Nothing Special   »   [go: up one dir, main page]

CN116721396A - 车道线检测方法、设备及存储介质 - Google Patents

车道线检测方法、设备及存储介质 Download PDF

Info

Publication number
CN116721396A
CN116721396A CN202310739916.8A CN202310739916A CN116721396A CN 116721396 A CN116721396 A CN 116721396A CN 202310739916 A CN202310739916 A CN 202310739916A CN 116721396 A CN116721396 A CN 116721396A
Authority
CN
China
Prior art keywords
lane line
lane
fitting
points
scene graph
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
Application number
CN202310739916.8A
Other languages
English (en)
Inventor
徐显杰
薛英
于彬
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Suoto Hangzhou Automotive Intelligent Equipment Co Ltd
Tianjin Soterea Automotive Technology Co Ltd
Original Assignee
Suoto Hangzhou Automotive Intelligent Equipment Co Ltd
Tianjin Soterea Automotive Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Suoto Hangzhou Automotive Intelligent Equipment Co Ltd, Tianjin Soterea Automotive Technology Co Ltd filed Critical Suoto Hangzhou Automotive Intelligent Equipment Co Ltd
Priority to CN202310739916.8A priority Critical patent/CN116721396A/zh
Publication of CN116721396A publication Critical patent/CN116721396A/zh
Pending legal-status Critical Current

Links

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
    • G06V10/26—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
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • 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
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • 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
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
    • 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
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/70—Labelling scene content, e.g. deriving syntactic or semantic representations
    • 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)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供车道线检测方法、设备及存储介质，该方法包括：将获取到的车道线场景图输入至预先训练的车道线网络检测模型中，并对得到的结果进行拟合处理，得到第一车道线信息，其中，车道线网络检测模型用于输出车道线场景图中的车道线的关键点；将获取到的车道线场景图输入至预先训练的车道线语义分割模型中，并对得到的结果进行提取和拟合处理，得到第二车道线信息；对第一车道线信息和第二车道线信息进行融合处理，确定车道线场景图对应的车道线信息。本发明提供的车道线检测方法可以提高车道线检测的准确度。

