CN111814746A - 一种识别车道线的方法、装置、设备及存储介质 - Google Patents
一种识别车道线的方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN111814746A CN111814746A CN202010789662.7A CN202010789662A CN111814746A CN 111814746 A CN111814746 A CN 111814746A CN 202010789662 A CN202010789662 A CN 202010789662A CN 111814746 A CN111814746 A CN 111814746A
- Authority
- CN
- China
- Prior art keywords
- lane line
- lane
- attribute parameters
- frame
- video
- 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.)
- Pending
Links
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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明实施例提供了一种识别车道线的方法、装置、设备及存储介质,包括:获取视频,并依据所述视频中的视频帧信息确定车道线的属性参数,其中,所述车道线的属性参数包括所述车道线的类别、所述车道线的稳定性以及所述车道线的位置;依据所述车道线的属性参数确定历史帧车道线的属性参数和将来帧车道线的属性参数;依据所述历史帧车道线的属性参数和所述将来帧车道线的属性参数确定当前帧车道线的属性参数。本发明涉及图像处理技术领域,通过利用视频前后帧的时序属性和分割模型的输出联合推理当前帧车道线的属性,可以使车道线的类别的判断更加准确,使车道线输出的结果更加稳定,减少类别突变的情况。
Description
技术领域
本发明涉及图像处理技术领域,特别是涉及一种识别车道线的方法、装置、设备及存储介质。
背景技术
车道线的检测和识别是自动驾驶、智慧交通违法抓拍等领域不可或缺的组成部分。准确的检测出车道线可以辅助车辆自动在合法的车道内行驶,智慧交通违法行为抓拍如实线变道等,则对车道线的类别的准确识别有非常高的要求。目前常用的车道线识别方法利用语义分割模型得到车道线的掩码,通过掩码区域像素的类别确定车道线的类型。
现有技术中,通过提取代表车道线中心线的候选特征点,减少了需要处理的像素点数。通过对车道线和噪声的特征点进行分析,提出了一个与参数空间无关的滤除伪特征点的方法,避免使用参数空间转换和复杂的数学运算,提高了车道线检测的准确性。并提出了一个车道线预测模型对特殊的路况进行车道线预测,该模型保存内部记忆,根据图像序列过去至现在的变化趋势预测特殊路况下的车道线。
目前市场上,对于车道线的检测可信度较低的,在运用中往往会产生不可挽回的错误。此外,现实场景中车道线还会被障碍物遮挡,因此不能准确得到车道线信息,在识别过程中车道线信息不稳定。
发明内容
鉴于上述问题,提出了本发明实施例以便提供一种克服上述问题或者至少部分地解决上述问题的一种识别车道线的方法、装置、设备及存储介质,
一种识别车道线的方法,包括:
获取视频,并依据所述视频中的视频帧信息确定车道线的属性参数,其中,所述车道线的属性参数包括所述车道线的类别、所述车道线的稳定性以及所述车道线的位置;
依据所述车道线的属性参数确定历史帧车道线的属性参数和将来帧车道线的属性参数;
依据所述历史帧车道线的属性参数和所述将来帧车道线的属性参数确定当前帧车道线的属性参数。
优选的,所述依据所述视频中的视频帧信息确定车道线的属性参数的步骤,包括:
标识所述车道线的类别,依据所述视频中的视频帧信息将所述车道线标识为实线或是虚线;
标识所述车道线的稳定性,依据所述视频中的视频帧信息确定所述车道线的稳定性是否达到预设值;
标识所述车道线的位置,依据所述视频中的视频帧信息检测所述车道线的位置信息。
优选的,所述标识所述车道线的稳定性,依据所述视频中的视频帧信息确定所述车道线的稳定性是否达到预设值的步骤,包括:
若所述车道线的类别为实线,当所述车道线的远端消失于地平线和/或车道线在车辆运动时持续存在和/或车道线长度达到预设值,则将其稳定性标志设置为稳定,其余情况则将其稳定性设置为不稳定;
若所述车道线的类别为虚线,所述车道线的前方没有障碍物遮挡和/或车道线在车辆持续运动时消失,则将其稳定性设置为确定,其余情况则将其稳定性设置为不确定。
优选的,所述依据所述历史帧车道线的属性参数和所述将来帧车道线的属性参数确定当前帧车道线的属性参数的步骤,包括:
利用所述历史帧车道线的属性参数确定第一车道线的属性参数;
依据所述将来帧车道线的属性修正所述第一车道线的属性参数确定所述当前帧车道线的属性参数。
优选的,所述利用所述历史帧车道线的属性参数确定第一车道线的属性参数的步骤,包括:
