CN113408407B - 电子地图车道线修正方法、设备及计算机可读存储介质 - Google Patents
电子地图车道线修正方法、设备及计算机可读存储介质 Download PDFInfo
- Publication number
- CN113408407B CN113408407B CN202110673855.0A CN202110673855A CN113408407B CN 113408407 B CN113408407 B CN 113408407B CN 202110673855 A CN202110673855 A CN 202110673855A CN 113408407 B CN113408407 B CN 113408407B
- Authority
- CN
- China
- Prior art keywords
- point
- determining
- lane line
- line
- preset area
- 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
- 238000012937 correction Methods 0.000 title claims abstract description 63
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000010801 machine learning Methods 0.000 claims abstract description 13
- 238000012545 processing Methods 0.000 claims abstract description 8
- 238000001514 detection method Methods 0.000 claims description 24
- 238000003062 neural network model Methods 0.000 description 9
- 238000004590 computer program Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000007423 decrease Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10028—Range image; Depth image; 3D point clouds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Geometry (AREA)
- Traffic Control Systems (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本公开提供一种电子地图车道线修正方法、设备及计算机可读存储介质。本公开提供的技术方案包括:获取包括车道线的目标图像,利用机器学习模型对所述目标图像进行车道线的中心线识别处理,确定出参考线,所述参考线包括多个参考点,在所述目标图像中每个参考点对应的预设区域内确定修正点,并将所述参考点修正到所述修正点上,所述修正点的能量高于所述参考点的能量。由于该预设区域中能量越高的点,距离车道线的中心线越近,因此,经过上述修正后的参考线更接近于车道线的中心线,从而提高该电子地图中车道线的位置的精确度。
Description
本申请是申请号为CN201811286291.X,申请日为2018年10月31日,发明名称为《电子地图车道线修正方法、设备及计算机可读存储介质》的分案申请。
技术领域
本公开实施例涉及计算机技术领域,尤其涉及一种电子地图车道线修正方法、设备及计算机可读存储介质。
背景技术
当前在生成电子地图时,需要采集车道的图像信息,并通过人工对该图像信息中的车道线进行标注,通过人工标注出的大量的车道线进行机器学习,即将人工标注出的大量的车道线作为样本训练神经网络模型,使得训练好的神经网络模型可以识别车道线。
但是,人工标注出的车道线可能并不精准,也就是说,用于训练神经网络模型的样本可能是不精准的,从而导致训练好的神经网络模型无法准确的识别车道线,从而导致电子地图中车道线的位置并不精准。
发明内容
本公开实施例提供一种电子地图车道线修正方法、设备及计算机可读存储介质,以提高电子地图中车道线的位置的精确度。
第一方面,本公开实施例提供一种电子地图车道线修正方法,包括:
获取包括车道线的目标图像;
利用机器学习模型对所述目标图像进行车道线的中心线识别处理,确定出参考线,所述参考线包括多个参考点;
在所述目标图像中每个参考点对应的预设区域内确定修正点,并将所述参考点修正到所述修正点上,所述修正点的能量高于所述参考点的能量。
第二方面,本公开实施例提供一种电子地图车道线修正装置,包括:
获取模块,用于获取包括车道线的目标图像;
第一确定模块,用于利用机器学习模型对所述目标图像进行车道线的中心线识别处理,确定出参考线,所述参考线包括多个参考点;
