CN109960959A - 用于处理图像的方法和装置 - Google Patents
用于处理图像的方法和装置 Download PDFInfo
- Publication number
- CN109960959A CN109960959A CN201711337034.XA CN201711337034A CN109960959A CN 109960959 A CN109960959 A CN 109960959A CN 201711337034 A CN201711337034 A CN 201711337034A CN 109960959 A CN109960959 A CN 109960959A
- Authority
- CN
- China
- Prior art keywords
- lane line
- line
- location information
- target image
- image
- 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
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
- G06V10/40—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
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
-
- 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
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
本申请实施例公开了用于处理图像的方法和装置。该方法的一具体实施方式包括:基于目标图像的多个像素点中各个像素点的颜色,在该多个像素点在该目标图像的位置信息中,确定至少一条车道线所在的多个像素点的位置信息;对至少一条车道线所在的多个像素点的位置信息进行线性拟合,以确定在该目标图像的、该至少一条车道线的各条车道线所在的线段上的至少两个位置的位置信息;基于各条车道线所在的线段上的至少两个位置的位置信息,确定各条车道线在该目标图像中所在的区域,并确定各个区域中车道线的线型。本申请实施例提高了识别车道线的精确度。
Description
技术领域
本申请实施例涉及计算机技术领域,具体涉及互联网技术领域,尤其涉及用于处理图像的方法和装置。
背景技术
车道线是车辆在公路上行驶的过程中最常遇到的指示线,几乎所有道路上都会画有车道线。获取车道线的信息可以对驾驶人员进行指示,从而更好的保证车辆的行车安全。
发明内容
本申请实施例提出了用于处理图像的方法和装置。
第一方面,本申请实施例提供了一种用于处理图像的方法,包括:基于目标图像的多个像素点中各个像素点的颜色,在多个像素点于目标图像的位置信息中,确定至少一条车道线所在的多个像素点的位置信息;对至少一条车道线所在的多个像素点的位置信息进行线性拟合,以确定在目标图像的、至少一条车道线中的各条车道线所在的线段上的至少两个位置的位置信息;基于各条车道线所在的线段上的至少两个位置的位置信息,确定各条车道线在目标图像中所在的区域,并确定各个区域中车道线的线型。
在一些实施例中,对至少一条车道线所在的多个像素点的位置信息进行线性拟合,以确定在目标图像的、至少一条车道线中的各条车道线所在的线段上的至少两个位置的位置信息,包括:对至少一条车道线所在的多个像素点的位置信息进行线性拟合,得到至少一条车道线中的各条车道线所在的线段的函数;对于每条车道线,确定目标图像的、符合该车道线所在的线段的函数的至少两个位置信息。
在一些实施例中,基于目标图像的多个像素点中各个像素点的颜色,在多个像素点于目标图像的位置信息中,确定至少一条车道线所在的多个像素点的位置信息,包括:将目标图像的多个像素点和多个像素点在目标图像中的位置信息输入预先训练的颜色分类模型,其中,颜色分类模型用以对包括颜色的像素点进行颜色分类并输出属于车道线的颜色类别的像素点和位置信息;得到颜色分类模型输出的、属于车道线的至少一个颜色类别中每个颜色类别的多个像素点,和该颜色类别的多个像素点在目标图像中的位置信息。
在一些实施例中,至少两个位置的位置信息为车道线所在的线段的两个端点的位置信息且为区域的两个宽边的中点的位置信息,各条车道线所在的区域为矩形;以及基于各条车道线所在的线段上的至少两个位置的位置信息,确定各条车道线在目标图像中所在的区域,包括:对于每条车道线,基于该车道线所在的线段所在的区域的两个宽边的中点的位置信息,在目标图像中确定宽度为预设宽度且长度为两个端点连线的长度的矩形区域。
在一些实施例中,确定各个区域中车道线的线型,包括:将各条车道线所在的区域输入预先训练的线型分类模型,得到线型分类模型输出的各个区域中包括的车道线的线型,其中,线型分类模型用以对车道线的线型进行分类。
在一些实施例中,方法还包括:对在先获取的图像进行直线检测和/或频域检测,确定所获取图像的车道线所在的子图像,并将子图像确定为目标图像。
第二方面,本申请实施例提供了一种用于处理图像的装置,包括:确定单元,配置用于基于目标图像的多个像素点中各个像素点的颜色,在多个像素点于目标图像的位置信息中,确定至少一条车道线所在的多个像素点的位置信息;拟合单元,配置用于对至少一条车道线所在的多个像素点的位置信息进行线性拟合,以确定在目标图像的、至少一条车道线中的各条车道线所在的线段上的至少两个位置的位置信息;线型确定单元,配置用于基于各条车道线所在的线段上的至少两个位置的位置信息,确定各条车道线在目标图像中所在的区域,并确定各个区域中车道线的线型。
