CN114565510A - 一种车道线距离检测方法、装置、设备及介质 - Google Patents
一种车道线距离检测方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN114565510A CN114565510A CN202210169213.1A CN202210169213A CN114565510A CN 114565510 A CN114565510 A CN 114565510A CN 202210169213 A CN202210169213 A CN 202210169213A CN 114565510 A CN114565510 A CN 114565510A
- Authority
- CN
- China
- Prior art keywords
- coordinate system
- monitoring device
- lane line
- lane
- distance
- 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
Links
- 238000001514 detection method Methods 0.000 title claims description 15
- 238000012806 monitoring device Methods 0.000 claims abstract description 104
- 238000006243 chemical reaction Methods 0.000 claims abstract description 96
- 239000011159 matrix material Substances 0.000 claims abstract description 92
- 238000000034 method Methods 0.000 claims abstract description 46
- 230000008569 process Effects 0.000 claims abstract description 23
- 230000006870 function Effects 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 11
- 230000009466 transformation Effects 0.000 claims description 7
- 238000005516 engineering process Methods 0.000 description 8
- 238000011161 development Methods 0.000 description 6
- 230000018109 developmental process Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000005070 sampling Methods 0.000 description 3
- YBJHBAHKTGYVGT-ZKWXMUAHSA-N (+)-Biotin Chemical compound N1C(=O)N[C@@H]2[C@H](CCCCC(=O)O)SC[C@@H]21 YBJHBAHKTGYVGT-ZKWXMUAHSA-N 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- FEPMHVLSLDOMQC-UHFFFAOYSA-N virginiamycin-S1 Natural products CC1OC(=O)C(C=2C=CC=CC=2)NC(=O)C2CC(=O)CCN2C(=O)C(CC=2C=CC=CC=2)N(C)C(=O)C2CCCN2C(=O)C(CC)NC(=O)C1NC(=O)C1=NC=CC=C1O FEPMHVLSLDOMQC-UHFFFAOYSA-N 0.000 description 2
- 240000006829 Ficus sundaica Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000011426 transformation method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/08—Projecting images onto non-planar surfaces, e.g. geodetic screens
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- 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
