CN111401255A - 用于识别分歧路口的方法和装置 - Google Patents
用于识别分歧路口的方法和装置 Download PDFInfo
- Publication number
- CN111401255A CN111401255A CN202010188380.1A CN202010188380A CN111401255A CN 111401255 A CN111401255 A CN 111401255A CN 202010188380 A CN202010188380 A CN 202010188380A CN 111401255 A CN111401255 A CN 111401255A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- candidate
- area
- frame
- bifurcation
- 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
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000001514 detection method Methods 0.000 claims abstract description 87
- 238000012805 post-processing Methods 0.000 claims abstract description 41
- 238000012545 processing Methods 0.000 claims description 19
- 230000008859 change Effects 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 9
- 238000004422 calculation algorithm Methods 0.000 abstract description 16
- 238000010586 diagram Methods 0.000 description 11
- 230000008569 process Effects 0.000 description 8
- 230000006870 function Effects 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 210000004556 brain Anatomy 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Traffic Control Systems (AREA)
- Image Analysis (AREA)
- Navigation (AREA)
Abstract
本公开的实施例公开了用于识别分歧路口的方法和装置。该方法的一具体实施方式包括:获取车辆的位置和分歧路口的位置,并根据车辆的位置和分歧路口的位置判断车辆是否在分歧路口检测范围内;若在分歧路口检测范围内,则将实时获取的车辆前方的图像输入预先训练的检测模型,得到候选导流区域;将候选导流区域输入预先训练的后处理模型,得到分类结果和候选导流区域的关键点;若分类结果为导流区域,则根据候选导流区域的关键点拟合出车道线。该实施方式可以优化车道线识别与导航算法在分歧路口处的表现,提升导航***的用户体验。
Description
技术领域
本公开的实施例涉及计算机技术领域,具体涉及用于识别分歧路口的方法和装置。
背景技术
分歧路口,作为地图导航中的一个关键点位,常常需要AR导航算法在这里准确的绘制出车道线并做出正确的引导。
现有的车道线识别技术基于边缘检测和平行线检测等传统图像技术手段。
现有的技术方案主要有以下几点不足:
1)基于图像的边缘信息等基础特征和人为设定的规则,不能很好的适应真实驾驶场景中复杂的环境,容易受到干扰,在分歧路口处车道线识别结果不准。
2)没有针对分歧路口做优化,无法判断是否偏航,引导效果不够。
发明内容
本公开的实施例提出了用于识别分歧路口的方法和装置。
第一方面,本公开的实施例提供了一种用于识别分歧路口的方法,包括:获取车辆的位置和分歧路口的位置,并根据车辆的位置和分歧路口的位置判断车辆是否在分歧路口检测范围内;若在分歧路口检测范围内,则将实时获取的车辆前方的图像输入预先训练的检测模型,得到候选导流区域;将候选导流区域输入预先训练的后处理模型,得到分类结果和候选导流区域的关键点;若分类结果为导流区域,则根据候选导流区域的关键点拟合出车道线。
在一些实施例中,该方法还包括:获取导航信息;根据车辆的位置和车道线的位置确定车辆相对于车道线的相对位置;根据相对位置和导航信息,判断车辆是否偏航;若偏航,则输出变道提醒信息,否则输出直行提醒信息。
在一些实施例中,将实时获取的车辆前方的图像输入检测模型,得到候选导流区域,包括:将实时获取的车辆前方的图像输入检测模型,检测出候选区域和路牌;若车辆的位置与分歧路口的位置的距离大于预定值,则借助路牌的位置确定候选区域是否在容错范围内;若在容错范围内,则将候选区域确定为候选导流区域。
在一些实施例中,将实时获取的车辆前方的图像输入检测模型,得到候选导流区域,包括:在预定周期的起始帧将实时获取的车辆前方的图像输入检测模型,得到候选导流区域;以及将候选导流区域输入后处理模型,得到分类结果和候选导流区域的关键点,包括:若分类结果为导流区域,则记录导流区域左右车道各3个关键点坐标作为状态变量。
在一些实施例中,将候选导流区域输入后处理模型,得到分类结果和候选导流区域的关键点,包括:在每个预定周期内从起始帧的下一帧开始执行如下跟踪步骤:取上一帧记录的状态变量计算其外接矩形,将外接矩形扩展后作为本帧的搜索区域;将本帧的搜索区域输入后处理模型,得到本帧的分类结果和本帧的候选导流区域的关键点;若本帧的分类结果为导流区域,则用本帧的候选导流区域的关键点更新状态变量,否则,停止跟踪。
