CN113221652A - 确定道路类别的方法、装置及终端设备 - Google Patents

确定道路类别的方法、装置及终端设备 Download PDF

Info

Publication number
CN113221652A
CN113221652A CN202110383102.6A CN202110383102A CN113221652A CN 113221652 A CN113221652 A CN 113221652A CN 202110383102 A CN202110383102 A CN 202110383102A CN 113221652 A CN113221652 A CN 113221652A
Authority
CN
China
Prior art keywords
image
road
recognition result
deep learning
recognition
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
Application number
CN202110383102.6A
Other languages
English (en)
Inventor
李明亮
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.)
Nanjing Yunjitang Information Technology Co ltd
Original Assignee
Nanjing Yunjitang Information 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 Nanjing Yunjitang Information Technology Co ltd filed Critical Nanjing Yunjitang Information Technology Co ltd
Priority to CN202110383102.6A priority Critical patent/CN113221652A/zh
Publication of CN113221652A publication Critical patent/CN113221652A/zh
Pending legal-status Critical Current

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
    • G06V20/582—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads of traffic signs

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Multimedia (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Medical Informatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Image Analysis (AREA)
  • Traffic Control Systems (AREA)

Abstract

本申请提供的一种确定道路类别的方法，包括：将第一图像输入第一深度学习模型，获得针对所述第一图像的第一识别结果，所述第一识别结果包括所述第一图像中的道路识别结果以及标识识别结果；将所述第一识别结果和所述第一图像输入第二深度学习模型，获得第二识别结果，所述第二识别结果包含所述第一图像中识别到的道路的类别的置信度；根据所述第二识别结果，确定所述第一图像中的道路类别。通过上述方法，可以较为准确地判断道路的类型。

