CN106415602B - 一种成对车道线的检测方法和装置 - Google Patents
一种成对车道线的检测方法和装置 Download PDFInfo
- Publication number
- CN106415602B CN106415602B CN201680000880.XA CN201680000880A CN106415602B CN 106415602 B CN106415602 B CN 106415602B CN 201680000880 A CN201680000880 A CN 201680000880A CN 106415602 B CN106415602 B CN 106415602B
- Authority
- CN
- China
- Prior art keywords
- lane line
- pairs
- artificial neural
- straight lines
- sampling point
- 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.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 24
- 239000013598 vector Substances 0.000 claims abstract description 69
- 238000005070 sampling Methods 0.000 claims abstract description 68
- 230000005284 excitation Effects 0.000 claims abstract description 64
- 238000013528 artificial neural network Methods 0.000 claims abstract description 57
- 238000000034 method Methods 0.000 claims abstract description 22
- 210000002569 neuron Anatomy 0.000 claims description 27
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000001537 neural effect Effects 0.000 claims 1
- 238000006467 substitution reaction Methods 0.000 claims 1
- 238000012549 training Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 238000000926 separation method Methods 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
- G06V20/588—Recognition of the road, e.g. of lane markings; Recognition of the vehicle driving pattern in relation to the road
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Biology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Image Analysis (AREA)
Abstract
一种成对车道线的检测方法,所述方法包括:获取待检测的两条直线,根据预先设定的间距在所述两条直线上分别选择的样点,获取所述样点与预定的公共点之间的距离向量;将所述距离向量代入预先设定的人工神经网络计算激励值,其中,所述人工神经网络的权重向量根据预先采集的成对车道线样本数据所训练获取;根据所述人工神经网络输出的激励值,判断所述两条直线是否为成对车道线。本方法可以有效的保证对成对车道线判断的实时性,又能够提高判断的准确性。
Description
技术领域
本发明属于自动驾驶领域,尤其涉及一种成对车道线的检测方法和装置。
背景技术
车道偏离预警***是一种通过报警的方式辅助驾驶员减少汽车因车道偏离而发生交通事故的汽车驾驶的辅助***。当车辆偏离行驶车道时,通过所述车道偏离预警***可以发出预警提醒,所述预警提醒可包括警报音、方向盘震动或自动改变转向等。
