CN113297878A - 道路交叉口识别方法、装置、计算机设备和存储介质 - Google Patents
道路交叉口识别方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN113297878A CN113297878A CN202010110375.9A CN202010110375A CN113297878A CN 113297878 A CN113297878 A CN 113297878A CN 202010110375 A CN202010110375 A CN 202010110375A CN 113297878 A CN113297878 A CN 113297878A
- Authority
- CN
- China
- Prior art keywords
- street view
- intersection
- view image
- boundary
- identification
- 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 61
- 238000005452 bending Methods 0.000 claims abstract description 57
- 230000011218 segmentation Effects 0.000 claims abstract description 39
- 238000013145 classification model Methods 0.000 claims description 21
- 230000015654 memory Effects 0.000 claims description 21
- 238000004590 computer program Methods 0.000 claims description 13
- 238000013527 convolutional neural network Methods 0.000 claims description 9
- 238000013507 mapping Methods 0.000 claims description 9
- 238000012216 screening Methods 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 3
- 230000037361 pathway Effects 0.000 claims 3
- 230000002093 peripheral effect Effects 0.000 abstract description 6
- 238000012545 processing Methods 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 12
- 241000283070 Equus zebra Species 0.000 description 7
- 230000006870 function Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 230000003993 interaction Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- 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
- G06V20/50—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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Traffic Control Systems (AREA)
- Image Analysis (AREA)
Abstract
本申请提出一种道路交叉口识别方法、装置、计算机设备和存储介质，涉及图像处理技术领域，其中，方法包括：获取街景图像，对街景图像采用语义分割模型进行识别，以从街景图像中确定车辆行驶区域，根据车辆行驶区域的边界弯曲程度，识别街景图像中是否包含道路交叉口，以实现可以准确识别道路交叉口和交叉口的周边信息，同时还可以根据每张图像的GPS信息，确定道路交叉口的位置，而由于没有采用昂贵的雷达等设备，也降低了道路交叉口识别的成本，解决现有技术中道路交叉口检测方法成本较高，道路交叉口检测准确度较低同时也无法获取道路交叉口的周边信息的技术问题。
Description
技术领域
本申请涉及人工智能技术领域，尤其涉及一种图像处理技术领域，具体涉及一种道路交叉口识别方法、装置、计算机设备和存储介质。
背景技术
随着城市道路越来越复杂，以及智能手机的快速普及，手机导航软件已经成为用户出行必备的工具。其中，地图数据是地图导航的基础和核心。随着城市道路建设加快以及用户对地图数据的准确率要求也越来越严格，更加准确和快速的采集城市道路的信息变得尤为重要。
地图数据中的道路以路口为牵引点，描述了路口周围道路的通行性。道路路口的描述是地图数据和道路导航的重要组成部分。从而，在采集道路信息过程中，道路路口的检测非常重要。
相关技术中通常使用以下方式检测路口：(1)结合激光测距仪、激光雷达和单目相机采集的数据进行检测，但是，激光测距仪等设备价格昂贵，检测***复杂，成本比较高，而且不能检测较远的道路交叉口。(2)使用车辆GPS聚集信息检测道路交叉口，但是这种道路交叉口检测方式，需要被检测的道路能获取大量的GPS数据，而GPS稀疏的道路，则无法准确检测出道路交叉口和路口周边信息。
发明内容
本申请旨在至少在一定程度上解决相关技术中的技术问题之一。
为此，本申请的第一个目的在于提出一种道路交叉口识别方法，通过对顺序采集的多帧街景图像进行语义分割识别，确定车辆行驶区域，基于车辆行驶区域的边界弯曲程度识别街景图像中是否包含交叉口，以实现可以准确识别道路交叉口和交叉口的周边信息，同时还可以根据每张图像的GPS信息，确定道路交叉口的位置，而由于没有采用昂贵的雷达等设备，也降低了道路交叉口识别的成本，解决现有技术中道路交叉口检测方法成本较高，道路交叉口检测准确度较低同时也无法获取道路交叉口的周边信息的技术问题。
本申请的第二个目的在于提出一种道路交叉口识别装置。
本申请的第三个目的在于提出一种计算机设备。
本申请的第四个目的在于提出一种非临时性计算机可读存储介质。
为达上述目的，本申请第一方面实施例提出了一种道路交叉口识别方法，包括：
获取街景图像；
对所述街景图像采用语义分割模型进行识别，以从所述街景图像中确定车辆行驶区域；
根据所述车辆行驶区域的边界弯曲程度，识别所述街景图像中是否包含道路交叉口。
为达上述目的，本申请第二方面实施例提出了一种道路交叉口识别装置，包括：
获取模块，用于获取街景图像；
分割模块，用于对所述街景图像采用语义分割模型进行识别，以从所述街景图像中确定车辆行驶区域；
识别模块，用于根据所述车辆行驶区域的边界弯曲程度，识别所述街景图像中是否包含道路交叉口。
为达上述目的，本申请第三方面实施例提出了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时，实现如第一方面所述的道路交叉口识别方法。
为达上述目的，本申请第四方面实施例提出了一种非临时性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，实现如第一方面所述的道路交叉口识别方法。
本申请实施例所提供的技术方案可以包含如下的有益效果：
获取街景图像，对街景图像采用语义分割模型进行识别，以从街景图像中确定车辆行驶区域，根据车辆行驶区域的边界弯曲程度，识别街景图像中是否包含道路交叉口，以实现可以准确识别道路交叉口和交叉口的周边信息，同时还可以根据每张图像的GPS信息，确定道路交叉口的位置，而由于没有采用昂贵的雷达等设备，也降低了道路交叉口识别的成本，解决现有技术中道路交叉口检测方法成本较高，道路交叉口检测准确度较低同时也无法获取道路交叉口的周边信息的技术问题。
本申请附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本申请的实践了解到。
附图说明
本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
图1为本申请实施例所提供的一种道路交叉口识别方法的流程示意图；
图2为本申请提供的连续的多帧街景图像的示意图；
图3为本申请实施例提供的街景图像进行语义分割后的示意图；
图4为本申请实施例提供的另一种道路交叉口识别方法的流程示意图；
图5为本申请实施例提供的一种边界弯曲程度确定的示意图；
图6为本申请实施例提供的另一种边界弯曲程度确定的示意图；
图7为本申请提供的又一种道路交叉口识别方法的流程示意图；
图8为本申请提供的根据边界弯曲程度筛选街景图像的示意图；
图9为本申请提供的交叉口位置交通对象识别结果的示意图；
图10为本申请实施例提供的一种道路交叉口识别装置的结构示意图；以及
图11器本申请实施例的道路交叉口识别方法的电子设备的框图。
具体实施方式
下面详细描述本申请的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本申请，而不能理解为对本申请的限制。
下面参考附图描述本申请实施例的道路交叉口识别方法、装置、计算机设备和存储介质。
图1为本申请实施例所提供的一种道路交叉口识别方法的流程示意图。
如图1所示，该方法包括以下步骤：
步骤101，获取街景图像。
其中，街景图像为顺序采集的多帧图像。
具体地，街景图像是由驾驶员驾驶道路信息采集车辆，通过采集车辆上设置的摄像机采集的，街景图像中的道路包含各种信息，比如道路交叉口、斑马线、红绿灯、电子眼等。
图2为本申请提供的连续的多帧街景图像的示意图，图2中示出了采集车载行驶时采集的街景图像的连续轨迹图，共6张，按照采集顺序进行顺序编号为1，2，3，4，5和6。而实际采集过程中，连续采集的多帧图像的数量可以依据具体情况设定，本实施例中不作限定。
步骤102，对街景图像采用语义分割模型进行识别，以从街景图像中确定车辆行驶区域。
作为一种可能的实现方式，将采集的街景图像输入训练好的语义分割模型，语义分割模型对各个街景图像以像素为单位进行语义分割，将代表相同类别的像素进行合并，最终输出的语义分割后的图像中可以清晰的识别出街景图像中包含的建筑物、车辆、道路上的栅栏、路沿、行驶路面等，以确定出街景图像中车辆行驶区域。
图3为本申请实施例提供的街景图像进行语义分割后的示意图，图3是对图2对应的连续的多帧街景图像进行语义分割后得到的，如图3所示，编号5的街景图像中标示了该街景图像中进行语义分割后识别出的多个分类，包含天空、建筑物、车道线、斑马线、地面箭头和行驶路面，图3中不同的灰度代表语义分割得到的不同的分类，为了更加清楚的说明，以图3中标示为5的街景图为例，用箭头具体指示分割到的不同分类，其中，每一个箭头指示语义分割得到的一个分类，然而，实际应用中，可以识别出更多的分类，此处仅示意性列出，并不构成对本实施例中语义分割得到的结果的限制。
步骤103，根据车辆行驶区域的边界弯曲程度，识别街景图像中是否包含道路交叉口。
具体地，针对每一帧街景图像，提取识别特征，其中，识别特征包括相应街景图像中车辆行驶区域的边界弯曲程度，以及包括与相邻街景图像的边界弯曲程度的差异信息，将提取的识别特征输入分类模型，由于分类模型已学习得到识别特征与道路交叉口识别结果之间的映射关系，从而根据分类模型可以识别相应街景图像中是否包含道路交叉口。
进一步，由于采集车采集到的道路连续的街景图像，还具有对应的地理位置信息，其中，地理位置信息为GPS信息。每张街景图像都有对应的GPS信息，从而在识别得到包含道路交叉口的街景图像后，将包含道路交叉口的街景图像的GPS位置即为道路交叉口的GPS位置，实现了在确定道路交叉口的同时，确定了道路交叉口的位置信息，并可以将确定的道路交叉口和位置信息添加到地理信息的数据库中，实现了对地理信息数据库的更新。
本申请实施例的道路交叉口识别方法中，通过摄像机获取街景图像，对街景图像采用语义分割模型进行识别，以从街景图像中确定车辆行驶区域，根据车辆行驶区域的边界弯曲程度，识别街景图像中是否包含道路交叉口，以实现可以准确识别道路交叉口和交叉口的周边信息，同时还可以根据每张图像的GPS信息，确定道路交叉口的位置，而由于没有采用昂贵的激光测距仪和激光雷达等设备，也降低了道路交叉口识别的成本。
基于上一实施例，本实施例提供了一种道路交叉口识别方法的可能的实现方式，说明了在通过语义分割模型确定街景图像中车辆行驶区域后，如何确定行驶区域的各个边界点处的边界弯曲程度。图4为本申请实施例提供的另一种道路交叉口识别方法的流程示意图。
如图4所示，步骤102之后，还可以包括以下步骤：
步骤401，确定车辆行驶区域的边界弯曲程度。
本实施例中针对确定边界点处的弯曲程度，提供了以下两种可能的实现方式。
作为一种可能的实现方式，对车辆行驶区域中的每一个边界点，确定以相应边界点作为角点的识别框，根据识别框中属于车辆行驶区域的像素点个数，确定相应边界点处的边界弯曲程度。这是因为，车辆行驶区域边界弯曲程度越大，以相应边界点作为角点的识别框中包含的行驶区域的像素个数越大。通过语义分割模型进行识别后，能找到图像中所有行驶区域的边界像素点，之后针对每一个边界像素点，画一个M*N的识别框，M和N为大于1的自然数，进而，统计各个识别框中包含的行驶区域的像素点个数，像素点个数的多少指示了相应边界处的边界弯曲程度，其中，相应识别框中包含的行驶区域的像素点个数越多，对应的边界点的边界弯曲程度则越大。例如，如图5所示，标识为4的图中的识别框中包含的行驶区域的像素点的个数，小于标识为5的街景图像中的边界点对应的识别框中包含的行驶区域的像素点的个数，也就是说标识为4的图中的标识框对应的边界弯曲程度小于标识为5的图中的标识框对应的边界弯曲程度。
作为另一种可能的实现方式，对车辆行驶区域中的多个边界点分组，其中，每一组中包含相邻排布的固定个数的边界点，对同一组内的边界点拟合，得到拟合直线，对每一组边界点，根据对应拟合直线与相邻拟合直线之间的夹角，确定组内各边界点处的边界弯曲程度。例如，如图6中所示，地面的灰色部分，对应车辆行驶区域，对车辆行驶区域中的多个边界点分组，例如，以20个边界点为一组，按照垂直方向，如从上到下，按照水平方向，如从左到右的顺序划分为多个组，并将同一组内的边界点拟合，得到对应的拟合直线，例如图6中右侧边界中字母a-d对应的白色箭头指示的多个拟合直线，当行驶区域的边界对应的拟合直线a和b指示方向基本一致时，则对应的边界比较平滑，即拟合直线a组和b组中各边界点处的边界弯曲程度较小。当向前到达拟合直线c和拟合直线d时，拟合直线c和拟合直线d指示的方向角度差别较大，也就是说拟合直线c和拟合直线d之间的夹角较大，从而c组和d组内各边界点处的边界弯曲程度较大。
需要说明的是，图5中的边界点的识别框和图6中各分组的拟合直线仅为示意性的示出，并不构成对本实施例的限定。
本实施例的道路交叉口识别方法中，通过对连续的街景图像进行语义分割，识别得到车辆行驶区域中的边界点处的边界弯曲程度，可以确定各边界点处的边界弯曲程度，边界弯曲程度越大，则说明是道路交叉口的可能性越高，从而实现了将边界弯曲程度大于阈值的边界，确定为街景图像中包含的道路交叉口，实现了基于边界处的弯曲程度进行路口的识别，提高了识别的准确度。
基于上述实施例，本实施例提供了一种道路交叉口识别方法的可能的实现方式，说明了为了提高了道路交叉口识别的准确度，根据连续的多帧街景图像的边界弯曲程度，交叉路口周边呈现的交通对象，以及相邻街景图像间的差异信息，通过多种识别特征间的相互作用，提高识别街景图像中是否包含道路交叉口的准确性。图7为本申请提供的又一种道路交叉口识别方法的流程示意图。
如图7所示，步骤103可以包含如下子步骤：
步骤1031，对顺序采集的多帧街景图像筛选，以保留边界弯曲程度最大值大于设定阈值的部分街景图像。
上述实施例中，确定了每一帧街景图像中，各个边界点的弯曲程度，本实施例中，将每帧街景图像中各边界点的边界弯曲程度最大值大于设定阈值的图像筛选出来，由于边界弯曲度越大，说明该图像中包含道路交叉口的可能性越大，因此可将边界弯曲程度最大值大于设定阈值的部分街景图像作为可能包含道路交叉口的候选街景图像，以降低后续步骤中利用分类模型进行道路交叉口识别的运算量，提高道路交叉口识别的效率和准确率。
需要理解的，弯曲程度的设定阈值较小，以实现将可能包含道路交叉口的街景图像召回，作为街景图像中是否包含道路交叉路口的初步识别。而后续步骤中会根据确定的识别特征进一步对街景图像中是否包含道路交叉路口的准确识别。
如图8中所示，采用边界点识别框包含的行驶区域像素点个数的方式确定边界点的弯曲程度。其中，编号为1,2,3和6的街景图像中，行驶区域的边界都比较平滑，也就是说各边界点的边界弯曲程度最大值都不大于设定阈值，而编号为4和5的街景图像中，存在行驶区域的边界的明显弯曲，也就是说各边界点的边界弯曲程度的最大值大于设定阈值，从而将编号为4和5的街景图像筛选出来，作为可能包含道路交叉口的街景图像，通过后续的步骤进行进一步识别，以准确确定筛选出的街景图像中是否真正是包含道路交叉口，以提高道路交叉口识别的效率。
步骤1032，针对每一帧街景图像，提取识别特征。
具体地，对每一帧筛选得到的街景图像，从相应街景图像的车辆行驶区域中确定道路交叉口位置，其中，道路交叉口位置，是相应街景图像的车辆行驶区域中边界弯曲程度大于设定阈值的区段，这是因为边界弯曲程度越大的区域越有可能是交叉路口所处的区域，因此，可以将车辆行驶区域中边界弯曲程度大于设定阈值的区段作为道路交叉口位置。
进而，根据语义分割模型，确定每一个道路交叉口位置周边呈现的交通对象，其中，交通对象包括交通标线和交通分道设施，还可以包含交通信号灯、电子眼等，其中，交通标线，例如为斑马线，停止线等，交通分道设施，例如为车道线、标志标线等，如图9中所示，以图9中标示为图5的街景图像为例，通过语义分割模型后，识别得到的即为道路交叉口的左边包含了斑马线，左下方包含了停止线和标志标线－地面通行箭头。这是因为在非道路交叉口位置，行驶区域的周边呈现的一般是栅栏、路沿、建筑物等不可通行物体，而在道路交叉口位置，通常呈现的是斑马线、停止线和标志标线等，因此，将确定的道路交叉口位置周边呈现的交通对象作为一种识别特征，可以提高道路交叉口识别的准确性，同时，也确定了识别得到的道路交叉口与周围呈现的交通对象的对应关系，增加了识别得到的道路交叉口包含的信息。对每一帧街景图像，将道路交叉口周边呈现的交通对象、车辆行驶区域的边界弯曲程度，以及与相邻街景图像中交通对象的差异信息、与相邻街景图像中边界弯曲程度的差异信息，作为相应街景图像的识别特征。
步骤1033，将提取的识别特征输入分类模型，以识别相应街景图像中是否包含道路交叉口。
具体地，将上述提取到的识别特征输入分类模型中，由于分类模型已学习得到识别特征与道路交叉口识别结果之间的映射关系，因此，可以准确识别出包含道路交叉口的街景图像，同时由于识别特征中还包含了道路交叉口周边呈现的交通对象，因此，在识别出包含道路交叉口的街景图像后，还可以得到包含道路交叉口的街景图像中包含的交通对象，例如，图5对应的街景图像中是包含道路交叉口的图像，同时识别出道路交叉口的左边包含了斑马线，左下方包含了停止线和标志标线(地面通行箭头)，实现了不仅准确识别出街景图像中包含的道路交叉路口，还获取到了道路交叉路口周围包含的交通对象，提高了后续创建的导航地图信息的丰富性。
进一步为了提高分类模型识别的准确性，可选地，识别特征还包括卷积神经网络根据输入的街景图像识别出的道路交叉口概率，其中，卷积神经网络已学习得到街景图像的识别特征，与道路交叉口概率之间的映射关系。
进一步，针对每一个街景图像，基于上述的识别特征，采用训练得到的分类模型，对相应的街景图像是否包含道路交叉口进行预测打分，即进行街景图像中是否包含道路交叉口的识别，其中，分类模型进行识别时采用的计算公式为：
Si＝f(Ri，Di，Vi，Ti)，其中，C为根据语义分割模型确定的相应街景图中车辆行驶区域中道路交叉口位置的所有边界点作为角点的识别框，Ri为相应的每一个边界点对应的识别框周围的交通对象，以及边界弯曲程度，Di为相邻街景图像中交通对象的差异信息，以及与相邻街景图像中边界弯曲程度的差异信息。Vi表示卷积神经网络输出的道路交叉口概率。Ti为道路交叉口的属性特征，这部分特征可以从已有的数据库中抽取，如果道路交叉口的属性特征在数据库中不存在，可以设置为默认值。f(*)为rank函数，是通过有监督训练得到的分类模型，例如梯度提升迭代决策树(Gradient Boosting Decision Tree，GBDT)模型等，通过增加识别特征，提高了分类模型识别的准确度。
本实施例的道路交叉口识别方法中，在确定街景图像中的车辆行驶区域后，对顺序采集的多帧街景图像筛选，以保留边界弯曲程度最大值大于设定阈值的部分街景图像，实现了初步筛选出包含道路交叉口的街景图像，进而，对筛选出的可能包含道路交叉口的图像提取识别特征，并将识别特征中包含的道路交叉口周边呈现的交通对象、车辆行驶区域的边界弯曲程度，以及与相邻街景图像中交通对象的差异信息、与相邻街景图像中边界弯曲程度的差异信息，输入到分类模型中，利用分类模型准确识别出包含道路交叉口的街景图像，同时由于识别特征中还包含了道路交叉口周边呈现的交通对象。
基于上一实施例，作为一种可能的实现方式，识别特征还可以包括车辆行驶区域的面积、车辆行驶区域中包含的车道数和车辆行驶区域所在路段的道路等级中的一个或多个组合，也就是说，增加了识别特征，使得识别特征，不仅包含上一实施例中包含的道路交叉口周边呈现的交通对象、车辆行驶区域的边界弯曲程度，以及与相邻街景图像中交通对象的差异信息、与相邻街景图像中边界弯曲程度的差异信息的特征，还包含了车辆行驶区域的面积、车辆行驶区域中包含的车道数和车辆行驶区域所在路段的道路等级中的一个或多个组合，通过增加输入分类模型中的识别特征，可以提高道路交叉口识别的准确性。
为了实现上述实施例，本申请还提出一种道路交叉口识别装置。
图10为本申请实施例提供的一种道路交叉口识别装置的结构示意图。
如图10所示，该装置包括：获取模块91、分割模块92和识别模块93。
获取模块91，用于获取街景图像。
分割模块92，用于对街景图像采用语义分割模型进行识别，以从街景图像中确定车辆行驶区域。
识别模块93，用于根据车辆行驶区域的边界弯曲程度，识别街景图像中是否包含道路交叉口。
进一步地，在本申请实施例的一种可能的实现方式中，作为一种可能的实现方式，该装置，还包括：确定模块。
作为第一种可能的实现方式，确定模块，用于对车辆行驶区域中的每一个边界点，确定以相应边界点作为角点的识别框；根据识别框中属于车辆行驶区域的像素点个数，确定相应边界点处的边界弯曲程度。
作为第二种可能的实现方式，确定模块，还用于对车辆行驶区域中的多个边界点分组，其中，每一组中包含相邻排布的固定个数的边界点；对同一组内的边界点拟合，得到拟合直线；对每一组边界点，根据对应拟合直线与相邻拟合直线之间的夹角，确定组内各边界点处的边界弯曲程度。
作为一种可能的实现方式，街景图像为顺序采集的多帧，上述识别模块93，包括：
提取单元，用于针对每一帧街景图像，提取识别特征；其中，识别特征包括相应街景图像中车辆行驶区域的边界弯曲程度，以及包括与相邻街景图像的边界弯曲程度的差异信息。
识别单元，用于将提取的识别特征输入分类模型，以识别相应街景图像中是否包含道路交叉口，其中，分类模型已学习得到识别特征与道路交叉口识别结果之间的映射关系。
作为一种可能的实现方式，上述识别模块93，还包括：
筛选单元，用于对顺序采集的多帧街景图像筛选，以保留边界弯曲程度最大值大于设定阈值的部分街景图像。
作为一种可能的实现方式，上述提取单元，具体用于：
对每一帧街景图像，从相应街景图像的车辆行驶区域中确定道路交叉口位置；其中，道路交叉口位置，是相应街景图像的车辆行驶区域中边界弯曲程度大于设定阈值的区段，根据语义分割模型，确定每一个道路交叉口位置周边呈现的交通对象，对每一帧街景图像，将道路交叉口周边呈现的交通对象、车辆行驶区域的边界弯曲程度，以及与相邻街景图像中交通对象的差异信息、与相邻街景图像中边界弯曲程度的差异信息，作为相应街景图像的识别特征。
作为一种可能的实现方式，交通对象包括交通标线和交通分道设施。
作为一种可能的实现方式，识别特征还包括车辆行驶区域的面积、车辆行驶区域中包含的车道数和所述车辆行驶区域所在路段的道路等级中的一个或多个组合。
作为一种可能的实现方式，识别特征还包括卷积神经网络根据输入的街景图像识别出的道路交叉口概率，其中，卷积神经网络已学习得到街景图像的识别特征，与道路交叉口概率之间的映射关系。
需要说明的是，前述对道路交叉口识别方法实施例的解释说明也适用于该实施例的道路交叉口识别装置，原理相同，此处不再赘述。
本申请实施例的道路交叉口识别装置中，通过摄像机获取街景图像，对街景图像采用语义分割模型进行识别，以从街景图像中确定车辆行驶区域，根据车辆行驶区域的边界弯曲程度，识别街景图像中是否包含道路交叉口，以实现可以准确识别道路交叉口和交叉口的周边信息，同时还可以根据每张图像的GPS信息，确定道路交叉口的位置，而由于没有采用昂贵的激光测距仪和激光雷达等设备，也降低了道路交叉口识别的成本。
为了实现上述实施例，本申请实施例提出了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时，实现如前述方法实施例所述的道路交叉口识别方法。
为了实现上述实施例，本申请实施例提出了一种非临时性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，实现如前述方法实施例所述的道路交叉口识别方法。
根据本申请的实施例，本申请还提供了一种电子设备和一种可读存储介质。
如图11所示，是根据本申请实施例的道路交叉口识别方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本申请的实现。
如图11所示，该电子设备包括：一个或多个处理器1001、存储器1002，以及用于连接各部件的接口，包括高速接口和低速接口。各个部件利用不同的总线互相连接，并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理，包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如，耦合至接口的显示设备)上显示GUI的图形信息的指令。在其它实施方式中，若需要，可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样，可以连接多个电子设备，各个设备提供部分必要的操作(例如，作为服务器阵列、一组刀片式服务器、或者多处理器***)。图11中以一个处理器1001为例。
存储器1002即为本申请所提供的非瞬时计算机可读存储介质。其中，所述存储器存储有可由至少一个处理器执行的指令，以使所述至少一个处理器执行本申请所提供的道路交叉口识别方法。本申请的非瞬时计算机可读存储介质存储计算机指令，该计算机指令用于使计算机执行本申请所提供的道路交叉口识别方法。
存储器1002作为一种非瞬时计算机可读存储介质，可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块，如本申请实施例中的道路交叉口识别方法对应的程序指令/模块(例如，附图10所示的获取模块91、分割模块92和识别模块93)。处理器1001通过运行存储在存储器1002中的非瞬时软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例中的道路交叉口识别方法道。
存储器1002可以包括存储程序区和存储数据区，其中，存储程序区可存储操作***、至少一个功能所需要的应用程序；存储数据区可存储根据对道路交叉口识别方法的电子设备的使用所创建的数据等。此外，存储器1002可以包括高速随机存取存储器，还可以包括非瞬时存储器，例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中，存储器1002可选包括相对于处理器1001远程设置的存储器，这些远程存储器可以通过网络连接至道路交叉口识别方法的电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
道路交叉口识别方法的电子设备还可以包括：输入装置1003和输出装置1004。处理器1001、存储器1002、输入装置1003和输出装置1004可以通过总线或者其他方式连接，图11中以通过总线连接为例。
输入装置1003可接收输入的数字或字符信息，以及产生与道路交叉口识别方法的电子设备的用户设置以及功能控制有关的键信号输入，例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置1004可以包括显示设备、辅助照明装置(例如，LED)和触觉反馈装置(例如，振动电机)等。该显示设备可以包括但不限于，液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中，显示设备可以是触摸屏。
此处描述的***和技术的各种实施方式可以在数字电子电路***、集成电路***、专用ASIC(专用集成电路)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程***上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储***、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储***、该至少一个输入装置、和该至少一个输出装置。
这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令，并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的，术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如，磁盘、光盘、存储器、可编程逻辑装置(PLD))，包括，接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
为了提供与用户的交互，可以在计算机上实施此处描述的***和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的***和技术实施在包括后台部件的计算***(例如，作为数据服务器)、或者包括中间件部件的计算***(例如，应用服务器)、或者包括前端部件的计算***(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的***和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算***中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将***的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。
计算机***可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。
根据本申请实施例的技术方案，获取街景图像，对街景图像采用语义分割模型进行识别，以从街景图像中确定车辆行驶区域，根据车辆行驶区域的边界弯曲程度，识别街景图像中是否包含道路交叉口，以实现可以准确识别道路交叉口和交叉口的周边信息，同时还可以根据每张图像的GPS信息，确定道路交叉口的位置，而由于没有采用昂贵的激光测距仪和激光雷达等设备，也降低了道路交叉口识别的成本。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本申请公开的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本申请保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等，均应包含在本申请保护范围之内。
Claims (20)
1.一种道路交叉口识别方法，其特征在于，所述方法包括：
获取街景图像；
对所述街景图像采用语义分割模型进行识别，以从所述街景图像中确定车辆行驶区域；
根据所述车辆行驶区域的边界弯曲程度，识别所述街景图像中是否包含道路交叉口。
2.根据权利要求1所述的道路交叉口识别方法，其特征在于，所述街景图像为顺序采集的多帧；所述根据所述车辆行驶区域的边界弯曲程度，识别所述街景图像中是否包含道路交叉口，包括：
针对每一帧所述街景图像，提取识别特征；其中，所述识别特征包括相应街景图像中所述车辆行驶区域的边界弯曲程度，以及包括与相邻街景图像的边界弯曲程度的差异信息；
将提取的所述识别特征输入分类模型，以识别相应街景图像中是否包含道路交叉口；其中，所述分类模型已学习得到识别特征与道路交叉口识别结果之间的映射关系。
3.根据权利要求2所述的道路交叉口识别方法，其特征在于，所述针对每一帧所述街景图像，提取识别特征之前，还包括：
对顺序采集的多帧街景图像筛选，以保留边界弯曲程度最大值大于设定阈值的部分街景图像。
4.根据权利要求2所述的道路交叉口识别方法，其特征在于，所述针对每一帧所述街景图像，提取识别特征，包括：
对每一帧所述街景图像，从相应街景图像的车辆行驶区域中确定道路交叉口位置；其中，所述道路交叉口位置，是相应街景图像的所述车辆行驶区域中边界弯曲程度大于所述设定阈值的区段；
根据所述语义分割模型，确定每一个所述道路交叉口位置周边呈现的交通对象；
对每一帧所述街景图像，将所述道路交叉口周边呈现的交通对象、所述车辆行驶区域的边界弯曲程度，以及与相邻街景图像中交通对象的差异信息、与相邻街景图像中所述边界弯曲程度的差异信息，作为相应街景图像的识别特征。
5.根据权利要求4所述的道路交叉口识别方法，其特征在于，所述交通对象包括交通标线和交通分道设施。
6.根据权利要求2所述的道路交叉口识别方法，其特征在于，所述识别特征还包括所述车辆行驶区域的面积、所述车辆行驶区域中包含的车道数和所述车辆行驶区域所在路段的道路等级中的一个或多个组合。
7.根据权利要求2所述的道路交叉口识别方法，其特征在于，所述识别特征还包括卷积神经网络根据输入的街景图像识别出的道路交叉口概率；
其中，所述卷积神经网络已学习得到所述街景图像的识别特征，与所述道路交叉口概率之间的映射关系。
8.根据权利要求1-7任一项所述的道路交叉口识别方法，其特征在于，所述对所述街景图像采用语义分割模型进行识别，以从所述街景图像中确定车辆行驶区域之后，包括：
对所述车辆行驶区域中的每一个边界点，确定以相应边界点作为角点的识别框；
根据所述识别框中属于车辆行驶区域的像素点个数，确定相应边界点处的边界弯曲程度。
9.根据权利要求1-7任一项所述的道路交叉口识别方法，其特征在于，所述对所述街景图像采用语义分割模型进行识别，以从所述街景图像中确定车辆行驶区域之后，包括：
对所述车辆行驶区域中的多个边界点分组，其中，每一组中包含相邻排布的固定个数的边界点；
对同一组内的边界点拟合，得到拟合直线；
对每一组边界点，根据对应拟合直线与相邻拟合直线之间的夹角，确定组内各边界点处的边界弯曲程度。
10.一种道路交叉口识别装置，其特征在于，所述装置包括：
获取模块，用于获取街景图像；
分割模块，用于对所述街景图像采用语义分割模型进行识别，以从所述街景图像中确定车辆行驶区域；
识别模块，用于根据所述车辆行驶区域的边界弯曲程度，识别所述街景图像中是否包含道路交叉口。
11.根据权利要求10所述的道路交叉口识别装置，其特征在于，所述街景图像为顺序采集的多帧；所述识别模块，包括：
提取单元，用于针对每一帧所述街景图像，提取识别特征；其中，所述识别特征包括相应街景图像中所述车辆行驶区域的边界弯曲程度，以及包括与相邻街景图像的边界弯曲程度的差异信息；
识别单元，用于将提取的所述识别特征输入分类模型，以识别相应街景图像中是否包含道路交叉口；其中，所述分类模型已学习得到识别特征与道路交叉口识别结果之间的映射关系。
12.根据权利要求11所述的道路交叉口识别装置，其特征在于，所述识别模块，还包括：
筛选单元，用于对顺序采集的多帧街景图像筛选，以保留边界弯曲程度最大值大于设定阈值的部分街景图像。
13.根据权利要求11所述的道路交叉口识别装置，其特征在于，所述提取单元，具体用于：
对每一帧所述街景图像，从相应街景图像的车辆行驶区域中确定道路交叉口位置；其中，所述道路交叉口位置，是相应街景图像的所述车辆行驶区域中边界弯曲程度大于所述设定阈值的区段；
根据所述语义分割模型，确定每一个所述道路交叉口位置周边呈现的交通对象；
对每一帧所述街景图像，将所述道路交叉口周边呈现的交通对象、所述车辆行驶区域的边界弯曲程度，以及与相邻街景图像中交通对象的差异信息、与相邻街景图像中所述边界弯曲程度的差异信息，作为相应街景图像的识别特征。
14.根据权利要求13所述的道路交叉口识别装置，其特征在于，所述交通对象包括交通标线和交通分道设施。
15.根据权利要求11所述的道路交叉口识别装置，其特征在于，所述识别特征还包括所述车辆行驶区域的面积、所述车辆行驶区域中包含的车道数和所述车辆行驶区域所在路段的道路等级中的一个或多个组合。
16.根据权利要求11所述的道路交叉口识别装置，其特征在于，所述识别特征还包括卷积神经网络根据输入的街景图像识别出的道路交叉口概率；
其中，所述卷积神经网络已学习得到所述街景图像的识别特征，与所述道路交叉口概率之间的映射关系。
17.根据权利要求10-16任一项所述的道路交叉口识别装置，其特征在于，所述装置，还包括：
确定模块，用于对所述车辆行驶区域中的每一个边界点，确定以相应边界点作为角点的识别框；根据所述识别框中属于车辆行驶区域的像素点个数，确定相应边界点处的边界弯曲程度。
18.根据权利要求10-16任一项所述的道路交叉口识别装置，其特征在于，所述确定模块，还用于：
对所述车辆行驶区域中的多个边界点分组，其中，每一组中包含相邻排布的固定个数的边界点；对同一组内的边界点拟合，得到拟合直线；对每一组边界点，根据对应拟合直线与相邻拟合直线之间的夹角，确定组内各边界点处的边界弯曲程度。
19.一种计算机设备，其特征在于，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时，实现如权利要求1-9中任一所述的道路交叉口识别方法。
20.一种非临时性计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-9中任一所述的道路交叉口识别方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010110375.9A CN113297878B (zh) | 2020-02-21 | 2020-02-21 | 道路交叉口识别方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010110375.9A CN113297878B (zh) | 2020-02-21 | 2020-02-21 | 道路交叉口识别方法、装置、计算机设备和存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113297878A true CN113297878A (zh) | 2021-08-24 |
| CN113297878B CN113297878B (zh) | 2023-12-08 |
Family
ID=77317671
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010110375.9A Active CN113297878B (zh) | 2020-02-21 | 2020-02-21 | 道路交叉口识别方法、装置、计算机设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113297878B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113865610A (zh) * | 2021-09-30 | 2021-12-31 | 北京百度网讯科技有限公司 | 用于生成导航信息的方法、装置、设备、介质和产品 |
| WO2023179030A1 (zh) * | 2022-03-24 | 2023-09-28 | 商汤集团有限公司 | 一种道路边界检测方法、装置、电子设备、存储介质和计算机程序产品 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102908154A (zh) * | 2012-11-07 | 2013-02-06 | 北京工业大学 | 一种基于机器视觉的驾驶员启动反应时间的检测方法 |
| CN103162691A (zh) * | 2011-12-13 | 2013-06-19 | 爱信艾达株式会社 | 显示***、显示方法及显示程序 |
| CN103954277A (zh) * | 2014-04-30 | 2014-07-30 | 百度在线网络技术（北京）有限公司 | 检测兴趣点位置的方法及装置 |
| CN104422458A (zh) * | 2013-08-30 | 2015-03-18 | 深圳富泰宏精密工业有限公司 | 车载导航***及方法 |
| US20150153735A1 (en) * | 2013-12-04 | 2015-06-04 | Mobileye Vision Technologies Ltd. | Systems and methods for detecting and responding to traffic laterally encroaching upon a vehicle |
| CN109147331A (zh) * | 2018-10-11 | 2019-01-04 | 青岛大学 | 一种基于计算机视觉的道路拥堵状态检测方法 |
| CN109582993A (zh) * | 2018-06-20 | 2019-04-05 | 长安大学 | 城市交通场景图像理解与多视角群智优化方法 |
| CN110170148A (zh) * | 2019-05-13 | 2019-08-27 | 苏州米龙信息科技有限公司 | 一种具有娱乐交互功能的间歇式训练***及方法 |
-
2020
