【技术实现步骤摘要】
本专利技术涉及自动驾驶领域，尤其涉及一种斑马线检测方法、装置、程序产品、介质、计算机装置和移动工具。
技术介绍
1、自动驾驶车辆通过车身传感器实时获取周围环境信息，如车辆、行人等动态障碍物和路面上的车道线、标志牌等静态交通指示信息。其中，对斑马线进行实时准确的识别可以确保自动驾驶车辆能够在邻近斑马线时提前减速，提升自动驾驶的安全性。
2、目前，针对斑马线的视觉检测方法主要有两类，一类是通过视觉加传统图像算法，该类方法通过传统图像处理的方式先寻找感兴趣区域，粗略的框出斑马线区域，再通过传统图像处理中的逆透视变换、滤波、边缘检测等方法，找到斑马的所有边缘特征，再使用统计或直方图的方法，按照斑马线的等间距特性，计算斑马线的准确区域。一类是一类是视觉加深度学习算法，该类方法通过深度学习的目标检测模型，在候选区域进行生成、特征提取、分类、位置微调等步骤，确定目标的类别和位置。
3、实际采集的斑马线图像数据，由于道路面的复杂情况，通常会出现不清晰、缺损或被遮挡等现象，单一使用传统图像算法需要根据实际道路面情况调整算法参数，数据处理难度增加，识别效果不理想，同时，单一的传统图像算法特征学习能力差，精度低。
4、单一的深度学习算法通过目标检测模型输出的结果都是水平矩形的锚框，对于类似斑马线这种长条形状图像角度经常倾斜的目标，无法直接准确定位到斑马线的实际区域。
技术实现思路
1、本专利技术的目的是针对现有技术的缺陷，提供一种斑马线检测方法及装置、相关产品，以解决
2、为实现上述目的，本专利技术第一方面提供了一种斑马线检测方法，所述方法包括：
3、获取车辆前视图像，通过斑马线检测模型检测所述车辆前视图像，生成斑马线检测框；
4、提取所述斑马线检测框中的图像，生成第一目标图像数据；
5、将所述第一目标图像数据进行灰度化处理，生成第二目标图像数据；
6、根据角点检测算法对所述第二目标图像数据进行角点检测，生成角点图像坐标集；
7、连接所述角点图像坐标集中的顶点图像坐标，生成图像坐标系下的第一斑马线区域信息，所述顶点图像坐标为位于所述检测框的左上、右上、左下和右下的角点图像坐标。
8、进一步，所述连接所述角点图像坐标集中的顶点图像坐标，生成图像坐标系下的第一斑马线区域信息，之后，所述方法还包括：
9、获取同步激光点云数据，根据所述激光点云数据将所述顶点图像坐标转换为顶点世界坐标；
10、连接所述顶点世界坐标，生成世界坐标系下的第二斑马线区域信息。
11、进一步，所述通过斑马线检测模型检测所述车辆前视图像，生成斑马线检测框，具体为：
12、通过深度学习目标检测模型对斑马线图像数据训练集进行训练，生成所述斑马线检测模型；
13、输入车辆前视图像数据至所述斑马线检测模型，生成斑马线检测框。
14、进一步，所述检测框的左上、右上、左下和右下的角点图像坐标为所述角点图像坐标集中横坐标或纵坐标为最大或最小的角点图像坐标；
15、或为所述角点图像坐标集中与所述斑马线检测框的四个顶点距离最近的角点图像坐标。
16、进一步，所述深度学习目标检测模型采用yolo算法。
17、进一步，所述角点检测算法为orb算法。
18、本专利技术第二方面提供了一种斑马线检测装置，所述斑马线检测装置包括：
19、第一数据处理模块，用于获取车辆前视图像，通过斑马线检测模型检测所述车辆前视图像，生成斑马线检测框；
20、第二数据处理模块，用于提取所述斑马线检测框中的图像，生成第一目标图像数据；
21、第三数据处理模块，用于将所述第一目标图像数据进行灰度化处理，生成第二目标图像数据；
22、第四数据处理模块，用于根据角点检测算法对所述第二目标图像数据进行角点检测，生成角点图像坐标集；
23、所述第四数据处理模块，还用于连接所述角点图像坐标集中的顶点图像坐标，生成图像坐标系下的第一斑马线区域信息，所述顶点图像坐标为位于所述检测框的左上、右上、左下和右下的角点图像坐标。
24、本专利技术第三方面提供了一种计算机程序产品，当所述计算机程序产品在计算机上运行时，使得所述计算机执行如第一方面任一项所述的斑马线检测方法。
25、本专利技术第四方面提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现第一方面任一项所述斑马线检测方法的步骤。
26、本专利技术第五方面提供了一种计算机装置，包括存储器、处理器及存储在存储器上的计算机程序，所述处理器执行所述计算机程序以实现第一方面任一项所述斑马线检测方法的步骤。
27、本专利技术第六方面提供了一种移动工具，其特征在于，包括第五方面所述的计算机装置。
28、本专利技术提供的斑马线检测方法及装置、相关产品，先通过斑马线检测模型生成斑马线在图像中的检测框，对检测框内的斑马线图像通过角点检测算法进行所有角点的检测，减少了原始图像中的冗余信息，提高了检测效率；再从检测得到的检测框内的每条斑马线的角点中，找到并连接角点中的顶点图像坐标，从而准确的生成斑马线的实际区域。
本文档来自技高网...【技术保护点】
1.一种斑马线检测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的斑马线检测方法，其特征在于，所述连接所述角点图像坐标集中的顶点图像坐标，生成图像坐标系下的第一斑马线区域信息，之后，所述方法还包括：
3.根据权利要求1所述的斑马线检测方法，其特征在于，所述通过斑马线检测模型检测所述车辆前视图像，生成斑马线检测框，具体为：
4.根据权利要求1所述的斑马线检测方法，其特征在于，所述检测框的左上、右上、左下和右下的角点图像坐标为所述角点图像坐标集中横坐标或纵坐标为最大或最小的角点图像坐标；
5.估计权利要求3所述的斑马线检测方法，其特征在于，所述深度学习目标检测模型采用YOLO算法。
6.根据权利要求1所述的斑马线检测方法，其特征在于，所述角点检测算法为ORB算法。
7.一种斑马线检测装置，其特征在于，所述斑马线检测装置包括：
8.一种计算机程序产品，其特征在于，当所述计算机程序产品在计算机上运行时，使得所述计算机执行如权利要求1-6任一项所述的斑马线检测方法。
9.一种计算机可读
10.一种计算机装置，包括存储器、处理器及存储在存储器上的计算机程序，其特征在于，所述处理器执行所述计算机程序以实现权利要求1-6所述的斑马线检测方法的步骤。
11.一种移动工具，其特征在于，包括如权利要求10所述的计算机装置。
...【技术特征摘要】
1.一种斑马线检测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的斑马线检测方法，其特征在于，所述连接所述角点图像坐标集中的顶点图像坐标，生成图像坐标系下的第一斑马线区域信息，之后，所述方法还包括：
3.根据权利要求1所述的斑马线检测方法，其特征在于，所述通过斑马线检测模型检测所述车辆前视图像，生成斑马线检测框，具体为：
4.根据权利要求1所述的斑马线检测方法，其特征在于，所述检测框的左上、右上、左下和右下的角点图像坐标为所述角点图像坐标集中横坐标或纵坐标为最大或最小的角点图像坐标；
5.估计权利要求3所述的斑马线检测方法，其特征在于，所述深度学习目标检测模型采用yolo算法。
6.根据权利要求1所述的斑...
【专利技术属性】
技术研发人员：周阳，
申请(专利权)人：武汉智行者科技有限公司，
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。