在一些实施例中,检测模型采用yolov3架构,骨干网采用shufflenet_v2。
在一些实施例中,后处理模型采用shufflenet_v2网络,后处理模型包括分类和回归两条分支。
第二方面,本公开的实施例提供了一种用于识别分歧路口的装置,包括:获取单元,被配置成获取车辆的位置和分歧路口的位置,并根据车辆的位置和分歧路口的位置判断车辆是否在分歧路口检测范围内;检测单元,被配置成若在分歧路口检测范围内,则将实时获取的车辆前方的图像输入预先训练的检测模型,得到候选导流区域;处理单元,被配置成将候选导流区域输入预先训练的后处理模型,得到分类结果和候选导流区域的关键点;拟合单元,被配置成若分类结果为导流区域,则根据候选导流区域的关键点拟合出车道线。
在一些实施例中,该装置还包括导航单元,被配置成:获取导航信息;根据车辆的位置和车道线的位置确定车辆相对于车道线的相对位置;根据相对位置和导航信息,判断车辆是否偏航;若偏航,则输出变道提醒信息,否则输出直行提醒信息。
在一些实施例中,检测单元进一步被配置成:将实时获取的车辆前方的图像输入检测模型,检测出候选区域和路牌;若车辆的位置与分歧路口的位置的距离大于预定值,则借助路牌的位置确定候选区域是否在容错范围内;若在容错范围内,则将候选区域确定为候选导流区域。
在一些实施例中,检测单元进一步被配置成:在预定周期的起始帧将实时获取的车辆前方的图像输入检测模型,得到候选导流区域;以及处理单元进一步被配置成:若分类结果为导流区域,则记录导流区域左右车道各3个关键点坐标作为状态变量。
在一些实施例中,处理单元进一步被配置成:在每个预定周期内从起始帧的下一帧开始执行如下跟踪步骤:取上一帧记录的状态变量计算其外接矩形,将外接矩形扩展后作为本帧的搜索区域;将本帧的搜索区域输入后处理模型,得到本帧的分类结果和本帧的候选导流区域的关键点;若本帧的分类结果为导流区域,则用本帧的候选导流区域的关键点更新状态变量,否则,停止跟踪。
在一些实施例中,检测模型采用yolov3架构,骨干网采用shufflenet_v2。
在一些实施例中,后处理模型采用shufflenet_v2网络,后处理模型包括分类和回归两条分支。
第三方面,本公开的实施例提供了一种用于识别分歧路口的电子设备,包括:一个或多个处理器;存储装置,其上存储有一个或多个程序,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第一方面中任一的方法。
第四方面,本公开的实施例提供了一种计算机可读介质,其上存储有计算机程序,其中,程序被处理器执行时实现如第一方面中任一的方法。
本公开的实施例提供的用于识别分歧路口的方法和装置,提出了一种基于深度学习的可实时运行在车机环境的分歧路口车道线定位和拟合方法,通过定位分歧路口处的关键目标(路牌和导流带)与当前车辆的相对位置,可对当前车辆是否偏航做出相应判断和恰当的引导;通过拟合分歧路口处的左右车道线,可以为AR导航车道线绘制提供更准确的坐标形状。同时在行驶过程中结合GPS信息控制算法的调用,只在分歧路段有效范围内调用算法,避免计算资源的浪费。本公开的实施例能够适应真实驾驶场景中复杂的环境,在分歧路口处带来更好的导航体验。
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,本公开的其它特征、目的和优点将会变得更明显:
图1是本公开的一个实施例可以应用于其中的示例性***架构图;
图2是根据本公开的用于识别分歧路口的方法的一个实施例的流程图;
图3是根据本公开的用于识别分歧路口的方法的一个应用场景的示意图;
图4是根据本公开的用于识别分歧路口的方法的又一个实施例的流程图;
图5是根据本公开的用于识别分歧路口的装置的一个实施例的结构示意图;
图6是适于用来实现本公开的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公开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,本公开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公开。
图1示出了可以应用本申请的用于识别分歧路口的方法或用于识别分歧路口装置的实施例的示例性***架构100。
如图1所示,***架构100可以包括车辆101和交通标识102。
车辆101可以是普通机动车也可以是无人驾驶车辆。车辆101中可以安装有控制器1011、网络1012和传感器1013。网络1012用以在控制器1011和传感器1013之间提供通信链路的介质。网络1012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。
控制器(又称为车载大脑)1011负责车辆101的智能控制。控制器1011可以是单独设置的控制器,例如可编程逻辑控制器(Programmable Logic Controller,PLC)、单片机、工业控制机等;也可以是由其他具有输入/输出端口,并具有运算控制功能的电子器件组成的设备;还可以是安装有车辆驾驶控制类应用的计算机设备。控制器安装有训练好的检测模型和后处理模型。
传感器1013可以是各种类型的传感器,例如,摄像机、重力传感器、轮速传感器、温度传感器、湿度传感器、激光雷达、毫米波雷达等。某些情况下,车辆101中还可以安装有GNSS(Global Navigation Satellite System,全球导航卫星***)设备和SINS(Strap-down Inertial Navigation System,捷联惯性导航***)等等。
车辆101在行驶过程中拍摄到交通标识102。交通标识102可包括路牌、导流带等。
车辆101将拍摄到的包括交通标识的原始图像交由控制器进行识别,确定出导流区域,并拟合出车道线。结合导航信息,确定车辆是否偏离航线,如果偏航,则提醒车辆变道,否则,保持直行。
需要说明的是,本申请实施例所提供的用于识别分歧路口方法一般由控制器1011执行,相应地,用于识别分歧路口的装置一般设置于控制器1011中。
