CN105260699A - 一种车道线数据的处理方法及装置 - Google Patents
一种车道线数据的处理方法及装置 Download PDFInfo
- Publication number
- CN105260699A CN105260699A CN201510574875.7A CN201510574875A CN105260699A CN 105260699 A CN105260699 A CN 105260699A CN 201510574875 A CN201510574875 A CN 201510574875A CN 105260699 A CN105260699 A CN 105260699A
- Authority
- CN
- China
- Prior art keywords
- lane line
- pixel
- original image
- confidence
- candidate
- 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.)
- Granted
Links
- 238000003672 processing method Methods 0.000 title abstract 3
- 238000012216 screening Methods 0.000 claims abstract description 29
- 238000000034 method Methods 0.000 claims abstract description 21
- 238000003062 neural network model Methods 0.000 claims abstract description 13
- 238000004458 analytical method Methods 0.000 claims description 7
- 230000015572 biosynthetic process Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000011218 segmentation Effects 0.000 claims description 5
- 239000000284 extract Substances 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 abstract description 5
- 238000005516 engineering process Methods 0.000 description 5
- 238000001514 detection method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 239000002131 composite material Substances 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000011031 large-scale manufacturing process Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000000284 resting effect Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
Classifications
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
- G06F18/24137—Distances to cluster centroïds
- G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/05—Geographic models
-
- 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
- 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
- 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
- G06N3/045—Combinations of networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Geometry (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Remote Sensing (AREA)
- Computer Graphics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
- Traffic Control Systems (AREA)
- Navigation (AREA)
- Vehicle Interior And Exterior Ornaments, Soundproofing, And Insulation (AREA)
Abstract
本发明实施例公开了一种车道线数据的处理方法及装置。该方法包括:获取原始图像和原始图像的定位数据;采用深度神经网络模型,计算所述原始图像中各像素符合车道线特征的像素置信度;从所述原始图像中确定车道线轮廓,作为候选车道线;计算所述候选车道线的车道线置信度;根据所述候选车道线的车道线置信度,对所述候选车道线进行筛选;针对筛选后的车道线,识别所述车道线的属性信息;根据所述车道线的属性信息,以及所述原始图像拍摄时的定位数据,确定所述车道线的地图数据。本发明实施例提供的一种车道线数据的处理方法及装置,能够高效、精确地确定车道线数据,大大降低高精地图生产中的人工成本,可实现大规模地高精地图生产。
Description
技术领域
本发明实施例涉及一种地图数据处理技术,尤其涉及一种车道线数据的处理方法及装置。
背景技术
三维高精地图被工业界和学术界公认为下一代数字地图的主要发展方向,是实现汽车自动驾驶和辅助驾驶的前提条件,为自动驾驶汽车进行精确定位和正确决策提供主要依据。高精地图亦是分析道路利用状况,实现智慧交通的重要战略性平台资源。三维高精地图生产的核心问题集中在路面车道信息的检测和生成,即用三维数字地图精确重构真实世界中的路网车道信息。
当前车道线检测和生成主要有两种方式,一种是人工生产方式。对照工业相机采集的道路图像和点云信息,利用道路图像,对拼接后的点云着色,在着色后的点云上依赖人工手工绘制标出车道线等路面车道信息;另一种是通过自动识别方式从图像中检测车道线,主要是利用带通滤波器和各种先验规则来检测和滤除车道线。
对于第一种车道线检测和生成方式,效率低,人力成本高。在三维点云上绘制车道线等三维线条交互困难,扭扭曲曲,人工作业效率低,而且由于点云分辨率低,极易在绘制时遗漏车道线。然而第二种车道线检测和生成方式中所应用的算法和方案研究主要目的是服务于自动驾驶进行实时的检测车道线,而且主要停留在实验层面,其检测的有效性和物理精度均达不到生产高精地图的要求。可见,现有的车道线检测和生成方法有待进一步提高。
发明内容
本发明实施例提供一种车道线数据的处理方法及装置,以实现车道线地图数据的高效、精确识别。
第一方面,本发明实施例提供了一种车道线数据的处理方法,该方法包括:
获取连续拍摄车道线的至少两个原始图像和原始图像的定位数据;
采用深度神经网络模型,计算所述原始图像中各像素符合车道线特征的像素置信度;
从所述原始图像中确定车道线轮廓,作为候选车道线;
根据所述候选车道线中像素的像素置信度,计算所述候选车道线的车道线置信度;
根据所述候选车道线的车道线置信度,对所述候选车道线进行筛选;
针对筛选后的车道线,识别所述车道线的属性信息;
根据所述车道线的属性信息,以及所述原始图像拍摄时的定位数据,确定所述车道线的地图数据。
第二方面,本发明实施例还提供了一种车道线数据的处理装置,该装置包括:
原始图像获取模块,用于获取连续拍摄车道线的至少两个原始图像和原始图像的定位数据;
像素置信度计算模块,用于采用深度神经网络模型,计算所述原始图像中各像素符合车道线特征的像素置信度;
候选车道线确定模块,用于从所述原始图像中确定车道线轮廓,作为候选车道线;
候选车道线置信度计算模块,用于根据所述候选车道线中像素的像素置信度,计算所述候选车道线的车道线置信度;
候选车道线筛选模块,用于根据所述候选车道线的车道线置信度,对所述候选车道线进行筛选;
车道线属性信息识别模块,用于针对筛选后的车道线,识别所述车道线的属性信息;
车道线地图数据生成模块,用于根据所述车道线的属性信息,以及所述原始图像拍摄时的定位数据,确定所述车道线的地图数据。
本发明实施例提供了一种车道线数据的处理方法及装置,在获取目标路段的原始图像和原始图像的定位数据之后,运用深度神经网络模型计算所述原始图像中各像素符合车道线特征的像素置信度;进一步从所述原始图像中确定候选车道线,得到候选车道线的车道线置信度,并进行车道线的去伪和去噪,然后根据筛选后的车道线进行车道线属性信息识别,根据所述属性信息以及所述原始图像拍摄时的定位数据,最终确定所述车道线的地图数据。该方法能够高效、精确地确定车道线数据,大大降低高精地图生产中的人工成本,可实现大规模地高精地图生产。
附图说明
图1是本发明实施例一中的一种车道线数据的处理方法流程示意图;
图2是本发明实施例一中的三维空间中车道线拟合示意图;
图3是本发明实施例二中的一种车道线数据的处理装置结构示意图。
具体实施方式
下面结合附图和实施例对本发明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发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
图1为本发明实施例一提供的一种车道线数据的处理方法流程示意图,本实施例可适用于大规模生产高精地图的情况,该方法可以由基于车道线数据的处理装置来执行,该装置可以采用硬件和/或软件的形式实现。
该方法具体如下:
S110、获取连续拍摄车道线的至少两个原始图像和原始图像的定位数据。
上述操作中具体可以是,通过在车辆上设置工业相机,进行每秒8-10帧的连续拍摄,采集目标路段的车道线图像,作为原始图像;可以通过全球定位***(GlobalPositioningSystem,GPS)进行车辆定位,所述工业相机在车辆上的安装高度、拍摄视角和拍摄姿态等内参数据是已知的,因此可以计算出所述原始图像的定位数据。
需要说明的是所述工业相机在车辆上的安装位置以及安装方法不限,只要能够拍摄到目标路段的图像即可,所述工业相机的种类、安装高度以及拍摄视角也不作限定。
S120、采用深度神经网络模型,计算所述原始图像中各像素符合车道线特征的像素置信度。
上述操作中需要预先确定深度神经网络模型,所述深度神经网络模型是通过大量的样本数据训练得到的,预先获取各种路况和光线条件下的车道线图像样本,对车道线所在像素进行标注得到学习样本,让深度神经网络进行学习,确定深度神经网络模型;之后就可以直接采用所述深度神经网络模型计算所述原始图像中各像素符合车道线特征的像素置信度,与样本特征的相似度越高,置信度越高,反之置信度越低。例如,所述原始图像中某一像素特征与样本的特征一模一样,此时所述像素的像素置信度记为1;如果所述原始图像中某一像素特征与样本的特征毫不相同,此时所述像素的像素置信度记为0。
因为道路上的车道线没有固定的形状,亦没有非常明显的特征以区别于其它路面行车信息,如导流线,箭头和部分文字信息。现实中的各种路况,如高速路,国道,市区道路以及乡村公路等,在不同天气情况和不同时间段受光照和相机性能以及车辆遮挡等影响,以及车道线本身被磨损,使得高效、精确检测各种场景下的车道线比较困难。有鉴于近两年人工智能深度学习技术突破性发展,我们采用标注实际中各种路况和光线条件下的车道线样本,让深度神经网络进行学习,训练得到一个强大的分类器,能够辨认各种环境下的车道线信息。另一方面,深度神经网络本身是一个强于支持向量机(SuppportVectorMachine,SVM)等方法的强分类器。