在车道偏离预警***中,为了保证预警的准确度,需要对车道线进行正确的提取和识别。目前的成对车道线检测方法,一般需要消耗较多的***资源,当需要较高的准确度时,则需要花费一定的计算时间,无法保证实时检测;或者,为了提高检测的实时性,则可能造成漏检测,导致误检率提高。
发明内容
本发明的目的在于提供一种成对车道线的检测方法,以解决现有技术在成对车道线检测时,不能有效的保证准确率以及实时性的问题。
第一方面,本发明实施例提供了一种成对车道线的检测方法,所述方法包括:
获取待检测的两条直线,根据预先设定的间距在所述两条直线上分别选择的样点,获取所述样点与预定的公共点之间的距离向量;
将所述距离向量代入预先设定的人工神经网络计算激励值,其中,所述人工神经网络的权重向量根据预先采集的成对车道线样本数据所训练获取;
根据所述人工神经网络输出的激励值,判断所述两条直线是否为成对车道线。
结合第一方面,在第一方面的第一种可能实现方式中,所述根据预先设定的间距在所述两条直线上选择的样点,获取所述样点与预定的公共点之间的距离向量步骤包括:
根据预先设定的间距,在所述两条直线上分别选择样点;
将图像的中心点作为公共点,获取所述样点与所述公共点之间的距离向量。
结合第一方面,在第一方面的第二种可能实现方式中,在所述将所述距离向量代入预先设定的人工神经网络计算激励值步骤之前,所述方法还包括:
采集大量的成对的车道线样本和不成对的车道线样本,根据所述间距在所述车道线样本上选择样点;
计算所述样点与所述公共点之间的距离;
将所述距离代入人工神经网络的神经细胞层,根据样本是否成对,计算人工神经网络的神经细胞层的所对应的权重向量。
结合第一方面,在第一方面的第三种可能实现方式中,所述样点包括在每条车道线上选择的N个样点,所述N为大于或等于2的自然数。
结合第一方面,在第一方面的第四种可能实现方式中,所述根据所述人工神经网络输出的激励值,判断所述两条直线是否为成对车道线步骤包括:
获取所述人工神经网络输出的激励值,将所述激励值与预先设定的阈值进行比较;
如果所述激励值大于所述阈值,则确定所述两条直线为成对车道线,如果所述激励值小于所述阈值,则确定所述两条直线不是成对车道线。
第二方面,本发明实施例提供了一种成对车道线的检测装置,所述装置包括:
车道线获取单元,用于获取待检测的两条直线,根据预先设定的间距在所述两条直线上分别选择的样点,获取所述样点与预定的公共点之间的距离向量;
计算单元,用于将所述距离向量代入预先设定的人工神经网络计算激励值,其中,所述人工神经网络的权重向量根据预先采集的成对车道线样本数据所训练获取;
判断单元,用于根据所述人工神经网络输出的激励值,判断所述两条直线是否为成对车道线。
结合第二方面,在第二方面的第一种可能实现方式中,所述车道线获取单元包括:
样点选择子单元,用于根据预先设定的间距,在所述两条直线上分别选择样点;
公共点获取子单元,用于将图像的中心点作为公共点,获取所述样点与所述公共点之间的距离向量。
结合第二方面,在第二方面的第二种可能实现方式中,所述装置还包括:
样本采集单元,用于采集大量的成对的车道线样本和不成对的车道线样本,根据所述间距在所述车道线样本上选择样点;
距离计算单元,用于计算所述样点与所述公共点之间的距离;
权重向量计算单元,用于将所述距离代入人工神经网络的神经细胞层,根据样本是否成对,计算人工神经网络的神经细胞层的所对应的权重向量。
结合第二方面,在第二方面的第三种可能实现方式中,所述样点包括在每条车道线上选择的N个样点,所述N为大于或等于2的自然数。
结合第二方面,在第二方面的第四种可能实现方式中,所述判断单元包括:
比较子单元有,用于获取所述人工神经网络输出的激励值,将所述激励值与预先设定的阈值进行比较;
成对车道线确定子单元,用于如果所述激励值大于所述阈值,则确定所述两条直线为成对车道线,如果所述激励值小于所述阈值,则确定所述两条直线不是成对车道线。
在本发明中,获取待检测的两条直线,根据预先设定的间距,在所述两条直线上选择样点,获得样点与公共点之间的距离向量,将所述距离向量代入预先训练好的人工神经网络,可得到人工神经网络输出的激励值,根据所述激励值判断所述两条直线是否为成对车道线。采用本发明所述方法,只需要将获取的距离数据代入人工神经网络即可快速的确定是否为成对车道线,即可有效的保证对成对车道线判断的实时性,又能够提高判断的准确性。
附图说明
图1是本发明实施例提供的成对车道线的检测方法的实现流程图;
图2为本发明实施例提供的距离向量获取实例示意图;
图3为本发明实施例提供的又一距离向量获取实例示意图;
图4为本发明实施例提供的人工神经网络示意图;
图5是本发明实施例提供的人工神经网络训练的实现流程图;