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/50—Depth or shape recovery
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/80—Analysis of captured images to determine intrinsic or extrinsic camera parameters, i.e. camera calibration
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Traffic Control Systems (AREA)
- Image Analysis (AREA)
Abstract
本申请实施例公开了一种车道线距离检测方法、装置、设备及介质。通过安装在车辆上的监拍装置获取车道线图像;获取车道线图像对应的图像坐标系下的车道关键点坐标;对监拍装置进行内参标定,得到内参矩阵;基于预置车辆投影模型,获取比例系数;其中,比例系数与当前车辆到目标点之间的实际距离所对应的投影距离,以及监拍装置与地面垂直距离相关;基于监拍装置对应的内参矩阵以及比例系数,建立坐标系转换第一方程;根据预置补偿系数,对坐标系转换第一方程进行更新,得到坐标系转换第二方程,以通过坐标系转换第二方程得到车道线与车辆之间的距离。通过上述方法提高对车道线距离检测的准确性。
Description
技术领域
本申请涉及计算机视觉技术领域,尤其涉及一种车道线距离检测方法、装置、设备及介质。
背景技术
随着计算机技术和计算机硬件的不断发展,机器视觉领域飞速进步,并在学术界和工业界有着大量的应用。近年来多模态信息技术融合的进步,以及多种分割检测网络的发展,也促使自动驾驶发展到一个新的阶段。
车道线,是引导方向的车道标线。用来指示车辆在路口驶入段应按所指方向行驶。在车流大的交通路口一般画有此类标线,目的就是明确行车方向,各行其道,减缓交通压力。车道线距离检测,即为检测当前道路中的车辆与车道线之间的距离,以对自动驾驶和自动辅助驾驶提供数据支持。但现有的车道线图像识别输出的通常是二维图像坐标系下的坐标,而二维图像坐标系下的坐标难以满足自动驾驶技术的需求,从而难以准确对车辆与车道线之间的距离进行测量。
发明内容
本申请实施例提供了一种车道线距离检测方法、装置、设备及介质,用于解决如下技术问题:现有技术难以准确对车辆与车道线之间的距离进行测量。
本申请实施例采用下述技术方案:
本申请实施例提供一种车道线距离检测方法。包括,对监拍装置进行内参标定,得到内参矩阵;基于预置车辆投影模型,获取比例系数;其中,比例系数与当前车辆到目标点之间的实际距离所对应的投影距离,以及监拍装置与地面垂直距离相关;基于监拍装置对应的内参矩阵以及比例系数,建立坐标系转换第一方程;其中,坐标系转换第一方程用于实现图像坐标系与监拍装置坐标系之间车道关键点坐标的转换;根据预置补偿系数,对坐标系转换第一方程进行更新,得到坐标系转换第二方程,以通过坐标系转换第二方程得到车道线与车辆之间的距离。
本申请实施例通过对监拍装置进行标定,获取监拍装置对应的内参矩阵,从而可以通过该内参矩阵,将获取到的车道线的二维图像的坐标信息转换为三维信息。其次,本申请实施例会根据预置车辆投影模型,获取比例系数,从而能够确定出不同坐标系下车辆与目标点的距离。此外,由于获取到的车道线的距离会存在误差,且不同的车速对应的误差值也不同,因此本申请实施例通过预置补偿系数,对坐标系转换方程进行更新,从而使得到的车辆与车道线之间的距离更为精准,进而更好的辅助车辆进行自动驾驶。
在本申请的一种实现方式中,基于预置车辆投影模型,获取比例系数之前,方法还包括:获取监拍装置对应的俯仰角,并确定出俯仰角对应的正弦函数值与余弦函数值;基于俯仰角对应的正弦函数值与余弦函数值,构建俯仰角补偿矩阵,以基于俯仰角补偿矩阵获取比例系数。
在本申请的一种实现方式中,基于预置车辆投影模型,获取比例系数,具体包括:获取监拍装置与地面之间的垂直距离;基于俯仰角补偿矩阵、监拍装置对应的内参矩阵以及垂直距离,得到比例系数。
本申请实施例考虑到监拍装置存在俯仰角的问题,构建俯仰角补偿矩阵,通过该俯仰角矩阵能够提高获取到的车道线数据的准确性。从而降低测量误差,进一步提高获取到的车道线距离的准确性。
在本申请的一种实现方式中,基于俯仰角补偿矩阵、监拍装置对应的内参矩阵以及垂直距离,得到比例系数,具体包括:获取当前车辆到目标点之间的实际距离所对应的投影距离;确定垂直距离与投影距离之间的比值,并将比值作为参考比例系数;基于参考比例系数、俯仰角补偿矩阵以及监拍装置对应的内参矩阵得到比例系数。
在本申请的一种实现方式中,基于监拍装置对应的内参矩阵以及比例系数,建立坐标系转换第一方程,具体包括:将比例系数、监拍装置对应的内参矩阵以及车道关键点对应的矩阵进行乘积计算,得到坐标系转换第一方程。
