CN115049997B - 边缘车道线的生成方法、装置、电子设备及存储介质 - Google Patents
边缘车道线的生成方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN115049997B CN115049997B CN202210641413.2A CN202210641413A CN115049997B CN 115049997 B CN115049997 B CN 115049997B CN 202210641413 A CN202210641413 A CN 202210641413A CN 115049997 B CN115049997 B CN 115049997B
- Authority
- CN
- China
- Prior art keywords
- lane line
- initial edge
- line
- edge
- lane
- 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
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000003860 storage Methods 0.000 title claims abstract description 19
- 230000011218 segmentation Effects 0.000 claims abstract description 83
- 238000005452 bending Methods 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 9
- 238000013519 translation Methods 0.000 claims description 4
- 238000005520 cutting process Methods 0.000 claims description 3
- 238000013473 artificial intelligence Methods 0.000 abstract description 7
- 238000012545 processing Methods 0.000 description 12
- 238000005516 engineering process Methods 0.000 description 11
- 238000004891 communication Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 230000007613 environmental effect Effects 0.000 description 5
- 238000004519 manufacturing process Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 241000274965 Cyrestis thyodamas Species 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000005299 abrasion Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000003924 mental process Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012549 training 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
- G06V20/56—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
- 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
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
- Traffic Control Systems (AREA)
Abstract
本公开提供了一种边缘车道线的生成方法、装置、电子设备及存储介质,涉及计算机领域,具体为自动驾驶、人工智能、智能交通等领域。该方法包括:对目标图像进行语义分割得到目标图像的语义分割结果;根据所述目标图像的语义分割结果确定所述目标图像中的初始边缘车道线;确定初始边缘车道线的车道线特征是否符合车道线质量要求;在不符合车道线质量要求的情况下,从所述初始边缘车道线的候选相邻车道线中选择目标相邻车道线,并将所述目标相邻车道线移动至所述初始边缘车道线处,得到目标边缘车道线;其中,所述候选相邻车道线位于所述道路区域中。通过上述技术方案能够提高边缘车道线的精度。
Description
技术领域
本公开涉及计算机领域,尤其涉及自动驾驶、人工智能、智能交通等领域,具体涉及一种边缘车道线的生成方法、装置、电子设备及存储介质。
背景技术
由于现实场景中车道线遮挡、磨损、极端天气等的影响,导致自动驾驶汽车无法获取到有效的道路信息,高精地图可以作为车辆行驶的重要辅助信息。相比普通地图信息,高精地图精度更高,可以达到厘米级。此外,高精地图的数据维度更广,包含了道路数据以及道路周边对象等信息。
数据的自动化生产是高精地图的重要组成部分。由于高精地图数据量庞大,且精度要求高,因此对数据的自动化成产提出了较高的要求。与普通地图的数据生产相比,高精地图数据维度更多,精度要求更高,道路场景更加丰富复杂,因此对数据的自动化生产效率和准确率都有较高的要求。在高精地图的数据生产中,边缘车道线位于道路边缘,路况比其它车道线场景更复杂,且存在车辆植被遮挡、高曝光、道路边界不清晰等恶劣场景,因此高精地图的边缘车道线生产难度较大。
发明内容
本公开提供了一种边缘车道线的生成方法、装置、电子设备以及存储介质。
根据本公开的一方面,提供了一种边缘车道线的生成方法,该方法包括:
对目标图像进行语义分割得到目标图像的语义分割结果;
根据所述目标图像的语义分割结果确定所述目标图像中的初始边缘车道线;
确定初始边缘车道线的车道线特征是否符合车道线质量要求;
在不符合车道线质量要求的情况下,从所述初始边缘车道线的候选相邻车道线中选择目标相邻车道线,并将所述目标相邻车道线移动至所述初始边缘车道线处,得到目标边缘车道线;其中,所述候选相邻车道线位于所述道路区域中。
