本公开关于一种车道线分析方法、装置、电子设备及存储介质，包括：对待分析图片进行透视投影变换，获得IPM图；在IPM图的车道线区域中，在沿车道线的延伸方向排列的多个采样区域中分别采样出车道线的中心点；对中心点进行拟合获得车道线曲线；将同一条车道线曲线中的所有中心点所对应的各个采样区域输入车道线分类网络模型获得车道线的类型；将车道线曲线从IPM图映射回待分析图片，获得车道线在待分析图片中的位置。本公开通过采样来拟合出完整车道线，在采样时进行分类，将车道线的线型、颜色加以区分，从而得到车道线的位置和类型，提高了车道线的预测速度，解决了远处车道线漏检以及采样不均衡的问题。及采样不均衡的问题。及采样不均衡的问题。
【技术实现步骤摘要】
车道线分析方法、装置、电子设备及存储介质
[0001]本公开涉及图像识别
，尤其涉及一种车道线分析方法、装置、电子设备及存储介质。
技术介绍
[0002]随着导航、监控、自动驾驶的持续发展，车辆行驶中对车道线信息的实时获取的需求越来越大。基于对监控视频中的车道线信息的及时获取，能够满足辅助驾驶的信息提醒、自动驾驶的车辆控制、导航路线的制定等多方面的需要。这对于车道线的准确快速识别提出了越来越高的要求。
技术实现思路
[0003]本公开提供一种车道线分析方法、装置、电子设备及存储介质，以至少解决相关技术中对车道线的及时准确快速识别的技术问题。
[0004]本公开的技术方案是这样实现的：一种车道线分析方法，包括：获取待分析图片，其中，所述待分析图片中包含车辆行驶途中所拍摄的车道线；对所述待分析图片进行透视投影变换，获得逆透视变换IPM图；在所述IPM图中划分出多个车道线区域，每个所述车道线区域包括多个采样区域，从所述多个采样区域的每个采样区域中分别采样出所述车道线的中心点，其中，每一个所述车道线区域中仅包含一条车道线，每一个所述车道线区域中的所述多个采样区域沿所述车道线区域中所包含的车道线的延伸方向排列；对从同一个所述车道线区域的所述多个采样区域中分别采样出的所述中心点进行拟合获得同一个所述车道线区域中的车道线曲线；将同一条所述车道线曲线中的所有所述中心点所对应的各个所述采样区域输入车道线分类网络模型，获得所述车道线的类型；将所述车道线曲线从所述IPM图映射回所述待分析图片，获得所述车道线在所述待分析图片中的位置。
[0005]进一步，所述待分析图片是从车辆行驶方向拍摄的视频中截取的视频帧。
[0006]进一步，所述从所述多个采样区域的每个采样区域中分别采样出所述车道线的中心点，包括在任意一个所述车道线区域中执行的以下步骤：在每一个所述采样区域中，在垂直于车道线方向的所述采样区域的中心线上检测出符合车道线中心点特征的至少一个点集；采用多数投票原则，将从所述至少一个点集中筛选出点的数量最多的点集确定为所述车道线的中心点集；将所述中心点集中的中心位置的点确定为所述车道线的中心点。
[0007]进一步，所述在垂直于车道线方向的所述采样区域的中心线上检测出符合车道线
中心点特征的至少一个点集，采用检测网络yolox实现。
[0008]进一步，所述车道线中心点特征通过如下方法获得：提供含有车道线的IPM样本图；在所述IPM样本图中标注车道线的中心点；采用深度学习或者点回归方法，通过深度特征或者平均模型回归出车道线中心线上点的位置，进而构造出样本点集；利用所述样本点集对检测网络yolox进行训练得到所述车道线中心点特征。
[0009]进一步，在所述IPM样本图中标注车道线的中心点时，对每条实线车道线标注出5至7个中心点，对每条虚线车道线标注3至5个中心点。
[0010]进一步，所述IPM图沿垂直于所述车道线的方向均分为4个所述车道线区域；所述多个采样区域为所述车道线区域沿所述车道线的延伸方向均分的16个采样区域。
[0011]进一步，所述对从同一个所述车道线区域的所述多个采样区域中分别采样出的所述中心点进行拟合获得同一个所述车道线区域中的车道线曲线，包括：对采样出的所述中心点从所述IPM图中对应于待分析图片的车道线的近处开始拟合至所述IPM图的预设位置，并将拟合出曲线在所述预设位置的端点以所述曲线的切线方向做延长线，由所述曲线和所述延长线构成所述车道线曲线。
[0012]进一步，所述车道线分类网络模型为多任务卷积神经网络模型。
[0013]进一步，所述多任务卷积神经网络模型采用MobileNet V2和多分类器构成的神经网络模型。
[0014]进一步，所述车道线的类型包括线型和颜色的至少其中之一；所述线型包括单实线、单虚线、双实线、双虚线、左实右虚、右实左虚的至少其中之一；所述颜色包括黄色、白色的至少其中之一。
[0015]一种车道线分析装置，包括：获取模块，被配置为执行获取待分析图片，其中，所述待分析图片中包含车辆行驶途中所拍摄的车道线；投影模块，被配置为执行对所述待分析图片进行透视投影变换，获得逆透视变换IPM图；中心点采样模块，被配置为执行在所述IPM图中划分出多个车道线区域，每个所述车道线区域包括多个采样区域，从所述多个采样区域的每个采样区域中分别采样出所述车道线的中心点，其中，每一个所述车道线区域中仅包含一条车道线，每一个所述车道线区域中的所述多个采样区域沿所述车道线区域中所包含的车道线的延伸方向排列；曲线拟合模块，被配置为执行对从同一个所述车道线区域的所述多个采样区域中分别采样出的所述中心点进行拟合获得同一个所述车道线区域中的车道线曲线；分类模块，被配置为执行将同一条所述车道线曲线中的所有所述中心点所对应的各个所述采样区域输入车道线分类网络模型，获得所述车道线的类型；位置确定模块，被配置为执行将所述车道线曲线从所述IPM图映射回所述待分析图片，获得所述车道线在所述待分析图片中的位置。
[0016]一种电子设备，包括：处理器；用于存储所述处理器的可执行指令的存储器；其中，所述处理器被配置为执行所述可执行指令，以实现如上任一项所述的车道线分析方法。
[0017]一种计算机可读存储介质，当所述计算机可读存储介质中的至少一条指令被电子设备的处理器执行时，使得所述电子设备能够实现如上任一项所述的车道线分析方法。
[0018]本公开实施例的车道线分析方法、装置、电子设备及存储介质，采用了简单的车道线中点检测手段，通过后处理的采样来拟合出完整车道线，同时在采样时进行分类，将车道线的线型、颜色加以区分，从而得到车道线的位置和类型，提高了车道线的预测速度，解决了远处车道线漏检以及采样不均衡的问题。
[0019]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
[0020]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，并不构成对本公开的不当限定。
[0021]图1是根据一示例性实施例示出的车道线分析方法流程图；图2是根据一示例性实施例示出的待分析图片示意图；图3是根据一示例性实施例示出的IPM图的示意图；图4是根据一示例性实施例示出的IPM图的车道线区域的示意图；图5是根据一示例性实施例示出的车道线区域中的采样区域示意图；图6是根据一示例性实施例示出的一个采样区域的局部示意图；图7是根据一示例性实施例示出的车道线的类型分类流程示意图；图8是根据一示例性实施例示出的获得车道线中心点特征的流程示意图；图9是根据一示例性实施例示出的车道线分析方法的应用场景流程图；图10是根据一示例性实施例示出的车道线分析装置组成示意图；图11是本公开实施例提供的电子设备的结构示意图。
具体实施方式
[0022]为了使本领域普通人员更好地理解本公开的技术方案，下面将结合附图，对本公开实施例中的本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种车道线分析方法，其特征在于，包括：获取待分析图片，其中，所述待分析图片中包含车辆行驶途中所拍摄的车道线；对所述待分析图片进行透视投影变换，获得逆透视变换IPM图；在所述IPM图中划分出多个车道线区域，每个所述车道线区域包括多个采样区域，从所述多个采样区域的每个采样区域中分别采样出所述车道线的中心点，其中，每一个所述车道线区域中仅包含一条车道线，每一个所述车道线区域中的所述多个采样区域沿所述车道线区域中所包含的车道线的延伸方向排列；对从同一个所述车道线区域的所述多个采样区域中分别采样出的所述中心点进行拟合获得同一个所述车道线区域中的车道线曲线；将同一条所述车道线曲线中的所有所述中心点所对应的各个所述采样区域输入车道线分类网络模型，获得所述车道线的类型；将所述车道线曲线从所述IPM图映射回所述待分析图片，获得所述车道线在所述待分析图片中的位置。2.根据权利要求1所述的车道线分析方法，其特征在于：所述待分析图片是从车辆行驶方向拍摄的视频中截取的视频帧。3.根据权利要求1所述的车道线分析方法，其特征在于，所述从所述多个采样区域的每个采样区域中分别采样出所述车道线的中心点，包括在任意一个所述车道线区域中执行的以下步骤：在每一个所述采样区域中，在垂直于车道线方向的所述采样区域的中心线上检测出符合车道线中心点特征的至少一个点集；采用多数投票原则，将从所述至少一个点集中筛选出点的数量最多的点集确定为所述车道线的中心点集；将所述中心点集中的中心位置的点确定为所述车道线的中心点。4.根据权利要求3所述的车道线分析方法，其特征在于：所述在垂直于车道线方向的所述采样区域的中心线上检测出符合车道线中心点特征的至少一个点集，采用检测网络yolox实现。5.根据权利要求3所述的车道线分析方法，其特征在于，所述车道线中心点特征通过如下方法获得：提供含有车道线的IPM样本图；在所述IPM样本图中标注车道线的中心点；采用深度学习或者点回归方法，通过深度特征或者平均模型回归出车道线中心线上点的位置，进而构造出样本点集；利用所述样本点集对检测网络yolox进行训练得到所述车道线中心点特征。6.根据权利要求5所述的车道线分析方法，其特征在于：在所述IPM样本图中标注车道线的中心点时，对每条实线车道线标注出5至7个中心点，对每条虚线车道线标注3至5个中心点。7.根据权利要求1所述的车道线分析方法，其特征在于：所述IPM图沿垂直于所述车道线的方向均分为4个所述车道线区域；所述多个采样区域为所述车道线区域沿所述车道线的延伸方向均分的16个采...
【专利技术属性】
技术研发人员：陈志轩，艾国，杨作兴，房汝明，向志宏，
申请(专利权)人：深圳比特微电子科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。