应该理解,图1中的控制器、网络和传感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控制器、网络和传感器。
继续参考图2,示出了根据本公开的用于识别分歧路口的方法的一个实施例的流程200。该用于识别分歧路口的方法,包括以下步骤:
步骤201,获取车辆的位置和分歧路口的位置,并根据车辆的位置和分歧路口的位置判断车辆是否在分歧路口检测范围内。
在本实施例中,用于识别分歧路口的方法的执行主体(例如图1所示的控制器)可通过车载摄像头采集前方图像,通过图像识别来判断分歧路口的导流区。因为分歧路口只在驾驶过程中的某些时间段内出现,且车机的计算资源非常宝贵,所以只在这些时间段内运行算法,其余时间则不占用计算资源。具体实现为在驾驶过程中实时获取车辆的当前GPS位置信息,当车辆位置距离导航***中预存的某一分歧路口位置小于预定第一距离(例如90米)时发信号给主程序,开始调用算法,实时处理车载摄像头传来的图片,当车辆距离该分歧路口位置小于预定第二距离(例如5米)时,此时已不具备变道条件,停止调用算法,该分歧路段处理完毕。行驶过程中的所有分歧路口均按上述逻辑处理。可选地,可采用除GPS外的定位***,例如北斗***获取车辆位置信息。
步骤202,若在分歧路口检测范围内,则将实时获取的车辆前方的图像输入预先训练的检测模型,得到候选导流区域。
在本实施例中,如果车辆当前在分歧路口检测范围内,则可启用步骤202-204所示的检测算法。可通过轻量级的检测网络在图像中定位分歧路口处的关键要素(导流区、路牌)。检测模型是一种用于识别导流区和路牌的神经网络。首先,在模型结构上,为了减少对车机计算资源的消耗,对检测模型采用轻量级的骨干网络shufflenet_v2并进一步裁剪网络以减少计算量。为了适应导流区域和路牌的形状及尺度变化,采用yolov3检测网络,并在更多层次上进行特征融合以提升模型的表现。其次,在调用策略上,当距离分歧路口较远时(即大于预定值,例如大于60米),此时导流区在图像上目标很小,检测模型的输出存在不确定性,需要借助路牌的位置来辅助定位导流区的位置,当两者的位置关系在容错范围内(例如,路牌的外接矩形框的中心垂直线穿过导流区的外接矩形框)时可认为此时的导流区位置是可靠的。随着行驶距离逐渐减小,导流区目标逐渐变大,此时不再需要路牌位置来辅助定位。检测模型的训练样本需要标注导流区和路牌。
检测模型是通过有监督的方式训练得到的。训练样本需要标注出导流区、路牌。
步骤203,将候选导流区域输入预先训练的后处理模型,得到分类结果和候选导流区域的关键点。
在本实施例中,通过轻量级的后处理模型完成对检测到的导流区域左右车道线的关键点拟合以及误检测过滤,同时借助该后处理模型完成对导流区域的跟踪。后处理模型是一种神经网络,可进一步判断检测模型输出的候选导流区域是否为真的导流区,并且还可识别出导流区中左右两侧车道线的关键点。
首先,后处理模型的模型结构是基于shufflenet_v2进行设计,模型共有分类和回归两条分支,其中分类分支(二分类器,判断检测模型输出的候选导流区域是否为真的导流区)可以对检测到的导流区域做进一步的区分,主要用来过滤误检测的样本;回归分支(回归模型)用于计算导流区域左右车道线各自3个关键点,用来辅助车道线绘制。后处理模型需要标注导流区和关键点。后处理模型是通过有监督的训练得到的。在制作后处理模型的训练样本时,导流区左右两侧各选择至少三个关键点,包括起点、终点和中间点。中间点一般选择起点和终点中间的位置。
其次,因检测模型计算量较大,为了进一步减少计算资源的占用,只在关键帧(每个周期检测起始帧,周期可以是一秒)进行检测,周期内其余帧进行跟踪。采用常规的基于模版匹配类的跟踪方法会引入额外的计算量,结合我们实际的应用场景,提出一种基于上述后处理模型的跟踪方法,可以在不额外引入计算量的同时完成跟踪。具体实现为:1)在关键帧调用检测网络,将检测到的导流区域送入后处理模型进行分类和回归,对分类结果为正的导流区域记录其6个关键点坐标作为状态变量,从下一帧开始跟踪该目标2)取上一帧记录的状态变量计算其外接矩形,将此外接矩形适当扩展作为本帧的搜索区域,将本帧该图像区域送入后处理模型,利用分类分支判断该区域内是否包含导流区,利用回归分支获取该区域内导流区域的关键点的准确位置。若判该区域包含导流区则用本帧获取的导流区的关键点更新状态变量,若判断不包含导流区域则停止跟踪。3)重复步骤2)完成对目标的跟踪。
如果跟踪中断,则可在下一周期启动检测,也可在本周期内扩大搜索区域后,利用最近一次的状态变量重新进行跟踪。
步骤204,若分类结果为导流区域,则根据候选导流区域的关键点拟合出车道线。
在本实施例中,利用前面得到的车道线关键点拟合贝塞尔曲线绘制分歧路口处的车道线。如图3所示,导流区左右两侧各3个关键点,可分别拟合出一条车道线。
继续参见图3,图3是根据本实施例的用于识别分歧路口的方法的应用场景的一个示意图。在图3的应用场景中,在车机上的具体运行流程如下:
1.汽车正常行驶过程中,通过测量车辆和分歧路口的距离判断当前是否在分歧路口检测范围内,若在,则满足检测算法启动条件,进入流程2,否则重复流程1。
2.在满足检测算法启动条件的情况下,通过车载的摄像头实时获取车辆前方的图像信息,每秒钟可采集多帧图像,但每秒钟只调用一次检测模型(如图3所示,仅在周期T、2T、3T…的起始帧获取图像输入检测模型),然后将检测到的图像区域送入后处理模型进行分类和关键点回归,若判断非导流区域则下一秒再调用检测算法;若判断为导流区域则记录当前帧的关键点信息作为状态变量,在该秒的余下时间内将利用后处理模型进行跟踪,直到下一秒再次调用检测算法为止。以实现秒间检测,秒内跟踪。
3.实时获取上一步得到的导流区位置以及关键点坐标,进行车道线的绘制以及提供恰当的导航提示。
4.判断不满足检测算法启动条件时,停止调用检测模型,到下一次满足检测算法启动条件时再启动检测算法。
