CN114120266A - 车辆变道检测方法、装置、电子设备及存储介质 - Google Patents

车辆变道检测方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN114120266A
CN114120266A CN202111273262.1A CN202111273262A CN114120266A CN 114120266 A CN114120266 A CN 114120266A CN 202111273262 A CN202111273262 A CN 202111273262A CN 114120266 A CN114120266 A CN 114120266A
Authority
CN
China
Prior art keywords
vehicle
image
lane change
determining
target vehicle
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
CN202111273262.1A
Other languages
English (en)
Inventor
安建平
王向韬
牟晓凡
郝雨萌
程新景
杨睿刚
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.)
International Network Technology Shanghai Co Ltd
Original Assignee
International Network Technology Shanghai 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 International Network Technology Shanghai Co Ltd filed Critical International Network Technology Shanghai Co Ltd
Priority to CN202111273262.1A priority Critical patent/CN114120266A/zh
Publication of CN114120266A publication Critical patent/CN114120266A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

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

Abstract

本发明涉及图像识别技术领域，提供一种车辆变道检测方法、装置、电子设备及存储介质，该方法包括：获取待测图像的像素特征；将所述待测图像的像素特征输入到识别模型中，得到由识别模型输出的待测图像中目标车辆的变道属性；所述变道属性表征车辆是否有变道趋势、是否在变道和是否已压线的一种或多种；其中，所述识别模型为将根据图像样本中的像素特征作为输入，通过机器学习训练得到的，用于判断图像中车辆变道属性的模型。本发明提供的车辆变道检测方法、***、电子设备及存储介质，通过待测图像中的目标车辆的车轮与地面的接触点，与待测图像中的参考线之间的位置关系，确定目标车辆的变道情况，能够提升对车辆变道的判断，提高驾驶安全性。