第二确定模块,用于在所述目标图像中每个参考点对应的预设区域内确定修正点,所述修正点的能量高于所述参考点的能量;
修正模块,用于将所述参考点修正到所述修正点上。
第三方面,本公开实施例提供一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行第一方面中任一项所述的方法。
第四方面,本公开实施例提供一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行根据第一方面中任一项所述的方法。
第五方面,本公开实施例提供一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现根据第一方面任一项所述的方法。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
图1为本公开实施例提供的一种应用场景的示意图;
图2为本公开实施例提供的一种图像的示意图;
图3为本公开实施例提供的电子地图车道线修正方法流程图;
图4为本公开实施例提供的另一种图像的示意图;
图5为本公开另一实施例提供的电子地图车道线修正方法流程图;
图6为本公开实施例提供的另一种图像的示意图;
图7为本公开另一实施例提供的电子地图车道线修正方法流程图;
图8为本公开实施例提供的电子地图车道线修正装置的结构示意图;
图9为本公开实施例提供的电子地图车道线修正设备的结构示意图。
通过上述附图,已示出本公开明确的实施例,后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本公开构思的范围,而是通过参考特定实施例为本领域技术人员说明本公开的概念。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
本公开提供的电子地图车道线修正方法,可以适用于图1所示的应用场景。如图1所示,在生成电子地图例如高精度道路地图之前,需要采集车道的相关信息,一种实现方式是:车辆11中设置有拍摄设备和探测设备,该拍摄设备可以是相机,该探测设备具体可以是雷达和/或激光探测设备。车辆11在行驶的过程中,相机实时采集车道的图像信息,同时雷达和/或激光探测设备实时检测车道的三维点云。例如,该相机采集的车道的图像信息包括该车道旁边的限速牌12以及该车道中的车道线13,雷达和/或激光探测设备也可检测到限速牌12和车道线13对应的三维点云。用于生成高精度道路地图的设备例如计算机、服务器、终端设备等获取到该相机采集的车道的图像信息,以及雷达和/或激光探测设备检测到的车道的三维点云时,可根据相机采集的图像信息中的该限速牌12确定该车道的限速信息,根据该雷达和/或激光探测设备检测的车道线13的三维点云,确定该车道线13的位置信息,进一步,根据该车道的限速信息和该车道线13的位置信息,生成该车道对应的高精度道路地图。此处只是示意性说明,不限于根据该车道的限速信息和该车道线13的位置信息,生成该车道对应的高精度道路地图,还可以根据更多的车道信息来生成该该车道对应的高精度道路地图。
在实际车道中,车道线在车道中是具有一定宽度例如15cm的区域,该车道线可以是实线区域,也可以是虚线区域,以虚线区域为例,如图2所示,相机采集到的图像21中,车道线对应的是一个一个的区域22,在生成高精度道路地图时,需要以该车道线中心线的位置信息作为该车道线的位置信息,也就是说,需要确定该车道线中心线的位置信息,例如区域22的中心线23的位置信息。由于在生成高精度道路地图时,需要确定大量车道中车道线的位置信息,为了提高生成效率,通常是由人工标注图像中的车道线的中心线,以人工标注出的车道线的中心线为样本,采用机器学习的方式训练神经网络模型,以使该训练好的神经网络模型可以识别车道线的中心线。当获取到大量的车道线的图像信息时,由该训练好的神经网络模型识别车道线的中心线。但是,由于人工标注出的车道线的中心线可能并不精准,也就是说,人工标注出的车道线的中心线可能会偏离该车道线真实的中心线,从而导致训练出的神经网络模型不精准,导致该神经网络模型识别出的车道线的中心线更加偏离该车道线真实的中心线,最终导致生成出的高精度道路地图不够精准。为了解决该问题,本公开实施例提供了一种电子地图车道线修正方法,下面结合具体的实施例对该方法进行介绍。
下面以具体地实施例对本公开的技术方案以及本公开的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图,对本公开的实施例进行描述。
图3为本公开实施例提供的电子地图车道线修正方法流程图。本公开实施例针对现有技术的如上技术问题,提供了电子地图车道线修正方法,该方法具体步骤如下:
步骤301、获取包括车道线的目标图像。
可选的,所述获取包括车道线的目标图像,包括:获取探测设备检测到的包括所述车道线的车道的三维点云;将所述三维点云转换为二维点云;根据所述二维点云,确定所述目标图像。所述探测设备包括如下至少一种:雷达、激光探测设备。
例如,用于生成高精度道路地图的设备例如服务器可获取如图1所示的车辆11中探测设备检测到的车道线13的三维点云,例如,车辆11将该探测设备检测到的车道线13的三维点云实时发送给该服务器,该服务器进一步将三维点云转换为二维点云,并将该二维点云融合为底图,此处将该底图记为目标图像,车道线13在该目标图像中占有一定的区域。