因此,本实施例优选采用深度神经网络模型。
S130、从所述原始图像中确定车道线轮廓,作为候选车道线。
优选的,上述操作中具体包括,采用图形学连通域分析方法,从所述原始图像中提取边缘像素;将所述边缘像素进行三次曲线拟合以确定车道线的边缘轮廓,作为所述候选车道线。
进一步地,在确定所述候选车道线之后,还包括:识别所述候选车道线的几何特征,根据所述几何特征对所述候选车道线进行筛选。
优选的,所述几何特征包括所述候选车道线的线宽、线长、方向和位置;
识别所述候选车道线的线宽以及线长是通过对单个像素点代表的实际尺寸进行标定,然后计算所述候选车道线的所包含的像素点个数即可识别出所述候选车道线的线宽以及线长。所述候选车道线的方向和位置与原始图像的拍摄姿态以及定位数据有关。
则根据所述几何特征对所述候选车道线进行筛选具体包括:
将几何特征符合下述至少一项的候选车道线进行筛选剔除:
(1)所述候选车道线的线长小于设定长度门限值;
所述设定长度门限值可以根据实际确定,例如实际道路中不存在长度小于1米的车道线,则此设定长度门限值可以是1米,如果识别到的候选车道线的长度小于1米,则说明此候选车道线不是真正的车道线或者不是一条完整的车道线,则符合筛选剔除条件,将此条候选车道线剔除。
(2)所述候选车道线的方向与所述原始图像中的车辆行进方向之间的夹角大于设定角度门限值;
所述设定角度门限值可以根据实际拍摄情况设定,例如拍摄原始图像时的车辆行进方向为正前方,即Y方向,与车辆行进方向之间的夹角大于30度的线条都不是目标路段上的车道线,此时所述设定角度门限值为30度,如果所述候选车道线的方向与所述原始图像中的车辆行进方向之间的夹角大于30度,则符合筛选剔除条件,将此条候选车道线剔除。
(3)所述候选车道线的线宽大于设定宽度门限值;
所述设定宽度门限值来自现实情况,例如实际道路中不存在宽度大于50厘米的车道线,则此设定宽度门限值可以是50厘米,如果识别到的候选车道线的宽度大于50厘米,则说明此候选车道线不是真正的车道线,则符合筛选剔除条件,将此条候选车道线剔除。
(4)所述候选车道线的位置落在构成一条车道的两条候选车道线之间,且距离构成同一条车道的两条候选车道线的距离均大于设定距离门限值。
通过考察实际道路中车道线之间的距离关系,所述设定距离门限值优选为40厘米。
S140、根据所述候选车道线中像素的像素置信度,计算所述候选车道线的车道线置信度。
优选的,上述操作中具体包括:
统计所述候选车道线轮廓范围内的所有像素的像素置信度的平均值;
获取所述候选车道线轮廓范围内的像素点置信度大于设定置信度门限值的像素,作为车道线像素;
对所述原始图像按照像素的灰度值进行区域分割,确定所述候选车道线轮廓范围所在的车道线区域;对原始RGB图像依据像素强度值进行区域分割,找到上述候选车道线轮廓范围所在的车道线区域。
比较所述车道线像素与所述车道线区域内的所有像素的数量比值;即比较车道线像素与所述候选车道线轮廓所在原始RGB图像分割区域内的所有像素的数量比值,作为其独立性或者纯洁度的一个指标,即置信度高的车道线像素是否都在一个联通的区域内。
将所述平均值与所述数量比值相乘,作为所述候选车道线的车道线置信度。
例如,统计得到落在所述候选车道线轮廓内的所有像素的像素置信度的平均值为X(X为0-1之间的数);设定置信度门限值为0.8,获取所述候选车道线轮廓范围内的像素点置信度大于0.8的像素作为车道线像素,比较所述车道线像素与所述车道线区域内的所有像素的数量比值为Y,则所述候选车道线的车道线置信度为X*Y。
S150、根据所述候选车道线的车道线置信度,对所述候选车道线进行筛选。
上述操作中具体可以是预先设定候选车道线置信度门限值,将小于所述门限值的候选车道线剔除。
S160、针对筛选后的车道线,识别所述车道线的属性信息。
优选的,上述操作具体包括:
针对筛选后的车道线,识别所述车道线的线形和颜色;
所述车道线的线形包括:实线,虚线,实线和虚线组成的复合线型以及实线和实线构成的复合线型等;所述车道线的颜色包括白、黄以及蓝等显著不同的车道线颜色。通过计算一条车道线上所有像素颜色的平均值来识别车道线的颜色。
计算所述车道线在原始图像中的像素尺寸;
根据拍摄所述原始图像的拍摄参数和所述像素尺寸,计算车道线的物理宽度、物理长度、中心线位置和边缘线位置。
S170、根据所述车道线的属性信息,以及所述原始图像拍摄时的定位数据,确定所述车道线的地图数据。
车道线的地图数据可以用于二维地图,优选也可以用于三维地图中,即上述操作具体可包括:
根据所述车道线的属性信息,以及所述原始图像拍摄时的点云数据,将二维的所述车道线数据投影至三维地图中。根据S160中计算得到的车道线的物理宽度、物理长度、中心线位置和边缘线位置,再结合利用工业相机采集原始图像数据时的点云数据,将二维的所述车道线数据精确投影至三维空间中形成高精度三维地图。所述点云数据包括利用激光雷达设备采集到的车辆周围的物体三维数据以及拍摄原始图像时工业相机在车辆上的安装高度、拍摄视角和拍摄姿态等内参数据以及车辆定位数据。
进一步地,将二维的所述车道线数据投影至三维地图中之后,还包括:根据所述车道线的车道线置信度和属性信息,以及所述原始图像拍摄时的GPS轨迹信息,将至少两个原始图像分别确定出的车道线进行拼合。计算出三维空间中的车道线位置信息后,进行车道拓扑关系分析,判断从图像中检测到的车道线哪些满足构成真实三维空间路网中同一条车道线,哪两条车道线构成一个车道。如图2所示三维空间中车道线拟合示意图。
本实施例的技术方案,通过运用深度学习、机器视觉以及图像处理等技术,通过工业相机采集车道线的原始数字图像,根据所述原始数字图像计算车道线的置信度,物理宽度、物理长度、颜色、线型等属性信息,并进行车道线的去伪和去噪,将计算得到的二维车道线数据精确投影到三维空间,在三维空间中进行车道线的拓扑关系分析,拟合和生产。即实现用三维数字地图精确重构真实世界中的路网车道信息。该方法能够高效、精确地确定车道线数据,大大降低高精地图生产中的人工成本,可实现大规模地高精地图生产。
实施例二
图3所示为本发明实施例二提供的一种车道线数据的处理方法装置的结构示意图,如图3所示,该装置具体包括:原始图像获取模块210、像素置信度计算模块220、候选车道线确定模块230、候选车道线置信度计算模块240、候选车道线筛选模块250、车道线属性信息识别模块260和车道线地图数据生成模块270。
其中,原始图像获取模块210,用于获取连续拍摄车道线的至少两个原始图像和原始图像的定位数据;像素置信度计算模块220,用于采用深度神经网络模型,计算所述原始图像中各像素符合车道线特征的像素置信度;候选车道线确定模块230,用于从所述原始图像中确定车道线轮廓,作为候选车道线;候选车道线置信度计算模块240,用于根据所述候选车道线中像素的像素置信度,计算所述候选车道线的车道线置信度;候选车道线筛选模块250,用于根据所述候选车道线的车道线置信度,对所述候选车道线进行筛选;车道线属性信息识别模块260,用于针对筛选后的车道线,识别所述车道线的属性信息;车道线地图数据生成模块270,用于根据所述车道线的属性信息,以及所述原始图像拍摄时的定位数据,确定所述车道线的地图数据。
本实施例的技术方案,通过运用深度学习、机器视觉以及图像处理等技术,通过工业相机采集车道线的原始数字图像,根据所述原始数字图像计算车道线的置信度,物理宽度、物理长度、颜色、线型等属性信息,并进行车道线的去伪和去噪,将计算得到的二维车道线数据精确投影到三维空间,在三维空间中进行车道线的拓扑关系分析,拟合和生产。即实现用三维数字地图精确重构真实世界中的路网车道信息。该方法能够高效、精确地确定车道线数据,大大降低高精地图生产中的人工成本,可实现大规模地高精地图生产。
优选的,所述候选车道线确定模块230包括:边缘像素提取单元和候选车道线确定单元。
其中,边缘像素提取单元,用于采用图形学连通域分析方法,从所述原始图像中提取边缘像素;候选车道线确定单元,用于将所述边缘像素进行三次曲线拟合以确定车道线的边缘轮廓,作为所述候选车道线。
进一步地,在上述方案的基础上,所述装置还包括候选车道线筛选模块用于在确定所述候选车道线之后,识别所述候选车道线的几何特征;根据所述几何特征对所述候选车道线进行筛选。所述几何特征包括所述候选车道线的线宽、线长、方向和位置,则根据所述几何特征对所述候选车道线进行筛选包括:
将几何特征符合下述至少一项的候选车道线进行筛选剔除:
所述候选车道线的线长小于设定长度门限值;
所述候选车道线的方向与所述原始图像中的车辆行进方向之间的夹角大于设定角度门限值;
所述候选车道线的线宽大于设定宽度门限值;
所述候选车道线的位置落在构成一条车道的两条候选车道线之间,且距离构成同一条车道的两条候选车道线的距离均大于设定距离门限值。
优选的,所述候选车道线置信度计算模块240包括:像素置信度平均值统计单元、车道线像素确定单元、车道线区域确定单元和车道线置信度计算单元。
其中,像素置信度平均值统计单元,用于统计所述候选车道线轮廓范围内的所有像素的像素置信度的平均值;车道线像素确定单元,用于获取所述候选车道线轮廓范围内的像素点置信度大于设定置信度门限值的像素,作为车道线像素;车道线区域确定单元,用于对所述原始图像按照像素的灰度值进行区域分割,确定所述候选车道线轮廓范围所在的车道线区域;车道线置信度计算单元,用于比较所述车道线像素与所述车道线区域内的所有像素的数量比值;将所述平均值与所述数量比值相乘,作为所述候选车道线的车道线置信度。
优选的,所述车道线属性信息识别模块260包括:车道线的线形和颜色识别单元和车道线物理参数计算单元。
其中,车道线的线形和颜色识别单元,用于针对筛选后的车道线,识别所述车道线的线形和颜色;车道线物理参数计算单元,用于计算所述车道线在原始图像中的像素尺寸并根据拍摄所述原始图像的拍摄参数和所述像素尺寸,计算车道线的物理宽度、物理长度、中心线位置和边缘线位置。
优选的,所述车道线地图数据生成模块270包括:车道线数据投影单元。
其中,车道线数据投影单元,用于根据所述车道线的属性信息,以及所述原始图像拍摄时的点云数据,将二维的所述车道线数据投影至三维地图中。
在上述方案的基础上,优选的,所述装置还包括:车道线拼合模块,用于将二维的所述车道线数据投影至三维地图中之后根据所述车道线的车道线置信度和属性信息,以及所述原始图像拍摄时的GPS轨迹信息,将至少两个原始图像分别确定出的车道线进行拼合。
上述装置可执行本发明任意实施例所提供的方法,具备执行方法相应的功能模块和有益效果。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (16)
1.一种车道线数据的处理方法,其特征在于,包括:
获取连续拍摄车道线的至少两个原始图像和原始图像的定位数据;
采用深度神经网络模型,计算所述原始图像中各像素符合车道线特征的像素置信度;
从所述原始图像中确定车道线轮廓,作为候选车道线;
根据所述候选车道线中像素的像素置信度,计算所述候选车道线的车道线置信度;
根据所述候选车道线的车道线置信度,对所述候选车道线进行筛选;
针对筛选后的车道线,识别所述车道线的属性信息;
根据所述车道线的属性信息,以及所述原始图像拍摄时的定位数据,确定所述车道线的地图数据。
2.根据权利要求1所述的方法,其特征在于,从所述原始图像中确定车道线轮廓,作为候选车道线包括:
采用图形学连通域分析方法,从所述原始图像中提取边缘像素;
将所述边缘像素进行三次曲线拟合以确定车道线的边缘轮廓,作为所述候选车道线。
3.根据权利要求1所述的方法,其特征在于,在确定所述候选车道线之后,还包括:
识别所述候选车道线的几何特征;
根据所述几何特征对所述候选车道线进行筛选。
4.根据权利要求3所述的方法,其特征在于,所述几何特征包括所述候选车道线的线宽、线长、方向和位置,则根据所述几何特征对所述候选车道线进行筛选包括:
将几何特征符合下述至少一项的候选车道线进行筛选剔除:
所述候选车道线的线长小于设定长度门限值;
所述候选车道线的方向与所述原始图像中的车辆行进方向之间的夹角大于设定角度门限值;
所述候选车道线的线宽大于设定宽度门限值;
所述候选车道线的位置落在构成一条车道的两条候选车道线之间,且距离构成同一条车道的两条候选车道线的距离均大于设定距离门限值。
5.根据权利要求1所述的方法,其特征在于,根据所述候选车道线中像素的像素置信度,计算所述候选车道线的车道线置信度包括:
统计所述候选车道线轮廓范围内的所有像素的像素置信度的平均值;
获取所述候选车道线轮廓范围内的像素点置信度大于设定置信度门限值的像素,作为车道线像素;
对所述原始图像按照像素的灰度值进行区域分割,确定所述候选车道线轮廓范围所在的车道线区域;
比较所述车道线像素与所述车道线区域内的所有像素的数量比值;
将所述平均值与所述数量比值相乘,作为所述候选车道线的车道线置信度。
6.根据权利要求1所述的方法,其特征在于,针对筛选后的车道线,识别所述车道线的属性信息包括:
针对筛选后的车道线,识别所述车道线的线形和颜色;
计算所述车道线在原始图像中的像素尺寸;
根据拍摄所述原始图像的拍摄参数和所述像素尺寸,计算车道线的物理宽度、物理长度、中心线位置和边缘线位置。
7.根据权利要求1所述的方法,其特征在于,根据所述车道线的属性信息,以及所述原始图像拍摄时的定位数据,确定所述车道线的地图数据包括:
根据所述车道线的属性信息,以及所述原始图像拍摄时的点云数据,将二维的所述车道线数据投影至三维地图中。
8.根据权利要求1所述的方法,其特征在于,将二维的所述车道线数据投影至三维地图中之后,还包括:
根据所述车道线的车道线置信度和属性信息,以及所述原始图像拍摄时的GPS轨迹信息,将至少两个原始图像分别确定出的车道线进行拼合。
9.一种车道线数据的处理装置,其特征在于,包括:
原始图像获取模块,用于获取连续拍摄车道线的至少两个原始图像和原始图像的定位数据;
像素置信度计算模块,用于采用深度神经网络模型,计算所述原始图像中各像素符合车道线特征的像素置信度;
候选车道线确定模块,用于从所述原始图像中确定车道线轮廓,作为候选车道线;
候选车道线置信度计算模块,用于根据所述候选车道线中像素的像素置信度,计算所述候选车道线的车道线置信度;
候选车道线筛选模块,用于根据所述候选车道线的车道线置信度,对所述候选车道线进行筛选;
车道线属性信息识别模块,用于针对筛选后的车道线,识别所述车道线的属性信息;
车道线地图数据生成模块,用于根据所述车道线的属性信息,以及所述原始图像拍摄时的定位数据,确定所述车道线的地图数据。
10.根据权利要求9所述的装置,其特征在于,所述候选车道线确定模块包括:
边缘像素提取单元,用于采用图形学连通域分析方法,从所述原始图像中提取边缘像素;
候选车道线确定单元,用于将所述边缘像素进行三次曲线拟合以确定车道线的边缘轮廓,作为所述候选车道线。
11.根据权利要求9所述的装置,其特征在于,还包括:
候选车道线筛选模块,用于在确定所述候选车道线之后,识别所述候选车道线的几何特征;根据所述几何特征对所述候选车道线进行筛选。
12.根据权利要求11所述的装置,其特征在于,所述几何特征包括所述候选车道线的线宽、线长、方向和位置,则根据所述几何特征对所述候选车道线进行筛选包括:
将几何特征符合下述至少一项的候选车道线进行筛选剔除:
所述候选车道线的线长小于设定长度门限值;
所述候选车道线的方向与所述原始图像中的车辆行进方向之间的夹角大于设定角度门限值;
所述候选车道线的线宽大于设定宽度门限值;
所述候选车道线的位置落在构成一条车道的两条候选车道线之间,且距离构成同一条车道的两条候选车道线的距离均大于设定距离门限值。
13.根据权利要求9所述的装置,其特征在于,所述候选车道线置信度计算模块包括:
像素置信度平均值统计单元,用于统计所述候选车道线轮廓范围内的所有像素的像素置信度的平均值;
车道线像素确定单元,用于获取所述候选车道线轮廓范围内的像素点置信度大于设定置信度门限值的像素,作为车道线像素;
车道线区域确定单元,用于对所述原始图像按照像素的灰度值进行区域分割,确定所述候选车道线轮廓范围所在的车道线区域;
车道线置信度计算单元,用于比较所述车道线像素与所述车道线区域内的所有像素的数量比值;将所述平均值与所述数量比值相乘,作为所述候选车道线的车道线置信度。
14.根据权利要求9所述的装置,其特征在于,所述车道线属性信息识别模块包括:
车道线的线形和颜色识别单元,用于针对筛选后的车道线,识别所述车道线的线形和颜色;
车道线物理参数计算单元,用于计算所述车道线在原始图像中的像素尺寸;根据拍摄所述原始图像的拍摄参数和所述像素尺寸,计算车道线的物理宽度、物理长度、中心线位置和边缘线位置。
15.根据权利要求9所述的装置,其特征在于,所述车道线地图数据生成模块包括:
车道线数据投影单元,用于根据所述车道线的属性信息,以及所述原始图像拍摄时的点云数据,将二维的所述车道线数据投影至三维地图中。
16.根据权利要求9所述的装置,其特征在于,还包括:
车道线拼合模块,用于将二维的所述车道线数据投影至三维地图中之后,根据所述车道线的车道线置信度和属性信息,以及所述原始图像拍摄时的GPS轨迹信息,将至少两个原始图像分别确定出的车道线进行拼合。
Priority Applications (6)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510574875.7A CN105260699B (zh) | 2015-09-10 | 2015-09-10 | 一种车道线数据的处理方法及装置 |
KR1020167026233A KR101856401B1 (ko) | 2015-09-10 | 2015-12-29 | 차선 데이터의 처리 방법, 장치, 저장매체 및 기기 |
PCT/CN2015/099423 WO2017041396A1 (zh) | 2015-09-10 | 2015-12-29 | 一种车道线数据的处理方法、装置、存储介质及设备 |
US15/128,403 US10074020B2 (en) | 2015-09-10 | 2015-12-29 | Vehicular lane line data processing method, apparatus, storage medium, and device |
JP2016558337A JP6259928B2 (ja) | 2015-09-10 | 2015-12-29 | 車線データの処理方法、装置、記憶媒体及び機器 |
EP15884920.8A EP3171292B1 (en) | 2015-09-10 | 2015-12-29 | Driving lane data processing method, device, storage medium and apparatus |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510574875.7A CN105260699B (zh) | 2015-09-10 | 2015-09-10 | 一种车道线数据的处理方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105260699A true CN105260699A (zh) | 2016-01-20 |
CN105260699B CN105260699B (zh) | 2018-06-26 |
Family
ID=55100381
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510574875.7A Active CN105260699B (zh) | 2015-09-10 | 2015-09-10 | 一种车道线数据的处理方法及装置 |
Country Status (6)
Country | Link |
---|---|
US (1) | US10074020B2 (zh) |
EP (1) | EP3171292B1 (zh) |
JP (1) | JP6259928B2 (zh) |
KR (1) | KR101856401B1 (zh) |
CN (1) | CN105260699B (zh) |
WO (1) | WO2017041396A1 (zh) |
Cited By (67)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106415602A (zh) * | 2016-08-25 | 2017-02-15 | 深圳市锐明技术股份有限公司 | 一种成对车道线的检测方法和装置 |
CN106600662A (zh) * | 2016-12-29 | 2017-04-26 | 北京奇虎科技有限公司 | 图像中主线条的绘制方法及装置 |
CN107665327A (zh) * | 2016-07-29 | 2018-02-06 | 高德软件有限公司 | 一种车道线检测方法及装置 |
CN107830869A (zh) * | 2017-11-16 | 2018-03-23 | 百度在线网络技术(北京)有限公司 | 用于车辆的信息输出方法和装置 |
CN108090456A (zh) * | 2017-12-27 | 2018-05-29 | 北京初速度科技有限公司 | 一种车道线识别方法及装置 |
CN108162866A (zh) * | 2017-12-21 | 2018-06-15 | 宁波吉利汽车研究开发有限公司 | 一种基于流媒体外后视镜***的车道识别***及方法 |
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 |
KR101878490B1 (ko) * | 2017-03-10 | 2018-07-13 | 만도헬라일렉트로닉스(주) | 차선 인식 시스템 및 방법 |
CN108428254A (zh) * | 2018-03-15 | 2018-08-21 | 斑马网络技术有限公司 | 三维地图的构建方法及装置 |
CN108470159A (zh) * | 2018-03-09 | 2018-08-31 | 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 |
CN108564874A (zh) * | 2018-05-07 | 2018-09-21 | 腾讯大地通途(北京)科技有限公司 | 地面标志提取的方法、模型训练的方法、设备及存储介质 |
CN108921089A (zh) * | 2018-06-29 | 2018-11-30 | 驭势科技(北京)有限公司 | 车道线检测方法、装置和***及存储介质 |
WO2018227980A1 (zh) * | 2017-06-13 | 2018-12-20 | 蔚来汽车有限公司 | 基于摄像头传感器的车道线地图构建方法以及构建*** |
CN109165549A (zh) * | 2018-07-09 | 2019-01-08 | 厦门大学 | 基于三维点云数据的道路标识获取方法、终端设备及装置 |
CN109190587A (zh) * | 2018-09-19 | 2019-01-11 | 宽凳(北京)科技有限公司 | 对车道线数据正确率和召回率进行评估的方法和*** |
CN109214334A (zh) * | 2018-09-03 | 2019-01-15 | 百度在线网络技术(北京)有限公司 | 车道线处理方法和装置 |
CN109242003A (zh) * | 2018-08-13 | 2019-01-18 | 浙江零跑科技有限公司 | 基于深度卷积神经网络的车载视觉***自身运动确定方法 |
CN109426824A (zh) * | 2017-08-28 | 2019-03-05 | 高德软件有限公司 | 道路交通标线的识别方法和装置 |
CN109425359A (zh) * | 2017-09-01 | 2019-03-05 | 通用汽车环球科技运作有限责任公司 | 用于生成实时地图信息的方法和*** |
CN109543493A (zh) * | 2017-09-22 | 2019-03-29 | 杭州海康威视数字技术股份有限公司 | 一种车道线的检测方法、装置及电子设备 |
CN109584706A (zh) * | 2018-10-31 | 2019-04-05 | 百度在线网络技术(北京)有限公司 | 电子地图车道线处理方法、设备及计算机可读存储介质 |