Description

车辆变道检测方法、装置、电子设备及存储介质
技术领域
本发明涉及图像识别技术领域，尤其涉及一种车辆变道检测方法、***、电子设备及存储介质。
背景技术
自动驾驶的智能车辆在行进过程中，要时刻注意到两侧车道上的车辆变道情况，以便及时作出应急措施，保证驾驶安全。现有方法对车辆变道及压线的判断，主要是将前方车辆映射成3D框，然后判断3D框与高精地图的车道线的相对位置，但将车辆投影成3D框会引入测距定位误差，高精地图的车道线也会有定位误差，这样导致整个处理累计误差较大，对最终车辆是否变道及压线的判断效果不好。
发明内容
针对现有技术存在的问题，本发明提供一种车辆变道检测方法、***、电子设备及存储介质。
第一方面，本发明提供一种车辆变道检测方法，包括：
获取待测图像的像素特征；
将所述待测图像的像素特征输入到识别模型中，得到由识别模型输出的待测图像中目标车辆的变道属性；所述变道属性表征车辆是否有变道趋势、是否在变道和是否已压线的一种或多种；
其中，所述识别模型为将根据图像样本中的像素特征作为输入，通过机器学习训练得到的，用于判断图像中车辆变道属性的模型；
所述识别模型包括识别层和处理层，所述识别层用于根据所述待测图像的像素特征确定待测图像中的目标车辆的落地点和参考线；所述参考线表征车道线的位置；所述处理层用于根据所述落地点与所述参考线确定所述目标车辆的变道属性。
在一个实施例中，所述将所述待测图像的像素特征输入到识别模型中，得到由识别模型输出的待测图像中目标车辆的变道属性，包括：
将待测图像的像素特征输入到识别层，由识别层根据所述待测图像的像素特征确定待测图像中的目标车辆的落地点和参考线；
将所述落地点和所述参考线输入到处理层，由所述处理层根据所述落地点与所述参考线确定所述目标车辆的变道属性。
在一个实施例中，所述由所述处理层根据所述落地点与所述参考线确定所述目标车辆的变道属性，包括：
确定所述目标车辆的落地点中存在车辆前车轮对应的落地点，监测车辆前车轮对应的落地点与参考线之间的距离；
确定所述距离在第一时间内的变化趋势和变化长度，根据所述变化趋势和所述变化长度确定目标车辆是否有变道趋势。
在一个实施例中，所述根据所述变化趋势和所述变化长度确定目标车辆是否有变道趋势，包括：
确定所述变化趋势为缩短，且所述变化长度大于第一长度，则确定目标车辆存在变道趋势；
确定所述变化趋势为增长，且所述变化长度大于第二长度，则确定目标车辆不存在变道趋势。
在一个实施例中，所述由所述处理层根据所述落地点与所述参考线确定所述目标车辆的变道属性，包括：
确定所述目标车辆的落地点落入到所述参考线内，则确定目标车辆压线。
在一个实施例中，所述由所述处理层根据所述落地点与所述参考线确定所述目标车辆的变道属性，包括：
确定所述目标车辆的落地点中存在处于同一侧的车轮的落地点，监测同一侧的车轮的落地点与参考线之间的位置；
确定所述参考线的两侧均存在落地点，则确定目标车辆正在变道。
在一个实施例中，由识别层根据所述待测图像的像素特征确定待测图像中的目标车辆的落地点，包括：
确定所述待测图像的目标车辆的车轮的特征点；所述特征点为所述车轮与地面相交的像素点；
根据所述特征点确定轮廓，确定轮廓中处于最底的像素点所在的位置作为落地点。
第二方面，本发明提供一种车辆变道检测装置，包括：
采集模块，用于获取待测图像的像素特征；
检测模块，用于将所述待测图像的像素特征输入到识别模型中，得到由识别模型输出的待测图像中目标车辆的变道属性；所述变道属性表征车辆是否有变道趋势、是否在变道和是否已压线的一种或多种；
其中，所述识别模型为将根据图像样本中的像素特征作为输入，通过机器学习训练得到的，用于判断图像中车辆变道属性的模型；
所述识别模型包括识别层和处理层，所述识别层用于根据所述待测图像的像素特征确定待测图像中的目标车辆的落地点和参考线；所述参考线表征车道线的位置；所述处理层用于根据所述落地点与所述参考线确定所述目标车辆的变道属性。
第三方面，本发明提供一种电子设备，包括存储器和存储有计算机程序的存储器，所述处理器执行所述程序时实现第一方面所述车辆变道检测方法的步骤。
第四方面，本发明提供一种处理器可读存储介质，所述处理器可读存储介质存储有计算机程序，所述计算机程序用于使所述处理器执行第一方面所述车辆变道检测方法的步骤。