步骤302、根据所述目标图像中所述车道线所占的区域,确定参考线,所述参考线用于标识所述车道线的中心线,所述参考线包括多个参考点。
可选的,所述根据所述目标图像中所述车道线所占的区域,确定参考线,包括:根据所述目标图像中所述车道线所占的区域,采用机器学习,确定所述参考线。
如图4所示,41表示该目标图像,42表示目标图像41中的车道线所占的区域,此处只是示意性说明,并不限定该目标图像41中车道线所占的区域42的形状,在一些实施例中,车道线所占的区域42可能是不规则的形状。根据目标图像41中车道线所占的区域42,采用机器学习,可确定出车道线的中心线,此处将采用机器学习确定出的车道线的中心线记为参考线,例如图4所示的参考线43。由于采用机器学习确定出的车道线的中心线不是该车道线真实的中心线,所以参考线43可能会偏离该车道线真实的中心线即区域42的中心线。可以理解,线是由无数个点构成的,同理,参考线43是由无数个参考点构成的,也就是说,参考线43上的点为参考点。如图4所示,44、45、46分别表示该参考线43上的任意参考点。
步骤303、根据所述多个参考点中每个参考点周围的预设区域的能量分布,确定所述预设区域中能量最高的点。
以参考点44为例,在参考点44的周围确定一个预设区域,该预设区域的大小可以是预设的,可选的,该预设区域至少包括车道线的部分上边缘和部分下边缘,如图4所示的预设区域47,此处不限定参考点44在该预设区域47中的位置,进一步,将预设区域47转换为能量图,该能量图中不同位置的亮度是不同的,亮度越高表示能量越高,可选的,该能量图中车道线所占的区域的亮度比其他部分的亮度高,也就是说,在预设区域47中,预设区域47和区域42重合的区域48的亮度比该预设区域47其余部分的亮度高。另外,在区域48内部不同位置的亮度也不同,可选的,区域48的中心线49所在位置的亮度最高,区域48内部越接近于区域42上下边缘部分的亮度越低,也就是说,从区域48的中心线49开始沿着箭头所示的方向,亮度逐渐减低。因此,区域48的中心线49上的点是预设区域47中最亮的点即能量最高的点。
同理,可以确定出参考线43上其他参考点例如参考点45或参考点46周围的预设区域中最亮的点,具体过程此处不再赘述。
步骤304、将所述多个参考点中的每个参考点修正到所述参考点周围的预设区域中能量最高的点上。
如图4所示,区域48的中心线49上的点是预设区域47中最亮的点,该预设区域47中最亮的点可以是车道线的中心线上的点,或者,该预设区域47中最亮的点是接近于该车道线的中心线的点。而参考点44是参考线43上的一个点,参考线43用于标识车道线的中心线,但参考线43偏离了车道线的中心线,也就是说,参考点44偏离了车道线的中心线。在确定出预设区域47中最亮的点后,可以将参考点44修正到该预设区域47中最亮的点上,也就是说,可以将参考点44修正到区域48的中心线49上的任一个点上,使得参考点44落在车道线的中心线上,或者使得参考点44接近于车道线的中心线。
本公开实施例通过目标图像中所述车道线所占的区域,确定用于标识车道线的中心线的参考线,该参考线可能会偏离于该车道线真实的中心线,进一步以该参考线上每个参考点周围的预设区域的能量分布,确定该预设区域中能量最高的点,由于该预设区域中能量最高的点是车道线的中心线上的点,或者,该预设区域中能量最高的点是接近于该车道线的中心线的点,因此,将多个参考点中的每个参考点修正到该参考点周围的预设区域中能量最高的点上,可使得该参考线更接近于车道线的中心线,根据该参考线的位置信息生成电子地图时,可提高该电子地图中车道线的位置的精确度。
图5为本公开另一实施例提供的电子地图车道线修正方法流程图。在上述实施例的基础上,所述电子地图车道线修正方法具体包括如下步骤:
步骤501、获取包括车道线的目标图像。
步骤501与步骤301的实现方式和原理一致,此处不再赘述。
步骤502、根据所述目标图像中所述车道线所占的区域,确定参考线,所述参考线用于标识所述车道线的中心线,所述参考线包括多个参考点。
步骤502与步骤302的实现方式和原理一致,此处不再赘述。
步骤503、以所述多个参考点中的每个参考点为中心,确定所述参考点周围的预设区域的能量分布。
如图6所示,在图4的基础上,在确定参考点44周围的预设区域47时,可以将参考点44作为中心,确定以参考点44为中心的预设区域47,也就是说,参考点44是预设区域47的中心。
步骤504、根据所述参考点周围的预设区域的能量分布,确定所述预设区域中最亮的点。
根据预设区域47的能量分布,确定预设区域47中最亮的点的方法与上述实施例所述的方法一致,此处不再赘述。
步骤505、将所述多个参考点中的每个参考点修正到所述参考点周围的预设区域中最亮的点上。
例如,将参考点44修正到区域48的中心线49上的任一个点上,使得参考点44落在车道线的中心线上,或者使得参考点44接近于车道线的中心线。同理,将参考线上的其他参考点例如参考点45或参考点46修正到车道线的中心线上,或者修正到接近于车道线的中心线的位置。
