CN113313047B - 一种基于车道结构先验的车道线检测方法及*** - Google Patents
一种基于车道结构先验的车道线检测方法及*** Download PDFInfo
- Publication number
- CN113313047B CN113313047B CN202110654503.0A CN202110654503A CN113313047B CN 113313047 B CN113313047 B CN 113313047B CN 202110654503 A CN202110654503 A CN 202110654503A CN 113313047 B CN113313047 B CN 113313047B
- Authority
- CN
- China
- Prior art keywords
- lane
- lane line
- image
- weight
- graph
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 30
- 238000000034 method Methods 0.000 claims abstract description 20
- 230000009466 transformation Effects 0.000 claims abstract description 15
- 239000013598 vector Substances 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 10
- 238000005070 sampling Methods 0.000 claims description 10
- 238000000605 extraction Methods 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 7
- 241000791900 Selene vomer Species 0.000 claims description 3
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims description 2
- 238000010586 diagram Methods 0.000 abstract description 9
- 230000011218 segmentation Effects 0.000 abstract description 6
- 238000005286 illumination Methods 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 15
- 238000012549 training Methods 0.000 description 3
- 235000004522 Pentaglottis sempervirens Nutrition 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 240000004050 Pentaglottis sempervirens Species 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method 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
- G06V20/56—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
- G06F18/24—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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Multimedia (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于车道结构先验的车道线检测方法及***,其方法包括:S1:对前视交通图像进行归一化处理,得到车道线图像;S2:将车道线图像经过编码‑解码网络,得到车道线特征图;根据车道线特征图得到前向车道权值图及其车道线关键点坐标;基于前向车道权值图关键点坐标构建车道线关键点约束损失函数;经透视变换得到俯视车道权值图,并构建平行结构约束损失函数;S3:将关键点坐标与俯视车道权值图连接得到三元图像;S4:将三元图像进行最小二次拟合,并根据预先定义的车道线个数,得到车道线曲线参数。本发明解决了基于分割方法难以进行结构约束的问题,提升遮挡、强光照场景下车道检测精度,提升车道线推理准确度和车道参数的相关性。
Description
技术领域
本发明涉及自动驾驶领域,具体涉及一种基于车道结构先验的车道线检测方法及***。
背景技术