依据所述视频中的视频帧信息确定所述第一车道线的稳定性和所述第一车道线的位置;
依据历史帧车道线的类别确定所述第一车道线的类别,得到所述第一车车道线的属性参数。
优选的,所述依据所述将来帧车道线的属性修正所述第一车道线的属性参数确定所述当前帧车道线的属性参数的步骤,包括:
若将来帧车道线的稳定性为稳定且所述第一车道线的稳定性为不稳定,则通过将来帧车道线的类别和将来帧车道线的稳定性修正第一车道线的类别和第一车道线的稳定性,得到当前帧车道线的属性参数。
所述当前帧车道线属性参数包括:当前帧车道线的类别、当前帧车道线的稳定性以及当前帧车道线的位置。
此外,为实现上述目的,本申请还提供识别车道线装置,包括:
属性模块:用于获取视频,并依据所述视频中的视频帧信息确定车道线的属性参数,其中,所述车道线的属性参数包括所述车道线的类别、所述车道线的稳定性以及所述车道线的位置;
分割模块:用于依据所述车道线的属性参数确定历史帧车道线的属性参数和将来帧车道线的属性参数;
确定模块:用于依据所述历史帧车道线的属性参数和所述将来帧车道线的属性参数确定当前帧车道线的属性参数。
本申请还提供识别车道线电子设备,包括处理器、存储器及存储在所述存储器上并能够在所述处理器上运行的计算机程序,实现车辆检测方法的步骤。
本申请还提供识别车道线的计算机可读存储介质,所述计算机可读存储介质上存储计算机程序,实现车辆检测方法的步骤。
为了解决上述问题,本发明实施例公开了一种识别车道线的方法包括:
此外,为实现本发明还包括一种识别车道线的装置,包括:
本发明实施例包括电子设备,包括处理器、存储器及存储在所述存储器上并能够在所述处理器上运行的计算机程序,所述计算机程序被所述处理器执行时实现上述识别车道线的方法的步骤。
本发明实施例包括计算机可读存储介质,所述计算机可读存储介质上存储计算机程序,所述计算机程序被处理器执行时实现上述识别车道线的方法的步骤。
本发明实施例的方法为获取视频,并依据所述视频中的视频帧信息确定车道线的属性参数,其中,所述车道线的属性参数包括所述车道线的类别、所述车道线的稳定性以及所述车道线的位置;依据所述车道线的属性参数确定历史帧车道线的属性参数和将来帧车道线的属性参数;依据所述历史帧车道线的属性参数和所述将来帧车道线的属性参数确定当前帧车道线的属性参数。包括以下优点:通过利用视频前后帧的时序属性和分割模型的输出联合推理当前帧车道线的属性,可以使车道线的类别的判断更加准确。结合历史属性和将来属性来保证当前属性的准确性。利用前后帧的时序属性后,会使车道线输出的结果更加稳定,减少类别突变的情况。
附图说明
图1是本发明的一种识别车道线方法实施例的步骤流程图;
图2是本发明的一种识别车道线装置实施例的结构框图;
图3示意性示出了本申请的一种识别车道线方法实施例的步骤流程图;
图4示意性示出了本申请的一种识别车道线方法实施例的步骤流程图;
图5是本发明实现车辆检测方法的电子设备。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
参照图1,示出了本发明的一种识别车道线方法实施例的步骤流程图,具体如下:
步骤S100,获取视频,并依据所述视频中的视频帧信息确定车道线的属性参数,其中,所述车道线的属性参数包括所述车道线的类别、所述车道线的稳定性以及所述车道线的位置;
依据所述视频中的视频帧信息确定车道线的属性参数的步骤,包括:
标识所述车道线的类别,依据所述视频中的视频帧信息将所述车道线标识为实线或是虚线;
标识所述车道线的稳定性,依据所述视频中的视频帧信息确定所述车道线的稳定性是否达到预设值;所述标识所述车道线的稳定性,依据所述视频中的视频帧信息确定所述车道线的稳定性是否达到预设值的步骤,包括:
若所述车道线的类别为实线,当所述车道线的远端消失于地平线和/或车道线在车辆运动时持续存在和/或车道线长度达到预设值,则将其稳定性标志设置为稳定,其余情况则将其稳定性设置为不稳定;
若所述车道线的类别为虚线,所述车道线的前方没有障碍物遮挡和/或车道线在车辆持续运动时消失,则将其稳定性设置为稳定,其余情况则将其稳定性设置为不稳定。
标识所述车道线的位置,依据所述视频中的视频帧信息检测所述车道线的位置信息。
步骤S200,依据所述车道线的属性参数确定历史帧车道线的属性参数和将来帧车道线的属性参数;
所述依据所述历史帧车道线的属性参数和所述将来帧车道线的属性参数确定当前帧车道线的属性参数的步骤,包括:
利用所述历史帧车道线的属性参数确定第一车道线的属性参数;
依据所述将来帧车道线的属性修正所述第一车道线的属性参数确定所述当前帧车道线的属性参数。
所述利用所述历史帧车道线的属性参数确定第一车道线的属性参数的步骤,包括:
依据所述视频中的视频帧信息确定所述第一车道线的稳定性和所述第一车道线的位置;
依据历史帧车道线的类别确定所述第一车道线的类别,得到所述第一车车道线的属性参数。
步骤S300,依据所述历史帧车道线的属性参数和所述将来帧车道线的属性参数确定当前帧车道线的属性参数。