进一步参考图4,其示出了用于识别分歧路口的方法的又一个实施例的流程400。该用于识别分歧路口的方法的流程400,包括以下步骤:
步骤401,获取车辆的位置和分歧路口的位置,并根据车辆的位置和分歧路口的位置判断车辆是否在分歧路口检测范围内。
步骤402,若在分歧路口检测范围内,则将实时获取的车辆前方的图像输入预先训练的检测模型,得到候选导流区域。
步骤403,将候选导流区域输入预先训练的后处理模型,得到分类结果和候选导流区域的关键点。
步骤404,若分类结果为导流区域,则根据候选导流区域的关键点拟合出车道线。
步骤401-404与步骤201-204基本相同,因此不再赘述。
步骤405,获取导航信息,并根据车辆的位置和车道线的位置确定车辆相对于车道线的相对位置。
在本实施例中,导航信息中包括行驶路线,指示了在分歧路口应该走哪条车道。实时通过GPS获取车辆的位置,然后将步骤404拟合出的车道线的坐标映射到真实空间中,确定车辆相对于车道线的位置。例如,车辆位于导流区左车道线的左侧车道。
步骤406,根据相对位置和导航信息,判断车辆是否偏航。
在本实施例中,导航信息中指示了车辆在分歧路口应该走哪条车道。如果相对位置就是导航信息指示的车道,则没有偏航,否则,车辆偏离了导航路线。
步骤407,若偏航,则输出变道提醒信息,否则输出直行提醒信息。
在本实施例中,如果偏航,则输出提醒信息,提示司机变道。否则,提示司机保持直行。
从图4中可以看出,与图2对应的实施例相比,本实施例中的用于识别分歧路口的方法的流程400体现了利用拟合出的车道线进行导航的步骤。由此,本实施例描述的方案可以利用导流区和当前车辆的相对位置结合导航路线做出直行或变道引导。从而优化车道线识别与导航算法在分歧路口处的表现,提升导航***的用户体验。
进一步参考图5,作为对上述各图所示方法的实现,本公开提供了一种用于识别分歧路口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,本实施例的用于识别分歧路口的装置500包括:获取单元501、检测单元502、处理单元503、拟合单元504。其中,获取单元501,被配置成获取车辆的位置和分歧路口的位置,并根据车辆的位置和分歧路口的位置判断车辆是否在分歧路口检测范围内;检测单元502,被配置成若在分歧路口检测范围内,则将实时获取的车辆前方的图像输入预先训练的检测模型,得到候选导流区域;处理单元503,被配置成将候选导流区域输入预先训练的后处理模型,得到分类结果和候选导流区域的关键点;拟合单元504,被配置成若分类结果为导流区域,则根据候选导流区域的关键点拟合出车道线。
在本实施例中,用于识别分歧路口的装置500的获取单元501、检测单元502、处理单元503、拟合单元504的具体处理可以参考图2对应实施例中的步骤201、步骤202、步骤203、步骤204。
在本实施例的一些可选的实现方式中,装置500还包括导航单元(附图中未示出),被配置成:获取导航信息;根据车辆的位置和车道线的位置确定车辆相对于车道线的相对位置;根据相对位置和导航信息,判断车辆是否偏航;若偏航,则输出变道提醒信息,否则输出直行提醒信息。
在本实施例的一些可选的实现方式中,检测单元502进一步被配置成:将实时获取的车辆前方的图像输入检测模型,检测出候选区域和路牌;若车辆的位置与分歧路口的位置的距离大于预定值,则借助路牌的位置确定候选区域是否在容错范围内;若在容错范围内,则将候选区域确定为候选导流区域。
在本实施例的一些可选的实现方式中,检测单元502进一步被配置成:在预定周期的起始帧将实时获取的车辆前方的图像输入检测模型,得到候选导流区域;以及处理单元进一步被配置成:若分类结果为导流区域,则记录导流区域左右车道各3个关键点坐标作为状态变量。
在本实施例的一些可选的实现方式中,处理单元503进一步被配置成:在每个预定周期内从起始帧的下一帧开始执行如下跟踪步骤:取上一帧记录的状态变量计算其外接矩形,将外接矩形扩展后作为本帧的搜索区域;将本帧的搜索区域输入后处理模型,得到本帧的分类结果和本帧的候选导流区域的关键点;若本帧的分类结果为导流区域,则用本帧的候选导流区域的关键点更新状态变量,否则,停止跟踪。
在本实施例的一些可选的实现方式中,检测模型采用yolov3架构,骨干网采用shufflenet_v2。
在本实施例的一些可选的实现方式中,后处理模型采用shufflenet_v2网络,后处理模型包括分类和回归两条分支。
下面参考图6,其示出了适于用来实现本公开的实施例的电子设备(例如图1中的控制器)600的结构示意图。图6示出的控制器仅仅是一个示例,不应对本公开的实施例的功能和使用范围带来任何限制。
如图6所示,电子设备600可以包括处理装置(例如中央处理器、图形处理器等)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装置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,还存储有电子设备600操作所需的各种程序和数据。处理装置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。
通常,以下装置可以连接至I/O接口605:包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置606;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置607;包括例如磁带、硬盘等的存储装置608;以及通信装置609。通信装置609可以允许电子设备600与其他设备进行无线或有线通信以交换数据。虽然图6示出了具有各种装置的电子设备600,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图6中示出的每个方框可以代表一个装置,也可以根据需要代表多个装置。