车道线作为路面最主要的指示信息之一,它可以有效地引导车辆在约束的道路区域内行驶,可用于汽车定位、车道偏移检测和轨迹规划,因此准确地检测出路面的车道线是实现自动驾驶的基础。在高精地图尚未普及的当下。车道线检测算法大多是基于图像实现的。
车道线检测任务面临着诸多困难,如车道线缺损和遮挡,光照变化剧烈,车道线数量不确定,车道线类型多样,车道固有的细小狭长的特性、以及实时算法要求等众多难题。这使得车道线检测任务极富有挑战性。车道作为限制车辆在道路上行驶的重要线索,实现准确、稳定、快速的完成车道线检测对于自动驾驶汽车投入实际使用有非常重大的意义。
车道线本身通常在场景中是连续的,而且不同车道线之间,一般存在平行关系。在车载前视摄像头成像过程,平行车道线通常汇聚到同一个消失点。但现有的基于分割的车道线检验方法,由于得到的是像素级的分割结果,从任务描述上就很难进行结构上约束。现有方法由于缺少结构先验知识,难以满足对车道线检测的精度要求。
发明内容
为了解决上述技术问题,本发明提供一种基于车道结构先验的车道线检测方法及***。
本发明技术解决方案为:一种基于车道结构先验的车道线检测方法,包括:
步骤S1:根据车载前视摄像头得到的前视交通图像,进行数据归一化处理,得到车道线图像;
步骤S2:将所述车道线图像经过编码-解码网络进行特征提取,得到车道线特征图;将所述车道线特征图进行上采样,得到与所述车道线图像大小相同的前向车道权值图,并通过计算权重的期望值,得到每条所述车道线的逐行关键点坐标;根据所述关键点坐标,利用车道线关键点约束损失函数和透视变换,得到俯视车道权值图,并构建平行结构约束损失函数,以使得最终车道线满足相互平行以及连续的结构先验;
步骤S3:将所述关键点坐标与所述俯视车道权值图进行连接,得到三元图像;其中,所述三元图像的每一个像素点包含其位置坐标以及相应的权值;
步骤S4:将所述三元图像进行最小二次拟合,并根据预先定义的车道线个数,得到所述车道线曲线参数。
本发明与现有技术相比,具有以下优点:
1、本发明公开了一种基于车道结构先验的车道线检测方法,引入基于车道关键点向量损失约束,解决了基于分割方法难以进行结构约束的问题,提升遮挡、强光照场景下车道检测精度。
2、本发明公开的方法,还引入了基于车道线平行结构的损失约束,提升车道线推理准确度,和车道参数的相关性。
附图说明
图1为本发明实施例中一种基于车道结构先验的车道线检测方法的流程图;
图2为本发明实施例中一种基于车道结构先验的车道线检测方法中步骤S2:将车道线图像经过编码-解码网络进行特征提取,得到车道线特征图;将车道线特征图进行上采样,得到与车道线图像大小相同的前向车道权值图,并通过计算权重的期望值,得到每条车道线的逐行关键点坐标;根据关键点坐标,利用车道线关键点约束损失函数和透视变换,得到俯视车道权值图,并构建平行结构约束损失函数,以使得最终车道线满足相互平行以及连续的结构先验的流程图;
图3A为本发明实施例中车道线标注图像示意图;
图3B为本发明实施例中为添加关键点约束后得到的车道线关键点图像示意图;
图4A为本发明实施例中原始前视车道线图像示意图;
图4B为本发明实施例中经过关键点约束得到连续的车道线图像示意图;
图5A为本发明实施例中原始前向车道线图像示意图;
图5B为本发明实施例中车道数据标注示意图;
图5C为本发明实施例中经透视变换后的平行车道图像示意图;
图6为本发明实施例中车道线平行结构约束示意图;
图7为本发明实施例中一种基于车道结构先验的车道线检测***的结构框图。
具体实施方式
本发明提供了一种基于车道结构先验的车道线检测方法,解决了基于分割方法难以进行结构约束的问题,提升遮挡、强光照场景下车道检测精度,并提升车道线推理准确度,和车道参数的相关性。
为了使本发明的目的、技术方案及优点更加清楚,以下通过具体实施,并结合附图,对本发明进一步详细说明。
实施例一
如图1所示,本发明实施例提供的一种基于车道结构先验的车道线检测方法,包括下述步骤:
步骤S1:根据车载前视摄像头得到的前视交通图像,进行数据归一化处理,得到车道线图像;
步骤S2:将车道线图像经过编码-解码网络进行特征提取,得到车道线特征图;将车道线特征图进行上采样,得到与车道线图像大小相同的前向车道权值图,并通过计算权重的期望值,得到每条车道线的逐行关键点坐标;根据关键点坐标,利用车道线关键点约束损失函数和透视变换,得到俯视车道权值图,并构建平行结构约束损失函数,以使得最终车道线满足相互平行以及连续的结构先验;
步骤S3:将关键点坐标与俯视车道权值图进行连接,得到三元图像;其中,三元图像的每一个像素点包含其位置坐标以及相应的权值;
步骤S4:将三元图像进行最小二次拟合,并根据预先定义的车道线个数,得到车道线曲线参数。
在一个实施例中,上述步骤S1:根据车载前视摄像头得到的前视交通图像,进行数据归一化处理,得到车道线图像,具体包括:
根据车载前视摄像头得到的前视交通图像,通过对前视交通图像进行求均值和方差的归一化处理,得到车道线图像。
实际生活中,车道线大多都是相互平行的。但通过相机成像后,在相机图像平面,车道线之间平行关系不再成立,而是汇集于同一个消失点。因此,需要通过下述步骤,得到鸟瞰视角下呈现相互平行的位置关系的车道线。