本公开实施例通过目标图像中所述车道线所占的区域,确定用于标识车道线的中心线的参考线,该参考线可能会偏离于该车道线真实的中心线,进一步以该参考线上每个参考点周围的预设区域的能量分布,确定该预设区域中能量最高的点,由于该预设区域中能量最高的点是车道线的中心线上的点,或者,该预设区域中能量最高的点是接近于该车道线的中心线的点,因此,将多个参考点中的每个参考点修正到该参考点周围的预设区域中能量最高的点上,可使得该参考线更接近于车道线的中心线,根据该参考线的位置信息生成电子地图时,可提高该电子地图中车道线的位置的精确度。
图7为本公开另一实施例提供的电子地图车道线修正方法流程图。在上述实施例的基础上,所述电子地图车道线修正方法,具体包括如下步骤:
步骤701、获取包括车道线的目标图像。
步骤701与步骤301的实现方式和原理一致,此处不再赘述。
步骤702、根据所述目标图像中所述车道线所占的区域,确定参考线,所述参考线用于标识所述车道线的中心线,所述参考线包括多个参考点。
步骤702与步骤302的实现方式和原理一致,此处不再赘述。
步骤703、以所述多个参考点中的每个参考点为中心,确定所述参考点周围的预设区域的能量分布。
步骤703与步骤503的实现方式和原理一致,此处不再赘述。
步骤704、根据所述参考点的位置信息以及所述参考点周围的预设区域的能量分布,确定所述预设区域中距离所述参考点最近的最亮的点。
如图6所示,区域48的中心线49上的点是预设区域47中最亮的点,进一步,根据参考点44的位置信息和区域48的中心线49上的点的位置信息,可确定出区域48的中心线49上距离参考点44最近的最亮的点,可以理解,区域48的中心线49上距离参考点44最近的最亮的点是经过该参考点44垂直方向上和中心线49的交点60。
步骤705、将所述多个参考点中的每个参考点修正到所述参考点周围的预设区域中距离所述参考点最近的最亮的点上。
例如,将将参考点44修正到区域48的中心线49上距离参考点44最近的最亮的点60上。
本公开实施例通过目标图像中所述车道线所占的区域,确定用于标识车道线的中心线的参考线,该参考线可能会偏离于该车道线真实的中心线,进一步以该参考线上每个参考点周围的预设区域的能量分布,确定该预设区域中能量最高的点,由于该预设区域中能量最高的点是车道线的中心线上的点,或者,该预设区域中能量最高的点是接近于该车道线的中心线的点,因此,将多个参考点中的每个参考点修正到该参考点周围的预设区域中能量最高的点上,可使得该参考线更接近于车道线的中心线,根据该参考线的位置信息生成电子地图时,可提高该电子地图中车道线的位置的精确度。
图8为本公开实施例提供的电子地图车道线修正装置的结构示意图。本公开实施例提供的电子地图车道线修正装置可以执行电子地图车道线修正方法实施例提供的处理流程,如图8所示,电子地图车道线修正装置80包括:获取模块81、第一确定模块82、第二确定模块83和修正模块84;其中,获取模块81用于获取包括车道线的目标图像;第一确定模块82用于根据所述目标图像中所述车道线所占的区域,确定参考线,所述参考线用于标识所述车道线的中心线,所述参考线包括多个参考点;第二确定模块83用于根据所述多个参考点中每个参考点周围的预设区域的能量分布,确定所述预设区域中能量最高的点;修正模块84用于将所述多个参考点中的每个参考点修正到所述参考点周围的预设区域中能量最高的点上。
可选的,第二确定模块83具体用于:以所述多个参考点中的每个参考点为中心,确定所述参考点周围的预设区域的能量分布;根据所述参考点周围的预设区域的能量分布,确定所述预设区域中最亮的点;修正模块84具体用于:将所述多个参考点中的每个参考点修正到所述参考点周围的预设区域中最亮的点上。
可选的,第二确定模块83具体用于:根据所述参考点的位置信息以及所述参考点周围的预设区域的能量分布,确定所述预设区域中距离所述参考点最近的最亮的点;修正模块84具体用于:将所述多个参考点中的每个参考点修正到所述参考点周围的预设区域中距离所述参考点最近的最亮的点上。
可选的,第一确定模块82具体用于:根据所述目标图像中所述车道线所占的区域,采用机器学习,确定所述参考线。
可选的,获取模块81具体用于:获取探测设备检测到的包括所述车道线的车道的三维点云;将所述三维点云转换为二维点云;根据所述二维点云,确定所述目标图像。
可选的,所述探测设备包括如下至少一种:雷达、激光探测设备。
图8所示实施例的电子地图车道线修正装置可用于执行上述方法实施例的技术方案,其实现原理和技术效果类似,此处不再赘述。
图9为本公开实施例提供的电子地图车道线修正设备的结构示意图。本公开实施例提供的电子地图车道线修正设备可以执行电子地图车道线修正方法实施例提供的处理流程,如图9所示,电子地图车道线修正设备90包括:存储器91、处理器92、计算机程序和通讯接口93;其中,计算机程序存储在存储器91中,并被配置为由处理器92执行以下操作:获取包括车道线的目标图像;根据所述目标图像中所述车道线所占的区域,确定参考线,所述参考线用于标识所述车道线的中心线,所述参考线包括多个参考点;根据所述多个参考点中每个参考点周围的预设区域的能量分布,确定所述预设区域中能量最高的点;将所述多个参考点中的每个参考点修正到所述参考点周围的预设区域中能量最高的点上。