在一些实施例中,拟合单元,包括:拟合模块,配置用于对至少一条车道线所在的多个像素点的位置信息进行线性拟合,得到至少一条车道线中的各条车道线所在的线段的函数;确定模块,配置用于对于每条车道线,确定目标图像的、符合该车道线所在的线段的函数的至少两个位置信息。
在一些实施例中,确定单元,包括:输入模块,配置用于将目标图像的多个像素点和多个像素点在目标图像中的位置信息输入预先训练的颜色分类模型,其中,颜色分类模型用以对包括颜色的像素点进行颜色分类并输出属于车道线的颜色类别的像素点和位置信息;输出模块,配置用于得到颜色分类模型输出的、属于车道线的至少一个颜色类别中每个颜色类别的多个像素点,和该颜色类别的多个像素点在目标图像中的位置信息。
在一些实施例中,至少两个位置的位置信息为车道线所在的线段的两个端点的位置信息且为区域的两个宽边的中点的位置信息,各条车道线所在的区域为矩形;以及线型确定单元进一步配置用于:对于每条车道线,基于该车道线所在的线段所在的区域的两个宽边的中点的位置信息,在目标图像中确定宽度为预设宽度且长度为两个端点连线的长度的矩形区域。
在一些实施例中,线型确定单元进一步配置用于:将各条车道线所在的区域输入预先训练的线型分类模型,得到线型分类模型输出的各个区域中包括的车道线的线型,其中,线型分类模型用以对车道线的线型进行分类。
在一些实施例中,该装置还包括:预处理单元,配置用于对在先获取的图像进行直线检测和/或频域检测,确定所获取图像的车道线所在的子图像,并将子图像确定为目标图像。
第三方面,本申请实施例提供了一种电子设备,包括:一个或多个处理器;存储装置,用于存储一个或多个程序,当一个或多个程序被一个或多个处理器执行,使得一个或多个处理器实现如用于处理图像的方法中任一实施例的方法。
第四方面,本申请实施例提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如用于处理图像的方法中任一实施例的方法。
本申请实施例提供的用于处理图像的方法和装置,首先,基于目标图像的多个像素点中各个像素点的颜色,在多个像素点于目标图像的位置信息中,确定至少一条车道线所在的多个像素点的位置信息。之后,对至少一条车道线所在的多个像素点的位置信息进行线性拟合,以确定在目标图像的、至少一条车道线中的各条车道线所在的线段上的至少两个位置的位置信息。最后,基于各条车道线所在的线段上的至少两个位置的位置信息,确定各条车道线在目标图像中所在的区域,并确定各个区域中车道线的线型。本申请实施例提高了识别车道线的精确度。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本申请的其它特征、目的和优点将会变得更明显:
图1是本申请可以应用于其中的示例性***架构图;
图2是根据本申请的用于处理图像的方法的一个实施例的流程图;
图3是根据本申请的用于处理图像的方法的一个应用场景的示意图;
图4是根据本申请的用于处理图像的方法的又一个实施例的流程图;
图5是根据本申请的用于处理图像的装置的一个实施例的结构示意图;
图6是适于用来实现本申请实施例的电子设备的计算机***的结构示意图。
具体实施方式
下面结合附图和实施例对本申请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相关发明,而非对该发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
图1示出了可以应用本申请的用于处理图像的方法或用于处理图像的装置的实施例的示例性***架构100。
如图1所示,***架构100可以包括终端设备101、102、103,网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互,以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用,例如车辆导航应用、网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
终端设备101、102、103可以是具有显示屏并且通信连接的各种电子设备,包括但不限于车辆、车辆导航***、智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
服务器105可以是提供各种服务的服务器,例如对终端设备101、102、103上显示的车道线的线型提供支持的后台服务器。后台服务器可以对接收到的目标图像等数据进行分析等处理,并将处理结果(例如目标图像中车道线的线型)反馈给终端设备。
需要说明的是,本申请实施例所提供的用于处理图像的方法一般由服务器105执行,相应地,用于处理图像的装置一般设置于服务器105中。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
继续参考图2,示出了根据本申请的用于处理图像的方法的一个实施例的流程200。该用于处理图像的方法,包括以下步骤:
步骤201,基于目标图像的多个像素点中各个像素点的颜色,在多个像素点于目标图像的位置信息中,确定至少一条车道线所在的多个像素点的位置信息。