如图2所示,在一个实施例中,上述步骤S2:将车道线图像经过编码-解码网络进行特征提取,得到车道线特征图;将车道线特征图进行上采样,得到与车道线图像大小相同的前向车道权值图,并通过计算权重的期望值,得到每条车道线的逐行关键点坐标;根据关键点坐标,利用车道线关键点约束损失函数和透视变换,得到俯视车道权值图,并构建平行结构约束损失函数,以使得最终车道线满足相互平行以及连续的结构先验,具体包括:
S21:将车道线图像经过编码-解码网络进行特征提取,得到车道线特征图;将车道线特征图经过上采样,得到与车道线图像大小相同的前向车道权值图;
将车道线图像经过编码-解码网络中的编码器的多层卷积神经网络的叠加,不断扩大感知域,得到一系列尺寸不断减小的,不同尺度的车道线特征图;在经过编码-解码网络中的解码器,利用转置卷积层逐步将车道线特征图进行上采样,直至得到与输入车道线图像大小相同的前向车道权值图,该前向车道权值图描述了对应位置像素点属于车道线的可能性。同时,通过逐行计算权重的期望值,得到每条车道线的逐行关键点坐标。本发明实施例中所用编码-解码网络可根据客观硬件条件选择轻量化网络实现,也可以通过对较深的网络的特征通道层数进行裁剪,实现运行速度的提升。
S22:构建车道线关键点约束损失函数如下述公式(1)~(2),对前向权值图在预设行计算位置期望,得到分布在特定行上的关键点点集,并以关键点点集中任意两点作为向量的起始点和终点,构建向量集V;
Lk=Lo+βLs (1)
其中,a,b∈V,V为起点和终点均为关键点的所有向量组成的向量集;β为系数;Lo为原始车道线损失函数,Ls为新引入的结构约束;
由于车道线之间存在相互的空间位置关系,这对于人类判断来说是极其自然的。但是在机器学习中,如果样本出现遮挡、强光照等极端条件,那么深度学习算法则容易出现误检。因此,本方法实施例对前向权值图进行均匀行采样,计算每行的期望均值进而得到每条车道线的一组关键点,以减少误检的情况。
如图3A所示的车道线标注图像,图3B为车道线添加关键点向量约束后检测结果。在训练初期,车道线的关键点出现大幅度的偏差,经过训练的调整,可以将不同车道上的关键点的相对位置调整为合理的空间分布。同时,本发明实施例提出的车道线关键点约束可以使得单条车道线变得连续性更好。如图4A所示为原始前视车道线图像,使用以上约束进行数据测试时,可以有效检测出连续车道的形状,如图4B所示。
S23:根据下述公式(3)~(5)对前向车道权值图进行透视变换处理,得到俯视车道权值图;
其中,(u,v)是前向车道权值图的像素坐标,(x',y')是透视变换后的俯视车道权值图的像素坐标,aij为矩阵系数;
为了求解变形矩阵的所有八个归一化参数,需要四对点,每对点都将提供两个独立的方程式。根据摄像头在车辆上安装的位置以及摄像头本身的参数确定aij,并选取合适的区域进行映射,得到的透视变换后的俯视车道权值图。
真实世界间的车道彼此平行,但是如图5A中所展示的前向车道线图像,不是平行的车道线,图5B为车道数据标注,图5C为在鸟瞰图视角下,经过本步骤的透视变换后的平行车道。
S24:基于俯视车道权值图,构建平行结构约束损失函数如下述公式(6):
Lf=Lk+αLp (6)
其中,Lk为引入关键点约束后的损失函数;Lp表示了不同车道曲线在平移到同一坐标原点后,在两条车道线共同存在的区域;α为系数;Lf表示引入平行结构约束后最终的损失函数。
本发明实施例使用二次方程定义一系列车道线,车道线相互平行,即指具有相同系数α的一系列曲线,在图像中具体表现为车道的曲率接近。图6中灰色区域即为Lp,表示了不同车道曲线在平移到同一坐标原点后,在两条车道线共同存在的区域。通过训练,最小化该面积,可以不断消除车道线之间的形状差异,以使得最终车道线满足相互平行以及连续的结构先验。
在一个实施例中,上述步骤S3:将关键点坐标与俯视车道权值图进行连接,得到三元图像;其中,三元图像的每一个像素点包含其位置坐标以及相应的权值。
将每个关键点坐标与上述得到的俯视车道权值图像进行连接,得到与原始图像大小相同的三通道图像,每一个关键点位置(x,y,w)包含了像素点的位置坐标以及相应的权值大小,其中,x,y为像素坐标,w为该像素的权值。
在一个实施例中,上述步骤S4:将三元图像进行最小二次拟合,并根据预先定义的车道线个数,得到车道线曲线参数,其中,将三元图像进行最小二次拟合,具体包括:
构建车道曲线拟合的线性方程组,如公式(7)所示:
Xβ=Y (7)
其中,X∈Rmxn,β∈Rnx1,Y∈Rmx1,可推导出公式(8):
其中,m>n,n-1为待拟合曲线最高次数,m为用于曲线拟合的点对(xi,yi)的个数,也即方程个数;β即为待求各阶次参数项前的系数值;
根据公式(9)确定一个近似解β:
根据公式(10)对X的伪逆进行求解:
β=(XTX)XTY (10)
公式(10)可以视为是权重矩阵为1的加权最小二次拟合;
当考虑一个对角权重矩阵W,则对公式(10)两边同时进行加权,则可以得到公式(11);