根据本公开的一方面,提供了一种边缘车道线的生成装置,该装置包括:
语义分割模块,用于对目标图像进行语义分割得到目标图像的语义分割结果;
初始边缘线模块,用于根据所述目标图像的语义分割结果确定所述目标图像中的初始边缘车道线;
车道线质量模块,用于确定初始边缘车道线的车道线特征是否符合车道线质量要求;
车道线移动模块,用于在不符合车道线质量要求的情况下,从所述初始边缘车道线的候选相邻车道线中选择目标相邻车道线,并将所述目标相邻车道线移动至所述初始边缘车道线处,得到目标边缘车道线;其中,所述候选相邻车道线位于所述道路区域中。
根据本公开的另一方面,提供了一种电子设备,该电子设备包括:
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本公开任一实施例所述边缘车道线的生成方法。
根据本公开的另一方面,提供了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计算机执行本公开任一实施例所述的边缘车道线的生成方法。
根据本公开的技术,能够提高边缘车道线的精度。
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
附图用于更好地理解本方案,不构成对本公开的限定。其中:
图1a根据本公开实施例提供的一种边缘车道线的生成方法的流程图;
图1b是根据本公开实施例提供的一种语义分割的示意图;
图2是根据本公开实施例提供的另一种边缘车道线的生成方法的流程图;
图3a是根据本公开实施例提供的又一种边缘车道线的生成方法的流程图;
图3b是根据本公开实施例提供的一种初始边缘车道线的示意图;
图3c是根据本公开实施例提供的另一种初始边缘车道线的示意图;
图4是根据本公开实施例提供的又一种边缘车道线的生成方法的流程图;
图5是根据本公开实施例提供的一种边缘车道线的生成装置的结构示意图;
图6是用来实现本公开实施例的边缘车道线的生成方法的电子设备的框图。
具体实施方式
图1a是根据本公开实施例提供的一种边缘车道线的生成方法的流程图。该方法适用于构建高精地图中边缘车道线的情况。该方法可以由边缘车道线的生成装置来执行,该装置可以采用软件和/或硬件的方式实现,并可集成于电子设备中。如图1a所示,本实施例的边缘车道线的生成方法可以包括:
S101,对目标图像进行语义分割得到目标图像的语义分割结果;
S102,根据所述目标图像的语义分割结果确定所述目标图像中的初始边缘车道线;
S103,确定初始边缘车道线的车道线特征是否符合车道线质量要求;
S104,在不符合车道线质量要求的情况下,从所述初始边缘车道线的候选相邻车道线中选择目标相邻车道线,并将所述目标相邻车道线移动至所述初始边缘车道线处,得到目标边缘车道线;
其中,所述候选相邻车道线位于所述道路区域中。
在本公开实施例中,车辆设置有图像采集器和雷达传感器,例如激光雷达。可通过对图像采集器所采集的二维图像数据和激光雷达所采集的三维道路数据进行融合得到目标图像。目标图像可包括道路和非道路两部分,道路部分可包括各式各样的道路信息,例如可包括山路、城市道路、乡间小路、土路等多种地形的道路;非道路部分可以包括绿化带、背景、路沿、栅栏、植被等环境要素。
示例性的,可采用预先训练的语义分割模型对目标图像进行语义分割,得到目标图像的语义分割结果,参考图1b。目标图像的语义分割结果可包括目标图像中的道路区域、非道路区域和车道线。需要说明的是,本公开实施例对语义分割模型的网络结构不做具体限定,例如可采用DeepLab(深度实验)系列、U-Net(卷积网络)、LaneNet(车道线网络)、SegNet(语义分割网络)或FCN(全卷积网络)结构等。
示例性的,可将目标图像的语义分割结果作为输入,提取目标图像中的道路区域、非道路区域和车道线。可将位于道路区域和非道路区域之间的车道线称为初始边缘车道线,用于划分机动车道与非机动车道的分界;可将位于道路区域之中的车道线称为中间车道线,用于划分不同车道。具体的,针对道路边缘有车道线的场景,可将道路边缘处的车道线作为初始边缘车道线;针对道路边缘没有车道线的场景,可在道路区域和非道路区域之间绘制交界线,并将交界线作为初始边缘车道线;其中,道路边缘为道路区域和非道路区域之间的边缘。另外,对于十字路口、弯道等复杂道路场景,还可对复杂道路场景进行语义分割,使分割后的单个区域中的道路方向相同。
其中,车道线特征为车道线的性能指标,用于表征车道线的质量。针对每一种车道线特征,还提供有该车道线特征的质量衡量基准,各种车道线特征的质量衡量基准组成车道线质量要求。本公开实施例对车道线特征的维度不做具体限定,示例性的,车道线特征可包括语义置信度、长度、弯曲程度、偏差距离等,车道线质量要求可包括预设的语义置信度阈值、长度阈值、弯曲程度阈值、偏差距离阈值等。
示例性的,确定初始边缘车道线的车道线特征是否符合车道线质量要求;在初始边缘车道线的车道线特征符合车道线质量要求的情况下,说明初始边缘车道线的质量较高,可对初始边缘车道线进行拟合、抽稀、平滑等处理,从而得到目标边缘车道线。在初始边缘车道线的车道线特征不符合车道线质量要求的情况下,说明初始边缘车道线的质量较低,可通过平移其它车道线得到目标边缘车道线,即实现边缘车道线检测。
示例性的,可将与初始边缘车道线相邻,且位于道路区域之中的车道线作为候选相邻车道线。也就是说,候选相邻车道线属于中间车道线,且与初始边缘车道线关联有相同的道路区域,候选相邻车道线的数量由道路中的车道数量决定,以3车道为例,候选相邻车道线的数量可为2。在车道线平移过程中,可从候选相邻车道线中选择符合车道线质量要求的目标边缘车道线,并将目标边缘车道线移动至初始边缘车道线处,得到目标边缘车道线。在高精地图的边缘车道线生成过程中,通过从目标图像中自动化提取初始边缘车道线,并确定初始边缘车道线是否符合车道线质量要求;在不符合车道线质量要求的情况下,通过选择质量较高的目标相邻车道线,并将目标相邻车道线移动至初始边缘车道线处,得到目标边缘车道线,使目标边缘车道线的质量符合要求,从而提高边缘车道线的质量。
本公开实施例的技术方案,提供了一种自动化地边缘车道线生成方式,在目标图像中的初始边缘车道线不符合车道线质量要求的情况下,通过从初始边缘车道线的候选相邻车道线中选择目标相邻车道线,并将目标相邻车道线移动至初始边缘车道线处,得到车道线质量符合要求的目标边缘车道线,从而提高边缘车道线的质量,可用于高精地图。
图2是根据本公开实施例提供的另一种边缘车道线的生成方法的流程图。本实施例是在上述实施例的基础上对语义分割进行优化。参见图2,本实施例的边缘车道线的生成方法可以包括:
