CN116434166A - 目标区域的识别方法、装置、设备和存储介质 - Google Patents
目标区域的识别方法、装置、设备和存储介质 Download PDFInfo
- Publication number
- CN116434166A CN116434166A CN202310264799.4A CN202310264799A CN116434166A CN 116434166 A CN116434166 A CN 116434166A CN 202310264799 A CN202310264799 A CN 202310264799A CN 116434166 A CN116434166 A CN 116434166A
- Authority
- CN
- China
- Prior art keywords
- target
- lane
- obstacle
- determining
- position information
- 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
- 238000012545 processing Methods 0.000 claims abstract description 18
- 230000011218 segmentation Effects 0.000 claims description 18
- 230000008859 change Effects 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 12
- 238000013473 artificial intelligence Methods 0.000 abstract description 3
- 238000010276 construction Methods 0.000 description 46
- 238000010586 diagram Methods 0.000 description 16
- 230000008569 process Effects 0.000 description 12
- 238000004891 communication Methods 0.000 description 9
- 238000013145 classification model Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
-
- 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
- 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
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
-
- 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
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Traffic Control Systems (AREA)
Abstract
本公开提供了一种目标区域的识别方法、装置、设备和存储介质，涉及人工智能技术领域，具体涉及大数据、图像处理、高精地图、自动驾驶等技术领域。目标区域的识别方法包括：基于目标道路上的车道级轨迹数据，确定所述目标道路上的目标路段；基于所述目标路段的目标图像，确定所述目标道路上的目标区域所在的目标车道；确定所述目标图像中的目标障碍物的位置信息，并基于所述目标障碍物的位置信息确定所述目标区域的位置信息；基于所述目标车道和所述目标区域的位置信息，确定所述目标区域。本公开可以提高识别精准度。
Description
技术领域
本公开涉及人工智能技术领域，具体涉及大数据、图像处理、高精地图、自动驾驶等技术领域，尤其涉及一种目标区域的识别方法、装置、设备和存储介质。
背景技术
道路施工时，会出现部分车道被占用导致目标区域不可通行，如果可以提前给导航用户播报提醒、引导用户提前避开目标区域，可以提升用户的导航体验。除了导航应用，在自动驾驶方向，也需要提前发现施工、为自动改变车道提供决策依据，降低自动驾驶中的人工接管率，提升自动驾驶的安全性。
如何精准地识别目标区域是需要解决的问题。
发明内容
本公开提供了一种目标区域的识别方法、装置、设备和存储介质。
根据本公开的一方面，提供了一种目标区域的识别方法，包括：基于目标道路上的车道级轨迹数据，确定所述目标道路上的目标路段；基于所述目标路段的目标图像，确定所述目标道路上的目标区域所在的目标车道；确定所述目标图像中的目标障碍物的位置信息，并基于所述目标障碍物的位置信息确定所述目标区域的位置信息；基于所述目标车道和所述目标区域的位置信息，确定所述目标区域。