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装置609从网络上被下载和安装,或者从存储装置608被安装,或者从ROM 602被安装。在该计算机程序被处理装置601执行时,执行本公开的实施例的方法中限定的上述功能。需要说明的是,本公开的实施例所述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。在本公开的实施例中,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。而在本公开的实施例中,计算机可读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,该计算机可读信号介质可以发送、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:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
上述计算机可读介质可以是上述电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。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电子设备执行时,使得该电子设备:获取车辆的位置和分歧路口的位置,并根据车辆的位置和分歧路口的位置判断车辆是否在分歧路口检测范围内;若在分歧路口检测范围内,则将实时获取的车辆前方的图像输入预先训练的检测模型,得到候选导流区域;将候选导流区域输入预先训练的后处理模型,得到分类结果和候选导流区域的关键点;若分类结果为导流区域,则根据候选导流区域的关键点拟合出车道线。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的实施例的操作的计算机程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本公开各种实施例的***、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。
描述于本公开的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:一种处理器包括获取单元、检测单元、处理单元和拟合单元。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,获取单元还可以被描述为“获取车辆的位置和分歧路口的位置,并根据所述车辆的位置和所述分歧路口的位置判断所述车辆是否在分歧路口检测范围内的单元”。
以上描述仅为本公开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,本公开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所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。例如上述特征与本公开中公开的(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 (16)
1.一种用于识别分歧路口的方法,包括:
获取车辆的位置和分歧路口的位置,并根据所述车辆的位置和所述分歧路口的位置判断所述车辆是否在分歧路口检测范围内;
若在分歧路口检测范围内,则将实时获取的车辆前方的图像输入预先训练的检测模型,得到候选导流区域;
将所述候选导流区域输入预先训练的后处理模型,得到分类结果和所述候选导流区域的关键点;
若分类结果为导流区域,则根据所述候选导流区域的关键点拟合出车道线。
2.根据权利要求1所述的方法,其中,所述方法还包括:
获取导航信息;
根据所述车辆的位置和所述车道线的位置确定所述车辆相对于车道线的相对位置;
根据所述相对位置和所述导航信息,判断所述车辆是否偏航;
若偏航,则输出变道提醒信息,否则输出直行提醒信息。
3.根据权利要求1所述的方法,其中,所述将实时获取的车辆前方的图像输入检测模型,得到候选导流区域,包括:
将实时获取的车辆前方的图像输入检测模型,检测出候选区域和路牌;
若所述车辆的位置与所述分歧路口的位置的距离大于预定值,则借助所述路牌的位置确定所述候选区域是否在容错范围内;
若在容错范围内,则将所述候选区域确定为候选导流区域。
4.根据权利要求1所述的方法,其中,所述将实时获取的车辆前方的图像输入检测模型,得到候选导流区域,包括:
在预定周期的起始帧将实时获取的车辆前方的图像输入检测模型,得到候选导流区域;以及
所述将所述候选导流区域输入后处理模型,得到分类结果和所述候选导流区域的关键点,包括:
若分类结果为导流区域,则记录导流区域左右车道各3个关键点坐标作为状态变量。
5.根据权利要求4所述的方法,其中,所述将所述候选导流区域输入后处理模型,得到分类结果和所述候选导流区域的关键点,包括:
在每个预定周期内从起始帧的下一帧开始执行如下跟踪步骤:
取上一帧记录的状态变量计算其外接矩形,将所述外接矩形扩展后作为本帧的搜索区域;
将本帧的搜索区域输入所述后处理模型,得到本帧的分类结果和本帧的候选导流区域的关键点;
若本帧的分类结果为导流区域,则用本帧的候选导流区域的关键点更新状态变量,否则,停止跟踪。
6.根据权利要求1-5之一所述的方法,其中,所述检测模型采用yolov3架构,骨干网采用shufflenet_v2。
7.根据权利要求6所述的方法,其中,所述后处理模型采用shufflenet_v2网络,所述后处理模型包括分类和回归两条分支。
8.一种用于识别分歧路口的装置,包括:
获取单元,被配置成获取车辆的位置和分歧路口的位置,并根据所述车辆的位置和所述分歧路口的位置判断所述车辆是否在分歧路口检测范围内;
检测单元,被配置成若在分歧路口检测范围内,则将实时获取的车辆前方的图像输入预先训练的检测模型,得到候选导流区域;
处理单元,被配置成将所述候选导流区域输入预先训练的后处理模型,得到分类结果和所述候选导流区域的关键点;