S201,对目标图像进行语义分割,得到目标图像中的道路区域和非道路区域;
S202,根据所述道路区域和所述非道路区域,从所述目标图像中裁剪道路边缘图像;
S203,对所述道路边缘图像进行语义分割,得到所述道路边缘图像中的道路区域、非道路区域和车道线;
S204,根据所述目标图像中的道路区域和非道路区域,以及所述道路边缘图像中的道路区域、非道路区域和车道线,得到所述目标图像的语义分割结果;
S205,根据所述目标图像的语义分割结果确定所述目标图像中的初始边缘车道线;
S206,确定初始边缘车道线的车道线特征是否符合车道线质量要求;
S207,在不符合车道线质量要求的情况下,从所述初始边缘车道线的候选相邻车道线中选择目标相邻车道线,并将所述目标相邻车道线移动至所述初始边缘车道线处,得到目标边缘车道线;其中,所述候选相邻车道线位于所述道路区域中。
在本公开实施例中,为了满足车道线识别的精度要求,可对目标图像进行两次语义分割,即先通过首次语义分割从目标图像中提取道路边缘图像,再对道路边缘图像进行局部精细化分割,提高语义分割精度。
示例性的,对目标图像进行首次语义分割,得到目标图像中的道路区域和非道路区域,通过图像边缘检测从目标图像中提取道路边缘,并对道路边缘进行裁剪,得到道路边缘图像。裁剪后的道路边缘图像相对于目标图像的尺寸更小,场景更加单一,因此语义分割难度更低,语义分割精度更高。并且,可对道路边缘图像进行局部精细化的语义分割,得到道路边缘图像中的道路区域、非道路区域和车道线,即得到精度更高的语义分割结果。对两次语义分割结果进行融合,示例性的,在道路边缘区域,采用局部语义分割结果替换首次语义分割结果,得到目标图像的语义分割结果。
在本公开实施例中,基于目标图像高精度的语义分割结果,可得到目标图像中的初始边缘车道线。示例性的,针对道路边缘有车道线的场景,可将道路边缘处的车道线作为初始边缘车道线;针对道路边缘没有车道线的场景,可在道路区域和非道路区域之间绘制交界线,并将交界线作为初始边缘车道线。
并且,可对初始边缘车道线进行聚类,并根据聚类结果对初始边缘车道线进行更新。具体的,可确定各候选相邻车道线的平均斜率,根据目标图像的坐标原点和平均斜率绘制聚类辅助线;确定初始边缘车道线到聚类辅助线的间距,并根据间距对初始边缘车道线进行聚类。通过聚类能够进一步减少初始边缘车道线的数量,从而提高边缘车道线的生成效率。
本公开实施例的技术方案,通过从目标图像中裁剪道路边缘图像,并对道路边缘图像进行局部精细化语义分割,能够提高目标图像的语义分割结果的精度,并且根据目标图像的语义分割结果构建目标边缘车道线,能够提高目标边缘车道线的精度。
图3a是根据本公开实施例提供的又一种边缘车道线的生成方法的流程图。本实施例是在上述实施例的基础上提出的一种可选方案。参见图3a,本实施例的边缘车道线的生成方法可以包括:
S301,对目标图像进行语义分割得到目标图像的语义分割结果;
S302,根据所述目标图像的语义分割结果确定所述目标图像中的初始边缘车道线;
S303,确定所述初始边缘车道线的语义置信度;
S304,为所述初始边缘车道线绘制第一辅助线,并确定所述初始边缘车道线到所述第一辅助线之间的偏差距离,作为初始边缘车道线的偏差距离;
其中,所述第一辅助线与所述初始边缘车道线的起终点相同;
S305,延长所述初始边缘车道线至目标图像的边界,得到第二辅助线,并确定所述初始边缘车道线在所述第二辅助线中的长度占比,作为初始边缘车道线的长度特征;
S306,分别确定所述初始边缘车道线的语义置信度、所述初始边缘车道线的偏差距离和所述初始边缘车道线的长度特征是否符合车道线质量要求;
S307,在不符合车道线质量要求的情况下,从所述初始边缘车道线的候选相邻车道线中选择目标相邻车道线,并将所述目标相邻车道线移动至所述初始边缘车道线处,得到目标边缘车道线;
其中,所述候选相邻车道线位于所述道路区域中。
在本公开实施例中,初始边缘车道线的车道线特征可包括初始边缘车道线的语义置信度、偏差距离、长度特征等。通过结合初始边缘车道线的语义置信度、偏差距离、长度特征等,确定初始边缘车道线是否符合车道线质量要求。
在初始边缘车道线属于语义分割模型的输出结果的情况下,可从语义分割模型的输出结果中确定初始边缘车道线的语义置信度;在初始边缘车道线不属于语义分割模型的输出结果的情况下,即针对道路边缘有车道线的场景,可从语义分割模型获取位于初始边缘车道线附近的环境道路的语义置信度、环境要素的语义置信度,并将环境道路的语义置信度、环境要素的语义置信度均值,作为初始边缘车道线的语义置信度。
参考图3b,可连接初始边缘车道线L0的起终点,作为第一辅助线L1,并确定初始边缘车道线L0到所述第一辅助线L1之间的偏差距离d,作为初始边缘车道线的偏差距离;参考图3c,延长初始边缘车道线L0至目标图像的边界,得到第二辅助线L2,并分别确定初始边缘车道线的长度和第二辅助线的长度,且将初始边缘车道线L0的长度占第二辅助线L2的长度的比值,作为初始边缘车道线的长度特征。
示例性的,可将初始边缘车道线的语义置信度与预设的语义置信度阈值进行比较,若初始边缘车道线的语义置信度大于所述语义置信度阈值,则确定初始边缘车道线的语义置信度符合车道线质量要求;否则,确定初始边缘车道线的语义置信度不符合车道线质量要求。示例性的,可将初始边缘车道线的长度特征与预设的长度特征阈值进行比较,若初始边缘车道线的长度特征大于预设的长度特征阈值,则确定初始边缘车道线的长度特征符合车道线质量要求;否则,确定初始车道线的长度特征不符合车道线质量要求。示例性的,还可根据偏差距离阈值,确定初始边缘车道线的偏差距离是否符合车道线质量要求。其中,语义置信度阈值、长度特征阈值、偏差距离阈值均可为经验值,例如语义置信度阈值可取0.9,长度特征阈值可取0.8,偏差距离阈值可为4个像素。通过结合初始边缘车道线的语义置信度、偏差距离、长度特征等多种车道线特征,确定初始边缘车道线是否符合车道线质量要求,能够进一步提高目标边缘车道线的精度。
在一种可选实施方式中,确定所述初始边缘车道线的偏差距离是否符合车道线质量要求,包括:从所述初始边缘车道线的偏差距离中选择最小偏差距离和最大偏差距离;将所述最大偏差距离与所述第一辅助线的长度之间的比值,作为初始边缘车道线的弯曲程度特征;将所述最小偏差距离和所述最大偏差距离之间的差值,作为初始边缘车道线的偏差幅度特征;根据所述初始边缘车道线的偏差距离,确定初始边缘车道线的偏差距离方差;分别确定所述初始边缘车道线的弯曲程度特征、所述初始边缘车道线的偏差幅度特征和所述初始边缘车道线的偏差距离方差是否符合车道线质量要求。