根据本公开的另一方面，提供了一种目标区域的识别装置，包括：路段确定模块，用于基于目标道路上的车道级轨迹数据，确定所述目标道路上的目标路段；车道确定模块，用于基于所述目标路段的目标图像，确定所述目标道路上的目标区域所在的目标车道；位置确定模块，用于确定所述目标图像中的目标障碍物的位置信息，并基于所述目标障碍物的位置信息确定所述目标区域的位置信息；识别模块，用于基于所述目标车道和所述目标区域的位置信息，确定所述目标区域。
根据本公开的另一方面，提供了一种电子设备，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如上述任一方面的任一项所述的方法。
根据本公开的另一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据上述任一方面的任一项所述的方法。
根据本公开的另一方面，提供了一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据上述任一方面的任一项所述的方法。
根据本公开的技术方案，可以提高识别精准度。
应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案，不构成对本公开的限定。其中：
图1是根据本公开第一实施例的示意图；
图2是根据本公开实施例提供的应用场景的示意图；
图3是根据本公开第二实施例的示意图；
图4是根据本公开实施例提供的轨迹和轨迹线的示意图；
图5是根据本公开实施例提供的车道级轨迹数据的示意图；
图6是根据本公开实施例提供的车道变化点的示意图；
图7是根据本公开实施例提供的基于图像确定目标车道的示意图；
图8是根据本公开实施例提供的基于图像确定障碍物位置的示意图；
图9是根据本公开第三实施例的示意图；
图10是根据本公开第四实施例的示意图；
图11是用来实现本公开实施例的目标区域的识别方法的电子设备的示意图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
图1是根据本公开第一实施例的示意图，本实施例提供一种目标区域的识别方法，该方法包括：
101、基于目标道路上的车道级轨迹数据，确定所述目标道路上的目标路段。
102、基于所述目标路段的目标图像，确定所述目标道路上的目标区域所在的目标车道。
103、确定所述目标图像中的目标障碍物的位置信息，并基于所述目标障碍物的位置信息确定所述目标区域的位置信息。
104、基于所述目标车道和所述目标区域的位置信息，确定所述目标区域。
其中，目标道路是指待处理的道路，以识别待处理的道路上是否存在目标区域。例如，可以根据分析人员的需要选择地图上的一条或多条道路作为目标道路。
目标区域，是指待识别的区域，目标区域可以是施工区域，或者，交警管制区域等。
轨迹数据，是指车辆行驶过程中的时空数据。
车道级轨迹数据，是指轨迹数据的定位精度是车道级别的。相对应地，普通轨迹数据的定位精度是道路级别的。即，基于普通轨迹数据只能够区分出车辆行驶的道路，而基于车道级轨迹数据能够区分出车辆行驶于道路上的哪条车道。例如，普通轨迹数据的定位精度是5-10m，车道级轨迹数据的定位精度小于1m。
具体可以从高精地图数据中获得车道级轨迹数据。
目标路段，是指目标道路上的待处理路段。以识别施工区域为例，基于车道级轨迹数据可以确定疑似施工区域，疑似施工区域所在路段即为目标路段。
目标图像，是指目标路段对应的图像，例如，车辆行驶到目标路段后可以采集对应路段上的道路图像作为目标图像。
目标道路可以包括多个车道，目标车道，是指目标区域所在的车道，以目标区域是施工区域为例，目标车道为施工区域所在的车道。
目标障碍物，是指目标区域相关的障碍物，以目标区域是施工区域为例，目标障碍物例如包括：锥筒、警示牌、施工人员等。
本实施例中，整体上是结合了车道级轨迹数据和图像进行目标区域的识别，可以提高识别的精准度。另外，由于车道级轨迹数据的精度较高，基于车道级轨迹数据确定目标路段，可以提高目标路段的精准度，进而提高目标区域识别的精准度。
为了更好地理解本公开实施例，下面对本公开实施例适用的应用场景进行说明。本实施例以目标区域为施工区域为例。
如图2所示，以导航应用为例，终端设备201上可以安装地图类应用程序(Application，APP)，通过该APP可以为用户提供导航服务。终端设备例如为移动设备(如手机)、车载终端、可穿戴式设备等。服务器可以基于车道级轨迹数据和图像，识别出施工区域。服务器可以为本地服务器或者云端服务器，可以为单一服务器或集群服务器。终端设备与服务器可以通过有线网络和/或无线网络进行通信。
服务器基于车道级轨迹数据和图像进行识别处理后，可以识别出施工区域，并将施工区域绘制在地图上。终端设备通过地图展示施工区域，还可以通过扬声器等语音播放装置播放提示语音，以在导航过程中及时提醒用户避开目标区域。