本发明提供的车辆变道检测方法、***、电子设备及存储介质，通过待测图像中的目标车辆的车轮与地面的接触点，与待测图像中的参考线之间的位置关系，确定目标车辆的变道情况，能够提升对车辆变道的判断，提高驾驶安全性。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，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是本发明提供的车辆变道检测方法的流程示意图；
图2是本发明的车辆变道场景示意图一；
图3是本发明的车辆变道场景示意图二；
图4是本发明的车辆变道场景示意图三；
图5是本发明提供的车辆变道检测装置的结构示意图；
图6是本发明提供的电子设备的结构示意图；
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
下面结合图1-图6描述本发明的车辆变道检测方法、装置、电子设备及存储介质。
图1示出了本发明一种车辆变道检测方法的流程示意图，参见图1，该方法包括：
11、获取待测图像的像素特征；
12、将待测图像的像素特征输入到识别模型中，得到由识别模型输出的待测图像中目标车辆的变道属性；变道属性表征车辆是否有变道趋势、是否在变道和是否已压线的一种或多种；其中，识别模型为将根据图像样本中的像素特征作为输入，通过机器学习训练得到的，用于判断图像中车辆变道属性的模型；
识别模型包括识别层和处理层，识别层用于根据待测图像的像素特征确定待测图像中的目标车辆的落地点和参考线；参考线表征车道线的位置；处理层用于根据落地点与参考线确定目标车辆的变道属性。
针对步骤11和步骤12，车辆为具备自动驾驶功能的智能车辆，在该车辆上设置有朝向前方的摄影装置，用于获取车辆在行驶方向上的影像信息。该影像信息属于动态视频，视频由多帧图像构成。为此，后续对影像信息中的车辆变道进行检测过程中，实际是对每一帧的图像均进行上述步骤的处理，当前被处理的图像为待测图像。在待测图像上，会存在当前车辆前方的车辆的行驶状况画面。在这里，当前车辆前方的车辆为目标车辆，本发明方法是确定目标车辆的变道属性。
在本发明中，可以根据待测图像中车辆的车型、车灯、车牌、车标、车上装饰物等图像特征，确定目标车辆。
在本发明中，将待测图像的像素特征输入到识别模型中，由识别模型根据待测图像的像素特征确定待测图像中目标车辆的落地点和用于判断车辆是否变道的道路参考线，然后基于落地点和参考线的位置关系，输出目标车辆的变道属性。变道属性表征车辆是否有变道趋势、是否在变道和是否已压线的一种或多种。
该识别模型为将根据图像样本中的像素特征作为输入，通过机器学习训练得到的，用于判断图像中车辆变道属性的模型。
需要说明的是，可以选取不同车辆行驶过程中的车轮与地面的接触场景，然后利用摄影装置对其进行画面采集，得到大量的图像样本。在该图像样本中对车道线和车辆的车轮与地面的相交边缘进行标注，故图像样本中的像素特征包括车道线的像素特征和车轮与地面的相交边缘的像素特征，将这些像素特征点输入到初始的神经网络模型中进行训练，得到识别模型。
在本发明中，识别模型可以进行更新升级。
本发明进一步的方法，通过训练得到的模型基于像素特征识别出车辆的落地点和参考线，有利于快速的对图像中车轮变道的可能性标示。
在本发明中，识别模型包括识别层和处理层，识别层用于根据待测图像的像素特征确定待测图像中的目标车辆的落地点和参考线；参考线表征车道线的位置；处理层用于根据落地点与参考线确定目标车辆的变道属性。
对此，需要说明的是，车辆可在有车道线(实线或虚线)的道路或无车道线的道路上行驶。为此，基于不同的道路类型，识别模型需要根据待测图像的像素特征进行不同的处理。
车辆依靠车轮行驶在道路上，车轮与地面直接接触。故要确定待测图像中的目标车辆的落地点，该落地点为目标车辆的车轮与地面的接触点。在本发明中，可以基于车轮的图像特征识别出目标车辆的车轮，然后将车轮图像中Y轴数值最小的像素点作为落地点。
针对于有车道线的道路，可以依据对车道线的白色区域进行识别，去确定与车辆的落地点进行位置判断的参考线。针对无车道线的道路，无法依据对车道线的白色区域去识别参考线，为此，需要结合道路中的其他图像信息(如摄像头的采集角度，道路边缘等)去预估出当前车辆的左侧或右侧的参考线。
确定落地点和参考线之后，便可以根据落地点和参考线的位置关系和/或距离长度可以确定目标车辆是否有变道趋势、是否在变道和是否已压线的一种或多种。
本发明提供的车辆变道检测方法，通过待测图像中的目标车辆的车轮与地面的接触点，与待测图像中的参考线之间的位置关系，确定目标车辆的变道情况，能够提升对车辆变道的判断，提高驾驶安全性。