Description

车道线检测方法、设备及存储介质
技术领域
本发明涉及智能驾驶技术领域，尤其涉及一种车道线检测方法、设备及存储介质。
背景技术
随着智能驾驶技术的发展，车道线检测已成为汽车辅助驾驶和无人驾驶的其中一个重要的基础功能，准确地检测和识别车道线是进行车道偏离预警、车道保持、变道等功能的重要前提。
目前的车道线检测方法主要是在经过语义分割模型进行检测后，还需要对检测后的结果进行后处理，最后对后处理后的结果进行拟合处理后才能得到车道线。
然而，目前的检测方法会存在丢失车道线以及预测不准确的情况，如何提高车道线的检测准确度，成为目前亟需解决的技术问题。
发明内容
本发明实施例提供了一种车道线检测方法、设备及存储介质，以解决目前车道线检测准确度较低的问题。
第一方面，本发明实施例提供了一种车道线检测方法，包括：
将获取到的车道线场景图输入至预先训练的车道线网络检测模型中，并对得到的结果进行拟合处理，得到第一车道线信息，其中，车道线网络检测模型用于输出车道线场景图中的车道线的关键点；
将获取到的车道线场景图输入至预先训练的车道线语义分割模型中，并对得到的结果进行提取和拟合处理，得到第二车道线信息，其中，车道线语义分割模型用于对车道线场景图中的所有像素点进行分类；
对第一车道线信息和第二车道线信息进行融合处理，确定车道线场景图对应的车道线信息。
在一种可能的实现方式中，对第一车道线信息和第二车道线信息进行融合处理，确定车道线场景图对应的车道线信息，包括：
基于第一车道线信息和第二车道线信息中所有车道线在世界坐标系下距离拍摄车道线场景图的摄像头的距离，对所有车道线进行排序；
当相邻两条车道线之间的距离小于第一预设距离时，基于相邻两条车道线各自的置信度，确定需要删除的车道线；
从第一车道线信息和第二车道线信息中将需要删除的车道线删除，得到车道线场景图对应的车道线信息。
在一种可能的实现方式中，相邻两条车道线各自的置信度包括每条车道线在拟合时点的个数的置信度和/或点的拟合残差的置信度。
在一种可能的实现方式中，点的拟合残差的置信度包括车道线场景图中的点进行拟合时的拟合残差的置信度和/或世界坐标下的点进行拟合时的拟合残差的置信度。
在一种可能的实现方式中，将获取到的车道线场景图输入至预先训练的车道线语义分割模型中，并对得到的结果进行提取和拟合处理，得到第二车道线信息，包括：
将车道线场景图输入至车道线语义分割模型中，并对得到的车道线语义标签图进行轮廓提取，得到车道线的轮廓；
基于车道线的轮廓和车道线网络检测模型输出的关键点，确定用于拟合第二车道线信息的拟合点；
对进行世界坐标转换后的第二车道线信息的拟合点进行拟合处理，得到第二车道线信息。
在一种可能的实现方式中，基于车道线的轮廓和车道线网络检测模型输出的关键点，确定用于拟合第二车道线信息的拟合点，包括：
对车道线的轮廓进行合并处理，得到处理轮廓线；
基于处理轮廓线上的像素点和车道线网络检测模型输出的关键点，将处理轮廓线上的像素点与车道线网络检测模型输出的关键点的位置重合时的点，设定为第二车道线信息的拟合点。
在一种可能的实现方式中，基于车道线的轮廓和车道线网络检测模型输出的关键点，确定用于拟合第二车道线信息的拟合点之前，还包括：
对车道线的轮廓进行分组，基于目标分组内的轮廓线与其它分组内的轮廓线在Y方向上的重合度，以及目标分组内的轮廓线与其它分组内的轮廓线的拟合线之间的距离，确定目标分组内的轮廓线是否合并到其它分组内。
在一种可能的实现方式中，将获取到的车道线场景图输入至预先训练的车道线网络检测模型中，并对得到的结果进行拟合处理，得到第一车道线信息，包括：
基于车道线网络检测模型输出的关键点、以及第一灭点的坐标，将关键点进行世界坐标转换，其中，第一灭点为车道线网络检测模型输出的图像上的车道线的聚合点；
对进行世界坐标转换后的关键点进行拟合处理，得到第一车道线信息。
第二方面，本发明实施例提供了一种车道线检测装置，包括：
第一获取模块，用于将获取到的车道线场景图输入至预先训练的车道线网络检测模型中，并对得到的结果进行拟合处理，得到第一车道线信息，其中，车道线网络检测模型用于输出车道线场景图中的车道线的关键点；
第二获取模块，用于将获取到的车道线场景图输入至预先训练的车道线语义分割模型中，并对得到的结果进行提取和拟合处理，得到第二车道线信息，其中，车道线语义分割模型用于对车道线场景图中的所有像素点进行分类；
确定模块，用于对第一车道线信息和第二车道线信息进行融合处理，确定车道线场景图对应的车道线信息。
在一种可能的实现方式中，确定模块，用于基于第一车道线信息和第二车道线信息中所有车道线在世界坐标系下距离拍摄车道线场景图的摄像头的距离，对所有车道线进行排序；
当相邻两条车道线之间的距离小于第一预设距离时，基于相邻两条车道线各自的置信度，确定需要删除的车道线；
从第一车道线信息和第二车道线信息中将需要删除的车道线删除，得到车道线场景图对应的车道线信息。
在一种可能的实现方式中，相邻两条车道线各自的置信度包括每条车道线在拟合时点的个数的置信度和/或点的拟合残差的置信度。
