CN109543493A - 一种车道线的检测方法、装置及电子设备 - Google Patents

一种车道线的检测方法、装置及电子设备 Download PDF

Info

Publication number
CN109543493A
CN109543493A CN201710865241.6A CN201710865241A CN109543493A CN 109543493 A CN109543493 A CN 109543493A CN 201710865241 A CN201710865241 A CN 201710865241A CN 109543493 A CN109543493 A CN 109543493A
Authority
CN
China
Prior art keywords
lane line
line segment
detected
image
location 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.)
Granted
Application number
CN201710865241.6A
Other languages
English (en)
Other versions
CN109543493B (zh
Inventor
屈凯
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.)
Hangzhou Hikvision Digital Technology Co Ltd
Original Assignee
Hangzhou Hikvision Digital 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 Hangzhou Hikvision Digital Technology Co Ltd filed Critical Hangzhou Hikvision Digital Technology Co Ltd
Priority to CN201710865241.6A priority Critical patent/CN109543493B/zh
Publication of CN109543493A publication Critical patent/CN109543493A/zh
Application granted granted Critical
Publication of CN109543493B publication Critical patent/CN109543493B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06V10/40—Extraction of image or video features
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Analysis (AREA)

Abstract

本发明实施例提供了一种车道线的检测方法、装置及电子设备，该方法包括：从待检测图像中检测出车道线段所在区域，并确定所检测到的各段车道线段各自所在区域的第一位置信息；基于待检测图像、所确定的第一位置信息以及预设的车道线回归网络模型，得到待检测图像中所检测到的各段车道线段的第二位置信息；基于待检测图像、所检测到的各段车道线段的第二位置信息以及预设拼接分类器，拼接待检测图像中所检测到的各段车道线段，得到初始车道线；拟合初始车道线，确定所述待检测图像中的最终车道线。应用本发明实施例实现对车道线的检测。