在上述方法的进一步说明中，主要是对将待测图像的像素特征输入到识别模型中，得到由识别模型输出的待测图像中目标车辆的变道属性的处理过程进行解释说明，具体如下：
将待测图像的像素特征输入到识别层，由识别层根据待测图像的像素特征确定待测图像中的目标车辆的落地点和参考线；
将落地点和参考线输入到处理层，由处理层根据落地点与参考线确定目标车辆的变道属性。
本发明进一步的方法，采用识别层和处理层对待测图像的像素特征进行分工处理合作，能够加快处理速度。
在上述方法的进一步说明中，主要是对由处理层根据落地点与参考线确定目标车辆的变道属性，包括：
确定目标车辆的落地点中存在车辆前车轮对应的落地点，监测车辆前车轮对应的落地点与参考线之间的距离；
确定距离在第一时间内的变化趋势和变化长度，根据变化趋势和变化长度确定目标车辆是否有变道趋势。
对此，需要说明的是，在本发明中，在道路上，当前车辆与前方车辆呈近乎一条线行驶，由于摄影装置的角度限制，其能够采集到前方车辆的后车轮，置于前方车辆的前车轮可能采集不到，为此，落地点仅仅是前方车辆的后车轮与地面的接触点。当前方车辆有变道趋势时，其便不再与当前车辆处于一条线上行驶，此时，摄影装置能够采集到前方车辆的两个后车轮和一个前车轮。落地点便包括前方车辆的后车轮与地面的接触点，以及前车轮与地面的接触点。
例如参见图2，图中四个小方形代表前方车辆的车轮，此时，车辆要进行变道，能够采集到前车轮1、后车轮1和后车轮2的落地点。
例如参见图3，图中四个小方形代表前方车辆的车轮，此时，车辆要进行变道，能够采集到前车轮1、后车轮1的落地点。
由此可知，在本发明中，当前方车辆存在变道趋势时，势必会采集到与某个参考线靠近的前车轮的落地点。此时，监测车辆前车轮对应的落地点与参考线之间的距离。例如图2中的距离L1，图3中的距离L2。
前方车辆完成变道需要一定的时间，根据行车速度的不同，变道所需的时间不同。但可以肯定的是，变道时间较短。故设置一时间，即第一时间。获取前车轮的落地点与参考线之间的距离在该第一时间内的变化趋势和变化长度，然后根据变化趋势和变化长度确定目标车辆是否有变道趋势。
车辆计划变道时，上述距离的变化趋势是靠近参考线，即距离处于渐渐缩短的状态。
车辆放弃变道又回正时，上述距离的变化趋势是远离参考线，即距离处于渐渐增长的状态。
在本发明中，车辆在行驶过程中，由于方向盘的活动性，存在车辆偏移去靠近参考线，但司机整体上并未有变道的想法。故在考虑变道趋势的情况下，还要考虑变化长度。
例如t1时刻的距离为L1，t2时刻的距离为L2，其变化长度为L1－L2的差值的绝对值。
故根据变化趋势和变化长度能够确定目标车辆是否有变道趋势。当车辆有变道趋势时，智能车辆对应的要执行相对应的应急措施。
本发明进一步的方法，通过监测车辆前车轮对应的落地点与参考线之间的距离，并基于距离在第一时间内的变化趋势和变化长度确定目标车辆是否有变道趋势，能够提升对车辆变道的判断，提高驾驶安全性。
在上述方法的进一步说明中，主要是对根据变化趋势和变化长度确定目标车辆是否有变道趋势的处理过程的解释说明，具体如下：
确定变化趋势为缩短，且变化长度大于第一长度，则确定目标车辆存在变道趋势；
确定变化趋势为增长，且变化长度大于第二长度，则确定目标车辆不存在变道趋势。
对此，需要说明的是，在本发明中，针对车辆计划变道和车辆放弃变道又回正的情况，各配置一个长度，即第一长度和第二长度。当确定变化趋势为缩短，且变化长度大于第一长度，则确定目标车辆存在变道趋势；当确定变化趋势为增长，且变化长度大于第二长度，则确定目标车辆不存在变道趋势。
本发明进一步的方法，通过设置一个预设长度值，使变化长度与预设长度值进行比较，能够避免将正常行驶下的车辆偏移误判为变道车辆，提高对车辆变道的准确判断。
在上述方法的进一步说明中，主要是对根据落地点与参考线确定目标车辆的变道属性，包括：
确定目标车辆的落地点落入到参考线内，则确定目标车辆压线。
对此，需要说明的是，在本发明中，存在变道趋势的进一步偏移行驶，则会处于压线，甚至变道中。为此，当确定目标车辆的落地点落入到参考线所在的区域内，则确定目标车辆压线。
进一步地，确定目标车辆的落地点中存在处于同一侧的车轮的落地点，监测同一侧的车轮的落地点与参考线之间的位置；
确定参考线的两侧均存在落地点，则确定目标车辆正在变道。
参见图4，图中四个小方形代表前方车辆的车轮，此时，车辆要进行变道，能够采集到前车轮1、后车轮1和后车轮2的落地点。当前车轮1、后车轮1分别位于参考线1的两侧，则说明车辆在变道过程中。