所述依据所述将来帧车道线的属性修正所述第一车道线的属性参数确定所述当前帧车道线的属性参数的步骤,包括:
若将来帧车道线的稳定性为稳定且所述第一车道线的稳定性为不稳定,则通过将来帧车道线的类别和将来帧车道线的稳定性修正第一车道线的类别和第一车道线的稳定性,得到当前帧车道线的属性参数。
本发明实施例的核心构思之一在于,通过利用视频前后的时序信息和分割模型的输出联合推理标准车道线,可以使车道线的类别的判断更加准确和以及增加鲁棒性。尤其是在实线变道违法抓拍情形中,如果把虚线误识别成实线,会造成错误的判罚。而虚线被障碍物遮挡时,分割模型很容易将其识别成实线,因此结合历史帧车道线的属性和将来帧车道线属性显得尤为重要。此外,利用前后的时序信息后,会使车道线的输出的结果更加稳定,减少类别突变的情况。
当前帧车道线属性参数包括:当前帧车道线的类别、当前帧车道线的稳定性以及当前帧车道线的位置。
需要说明的是,对于方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本发明实施例并不受所描述的动作顺序的限制,因为依据本发明实施例,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作并不一定是本发明实施例所必须的。
参照图2,示出了本发明的一种识别车道线装置实施例的结构框图,具体可以包括如下模块:
一种识别车道线的装置,包括:
属性模块100:用于获取视频,并依据所述视频中的视频帧信息确定车道线的属性参数,其中,所述车道线的属性参数包括所述车道线的类别、所述车道线的稳定性以及所述车道线的位置。
分割模块200:用于依据所述车道线的属性参数确定历史帧车道线的属性参数和将来帧车道线的属性参数。
确定模块300:用于依据所述历史帧车道线的属性参数和所述将来帧车道线的属性参数确定当前帧车道线的属性参数。
其中,分割模块200,用于依据所述车道线的属性参数确定历史帧车道线的属性参数和将来帧车道线的属性参数,还包括:
类别模块:用于标识所述车道线的类别,依据所述视频中的视频帧信息将所述车道线标识为实线或是虚线。
稳定模块:用于标识所述车道线的稳定性,依据所述视频中的视频帧信息确定所述车道线的稳定性是否达到预设值。
位置模块:用于标识所述车道线的位置,依据所述视频中的视频帧信息检测所述车道线的位置信息。
其中,稳定模块包括:
实线稳定模块:用于若所述车道线的类别为实线,当所述车道线的远端消失于地平线和/或车道线在车辆运动时持续存在和/或车道线长度达到预设值,则将其稳定性标志设置为确定,其余情况则将其稳定性设置为不确定。
虚线稳定模块:用于若所述车道线的类别为虚线,所述车道线的前方没有障碍物遮挡和/或车道线在车辆持续运动时消失,则将其稳定性设置为确定,其余情况则将其稳定性设置为不确定。
其中,确定模块300,包括:
第一车道线模块:用于依据所述视频中的视频帧信息确定所述第一车道线的稳定性和所述第一车道线的位置;
当前车道线模块:用于依据历史帧车道线的类别确定所述第一车道线的类别,得到所述第一车车道线的属性参数。
其中,当前车道线模块,包括:
修正模块:用于若将来帧车道线的稳定性为稳定且所述第一车道线的稳定性为不稳定,则通过将来帧车道线的类别和将来帧车道线的稳定性修正第一车道线的类别和第一车道线的稳定性,得到当前帧车道线的属性参数。
本发明实施例的方法为获取视频,并依据所述视频中的视频帧信息确定车道线的属性参数,其中,所述车道线的属性参数包括所述车道线的类别、所述车道线的稳定性以及所述车道线的位置;依据所述车道线的属性参数确定历史帧车道线的属性参数和将来帧车道线的属性参数;依据所述历史帧车道线的属性参数和所述将来帧车道线的属性参数确定当前帧车道线的属性参数。包括以下优点:通过利用视频前后帧的时序属性和分割模型的输出联合推理当前帧车道线的属性,可以使车道线的类别的判断更加准确。结合历史属性和将来属性来保证当前属性的准确性。利用前后帧的时序属性后,会使车道线输出的结果更加稳定,减少类别突变的情况。
参照图3,示意性示出了本申请的一种识别车道线方法实施例的步骤流程图,具体包括以下步骤:
步骤S101,标识所述车道线的类别,依据所述视频中的视频帧信息将所述车道线标识为实线或是虚线;
步骤S102,标识所述车道线的稳定性,依据所述视频中的视频帧信息确定所述车道线的稳定性是否达到预设值;
步骤S103,标识所述车道线的位置,依据所述视频中的视频帧信息检测所述车道线的位置信息。
参照图4,示意性示出了本申请的一种识别车道线方法实施例的步骤流程图,具体包括以下步骤:
步骤S301,依据所述视频中的视频帧信息确定所述第一车道线的稳定性和所述第一车道线的位置;
步骤S302,依据历史帧车道线的类别确定所述第一车道线的类别,得到所述第一车车道线的属性参数。
对于装置实施例而言,由于其与方法实施例基本相似,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。
现有技术中有两种技术用于车道线的检测和识别,一种是通过分割模型输出的像素类别,另一种将连续的视频帧当成单独的图像来处理,但这两种方法都有不足之处。