Description

一种车道线的检测方法、装置及电子设备
技术领域
本发明涉及图像处理技术领域，特别是涉及一种车道线的检测方法、装置及电子设备。
背景技术
在智能控制领域中，车辆的辅助驾驶功能和车辆的自动驾驶功能得到越来越多的关注。在开启辅助驾驶功能的情况下，车辆可以辅助驾驶员完成驾驶行为，如：行驶、转向、停车等，在开启自动驾驶功能的情况下，车辆可以完成驾驶行为，无需驾驶员参与。在上述两种情况下，车辆需要对道路中的车道线进行检测，然后车辆基于所检测到的车道线以及开启的辅助驾驶功能，或，基于所检测到的车道线以及开启的自动驾驶功能，完成驾驶行为。
那么，如何检测到车道线成为亟待解决的问题。
发明内容
本发明实施例的目的在于提供一种车道线的检测方法、装置及电子设备，以实现对车道线的检测。具体技术方案如下：
一方面，本发明实施例提供了一种车道线的检测方法，所述方法包括：
从待检测图像中检测出车道线段所在区域，并确定所检测到的各段车道线段各自所在区域的第一位置信息；
基于所述待检测图像、所确定的第一位置信息以及预设的车道线回归网络模型，确定所述待检测图像中所检测到的各段车道线段的第二位置信息；
基于所述待检测图像、所检测到的各段车道线段的第二位置信息以及预设拼接分类器，拼接所述待检测图像中所检测到的各段车道线段，确定初始车道线；
拟合初始车道线，确定所述待检测图像中的最终车道线。
可选地，所述预设的车道线回归网络模型为预设的深度神经网络模型；
在所述基于所述待检测图像、所确定的第一位置信息以及预设的车道线回归网络模型，确定所述待检测图像中所检测到的各段车道线段的第二位置信息的步骤之前，所述方法还包括：
建立所述预设的深度神经网络模型的过程，其中，所述过程包括：
获得训练样本图像，其中，每一训练样本图像中均包含样本车道线段；
获得每一训练样本图像对应的预期顶点标识信息，其中，所述预期顶点标识信息为：对每一训练样本图像中所包含的样本车道线段的顶点，所标定的标识信息；
基于所获得训练样本图像以及每一训练样本图像对应的预期顶点标识信息，训练初始的深度神经网络模型，得到所述预设的深度神经网络模型。
可选地，所述获得训练样本图像的步骤，包括：
获得初始样本图像，其中，每一初始样本图像中包含样本车道线段；
获得针对每一初始样本图像标定的标定信息，每一标定信息中包含：对样本车道线段的顶点所标定的所述预期顶点标识信息；
针对每一初始样本图像，基于预设区域扩展规则以及所述预期顶点标识信息，在该初始样本图像中进行区域扩展；
从每一初始样本图像中，确定区域扩展所得的区域图像，作为所述训练样本图像。
可选地，所述初始的深度神经网络模型包括：特征提取层和特征分类层；
所述基于所获得训练样本图像以及每一训练样本图像对应的预期顶点标识信息，训练初始的深度神经网络模型，得到所述预设的深度神经网络模型的步骤，包括：
将每一训练样本图像，输入所述特征提取层，提取该训练样本图像中样本车道线段的样本图像特征；
将所提取的样本图像特征，输入所述特征分类层，获得该训练样本图像中样本车道线段对应的当前顶点标识信息；
将获得的当前顶点标识信息与所对应预期顶点标识信息进行匹配；
当匹配成功时，得到包含所述特征提取层和所述特征分类层的预设的深度神经网络模型；
当匹配不成功时，则分别调整所述特征提取层和所述特征分类层的神经网络参数；重新返回将每一训练样本图像，输入所述特征提取层，提取该训练样本图像中样本车道线段的样本图像特征的步骤；
直至匹配成功，得到包含所述特征提取层和所述特征分类层的预设的深度神经网络模型。
可选地，所述基于所述待检测图像、所确定的第一位置信息以及预设的车道线回归网络模型，确定所述待检测图像中所检测到的各段车道线段的第二位置信息的步骤，包括：
将所述待检测图像以及所确定的第一位置信息，输入所述预设的深度神经网络模型中，所述预设的深度神经网络模型基于所确定的第一位置信息，提取所述待检测图像中所检测到的各段车道线段各自所在区域的图像的待检测图像特征；并基于所提取待检测图像特征，确定所检测到的各段车道线段的第二位置信息。
可选地，所述基于所述待检测图像、所检测到的各段车道线段的第二位置信息以及预设拼接分类器，拼接所述待检测图像中所检测到的各段车道线段，确定初始车道线的步骤，包括：
针对所检测到的每一车道线段，将该车道线段的第二位置信息，与所检测到的所有车道线段中除该车道线段外的其他车道线段的第二位置信息，输入所述预设拼接分类器中，得到每一其他车道线段与该车道线段进行拼接的拼接概率；
针对所检测到的每一车道线段，基于所得到的拼接概率以及所述待检测图像，将该车道线段与所对应拼接概率高于预设概率阈值的车道线段进行拼接，确定初始车道线。
可选地，在所述针对所检测到的每一车道线段，将该车道线段的第二位置信息，与所检测到的所有车道线段中除该车道线段外的其他车道线段的第二位置信息，输入所述预设拼接分类器中，得到每一其他车道线段与该车道线段进行拼接的拼接概率的步骤之前，所述方法还包括：
基于所检测到的各段车道线段的第二位置信息，计算所检测到的各段车道线段之间的相对距离；
针对所检测到的每一车道线段，从所检测到的所有车道线段中除该车道线段外的其他车道线段中，确定与该车道线段匹配的车道线段，其中，所述与该车道线段匹配的车道线段为：与该车道线段之间的相对距离满足预设拼接条件的车道线段；
所述针对所检测到的每一车道线段，将该车道线段的第二位置信息，与所检测到的所有车道线段中除该车道线段外的其他车道线段的第二位置信息，输入所述预设拼接分类器中，得到每一其他车道线段与该车道线段进行拼接的拼接概率的步骤，包括：
针对所检测到的每一车道线段，将该车道线段的第二位置信息以及与该车道线段匹配的车道线段的第二位置信息，输入所述预设拼接分类器中，得到每一与该车道线段匹配的车道线段与该车道线段进行拼接的拼接概率。
可选地，所述从待检测图像中检测出车道线段所在区域，并确定所检测到的各段车道线段各自所在区域的第一位置信息的步骤，包括：
从待检测图像中检测出车道线段所在区域，并确定所检测到的各段车道线段各自所在区域的第一位置信息，以及所检测到的各段车道线段各自所在区域对应的车道线置信度；
所述拟合初始车道线，确定所述待检测图像中的车道线的步骤，包括：
拟合所述初始车道线，确定拟合后的各初始车道线，作为待筛选车道线；
从所确定的待筛选车道线中，滤除与其他待筛选车道线不相交于同一点的待筛选车道线；和/或，
基于所检测到的各段车道线段各自所在区域对应的车道线置信度，确定每一待筛选车道线的目标置信度；从所确定的待筛选车道线中，确定相邻的待筛选车道线之间的车道线距离低于预设距离的待筛选车道线对；并从所确定的待筛选车道线对中滤除所对应目标置信度低的待筛选车道线；
将滤除后剩余的待筛选车道线车道线确定为所述最终车道线。
另一方面，本发明实施例提供了一种车道线的检测装置，所述装置包括：
检测确定模块，用于从待检测图像中检测出车道线段所在区域，并确定所检测到的各段车道线段各自所在区域的第一位置信息；
第一确定模块，用于基于所述待检测图像、所确定的第一位置信息以及预设的车道线回归网络模型，确定所述待检测图像中所检测到的各段车道线段的第二位置信息；
第二确定模块，用于基于所述待检测图像、所检测到的各段车道线段的第二位置信息以及预设拼接分类器，拼接所述待检测图像中所检测到的各段车道线段，确定初始车道线；
第三确定模块，用于拟合初始车道线，确定所述待检测图像中的最终车道线。
可选地，所述预设的车道线回归网络模型为预设的深度神经网络模型；
所述装置还包括模型建立模块，所述模型建立模块，用于在所述基于所述待检测图像、所确定的第一位置信息以及预设的车道线回归网络模型，确定所述待检测图像中所检测到的各段车道线段的第二位置信息之前，建立所述预设的深度神经网络模型，其中，所述模型建立模块包括第一获得单元、第二获得单元和训练得到单元；
所述第一获得单元，用于获得训练样本图像，其中，每一训练样本图像中均包含样本车道线段；
所述第二获得单元，用于获得每一训练样本图像对应的预期顶点标识信息，其中，所述预期顶点标识信息为：对每一训练样本图像中所包含的样本车道线段的顶点，所标定的标识信息；
所述训练得到单元，用于基于所获得训练样本图像以及每一训练样本图像对应的预期顶点标识信息，训练初始的深度神经网络模型，得到所述预设的深度神经网络模型。
可选地，所述第一获得单元，具体用于
获得初始样本图像，其中，每一初始样本图像中包含样本车道线段；
获得针对每一初始样本图像标定的标定信息，每一标定信息中包含：对样本车道线段的顶点所标定的所述预期顶点标识信息；
针对每一初始样本图像，基于预设区域扩展规则以及所述预期顶点标识信息，在该初始样本图像中进行区域扩展；
从每一初始样本图像中，确定区域扩展所得的区域图像，作为所述训练样本图像。
可选地，所述初始的深度神经网络模型包括：特征提取层和特征分类层；
所述训练得到单元，具体用于
将每一训练样本图像，输入所述特征提取层，提取该训练样本图像中样本车道线段的样本图像特征；
将所提取的样本图像特征，输入所述特征分类层，获得该训练样本图像中样本车道线段对应的当前顶点标识信息；
将获得的当前顶点标识信息与所对应预期顶点标识信息进行匹配；
当匹配成功时，得到包含所述特征提取层和所述特征分类层的预设的深度神经网络模型；
当匹配不成功时，则分别调整所述特征提取层和所述特征分类层的神经网络参数；重新触发所述第一获得单元；
直至匹配成功，得到包含所述特征提取层和所述特征分类层的预设的深度神经网络模型。
可选地，所述第一确定模块，具体用于
将所述待检测图像以及所确定的第一位置信息，输入所述预设的深度神经网络模型中，所述预设的深度神经网络模型基于所确定的第一位置信息，提取所述待检测图像中所检测到的各段车道线段各自所在区域的图像的待检测图像特征；并基于所提取待检测图像特征，确定所检测到的各段车道线段的第二位置信息。
可选地，所述第二确定模块包括：输入得到单元和第一确定单元；
所述输入得到单元，用于针对所检测到的每一车道线段，将该车道线段的第二位置信息，与所检测到的所有车道线段中除该车道线段外的其他车道线段的第二位置信息，输入所述预设拼接分类器中，得到每一其他车道线段与该车道线段进行拼接的拼接概率；
所述第一确定单元，用于针对所检测到的每一车道线段，基于所得到的拼接概率以及所述待检测图像，将该车道线段与所对应拼接概率最高的，且所对应拼接概率高于预设概率阈值的车道线段进行拼接，确定初始车道线。
可选地，所述第二确定模块还包括：计算单元、第二确定单元；
所述计算单元，用于在所述针对所检测到的每一车道线段，将该车道线段的第二位置信息，与所检测到的所有车道线段中除该车道线段外的其他车道线段的第二位置信息，输入所述预设拼接分类器中，得到每一其他车道线段与该车道线段进行拼接的拼接概率之前，基于所检测到的各段车道线段的第二位置信息，计算各段车道线段之间的相对距离；
所述第二确定单元，用于针对所检测到的每一车道线段，从所检测到的所有车道线段中除该车道线段外的其他车道线段中，确定与该车道线段匹配的车道线段，其中，所述与该车道线段匹配的车道线段为：与该车道线段之间的相对距离满足预设拼接条件的车道线段；
所述输入得到单元，具体用于针对所检测到的每一车道线段，将该车道线段的第二位置信息以及与该车道线段匹配的车道线段的第二位置信息，输入所述预设拼接分类器中，得到每一与该车道线段匹配的车道线段与该车道线段进行拼接的拼接概率。
可选地，所述检测确定模块，具体用于
从待检测图像中检测出车道线段所在区域，并确定所检测到的各段车道线段各自所在区域的第一位置信息，以及所检测到的各段车道线段各自所在区域对应的车道线置信度；
所述第三确定模块，具体用于拟合所述初始车道线，确定拟合后的各初始车道线，作为待筛选车道线；
从所确定的待筛选车道线中，滤除与其他待筛选车道线不相交于同一点的待筛选车道线；和/或，
基于所检测到的各段车道线段各自所在区域对应的车道线置信度，确定每一待筛选车道线的目标置信度；从所确定的待筛选车道线中，确定相邻的待筛选车道线之间的车道线距离低于预设距离的待筛选车道线对；并从所确定的待筛选车道线对中滤除所对应目标置信度低的待筛选车道线；
将滤除后剩余的待筛选车道线车道线确定为所述最终车道线。
另一方面，本发明实施例提供了一种电子设备，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；
存储器，用于存放计算机程序；
处理器，用于执行存储器上所存放的计算机程序时，实现本发明实施例所提供的任一所述的车道线的检测方法步骤。
另一方面，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内存储有计算机程序，所述计算机程序被处理器执行时实现本发明实施例所提供的任一所述的车道线的检测方法步骤。
本发明实施例中，从待检测图像中检测出各段车道线段各自所在区域，并确定各段车道线段各自所在区域的第一位置信息；基于待检测图像、所确定的第一位置信息以及预设的车道线回归网络模型，确定待检测图像中各段车道线段的第二位置信息；基于各段车道线段的第二位置信息以及预设拼接分类器，拼接各段车道线段，确定初始车道线；拟合初始车道线，确定待检测图像中的最终车道线。
可见，本发明实施例中，首先从待检测图像中检测出车道线段所在区域，并确定所检测到的各段车道线段各自所在区域的第一位置信息；后续的，利用预设的车道线回归网络模型以及所检测到的各段车道线段各自所在区域的第一位置信息，仅对待检测图像中第一位置信息对应的图像进行回归检测，确定所检测到的各段车道线段的第二位置信息；进而，基于可体现各段车道线段在待检测图像中的走势情况，和在待检测图像中的位置关系的各段车道线段的第二位置信息，以及预设拼接分类器，拼接各段车道线段，得到初始车道线，进一步的，拟合初始车道线，确定出待检测图像中的最终车道线，实现对车道线的检测。当然，实施本发明的任一产品或方法必不一定需要同时达到以上所述的所有优点。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，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的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例所提供的一种车道线的检测方法的流程示意图；