可选的,处理器92在根据所述多个参考点中每个参考点周围的预设区域的能量分布,确定所述预设区域中能量最高的点时,具体用于:以所述多个参考点中的每个参考点为中心,确定所述参考点周围的预设区域的能量分布;根据所述参考点周围的预设区域的能量分布,确定所述预设区域中最亮的点;处理器92在将所述多个参考点中的每个参考点修正到所述参考点周围的预设区域中能量最高的点上时,具体用于:将所述多个参考点中的每个参考点修正到所述参考点周围的预设区域中最亮的点上。
可选的,处理器92在根据所述参考点周围的预设区域的能量分布,确定所述预设区域中最亮的点时,具体用于:根据所述参考点的位置信息以及所述参考点周围的预设区域的能量分布,确定所述预设区域中距离所述参考点最近的最亮的点;处理器92在将所述多个参考点中的每个参考点修正到所述参考点周围的预设区域中最亮的点上时,具体用于:将所述多个参考点中的每个参考点修正到所述参考点周围的预设区域中距离所述参考点最近的最亮的点上。
可选的,处理器92在根据所述目标图像中所述车道线所占的区域,确定参考线时,具体用于:根据所述目标图像中所述车道线所占的区域,采用机器学习,确定所述参考线。
可选的,处理器92在获取包括车道线的目标图像时,具体用于:获取探测设备检测到的包括所述车道线的车道的三维点云;将所述三维点云转换为二维点云;根据所述二维点云,确定所述目标图像。在一些实施例中,处理器92可通过通讯接口93接收所述探测设备发送的所述三维点云。
可选的,所述探测设备包括如下至少一种:雷达、激光探测设备。
图9所示实施例的电子地图车道线修正设备可用于执行上述方法实施例的技术方案,其实现原理和技术效果类似,此处不再赘述。
另外,本实施例还提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行以实现上述实施例所述的电子地图车道线修正方法。
在本公开所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,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信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所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。
另外,在本公开各个实施例中的各功能单元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,也可以采用硬件加软件功能单元的形式实现。
上述以软件功能单元的形式实现的集成的单元,可以存储在一个计算机可读取存储介质中。上述软件功能单元存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)或处理器(processor)执行本公开各个实施例所述方法的部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
本领域技术人员可以清楚地了解到,为描述的方便和简洁,仅以上述各功能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模块完成,即将装置的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。上述描述的装置的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
最后应说明的是:以上各实施例仅用以说明本公开的技术方案,而非对其限制;尽管参照前述各实施例对本公开进行了详细的说明,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,或者对其中部分或者全部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公开各实施例技术方案的范围。
Claims (16)
1.一种电子地图车道线修正方法,包括:
获取包括车道线的目标图像;
利用机器学习模型对所述目标图像进行车道线的中心线识别处理,确定出参考线,所述参考线包括多个参考点;
在所述目标图像中确定每个参考点对应的预设区域;确定所述预设区域的能量分布;根据所述预设区域的能量分布,在所述预设区域内确定修正点,并将所述参考点修正到所述修正点上,所述修正点的能量高于所述参考点的能量。
2.根据权利要求1所述的方法,其中,根据所述预设区域的能量分布,在所述预设区域内确定所述修正点,包括:
确定所述预设区域内能量最高的点;
若所述能量最高的点对应的能量高于所述参考点的能量,则将所述能量最高的点确定为所述修正点。
3.根据权利要求2所述的方法,其中,确定所述预设区域内能量最高的点,包括:
在所述预设区域内确定至少一个候选点,所述候选点为所述预设区域内亮度最高的点;
将所述至少一个候选点中距离所述参考点最近的候选点,确定为所述能量最高的点。