CN109724615A (zh) * | 2019-02-28 | 2019-05-07 | 北京经纬恒润科技有限公司 | 一种车道线识别结果的校验方法及*** |
CN109740469A (zh) * | 2018-12-24 | 2019-05-10 | 百度在线网络技术(北京)有限公司 | 车道线检测方法、装置、计算机设备和存储介质 |
CN109916416A (zh) * | 2019-01-29 | 2019-06-21 | 腾讯科技(深圳)有限公司 | 车道线数据处理与更新方法、装置及设备 |
CN109948413A (zh) * | 2018-12-29 | 2019-06-28 | 禾多科技(北京)有限公司 | 基于高精度地图融合的车道线检测方法 |
CN110019627A (zh) * | 2017-12-25 | 2019-07-16 | 北京京东尚科信息技术有限公司 | 识别交通导流线的方法及其***、计算机*** |
CN110119721A (zh) * | 2019-05-17 | 2019-08-13 | 百度在线网络技术(北京)有限公司 | 用于处理信息的方法和装置 |
CN110148196A (zh) * | 2018-09-12 | 2019-08-20 | 腾讯大地通途(北京)科技有限公司 | 一种图像处理方法、装置以及相关设备 |
CN110243357A (zh) * | 2018-03-07 | 2019-09-17 | 杭州海康机器人技术有限公司 | 一种无人机定位方法、装置、无人机及存储介质 |
CN110361021A (zh) * | 2018-09-30 | 2019-10-22 | 长城汽车股份有限公司 | 车道线拟合方法及*** |
CN110458023A (zh) * | 2019-07-11 | 2019-11-15 | 浙江吉利汽车研究院有限公司 | 一种道路线检测模型的训练方法、道路线检测方法及装置 |
CN110765812A (zh) * | 2018-07-26 | 2020-02-07 | 北京图森未来科技有限公司 | 一种图像数据车道线的标定方法和装置 |
CN110827340A (zh) * | 2018-08-08 | 2020-02-21 | 北京嘀嘀无限科技发展有限公司 | 地图的更新方法、装置及存储介质 |
CN110852342A (zh) * | 2019-09-26 | 2020-02-28 | 京东城市(北京)数字科技有限公司 | 一种路网数据的获取方法、装置、设备及计算机存储介质 |
WO2020048487A1 (zh) * | 2018-09-05 | 2020-03-12 | 北京嘀嘀无限科技发展有限公司 | 一种图像数据处理方法及*** |
CN110909588A (zh) * | 2018-09-15 | 2020-03-24 | 斯特拉德视觉公司 | 基于cnn的用于车道线检测的方法和装置 |
CN110941684A (zh) * | 2018-09-21 | 2020-03-31 | 高德软件有限公司 | 一种地图数据的生产方法、相关装置及*** |
CN111091037A (zh) * | 2018-10-23 | 2020-05-01 | 三星电子株式会社 | 用于确定驾驶信息的方法和设备 |
CN111095291A (zh) * | 2018-02-27 | 2020-05-01 | 辉达公司 | 由自动驾驶车辆实时检测车道和边界 |
CN111121805A (zh) * | 2019-12-11 | 2020-05-08 | 广州赛特智能科技有限公司 | 基于道路交通标线标志的局部定位修正方法、设备及介质 |
CN111121793A (zh) * | 2018-10-31 | 2020-05-08 | 百度在线网络技术(北京)有限公司 | 用于无人驾驶的地图生成方法、装置及存储介质 |
CN111126106A (zh) * | 2018-10-31 | 2020-05-08 | 沈阳美行科技有限公司 | 一种车道线识别方法和装置 |
CN111126109A (zh) * | 2018-10-31 | 2020-05-08 | 沈阳美行科技有限公司 | 一种车道线识别方法、装置和电子设备 |
CN111247525A (zh) * | 2019-01-14 | 2020-06-05 | 深圳市大疆创新科技有限公司 | 一种车道检测方法、装置及车道检测设备、移动平台 |
CN111291601A (zh) * | 2018-12-07 | 2020-06-16 | 阿里巴巴集团控股有限公司 | 车道线识别方法和装置以及电子设备 |
CN111325811A (zh) * | 2018-12-14 | 2020-06-23 | 广东星舆科技有限公司 | 一种车道线数据的处理方法及处理装置 |
CN111344765A (zh) * | 2017-12-15 | 2020-06-26 | 株式会社电装 | 道路地图生成***以及道路地图生成方法 |
CN111597995A (zh) * | 2020-05-15 | 2020-08-28 | 弗徕威智能机器人科技(上海)有限公司 | 一种车道标记线检测方法、***、以及存储介质 |
CN111597987A (zh) * | 2020-05-15 | 2020-08-28 | 北京百度网讯科技有限公司 | 用于生成信息的方法、装置、设备和存储介质 |
CN111696170A (zh) * | 2020-06-05 | 2020-09-22 | 百度在线网络技术(北京)有限公司 | 地图绘制方法、装置、设备和介质 |
JP2020534600A (ja) * | 2017-09-22 | 2020-11-26 | コンティネンタル・テーベス・アクチエンゲゼルシヤフト・ウント・コンパニー・オッフェネ・ハンデルスゲゼルシヤフト | 車線認識方法および装置、運転支援システムならびに車両 |
CN112009460A (zh) * | 2020-09-03 | 2020-12-01 | 中国第一汽车股份有限公司 | 一种车辆控制方法、装置、设备及存储介质 |
WO2020258894A1 (zh) * | 2019-06-25 | 2020-12-30 | 北京市商汤科技开发有限公司 | 车道线属性检测 |
CN112215041A (zh) * | 2019-07-11 | 2021-01-12 | 广州汽车集团股份有限公司 | 一种端到端车道线检测方法及其*** |
CN112347983A (zh) * | 2020-11-27 | 2021-02-09 | 腾讯科技(深圳)有限公司 | 车道线检测处理方法、装置、计算机设备和存储介质 |
CN112380313A (zh) * | 2020-12-01 | 2021-02-19 | 北京罗克维尔斯科技有限公司 | 更新高精地图置信度的方法及装置 |
CN112434585A (zh) * | 2020-11-14 | 2021-03-02 | 武汉中海庭数据技术有限公司 | 一种车道线的虚实识别方法、***、电子设备及存储介质 |
WO2021036243A1 (zh) * | 2019-08-28 | 2021-03-04 | 华为技术有限公司 | 识别车道的方法、装置及计算设备 |
CN112706785A (zh) * | 2021-01-29 | 2021-04-27 | 重庆长安汽车股份有限公司 | 一种自动驾驶车辆行驶环境认知目标选择方法、装置及存储介质 |
CN112964264A (zh) * | 2021-02-07 | 2021-06-15 | 上海商汤临港智能科技有限公司 | 道路边沿检测方法、装置、高精度地图、车辆及存储介质 |
CN113155143A (zh) * | 2020-01-23 | 2021-07-23 | 宝马股份公司 | 用于评估自动驾驶用的地图的方法、设备和车辆 |
CN113256756A (zh) * | 2020-02-07 | 2021-08-13 | 阿里巴巴集团控股有限公司 | 地图数据显示方法、装置、设备及存储介质 |
CN113525365A (zh) * | 2021-07-21 | 2021-10-22 | 上汽通用五菱汽车股份有限公司 | 道路规划方法、装置及计算机可读存储介质 |
US11175149B2 (en) * | 2018-10-16 | 2021-11-16 | Samsung Electronics Co., Ltd. | Vehicle localization method and apparatus |
CN114136333A (zh) * | 2021-10-15 | 2022-03-04 | 阿波罗智能技术(北京)有限公司 | 基于分层特征的高精地图道路数据生成方法、装置、设备 |
CN114419338A (zh) * | 2022-03-28 | 2022-04-29 | 腾讯科技(深圳)有限公司 | 图像处理方法、装置、计算机设备和存储介质 |
CN117078698A (zh) * | 2023-08-22 | 2023-11-17 | 山东第一医科大学第二附属医院 | 一种基于深度学习的外周血管影像辅助分割方法及*** |
Families Citing this family (80)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102016120775A1 (de) | 2015-11-02 | 2017-05-04 | Cognex Corporation | System und Verfahren zum Erkennen von Linien in einem Bild mit einem Sichtsystem |
US10937168B2 (en) | 2015-11-02 | 2021-03-02 | Cognex Corporation | System and method for finding and classifying lines in an image with a vision system |
KR102406502B1 (ko) * | 2016-12-14 | 2022-06-10 | 현대자동차주식회사 | 차량의 협로 주행 안내 장치 및 방법 |
EP3436783A4 (en) * | 2017-06-22 | 2019-02-06 | Baidu.com Times Technology (Beijing) Co., Ltd. | FRAMEWORK FOR THE ASSESSMENT OF PREVIEWED TRAJECTORIES IN TRAFFIC FORECASTING AUTONOMOUS VEHICLES |
CN108230421A (zh) | 2017-09-19 | 2018-06-29 | 北京市商汤科技开发有限公司 | 一种道路图生成方法、装置、电子设备和计算机存储介质 |
US20190147255A1 (en) * | 2017-11-15 | 2019-05-16 | Uber Technologies, Inc. | Systems and Methods for Generating Sparse Geographic Data for Autonomous Vehicles |
US10699135B2 (en) * | 2017-11-20 | 2020-06-30 | Here Global B.V. | Automatic localization geometry generator for stripe-shaped objects |
JP6929207B2 (ja) * | 2017-11-24 | 2021-09-01 | エヌ・ティ・ティ・コムウェア株式会社 | 道路画像処理装置、道路画像処理方法、道路画像処理プログラム、および、記録媒体 |
CN108225348B (zh) * | 2017-12-29 | 2021-08-24 | 百度在线网络技术(北京)有限公司 | 地图创建以及运动实体定位的方法和装置 |