在本实施例中,用于处理图像的方法运行于其上的电子设备(例如图1所示的服务器)基于目标图像的多个像素点中各个像素点的颜色,在多个像素点的位置信息中,确定至少一条车道线所在的多个像素点的位置信息。目标图像可以是从本地或者其他电子设备获取的图像。具体地,目标图像可以是对路面进行拍摄的俯视图和前视图。这里为了获得更好的图像分析结果,采用的目标图像可以是高分辨率的图像。这里的像素点的位置信息是于目标图像中的。目标图像中有多个像素点,每个像素点都有其在目标图像中的位置信息。
具体地,位置信息可以采用坐标的形式表示。车道线为车辆行驶道路上画出的线条,指示车辆的行驶位置。在图像中可以存在一条或者不止一条车道线。在实践中,可以从目标图像的多个像素点中确定车道线所在的像素点,进而确定车道线所在像素点的位置信息。因为车道线的颜色与其他颜色(比如路面底色)有差别,可以通过对各个像素点进行颜色识别,进而确定车道线所在的像素点。通过预先设定的车道线的颜色,则可以确定属于车道线的颜色的像素点。而这些属于车道线颜色的像素点则是车道线所在的像素点,进而可以确定这些像素点的位置信息为车道线所在的像素点的位置信息。
步骤202,对至少一条车道线所在的多个像素点的位置信息进行线性拟合,以确定在目标图像的、至少一条车道线中的各条车道线所在的线段上的至少两个位置的位置信息。
在本实施例中,上述电子设备对上述至少一条车道线所在的多个像素点的位置信息进行线性拟合,以确定上述至少一条车道线中的各条车道线所在的线段上的至少两个位置的位置信息。这里的位置信息是在目标图像的位置信息,也即,这两个位置信息所指示的位置落在目标图像中。通过线性拟合,可以得到车道线所在的至少一条线段,同时也就得到了至少一条线段中存在的线段数量。可以将线段的数量确定为车道线的数量。
在实践中,拟合得到的线段可以采用落在线段上的至少两个位置的位置信息来表示,比如坐标(x1,y1)和(x2,y2),也可以采用线段的函数来表示。
步骤203,基于各条车道线所在的线段上的至少两个位置的位置信息,确定各条车道线在目标图像中所在的区域,并确定各个区域中车道线的线型。
在本实施例中,上述电子设备基于各条车道线所在的线段上的至少两个位置的位置信息,确定各条车道线在上述目标图像中所在的区域。之后在所确定的各个区域中,确定车道线的线型。这里的至少两个位置的位置信息对车道线起到定位作用,通过位置信息,可以在目标图像中定位到车道线,以便于后续确定车道线的线型。车道线的线型指车道线所呈现的样式。比如,实线、虚线等等。
具体地,确定各条车道线在目标图像中所在的区域可以采用多种方式。比如,可以将这至少两个位置的位置信息的连线作为区域的中心线,在中心线的两侧取指定宽度的区域。也可以做至少两个位置的位置信息所在的线段的两条平行线,这两条平行线距离至少两个位置的位置信息所在的线段的距离为指定距离。之后可以将这两条平行线之间的区域作为车道线所在的区域。
在确定了各条车道线所在的区域之后,则可以确定各个区域中车道线的线型。可以将每个区域中车道线与车道线的标准线型图进行比对。将与区域中车道线相匹配的标准线型图中的线型作为该区域车道线的线型。可以在相似度高于阈值时确定两者相匹配。此外,还可以利用分类模型对车道线的线型进行归类,以确定区域中车道线的线型。
继续参见图3,图3是根据本实施例的用于处理图像的方法的应用场景的一个示意图。在图3的应用场景中,电子设备301基于图像302的多个像素点中各个像素点的颜色,在多个像素点在图像302的位置信息中,确定至少一条车道线所在的多个像素点的位置信息303。对至少一条车道线所在的多个像素点的位置信息进行线性拟合,以确定在目标图像的、3条车道线中的各条车道线所在的线段上的2个位置的位置信息304。基于各条车道线所在的线段上的2个位置的位置信息304,确定各条车道线在目标图像中所在的区域305,并确定各个区域中车道线的线型306。
本申请的上述实施例提供的方法提高了识别车道线的精确度,能够确定车道线的个数和线型。
进一步参考图4,其示出了用于处理图像的方法的又一个实施例的流程400。该用于处理图像的方法的流程400,包括以下步骤:
步骤401,对在先获取的图像进行直线检测和/或频域检测,确定所获取图像的车道线所在的子图像,并将子图像确定为目标图像。
在本实施例中,电子设备对在先获取的图像进行直线检测和/或频域检测,以确定所获取图像的车道线所在的子图像,并将子图像确定为目标图像。子图像为在先获取的图像中的一部分。这里的图像通常为前视图或者俯视图。可以对前视图和俯视图进行直线检测以在图像中检测到直线,继而确定直线所在的位置,通过该位置对图像进行分割。比如可以采用霍夫变换进行检测。也可以采用频域检测,即检测图像中的高频信号和低频信号,低频信号对应的局部图像中不存在车道线(比如前视图中的天空),则该局部图像不在所生成的子图像中。此外,也可以对图像进行上述两种检测,以获得更好的检测效果,更准确地确定子图像。
步骤402,将目标图像的多个像素点和多个像素点在目标图像中的位置信息输入预先训练的颜色分类模型。
在本实施例中,上述电子设备将目标图像的多个像素点和上述多个像素点在目标图像中的位置信息输入预先训练的颜色分类模型。上述颜色分类模型用以对包括颜色的像素点进行颜色分类并输出各个颜色类别的像素点和位置信息。具体地,颜色分类模型可以是二分类模型,比如,可以将像素点的颜色分为路面底色和非路面底色。颜色分类模型也可以是三分类模型等等。比如,可以将像素点的颜色分为路面底色、白色和黄色,其中的白色和黄色为车道线的颜色。