在一种可能的实现方式中，点的拟合残差的置信度包括车道线场景图中的点进行拟合时的拟合残差的置信度和/或世界坐标下的点进行拟合时的拟合残差的置信度。
在一种可能的实现方式中，第二获取模块，用于将车道线场景图输入至车道线语义分割模型中，并对得到的车道线语义标签图进行轮廓提取，得到车道线的轮廓；
基于车道线的轮廓和车道线网络检测模型输出的关键点，确定用于拟合第二车道线信息的拟合点；
对进行世界坐标转换后的第二车道线信息的拟合点进行拟合处理，得到第二车道线信息。
在一种可能的实现方式中，第二获取模块，用于对车道线的轮廓进行合并处理，得到处理轮廓线；
基于处理轮廓线上的像素点和车道线网络检测模型输出的关键点，将处理轮廓线上的像素点与车道线网络检测模型输出的关键点的位置重合时的点，设定为第二车道线信息的拟合点。
在一种可能的实现方式中，第二获取模块，用于对车道线的轮廓进行分组，基于目标分组内的轮廓线与其它分组内的轮廓线在Y方向上的重合度，以及目标分组内的轮廓线与其它分组内的轮廓线的拟合线之间的距离，确定目标分组内的轮廓线是否合并到其它分组内。
在一种可能的实现方式中，第一获取模块，用于基于车道线网络检测模型输出的关键点、以及第一灭点的坐标，将关键点进行世界坐标转换，其中，第一灭点为车道线网络检测模型输出的图像上的车道线的聚合点；
对进行世界坐标转换后的关键点进行拟合处理，得到第一车道线信息。
第三方面，本发明实施例提供了一种电子设备，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如上第一方面或第一方面的任一种可能的实现方式所述方法的步骤。
第四方面，本发明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如上第一方面或第一方面的任一种可能的实现方式所述方法的步骤。
本发明实施例提供一种车道线检测方法、设备及存储介质，首先，将获取到的车道线场景图输入至预先训练的车道线网络检测模型中，并对得到的结果进行拟合处理，得到第一车道线信息。然后，将获取到的车道线场景图输入至预先训练的车道线语义分割模型中，并对得到的结果进行提取和拟合处理，得到第二车道线信息。最后，对第一车道线信息和第二车道线信息进行融合处理，确定车道线场景图对应的车道线信息。
本发明通过采用两种不同类型的车道线检测模型对获取到的车道线场景图进行检测，并对两个模型各自输出的结果进行融合处理，从而可以更加准确地确定车道线，可以避免单一车道线检测模型由于后期数据处理结果不准确导致的车道线丢失或预测不准确的问题，从而提高自动驾驶的稳定性即安全性。
附图说明
为了更清楚地说明本发明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发明的一些实施例，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是本发明实施例提供的车道线检测方法的实现流程图；
图2是本发明实施例提供的车道线检测方法的框图；
图3是本发明实施例提供的轮廓提取的框图；
图4是本发明实施例提供的轮廓合并的框图；
图5是本发明实施例提供的车道线检测装置的结构示意图；
图6是本发明实施例提供的电子设备的示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图通过具体实施例来进行说明。
正如背景技术中所描述的，目前大部分使用单一的车道线检测模型对车道线进行检测，但是在检测的过程中会出现预测不准确，如丢失车道线或车道线粘连的问题，导致车道线检测结果的准确性降低，从而无法有效地对车辆进行定位，保证车辆的行驶安全。
为了解决现有技术问题，本发明实施例提供了一种车道线检测方法、设备及存储介质。下面首先对本发明实施例所提供的车道线检测方法进行介绍。
本发明既可以适用于乘用车，也可以适用于商用车，参见图1和图2，其示出了本发明实施例提供的方法的实现流程图，详述如下：
步骤S110、将获取到的车道线场景图输入至预先训练的车道线网络检测模型中，并对得到的结果进行拟合处理，得到第一车道线信息。
车道线场景图为包含车道线的道路场景图，具体可以通过安装在车辆上的摄像头或雷达装置在车辆行驶过程中针对前方道路拍摄得到的。
车道线网络检测模型用于输出车道线场景图中的车道线的关键点，该车道线网络检测模型是使用大量的标注有关键点的车道线场景图训练得到的。
在一些实施例中，可以基于车道线网络检测模型检测出的关键点拟合得到第一车道线信息。具体的步骤如下：
步骤S1101、将获取到的车道线场景图输入至预先训练的车道线网络检测模型中，输出该车道线场景图中所有车道线上的关键点。
步骤S1102、基于车道线网络检测模型输出的关键点以及灭点的坐标，确定俯仰角。
由于车辆在行驶过程中会有俯仰的变化，因此，在对车道线拟合之前，需要确定俯仰角。
俯仰角的确定过程为：
首先，基于最小二乘法对车道线网络检测模型输出的车道线场景图中的关键点进行拟合处理，得到该车道线场景图中的车道线的拟合方程；