图2A为从图像中检测到车道线段后的一种示例图；
图2B从图2A中提取出的区域图像扩大后，检测到车道线段后的一种示例图；
图3为一种建立预设的深度神经网络模型的过程的流程示意图；
图4A为初始样本图像中车道线段的预期顶点标识信息的一种示例图；
图4B为本发明实施例所提的训练样本图像的一种示例图；
图5A为世界坐标系和图像采集设备坐标系的关系的一种示例图；
图5B为待检测图像与IPM图像的坐标的映射关系的一种示例图；
图5C为待检测图像与待检测图像中的感兴趣区域对应的IPM图像的一种示例图；
图6为利用图2A和图2B中的检测到车道线段，所确定出的最终车道线的一种示例图；
图7为本发明实施例所提供的一种车道线的检测装置的结构示意图；
图8为模型建立模块的结构示意图；
图9为本发明实施例所提供的一种电子设备的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明实施例提供了一种车道线的检测方法、装置及电子设备，以实现对车道线的检测。
如图1所示，本发明实施例提供了一种车道线的检测方法，可以包括如下步骤：
S101：从待检测图像中检测出车道线段所在区域，并确定所检测到的各段车道线段各自所在区域的第一位置信息；
可以理解的是，本发明实施例所提供的一种车道线的检测方法，可以应用于任一可以获得待检测图像的电子设备中，该电子设备可以为车辆中的车载设备，上述待检测图像可以为车载设备所连接的图像采集设备，例如：摄像头等，所采集的车辆在行驶过程中的车道图像，上述车载设备可以为电脑、手机等等。
在一种实现方式中，车辆在行驶过程中，车载设备可以处于持续工作的状态，车载设备所连接的图像采集设备，可以持续拍摄车辆前方的道路的车道图像，即待检测图像，待检测图像可以为：针对车辆行驶前方的道路所采集的图像。
电子设备获得待检测图像后，可以首先利用预设目标检测模型对该待检测图像进行检测，从待检测图像中检测出车道线段所在区域，并确定所检测到的各段车道线段各自所在区域的第一位置信息；其中，上述预设目标检测模型可以为预设的Faster RCNN(FasterRegion Convolutional Neural Network)目标检测模型。上述预设的Faster RCNN目标检测模型可以为：基于第一样本图像以及每一第一样本图像对应的标定信息训练所得的模型，此处称第一样本图像对应的标定信息为第一标定信息，其中，上述第一标定信息中可以包括：针对所对应第一样本图像中车道线段所在区域标定的矩形框的位置信息，即矩形框的四个顶点在第一样本图像中的位置信息。后续的电子设备基于上述所获得的第一样本图像以及每一第一样本图像对应的第一标定信息，对初始的FasterRCNN目标检测模型进行训练，训练过程中，电子设备会不断调整上述初始的Faster RCNN目标检测模型中的参数，直到初始的Faster RCNN目标检测模型收敛后，获得训练所得的预设的Faster RCNN目标检测模型。在一种情况下，初始的Faster RCNN目标检测模型收敛的标识，可以是：初始的Faster RCNN目标检测模型所输出的对每一第一样本图像中的车道线段的位置信息，与所标定的第一样本图像中的车道线段的位置信息，即所对应矩形框的位置信息相同的概率超过预定概率阈值，或者利用预设的损失函数所计算的差值在预设允许损失范围内。其中，上述差值为：所输出的对每一第一样本图像中的车道线段的位置信息，与所标定的第一样本图像中的车道线段的位置信息的差值。
在一种实现方式中，电子设备在对待检测图像进行检测时，可能会漏检待检测图像中尺寸较小的目标，如，车道线段。此时，电子设备可以根据预存的区域标识，从待检测图像中确定出该预存的区域标识对应的图像区域，并将上述图像区域扩大预定倍数，在扩大预定倍数后的图像区域中再次检测车道线段；进一步的，确定出所检测出的车道线段各自所在区域的第一位置信息，其中，所确定的各段车道线段各自所在区域的第一位置信息，均为基于待检测图像所确定的位置信息。上述尺寸较小的目标可以为：待检测图像中所占像素点的个数小于预定像素点个数阈值的目标。
举例而言，如图2A所示的待检测图像，电子设备在对待检测图像进行检测时，从待检测图像中检测到三段车道线段各自所在区域，如图2A中矩形框“框1”、“框2”和“框3”和“框4”所在区域，上述矩形框可以用“bounding box”标识；后续的，电子设备根据预存的区域标识，从待检测图像中确定出该预存的区域标识对应的图像区域，并将上述图像区域扩大预定倍数，在扩大预定倍数后的图像区域中再次检测车道线段，得到各车道线段各自所在区域，如图2B所示的矩形框“框5”、“框6”、“框7”和“框8”所在区域。进一步，确定所检测出的所有车道线段各自所在区域的第一位置信息。
可以理解的是，电子设备从上述待检测图像中检测出车道线段所在区域后，可以针对所检测到的每一车道线段所在区域标注矩形框，上述第一位置信息可以为上述所标注的矩形框的四个顶点在待检测图像中的坐标等。
S102：基于待检测图像、所确定的第一位置信息以及预设的车道线回归网络模型，确定待检测图像中所检测到的各段车道线段的第二位置信息；
其中，上述预设的车道线回归网络模型可以为：一种基于样本训练的机器学习类的模型，也可以理解为，上述预设的车道线回归网络模型为：以图像为输入，以图像中目标，即车道线段所在位置信息为输出的模型。
在基于样本训练上述预设的车道线回归网络模型时，电子设备可以首先获得训练所需的图像，针对每一图像中车道线段进行标定，即针对图像中车道线段的特征点，例如，后续的提到的车道线段的顶点进行标记，获得标定结果；进一步的，将图像以及标定结果输入初始的模型，以使初始的模型针对每一图像，对图像中车道线段，即所标定的特征点对应的区域图像，进行图像特征提取；后续的，基于所提取的图像特征以及标定结果，对初始的模型进行训练，即调整初始的模型的参数，直到初始的模型收敛后，得到预设的车道线回归网络模型。
本步骤中，电子设备将待检测图像、所确定的第一位置信息输入上述预设的车道线回归网络模型，上述预设的车道线回归网络模型基于所确定的第一位置信息，提取待检测图像中所检测到的各段车道线段各自所在区域的图像的图像特征，并基于所提取的图形特征，确定出所检测到的各段车道线段的第二位置信息，即各段车道线段的顶点所在位置的位置信息。
S103：基于待检测图像、所检测到的各段车道线段的第二位置信息以及预设拼接分类器，拼接待检测图像中所检测到的各段车道线段，确定初始车道线；
上述预设拼接分类器可以为：一种基于样本训练的分类器。例如，上述预设拼接分类器可以为SVM(Support Vector Machine，支持向量机)分类器。在训练上述预设拼接分类器时，可以获得训练所需的样本数据。在一种实现方式中，该样本数据可以为正样本图像和负样本图像，上述正样本图像可以为：包含可拼接的车道线段的图像，上述负样本图像可以为：包含不可拼接的车道线段的图像。上述可拼接的车道线段和不可拼接的车道线段中的“可拼接”与“不可拼接”，可以均为针对至少两段车道线段而言的。在另一种实现方式中，上述样本数据可以为多对车道线段对中每一车道线段的标识信息，如位置信息。每一车道线段对中包含两条可拼接的车道线段，或两条不可拼接的车道线段。
在一种实现方式中，电子设备可以获得上述每一样本数据对应的标定信息，此处称为第二标定信息，上述第二标定信息可以是人工标定的。其中，在一种情况中，上述第二标定信息可以包括：针对可拼接的车道线段的可拼接标签，或，针对不可拼接的车道线段的不可拼接标签。在一种实现方式中，当上述样本数据包括正样本图像和负样本图像时，针对每一图像，可以仅标定其中所包含的车道线段中的两条车道线段，在后续的预设拼接分类器的训练过程中，仅基于该图像中所标定的两条车道线段的可拼接或不可拼接，调整预设拼接分类器的参数，其中，上述的“图像”包括正样本图像和负样本图像。
在另一种情况中，上述第二标定信息还可以包括：针对可拼接的车道线段的标定拼接概率，或，针对不可拼接的车道线段的标定拼接概率，上述标定拼接概率的取值范围可以[0，1]，针对可拼接的车道线段所标定的标定拼接概率可以大于等于0.5，针对不可拼接的车道线段所标定的标定拼接概率可以为小于0.5。
后续的，电子设备基于上述所获得的第二标定信息以及每一第二标定信息对应的样本数据，对初始拼接分类器进行训练，训练过程中，会不断调整上述初始拼接分类器中的参数，直到初始拼接分类器收敛后，获得训练所得的初始拼接分类器，即获得预设拼接分类器。在一种情况下，初始拼接分类器收敛的标识，可以是：初始拼接分类器所输出的针对每一样本数据中的车道线段可拼接或不可拼接的结果，与所对应样本数据的第二标定信息中的标签相同的概率大于第一预定阈值；在另一种情况下，初始拼接分类器收敛的标识，可以是：初始拼接分类器所输出的针对每一样本数据中的车道线段的拼接概率，与所对应样本数据的第二标定信息中的标定拼接概率的差值小于第二预定阈值；在另一种情况下，初始拼接分类器收敛的标识，可以是：初始拼接分类器所输出的针对每一样本数据中的车道线段可拼接或不可拼接的结果，与所对应样本数据的第二标定信息中的标签相同的概率大于上述第一预定阈值；且，初始拼接分类器所输出的针对每一样本数据中的车道线段的拼接概率，与所对应样本数据的第二标定信息中的标定拼接概率的差值小于上述第二预定阈值。
在一种实现方式中，图像中既可以包含可拼接的车道线段，又可以包含不可拼接的车道线段，这也是可以的，此时，上述图像中既可以作为正样本图像，又可以作为负样本图像。
可以理解的是，上述各段车道线段的第二位置信息可以体现出：各段车道线段在待检测图像中的走势情况和在待检测图像中位置关系。
电子设备获得各段车道线段的第二位置信息后，可以将上述第二位置信息输入上述预设拼接分类器中，获得预设拼接分类器所输入的每一第二位置信息对应的车道线段，与其他第二位置信息对应的车道线段之间的可拼接或不可拼接的标签，和/或，拼接概率；
后续的，电子设备基于上述预设拼接分类器的输出结果，拼接待检测图像中所检测到的各段车道线段，得到初始车道线。其中，拼接过程可以是将确定为可拼接的两车道线段进行连接的过程。
S104：拟合初始车道线，确定待检测图像中的最终车道线。
本步骤中，电子设备可以利用预设的拟合算法，拟合初始车道线，确定待检测图像中的车道线，其中，上述预设的拟合算法可以为：直线拟合算法，也可以是曲线拟合算法等等，这都是可以的。举例而言，上述预设的拟合算法可以为Ransac拟合算法，基于最小二乘法的拟合算法等。
应用本发明实施例，电子设备首先从待检测图像中检测出车道线段所在区域，并确定所检测到的各段车道线段各自所在区域的第一位置信息；后续的，利用预设的车道线回归网络模型以及所检测到的各段车道线段各自所在区域的第一位置信息，仅对待检测图像中第一位置信息对应的图像进行回归检测，确定所检测到的各段车道线段的第二位置信息；进而，基于可体现各段车道线段在待检测图像中的走势情况，和在待检测图像中的位置关系的各段车道线段的第二位置信息，以及预设拼接分类器，拼接各段车道线段，得到初始车道线，进一步的，拟合初始车道线，确定出待检测图像中的最终车道线，实现对车道线的检测。
在一种实现方式中，所述预设的车道线回归网络模型可以为预设的深度神经网络模型；
如图3所示，在所述基于待检测图像、所确定的第一位置信息以及预设的车道线回归网络模型，确定待检测图像中所检测到的各段车道线段的第二位置信息(S102)的步骤之前，所述方法还可以包括：
建立预设的深度神经网络模型的过程，其中，所述过程可以包括：
S301：获得训练样本图像，其中，每一训练样本图像中均包含样本车道线段；
S302：获得每一训练样本图像对应的预期顶点标识信息，其中，预期顶点标识信息为：对每一训练样本图像中所包含的样本车道线段的顶点，所标定的标识信息；
S303：基于所获得训练样本图像以及每一训练样本图像对应的预期顶点标识信息，训练初始的深度神经网络模型，得到预设的深度神经网络模型。
可以理解的是，上述训练样本图像可以为图像采集设备所采集的原图像，也可以为从原图像中所截取出的仅包含样本车道线段的图像，这都是可以的。为了保证所建立的预设的深度神经网络模型的稳定性，上述训练样本图像可以为：从原图像中所截取出的仅包含样本车道线段的图像。需要强调的是，上述的原图像中的“原”是相对于所截取出的仅包含样本车道线段的图像而言的。
获得训练样本图像后，操作人员可以对上述每一训练样本图像中的样本车道线段进行人工标定，具体的标定过程可以是：针对训练样本图像中的样本车道线段的四个顶点，标定预设的顶点标识信息。后续的，电子设备获得上述预设的顶点标识信息，继而，基于上述预设的顶点标识信息以及训练样本图像，训练初始的深度神经网络模型，得到预设的深度神经网络模型，即得到预设的车道线回归网络模型。
通常情况下，进行训练的训练样本图像数量越多，所获得的预设的深度神经网络模型越稳定，进一步的，利用上述预设的深度神经网络模型，所确定出的待检测图像中各段车道线段的第二位置信息越准确，进一步的，所确定的最终车道线越准确。
另外，基于预设的深度神经网络模型，确定待检测图像中的各段车道线段的第二位置信息，可以在一定程度上保证所确定的各段车道线段的第二位置信息的准确性，这是由于训练得到预设的深度神经网络模型的训练样本图像，为各车辆在实际行驶环境中所得到的图像，其可以很好的表征实际行驶环境中的各种因素，如光照、阴影和图像采集设备的分辨率等。通过上述训练样本图像所训练得到的预设的深度神经网络模型，可以在一定程度上克服上述因素对图像中车道线段的影响，很好的识别出图像中的车道线段。
在一种实现方式中，所述获得训练样本图像(S201)的步骤，可以包括：
获得初始样本图像，其中，每一初始样本图像中包含样本车道线段；
获得针对每一初始样本图像标定的标定信息，每一标定信息包含：对样本车道线段的顶点所标定的预期顶点标识信息；
针对每一初始样本图像，基于预设区域扩展规则以及预期顶点标识信息，在该初始样本图像中进行区域扩展；
从每一初始样本图像中，确定区域扩展所得的区域图像，作为训练样本图像。