4.根据权利要求1-3任一项所述的方法,其中,所述预设区域以所述参考点为中心。
5.根据权利要求4所述的方法,其中,所述预设区域包括所述车道线的部分第一边缘和部分第二边缘,所述第一边缘和所述第二边缘是沿所述车道线长度延伸方向的边缘。
6.根据权利要求1-3、5任一项所述的方法,其中,所述获取包括车道线的目标图像,包括:
获取探测设备检测到的包括所述车道线的车道的三维点云;
将所述三维点云转换为二维点云;
根据所述二维点云,确定所述目标图像。
7.根据权利要求6所述的方法,其中,所述探测设备包括如下至少一种:
雷达、激光探测设备。
8.一种电子地图车道线修正装置,包括:
获取模块,用于获取包括车道线的目标图像;
第一确定模块,用于利用机器学习模型对所述目标图像进行车道线的中心线识别处理,确定出参考线,所述参考线包括多个参考点;
第二确定模块,用于在所述目标图像中确定每个参考点对应的预设区域;确定所述预设区域的能量分布;根据所述预设区域的能量分布,在所述预设区域内确定修正点,所述修正点的能量高于所述参考点的能量;
修正模块,用于将所述参考点修正到所述修正点上。
9.根据权利要求8所述的装置,其中,所述第二确定模块具体用于:
确定所述预设区域内能量最高的点;
若所述能量最高的点对应的能量高于所述参考点的能量,则将所述能量最高的点确定为所述修正点。
10.根据权利要求9所述的装置,其中,所述第二确定模块具体用于:
在所述预设区域内确定至少一个候选点,所述候选点为所述预设区域内亮度最高的点;
将所述至少一个候选点中距离所述参考点最近的候选点,确定为所述能量最高的点。
11.根据权利要求8-10任一项所述的装置,其中,所述预设区域以所述参考点为中心。
12.根据权利要求11所述的装置,其中,所述预设区域包括所述车道线的部分第一边缘和部分第二边缘,所述第一边缘和所述第二边缘是沿所述车道线长度延伸方向的边缘。
13.根据权利要求8-10、12任一项所述的装置,其中,所述获取模块具体用于:
获取探测设备检测到的包括所述车道线的车道的三维点云;
将所述三维点云转换为二维点云;
根据所述二维点云,确定所述目标图像。
14.根据权利要求13所述的装置,其中,所述探测设备包括如下至少一种:
雷达、激光探测设备。
15.一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-7中任一项所述的方法。
16.一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行根据权利要求1-7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110673855.0A CN113408407B (zh) | 2018-10-31 | 2018-10-31 | 电子地图车道线修正方法、设备及计算机可读存储介质 |
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110673855.0A CN113408407B (zh) | 2018-10-31 | 2018-10-31 | 电子地图车道线修正方法、设备及计算机可读存储介质 |
CN201811286291.XA CN109636820B (zh) | 2018-10-31 | 2018-10-31 | 电子地图车道线修正方法、设备及计算机可读存储介质 |
Related Parent Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811286291.XA Division CN109636820B (zh) | 2018-10-31 | 2018-10-31 | 电子地图车道线修正方法、设备及计算机可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113408407A CN113408407A (zh) | 2021-09-17 |
CN113408407B true CN113408407B (zh) | 2023-06-23 |
Family
ID=66067023
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110673855.0A Active CN113408407B (zh) | 2018-10-31 | 2018-10-31 | 电子地图车道线修正方法、设备及计算机可读存储介质 |
CN201811286291.XA Active CN109636820B (zh) | 2018-10-31 | 2018-10-31 | 电子地图车道线修正方法、设备及计算机可读存储介质 |