图5a、图5b、图5c为本发明实施例提供的训练样本示意图;
图6是本发明实施例提供的成对车道线的检测装置的结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本发明实施例所述成对车道线检测方法,目的在于克服现有技术中就成对车道线检测方法中,为了提高成对车道线的检测正确率,往往需要采用较为复杂的检测算法,导致检测计算过程需要消耗一定的时长,如果在汽车高速行驶状态下,则会造成检测结果滞后,检测的实时性较低的缺陷。而如果采用简单的车道线判断方法,则容易出现检测结果出错,影响用户判断。下面结合附图,对本发明作进一步的说明。
图1示出了本发明实施例提供的成对车道线的检测方法的实现流程,详述如下:
在步骤S101中,获取待检测的两条直线,根据预先设定的间距在所述两条直线上分别选择的样点,获取所述样点与预定的公共点之间的距离向量。
具体的,本发明实施例所述对成车道线,是指用于限定车辆行驶的车道的辅助线。由于在车辆行驶过程中,除了车道线以外,还可能包括其它的标识线,比如图3所示,除了车道线以外,还包括箭头标识,由箭头线和车道线构成的标识,则不应该识别为成对车道线。
所述待检测的两条直线,可以通过对图像进行识别获取。比如,所述直线的识别,可以根据图像中颜色进行识别,比如识别图像中颜色为白色,或者颜色为黄色的直线等。
所述预先设定的间距,可以根据图像的大小进行设定。比如根据图像的宽度,设置1/3屏幕宽度为所述间距的长度。当然,还可以根据所需要的样点的个数,选择所述间距的大小,设定所述间距的长度,使得选择的样点包括所述直线的端部位置。
所述公共点的选择,可以根据用户的需要灵活设定。比如可以设定图像中的上部的中点作为所述公共点,也可以设定图像中的下部的中点作为所述公共点,还可以设定图像的中心点作为所述公共点。根据公共点的选择方式的不同,所述人工神经网络所对应的权重向量也不相同。并且在权重向量的训练过程中选用的公共点的位置,与所述待检测的两条直线对应的公共点的位置相同。
所述样点与所述公共点之间的距离向量,可以通过测量样点与公共点之间的距离获取。比如图2中的两条直线,在每条直线上选择两个样点(出于示例选用的其中一种实施方式),选择的样点包括四个,所述公共点为图像的中心位置,则左上角线段的距离为7.7cm,左下角线段的距离为10.5cm,右上角线段的距离为8.5cm,右下角线段的距离为12cm,构成距离向量为<7.7,10.5,8.5,12>。
如图3所示的两条直线,在每条直线上选择两个样点(出于示例选用的其中一种实施方式),所选择的样点包括四个,所述公共点为图像的中心位置,则左上角线段的距离为2.7cm,左下角线段的距离为8.2cm,右上角线段的距离为6.2cm,右下角线段的距离为4.3cm,构成距离向量为<2.7,8.2,6.2,4.3>。
在步骤S102中,将所述距离向量代入预先设定的人工神经网络计算激励值,其中,所述人工神经网络的权重向量根据预先采集的成对车道线样本数据所训练获取。
具体的,本发明实施例中所述人工神经网络的权重向量的计算,可以根据预先设定的多个样本训练获取,其中,所述权重向量的训练方法,可以包括图5所示的下述步骤:
在步骤S501中,采集大量的成对的车道线样本和不成对的车道线样本,根据所述间距在所述车道线样本上选择样点;
在步骤S02中,计算所述样点与所述公共点之间的距离;
在步骤S503中,将所述距离代入人工神经网络的神经细胞层,根据样本是否成对,计算人工神经网络的神经细胞层的所对应的权重向量。
具体的,所述人工神经网络可以包括神经细胞层、输出层。在所述神经细胞层与输出层之间,还可以包括隐藏层。如图4为本发明实施例提供的一种人工神经网络的结构示意图。如图4所示,所述人工神经网络包括输入层X1,X2,X3和X4、神经细胞层Y1、Y2、Z1和Z2,其中,Y1和Y2构成隐藏层,Z1和Z2构成输出层。
其中,所述输入层的输入个数,根据输入向量的个数设定。比如在图5a、图5b和图5c中的样点为4个,相应的输入层的输入个数也为4个。
假设图5a、图5b和图5c是大量的成对车道样样本中的三个,并且对于图5a、图5b和图5c的距离向量依次为:
如图5a所示的两条直线,在每条直线上选择两个样点(出于示例选用的其中一种实施方式),所选择的样点包括四个,所述公共点为图像的中心位置,则左上角线段的距离为5cm,左下角线段的距离为14cm,右上角线段的距离为11cm,右下角线段的距离为9.5cm,构成距离向量为<5,14,11,9.5>。
如图5b所示的两条直线,在每条直线上选择两个样点(出于示例选用的其中一种实施方式),所选择的样点包括四个,所述公共点为图像的中心位置,则左上角线段的距离为5cm,左下角线段的距离为6.5cm,右上角线段的距离为10cm,右下角线段的距离为16cm,构成距离向量为<5,6.5,10,16>。