拟合单元,被配置成若分类结果为导流区域,则根据所述候选导流区域的关键点拟合出车道线。
9.根据权利要求8所述的装置,其中,所述装置还包括导航单元,被配置成:
获取导航信息;
根据所述车辆的位置和所述车道线的位置确定所述车辆相对于车道线的相对位置;
根据所述相对位置和所述导航信息,判断所述车辆是否偏航;
若偏航,则输出变道提醒信息,否则输出直行提醒信息。
10.根据权利要求8所述的装置,其中,所述检测单元进一步被配置成:
将实时获取的车辆前方的图像输入检测模型,检测出候选区域和路牌;
若所述车辆的位置与所述分歧路口的位置的距离大于预定值,则借助所述路牌的位置确定所述候选区域是否在容错范围内;
若在容错范围内,则将所述候选区域确定为候选导流区域。
11.根据权利要求8所述的装置,其中,所述检测单元进一步被配置成:
在预定周期的起始帧将实时获取的车辆前方的图像输入检测模型,得到候选导流区域;以及
所述处理单元进一步被配置成:
若分类结果为导流区域,则记录导流区域左右车道各3个关键点坐标作为状态变量。
12.根据权利要求11所述的装置,其中,所述处理单元进一步被配置成:
在每个预定周期内从起始帧的下一帧开始执行如下跟踪步骤:
取上一帧记录的状态变量计算其外接矩形,将所述外接矩形扩展后作为本帧的搜索区域;
将本帧的搜索区域输入所述后处理模型,得到本帧的分类结果和本帧的候选导流区域的关键点;
若本帧的分类结果为导流区域,则用本帧的候选导流区域的关键点更新状态变量,否则,停止跟踪。
13.根据权利要求8-12之一所述的装置,其中,所述检测模型采用yolov3架构,骨干网采用shufflenet_v2。
14.根据权利要求13所述的装置,其中,所述后处理模型采用shufflenet_v2网络,所述后处理模型包括分类和回归两条分支。
15.一种用于识别分歧路口的电子设备,包括:
一个或多个处理器;
存储装置,其上存储有一个或多个程序,
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1-7中任一所述的方法。
16.一种计算机可读介质,其上存储有计算机程序,其中,所述程序被处理器执行时实现如权利要求1-7中任一所述的方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010188380.1A CN111401255B (zh) | 2020-03-17 | 2020-03-17 | 用于识别分歧路口的方法和装置 |
CN202310213882.9A CN116129387A (zh) | 2020-03-17 | 2020-03-17 | 用于识别分歧路口的方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010188380.1A CN111401255B (zh) | 2020-03-17 | 2020-03-17 | 用于识别分歧路口的方法和装置 |
Related Child Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310213882.9A Division CN116129387A (zh) | 2020-03-17 | 2020-03-17 | 用于识别分歧路口的方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111401255A true CN111401255A (zh) | 2020-07-10 |
CN111401255B CN111401255B (zh) | 2023-05-12 |
Family
ID=71430868
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310213882.9A Pending CN116129387A (zh) | 2020-03-17 | 2020-03-17 | 用于识别分歧路口的方法和装置 |
CN202010188380.1A Active CN111401255B (zh) | 2020-03-17 | 2020-03-17 | 用于识别分歧路口的方法和装置 |
Family Applications Before (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310213882.9A Pending CN116129387A (zh) | 2020-03-17 | 2020-03-17 | 用于识别分歧路口的方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (2) | CN116129387A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113034548A (zh) * | 2021-04-25 | 2021-06-25 | 安徽科大擎天科技有限公司 | 一种适用于嵌入式终端的多目标跟踪方法及其*** |
CN113362421A (zh) * | 2021-06-30 | 2021-09-07 | 北京百度网讯科技有限公司 | 地图中导流区的绘制方法、装置和电子设备 |
CN114140551A (zh) * | 2021-11-24 | 2022-03-04 | 武汉中海庭数据技术有限公司 | 一种基于轨迹图像的高速道路分歧合流点推测方法及*** |
CN114323005A (zh) * | 2021-12-28 | 2022-04-12 | 上汽大众汽车有限公司 | 一种微小分歧道路的定位方法 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101424538A (zh) * | 2007-10-30 | 2009-05-06 | 爱信艾达株式会社 | 车辆用导航装置以及车辆用导航程序 |