本发明进一步的方法，通过监测落地点落入在参考线上，或是在参考线的两侧上，能够识别出车辆在变道过程中的不同阶段的实现情况。
在上述方法的进一步说明中，主要是对确定待测图像中的目标车辆的落地点的处理过程进行解释说明，具体如下：
确定待测图像的目标车辆的车轮的特征点；特征点为车轮与地面相交的像素点；
根据特征点确定轮廓，确定轮廓中处于最底的像素点所在的位置作为落地点。
对此，需要说明的是，待测图像采集后，需要对待测图像进行识别，识别出目标车辆的车轮。
自动驾驶的智能车辆主要在规定的主干道路上进行行驶，车辆的车轮在图像中会与地面存在相交的边缘。为此，需要识别出图像中车轮与地面区域相交的像素点，这些像素点作为本发明检测过程中所需的特征点。
在本发明中，在图像中确定特征点之后，要将这些特征点进行串联，形成轮廓线条，作为对图像进行检测得到的初步的可能表征车轮的轮廓。由此可将像素点的处理转变为对几何形状(即轮廓)的处理，简化处理过程。
在本发明中，确定轮廓中处于最底的像素点所在的位置作为落地点。即从轮廓的形状中确定处于最底位置对应的像素点作为在图像坐标上的落地点。
本发明进一步的方法，通过训练得到的模型基于像素特征识别出车轮与地面区域相交的特征点，有利于快速的对图像中车轮的可能性标示。
下面对本发明提供的车辆变道检测装置进行描述，下文描述的车辆变道检测装置与上文描述的车辆变道检测方法可相互对应参照。
图5示出了本发明提供的一种车辆变道检测装置的结构示意图，参见图5，该装置包括采集模块51和检测模块52，其中：
采集模块51，用于获取待测图像的像素特征；
检测模块52，用于将所述待测图像的像素特征输入到识别模型中，得到由识别模型输出的待测图像中目标车辆的变道属性；所述变道属性表征车辆是否有变道趋势、是否在变道和是否已压线的一种或多种；
其中，所述识别模型为将根据图像样本中的像素特征作为输入，通过机器学习训练得到的，用于判断图像中车辆变道属性的模型；
所述识别模型包括识别层和处理层，所述识别层用于根据所述待测图像的像素特征确定待测图像中的目标车辆的落地点和参考线；所述参考线表征车道线的位置；所述处理层用于根据所述落地点与所述参考线确定所述目标车辆的变道属性。
在上述装置的进一步说明中，该检测模块在将所述待测图像的像素特征输入到识别模型中，得到由识别模型输出的待测图像中目标车辆的变道属性的处理过程中，具体用于：
将待测图像的像素特征输入到识别层，由识别层根据所述待测图像的像素特征确定待测图像中的目标车辆的落地点和参考线；
将所述落地点和所述参考线输入到处理层，由所述处理层根据所述落地点与所述参考线确定所述目标车辆的变道属性。
在上述装置的进一步说明中，该检测模块在由所述处理层根据所述落地点与所述参考线确定所述目标车辆的变道属性的处理过程中，具体用于：
确定所述目标车辆的落地点中存在车辆前车轮对应的落地点，监测车辆前车轮对应的落地点与参考线之间的距离；
确定所述距离在第一时间内的变化趋势和变化长度，根据所述变化趋势和所述变化长度确定目标车辆是否有变道趋势。
在上述装置的进一步说明中，该检测模块在根据所述变化趋势和所述变化长度确定目标车辆是否有变道趋势的处理过程中，具体用于：
确定所述变化趋势为缩短，且所述变化长度大于第一长度，则确定目标车辆存在变道趋势；
确定所述变化趋势为增长，且所述变化长度大于第二长度，则确定目标车辆不存在变道趋势。
在上述装置的进一步说明中，在由所述处理层根据所述落地点与所述参考线确定所述目标车辆的变道属性的处理过程中，具体用于：
确定所述目标车辆的落地点落入到所述参考线内，则确定目标车辆压线。
在上述装置的进一步说明中，该检测模块在由所述处理层根据所述落地点与所述参考线确定所述目标车辆的变道属性的处理过程中，具体用于：
确定所述目标车辆的落地点中存在处于同一侧的车轮的落地点，监测同一侧的车轮的落地点与参考线之间的位置；
确定所述参考线的两侧均存在落地点，则确定目标车辆正在变道。
在上述装置的进一步说明中，该采集模块在由识别层根据所述待测图像的像素特征确定待测图像中的目标车辆的落地点的处理过程中，具体用于：
确定所述待测图像的目标车辆的车轮的特征点；所述特征点为所述车轮与地面相交的像素点；
根据所述特征点确定轮廓，确定轮廓中处于最底的像素点所在的位置作为落地点。
由于本发明实施例所述装置与上述实施例所述方法的原理相同，对于更加详细的解释内容在此不再赘述。
