CN115620258A - 车道线检测方法、装置、存储介质及车辆 - Google Patents
车道线检测方法、装置、存储介质及车辆 Download PDFInfo
- Publication number
- CN115620258A CN115620258A CN202211464330.7A CN202211464330A CN115620258A CN 115620258 A CN115620258 A CN 115620258A CN 202211464330 A CN202211464330 A CN 202211464330A CN 115620258 A CN115620258 A CN 115620258A
- Authority
- CN
- China
- Prior art keywords
- lane line
- lane
- lines
- category
- alternative
- 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 abstract description 74
- 238000000034 method Methods 0.000 claims abstract description 27
- 230000015654 memory Effects 0.000 claims description 29
- 238000012216 screening Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 6
- 238000004891 communication Methods 0.000 description 22
- 238000012545 processing Methods 0.000 description 14
- 238000004422 calculation algorithm Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 8
- 230000008447 perception Effects 0.000 description 8
- 230000006870 function Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 230000006399 behavior Effects 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 230000001133 acceleration Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 230000005291 magnetic effect Effects 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 230000005236 sound signal Effects 0.000 description 4
- 230000001629 suppression Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 3
- 230000010267 cellular communication Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 239000000446 fuel Substances 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- LFQSCWFLJHTTHZ-UHFFFAOYSA-N Ethanol Chemical compound CCO LFQSCWFLJHTTHZ-UHFFFAOYSA-N 0.000 description 2
- ATUOYWHBWRKTHZ-UHFFFAOYSA-N Propane Chemical compound CCC ATUOYWHBWRKTHZ-UHFFFAOYSA-N 0.000 description 2
- 230000009471 action Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000002485 combustion reaction Methods 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 230000001276 controlling effect Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 239000001294 propane Substances 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000000926 separation 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
- 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
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Multimedia (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Traffic Control Systems (AREA)
Abstract