WO2010044188A1 (ja) * | 2008-10-17 | 2010-04-22 | 三菱電機株式会社 | ナビゲーション装置 |
US9081383B1 (en) * | 2014-01-22 | 2015-07-14 | Google Inc. | Enhancing basic roadway-intersection models using high intensity image data |
JP2017068617A (ja) * | 2015-09-30 | 2017-04-06 | 株式会社日本自動車部品総合研究所 | 走行区画線認識装置 |
CN107179089A (zh) * | 2017-05-22 | 2017-09-19 | 成都宏软科技实业有限公司 | 一种语音交互过程中防止导航路口错过的预防方法和*** |
CN109099933A (zh) * | 2018-07-12 | 2018-12-28 | 百度在线网络技术(北京)有限公司 | 生成信息的方法和装置 |
CN109241893A (zh) * | 2018-08-27 | 2019-01-18 | 广州大学 | 基于人工智能技术的道路选择方法、装置及可读存储介质 |
CN109920263A (zh) * | 2019-04-22 | 2019-06-21 | 爱驰汽车有限公司 | 分叉路口提醒方法、***、设备及存储介质 |
CN110319844A (zh) * | 2019-06-14 | 2019-10-11 | 武汉理工大学 | 用于车路协同环境下交叉路口表达及车路目标匹配的方法 |
CN110428442A (zh) * | 2019-08-07 | 2019-11-08 | 北京百度网讯科技有限公司 | 目标确定方法、目标确定***和监控安防*** |
US20200026282A1 (en) * | 2018-07-23 | 2020-01-23 | Baidu Usa Llc | Lane/object detection and tracking perception system for autonomous vehicles |
-
2020
- 2020-03-17 CN CN202310213882.9A patent/CN116129387A/zh active Pending
- 2020-03-17 CN CN202010188380.1A patent/CN111401255B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101424538A (zh) * | 2007-10-30 | 2009-05-06 | 爱信艾达株式会社 | 车辆用导航装置以及车辆用导航程序 |
WO2010044188A1 (ja) * | 2008-10-17 | 2010-04-22 | 三菱電機株式会社 | ナビゲーション装置 |
CN102150015A (zh) * | 2008-10-17 | 2011-08-10 | 三菱电机株式会社 | 导航装置 |
US9081383B1 (en) * | 2014-01-22 | 2015-07-14 | Google Inc. | Enhancing basic roadway-intersection models using high intensity image data |
JP2017068617A (ja) * | 2015-09-30 | 2017-04-06 | 株式会社日本自動車部品総合研究所 | 走行区画線認識装置 |
CN107179089A (zh) * | 2017-05-22 | 2017-09-19 | 成都宏软科技实业有限公司 | 一种语音交互过程中防止导航路口错过的预防方法和*** |
CN109099933A (zh) * | 2018-07-12 | 2018-12-28 | 百度在线网络技术(北京)有限公司 | 生成信息的方法和装置 |
US20200026282A1 (en) * | 2018-07-23 | 2020-01-23 | Baidu Usa Llc | Lane/object detection and tracking perception system for autonomous vehicles |
CN109241893A (zh) * | 2018-08-27 | 2019-01-18 | 广州大学 | 基于人工智能技术的道路选择方法、装置及可读存储介质 |
CN109920263A (zh) * | 2019-04-22 | 2019-06-21 | 爱驰汽车有限公司 | 分叉路口提醒方法、***、设备及存储介质 |
CN110319844A (zh) * | 2019-06-14 | 2019-10-11 | 武汉理工大学 | 用于车路协同环境下交叉路口表达及车路目标匹配的方法 |
CN110428442A (zh) * | 2019-08-07 | 2019-11-08 | 北京百度网讯科技有限公司 | 目标确定方法、目标确定***和监控安防*** |
Non-Patent Citations (2)
Title |
---|
FRANK HEIMES等: "Automatic Generation of Intersection Models from Digital Maps for Vision-Based Driving on Innercity Intersections" * |
钟海兴: "特定场景下智能车的融合定位及导航策略研究" * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113034548A (zh) * | 2021-04-25 | 2021-06-25 | 安徽科大擎天科技有限公司 | 一种适用于嵌入式终端的多目标跟踪方法及其*** |