需要说明的是，本发明实施例中可以通过硬件处理器(hardware processor)来实现相关功能模块。
本发明提供的车辆变道检测装置，通过待测图像中的目标车辆的车轮与地面的接触点，与待测图像中的参考线之间的位置关系，确定目标车辆的变道情况，能够提升对车辆变道的判断，提高驾驶安全性。
图6示例了一种电子设备的实体结构示意图，如图6所示，该电子设备可以包括：处理器(processor)61、通信接口(Communication Interface)62、存储器(memory)63和通信总线64，其中，处理器61，通信接口62，存储器63通过通信总线64完成相互间的通信。处理器61可以调用存储器63中的计算机程序，以执行车辆变道检测方法的步骤，例如包括：获取待测图像的像素特征；将待测图像的像素特征输入到识别模型中，得到由识别模型输出的待测图像中目标车辆的变道属性；变道属性表征车辆是否有变道趋势、是否在变道和是否已压线的一种或多种；
其中，识别模型为将根据图像样本中的像素特征作为输入，通过机器学习训练得到的，用于判断图像中车辆变道属性的模型；
识别模型包括识别层和处理层，识别层用于根据待测图像的像素特征确定待测图像中的目标车辆的落地点和参考线；参考线表征车道线的位置；处理层用于根据落地点与参考线确定目标车辆的变道属性。
此外，上述的存储器63中的逻辑指令可以通过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，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品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)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，RandomAccessMemory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法所提供的车辆变道检测方法，该方法包括：获取待测图像的像素特征；将待测图像的像素特征输入到识别模型中，得到由识别模型输出的待测图像中目标车辆的变道属性；变道属性表征车辆是否有变道趋势、是否在变道和是否已压线的一种或多种；
其中，识别模型为将根据图像样本中的像素特征作为输入，通过机器学习训练得到的，用于判断图像中车辆变道属性的模型；
识别模型包括识别层和处理层，识别层用于根据待测图像的像素特征确定待测图像中的目标车辆的落地点和参考线；参考线表征车道线的位置；处理层用于根据落地点与参考线确定目标车辆的变道属性。
另一方面，本申请实施例还提供一种处理器可读存储介质，所述处理器可读存储介质存储有计算机程序，所述计算机程序用于使所述处理器执行上述各实施例提供的车辆变道检测方法，例如包括：获取待测图像的像素特征；将待测图像的像素特征输入到识别模型中，得到由识别模型输出的待测图像中目标车辆的变道属性；变道属性表征车辆是否有变道趋势、是否在变道和是否已压线的一种或多种；
其中，识别模型为将根据图像样本中的像素特征作为输入，通过机器学习训练得到的，用于判断图像中车辆变道属性的模型；
识别模型包括识别层和处理层，识别层用于根据待测图像的像素特征确定待测图像中的目标车辆的落地点和参考线；参考线表征车道线的位置；处理层用于根据落地点与参考线确定目标车辆的变道属性。
所述处理器可读存储介质可以是处理器能够存取的任何可用介质或数据存储设备，包括但不限于磁性存储器(例如软盘、硬盘、磁带、磁光盘(MO)等)、光学存储器(例如CD、DVD、BD、HVD等)、以及半导体存储器(例如ROM、EPROM、EEPROM、非易失性存储器(NANDFLASH)、固态硬盘(SSD))等。
以上所描述的装置实施例仅仅是示意性的，其中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模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，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)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，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发明各实施例技术方案的精神和范围。