CN108256446B (zh) * | 2017-12-29 | 2020-12-11 | 百度在线网络技术(北京)有限公司 | 用于确定道路中的车道线的方法、装置和设备 |
US10345822B1 (en) | 2018-01-26 | 2019-07-09 | Ford Global Technologies, Llc | Cognitive mapping for vehicles |
DE102018202970A1 (de) | 2018-02-28 | 2019-08-29 | Robert Bosch Gmbh | Verfahren zum Ermitteln einer topologischen Information einer Straßenkreuzung |
JP7022197B2 (ja) * | 2018-03-15 | 2022-02-17 | パイオニア株式会社 | レーン情報生成方法 |
JP7268001B2 (ja) * | 2018-04-05 | 2023-05-02 | 株式会社小糸製作所 | 演算処理装置、オブジェクト識別システム、学習方法、自動車、車両用灯具 |
CN110377670B (zh) * | 2018-04-11 | 2021-11-26 | 腾讯大地通途(北京)科技有限公司 | 一种确定道路要素信息的方法、装置、介质及设备 |
CN108764187B (zh) * | 2018-06-01 | 2022-03-08 | 百度在线网络技术(北京)有限公司 | 提取车道线的方法、装置、设备、存储介质以及采集实体 |
JP2019220163A (ja) * | 2018-06-06 | 2019-12-26 | コグネックス・コーポレイション | ビジョンシステムでラインを検出するためのシステム及び方法 |
WO2019239211A2 (en) * | 2018-06-11 | 2019-12-19 | Insurance Services Office, Inc. | System and method for generating simulated scenes from open map data for machine learning |
JP7228219B2 (ja) * | 2018-06-29 | 2023-02-24 | 国立大学法人金沢大学 | 横方向位置推定装置及び横方向位置推定方法 |
CN110378173A (zh) * | 2018-07-10 | 2019-10-25 | 北京京东尚科信息技术有限公司 | 一种确定道路边界线的方法和装置 |
US10223614B1 (en) * | 2018-09-04 | 2019-03-05 | StradVision, Inc. | Learning method, learning device for detecting lane through classification of lane candidate pixels and testing method, testing device using the same |
US10275667B1 (en) * | 2018-09-05 | 2019-04-30 | StradVision, Inc. | Learning method, learning device for detecting lane through lane model and testing method, testing device using the same |
CN109345589A (zh) | 2018-09-11 | 2019-02-15 | 百度在线网络技术(北京)有限公司 | 基于自动驾驶车辆的位置检测方法、装置、设备及介质 |
JP6697522B2 (ja) * | 2018-09-28 | 2020-05-20 | 株式会社Subaru | 区画線認識装置 |
KR102675523B1 (ko) * | 2018-09-28 | 2024-06-14 | 삼성전자주식회사 | 차로를 결정하는 방법 및 장치 |
CN109636820B (zh) * | 2018-10-31 | 2021-07-06 | 百度在线网络技术(北京)有限公司 | 电子地图车道线修正方法、设备及计算机可读存储介质 |
CN109492566B (zh) * | 2018-10-31 | 2022-09-16 | 奇瑞汽车股份有限公司 | 车道位置信息获取方法、装置及存储介质 |
CN109472844B (zh) * | 2018-11-01 | 2021-03-16 | 百度在线网络技术(北京)有限公司 | 路口内车道线标注方法、装置及存储介质 |
JP2020087001A (ja) * | 2018-11-27 | 2020-06-04 | 株式会社デンソー | 車線位置情報出力装置 |
CN111433780A (zh) * | 2018-11-29 | 2020-07-17 | 深圳市大疆创新科技有限公司 | 车道线检测方法、设备、计算机可读存储介质 |
CN109470255B (zh) * | 2018-12-03 | 2022-03-29 | 禾多科技(北京)有限公司 | 基于高精度定位及车道线识别的高精度地图自动生成方法 |
CN111291603B (zh) * | 2018-12-07 | 2023-09-29 | 长沙智能驾驶研究院有限公司 | 车道线检测方法、装置、***及存储介质 |
CN109800641B (zh) * | 2018-12-14 | 2023-04-18 | 天津大学 | 基于阈值自适应二值化和连通域分析的车道线检测方法 |
CN109657628B (zh) * | 2018-12-24 | 2023-06-23 | 驭势(上海)汽车科技有限公司 | 一种用于确定车辆的可行驶区域的方法与设备 |
CN111380539B (zh) * | 2018-12-28 | 2023-04-07 | 沈阳美行科技股份有限公司 | 车辆定位、导航方法和装置及相关*** |
CN109858374B (zh) * | 2018-12-31 | 2021-08-17 | 武汉中海庭数据技术有限公司 | 高精度地图制作中箭头类标线自动提取方法和装置 |
CN109740554A (zh) * | 2019-01-09 | 2019-05-10 | 宽凳(北京)科技有限公司 | 一种道路边缘线识别方法及*** |
US10776651B2 (en) * | 2019-01-18 | 2020-09-15 | Intelligrated Headquarters, Llc | Material handling method, apparatus, and system for identification of a region-of-interest |
US10423840B1 (en) * | 2019-01-31 | 2019-09-24 | StradVision, Inc. | Post-processing method and device for detecting lanes to plan the drive path of autonomous vehicle by using segmentation score map and clustering map |
US10373004B1 (en) * | 2019-01-31 | 2019-08-06 | StradVision, Inc. | Method and device for detecting lane elements to plan the drive path of autonomous vehicle by using a horizontal filter mask, wherein the lane elements are unit regions including pixels of lanes in an input image |
CN109977776B (zh) * | 2019-02-25 | 2023-06-23 | 驭势(上海)汽车科技有限公司 | 一种车道线检测方法、装置及车载设备 |
CN111626078A (zh) * | 2019-02-27 | 2020-09-04 | 湖南湘江地平线人工智能研发有限公司 | 识别车道线的方法及装置 |
CN111723623B (zh) * | 2019-03-22 | 2024-06-18 | 杭州海康威视数字技术股份有限公司 | 一种检测平台的方法及装置 |
DE102019208507A1 (de) * | 2019-06-12 | 2020-12-17 | Robert Bosch Gmbh | Verfahren zur Bestimmung eines Überlappungsgrades eines Objektes mit einem Fahrstreifen |
CN112348874B (zh) * | 2019-08-08 | 2024-05-14 | 北京地平线机器人技术研发有限公司 | 一种车道线的结构化参数表示确定方法及装置 |
CN112348875B (zh) * | 2019-08-08 | 2024-04-16 | 北京地平线机器人技术研发有限公司 | 一种标志杆的结构化参数表示确定方法及装置 |
US11885893B2 (en) * | 2019-08-12 | 2024-01-30 | Motional Ad Llc | Localization based on predefined features of the environment |
CN112435293B (zh) * | 2019-08-24 | 2024-04-19 | 北京地平线机器人技术研发有限公司 | 一种车道线的结构化参数表示确定方法及装置 |
CN110766938B (zh) * | 2019-09-18 | 2023-04-07 | 平安科技(深圳)有限公司 | 路网拓扑结构的构建方法、装置、计算机设备及存储介质 |
CN112686080A (zh) * | 2019-10-17 | 2021-04-20 | 北京京东乾石科技有限公司 | 进行车道线检测的方法和装置 |
CN112785595B (zh) * | 2019-11-07 | 2023-02-28 | 北京市商汤科技开发有限公司 | 目标属性检测、神经网络训练及智能行驶方法、装置 |
US10867190B1 (en) | 2019-11-27 | 2020-12-15 | Aimotive Kft. | Method and system for lane detection |
CN111026825B (zh) * | 2019-12-02 | 2023-04-18 | 广州力挚网络科技有限公司 | 一种环岛集合确定方法与装置 |
CN112926365A (zh) * | 2019-12-06 | 2021-06-08 | 广州汽车集团股份有限公司 | 一种车道线检测方法及其*** |
CN111191619B (zh) * | 2020-01-02 | 2023-09-05 | 北京百度网讯科技有限公司 | 车道线虚线段的检测方法、装置、设备和可读存储介质 |
CN113255404A (zh) * | 2020-02-11 | 2021-08-13 | 北京百度网讯科技有限公司 | 车道线识别方法、装置、电子设备和计算机可读存储介质 |
CN111523471B (zh) * | 2020-04-23 | 2023-08-04 | 阿波罗智联(北京)科技有限公司 | 车辆所在车道的确定方法、装置、设备以及存储介质 |
CN111667545B (zh) * | 2020-05-07 | 2024-02-27 | 东软睿驰汽车技术(沈阳)有限公司 | 高精度地图生成方法、装置、电子设备及存储介质 |
CN111401337B (zh) * | 2020-05-15 | 2023-04-28 | 汇智机器人科技(深圳)有限公司 | 一种车道跟随探索建图方法、存储介质及机器人 |
