CN113221701B - 一种基于方向预测的车道线轨道线识别方法及装置 - Google Patents
一种基于方向预测的车道线轨道线识别方法及装置 Download PDFInfo
- Publication number
- CN113221701B CN113221701B CN202110481095.3A CN202110481095A CN113221701B CN 113221701 B CN113221701 B CN 113221701B CN 202110481095 A CN202110481095 A CN 202110481095A CN 113221701 B CN113221701 B CN 113221701B
- Authority
- CN
- China
- Prior art keywords
- slope
- line
- line segment
- track
- edge line
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 48
- 230000008569 process Effects 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000013461 design Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 7
- 238000010801 machine learning Methods 0.000 description 6
- 238000004590 computer program Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 3
- 239000003086 colorant Substances 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000005452 bending Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000004575 stone Substances 0.000 description 1
- 238000012549 training Methods 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
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
- G06V20/54—Surveillance or monitoring of activities, e.g. for recognising suspicious objects of traffic, e.g. cars on the road, trains or boats
-
- 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)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于方向预测的车道线轨道线识别方法及***,涉及交通运输智能网联设计领域,该方法包括获取车辆头部向前延伸预设距离的车道线或轨道线作为边缘线段;获取边缘线段的图像特征,作为基准图像特征,并根据车辆行驶方向确定边缘线段的起点和终点;基于确定的边缘线段的起点和终点,计算得到边缘线段的斜率,并将计算得到的斜率作为基准斜率;基于基准图像特征和基准斜率,进行边缘线段终点前方预设半径范围内车道线或轨道线的识别。本发明识别精度高,且车道线或轨道线的识别稳定,有效降低车道线或轨道线的识别成本。
Description
技术领域
本发明涉及交通运输智能网联设计领域,具体涉及一种基于方向预测的车道线轨道线识别方法及装置。
背景技术
当前,对于车道线或轨道线的自动识别,一般是基于机器学习识别算法进行,通过卷积神经网络等机器学习识别算法从原始图像的背景中识别出轨道线或车道线的所在位置。