本申请是通过利用视频前后帧的时序信息和分割模型的输出联合推理当前帧车道线的信息,可以使车道线类别的判断更加准确和以及增加鲁棒性。尤其是在实线变道违法抓拍情形中,如果把虚线误识别成实线,会造成错误的判罚。而虚线被障碍物遮挡时,分割模型很容易将其识别成实线,因此结合历史帧和将来帧车道线的信息显得尤为重要。此外,利用前后帧的时序信息后,会使车道线输出的结果更加稳定,减少类别突变的情况。
车道线的检测和识别是自动驾驶、智慧交通违法抓拍审核等领域不可或缺的组成部分。准确的检测出车道线位置可以辅助车辆自动在合法的车道内行驶,智慧交通违法行为抓拍如实线变道等则对车道线类别的准确识别有非常高的要求。目前常用的车道线识别方法是利用语义分割模型得到车道线的掩码,通过掩码区域像素的类别确定车道线的类型。这样会带来如下两个问题:
一是分割模型输出的像素类别往往是不可信的,尤其是实线和虚线的区分。直观而言,实线和虚线从单个像素来看是没有差异的,强行利用像素的类别确定车道线的类型往往会产生不可预知的错误。此外,现实场景中车道线还会被车辆等障碍物遮挡,仅依靠分割模型的输出不能准确的得到车道线的类别。
二是车道线的识别部分的输入通常是连续的视频帧,现有的车道线识别方法将其当成单独的图像来处理,这样会忽略视频帧的时序信息,造成车道线类别突变。
针对上述问题,提出一种利用视频时序信息和分割模型的输出联合推理车道线类别的方法。本申请在输出当前帧车道线的类别时,不仅依赖现有的信息的输出,还依赖历史帧车道线的类型和将来帧车道线的类型。具体内容如下,本申请的另一实施例如下:
标识车道线属性,得到属性参数,包括车道线的类别,是实线还是虚线;标识车道线的稳定性,是稳定还是不稳定状态了;标识车道线的位置信息。对于实线而言,如果满足特定条件,则将其状态标志设置为稳定。比如车道线足够长;车道线的远端消失于地平线;车道线在车辆运动时持续存在等。对于虚线而言,如果满足特定条件,则将其状态设置为稳定。比如车道线的前方没有障碍物遮挡;车道线在车辆持续运动时消失等。此时,每条车道线有类别、稳定性和位置三个信息。
将视频帧输入到分割模型中得到车道线信息的同时,保存历史帧车道线的属性参数。后续每帧车道线的信息不仅依靠模型的输出结果,还需要历史帧车道线信息的约束。约束的先验知识是对于同一条车道上车道线的类型不会发生突变。
定义一个用来保存每帧车道线信息的缓存队列,得到车道线属性参数后暂不直接输出,而是保存到缓存队列中,当队列满时,输出队列首中视频帧的车道线属性参数。
在将车帧道线属性参数保存到缓存队列的过程中,如果将来帧车道线的稳定性为稳定,则修正缓存队列中每帧车道线的稳定性和类型。这样可以利用将来帧的车道线信息修正视频的输出,确保当前帧车道属性参数的准确性。
参照图5,在本发明实施例中,本发明还提供一种计算机设备,上述计算机设备12以通用计算设备的形式表现,计算机设备12的组件可以包括但不限于:一个或者多个处理器或者处理单元16,***存储器28,连接不同***组件(包括***存储器28和处理单元16)的总线18。
总线18表示几类总线18结构中的一种或多种,包括存储器总线18或者存储器控制器,***总线18,图形加速端口,处理器或者使用多种总线18结构中的任意总线18结构的局域总线18。举例来说,这些体系结构包括但不限于工业标准体系结构(ISA)总线18,微通道体系结构(MAC)总线18,增强型ISA总线18、音视频电子标准协会(VESA)局域总线18以及***组件互连(PCI)总线18。
计算机设备12典型地包括多种计算机***可读介质。这些介质可以是任何能够被计算机设备12访问的可用介质,包括易失性和非易失性介质,可移动的和不可移动的介质。
***存储器28可以包括易失性存储器形式的计算机***可读介质,例如随机存取存储器(RAM)31和/或高速缓存存储器32。计算机设备12可以进一步包括其他移动/不可移动的、易失性/非易失性计算机体统存储介质。仅作为举例,存储***34可以用于读写不可移动的、非易失性磁介质(通常称为“硬盘驱动器”)。尽管图5中未示出,可以提供用于对可移动非易失性磁盘(如“软盘”)读写的磁盘驱动器,以及对可移动非易失性光盘(例如CD~ROM,DVD~ROM或者其他光介质)读写的光盘驱动器。在这些情况下,每个驱动器可以通过一个或者多个数据介质接口与总线18相连。存储器可以包括至少一个程序产品,该程序产品具有一组(例如至少一个)程序模块42,这些程序模块42被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块42的程序/实用工具41,可以存储在例如存储器中,这样的程序模块42包括——但不限于——操作***、一个或者多个应用程序、其他程序模块42以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本发明所描述的实施例中的功能和/或方法。