Description

确定道路类别的方法、装置及终端设备
技术领域
本申请属于智能识别技术领域，尤其涉及确定道路类别的方法、装置、终端设备及计算机可读存储介质。
背景技术
目前，车辆在行驶过程中，通常是使用导航设备来确定当前所行驶的道路的类型，例如，确定当前所在的道路是主路还是辅路。然而由于全球定位***(Global PositioningSystem，GPS)等导航***可能存在跳点、精度不够等问题，导致对车辆所行驶的道路的类型的判断的精度较低，可信度低。
发明内容
本申请实施例提供了确定道路类别的方法、确定道路类别的装置、终端设备及计算机可读存储介质，可以较为准确地判断道路的类型。
第一方面，本申请实施例提供了一种确定道路类别的方法，包括：
将第一图像输入第一深度学习模型，获得针对所述第一图像的第一识别结果，所述第一识别结果包括所述第一图像中的道路识别结果以及标识识别结果；
将所述第一识别结果和所述第一图像输入第二深度学习模型，获得第二识别结果，所述第二识别结果包含所述第一图像中识别到的道路的类别的置信度；
根据所述第二识别结果，确定所述第一图像中的道路类别。
第二方面，本申请实施例提供了一种确定道路类别的装置，包括：
第一识别模块，用于将第一图像输入第一深度学习模型，获得针对所述第一图像的第一识别结果，所述第一识别结果包括所述第一图像中的道路识别结果以及标识识别结果；
第二识别模块，用于将所述第一识别结果和所述第一图像输入第二深度学习模型，获得第二识别结果，所述第二识别结果包含所述第一图像中识别到的道路的类别的置信度；
确定模块，用于根据所述第二识别结果，确定所述第一图像中的道路类别。
第三方面，本申请实施例提供了一种终端设备，包括存储器、处理器以及存储在上述存储器中并可在上述处理器上运行的计算机程序，上述处理器执行上述计算机程序时实现如第一方面所述的确定道路类别的方法。
第四方面，本申请实施例提供了一种计算机可读存储介质，上述计算机可读存储介质存储有计算机程序，上述计算机程序被处理器执行时实现如第一方面所述的确定道路类别的方法。
第五方面，本申请实施例提供了一种计算机程序产品，当计算机程序产品在终端设备上运行时，使得终端设备执行上述第一方面中所述的确定道路类别的方法。
本申请实施例与现有技术相比存在的有益效果是：本申请实施例中，可以通过第一深度学习模型获得针对所述第一图像的第一识别结果，从而可以识别得到所述第一图像中的道路情况以及标识情况，从而通过所述第一深度学习模型实现对所述第一图像中的道路以及相关环境的初步感知。然后，将所述第一识别结果和所述第一图像输入第二深度学习模型，获得第二识别结果，所述第二识别结果包含所述第一图像中识别到的道路的类别的置信度；此时，可以结合所述第一深度学习模型对所述第一图像中的道路以及相关环境的初步感知情况，通过所述第二深度学习模型在所述第一图像中的道路的类别进行较为精确地识别，获得第二识别结果，从而可以根据所述第二识别结果，较为准确地确定所述第一图像中的道路类别。
附图说明
为了更清楚地说明本申请实施例中的技术方案，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申请的一些实施例，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是本申请一实施例提供的一种确定道路类别的方法的流程示意图；
图2是本申请一实施例提供的路面识别结果的一种示例性示意图；
图3是本申请一实施例提供的标识识别结果的一种示例性示意图；
图4是本申请一实施例提供的一种确定道路类别的装置的结构示意图；
图5是本申请一实施例提供的终端设备的结构示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定***结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的***、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。
应当理解，当在本申请说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
如在本申请说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。
具体地，图1示出了本申请实施例提供的一种确定道路类别的方法的流程图，该确定道路类别的方法可以应用于终端设备。
示例性的，所述终端设备可以为服务器、台式电脑、手机、平板电脑、可穿戴设备、车载设备、增强现实(augmented reality，AR)/虚拟现实(virtual reality，VR)设备、笔记本电脑、超级移动个人计算机(ultra-mobile personal computer，UMPC)、上网本、个人数字助理(personal digital assistant，PDA)等，本申请实施例对终端设备的具体类型不作任何限制。
在一种实施例中，所述终端设备可以部署于指定车辆上，从而能够方便地向指定车辆的驾驶员提示当前的道路类别，以使得驾驶员能够行驶在正确的道路上。
而在另一种实施例中，所述终端设备也可以为云端服务器。此时，所述终端设备的计算能力相较于部署于指定车辆上的设备更高，从而可以进行更复杂精确的计算。在具体场景中，云端服务器可以通过特定的信息传输方式获取到指定车辆上的摄像头采集的第一图像，从而执行本申请实施例。在云端服务器确定所述第一图像中的道路类别之后，可以将该识别结果发送至所述指定车辆的车载设备中。