可以理解的是，上述初始样本图像可以为图像采集设备所采集的原图像。电子设备获得针对每一初始样本图像中车道线段的预期顶点标识信息，如图4A所示，为初始样本图像中车道线段的预期顶点标识信息的一种示例图，其中，图4A中，对中车道线段的四个顶点进行标识。基于上述预期顶点标识信息以及预设区域扩展规则，在初始样本图像中进行区域扩展，其中，上述预设区域扩展规则可以是：基于上述预期顶点标识信息，对车道线段所在区域图像进行边界的扩宽。具体的，可以在宽度方向上，对车道线段所在区域图像扩宽第一随机个数的像素点，和/或，在高度方向上，对车道线段所在区域图像扩宽第二随机个数的像素点，进一步，获得区域扩展所得的区域图像，作为训练样本图像。在一种实现方式中，针对每一初始样本图像中所包含的每一车道线段所在区域图像进行5次扩展，每次扩展时，上述随机个数均不同。如图4B所示，为作为本发明实施例中所提的训练样本图像的示例。
在一种实现方式中，初始的深度神经网络模型可以包括：特征提取层和特征分类层；
所述基于所获得训练样本图像以及每一训练样本图像对应的预期顶点标识信息，训练初始的深度神经网络模型，得到预设的深度神经网络模型(S303)的步骤，可以包括：
将每一训练样本图像，输入特征提取层，提取该训练样本图像中样本车道线段的样本图像特征；
将所提取的样本图像特征，输入特征分类层，获得该训练样本图像中样本车道线段对应的当前顶点标识信息；
将获得的当前顶点标识信息与所对应预期顶点标识信息进行匹配；
当匹配成功时，得到包含特征提取层和特征分类层的预设的深度神经网络模型；
当匹配不成功时，则分别调整特征提取层和特征分类层的神经网络参数；重新返回将每一训练样本图像，输入特征提取层，提取该训练样本图像中样本车道线段的样本图像特征的步骤；
直至匹配成功，得到包含特征提取层和特征分类层的预设的深度神经网络模型。
其中，每一训练样本图像对应一预期顶点标识信息，且，每一训练样本图像对应一获得的当前顶点标识信息，此时，可以确定：预期顶点标识信息与获得的当前顶点标识信息也存在对应关系。
可以理解的是，上述将获得的当前顶点标识信息与所对应预期顶点标识信息进行匹配的过程可以为，利用预设的损失函数计算获得的当前顶点标识信息与所对应预期顶点标识信息的差值，当所计算差值在预设允许损失范围内，则确定匹配成功，当所计算差值不在预设允许损失范围内，则确定匹配不成功，此时，可以基于将获得的当前顶点标识信息与所对应预期顶点标识信息的差值变小的原则，调整上述特征提取层和特征分类层的神经网络参数；再重新返回执行将每一训练样本图像，输入特征提取层，提取该训练样本图像中样本车道线段的样本图像特征的步骤。
后续的，可以利用上述所得到的预设的深度神经网络模型确定待检测图像中各段车道线段的位置信息，即第二位置信息。在一种实现方式中，所述基于待检测图像、所确定的第一位置信息以及预设的车道线回归网络模型，确定待检测图像中所检测到的各段车道线段的第二位置信息(S102)的步骤，可以包括：
将待检测图像以及所确定的第一位置信息，输入预设的深度神经网络模型中，预设的深度神经网络模型基于所确定的第一位置信息，提取待检测图像中所检测到的各段车道线段各自所在区域的图像的待检测图像特征；并基于所提取待检测图像特征，确定所检测到的各段车道线段的第二位置信息。
可以理解的是，将待检测图像输入预设的深度神经网络模型中的特征提取层，特征提取层可以基于上述所检测到的各段车道线段各自所在区域的第一位置信息，提取待检测图像中对应区域的图像的待检测图像特征，然后，将所提取待检测图像特征输入预设的深度神经网络模型的特征分类层，特征分类层基于上述所提取待检测图像特征确定所检测到的各段车道线段的顶点，确定所检测到的各段车道线段的第二位置信息，并输出。其中，上述各段车道线段的第二位置信息可以是所对应车道线段的顶点在待检测图像中的坐标。
在一种情况下，在训练上述预设拼接分类器时，电子设备获得训练所需的正样本图像和负样本图像后，操作人员基于上述正样本图像和负样本图像所标定的标定信息可以包括：针对可拼接的车道线段的标定拼接概率，或，针对不可拼接的车道线段的标定拼接概率，基于上述正样本图像和负样本图像、以及每一正样本图像对应的标定信息、每一负样本图像对应的标定信息，训练初始拼接分类器，得到预设拼接分类器，后续的，利用上述预设拼接分类器以及待检测图像中各车道线段的第二位置信息，可以检测出待检测图像中各车道线段之间的拼接概率。具体的，所述基于待检测图像、所检测到的各段车道线段的第二位置信息以及预设拼接分类器，拼接待检测图像中所检测到的各段车道线段，得到初始车道线(S103)的步骤，可以包括：
针对所检测到的每一车道线段，将该车道线段的第二位置信息，与所检测到的所有车道线段中除该车道线段外的其他车道线段的第二位置信息，输入预设拼接分类器中，得到每一其他车道线段与该车道线段进行拼接的拼接概率；
针对所检测到的每一车道线段，基于所得到的拼接概率以及所述待检测图像，将该车道线段与所对应拼接概率高于预设概率阈值的车道线段进行拼接，确定初始车道线。
上述预设概率阈值可以基于训练上述预设拼接分类器时，针对可拼接的车道线段所标定的标定拼接概率，进行设定。针对可拼接的车道线段所标定的标定拼接概率可以大于等于0.5，上述预设概率阈值可以为0.5。
举例而言，电子设备从待检测图像中检测出5段车道线段，分别为车道线段1、车道线段2、车道线段3、车道线段4和车道线段5；上述预设概率阈值为0.6；
其中，车道线段1与车道线段2的拼接概率为0.9；车道线段1与车道线段3的拼接概率为0.2；车道线段1与车道线段4的拼接概率为0.8；车道线段1与车道线段5的拼接概率为0；
车道线段2与车道线段3的拼接概率为0.1；车道线段2与车道线段4的拼接概率为0.9；车道线段2与车道线段5的拼接概率为0；
车道线段3与车道线段4的拼接概率为0；
车道线段4与的车道线段5拼接概率为0.4；
此时，电子设备可以将车道线段1、车道线段2和车道线段4进行拼接。此时，电子设备可以确定待检测图像中包含3条初始车道线。
在另一种情况中，在训练上述预设拼接分类器时，电子设备获得训练所需的正样本图像和负样本图像后，操作人员基于上述正样本图像和负样本图像所标定的标定信息可以包括：针对可拼接的车道线段的可拼接标签，或，针对不可拼接的车道线段的不可拼接标签。基于上述正样本图像和负样本图像、以及每一正样本图像对应的标定信息、每一负样本图像对应的标定信息，训练初始拼接分类器，得到预设拼接分类器，后续的，利用上述预设拼接分类器以及待检测图像中所检测到的各段车道线段的第二位置信息，可以确定出待检测图像中所检测到的各车道线段之间是否可拼接的结果。
在一种实现方式中，当从待检测图像中所检测到的车道线段所在区域的数量大于预定数量时，为了减少车道线的检测流程中的计算量，无需确定所检测到的每一车道线段与其他所检测到的所有车道线段的拼接概率，可以首先针对所检测到的每一车道线段，确定与该车道线段匹配的车道线段，仅确定该车道线段与与其匹配的车道线段之间的拼接概率即可。具体的，在所述针对所检测到的每一车道线段，将该车道线段的第二位置信息，与所检测到的所有车道线段中除该车道线段外的其他车道线段的第二位置信息，输入预设拼接分类器中，得到每一其他车道线段与该车道线段进行拼接的拼接概率的步骤之前，所述方法还可以包括：
基于所检测到的各段车道线段的第二位置信息，计算所检测到的各段车道线段之间的相对距离；
针对所检测到的每一车道线段，从所检测到的所有车道线段中除该车道线段外的其他车道线段中，确定与该车道线段匹配的车道线段，其中，与该车道线段匹配的车道线段为：与该车道线段之间的相对距离满足预设拼接条件的车道线段；
所述针对所检测到的每一车道线段，将该车道线段的第二位置信息，与所检测到的所有车道线段中除该车道线段外的其他车道线段的第二位置信息，输入预设拼接分类器中，得到每一其他车道线段与该车道线段进行拼接的拼接概率的步骤，可以包括：
针对所检测到的每一车道线段，将该车道线段的第二位置信息以及与该车道线段匹配的车道线段的第二位置信息，输入预设拼接分类器中，得到每一与该车道线段匹配的车道线段与该车道线段进行拼接的拼接概率。
车道线之间一般是在空间中相互平行的线，且经过透视投影成像后，空间平行的直线将在成像平面中相交于一点，即成像平面中，空间内的平行线在距离图像采集设备的越远处，其两者之间的距离越小，直至为零。因此，在确定各段车道线段之间的相对距离时，可以沿道路延伸的方向，对图像划分图像区间，并为每一图像区域设置距离系数。在一种实现方式中，道路在图像底部所呈现的宽度最大，越向图像顶部延伸，道路所呈现的宽度逐渐变小，此时，可以延图像底部到顶部的方向，对图像划分图像区间，每一图像区域对应一距离系数，且，延图像底部到顶部的方向，距离系数越来越大。
在计算所检测到的各段车道线段之间的相对距离时，在一种实现方式中，可以首先确定所检测到的各段车道线段的预设点，将所检测到的各段车道线段的预设点之间的距离作为所对应的车道线段之间的图像距离，后续的，确定所检测到的车道线段的预设点之间的连线所处的图像区间，当连线仅处于一图像区间内时，直接将连线的长度与所处的图像区间对应的距离系数的乘积，作为连线所对应的车道线段之间的相对距离；当连线处于至少两个图像区间内时，可以计算连线在所处的各图像区间内的长度，将各长度与所对应的图像区间对应的距离系数的乘积的和，作为连线所对应的车道线段之间的相对距离。其中，上述预设点可以为所检测到的各段车道线段各自的中心点，也可以是预设的顶点，例如预设点为所检测到的各段车道线段的左上角处的点，例如预设点为：所检测到的各段车道线之间距离最近的点。
首先确定所检测到的各段车道线段所处的图像区域，计算所检测到的各段车道线段在待检测图像中的距离，并将所计算的距离乘以两段车道线段所处的图像区域对应的距离系数，得到该两段车道线段之间的相对距离。所处图像区域为：所计算的距离在待检测图像中所在的图像区域。
在另一种实现方式中，可以首先对待检测图像进行逆透视映射(InversePerspective Mapping，IPM)，得到IPM图像，即将待检测图像中每一像素点映射至一个三维空间中。后续的，可以根据所得到的IPM图像，计算所检测到的各段车道线段的相对距离。具体的，对待检测图像进行逆透视映射，得到IPM图像的过程，可以是：可以首先确定图像采集设备的内部参数，例如：图像采集设备的等效焦距(fx,fy)，图像采集设备的光心在待检测图像中的坐标(cu，cv)；图像采集设备的外部参数，例如：图像采集设备的安装高度h，图像采集设备的安装高度可以为：图像采集设备的光心到路面的距离，图像采集设备的俯仰角α；
假设世界坐标系和图像采集设备坐标系的关系如下，对于世界坐标系XwYwZw，Zw垂直水平路面向上，Yw沿车辆的车头方向，Xw平行于水平面，且与Yw垂直，并指向车辆的右侧；对于图像采集设备的坐标系XcYcZc，Zc沿图像采集设备的光轴的方向，XcYc所在平面垂直于光轴方向，Xc指向车辆右侧，Yc指向路面方向。世界坐标系的坐标原点和图像采集设备坐标系的坐标原点重合，上述图像采集设备坐标系的坐标原点可以为：图像采集设备的光心，世界坐标系的Zw顺时针旋转(90+α)度与图像采集设备的坐标系的Zc重合，如图5A所示；
fx,fy,cu,cv,h,α均已知，可以得到路面坐标[Xg,Yg,-h,1]T与待检测图像坐标[u,v,1,1]T的关系如公式[1]和[2]所示；
其中，[Xg,Yg,-h,1]T是路面上的点在世界坐标系中的坐标，[u,v,1,1]T为待检测图像中的像素点，即像平面“Image Plane”中的点的，在图像采集设备坐标系中的坐标；上述α为图像采集设备的俯仰角；
对应的逆透视映射关系如下：
在公式[1]和[2]基础上，获取IPM图像步骤可以如下：
1)计算消隐点在待检测图像中的坐标(xvp,yvp)，该消隐点可以为根据该待检测图像的前一帧图像确定出的消隐点；
2)确定待检测图像中的感兴趣区域，其中，感兴趣区域可以由电子设备或用户预先设置，同时，为了避免所设置的感兴趣区域与消隐点在图像中的位置冲突，即消隐点在图像中的位置不包含于感兴趣区域内；电子设备可根据该待检测图像的前一帧图像确定出的消隐点，在待检测图像中的坐标yvp更新感兴趣区域的上边界；假设感兴趣区域为由顶点坐标为(X1,Y1),(X2,Y2),(X3,Y3),(X4,Y4)所构成的矩形Rground；其宽和高分别为W,H；
3)坐标映射，即通过公式[1]将感兴趣区域的四个顶点坐标{(xi,yi)}映射到真实路面，即世界坐标系中的坐标{(Xi,Yi,-h)}，其中i＝1,2,3,4；
4)网格划分，即将Rground均分为网格，网格的行数和列数分别为rows,cols(用户预先设定)，每个网格的尺寸分别为X_STEP,Y_STEP，即Y_STEP*rows＝H，X_STEP*cols＝W；
5)坐标逆映射，即遍历所有网格，通过公式[2]，确定每一网格与待检测图像中感兴趣区域的像素点的对应关系，并将待检测图像中感兴趣区域的像素点的像素值，直接或通过插值方法间接作为所对应的网格的像素值，生成IPM图像；其中，待检测图像中感兴趣区域与IPM图像的坐标的映射关系示例图，可以如图5B所示；
IPM的具体效果如图5C所示，图5C中左侧为待检测图像，其中，矩形框所对应区域为感兴趣区域，图5C中右侧为所生成的感兴趣区域对应的IPM图像。
在一种实现方式中，为了更好的提高检测车道线的准确率，还可以滤除由于误检和干扰产生的不真实的车道线。所述从待检测图像中检测出车道线段所在区域，并确定所检测到的各段车道线段各自所在区域的第一位置信息(S101)的步骤，可以包括：
从待检测图像中检测出车道线段所在区域，并确定所检测到的各段车道线段各自所在区域的第一位置信息，以及所检测到的各段车道线段各自所在区域对应的车道线置信度；
所述拟合初始车道线，确定所述待检测图像中的车道线(S104)的步骤，可以包括：
拟合初始车道线，确定拟合后的各初始车道线，作为待筛选车道线；
从所确定的待筛选车道线中，滤除与其他待筛选车道线不相交于同一点的待筛选车道线；和/或，