计算机设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24、摄像头等)通信,还可与一个或者多个使得用户能与该计算机设备12交互的设备通信,和/或与使得该计算机设备12能与一个或多个其它计算设备进行通信的任何设备(例如网卡,调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口22进行。并且,计算机设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(LAN)),广域网(WAN)和/或公共网络(例如因特网)通信。如图所示,网络适配器21通过总线18与计算机设备12的其他模块通信。应当明白,尽管图中未示出,可以结合计算机设备12使用其他硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元16、外部磁盘驱动阵列、RAID***、磁带驱动器以及数据备份存储***34等。
处理单元16通过运行存储在***存储器28中的程序,从而执行各种功能应用以及数据处理,例如实现本发明实施例所提供的识别车道线的方法。
即上述处理单元16执行上述程序时实现:获取视频,并依据所述视频中的视频帧信息确定车道线的属性参数,其中,所述车道线的属性参数包括所述车道线的类别、所述车道线的稳定性以及所述车道线的位置;
依据所述车道线的属性参数确定历史帧车道线的属性参数和将来帧车道线的属性参数;
依据所述历史帧车道线的属性参数和所述将来帧车道线的属性参数确定当前帧车道线的属性参数。
在本发明实施例中,本发明还提供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本申请所有实施例提供的识别车道线的方法。
也即,给程序被处理器执行时实现:获取视频,并依据所述视频中的视频帧信息确定车道线的属性参数,其中,所述车道线的属性参数包括所述车道线的类别、所述车道线的稳定性以及所述车道线的位置。
依据所述车道线的属性参数确定历史帧车道线的属性参数和将来帧车道线的属性参数。
依据所述历史帧车道线的属性参数和所述将来帧车道线的属性参数确定当前帧车道线的属性参数。
可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机克顿信号介质或者计算机可读存储介质。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(非穷举的列表)包括:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦可编程只读存储器(EPOM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。在本文件中,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。
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,改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。
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发明操作的计算机程序代码,上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者服务器上执行。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)。
本说明书中的各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似的部分互相参见即可。
本领域内的技术人员应明白,本发明实施例的实施例可提供为方法、装置、或计算机程序产品。因此,本发明实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明实施例是参照根据本发明实施例的方法、终端设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上,使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明实施例的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例做出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明实施例范围的所有变更和修改。
最后,还需要说明的是,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、物品或者终端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、物品或者终端设备所固有的要素。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、物品或者终端设备中还存在另外的相同要素。
