[go: up one dir, main page]
More Web Proxy on the site http://driver.im/

CN113705436A - 一种车道信息确定方法、装置、电子设备及介质 - Google Patents

一种车道信息确定方法、装置、电子设备及介质 Download PDF

Info

Publication number
CN113705436A
CN113705436A CN202110992789.3A CN202110992789A CN113705436A CN 113705436 A CN113705436 A CN 113705436A CN 202110992789 A CN202110992789 A CN 202110992789A CN 113705436 A CN113705436 A CN 113705436A
Authority
CN
China
Prior art keywords
lane
line
loss function
determining
lane information
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
Application number
CN202110992789.3A
Other languages
English (en)
Inventor
吕承龙
赵鲁建
唐超
李彦盈
李连强
王浩
王诗豪
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
FAW Jiefang Automotive Co Ltd
FAW Jiefang Qingdao Automobile Co Ltd
Original Assignee
FAW Jiefang Automotive Co Ltd
FAW Jiefang Qingdao Automobile Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by FAW Jiefang Automotive Co Ltd, FAW Jiefang Qingdao Automobile Co Ltd filed Critical FAW Jiefang Automotive Co Ltd
Priority to CN202110992789.3A priority Critical patent/CN113705436A/zh
Publication of CN113705436A publication Critical patent/CN113705436A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Traffic Control Systems (AREA)
  • Image Analysis (AREA)

Abstract

本申请实施例公开了一种车道信息确定方法、装置、电子设备及介质。其中，方法包括：将车道线以及对应的预设标签、车道边界线以及对应的预设标签，输入到分割网络中；根据预设标签对应的车道线或车道边界线，确定所述分割网络的目标损失函数；根据所述目标损失函数对所述分割网络进行训练，得到车道信息检测模型，所述车道信息检测模型用于确定车道信息；其中，所述车道信息包括车道线和车道边界线。本实施例提供的技术方案解决了现有技术中车道信息检测精度低、检测系统功耗较大的问题，可以在复杂的环境中提高车道信息的检测精确度，以及同时进行多种车道信息的检测，提高了检测效率。