本公开涉及一种车道线检测方法、装置、存储介质及车辆,其中,所述方法包括:获取车道线识别结果,所述车道线识别结果包括多个备选车道线;依据备选车道线与车辆的相对位置,将所述多个备选车道线划分为多个分组;对于每一所述分组,获取所述分组内的所有备选车道线的类别预测结果,并根据所述类别预测结果将具有最高概率值的备选车道线作为目标车道线,所述类别预测结果包括所述分组内每一备选车道线的预测类别及属于所述预测类别的概率值;获取每一所述分组的目标车道线,将所有目标车道线保存为检测结果,上述方法通过相对位置及类别信息对备选车道线进行多次重复抑制,提升了车道线检测的精度,且耗时较少,算力消耗较小。
Description
技术领域
本公开涉及目标检测技术领域,尤其涉及一种车道线检测方法、装置、存储介质及车辆。
背景技术
在自动驾驶相关技术中,使用目标检测算法对道路上的车辆、行人、标识等进行检测。
在对车道线的识别中,使用算法例如基于实例分割的车道线检测算法对车辆感知的环境进行检测,该方法能够检测图像中的所有车道线,但需要使用非极大值抑制算法避免过多的误检与重复检测问题。在自然场景的实例分割与目标检测算法中,非极大值抑制算法通过计算不同目标间的交并比解决实例间的重复检测问题。
尽管非极大值抑制算法通过不同车道线间的交并比能够解决重复检测问题,但是同一类别车道线之间交并比的计算过程较为费时、需要占用较多算力。
发明内容
为克服相关技术中存在的问题,本公开提供一种车道线检测方法、装置、存储介质及车辆。
根据本公开实施例的第一方面,提供一种车道线检测方法,包括:获取车道线识别结果,所述车道线识别结果包括多个备选车道线;依据备选车道线与车辆的相对位置,将所述多个备选车道线划分为多个分组;对于每一所述分组,获取所述分组内的所有备选车道线的类别预测结果,并根据所述类别预测结果将具有最高概率值的备选车道线作为目标车道线,所述类别预测结果包括所述分组内每一备选车道线的预测类别及属于所述预测类别的概率值;获取每一所述分组的目标车道线,将所有目标车道线保存为检测结果。
可选的,所述获取所述分组内的所有备选车道线的类别预测结果,并根据所述类别预测结果将具有最高概率值的备选车道线作为目标车道线,包括:依据所述类别预测结果,将所述分组内的所有备选车道线划分为多个类别;获取每一所述类别下具有最高概率值的备选车道线,将所获取的备选车道线作为目标车道线。
可选的,所述依据所述类别预测结果,将所述分组内的所有备选车道线划分为多个类别,还包括:当所述多个类别中存在冲突的至少两个类别时,获取所述至少两个类别中每一类别下具有最高概率值的备选车道线并作为待选车道线;依据待选车道线之间的距离对所述至少两个类别的待选车道线进行筛选,获取所述目标车道线。
可选的,所述依据待选车道线之间的距离对所述至少两个类别的待选车道线进行筛选,获取所述目标车道线,包括:获取每一所述待选车道线的中心,计算每两个所述待选车道线中心之间的距离;当每两个所述待选车道线中心之间的距离均小于阈值时,将各个所述待选车道线中具有最高概率值的待选车道线作为目标车道线。
可选的,所述方法还包括:当任意两个所述待选车道线中心之间的距离大于所述阈值时,将所述任意两个所述待选车道线均作为目标车道线。
可选的,所述方法还包括:获取道路图像;将所述道路图像输入车道线检测模型中,获取所述车道线识别结果,所述车道线检测模型是预先训练好的,所述车道检测模型被配置为识别图像中的车道线及车道线的形状、类别、与车辆的相对位置。
根据本公开实施例的第二方面,提供一种车道线检测装置,包括:获取模块,被配置为获取车道线识别结果,所述车道线识别结果包括多个备选车道线;分组模块,被配置为依据备选车道线与车辆的相对位置,将所述多个备选车道线划分为多个分组;分类模块,被配置为对于每一所述分组,获取所述分组内的所有备选车道线的类别预测结果,并根据所述类别预测结果将具有最高概率值的备选车道线作为目标车道线,所述类别预测结果包括所述分组内每一备选车道线的预测类别及属于所述预测类别的概率值;检测结果生成模块,被配置为获取每一所述分组的目标车道线,将所有目标车道线保存为检测结果。
根据本公开实施例的第三方面,提供一种车道线检测装置,包括:处理器;用于存储处理器可执行指令的存储器;其中,所述处理器被配置为:实现本公开第一方面所提供的车道线检测方法的步骤。
根据本公开实施例的第四方面,提供一种计算机可读存储介质,其上存储有计算机程序指令,该程序指令被处理器执行时实现本公开第一方面所提供的车道线检测方法的步骤。
根据本公开实施例的第五方面,提供一种车辆,所述车辆用于实现本公开第一方面所提供的车道线检测方法的步骤。
本公开的实施例提供的技术方案可以包括以下有益效果:通过车道线与车辆的相对位置进行分组,再通过车道线的类别信息对组内车道线进行筛选,从而通过相对位置及类别信息对检测结果中的备选车道线进行多次重复抑制,提升了车道线检测的精度,减少车道线的误报,且相比于相关技术,不需要计算不同车道线间的交并比,因而耗时较少,算力消耗较小。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理。
图1是根据一示例性实施例示出的一种车道线检测方法的流程图;
图2是根据一示例性实施例示出的一种车道线检测装置的框图;
图3是根据一示例性实施例示出的另一种用于实现上述车道线检测方法的装置的框图;
图4是根据一示例性实施例示出的一种车辆的功能框图示意图;
图5是根据一示例性实施例示出的再一种用于实现上述车道线检测方法的装置的框图。
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。
需要说明的是,本申请中所有获取信号、信息或数据的动作都是在遵照所在地国家相应的数据保护法规政策的前提下,并获得由相应装置所有者给予授权的情况下进行的。
图1是根据一示例性实施例示出的一种车道线检测方法的流程图,如图1所示,车道线检测方法用于终端中,包括以下步骤。
在步骤S110中,获取车道线识别结果,所述车道线识别结果包括多个备选车道线。