在本申请的一种实现方式中,根据预置补偿系数,对坐标系转换第一方程进行更新之前,方法还包括:获取不同车速分别对应的车道线数据,以根据车道线数据确定出不同车速分别对应的待测车道线宽度;根据不同车速分别对应的待测车道线宽度与车道线实际宽度,建立补偿系数标定表,以根据补偿系数标定表确定预置补偿系数。
在本申请的一种实现方式中,根据预置补偿系数,对坐标系转换第一方程进行更新,得到坐标系转换第二方程,具体包括:将预置补偿系数、车道关键点投影比例系数、监拍装置对应的内参矩阵以及车道关键点对应的矩阵进行乘积计算,得到坐标系转换第二方程。
本申请实施例提供一种车道线距离检测装置,包括:车道线获取单元,通过安装在车辆上的监拍装置获取车道线图像;车道关键点坐标获取单元,获取车道线图像对应的图像坐标系下的车道关键点坐标;其中,车道关键点包括车道线的起始点与终止点;内参矩阵获取单元,对监拍装置进行内参标定,得到内参矩阵;比例系数获取单元,基于预置车辆投影模型,获取比例系数;其中,比例系数与当前车辆到目标点之间的实际距离所对应的投影距离,以及监拍装置与地面垂直距离相关;坐标系转换第一方程建立单元,基于监拍装置对应的内参矩阵以及比例系数,建立坐标系转换第一方程;其中,坐标系转换第一方程用于实现图像坐标系与监拍装置坐标系之间车道关键点坐标的转换;坐标系转换第二方程建立单元,根据预置补偿系数,对坐标系转换第一方程进行更新,得到坐标系转换第二方程,以通过坐标系转换第二方程得到车道线与车辆之间的距离。
一种车道线距离检测设备,包括:至少一个处理器;以及,与至少一个处理器通信连接的存储器;其中,存储器存储有可被至少一个处理器执行的指令,指令被至少一个处理器执行,以使至少一个处理器能够:通过安装在车辆上的监拍装置获取车道线图像;获取车道线图像对应的图像坐标系下的车道关键点坐标;其中,车道关键点包括车道线的起始点与终止点;对监拍装置进行内参标定,得到内参矩阵;基于预置车辆投影模型,获取比例系数;其中,比例系数与当前车辆到目标点之间的实际距离所对应的投影距离,以及监拍装置与地面垂直距离相关;基于监拍装置对应的内参矩阵以及比例系数,建立坐标系转换第一方程;其中,坐标系转换第一方程用于实现图像坐标系与监拍装置坐标系之间车道关键点坐标的转换;根据预置补偿系数,对坐标系转换第一方程进行更新,得到坐标系转换第二方程,以通过坐标系转换第二方程得到车道线与车辆之间的距离。
本申请实施例提供的一种非易失性计算机存储介质,存储有计算机可执行指令,计算机可执行指令设置为:通过安装在车辆上的监拍装置获取车道线图像;获取车道线图像对应的图像坐标系下的车道关键点坐标;其中,车道关键点包括车道线的起始点与终止点;对监拍装置进行内参标定,得到内参矩阵;基于预置车辆投影模型,获取比例系数;其中,比例系数与当前车辆到目标点之间的实际距离所对应的投影距离,以及监拍装置与地面垂直距离相关;基于监拍装置对应的内参矩阵以及比例系数,建立坐标系转换第一方程;其中,坐标系转换第一方程用于实现图像坐标系与监拍装置坐标系之间车道关键点坐标的转换;根据预置补偿系数,对坐标系转换第一方程进行更新,得到坐标系转换第二方程,以通过坐标系转换第二方程得到车道线与车辆之间的距离。
本申请实施例采用的上述至少一个技术方案能够达到以下有益效果:本申请实施例通过对监拍装置进行标定,获取监拍装置对应的内参矩阵,从而可以通过该内参矩阵,将获取到的车道线的二维图像的坐标信息转换为三维信息。其次,本申请实施例会根据预置车辆投影模型,获取比例系数,从而能够确定出不同坐标系下车辆与目标点的距离。此外,由于获取到的车道线的距离会存在误差,且不同的车速对应的误差值也不同,因此本申请实施例通过预置补偿系数,对坐标系转换方程进行更新,从而使得到的车辆与车道线之间的距离更为精准,进而更好的辅助车辆进行自动驾驶。
附图说明
为了更清楚地说明本申请实施例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简单地介绍,显而易见地,下面描述中的附图仅仅是本申请中记载的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。在附图中:
图1为本申请实施例提供的一种车道线距离检测方法流程图;
图2为本申请实施例提供的一种监拍装置投影示意图;
图3为本申请实施例提供的一种车道线距离检测装置的结构示意图;
图4为本申请实施例提供的一种车道线距离检测设备的结构示意图。
具体实施方式
本申请实施例提供一种车道线距离检测方法、装置、设备及介质。
为了使本技术领域的人员更好地理解本申请中的技术方案,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,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本说明书实施例,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,都应当属于本申请保护的范围。
