System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本申请涉及图像处理,特别涉及一种车道线检测方法、电子设备和存储介质。
技术介绍
1、车道线检测是自动驾驶、辅助驾驶等智能驾驶感知的一个重要任务,影响下游的实时地图重建和规划。车道线检测是指检测出图像中数量不等的车道线,并输出用于描述每条车道线的精确坐标。
2、然而,现有的车道线检测方法存在的缺点是:1)主要描述纵向车道线线型,不能对任意车道线曲线线型进行精确的描述;2)不能精确描述各个朝向车道线线型;3)描述高曲率的车道线的效率较低,且所使用的神经网络的训练过程需要复杂的真值表征(gt)。
3、因此,亟需一种高精度的车道线检测方法。
技术实现思路
1、鉴于上述问题,本申请实施例提供了一种车道线检测方法、电子设备和存储介质,以便克服上述问题或者至少部分地解决上述问题。
2、本申请实施例的第一方面,公开了一种车道线检测方法,所述方法包括:
3、通过预先训练的图像处理网络对待检测图像进行处理,得到所述待检测图像中的线条点集对应的位置偏移特征,所述图像处理网络学习了将真实车道线点集编码为对应的位置偏移特征的编码方式,所述真实车道线点集对应的位置偏移特征用于表征样本图像中的每个像素点与所述真实车道线上的最近点之间的位置偏移量;
4、对所述线条点集对应的位置偏移特征进行解码,得到所述待检测图像的车道线检测结果。
5、本申请实施例的第二方面,公开了一种车道线检测装置,所述装置包括:
6、获取模块,用于通过预先训练
7、解码模块,用于对所述线条点集对应的位置偏移特征进行解码,得到所述待检测图像的车道线检测结果。
8、本申请实施例的第三方面,公开了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现本申请实施例第一方面所述的车道线检测方法的步骤。
9、本申请实施例的第四方面,公开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本申请实施例第一方面所述的车道线检测方法的步骤。
10、本申请实施例的第五方面,公开了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现本申请实施例第一方面所述的车道线检测方法的步骤。
11、本申请实施例包括以下优点:
12、在本申请实施例中,提出了将对车道线任意形状曲线点集的学习转换成一种神经网络容易学的位置偏移特征。对于待检测图像,通过预先训练的图像处理网络对待检测图像进行处理,得到待检测图像中的线条点集对应的位置偏移特征,并对线条点集对应的位置偏移特征进行解码,得到待检测图像的车道线检测结果。
13、由于图像处理网络预先学习了将真实车道点集线编码为对应的位置偏移特征的编码方式,因此基于该图像处理网络能够准确的将待检测图像中的线条点集进行编码,通过解码能够将线条点集对应的位置偏移特征无损的转换为车道线对应的点集,因而实现对任意车道线的高精度描述。并且,通过将车道线点集转换为位置偏移特征的形式实现对车道线的精确表征,神经网络只需要学习一个位置偏移特征,因此可以采用轻量化的卷积神经网络对待检测图像进行处理,而轻量化的卷积神经网络更方便在不同架构端上芯片的量化部署。
本文档来自技高网...【技术保护点】
1.一种车道线检测方法,其特征在于,所述方法包括:
2.根据权利要求1所述的方法,其特征在于,对所述线条点集对应的位置偏移特征进行解码,得到所述待检测图像的车道线检测结果,包括:
3.根据权利要求2所述的方法,其特征在于,所述多个尺寸逐渐减小的窗口至少包括第一窗口和第二窗口;所述第一窗口的尺寸是根据所述待检测图像包括的各个分块的尺寸确定的,所述各个分块与所述待检测图像中的各个像素点一一对应;所述第二窗口是根据一个分块中的每个子块的尺寸确定的;
4.根据权利要求1-3任一项所述的方法,其特征在于,通过所述预先训练的图像处理网络对所述待检测图像进行处理,除得到所述线条点集对应的位置偏移特征外,还得到所述线条点集对应的对象分类特征和/或所述线条点集对应的热力图特征,所述对象分类特征表示所述待检测图像中的线条点集是否是车道线点集,所述热力图特征表示所述线条点集中的点属于所述车道线点集中的点的概率;所述方法还包括:
5.根据权利要求1-3任一项所述的方法,其特征在于,所述图像处理网络是按照以下步骤进行训练的:
6.根据权利要求5所
7.根据权利要求5所述的方法,其特征在于,将所述样本图像输入到所述卷积神经网络进行处理,除得到所述候选车道线点集对应的位置偏移特征外,还得到所述候选车道线点集对应的对象分类特征和/或所述候选车道线点集对应的热力图特征;对所述真实车道线点集进行编码,除得到所述真实车道线点集对应的位置偏移特征外,还得到所述真实车道线点集对应的对象分类特征和/或所述真实车道线点集对应的热力图特征;所述方法还包括:
8.根据权利要求5所述的方法,其特征在于,将所述样本图像输入到所述卷积神经网络进行处理,除得到所述候选车道线点集对应的位置偏移特征外,还得到所述候选车道线点集对应的对象分类特征;将所述真实车道线点集对应的位置偏移特征和所述候选车道线点集对应的位置偏移特征进行匹配,确定与所述真实车道线点集匹配的候选车道线点集,包括:
9.根据权利要求8所述的方法,其特征在于,根据所述真实车道线点集对应的位置偏移特征和所述候选车道线点集对应的位置偏移特征,计算所述真实车道线点集和所述候选车道线点集之间的距离,包括:
10.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1-9任一项所述的车道线检测方法的步骤。
11.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现权利要求1-9任一项所述的车道线检测方法的步骤。
12.一种计算机程序产品,包括计算机程序,其特征在于,该计算机程序被处理器执行时实现如权利要求1-9任一项所述的车道线检测方法的步骤。
...【技术特征摘要】
1.一种车道线检测方法,其特征在于,所述方法包括:
2.根据权利要求1所述的方法,其特征在于,对所述线条点集对应的位置偏移特征进行解码,得到所述待检测图像的车道线检测结果,包括:
3.根据权利要求2所述的方法,其特征在于,所述多个尺寸逐渐减小的窗口至少包括第一窗口和第二窗口;所述第一窗口的尺寸是根据所述待检测图像包括的各个分块的尺寸确定的,所述各个分块与所述待检测图像中的各个像素点一一对应;所述第二窗口是根据一个分块中的每个子块的尺寸确定的;
4.根据权利要求1-3任一项所述的方法,其特征在于,通过所述预先训练的图像处理网络对所述待检测图像进行处理,除得到所述线条点集对应的位置偏移特征外,还得到所述线条点集对应的对象分类特征和/或所述线条点集对应的热力图特征,所述对象分类特征表示所述待检测图像中的线条点集是否是车道线点集,所述热力图特征表示所述线条点集中的点属于所述车道线点集中的点的概率;所述方法还包括:
5.根据权利要求1-3任一项所述的方法,其特征在于,所述图像处理网络是按照以下步骤进行训练的:
6.根据权利要求5所述的方法,其特征在于,对所述真实车道线点集进行编码,得到所述真实车道线点集对应的位置偏移特征,包括:
7.根据权利要求5所述的方法,其特征在于,将所述样本图像输入到所述卷积神经网络进行处理,除得到所述候选车道线点集对应的位置偏移特征外,还得到所述候选车道线点...
【专利技术属性】
技术研发人员:朱琼,
申请(专利权)人:北京迈驰智行科技有限公司,
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。