CN115797896B - 车道线聚类方法、设备和计算机可读存储介质 - Google Patents
车道线聚类方法、设备和计算机可读存储介质 Download PDFInfo
- Publication number
- CN115797896B CN115797896B CN202310044918.5A CN202310044918A CN115797896B CN 115797896 B CN115797896 B CN 115797896B CN 202310044918 A CN202310044918 A CN 202310044918A CN 115797896 B CN115797896 B CN 115797896B
- Authority
- CN
- China
- Prior art keywords
- clustering
- lane line
- data
- sides
- data points
- 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
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Image Analysis (AREA)
Abstract
本申请涉及一种车道线聚类方法、设备和计算机可读存储介质。该方法包括:根据采集车采集车道线数据点时的航向角,生成各个目标车道线外形对应的最小外接矩形;比较各个目标车道线外形对应的最小外接矩形的边长与聚类算法预设阈值距离大小;若最小外接矩形的边长不小于聚类算法预设阈值距离大小,则通过对该最小外接矩形至少三条边进行插值,得到各个最小外接矩形至少三条边对应的插值数据点;以各个最小外接矩形至少三条边对应的插值数据点为数据集的元素,采用聚类算法对各个目标车道线进行聚类。本申请的技术方案可以显著减少聚类时的计算量,从而提升聚类的效率。
Description
技术领域
本申请涉及人工智能领域,尤其涉及车道线聚类方法、设备和计算机可读存储介质。
背景技术
车道线的线形主要分为虚线和实线,在对道路环境进行感知过程中,虚线和实线的区分具有非常重要的作用,有利于车辆进一步推断自身所在环境,例如,在车道保持算法中对虚线和实线的偏离预警应有不同的策略,因此需要对车道线的虚实加以区分。车道线虚线、实线区分是在图像识别提取车道线过程中,通过基于密度空间的聚类 )算法分析计算的。然而,在实际车道线生产过程中,基于传统的算法往往需要对数千张图片识别提取的车道线点进行聚类分析,数量特别庞大,而车道线生产过程中,每次输入的数据都是不一样的,即使是每次提前对车道线识别的样本点进行k-d树和R树组织,在过程中造成的总耗时也接近,实际生产过程中,往往等待一天却仍然无法得到结果的。
发明内容
为解决或部分解决相关技术中存在的问题,本申请提供一种车道线聚类方法、设备和计算机可读存储介质,可以提升对车道线聚类的效率。
本申请第一方面提供一种车道线聚类方法,包括:
根据采集车采集车道线数据点时的航向角,生成各个目标车道线外形对应的最小外接矩形;
比较所述最小外接矩形的边长与聚类算法预设阈值距离大小;
若所述最小外接矩形的边长不小于所述聚类算法预设阈值距离大小,则通过对所述最小外接矩形至少三条边进行插值,得到各个所述最小外接矩形至少三条边对应的插值数据点,所述最小外接矩形至少三条边对应的插值数据点中相邻两个插值数据点的距离小于所述聚类算法预设阈值距离;
以各个所述最小外接矩形至少三条边对应的插值数据点为数据集的元素,采用聚类算法对所述各个目标车道线进行聚类。
本申请第二方面提供一种车道线聚类装置,包括:
生成模块,用于根据采集车采集车道线数据点时的航向角,生成各个目标车道线外形对应的最小外接矩形;
比较模块,用于比较所述最小外接矩形的边长与聚类算法预设阈值距离大小;
插值模块,用于若所述最小外接矩形的边长不小于所述聚类算法预设阈值距离大小,则通过对所述最小外接矩形至少三条边进行插值,得到各个所述最小外接矩形至少三条边对应的插值数据点,所述最小外接矩形至少三条边对应的插值数据点中相邻两个插值数据点的距离小于所述聚类算法预设阈值距离;
聚类模块,用于以各个所述最小外接矩形至少三条边对应的插值数据点为数据集的元素,采用聚类算法对所述各个目标车道线进行聚类。
本申请第三方面提供一种电子设备,包括:
处理器;以及
存储器,其上存储有可执行代码,当所述可执行代码被所述处理器执行时,使所述处理器执行如上所述的方法。
本申请第四方面提供一种计算机可读存储介质,其上存储有可执行代码,当所述可执行代码被电子设备的处理器执行时,使所述处理器执行如上所述的方法。
本申请提供的技术方案可以包括以下有益效果:在生成各个目标车道线外形对应的最小外接矩形后,若最小外接矩形的边长不小于聚类算法预设阈值距离大小,则通过对最小外接矩形至少三条边进行插值,以各个最小外接矩形至少三条边对应的插值数据点为数据集的元素,采用聚类算法对各个目标车道线进行聚类。由于对最小外接矩形至少三条边进行插值后得到的数据点要远少于原始车道线对应的数据点,因此,不同于相关技术在对车道线聚类时需要大量的原始数据点作为聚类的数据集的元素,本申请的技术方案中,作为聚类的数据集其数据量非常小,因此,聚类时的计算量显著减少,从而聚类的效率显著提升。
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,并不能限制本申请。
附图说明
通过结合附图对本申请示例性实施方式进行更详细地描述,本申请的上述以及其它目的、特征和优势将变得更加明显,其中,在本申请示例性实施方式中,相同的参考标号通常代表相同部件。
图1是本申请实施例提供的车道线聚类方法的流程示意图;
图2是本申请实施例提供的根据采集车采集车道线数据点时的航向角,生成各个目标车道线外形对应的最小外接矩形的示意图;
图3是本申请实施例提供的将相交的目标车道线对应的四边形合并为多边形的示意图;
图4是本申请实施例提供的将合并后得到的多边形生成最小外接矩形的示意图;
图5是本申请实施例提供的对最小外接矩形的任意三条边进行插值,得到多边形的最小外接矩形任意三条边对应的插值数据点的示意图;
图6是本申请实施例提供的车道线聚类装置的结构示意图;
图7是本申请实施例提供的电子设备的结构示意图;
图8是本申请实施例提供的聚类后的实车道线、虚车道线和噪点数据的示意图。
具体实施方式
下面将参照附图更详细地描述本申请的实施方式。虽然附图中显示了本申请的实施方式,然而应该理解,可以以各种形式实现本申请而不应被这里阐述的实施方式所限制。相反,提供这些实施方式是为了使本申请更加透彻和完整,并且能够将本申请的范围完整地传达给本领域的技术人员。
在本申请使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本申请。在本申请和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。还应当理解,本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解,尽管在本申请可能采用术语“第一”、“第二”、“第三”等来描述各种信息,但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如,在不脱离本申请范围的情况下,第一信息也可以被称为第二信息,类似地,第二信息也可以被称为第一信息。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本申请的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
车道线的线形主要分为虚线和实线,在对道路环境进行感知过程中,虚线和实线的区分具有非常重要的作用,有利于车辆进一步推断自身所在环境,例如,在车道保持算法中对虚线和实线的偏离预警应有不同的策略,因此需要对车道线的虚实加以区分。车道线虚线、实线区分是在图像识别提取车道线过程中,通过基于密度空间的聚类 )算法分析计算的。然而,在实际车道线生产过程中,基于传统的算法往往需要对数千张图片识别提取的车道线点进行聚类分析,数量特别庞大,而车道线生产过程中,每次输入的数据都是不一样的,即使是每次提前对车道线识别的样本点进行k-d树和R树组织,在过程中造成的总耗时也接近,实际生产过程中,往往等待一天却仍然无法得到结果的。
针对上述问题,本申请实施例提供一种车道线聚类方法,可以提升对车道线聚类的效率。
以下结合附图详细描述本申请实施例的技术方案。
参见图1,是本申请实施例示出的车道线聚类方法的流程示意图,主要包括步骤S101至步骤S104,说明如下:
步骤S101:根据采集车采集车道线数据点时的航向角,生成各个目标车道线外形对应的最小外接矩形。
在本申请实施例中,车道线是由采集车到道路现场采集数据点后,由这些车道线数据点拟合而成。一般而言,采集车搭载有GPS和/或惯性测量单元等定位设备,在采集车道线数据点时,这些定位设备能够实时获取采集车的航向角。因此,可以根据采集车采集车道线数据点时的航向角,生成各个目标车道线外形对应的最小外接矩形,其中,目标车道线是待聚类的车道线。需要说明的是,之所以生成各个目标车道线外形对应的最小外接矩形,而不是直接使用各个目标车道线外形作为后续处理的对象,是考虑到目标车道线外形可能形状、尺寸等不是很标准,生成各个目标车道线外形对应的最小外接矩形后,至少在尺寸上是标准的。