Claims (10)

1.一种车辆变道检测方法，其特征在于，包括：
获取待测图像的像素特征；
将所述待测图像的像素特征输入到识别模型中，得到由识别模型输出的待测图像中目标车辆的变道属性；所述变道属性表征车辆是否有变道趋势、是否在变道和是否已压线的一种或多种；
其中，所述识别模型为将根据图像样本中的像素特征作为输入，通过机器学习训练得到的，用于判断图像中车辆变道属性的模型；
所述识别模型包括识别层和处理层，所述识别层用于根据所述待测图像的像素特征确定待测图像中的目标车辆的落地点和参考线；所述参考线表征车道线的位置；所述处理层用于根据所述落地点与所述参考线确定所述目标车辆的变道属性。
2.根据权利要求1所述的车辆变道检测方法，其特征在于，所述将所述待测图像的像素特征输入到识别模型中，得到由识别模型输出的待测图像中目标车辆的变道属性，包括：
将待测图像的像素特征输入到识别层，由识别层根据所述待测图像的像素特征确定待测图像中的目标车辆的落地点和参考线；
将所述落地点和所述参考线输入到处理层，由所述处理层根据所述落地点与所述参考线确定所述目标车辆的变道属性。
3.根据权利要求2所述的车辆变道检测方法，其特征在于，所述由所述处理层根据所述落地点与所述参考线确定所述目标车辆的变道属性，包括：
确定所述目标车辆的落地点中存在车辆前车轮对应的落地点，监测车辆前车轮对应的落地点与参考线之间的距离；
确定所述距离在第一时间内的变化趋势和变化长度，根据所述变化趋势和所述变化长度确定目标车辆是否有变道趋势。
4.根据权利要求3所述的车辆变道检测方法，其特征在于，所述根据所述变化趋势和所述变化长度确定目标车辆是否有变道趋势，包括：
确定所述变化趋势为缩短，且所述变化长度大于第一长度，则确定目标车辆存在变道趋势；
确定所述变化趋势为增长，且所述变化长度大于第二长度，则确定目标车辆不存在变道趋势。
5.根据权利要求2所述的车辆变道检测方法，其特征在于，所述由所述处理层根据所述落地点与所述参考线确定所述目标车辆的变道属性，包括：
确定所述目标车辆的落地点落入到所述参考线内，则确定目标车辆压线。
6.根据权利要求2所述的车辆变道检测方法，其特征在于，所述由所述处理层根据所述落地点与所述参考线确定所述目标车辆的变道属性，包括：
确定所述目标车辆的落地点中存在处于同一侧的车轮的落地点，监测同一侧的车轮的落地点与参考线之间的位置；
确定所述参考线的两侧均存在落地点，则确定目标车辆正在变道。
7.根据权利要求2所述的车辆变道检测方法，其特征在于，由识别层根据所述待测图像的像素特征确定待测图像中的目标车辆的落地点，包括：
确定所述待测图像的目标车辆的车轮的特征点；所述特征点为所述车轮与地面相交的像素点；
根据所述特征点确定轮廓，确定轮廓中处于最底的像素点所在的位置作为落地点。
8.一种车辆变道检测装置，其特征在于，包括：
采集模块，用于获取待测图像的像素特征；
检测模块，用于将所述待测图像的像素特征输入到识别模型中，得到由识别模型输出的待测图像中目标车辆的变道属性；所述变道属性表征车辆是否有变道趋势、是否在变道和是否已压线的一种或多种；
其中，所述识别模型为将根据图像样本中的像素特征作为输入，通过机器学习训练得到的，用于判断图像中车辆变道属性的模型；
所述识别模型包括识别层和处理层，所述识别层用于根据所述待测图像的像素特征确定待测图像中的目标车辆的落地点和参考线；所述参考线表征车道线的位置；所述处理层用于根据所述落地点与所述参考线确定所述目标车辆的变道属性。
9.一种电子设备，包括处理器和存储有计算机程序的存储器，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7任一项所述车辆变道检测方法的步骤。
10.一种处理器可读存储介质，其特征在于，所述处理器可读存储介质存储有计算机程序，所述计算机程序用于使所述处理器执行权利要求1至7任一项所述车辆变道检测方法的步骤。
CN202111273262.1A 2021-10-29 2021-10-29 车辆变道检测方法、装置、电子设备及存储介质 Pending CN114120266A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111273262.1A CN114120266A (zh) 2021-10-29 2021-10-29 车辆变道检测方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111273262.1A CN114120266A (zh) 2021-10-29 2021-10-29 车辆变道检测方法、装置、电子设备及存储介质