然后，基于该车道线场景图中的车道线的拟合方程，确定第一灭点的坐标。灭点是指车道线网络检测模型输出的图像上两个相同方向车道线在图像上的交点。
最后，基于第一灭点的坐标即可得到拍摄该车道线场景图的拍摄设备的俯仰角。
步骤S1103、基于第一灭点的坐标，对所有车道线上的关键点进行世界坐标转换。
步骤S1104、对进行世界坐标转换后的关键点进行拟合处理，得到第一车道线信息。
从而基于上述步骤S1101-S1104，即可根据车道线网络检测模型输出的车道线场景图中的所有车道线的关键点确定车道线信息。
步骤S120、将获取到的车道线场景图输入至预先训练的车道线语义分割模型中，并对得到的结果进行提取和拟合处理，得到第二车道线信息。
车道线语义分割模型用于对输入的图像中的所有像素点进行分类。如预先对像素进行二分类，判断像素属于车道线还是背景。如可以用白色表示车道线，褐色表示背景。
在一些实施例中，可以基于以下步骤通过车道线语义分割模型确定车道线场景图中的车道线信息，具体步骤如下：
步骤S1201、将车道线场景图输入至车道线语义分割模型中，得到车道线语义标签图。
车道线语义标签图上包括车道线场景图中所有像素点的分类标识，即将车道线和背景采用不同的标识分类。
步骤S1202、遍历车道线语义标签图上的所有像素点，基于所有像素点的分类标识和所有像素点之间的位置关系，提取车道线场景图中的车道线的轮廓。
如图3所示，具体的遍历过程如下：
自语义标签图的左下角开始，自左向右、自下向上遍历所有的像素点，首先根据当前点的标识类别判断该像素点是否为车道线，然后在根据当前点与已经存在的轮廓之间的位置关系确定是否为同一车道线上的点，如果与已经存在的轮廓相邻，则该点属于已经存在的轮廓，与已经存在的轮廓为一条车道线。如果与已经存在的轮廓不相邻，则需要新增一轮廓，即该点在另一条车道上。最后，通过对所有的点进行遍历，即可确定轮廓的分组，轮廓的分组即对应不同车道线的轮廓。
步骤S1203、对车道线的轮廓进行合并及拟合处理，得到第二车道线信息。
为了得到第二车道线信息，需要从车道线的轮廓中选取多个点进行拟合，才能得到车道线方程，具体的步骤如下：
步骤S12031、基于车道线的轮廓，以及车道线网络模型输出的关键点，确定用于拟合第二车道线信息的拟合点。
由于车道线的轮廓上的点有很多，需要从轮廓的点中抽取出多个点进行拟合，为了保证拟合的准确度，必须保证选取拟合点的可靠度。
在一些实施例中，可以首先，对车道线的轮廓进行合并处理，得到处理轮廓线。然后，基于处理轮廓线上的像素点和车道线网络模型输出的关键点，将处理轮廓线上的像素点与车道线网络模型输出的关键点的位置重合时的点，设定为第二车道线信息的拟合点。
在此实施例中，当道路破损或遮挡时，采用车道线语义分割模型对获得的车道线场景图进行检测时，在步骤S1202中进行轮廓提取时，可能会出现部分轮廓偏离其他正常的轮廓，需要对该偏离的轮廓进行合并处理。可以对车道线的轮廓进行分组，基于目标分组内的轮廓线与其它分组内的轮廓线在Y方向上的重合度，以及目标分组内的轮廓线与其它分组内的轮廓线的拟合线之间的距离，确定目标分组内的轮廓线是否合并到其它分组内。目标分组为偏离轮廓的分组。
如图4所示，具体的合并过程如下：
将偏离的轮廓设为一个分组，其他每个车道线的轮廓各为一个分组，对偏离轮廓的分组进行遍历处理。
如已有分组轮廓的纵向坐标的最大值和最小值分别为Y11和Y12，偏离的轮廓的纵向坐标的最大值和最小值分别为Y21和Y22，重合度的计算方法可以根据Max(Y21,Y11)-Min(Y22,Y12)与Y11–Y12+Y21–Y22的大小确定重合的程度。如Max(Y21,Y11)-Min(Y22,Y12)小于Y11–Y12+Y21–Y22，则说明偏离的轮廓与已有分组轮廓在Y方向上有重合，不可能在一条车道线上，则需要增加一个车道线轮廓分组。如果Max(Y21,Y11)-Min(Y22,Y12)大于Y11–Y12+Y21–Y22，则说明偏离的轮廓与已有分组轮廓在Y方向上没有重合，该偏离的轮廓属于已有分组轮廓中的一个轮廓。
然后，通过该偏离的轮廓上的点到已有分组轮廓的距离确定该偏离的轮廓属于哪个已有分组轮廓。
最后，当该偏离的轮廓上的点到已有一个分组轮廓的距离小于预设距离时，则该偏离的轮廓就属于这个分组。
步骤S12032、基于第二车道线信息的拟合点和车道线语义标签图上的灭点，将拟合点进行世界坐标转换。
基于车道线场景图中的第二车道线信息的拟合点，即可得到拟合方程，通过拟合方程即可得到车道线语义标签图上的灭点。
在得到车道线语义标签图上的灭点，可以根据该灭点的坐标得到俯仰角，从而对第二车道线信息的拟合点进行世界坐标转换。
步骤S12033、对进行世界坐标转换后的拟合点进行拟合处理，得到第二车道线信息。
基于以上步骤，即可得到基于车道线语义分割模型检测的结果，确定的第二车道线信息。
步骤S130、对第一车道线信息和第二车道线信息进行融合处理，确定车道线场景图对应的车道线信息。