以上对本发明所提供的一种识别车道线的方法、装置、设备及存储介质,进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种识别车道线的方法,所述方法应用在自动驾驶过程中对车道线的检测,其特征在于,包括:
获取视频,并依据所述视频中的视频帧信息确定车道线的属性参数,其中,所述车道线的属性参数包括所述车道线的类别、所述车道线的稳定性以及所述车道线的位置;
依据所述车道线的属性参数确定历史帧车道线的属性参数和将来帧车道线的属性参数;
依据所述历史帧车道线的属性参数和所述将来帧车道线的属性参数确定当前帧车道线的属性参数。
2.根据权利要求1所述的识别车道线的方法,其特征在于,所述依据所述视频中的视频帧信息确定车道线的属性参数的步骤,包括:
标识所述车道线的类别,依据所述视频中的视频帧信息将所述车道线标识为实线或是虚线;
标识所述车道线的稳定性,依据所述视频中的视频帧信息确定所述车道线的稳定性是否达到预设值;
标识所述车道线的位置,依据所述视频中的视频帧信息检测所述车道线的位置信息。
3.根据权利要求2所述的识别车道线的方法,其特征在于,所述标识所述车道线的稳定性,依据所述视频中的视频帧信息确定所述车道线的稳定性是否达到预设值的步骤,包括:
若所述车道线的类别为实线,当所述车道线的远端消失于地平线和/或车道线在车辆运动时持续存在和/或车道线长度达到预设值,则将其稳定性标志设置为稳定,其余情况则将其稳定性设置为不稳定;
若所述车道线的类别为虚线,所述车道线的前方没有障碍物遮挡和/或车道线在车辆持续运动时消失,则将其稳定性设置为确定,其余情况则将其稳定性设置为不确定。
4.根据权利要求2所述的识别车道线的方法,其特征在于,所述依据所述历史帧车道线的属性参数和所述将来帧车道线的属性参数确定当前帧车道线的属性参数的步骤,包括:
利用所述历史帧车道线的属性参数确定第一车道线的属性参数;
依据所述将来帧车道线的属性修正所述第一车道线的属性参数确定所述当前帧车道线的属性参数。
5.根据权利要求4所述的识别车道线的方法,其特征在于,所述利用所述历史帧车道线的属性参数确定第一车道线的属性参数的步骤,包括:
依据所述视频中的视频帧信息确定所述第一车道线的稳定性和所述第一车道线的位置;
依据历史帧车道线的类别确定所述第一车道线的类别,得到所述第一车车道线的属性参数。
6.根据权利要求4所述的识别车道线的方法,其特征在于,所述依据所述将来帧车道线的属性修正所述第一车道线的属性参数确定所述当前帧车道线的属性参数的步骤,包括:
若将来帧车道线的稳定性为稳定且所述第一车道线的稳定性为不稳定,则通过将来帧车道线的类别和将来帧车道线的稳定性修正第一车道线的类别和第一车道线的稳定性,得到当前帧车道线的属性参数。
7.根据权利要求6所述的识别车道线的方法,其特征在于,所述当前帧车道线属性参数包括:当前帧车道线的类别、当前帧车道线的稳定性以及当前帧车道线的位置。
8.一种识别车道线的装置,其特征在于,包括:
属性模块:用于获取视频,并依据所述视频中的视频帧信息确定车道线的属性参数,其中,所述车道线的属性参数包括所述车道线的类别、所述车道线的稳定性以及所述车道线的位置;
分割模块:用于依据所述车道线的属性参数确定历史帧车道线的属性参数和将来帧车道线的属性参数;
确定模块:用于依据所述历史帧车道线的属性参数和所述将来帧车道线的属性参数确定当前帧车道线的属性参数。
9.电子设备,其特征在于,包括处理器、存储器及存储在所述存储器上并能够在所述处理器上运行的计算机程序,所述计算机程序被所述处理器执行时实现如权利要求1至7中任一项所述的识别车道线的方法的步骤。
10.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上存储计算机程序,所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述的识别车道线的方法的步骤。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010789662.7A CN111814746A (zh) | 2020-08-07 | 2020-08-07 | 一种识别车道线的方法、装置、设备及存储介质 |
PCT/CN2020/123251 WO2021151321A1 (zh) | 2020-08-07 | 2020-10-23 | 一种识别车道线的方法、装置、设备及存储介质 |
CN202011204772.9A CN112200142A (zh) | 2020-08-07 | 2020-11-02 | 一种识别车道线的方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010789662.7A CN111814746A (zh) | 2020-08-07 | 2020-08-07 | 一种识别车道线的方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111814746A true CN111814746A (zh) | 2020-10-23 |