本实施例的施工区域可以是车道级的，即可以识别出道路上是否存在施工区域，施工区域位于哪条车道上，施工区域的起止点等。
结合上述的应用场景，本公开还提供一种目标区域的识别方法。
图3是根据本公开第二实施例的示意图，本实施例提供一种目标区域识别方法，该方法包括：
301、采用预先训练的预测模型，对车道级数据进行处理，以确定疑似区域，并将所述疑似区域所在的路段作为所述目标路段。
其中，轨迹，是指车辆行驶的位置，如图4所示，箭头的位置即为轨迹。
轨迹线，是指车辆行驶的连续轨迹连起来组成的线条，如图4所示，箭头连起来组成轨迹线。
车道级轨迹数据具体可以包括：轨迹中心线、轨迹宽度、轨迹边界和轨迹车道变化点。
轨迹中心线：一条道路的众多轨迹线(如图5所示的一系列线条)形成一个轨迹区域，这个区域中心即轨迹中心线，如图5所示。
轨迹宽度：轨迹区域剔除离群点后形成的宽度叫做轨迹宽度，如图5所示。
轨迹边界：包括轨迹左边界和轨迹右边界，左右指轨迹行驶方向的左右，即轨迹区域最边上的界限，如图5所示。
轨迹车道变化点：轨迹所在车道发生变更的点，如图6所示。
上述的车道级轨迹数据可以基于高精地图数据获取。
以识别施工区域为例，疑似区域也可以称为疑似施工区域，是指基于车道级轨迹数据初步确定出的施工区域。
具体地，可以预先训练预测模型，该预测模型为深度神经网络模型，其输入为车道级轨迹数据，输出为预测的施工车道和施工起止点，即疑似施工区域的信息。
预测模型例如为极致梯度提升(ExtremeGradientBoosting，xgboost)模型。
通过预测模型获得疑似施工区域的信息后，可以将疑似施工区域所在的路段作为目标路段。
本实施例中，通过采用预测模型对车道级数据进行处理，以确定疑似区域，可以获得较为精准的疑似区域，进而提升目标路段的准确度。
302、对所述目标路段的目标图像进行语义分割处理，以获得所述语义分割图，所述语义分割图包括：障碍物区域、车道线区域和路面区域。
目标图像是指目标路段的图像，可以通过车辆的摄像头或第三方设备(如行车记录仪)获得目标图像。
以车辆采集目标图像为例，当车辆行驶到目标路段后，可以启动车辆上的摄像头采集目标路段的目标图像。目标图像可以为一个或多个，多个目标图像组成图像序列。
其中，语义分割处理结合了图像分类、目标检测和图像分割，通过一定的方法将图像分割成具有一定语义含义的区域，并识别出每个区域的语义类别。
如图7所示，可以采用语义分割模型(如deeplabV3+)对输入的目标图像(采集图像)进行处理，输出语义分割图。
本实施例中，语义分割图主要包括三个区域：车道线区域、路面区域、障碍物(如锥筒)区域，不同区域在语义分割图中可以由不同颜色的像素组成。
303、确定所述障碍物区域内的障碍物的类型和位置，确定所述车道线区域内的车道线的类别和位置，以及，基于所述路面区域确定路面连通域。
针对障碍物区域，通过语义分割处理可以获得障碍物的类型(如锥筒)和位置(绝对位置)。
针对车道线区域，通过语义分割处理可以获得车道线的位置(绝对位置)。另外，可以基于车道线区域对应的位置信息，在目标图像中提取出车道线区域的图像，并将车道线区域的图像输入到分类模型中，分类模型的输出为车道线的类别，车道线的类别包括：白实线或者白虚线。
分类模型也是预先训练的深度神经网络模型，例如为Resnet50模型。
针对路面区域，可以基于路面区域对应的位置信息，在目标图像中提取出路面区域的图像，并对路面区域的图像进行连通域计算，得到路面连通域。
304、基于所述障碍物的类型和位置、所述车道线的类别和位置以及所述路面连通域，确定目标车道。
其中，获得上述信息后，可以对上述信息进行融合策略判断，以确定目标车道。
具体地，基于障碍物的类型可以确定障碍物是否为目标障碍物，目标障碍物是指与目标区域对应的障碍物。以目标区域是施工区域为例，目标障碍物是指与施工相关的障碍物，如锥筒、警示牌、施工人员等。
若障碍物属于目标障碍物，则可以判断目标障碍物的位置是否位于路面连通域的范围内，若位于，则表明目标障碍物位于路面内，进一步可以基于目标障碍物的位置和车道线的位置，计算目标障碍物与车道线的距离(相对位置)，再基于该距离和车道线的类别确定目标车道。例如，某条车道线的类别是白实线，目标障碍物与该白实线的距离较近(小于某个预设值)，则表明目标障碍物不影响车辆行驶，则不认为此时的目标障碍物所在车道为目标车道。或者，若基于上述的距离确定目标障碍物位于某个白实线的车道线与某个白虚线的车道线之间(如与这两条车道线的距离基本相等)，则目标障碍物会影响车辆行驶，此时的目标障碍物所在车道为目标车道。如图7所示，通过融合策略判断，确定左2为目标车道(施工车道)。
本实施例中，基于所述障碍物的类型和位置、所述车道线的类别和位置以及所述路面连通域，确定所述目标车道，由于融合了多种信息，可以提高目标车道的识别准确度。
305、基于所述目标图像对应的深度图像，确定所述目标图像中的目标障碍物的位置信息。