基于所检测到的各段车道线段各自所在区域对应的车道线置信度，确定每一待筛选车道线的目标置信度；从所确定的待筛选车道线中，确定相邻的待筛选车道线之间的车道线距离低于预设距离的待筛选车道线对；并从所确定的待筛选车道线对中滤除所对应目标置信度低的待筛选车道线；
将滤除后剩余的待筛选车道线车道线确定为最终车道线。
其中，电子设备在从待检测图像中检测出车道线段所在区域，并确定所检测到的各段车道线段各自所在区域的第一位置信息的同时，还可以获得所检测到的各段车道线段各自所在区域对应的车道线置信度，即该区域中的目标是真实的车道线段的可信度，其中，所检测到的各段车道线段各自所在区域对应的车道线置信度与其为真实的车道线段的可信度为正比。基于所检测到的各段车道线段各自所在区域对应的车道线置信度，确定每一待筛选车道线的目标置信度时，在一种情况中，上述待筛选车道线可以为至少两段车道线段拼接所得的，此时，其目标置信度可以为：上述至少两段车道线段对应的车道线置信度的平均值，或者，上述至少两段车道线段对应的车道线置信度中最高的车道线置信度，等等这都是可以的；另一种情况下，上述待筛选车道线为一段车道线段确定得到，此时，其目标置信度可以为：上述一段车道线段对应的车道线置信度。
在一种实现方式中，电子设备可以基于预设的Faster RCNN目标检测模型，从待检测图像中检测出车道线段所在区域。在基于样本数据以及样本数据对应的标定信息，至少包括：针对样本数据中的车道线段所标定的矩形框，训练得到上述Faster RCNN目标检测模型时，上述标定信息还可以包括上述样本数据中各车道线段对应的车道线置信度，以使预设的Faster RCNN目标检测模型可以预测出所检测到的各段车道线段各自所在区域对应的车道线置信度。
在一种实现方式中，每两条车道线可以是在空间中相互平行的线，且经过透视投影成像后，空间平行的直线将在成像平面中相交于一点，称为消隐点。在确定待筛选车道线是否为真实的车道线时，在一种情况下，可以确定待筛选车道线与其他待筛选车道线是否相交于一点，即消隐点，当不相较于一点时，则可以确定该待筛选车道线为不真实的车道线，可以将上述待筛选车道线滤除。如图6所示，为利用图2A和图2B中的检测到车道线段，所确定出的最终车道线的一种示例图，其中，图6中的“框9”对应图2A中的“框1”，且对应图2B中的“框5”；图6中的“框10”对应图2A中的“框3”；图6中的“框11”对应图2B中的“框7”；图6中的“框12”对应图2A中的“框2”，且对应图2B中的“框6”；图6中的“框13”对应图2A中的“框4”，且对应图2B中的“框8”。
在另一种情况下，相邻的车道线之间的宽度需满足一定距离，以满足车辆的行驶。电子设备还可以根据相邻的待筛选车道线之间的车道线距离是否不低于预设距离，来确定待筛选车道线是否为真实的车道线，其中，可以将待检测图像中相邻的待筛选车道线之间最宽处的距离，作为相邻的待筛选车道线之间的车道线距离。上述预设距离可以为针对待检测图像所设置的距离，其可以为根据实际情况中的车道线之间的距离，以及待检测图像的分辨率进行设置的。
在一种实现方式中，可以首先将待检测图像转化为IPM图像，后续的，基于IPM图像确定相邻的待筛选车道线之间的车道线距离，继而执行从所确定的待筛选车道线中，确定相邻的待筛选车道线之间的车道线距离低于预设距离的待筛选车道线对的步骤。其中，本发明实施例中，通过上述待筛选车道线可以确定出待检测图像中的消隐点，此时，将待检测图像转化为IPM图像的过程中，确定待检测图像中的感兴趣区域时，所利用的消隐点可以为：该待检测图像中消隐点。
在另一种实现方式，还可以基于相对于该待检测图像的历史帧的信息，滤除该待检测图像中的非真实的车道线，具体的可以为：获得待检测图像的前N帧图像中的各最终车道线，将待检测图像中的各待筛选车道线分别与前N帧图像中每一图像的各最终车道线进行匹配，当前N帧图像中均存在一条最终车道线与待检测图像中的待筛选车道线匹配成功，则可以确定待检测图像中的该待筛选车道线为最终车道线，否则，确定待检测图像中的该待筛选车道线为非真实的车道线，并对该待筛选车道线进行滤除。其中，匹配成功的标识可以是：车道线之间的相似度超过预设相似度阈值等。上述N可以为大于1的正整数，在一种实现方式中，上述N可以取为3。
举例而言，N取3；待检测图像中的待筛选车道线分别为待筛选车道线1、待筛选车道线2、待筛选车道线3和待筛选车道线4；
获得待检测图像的前3帧图像，分别为：第前1帧图像、第前2帧图像和第前3帧图像；其中，第前1帧图像包含最终车道线1和最终车道线2；第前2帧图像包含最终车道线3和最终车道线4；第前3图像包含最终车道线5和最终车道线6；
将待筛选车道线1分别与第前1帧图像中的最终车道线1、最终车道线2进行匹配；并将待筛选车道线1分别与第前2帧图像中的最终车道线3、最终车道线4进行匹配；并将待筛选车道线1分别与第前3帧图像中的最终车道线5、最终车道线6进行匹配；
将待筛选车道线2分别与第前1帧图像中的最终车道线1、最终车道线2进行匹配；并将待筛选车道线2分别与第前2帧图像中的最终车道线3、最终车道线4进行匹配；并将待筛选车道线2分别与第前3帧图像中的最终车道线5、最终车道线6进行匹配；
将待筛选车道线3分别与第前1帧图像中的最终车道线1、最终车道线2进行匹配；并将待筛选车道线3分别与第前2帧图像中的最终车道线3、最终车道线4进行匹配；并将待筛选车道线3分别与第前3帧图像中的最终车道线5、最终车道线6进行匹配；
将待筛选车道线4分别与第前1帧图像中的最终车道线1、最终车道线2进行匹配；并将待筛选车道线4分别与第前2帧图像中的最终车道线3、最终车道线4进行匹配；并将待筛选车道线4分别与第前3帧图像中的最终车道线5、最终车道线6进行匹配；
当确定待筛选车道线1与第前1帧图像中的最终车道线1匹配成功，且与第前2帧图像中的最终车道线3匹配成功，且与第前3帧图像中的最终车道线5匹配成功，确定待筛选车道线1为待筛选图像的最终车道线；
当确定待筛选车道线4与第前1帧图像中的最终车道线2匹配成功，且与第前2帧图像中的最终车道线4匹配成功，且与第前3帧图像中的最终车道线6匹配成功，确定待筛选车道线4为待筛选图像的最终车道线；
当确定待筛选车道线2与第前1帧图像中的最终车道线均匹配失败，且与第前2帧图像中的最终车道线均匹配失败，且与第前3帧图像中的最终车道线均匹配失败，确定待筛选车道线2为待筛选图像的非真实的车道线；
当确定待筛选车道线3与第前1帧图像中的最终车道线均匹配失败，且与第前2帧图像中的最终车道线均匹配失败，且与第前3帧图像中的最终车道线均匹配失败，确定待筛选车道线3为待筛选图像的非真实的车道线。
相应于上述方法实施例，本发明实施例提供了一种车道线的检测装置，如图7所示，所述装置可以包括：
检测确定模块710，用于从待检测图像中检测出车道线段所在区域，并确定所检测到的各段车道线段各自所在区域的第一位置信息；
第一确定模块720，用于基于所述待检测图像、所确定的第一位置信息以及预设的车道线回归网络模型，确定所述待检测图像中所检测到的各段车道线段的第二位置信息；
第二确定模块730，用于基于所述待检测图像、所检测到的各段车道线段的第二位置信息以及预设拼接分类器，拼接所述待检测图像中所检测到的各段车道线段，确定初始车道线；
第三确定模块740，用于拟合初始车道线，确定所述待检测图像中的最终车道线。
应用本发明实施例，电子设备首先从待检测图像中检测出车道线段所在区域，并确定所检测到的各段车道线段各自所在区域的第一位置信息；后续的，利用预设的车道线回归网络模型以及所检测到的各段车道线段各自所在区域的第一位置信息，仅对待检测图像中第一位置信息对应的图像进行回归检测，确定所检测到的各段车道线段的第二位置信息；进而，基于可体现各段车道线段在待检测图像中的走势情况，和在待检测图像中的位置关系的各段车道线段的第二位置信息，以及预设拼接分类器，拼接各段车道线段，得到初始车道线，进一步的，拟合初始车道线，确定出待检测图像中的最终车道线，实现对车道线的检测。
在一种实现方式中，所述预设的车道线回归网络模型为预设的深度神经网络模型；
如图8所示，所述装置还可以包括模型建立模块810，所述模型建立模块810，用于在所述基于所述待检测图像、所确定的第一位置信息以及预设的车道线回归网络模型，确定所述待检测图像中所检测到的各段车道线段的第二位置信息之前，建立所述预设的深度神经网络模型，其中，所述模型建立模块810可以包括第一获得单元811、第二获得单元812和训练得到单元813；
所述第一获得单元811，用于获得训练样本图像，其中，每一训练样本图像中均包含样本车道线段；
所述第二获得单元812，用于获得每一训练样本图像对应的预期顶点标识信息，其中，所述预期顶点标识信息为：对每一训练样本图像中所包含的样本车道线段的顶点，所标定的标识信息；
所述训练得到单元813，用于基于所获得训练样本图像以及每一训练样本图像对应的预期顶点标识信息，训练初始的深度神经网络模型，得到所述预设的深度神经网络模型。
在一种实现方式中，所述第一获得单元811，具体用于
获得初始样本图像，其中，每一初始样本图像中包含样本车道线段；
获得针对每一初始样本图像标定的标定信息，每一标定信息中包含：对样本车道线段的顶点所标定的所述预期顶点标识信息；
针对每一初始样本图像，基于预设区域扩展规则以及所述预期顶点标识信息，在该初始样本图像中进行区域扩展；
从每一初始样本图像中，确定区域扩展所得的区域图像，作为所述训练样本图像。
在一种实现方式中，所述初始的深度神经网络模型包括：特征提取层和特征分类层；
所述训练得到单元，具体用于
将每一训练样本图像，输入所述特征提取层，提取该训练样本图像中样本车道线段的样本图像特征；
将所提取的样本图像特征，输入所述特征分类层，获得该训练样本图像中样本车道线段对应的当前顶点标识信息；
将获得的当前顶点标识信息与所对应预期顶点标识信息进行匹配；
当匹配成功时，得到包含所述特征提取层和所述特征分类层的预设的深度神经网络模型；
当匹配不成功时，则分别调整所述特征提取层和所述特征分类层的神经网络参数；重新触发所述第一获得单元811；
直至匹配成功，得到包含所述特征提取层和所述特征分类层的预设的深度神经网络模型。
在一种实现方式中，所述第一确定模块720，具体用于
将所述待检测图像以及所确定的第一位置信息，输入所述预设的深度神经网络模型中，所述预设的深度神经网络模型基于所确定的第一位置信息，提取所述待检测图像中所检测到的各段车道线段各自所在区域的图像的待检测图像特征；并基于所提取待检测图像特征，确定所检测到的各段车道线段的第二位置信息。
在一种实现方式中，所述第二确定模块730可以包括：输入得到单元和第一确定单元；
所述输入得到单元，用于针对所检测到的每一车道线段，将该车道线段的第二位置信息，与所检测到的所有车道线段中除该车道线段外的其他车道线段的第二位置信息，输入所述预设拼接分类器中，得到每一其他车道线段与该车道线段进行拼接的拼接概率；
所述第一确定单元，用于针对所检测到的每一车道线段，基于所得到的拼接概率以及所述待检测图像，将该车道线段与所对应拼接概率最高的，且所对应拼接概率高于预设概率阈值的车道线段进行拼接，确定初始车道线。
在一种实现方式中，所述第二确定模块730还可以包括：计算单元、第二确定单元；
所述计算单元，用于在所述针对所检测到的每一车道线段，将该车道线段的第二位置信息，与所检测到的所有车道线段中除该车道线段外的其他车道线段的第二位置信息，输入所述预设拼接分类器中，得到每一其他车道线段与该车道线段进行拼接的拼接概率之前，基于所检测到的各段车道线段的第二位置信息，计算各段车道线段之间的相对距离；
所述第二确定单元，用于针对所检测到的每一车道线段，从所检测到的所有车道线段中除该车道线段外的其他车道线段中，确定与该车道线段匹配的车道线段，其中，所述与该车道线段匹配的车道线段为：与该车道线段之间的相对距离满足预设拼接条件的车道线段；
所述输入得到单元，具体用于针对所检测到的每一车道线段，将该车道线段的第二位置信息以及与该车道线段匹配的车道线段的第二位置信息，输入所述预设拼接分类器中，得到每一与该车道线段匹配的车道线段与该车道线段进行拼接的拼接概率。
在一种实现方式中，所述检测确定模块710，具体用于
从待检测图像中检测出车道线段所在区域，并确定所检测到的各段车道线段各自所在区域的第一位置信息，以及所检测到的各段车道线段各自所在区域对应的车道线置信度；
所述第三确定模块740，具体用于拟合所述初始车道线，确定拟合后的各初始车道线，作为待筛选车道线；
从所确定的待筛选车道线中，滤除与其他待筛选车道线不相交于同一点的待筛选车道线；和/或，
基于所检测到的各段车道线段各自所在区域对应的车道线置信度，确定每一待筛选车道线的目标置信度；从所确定的待筛选车道线中，确定相邻的待筛选车道线之间的车道线距离低于预设距离的待筛选车道线对；并从所确定的待筛选车道线对中滤除所对应目标置信度低的待筛选车道线；
将滤除后剩余的待筛选车道线车道线确定为所述最终车道线。
相应于上述方法实施例，本发明实施例还提供了一种电子设备，如图9所示，包括处理器910、通信接口920、存储器930和通信总线940，其中，处理器910，通信接口920，存储器930通过通信总线940完成相互间的通信，
存储器930，用于存放计算机程序；
处理器910，用于执行存储器930上所存放的计算机程序时，实现本发明实施例所提供的上述任一车道线的检测方法，该方法可以包括步骤：
从待检测图像中检测出车道线段所在区域，并确定所检测到的各段车道线段各自所在区域的第一位置信息；
基于所述待检测图像、所确定的第一位置信息以及预设的车道线回归网络模型，确定所述待检测图像中所检测到的各段车道线段的第二位置信息；
基于所述待检测图像、所检测到的各段车道线段的第二位置信息以及预设拼接分类器，拼接所述待检测图像中所检测到的各段车道线段，确定初始车道线；
拟合初始车道线，确定所述待检测图像中的最终车道线。