Family
ID=72863897
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010789662.7A Pending CN111814746A (zh) | 2020-08-07 | 2020-08-07 | 一种识别车道线的方法、装置、设备及存储介质 |
CN202011204772.9A Pending CN112200142A (zh) | 2020-08-07 | 2020-11-02 | 一种识别车道线的方法、装置、设备及存储介质 |
Family Applications After (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011204772.9A Pending CN112200142A (zh) | 2020-08-07 | 2020-11-02 | 一种识别车道线的方法、装置、设备及存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (2) | CN111814746A (zh) |
WO (1) | WO2021151321A1 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115797506A (zh) * | 2022-12-16 | 2023-03-14 | 江苏泽景汽车电子股份有限公司 | 车道线对象的绘制方法、装置、终端设备和存储介质 |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111814746A (zh) * | 2020-08-07 | 2020-10-23 | 平安科技(深圳)有限公司 | 一种识别车道线的方法、装置、设备及存储介质 |
CN113602267B (zh) * | 2021-08-26 | 2023-01-31 | 东风汽车有限公司东风日产乘用车公司 | 车道保持控制方法、存储介质及电子设备 |
CN113780313A (zh) * | 2021-09-18 | 2021-12-10 | 东软睿驰汽车技术(沈阳)有限公司 | 线特征的提取方法、装置和电子设备 |
CN114141009B (zh) * | 2021-10-31 | 2023-01-31 | 际络科技(上海)有限公司 | 基于多时序网络的仿真交通流变道方法和*** |
CN114644019B (zh) * | 2022-05-23 | 2022-08-02 | 苏州挚途科技有限公司 | 车道中心线的确定方法、装置和电子设备 |
Family Cites Families (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8311283B2 (en) * | 2008-07-06 | 2012-11-13 | Automotive Research&Testing Center | Method for detecting lane departure and apparatus thereof |
CN109670376B (zh) * | 2017-10-13 | 2021-05-25 | 神州优车股份有限公司 | 车道线识别方法及*** |
CN108470159B (zh) * | 2018-03-09 | 2019-12-20 | 腾讯科技(深圳)有限公司 | 车道线数据处理方法、装置、计算机设备和存储介质 |
CN108875603B (zh) * | 2018-05-31 | 2021-06-04 | 上海商汤智能科技有限公司 | 基于车道线的智能驾驶控制方法和装置、电子设备 |
CN110160542B (zh) * | 2018-08-20 | 2022-12-20 | 腾讯科技(深圳)有限公司 | 车道线的定位方法和装置、存储介质、电子装置 |
CN109147368A (zh) * | 2018-08-22 | 2019-01-04 | 北京市商汤科技开发有限公司 | 基于车道线的智能驾驶控制方法装置与电子设备 |
CN109409202B (zh) * | 2018-09-06 | 2022-06-24 | 惠州市德赛西威汽车电子股份有限公司 | 基于动态感兴趣区域的鲁棒性车道线检测方法 |
CN109409205B (zh) * | 2018-09-07 | 2021-11-26 | 东南大学 | 基于线间距特征点聚类的航拍视频公路车道线检测方法 |
CN110533925B (zh) * | 2019-09-04 | 2020-08-25 | 上海眼控科技股份有限公司 | 车辆违法视频的处理方法、装置、计算机设备及存储介质 |