Description

一种车道信息确定方法、装置、电子设备及介质
技术领域
本申请实施例涉及汽车电气视觉控制领域，尤其涉及一种车道信息确定方法、装置、电子设备及介质。
背景技术
车道线检测是车道偏离预警、车道保持辅助和自适应巡航等功能的基础，是智能辅助及无人驾驶系统的重要组成部分；道路边界检测是区分道路区域及非道路区域的关键技术，限制车辆在道路上可行驶的范围，保证智能车、无人车的安全行驶。
传统的车道线检测方法通过颜色、纹理、边缘等特征，利用机器学习技术进行检测和识别。但是由于受天气、光照、复杂路况等影响，车道线的检测不连续，不准确，检测的鲁棒性欠佳。随着深度学习在计算机领域的迅速发展，基于神经网络的车道线检测方法涌现出来，检测效果在复杂环境及光照条件下有了显著提升。
但是，由于道路车道线复杂、极端天气等因素影响，现有的检测技术仍然面临准确率低的缺点。另外，现有技术同时使用两个网络分别对车道线和道路边界进行检测和识别，这对于车载嵌入式系统的实时性是一个很大的负担。
发明内容
本申请实施例提供一种车道信息确定方法、装置、电子设备及介质，可以在复杂环境中对车道线和道路边界线同时进行检测。
第一方面，本申请实施例提供了一种车道信息确定方法，所述方法包括：
将车道线以及对应的预设标签、车道边界线以及对应的预设标签，输入到分割网络中；
根据预设标签对应的车道线或车道边界线，确定所述分割网络的目标损失函数；
根据所述目标损失函数对所述分割网络进行训练，得到车道信息检测模型，所述车道信息检测模型用于确定车道信息；其中，所述车道信息包括车道线和车道边界线。
第二方面，本申请实施例提供了一种车道信息确定装置，该装置包括：
数据输入模块，用于将车道线以及对应的预设标签、车道边界线以及对应的预设标签，输入到分割网络中；
损失函数确定模块，用于根据预设标签对应的车道线或车道边界线，确定所述分割网络的目标损失函数；
检测模型获得模块，用于根据所述目标损失函数对所述分割网络进行训练，得到车道信息检测模型，所述车道信息检测模型用于确定车道信息；其中，所述车道信息包括车道线和车道边界线。
第三方面，本申请实施例提供了一种电子设备，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如本申请实施例所述的车道信息确定方法。
第四方面，本申请实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本申请实施例所述的车道信息确定方法。
本实施例通过以下方法完成了对道路中的车道线以及车道边界线的检测：将车道线以及对应的预设标签、车道边界线以及对应的预设标签，输入到分割网络中；根据预设标签对应的车道线或车道边界线，确定所述分割网络的目标损失函数；根据所述目标损失函数对所述分割网络进行训练，得到车道信息检测模型，所述车道信息检测模型用于确定车道信息；其中，所述车道信息包括车道线和车道边界线。本实施例提供的技术方案可以通过一个分割网络实现同时对车辆两旁的车道线和车道边界线的检测，减轻了车载嵌入式系统的功耗，提高了检测性能。
附图说明
图1是本申请实施例一提供的一种车道信息确定方法的流程图；
图2是本申请实施例一提供的一种车道信息预设标签设置示意图；
图3是本申请实施例二提供的一种车道信息确定方法的流程图；
图4是本申请实施例二提供的一种车道信息确定流程的示意图；
图5是本申请实施例三提供的一种车道信息确定装置的结构框图；
图6是本申请实施例四提供的一种电子设备的结构示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本申请，而非对本申请的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本申请相关的部分而非全部结构。
在更加详细地讨论示例性实施例之前应当提到的是，一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各步骤描述成顺序的处理，但是其中的许多步骤可以被并行地、并发地或者同时实施。此外，各步骤的顺序可以被重新安排。当其操作完成时所述处理可以被终止，但是还可以具有未包括在附图中的附加步骤。所述处理可以对应于方法、函数、规程、子例程、子程序等等。
实施例一
图1是本申请实施例一提供的一种车道信息确定方法的流程图，本实施例可适用于复杂环境中对于车道线和道路边界的检测的场景中。该方法可以由本申请实施例所提供的车道信息确定装置执行，该装置可以由软件和/或硬件的方式来实现，并可集成于电子设备中。
如图1所示，本申请实施例中提供的车道信息确定方法可包括以下步骤：
S110、将车道线以及对应的预设标签、车道边界线以及对应的预设标签，输入到分割网络中。
其中，车道线是用来分隔行驶车辆的交通标线，例如道路上的白色虚、实线。白色虚线是分隔同向车的，白色虚线表示在安全的情况下可以变道、超车。白色实线也是分隔同向车的，不过白色实线表示不可变道。
进一步的，车道边界线是用来区别道路区域和非道路区域的。可以理解的，一条道路通常可以有多条车道线以及两条车道边界线，所以实际应用中可以按照需求的不同来选择要检测的车道线的条数，而对于车道边界线，道路的左右两侧各检测一条边界线。
进一步的，预设标签是指按照一定的规则对目标对象进行标识，标识的形式可以是数字、图案等。