- 2020-02-21 CN CN202010110375.9A patent/CN113297878B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103162691A (zh) * | 2011-12-13 | 2013-06-19 | 爱信艾达株式会社 | 显示***、显示方法及显示程序 |
| CN102908154A (zh) * | 2012-11-07 | 2013-02-06 | 北京工业大学 | 一种基于机器视觉的驾驶员启动反应时间的检测方法 |
| CN104422458A (zh) * | 2013-08-30 | 2015-03-18 | 深圳富泰宏精密工业有限公司 | 车载导航***及方法 |
| US20150153735A1 (en) * | 2013-12-04 | 2015-06-04 | Mobileye Vision Technologies Ltd. | Systems and methods for detecting and responding to traffic laterally encroaching upon a vehicle |
| CN103954277A (zh) * | 2014-04-30 | 2014-07-30 | 百度在线网络技术（北京）有限公司 | 检测兴趣点位置的方法及装置 |
| CN109582993A (zh) * | 2018-06-20 | 2019-04-05 | 长安大学 | 城市交通场景图像理解与多视角群智优化方法 |
| CN109147331A (zh) * | 2018-10-11 | 2019-01-04 | 青岛大学 | 一种基于计算机视觉的道路拥堵状态检测方法 |
| CN110170148A (zh) * | 2019-05-13 | 2019-08-27 | 苏州米龙信息科技有限公司 | 一种具有娱乐交互功能的间歇式训练***及方法 |
Non-Patent Citations (1)
| Title |
|---|
| 李观石 等: "基于MMS街景的导航数据采集方法研究", 《现代测绘》, vol. 36, no. 01, pages 44 - 46 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113865610A (zh) * | 2021-09-30 | 2021-12-31 | 北京百度网讯科技有限公司 | 用于生成导航信息的方法、装置、设备、介质和产品 |
| WO2023179030A1 (zh) * | 2022-03-24 | 2023-09-28 | 商汤集团有限公司 | 一种道路边界检测方法、装置、电子设备、存储介质和计算机程序产品 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113297878B (zh) | 2023-12-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111709328B (zh) | 车辆跟踪方法、装置及电子设备 | |
| CN112560609B (zh) | 路况预估方法、建立路况预估模型的方法及对应装置 | |
| CN111797187B (zh) | 地图数据的更新方法、装置、电子设备和存储介质 | |
| CN111695488B (zh) | 兴趣面识别方法、装置、设备以及存储介质 | |
| US20180124319A1 (en) | Method and apparatus for real-time traffic information provision | |
| US20210209395A1 (en) | Method, electronic device, and storage medium for recognizing license plate | |
| CN111275983B (zh) | 车辆追踪方法、装置、电子设备和计算机可读存储介质 | |
| CN111611955B (zh) | 可通行施工道路的识别方法、装置、设备及存储介质 | |
| CN112507949A (zh) | 目标跟踪方法、装置、路侧设备以及云控平台 | |
| CN111950537B (zh) | 斑马线信息获取方法、地图更新方法、装置及*** | |
| CN111767831B (zh) | 用于处理图像的方法、装置、设备及存储介质 | |
| CN113283272B (zh) | 道路拥堵的实时影像信息提示方法、装置和电子设备 | |
| CN113091757B (zh) | 地图生成方法和装置 | |
| CN114443794A (zh) | 数据处理和地图更新方法、装置、设备以及存储介质 | |
| CN113297878B (zh) | 道路交叉口识别方法、装置、计算机设备和存储介质 | |
| CN111597986B (zh) | 用于生成信息的方法、装置、设备和存储介质 | |
| CN111950345A (zh) | 摄像头的识别方法、装置、电子设备和存储介质 | |
| CN111985457A (zh) | 交通设施损坏识别方法、装置、设备和存储介质 | |
| CN115661522A (zh) | 一种基于视觉语义矢量的车辆导引方法、***、设备和介质 | |
| CN113011298B (zh) | 截断物体样本生成、目标检测方法、路侧设备和云控平台 | |
| CN111442775B (zh) | 道路的识别方法、装置、电子设备及可读存储介质 | |
| CN111325811B (zh) | 一种车道线数据的处理方法及处理装置 | |
| CN114724113B (zh) | 道路标牌识别方法、自动驾驶方法、装置和设备 | |
| CN113361303A (zh) | 临时交通标志牌识别方法、装置及设备 | |
| CN115063765A (zh) | 一种道路边界线确定方法、装置、设备及存储介质 |
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 |