应用本发明实施例，首先从待检测图像中检测出车道线段所在区域，并确定所检测到的各段车道线段各自所在区域的第一位置信息；后续的，利用预设的车道线回归网络模型以及所检测到的各段车道线段各自所在区域的第一位置信息，仅对待检测图像中第一位置信息对应的图像进行回归检测，确定所检测到的各段车道线段的第二位置信息；进而，基于可体现各段车道线段在待检测图像中的走势情况，和在待检测图像中的位置关系的各段车道线段的第二位置信息，以及预设拼接分类器，拼接各段车道线段，得到初始车道线，进一步的，拟合初始车道线，确定出待检测图像中的最终车道线，实现对车道线的检测。
可选地，所述预设的车道线回归网络模型为预设的深度神经网络模型；
在所述基于所述待检测图像、所确定的第一位置信息以及预设的车道线回归网络模型，确定所述待检测图像中所检测到的各段车道线段的第二位置信息的步骤之前，所述方法还包括：
建立所述预设的深度神经网络模型的过程，其中，所述过程包括：
获得训练样本图像，其中，每一训练样本图像中均包含样本车道线段；
获得每一训练样本图像对应的预期顶点标识信息，其中，所述预期顶点标识信息为：对每一训练样本图像中所包含的样本车道线段的顶点，所标定的标识信息；
基于所获得训练样本图像以及每一训练样本图像对应的预期顶点标识信息，训练初始的深度神经网络模型，得到所述预设的深度神经网络模型。
可选地，所述获得训练样本图像的步骤，包括：
获得初始样本图像，其中，每一初始样本图像中包含样本车道线段；
获得针对每一初始样本图像标定的标定信息，每一标定信息中包含：对样本车道线段的顶点所标定的所述预期顶点标识信息；
针对每一初始样本图像，基于预设区域扩展规则以及所述预期顶点标识信息，在该初始样本图像中进行区域扩展；
从每一初始样本图像中，确定区域扩展所得的区域图像，作为所述训练样本图像。
可选地，所述初始的深度神经网络模型包括：特征提取层和特征分类层；
所述基于所获得训练样本图像以及每一训练样本图像对应的预期顶点标识信息，训练初始的深度神经网络模型，得到所述预设的深度神经网络模型的步骤，包括：
将每一训练样本图像，输入所述特征提取层，提取该训练样本图像中样本车道线段的样本图像特征；
将所提取的样本图像特征，输入所述特征分类层，获得该训练样本图像中样本车道线段对应的当前顶点标识信息；
将获得的当前顶点标识信息与所对应预期顶点标识信息进行匹配；
当匹配成功时，得到包含所述特征提取层和所述特征分类层的预设的深度神经网络模型；
当匹配不成功时，则分别调整所述特征提取层和所述特征分类层的神经网络参数；重新返回将每一训练样本图像，输入所述特征提取层，提取该训练样本图像中样本车道线段的样本图像特征的步骤；
直至匹配成功，得到包含所述特征提取层和所述特征分类层的预设的深度神经网络模型。
可选地，所述基于所述待检测图像、所确定的第一位置信息以及预设的车道线回归网络模型，确定所述待检测图像中所检测到的各段车道线段的第二位置信息的步骤，包括：
将所述待检测图像以及所确定的第一位置信息，输入所述预设的深度神经网络模型中，所述预设的深度神经网络模型基于所确定的第一位置信息，提取所述待检测图像中所检测到的各段车道线段各自所在区域的图像的待检测图像特征；并基于所提取待检测图像特征，确定所检测到的各段车道线段的第二位置信息。
可选地，所述基于所述待检测图像、所检测到的各段车道线段的第二位置信息以及预设拼接分类器，拼接所述待检测图像中所检测到的各段车道线段，确定初始车道线的步骤，包括：
针对所检测到的每一车道线段，将该车道线段的第二位置信息，与所检测到的所有车道线段中除该车道线段外的其他车道线段的第二位置信息，输入所述预设拼接分类器中，得到每一其他车道线段与该车道线段进行拼接的拼接概率；
针对所检测到的每一车道线段，基于所得到的拼接概率以及所述待检测图像，将该车道线段与所对应拼接概率最高的，且所对应拼接概率高于预设概率阈值的车道线段进行拼接，确定初始车道线。
可选地，在所述针对所检测到的每一车道线段，将该车道线段的第二位置信息，与所检测到的所有车道线段中除该车道线段外的其他车道线段的第二位置信息，输入所述预设拼接分类器中，得到每一其他车道线段与该车道线段进行拼接的拼接概率的步骤之前，所述方法还包括：
基于所检测到的各段车道线段的第二位置信息，计算所检测到的各段车道线段之间的相对距离；
针对所检测到的每一车道线段，从所检测到的所有车道线段中除该车道线段外的其他车道线段中，确定与该车道线段匹配的车道线段，其中，所述与该车道线段匹配的车道线段为：与该车道线段之间的相对距离满足预设拼接条件的车道线段；
所述针对所检测到的每一车道线段，将该车道线段的第二位置信息，与所检测到的所有车道线段中除该车道线段外的其他车道线段的第二位置信息，输入所述预设拼接分类器中，得到每一其他车道线段与该车道线段进行拼接的拼接概率的步骤，包括：
针对所检测到的每一车道线段，将该车道线段的第二位置信息以及与该车道线段匹配的车道线段的第二位置信息，输入所述预设拼接分类器中，得到每一与该车道线段匹配的车道线段与该车道线段进行拼接的拼接概率。
可选地，所述从待检测图像中检测出车道线段所在区域，并确定所检测到的各段车道线段各自所在区域的第一位置信息的步骤，包括：
从待检测图像中检测出车道线段所在区域，并确定所检测到的各段车道线段各自所在区域的第一位置信息，以及所检测到的各段车道线段各自所在区域对应的车道线置信度；
所述拟合初始车道线，确定所述待检测图像中的车道线的步骤，包括：
拟合所述初始车道线，确定拟合后的各初始车道线，作为待筛选车道线；
从所确定的待筛选车道线中，滤除与其他待筛选车道线不相交于同一点的待筛选车道线；和/或，
基于所检测到的各段车道线段各自所在区域对应的车道线置信度，确定每一待筛选车道线的目标置信度；从所确定的待筛选车道线中，确定相邻的待筛选车道线之间的车道线距离低于预设距离的待筛选车道线对；并从所确定的待筛选车道线对中滤除所对应目标置信度低的待筛选车道线；
将滤除后剩余的待筛选车道线车道线确定为所述最终车道线。
上述电子设备提到的通信总线可以是外设部件互连标准(Peripheral ComponentInterconnect，PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture，EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
通信接口用于上述电子设备与其他设备之间的通信。
存储器可以包括随机存取存储器(Random Access Memory，RAM)，也可以包括非易失性存储器(Non-Volatile Memory，NVM)，例如至少一个磁盘存储器。可选的，存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器，包括中央处理器(Central Processing Unit，CPU)、网络处理器(Network Processor，NP)等；还可以是数字信号处理器(Digital SignalProcessing，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。
相应于上述方法实施例，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内存储有计算机程序，所述计算机程序被处理器执行时实现本发明实施例所提供的上述任一车道线的检测方法，该方法可以包括步骤：
从待检测图像中检测出车道线段所在区域，并确定所检测到的各段车道线段各自所在区域的第一位置信息；
基于所述待检测图像、所确定的第一位置信息以及预设的车道线回归网络模型，确定所述待检测图像中所检测到的各段车道线段的第二位置信息；
基于所述待检测图像、所检测到的各段车道线段的第二位置信息以及预设拼接分类器，拼接所述待检测图像中所检测到的各段车道线段，确定初始车道线；
拟合初始车道线，确定所述待检测图像中的最终车道线。
应用本发明实施例，首先从待检测图像中检测出车道线段所在区域，并确定所检测到的各段车道线段各自所在区域的第一位置信息；后续的，利用预设的车道线回归网络模型以及所检测到的各段车道线段各自所在区域的第一位置信息，仅对待检测图像中第一位置信息对应的图像进行回归检测，确定所检测到的各段车道线段的第二位置信息；进而，基于可体现各段车道线段在待检测图像中的走势情况，和在待检测图像中的位置关系的各段车道线段的第二位置信息，以及预设拼接分类器，拼接各段车道线段，得到初始车道线，进一步的，拟合初始车道线，确定出待检测图像中的最终车道线，实现对车道线的检测。
可选地，所述预设的车道线回归网络模型为预设的深度神经网络模型；
在所述基于所述待检测图像、所确定的第一位置信息以及预设的车道线回归网络模型，确定所述待检测图像中所检测到的各段车道线段的第二位置信息的步骤之前，所述方法还包括：
建立所述预设的深度神经网络模型的过程，其中，所述过程包括：
获得训练样本图像，其中，每一训练样本图像中均包含样本车道线段；
获得每一训练样本图像对应的预期顶点标识信息，其中，所述预期顶点标识信息为：对每一训练样本图像中所包含的样本车道线段的顶点，所标定的标识信息；
基于所获得训练样本图像以及每一训练样本图像对应的预期顶点标识信息，训练初始的深度神经网络模型，得到所述预设的深度神经网络模型。
可选地，所述获得训练样本图像的步骤，包括：
获得初始样本图像，其中，每一初始样本图像中包含样本车道线段；
获得针对每一初始样本图像标定的标定信息，每一标定信息中包含：对样本车道线段的顶点所标定的所述预期顶点标识信息；
针对每一初始样本图像，基于预设区域扩展规则以及所述预期顶点标识信息，在该初始样本图像中进行区域扩展；
从每一初始样本图像中，确定区域扩展所得的区域图像，作为所述训练样本图像。
可选地，所述初始的深度神经网络模型包括：特征提取层和特征分类层；
所述基于所获得训练样本图像以及每一训练样本图像对应的预期顶点标识信息，训练初始的深度神经网络模型，得到所述预设的深度神经网络模型的步骤，包括：
将每一训练样本图像，输入所述特征提取层，提取该训练样本图像中样本车道线段的样本图像特征；
将所提取的样本图像特征，输入所述特征分类层，获得该训练样本图像中样本车道线段对应的当前顶点标识信息；
将获得的当前顶点标识信息与所对应预期顶点标识信息进行匹配；
当匹配成功时，得到包含所述特征提取层和所述特征分类层的预设的深度神经网络模型；
当匹配不成功时，则分别调整所述特征提取层和所述特征分类层的神经网络参数；重新返回将每一训练样本图像，输入所述特征提取层，提取该训练样本图像中样本车道线段的样本图像特征的步骤；
直至匹配成功，得到包含所述特征提取层和所述特征分类层的预设的深度神经网络模型。
可选地，所述基于所述待检测图像、所确定的第一位置信息以及预设的车道线回归网络模型，确定所述待检测图像中所检测到的各段车道线段的第二位置信息的步骤，包括：
将所述待检测图像以及所确定的第一位置信息，输入所述预设的深度神经网络模型中，所述预设的深度神经网络模型基于所确定的第一位置信息，提取所述待检测图像中所检测到的各段车道线段各自所在区域的图像的待检测图像特征；并基于所提取待检测图像特征，确定所检测到的各段车道线段的第二位置信息。
可选地，所述基于所述待检测图像、所检测到的各段车道线段的第二位置信息以及预设拼接分类器，拼接所述待检测图像中所检测到的各段车道线段，确定初始车道线的步骤，包括：
针对所检测到的每一车道线段，将该车道线段的第二位置信息，与所检测到的所有车道线段中除该车道线段外的其他车道线段的第二位置信息，输入所述预设拼接分类器中，得到每一其他车道线段与该车道线段进行拼接的拼接概率；
针对所检测到的每一车道线段，基于所得到的拼接概率以及所述待检测图像，将该车道线段与所对应拼接概率最高的，且所对应拼接概率高于预设概率阈值的车道线段进行拼接，确定初始车道线。
可选地，在所述针对所检测到的每一车道线段，将该车道线段的第二位置信息，与所检测到的所有车道线段中除该车道线段外的其他车道线段的第二位置信息，输入所述预设拼接分类器中，得到每一其他车道线段与该车道线段进行拼接的拼接概率的步骤之前，所述方法还包括：
基于所检测到的各段车道线段的第二位置信息，计算所检测到的各段车道线段之间的相对距离；
针对所检测到的每一车道线段，从所检测到的所有车道线段中除该车道线段外的其他车道线段中，确定与该车道线段匹配的车道线段，其中，所述与该车道线段匹配的车道线段为：与该车道线段之间的相对距离满足预设拼接条件的车道线段；
所述针对所检测到的每一车道线段，将该车道线段的第二位置信息，与所检测到的所有车道线段中除该车道线段外的其他车道线段的第二位置信息，输入所述预设拼接分类器中，得到每一其他车道线段与该车道线段进行拼接的拼接概率的步骤，包括：
针对所检测到的每一车道线段，将该车道线段的第二位置信息以及与该车道线段匹配的车道线段的第二位置信息，输入所述预设拼接分类器中，得到每一与该车道线段匹配的车道线段与该车道线段进行拼接的拼接概率。
可选地，所述从待检测图像中检测出车道线段所在区域，并确定所检测到的各段车道线段各自所在区域的第一位置信息的步骤，包括：
从待检测图像中检测出车道线段所在区域，并确定所检测到的各段车道线段各自所在区域的第一位置信息，以及所检测到的各段车道线段各自所在区域对应的车道线置信度；
所述拟合初始车道线，确定所述待检测图像中的车道线的步骤，包括：
拟合所述初始车道线，确定拟合后的各初始车道线，作为待筛选车道线；
从所确定的待筛选车道线中，滤除与其他待筛选车道线不相交于同一点的待筛选车道线；和/或，
基于所检测到的各段车道线段各自所在区域对应的车道线置信度，确定每一待筛选车道线的目标置信度；从所确定的待筛选车道线中，确定相邻的待筛选车道线之间的车道线距离低于预设距离的待筛选车道线对；并从所确定的待筛选车道线对中滤除所对应目标置信度低的待筛选车道线；
将滤除后剩余的待筛选车道线车道线确定为所述最终车道线。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于***实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上所述仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等，均包含在本发明的保护范围内。