具体的，如图1所示，该确定道路类别的方法可以包括：
步骤S101，将第一图像输入第一深度学习模型，获得针对所述第一图像的第一识别结果，所述第一识别结果包括所述第一图像中的道路识别结果以及标识识别结果。
本申请实施例中，所述第一图像可以为包含指定车辆的前方行驶场景信息的图像。所述第一图像的个数以及格式在此不做限制，可以根据具体场景要求、所述第一深度学习模型的具体类型以及要求等来确定。
例如，在一种示例中，所述第一图像包括目标视频中的连续N帧视频帧，N为不小于2的整数，此时，可以分别将各个所述视频帧输入所述第一深度学习模型，获得分别针对各个所述视频帧的第一识别结果。在后续的处理过程中，还可以针对每一个第一识别结果，将所述第一识别结果和对应的视频帧输入第二深度学习模型，获得所述第一识别结果对应的视频帧的第二识别结果，从而根据各个视频帧所分别对应的第二识别结果，确定道路类别。此时，可以通过连续的视频帧中的道路类别的识别结果，最终获得置信度较高的道路类别作为最终的识别结果，从而可以提升识别准确性。当然，在其他一些示例中，所述第一图像也可以为一个图像。
所述第一图像的具体获取方式可以有多种。例如，在一些示例中，可以是指定车辆上的摄像头在采集到所述第一图像之后，将所述第一图像传输至执行本申请实施例的终端设备中，也可以是所述终端设备中预先存储有的图像。所述第一图像可以为摄像头拍摄得到的图像，或者，可以为视频中的视频帧，或者，也可以为摄像头的预览图像等。
所述第一深度学习模型可以为目标检测模型，从而实现对第一图像中的道路以及标识的检测。示例性的，所述第一深度学习模型可以为Faster R-CNN模型、SSD模型或者YOLO模型等。所述第一深度学习模型的具体结构以及参数设置可以根据具体场景需求来设置，在此不作限定。
所述第一深度学习模型可以为已训练完成的深度学习模型。具体的，可以通过包含道路标签的训练图像以及包含标识标签的训练图像训练初始第一深度学习模型，获得所述第一深度学习模型。在针对初始第一深度学习模型进行训练时，可以通过指定的损失函数来确定训练是否完成，例如，若训练过程中的某次迭代过程的输出结果满足基于指定的损失函数的第一损失条件，或者，训练达到预设的最大迭代次数，则可以认为训练完成，并获得所述第一深度学习模型。
所述第一深度学习模型所对应的损失函数在此不做限定，示例性的，所述第一深度学习模型所对应的损失函数可以为基于均方误差的损失函数或者基于交叉熵的损失函数等。
所述道路识别结果可以包括识别得到的所述第一图像中的道路以及非道路。其中，本申请实施例中的道路可以包括各个车道，而非道路可以为一些不能通行的路面以及诸如隔离带、桥墩、路灯等物体。所述标识识别结果可以包括识别得到的所述第一图像中的道路标识，例如道路线、道路中的指示标线(例如让行箭头、直行箭头、左拐箭头、右拐箭头等)等。此外，所述标识识别结果还可以包括非道路标识，例如绿化带标识、路肩、路灯等等。
通过所述道路识别结果以及标识识别结果，可以初步表征所述第一图像中的道路以及相关环境情况，从而可以用于在后续更为精确地识别第一图像中的道路的情况。
在一些实施例中，在将第一图像输入第一深度学习模型，获得针对所述第一图像的第一识别结果之前，还包括：
获取指定车辆上的摄像头采集得到的目标视频；
从所述目标视频中，确定所述第一图像，所述第一图像中包含所述指定车辆的前方行驶场景信息。
本申请实施例中，可以通过指定车辆上的摄像头对指定车辆前的行驶场景进行拍摄，从而帮助驾驶员以及导航***准确地判断指定车辆当前所在的道路类型，并且，在行驶到分叉路口时，还可以判断指定车辆前方的各个道路的道路类型，避免进入错误的岔路。
在一些实施例中，所述第一深度学习模型包括第一深度学习子模型和第二深度学习子模型；
所述将第一图像输入第一深度学习模型，获得针对所述第一图像的第一识别结果，包括：
将所述第一图像输入所述第一深度学习子模型，获得针对所述第一图像中的路面识别结果；
将所述路面识别结果和所述第一图像输入所述第二深度学习子模型，获得针对所述第一图像的第一识别结果。
本申请实施例中，所述第一深度学习子模型和所述第二深度学习子模型可以分别为目标检测模型，并且用于检测不同的特征。所述第一深度学习子模型用于识别所述第一图像中的路面和非路面。其中，路面可以包括各种不同类型的道路和交通区域的表面。
在所述路面识别结果的基础上，所述第二深度学习子模型可以更为精细化地基于路面识别结果，进一步识别得到所述第一图像中的道路识别结果以及标识识别结果，其中，所述道路可以认为是所述路面中的一部分，而所述标识识别结果中的各个标识可以是基于所述路面以及非路面的进一步的特征检测，此时，基于所述路面识别结果，所述第二深度学习子模型对道路以及特征的识别难度大大降低，同时可以保证较好的识别精度。
如图2所示，为所述路面识别结果的一种示例性表示。
其中，如图2中白色线条所框出的部分所示，所述路面可以包括主路、辅路、停车区域以及主路与辅路之间的过渡道路区域等。
如图3所示，为所述标识识别结果的一种示例性表示。其中，白色带箭头的线为识别得到的道路线。所述标识识别结果可以包括对道路线的识别结果，从而可以通过所述道路线，较好的标识道路的划分情况。
在一些实施例中，所述标识识别结果包括道路线识别结果和辅助标识识别结果，所述道路线识别结果中通过道路线标识码标识识别得到的道路线，所述辅助标识识别结果中通过辅助标识码标识识别得到的辅助标识，并且，所述第一识别结果中，所述道路线标识码与所述辅助标识码根据指定顺序进行排列，所述指定顺序根据所述道路线和所述辅助标识分别在所述第一图像中的位置信息确定。