作为本申请一个实施例,根据采集车采集车道线数据点时的航向角,生成各个目标车道线外形对应的最小外接矩形可以是:针对各个目标车道线的每一个目标车道线,根据采集车采集车道线数据点时的航向角,确定各个目标车道线的数据点中四个角点;以各个目标车道线对应的四个角点生成各个目标车道线对应的四边形;根据各个四边形,生成各个四边形的外接矩形作为各个目标车道线外形对应的最小外接矩形。由于采集车在车道线四个角点处的航向角会发生急剧变化,如图2所示,采集车在、、和这四点,航向角可能分别从0°变化为90°、从90°变化为180°、从180°变化为270°以及从270°变化为360°。因此,上述实施例中,可以根据采集车采集车道线数据点时的航向角,确定各个目标车道线的数据点中四个角点。图2中,虚线型四边形是目标车道线对应的四个角点生成的目标车道线对应的四边形,而实线型矩形是根据图2示例的虚线型四边形,生成的对应最小外接矩形。
上述实施例的根据采集车采集车道线数据点时的航向角,生成各个目标车道线外形对应的最小外接矩形还包括:判断各个目标车道线对应的四边形是否存在相交情形;若各个目标车道线对应的四边形存在相交情形,则将相交的四边形合并为多边形。之所以将相交的四边形合并为多边形,是因为当某个目标车道线对应的四边形与其他目标车道线对应的四边形相交时,则该两个相交的四边形对应的目标车道线大概率或应当为同一车道线的两段不同车道线或相同车道线部分,因此,将其对应的四边形合并处理,有利于提升后续聚类的效率。如图3所示,两个目标车道线对应的四边形S1与S2相交,则将S1和S2为一个多边形S。相应地,根据各个四边形,生成各个四边形的外接矩形作为各个目标车道线外形对应的最小外接矩形可以是:根据多边形,生成各个多边形的外接矩形作为多边形对应车道线外形对应的最小外接矩形。如图4所示,是将图3示例的多边形S(由四边形S1与S2合并得到)生成多边形S的最小外接矩形示意图。
步骤S102:比较各个目标车道线外形对应的最小外接矩形的边长与聚类算法预设阈值距离大小。
在本申请实施例中,聚类算法预设阈值距离是按照具体的聚类算法预先设置的一个阈值,例如,聚类算法是基于密度的含噪空间聚类 )算法时,预设阈值距离可以是核心对象的邻域半径。此处,比较各个目标车道线外形对应的最小外接矩形的边长与聚类算法预设阈值距离大小,是指比较图2示例的实线型矩形的相邻两条边的每条边的边长与聚类算法预设阈值距离大小。
步骤S103:若最小外接矩形的边长不小于聚类算法预设阈值距离大小,则通过对最小外接矩形至少三条边进行插值,得到各个最小外接矩形至少三条边对应的插值数据点,其中,最小外接矩形至少三条边对应的插值数据点中相邻两个插值数据点的距离小于聚类算法预设阈值距离。
在最小外接矩形的边长不小于聚类算法预设阈值距离大小时,可以通过对最小外接矩形至少三条边进行插值,得到各个最小外接矩形至少三条边对应的插值数据点。由于矩形对边是相等的,因此,在本申请实施例中,可以只对最小外接矩形至少三条边进行插值,得到各个最小外接矩形至少三条边对应的插值数据点,后续对各个最小外接矩形至少三条边对应的插值数据点进行聚类时,其效果与对各个最小外接矩形四条边进行插值,得到各个最小外接矩形四条边对应的插值数据点后,对各个最小外接矩形四条边对应的插值数据点进行聚类的效果是相同的,但对各个最小外接矩形至少三条边对应的插值数据点进行聚类的计算量要小于对各个最小外接矩形四条边对应的插值数据点进行聚类的计算量。因此,作为本申请一个实施例,通过对最小外接矩形至少三条边进行插值,得到各个最小外接矩形至少三条边对应的插值数据点可以是:获取最小外接矩形的任意三条边的边长和任意三条边中每条边两个端点的坐标;根据任意三条边的边长和任意三条边中每条边两个端点的坐标,对任意三条边进行插值,得到各个最小外接矩形任意三条边对应的插值数据点。以图4对多边形S的最小外接矩形为例,可以根据采集车采集车道线数据点时的定位数据,能够获取多边形S的最小外接矩形的任意三条边的边长和任意三条边中每条边两个端点的坐标,然后根据任意三条边的边长和任意三条边中每条边两个端点的坐标,对任意三条边进行插值,得到多边形S的最小外接矩形任意三条边对应的插值数据点,如图5所示的多边形S的最小外接矩形任意三条边上的小三角形所示;图5示例的由三角形组成的矩形缺少一条边的图形将作为后续聚类的对象,即数据集的元素。
步骤S104:以各个最小外接矩形至少三条边对应的插值数据点为数据集的元素,采用聚类算法对各个目标车道线进行聚类。