但是,基于机器学习识别算法进行车道线或轨道线的自动识别,存在以下问题:1、由于道路图像的背景图像复杂(包含草地、石头路、森林、雪地等等),背景多变,干扰大,机器学习识别算法难以获得足够的场景数据进行训练,导致识别率低;2、机器学习模型参数不可解释,出故障时无法排查,稳定性较差;3、计算量庞大,方法复杂,对软硬件设备要求高,导致识别成本较高。
发明内容
针对现有技术中存在的缺陷,本发明的目的在于提供一种基于方向预测的车道线轨道线识别方法及***,识别精度高,且车道线或轨道线的识别稳定,有效降低车道线或轨道线的识别成本。
为达到以上目的,本发明提供的一种基于方向预测的车道线轨道线识别方法,具体包括以下步骤:
获取车辆头部向前延伸预设距离的车道线或轨道线作为边缘线段;
获取边缘线段的图像特征,作为基准图像特征,并根据车辆行驶方向确定边缘线段的起点和终点;
基于确定的边缘线段的起点和终点,计算得到边缘线段的斜率,并将计算得到的斜率作为基准斜率;
基于基准图像特征和基准斜率,进行边缘线段终点前方预设半径范围内车道线或轨道线的识别。
在上述技术方案的基础上,所述图像特征包括颜色和纹理。
在上述技术方案的基础上,所述获取边缘线段的图像特征,具体过程为:
对于获取的边缘线段,截取预设长度的边缘线段,将截取出的边缘线段的图像特征作为基准图像特征。
在上述技术方案的基础上,基于基准图像特征和基准斜率,进行边缘线段终点前方预设半径范围内车道线或轨道线的识别,具体包括:
基于基准图像特征,获取边缘线段终点前方预设半径范围内的图像中与基准图像特征相同的区域,并将获取的区域作为待识别区域;
基于待识别区域的端点,计算每个待识别区域的斜率,将计算得到的斜率与基准斜率进行比对,斜率最接近基准斜率的待识别区域,为识别得到的车道线或轨道线。
在上述技术方案的基础上,所述将计算得到的斜率与基准斜率进行比对,斜率最接近基准斜率的待识别区域,为识别得到的车道线或轨道线,具体步骤为:
判断获取的待识别区域中,是否存在位于边缘线段前方的待识别区域:
若是,则位于边缘线段前方的待识别区域,为识别得到的车道线或轨道线;
若否,则将计算得到的斜率与基准斜率进行比对,斜率最接近基准斜率的待识别区域,为识别得到的车道线或轨道线。
在上述技术方案的基础上,当基于基准图像特征,获取边缘线段终点前方预设半径范围内的图像中与基准图像特征相同的区域时,若获取不到与基准图像特征相同的区域,则增大边缘线段终点前方的预设半径范围,在新确定的半径范围内获取与基准图像特征相同的区域。
在上述技术方案的基础上,当识别得到边缘线段终点前方预设半径范围内车道线或轨道线后,将识别得到的车道线或轨道线作为新边缘线段,并获取新边缘线段的图像特征,作为新图像特征,计算新边缘线段的基准斜率,作为新基准斜率,然后基于新基准图像特征和新基准斜率,进行新边缘线段终点前方预设半径范围内车道线或轨道线的识别,依次类推,直至识别得到预设长度的车道线或轨道线。
在上述技术方案的基础上,所述进行边缘线段终点前方预设半径范围内车道线或轨道线的识别,其中,当所述车道线或轨道线为多条时,对于每一条车道线或轨道线,均按所述基于方向预测的车道线轨道线识别方法进行识别。
本发明提供的一种基于方向预测的车道线轨道线识别装置,包括:
获取模块,其用于获取车辆头部向前延伸预设距离的车道线或轨道线作为边缘线段;
确定模块,其用于获取边缘线段的图像特征,作为基准图像特征,并根据车辆行驶方向确定边缘线段的起点和终点;
计算模块,其用于基于确定的边缘线段的起点和终点,计算得到边缘线段的斜率,并将计算得到的斜率作为基准斜率;
识别模块,其用于基于基准图像特征和基准斜率,进行边缘线段终点前方预设半径范围内车道线或轨道线的识别。
在上述技术方案的基础上,所述图像特征包括颜色和纹理。
与现有技术相比,本发明的优点在于:通过获取边缘线段的图像特征,作为基准图像特征,并根据车辆行驶方向确定边缘线段的起点和终点,基于确定的边缘线段的起点和终点,计算得到边缘线段的斜率,并将计算得到的斜率作为基准斜率,基于基准图像特征和基准斜率,进行边缘线段终点前方预设半径范围内车道线或轨道线的识别,即通过选取预设距离的车道线或轨道线作为边缘线段,基于边缘线段的图像特征和斜率,在边缘线段终点前方预设半径范围内,依次向前进行车道线或轨道线的识别,识别精度高,且车道线或轨道线的识别稳定,有效降低车道线或轨道线的识别成本。
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为本发明实施例中一种基于方向预测的车道线轨道线识别方法的流程图;