其中，深度图像的每个像素值表示场景中某点与摄像机的距离。
通过深度图采集装置，或者对目标图像进行转换，可以得到目标图像对应的深度图像。
目标障碍物，是指与目标区域相关的障碍物，以目标区域为施工区域为例，目标障碍物可以包括：锥筒、警示牌、施工人员等。
深度图像中的每个像素值表明对应点与采集点(如摄像机)的距离信息，针对目标障碍物，可以获得深度图像中的目标障碍物对应的像素值，作为目标障碍物的位置信息，该位置信息具体为该目标障碍物与车辆的当前位置之间的距离信息。
本实施例中，由于深度图像可以反映较为精准的位置信息，因此，基于深度图像获得目标障碍物的位置信息，可以提高位置信息的准确度。
306、基于所述目标障碍物的位置信息确定所述目标区域的位置信息。
其中，可以将所述目标障碍物的位置信息，作为所述目标区域的位置信息；或者，基于所述目标障碍物的位置信息和所述车道级轨迹数据中的车道变化点，确定所述目标区域的位置信息。
上述的目标障碍物的位置信息可以是同一个目标图像中的多个目标障碍物的位置，例如，以目标区域是施工区域为例，每个目标障碍物的位置信息可以作为一个施工点的位置信息，目标障碍物(如锥筒)通常为多个，多个目标障碍物的位置信息可以组成目标区域的位置信息。或者，
如图8所示，可以采集多个目标图像，组成图像序列，同一个目标障碍物在图像序列的不同图像中对应不同的位置信息，基于该不同图像内的位置信息也可以组成目标区域的位置信息。
另外，还可以将目标障碍物的位置信息作为目标区域的初始位置信息后，还可以采用车道变化点对该初始位置信息进行调整，以获得最终的目标区域的位置信息，例如，对车道变化点进行聚类处理，将聚类中心点的位置信息分别作为目标区域的起止点。聚类处理例如采用基于密度的聚类算法(Density-BasedSpatialClusteringofApplicationswithNoise，dbscan)。
另外，还可以基于车道变化点的聚类结果对上述确定的目标车道进行调整，以确定最终的目标车道。
本实施例中，通过目标障碍物的位置信息，或者目标障碍物的位置信息和车道变化点，确定目标区域的位置信息，可以提高目标区域的位置信息的精准度，进而提高目标区域识别的精准度。
307、基于所述目标车道和所述目标区域的位置信息，确定所述目标区域。
其中，目标车道表明目标区域所在的车道，目标区域的位置信息表明对应的位置，即远近信息，因此，基于该目标车道和位置信息可以确定目标区域，如施工区域位于哪个车道上，以及该施工区域在该车道上的具体位置。
另外，确定出目标区域后，可以将目标区域绘制在电子地图上，并通过电子地图展示给用户，如图8所示，以供用户导航应用。或者，还可以应用在自动驾驶的自动变道场景下，提升自动驾驶的安全性。
本实施例中，通过将目标区域绘制在电子地图上，可以及时地将目标区域展示给用户，提高时效性，提升用户体验。
本实施例中，由于车道级轨迹数据是高精度的数据，基于该高精度的数据和图像挖掘施工区域，可以精确地判断是否是占道施工，并确认施工所在车道以及具体位置，即识别出施工区域。一方面，结合路网信息，可以在电子地图上绘制施工区域，在用户导航过程中对用户进行及时的提醒，提升用户体验；另一方面，在自动驾驶过程中，可以支撑做出对应的行驶决策，提高自动驾驶安全性。
图9是根据本公开第三实施例的示意图，本实施例提供一种目标区域的识别装置，该装置900包括：路段确定模块901、车道确定模块902、位置确定模块903和识别模块904。
路段确定模块901用于基于目标道路上的车道级轨迹数据，确定所述目标道路上的目标路段；车道确定模块902用于基于所述目标路段的目标图像，确定所述目标道路上的目标区域所在的目标车道；位置确定模块903用于确定所述目标图像中的目标障碍物的位置信息，并基于所述目标障碍物的位置信息确定所述目标区域的位置信息；识别模块904用于基于所述目标车道和所述目标区域的位置信息，确定所述目标区域。
本实施例中，整体上是结合了车道级轨迹数据和图像进行目标区域的识别，可以提高识别的精准度。另外，由于车道级轨迹数据的精度较高，基于车道级轨迹数据确定目标路段，可以提高目标路段的精准度，进而提高目标区域识别的精准度。
一些实施例中，所述路段确定模块901进一步用于：采用预先训练的预测模型，对所述车道级数据进行处理，以确定疑似区域；将所述疑似区域所在的路段作为所述目标路段。
本实施例中，通过采用预测模型对车道级数据进行处理，以确定疑似区域，可以获得较为精准的疑似区域，进而提升目标路段的准确度。
一些实施例中，所述车道确定模块902进一步用于：对所述目标图像进行语义分割处理，以获得所述语义分割图，所述语义分割图包括：障碍物区域、车道线区域和路面区域；确定所述障碍物区域内的障碍物的类型和位置，确定所述车道线区域内的车道线的类别和位置，以及，基于所述路面区域确定路面连通域；基于所述障碍物的类型和位置、所述车道线的类别和位置以及所述路面连通域，确定所述目标车道。