随着计算机技术和计算机硬件的不断发展,机器视觉领域飞速进步,并在学术界和工业界有着大量的应用。近年来多模态信息技术融合的进步,以及多种分割检测网络的发展,也促使自动驾驶发展到一个新的阶段。
车道线,是引导方向的车道标线。用来指示车辆在路口驶入段应按所指方向行驶。在车流大的交通路口一般画有此类标线,目的就是明确行车方向,各行其道,减缓交通压力。车道线距离检测,即为检测当前道路中的车辆与车道线之间的距离,以对自动驾驶和自动辅助驾驶提供数据支持。但现有的车道线图像识别输出的通常是二维图像坐标系下的坐标,而二维图像坐标系下的坐标难以满足自动驾驶技术的需求,从而难以准确对车辆与车道线之间的距离进行测量。
为了解决上述问题,本申请实施例提供一种车道线距离检测方法、装置、设备及介质。通过对监拍装置进行标定,获取监拍装置对应的内参矩阵,从而可以通过该内参矩阵,将获取到的车道线的二维图像的坐标信息转换为三维信息。其次,本申请实施例会根据预置车辆投影模型,获取比例系数,从而能够确定出不同坐标系下车辆与目标点的距离。此外,由于获取到的车道线的距离会存在误差,且不同的车速对应的误差值也不同,因此本申请实施例通过预置补偿系数,对坐标系转换方程进行更新,从而使得到的车辆与车道线之间的距离更为精准,进而更好的辅助车辆进行自动驾驶。
下面通过附图对本申请实施例提出的技术方案进行详细的说明。
图1为本申请实施例提供的一种车道线距离检测方法流程图。如图1所示,车道线距离检测方法包括如下步骤:
S101、通过安装在车辆上的监拍装置获取车道线图像。
在本申请的一个实施例中,车辆上预先安装有监拍装置。本申请实施例中的监拍装置可以为非深度单目相机。该监拍装置用于对路面状况进行拍摄,通过拍摄到的路面状况以辅助车辆进行自动驾驶。
具体地,通过非深度单目相机对路面状况进行拍摄,可以实时进行拍摄,也可以根据需求定时对路面状况进行拍摄。通过拍摄的路面图像可以获取到当前路面中车道线的图像信息。
具体地,自动驾驶感知***中,摄像头作为一种主要传感器不可或缺,尤其是对车道线的识别,摄像头具有得天独厚的优势。相较于双目视觉的较大计算量、通信接口占用数、小型化智能驾驶机器人感知设备机械布置复杂度,单目视觉具有极大的受欢迎程度。同时相较于单目深度相机与非深度相机的价格差,单目非深度相机具有更好的产业落地性。
S102、控制器获取车道线图像对应的图像坐标系下的车道关键点坐标。
在本申请的一个实施例中,通过深度学习算法对获取到的车道线图像进行识别,以得到图像中的车道线所对应的坐标。
具体地,可以预先采集多个车道线图像,以及多个车道线图像分别对应的起始点和终止点的坐标作为训练集。将预先采集的多个车道线图像作为预设神经网络模型的输入,将每个车道线图像分别对应的起始点与终止点的坐标作为输出,对该预设神经网络模型进行训练,以得到车道关键点识别模型。
进一步地,将当前车辆的监拍装置获取到的车道线图像输入该车道关键点识别模型,通过该车道关键点识别模型确定出图像中的车道线,以及得到车道线对应的起始点的坐标与终止点的坐标。
需要说明的是,通过车道关键点识别模型得到的坐标为二维图像坐标系下的坐标。为了满足自动驾驶技术对坐标系的需求,还需要将二维图像坐标系下的坐标转换为三维坐标。
S103、对监拍装置进行内参标定,得到内参矩阵。
在本申请的一个实施例中,在对坐标系进行转换时,需要对监拍装置的进行标定。即对相机做相机标定,得到相机内参矩阵K,K=[f 0 u;0 f v;0 0 1]。
S104、控制器基于预置车辆投影模型,获取比例系数。
在本申请的一个实施例中,控制器获取监拍装置对应的俯仰角,并确定出俯仰角对应的正弦函数值与余弦函数值。基于俯仰角对应的正弦函数值与余弦函数值,构建俯仰角补偿矩阵,以基于俯仰角矩阵获取比例系数。
具体地,车辆上安装的摄像机的俯仰角为pitch,此时,建立的俯仰角补偿矩阵为:
在本申请的一个实施例中,获取监拍装置与地面之间的垂直距离。基于俯仰角补偿矩阵、监拍装置对应的内参矩阵以及垂直距离,得到比例系数。其中,比例系数与当前车辆到目标点之间的实际距离所对应的投影距离,以及监拍装置与地面垂直距离相关
具体地,获取当前车辆到目标点之间的实际距离所对应的投影距离。确定垂直距离与投影距离之间的比值,并将比值作为参考比例系数。基于参考比例系数、俯仰角补偿矩阵以及监拍装置对应的内参矩阵得到比例系数。
具体地,对相机做相机标定得到相机内参矩阵K,K=[f 0 u;0 f v;0 0 1]。测量相机离地高度camera_ground_height。假设图像坐标系车道采样点坐标(x,y),此时可以得到公式
S=camera_ground_height/R(1,0) (2)