当道路存在遮挡或破损时，会出现第一车道线信息和第二车道线信息偏差的情况，需要对异常的车道线进行处理。
在一些实施例中，可以根据每条车道线距离拍摄车道线场景图的摄像头的距离确定异常的车道线。具体的步骤如下：
步骤S1301、基于第一车道线信息和第二车道线信息中的所有车道线在世界坐标系下距离拍摄车道线场景图的摄像头的距离，对所有车道线进行排序。
步骤S1302、当相邻两条车道线之间的距离小于第一预设距离时，基于相邻两条车道线各自的置信度，确定需要删除的车道线。
车道线的置信度可以根据每条车道线上的点进行计算。
在此实施例中，每条车道线的置信度可以根据每条车道线在拟合时点的个数的置信度和/或点的拟合残差的置信度进行确定。
具体的，为了提高准确性，可以根据每条车道线在拟合时点的个数的置信度和点的拟合残差的置信度的加权值，作为综合置信度来评价每条车道线的置信度。
示例性的，在求取每条车道线上的点的置信度时，可以根据每条车道线方程在拟合时选取的点的数量进行打分，取值在0-100分，如0个点对应0分，最多的点数对应100分，通过线性拟合，即可得到点数的置信度方程，从而根据每条车道线方程在拟合时的点数得到每条车道线的点数的置信度。
点的拟合残差置信度包括在对车道线场景图中的点进行拟合时的残差的置信度和在世界坐标下的点进行拟合时的拟合残差的置信度。其中，车道线场景图中的点进行拟合时的残差的置信度和在世界坐标下的点进行拟合时的拟合残差的置信度的取值均为0-100分，拟合残差为0时的得分为100分，拟合残差为1000时的得分为0分，大于1000得分也是0分。对所有点的拟合残差进行线性拟合后，可以得到每条车道线的车道线场景图中的点进行拟合时的残差的置信度和在世界坐标下的点进行拟合时的拟合残差的置信度。
最终的综合置信度为每条车道线的点数的置信度、车道线场景图中的点进行拟合时的残差的置信度和在世界坐标下的点进行拟合时的拟合残差的置信度的加权求和。
最后，根据两条相邻车道线各自的综合置信度，即可确定将综合置信度低的车道线确定为需要删除的车道线。
步骤S1303、从第一车道线信息和第二车道线信息中将需要删除的车道线删除，得到车道线场景图对应的车道线信息。
根据步骤S1302确定了需要删除的车道线，从第一车道线信息和第二车道线信息中将该车道线删除后，最终得到车道线场景图对应的车道线信息。
本发明提供的车道线检测方法，首先，将获取到的车道线场景图输入至预先训练的车道线网络检测模型中，并对得到的结果进行拟合处理，得到第一车道线信息。然后，将获取到的车道线场景图输入至预先训练的车道线语义分割模型中，并对得到的结果进行提取和拟合处理，得到第二车道线信息。最后，对第一车道线信息和第二车道线信息进行融合处理，确定车道线场景图对应的车道线信息。
本发明通过采用两种不同类型的车道线检测模型对获取到的车道线场景图进行检测，并对两个模型各自输出的结果进行融合处理，从而可以更加准确地确定车道线，可以避免单一车道线检测模型由于后期数据处理结果不准确导致的车道线丢失或预测不准确的问题，从而提高自动驾驶的稳定性即安全性。
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，而不应对本发明实施例的实施过程构成任何限定。
基于上述实施例提供的车道线检测方法，相应地，本发明还提供了应用于该车道线检测方法的车道线检测装置的具体实现方式。请参见以下实施例。
如图5所示，提供了一种车道线检测装置500，该装置包括：
第一获取模块510，用于将获取到的车道线场景图输入至预先训练的车道线网络检测模型中，并对得到的结果进行拟合处理，得到第一车道线信息，其中，车道线网络检测模型用于输出车道线场景图中的车道线的关键点；
第二获取模块520，用于将获取到的车道线场景图输入至预先训练的车道线语义分割模型中，并对得到的结果进行提取和拟合处理，得到第二车道线信息，其中，车道线语义分割模型用于对车道线场景图中的所有像素点进行分类；
确定模块530，用于对第一车道线信息和第二车道线信息进行融合处理，确定车道线场景图对应的车道线信息。
在一种可能的实现方式中，确定模块530，用于基于第一车道线信息和第二车道线信息中所有车道线在世界坐标系下距离拍摄车道线场景图的摄像头的距离，对所有车道线进行排序；
当相邻两条车道线之间的距离小于第一预设距离时，基于相邻两条车道线各自的置信度，确定需要删除的车道线；
从第一车道线信息和第二车道线信息中将需要删除的车道线删除，得到车道线场景图对应的车道线信息。
在一种可能的实现方式中，相邻两条车道线各自的置信度包括每条车道线在拟合时点的个数的置信度和/或点的拟合残差的置信度。
在一种可能的实现方式中，点的拟合残差的置信度包括车道线场景图中的点进行拟合时的拟合残差的置信度和/或世界坐标下的点进行拟合时的拟合残差的置信度。
在一种可能的实现方式中，第二获取模块520，用于将车道线场景图输入至车道线语义分割模型中，并对得到的车道线语义标签图进行轮廓提取，得到车道线的轮廓；