进一步的，每一条车道线以及车道边界线都按照一定规则打上预设标签。图2是本实施例提供的一种车道信息预设标签设置示意图。如图2所示，图中箭头指向对象为行驶的车辆，该图中有三条车道。将车辆左边第一条车道线标签设为1，车辆左边第二条车道线标签设为3，车辆右边第一条车道线标签设为2，车辆右边第二条车道线标签为4，最后将车辆的左、右车道边界线标签分为设为5、6，背景标签设为0。
进一步的，分割网络是指可以将图像中的目标与背景进行分割，即可以在图像中对目标进行识别的神经网络。典型的用于车道线检测的神经网络包括VPG-Net(VanishingPoint Guided Network)、SCNN(Spatial Convolutional Neural Networks)、LaneNet等，本实施例对于分割网络的种类不进行限制。
S120、根据预设标签对应的车道线或车道边界线，确定所述分割网络的目标损失函数。
其中，目标损失函数通常用来在模型训练过程中评估模型预测值与实际值的差距，在模型训练过程中通过不断调整模型的参数使模型预测值与实际值的差距缩小。本实施例中，目标损失函数用来评估模型输出的车道线或车道边界线对应的标签结果与实际预设标签的差距。
S130、根据所述目标损失函数对所述分割网络进行训练，得到车道信息检测模型，所述车道信息检测模型用于确定车道信息；其中，所述车道信息包括车道线和车道边界线。
可以理解的，根据所述目标损失函数对所述分割网络进行训练，是通过不断调整分割网络的参数使输出的车道线或车道边界线对应的标签不断接近实际的预设标签。其中，目标损失函数有多种表达形式，本实施例对此不进行限制。
本实施例中，可选的，将车道线以及对应的预设标签、车道边界线以及对应的预设标签，输入到分割网络中之前，所述方法还包括：
确定样本图像中的车道线和车道边界线；
对不同的车道线设置不同的预设标签，对不同的车道边界线设置不同的预设标签，将车道线以及对应的预设标签、车道边界线以及对应的预设标签作为样本数据。
其中，样本图像是车辆中的图像采集器采集的道路图像，道路图像中包含车道线和车道边界线。图像采集器可以是单目摄像机、双目摄像机、全景摄像机等。
进一步的，根据车道线和车道边界线的定义从样本图像中确定车道线和车道边界线，并按照一定规则将车道线和车道边界线设置预设标签。
进一步的，将车道线以及对应的预设标签、车道边界线以及对应的预设标签作为样本数据，用于训练车道信息检测模型，使车道信息检测模型的目标损失函数达到最小。
本实施例使用大量的样本数据对模型进行训练，通过不断的调整参数使模型输出值更接近实际值，提高了模型的检测准确度。
本实施例中，可选的，根据所述目标损失函数对所述分割网络进行训练，得到车道信息检测模型之后，所述方法还包括：
通过车辆配置的图像采集器获取道路图像；
将所述道路图像输入至所述车道信息检测模型中；
根据所述车道信息检测模型输出的标签结果，确定所述道路图像中的车道线和车道边界线。
可以理解的，通过样本数据对车道信息检测模型进行训练后，车道信息检测模型即可用于实际的车道信息检测任务中。
其中，车道信息检测模型输出的标签结果是某一条线的标签结果，通过对比标签结果和预设标签可以确定道路图像中的车道线或车道边界线。例如，预设标签规则为车辆左边第一条车道线标签设为1，车辆左边第二条车道线标签设为3，车辆右边第一条车道线标签设为2，车辆右边第二条车道线标签为4，最后将车辆的左、右车道边界线标签分为设为5、6，背景标签设为0。若车道信息检测模型的输入道路图像中包含三条行车道，模型的输出的某条线的标签结果为1，则该模型将该线识别为车辆左边第一条车道线。
本实施例通过以下方法完成了对道路中的车道线以及车道边界线的检测：将车道线以及对应的预设标签、车道边界线以及对应的预设标签，输入到分割网络中；根据预设标签对应的车道线或车道边界线，确定所述分割网络的目标损失函数；根据所述目标损失函数对所述分割网络进行训练，得到车道信息检测模型，所述车道信息检测模型用于确定车道信息；其中，所述车道信息包括车道线和车道边界线。本实施例提供的技术方案可以通过一个分割网络实现同时对车辆两旁的车道线和车道边界线的检测，减轻了车载嵌入式系统的功耗，提高了检测效率。
实施例二
图3为本申请实施例二提供的一种车道信息确定方法的流程图，本实施例以上述实施例为基础进行优化。具体优化为：根据预设标签对应的车道线或车道边界线，确定所述分割网络的目标损失函数，包括：确定预设标签对应的车道线或车道边界线上的点对应的特征集合；根据所述特征集合中的特征与所述特征集合中心位置的距离，确定线聚合损失函数；根据所述线聚合损失函数和候选损失函数，确定所述分割网络的目标损失函数。
如图3所示，本申请实施例中提供的车道信息确定方法可包括以下步骤：
S210、将车道线以及对应的预设标签、车道边界线以及对应的预设标签，输入到分割网络中。
S220、确定预设标签对应的车道线或车道边界线上的点对应的特征集合。
其中，确定特征集合是在分割网络内部进行的。分割网络将相同预设标签对应的车道线或车道边界线上的点的特征划分为一个集合。
S230、根据所述特征集合中的特征与所述特征集合中心位置的距离，确定线聚合损失函数。
其中，线聚合损失函数用来表征相同预设标签的车道线或车道边界线上的点的特征的相似程度。线聚合损失函数越小，表示相同预设标签的车道线或车道边界线上的点之间的相似度较高，反之则表示相似度较小。