其中，所述道路线识别结果可以用于辅助标识道路的划分方式，而所述辅助标识识别结果则可以用于辅助确定当前的道路以及所在的环境情况。
示例性的，所述辅助标识可以包括路牌标识、道路中的指示标识(如让行箭头、直行箭头、左拐箭头、右拐箭头等)以及非道路标识(例如隔离带标识、绿化带标识)中的至少一种。
本申请实施例中，所述第一识别结果中，所述道路线标识码与所述辅助标识码根据指定顺序进行排列，所述指定顺序根据所述道路线和所述辅助标识分别在所述第一图像中的位置信息确定，此时，可以通过所述第一标识结果，初步看出所述第一图像中的各个特征的分布情况，从而初步判断所述第一图像中的道路以及非道路的划分情况。
例如，在一种示例中，可以给每一个道路线设置道路线标识码，具体的，n条道路线分别为：L1…Ln。并且，可以给每一个非道路标识设置辅助标识码，具体的，m个非道路标识分别为：P1…Pm。
所述道路线标识码与所述辅助标识码根据指定顺序进行排列，得到：P1L1L2……L5P2P3L6……LnP4……Pm。可以看出，L1……L5为连续的道路线标识码，很可能在同一道路上，L6……Ln也为连续的道路线标识码，很可能在同一道路上，但是L1……L5与L6……Ln之间通过P2P3隔开，则可以初步判断L1……L5与L6……Ln分别位于两个不同的道路上。可见，这一第一识别结果的设置方式可以便于直观地反映所述第一图像中的各个特征的分布情况，从而初步判断所述第一图像中的道路以及非道路的划分情况。
步骤S102，将所述第一识别结果和所述第一图像输入第二深度学习模型，获得第二识别结果，所述第二识别结果包含所述第一图像中识别到的道路的类别的置信度。
本申请实施例中，所述第二深度学习模型可以为目标检测模型，从而实现对第一图像中的道路的类别的检测。示例性的，所述第二深度学习模型可以为Faster R-CNN模型、SSD模型或者YOLO模型等。所述第二深度学习模型的具体结构以及参数设置可以根据具体场景需求来设置，在此不作限定。
在一些示例中，所述第二深度学习模型可以通过一个多层模型结构，实现对多种不同类型的道路的识别。而在另一些示例中，所述第二深度学习模型可以包括多个并列的子模型，以分别用于识别不同类型的道路，例如，其中一个子模型用于识别主路，而另一个子模型用于识别辅路。
所述第二深度学习模型可以为已训练完成的深度学习模型。具体的，可以通过包含道路类型标签的训练图像训练初始第二深度学习模型，获得所述第二深度学习模型。在针对初始第二深度学习模型进行训练时，可以通过指定的损失函数来确定训练是否完成，例如，若训练过程中的某次迭代过程的输出结果满足基于指定的损失函数的第二损失条件，或者，训练达到预设的最大迭代次数，则可以认为训练完成，并获得所述第二深度学习模型。
所述第二深度学习模型所对应的损失函数在此不做限定，示例性的，所述第二深度学习模型所对应的损失函数可以为基于均方误差的损失函数或者基于交叉熵的损失函数等。
所述第二深度学习模型可以与所述第一深度学习模型的结构相同，也可以不同。
本申请实施例中，所述道路的类别可以根据实际场景需求来设置。例如，所述道路的类别可以包括主路和辅路，或者，所述道路的类别还可以包括快车道、慢车道、公交专用车道等等。
所述第二识别结果可以表示所述第一图像中识别到的道路的类别的置信度。例如，所述第二识别结果中可以包含以下信息：
第一图像中的主路的置信度为70％，并且第一图像中的辅路的置信度为20％。
在一些实施例中，所述第二深度学习模型包括第三深度学习子模型和第四深度学习子模型；
所述将所述第一识别结果和所述第一图像输入第二深度学习模型，获得第二识别结果，包括：
将所述第一识别结果和所述第一图像输入所述第三深度学习子模型，获得第一识别子结果，所述第一识别子结果包含所述第一图像中属于第一类别的道路的置信度；
将所述第一识别结果和所述第一图像输入所述第四深度学习子模型，获得第二识别子结果，所述第二识别子结果包含所述第一图像中属于第二类别的道路的置信度，所述第二识别结果包含所述第一识别子结果和所述第二识别子结果。
本申请实施例中，由于不同的道路的类别可能存在关联性，例如，主路和辅路为一种道路设置方式，此时，可以认为主路和辅路是同时存在的，若只有一条道路，则不需要将该条道路称为主路或者辅路。因此，可以通过所述第三深度学习子模型和所述第四深度学习子模型，分别检测不同类别的道路的情况，从而可以结合不同类别的道路的检测情况，综合判断各个道路的类别，以提高判断的准确性。其中，所述第一类别和所述第二类别可以根据实际场景需求来确定。示例性的，所述第一类别可以为主路，所述第二类别可以为辅路，或者，所述第一类别可以为普通车道，所述第二类别可以为公交专用车道等等。
例如，在一种示例中，所述第一识别子结果中第一图像中的主路的置信度为70％，并且所述第二识别子结果中第一图像中的辅路的置信度为20％。此时，由于辅路的置信度较低，则可以认为所述第一图像中不存在辅路，而可能只存在一条道路。
若所述第一识别子结果中第一图像中的主路的置信度为10％，并且所述第二识别子结果中第一图像中的辅路的置信度为80％。由于此时主路的置信度较低，则可以认为所述第一图像中不存在主路，而可能也只存在一条道路。
若所述第一识别子结果中第一图像中的主路的置信度为70％，并且所述第二识别子结果中第一图像中的辅路的置信度为80％，则可以认为所述第一图像中存在主路和辅路。
步骤S103，根据所述第二识别结果，确定所述第一图像中的道路类别。