基于车道线的轮廓和车道线网络检测模型输出的关键点，确定用于拟合第二车道线信息的拟合点；
对进行世界坐标转换后的第二车道线信息的拟合点进行拟合处理，得到第二车道线信息。
在一种可能的实现方式中，第二获取模块520，用于对车道线的轮廓进行合并处理，得到处理轮廓线；
基于处理轮廓线上的像素点和车道线网络检测模型输出的关键点，将处理轮廓线上的像素点与车道线网络检测模型输出的关键点的位置重合时的点，设定为第二车道线信息的拟合点。
在一种可能的实现方式中，第二获取模块520，用于对车道线的轮廓进行分组，基于目标分组内的轮廓线与其它分组内的轮廓线在Y方向上的重合度，以及目标分组内的轮廓线与其它分组内的轮廓线的拟合线之间的距离，确定目标分组内的轮廓线是否合并到其它分组内。
在一种可能的实现方式中，第一获取模块510，用于基于车道线网络检测模型输出的关键点、以及第一灭点的坐标，将关键点进行世界坐标转换，其中，第一灭点为车道线网络检测模型输出的图像上的车道线的聚合点；
对进行世界坐标转换后的关键点进行拟合处理，得到第一车道线信息。图6是本发明实施例提供的电子设备的示意图。如图6所示，该实施例的电子设备6包括：处理器60、存储器61以及存储在所述存储器61中并可在所述处理器60上运行的计算机程序62。所述处理器60执行所述计算机程序62时实现上述各个车道线检测方法实施例中的步骤，例如图1所示的步骤110至步骤130。或者，所述处理器60执行所述计算机程序62时实现上述各装置实施例中各模块的功能，例如图5所示模块510至530的功能。
示例性的，所述计算机程序62可以被分割成一个或多个模块，所述一个或者多个模块被存储在所述存储器61中，并由所述处理器60执行，以完成本发明。所述一个或多个模块可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序62在所述电子设备6中的执行过程。例如，所述计算机程序62可以被分割成图5所示的模块510至530。
所述电子设备6可包括，但不仅限于，处理器60、存储器61。本领域技术人员可以理解，图6仅仅是电子设备6的示例，并不构成对电子设备6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，例如所述电子设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器60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)、现场可编程门阵列(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。
所述存储器61可以是所述电子设备6的内部存储单元，例如电子设备6的硬盘或内存。所述存储器61也可以是所述电子设备6的外部存储设备，例如所述电子设备6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。进一步地，所述存储器61还可以既包括所述电子设备6的内部存储单元也包括外部存储设备。所述存储器61用于存储所述计算机程序以及所述电子设备所需的其他程序和数据。所述存储器61还可以用于暂时地存储已经输出或者将要输出的数据。
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。
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发明的范围。
在本发明所提供的实施例中，应该理解到，所揭露的装置/电子设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/电子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，在本发明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。
所述集成的模块/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，本发明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，该计算机程序在被处理器执行时，可实现上述各个车道线检测方法实施例的步骤。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(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、电载波信号、电信信号以及软件分发介质等。
以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，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发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。

Claims (10)

1.一种车道线检测方法，其特征在于，包括：
将获取到的车道线场景图输入至预先训练的车道线网络检测模型中，并对得到的结果进行拟合处理，得到第一车道线信息，其中，所述车道线网络检测模型用于输出所述车道线场景图中的车道线的关键点；
将获取到的车道线场景图输入至预先训练的车道线语义分割模型中，并对得到的结果进行提取和拟合处理，得到第二车道线信息，其中，所述车道线语义分割模型用于对所述车道线场景图中的所有像素点进行分类；
对所述第一车道线信息和所述第二车道线信息进行融合处理，确定所述车道线场景图对应的车道线信息。
2.如权利要求1所述的车道线检测方法，其特征在于，所述对所述第一车道线信息和所述第二车道线信息进行融合处理，确定所述车道线场景图对应的车道线信息，包括：
基于所述第一车道线信息和所述第二车道线信息中所有车道线在世界坐标系下距离拍摄所述车道线场景图的摄像头的距离，对所有车道线进行排序；
当相邻两条车道线之间的距离小于第一预设距离时，基于相邻两条车道线各自的置信度，确定需要删除的车道线；
从所述第一车道线信息和所述第二车道线信息中将需要删除的车道线删除，得到所述车道线场景图对应的车道线信息。
3.如权利要求2所述的车道线检测方法，其特征在于，所述相邻两条车道线各自的置信度包括每条车道线在拟合时点的个数的置信度和/或点的拟合残差的置信度。
4.如权利要求3所述的车道线检测方法，其特征在于，所述点的拟合残差的置信度包括车道线场景图中的点进行拟合时的拟合残差的置信度和/或世界坐标下的点进行拟合时的拟合残差的置信度。
5.如权利要求1所述的车道线检测方法，其特征在于，所述将获取到的车道线场景图输入至预先训练的车道线语义分割模型中，并对得到的结果进行提取和拟合处理，得到第二车道线信息，包括：
将所述车道线场景图输入至所述车道线语义分割模型中，并对得到的车道线语义标签图进行轮廓提取，得到车道线的轮廓；
基于所述车道线的轮廓和所述车道线网络检测模型输出的关键点，确定用于拟合所述第二车道线信息的拟合点；
对进行世界坐标转换后的所述第二车道线信息的拟合点进行拟合处理，得到所述第二车道线信息。
6.如权利要求5所述的车道线检测方法，其特征在于，所述基于所述车道线的轮廓和所述车道线网络检测模型输出的关键点，确定用于拟合所述第二车道线信息的拟合点，包括：
对所述车道线的轮廓进行合并处理，得到处理轮廓线；
基于所述处理轮廓线上的像素点和所述车道线网络检测模型输出的关键点，将所述处理轮廓线上的像素点与所述车道线网络检测模型输出的关键点的位置重合时的点，设定为所述第二车道线信息的拟合点。
7.如权利要求5或6所述的车道线检测方法，其特征在于，所述基于所述车道线的轮廓和所述车道线网络检测模型输出的关键点，确定用于拟合所述第二车道线信息的拟合点之前，还包括：
对所述车道线的轮廓进行分组，基于目标分组内的轮廓线与其它分组内的轮廓线在Y方向上的重合度，以及目标分组内的轮廓线与其它分组内的轮廓线的拟合线之间的距离，确定所述目标分组内的轮廓线是否合并到其它分组内。
8.如权利要求1所述的车道线检测方法，其特征在于，所述将获取到的车道线场景图输入至预先训练的车道线网络检测模型中，并对得到的结果进行拟合处理，得到第一车道线信息，包括：
基于所述车道线网络检测模型输出的关键点、以及第一灭点的坐标，将所述关键点进行世界坐标转换，其中，所述第一灭点为所述车道线网络检测模型输出的图像上的车道线的聚合点；
对进行世界坐标转换后的关键点进行拟合处理，得到所述第一车道线信息。
9.一种电子设备，其特征在于，包括存储器和处理器，所述存储器用于存储计算机程序，所述处理器用于调用并运行所述存储器中存储的计算机程序，执行如权利要求1至8任一项所述的方法。
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8任一项所述方法的步骤。
CN202310739916.8A 2023-06-20 2023-06-20 车道线检测方法、设备及存储介质 Pending CN116721396A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310739916.8A CN116721396A (zh) 2023-06-20 2023-06-20 车道线检测方法、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310739916.8A CN116721396A (zh) 2023-06-20 2023-06-20 车道线检测方法、设备及存储介质

Publications (1)

Publication Number Publication Date
CN116721396A true CN116721396A (zh) 2023-09-08

Family

ID=87875016

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310739916.8A Pending CN116721396A (zh) 2023-06-20 2023-06-20 车道线检测方法、设备及存储介质

Country Status (1)

Country Link
CN (1) CN116721396A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117576649A (zh) * 2023-12-26 2024-02-20 华东师范大学 一种基于分割点和双特征增强的车道线检测方法及系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117576649A (zh) * 2023-12-26 2024-02-20 华东师范大学 一种基于分割点和双特征增强的车道线检测方法及系统
CN117576649B (zh) * 2023-12-26 2024-04-30 华东师范大学 一种基于分割点和双特征增强的车道线检测方法及系统

Similar Documents

Publication Publication Date Title
US11455805B2 (en) Method and apparatus for detecting parking space usage condition, electronic device, and storage medium
Marzougui et al. A lane tracking method based on progressive probabilistic Hough transform
CN110163176B (zh) 车道线变化位置识别方法、装置、设备和介质
CN111295666A (zh) 一种车道线检测方法、装置、控制设备及存储介质
CN112036385B (zh) 库位修正方法、装置、电子设备及可读存储介质
CN111898540A (zh) 车道线检测方法、装置、计算机设备及计算机可读存储介质
CN116721396A (zh) 车道线检测方法、设备及存储介质
Sahu et al. A comparative analysis of deep learning approach for automatic number plate recognition
CN114820679A (zh) 图像标注方法、装置、电子设备和存储介质
CN112446375A (zh) 车牌识别方法、装置、设备及存储介质
CN113297939A (zh) 障碍物检测方法、系统、终端设备及存储介质
CN113435350A (zh) 一种交通标线检测方法、装置、设备和介质
CN116343148A (zh) 车道线检测方法、装置、车辆及存储介质
CN116311157A (zh) 障碍物识别方法、障碍物识别模型训练方法
CN115578703A (zh) 激光感知融合优化方法、装置、设备及可读存储介质
CN115761699A (zh) 交通信号灯的分类方法、装置及电子设备
CN115249407B (zh) 指示灯状态识别方法、装置、电子设备、存储介质及产品
CN113591543B (zh) 交通标志识别方法、装置、电子设备及计算机存储介质
CN113807293B (zh) 减速带的检测方法、系统、设备及计算机可读存储介质
CN112257555B (zh) 一种信息处理方法、装置、设备及存储介质
CN114359884A (zh) 一种车牌识别方法、装置、电子设备及存储介质
CN114724119A (zh) 车道线提取方法、检测设备及存储介质
CN114118188A (zh) 针对待检测图像中移动对象的处理系统、方法和存储介质
CN111639640A (zh) 基于人工智能的车牌识别方法、装置及设备
CN116503695B (zh) 目标检测模型的训练方法、目标检测方法及设备

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