如图5c所示的两条直线,在每条直线上选择两个样点(出于示例选用的其中一种实施方式),所选择的样点包括四个,所述公共点为图像的中心位置,则左上角线段的距离为7cm,左下角线段的距离为11cm,右上角线段的距离为7.7cm,右下角线段的距离为12cm,构成距离向量为<7,11,7.7,12>。
图5a、图5b、图5c的输出结果均为是“成对车道线”,结合图4所述的人工神经网络,W11、W13、W15和W17是神经细胞Y1的四个输入对应的权重;W12、W14、W16和W18是神经细胞Y2的四个输入对应的权重;W21和W23是神经细胞Z1的两个输入对应的权重;W22和W24是神经细胞Z2的两个输入对应的权重。
其中,神经细胞的激励值为输入与权重的乘积和,比如图4中:Y1得到的激励值=X1*W11+X2*W13+X3*W15+X4*W17。
在训练过程中,可以为神经细胞设置激励函数,如:输出层的激励值超过一定的阈值,输出1;否则输出0。在此例中,隐藏层的神经细胞Y1和Y2的激励函数设置为:输出==激励值。
神经细胞Z1和Z2的输入即为Y1和Y2的输出,即:Z1得到的激励值=Y1*W21+Y2*W23。其中,本发明对于Z1和Z2设置激励函数可以为:if(激励值>=0),输出1,otherwise输出0。
根据上述激励函数,可以确定人工神经网络各个权重,即人工神经网络的训练。
在本发明中,人工神经网络各个权重值初始化为[-1,1]之间的任意随机小数,然后把训练集中的样本逐个输入人工神经网络,调整各个权重值,使所有“正”样本在Z1产生1的输出,在Z2产生0的输出;且所有“负样本”在Z1产生0输出,在Z2产生1输出。经过图5a、图5b和图5c中的三个向量逐一作为正样本输入,反复训练,调整权重值。当然,还可以输入负样本进行训练。最终得到神经细胞Y1的权重向量为<0.8,-0.2,0.65,-0.3>,Y2的输入权重向量为<0.7,-0.3,0.9,-0.4>,Z1的输入权重向量为<1,-1>,Z2的输入权重向量为<-1,1>。
在步骤S103中,根据所述人工神经网络输出的激励值,判断所述两条直线是否为成对车道线。
根据图2和图3得到的距离向量,分别代入所述人工神经网络,可以计算人工神经网络的输出层的激励值:
对于图2,输入向量为:<7.7,10.5,8.5,12>,Y1的权重向量为<0.8,-0.2,0.65,-0.3>,得到Y1激励值=5.985;Y2的权重向量为<0.7,-0.3,0.9,-0.4>,得到Y2激励值=5.09。
Y1和Y2的激励函数设置为“输出==激励值”,则Z1的激励值=<5.985,5.09>*<1,-1>=0.985;Z2激励值=<5.985,5.09>*<-1,1>=-0.985。
Z1和Z2的激励函数设置为“if(激励值>=0),输出1,otherwise输出0”,则Z1输出1,Z2输出0,得到“两条直线是成对车道线”的判定。
对于图4中的间两条线,取得的向量值为<2.7,8.2,6.2,4.3>,Y1对应的权重向量为:<0.8,-0.2,0.65,-0.3>,得到Y1激励值=3.26;Y2的激励向量为<0.7,-0.3,0.9,-0.4>,得到Y2激励值=3.29。
Z1的激励值=<3.26,3.29>*<1,-1>=-0.03;Z2激励值=<3.26,3.29>*<-1,1>=0.03。Z1输出0,Z2输出1,得到“两条直线非成对车道线”的判定。
本发明获取待检测的两条直线,根据预先设定的间距,在所述两条直线上选择样点,获得样点与公共点之间的距离向量,将所述距离向量代入预先训练好的人工神经网络,可得到人工神经网络输出的激励值,根据所述激励值判断所述两条直线是否为成对车道线。采用本发明所述方法,只需要将获取的距离数据代入人工神经网络即可快速的确定是否为成对车道线,即可以有效的保证对成对车道线判断的实时性,又能够提高判断的准确性。
图6所示为本发明实施例提供的成对车道线的检测装置的结构示意图,详述如下:
本发明实施例所述成对车道线的检测装置,包括:
车道线获取单元601,用于获取待检测的两条直线,根据预先设定的间距在所述两条直线上分别选择的样点,获取所述样点与预定的公共点之间的距离向量;
计算单元602,用于将所述距离向量代入预先设定的人工神经网络计算激励值,其中,所述人工神经网络的权重向量根据预先采集的成对车道线样本数据所训练获取;
判断单元603,用于根据所述人工神经网络输出的激励值,判断所述两条直线是否为成对车道线。
优选的,所述车道线获取单元包括:
样点选择子单元,用于根据预先设定的间距,在所述两条直线上分别选择样点;
公共点获取子单元,用于将图像的中心点作为公共点,获取所述样点与所述公共点之间的距离向量。
优选的,所述装置还包括:
样本采集单元,用于采集大量的成对的车道线样本和不成对的车道线样本,根据所述间距在所述车道线样本上选择样点;
距离计算单元,用于计算所述样点与所述公共点之间的距离;
权重向量计算单元,用于将所述距离代入人工神经网络的神经细胞层,根据样本是否成对,计算人工神经网络的神经细胞层的所对应的权重向量。
优选的,所述样点包括在每条车道线上选择的N个样点,所述N为大于或等于2的自然数。
优选的,所述判断单元包括:
比较子单元有,用于获取所述人工神经网络输出的激励值,将所述激励值与预先设定的阈值进行比较;
成对车道线确定子单元,用于如果所述激励值大于所述阈值,则确定所述两条直线为成对车道线,如果所述激励值小于所述阈值,则确定所述两条直线不是成对车道线。
本发明实施例所述成对车道线的检测装置,与上述成对车道线的检测方法对应,在此不作重复赘述。
在本发明所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,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***,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信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,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,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,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)执行本发明各个实施例所述方法的全部或部分。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种成对车道线的检测方法,其特征在于,所述方法包括:
获取待检测的两条直线,根据预先设定的间距在所述两条直线上分别选择的样点,获取所述样点与预定的公共点之间的距离向量,所述公共点包括图像中的上部的中点,图像中的下部的中点,或者图像的中心点;
将所述距离向量代入预先设定的人工神经网络计算激励值,其中,所述人工神经网络的权重向量根据预先采集的成对车道线样本数据和非成对车道线样本数据所训练获取;
根据所述人工神经网络输出的激励值,判断所述两条直线是否为成对车道线。
2.根据权利要求1所述方法,其特征在于,所述根据预先设定的间距在所述两条直线上分别选择的样点,获取所述样点与预定的公共点之间的距离向量步骤包括:
根据预先设定的间距,在所述两条直线上分别选择样点;
将图像的中心点作为公共点,获取所述样点与所述公共点之间的距离向量。
3.根据权利要求1所述方法,其特征在于,在所述将所述距离向量代入预先设定的人工神经网络计算激励值步骤之前,所述方法还包括:
采集大量的成对的车道线样本和不成对的车道线样本,根据所述间距在所述车道线样本上选择样点;
计算所述样点与所述公共点之间的距离;
将所述距离代入人工神经网络的神经细胞层,根据样本是否成对,计算人工神经网络的神经细胞层的所对应的权重向量。
4.根据权利要求1所述方法,其特征在于,所述样点包括在每条车道线上选择的N个样点,所述N为大于或等于2的自然数。
5.根据权利要求1所述方法,其特征在于,所述根据所述人工神经网络输出的激励值,判断所述两条直线是否为成对车道线步骤包括:
获取所述人工神经网络输出的激励值,将所述激励值与预先设定的阈值进行比较;
如果所述激励值大于所述阈值,则确定所述两条直线为成对车道线,如果所述激励值小于所述阈值,则确定所述两条直线不是成对车道线。
6.一种成对车道线的检测装置,其特征在于,所述装置包括:
车道线获取单元,用于获取待检测的两条直线,根据预先设定的间距在所述两条直线上分别选择的样点,获取所述样点与预定的公共点之间的距离向量,所述公共点包括图像中的上部的中点,图像中的下部的中点,或者图像的中心点;
计算单元,用于将所述距离向量代入预先设定的人工神经网络计算激励值,其中,所述人工神经网络的权重向量根据预先采集的成对车道线样本数据和非成对车道线样本数据所训练获取;
判断单元,用于根据所述人工神经网络输出的激励值,判断所述两条直线是否为成对车道线。
7.根据权利要求6所述装置,其特征在于,所述车道线获取单元包括:
样点选择子单元,用于根据预先设定的间距,在所述两条直线上分别选择样点;
公共点获取子单元,用于将图像的中心点作为公共点,获取所述样点与所述公共点之间的距离向量。
8.根据权利要求6所述装置,其特征在于,所述装置还包括:
样本采集单元,用于采集大量的成对的车道线样本和不成对的车道线样本,根据所述间距在所述车道线样本上选择样点;
距离计算单元,用于计算所述样点与所述公共点之间的距离;
权重向量计算单元,用于将所述距离代入人工神经网络的神经细胞层,根据样本是否成对,计算人工神经网络的神经细胞层的所对应的权重向量。
9.根据权利要求6所述装置,其特征在于,所述样点包括在每条车道线上选择的N个样点,所述N为大于或等于2的自然数。
10.根据权利要求6所述装置,其特征在于,所述判断单元包括:
比较子单元,用于获取所述人工神经网络输出的激励值,将所述激励值与预先设定的阈值进行比较;
成对车道线确定子单元,用于如果所述激励值大于所述阈值,则确定所述两条直线为成对车道线,如果所述激励值小于所述阈值,则确定所述两条直线不是成对车道线。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/CN2016/096761 WO2018035815A1 (zh) | 2016-08-25 | 2016-08-25 | 一种成对车道线的检测方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106415602A CN106415602A (zh) | 2017-02-15 |
CN106415602B true CN106415602B (zh) | 2019-12-03 |
Family
ID=58087907
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201680000880.XA Active CN106415602B (zh) | 2016-08-25 | 2016-08-25 | 一种成对车道线的检测方法和装置 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN106415602B (zh) |
WO (1) | WO2018035815A1 (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106462755B (zh) * | 2016-09-26 | 2019-05-28 | 深圳市锐明技术股份有限公司 | 成对车道线检测方法及装置 |
CN106778791A (zh) * | 2017-03-01 | 2017-05-31 | 成都天衡电科科技有限公司 | 一种基于多重感知器的木材视觉识别方法 |
Family Cites Families (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
FR2848935B1 (fr) * | 2002-12-20 | 2005-04-29 | Valeo Vision | Procede de detection de virages sur une route et systeme de mise en oeuvre |
CN102201167B (zh) * | 2010-04-07 | 2013-03-06 | 宫宁生 | 基于视频的汽车车道自动识别方法 |
KR101261409B1 (ko) * | 2012-04-24 | 2013-05-10 | 이엔지정보기술 주식회사 | 영상 내 노면표시 인식시스템 |
CN102750825B (zh) * | 2012-06-19 | 2014-07-23 | 银江股份有限公司 | 基于神经网络分类器级联融合的城市道路交通状态检测方法 |
JP6193819B2 (ja) * | 2014-07-11 | 2017-09-06 | 株式会社Soken | 走行区画線認識装置 |
CN104102905B (zh) * | 2014-07-16 | 2018-03-16 | 中电海康集团有限公司 | 一种车道线自适应的检测方法 |
CN104063877B (zh) * | 2014-07-16 | 2017-05-24 | 中电海康集团有限公司 | 一种候选车道线混合判断识别方法 |
CN105069415B (zh) * | 2015-07-24 | 2018-09-11 | 深圳市佳信捷技术股份有限公司 | 车道线检测方法和装置 |