CN111582221A (zh) * | 2020-05-19 | 2020-08-25 | 北京汽车股份有限公司 | 车道线识别方法、装置和设备 |
KR102477218B1 (ko) * | 2020-06-04 | 2022-12-13 | 네이버랩스 주식회사 | 고정밀지도생성장치 및 고정밀지도생성방법 |
CN111652952B (zh) * | 2020-06-05 | 2022-03-18 | 腾讯科技(深圳)有限公司 | 车道线生成方法、装置、计算机设备和存储介质 |
CN111815742A (zh) * | 2020-09-14 | 2020-10-23 | 蘑菇车联信息科技有限公司 | 一种车道线生成方法及*** |
CN112163475A (zh) * | 2020-09-15 | 2021-01-01 | 北京三快在线科技有限公司 | 一种确定车道线方向的方法及装置 |
CN112598762B (zh) * | 2020-09-16 | 2021-10-12 | 禾多科技(北京)有限公司 | 三维车道线信息生成方法、装置、电子设备和介质 |
DE102020211636A1 (de) * | 2020-09-17 | 2022-03-17 | Robert Bosch Gesellschaft mit beschränkter Haftung | Verfahren und Vorrichtung zum Bereitstellen von Daten zum Erstellen einer digitalen Karte |
CN112183415A (zh) * | 2020-09-30 | 2021-01-05 | 上汽通用五菱汽车股份有限公司 | 车道线处理方法、车辆和可读存储介质 |
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 |
US11557132B2 (en) | 2020-10-19 | 2023-01-17 | Here Global B.V. | Lane marking |
CN112435224B (zh) * | 2020-11-13 | 2022-07-01 | 武汉中海庭数据技术有限公司 | 一种停止线提取的置信度评估方法及装置 |
CN112434591B (zh) * | 2020-11-19 | 2022-06-17 | 腾讯科技(深圳)有限公司 | 车道线确定方法、装置 |
CN112561944A (zh) * | 2020-11-27 | 2021-03-26 | 中央财经大学 | 一种基于车载激光点云的车道线提取方法 |
CN112560680A (zh) * | 2020-12-16 | 2021-03-26 | 北京百度网讯科技有限公司 | 车道线处理方法、装置、电子设备及存储介质 |
CN113095309B (zh) * | 2021-06-10 | 2021-09-14 | 立得空间信息技术股份有限公司 | 一种基于点云的道路场景地面标识物的提取方法 |
CN113392762B (zh) * | 2021-06-15 | 2024-04-26 | 北京纵目安驰智能科技有限公司 | 路口的检测方法、***、终端及计算机可读存储介质 |
CN113704538B (zh) * | 2021-08-30 | 2024-06-18 | 北京百度网讯科技有限公司 | 数据处理方法、装置、电子设备及计算机存储介质 |
CN114353817B (zh) * | 2021-12-28 | 2023-08-15 | 重庆长安汽车股份有限公司 | 多源传感器车道线确定方法、***、车辆及计算机可读存储介质 |
CN114612496B (zh) * | 2022-03-18 | 2024-05-31 | 易思维(杭州)科技股份有限公司 | 一种直线段轮廓提取方法 |
CN114842448B (zh) * | 2022-05-11 | 2023-03-24 | 禾多科技(北京)有限公司 | 三维车道线生成方法、装置、电子设备和计算机可读介质 |
CN115661394A (zh) * | 2022-12-26 | 2023-01-31 | 安徽蔚来智驾科技有限公司 | 车道线地图的构建方法、计算机设备及存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102592114A (zh) * | 2011-12-26 | 2012-07-18 | 河南工业大学 | 复杂路况的车道线特征提取、识别方法 |
US20140267263A1 (en) * | 2013-03-13 | 2014-09-18 | Honda Motor Co., Ltd. | Augmented reality heads up display (hud) for left turn safety cues |
Family Cites Families (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2986439B2 (ja) * | 1998-01-12 | 1999-12-06 | 松下電器産業株式会社 | 車両用画像処理装置 |
US7809722B2 (en) * | 2005-05-09 | 2010-10-05 | Like.Com | System and method for enabling search and retrieval from image files based on recognized information |
JP2007241468A (ja) * | 2006-03-06 | 2007-09-20 | Toyota Motor Corp | 車線変更検出装置 |
WO2008130219A1 (en) * | 2007-04-19 | 2008-10-30 | Tele Atlas B.V. | Method of and apparatus for producing road information |
CN101339616B (zh) | 2008-08-12 | 2012-11-28 | 北京中星微电子有限公司 | 道路识别方法及装置 |
CN102385698A (zh) | 2011-10-26 | 2012-03-21 | 潘承志 | 基于置信度传播的图像处理方法 |
US9081385B1 (en) * | 2012-12-21 | 2015-07-14 | Google Inc. | Lane boundary detection using images |
US10223816B2 (en) * | 2015-02-13 | 2019-03-05 | Here Global B.V. | Method and apparatus for generating map geometry based on a received image and probe data |
BE1023147B1 (nl) * | 2015-07-03 | 2016-12-01 | Cnh Industrial Belgium Nv | Controller voor een werkvoertuig |
US9884623B2 (en) * | 2015-07-13 | 2018-02-06 | GM Global Technology Operations LLC | Method for image-based vehicle localization |
KR102592076B1 (ko) * | 2015-12-14 | 2023-10-19 | 삼성전자주식회사 | 딥러닝 기반 영상 처리 장치 및 방법, 학습 장치 |
-
2015
- 2015-09-10 CN CN201510574875.7A patent/CN105260699B/zh active Active
- 2015-12-29 WO PCT/CN2015/099423 patent/WO2017041396A1/zh active Application Filing
- 2015-12-29 KR KR1020167026233A patent/KR101856401B1/ko active IP Right Grant
- 2015-12-29 US US15/128,403 patent/US10074020B2/en active Active
- 2015-12-29 JP JP2016558337A patent/JP6259928B2/ja active Active
- 2015-12-29 EP EP15884920.8A patent/EP3171292B1/en active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102592114A (zh) * | 2011-12-26 | 2012-07-18 | 河南工业大学 | 复杂路况的车道线特征提取、识别方法 |
US20140267263A1 (en) * | 2013-03-13 | 2014-09-18 | Honda Motor Co., Ltd. | Augmented reality heads up display (hud) for left turn safety cues |
Cited By (110)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107665327A (zh) * | 2016-07-29 | 2018-02-06 | 高德软件有限公司 | 一种车道线检测方法及装置 |
CN107665327B (zh) * | 2016-07-29 | 2020-03-13 | 高德软件有限公司 | 一种车道线检测方法及装置 |
CN106415602A (zh) * | 2016-08-25 | 2017-02-15 | 深圳市锐明技术股份有限公司 | 一种成对车道线的检测方法和装置 |
CN106600662A (zh) * | 2016-12-29 | 2017-04-26 | 北京奇虎科技有限公司 | 图像中主线条的绘制方法及装置 |
CN106600662B (zh) * | 2016-12-29 | 2021-02-23 | 北京奇虎科技有限公司 | 图像中主线条的绘制方法及装置 |
KR101878490B1 (ko) * | 2017-03-10 | 2018-07-13 | 만도헬라일렉트로닉스(주) | 차선 인식 시스템 및 방법 |
WO2018227980A1 (zh) * | 2017-06-13 | 2018-12-20 | 蔚来汽车有限公司 | 基于摄像头传感器的车道线地图构建方法以及构建*** |
CN109084782B (zh) * | 2017-06-13 | 2024-03-12 | 蔚来(安徽)控股有限公司 | 基于摄像头传感器的车道线地图构建方法以及构建*** |
CN109084782A (zh) * | 2017-06-13 | 2018-12-25 | 蔚来汽车有限公司 | 基于摄像头传感器的车道线地图构建方法以及构建*** |
CN109426824A (zh) * | 2017-08-28 | 2019-03-05 | 高德软件有限公司 | 道路交通标线的识别方法和装置 |
CN109426824B (zh) * | 2017-08-28 | 2021-05-25 | 阿里巴巴(中国)有限公司 | 道路交通标线的识别方法和装置 |
CN109425359A (zh) * | 2017-09-01 | 2019-03-05 | 通用汽车环球科技运作有限责任公司 | 用于生成实时地图信息的方法和*** |
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 |