Claims (18)

1.一种车道线的检测方法，其特征在于，所述方法包括：
从待检测图像中检测出车道线段所在区域，并确定所检测到的各段车道线段各自所在区域的第一位置信息；
基于所述待检测图像、所确定的第一位置信息以及预设的车道线回归网络模型，确定所述待检测图像中所检测到的各段车道线段的第二位置信息；
基于所述待检测图像、所检测到的各段车道线段的第二位置信息以及预设拼接分类器，拼接所述待检测图像中所检测到的各段车道线段，确定初始车道线；
拟合初始车道线，确定所述待检测图像中的最终车道线。
2.根据权利要求1所述的方法，其特征在于，所述预设的车道线回归网络模型为预设的深度神经网络模型；
在所述基于所述待检测图像、所确定的第一位置信息以及预设的车道线回归网络模型，确定所述待检测图像中所检测到的各段车道线段的第二位置信息的步骤之前，所述方法还包括：
建立所述预设的深度神经网络模型的过程，其中，所述过程包括：
获得训练样本图像，其中，每一训练样本图像中均包含样本车道线段；
获得每一训练样本图像对应的预期顶点标识信息，其中，所述预期顶点标识信息为：对每一训练样本图像中所包含的样本车道线段的顶点，所标定的标识信息；
基于所获得训练样本图像以及每一训练样本图像对应的预期顶点标识信息，训练初始的深度神经网络模型，得到所述预设的深度神经网络模型。
3.根据权利要求2所述的方法，其特征在于，所述获得训练样本图像的步骤，包括：
获得初始样本图像，其中，每一初始样本图像中包含样本车道线段；
获得针对每一初始样本图像标定的标定信息，每一标定信息中包含：对样本车道线段的顶点所标定的所述预期顶点标识信息；
针对每一初始样本图像，基于预设区域扩展规则以及所述预期顶点标识信息，在该初始样本图像中进行区域扩展；
从每一初始样本图像中，确定区域扩展所得的区域图像，作为所述训练样本图像。
4.根据权利要求2所述的方法，其特征在于，所述初始的深度神经网络模型包括：特征提取层和特征分类层；
所述基于所获得训练样本图像以及每一训练样本图像对应的预期顶点标识信息，训练初始的深度神经网络模型，得到所述预设的深度神经网络模型的步骤，包括：
将每一训练样本图像，输入所述特征提取层，提取该训练样本图像中样本车道线段的样本图像特征；
将所提取的样本图像特征，输入所述特征分类层，获得该训练样本图像中样本车道线段对应的当前顶点标识信息；
将获得的当前顶点标识信息与所对应预期顶点标识信息进行匹配；
当匹配成功时，得到包含所述特征提取层和所述特征分类层的预设的深度神经网络模型；
当匹配不成功时，则分别调整所述特征提取层和所述特征分类层的神经网络参数；重新返回将每一训练样本图像，输入所述特征提取层，提取该训练样本图像中样本车道线段的样本图像特征的步骤；
直至匹配成功，得到包含所述特征提取层和所述特征分类层的预设的深度神经网络模型。
5.根据权利要求2所述的方法，其特征在于，所述基于所述待检测图像、所确定的第一位置信息以及预设的车道线回归网络模型，确定所述待检测图像中所检测到的各段车道线段的第二位置信息的步骤，包括：
将所述待检测图像以及所确定的第一位置信息，输入所述预设的深度神经网络模型中，所述预设的深度神经网络模型基于所确定的第一位置信息，提取所述待检测图像中所检测到的各段车道线段各自所在区域的图像的待检测图像特征；并基于所提取待检测图像特征，确定所检测到的各段车道线段的第二位置信息。
6.根据权利要求1-5任一项所述的方法，其特征在于，所述基于所述待检测图像、所检测到的各段车道线段的第二位置信息以及预设拼接分类器，拼接所述待检测图像中所检测到的各段车道线段，确定初始车道线的步骤，包括：
针对所检测到的每一车道线段，将该车道线段的第二位置信息，与所检测到的所有车道线段中除该车道线段外的其他车道线段的第二位置信息，输入所述预设拼接分类器中，得到每一其他车道线段与该车道线段进行拼接的拼接概率；
针对所检测到的每一车道线段，基于所得到的拼接概率以及所述待检测图像，将该车道线段与所对应拼接概率高于预设概率阈值的车道线段进行拼接，确定初始车道线。
7.根据权利要求6所述的方法，其特征在于，在所述针对所检测到的每一车道线段，将该车道线段的第二位置信息，与所检测到的所有车道线段中除该车道线段外的其他车道线段的第二位置信息，输入所述预设拼接分类器中，得到每一其他车道线段与该车道线段进行拼接的拼接概率的步骤之前，所述方法还包括：
基于所检测到的各段车道线段的第二位置信息，计算所检测到的各段车道线段之间的相对距离；
针对所检测到的每一车道线段，从所检测到的所有车道线段中除该车道线段外的其他车道线段中，确定与该车道线段匹配的车道线段，其中，所述与该车道线段匹配的车道线段为：与该车道线段之间的相对距离满足预设拼接条件的车道线段；
所述针对所检测到的每一车道线段，将该车道线段的第二位置信息，与所检测到的所有车道线段中除该车道线段外的其他车道线段的第二位置信息，输入所述预设拼接分类器中，得到每一其他车道线段与该车道线段进行拼接的拼接概率的步骤，包括：
针对所检测到的每一车道线段，将该车道线段的第二位置信息以及与该车道线段匹配的车道线段的第二位置信息，输入所述预设拼接分类器中，得到每一与该车道线段匹配的车道线段与该车道线段进行拼接的拼接概率。
8.根据权利要求1-5任一项所述的方法，其特征在于，所述从待检测图像中检测出车道线段所在区域，并确定所检测到的各段车道线段各自所在区域的第一位置信息的步骤，包括：
从待检测图像中检测出车道线段所在区域，并确定所检测到的各段车道线段各自所在区域的第一位置信息，以及所检测到的各段车道线段各自所在区域对应的车道线置信度；
所述拟合初始车道线，确定所述待检测图像中的车道线的步骤，包括：
拟合所述初始车道线，确定拟合后的各初始车道线，作为待筛选车道线；
从所确定的待筛选车道线中，滤除与其他待筛选车道线不相交于同一点的待筛选车道线；和/或，
基于所检测到的各段车道线段各自所在区域对应的车道线置信度，确定每一待筛选车道线的目标置信度；从所确定的待筛选车道线中，确定相邻的待筛选车道线之间的车道线距离低于预设距离的待筛选车道线对；并从所确定的待筛选车道线对中滤除所对应目标置信度低的待筛选车道线；
将滤除后剩余的待筛选车道线车道线确定为所述最终车道线。
9.一种车道线的检测装置，其特征在于，所述装置包括：
检测确定模块，用于从待检测图像中检测出车道线段所在区域，并确定所检测到的各段车道线段各自所在区域的第一位置信息；
第一确定模块，用于基于所述待检测图像、所确定的第一位置信息以及预设的车道线回归网络模型，确定所述待检测图像中所检测到的各段车道线段的第二位置信息；
第二确定模块，用于基于所述待检测图像、所检测到的各段车道线段的第二位置信息以及预设拼接分类器，拼接所述待检测图像中所检测到的各段车道线段，确定初始车道线；
第三确定模块，用于拟合初始车道线，确定所述待检测图像中的最终车道线。
10.根据权利要求9所述的装置，其特征在于，所述预设的车道线回归网络模型为预设的深度神经网络模型；
所述装置还包括模型建立模块，所述模型建立模块，用于在所述基于所述待检测图像、所确定的第一位置信息以及预设的车道线回归网络模型，确定所述待检测图像中所检测到的各段车道线段的第二位置信息之前，建立所述预设的深度神经网络模型，其中，所述模型建立模块包括第一获得单元、第二获得单元和训练得到单元；
所述第一获得单元，用于获得训练样本图像，其中，每一训练样本图像中均包含样本车道线段；
所述第二获得单元，用于获得每一训练样本图像对应的预期顶点标识信息，其中，所述预期顶点标识信息为：对每一训练样本图像中所包含的样本车道线段的顶点，所标定的标识信息；
所述训练得到单元，用于基于所获得训练样本图像以及每一训练样本图像对应的预期顶点标识信息，训练初始的深度神经网络模型，得到所述预设的深度神经网络模型。
11.根据权利要求10所述的装置，其特征在于，所述第一获得单元，具体用于
获得初始样本图像，其中，每一初始样本图像中包含样本车道线段；
获得针对每一初始样本图像标定的标定信息，每一标定信息中包含：对样本车道线段的顶点所标定的所述预期顶点标识信息；
针对每一初始样本图像，基于预设区域扩展规则以及所述预期顶点标识信息，在该初始样本图像中进行区域扩展；
从每一初始样本图像中，确定区域扩展所得的区域图像，作为所述训练样本图像。
12.根据权利要求10所述的装置，其特征在于，所述初始的深度神经网络模型包括：特征提取层和特征分类层；
所述训练得到单元，具体用于
将每一训练样本图像，输入所述特征提取层，提取该训练样本图像中样本车道线段的样本图像特征；
将所提取的样本图像特征，输入所述特征分类层，获得该训练样本图像中样本车道线段对应的当前顶点标识信息；
将获得的当前顶点标识信息与所对应预期顶点标识信息进行匹配；
当匹配成功时，得到包含所述特征提取层和所述特征分类层的预设的深度神经网络模型；
当匹配不成功时，则分别调整所述特征提取层和所述特征分类层的神经网络参数；重新触发所述第一获得单元；
直至匹配成功，得到包含所述特征提取层和所述特征分类层的预设的深度神经网络模型。
13.根据权利要求10所述的装置，其特征在于，所述第一确定模块，具体用于
将所述待检测图像以及所确定的第一位置信息，输入所述预设的深度神经网络模型中，所述预设的深度神经网络模型基于所确定的第一位置信息，提取所述待检测图像中所检测到的各段车道线段各自所在区域的图像的待检测图像特征；并基于所提取待检测图像特征，确定所检测到的各段车道线段的第二位置信息。
14.根据权利要求9-13任一项所述的装置，其特征在于，所述第二确定模块包括：输入得到单元和第一确定单元；
所述输入得到单元，用于针对所检测到的每一车道线段，将该车道线段的第二位置信息，与所检测到的所有车道线段中除该车道线段外的其他车道线段的第二位置信息，输入所述预设拼接分类器中，得到每一其他车道线段与该车道线段进行拼接的拼接概率；
所述第一确定单元，用于针对所检测到的每一车道线段，基于所得到的拼接概率以及所述待检测图像，将该车道线段与所对应拼接概率最高的，且所对应拼接概率高于预设概率阈值的车道线段进行拼接，确定初始车道线。
15.根据权利要求14所述的装置，其特征在于，所述第二确定模块还包括：计算单元、第二确定单元；
所述计算单元，用于在所述针对所检测到的每一车道线段，将该车道线段的第二位置信息，与所检测到的所有车道线段中除该车道线段外的其他车道线段的第二位置信息，输入所述预设拼接分类器中，得到每一其他车道线段与该车道线段进行拼接的拼接概率之前，基于所检测到的各段车道线段的第二位置信息，计算各段车道线段之间的相对距离；
所述第二确定单元，用于针对所检测到的每一车道线段，从所检测到的所有车道线段中除该车道线段外的其他车道线段中，确定与该车道线段匹配的车道线段，其中，所述与该车道线段匹配的车道线段为：与该车道线段之间的相对距离满足预设拼接条件的车道线段；
所述输入得到单元，具体用于针对所检测到的每一车道线段，将该车道线段的第二位置信息以及与该车道线段匹配的车道线段的第二位置信息，输入所述预设拼接分类器中，得到每一与该车道线段匹配的车道线段与该车道线段进行拼接的拼接概率。
16.根据权利要求9-13任一项所述的装置，其特征在于，所述检测确定模块，具体用于
从待检测图像中检测出车道线段所在区域，并确定所检测到的各段车道线段各自所在区域的第一位置信息，以及所检测到的各段车道线段各自所在区域对应的车道线置信度；
所述第三确定模块，具体用于拟合所述初始车道线，确定拟合后的各初始车道线，作为待筛选车道线；
从所确定的待筛选车道线中，滤除与其他待筛选车道线不相交于同一点的待筛选车道线；和/或，
基于所检测到的各段车道线段各自所在区域对应的车道线置信度，确定每一待筛选车道线的目标置信度；从所确定的待筛选车道线中，确定相邻的待筛选车道线之间的车道线距离低于预设距离的待筛选车道线对；并从所确定的待筛选车道线对中滤除所对应目标置信度低的待筛选车道线；
将滤除后剩余的待筛选车道线车道线确定为所述最终车道线。
17.一种电子设备，其特征在于，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；
存储器，用于存放计算机程序；
处理器，用于执行存储器上所存放的计算机程序时，实现权利要求1-8任一所述的车道线的检测方法步骤。
18.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1-8任一所述的车道线的检测方法步骤。
CN201710865241.6A 2017-09-22 2017-09-22 一种车道线的检测方法、装置及电子设备 Active CN109543493B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710865241.6A CN109543493B (zh) 2017-09-22 2017-09-22 一种车道线的检测方法、装置及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710865241.6A CN109543493B (zh) 2017-09-22 2017-09-22 一种车道线的检测方法、装置及电子设备