示例性的,可将最大偏差距离与第一辅助线的长度之间的比值,作为弯曲程度特征;将最小偏差距离和最大偏差距离之间的差值,作为偏差幅度特征;并且,计算各偏差距离之间的方差,作为偏差距离方差。通过结合初始边缘车道线的弯曲程度特征、偏差幅度特征和偏差距离方差,确定初始边缘车道线的偏差距离方差是否符合车道线质量要求。
具体的,可分别确定初始边缘车道线的弯曲程度特征是否小于弯曲程度阈值,初始边缘车道线的偏差幅度特征是否小于偏差幅度阈值,初始边缘车道线的偏差距离方差是否小于方差阈值;若均小于相应阈值,则确定符合车道线质量要求;否则,不符合车道线质量要求。其中,弯曲程度阈值、偏差幅度阈值、方差阈值均可为经验值。需要说明的是,在相邻车道线的弯曲程度特征小于第一数值的情况下,可将第一数值作为初始边缘车道线的弯曲程度阈值;在相邻车道线的弯曲程度特征等于或大于第一数值的情况下,可将第二数值作为初始边缘车道线的弯曲程度阈值,其中,第一数值小于第二数值,二者均为经验值,例如分别为0.02和0.03。通过根据初始边缘车道线的偏差距离分别确定初始边缘车道线的弯曲程度特征、偏差幅度特征、偏差距离方差,并分别确定初始边缘车道线的弯曲程度特征、偏差幅度特征、偏差距离方差是否符合车道线质量要求,进一步提高了车道线质量处理精度,从而进一步提高目标边缘车道线的精度。
本公开实施例提供的技术方案,通过结合初始边缘车道线的语义置信度、长度特征、弯曲程度特征、偏差幅度特征、偏差距离方差,提高了车道线质量处理精度,从而进一步提高目标边缘车道线的精度。
图4是根据本公开实施例提供的又一种边缘车道线的生成方法的流程图。本实施例是在上述实施例的基础上提出的一种可选方案。参见图4,本实施例的边缘车道线的生成方法可以包括:
S401,对目标图像进行语义分割得到目标图像的语义分割结果;
S402,根据所述目标图像的语义分割结果确定所述目标图像中的初始边缘车道线;
S403,确定初始边缘车道线的车道线特征是否符合车道线质量要求;
S404,在不符合车道线质量要求的情况下,确定所述初始边缘车道线的关键点;
S405,针对所述初始边缘车道线的候选相邻车道线,确定候选相邻车道线的车道线特征是否符合所述车道线质量要求,并剔除不符合所述车道线质量要求的候选相邻车道线;
S406,确定所述关键点到剩余的候选相邻车道线之间的距离,并根据所述距离从所述初始边缘车道线的候选相邻车道线中选择目标相邻车道线;
S407,将所述目标相邻车道线平移至所述关键点处,得到目标边缘车道线。
其中,初始边缘车道线的关键点用于表征初始边缘车道线的位置信息。示例性的,可对初始边缘车道线中各边缘点求均值,得到关键点。
并且,针对初始边缘车道线的候选相邻车道线,可确定候选相邻车道线的车道线特征是否符合所述车道线质量要求,并剔除不符合车道线质量要求的候选相邻车道线,得到剩余的候选相邻车道线;确定初始边缘车道线的关键点到剩余的候选相邻车道线之间的距离,可将距离最小的候选相邻车道线作为目标相邻车道线,并将目标相邻车道线平移至关键点处,得到目标边缘车道线。在初始边缘车道线不符合车道线质量要求的情况下,通过选择符合车道线质量要求的候选相邻车道线,并根据到关键点的距离,从符合车道线质量要求的候选相邻车道线中选择目标边缘车道线,使得目标边缘车道线不仅符合车道线质量要求,而且与关键点之间的距离较近,还能降低平移难度,从而兼顾目标边缘车道线的精度和生成效率。
在一种可选实施方式中,确定候选相邻车道线的车道线特征是否符合所述车道线质量要求,包括:确定所述候选相邻车道线的语义置信度;为所述候选相邻车道线绘制第三辅助线,并确定所述候选边缘车道线到所述第三辅助线之间的偏差距离,作为候选相邻车道线的偏差距离;其中,所述第三辅助线与所述候选相邻车道线的起终点相同;延长所述候选相邻车道线至目标图像的边界,得到第四辅助线,并确定所述候选相邻车道线在所述第四辅助线中的长度占比,作为候选相邻车道线的长度特征;分别确定所述候选相邻车道线的语义置信度、所述候选相邻车道线的偏差距离和所述候选相邻车道线的长度特征是否符合所述车道线质量要求。
示例性的,确定候选相邻车道线的偏差距离是否符合车道线质量要求,包括:从所述候选相邻车道线的偏差距离中选择最小偏差距离和最大偏差距离;将所述最大偏差距离与所述第三辅助线的长度之间的比值,作为候选相邻车道线的弯曲程度特征;将所述最小偏差距离和所述最大偏差距离之间的差值,作为候选相邻车道线的偏差幅度特征;根据所述候选相邻车道线的偏差距离,确定候选相邻车道线的偏差距离方差;分别确定所述候选相邻车道线的弯曲程度特征、所述候选相邻车道线的偏差幅度特征和所述候选相邻车道线的偏差距离方差是否符合车道线质量要求。通过结合候选相邻车道线的语义置信度、长度特征、弯曲程度特征、偏差幅度特征、偏差距离方差,将不符合车道线质量要求的候选相邻车道线剔除,能够提高剩余的候选相邻车道线的质量,从而提高目标相邻车道线的质量。需要说明的是,候选相邻车道线的车道线特征是否符合车道线质量要求,与初始边缘车道线的车道线特征是否符合车道线质量要求的确定方式类似,不再赘述。
在一种可选实施方式中,所述确定所述初始边缘车道线的关键点,包括:根据所述目标图像中至少两个初始边缘车道线的长度和语义置信度,从所述至少两个初始边缘车道线中选择一个,作为边缘车道线段;对所述边缘车道线段中的边缘点求均值,作为所述初始边缘车道线的关键点。
针对目标图像中的至少两个初始边缘车道线,可将长度较小的初始边缘车道线滤除,并从剩余的初始边缘车道线中选择语义置信度最大的一个,作为边缘车道线段。并且,可对边缘车道线段中的边缘点求均值,得到初始边缘车道线的关键点。通过结合长度、语义置信度,从目标图像的至少两个初始边缘车道线中选择边缘车道线段,并对边缘车道线段中的边缘点求均值,得到关键点,能够提高关键点的准确度,从而提高根据关键点所绘制的目标边缘车道线的精度。
本公开实施例提供的技术方案,通过结合初始边缘车道线的关键点和车道线质量要求,为初始边缘车道线选择目标相邻车道线,并将目标相邻车道线平移至关键点处,得到目标边缘车道线,即通过对符合车道线质量要求的目标相邻车道线进行平移,得到目标边缘车道线,进一步提高了目标边缘车道线的精度。
图5是根据本公开实施例提供的一种边缘车道线的生成装置的结构示意图。本实施例适用于构建高精地图中边缘车道线的情况。该装置可以采用软件和/或硬件的方式实现,并可集成于承载用户终端设备中。如图5所示,本实施例的边缘车道线的生成装置500可以包括:
语义分割模块510,用于对目标图像进行语义分割得到目标图像的语义分割结果;