CN108216229B (zh) * | 2017-09-08 | 2020-01-10 | 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 |
JP2020534600A (ja) * | 2017-09-22 | 2020-11-26 | コンティネンタル・テーベス・アクチエンゲゼルシヤフト・ウント・コンパニー・オッフェネ・ハンデルスゲゼルシヤフト | 車線認識方法および装置、運転支援システムならびに車両 |
CN109543493A (zh) * | 2017-09-22 | 2019-03-29 | 杭州海康威视数字技术股份有限公司 | 一种车道线的检测方法、装置及电子设备 |
CN107830869A (zh) * | 2017-11-16 | 2018-03-23 | 百度在线网络技术(北京)有限公司 | 用于车辆的信息输出方法和装置 |
WO2019095735A1 (zh) * | 2017-11-16 | 2019-05-23 | 百度在线网络技术(北京)有限公司 | 用于车辆的信息输出方法和装置 |
CN111344765A (zh) * | 2017-12-15 | 2020-06-26 | 株式会社电装 | 道路地图生成***以及道路地图生成方法 |
CN108162866A (zh) * | 2017-12-21 | 2018-06-15 | 宁波吉利汽车研究开发有限公司 | 一种基于流媒体外后视镜***的车道识别***及方法 |
CN110019627A (zh) * | 2017-12-25 | 2019-07-16 | 北京京东尚科信息技术有限公司 | 识别交通导流线的方法及其***、计算机*** |
CN110019627B (zh) * | 2017-12-25 | 2022-04-12 | 北京京东乾石科技有限公司 | 识别交通导流线的方法及其***、计算机*** |
CN108090456A (zh) * | 2017-12-27 | 2018-05-29 | 北京初速度科技有限公司 | 一种车道线识别方法及装置 |
CN111095291A (zh) * | 2018-02-27 | 2020-05-01 | 辉达公司 | 由自动驾驶车辆实时检测车道和边界 |
CN111095291B (zh) * | 2018-02-27 | 2024-04-09 | 辉达公司 | 由自动驾驶车辆实时检测车道和边界 |
CN110243357B (zh) * | 2018-03-07 | 2021-09-10 | 杭州海康机器人技术有限公司 | 一种无人机定位方法、装置、无人机及存储介质 |
CN110243357A (zh) * | 2018-03-07 | 2019-09-17 | 杭州海康机器人技术有限公司 | 一种无人机定位方法、装置、无人机及存储介质 |
WO2019170012A1 (zh) * | 2018-03-09 | 2019-09-12 | 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 |
CN108470159A (zh) * | 2018-03-09 | 2018-08-31 | 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 |
US11417118B2 (en) | 2018-03-09 | 2022-08-16 | Tencent Technology (Shenzhen) Company Limited | Lane line data processing method and apparatus, computer device, and storage medium |
CN108428254A (zh) * | 2018-03-15 | 2018-08-21 | 斑马网络技术有限公司 | 三维地图的构建方法及装置 |
US11410435B2 (en) | 2018-05-07 | 2022-08-09 | Tencent Technology (Shenzhen) Company Limited | Ground mark extraction method, model training METHOD, device and storage medium |
WO2019214372A1 (zh) * | 2018-05-07 | 2019-11-14 | 腾讯科技(深圳)有限公司 | 地面标志提取的方法、模型训练的方法、设备及存储介质 |
CN108564874A (zh) * | 2018-05-07 | 2018-09-21 | 腾讯大地通途(北京)科技有限公司 | 地面标志提取的方法、模型训练的方法、设备及存储介质 |
CN108921089A (zh) * | 2018-06-29 | 2018-11-30 | 驭势科技(北京)有限公司 | 车道线检测方法、装置和***及存储介质 |
CN109165549B (zh) * | 2018-07-09 | 2021-03-19 | 厦门大学 | 基于三维点云数据的道路标识获取方法、终端设备及装置 |
CN109165549A (zh) * | 2018-07-09 | 2019-01-08 | 厦门大学 | 基于三维点云数据的道路标识获取方法、终端设备及装置 |
CN110765812B (zh) * | 2018-07-26 | 2021-02-19 | 北京图森智途科技有限公司 | 一种图像数据车道线的标定方法和装置 |
CN110765812A (zh) * | 2018-07-26 | 2020-02-07 | 北京图森未来科技有限公司 | 一种图像数据车道线的标定方法和装置 |
CN110827340B (zh) * | 2018-08-08 | 2022-08-12 | 北京嘀嘀无限科技发展有限公司 | 地图的更新方法、装置及存储介质 |
CN110827340A (zh) * | 2018-08-08 | 2020-02-21 | 北京嘀嘀无限科技发展有限公司 | 地图的更新方法、装置及存储介质 |
CN109242003A (zh) * | 2018-08-13 | 2019-01-18 | 浙江零跑科技有限公司 | 基于深度卷积神经网络的车载视觉***自身运动确定方法 |
CN109242003B (zh) * | 2018-08-13 | 2021-01-01 | 浙江零跑科技有限公司 | 基于深度卷积神经网络的车载视觉***自身运动确定方法 |
CN109214334A (zh) * | 2018-09-03 | 2019-01-15 | 百度在线网络技术(北京)有限公司 | 车道线处理方法和装置 |
US11275955B2 (en) | 2018-09-03 | 2022-03-15 | Baidu Online Network Technology (Beijing) Co., Ltd. | Lane line processing method and device |
WO2020048487A1 (zh) * | 2018-09-05 | 2020-03-12 | 北京嘀嘀无限科技发展有限公司 | 一种图像数据处理方法及*** |
CN110148196A (zh) * | 2018-09-12 | 2019-08-20 | 腾讯大地通途(北京)科技有限公司 | 一种图像处理方法、装置以及相关设备 |
US11367217B2 (en) | 2018-09-12 | 2022-06-21 | Tencent Technology (Shenzhen) Company Limited | Image processing method and apparatus, and related device |
WO2020052530A1 (zh) * | 2018-09-12 | 2020-03-19 | 腾讯科技(深圳)有限公司 | 一种图像处理方法、装置以及相关设备 |
CN110909588A (zh) * | 2018-09-15 | 2020-03-24 | 斯特拉德视觉公司 | 基于cnn的用于车道线检测的方法和装置 |
CN110909588B (zh) * | 2018-09-15 | 2023-08-22 | 斯特拉德视觉公司 | 基于cnn的用于车道线检测的方法和装置 |
CN109190587B (zh) * | 2018-09-19 | 2021-03-26 | 宽凳(北京)科技有限公司 | 对车道线数据正确率和召回率进行评估的方法和*** |
CN109190587A (zh) * | 2018-09-19 | 2019-01-11 | 宽凳(北京)科技有限公司 | 对车道线数据正确率和召回率进行评估的方法和*** |
CN110941684A (zh) * | 2018-09-21 | 2020-03-31 | 高德软件有限公司 | 一种地图数据的生产方法、相关装置及*** |
US12007243B2 (en) | 2018-09-30 | 2024-06-11 | Great Wall Motor Company Limited | Traffic lane line fitting method and system |
CN110361021B (zh) * | 2018-09-30 | 2021-06-22 | 毫末智行科技有限公司 | 车道线拟合方法及*** |
CN110361021A (zh) * | 2018-09-30 | 2019-10-22 | 长城汽车股份有限公司 | 车道线拟合方法及*** |
US11175149B2 (en) * | 2018-10-16 | 2021-11-16 | Samsung Electronics Co., Ltd. | Vehicle localization method and apparatus |
CN111091037A (zh) * | 2018-10-23 | 2020-05-01 | 三星电子株式会社 | 用于确定驾驶信息的方法和设备 |
CN111121793B (zh) * | 2018-10-31 | 2022-07-01 | 百度在线网络技术(北京)有限公司 | 用于无人驾驶的地图生成方法、装置及存储介质 |
CN111126109B (zh) * | 2018-10-31 | 2023-09-05 | 沈阳美行科技股份有限公司 | 一种车道线识别方法、装置和电子设备 |
CN111126106B (zh) * | 2018-10-31 | 2023-09-05 | 沈阳美行科技股份有限公司 | 一种车道线识别方法和装置 |
CN109584706A (zh) * | 2018-10-31 | 2019-04-05 | 百度在线网络技术(北京)有限公司 | 电子地图车道线处理方法、设备及计算机可读存储介质 |
CN111126109A (zh) * | 2018-10-31 | 2020-05-08 | 沈阳美行科技有限公司 | 一种车道线识别方法、装置和电子设备 |
CN111126106A (zh) * | 2018-10-31 | 2020-05-08 | 沈阳美行科技有限公司 | 一种车道线识别方法和装置 |
CN111121793A (zh) * | 2018-10-31 | 2020-05-08 | 百度在线网络技术(北京)有限公司 | 用于无人驾驶的地图生成方法、装置及存储介质 |
CN111291601A (zh) * | 2018-12-07 | 2020-06-16 | 阿里巴巴集团控股有限公司 | 车道线识别方法和装置以及电子设备 |
CN111291601B (zh) * | 2018-12-07 | 2023-05-02 | 阿里巴巴集团控股有限公司 | 车道线识别方法和装置以及电子设备 |
CN111325811A (zh) * | 2018-12-14 | 2020-06-23 | 广东星舆科技有限公司 | 一种车道线数据的处理方法及处理装置 |
CN109740469A (zh) * | 2018-12-24 | 2019-05-10 | 百度在线网络技术(北京)有限公司 | 车道线检测方法、装置、计算机设备和存储介质 |