在获取到所述第二识别结果之后，可以根据所述第二识别结果中的道路的类别的置信度，确定所述第一图像中的道路类别。
例如，可以通过所述第二深度学习模型中的全连接层等结构，根据所述第二识别结果中的不同的道路的类别的识别情况，确定所述第一图像中的道路类别，也可以通过其他预设规则，根据所述第二识别结果，确定所述第一图像中的道路类别。
在一些实施例中，所述道路类别包括主路和辅路，所述标识识别结果包括对道路线的识别结果，以及对主路和辅路之间的非道路特征的识别结果。
在实际行驶过程中，驾驶员常常要在道路的分岔口选择主路或者辅路进行行驶，并且，导航***也需要根据车辆当前在主路还是辅路来确定导航路线，因此，在实际行驶过程中，准确地识别当前车辆是在主路还是在辅路十分必要。
然而，由于导航***可能存在跳点、精度不够等问题，导航***往往无法精确地判断当前车辆是在主路还是在辅路，通常需要驾驶员手动确认当前是在主路还是辅路。
而本申请实施例中，可以通过所述第一深度学习模型，识别所述第一图像中的道路，并且识别所述第一图像中的道路线以及主路和辅路之间的非道路特征，从而可以根据所述道路线和所述道路识别结果，通过第二深度学习模型较为准确地识别道路的分布情况，并结合主路和辅路之间的非道路特征确定是否存在道路之间的隔离区域，进而可以较为准确地判断所述第一图像中是否有主路以及辅路。
本申请实施例中，可以通过第一深度学习模型获得针对所述第一图像的第一识别结果，从而可以识别得到所述第一图像中的道路情况以及标识情况，从而通过所述第一深度学习模型实现对所述第一图像中的道路以及相关环境的初步感知。然后，将所述第一识别结果和所述第一图像输入第二深度学习模型，获得第二识别结果，所述第二识别结果包含所述第一图像中识别到的道路的类别的置信度；此时，可以结合所述第一深度学习模型对所述第一图像中的道路以及相关环境的初步感知情况，通过所述第二深度学习模型在所述第一图像中的道路的类别进行较为精确地识别，获得第二识别结果，从而可以根据所述第二识别结果，较为准确地确定所述第一图像中的道路类别。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
对应于上文实施例上述的确定道路类别的方法，图4示出了本申请实施例提供的一种确定道路类别的装置的结构框图，为了便于说明，仅示出了与本申请实施例相关的部分。
参照图4，该确定道路类别的装置4包括：
第一识别模块401，用于将第一图像输入第一深度学习模型，获得针对所述第一图像的第一识别结果，所述第一识别结果包括所述第一图像中的道路识别结果以及标识识别结果；
第二识别模块402，用于将所述第一识别结果和所述第一图像输入第二深度学习模型，获得第二识别结果，所述第二识别结果包含所述第一图像中识别到的道路的类别的置信度；
确定模块403，用于根据所述第二识别结果，确定所述第一图像中的道路类别。
可选的，所述道路类别包括主路和辅路，所述标识识别结果包括对道路线的识别结果，以及对主路和辅路之间的非道路特征的识别结果。
可选的，所述第一深度学习模型包括第一深度学习子模型和第二深度学习子模型；
所述第一识别模块401包括：
第一识别单元，用于将所述第一图像输入所述第一深度学习子模型，获得针对所述第一图像中的路面识别结果；
第二识别单元，用于将所述路面识别结果和所述第一图像输入所述第二深度学习子模型，获得针对所述第一图像的第一识别结果。
可选的，所述第二深度学习模型包括第三深度学习子模型和第四深度学习子模型；
所述第二识别模块402包括：
将所述第一识别结果和所述第一图像输入所述第三深度学习子模型，获得第一识别子结果，所述第一识别子结果包含所述第一图像中属于第一类别的道路的置信度；
将所述第一识别结果和所述第一图像输入所述第四深度学习子模型，获得第二识别子结果，所述第二识别子结果包含所述第一图像中属于第二类别的道路的置信度，所述第二识别结果包含所述第一识别子结果和所述第二识别子结果。
可选的，所述装置4还包括：
获取模块，用于获取指定车辆上的摄像头采集得到的目标视频；
确定模块，用于从所述目标视频中，确定所述第一图像，所述第一图像中包含所述指定车辆的前方行驶场景信息。
可选的，所述标识识别结果包括道路线识别结果和辅助标识识别结果，所述道路线识别结果中通过道路线标识码标识识别得到的道路线，所述辅助标识识别结果中通过辅助标识码标识识别得到的辅助标识，并且，所述第一识别结果中，所述道路线标识码与所述辅助标识码根据指定顺序进行排列，所述指定顺序根据所述道路线和所述辅助标识分别在所述第一图像中的位置信息确定。
本申请实施例中，可以通过第一深度学习模型获得针对所述第一图像的第一识别结果，从而可以识别得到所述第一图像中的道路情况以及标识情况，从而通过所述第一深度学习模型实现对所述第一图像中的道路以及相关环境的初步感知。然后，将所述第一识别结果和所述第一图像输入第二深度学习模型，获得第二识别结果，所述第二识别结果包含所述第一图像中识别到的道路的类别的置信度；此时，可以结合所述第一深度学习模型对所述第一图像中的道路以及相关环境的初步感知情况，通过所述第二深度学习模型在所述第一图像中的道路的类别进行较为精确地识别，获得第二识别结果，从而可以根据所述第二识别结果，较为准确地确定所述第一图像中的道路类别。
需要说明的是，上述装置/单元之间的信息交互、执行过程等内容，由于与本申请方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将上述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述***中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