图2为本发明实施例中待识别区域的分布示意图。
具体实施方式
本发明实施例提供一种基于方向预测的车道线轨道线识别方法,通过获取边缘线段的图像特征,作为基准图像特征,并根据车辆行驶方向确定边缘线段的起点和终点,基于确定的边缘线段的起点和终点,计算得到边缘线段的斜率,并将计算得到的斜率作为基准斜率,基于基准图像特征和基准斜率,进行边缘线段终点前方预设半径范围内车道线或轨道线的识别,即通过选取预设距离的车道线或轨道线作为边缘线段,基于边缘线段的图像特征和斜率,在边缘线段终点前方预设半径范围内,依次向前进行车道线或轨道线的识别,识别精度高,且车道线或轨道线的识别稳定,有效降低车道线或轨道线的识别成本。本发明实施例相应地还提供了一种基于方向预测的车道线轨道线识别装置。
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请的一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护的范围。
在自动驾驶中,沿着车道线循迹前进的非轨道车辆,或者在轨道上运行的轨道车辆,需要对车辆前方一定长度的轨道线或车道线进行识别,把前方车道线或者轨道线的识别信息预存在车辆信息***内部中建模,用于车辆控制、前方障碍识别等等用途。
任何人造车道线或轨道,从数学意义上讲,都有如下两个特点:路线具有连续性和路线的弯曲方向连续变化,这是因为任何陡变或者断裂都会造成事故。本发明的车道线轨道线识别方法,便是利用这种弯曲方向变化的连续性,从车头前方一小段已知车道线(轨道线),提取初始方向和车道(轨道)线图像特征(颜色、反光度等等,主要是颜色),当有了两侧边缘线的初始方向和边缘线的表面图像特征,阶梯向前推测、探测,确定下一段边缘线的具***置,迭代向前,直至测绘出足够长度的车道(轨道)线。
参见图1所示,本发明实施例提供的一种基于方向预测的车道线轨道线识别方法,具体包括以下步骤:
S1:获取车辆头部向前延伸预设距离的车道线或轨道线作为边缘线段。即通过拍摄车辆头部前方的图像,在拍摄的图像中获取预设距离的车道线或轨道线作为边缘线段,相对车头而言,由于拍摄距离近,干扰小,因此对于拍摄得到的图像,很容易识别得到距离车头一段距离的车道线或轨道线。
S2:获取边缘线段的图像特征,作为基准图像特征,并根据车辆行驶方向确定边缘线段的起点和终点;图像特征包括颜色和纹理。
本发明实施例中,获取边缘线段的图像特征,具体过程为:
对于获取的边缘线段,截取预设长度的边缘线段,将截取出的边缘线段的图像特征作为基准图像特征。
S3:基于确定的边缘线段的起点和终点,计算得到边缘线段的斜率,并将计算得到的斜率作为基准斜率;
S4:基于基准图像特征和基准斜率,进行边缘线段终点前方预设半径范围内车道线或轨道线的识别。
本发明实施例中,基于基准图像特征和基准斜率,进行边缘线段终点前方预设半径范围内车道线或轨道线的识别,具体包括:
S401:基于基准图像特征,获取边缘线段终点前方预设半径范围内的图像中与基准图像特征相同的区域,并将获取的区域作为待识别区域;在实际的应用过程中,可能识别得到多个区域的图像特征均与基准图像特征相同,则这些识别得到的区域均为待识别区域。
S402:基于待识别区域的端点,计算每个待识别区域的斜率,将计算得到的斜率与基准斜率进行比对,斜率最接近基准斜率的待识别区域,为识别得到的车道线或轨道线。即将计算得到的每个斜率均与基准斜率进行比对,对于与基准斜率差值最小的斜率,该斜率对应的待识别区域,即为识别得到的车道线或轨道线。
本发明实施例中,将计算得到的斜率与基准斜率进行比对,斜率最接近基准斜率的待识别区域,为识别得到的车道线或轨道线,具体步骤为:
判断获取的待识别区域中,是否存在位于边缘线段前方的待识别区域:
若是,则位于边缘线段前方的待识别区域,为识别得到的车道线或轨道线;
若否,则将计算得到的斜率与基准斜率进行比对,斜率最接近基准斜率的待识别区域,为识别得到的车道线或轨道线。