WXβ=WY (11)
令X'=WX,Y'=WY,对公式(11)进行简化,得到公式(12):
X'β=Y' (12)
经过上述步骤,最后输出车道线曲线参数。
本发明提出了一种基于车道结构先验的车道线检测方法,引入基于车道关键点向量损失约束,解决了基于分割方法难以进行结构约束的问题,提升遮挡、强光照场景下车道检测精度。本发明提出的方法,还引入了基于车道线平行结构的损失约束,可以提升车道线推理准确度,和车道参数的相关性。
实施例二
如图7所示,本发明实施例提供了一种基于车道结构先验的车道线检测***,包括下述模块:
获取车道线图像模块,用于根据车载前视摄像头得到的前视交通图像,进行数据归一化处理,得到车道线图像;
获取车道权值图模块,将车道线图像经过编码-解码网络进行特征提取,得到车道线特征图;将车道线特征图进行上采样,得到与车道线图像大小相同的前向车道权值图,并通过计算权重的期望值,得到每条车道线的逐行关键点坐标;根据关键点坐标,利用车道线关键点约束损失函数和透视变换,得到俯视车道权值图,并构建平行结构约束损失函数,以使得最终车道线满足相互平行以及连续结构先验;
获取三元图像模块,用于将关键点坐标与俯视车道权值图进行连接,得到三元图像;其中,三元图像的每一个像素点包含其位置坐标以及相应的权值;
获取车道线曲线参数模块,用于将三元图像进行最小二次拟合,并根据预先定义的车道线个数,得到车道线曲线参数。
提供以上实施例仅仅是为了描述本发明的目的,而并非要限制本发明的范围。本发明的范围由所附权利要求限定。不脱离本发明的精神和原理而做出的各种等同替换和修改,均应涵盖在本发明的范围之内。
Claims (3)
1.一种基于车道结构先验的车道线检测方法,其特征在于,包括:
步骤S1:根据车载前视摄像头得到的前视交通图像,进行数据归一化处理,得到车道线图像;
步骤S2:将所述车道线图像经过编码-解码网络进行特征提取,得到车道线特征图;将所述车道线特征图进行上采样,得到与所述车道线图像大小相同的前向车道权值图,并通过计算权重的期望值,得到每条所述车道线的逐行关键点坐标;根据所述关键点坐标,并以所述关键点为起止点,分别构建每条所述车道线的向量集,基于所述向量集的结构约束构建车道线关键点约束损失函数;对所述前向车道权值图进行透视变换,得到俯视车道权值图;基于所述俯视车道权值图,根据所述关键点约束损失函数构建平行结构约束损失函数,以使得最终车道线满足相互平行以及连续的结构先验,具体包括:
S21:将所述车道线图像经过编码-解码网络进行特征提取,得到车道线特征图;将所述车道线特征图经过上采样,得到与所述车道线图像大小相同的前向车道权值图;
S22:构建所述车道线关键点约束损失函数如下述公式(1)~(2),对前向权值图在预设行计算位置期望,得到分布在特定行上的关键点点集,并以所述关键点点集中任意两点作为向量的起始点和终点,构建向量集V;
Lk=Lo+βLs (1)
其中,a,b∈V,V为起点和终点均为所述关键点的所有向量组成的向量集;β为系数;Lo为原始车道线损失函数,Ls为新引入的结构约束,Lk为新构建的损失函数;
S23:根据下述公式(3)~(5)对所述前向车道权值图进行透视变换处理,得到俯视车道权值图;
其中,(u,v)是所述前向车道权值图的像素坐标,(x′,y′)是透视变换后的俯视车道权值图的像素坐标,aij为矩阵系数;
S24:基于所述俯视车道权值图,构建平行结构约束损失函数如下述公式(6):
Lf=Lk+αLp (6)
其中,Lk为引入关键点约束后的损失函数;Lp表示了不同车道曲线在平移到同一坐标原点后,在两条车道线共同存在的区域;α为系数;Lf表示引入平行结构约束后最终的损失函数;
步骤S3:将所述关键点坐标与所述俯视车道权值图进行连接,得到三元图像;其中,所述三元图像的每一个像素点包含其位置坐标以及相应的权值;
步骤S4:将所述三元图像进行最小二次拟合,并根据预先定义的车道线个数,得到所述车道线曲线参数。
2.根据权利要求1所述的基于车道结构先验的车道线检测方法,其特征在于,所述步骤S4中将所述三元图像进行最小二次拟合,具体包括:
构建车道曲线拟合的线性方程组,如公式(7)所示:
Xβ=Y (7)
其中,X∈Rmxn,β∈Rnx1,Y∈Rmx1,可推导出公式(8):
其中,m>n,n-1为待拟合曲线最高次数,m为用于曲线拟合的点对(xi,yi)的个数,也即方程个数;β即为待求各阶次参数项前的系数值;
根据公式(9)确定一个近似解β:
根据公式(10)对X的伪逆进行求解:
β=(XTX)XTY (10)
公式(10)可以视为是权重矩阵为1的加权最小二次拟合;
当考虑一个对角权重矩阵W,则对公式(10)两边同时进行加权,则可以得到公式(11);
WXβ=WY (11)
令X′=WX,Y′=WY,对公式(11)进行简化,得到公式(12):
X′β=Y′ (12)。
3.一种基于车道结构先验的车道线检测***,其特征在于,包括下述模块:
获取车道线图像模块,用于根据车载前视摄像头得到的前视交通图像,进行数据归一化处理,得到车道线图像;
获取车道权值图模块,将所述车道线图像经过编码-解码网络进行特征提取,得到车道线特征图;将所述车道线特征图进行上采样,得到与所述车道线图像大小相同的前向车道权值图,并通过计算权重的期望值,得到每条所述车道线的逐行关键点坐标;根据所述关键点坐标,并以所述关键点为起止点,分别构建每条所述车道线的向量集,基于所述向量集的结构约束构建车道线关键点约束损失函数;对所述前向车道权值图进行透视变换,得到俯视车道权值图;基于所述俯视车道权值图,根据所述关键点约束损失函数构建平行结构约束损失函数,以使得最终车道线满足相互平行以及连续的结构先验,具体包括:
S21:将所述车道线图像经过编码-解码网络进行特征提取,得到车道线特征图;将所述车道线特征图经过上采样,得到与所述车道线图像大小相同的前向车道权值图;
S22:构建所述车道线关键点约束损失函数如下述公式(1)~(2),对前向权值图在预设行计算位置期望,得到分布在特定行上的关键点点集,并以所述关键点点集中任意两点作为向量的起始点和终点,构建向量集V;
Lk=Lo+βLs (1)
其中,a,b∈V,V为起点和终点均为所述关键点的所有向量组成的向量集;β为系数;Lo为原始车道线损失函数,Ls为新引入的结构约束,Lk为新构建的损失函数;
S23:根据下述公式(3)~(5)对所述前向车道权值图进行透视变换处理,得到俯视车道权值图;
其中,(u,v)是所述前向车道权值图的像素坐标,(x′,y′)是透视变换后的俯视车道权值图的像素坐标,aij为矩阵系数;
S24:基于所述俯视车道权值图,构建平行结构约束损失函数如下述公式(6):
Lf=Lk+αLp (6)
其中,Lk为引入关键点约束后的损失函数;Lp表示了不同车道曲线在平移到同一坐标原点后,在两条车道线共同存在的区域;α为系数;Lf表示引入平行结构约束后最终的损失函数;
获取三元图像模块,用于将所述关键点坐标与所述俯视车道权值图进行连接,得到三元图像;其中,所述三元图像的每一个像素点包含其位置坐标以及相应的权值;
获取车道线曲线参数模块,用于将所述三元图像进行最小二次拟合,并根据预先定义的车道线个数,得到所述车道线曲线参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110654503.0A CN113313047B (zh) | 2021-06-11 | 2021-06-11 | 一种基于车道结构先验的车道线检测方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110654503.0A CN113313047B (zh) | 2021-06-11 | 2021-06-11 | 一种基于车道结构先验的车道线检测方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113313047A CN113313047A (zh) | 2021-08-27 |
CN113313047B true CN113313047B (zh) | 2022-09-06 |
Family
ID=77378531
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110654503.0A Active CN113313047B (zh) | 2021-06-11 | 2021-06-11 | 一种基于车道结构先验的车道线检测方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113313047B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113763483B (zh) * | 2021-09-10 | 2024-04-02 | 智道网联科技(北京)有限公司 | 行车记录仪俯仰角标定方法及装置 |
CN114677442B (zh) * | 2022-05-26 | 2022-10-28 | 之江实验室 | 一种基于序列预测的车道线检测***、装置和方法 |
CN115376082B (zh) * | 2022-08-02 | 2023-06-09 | 北京理工大学 | 一种融合传统特征提取与深度神经网络的车道线检测方法 |
CN115376091A (zh) * | 2022-10-21 | 2022-11-22 | 松立控股集团股份有限公司 | 一种利用图像分割辅助的车道线检测方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112016463A (zh) * | 2020-08-28 | 2020-12-01 | 佛山市南海区广工大数控装备协同创新研究院 | 一种基于深度学习的车道线检测方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