初始边缘线模块520,用于根据所述目标图像的语义分割结果确定所述目标图像中的初始边缘车道线;
车道线质量模块530,用于确定初始边缘车道线的车道线特征是否符合车道线质量要求;
车道线移动模块540,用于在不符合车道线质量要求的情况下,从所述初始边缘车道线的候选相邻车道线中选择目标相邻车道线,并将所述目标相邻车道线移动至所述初始边缘车道线处,得到目标边缘车道线;其中,所述候选相邻车道线位于所述道路区域中。
在一种可选实施方式中,所述语义分割模块510包括:
第一分割单元,用于对目标图像进行语义分割,得到目标图像中的道路区域和非道路区域;
边缘裁剪单元,用于根据所述道路区域和所述非道路区域,从所述目标图像中裁剪道路边缘图像;
第二分割单元,用于对所述道路边缘图像进行语义分割,得到所述道路边缘图像中的道路区域、非道路区域和车道线;
分割结果单元,用于根据所述目标图像中的道路区域和非道路区域,以及所述道路边缘图像中的道路区域、非道路区域和车道线,得到所述目标图像的语义分割结果。
在一种可选实施方式中,所述车道线质量模块530包括:
置信度单元,用于确定所述初始边缘车道线的语义置信度;
偏差距离单元,用于为所述初始边缘车道线绘制第一辅助线,并确定所述初始边缘车道线到所述第一辅助线之间的偏差距离,作为初始边缘车道线的偏差距离;其中,所述第一辅助线与所述初始边缘车道线的起终点相同;
长度特征单元,用于延长所述初始边缘车道线至目标图像的边界,得到第二辅助线,并确定所述初始边缘车道线在所述第二辅助线中的长度占比,作为初始边缘车道线的长度特征;
车道线质量单元,用于分别确定所述初始边缘车道线的语义置信度、所述初始边缘车道线的偏差距离和所述初始边缘车道线的长度特征是否符合车道线质量要求。
在一种可选实施方式中,所述车道线质量单元具体用于:
从所述初始边缘车道线的偏差距离中选择最小偏差距离和最大偏差距离;
将所述最大偏差距离与所述第一辅助线的长度之间的比值,作为初始边缘车道线的弯曲程度特征;
将所述最小偏差距离和所述最大偏差距离之间的差值,作为初始边缘车道线的偏差幅度特征;
根据所述初始边缘车道线的偏差距离,确定初始边缘车道线的偏差距离方差;
分别确定所述初始边缘车道线的弯曲程度特征、所述初始边缘车道线的偏差幅度特征和所述初始边缘车道线的偏差距离方差是否符合车道线质量要求。
在一种可选实施方式中,所述车道线移动模块540包括:
关键点单元,用于确定所述初始边缘车道线的关键点;
相邻质量单元,用于针对所述初始边缘车道线的候选相邻车道线,确定候选相邻车道线的车道线特征是否符合所述车道线质量要求,并剔除不符合所述车道线质量要求的候选相邻车道线;
相邻距离单元,用于确定所述关键点到剩余的候选相邻车道线之间的距离,并根据所述距离从所述初始边缘车道线的候选相邻车道线中选择目标相邻车道线;
车道线平移单元,用于将所述目标相邻车道线平移至所述关键点处,得到目标边缘车道线。
在一种可选实施方式中,所述相邻质量单元具体用于:
确定所述候选相邻车道线的语义置信度;
为所述候选相邻车道线绘制第三辅助线,并确定所述候选边缘车道线到所述第三辅助线之间的偏差距离,作为候选相邻车道线的偏差距离;其中,所述第三辅助线与所述候选相邻车道线的起终点相同;
延长所述候选相邻车道线至目标图像的边界,得到第四辅助线,并确定所述候选相邻车道线在所述第四辅助线中的长度占比,作为候选相邻车道线的长度特征;
分别确定所述候选相邻车道线的语义置信度、所述候选相邻车道线的偏差距离和所述候选相邻车道线的长度特征是否符合所述车道线质量要求。
在一种可选实施方式中,所述关键点单元具体用于:
根据所述目标图像中至少两个初始边缘车道线的长度和语义置信度,从所述至少两个初始边缘车道线中选择一个,作为边缘车道线段;
对所述边缘车道线段中的边缘点求均值,作为所述初始边缘车道线的关键点。
本公开实施例的技术方案,在目标图像中的初始边缘车道线不符合车道线质量要求的情况下,通过符合车道线质量要求的目标相邻车道线,并将目标相邻车道线移动至初始边缘车道线处得到目标边缘车道线,能够提高目标边缘车道线的质量,可用于绘制高精地图中的边缘车道线。
本公开的技术方案中,所涉及的用户个人信息的获取,存储和应用等,均符合相关法律法规的规定,且不违背公序良俗。
根据本公开的实施例,本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图6是用来实现本公开实施例的边缘车道线的生成方法的电子设备的框图。图6示出了可以用来实施本公开的实施例的示例电子设备600的示意性框图。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/或者要求的本公开的实现。
如图6所示,电子设备600包括计算单元601,其可以根据存储在只读存储器(ROM)602中的计算机程序或者从存储单元608加载到随机访问存储器(RAM)603中的计算机程序,来执行各种适当的动作和处理。在RAM 603中,还可存储电子设备600操作所需的各种程序和数据。计算单元601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
电子设备600中的多个部件连接至I/O接口605,包括:输入单元606,例如键盘、鼠标等;输出单元607,例如各种类型的显示器、扬声器等;存储单元608,例如磁盘、光盘等;以及通信单元609,例如网卡、调制解调器、无线通信收发机等。通信单元609允许电子设备600通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元601可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元601的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元601执行上文所描述的各个方法和处理,例如边缘车道线的生成方法。例如,在一些实施例中,边缘车道线的生成方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元608。在一些实施例中,计算机程序的部分或者全部可以经由ROM 602和/或通信单元609而被载入和/或安装到电子设备600上。当计算机程序加载到RAM 603并由计算单元601执行时,可以执行上文描述的边缘车道线的生成方法的一个或多个步骤。备选地,在其他实施例中,计算单元601可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行边缘车道线的生成方法。
本文中以上描述的***和技术的各种实施方式可以在数字电子电路***、集成电路***、现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上***的***(SOC)、复杂可编程逻辑设备(CPLD)、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。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行***、装置或设备使用或与指令执行***、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体***、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
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。服务器可以是云服务器,也可以为分布式***的服务器,或者是结合了区块链的服务器。
人工智能是研究使计算机来模拟人的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科,既有硬件层面的技术也有软件层面的技术。人工智能硬件技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理等技术;人工智能软件技术主要包括计算机视觉技术、语音识别技术、自然语言处理技术及机器学习/深度学习技术、大数据处理技术、知识图谱技术等几大方向。
云计算(cloud computing),指的是通过网络接入弹性可扩展的共享物理或虚拟资源池,资源可以包括服务器、操作***、网络、软件、应用和存储设备等,并可以按需、自服务的方式对资源进行部署和管理的技术体系。通过云计算技术,可以为人工智能、区块链等技术应用、模型训练提供高效强大的数据处理能力。
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,本发公开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,只要能够实现本公开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,并不构成对本公开保护范围的限制。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。任何在本公开的精神和原则之内所作的修改、等同替换和改进等,均应包含在本公开保护范围之内。
Claims (13)
1.一种边缘车道线的生成方法,包括:
对目标图像进行语义分割得到目标图像的语义分割结果;
根据所述目标图像的语义分割结果确定所述目标图像中的初始边缘车道线;
确定初始边缘车道线的车道线特征是否符合车道线质量要求;
在不符合车道线质量要求的情况下,从所述初始边缘车道线的候选相邻车道线中选择目标相邻车道线,并将所述目标相邻车道线移动至所述初始边缘车道线处,得到目标边缘车道线;其中,所述候选相邻车道线为与所述初始边缘车道线相邻且位于道路区域中的车道线;
其中,所述确定初始边缘车道线的车道线特征是否符合车道线质量要求,包括:
确定所述初始边缘车道线的语义置信度;
为所述初始边缘车道线绘制第一辅助线,并确定所述初始边缘车道线到所述第一辅助线之间的偏差距离,作为初始边缘车道线的偏差距离;其中,所述第一辅助线与所述初始边缘车道线的起终点相同;
延长所述初始边缘车道线至目标图像的边界,得到第二辅助线,并确定所述初始边缘车道线在所述第二辅助线中的长度占比,作为初始边缘车道线的长度特征;
分别确定所述初始边缘车道线的语义置信度、所述初始边缘车道线的偏差距离和所述初始边缘车道线的长度特征是否符合车道线质量要求;
其中,确定所述初始边缘车道线的偏差距离是否符合车道线质量要求,包括:
从所述初始边缘车道线的偏差距离中选择最小偏差距离和最大偏差距离;
将所述最大偏差距离与所述第一辅助线的长度之间的比值,作为初始边缘车道线的弯曲程度特征;
将所述最小偏差距离和所述最大偏差距离之间的差值,作为初始边缘车道线的偏差幅度特征;
根据所述初始边缘车道线的偏差距离,确定初始边缘车道线的偏差距离方差;
分别确定所述初始边缘车道线的弯曲程度特征、所述初始边缘车道线的偏差幅度特征和所述初始边缘车道线的偏差距离方差是否符合车道线质量要求。
2.根据权利要求1所述的方法,其中,所述对目标图像进行语义分割得到目标图像的语义分割结果,包括:
对目标图像进行语义分割,得到目标图像中的道路区域和非道路区域;
根据所述道路区域和所述非道路区域,从所述目标图像中裁剪道路边缘图像;
对所述道路边缘图像进行语义分割,得到所述道路边缘图像中的道路区域、非道路区域和车道线;
根据所述目标图像中的道路区域和非道路区域,以及所述道路边缘图像中的道路区域、非道路区域和车道线,得到所述目标图像的语义分割结果。
3.根据权利要求1或2所述的方法,其中,所述从所述初始边缘车道线的候选相邻车道线中选择目标相邻车道线,并将所述目标相邻车道线移动至所述初始边缘车道线处,得到目标边缘车道线,包括:
确定所述初始边缘车道线的关键点;
针对所述初始边缘车道线的候选相邻车道线,确定候选相邻车道线的车道线特征是否符合所述车道线质量要求,并剔除不符合所述车道线质量要求的候选相邻车道线;
确定所述关键点到剩余的候选相邻车道线之间的距离,并根据所述距离从所述初始边缘车道线的候选相邻车道线中选择目标相邻车道线;
将所述目标相邻车道线平移至所述关键点处,得到目标边缘车道线。
4.根据权利要求3所述的方法,其中,所述确定候选相邻车道线的车道线特征是否符合所述车道线质量要求,包括:
确定所述候选相邻车道线的语义置信度;
为所述候选相邻车道线绘制第三辅助线,并确定所述候选相邻车道线到所述第三辅助线之间的偏差距离,作为候选相邻车道线的偏差距离;其中,所述第三辅助线与所述候选相邻车道线的起终点相同;
延长所述候选相邻车道线至目标图像的边界,得到第四辅助线,并确定所述候选相邻车道线在所述第四辅助线中的长度占比,作为候选相邻车道线的长度特征;
分别确定所述候选相邻车道线的语义置信度、所述候选相邻车道线的偏差距离和所述候选相邻车道线的长度特征是否符合所述车道线质量要求。
5.根据权利要求3所述的方法,其中,所述确定所述初始边缘车道线的关键点,包括:
根据所述目标图像中至少两个初始边缘车道线的长度和语义置信度,从所述至少两个初始边缘车道线中选择一个,作为边缘车道线段;