具体地,具体地,可以利用大量的、已经标注了颜色类别的各种颜色的样本对颜色分类模型进行训练。颜色分类模型可以是由支持向量机(Support Vector Machine,SVM)、朴素贝叶斯模型(Naive Bayesian Model,NBM)模型等分类器(Classifier)训练得到的。此外,颜色分类模型也可以是基于某些分类函数(例如softmax函数等)预先训练而成的。
步骤403,得到颜色分类模型输出的、属于车道线的至少一个颜色类别中每个颜色类别的多个像素点,和该颜色类别的多个像素点在目标图像中的位置信息。
在本实施例中,上述电子设备得到由上述颜色分类模型输出的属于车道线的至少一个颜色类别中每个颜色类别的多个像素点,以及每个颜色类别的多个像素点在目标图像中的位置信息。上述颜色分类模型输出了各个颜色类别的像素点,并且输出了各个颜色类别的像素点的位置信息。在输出的各个类别中存在车道线的颜色类别。可以对输出的不同的颜色类别的像素点和像素点的位置信息采用不同的标签加以区分,以便于确定属于车道线的颜色类别的像素点和位置信息。
步骤404,对至少一条车道线所在的多个像素点的位置信息进行线性拟合,得到至少一条车道线中的各条车道线所在的线段的函数。
在本实施例中,上述电子设备对上述至少一条车道线所在的多个像素点的位置信息进行线性拟合。通过拟合得到上述至少一个车道线中的各条车道线所在的线段的函数。这里得到的函数为呈线性的一次函数,表示各条车道线所在的线段。函数中的变量可以存在取值范围,以使函数中的坐标点落在一条线段中,同时也落在目标图像中。
步骤405,对于每条车道线,确定目标图像的、符合该车道线所在的线段的函数的至少两个位置信息。
在本实施例中,对于每条车道线,上述电子设备确定符合该车道线所在的线段的函数的至少两个位置信息,同时这里的至少两个位置的位置信息也是目标图像中的点。
步骤406,对于每条车道线,基于该车道线所在的线段所在的区域的两个宽边的中点的位置信息,在目标图像中确定宽度为预设宽度且长度为两个端点连线的长度的矩形区域。
在本实施例中,至少两个位置的位置信息为车道线所在的线段的两个端点的位置信息且为区域的两个宽边的中点的位置信息,各条车道线所在的区域为矩形。对于每条车道线,上述电子设备基于区域两个宽边的中点的位置信息,在目标图像中确定矩形区域。这里的区域为将要确定的区域,也是该条车道线所在的线段所在的区域。矩形区域的宽度为预设宽度,长度为该车道线所在的线段的两个端点连线的长度。获得了矩形区域两个宽边的中点的位置信息,即可以对矩形区域进行定位。通过矩形区域的长度和宽度,则可以确定矩形的大小。每个矩形都有长和宽,这里的两个宽边指的是矩形的宽所在的两条对边。
步骤407,将各条车道线所在的区域输入预先训练的线型分类模型,得到线型分类模型输出的各个区域中包括的车道线的线型。
在本实施例中,上述电子设备将各条车道线所在的区域输入预先训练的线型分类模型,得到上述线型分类模型输出的各个区域中包括的车道线的线型。其中,线型分类模型用以对车道线的线型进行分类。上述电子设备可以通过该模型对不同的车道线线型加以区分,从而确定出区域中的车道线所属的车道线线型。
具体地,可以利用大量的、已经标注了车道线线型类别的各种车道线线型的样本对线型分类模型进行训练。线型分类模型可以是由支持向量机(Support Vector Machine,SVM)、朴素贝叶斯模型(Naive Bayesian Model,NBM)模型等分类器(Classifier)训练得到的。此外,线型分类模型也可以是基于某些分类函数(例如softmax函数等)预先训练而成的。
本实施例利用颜色分类模型,能够确定车道线的颜色,提高了车道线识别的准确度。同时,本实施例通过从图像中获取车道线所在的子图像,减少了车道线识别的耗时,同时进一步提高了车道线识别的准确度。
进一步参考图5,作为对上述各图所示方法的实现,本申请提供了一种用于处理图像的装置的一个实施例,该装置实施例与图2所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图5所示,本实施例的用于处理图像的装置500包括:确定单元501、拟合单元502和线型确定单元503。其中,确定单元501,配置用于基于目标图像的多个像素点中各个像素点的颜色,在多个像素点于目标图像的位置信息中,确定至少一条车道线所在的多个像素点的位置信息。拟合单元502,配置用于对至少一条车道线所在的多个像素点的位置信息进行线性拟合,以确定在目标图像的、至少一条车道线中的各条车道线所在的线段上的至少两个位置的位置信息。线型确定单元503,配置用于基于各条车道线所在的线段上的至少两个位置的位置信息,确定各条车道线在目标图像中所在的区域,并确定各个区域中车道线的线型。
在本实施例中,用于处理图像的装置500的确定单元501可以基于目标图像的多个像素点中各个像素点的颜色,在多个像素点的位置信息中,确定至少一条车道线所在的多个像素点的位置信息。目标图像可以是从本地或者其他电子设备获取的图像。具体地,目标图像可以是对路面进行拍摄的俯视图和前视图。这里为了获得更好的图像分析结果,采用的目标图像可以是高分辨率的图像。这里的像素点的位置信息是于目标图像中的。目标图像中有多个像素点,每个像素点都有其在目标图像中的位置信息。
在本实施例中,拟合单元502对上述至少一条车道线所在的多个像素点的位置信息进行线性拟合,以确定上述至少一条车道线中的各条车道线所在的线段上的至少两个位置的位置信息。这里的位置信息是在目标图像的位置信息,也即,这两个位置信息所指示的位置落在目标图像中。通过线性拟合,可以得到车道线所在的至少一条线段,同时也就得到了至少一条线段中存在的线段数量。可以将线段的数量确定为车道线的数量。