CN109948413A (zh) * | 2018-12-29 | 2019-06-28 | 禾多科技(北京)有限公司 | 基于高精度地图融合的车道线检测方法 |
CN109948413B (zh) * | 2018-12-29 | 2021-06-04 | 禾多科技(北京)有限公司 | 基于高精度地图融合的车道线检测方法 |
CN111247525A (zh) * | 2019-01-14 | 2020-06-05 | 深圳市大疆创新科技有限公司 | 一种车道检测方法、装置及车道检测设备、移动平台 |
CN109916416A (zh) * | 2019-01-29 | 2019-06-21 | 腾讯科技(深圳)有限公司 | 车道线数据处理与更新方法、装置及设备 |
CN109724615A (zh) * | 2019-02-28 | 2019-05-07 | 北京经纬恒润科技有限公司 | 一种车道线识别结果的校验方法及*** |
CN109724615B (zh) * | 2019-02-28 | 2021-06-29 | 北京经纬恒润科技股份有限公司 | 一种车道线识别结果的校验方法及*** |
CN110119721A (zh) * | 2019-05-17 | 2019-08-13 | 百度在线网络技术(北京)有限公司 | 用于处理信息的方法和装置 |
CN110119721B (zh) * | 2019-05-17 | 2021-04-20 | 百度在线网络技术(北京)有限公司 | 用于处理信息的方法和装置 |
WO2020258894A1 (zh) * | 2019-06-25 | 2020-12-30 | 北京市商汤科技开发有限公司 | 车道线属性检测 |
CN112215041B (zh) * | 2019-07-11 | 2024-05-31 | 广州汽车集团股份有限公司 | 一种端到端车道线检测方法及其*** |
CN110458023B (zh) * | 2019-07-11 | 2022-08-02 | 浙江吉利汽车研究院有限公司 | 一种道路线检测模型的训练方法、道路线检测方法及装置 |
CN110458023A (zh) * | 2019-07-11 | 2019-11-15 | 浙江吉利汽车研究院有限公司 | 一种道路线检测模型的训练方法、道路线检测方法及装置 |
CN112215041A (zh) * | 2019-07-11 | 2021-01-12 | 广州汽车集团股份有限公司 | 一种端到端车道线检测方法及其*** |
WO2021036243A1 (zh) * | 2019-08-28 | 2021-03-04 | 华为技术有限公司 | 识别车道的方法、装置及计算设备 |
CN110852342A (zh) * | 2019-09-26 | 2020-02-28 | 京东城市(北京)数字科技有限公司 | 一种路网数据的获取方法、装置、设备及计算机存储介质 |
CN110852342B (zh) * | 2019-09-26 | 2020-11-24 | 京东城市(北京)数字科技有限公司 | 一种路网数据的获取方法、装置、设备及计算机存储介质 |
CN111121805A (zh) * | 2019-12-11 | 2020-05-08 | 广州赛特智能科技有限公司 | 基于道路交通标线标志的局部定位修正方法、设备及介质 |
CN113155143A (zh) * | 2020-01-23 | 2021-07-23 | 宝马股份公司 | 用于评估自动驾驶用的地图的方法、设备和车辆 |
CN113256756B (zh) * | 2020-02-07 | 2023-03-21 | 阿里巴巴集团控股有限公司 | 地图数据显示方法、装置、设备及存储介质 |
CN113256756A (zh) * | 2020-02-07 | 2021-08-13 | 阿里巴巴集团控股有限公司 | 地图数据显示方法、装置、设备及存储介质 |
CN111597987A (zh) * | 2020-05-15 | 2020-08-28 | 北京百度网讯科技有限公司 | 用于生成信息的方法、装置、设备和存储介质 |
CN111597995A (zh) * | 2020-05-15 | 2020-08-28 | 弗徕威智能机器人科技(上海)有限公司 | 一种车道标记线检测方法、***、以及存储介质 |
CN111597995B (zh) * | 2020-05-15 | 2023-04-28 | 汇智机器人科技(深圳)有限公司 | 一种车道标记线检测方法、***、以及存储介质 |
CN111597987B (zh) * | 2020-05-15 | 2023-09-01 | 阿波罗智能技术(北京)有限公司 | 用于生成信息的方法、装置、设备和存储介质 |
CN111696170A (zh) * | 2020-06-05 | 2020-09-22 | 百度在线网络技术(北京)有限公司 | 地图绘制方法、装置、设备和介质 |
CN111696170B (zh) * | 2020-06-05 | 2023-07-04 | 百度在线网络技术(北京)有限公司 | 地图绘制方法、装置、设备和介质 |
CN112009460A (zh) * | 2020-09-03 | 2020-12-01 | 中国第一汽车股份有限公司 | 一种车辆控制方法、装置、设备及存储介质 |
CN112434585A (zh) * | 2020-11-14 | 2021-03-02 | 武汉中海庭数据技术有限公司 | 一种车道线的虚实识别方法、***、电子设备及存储介质 |
CN112347983B (zh) * | 2020-11-27 | 2021-12-14 | 腾讯科技(深圳)有限公司 | 车道线检测处理方法、装置、计算机设备和存储介质 |
CN112347983A (zh) * | 2020-11-27 | 2021-02-09 | 腾讯科技(深圳)有限公司 | 车道线检测处理方法、装置、计算机设备和存储介质 |
CN112380313A (zh) * | 2020-12-01 | 2021-02-19 | 北京罗克维尔斯科技有限公司 | 更新高精地图置信度的方法及装置 |
CN112380313B (zh) * | 2020-12-01 | 2023-07-28 | 北京罗克维尔斯科技有限公司 | 更新高精地图置信度的方法及装置 |
CN112706785A (zh) * | 2021-01-29 | 2021-04-27 | 重庆长安汽车股份有限公司 | 一种自动驾驶车辆行驶环境认知目标选择方法、装置及存储介质 |
CN112964264B (zh) * | 2021-02-07 | 2024-03-26 | 上海商汤临港智能科技有限公司 | 道路边沿检测方法、装置、高精度地图、车辆及存储介质 |
CN112964264A (zh) * | 2021-02-07 | 2021-06-15 | 上海商汤临港智能科技有限公司 | 道路边沿检测方法、装置、高精度地图、车辆及存储介质 |
CN113525365A (zh) * | 2021-07-21 | 2021-10-22 | 上汽通用五菱汽车股份有限公司 | 道路规划方法、装置及计算机可读存储介质 |
CN114136333A (zh) * | 2021-10-15 | 2022-03-04 | 阿波罗智能技术(北京)有限公司 | 基于分层特征的高精地图道路数据生成方法、装置、设备 |
CN114419338A (zh) * | 2022-03-28 | 2022-04-29 | 腾讯科技(深圳)有限公司 | 图像处理方法、装置、计算机设备和存储介质 |
CN117078698A (zh) * | 2023-08-22 | 2023-11-17 | 山东第一医科大学第二附属医院 | 一种基于深度学习的外周血管影像辅助分割方法及*** |
CN117078698B (zh) * | 2023-08-22 | 2024-03-05 | 山东第一医科大学第二附属医院 | 一种基于深度学习的外周血管影像辅助分割方法及*** |
Also Published As
Publication number | Publication date |
---|---|
WO2017041396A1 (zh) | 2017-03-16 |
JP2017533482A (ja) | 2017-11-09 |
EP3171292A4 (en) | 2018-02-21 |
KR101856401B1 (ko) | 2018-05-09 |
US10074020B2 (en) | 2018-09-11 |
EP3171292A1 (en) | 2017-05-24 |
US20180181817A1 (en) | 2018-06-28 |
JP6259928B2 (ja) | 2018-01-10 |
CN105260699B (zh) | 2018-06-26 |
KR20170041168A (ko) | 2017-04-14 |
EP3171292B1 (en) | 2023-11-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105260699B (zh) | 一种车道线数据的处理方法及装置 | |
CN105160309B (zh) | 基于图像形态学分割及区域生长的三车道检测方法 | |
CN102682292B (zh) | 基于单目视觉的道路边缘检测及粗定位方法 | |
CN101929867B (zh) | 使用道路模型的畅通路径检测 | |
Kühnl et al. | Spatial ray features for real-time ego-lane extraction | |
CN105488454A (zh) | 基于单目视觉的前方车辆检测与测距 | |
CN103714538B (zh) | 道路边缘检测方法、装置及车辆 | |
CN110379168B (zh) | 一种基于Mask R-CNN的交通车辆信息获取方法 | |
CN102354457B (zh) | 基于广义霍夫变换的交通信号灯位置检测方法 | |
CN104899554A (zh) | 一种基于单目视觉的车辆测距方法 | |
CN104392212A (zh) | 一种基于视觉的道路信息检测及前方车辆识别方法 | |
CN104700414A (zh) | 一种基于车载双目相机的前方道路行人快速测距方法 | |
CN101944176A (zh) | 存在交通设施标识的更优畅通路径检测 | |
CN110197173B (zh) | 一种基于双目视觉的路沿检测方法 | |
CN106446785A (zh) | 基于双目视觉的可行道路检测方法 | |
CN108171695A (zh) | 一种基于图像处理的高速公路路面检测方法 | |
CN202134079U (zh) | 一种无人驾驶车辆车道标志线识别与报警装置 | |
CN107886034A (zh) | 行车提醒方法、装置及车辆 | |
CN106980855A (zh) | 交通标志快速识别定位***及方法 | |
CN113989784A (zh) | 一种基于车载激光点云的道路场景类型识别方法及*** | |
CN103996031A (zh) | 一种自适应阈值分割的车道线检测***及其方法 | |
CN112861748A (zh) | 一种自动驾驶中的红绿灯检测***及方法 | |
CN112906616A (zh) | 一种车道线提取与生成方法 | |
Samadzadegan et al. | Automatic lane detection in image sequences for vision-based navigation purposes | |
Kühnl et al. | Visual ego-vehicle lane assignment using spatial ray features |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |