識 別裝置包括:區(qū)域識別模塊102、概率計算模塊103以及模型重建模塊104。
[0138] 所述區(qū)域識別模塊102用于基于二維濾波,從圖像中識別車道線的圖像區(qū)域。
[0139] 所述概率計算模塊103用于將已經(jīng)識別了車道線的圖像區(qū)域的圖像輸入至基于 卷積神經(jīng)網(wǎng)絡(luò)的車道線識別模型,得到所述模型的輸出概率。
[0140] 所述模型重建模塊104用于基于所述輸出概率,進行模型重建,以識別輸入圖像 中的車道線。
[0141] 進一步的,所述車道線的識別裝置還包括:逆投射變換模塊101。
[0142] 所述逆投射變換模塊101用于在基于二維濾波,從圖像中識別車道線的圖像區(qū)域 之前,對原始圖像進行逆投射變換,以調(diào)整所述原始圖像的光軸方向為垂直于地面的方向。
[0143] 進一步的,所述模型重建模塊104具體用于:
[0144] 根據(jù)如下公式進行模型重建:
[0146] 其中,
分別代表第i根車道線的長度和屬于真實車道線的概
分別代表第i根和第j根車道線的角度相似和距離遠近的約束關(guān)系。
[0147] 本領(lǐng)域普通技術(shù)人員應(yīng)該明白,上述的本發(fā)明的各模塊或各步驟可以用通用的計 算裝置來實現(xiàn),它們可以集中在單個計算裝置上,或者分布在多個計算裝置所組成的網(wǎng)絡(luò) 上,可選地,他們可以用計算機裝置可執(zhí)行的程序代碼來實現(xiàn),從而可以將它們存儲在存儲 裝置中由計算裝置來執(zhí)行,或者將它們分別制作成各個集成電路模塊,或者將它們中的多 個模塊或步驟制作成單個集成電路模塊來實現(xiàn)。這樣,本發(fā)明不限制于任何特定的硬件和 軟件的結(jié)合。
[0148] 本說明書中的各個實施例均采用遞進的方式描述,每個實施例重點說明的都是與 其他實施例的不同之處,各個實施例之間的相同或相似的部分互相參見即可。
[0149] 以上所述僅為本發(fā)明的優(yōu)選實施例,并不用于限制本發(fā)明,對于本領(lǐng)域技術(shù)人員 而言,本發(fā)明可以有各種改動和變化。凡在本發(fā)明的精神和原理之內(nèi)所作的任何修改、等同 替換、改進等,均應(yīng)包含在本發(fā)明的保護范圍之內(nèi)。
【主權(quán)項】
1. 一種車道線的識別建模方法,其特征在于,包括: 基于二維濾波,從圖像中識別車道線的圖像區(qū)域; 利用識別得到的圖像區(qū)域,構(gòu)造模型訓(xùn)練數(shù)據(jù); 利用所述模型訓(xùn)練數(shù)據(jù),訓(xùn)練基于卷積神經(jīng)網(wǎng)絡(luò)的車道線識別模型。2. 根據(jù)權(quán)利要求1所述的方法,其特征在于,在基于二維濾波,從背景圖像中識別車道 線的圖像區(qū)域之前,還包括: 對原始圖像進行逆投射變換,以調(diào)整所述原始圖像的光軸方向為垂直于地面的方向。3. 根據(jù)權(quán)利要求2所述的方法,其特征在于,對原始圖像進行逆投射變換,以調(diào)整所述 原始圖像的光軸方向為垂直與地面的方向包括: 根據(jù)如下公式對所述原始圖像進行逆投射變換:其中,a、P、Y分別是相機的俯仰角、偏航角以及翻滾角,fu、fv是相機豎直和水平方 向的焦距,Cu、Cv是相機光心坐標(biāo)點的橫坐標(biāo)及縱坐標(biāo),U、V分別表示變換前圖像的二維平 面內(nèi)坐標(biāo)點的橫坐標(biāo)及縱坐標(biāo),Xw、yw& Zw分別表示變換后三維空間中所述坐標(biāo)點的三維 坐標(biāo),S為歸一化參數(shù)。4. 根據(jù)權(quán)利要求1至3任一所述的方法,其特征在于,基于二維濾波,從圖像中識別車 道線的圖像區(qū)域包括: 利用具有不同寬度參數(shù)和高度參數(shù)的hat-like濾波核,對背景圖像進行濾波,并選擇 圖像邊沿最為明顯的一幅圖像,作為濾波結(jié)果圖像; 對所述濾波結(jié)果圖像進行二值化,形成至少一個連通域; 利用改進的ransac算法,對所述連通域進行邊界的直線擬合。5. 根據(jù)權(quán)利要求1至3任一所述的方法,其特征在于,利用識別得到的圖像區(qū)域,構(gòu)造 模型訓(xùn)練數(shù)據(jù)包括: 對所述連通域進行擴寬,形成圖像上的感興趣區(qū)域; 將包含所述感興趣區(qū)域的圖像作為所述模型訓(xùn)練數(shù)據(jù)。6. -種車道線的識別建模裝置,其特征在于,包括: 識別模塊,用于基于二維濾波,從圖像中識別車道線的圖像區(qū)域; 構(gòu)造模塊,用于利用識別得到的圖像區(qū)域,構(gòu)造模型訓(xùn)練數(shù)據(jù); 訓(xùn)練模塊,用于利用所述模型訓(xùn)練數(shù)據(jù),訓(xùn)練基于卷積神經(jīng)網(wǎng)絡(luò)的車道線識別模型。7. 根據(jù)權(quán)利要求6所述的裝置,其特征在于,還包括: 變換模塊,用于在基于二維濾波,從背景圖像中識別車道線的圖像區(qū)域之前,對原始圖 像進行逆投射變換,以調(diào)整所述原始圖像的光軸方向為垂直于地面的方向。8. 根據(jù)權(quán)利要求7所述的裝置,其特征在于,所述變換模塊具體用于: 根據(jù)如下公式對所述原始圖像進行逆投射變換:其中,a、P、Y分別是相機的俯仰角、偏航角以及翻滾角,fu、fv是相機豎直和水平方 向的焦距,Cu、Cv是相機光心坐標(biāo)點的橫坐標(biāo)及縱坐標(biāo),U、V分別表示變換前圖像的二維平 面內(nèi)坐標(biāo)點的橫坐標(biāo)及縱坐標(biāo),Xw、yw& Zw分別表示變換后三維空間中所述坐標(biāo)點的三維 坐標(biāo),S為歸一化參數(shù)。9. 根據(jù)權(quán)利要求6至8任一所述的裝置,其特征在于,所述識別模塊包括: 濾波單元,用于利用具有不同寬度參數(shù)和高度參數(shù)的hat-like濾波核,對背景圖像進 行濾波,并選擇圖像邊沿最為明顯的一幅圖像,作為濾波結(jié)果圖像; 二值化單元,用于對所述濾波結(jié)果圖像進行二值化,形成至少一個連通域; 擬合單元,用于利用改進的ransac算法,對所述連通域進行邊界的直線擬合。10. 根據(jù)權(quán)利要求6至8任一所述的裝置,其特征在于,所述構(gòu)造模塊包括: 擴寬單元,用于對所述連通域進行擴寬,形成圖像上的感興趣區(qū)域; 數(shù)據(jù)獲取單元,用于將包含所述感興趣區(qū)域的圖像作為所述模型訓(xùn)練數(shù)據(jù)。11. 一種車道線的識別方法,其特征在于,包括: 基于二維濾波,從圖像中識別車道線的圖像區(qū)域; 將已經(jīng)識別了車道線的圖像區(qū)域的圖像輸入至基于卷積神經(jīng)網(wǎng)絡(luò)的車道線識別模型, 得到所述模型的輸出概率; 基于所述輸出概率,進行模型重建,以識別輸入圖像中的車道線。12. 根據(jù)權(quán)利要求11所述的方法,其特征在于,在基于二維濾波,從圖像中識別車道線 的圖像區(qū)域之前,還包括: 對原始圖像進行逆投射變換,以調(diào)整所述原始圖像的光軸方向為垂直于地面的方向。13. 根據(jù)權(quán)利要求11或12所述的方法,其特征在于,基于所述輸出概率,進行模型重 建,以識別輸入圖像中的車道線包括: 根據(jù)如下公式進行模型重建:14.一種車道線的識別裝置,其特征在于,包括: 區(qū)域識別模塊,用于基于二維濾波,從圖像中識別車道線的圖像區(qū)域; 概率計算模塊,用于將已經(jīng)識別了車道線的圖像區(qū)域的圖像輸入至基于卷積神經(jīng)網(wǎng)絡(luò) 的車道線識別模型,得到所述模型的輸出概率; 模型重建模塊,用于基于所述輸出概率,進行模型重建,以識別輸入圖像中的車道線。15. 根據(jù)權(quán)利要求14所述的裝置,其特征在于,還包括: 逆投射變換模塊,用于在基于二維濾波,從圖像中識別車道線的圖像區(qū)域之前,對原始 圖像進行逆投射變換,以調(diào)整所述原始圖像的光軸方向為垂直于地面的方向。16. 根據(jù)權(quán)利要求14或15所述的裝置,其特征在于,所述模型重建模塊具體用于: 根據(jù)如下公式進行模型重建:
【專利摘要】本發(fā)明實施例公開了一種車道線的識別建模方法和裝置、識別方法和裝置。所述車道線的識別建模方法包括:基于二維濾波,從圖像中識別車道線的圖像區(qū)域;利用識別得到的圖像區(qū)域,構(gòu)造模型訓(xùn)練數(shù)據(jù);利用所述模型訓(xùn)練數(shù)據(jù),訓(xùn)練基于卷積神經(jīng)網(wǎng)絡(luò)的車道線識別模型。本發(fā)明實施例提供的車道線的識別建模方法和裝置、識別方法和裝置提高了對車道線進行檢測的檢測準(zhǔn)確率。
【IPC分類】G06K9/00
【公開號】CN105046235
【申請?zhí)枴緾N201510482990
【發(fā)明人】何貝, 郝志會
【申請人】百度在線網(wǎng)絡(luò)技術(shù)(北京)有限公司
【公開日】2015年11月11日
【申請日】2015年8月3日