本实施例中，可选的，根据所述特征集合中的特征与所述特征集合中心位置的距离，确定线聚合损失函数，包括：
确定不同标签对应的所述特征集合中的特征与所述特征集合中心位置的距离的平均值；
将所述平均值作为线聚合损失函数。
示例性的，线聚合损失函数通过如下公式进行定义：
Figure BDA0003232989100000091
其中，M表示预设标签类别数，{Fc}为预设标签为c的车道线或车道边界线上的点对应的特征集合，Lmean(.)表示集合中的特征与该集合中心位置的距离的平均值。
本实施例中将提出的线聚合损失函数加入到分割网络的损失函数中，在模型训练中通过反向梯度传播，使得线聚合损失函数逐渐减小，即点对应的特征之间的距离逐渐减小。通过以上方式可以很好的解决车道线被立体物遮挡等复杂路况下的检测连续性，提升检测精度。
S240、根据所述线聚合损失函数和候选损失函数，确定所述分割网络的目标损失函数。
其中，候选损失函数可以是任何可用于分割任务的损失函数或多种损失函数的组合。示例性的，候选损失函数可以通过如下公式进行表达：
Figure BDA0003232989100000092
其中，LCross entropy为用于分割任务的交叉熵损失函数，M表示预设标签类别数，yc为一个向量，pc为模型预测的车道线或车道分界线类别属于类别c的概率。
进一步的，目标损失函数是将线聚合损失函数和候选损失函数以一定的规则进行组合得到的。
本实施例中，可选的，根据所述线聚合损失函数和候选损失函数，确定所述分割网络的目标损失函数，包括：
将所述线聚合损失函数与候选损失函数的加权求和结果，作为所述分割网络的目标损失函数。
示例性的，分割网络的目标损失函数Loss可用如下公式进行定义：
Loss＝LCross entropy+αLAggregation
其中，α用来权衡LCross entropy和LAggregation的比重，α可以根据实际模型的训练情况进行调整。
S250、根据所述目标损失函数对所述分割网络进行训练，得到车道信息检测模型，所述车道信息检测模型用于确定车道信息；其中，所述车道信息包括车道线和车道边界线。
图4是本实施例提供的一种车道信息确定流程的示意图，如图4所示，车辆行驶过程中，通过前视摄像头采集车辆前方道路的实时路况，并形成图像信息传递给视觉信号处理单元。视觉信号处理单元将图像信息中的车道线与道路边网络融合到一个神经网络中，并在该网络中将车道线、道路边界检测看作为分割任务，使用分割的不同标签来区分不同线、边界的实例。进一步地，视觉信号处理单元通过上述方法实时检测前方道路的车道线和道路边界实例结果信号,并按照一定的逻辑判断车辆行驶是否存在异常现象,将异常信号转化为相应的电信号传递给执行器，控制执行器动作，优选使用CAN报文信号。
在实际中，上述方法应用在车道偏离预警和车道保持辅助系统时，仪表在接受到视觉信号处理单元的异常电信号后，进行相应的报警提示驾驶员注意行车安全；上述方法应用在自适应巡航系统时，仪表在接受到视觉信号处理单元的异常电信号后，进行相应的报警提示驾驶员注意行车安全，并且ACC控制器在接受到视觉信号处理单元的异常电信号后，控制执行器进行相应动作保证车辆行驶安全。
本实施例通过以下方法确定了分割网络的损失函数：确定预设标签对应的车道线或车道边界线上的点对应的特征集合；根据所述特征集合中的特征与所述特征集合中心位置的距离，确定线聚合损失函数；根据所述线聚合损失函数和候选损失函数，确定所述分割网络的目标损失函数。本实施例中创造性的提出了线聚合损失函数，并将其加入到分割网络的损失函数中，在模型训练中通过反向梯度传播，使得线聚合损失函数逐渐减小，即点对应的特征之间的距离逐渐减小。通过以上方式可以很好的解决车道线被立体物遮挡等复杂路况下的检测连续性，提升检测精度。
实施例三
图5为本申请实施例三提供的一种车道信息确定装置的结构框图，该装置可执行本申请任意实施例所提供的车道信息确定方法，具备执行方法相应的功能模块和有益效果。如图5所示，该装置可以包括：
数据输入模块510，用于将车道线以及对应的预设标签、车道边界线以及对应的预设标签，输入到分割网络中。
损失函数确定模块520，用于根据预设标签对应的车道线或车道边界线，确定所述分割网络的目标损失函数。
检测模型获得模块530，用于根据所述目标损失函数对所述分割网络进行训练，得到车道信息检测模型，所述车道信息检测模型用于确定车道信息；其中，所述车道信息包括车道线和车道边界线。
进一步的，损失函数确定模块520，包括：
特征集合确定单元，用于确定预设标签对应的车道线或车道边界线上的点对应的特征集合。
线聚合损失函数确定单元，用于根据所述特征集合中的特征与所述特征集合中心位置的距离，确定线聚合损失函数。
目标损失函数确定单元，用于根据所述线聚合损失函数和候选损失函数，确定所述分割网络的目标损失函数。
进一步的，线聚合损失函数确定单元，具体用于：
确定不同标签对应的所述特征集合中的特征与所述特征集合中心位置的距离的平均值。
将所述平均值作为线聚合损失函数。
进一步的，目标损失函数确定单元，具体用于：
将所述线聚合损失函数与候选损失函数的加权求和结果，作为所述分割网络的目标损失函数。
进一步的，所述装置还包括：
车道信息确定模块，用于确定样本图像中的车道线和车道边界线。
