇入检测装置,采用与基于算法融合的车辆汇入检测方法相同的技术手段,达到相同的技术效果,这里不再赘述。
实施例四
图8为本申请实施例四提供的一种基于算法融合的车辆汇入检测设备的结构示意图,如图8所示,该基于算法融合的车辆汇入检测设备包括处理器410、存储器420、输入装置430和输出装置440;基于算法融合的车辆汇入检测设备中处理器410的数量可以是一个或多个,图8中以一个处理器410为例;基于算法融合的车辆汇入检测设备中的处理器410、存储器420、输入装置430和输出装置440可以通过总线或其他方式连接,图8中以通过总线连接为例。
存储器420作为一种计算机可读存储介质,可用于存储软件程序、计算机可执行程序以及模块,如本申请实施例中的基于算法融合的路径检测方法/装置对应的程序指令/模块(例如,图像获取模块01、第一算法图像获取模块02、第二算法图像获取模块03、单一车辆区域获取模块04以及车辆汇入判定模块05)。处理器410通过运行存储在存储器420中的软件程序、指令以及模块,从而执行基于算法融合的车辆汇入检测设备的各种功能应用以及数据处理,即实现上述的基于算法融合的车辆汇入检测方法。
存储器420可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序;存储数据区可存储根据终端的使用所创建的数据等。此外,存储器420可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中,存储器420可进一步包括相对于处理器410远程设置的存储器,这些远程存储器可以通过网络连接至基于算法融合的车辆汇入检测设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置430可用于接收输入的数字或字符信息,以及产生与基于算法融合的车辆汇入检测设备的用户设置以及功能控制有关的键信号输入。输出装置440可包括显示屏等显示设备。
实施例五
本申请实施例五还提供一种包含计算机可执行指令的存储介质,计算机可执行指令在由计算机处理器执行时用于执行一种基于算法融合的车辆汇入检测方法的步骤,包括:
获取关于前方相邻车道内车辆的图像;
应用目标检测算法于图像,得到第一算法图像,第一算法图像包括关于车辆的轮廓框;
应用语义分割算法于图像,得到第二算法图像,第二算法图像包括车辆的车辆特征区域以及本车道与相邻车道的共用车道线的车道线特征区域;
添加轮廓框于车辆特征区域,得到车辆特征区域中单一车辆区域;
比对单一车辆区域与车道线特征区域,若两者重合,判定存在车辆汇入。
当然,本申请实施例所提供的一种包含计算机可执行指令的存储介质,其计算机可执行指令不限于如上的方法操作,还可以执行本申请任意实施例所提供的基于算法融合的车辆汇入检测方法中的相关操作。
通过以上关于实施方式的描述,所属领域的技术人员可以清楚地了解到,本申请可借助软件及必需的通用硬件来实现,当然也可以通过硬件实现,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,该计算机软件产品可以存储在计算机可读存储介质中,如计算机的软盘、只读存储器(Read‑Only Memory , ROM)、随机存取存储器(Random Access Memory,RAM)、闪存(FLASH)、硬盘或光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述的方法。
值得注意的是,上述基于算法融合的车辆汇入检测装置的实施例中,所包括的各个单元和模块只是按照功能逻辑进行划分的,但并不局限于上述的划分,只要能够实现相应的功能即可;另外,各功能单元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。
虽然,上文中已经用一般性说明、具体实施方式及试验,对本申请作了详尽的描述,但在本申请基础上,可以对之作一些修改或改进,这对本领域技术人员而言是显而易见的。因此,在不偏离本申请精神的基础上所做的这些修改或改进,均属于本申请要求保护的范围。
Claims (9)
- 一种基于算法融合的车辆汇入检测方法,其特征在于,包括:获取关于前方相邻车道内车辆的图像;应用目标检测算法于所述图像,得到第一算法图像,所述第一算法图像包括关于所述车辆的轮廓框;应用语义分割算法于所述图像,得到第二算法图像,所述第二算法图像包括所述车辆的车辆特征区域以及本车道与所述相邻车道的共用车道线的车道线特征区域;添加所述轮廓框于所述车辆特征区域,得到所述车辆特征区域中单一车辆区域;比对所述单一车辆区域与所述车道线特征区域,若两者重合,判定存在车辆汇入;在世界坐标系下,选定所述单一车辆区域边缘的第一像素点,得到所述车辆的车辆轮廓;所述第一像素点为所述第二算法图像中所述车辆特征区域的像素点;选定所述车辆轮廓的特定像素点,所述特定像素点在所述车辆轮廓内具有绝对值最大的纵坐标;比对所述特定像素点与第二像素点,所述第二像素点为所述第二算法图像中所述车道线特征区域的像素点,若所述特定像素点与所述第二像素点重合,判定存在车辆汇入。