本实施例中，基于所述障碍物的类型和位置、所述车道线的类别和位置以及所述路面连通域，确定所述目标车道，由于融合了多种信息，可以提高目标车道的识别准确度。
一些实施例中，所述位置确定模块903进一步用于：获取所述目标图像对应的深度图像；基于所述深度图像，获取所述目标障碍物的位置信息。
本实施例中，由于深度图像可以反映较为精准的位置信息，因此，基于深度图像获得目标障碍物的位置信息，可以提高位置信息的准确度。
一些实施例中，所述位置确定模块903进一步用于：将所述目标障碍物的位置信息，作为所述目标区域的位置信息；或者，基于所述目标障碍物的位置信息和所述车道级轨迹数据中的车道变化点，确定所述目标区域的位置信息。
本实施例中，通过目标障碍物的位置信息，或者目标障碍物的位置信息和车道变化点，确定目标区域的位置信息，可以提高目标区域的位置信息的精准度，进而提高目标区域识别的精准度。
图10是根据本公开第四实施例的示意图，本实施例提供一种目标区域识别模型的识别装置，该装置1000包括：路段确定模块1001、车道确定模块1002、位置确定模块1003和识别模块1004，还包括：展示模块1005。
关于路段确定模块1001、车道确定模块1002、位置确定模块1003和识别模块1004的说明可以参见上一实施例。
展示模块1005用于将所述目标区域绘制在电子地图上，并通过电子地图展示给用户。
本实施例中，通过将目标区域绘制在电子地图上，可以及时地将目标区域展示给用户，提高时效性，提升用户体验。
本实施例中，由于车道级轨迹数据是高精度的数据，基于该高精度的数据和图像挖掘施工区域，可以精确地判断是否是占道施工，并确认施工所在车道以及具体位置，即识别出施工区域。一方面，结合路网信息，可以在电子地图上绘制施工区域，在用户导航过程中对用户进行及时的提醒，提升用户体验；另一方面，在自动驾驶过程中，可以支撑做出对应的行驶决策，提高自动驾驶安全性。
可以理解的是，本公开实施例中，不同实施例中的相同或相似内容可以相互参考。
可以理解的是，本公开实施例中的“第一”、“第二”等只是用于区分，不表示重要程度高低、时序先后等。
本公开的技术方案中，所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理，均符合相关法律法规的规定，且不违背公序良俗。
根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图11示出了可以用来实施本公开的实施例的示例电子设备1100的示意性框图。电子设备1100旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备1100还可以表示各种形式的移动装置，诸如，个人数字助理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图11所示，电子设备1100包括计算单元1101，其可以根据存储在只读存储器(ROM)1102中的计算机程序或者从存储单元11011加载到随机访问存储器(RAM)1103中的计算机程序，来执行各种适当的动作和处理。在RAM1103中，还可存储电子设备1100操作所需的各种程序和数据。计算单元1101、ROM1102以及RAM1103通过总线1104彼此相连。输入/输出(I/O)接口1105也连接至总线1104。
电子设备1100中的多个部件连接至I/O接口1105，包括：输入单元1106，例如键盘、鼠标等；输出单元1107，例如各种类型的显示器、扬声器等；存储单元1108，例如磁盘、光盘等；以及通信单元1109，例如网卡、调制解调器、无线通信收发机等。通信单元1109允许电子设备1100通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元1101可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元1101的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元1101执行上文所描述的各个方法和处理，例如目标区域的识别方法。例如，在一些实施例中，目标区域的识别方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元1108。在一些实施例中，计算机程序的部分或者全部可以经由ROM1102和/或通信单元1109而被载入和/或安装到电子设备1100上。当计算机程序加载到RAM1103并由计算单元1101执行时，可以执行上文描述的目标区域的识别方法的一个或多个步骤。备选地，在其他实施例中，计算单元1101可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行目标区域的识别方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统(SOC)、复杂可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程负载均衡装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务("VirtualPrivate Server"，或简称"VPS")中，存在的管理难度大，业务扩展性弱的缺陷。服务器也可以为分布式系统的服务器，或者是结合了区块链的服务器。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。