在本实施例中,线型确定单元503基于各条车道线所在的线段上的至少两个位置的位置信息,确定各条车道线在上述目标图像中所在的区域。之后在所确定的各个区域中,确定车道线的线型。这里的至少两个位置的位置信息对车道线起到定位作用,通过位置信息,可以在目标图像中定位到车道线,以便于后续确定车道线的线型。车道线的线型指车道线所呈现的样式。比如,实线、虚线等等。
在本实施例的一些可选的实现方式中,拟合单元,包括:拟合模块,配置用于对至少一条车道线所在的多个像素点的位置信息进行线性拟合,得到至少一条车道线中的各条车道线所在的线段的函数;确定模块,配置用于对于每条车道线,确定目标图像的、符合该车道线所在的线段的函数的至少两个位置信息。
在本实施例的一些可选的实现方式中,确定单元,包括:输入模块,配置用于将目标图像的多个像素点和多个像素点在目标图像中的位置信息输入预先训练的颜色分类模型,其中,颜色分类模型用以对包括颜色的像素点进行颜色分类并输出属于车道线的颜色类别的像素点和位置信息;输出模块,配置用于得到颜色分类模型输出的、属于车道线的至少一个颜色类别中每个颜色类别的多个像素点,和该颜色类别的多个像素点在目标图像中的位置信息。
在本实施例的一些可选的实现方式中,至少两个位置的位置信息为车道线所在的线段的两个端点的位置信息且为区域的两个宽边的中点的位置信息,各条车道线所在的区域为矩形;以及线型确定单元进一步配置用于:对于每条车道线,基于该车道线所在的线段所在的区域的两个宽边的中点的位置信息,在目标图像中确定宽度为预设宽度且长度为两个端点连线的长度的矩形区域。
在本实施例的一些可选的实现方式中,线型确定单元进一步配置用于:将各条车道线所在的区域输入预先训练的线型分类模型,得到线型分类模型输出的各个区域中包括的车道线的线型,其中,线型分类模型用以对车道线的线型进行分类。
在本实施例的一些可选的实现方式中,装置还包括:预处理单元,配置用于对在先获取的图像进行直线检测和/或频域检测,确定所获取图像的车道线所在的子图像,并将子图像确定为目标图像。
在本实施例的一些可选的实现方式中,拟合单元,包括:拟合模块,配置用于对至少一条车道线所在的多个像素点的位置信息进行线性拟合,得到至少一条车道线中的各条车道线所在的线段的函数;确定模块,配置用于对于每条车道线,确定目标图像的、符合该车道线所在的线段的函数的至少两个位置信息。
在本实施例的一些可选的实现方式中,确定单元,包括:输入模块,配置用于将目标图像的多个像素点和多个像素点在目标图像中的位置信息输入预先训练的颜色分类模型,其中,颜色分类模型用以对包括颜色的像素点进行颜色分类并输出属于车道线的颜色类别的像素点和位置信息;输出模块,配置用于得到颜色分类模型输出的、属于车道线的至少一个颜色类别中每个颜色类别的多个像素点,和该颜色类别的多个像素点在目标图像中的位置信息。
在本实施例的一些可选的实现方式中,至少两个位置的位置信息为车道线所在的线段的两个端点的位置信息且为区域的两个宽边的中点的位置信息,各条车道线所在的区域为矩形;以及线型确定单元进一步配置用于:对于每条车道线,基于该车道线所在的线段所在的区域的两个宽边的中点的位置信息,在目标图像中确定宽度为预设宽度且长度为两个端点连线的长度的矩形区域。
在本实施例的一些可选的实现方式中,线型确定单元进一步配置用于:将各条车道线所在的区域输入预先训练的线型分类模型,得到线型分类模型输出的各个区域中包括的车道线的线型,其中,线型分类模型用以对车道线的线型进行分类。
在本实施例的一些可选的实现方式中,该装置还包括:预处理单元,配置用于对在先获取的图像进行直线检测和/或频域检测,确定所获取图像的车道线所在的子图像,并将子图像确定为目标图像。
下面参考图6,其示出了适于用来实现本申请实施例的电子设备的计算机***600的结构示意图。图6示出的电子设备仅仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
如图6所示,计算机***600包括中央处理单元(CPU)601,其可以根据存储在只读存储器(ROM)602中的程序或者从存储部分608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中,还存储有***600操作所需的各种程序和数据。CPU 601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
以下部件连接至I/O接口605:包括键盘、鼠标等的输入部分606;包括诸如液晶显示器(LCD)等以及扬声器等的输出部分607;包括硬盘等的存储部分608;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至I/O接口605。可拆卸介质611,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器610上,以便于从其上读出的计算机程序根据需要被安装入存储部分608。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分609从网络上被下载和安装,和/或从可拆卸介质611被安装。在该计算机程序被中央处理单元(CPU)601执行时,执行本申请的方法中限定的上述功能。需要说明的是,本申请的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的***、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行***、装置或者器件使用或者与其结合使用。而在本申请中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、电线、光缆、RF等等,或者上述的任意合适的组合。
附图中的流程图和框图,图示了按照本申请各种实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的***来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中,例如,可以描述为:一种处理器包括确定单元、拟合单元和线型确定单元。其中,这些单元的名称在某种情况下并不构成对该单元本身的限定,例如,确定单元还可以被描述为“确定至少一条车道线所在的多个像素点的位置信息的单元”。
作为另一方面,本申请还提供了一种计算机可读介质,该计算机可读介质可以是上述实施例中描述的装置中所包含的;也可以是单独存在,而未装配入该装置中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该装置执行时,使得该装置:基于目标图像的多个像素点中各个像素点的颜色,在多个像素点于目标图像的位置信息中,确定至少一条车道线所在的多个像素点的位置信息;对至少一条车道线所在的多个像素点的位置信息进行线性拟合,以确定在目标图像的、至少一条车道线中的各条车道线所在的线段上的至少两个位置的位置信息;基于各条车道线所在的线段上的至少两个位置的位置信息,确定各条车道线在目标图像中所在的区域,并确定各个区域中车道线的线型。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本申请中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (14)
1.一种用于处理图像的方法,包括:
基于目标图像的多个像素点中各个像素点的颜色,在所述多个像素点于所述目标图像的位置信息中,确定至少一条车道线所在的多个像素点的位置信息;
对至少一条车道线所在的多个像素点的位置信息进行线性拟合,以确定在所述目标图像的、所述至少一条车道线中的各条车道线所在的线段上的至少两个位置的位置信息;
基于各条车道线所在的线段上的至少两个位置的位置信息,确定各条车道线在所述目标图像中所在的区域,并确定各个区域中车道线的线型。
2.根据权利要求1所述的用于处理图像的方法,其中,所述对至少一条车道线所在的多个像素点的位置信息进行线性拟合,以确定在所述目标图像的、所述至少一条车道线中的各条车道线所在的线段上的至少两个位置的位置信息,包括:
对所述至少一条车道线所在的多个像素点的位置信息进行线性拟合,得到所述至少一条车道线中的各条车道线所在的线段的函数;
对于每条车道线,确定目标图像的、符合该车道线所在的线段的函数的至少两个位置信息。
3.根据权利要求1所述的用于处理图像的方法,其中,所述基于目标图像的多个像素点中各个像素点的颜色,在所述多个像素点于所述目标图像的位置信息中,确定至少一条车道线所在的多个像素点的位置信息,包括:
将目标图像的多个像素点和所述多个像素点在所述目标图像中的位置信息输入预先训练的颜色分类模型,其中,所述颜色分类模型用以对包括颜色的像素点进行颜色分类并输出属于车道线的颜色类别的像素点和位置信息;
得到所述颜色分类模型输出的、属于车道线的至少一个颜色类别中每个颜色类别的多个像素点,和该颜色类别的多个像素点在所述目标图像中的位置信息。
4.根据权利要求1所述的用于处理图像的方法,其中,所述至少两个位置的位置信息为车道线所在的线段的两个端点的位置信息且为区域的两个宽边的中点的位置信息,各条车道线所在的区域为矩形;以及
所述基于各条车道线所在的线段上的至少两个位置的位置信息,确定各条车道线在所述目标图像中所在的区域,包括:
对于每条车道线,基于该车道线所在的线段所在的区域的两个宽边的中点的位置信息,在所述目标图像中确定宽度为预设宽度且长度为所述两个端点连线的长度的矩形区域。
5.根据权利要求1所述的用于处理图像的方法,其中,所述确定各个区域中车道线的线型,包括:
将各条车道线所在的区域输入预先训练的线型分类模型,得到所述线型分类模型输出的各个区域中包括的车道线的线型,其中,所述线型分类模型用以对车道线的线型进行分类。
6.根据权利要求1所述的用于处理图像的方法,其中,所述方法还包括:
对在先获取的图像进行直线检测和/或频域检测,确定所获取图像的车道线所在的子图像,并将所述子图像确定为目标图像。
7.一种用于处理图像的装置,包括:
确定单元,配置用于基于目标图像的多个像素点中各个像素点的颜色,在所述多个像素点于所述目标图像的位置信息中,确定至少一条车道线所在的多个像素点的位置信息;
拟合单元,配置用于对至少一条车道线所在的多个像素点的位置信息进行线性拟合,以确定在所述目标图像的、所述至少一条车道线中的各条车道线所在的线段上的至少两个位置的位置信息;
线型确定单元,配置用于基于各条车道线所在的线段上的至少两个位置的位置信息,确定各条车道线在所述目标图像中所在的区域,并确定各个区域中车道线的线型。
8.根据权利要求7所述的用于处理图像的装置,其中,所述拟合单元,包括:
拟合模块,配置用于对所述至少一条车道线所在的多个像素点的位置信息进行线性拟合,得到所述至少一条车道线中的各条车道线所在的线段的函数;
确定模块,配置用于对于每条车道线,确定目标图像的、符合该车道线所在的线段的函数的至少两个位置信息。
9.根据权利要求7所述的用于处理图像的装置,其中,所述确定单元,包括:
输入模块,配置用于将目标图像的多个像素点和所述多个像素点在所述目标图像中的位置信息输入预先训练的颜色分类模型,其中,所述颜色分类模型用以对包括颜色的像素点进行颜色分类并输出属于车道线的颜色类别的像素点和位置信息;
输出模块,配置用于得到所述颜色分类模型输出的、属于车道线的至少一个颜色类别中每个颜色类别的多个像素点,和该颜色类别的多个像素点在所述目标图像中的位置信息。
10.根据权利要求7所述的用于处理图像的装置,其中,所述至少两个位置的位置信息为车道线所在的线段的两个端点的位置信息且为区域的两个宽边的中点的位置信息,各条车道线所在的区域为矩形;以及
所述线型确定单元进一步配置用于:
对于每条车道线,基于该车道线所在的线段所在的区域的两个宽边的中点的位置信息,在所述目标图像中确定宽度为预设宽度且长度为所述两个端点连线的长度的矩形区域。
11.根据权利要求7所述的用于处理图像的装置,其中,所述线型确定单元进一步配置用于:
将各条车道线所在的区域输入预先训练的线型分类模型,得到所述线型分类模型输出的各个区域中包括的车道线的线型,其中,所述线型分类模型用以对车道线的线型进行分类。
12.根据权利要求7所述的用于处理图像的装置,其中,所述装置还包括:
预处理单元,配置用于对在先获取的图像进行直线检测和/或频域检测,确定所获取图像的车道线所在的子图像,并将所述子图像确定为目标图像。
13.一种电子设备,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-6中任一所述的方法。
14.一种计算机可读存储介质,其上存储有计算机程序,其中,该程序被处理器执行时实现如权利要求1-6中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711337034.XA CN109960959B (zh) | 2017-12-14 | 2017-12-14 | 用于处理图像的方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711337034.XA CN109960959B (zh) | 2017-12-14 | 2017-12-14 | 用于处理图像的方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109960959A true CN109960959A (zh) | 2019-07-02 |
CN109960959B CN109960959B (zh) | 2020-04-03 |
Family
ID=67017831
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711337034.XA Active CN109960959B (zh) | 2017-12-14 | 2017-12-14 | 用于处理图像的方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109960959B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110688971A (zh) * | 2019-09-30 | 2020-01-14 | 上海商汤临港智能科技有限公司 | 虚线车道线的检测方法、装置和设备 |
CN112507852A (zh) * | 2020-12-02 | 2021-03-16 | 上海眼控科技股份有限公司 | 一种车道线识别方法、装置、设备及存储介质 |
CN113066153A (zh) * | 2021-04-28 | 2021-07-02 | 浙江中控技术股份有限公司 | 管道流程图的生成方法、装置、设备及存储介质 |
CN113688721A (zh) * | 2021-08-20 | 2021-11-23 | 北京京东乾石科技有限公司 | 用于拟合车道线的方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6212287B1 (en) * | 1996-10-17 | 2001-04-03 | Sgs-Thomson Microelectronics S.R.L. | Method for identifying marking stripes of road lanes |
CN102298693A (zh) * | 2011-05-18 | 2011-12-28 | 浙江大学 | 基于计算机视觉的高速公路弯道检测方法 |
CN103295420A (zh) * | 2013-01-30 | 2013-09-11 | 吉林大学 | 一种车道线识别的方法 |
CN104318258A (zh) * | 2014-09-29 | 2015-01-28 | 南京邮电大学 | 一种基于时域模糊和卡尔曼滤波器的车道线检测方法 |
CN106203273A (zh) * | 2016-06-27 | 2016-12-07 | 开易(北京)科技有限公司 | 多特征融合的车道线检测***、方法及高级驾驶辅助*** |
-
2017