参见图2所示,由于需要确定的下一段车道线或轨道线的方向和当前已经确定的车道线或轨道线的方向不会陡变,因此,需要确定的下一段车道线或轨道线的可能方向为概率分布,以当前已确定的车道线或轨道线的方向为中心,需要确定的下一段车道线或轨道线位于中心的概率最大,越往两侧远离中心方向,概率越小,符合正态分布。故当获取的待识别区域中,存在位于边缘线段前方的待识别区域时,则位于边缘线段前方的待识别区域,即为识别得到的车道线或轨道线,此时便不再进行其它待识别区域的比对;当获取的待识别区域中,不存在位于边缘线段前方的待识别区域时,则再进行斜率的比对,将计算得到的斜率与基准斜率进行比对,斜率最接近基准斜率的待识别区域,为识别得到的车道线或轨道线。
本发明实施例中,当基于基准图像特征,获取边缘线段终点前方预设半径范围内的图像中与基准图像特征相同的区域时,若获取不到与基准图像特征相同的区域,则增大边缘线段终点前方的预设半径范围,在新确定的半径范围内获取与基准图像特征相同的区域。按照上述规律进行,直至找到一个待识别区域为止,若多次增大边缘线段终点前方的预设半径范围后,仍旧无法找到待识别区域,则进行车道线或轨道线中断的上报。
本发明实施例中,当识别得到边缘线段终点前方预设半径范围内车道线或轨道线后,将识别得到的车道线或轨道线作为新边缘线段,并获取新边缘线段的图像特征,作为新图像特征,计算新边缘线段的基准斜率,作为新基准斜率,然后基于新基准图像特征和新基准斜率,进行新边缘线段终点前方预设半径范围内车道线或轨道线的识别,依次类推,直至识别得到预设长度的车道线或轨道线。
即当识别得到边缘线段终点前方预设半径范围内车道线或轨道线后,将识别得到的车道线或轨道线作为新边缘线段,并获取新边缘线段的图像特征,作为新图像特征,计算新边缘线段的新基准斜率,作为新基准斜率,然后基于新基准图像特征和基准斜率,进行新边缘线段终点前方预设半径范围内车道线或轨道线的识别,将识别得到的该车道线或轨道线再作为新边缘线段,然后获取新边缘线段的图像特和斜率,作为新边缘线段的新基准斜率,再次进行识别,依次类推,直至识别得到预设长度的车道线或轨道线。
本发明实施例中,进行边缘线段终点前方预设半径范围内车道线或轨道线的识别,其中,当所述车道线或轨道线为多条时,对于每一条车道线或轨道线,均按所述基于方向预测的车道线轨道线识别方法进行识别。例如,对于轨道线,一般为两条,对于每一条轨道线,均按本发明的基于方向预测的车道线轨道线识别方法进行识别;对于道路上的车道线,一般为多条,则对于每一条车道线,均按本发明的基于方向预测的车道线轨道线识别方法进行识别。
本发明的基于方向预测的车道线轨道线识别方法,从图像中已知轨道(车道)线上取一块作为基准,用于与图像中其它块比对,以确定前方的待识别区域是否也属于轨道(车道)线的一部分;从已知轨道线或车道线段末端为圆心,选取预设半径范围,边缘线段终点前方作为潜在的、属于轨道线或车道线的待识别区域,作为比对目标,极大地缩小了比对范围;基于车道(轨道)线的方向不会陡变这一原则,设置下一段轨道线或车道线所在方向的概率分布,优先搜索概率最大的方向,一旦最大概率方向中找到下一段轨道线或车道线就退出搜索,减小计算量,加快计算速度。
本发明实施例的基于方向预测的车道线轨道线识别方法,通过获取边缘线段的图像特征,作为基准图像特征,并根据车辆行驶方向确定边缘线段的起点和终点,基于确定的边缘线段的起点和终点,计算得到边缘线段的斜率,并将计算得到的斜率作为基准斜率,基于基准图像特征和基准斜率,进行边缘线段终点前方预设半径范围内车道线或轨道线的识别,即通过选取预设距离的车道线或轨道线作为边缘线段,基于边缘线段的图像特征和斜率,在边缘线段终点前方预设半径范围内,依次向前进行车道线或轨道线的识别,识别精度高,且车道线或轨道线的识别稳定,有效降低车道线或轨道线的识别成本。
本发明实施例还提供一种可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述所述的便利的存储方法的步骤。具体实现以下步骤:
获取车辆头部向前延伸预设距离的车道线或轨道线作为边缘线段;
获取边缘线段的图像特征,作为基准图像特征,并根据车辆行驶方向确定边缘线段的起点和终点;
基于确定的边缘线段的起点和终点,计算得到边缘线段的斜率,并将计算得到的斜率作为基准斜率;
基于基准图像特征和基准斜率,进行边缘线段终点前方预设半径范围内车道线或轨道线的识别。
本发明实施例中,图像特征包括颜色和纹理。获取边缘线段的图像特征,具体过程为:对于获取的边缘线段,截取预设长度的边缘线段,将截取出的边缘线段的图像特征作为基准图像特征。
本发明实施例中,基于基准图像特征和基准斜率,进行边缘线段终点前方预设半径范围内车道线或轨道线的识别,具体包括:
基于基准图像特征,获取边缘线段终点前方预设半径范围内的图像中与基准图像特征相同的区域,并将获取的区域作为待识别区域;
基于待识别区域的端点,计算每个待识别区域的斜率,将计算得到的斜率与基准斜率进行比对,斜率最接近基准斜率的待识别区域,为识别得到的车道线或轨道线。
本发明实施例中,将计算得到的斜率与基准斜率进行比对,斜率最接近基准斜率的待识别区域,为识别得到的车道线或轨道线,具体步骤为:
判断获取的待识别区域中,是否存在位于边缘线段前方的待识别区域:
若是,则位于边缘线段前方的待识别区域,为识别得到的车道线或轨道线;
若否,则将计算得到的斜率与基准斜率进行比对,斜率最接近基准斜率的待识别区域,为识别得到的车道线或轨道线。
本发明实施例中,当基于基准图像特征,获取边缘线段终点前方预设半径范围内的图像中与基准图像特征相同的区域时,若获取不到与基准图像特征相同的区域,则增大边缘线段终点前方的预设半径范围,在新确定的半径范围内获取与基准图像特征相同的区域。
本发明实施例中,当识别得到边缘线段终点前方预设半径范围内车道线或轨道线后,将识别得到的车道线或轨道线作为新边缘线段,并获取新边缘线段的图像特征,作为新图像特征,计算新边缘线段的基准斜率,作为新基准斜率,然后基于新基准图像特征和型基准斜率,进行新边缘线段终点前方预设半径范围内车道线或轨道线的识别,依次类推,直至识别得到预设长度的车道线或轨道线。
本发明实施例中,存储介质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可读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,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。
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,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)。
本发明实施例提供的一种基于方向预测的车道线轨道线识别装置,包括获取模块、确定模块、计算模块和识别模块。
本发明实施例中,图像特征包括颜色和纹理。获取边缘线段的图像特征,具体过程为:对于获取的边缘线段,截取预设长度的边缘线段,将截取出的边缘线段的图像特征作为基准图像特征。
本发明实施例中,基于基准图像特征和基准斜率,进行边缘线段终点前方预设半径范围内车道线或轨道线的识别,具体包括:
基于基准图像特征,获取边缘线段终点前方预设半径范围内的图像中与基准图像特征相同的区域,并将获取的区域作为待识别区域;
基于待识别区域的端点,计算每个待识别区域的斜率,将计算得到的斜率与基准斜率进行比对,斜率最接近基准斜率的待识别区域,为识别得到的车道线或轨道线。
本发明实施例中,将计算得到的斜率与基准斜率进行比对,斜率最接近基准斜率的待识别区域,为识别得到的车道线或轨道线,具体步骤为:
判断获取的待识别区域中,是否存在位于边缘线段前方的待识别区域:
若是,则位于边缘线段前方的待识别区域,为识别得到的车道线或轨道线;
若否,则将计算得到的斜率与基准斜率进行比对,斜率最接近基准斜率的待识别区域,为识别得到的车道线或轨道线。
本发明实施例中,当基于基准图像特征,获取边缘线段终点前方预设半径范围内的图像中与基准图像特征相同的区域时,若获取不到与基准图像特征相同的区域,则增大边缘线段终点前方的预设半径范围,在新确定的半径范围内获取与基准图像特征相同的区域。
本发明实施例中,当识别得到边缘线段终点前方预设半径范围内车道线或轨道线后,将识别得到的车道线或轨道线作为新边缘线段,并获取新边缘线段的图像特征,作为新图像特征,计算新边缘线段的基准斜率,作为新基准斜率,然后基于新基准图像特征和型基准斜率,进行新边缘线段终点前方预设半径范围内车道线或轨道线的识别,依次类推,直至识别得到预设长度的车道线或轨道线。
本发明实施例的基于方向预测的车道线轨道线识别装置,通过获取边缘线段的图像特征,作为基准图像特征,并根据车辆行驶方向确定边缘线段的起点和终点,基于确定的边缘线段的起点和终点,计算得到边缘线段的斜率,并将计算得到的斜率作为基准斜率,基于基准图像特征和基准斜率,进行边缘线段终点前方预设半径范围内车道线或轨道线的识别,即通过选取预设距离的车道线或轨道线作为边缘线段,基于边缘线段的图像特征和斜率,在边缘线段终点前方预设半径范围内,依次向前进行车道线或轨道线的识别,识别精度高,且车道线或轨道线的识别稳定,有效降低车道线或轨道线的识别成本。