Family Applications After (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811286291.XA Active CN109636820B (zh) | 2018-10-31 | 2018-10-31 | 电子地图车道线修正方法、设备及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (2) | CN113408407B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110120084A (zh) * | 2019-05-23 | 2019-08-13 | 广东星舆科技有限公司 | 一种生成车道线及道路面的方法 |
CN110530398B (zh) * | 2019-08-30 | 2021-02-02 | 北京三快在线科技有限公司 | 一种电子地图精度检测的方法及装置 |
CN110539306B (zh) * | 2019-09-06 | 2021-06-22 | 广东利元亨智能装备股份有限公司 | 工件贴合方法及设备 |
CN113160396B (zh) * | 2020-01-23 | 2024-03-29 | 宝马股份公司 | 建立地图模型的方法、生成实时地图的方法和地图*** |
CN114705180B (zh) * | 2022-06-06 | 2023-03-24 | 中汽创智科技有限公司 | 高精地图的数据修正方法、装置、设备及存储介质 |
CN114724379A (zh) * | 2022-06-08 | 2022-07-08 | 中汽创智科技有限公司 | 数据处理方法、装置、设备及存储介质 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102314599A (zh) * | 2011-10-11 | 2012-01-11 | 东华大学 | 一种车道识别偏离检测方法 |
Family Cites Families (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4374211B2 (ja) * | 2002-08-27 | 2009-12-02 | クラリオン株式会社 | レーンマーカー位置検出方法及びレーンマーカー位置検出装置並びに車線逸脱警報装置 |
JP2007104171A (ja) * | 2005-10-03 | 2007-04-19 | Omron Corp | 前方監視装置 |
JP2007128141A (ja) * | 2005-11-01 | 2007-05-24 | Hitachi Software Eng Co Ltd | 道路画像中の道路車線数を決定するシステム及び方法 |
JP5733196B2 (ja) * | 2011-12-22 | 2015-06-10 | アイシン・エィ・ダブリュ株式会社 | レーン案内表示システム、方法およびプログラム |
JP5792678B2 (ja) * | 2012-06-01 | 2015-10-14 | 株式会社日本自動車部品総合研究所 | 車線境界線検出装置およびプログラム |
CN103605977B (zh) * | 2013-11-05 | 2017-01-18 | 奇瑞汽车股份有限公司 | 一种车道线的提取方法及装置 |
CN103903019B (zh) * | 2014-04-11 | 2017-12-15 | 北京工业大学 | 一种多车道车辆轨迹时空图的自动生成方法 |
US9721471B2 (en) * | 2014-12-16 | 2017-08-01 | Here Global B.V. | Learning lanes from radar data |
CN105260699B (zh) * | 2015-09-10 | 2018-06-26 | 百度在线网络技术(北京)有限公司 | 一种车道线数据的处理方法及装置 |
CN106570446B (zh) * | 2015-10-12 | 2019-02-01 | 腾讯科技(深圳)有限公司 | 车道线提取的方法和装置 |
CN105426861B (zh) * | 2015-12-02 | 2019-05-21 | 百度在线网络技术(北京)有限公司 | 车道线确定方法及装置 |
US10102434B2 (en) * | 2015-12-22 | 2018-10-16 | Omnivision Technologies, Inc. | Lane detection system and method |
CN105528588B (zh) * | 2015-12-31 | 2019-04-23 | 百度在线网络技术(北京)有限公司 | 一种车道线识别方法及装置 |
CN105957182B (zh) * | 2016-04-21 | 2018-08-03 | 深圳市元征科技股份有限公司 | 一种修正指示车辆行驶的直线方向的方法及装置 |
TWI609807B (zh) * | 2016-05-17 | 2018-01-01 | 緯創資通股份有限公司 | 影像評估方法以及其電子裝置 |
CN106559658B (zh) * | 2016-12-02 | 2017-08-04 | 郑州捷安高科股份有限公司 | 多通道投影融合带色彩自动平衡控制方法 |