CN105046235B (zh) * | 2015-08-03 | 2018-09-07 | 百度在线网络技术(北京)有限公司 | 车道线的识别建模方法和装置、识别方法和装置 |
CN105260699B (zh) * | 2015-09-10 | 2018-06-26 | 百度在线网络技术(北京)有限公司 | 一种车道线数据的处理方法及装置 |
CN105260713B (zh) * | 2015-10-09 | 2019-06-28 | 东方网力科技股份有限公司 | 一种车道线检测方法和装置 |
CN105608429B (zh) * | 2015-12-21 | 2019-05-14 | 重庆大学 | 基于差分激励的鲁棒车道线检测方法 |
CN105718916A (zh) * | 2016-01-27 | 2016-06-29 | 大连楼兰科技股份有限公司 | 一种基于霍夫变换的车道线检测方法 |
-
2016
- 2016-08-25 WO PCT/CN2016/096761 patent/WO2018035815A1/zh active Application Filing
- 2016-08-25 CN CN201680000880.XA patent/CN106415602B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN106415602A (zh) | 2017-02-15 |
WO2018035815A1 (zh) | 2018-03-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106462757B (zh) | 一种成对车道线的快速检测方法和装置 | |
CN101216884B (zh) | 一种人脸认证的方法及*** | |
CN107368787A (zh) | 一种面向深度智驾应用的交通标志识别算法 | |
CN112466298A (zh) | 语音检测方法、装置、电子设备和存储介质 | |
CN108537326A (zh) | 用于自动驾驶车辆的方法、介质和*** | |
CN109034632B (zh) | 一种基于对抗样本的深度学习模型安全风险评估方法 | |
Xing et al. | Driver workload estimation using a novel hybrid method of error reduction ratio causality and support vector machine | |
CN105303179A (zh) | 指纹识别方法、装置 | |
CN106951825A (zh) | 一种人脸图像质量评估***以及实现方法 | |
CN110070029B (zh) | 一种步态识别方法及装置 | |
KR20210048187A (ko) | 객체 분류 및 검출을 위한 모델 학습 방법 및 장치 | |
CN105404947A (zh) | 用户质量侦测方法及装置 | |
CN108460427A (zh) | 一种分类模型训练方法、装置以及分类方法及装置 | |
WO2019053052A1 (en) | METHOD FOR (RE-) TRAINING MACHINE LEARNING COMPONENT | |
CN104867225A (zh) | 一种纸币的面向识别方法及装置 | |
CN113111968B (zh) | 图像识别模型训练方法、装置、电子设备和可读存储介质 | |
CN106415602B (zh) | 一种成对车道线的检测方法和装置 | |
CN113688957A (zh) | 一种基于多模型融合的目标检测方法、装置、设备及介质 | |
CN107153811A (zh) | 用于多模态生物特征识别的方法、装置及*** | |
CN109415057A (zh) | 用于通过驾驶员辅助***更好的识别对象的方法 | |
CN110009780A (zh) | 一种基于车联网的车门解锁方法、服务器及存储介质 | |
CN111881706A (zh) | 活体检测、图像分类和模型训练方法、装置、设备及介质 | |
CN103049747A (zh) | 利用肤色的人体图像再识别的方法 | |
CN114423011A (zh) | 开放集wifi设备识别方法和装置 | |
CN113192602A (zh) | 一种用于学生心理健康检测的测试*** |
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 |