样本数据确定模块，用于对不同的车道线设置不同的预设标签，对不同的车道边界线设置不同的预设标签，将车道线以及对应的预设标签、车道边界线以及对应的预设标签作为样本数据。
进一步的，所述装置还包括：
道路图像获取模块，用于通过车辆配置的图像采集器获取道路图像。
数据输入模块，用于将所述道路图像输入至所述车道信息检测模型中。
车道信息获得模块，用于根据所述车道信息检测模型输出的标签结果，确定所述道路图像中的车道线和车道边界线。
上述产品可执行本申请实施例所提供的车道信息确定方法，具备执行方法相应的功能模块和有益效果。
实施例四
图6为本申请实施例四提供的一种电子设备的结构示意图。图6示出了适于用来实现本申请实施方式的示例性计算机设备12的框图。图6显示的电子设备12仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。
如图6所示，电子设备12以通用计算设备的形式表现。电子设备12的组件可以包括但不限于：一个或者多个处理器或者处理单元16，系统存储器28，连接不同系统组件(包括系统存储器28和处理单元16)的总线18。
总线18表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(ISA)总线，微通道体系结构(MAC)总线，增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。
电子设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被电子设备12访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。
系统存储器28可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(RAM)30和/或高速缓存存储器32。电子设备12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统34可以用于读写不可移动的、非易失性磁介质(图6未显示，通常称为“硬盘驱动器”)。尽管图6中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线18相连。存储器28可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本申请各实施例的功能。
具有一组(至少一个)程序模块42的程序/实用工具40，可以存储在例如存储器28中，这样的程序模块42包括——但不限于——操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本申请所描述的实施例中的功能和/或方法。
电子设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信，还可与一个或者多个使得用户能与该电子设备12交互的设备通信，和/或与使得该电子设备12能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口22进行。另外，本实施例中的电子设备12，显示器24不是作为独立个体存在，而是嵌入镜面中，在显示器24的显示面不予显示时，显示器24的显示面与镜面从视觉上融为一体。并且，电子设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器20通过总线18与电子设备12的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备12使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
处理单元16通过运行存储在系统存储器28中的程序，从而执行各种功能应用以及数据处理，例如实现本申请实施例所提供的车道信息确定方法：
将车道线以及对应的预设标签、车道边界线以及对应的预设标签，输入到分割网络中；
根据预设标签对应的车道线或车道边界线，确定所述分割网络的目标损失函数；
根据所述目标损失函数对所述分割网络进行训练，得到车道信息检测模型，所述车道信息检测模型用于确定车道信息；其中，所述车道信息包括车道线和车道边界线。
实施例五
本申请实施例五提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本申请所有实施例提供的车道信息确定方法：
将车道线以及对应的预设标签、车道边界线以及对应的预设标签，输入到分割网络中；
根据预设标签对应的车道线或车道边界线，确定所述分割网络的目标损失函数；
根据所述目标损失函数对所述分割网络进行训练，得到车道信息检测模型，所述车道信息检测模型用于确定车道信息；其中，所述车道信息包括车道线和车道边界线。
可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括——但不限于——电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括——但不限于——无线、电线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。

Claims (10)

1.一种车道信息确定方法，其特征在于，所述方法包括：
将车道线以及对应的预设标签、车道边界线以及对应的预设标签，输入到分割网络中；
根据预设标签对应的车道线或车道边界线，确定所述分割网络的目标损失函数；
根据所述目标损失函数对所述分割网络进行训练，得到车道信息检测模型，所述车道信息检测模型用于确定车道信息；其中，所述车道信息包括车道线和车道边界线。
2.根据权利要求1所述的方法，其特征在于，根据预设标签对应的车道线或车道边界线，确定所述分割网络的目标损失函数，包括：
确定预设标签对应的车道线或车道边界线上的点对应的特征集合；
根据所述特征集合中的特征与所述特征集合中心位置的距离，确定线聚合损失函数；
根据所述线聚合损失函数和候选损失函数，确定所述分割网络的目标损失函数。
3.根据权利要求2所述的方法，其特征在于，根据所述特征集合中的特征与所述特征集合中心位置的距离，确定线聚合损失函数，包括：
确定不同标签对应的所述特征集合中的特征与所述特征集合中心位置的距离的平均值；
将所述平均值作为线聚合损失函数。
4.根据权利要求2所述的方法，其特征在于，根据所述线聚合损失函数和候选损失函数，确定所述分割网络的目标损失函数，包括：
将所述线聚合损失函数与候选损失函数的加权求和结果，作为所述分割网络的目标损失函数。
5.根据权利要求1所述的方法，其特征在于，将车道线以及对应的预设标签、车道边界线以及对应的预设标签，输入到分割网络中之前，所述方法还包括：
确定样本图像中的车道线和车道边界线；
对不同的车道线设置不同的预设标签，对不同的车道边界线设置不同的预设标签，将车道线以及对应的预设标签、车道边界线以及对应的预设标签作为样本数据。
6.根据权利要求1所述的方法，其特征在于，根据所述目标损失函数对所述分割网络进行训练，得到车道信息检测模型之后，所述方法还包括：
通过车辆配置的图像采集器获取道路图像；
将所述道路图像输入至所述车道信息检测模型中；
根据所述车道信息检测模型输出的标签结果，确定所述道路图像中的车道线和车道边界线。
7.一种车道信息确定装置，其特征在于，所述装置包括：
数据输入模块，用于将车道线以及对应的预设标签、车道边界线以及对应的预设标签，输入到分割网络中；
损失函数确定模块，用于根据预设标签对应的车道线或车道边界线，确定所述分割网络的目标损失函数；
检测模型获得模块，用于根据所述目标损失函数对所述分割网络进行训练，得到车道信息检测模型，所述车道信息检测模型用于确定车道信息；其中，所述车道信息包括车道线和车道边界线。
8.根据权利要求7所述的装置，其特征在于，损失函数确定模块，包括：
特征集合确定单元，用于确定预设标签对应的车道线或车道边界线上的点对应的特征集合；
线聚合损失函数确定单元，用于根据所述特征集合中的特征与所述特征集合中心位置的距离，确定线聚合损失函数；
目标损失函数确定单元，用于根据所述线聚合损失函数和候选损失函数，确定所述分割网络的目标损失函数。
9.一种电子设备，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如权利要求1-6中任一项所述的车道信息确定方法。
10.一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，该程序被处理器执行时实现如权利要求1-6中任一项所述的车道信息确定方法。
CN202110992789.3A 2021-08-27 2021-08-27 一种车道信息确定方法、装置、电子设备及介质 Pending CN113705436A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110992789.3A CN113705436A (zh) 2021-08-27 2021-08-27 一种车道信息确定方法、装置、电子设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110992789.3A CN113705436A (zh) 2021-08-27 2021-08-27 一种车道信息确定方法、装置、电子设备及介质

Publications (1)

Publication Number Publication Date
CN113705436A true CN113705436A (zh) 2021-11-26

Family

ID=78655662

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110992789.3A Pending CN113705436A (zh) 2021-08-27 2021-08-27 一种车道信息确定方法、装置、电子设备及介质

Country Status (1)

Country Link
CN (1) CN113705436A (zh)

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107092862A (zh) * 2017-03-16 2017-08-25 浙江零跑科技有限公司 一种基于卷积神经网络的车道边缘检测方法
CN108216229A (zh) * 2017-09-08 2018-06-29 北京市商汤科技开发有限公司 交通工具、道路线检测和驾驶控制方法及装置
CN109740469A (zh) * 2018-12-24 2019-05-10 百度在线网络技术（北京）有限公司 车道线检测方法、装置、计算机设备和存储介质
CN109858372A (zh) * 2018-12-29 2019-06-07 浙江零跑科技有限公司 一种车道级精度自动驾驶结构化数据分析方法
CN110348383A (zh) * 2019-07-11 2019-10-18 重庆市地理信息中心 一种基于卷积神经网络回归的道路中心线和双线提取方法
CN111144330A (zh) * 2019-12-29 2020-05-12 浪潮(北京)电子信息产业有限公司 一种基于深度学习的车道线检测方法、装置以及设备
CN111178245A (zh) * 2019-12-27 2020-05-19 深圳佑驾创新科技有限公司 车道线检测方法、装置、计算机设备和存储介质
CN112001378A (zh) * 2020-10-30 2020-11-27 深圳佑驾创新科技有限公司 基于特征空间的车道线处理方法、装置、车载终端和介质
CN112699711A (zh) * 2019-10-22 2021-04-23 珠海格力电器股份有限公司 车道线检测方法、装置、存储介质及电子设备
CN112861619A (zh) * 2020-12-31 2021-05-28 浙江大华技术股份有限公司 模型的训练方法、车道线检测方法、设备及装置
CN112990009A (zh) * 2021-03-12 2021-06-18 平安科技（深圳）有限公司 基于端到端的车道线检测方法、装置、设备及存储介质

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107092862A (zh) * 2017-03-16 2017-08-25 浙江零跑科技有限公司 一种基于卷积神经网络的车道边缘检测方法
CN108216229A (zh) * 2017-09-08 2018-06-29 北京市商汤科技开发有限公司 交通工具、道路线检测和驾驶控制方法及装置
CN109740469A (zh) * 2018-12-24 2019-05-10 百度在线网络技术（北京）有限公司 车道线检测方法、装置、计算机设备和存储介质
CN109858372A (zh) * 2018-12-29 2019-06-07 浙江零跑科技有限公司 一种车道级精度自动驾驶结构化数据分析方法
CN110348383A (zh) * 2019-07-11 2019-10-18 重庆市地理信息中心 一种基于卷积神经网络回归的道路中心线和双线提取方法
CN112699711A (zh) * 2019-10-22 2021-04-23 珠海格力电器股份有限公司 车道线检测方法、装置、存储介质及电子设备
CN111178245A (zh) * 2019-12-27 2020-05-19 深圳佑驾创新科技有限公司 车道线检测方法、装置、计算机设备和存储介质
CN111144330A (zh) * 2019-12-29 2020-05-12 浪潮(北京)电子信息产业有限公司 一种基于深度学习的车道线检测方法、装置以及设备
CN112001378A (zh) * 2020-10-30 2020-11-27 深圳佑驾创新科技有限公司 基于特征空间的车道线处理方法、装置、车载终端和介质
CN112861619A (zh) * 2020-12-31 2021-05-28 浙江大华技术股份有限公司 模型的训练方法、车道线检测方法、设备及装置
CN112990009A (zh) * 2021-03-12 2021-06-18 平安科技（深圳）有限公司 基于端到端的车道线检测方法、装置、设备及存储介质

Similar Documents

Publication Publication Date Title
CN113950702A (zh) 在视频分析应用中使用相关滤波器的多对象跟踪
US20220130153A1 (en) Vehicle control method, apparatus, electronic device and vehicle
CN109229109B (zh) 判断车辆行驶方向的方法、装置、设备和计算机存储介质
CN111899515B (zh) 一种基于智慧道路边缘计算网关的车辆检测系统
CN107909012B (zh) 一种基于视差图的实时车辆跟踪检测方法与装置
WO2022156553A1 (zh) 呈现道路信息的方法和装置
JP2023131069A (ja) 自律システム及びアプリケーションのためのニューラル・ネットワークを使用したマップ情報の物体データ・キュレーション
CN114842432B (zh) 一种基于深度学习汽车灯光控制方法及系统
CN114906155B (zh) 预期转弯速度确定方法、系统、电子设备及可读存储介质
CN114475656B (zh) 行驶轨迹预测方法、装置、电子设备以及存储介质
JP7391125B2 (ja) 自動運転特徴の特定方法、装置、設備、媒体及びコンピュータプログラム
Gao et al. An automatic verification method for vehicle line-pressing violation based on CNN and geometric projection
CN118298169B (zh) 一种基于大模型引导的图像分割方法
CN113869440A (zh) 图像处理方法、装置、设备、介质及程序产品
CN117131150B (zh) 电子地图的生成方法、装置、车辆和存储介质
CN113619606A (zh) 障碍物确定方法、装置、设备以及存储介质
CN115995163B (zh) 一种车辆碰撞预警方法及系统
CN113705436A (zh) 一种车道信息确定方法、装置、电子设备及介质
CN114154510B (zh) 自动驾驶车辆的控制方法、装置、电子设备及存储介质
CN113392804B (zh) 一种基于多角度的交警目标数据集的场景化构建方法及系统
CN114895274A (zh) 一种护栏识别方法
CN116977943A (zh) 道路要素的识别方法、装置、电子设备和计算机存储介质
JP6861911B2 (ja) 情報処理装置、情報処理方法及び情報処理プログラム
CN114677662A (zh) 一种车辆前方障碍状态预测方法、装置、设备及存储介质
CN113963238A (zh) 多任务感知识别模型的构建方法以及多任务感知识别方法

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