获取对车辆周围的车道线的识别结果,所述识别结果中包括多个识别出的车道线,这些被识别出的车道线即备选车道线。车道线识别结果中的备选车道线可能是对同一车道线不同识别结果,例如对于车道线line1,识别结果中备选车道线1、备选车道线2都是对该车道线的识别。备选车道线还可能是对多条车道线的多个识别结果,例如在车辆转弯的情况下包括:当前正在行驶车道的车道线line2、准备进入车道的车道线line3、相邻车道的车道线line4,对于这三条车道线识别结果可能包括:备选车道线1、备选车道线2、备选车道线3、备选车道线4、备选车道线5、备选车道线6。
可选的,所述方法还包括:获取道路图像;将所述道路图像输入车道线检测模型中,获取所述车道线识别结果,所述车道线检测模型是预先训练好的,所述车道线检测模型被配置为识别图像中的车道线及车道线的形状、类别、与车辆的相对位置。
在本申请的一个实施例中,采用计算机视觉的方法生成车道线识别结果:通过车辆上的摄像头模组获取道路图像,对于获取的道路图像将其输入预先训练好的车道线检测模型中生成识别结果。
所述车道线检测模型的训练过程可以包括:使用训练数据对基础模型进行训练,训练数据中包括多个样例,所述样例为包含车道线的图像,且图像中出现的所有的车道线均被标注。标注内容包括:车道线的形状、车道线的类别、车道线相对车辆的位置;车道线的形状用关键点的方式进行定义如实线、虚线,车道线的类别可通过功能与语义结合的方式进行定义,如白实线、双黄线、汇入汇出线,车道线相对车辆的位置可以是:左侧线,右侧线、左左线、右右线,左左线指当前车道旁边左侧车道的车道线,右右线同样指当前车道旁边右侧车道的车道线。基础模型指经过预训练的模型如CNN(Convolutional Neural Network,卷积神经网络)、R-CNN(Region- Convolutional Neural Network,区域-卷积神经网络)、Fast R-CNN(快速R-CNN)等。
基础模型使用训练数据训练完成后,得到车道线检测模型,车道线模型能够检测出输入图像中的车道线,并给出车道线的关键点组成的形状信息,车道线的类别信息,及车道线相对车辆的位置信息。
在步骤S120中,依据备选车道线与车辆的相对位置,将所述多个备选车道线划分为多个分组。
对于识别结果中的所有备选车道线,获取每一备选车道线相对于车辆的位置,依据相对位置对备选车道线进行分组。例如,相对位置可能是车道线相对于车辆的方向如左、右、左左、右右,依据此标准将备选车道线分为:左侧组、右侧组、左左侧组、右右侧组。
在本申请的一个实施例中,识别结果中每一备选车道线带有相对位置信息,相对位置信息包括:左侧线,右侧线、左左线、右右线,依据相对位置信息,将备选车道线进行分组,分为左侧线组,右侧线组、左左线组、右右线组。
在步骤S130中,对于每一所述分组,获取所述分组内的所有备选车道线的类别预测结果,并根据所述类别预测结果将具有最高概率值的备选车道线作为目标车道线,所述类别预测结果包括所述分组内每一备选车道线的预测类别及属于所述预测类别的概率值。
对于上述获得的每一备选车道线分组,对于该分组内的所有备选车道线进行类别预测,在类别预测过程中需要保留车道线的类别概率。例如,设置三种类别:指示标线类、禁止标线类、警告标线类,指示标线类用于指示车行道、行车方向的标线,禁止标线类用于告示道路交通的遵行、禁止等特殊规定的标线,警告标线类用于促使车辆驾驶人及行人了解道路上的特殊情况的标线。对于上述左侧组、右侧组、左左侧组、右右侧组,在每一分组中依据备选车道的特征进行类别预测,预测结果中需要保留该车道线属于该类别的概率值,例如,使用神经网络对左侧组中备选车道线进行分类预测,分类时神经网络通常会输出备选车道线属于每一类别的概率,如(指示标线类,0.7;禁止标线类,0.2;警告标线类,0.1)。将概率值最高的类别作为对该备选车道线的分类预测,并备选车道线保留该类的概率。
对每一分组,对内所有备选车道线进行分类预测,获得分类预测结果后,将组内具有最大概率值的备选车道线作为目标车道线,即将具有最大概率值的备选车道线保存为重复抑制结果。
在本申请一个实施例中,识别结果中每一备选车道线携带有类别预测信息,类别预测信息表示该车道线属于哪一类别及属于该类别的概率值,如(白实线,0.8)。
依据备选车道线携带的类别预测信息,将组内具有最大概率值的备选车道线保留,作为目标车道线。
可选的,所述获取所述分组内的所有备选车道线的类别预测结果,并根据所述类别预测结果将具有最高概率值的备选车道线作为目标车道线,包括:依据所述类别预测结果,将所述分组内的所有备选车道线划分为多个类别;获取每一所述类别下具有最高概率值的备选车道线,将所获取的备选车道线作为目标车道线。
对于每一备选车道线组,依据该分组的类别预测结果对组内的所有备选车道线进行分类,对于每一类别,查找该类别下具有最高概率值的备选车道线,进行保存,即将分组内每一类别下具有最高概率值的车道线都作为目标车道线。
在本申请实施例中,进一步的进行细分,对每一类别下的备选车道线进行抑制,获取每一类别下备选车道线,扩大获取范围,获取所有可能的车道线。
在本申请一个实施例中,所述依据所述类别预测结果,将所述分组内的所有备选车道线划分为多个类别,还包括:当所述多个类别中存在冲突的至少两个类别时,获取所述至少两个类别中每一类别下具有最高概率值的备选车道线并作为待选车道线;依据待选车道线之间的距离对所述至少两个类别的待选车道线进行筛选,获取所述目标车道线。
对组内的所有备选车道线进行分类后,获取分类结果,判断分类结果中是否存在冲突的多个类别,冲突条件是预设的,如将白实线与汇入汇出线设为冲突类别,可以理解的,车道线是依据一定规则如交规来分布,在交规中,实线与汇入汇出线通常不能同时存在。当分类结果中存在冲突的多个类别时,获取这些存在冲突的多个类别中每一个类别下具有最高概率值的车道线,将所获取的车道线作为待选车道线。例如,获取白实线下具有最高概率值的车道线如line1作为待选车道线1,获取汇入汇出线下具有最高概率值的车道线如line2作为待选车道线2。
依据待选车道线1和待选车道线2之间的距离进行车道线筛选,获取这些存在冲突的多个类别的目标车道线。
本申请实施例中,还利用车道线类别之间的冲突关系对车道线进行进一步抑制,实现最大范围抑制,排除错误的车道线。
进一步的,所述依据待选车道线之间的距离对所述至少两个类别的待选车道线进行筛选,获取所述目标车道线,包括:获取每一所述待选车道线的中心,计算每两个所述待选车道线中心之间的距离;当每两个所述待选车道线中心之间的距离均小于阈值时,将各个所述待选车道线中具有最高概率值的待选车道线作为目标车道线。
进一步的,当任意两个所述待选车道线中心之间的距离大于所述阈值时,将所述任意两个所述待选车道线均作为目标车道线。
在本申请一个实施例中,待选车道线的筛选可以是:
获取每一个待选车道线的中心,中心可以具体情况进行指定,例如,在采用计算机视觉的方法获取的识别结果中,每一备选车道线以锚框的形式输出,当需要选择待选车道线的中心时,可以将锚框的锚点作为中心。
计算待选车道线中心之间的距离,当所述待选车道线中心之间的距离小于阈值时,表明可能存在重复检测,可以将具有最高概率值的待选车道线作为冲突类别中的多个类别的目标车道线。
当待选车道线中心之间的距离大于阈值时,将所有的待选车道线作为冲突类别中的多个类别的目标车道线。
在步骤S140中,获取每一所述分组的目标车道线,将所有目标车道线保存为检测结果。
对每一车道线分组执行上述步骤S130,得到每一分组的目标车道线,将所有车道线分组的目标车道线作为车道线的检测结果。
在上述车道线检测方法中,通过车道线与车辆的相对位置进行分组,再通过车道线的类别信息对组内车道线筛选,从而通过相对位置及类别信息对检测结果中的备选车道线进行多次重复抑制,提升了车道线检测的精度,减少车道线的误报,且相比于相关技术,不需要计算不同车道线间的交并比,因而耗时较少,算力消耗较小。
图2是根据一示例性实施例示出的一种车道线检测装置框图。参照图2,该装置包括检测模块获取模块210,分组模块220,分类模块230和检测结果生成模块240。
获取模块210,被配置为获取车道线识别结果,所述车道线识别结果包括多个备选车道线;
分组模块220,被配置为依据备选车道线与车辆的相对位置,将所述多个备选车道线划分为多个分组;
分类模块230,被配置为对于每一所述分组,获取所述分组内的所有备选车道线的类别预测结果,并根据所述类别预测结果将具有最高概率值的备选车道线作为目标车道线,所述类别预测结果包括所述分组内每一备选车道线的预测类别及属于所述预测类别的概率值;
检测结果生成模块240,被配置为获取每一所述分组的目标车道线,将所有目标车道线保存为检测结果。
关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
本公开还提供一种计算机可读存储介质,其上存储有计算机程序指令,该程序指令被处理器执行时实现本公开提供的车道线检测方法的步骤。
图3是根据一示例性实施例示出的另一种用于实现上述车道线检测方法的装置300的框图。例如,装置300可以是移动电话,计算机,数字广播终端,消息收发设备,游戏控制台,平板设备,医疗设备,健身设备,个人数字助理等。
参照图3,装置300可以包括以下一个或多个组件:第一处理组件302,第一存储器304,第一电源组件306,多媒体组件308,音频组件310,第一输入/输出接口312,传感器组件314,以及通信组件316。
第一处理组件302通常控制装置300的整体操作,诸如与显示,电话呼叫,数据通信,相机操作和记录操作相关联的操作。第一处理组件302可以包括一个或多个第一处理器320来执行指令,以完成上述的方法的全部或部分步骤。此外,第一处理组件302可以包括一个或多个模块,便于第一处理组件302和其他组件之间的交互。例如,第一处理组件302可以包括多媒体模块,以方便多媒体组件308和第一处理组件302之间的交互。
第一存储器304被配置为存储各种类型的数据以支持在装置300的操作。这些数据的示例包括用于在装置300上操作的任何应用程序或方法的指令,联系人数据,电话簿数据,消息,图片,视频等。第一存储器304可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘。
第一电源组件306为装置300的各种组件提供电力。第一电源组件306可以包括电源管理***,一个或多个电源,及其他与为装置300生成、管理和分配电力相关联的组件。
多媒体组件308包括在所述装置300和用户之间的提供一个输出接口的屏幕。在一些实施例中,屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板,屏幕可以被实现为触摸屏,以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界,而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中,多媒体组件308包括一个前置摄像头和/或后置摄像头。当装置300处于操作模式,如拍摄模式或视频模式时,前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜***或具有焦距和光学变焦能力。
音频组件310被配置为输出和/或输入音频信号。例如,音频组件310包括一个麦克风(MIC),当装置300处于操作模式,如呼叫模式、记录模式和语音识别模式时,麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在第一存储器304或经由通信组件316发送。在一些实施例中,音频组件310还包括一个扬声器,用于输出音频信号。