CN113362421A (zh) * | 2021-06-30 | 2021-09-07 | 北京百度网讯科技有限公司 | 地图中导流区的绘制方法、装置和电子设备 |
CN113362421B (zh) * | 2021-06-30 | 2023-11-28 | 北京百度网讯科技有限公司 | 地图中导流区的绘制方法、装置和电子设备 |
CN114140551A (zh) * | 2021-11-24 | 2022-03-04 | 武汉中海庭数据技术有限公司 | 一种基于轨迹图像的高速道路分歧合流点推测方法及*** |
CN114323005A (zh) * | 2021-12-28 | 2022-04-12 | 上汽大众汽车有限公司 | 一种微小分歧道路的定位方法 |
CN114323005B (zh) * | 2021-12-28 | 2023-08-11 | 上汽大众汽车有限公司 | 一种微小分歧道路的定位方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116129387A (zh) | 2023-05-16 |
CN111401255B (zh) | 2023-05-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111626208B (zh) | 用于检测小目标的方法和装置 | |
US12017663B2 (en) | Sensor aggregation framework for autonomous driving vehicles | |
EP3699048A1 (en) | Travelling track prediction method and device for vehicle | |
US10816984B2 (en) | Automatic data labelling for autonomous driving vehicles | |
CN109429518B (zh) | 基于地图图像的自动驾驶交通预测 | |
CN109937343B (zh) | 用于自动驾驶车辆交通预测中的预测轨迹的评估框架 | |
CN111401255B (zh) | 用于识别分歧路口的方法和装置 | |
US10809723B2 (en) | Method and apparatus for generating information | |
CN101334287B (zh) | 本车位置识别装置和本车位置识别方法 | |
RU2742213C1 (ru) | Способ управления информацией о полосах движения, способ управления движением и устройство управления информацией о полосах движения | |
CN109489673A (zh) | 用于自动驾驶车辆的数据驱动地图更新*** | |
CN111582189B (zh) | 交通信号灯识别方法、装置、车载控制终端及机动车 | |
CN110796007B (zh) | 场景识别的方法与计算设备 | |
CN111311902B (zh) | 一种数据处理方法、装置、设备和机器可读介质 | |
CN110696826B (zh) | 用于控制车辆的方法和装置 | |
CN110119138A (zh) | 用于自动驾驶车辆的自定位方法、***和机器可读介质 | |
CN116022130B (zh) | 车辆泊车方法、装置、电子设备和计算机可读介质 | |
CN110940349A (zh) | 用于规划车辆的轨迹的方法 | |
CN115512336B (zh) | 基于路灯光源的车辆定位方法、装置和电子设备 | |
CN114689074B (zh) | 信息处理方法和导航方法 | |
TWI762887B (zh) | 交通安全管控方法、車載裝置及可讀儲存介質 | |
CN113762030A (zh) | 数据处理方法、装置、计算机设备及存储介质 | |
CN113327456A (zh) | 一种车道结构检测方法及装置 | |
US20230024799A1 (en) | Method, system and computer program product for the automated locating of a vehicle | |
CN116045995B (zh) | 地图生成***、方法、车辆及介质 |
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 | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20211011 Address after: 100176 101, floor 1, building 1, yard 7, Ruihe West 2nd Road, Beijing Economic and Technological Development Zone, Daxing District, Beijing Applicant after: Apollo Intelligent Connectivity (Beijing) Technology Co., Ltd. Address before: 2 / F, *** building, No. 10, Shangdi 10th Street, Haidian District, Beijing 100085 Applicant before: BEIJING BAIDU NETCOM SCIENCE AND TECHNOLOGY Co.,Ltd. |
|
TA01 | Transfer of patent application right | ||
GR01 | Patent grant | ||
GR01 | Patent grant |