US10762776B2 (en) * | 2016-12-21 | 2020-09-01 | Here Global B.V. | Method, apparatus, and computer program product for determining vehicle lane speed patterns based on received probe data |
CN106740841B (zh) * | 2017-02-14 | 2018-07-10 | 驭势科技(北京)有限公司 | 基于动态控制的车道线检测方法、装置及车载设备 |
CN107066986A (zh) * | 2017-04-21 | 2017-08-18 | 哈尔滨工业大学 | 一种基于单目视觉的车道线与前方障碍物检测方法 |
CN107341453B (zh) * | 2017-06-20 | 2019-12-20 | 北京建筑大学 | 一种车道线提取方法及装置 |
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 |
-
2018
- 2018-10-31 CN CN202110673855.0A patent/CN113408407B/zh active Active
- 2018-10-31 CN CN201811286291.XA patent/CN109636820B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102314599A (zh) * | 2011-10-11 | 2012-01-11 | 东华大学 | 一种车道识别偏离检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113408407A (zh) | 2021-09-17 |
CN109636820B (zh) | 2021-07-06 |
CN109636820A (zh) | 2019-04-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113408407B (zh) | 电子地图车道线修正方法、设备及计算机可读存储介质 | |
CN109584706B (zh) | 电子地图车道线处理方法、设备及计算机可读存储介质 | |
CN110598743A (zh) | 一种目标对象的标注方法和装置 | |
CN100458359C (zh) | 远距离面内小位移测量*** | |
US20150117753A1 (en) | Computing device and method for debugging computerized numerical control machine | |
EP3843036B1 (en) | Sample labeling method and device, and damage category identification method and device | |
CN104090970A (zh) | 兴趣点的展现方法及装置 | |
CN110148099B (zh) | 投影关系的修正方法及装置、电子设备、计算机可读介质 | |
CN112146848B (zh) | 一种确定摄像头的畸变参数的方法及装置 | |
CN110633620B (zh) | 指针式仪表刻度识别方法及电子设备 | |
CN112348737B (zh) | 模拟图像生成的方法、电子设备及存储介质 | |
CN113255578B (zh) | 交通标识的识别方法及装置、电子设备和存储介质 | |
CN110148164B (zh) | 转换矩阵生成方法及装置、服务器及计算机可读介质 | |
CN112784639A (zh) | 路口检测、神经网络训练及智能行驶方法、装置和设备 | |
CN108297795A (zh) | 一种电动车的车道识别*** | |
CN110539748B (zh) | 基于环视的拥堵跟车***和终端 | |
CN103862892B (zh) | 一种用于pcb字符喷墨打印机的自动对位方法和*** | |
CN113503880A (zh) | 车辆的定位方法及装置 | |
CN104778657A (zh) | 图像二维码融合方法及装置 | |
CN111639593A (zh) | 车道线标签处理方法及装置 | |
CN111605481A (zh) | 基于环视的拥堵跟车***和终端 | |
CN111598956A (zh) | 标定方法、装置和*** | |
CN116237995A (zh) | 一种调整刀路轨迹的方法、装置及可读存储介质 | |
CN113129438B (zh) | 一种车道线的精度提升方法、装置及可读存储介质 | |
CN113313726A (zh) | 一种社保卡的识别方法及*** |
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 |