以上所述仅是本申请的具体实施方式,使本领域技术人员能够理解或实现本申请。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下,在其它实施例中实现。因此,本申请将不会被限制于本文所示的这些实施例,而是要符合与本文所申请的原理和新颖特点相一致的最宽的范围。
本发明是参照根据本发明实施例的方法、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。
Claims (8)
1.一种基于方向预测的车道线轨道线识别方法,其特征在于,具体包括以下步骤:
获取车辆头部向前延伸预设距离的车道线或轨道线作为边缘线段;
获取边缘线段的图像特征,作为基准图像特征,并根据车辆行驶方向确定边缘线段的起点和终点;
基于确定的边缘线段的起点和终点,计算得到边缘线段的斜率,并将计算得到的斜率作为基准斜率;
基于基准图像特征和基准斜率,进行边缘线段终点前方预设半径范围内车道线或轨道线的识别;
其中,基于基准图像特征和基准斜率,进行边缘线段终点前方预设半径范围内车道线或轨道线的识别,具体包括:
基于基准图像特征,获取边缘线段终点前方预设半径范围内的图像中与基准图像特征相同的区域,并将获取的区域作为待识别区域,其中,在进行边缘线段终点前方预设半径范围内的图像获取时,具体为获取边缘线段终点前方扇形范围内的图像,且所述扇形范围的半径为预设半径;
基于待识别区域的端点,计算每个待识别区域的斜率,将计算得到的斜率与基准斜率进行比对,斜率最接近基准斜率的待识别区域,为识别得到的车道线或轨道线;
其中,所述将计算得到的斜率与基准斜率进行比对,斜率最接近基准斜率的待识别区域,为识别得到的车道线或轨道线,具体步骤为:
判断获取的待识别区域中,是否存在位于边缘线段前方高概率分布区内的待识别区域:
若是,则位于边缘线段前方高概率分布区内的待识别区域,为识别得到的车道线或轨道线;
若否,则将计算得到的斜率与基准斜率进行比对,斜率最接近基准斜率的待识别区域,为识别得到的车道线或轨道线。
2.如权利要求1所述的一种基于方向预测的车道线轨道线识别方法,其特征在于:所述图像特征包括颜色和纹理。
3.如权利要求1所述的一种基于方向预测的车道线轨道线识别方法,其特征在于,所述获取边缘线段的图像特征,具体过程为:
对于获取的边缘线段,截取预设长度的边缘线段,将截取出的边缘线段的图像特征作为基准图像特征。
4.如权利要求1所述的一种基于方向预测的车道线轨道线识别方法,其特征在于:当基于基准图像特征,获取边缘线段终点前方预设半径范围内的图像中与基准图像特征相同的区域时,若获取不到与基准图像特征相同的区域,则增大边缘线段终点前方的预设半径范围,在新确定的半径范围内获取与基准图像特征相同的区域。
5.如权利要求1所述的一种基于方向预测的车道线轨道线识别方法,其特征在于:当识别得到边缘线段终点前方预设半径范围内车道线或轨道线后,将识别得到的车道线或轨道线作为新边缘线段,并获取新边缘线段的图像特征,作为新图像特征,计算新边缘线段的基准斜率,作为新基准斜率,然后基于新基准图像特征和新基准斜率,进行新边缘线段终点前方预设半径范围内车道线或轨道线的识别,依次类推,直至识别得到预设长度的车道线或轨道线。
6.如权利要求1所述的一种基于方向预测的车道线轨道线识别方法,其特征在于:所述进行边缘线段终点前方预设半径范围内车道线或轨道线的识别,其中,当所述车道线或轨道线为多条时,对于每一条车道线或轨道线,均按所述基于方向预测的车道线轨道线识别方法进行识别。
7.一种基于方向预测的车道线轨道线识别装置,其特征在于,包括:
获取模块,其用于获取车辆头部向前延伸预设距离的车道线或轨道线作为边缘线段;
确定模块,其用于获取边缘线段的图像特征,作为基准图像特征,并根据车辆行驶方向确定边缘线段的起点和终点;
计算模块,其用于基于确定的边缘线段的起点和终点,计算得到边缘线段的斜率,并将计算得到的斜率作为基准斜率;
识别模块,其用于基于基准图像特征和基准斜率,进行边缘线段终点前方预设半径范围内车道线或轨道线的识别;