图5为本申请一实施例提供的终端设备的结构示意图。如图5所示，该实施例的终端设备5包括：至少一个处理器50(图5中仅示出一个)、存储器51以及存储在上述存储器51中并可在上述至少一个处理器50上运行的计算机程序52，上述处理器50执行上述计算机程序52时实现上述任意各个确定道路类别的方法实施例中的步骤。
上述终端设备5可以是服务器、手机、可穿戴设备、增强现实(augmented reality，AR)/虚拟现实(virtual reality，VR)设备、桌上型计算机、笔记本、台式电脑以及掌上电脑等计算设备。该终端设备可包括，但不仅限于，处理器50、存储器51。本领域技术人员可以理解，图5仅仅是终端设备5的举例，并不构成对终端设备5的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如还可以包括输入设备、输出设备、网络接入设备等。其中，上述输入设备可以包括键盘、触控板、指纹采集传感器(用于采集用户的指纹信息和指纹的方向信息)、麦克风、摄像头等，输出设备可以包括显示器、扬声器等。
上述处理器50可以是中央处理单元(Central Processing Unit，CPU)，该处理器50还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，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、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
上述存储器51在一些实施例中可以是上述终端设备5的内部存储单元，例如终端设备5的硬盘或内存。上述存储器51在另一些实施例中也可以是上述终端设备5的外部存储设备，例如上述终端设备5上配备的插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)等。进一步地，上述存储器51还可以既包括上述终端设备5的内部存储单元也包括外部存储设备。上述存储器51用于存储操作***、应用程序、引导装载程序(Boot Loader)、数据以及其他程序等，例如上述计算机程序的程序代码等。上述存储器51还可以用于暂时地存储已经输出或者将要输出的数据。
另外，尽管未示出，上述终端设备5还可以包括网络连接模块，如蓝牙模块Wi-Fi模块、蜂窝网络模块等等，在此不再赘述。
本申请实施例中，上述处理器50执行上述计算机程序52以实现上述任意各个确定道路类别的方法实施例中的步骤时，本申请实施例中，可以通过第一深度学习模型获得针对所述第一图像的第一识别结果，从而可以识别得到所述第一图像中的道路情况以及标识情况，从而通过所述第一深度学习模型实现对所述第一图像中的道路以及相关环境的初步感知。然后，将所述第一识别结果和所述第一图像输入第二深度学习模型，获得第二识别结果，所述第二识别结果包含所述第一图像中识别到的道路的类别的置信度；此时，可以结合所述第一深度学习模型对所述第一图像中的道路以及相关环境的初步感知情况，通过所述第二深度学习模型在所述第一图像中的道路的类别进行较为精确地识别，获得第二识别结果，从而可以根据所述第二识别结果，较为准确地确定所述第一图像中的道路类别。
本申请实施例还提供了一种计算机可读存储介质，上述计算机可读存储介质存储有计算机程序，上述计算机程序被处理器执行时实现可实现上述各个方法实施例中的步骤。
本申请实施例提供了一种计算机程序产品，当计算机程序产品在终端设备上运行时，使得终端设备执行时实现可实现上述各个方法实施例中的步骤。
上述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，上述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，上述计算机程序包括计算机程序代码，上述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。上述计算机可读介质至少可以包括：能够将计算机程序代码携带到拍照装置/终端设备的任何实体或装置、记录介质、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，RandomAccess Memory)、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区，根据立法和专利实践，计算机可读介质不可以是电载波信号和电信信号。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中，应该理解到，所揭露的装置/网络设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/网络设备实施例仅仅是示意性的，例如，上述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个***，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
上述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
以上上述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。

Claims (10)

1.一种确定道路类别的方法，其特征在于，包括：
将第一图像输入第一深度学习模型，获得针对所述第一图像的第一识别结果，所述第一识别结果包括所述第一图像中的道路识别结果以及标识识别结果；
将所述第一识别结果和所述第一图像输入第二深度学习模型，获得第二识别结果，所述第二识别结果包含所述第一图像中识别到的道路的类别的置信度；
根据所述第二识别结果，确定所述第一图像中的道路类别。
2.如权利要求1所述的方法，其特征在于，所述道路类别包括主路和辅路，所述标识识别结果包括对道路线的识别结果，以及对主路和辅路之间的非道路特征的识别结果。
3.如权利要求1所述的方法，其特征在于，所述第一深度学习模型包括第一深度学习子模型和第二深度学习子模型；
所述将第一图像输入第一深度学习模型，获得针对所述第一图像的第一识别结果，包括：
将所述第一图像输入所述第一深度学习子模型，获得针对所述第一图像中的路面识别结果；
将所述路面识别结果和所述第一图像输入所述第二深度学习子模型，获得针对所述第一图像的第一识别结果。
4.如权利要求1所述的方法，其特征在于，所述第二深度学习模型包括第三深度学习子模型和第四深度学习子模型；
所述将所述第一识别结果和所述第一图像输入第二深度学习模型，获得第二识别结果，包括：
将所述第一识别结果和所述第一图像输入所述第三深度学习子模型，获得第一识别子结果，所述第一识别子结果包含所述第一图像中属于第一类别的道路的置信度；
将所述第一识别结果和所述第一图像输入所述第四深度学习子模型，获得第二识别子结果，所述第二识别子结果包含所述第一图像中属于第二类别的道路的置信度，所述第二识别结果包含所述第一识别子结果和所述第二识别子结果。
5.如权利要求1所述的方法，其特征在于，在将第一图像输入第一深度学习模型，获得针对所述第一图像的第一识别结果之前，还包括：
获取指定车辆上的摄像头采集得到的目标视频；
从所述目标视频中，确定所述第一图像，所述第一图像中包含所述指定车辆的前方行驶场景信息。
6.如权利要求1至5任意一项所述的方法，其特征在于，所述标识识别结果包括道路线识别结果和辅助标识识别结果，所述道路线识别结果中通过道路线标识码标识识别得到的道路线，所述辅助标识识别结果中通过辅助标识码标识识别得到的辅助标识，并且，所述第一识别结果中，所述道路线标识码与所述辅助标识码根据指定顺序进行排列，所述指定顺序根据所述道路线和所述辅助标识分别在所述第一图像中的位置信息确定。
7.一种确定道路类别的装置，其特征在于，包括：
第一识别模块，用于将第一图像输入第一深度学习模型，获得针对所述第一图像的第一识别结果，所述第一识别结果包括所述第一图像中的道路识别结果以及标识识别结果；
第二识别模块，用于将所述第一识别结果和所述第一图像输入第二深度学习模型，获得第二识别结果，所述第二识别结果包含所述第一图像中识别到的道路的类别的置信度；
确定模块，用于根据所述第二识别结果，确定所述第一图像中的道路类别。
8.如权利要求7所述的装置，其特征在于，所述标识识别结果包括道路线识别结果和辅助标识识别结果，所述道路线识别结果中通过道路线标识码标识识别得到的道路线，所述辅助标识识别结果中通过辅助标识码标识识别得到的辅助标识，并且，所述第一识别结果中，所述道路线标识码与所述辅助标识码根据指定顺序进行排列，所述指定顺序根据所述道路线和所述辅助标识分别在所述第一图像中的位置信息确定。
9.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至6任一项所述的确定道路类别的方法。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述的确定道路类别的方法。
CN202110383102.6A 2021-04-09 2021-04-09 确定道路类别的方法、装置及终端设备 Pending CN113221652A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110383102.6A CN113221652A (zh) 2021-04-09 2021-04-09 确定道路类别的方法、装置及终端设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110383102.6A CN113221652A (zh) 2021-04-09 2021-04-09 确定道路类别的方法、装置及终端设备