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 |
CN111291681B (zh) * | 2020-02-07 | 2023-10-20 | 北京百度网讯科技有限公司 | 车道线变化信息的检测方法、装置及设备 |
CN111814746A (zh) * | 2020-08-07 | 2020-10-23 | 平安科技(深圳)有限公司 | 一种识别车道线的方法、装置、设备及存储介质 |
-
2020
- 2020-08-07 CN CN202010789662.7A patent/CN111814746A/zh active Pending
- 2020-10-23 WO PCT/CN2020/123251 patent/WO2021151321A1/zh active Application Filing
- 2020-11-02 CN CN202011204772.9A patent/CN112200142A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115797506A (zh) * | 2022-12-16 | 2023-03-14 | 江苏泽景汽车电子股份有限公司 | 车道线对象的绘制方法、装置、终端设备和存储介质 |
CN115797506B (zh) * | 2022-12-16 | 2023-11-17 | 江苏泽景汽车电子股份有限公司 | 车道线对象的绘制方法、装置、终端设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112200142A (zh) | 2021-01-08 |
WO2021151321A1 (zh) | 2021-08-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111814746A (zh) | 一种识别车道线的方法、装置、设备及存储介质 | |
CN110163176B (zh) | 车道线变化位置识别方法、装置、设备和介质 | |
US11126876B2 (en) | Method for recognizing traffic light, device, and vehicle | |
CN109188438B (zh) | 偏航角确定方法、装置、设备和介质 | |
CN110781768A (zh) | 目标对象检测方法和装置、电子设备和介质 | |
US10867393B2 (en) | Video object detection | |
CN110533940B (zh) | 自动驾驶中异常交通信号灯识别的方法、装置和设备 | |
CN112380981A (zh) | 人脸关键点的检测方法、装置、存储介质及电子设备 | |
CN109635861B (zh) | 一种数据融合方法、装置、电子设备及存储介质 | |
CN110232368B (zh) | 车道线检测方法、装置、电子设备及存储介质 | |
US20210004612A1 (en) | Road environment monitoring device, road environment monitoring system, and road environment monitoring program | |
CN113971727A (zh) | 一种语义分割模型的训练方法、装置、设备和介质 | |
CN109684944B (zh) | 障碍物检测方法、装置、计算机设备和存储介质 | |
CN112312001B (zh) | 一种图像检测的方法、装置、设备和计算机存储介质 | |
CN110738108A (zh) | 目标物体检测方法、装置、存储介质及电子设备 | |
CN112507852A (zh) | 一种车道线识别方法、装置、设备及存储介质 | |
CN108734161B (zh) | 冠字号区域的识别方法、装置、设备及存储介质 | |
CN109635868B (zh) | 障碍物类别的确定方法、装置、电子设备及存储介质 | |
CN109215368B (zh) | 一种辅助驾驶的方法、装置、设备和计算机存储介质 | |
CN109270566B (zh) | 导航方法、导航效果测试方法、装置、设备和介质 | |
CN109934185B (zh) | 数据处理方法及装置、介质和计算设备 | |
CN115311634A (zh) | 一种基于模板匹配的车道线跟踪方法、介质以及设备 | |
WO2023066080A1 (zh) | 一种前向目标的确定方法、装置、电子设备及存储介质 | |
CN111488776A (zh) | 对象检测方法、对象检测装置和电子设备 | |
CN114758521B (zh) | 停车场的出场引导方法、装置、电子设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20201023 |