EP3673233A4 (en) * | 2018-04-18 | 2021-05-19 | Mobileye Vision Technologies Ltd. | VEHICLE ENVIRONMENT MODELING WITH A CAMERA |
-
2021
- 2021-06-11 CN CN202110654503.0A patent/CN113313047B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112016463A (zh) * | 2020-08-28 | 2020-12-01 | 佛山市南海区广工大数控装备协同创新研究院 | 一种基于深度学习的车道线检测方法 |
Non-Patent Citations (4)
Title |
---|
A Novel Structure Prior-based Loss Function for Lane Detection;Binhui Liu et al.;《2020 39th Chinese Control Conference(CCC)》;20200909;第5649-5653页 * |
End-to-end Lane Detection through Differentiable Least-Squares Fitting;Wouter Van Gansbeke et al.;《arXiv[cs.CV]》;20190905;第1-9页 * |
Ultra Fast Structure-aware Deep Lane Detection;Zequn Qin et al.;《arXiv[cs.CV]》;20200805;第1-16页 * |
张翔 等.道路结构特征下的车道线智能检测.《中国图象图形学报》.2021,第26卷(第01期),第123-134页. * |
Also Published As
Publication number | Publication date |
---|---|
CN113313047A (zh) | 2021-08-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113313047B (zh) | 一种基于车道结构先验的车道线检测方法及*** | |
CN112884760B (zh) | 近水桥梁多类型病害智能检测方法与无人船设备 | |
CN110569704B (zh) | 一种基于立体视觉的多策略自适应车道线检测方法 | |
CN104484648B (zh) | 基于轮廓识别的机器人可变视角障碍物检测方法 | |
CN109726627A (zh) | 一种神经网络模型训练及通用接地线的检测方法 | |
CN112613343B (zh) | 一种基于改进YOLOv4的河道废弃物监测方法 | |
CN111242026B (zh) | 一种基于空间层次感知模块和度量学习的遥感图像目标检测方法 | |
CN111046843A (zh) | 一种智能驾驶环境下的单目测距方法 | |
CN113592839B (zh) | 基于改进Faster RCNN的配网线路典型缺陷诊断方法及*** | |
CN112907573B (zh) | 一种基于3d卷积的深度补全方法 | |
CN116152068A (zh) | 一种可用于太阳能板图像的拼接方法 | |
CN116012817A (zh) | 基于双网络深度学习的实时全景车位检测方法、装置 | |
CN111951339A (zh) | 利用异构双目相机进行视差计算的图像处理方法 | |
CN111583342A (zh) | 一种基于双目视觉的目标快速定位方法及装置 | |
CN112884795A (zh) | 一种基于多特征显著性融合的输电线路巡检前景与背景分割方法 | |
CN117333846A (zh) | 恶劣天气下基于传感器融合和增量学习的检测方法及*** | |
CN115984360B (zh) | 一种基于图像处理的计算干滩长度的方法及*** | |
CN116385994A (zh) | 一种三维道路线提取方法及相关设备 | |
CN116071721A (zh) | 一种基于Transformer的高精地图实时预测方法和*** | |
CN116385347A (zh) | 一种基于变形分析的飞机蒙皮曲面图案视觉检测方法 | |
CN116189012A (zh) | 一种基于改进yolox的无人机地面小目标检测方法 | |
CN115035193A (zh) | 一种基于双目视觉与图像分割技术的散装粮随机扦样方法 | |
CN116128919A (zh) | 基于极线约束的多时相图像异动目标检测方法及*** | |
CN112069997B (zh) | 一种基于DenseHR-Net的无人机自主着陆目标提取方法及装置 | |
CN115018926A (zh) | 车载相机的俯仰角确定方法、装置、设备和存储介质 |
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 |