Publications (1)

Publication Number Publication Date
CN114120266A true CN114120266A (zh) 2022-03-01

Family

ID=80379564

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111273262.1A Pending CN114120266A (zh) 2021-10-29 2021-10-29 车辆变道检测方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN114120266A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115060257A (zh) * 2022-07-26 2022-09-16 北京神导科技股份有限公司 一种基于民用级惯性测量单元的车辆变道检测方法
CN115147791A (zh) * 2022-06-28 2022-10-04 广州文远知行科技有限公司 一种车辆变道检测方法、装置、交通工具及存储介质

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115147791A (zh) * 2022-06-28 2022-10-04 广州文远知行科技有限公司 一种车辆变道检测方法、装置、交通工具及存储介质
CN115060257A (zh) * 2022-07-26 2022-09-16 北京神导科技股份有限公司 一种基于民用级惯性测量单元的车辆变道检测方法
CN115060257B (zh) * 2022-07-26 2022-11-15 北京神导科技股份有限公司 一种基于民用级惯性测量单元的车辆变道检测方法

Similar Documents

Publication Publication Date Title
CN110443225B (zh) 一种基于特征像素统计的虚实车道线识别方法及其装置
WO2021004548A1 (zh) 一种基于双目立体视觉***的车辆智能测速方法
CN111192311B (zh) 一种高精度地图制作中纵向减速标线自动提取方法和装置
US20180150976A1 (en) Method for automatically establishing extrinsic parameters of a camera of a vehicle
CN114120266A (zh) 车辆变道检测方法、装置、电子设备及存储介质
CN111627001B (zh) 图像检测方法及装置
CN108073943A (zh) 图像数据提取装置以及图像数据提取方法
CN114705121B (zh) 车辆位姿测量方法、装置及电子设备、存储介质
CN110341621B (zh) 一种障碍物检测方法及装置
CN110667474B (zh) 通用障碍物检测方法、装置与自动驾驶***
CN109002797B (zh) 车辆变道检测方法、装置、存储介质和计算机设备
CN108319931B (zh) 一种图像处理方法、装置及终端
JP2018048949A (ja) 物体識別装置
Petrovai et al. A stereovision based approach for detecting and tracking lane and forward obstacles on mobile devices
CN112654998B (zh) 一种车道线检测方法和装置
CN110991264A (zh) 前方车辆检测方法和装置
CN115507862A (zh) 车道线定位方法及装置、电子设备及存储介质
CN110399664B (zh) 一种驾驶速度的确定方法及装置
CN116543047A (zh) 多摄像机***的位置估算自诊断方法、装置及存储介质
CN113658226B (zh) 一种限高装置高度检测方法和***
CN111191482B (zh) 一种刹车灯识别方法、装置及电子设备
EP3410345A1 (en) Information processing apparatus and non-transitory recording medium storing thereon a computer program
KR101738425B1 (ko) 다차선 검출을 위한 관심 영역 설정 장치 및 방법
CN113989765A (zh) 一种轨道障碍物的检测方法、检测装置及可读存储介质
CN113064415A (zh) 轨迹规划的方法、装置、控制器和智能车

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