Claims (15)
1.一种目标区域的识别方法，包括：
基于目标道路上的车道级轨迹数据，确定所述目标道路上的目标路段；
基于所述目标路段的目标图像，确定所述目标道路上的目标区域所在的目标车道；
确定所述目标图像中的目标障碍物的位置信息，并基于所述目标障碍物的位置信息确定所述目标区域的位置信息；
基于所述目标车道和所述目标区域的位置信息，确定所述目标区域。
2.根据权利要求1所述的方法，其中，所述基于目标道路上的车道级轨迹数据，确定所述目标道路上的目标路段，包括：
采用预先训练的预测模型，对所述车道级数据进行处理，以确定疑似区域；
将所述疑似区域所在的路段作为所述目标路段。
3.根据权利要求1所述的方法，其中，所述基于所述目标路段的目标图像，确定所述目标道路上的目标区域所在的目标车道，包括：
对所述目标图像进行语义分割处理，以获得所述语义分割图，所述语义分割图包括：障碍物区域、车道线区域和路面区域；
确定所述障碍物区域内的障碍物的类型和位置，确定所述车道线区域内的车道线的类别和位置，以及，基于所述路面区域确定路面连通域；
基于所述障碍物的类型和位置、所述车道线的类别和位置以及所述路面连通域，确定所述目标车道。
4.根据权利要求1所述的方法，其中，所述确定所述目标图像中的目标障碍物的位置信息，包括：
获取所述目标图像对应的深度图像；
基于所述深度图像，获取所述目标障碍物的位置信息。
5.根据权利要求1所述的方法，其中，所述基于所述目标障碍物的位置信息确定所述目标区域的位置信息，包括：
将所述目标障碍物的位置信息，作为所述目标区域的位置信息；或者，
基于所述目标障碍物的位置信息和所述车道级轨迹数据中的车道变化点，确定所述目标区域的位置信息。
6.根据权利要求1-5任一项所述的方法，还包括：
将所述目标区域绘制在电子地图上，并通过电子地图展示给用户。
7.一种目标区域的识别装置，包括：
路段确定模块，用于基于目标道路上的车道级轨迹数据，确定所述目标道路上的目标路段；
车道确定模块，用于基于所述目标路段的目标图像，确定所述目标道路上的目标区域所在的目标车道；
位置确定模块，用于确定所述目标图像中的目标障碍物的位置信息，并基于所述目标障碍物的位置信息确定所述目标区域的位置信息；
识别模块，用于基于所述目标车道和所述目标区域的位置信息，确定所述目标区域。
8.根据权利要求7所述的装置，其中，所述路段确定模块进一步用于：
采用预先训练的预测模型，对所述车道级数据进行处理，以确定疑似区域；
将所述疑似区域所在的路段作为所述目标路段。
9.根据权利要求7所述的装置，其中，所述车道确定模块进一步用于：
对所述目标图像进行语义分割处理，以获得所述语义分割图，所述语义分割图包括：障碍物区域、车道线区域和路面区域；
确定所述障碍物区域内的障碍物的类型和位置，确定所述车道线区域内的车道线的类别和位置，以及，基于所述路面区域确定路面连通域；
基于所述障碍物的类型和位置、所述车道线的类别和位置以及所述路面连通域，确定所述目标车道。
10.根据权利要求7所述的装置，其中，所述位置确定模块进一步用于：
获取所述目标图像对应的深度图像；
基于所述深度图像，获取所述目标障碍物的位置信息。
11.根据权利要求7所述的装置，其中，所述位置确定模块进一步用于：
将所述目标障碍物的位置信息，作为所述目标区域的位置信息；或者，
基于所述目标障碍物的位置信息和所述车道级轨迹数据中的车道变化点，确定所述目标区域的位置信息。
12.根据权利要求7-11任一项所述的装置，还包括：
展示模块，用于将所述目标区域绘制在电子地图上，并通过电子地图展示给用户。
13.一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-6中任一项所述的方法。
14.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据权利要求1-6中任一项所述的方法。