- 根据权利要求1所述的基于算法融合的车辆汇入检测方法,其特征在于,所述获取关于前方相邻车道内车辆的图像,具体包括:实时获取关于所述车辆的视频;分帧处理所述视频,得到所述图像。
- 根据权利要求1所述的基于算法融合的车辆汇入检测方法,其特征在于,所述添加所述轮廓框于所述车辆特征区域,得到所述车辆特征区域中单一车辆区域,具体包括:以所述第一算法图像的顶点为第一原点,以水平方向为x轴,竖直方向为y轴,建立世界坐标系;获取所述世界坐标系下,所述轮廓框所对应的坐标值;以所述第二算法图像中对应顶点为第二原点,复制所述世界坐标系至所述第二算法图像;添加所述轮廓框于所述第二算法图像中所述坐标值处;根据所述轮廓框,得到所述单一车辆区域。
- 根据权利要求1所述的基于算法融合的车辆汇入检测方法,其特征在于,所述比对所述特定像素点与第二像素点,所述第二像素点为所述第二算法图像中所述车道线特征区域的像素点,若所述特定像素点与所述第二像素点重合,判定存在车辆汇入,具体包括:获取所述世界坐标系下,关于所述第二像素点的坐标值的车道线参数方程,所述车道线参数方程为所述世界坐标系下,所述第二像素点的集合;若所述特定像素点的坐标值使所述车道线参数方程小于和/或等于0,则所述特定像素点与所述车道线特征区域的像素点重合,判定存在车辆汇入;否则,判定不存在车辆汇入。
- 一种基于算法融合的车辆汇入检测装置,其特征在于,包括:图像获取模块,用于获取关于前方相邻车道内车辆的图像;第一算法图像获取模块,用于应用目标检测算法于所述图像,得到第一算法图像,所述第一算法图像包括关于所述车辆的轮廓框;第二算法图像获取模块,用于应用语义分割算法于所述图像,得到第二算法图像,所述第二算法图像包括所述车辆的车辆特征区域以及本车道与所述相邻车道的共用车道线的车道线特征区域;单一车辆区域获取模块,用于添加所述轮廓框于所述车辆特征区域,得到所述车辆特征区域中单一车辆区域;车辆汇入判定模块,用于比对所述单一车辆区域与所述车道线特征区域,若两者重合,判定存在车辆汇入;在世界坐标系下,选定所述单一车辆区域边缘的第一像素点,得到所述车辆的车辆轮廓;所述第一像素点为所述第二算法图像中所述车辆特征区域的像素点;选定所述车辆轮廓的特定像素点,所述特定像素点在所述车辆轮廓内具有绝对值最大的纵坐标;比对所述特定像素点与第二像素点,所述第二像素点为所述第二算法图像中所述车道线特征区域的像素点,若所述特定像素点与所述第二像素点重合,判定存在车辆汇入。
- 根据权利要求5所述的车辆汇入检测装置,其特征在于,所述图像获取模块被配置以执行以下操作:实时获取关于所述车辆的视频;分帧处理所述视频,得到所述图像。
- 根据权利要求5所述的车辆汇入检测装置,其特征在于,所述单一车辆区域获取模块被配置以执行以下操作:以所述第一算法图像的顶点为第一原点,以水平方向为x轴,竖直方向为y轴,建立世界坐标系;获取所述世界坐标系下,所述轮廓框所对应的坐标值;以所述第二算法图像中对应顶点为第二原点,复制所述世界坐标系至所述第二算法图像;添加所述轮廓框于所述第二算法图像中所述坐标值处;根据所述轮廓框,得到所述单一车辆区域。
- 一种电子设备,其特征在于,所述电子设备包括:一个或多个处理器;存储器,用于存储一个或多个程序;当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1‑4中任一所述的基于算法融合的车辆汇入检测方法的步骤。
- 一种包含计算机可执行指令的存储介质,其特征在于,所述计算机可执行指令在由计算机处理器执行时用于执行如权利要求1‑4中任一所述的基于算法融合的车辆汇入检测方法的步骤。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210856052.3 | 2022-07-21 | ||
CN202210856052.3A CN115082901B (zh) | 2022-07-21 | 2022-07-21 | 基于算法融合的车辆汇入检测方法、装置及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
WO2024017003A1 true WO2024017003A1 (zh) | 2024-01-25 |
Family
ID=83258776
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
PCT/CN2023/104337 WO2024017003A1 (zh) | 2022-07-21 | 2023-06-30 | 基于算法融合的车辆汇入检测方法、装置及设备 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN115082901B (zh) |