作为本申请一个实施例,聚类算法可以是算法。与算法不同,算法不需要确定聚类的数量,而是基于数据推测聚类的数目,能够针对任意形状产生聚类。算法的基本流程如下:(1)从数据集中任意选取一个数据对象;(2)若对于参数eps(即核心对象的邻域半径)和(即以核心对象为圆心、eps为半径的圆形区域内至少包含的数据对象的个数),所选取的数据对象为核心对象,则找出所有从密度可达的数据对象,形成一个簇;(3)若选取的数据对象是边缘对象,选取另一个数据对象;(4)重复上述(2)和(3),直至所有数据对象被处理算法的计算复杂度为,n 为数据对象的数目,该算法对于参数eps 和较为敏感。相应于聚类算法是算法,以各个最小外接矩形至少三条边对应的插值数据点为数据集的元素,采用聚类算法对各个目标车道线进行聚类可以是:根据数据集(其中的元素是各个最小外接矩形至少三条边对应的插值数据点),确定算法需要的参数Ε邻域半径eps和核心对象数目s;基于Ε邻域半径和核心对象数目s,采用算法对该数据集进行聚类。
如前所述,算法对于参数和较为敏感,无论对于提升算法的效率还是聚类结果的准确度,合理地确定参数和都至关重要。因此,作为本申请一个实施例,上述实施例的根据数据集,确定算法需要的参数Ε邻域半径和核心对象数目可以通过步骤S1041至步骤S1045实现,详细说明如下:
步骤S1041:通过对数据集采样,以每个对象分组包含一个初始数据对象得到由多个初始数据对象及其距离最近数据对象构成的多个对象分组。
可以先从数据集中选择多个初始数据对象,然后,遍历该多个初始数据对象中与每个初始数据对象距离最近的数据对象,将每一个初始数据对象及其距离最近数据对象构成一个对象分组,如此,选择n(n为自然数)个初始数据对象就会对应生成n个对象分组。
步骤S1042:从多个对象分组去除稠密程度较小的对象分组,将剩余对象分组作为待验证采样结果。
具体地,可以采用均方误差的方法,计算上述n个对象分组中每个对象分组的初始数据对象与其距离最近数据对象的稠密程度,得到n个对象分组的每个对象分组的稠密程度,然后,从多个对象分组去除稠密程度较小的对象分组,将剩余对象分组作为待验证采样结果。
步骤S1043:根据每一次对数据集采样,生成m组待选Ε邻域半径和核心对象数目。
此处,若第一次采样的数据量较大,可以进行第二次采样或更多次数的采样。根据每一次对数据集采样,生成一组待选Ε邻域半径和核心对象数目;若进行了m次数据集采样,则生成m组待选Ε邻域半径和核心对象数目。
步骤S1044:使用m组待选Ε邻域半径eps和核心对象数目中每一组待选Ε邻域半径和核心对象数目对待验证采样结果进行聚类。
若使用一组待选Ε邻域半径和核心对象数目s对待验证采样结果进行聚类,其聚类效果较好,则使用该组待选Ε邻域半径和核心对象数目对原始数据集进行聚类,其聚类效果也会较好。如此,不必使用全体数据,却能够极大地降低时间和空间复杂度。基于此,可以使用m组待选Ε邻域半径和核心对象数目中每一组待选Ε邻域半径和核心对象数目对待验证采样结果进行聚类,后续再评价每一次聚类结果。
步骤S1045:评价聚类的效果,若聚类的效果达到评估指标,则输出对应的一组参数作为最终的Ε邻域半径和核心对象数目。
在本申请实施例中,可以使用外部评估指标和内部评估指标对上述经步骤S1041至步骤S1044得到的聚类的效果,其中,外部评估指标即在真实标签已知的情况下,衡量聚类结果与真实标签之间的吻合程度,包括 等等,内部评估指标即在不能获得真实标签的情况下,衡量聚类结果本身的好坏情况(例如簇的内聚性,簇间独立性),包括等等。
作为本申请一个实施例,上述实施例的基于Ε邻域半径和核心对象数目,采用算法对该数据集进行聚类可以通过步骤S’1041至步骤S’1043实现,说明如下:
步骤S’1041:基于核心对象数目,将数据集划分为若干个数据子集。
此处,数据集即以各个最小外接矩形至少三条边对应的插值数据点为元素的集合,而将数据集划分为若干个数据子集的一种方式是基于数据集的特征相似度来划分,包括计算任意至少两个数据集本身的相似度和/或该至少两个数据集的上下文的相似度,将任意至少两个特征相似度较高的数据集划分为一个数据子集。基于核心对象数目,将数据集划分为若干个数据子集的一种方式是基于数据集之间的二维坐标来划分,具体包括:获取数据集的实际二维坐标范围,然后,根据该数据集的实际二维坐标范围对该数据集中的数据对象进行预划分得到N个(N为大于1的自然数)预分类,再进行预分类的步骤即获取每个预分类的中心数据对象所处位置,将该数据集的每一数据对象分配至与之距离最近的中心数据对象所在的预分类中,若某一预分类的数据对象数量小于,则删除该预分类;此后,重复前述进行预分类的步骤Q次(Q为预设的划分迭代次数),得到若干个数据子集。
上述实施例中,获取数据集的实际二维坐标范围是通过获取数据集的最大二维范围值和最小二维范围值,然后,求取最大二维范围值与最小二维范围值的差值,得到的作为数据集的实际二维坐标范围,其中,,=,为数据集中所有数据对象的X轴坐标最大值,为数据集中所有数据对象的X轴坐标最小值,为数据集中所有数据对象的Y轴坐标最小值,为数据集中所有数据对象的Y轴坐标最大值。
步骤S’1042:确定若干数据子集中每一数据子集的重叠数据集。
具体地,步骤S’1042的实现可以是根据数据子集中所有数据对象的X轴坐标值和Y轴坐标值,确定数据子集的最大X轴坐标值、最小经度值、最小纬度值和最大纬度值;获取每一数据子集的可覆盖范围:,,=,,其中,为预设可到达距离, 分别为数据子集的可重叠范围的上边缘、右边缘、下边缘和左边缘。
步骤S’1043:基于Ε邻域半径并根据每一数据子集的重叠数据集,采用算法对若干数据子集的对象进行聚类。
具体地,步骤S’1043的实现可以是首先根据数据子集的重叠数据集,计算每一数据子集的核心对象,然后,对每个数据子集中的所有核心对象进行聚合,接着,按顺序从若干个数据子集中选取数据子集a,从数据子集a中按顺序选取数据对象和数据对象,判断数据对象和数据对象的分类标签值是否相等,若相等,则按照前述方法遍历数据子集a中的每一个数据对象,完成数据子集a中所有核心对象的聚类计算,若不相等则计算数据对象和数据对象的距离,若距离小于Ε邻域半径,则判断数据对象和数据对象的分类标签值的大小关系,否则按照前述方法遍历数据子集a中的每一个数据对象,完成数据子集a中所有核心对象的聚类计算,最后,按照前述方法,按顺序遍历若干个数据子集中的每一个数据子集,完成每一个数据子集中的每一个核心对象的聚类计算。
通过上述实施例的步骤S1041至步骤S1045或步骤S’1041至步骤S’1043,由于噪点数据亦是一个簇类,其表现为密度特别低,或者远离车道线对应的簇类,因此,在真正的车道线(包括实车道线和虚车道线)数据和噪点数据混合的图像中,可以比较容易识别出噪点。在排除噪点之后,剩下的元素为车道线。如图8所示,车道线旁边的稀疏的数据对象为噪点数据。通过上述实施例的步骤S1041至步骤S1045或步骤S’1041至步骤S’1043,根据Ε邻域半径和核心对象数目,对车道线这个数据对象进行聚类。在Ε邻域半径之内,将选定的某个核心对象周边核心对象数目个数据对象聚为一个簇类。这个簇类可能是实车道线,亦可能是虚车道线。针对某个簇类,计算该簇类中对应车道线在车道行驶方向的长度以及之间的距离,从而得出该簇类对应于实车道线还是虚车道线。如图8所示,若某个簇类在车道行驶方向的长度超过实车道线阈值,则确定该簇类对应的车道线为实车道线,如图8所示标号为1和11的车道线;若某个簇类在车道线行驶方向的长度不超过虚车道线阈值,且两个簇类在车道线行驶方向的间距达到间距阈值,则确定该簇类对应的车道线为虚车道线,如图8所示标号为2至10的车道线。
从上述图1示例的车道线聚类方法可知,在生成各个目标车道线外形对应的最小外接矩形后,若最小外接矩形的边长不小于聚类算法预设阈值距离大小,则通过对最小外接矩形至少三条边进行插值,以各个最小外接矩形至少三条边对应的插值数据点为数据集,采用聚类算法对各个目标车道线进行聚类。由于对最小外接矩形至少三条边进行插值后得到的数据点要远少于原始车道线对应的数据点,因此,不同于相关技术在对车道线聚类时需要大量的原始数据点作为聚类的数据集,本申请的技术方案中,作为聚类的数据集其数据量非常小,因此,聚类时的计算量显著减少,从而聚类的效率显著提升。
与前述应用功能实现方法实施例相对应,本申请还提供了一种车道线聚类装置、电子设备及相应的实施例。
参见图6,是本申请实施例示出的车道线聚类装置的结构示意图。为了便于说明,仅示出了与本申请实施例相关的部分。图6示例的车道线聚类装置主要包括生成模块601、比较模块602、插值模块603和聚类模块604,其中:
生成模块601,用于根据采集车采集车道线数据点时的航向角,生成各个目标车道线外形对应的最小外接矩形;
比较模块602,用于比较各个目标车道线外形对应的最小外接矩形的边长与聚类算法预设阈值距离大小;
插值模块603,用于若最小外接矩形的边长不小于聚类算法预设阈值距离大小,则通过对该最小外接矩形至少三条边进行插值,得到各个最小外接矩形至少三条边对应的插值数据点,其中,最小外接矩形至少三条边对应的插值数据点中相邻两个插值数据点的距离小于聚类算法预设阈值距离;
聚类模块604,用于以各个最小外接矩形至少三条边对应的插值数据点为数据集的元素,采用聚类算法对各个目标车道线进行聚类。
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,此处将不再做详细阐述说明。
从上述图6示例的车道线聚类装置可知,在生成各个目标车道线外形对应的最小外接矩形后,若最小外接矩形的边长不小于聚类算法预设阈值距离大小,则通过对最小外接矩形至少三条边进行插值,以各个最小外接矩形至少三条边对应的插值数据点为数据集,采用聚类算法对各个目标车道线进行聚类。由于对最小外接矩形至少三条边进行插值后得到的数据点要远少于原始车道线对应的数据点,因此,不同于相关技术在对车道线聚类时需要大量的原始数据点作为聚类的数据集,本申请的技术方案中,作为聚类的数据集其数据量非常小,因此,聚类时的计算量显著减少,从而聚类的效率显著提升。
图7是本申请实施例示出的电子设备的结构示意图。
参见图7,电子设备700包括存储器710和处理器720。
处理器720可以是中央处理单元,还可以是其他通用处理器、数字信号处理器,、专用集成电路、现场可编程门阵列或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器710可以包括各种类型的存储单元,例如***内存、只读存储器()和永久存储装置。其中,可以存储处理器720或者计算机的其他模块需要的静态数据或者指令。永久存储装置可以是可读写的存储装置。永久存储装置可以是即使计算机断电后也不会失去存储的指令和数据的非易失性存储设备。在一些实施方式中,永久性存储装置采用大容量存储装置(例如磁或光盘、闪存)作为永久存储装置。另外一些实施方式中,永久性存储装置可以是可移除的存储设备(例如软盘、光驱)。***内存可以是可读写存储设备或者易失性可读写存储设备,例如动态随机访问内存。***内存可以存储一些或者所有处理器在运行时需要的指令和数据。此外,存储器710可以包括任意计算机可读存储媒介的组合,包括各种类型的半导体存储芯片(例如闪存,可编程只读存储器),磁盘和/或光盘也可以采用。在一些实施方式中,存储器710可以包括可读和/或写的可移除的存储设备,例如激光唱片(CD)、只读数字多功能光盘(例如)、只读蓝光光盘、超密度光盘、闪存卡(例如卡等)、磁性软盘等。计算机可读存储媒介不包含载波和通过无线或有线传输的瞬间电子信号。
存储器710上存储有可执行代码,当可执行代码被处理器720处理时,可以使处理器720执行上文述及的方法中的部分或全部。
此外,根据本申请的方法还可以实现为一种计算机程序或计算机程序产品,该计算机程序或计算机程序产品包括用于执行本申请的上述方法中部分或全部步骤的计算机程序代码指令。
或者,本申请还可以实施为一种计算机可读存储介质(或非暂时性机器可读存储介质或机器可读存储介质),其上存储有可执行代码(或计算机程序或计算机指令代码),当可执行代码(或计算机程序或计算机指令代码)被电子设备(或服务器等)的处理器执行时,使处理器执行根据本申请的上述方法的各个步骤的部分或全部。
以上已经描述了本申请的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进,或者使本技术领域的其他普通技术人员能理解本文披露的各实施例。
Claims (9)
1.一种车道线聚类方法,其特征在于,所述方法包括:
根据采集车采集车道线数据点时的航向角,生成各个目标车道线外形对应的最小外接矩形,其中包括:针对所述各个目标车道线的每一个目标车道线,根据所述采集车采集车道线数据点时的航向角,确定所述各个目标车道线的数据点中四个角点;
以所述各个目标车道线对应的四个角点生成所述各个目标车道线对应的四边形;
根据各个四边形,生成所述各个四边形的外接矩形作为所述各个目标车道线外形对应的最小外接矩形;
比较所述最小外接矩形的边长与聚类算法预设阈值距离大小;
若所述最小外接矩形的边长不小于所述聚类算法预设阈值距离大小,则通过对所述最小外接矩形至少三条边进行插值,得到各个所述最小外接矩形至少三条边对应的插值数据点,所述最小外接矩形至少三条边对应的插值数据点中相邻两个插值数据点的距离小于所述聚类算法预设阈值距离;
以各个所述最小外接矩形至少三条边对应的插值数据点为数据集的元素,采用聚类算法对所述各个目标车道线进行聚类。
2.根据权利要求1所述的车道线聚类方法,其特征在于,所述方法还包括:判断所述各个目标车道线对应的四边形是否存在相交情形;若所述各个目标车道线对应的四边形存在相交情形,则将相交的四边形合并为多边形;
所述根据各个四边形,生成所述各个四边形的外接矩形作为所述各个目标车道线外形对应的最小外接矩形,包括:根据所述多边形,生成各个多边形的外接矩形作为所述多边形对应车道线外形对应的最小外接矩形。
3.根据权利要求1所述的车道线聚类方法,其特征在于,所述通过对所述最小外接矩形至少三条边进行插值,得到各个所述最小外接矩形至少三条边对应的插值数据点,包括:
获取所述最小外接矩形的任意三条边的边长和所述任意三条边中每条边两个端点的坐标;
根据所述任意三条边的边长和所述任意三条边中每条边两个端点的坐标,对所述任意三条边进行插值,得到各个所述最小外接矩形任意三条边对应的插值数据点。
4.根据权利要求1所述的车道线聚类方法,其特征在于,所述聚类算法包括基于密度的含噪空间聚类算法,所述以各个所述最小外接矩形至少三条边对应的插值数据点为数据集的元素,采用聚类算法对所述各个目标车道线进行聚类,包括:
根据所述数据集,确定所述算法需要的参数Ε邻域半径和核心对象数目;
基于所述Ε邻域半径和核心对象数目,采用所述算法对所述数据集进行聚类。
5.根据权利要求4所述的车道线聚类方法,其特征在于,所述根据所述数据集,确定所述算法需要的参数Ε邻域半径和核心对象数目,包括:
通过对所述数据集采样,以每个对象分组包含一个初始数据对象得到由多个所述初始数据对象及其距离最近数据对象构成的多个对象分组;
从所述多个对象分组去除稠密程度较小的对象分组,将剩余对象分组作为待验证采样结果;
根据每一次对所述数据集采样,生成m组待选Ε邻域半径和核心对象数目;
使用所述m组待选Ε邻域半径和核心对象数目中每一组待选Ε邻域半径和核心对象数目对所述待验证采样结果进行聚类;
评价所述聚类的效果,若所述聚类的效果达到评估指标,则输出对应的一组参数作为最终的Ε邻域半径和核心对象数目。
6.根据权利要求4所述的车道线聚类方法,其特征在于,所述基于所述Ε邻域半径和核心对象数目,采用所述算法对所述数据集进行聚类,包括:
基于所述核心对象数目,将所述数据集划分为若干个数据子集;
确定所述若干个数据子集中每一数据子集的重叠数据集;
基于所述Ε邻域半径并根据所述每一数据子集的重叠数据集,采用所述算法对所述若干数据子集的对象进行聚类。
7.一种车道线聚类装置,其特征在于,所述装置包括:
生成模块,用于根据采集车采集车道线数据点时的航向角,生成各个目标车道线外形对应的最小外接矩形,其中包括:针对所述各个目标车道线的每一个目标车道线,根据所述采集车采集车道线数据点时的航向角,确定所述各个目标车道线的数据点中四个角点;
以所述各个目标车道线对应的四个角点生成所述各个目标车道线对应的四边形;
根据各个四边形,生成所述各个四边形的外接矩形作为所述各个目标车道线外形对应的最小外接矩形;
比较模块,用于比较所述最小外接矩形的边长与聚类算法预设阈值距离大小;
插值模块,用于若所述最小外接矩形的边长不小于所述聚类算法预设阈值距离大小,则通过对所述最小外接矩形至少三条边进行插值,得到各个所述最小外接矩形至少三条边对应的插值数据点,所述最小外接矩形至少三条边对应的插值数据点中相邻两个插值数据点的距离小于所述聚类算法预设阈值距离;
聚类模块,用于以各个所述最小外接矩形至少三条边对应的插值数据点为数据集的元素,采用聚类算法对所述各个目标车道线进行聚类。
8.一种电子设备,其特征在于,包括:
处理器;以及
存储器,其上存储有可执行代码,当所述可执行代码被所述处理器执行时,使所述处理器执行如权利要求1至6中任意一项所述的方法。
9.一种计算机可读存储介质,其上存储有可执行代码,当所述可执行代码被电子设备的处理器执行时,使所述处理器执行如权利要求1至6中任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310044918.5A CN115797896B (zh) | 2023-01-30 | 2023-01-30 | 车道线聚类方法、设备和计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310044918.5A CN115797896B (zh) | 2023-01-30 | 2023-01-30 | 车道线聚类方法、设备和计算机可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115797896A CN115797896A (zh) | 2023-03-14 |
CN115797896B true CN115797896B (zh) | 2023-05-09 |
Family
ID=85429186
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310044918.5A Active CN115797896B (zh) | 2023-01-30 | 2023-01-30 | 车道线聚类方法、设备和计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115797896B (zh) |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6093314B2 (ja) * | 2014-02-14 | 2017-03-08 | 株式会社デンソー | 境界線認識装置 |
WO2020107326A1 (zh) * | 2018-11-29 | 2020-06-04 | 深圳市大疆创新科技有限公司 | 车道线检测方法、设备、计算机可读存储介质 |
CN111783722B (zh) * | 2020-07-13 | 2021-07-06 | 湖北亿咖通科技有限公司 | 一种激光点云的车道线提取方法和电子设备 |
CN111783721B (zh) * | 2020-07-13 | 2021-07-20 | 湖北亿咖通科技有限公司 | 一种激光点云的车道线提取方法及电子设备 |
CN115272995A (zh) * | 2021-10-12 | 2022-11-01 | 北京理工大学 | 一种基于生成对抗网络的雨雪天车道线检测方法及*** |
CN114882145A (zh) * | 2022-06-01 | 2022-08-09 | 智道网联科技(北京)有限公司 | 车道线拟合方法、设备和计算机可读存储介质 |
CN115410168A (zh) * | 2022-08-25 | 2022-11-29 | 智道网联科技(北京)有限公司 | 车道线数据处理方法、设备和计算机可读存储介质 |
-
2023
- 2023-01-30 CN CN202310044918.5A patent/CN115797896B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN115797896A (zh) | 2023-03-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Limberger et al. | Real-time detection of planar regions in unorganized point clouds | |
Araújo et al. | A robust statistics approach for plane detection in unorganized point clouds | |
Hulik et al. | Continuous plane detection in point-cloud data based on 3D Hough Transform | |
US10990857B2 (en) | Object detection and learning method and apparatus | |
JP5705147B2 (ja) | 記述子を用いて3dオブジェクトまたはオブジェクトを表す方法 | |
WO2020048152A1 (zh) | 高精度地图制作中地下车库停车位提取方法及*** | |
CN111640089B (zh) | 一种基于特征图中心点的缺陷检测方法及装置 | |
WO2021217924A1 (zh) | 交通卡口车辆类型的识别方法、装置、设备及存储介质 | |
US20150123969A1 (en) | Method and apparatus for detecting point of interest (poi) in three-dimensional (3d) point clouds | |
CN110659658B (zh) | 一种目标检测方法及其装置 | |
CN111626295B (zh) | 车牌检测模型的训练方法和装置 | |
WO2023116632A1 (zh) | 基于时空记忆信息的视频实例分割方法和分割装置 | |
CN115631112B (zh) | 一种基于深度学习的建筑轮廓矫正方法及装置 | |
CN110738204A (zh) | 一种证件区域定位的方法及装置 | |
CN106033613B (zh) | 目标跟踪方法及装置 | |
CN117765497A (zh) | 车道线确定方法、装置、计算机设备、介质和计算机产品 | |
CN115797896B (zh) | 车道线聚类方法、设备和计算机可读存储介质 | |
Ahmed et al. | Choosing thresholds for density-based map construction algorithms | |
Barath et al. | Space-partitioning RANSAC | |
CN117292337A (zh) | 遥感图像目标检测方法 | |
CN111489386B (zh) | 点云特征点提取方法、装置、存储介质、设备及*** | |
CN116645500A (zh) | 边界框的确定方法、装置、设备、存储介质和程序产品 | |
CN116645499A (zh) | 边界框的确定方法、装置、设备、存储介质和程序产品 | |
CN109961061A (zh) | 一种边缘计算视频数据结构化方法及*** | |
CN115984671A (zh) | 模型在线更新方法、装置、电子设备及可读存储介质 |
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 |