在本申请的一个实施例中,通常的非深度相机无纵向的深度信息,无法得到S这个比例系数,于是采用距离变换的方法得到这个比例系数。图2为本申请实施例提供的一种监拍装置投影示意图。如图2所示,A是当前行驶的车辆,B、C是前方车辆,假设A车P点为摄像头位置,P点到B车的距离Z1在相机中的投影为y1,考虑相似三角形的比例关系,所以产生比例系数S的初步计算公式为:S=H/y1。又考虑到车前摄像头安装pitch角度不完全向前垂直,添加俯仰角补偿矩阵。再加相机内参逆矩阵变换,于是得到上述公式(1)和(2)。
S105、控制器基于监拍装置对应的内参矩阵以及比例系数,建立坐标系转换第一方程。
在本申请的一个实施例中,将比例系数、监拍装置对应的内参矩阵以及车道关键点对应的矩阵进行乘积计算,得到坐标系转换第一方程。其中,坐标系转换第一方程用于实现图像坐标系与监拍装置坐标系之间的转换。
具体地,基于得到的比例系数S,监拍装置对应的内参矩阵K,以及车道关键点对应的矩阵可以得到坐标系转换第一方程:
其中,f是不同相机标定得到的自身参数,物理意义是方形像素传感器以像素为单位的焦距。u和v是相机投影时,光轴中心在图像平面像素坐标系下的坐标。X,Y,Z分别为摄像头坐标系下坐标。
经过计算,可以得到相机坐标系下车道点公式。其中车辆左侧车道线坐标X为负值,右侧车道线点坐标X为正值。
S106、控制器根据预置补偿系数,对坐标系转换第一方程进行更新,得到坐标系转换第二方程,以通过坐标系转换第二方程得到车道线与车辆之间的距离。
在本申请的一个实施例中,控制器获取不同车速分别对应的车道线数据,以根据车道线数据确定出不同车速分别对应的待测车道线宽度。根据不同车速分别对应的待测车道线宽度与车道线实际宽度,建立补偿系数标定表,以根据补偿系数标定表确定预置补偿系数。
具体地,根据获取到的车道线坐标,可以得到车道线的宽度。将获取到的车道线宽度与实际车道线宽度进行比对,可以发现与实际车道线宽度之间存在误差,其误差大小约为5%。因此,为了降低误差,提高获取到的车道线坐标的准确性,需要确定出补偿系数对公式进行更新。
进一步地,在不同车速下,采集多组车道线数据,以及采集车道线真实宽度。根据采集的车道线数据与车道线真实宽度制作补偿系数标定表,得到补偿系数K:
K=f(v)
进一步地,根据当前车速,在补偿系数标定表中选择相应的补偿系数,以通过该补偿系数降低所求取的车道线坐标点的误差。
在本申请的一个实施例中,将预置补偿系数、车道关键点投影比例系数、监拍装置对应的内参矩阵以及车道关键点对应的矩阵进行乘积计算,得到坐标系转换第二方程。
具体地,根据公式
即可得到新的相机坐标系采样点坐标(X,Y,Z)。通过该相机坐标系采样点坐标,即可确定出车道线与车辆之间的距离。其中,f是不同相机标定得到的自身参数,物理意义是方形像素传感器以像素为单位的焦距。u和v是相机投影时,光轴中心在图像平面像素坐标系下的坐标。X,Y,Z分别为摄像头坐标系下坐标。
图3为本申请实施例提供的一种车道线距离检测装置的结构示意图。如图3所示,车道线距离检测装置包括车道线获取单元301、车道关键点坐标获取单元302、内参矩阵获取单元303、比例系数获取单元304、坐标系转换第一方程建立单元305、坐标系转换第二方程建立单元306。
车道线获取单元301,通过安装在车辆上的监拍装置获取车道线图像;
车道关键点坐标获取单元302,获取所述车道线图像对应的图像坐标系下的车道关键点坐标;其中,所述车道关键点包括车道线的起始点与终止点;
内参矩阵获取单元303,对所述监拍装置进行内参标定,得到内参矩阵;
比例系数获取单元304,基于预置车辆投影模型,获取比例系数;其中,所述比例系数与当前车辆到目标点之间的实际距离所对应的投影距离,以及监拍装置与地面垂直距离相关;
坐标系转换第一方程建立单元305,基于所述监拍装置对应的内参矩阵以及所述比例系数,建立坐标系转换第一方程;其中,所述坐标系转换第一方程用于实现图像坐标系与监拍装置坐标系之间车道关键点坐标的转换;
坐标系转换第二方程建立单元306,根据预置补偿系数,对所述坐标系转换第一方程进行更新,得到坐标系转换第二方程,以通过所述坐标系转换第二方程得到车道线与车辆之间的距离。
进一步地,装置还包括:
俯仰角补偿矩阵确定单元307,获取所述监拍装置对应的俯仰角,并确定出所述俯仰角对应的正弦函数值与余弦函数值;基于所述俯仰角对应的正弦函数值与余弦函数值,构建俯仰角补偿矩阵,以基于所述俯仰角补偿矩阵获取所述比例系数。
进一步地,装置还包括:
比例系数获取单元308,获取所述监拍装置与地面之间的垂直距离;基于所述俯仰角补偿矩阵、所述监拍装置对应的内参矩阵以及所述垂直距离,得到所述比例系数。
进一步地,装置还包括:
比例系数确定单元309,获取当前车辆到目标点之间的实际距离所对应的投影距离;确定所述垂直距离与所述投影距离之间的比值,并将所述比值作为参考比例系数;基于所述参考比例系数、所述俯仰角补偿矩阵以及所述监拍装置对应的内参矩阵得到所述比例系数。
进一步地,装置还包括:
乘积计算单元310,将所述比例系数、所述监拍装置对应的内参矩阵以及车道关键点对应的矩阵进行乘积计算,得到所述坐标系转换第一方程。