- 2017-12-14 CN CN201711337034.XA patent/CN109960959B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6212287B1 (en) * | 1996-10-17 | 2001-04-03 | Sgs-Thomson Microelectronics S.R.L. | Method for identifying marking stripes of road lanes |
CN102298693A (zh) * | 2011-05-18 | 2011-12-28 | 浙江大学 | 基于计算机视觉的高速公路弯道检测方法 |
CN103295420A (zh) * | 2013-01-30 | 2013-09-11 | 吉林大学 | 一种车道线识别的方法 |
CN104318258A (zh) * | 2014-09-29 | 2015-01-28 | 南京邮电大学 | 一种基于时域模糊和卡尔曼滤波器的车道线检测方法 |
CN106203273A (zh) * | 2016-06-27 | 2016-12-07 | 开易(北京)科技有限公司 | 多特征融合的车道线检测***、方法及高级驾驶辅助*** |
Non-Patent Citations (1)
Title |
---|
鞠乾翱: "基于机器视觉的快速车道线辨识研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110688971A (zh) * | 2019-09-30 | 2020-01-14 | 上海商汤临港智能科技有限公司 | 虚线车道线的检测方法、装置和设备 |
WO2021063228A1 (zh) * | 2019-09-30 | 2021-04-08 | 上海商汤临港智能科技有限公司 | 虚线车道线的检测方法、装置和电子设备 |
CN110688971B (zh) * | 2019-09-30 | 2022-06-24 | 上海商汤临港智能科技有限公司 | 虚线车道线的检测方法、装置和设备 |
CN112507852A (zh) * | 2020-12-02 | 2021-03-16 | 上海眼控科技股份有限公司 | 一种车道线识别方法、装置、设备及存储介质 |
CN113066153A (zh) * | 2021-04-28 | 2021-07-02 | 浙江中控技术股份有限公司 | 管道流程图的生成方法、装置、设备及存储介质 |
CN113688721A (zh) * | 2021-08-20 | 2021-11-23 | 北京京东乾石科技有限公司 | 用于拟合车道线的方法及装置 |
CN113688721B (zh) * | 2021-08-20 | 2024-03-05 | 北京京东乾石科技有限公司 | 用于拟合车道线的方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN109960959B (zh) | 2020-04-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108073910B (zh) | 用于生成人脸特征的方法和装置 | |
CN109960959A (zh) | 用于处理图像的方法和装置 | |
CN108510472B (zh) | 用于处理图像的方法和装置 | |
CN108090916B (zh) | 用于跟踪视频中的目标图形的方法和装置 | |
CN109063653A (zh) | 图像处理方法和装置 | |
CN108898185A (zh) | 用于生成图像识别模型的方法和装置 | |
CN109344762A (zh) | 图像处理方法和装置 | |
CN109308681A (zh) | 图像处理方法和装置 | |
CN109065053A (zh) | 用于处理信息的方法和装置 | |
CN110533055A (zh) | 一种点云数据的处理方法和装置 | |
CN108345387A (zh) | 用于输出信息的方法和装置 | |
CN110379020A (zh) | 一种基于生成对抗网络的激光点云上色方法和装置 | |
CN110390237A (zh) | 点云数据处理方法和*** | |
CN110163096A (zh) | 人物识别方法、装置、电子设备和计算机可读介质 | |
CN109344752A (zh) | 用于处理嘴部图像的方法和装置 | |
CN108596168A (zh) | 用于识别图像中字符的方法、装置及介质 | |
CN107742128A (zh) | 用于输出信息的方法和装置 | |
CN108491825A (zh) | 信息生成方法和装置 | |
CN110349158A (zh) | 一种处理点云数据的方法和装置 | |
CN109214501A (zh) | 用于识别信息的方法和装置 | |
CN108882025A (zh) | 视频帧处理方法和装置 | |
CN108595448A (zh) | 信息推送方法和装置 | |
CN109325996A (zh) | 用于生成信息的方法和装置 | |
CN108182457A (zh) | 用于生成信息的方法和装置 | |
CN110427915A (zh) | 用于输出信息的方法和装置 |
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 |