WO (1) | WO2024017003A1 (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115082901B (zh) * | 2022-07-21 | 2023-01-17 | 天津所托瑞安汽车科技有限公司 | 基于算法融合的车辆汇入检测方法、装置及设备 |
CN115830881A (zh) * | 2023-02-20 | 2023-03-21 | 常州海图信息科技股份有限公司 | 停车检测方法和装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2018169947A (ja) * | 2017-03-30 | 2018-11-01 | 株式会社日立情報通信エンジニアリング | レーン線認識装置およびレーン線認識プログラム |
CN110458050A (zh) * | 2019-07-25 | 2019-11-15 | 清华大学苏州汽车研究院(吴江) | 基于车载视频的车辆切入检测方法及装置 |
CN111401186A (zh) * | 2020-03-10 | 2020-07-10 | 北京精英智通科技股份有限公司 | 一种车辆压线检测系统及方法 |
CN113874927A (zh) * | 2020-04-30 | 2021-12-31 | 京东方科技集团股份有限公司 | 停车检测方法、系统、处理设备和存储介质 |
CN115082901A (zh) * | 2022-07-21 | 2022-09-20 | 天津所托瑞安汽车科技有限公司 | 基于算法融合的车辆汇入检测方法、装置及设备 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107886770B (zh) * | 2016-09-30 | 2020-05-22 | 比亚迪股份有限公司 | 车辆识别方法、装置及车辆 |
CN208238805U (zh) * | 2018-03-30 | 2018-12-14 | 郑州宇通客车股份有限公司 | 一种自动驾驶客车环境感知系统及自动驾驶客车 |
CN109002797B (zh) * | 2018-07-16 | 2023-07-25 | 腾讯科技(深圳)有限公司 | 车辆变道检测方法、装置、存储介质和计算机设备 |
CN110781768A (zh) * | 2019-09-30 | 2020-02-11 | 奇点汽车研发中心有限公司 | 目标对象检测方法和装置、电子设备和介质 |
CN113232650A (zh) * | 2021-05-31 | 2021-08-10 | 吉林大学 | 一种面对有前方车辆汇入的车辆避撞控制系统及控制方法 |
CN114120254A (zh) * | 2021-10-29 | 2022-03-01 | 上海高德威智能交通系统有限公司 | 道路信息识别方法、装置及存储介质 |
CN113997934B (zh) * | 2021-12-09 | 2024-05-03 | 中国第一汽车股份有限公司 | 车道变换方法、装置、计算机设备及存储介质 |
CN114299468A (zh) * | 2021-12-29 | 2022-04-08 | 苏州智加科技有限公司 | 车道的汇入口的检测方法、装置、终端、存储介质及产品 |
-
2022
- 2022-07-21 CN CN202210856052.3A patent/CN115082901B/zh active Active
-
2023
- 2023-06-30 WO PCT/CN2023/104337 patent/WO2024017003A1/zh unknown
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2018169947A (ja) * | 2017-03-30 | 2018-11-01 | 株式会社日立情報通信エンジニアリング | レーン線認識装置およびレーン線認識プログラム |
CN110458050A (zh) * | 2019-07-25 | 2019-11-15 | 清华大学苏州汽车研究院(吴江) | 基于车载视频的车辆切入检测方法及装置 |
CN111401186A (zh) * | 2020-03-10 | 2020-07-10 | 北京精英智通科技股份有限公司 | 一种车辆压线检测系统及方法 |
CN113874927A (zh) * | 2020-04-30 | 2021-12-31 | 京东方科技集团股份有限公司 | 停车检测方法、系统、处理设备和存储介质 |
CN115082901A (zh) * | 2022-07-21 | 2022-09-20 | 天津所托瑞安汽车科技有限公司 | 基于算法融合的车辆汇入检测方法、装置及设备 |
Also Published As
Publication number | Publication date |
---|---|
CN115082901A (zh) | 2022-09-20 |
CN115082901B (zh) | 2023-01-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2024017003A1 (zh) | 基于算法融合的车辆汇入检测方法、装置及设备 | |
US11094198B2 (en) | Lane determination method, device and storage medium | |
CN107577988B (zh) | 实现侧方车辆定位的方法、装置及存储介质、程序产品 | |
US10922843B2 (en) | Calibration method and calibration device of vehicle-mounted camera, vehicle and storage medium | |
US7957559B2 (en) | Apparatus and system for recognizing environment surrounding vehicle | |
KR100550299B1 (ko) | 차량 주변 이미지 처리 장치 및 기록 매체 | |
CN108629292B (zh) | 弯曲车道线检测方法、装置及终端 | |
CN109087251B (zh) | 一种车载全景图像显示方法及系统 | |
WO2022078074A1 (zh) | 车辆与车道线的位置关系检测方法、系统和存储介质 | |
CN111443704B (zh) | 用于自动驾驶系统的障碍物定位方法及装置 | |
CN109801220A (zh) | 一种在线求解车载视频拼接中映射参数方法 | |
CN108376384B (zh) | 视差图的矫正方法、装置及存储介质 | |
JPH11195127A (ja) | 白線認識方法および装置 | |
CN110197104B (zh) | 基于车辆的测距方法及装置 | |
CN114120254A (zh) | 道路信息识别方法、装置及存储介质 | |
US11458892B2 (en) | Image generation device and image generation method for generating a composite image | |
CN110738696B (zh) | 行车盲区透视视频的生成方法及行车盲区视野透视系统 | |
JP6802999B2 (ja) | 区画線検出システム | |
KR102003387B1 (ko) | 조감도 이미지를 이용한 교통 장애물의 검출 및 거리 측정 방법, 교통 장애물을 검출하고 거리를 측정하는 프로그램을 저장한 컴퓨터 판독가능 기록매체 | |
US20210260997A9 (en) | Method and system for demonstrating function of vehicle-mounted heads up display, and computer-readable storage medium | |
CN114037977B (zh) | 道路灭点的检测方法、装置、设备及存储介质 | |
US11477371B2 (en) | Partial image generating device, storage medium storing computer program for partial image generation and partial image generating method | |
JP5773334B2 (ja) | オプティカルフロー処理装置及び表示半径マップ生成装置 | |
DE102020213799A1 (de) | Hindernisdetektionsvorrichtung und Hindernisdetektionsverfahren | |
TWI502166B (zh) | 動態影像監測系統及方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
121 | Ep: the epo has been informed by wipo that ep was designated in this application |
Ref document number: 23842068 Country of ref document: EP Kind code of ref document: A1 |