进一步地,装置还包括:
预置补偿系数确定单元311,获取不同车速分别对应的车道线数据,以根据所述车道线数据确定出不同车速分别对应的待测车道线宽度;根据所述不同车速分别对应的待测车道线宽度与车道线实际宽度,建立补偿系数标定表,以根据所述补偿系数标定表确定所述预置补偿系数。
进一步地,装置还包括:
坐标系转换方程更新单元312,将所述预置补偿系数、所述车道关键点投影比例系数、所述监拍装置对应的内参矩阵以及所述车道关键点对应的矩阵进行乘积计算,得到所述坐标系转换第二方程。
图4为本申请实施例提供的一种车道线距离检测设备的结构示意图。如图4所示,车道线距离检测设备,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:
通过安装在车辆上的监拍装置获取车道线图像;
获取所述车道线图像对应的图像坐标系下的车道关键点坐标;其中,所述车道关键点包括车道线的起始点与终止点;
对所述监拍装置进行内参标定,得到内参矩阵;
基于预置车辆投影模型,获取比例系数;其中,所述比例系数与当前车辆到目标点之间的实际距离所对应的投影距离,以及监拍装置与地面垂直距离相关;
基于所述监拍装置对应的内参矩阵以及所述比例系数,建立坐标系转换第一方程;其中,所述坐标系转换第一方程用于实现图像坐标系与监拍装置坐标系之间车道关键点坐标的转换;
根据预置补偿系数,对所述坐标系转换第一方程进行更新,得到坐标系转换第二方程,以通过所述坐标系转换第二方程得到车道线与车辆之间的距离。
本申请实施例还提供一种非易失性计算机存储介质,存储有计算机可执行指令,所述计算机可执行指令设置为:
通过安装在车辆上的监拍装置获取车道线图像;
获取所述车道线图像对应的图像坐标系下的车道关键点坐标;其中,所述车道关键点包括车道线的起始点与终止点;
对所述监拍装置进行内参标定,得到内参矩阵;
基于预置车辆投影模型,获取比例系数;其中,所述比例系数与当前车辆到目标点之间的实际距离所对应的投影距离,以及监拍装置与地面垂直距离相关;
基于所述监拍装置对应的内参矩阵以及所述比例系数,建立坐标系转换第一方程;其中,所述坐标系转换第一方程用于实现图像坐标系与监拍装置坐标系之间车道关键点坐标的转换;
根据预置补偿系数,对所述坐标系转换第一方程进行更新,得到坐标系转换第二方程,以通过所述坐标系转换第二方程得到车道线与车辆之间的距离。
本申请中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于装置、设备、非易失性计算机存储介质实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
上述对本申请特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
以上所述仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请的实施例可以有各种更改和变化。凡在本申请实施例的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (10)
1.一种车道线距离检测方法,其特征在于,所述方法包括:
通过安装在车辆上的监拍装置获取车道线图像;
获取所述车道线图像对应的图像坐标系下的车道关键点坐标;其中,所述车道关键点包括车道线的起始点与终止点;
对所述监拍装置进行内参标定,得到内参矩阵;
基于预置车辆投影模型,获取比例系数;其中,所述比例系数与当前车辆到目标点之间的实际距离所对应的投影距离,以及监拍装置与地面垂直距离相关;
基于所述监拍装置对应的内参矩阵以及所述比例系数,建立坐标系转换第一方程;其中,所述坐标系转换第一方程用于实现图像坐标系与监拍装置坐标系之间车道关键点坐标的转换;
根据预置补偿系数,对所述坐标系转换第一方程进行更新,得到坐标系转换第二方程,以通过所述坐标系转换第二方程得到车道线与车辆之间的距离。
2.根据权利要求1所述的一种车道线距离检测方法,其特征在于,所述基于预置车辆投影模型,获取比例系数之前,所述方法还包括:
获取所述监拍装置对应的俯仰角,并确定出所述俯仰角对应的正弦函数值与余弦函数值;
基于所述俯仰角对应的正弦函数值与余弦函数值,构建俯仰角补偿矩阵,以基于所述俯仰角补偿矩阵获取所述比例系数。
3.根据权利要求2所述的一种车道线距离检测方法,其特征在于,所述基于预置车辆投影模型,获取比例系数,具体包括:
获取所述监拍装置与地面之间的垂直距离;
基于所述俯仰角补偿矩阵、所述监拍装置对应的内参矩阵以及所述垂直距离,得到所述比例系数。
4.根据权利要求3所述的一种车道线距离检测方法,其特征在于,所述基于所述俯仰角补偿矩阵、所述监拍装置对应的内参矩阵以及所述垂直距离,得到所述比例系数,具体包括:
获取当前车辆到目标点之间的实际距离所对应的投影距离;
确定所述垂直距离与所述投影距离之间的比值,并将所述比值作为参考比例系数;