Publications (2)

Publication Number Publication Date
CN109543493A true CN109543493A (zh) 2019-03-29
CN109543493B CN109543493B (zh) 2020-11-20

Family

ID=65828275

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710865241.6A Active CN109543493B (zh) 2017-09-22 2017-09-22 一种车道线的检测方法、装置及电子设备

Country Status (1)

Country Link
CN (1) CN109543493B (zh)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110211190A (zh) * 2019-05-31 2019-09-06 北京百度网讯科技有限公司 相机自运动参数估计模型的训练方法、装置及存储介质
CN110298885A (zh) * 2019-06-18 2019-10-01 仲恺农业工程学院 一种非光滑类球体目标的立体视觉识别方法和定位夹持检测装置及其应用
CN111160086A (zh) * 2019-11-21 2020-05-15 成都旷视金智科技有限公司 车道线识别方法、装置、设备和存储介质
CN111898540A (zh) * 2020-07-30 2020-11-06 平安科技（深圳）有限公司 车道线检测方法、装置、计算机设备及计算机可读存储介质
CN112130550A (zh) * 2019-06-24 2020-12-25 北京市商汤科技开发有限公司 一种道路图像处理方法、装置、电子设备及存储介质
CN112381034A (zh) * 2020-11-25 2021-02-19 上海眼控科技股份有限公司 一种车道线检测方法、装置、设备及存储介质
CN113435350A (zh) * 2021-06-30 2021-09-24 浙江大华技术股份有限公司 一种交通标线检测方法、装置、设备和介质
US11175149B2 (en) * 2018-10-16 2021-11-16 Samsung Electronics Co., Ltd. Vehicle localization method and apparatus
CN115049994A (zh) * 2021-02-25 2022-09-13 广州汽车集团股份有限公司 一种车道线检测方法及***、计算机可读存储介质

Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2010047226A1 (ja) * 2008-10-22 2010-04-29 日本電気株式会社 車線区画線検出装置、車線区画線検出方法、及び車線区画線検出プログラム
US20100176970A1 (en) * 2009-01-09 2010-07-15 Denso Corporation Vehicle-mounted alarm generating apparatus
CN103220548A (zh) * 2013-04-23 2013-07-24 上海纵目科技有限公司 用于全景泊车标定的测试现场及其建设方法
CN103902985A (zh) * 2014-04-15 2014-07-02 安徽工程大学 一种基于roi的强鲁棒性实时车道侦测算法
CN104036246A (zh) * 2014-06-10 2014-09-10 电子科技大学 一种基于多特征融合及多态均值的车道线定位方法
CN104742912A (zh) * 2013-12-27 2015-07-01 比亚迪股份有限公司 车道偏移检测方法和装置
CN105005771A (zh) * 2015-07-13 2015-10-28 西安理工大学 一种基于光流点轨迹统计的车道线实线的检测方法
CN105260699A (zh) * 2015-09-10 2016-01-20 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
CN105667518A (zh) * 2016-02-25 2016-06-15 福州华鹰重工机械有限公司 车道检测的方法及装置
US20160332624A1 (en) * 2015-05-11 2016-11-17 Fuji Jukogyo Kabushiki Kaisha Vehicle position detecting apparatus
CN106326822A (zh) * 2015-07-07 2017-01-11 北京易车互联信息技术有限公司 车道线检测的方法及装置
CN106599869A (zh) * 2016-12-22 2017-04-26 安徽大学 一种基于多任务卷积神经网络的车辆属性识别方法
CN106682646A (zh) * 2017-01-16 2017-05-17 北京新能源汽车股份有限公司 一种车道线的识别方法及装置
CN106971593A (zh) * 2017-04-01 2017-07-21 深圳市元征科技股份有限公司 车道识别方法及装置

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2010047226A1 (ja) * 2008-10-22 2010-04-29 日本電気株式会社 車線区画線検出装置、車線区画線検出方法、及び車線区画線検出プログラム
US20100176970A1 (en) * 2009-01-09 2010-07-15 Denso Corporation Vehicle-mounted alarm generating apparatus
CN103220548A (zh) * 2013-04-23 2013-07-24 上海纵目科技有限公司 用于全景泊车标定的测试现场及其建设方法
CN104742912A (zh) * 2013-12-27 2015-07-01 比亚迪股份有限公司 车道偏移检测方法和装置
CN103902985A (zh) * 2014-04-15 2014-07-02 安徽工程大学 一种基于roi的强鲁棒性实时车道侦测算法
CN104036246A (zh) * 2014-06-10 2014-09-10 电子科技大学 一种基于多特征融合及多态均值的车道线定位方法
US20160332624A1 (en) * 2015-05-11 2016-11-17 Fuji Jukogyo Kabushiki Kaisha Vehicle position detecting apparatus
CN106326822A (zh) * 2015-07-07 2017-01-11 北京易车互联信息技术有限公司 车道线检测的方法及装置
CN105005771A (zh) * 2015-07-13 2015-10-28 西安理工大学 一种基于光流点轨迹统计的车道线实线的检测方法
CN105260699A (zh) * 2015-09-10 2016-01-20 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
CN105667518A (zh) * 2016-02-25 2016-06-15 福州华鹰重工机械有限公司 车道检测的方法及装置
CN106599869A (zh) * 2016-12-22 2017-04-26 安徽大学 一种基于多任务卷积神经网络的车辆属性识别方法
CN106682646A (zh) * 2017-01-16 2017-05-17 北京新能源汽车股份有限公司 一种车道线的识别方法及装置
CN106971593A (zh) * 2017-04-01 2017-07-21 深圳市元征科技股份有限公司 车道识别方法及装置

Non-Patent Citations (8)

* Cited by examiner, † Cited by third party
Title
D.C.HERNÁNDEZ ET AL: "Lane marking detection using image features and line fitting model", 《 2017 10TH INTERNATIONAL CONFERENCE ON HUMAN SYSTEM INTERACTIONS (HSI)》 *
JAKUBSOCHOR ET AL: "Traffic surveillance camera calibration by 3D model bounding box alignment for accurate vehicle speed measurement", 《COMPUTER VISION AND IMAGE UNDERSTANDING》 *
JIANWEINIU ET AL: "Robust Lane Detection using Two-stage Feature Extraction with Curve Fitting", 《PATTERN RECOGNITION》 *
X.X.DU ET AL.: "Vision-based approach towards lane line detection and vehicle localization", 《MACHINE VISION AND APPLICATION》 *
宫小虎: "基于RANSAC抛物线拟合的实时车道线检测和类型识别算法", 《中国优秀硕士学位论文全文数据库工程科技II辑》 *
张贵洋: "汽车在车道运行状态的识别方法研究", 《中国优秀硕士学位论文全文数据库工程科技II辑》 *
张静: "基于小波及亚像素分析的道路检测技术研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 *
魏庆媛: "车道线图像检测与车辆偏航预警模型构建", 《西安工业大学机电工程学院》 *

Cited By (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11175149B2 (en) * 2018-10-16 2021-11-16 Samsung Electronics Co., Ltd. Vehicle localization method and apparatus
CN110211190B (zh) * 2019-05-31 2022-11-01 北京百度网讯科技有限公司 相机自运动参数估计模型的训练方法、装置及存储介质
CN110211190A (zh) * 2019-05-31 2019-09-06 北京百度网讯科技有限公司 相机自运动参数估计模型的训练方法、装置及存储介质
CN110298885A (zh) * 2019-06-18 2019-10-01 仲恺农业工程学院 一种非光滑类球体目标的立体视觉识别方法和定位夹持检测装置及其应用
CN110298885B (zh) * 2019-06-18 2023-06-27 仲恺农业工程学院 一种非光滑类球体目标的立体视觉识别方法和定位夹持检测装置及其应用
CN112130550A (zh) * 2019-06-24 2020-12-25 北京市商汤科技开发有限公司 一种道路图像处理方法、装置、电子设备及存储介质
CN112130550B (zh) * 2019-06-24 2024-03-12 北京市商汤科技开发有限公司 一种道路图像处理方法、装置、电子设备及存储介质
CN111160086A (zh) * 2019-11-21 2020-05-15 成都旷视金智科技有限公司 车道线识别方法、装置、设备和存储介质
CN111160086B (zh) * 2019-11-21 2023-10-13 芜湖迈驰智行科技有限公司 车道线识别方法、装置、设备和存储介质
CN111898540A (zh) * 2020-07-30 2020-11-06 平安科技（深圳）有限公司 车道线检测方法、装置、计算机设备及计算机可读存储介质
CN112381034A (zh) * 2020-11-25 2021-02-19 上海眼控科技股份有限公司 一种车道线检测方法、装置、设备及存储介质
CN115049994A (zh) * 2021-02-25 2022-09-13 广州汽车集团股份有限公司 一种车道线检测方法及***、计算机可读存储介质
CN115049994B (zh) * 2021-02-25 2024-06-11 广州汽车集团股份有限公司 一种车道线检测方法及***、计算机可读存储介质
CN113435350A (zh) * 2021-06-30 2021-09-24 浙江大华技术股份有限公司 一种交通标线检测方法、装置、设备和介质

Also Published As

Publication number Publication date
CN109543493B (zh) 2020-11-20

Similar Documents

Publication Publication Date Title
CN109543493A (zh) 一种车道线的检测方法、装置及电子设备
CN109087510B (zh) 交通监测方法及装置
CN107230218B (zh) 用于生成对从安装在运载工具上的摄像机捕捉的图像导出的估计的置信度测量的方法和设备
CN109086668B (zh) 基于多尺度生成对抗网络的无人机遥感影像道路信息提取方法
CN109389135B (zh) 一种图像筛选方法及装置
CN109074490A (zh) 通路检测方法、相关装置及计算机可读存储介质
CN105678267A (zh) 一种场景识别方法及装置
CN114022830A (zh) 一种目标确定方法以及目标确定装置
CN107636680A (zh) 一种障碍物检测方法及装置
CN110674705A (zh) 基于多线激光雷达的小型障碍物检测方法及装置
CN109584300A (zh) 一种确定车头朝向角度的方法及装置
CN113112480B (zh) 视频场景变换检测方法、存储介质和电子设备
CN112036385B (zh) 库位修正方法、装置、电子设备及可读存储介质
EP3199914B1 (en) Imaging device
CN113111707B (zh) 一种基于卷积神经网络的前车检测与测距方法
CN106803262A (zh) 利用双目视觉自主解算汽车速度的方法
CN106327558A (zh) 点云立面提取方法和装置
CN113989626B (zh) 一种基于目标检测模型的多类别垃圾场景区分方法
CN112507891B (zh) 自动化识别高速路口并构建路口向量的方法及装置
CN112837404B (zh) 一种平面对象的三维信息的构建方法及装置
CN114943954B (zh) 一种车位检测方法、装置和***
CN114724119B (zh) 车道线提取方法、检测设备及存储介质
CN110222704A (zh) 一种弱监督目标检测方法及装置
CN115619873A (zh) 一种基于轨迹溯源的雷视自动标定方法
CN114782496A (zh) 一种对象的跟踪方法、装置、存储介质及电子装置

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
GR01 Patent grant
GR01 Patent grant