其中,基于基准图像特征和基准斜率,进行边缘线段终点前方预设半径范围内车道线或轨道线的识别,具体包括:
基于基准图像特征,获取边缘线段终点前方预设半径范围内的图像中与基准图像特征相同的区域,并将获取的区域作为待识别区域,其中,在进行边缘线段终点前方预设半径范围内的图像获取时,具体为获取边缘线段终点前方扇形范围内的图像,且所述扇形范围的半径为预设半径;
基于待识别区域的端点,计算每个待识别区域的斜率,将计算得到的斜率与基准斜率进行比对,斜率最接近基准斜率的待识别区域,为识别得到的车道线或轨道线;
其中,所述将计算得到的斜率与基准斜率进行比对,斜率最接近基准斜率的待识别区域,为识别得到的车道线或轨道线,具体步骤为:
判断获取的待识别区域中,是否存在位于边缘线段前方高概率分布区内的待识别区域:
若是,则位于边缘线段前方高概率分布区内的待识别区域,为识别得到的车道线或轨道线;
若否,则将计算得到的斜率与基准斜率进行比对,斜率最接近基准斜率的待识别区域,为识别得到的车道线或轨道线。
8.如权利要求7所述的一种基于方向预测的车道线轨道线识别装置,其特征在于:所述图像特征包括颜色和纹理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110481095.3A CN113221701B (zh) | 2021-04-30 | 2021-04-30 | 一种基于方向预测的车道线轨道线识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110481095.3A CN113221701B (zh) | 2021-04-30 | 2021-04-30 | 一种基于方向预测的车道线轨道线识别方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113221701A CN113221701A (zh) | 2021-08-06 |
CN113221701B true CN113221701B (zh) | 2022-06-10 |
Family
ID=77090483
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110481095.3A Active CN113221701B (zh) | 2021-04-30 | 2021-04-30 | 一种基于方向预测的车道线轨道线识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113221701B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108171225A (zh) * | 2018-03-14 | 2018-06-15 | 海信集团有限公司 | 车道检测方法、装置、终端及存储介质 |
CN109241929A (zh) * | 2018-09-20 | 2019-01-18 | 北京海纳川汽车部件股份有限公司 | 自动驾驶车辆的车道线检测方法、装置及自动驾驶车辆 |
EP3525132A1 (en) * | 2018-02-13 | 2019-08-14 | KPIT Technologies Ltd. | System and method for lane detection |
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 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5906272B2 (ja) * | 2014-03-28 | 2016-04-20 | 富士重工業株式会社 | 車両用ステレオ画像処理装置 |
-
2021
- 2021-04-30 CN CN202110481095.3A patent/CN113221701B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3525132A1 (en) * | 2018-02-13 | 2019-08-14 | KPIT Technologies Ltd. | System and method for lane detection |