基于所述参考比例系数、所述俯仰角补偿矩阵以及所述监拍装置对应的内参矩阵得到所述比例系数。
5.根据权利要求1所述的一种车道线距离检测方法,其特征在于,所述基于所述监拍装置对应的内参矩阵以及所述比例系数,建立坐标系转换第一方程,具体包括:
将所述比例系数、所述监拍装置对应的内参矩阵以及车道关键点对应的矩阵进行乘积计算,得到所述坐标系转换第一方程。
6.根据权利要求1所述的一种车道线距离检测方法,其特征在于,所述根据预置补偿系数,对所述坐标系转换第一方程进行更新之前,所述方法还包括:
获取不同车速分别对应的车道线数据,以根据所述车道线数据确定出不同车速分别对应的待测车道线宽度;
根据所述不同车速分别对应的待测车道线宽度与车道线实际宽度,建立补偿系数标定表,以根据所述补偿系数标定表确定所述预置补偿系数。
7.根据权利要求1所述的一种车道线距离检测方法,其特征在于,所述根据预置补偿系数,对所述坐标系转换第一方程进行更新,得到坐标系转换第二方程,具体包括:
将所述预置补偿系数、所述比例系数、所述监拍装置对应的内参矩阵以及所述车道关键点对应的矩阵进行乘积计算,得到所述坐标系转换第二方程。
8.一种车道线距离检测装置,包括:
车道线获取单元,通过安装在车辆上的监拍装置获取车道线图像;
车道关键点坐标获取单元,获取所述车道线图像对应的图像坐标系下的车道关键点坐标;其中,所述车道关键点包括车道线的起始点与终止点;
内参矩阵获取单元,对所述监拍装置进行内参标定,得到内参矩阵;
比例系数获取单元,基于预置车辆投影模型,获取比例系数;其中,所述比例系数与当前车辆到目标点之间的实际距离所对应的投影距离,以及监拍装置与地面垂直距离相关;
坐标系转换第一方程建立单元,基于所述监拍装置对应的内参矩阵以及所述比例系数,建立坐标系转换第一方程;其中,所述坐标系转换第一方程用于实现图像坐标系与监拍装置坐标系之间车道关键点坐标的转换;
坐标系转换第二方程建立单元,根据预置补偿系数,对所述坐标系转换第一方程进行更新,得到坐标系转换第二方程,以通过所述坐标系转换第二方程得到车道线与车辆之间的距离。
9.一种车道线距离检测设备,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:
通过安装在车辆上的监拍装置获取车道线图像;
获取所述车道线图像对应的图像坐标系下的车道关键点坐标;其中,所述车道关键点包括车道线的起始点与终止点;
对所述监拍装置进行内参标定,得到内参矩阵;
基于预置车辆投影模型,获取比例系数;其中,所述比例系数与当前车辆到目标点之间的实际距离所对应的投影距离,以及监拍装置与地面垂直距离相关;
基于所述监拍装置对应的内参矩阵以及所述比例系数,建立坐标系转换第一方程;其中,所述坐标系转换第一方程用于实现图像坐标系与监拍装置坐标系之间车道关键点坐标的转换;
根据预置补偿系数,对所述坐标系转换第一方程进行更新,得到坐标系转换第二方程,以通过所述坐标系转换第二方程得到车道线与车辆之间的距离。
10.一种非易失性计算机存储介质,存储有计算机可执行指令,所述计算机可执行指令设置为:
通过安装在车辆上的监拍装置获取车道线图像;
获取所述车道线图像对应的图像坐标系下的车道关键点坐标;其中,所述车道关键点包括车道线的起始点与终止点;
对所述监拍装置进行内参标定,得到内参矩阵;
基于预置车辆投影模型,获取比例系数;其中,所述比例系数与当前车辆到目标点之间的实际距离所对应的投影距离,以及监拍装置与地面垂直距离相关;
基于所述监拍装置对应的内参矩阵以及所述比例系数,建立坐标系转换第一方程;其中,所述坐标系转换第一方程用于实现图像坐标系与监拍装置坐标系之间车道关键点坐标的转换;
根据预置补偿系数,对所述坐标系转换第一方程进行更新,得到坐标系转换第二方程,以通过所述坐标系转换第二方程得到车道线与车辆之间的距离。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210169213.1A CN114565510A (zh) | 2022-02-23 | 2022-02-23 | 一种车道线距离检测方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210169213.1A CN114565510A (zh) | 2022-02-23 | 2022-02-23 | 一种车道线距离检测方法、装置、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114565510A true CN114565510A (zh) | 2022-05-31 |
Family
ID=81712967
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210169213.1A Pending CN114565510A (zh) | 2022-02-23 | 2022-02-23 | 一种车道线距离检测方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114565510A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114998426A (zh) * | 2022-08-08 | 2022-09-02 | 北京云迹科技股份有限公司 | 机器人测距方法及装置 |
CN115147789A (zh) * | 2022-06-16 | 2022-10-04 | 禾多科技(北京)有限公司 | 分合流道路信息检测方法、装置、设备和计算机可读介质 |
CN117576650A (zh) * | 2024-01-16 | 2024-02-20 | 合众新能源汽车股份有限公司 | 基于融合的车辆变道检测方法和*** |
-
2022
- 2022-02-23 CN CN202210169213.1A patent/CN114565510A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115147789A (zh) * | 2022-06-16 | 2022-10-04 | 禾多科技(北京)有限公司 | 分合流道路信息检测方法、装置、设备和计算机可读介质 |
CN114998426A (zh) * | 2022-08-08 | 2022-09-02 | 北京云迹科技股份有限公司 | 机器人测距方法及装置 |
CN114998426B (zh) * | 2022-08-08 | 2022-11-04 | 北京云迹科技股份有限公司 | 机器人测距方法及装置 |
CN117576650A (zh) * | 2024-01-16 | 2024-02-20 | 合众新能源汽车股份有限公司 | 基于融合的车辆变道检测方法和*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114565510A (zh) | 一种车道线距离检测方法、装置、设备及介质 | |
CN106595630B (zh) | 一种基于激光导航变电站巡检机器人的建图***与方法 | |
EP3032818B1 (en) | Image processing device | |
EP2887315A1 (en) | Calibration device, method for implementing calibration, program and camera for movable body | |
CN112598750A (zh) | 路侧相机标定方法、装置、电子设备和存储介质 | |
CN106996748A (zh) | 一种基于双目视觉的轮径测量方法 | |
CN110597249B (zh) | 一种机器人及其回充定位方法和装置 | |
CN110415298B (zh) | 一种用于车道偏离的计算方法 | |
CN112489106A (zh) | 基于视频的车辆尺寸测量方法、装置、终端及存储介质 | |
CN109949355A (zh) | 单目视觉行人距离估计中建立半扇形等距线模型的方法 | |
CN116958218A (zh) | 一种基于标定板角点对齐的点云与图像配准方法及设备 | |
CN114120258B (zh) | 一种车道线识别方法、装置及存储介质 | |
CN111191596A (zh) | 一种封闭区域制图方法、装置及存储介质 | |
CN115294211A (zh) | 一种车载相机安装外参标定方法、***、装置与存储介质 | |
CN112991372B (zh) | 一种基于多边形匹配的2d-3d相机外参标定方法 | |
CN115655205A (zh) | 利用车道辅助测距的方法和装置 | |
CN112241717B (zh) | 前车检测方法、前车检测模型的训练获取方法及装置 | |
CN114694121A (zh) | 车道线矫正方法、装置、电子设备、存储介质和程序产品 | |
CN114509018A (zh) | 一种全场实时桥梁挠度测量方法 | |
CN109344677B (zh) | 识别立体物的方法、装置、车辆和存储介质 | |
CN112862678A (zh) | 一种无人机图像拼接方法、装置及存储介质 | |
CN112837365A (zh) | 一种基于图像的车辆定位方法及装置 | |
CN114120701B (zh) | 一种泊车定位方法及装置 | |
CN116309379B (zh) | 基于多数据融合的航摄质量自动检查方法 | |
CN117218205B (zh) | 一种相机外参校正方法和*** |
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 |