15.一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据权利要求1-6中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310264799.4A CN116434166A (zh) | 2023-03-14 | 2023-03-14 | 目标区域的识别方法、装置、设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310264799.4A CN116434166A (zh) | 2023-03-14 | 2023-03-14 | 目标区域的识别方法、装置、设备和存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116434166A true CN116434166A (zh) | 2023-07-14 |
Family
ID=87078793
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310264799.4A Pending CN116434166A (zh) | 2023-03-14 | 2023-03-14 | 目标区域的识别方法、装置、设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116434166A (zh) |
-
2023
- 2023-03-14 CN CN202310264799.4A patent/CN116434166A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20210302585A1 (en) | Smart navigation method and system based on topological map | |
| US11741726B2 (en) | Lane line detection method, electronic device, and computer storage medium | |
| US20220092874A1 (en) | Method and apparatus of determining vehicle queuing information, roadside device and cloud control platform | |
| CN114677570B (zh) | 道路信息更新方法、装置、电子设备以及存储介质 | |
| CN113177497B (zh) | 视觉模型的训练方法、车辆识别方法及装置 | |
| CN113392793A (zh) | 用于识别车道线的方法、装置、设备、存储介质以及无人车 | |
| CN115410173B (zh) | 多模态融合的高精地图要素识别方法、装置、设备及介质 | |
| CN115424231B (zh) | 信息处理方法及装置、电子设备、存储介质及产品 | |
| CN113119999B (zh) | 自动驾驶特征的确定方法、装置、设备、介质及程序产品 | |
| KR20220054258A (ko) | 교통 신호등의 인식 방법과 인식 장치, 전자 기기, 노변 장치, 클라우드 제어 플랫폼, 차량 인프라 협력 시스템, 저장 매체 및 컴퓨터 프로그램 | |
| CN116264038A (zh) | 信号灯控制方法及装置、电子设备和存储介质 | |
| CN113052047B (zh) | 交通事件的检测方法、路侧设备、云控平台及系统 | |
| CN113591569A (zh) | 障碍物检测方法、装置、电子设备以及存储介质 | |
| CN112699773A (zh) | 交通灯识别方法、装置及电子设备 | |
| CN114724113B (zh) | 道路标牌识别方法、自动驾驶方法、装置和设备 | |
| CN114998863B (zh) | 目标道路识别方法、装置、电子设备以及存储介质 | |
| CN112069899A (zh) | 一种路肩检测方法、装置及存储介质 | |
| CN116434166A (zh) | 目标区域的识别方法、装置、设备和存储介质 | |
| CN115973190A (zh) | 自动驾驶车辆的决策方法、装置和电子设备 | |
| CN116485837A (zh) | 一种目标跟踪方法、介质以及电子设备 | |
| CN114863285B (zh) | 识别目标道路的方法、装置、设备以及存储介质 | |
| CN113806361B (zh) | 电子监控设备与道路的关联方法、装置及存储介质 | |
| CN112507951B (zh) | 指示灯识别方法、装置、设备、路侧设备和云控平台 | |
| CN114565905A (zh) | 车道线的提取方法、装置和电子设备 | |
| CN118882622A (zh) | 车道级数据更新方法、装置、设备、可读存储介质及产品 |
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 |