第一输入/输出接口312为第一处理组件302和***接口模块之间提供接口,上述***接口模块可以是键盘,点击轮,按钮等。这些按钮可包括但不限于:主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件314包括一个或多个传感器,用于为装置300提供各个方面的状态评估。例如,传感器组件314可以检测到装置300的打开/关闭状态,组件的相对定位,例如所述组件为装置300的显示器和小键盘,传感器组件314还可以检测装置300或装置300一个组件的位置改变,用户与装置300接触的存在或不存在,装置300方位或加速/减速和装置300的温度变化。传感器组件314可以包括接近传感器,被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件314还可以包括光传感器,如CMOS或CCD图像传感器,用于在成像应用中使用。在一些实施例中,该传感器组件314还可以包括加速度传感器,陀螺仪传感器,磁传感器,压力传感器或温度传感器。
通信组件316被配置为便于装置300和其他设备之间有线或无线方式的通信。装置300可以接入基于通信标准的无线网络,如WiFi,2G或3G,或它们的组合。在一个示例性实施例中,通信组件316经由广播信道接收来自外部广播管理***的广播信号或广播相关信息。在一个示例性实施例中,所述通信组件316还包括近场通信(NFC)模块,以促进短程通信。例如,在NFC模块可基于射频识别(RFID)技术,红外数据协会(IrDA)技术,超宽带(UWB)技术,蓝牙(BT)技术和其他技术来实现。
在示例性实施例中,装置300可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行上述车道线检测方法。
在示例性实施例中,还提供了一种包括指令的非临时性计算机可读存储介质,例如包括存储指令的第一存储器304,上述指令可由装置300的第一处理器320执行以完成上述车道线检测方法。例如,所述非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
上述装置除了可以是独立的电子设备外,也可是独立电子设备的一部分,例如在一种实施例中,该装置可以是集成电路(Integrated Circuit,IC)或芯片,其中该集成电路可以是一个IC,也可以是多个IC的集合;该芯片可以包括但不限于以下种类:GPU(GraphicsProcessing Unit,图形处理器)、CPU(Central Processing Unit,中央处理器)、FPGA(Field Programmable Gate Array,可编程逻辑阵列)、DSP(Digital Signal Processor,数字信号处理器)、ASIC(Application Specific Integrated Circuit,专用集成电路)、SOC(System on Chip,SoC,片上***或***级芯片)等。上述的集成电路或芯片中可以用于执行可执行指令(或代码),以实现上述的车道线检测方法。其中该可执行指令可以存储在该集成电路或芯片中,也可以从其他的装置或设备获取,例如该集成电路或芯片中包括处理器、存储器,以及用于与其他的装置通信的接口。该可执行指令可以存储于该存储器中,当该可执行指令被处理器执行时实现上述的车道线检测方法;或者,该集成电路或芯片可以通过该接口接收可执行指令并传输给该处理器执行,以实现上述的车道线检测方法。
参阅图4,图4是一示例性实施例示出的一种车辆400的功能框图示意图。车辆400可以被配置为完全或部分自动驾驶模式。例如,车辆400可以通过感知***420获取其周围的环境信息,并基于对周边环境信息的分析得到自动驾驶策略以实现完全自动驾驶,或者将分析结果呈现给用户以实现部分自动驾驶。
车辆400可包括各种子***,例如,信息娱乐***410、感知***420、决策控制***430、驱动***440以及计算平台450。可选的,车辆400可包括更多或更少的子***,并且每个子***都可包括多个部件。另外,车辆400的每个子***和部件可以通过有线或者无线的方式实现互连。
在一些实施例中,信息娱乐***410可以包括通信***411,娱乐***412以及导航***413。
通信***411可以包括无线通信***,无线通信***可以直接地或者经由通信网络来与一个或多个设备无线通信。例如,无线通信***可使用3G蜂窝通信,例如CDMA、EVD0、GSM/GPRS,或者4G蜂窝通信,例如LTE。或者5G蜂窝通信。无线通信***可利用WiFi与无线局域网(wireless local area network,WLAN)通信。在一些实施例中,无线通信***可利用红外链路、蓝牙或ZigBee与设备直接通信。其他无线协议,例如各种车辆通信***,例如,无线通信***可包括一个或多个专用短程通信(dedicated short range communications,DSRC)设备,这些设备可包括车辆和/或路边台站之间的公共和/或私有数据通信。
娱乐系412可以包括显示设备,麦克风和音响,用户可以基于娱乐***在车内收听广播,播放音乐;或者将手机和车辆联通,在显示设备上实现手机的投屏,显示设备可以为触控式,用户可以通过触摸屏幕进行操作。
在一些情况下,可以通过麦克风获取用户的语音信号,并依据对用户的语音信号的分析实现用户对车辆400的某些控制,例如调节车内温度等。在另一些情况下,可以通过音响向用户播放音乐。
导航***413可以包括由地图供应商所提供的地图服务,从而为车辆400提供行驶路线的导航,导航***413可以和车辆的全球定位***421、惯性测量单元422配合使用。地图供应商所提供的地图服务可以为二维地图,也可以是高精地图。
感知***420可包括感测关于车辆400周边的环境的信息的若干种传感器。例如,感知***420可包括全球定位***421(全球定位***可以是GPS***,也可以是北斗***或者其他定位***)、惯性测量单元(inertial measurement unit,IMU)422、激光雷达423、毫米波雷达424、超声雷达425以及摄像装置426。感知***420还可包括被监视车辆400的内部***的传感器(例如,车内空气质量监测器、燃油量表、机油温度表等)。来自这些传感器中的一个或多个的传感器数据可用于检测对象及其相应特性(位置、形状、方向、速度等)。这种检测和识别是车辆400的安全操作的关键功能。
全球定位***421用于估计车辆400的地理位置。
惯性测量单元422用于基于惯性加速度来感测车辆400的位姿变化。在一些实施例中,惯性测量单元422可以是加速度计和陀螺仪的组合。
激光雷达423利用激光来感测车辆400所位于的环境中的物体。在一些实施例中,激光雷达423可包括一个或多个激光源、激光扫描器以及一个或多个检测器,以及其他***组件。
毫米波雷达424利用无线电信号来感测车辆400的周边环境内的物体。在一些实施例中,除了感测物体以外,毫米波雷达424还可用于感测物体的速度和/或前进方向。
超声雷达425可以利用超声波信号来感测车辆400周围的物体。
摄像装置426用于捕捉车辆400的周边环境的图像信息。摄像装置426可以包括单目相机、双目相机、结构光相机以及全景相机等,摄像装426获取的图像信息可以包括静态图像,也可以包括视频流信息。
决策控制***430包括基于感知***420所获取的信息进行分析决策的计算***431,决策控制***430还包括对车辆400的动力***进行控制的整车控制器432,以及用于控制车辆400的转向***433、油门434和制动***435。
计算***431可以操作来处理和分析由感知***420所获取的各种信息以便识别车辆400周边环境中的目标、物体和/或特征。目标可以包括行人或者动物,物体和/或特征可包括交通信号、道路边界和障碍物。计算***431可使用物体识别算法、运动中恢复结构(Structure from Motion,SFM)算法、视频跟踪等技术。在一些实施例中,计算***431可以用于为环境绘制地图、跟踪物体、估计物体的速度等等。计算***431可以将所获取的各种信息进行分析并得出对车辆的控制策略。
整车控制器432可以用于对车辆的动力电池和引擎441进行协调控制,以提升车辆400的动力性能。
转向***433可操作来调整车辆400的前进方向。例如在一个实施例中可以为方向盘***。
油门434用于控制引擎6441的操作速度并进而控制车辆400的速度。
制动***435用于控制车辆400减速。制动***435可使用摩擦力来减慢车轮444。在一些实施例中,制动***435可将车轮444的动能转换为电流。制动***435也可采取其他形式来减慢车轮444转速从而控制车辆400的速度。
驱动***440可包括为车辆400提供动力运动的组件。在一个实施例中,驱动***440可包括引擎441、能量源442、传动***443和车轮444。引擎441可以是内燃机、电动机、空气压缩引擎或其他类型的引擎组合,例如汽油发动机和电动机组成的混动引擎,内燃引擎和空气压缩引擎组成的混动引擎。引擎441将能量源442转换成机械能量。
能量源442的示例包括汽油、柴油、其他基于石油的燃料、丙烷、其他基于压缩气体的燃料、乙醇、太阳能电池板、电池和其他电力来源。能量源442也可以为车辆400的其他***提供能量。
传动***443可以将来自引擎441的机械动力传送到车轮444。传动***443可包括变速箱、差速器和驱动轴。在一个实施例中,传动***443还可以包括其他器件,比如离合器。其中,驱动轴可包括可耦合到一个或多个车轮444的一个或多个轴。
车辆400的部分或所有功能受计算平台450控制。计算平台450可包括至少一个第二处理器451,第二处理器451可以执行存储在例如第二存储器452这样的非暂态计算机可读介质中的指令453。在一些实施例中,计算平台450还可以是采用分布式方式控制车辆400的个体组件或子***的多个计算设备。
第二处理器451可以是任何常规的处理器,诸如商业可获得的CPU。可替换地,第二处理器451还可以包括诸如图像处理器(Graphic Process Unit,GPU),现场可编程门阵列(Field Programmable Gate Array,FPGA)、片上***(System on Chip,SOC)、专用集成芯片(Application Specific Integrated Circuit,ASIC)或它们的组合。尽管图4功能性地图示了处理器、存储器、和在相同块中的计算机的其它元件,但是本领域的普通技术人员应该理解该处理器、计算机、或存储器实际上可以包括可以或者可以不存储在相同的物理外壳内的多个处理器、计算机、或存储器。例如,存储器可以是硬盘驱动器或位于不同于计算机的外壳内的其它存储介质。因此,对处理器或计算机的引用将被理解为包括对可以或者可以不并行操作的处理器或计算机或存储器的集合的引用。不同于使用单一的处理器来执行此处所描述的步骤,诸如转向组件和减速组件的一些组件每个都可以具有其自己的处理器,处理器只执行与特定于组件的功能相关的计算。
在本公开实施方式中,第二处理器451可以执行上述的车道线检测方法。
在此处所描述的各个方面中,第二处理器451可以位于远离该车辆并且与该车辆进行无线通信。在其它方面中,此处所描述的过程中的一些在布置于车辆内的处理器上执行而其它则由远程处理器执行,包括采取执行单一操纵的必要步骤。
在一些实施例中,第二存储器452可包含指令453(例如,程序逻辑),指令453可被第二处理器451执行来执行车辆400的各种功能。第二存储器452也可包含额外的指令,包括向信息娱乐***410、感知***420、决策控制***430、驱动***440中的一个或多个发送数据、从其接收数据、与其交互和/或对其进行控制的指令。
除了指令453以外,第二存储器452还可存储数据,例如道路地图、路线信息,车辆的位置、方向、速度以及其它这样的车辆数据,以及其他信息。这种信息可在车辆400在自主、半自主和/或手动模式中操作期间被车辆400和计算平台450使用。
计算平台450可基于从各种子***(例如,驱动***440、感知***420和决策控制***430)接收的输入来控制车辆400的功能。例如,计算平台450可利用来自决策控制***430的输入以便控制转向***433来避免由感知***420检测到的障碍物。在一些实施例中,计算平台450可操作来对车辆400及其子***的许多方面提供控制。
可选地,上述这些组件中的一个或多个可与车辆400分开安装或关联。例如,第二存储器452可以部分或完全地与车辆400分开存在。上述组件可以按有线和/或无线方式来通信地耦合在一起。
可选地,上述组件只是一个示例,实际应用中,上述各个模块中的组件有可能根据实际需要增添或者删除,图4不应理解为对本公开实施例的限制。
在道路行进的自动驾驶汽车,如上面的车辆400,可以识别其周围环境内的物体以确定对当前速度的调整。物体可以是其它车辆、交通控制设备、或者其它类型的物体。在一些示例中,可以独立地考虑每个识别的物体,并且基于物体的各自的特性,诸如它的当前速度、加速度、与车辆的间距等,可以用来确定自动驾驶汽车所要调整的速度。
可选地,车辆400或者与车辆400相关联的感知和计算设备(例如计算***431、计算平台450)可以基于所识别的物体的特性和周围环境的状态(例如,交通、雨、道路上的冰、等等)来预测识别的物体的行为。可选地,每一个所识别的物体都依赖于彼此的行为,因此还可以将所识别的所有物体全部一起考虑来预测单个识别的物体的行为。车辆400能够基于预测的识别的物体的行为来调整它的速度。换句话说,自动驾驶汽车能够基于所预测的物体的行为来确定车辆将需要调整到(例如,加速、减速、或者停止)何种稳定状态。在这个过程中,也可以考虑其它因素来确定车辆400的速度,诸如,车辆400在行驶的道路中的横向位置、道路的曲率、静态和动态物体的接近度等等。
除了提供调整自动驾驶汽车的速度的指令之外,计算设备还可以提供修改车辆400的转向角的指令,以使得自动驾驶汽车遵循给定的轨迹和/或维持与自动驾驶汽车附近的物体(例如,道路上的相邻车道中的车辆)的安全横向和纵向距离。
上述车辆400可以为各种类型的行驶工具,例如,轿车、卡车、摩托车、公共汽车、船、飞机、直升飞机、娱乐车、火车等等,本公开实施例不做特别的限定。
在另一示例性实施例中,还提供一种计算机程序产品,该计算机程序产品包含能够由可编程的装置执行的计算机程序,该计算机程序具有当由该可编程的装置执行时用于执行上述的车道线检测方法的代码部分。
图5是根据一示例性实施例示出的再一种用于实现上述车道线检测方法的装置500的框图。例如,装置500可以被提供为一服务器。参照图5,装置500包括第二处理组件522,其进一步包括一个或多个处理器,以及由第三存储器532所代表的存储器资源,用于存储可由第二处理组件522的执行的指令,例如应用程序。第三存储器532中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外,第二处理组件522被配置为执行指令,以执行上述车道线检测方法。
装置500还可以包括一个第二电源组件526被配置为执行装置500的电源管理,一个有线或无线网络接口550被配置为将装置500连接到网络,和一个第二输入/输出接口558。装置500可以操作基于存储在第三存储器532的操作***,例如Windows ServerTM,MacOS XTM,UnixTM, LinuxTM,FreeBSDTM或类似。
本领域技术人员在考虑说明书及实践本公开后,将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的真正范围和精神由下面的权利要求指出。
应当理解的是,本公开并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。
Claims (10)
1.一种车道线检测方法,其特征在于,所述方法包括:
获取车道线识别结果,所述车道线识别结果包括多个备选车道线;
依据备选车道线与车辆的相对位置,将所述多个备选车道线划分为多个分组;
对于每一所述分组,获取所述分组内的所有备选车道线的类别预测结果,并根据所述类别预测结果将具有最高概率值的备选车道线作为目标车道线,所述类别预测结果包括所述分组内每一备选车道线的预测类别及属于所述预测类别的概率值;
获取每一所述分组的目标车道线,将所有目标车道线保存为检测结果。
2.根据权利要求1所述方法,其特征在于,所述获取所述分组内的所有备选车道线的类别预测结果,并根据所述类别预测结果将具有最高概率值的备选车道线作为目标车道线,包括:
依据所述类别预测结果,将所述分组内的所有备选车道线划分为多个类别;
获取每一所述类别下具有最高概率值的备选车道线,将所获取的备选车道线作为目标车道线。
3.根据权利要求2所述方法,其特征在于,所述依据所述类别预测结果,将所述分组内的所有备选车道线划分为多个类别,还包括:
当所述多个类别中存在冲突的至少两个类别时,获取所述至少两个类别中每一类别下具有最高概率值的备选车道线并作为待选车道线;
依据待选车道线之间的距离对所述至少两个类别的待选车道线进行筛选,获取所述目标车道线。
4.据权利要求3所述方法,其特征在于,所述依据待选车道线之间的距离对所述至少两个类别的待选车道线进行筛选,获取所述目标车道线,包括:
获取每一所述待选车道线的中心,计算每两个所述待选车道线中心之间的距离;
当每两个所述待选车道线中心之间的距离均小于阈值时,将各个所述待选车道线中具有最高概率值的待选车道线作为目标车道线。
5.据权利要求4所述方法,其特征在于,所述方法还包括:
当任意两个所述待选车道线中心之间的距离大于所述阈值时,将所述任意两个所述待选车道线均作为目标车道线。
6.据权利要求1所述方法,其特征在于,所述方法还包括:
获取道路图像;
将所述道路图像输入车道线检测模型中,获取所述车道线识别结果,所述车道线检测模型是预先训练好的,所述车道检测模型被配置为识别图像中的车道线及车道线的形状、类别、与车辆的相对位置。
7.一种车道线检测装置,其特征在于,包括:
获取模块,被配置为获取车道线识别结果,所述车道线识别结果包括多个备选车道线;
分组模块,被配置为依据备选车道线与车辆的相对位置,将所述多个备选车道线划分为多个分组;
分类模块,被配置为对于每一所述分组,获取所述分组内的所有备选车道线的类别预测结果,并根据所述类别预测结果将具有最高概率值的备选车道线作为目标车道线,所述类别预测结果包括所述分组内每一备选车道线的预测类别及属于所述预测类别的概率值;
检测结果生成模块,被配置为获取每一所述分组的目标车道线,将所有目标车道线保存为检测结果。
8.一种车道线检测装置,其特征在于,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为:
实现权利要求1至6中任一项所述方法的步骤。
9.一种计算机可读存储介质,其上存储有计算机程序指令,其特征在于,该程序指令被处理器执行时实现权利要求1至6中任一项所述方法的步骤。
10.一种车辆,其特征在于,所述车辆用于执行权利要求1至6中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211464330.7A CN115620258A (zh) | 2022-11-17 | 2022-11-17 | 车道线检测方法、装置、存储介质及车辆 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211464330.7A CN115620258A (zh) | 2022-11-17 | 2022-11-17 | 车道线检测方法、装置、存储介质及车辆 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115620258A true CN115620258A (zh) | 2023-01-17 |
Family
ID=84879223
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211464330.7A Pending CN115620258A (zh) | 2022-11-17 | 2022-11-17 | 车道线检测方法、装置、存储介质及车辆 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115620258A (zh) |
-
2022
- 2022-11-17 CN CN202211464330.7A patent/CN115620258A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114882464B (zh) | 多任务模型训练方法、多任务处理方法、装置及车辆 | |
CN115222941A (zh) | 目标检测方法、装置、车辆、存储介质、芯片及电子设备 | |
CN114935334A (zh) | 车道拓扑关系的构建方法、装置、车辆、介质及芯片 | |
CN114771539B (zh) | 车辆变道决策方法、装置、存储介质及车辆 | |
CN114842455B (zh) | 障碍物检测方法、装置、设备、介质、芯片及车辆 | |
CN115170630B (zh) | 地图生成方法、装置、电子设备、车辆和存储介质 | |
CN115164910B (zh) | 行驶路径生成方法、装置、车辆、存储介质及芯片 | |
CN114756700B (zh) | 场景库建立方法、装置、车辆、存储介质及芯片 | |
CN114863717B (zh) | 车位推荐方法、装置、存储介质及车辆 | |
CN114880408A (zh) | 场景构建方法、装置、介质以及芯片 | |
CN114537450A (zh) | 车辆控制方法、装置、介质、芯片、电子设备及车辆 | |
CN115620258A (zh) | 车道线检测方法、装置、存储介质及车辆 | |
CN114771514B (zh) | 车辆行驶控制方法、装置、设备、介质、芯片及车辆 | |
CN115535004B (zh) | 距离生成方法、装置、存储介质及车辆 | |
CN115221260B (zh) | 数据处理方法、装置、车辆及存储介质 | |
CN114572219B (zh) | 自动超车方法、装置、车辆、存储介质及芯片 | |
CN114842454B (zh) | 障碍物检测方法、装置、设备、存储介质、芯片及车辆 | |
CN115042813B (zh) | 车辆控制方法、装置、存储介质及车辆 | |
CN115115822B (zh) | 车端图像处理方法、装置、车辆、存储介质及芯片 | |
CN114789723B (zh) | 车辆行驶控制方法、装置、车辆、存储介质及芯片 | |
CN114802217B (zh) | 确定泊车模式的方法、装置、存储介质及车辆 | |
CN114780226B (zh) | 资源调度方法、装置,计算机可读存储介质及车辆 | |
US20230415570A1 (en) | Vehicle control method and vehicle, non-transitory storage medium and chip | |
CN115205804A (zh) | 图像处理方法、装置、车辆、介质及芯片 | |
CN114802258A (zh) | 车辆控制方法、装置、存储介质及车辆 |
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 |