Publications (1)

Publication Number Publication Date
CN113221652A true CN113221652A (zh) 2021-08-06

Family

ID=77086893

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110383102.6A Pending CN113221652A (zh) 2021-04-09 2021-04-09 确定道路类别的方法、装置及终端设备

Country Status (1)

Country Link
CN (1) CN113221652A (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH1152847A (ja) * 1997-07-31 1999-02-26 Fujitsu Ten Ltd 簡易地図表示装置
CN108256510A (zh) * 2018-03-12 2018-07-06 海信集团有限公司 一种道路边缘线检测方法、装置及终端
CN109326125A (zh) * 2018-11-14 2019-02-12 太原市高远时代科技有限公司 基于嵌入式***的图片质量诊断***及诊断方法
CN111259707A (zh) * 2018-12-03 2020-06-09 初速度（苏州）科技有限公司 一种特殊线型车道线检测模型的训练方法
CN111414826A (zh) * 2020-03-13 2020-07-14 腾讯科技（深圳）有限公司 一种地标箭头的识别方法、设备及存储介质
CN111435088A (zh) * 2019-01-15 2020-07-21 北京嘀嘀无限科技发展有限公司 一种道路匹配方法、装置、电子设备及存储介质
CN111738245A (zh) * 2020-08-27 2020-10-02 创新奇智(北京)科技有限公司 商品识别管理方法、装置、服务器及可读存储介质

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH1152847A (ja) * 1997-07-31 1999-02-26 Fujitsu Ten Ltd 簡易地図表示装置
CN108256510A (zh) * 2018-03-12 2018-07-06 海信集团有限公司 一种道路边缘线检测方法、装置及终端
CN109326125A (zh) * 2018-11-14 2019-02-12 太原市高远时代科技有限公司 基于嵌入式***的图片质量诊断***及诊断方法
CN111259707A (zh) * 2018-12-03 2020-06-09 初速度（苏州）科技有限公司 一种特殊线型车道线检测模型的训练方法
CN111435088A (zh) * 2019-01-15 2020-07-21 北京嘀嘀无限科技发展有限公司 一种道路匹配方法、装置、电子设备及存储介质
CN111414826A (zh) * 2020-03-13 2020-07-14 腾讯科技（深圳）有限公司 一种地标箭头的识别方法、设备及存储介质
CN111738245A (zh) * 2020-08-27 2020-10-02 创新奇智(北京)科技有限公司 商品识别管理方法、装置、服务器及可读存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Z. JAN等: "A Convolutional Neural Network Based Deep Learning Technique for Identifying Road Attributes", 《2018 INTERNATIONAL CONFERENCE ON IMAGE AND VISION COMPUTING NEW ZEALAND (IVCNZ)》, 21 November 2018 (2018-11-21), pages 1 - 6, XP033515052, DOI: 10.1109/IVCNZ.2018.8634743 *
胡啸: "基于车载激光扫描数据的道路要素提取方法研究", 《中国优秀硕士学位论文全文数据库：工程科技Ⅱ辑》, no. 7, 15 July 2019 (2019-07-15), pages 1 - 76 *

Similar Documents

Publication Publication Date Title
CN111046709B (zh) 车辆车道级定位方法、***、车辆及存储介质
US11248925B2 (en) Augmented road line detection and display system
CN110146097B (zh) 自动驾驶导航地图的生成方法、***、车载终端及服务器
CN110796007B (zh) 场景识别的方法与计算设备
CN102208035B (zh) 图像处理***及位置测量***
CN105197014A (zh) 用于识别车辆的行驶车道的装置和方法
US11963066B2 (en) Method for indicating parking position and vehicle-mounted device
CN109389622B (zh) 车辆追踪方法、装置、识别设备及存储介质
CN109191831B (zh) 车辆通行的控制方法、装置和服务器
CN110765224A (zh) 电子地图的处理方法、车辆视觉重定位的方法和车载设备
CN114926540A (zh) 一种车道线标定的方法、装置、终端设备及可读存储介质
US12036992B2 (en) Lane change planning method and vehicle-mounted device
US20210048819A1 (en) Apparatus and method for determining junction
CN110784680B (zh) 一种车辆定位方法、装置、车辆和存储介质
CN113221652A (zh) 确定道路类别的方法、装置及终端设备
CN113902047B (zh) 图像元素匹配方法、装置、设备以及存储介质
CN115839721A (zh) 一种行驶路线的预测方法、装置、车载终端及介质
US20210180982A1 (en) Map generation device and map generation method
CN111661054B (zh) 车辆控制方法、装置、电子设备及存储介质
CN114964210A (zh) 地图绘制方法、装置、计算机设备及存储介质
TWI762887B (zh) 交通安全管控方法、車載裝置及可讀儲存介質
CN114998863A (zh) 目标道路识别方法、装置、电子设备以及存储介质
CN111044035B (zh) 车辆定位方法及装置
US20210316719A1 (en) Parking assistance method, vehicle-mounted device and readable storage medium
CN112991805A (zh) 一种辅助驾驶方法和装置

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