对所述边缘车道线段中的边缘点求均值,作为所述初始边缘车道线的关键点。
6.一种边缘车道线的生成装置,包括:
语义分割模块,用于对目标图像进行语义分割得到目标图像的语义分割结果;
初始边缘线模块,用于根据所述目标图像的语义分割结果确定所述目标图像中的初始边缘车道线;
车道线质量模块,用于确定初始边缘车道线的车道线特征是否符合车道线质量要求;
车道线移动模块,用于在不符合车道线质量要求的情况下,从所述初始边缘车道线的候选相邻车道线中选择目标相邻车道线,并将所述目标相邻车道线移动至所述初始边缘车道线处,得到目标边缘车道线;其中,所述候选相邻车道线为与所述初始边缘车道线相邻且位于道路区域中的车道线;
其中,所述车道线质量模块包括:
置信度单元,用于确定所述初始边缘车道线的语义置信度;
偏差距离单元,用于为所述初始边缘车道线绘制第一辅助线,并确定所述初始边缘车道线到所述第一辅助线之间的偏差距离,作为初始边缘车道线的偏差距离;其中,所述第一辅助线与所述初始边缘车道线的起终点相同;
长度特征单元,用于延长所述初始边缘车道线至目标图像的边界,得到第二辅助线,并确定所述初始边缘车道线在所述第二辅助线中的长度占比,作为初始边缘车道线的长度特征;
车道线质量单元,用于分别确定所述初始边缘车道线的语义置信度、所述初始边缘车道线的偏差距离和所述初始边缘车道线的长度特征是否符合车道线质量要求;
其中,所述车道线质量单元具体用于:
从所述初始边缘车道线的偏差距离中选择最小偏差距离和最大偏差距离;
将所述最大偏差距离与所述第一辅助线的长度之间的比值,作为初始边缘车道线的弯曲程度特征;
将所述最小偏差距离和所述最大偏差距离之间的差值,作为初始边缘车道线的偏差幅度特征;
根据所述初始边缘车道线的偏差距离,确定初始边缘车道线的偏差距离方差;
分别确定所述初始边缘车道线的弯曲程度特征、所述初始边缘车道线的偏差幅度特征和所述初始边缘车道线的偏差距离方差是否符合车道线质量要求。
7.根据权利要求6所述的装置,其中,所述语义分割模块包括:
第一分割单元,用于对目标图像进行语义分割,得到目标图像中的道路区域和非道路区域;
边缘裁剪单元,用于根据所述道路区域和所述非道路区域,从所述目标图像中裁剪道路边缘图像;
第二分割单元,用于对所述道路边缘图像进行语义分割,得到所述道路边缘图像中的道路区域、非道路区域和车道线;
分割结果单元,用于根据所述目标图像中的道路区域和非道路区域,以及所述道路边缘图像中的道路区域、非道路区域和车道线,得到所述目标图像的语义分割结果。
8.根据权利要求6或7所述的装置,其中,所述车道线移动模块包括:
关键点单元,用于确定所述初始边缘车道线的关键点;
相邻质量单元,用于针对所述初始边缘车道线的候选相邻车道线,确定候选相邻车道线的车道线特征是否符合所述车道线质量要求,并剔除不符合所述车道线质量要求的候选相邻车道线;
相邻距离单元,用于确定所述关键点到剩余的候选相邻车道线之间的距离,并根据所述距离从所述初始边缘车道线的候选相邻车道线中选择目标相邻车道线;
车道线平移单元,用于将所述目标相邻车道线平移至所述关键点处,得到目标边缘车道线。
9.根据权利要求8所述的装置,其中,所述相邻质量单元具体用于:
确定所述候选相邻车道线的语义置信度;
为所述候选相邻车道线绘制第三辅助线,并确定所述候选相邻车道线到所述第三辅助线之间的偏差距离,作为候选相邻车道线的偏差距离;其中,所述第三辅助线与所述候选相邻车道线的起终点相同;
延长所述候选相邻车道线至目标图像的边界,得到第四辅助线,并确定所述候选相邻车道线在所述第四辅助线中的长度占比,作为候选相邻车道线的长度特征;
分别确定所述候选相邻车道线的语义置信度、所述候选相邻车道线的偏差距离和所述候选相邻车道线的长度特征是否符合所述车道线质量要求。
10.根据权利要求8所述的装置,其中,所述关键点单元具体用于:
根据所述目标图像中至少两个初始边缘车道线的长度和语义置信度,从所述至少两个初始边缘车道线中选择一个,作为边缘车道线段;
对所述边缘车道线段中的边缘点求均值,作为所述初始边缘车道线的关键点。
11. 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1-5中任一项所述的边缘车道线的生成方法。
12.一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计算机执行根据权利要求1-5中任一项所述的边缘车道线的生成方法。
13.一种计算机程序产品,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权利要求1-5中任一项所述的边缘车道线的生成方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210641413.2A CN115049997B (zh) | 2022-06-07 | 2022-06-07 | 边缘车道线的生成方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210641413.2A CN115049997B (zh) | 2022-06-07 | 2022-06-07 | 边缘车道线的生成方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115049997A CN115049997A (zh) | 2022-09-13 |
CN115049997B true CN115049997B (zh) | 2023-03-17 |
Family
ID=83161150
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210641413.2A Active CN115049997B (zh) | 2022-06-07 | 2022-06-07 | 边缘车道线的生成方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115049997B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118149840B (zh) * | 2024-04-11 | 2024-07-23 | 腾讯科技(深圳)有限公司 | 车道线生成方法、装置、电子设备、存储介质和程序产品 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113436190A (zh) * | 2021-07-30 | 2021-09-24 | 重庆长安汽车股份有限公司 | 一种基于车道线曲线系数的车道线质量计算方法、装置及汽车 |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102521589B (zh) * | 2011-11-18 | 2013-06-12 | 深圳市宝捷信科技有限公司 | 一种车道线检测的方法及*** |
US10296795B2 (en) * | 2017-06-26 | 2019-05-21 | Here Global B.V. | Method, apparatus, and system for estimating a quality of lane features of a roadway |
US10997431B2 (en) * | 2018-06-05 | 2021-05-04 | GM Global Technology Operations LLC | Controlling a vehicle using an alternate anchor line |
CN109711242B (zh) * | 2018-10-31 | 2021-04-20 | 百度在线网络技术(北京)有限公司 | 车道线的修正方法、装置和存储介质 |
CN110781768A (zh) * | 2019-09-30 | 2020-02-11 | 奇点汽车研发中心有限公司 | 目标对象检测方法和装置、电子设备和介质 |
CN112639765B (zh) * | 2020-04-18 | 2022-02-11 | 华为技术有限公司 | 车道线识别异常事件确定方法、车道线识别装置及*** |
CN111563463A (zh) * | 2020-05-11 | 2020-08-21 | 上海眼控科技股份有限公司 | 路面车道线识别方法、装置、电子设备及存储介质 |
CN112132109A (zh) * | 2020-10-10 | 2020-12-25 | 北京百度网讯科技有限公司 | 车道线处理和车道定位方法、装置、设备及存储介质 |
CN112883853A (zh) * | 2021-02-04 | 2021-06-01 | 湖北文理学院 | 车道线的检测方法、装置、设备及存储介质 |
CN112862845B (zh) * | 2021-02-26 | 2023-08-22 | 长沙慧联智能科技有限公司 | 一种基于置信度评估的车道线重构方法及装置 |
-
2022
- 2022-06-07 CN CN202210641413.2A patent/CN115049997B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113436190A (zh) * | 2021-07-30 | 2021-09-24 | 重庆长安汽车股份有限公司 | 一种基于车道线曲线系数的车道线质量计算方法、装置及汽车 |
Also Published As
Publication number | Publication date |
---|---|
CN115049997A (zh) | 2022-09-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112233240B (zh) | 三维矢量地图的三维矢量数据切片方法、装置及电子设备 | |
CN113191256A (zh) | 车道线检测模型的训练方法、装置、电子设备及存储介质 | |
CN113298910A (zh) | 生成交通标志线地图的方法、设备和存储介质 | |
CN112652036A (zh) | 道路数据的处理方法、装置、设备及存储介质 | |
CN114648676A (zh) | 点云处理模型的训练和点云实例分割方法及装置 | |
CN114627257A (zh) | 三维路网地图的构建方法、装置、电子设备和存储介质 | |
CN113205041A (zh) | 结构化信息提取方法、装置、设备和存储介质 | |
CN114626169A (zh) | 交通路网优化方法、装置、设备、可读存储介质及产品 | |
CN114443794A (zh) | 数据处理和地图更新方法、装置、设备以及存储介质 | |
CN115049997B (zh) | 边缘车道线的生成方法、装置、电子设备及存储介质 | |
CN113096181B (zh) | 设备位姿的确定方法、装置、存储介质及电子装置 | |
CN114111813B (zh) | 高精地图元素更新方法、装置、电子设备及存储介质 | |
US20230213353A1 (en) | Method of updating road information, electronic device, and storage medium | |
CN110363847B (zh) | 一种基于点云数据的地图模型构建方法和装置 | |
CN114166238B (zh) | 车道线的识别方法、装置及电子设备 | |
CN115527028A (zh) | 地图数据处理方法及装置 | |
CN116152702A (zh) | 点云标签的获取方法、装置、电子设备和自动驾驶车辆 | |
CN115830268A (zh) | 用于优化感知算法的数据的获取方法、装置和存储介质 | |
CN115171094A (zh) | 一种道路要素确定方法、装置、设备以及存储介质 | |
CN113989300A (zh) | 车道线分割的方法、装置、电子设备和存储介质 | |
CN113723405A (zh) | 区域轮廓的确定方法、装置和电子设备 | |
CN114036247A (zh) | 高精地图数据关联方法、装置、电子设备及存储介质 | |
CN113706705A (zh) | 用于高精地图的图像处理方法、装置、设备以及存储介质 | |
US20230142243A1 (en) | Device environment identification method and apparatus, electronic device, and autonomous vehicle | |
CN114111814B (zh) | 高精地图数据处理方法、装置、电子设备及存储介质 |
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 |