CN108171225A (zh) * | 2018-03-14 | 2018-06-15 | 海信集团有限公司 | 车道检测方法、装置、终端及存储介质 |
CN109241929A (zh) * | 2018-09-20 | 2019-01-18 | 北京海纳川汽车部件股份有限公司 | 自动驾驶车辆的车道线检测方法、装置及自动驾驶车辆 |
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 |
Non-Patent Citations (2)
Title |
---|
Ding Yong 等.Fast lane detection based on bird"s eye view and improved random sample consensus algorithm.《Springlink》.2017,22979-22998. * |
袁望方 等.基于机器视觉的车道偏离预警技术研究.《中国安全生产科学技术》.2019,73-78. * |
Also Published As
Publication number | Publication date |
---|---|
CN113221701A (zh) | 2021-08-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109919518B (zh) | 地图轨迹匹配数据的质量确定方法、装置、服务器及介质 | |
US20210302585A1 (en) | Smart navigation method and system based on topological map | |
US11415993B2 (en) | Method and apparatus for processing driving reference line, and vehicle | |
CN114119676B (zh) | 基于多特征信息融合的目标检测跟踪识别方法和*** | |
CN113835102B (zh) | 车道线生成方法和装置 | |
CN114842450A (zh) | 一种可行驶区域检测方法、装置及设备 | |
CN113866743B (zh) | 一种用于车路协同感知的路侧激光点云精简方法和*** | |
JP2012160165A (ja) | ベースライン帯域ビデオ監視システムおよび方法 | |
CN113392794B (zh) | 车辆跨线识别方法、装置、电子设备和存储介质 | |
CN114648654A (zh) | 一种融合点云语义类别和距离的聚类方法 | |
CN112507852A (zh) | 一种车道线识别方法、装置、设备及存储介质 | |
CN114092909A (zh) | 一种车道线提取方法、装置、车辆及存储介质 | |
CN113221701B (zh) | 一种基于方向预测的车道线轨道线识别方法及装置 | |
CN107862873B (zh) | 一种基于相关匹配和状态机的车辆计数方法及装置 | |
CN113920158A (zh) | 跟踪模型的训练与交通对象跟踪方法、装置 | |
CN117152071A (zh) | 一种基于自动驾驶车辆的路面坑槽检测方法和装置 | |
CN111192216A (zh) | 一种车道线平滑处理方法及*** | |
CN114179805B (zh) | 一种行驶方向确定方法、装置、设备以及存储介质 | |
CN114677570B (zh) | 道路信息更新方法、装置、电子设备以及存储介质 | |
CN110363834B (zh) | 一种点云数据的分割方法和装置 | |
CN115965927B (zh) | 一种路面信息提取方法、装置、电子设备及可读存储介质 | |
CN116434166A (zh) | 目标区域的识别方法、装置、设备和存储介质 | |
CN116558540A (zh) | 模型训练方法和装置、轨迹生成方法和装置 | |
CN118212604A (zh) | 一种2d车道线检测方法、装置及电子设备 | |
CN117740014A (zh) | 导航指引线生成方法、设备及计算机可读存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |