一种三维车道线检测方法、装置、交通工具及存储介质制造方法及图纸

本发明专利技术公开了一种三维车道线检测方法、装置、交通工具及存储介质，方法包括：对二维图像进行深度估计，获得每个像素的深度估计信息；根据深度估计信息对二维图像进行转换，获得第一三维图像；对第一三维图像按指定范围进行划分，得到多个第二三维图像；使用第一预设网络模型对第二三维图像进行处理，获取第二三维图像中的第一车道线；连接相邻第二三维图像中的第一车道线，得到三维空间的第二车道线。通过本发明专利技术实施例，把二维图像转换成三维图像，然后在对三维图像进行划分，降低网络模型的计算量；在三维图像中提取车道线，从而提高了车道线的准确性。线的准确性。线的准确性。

【技术实现步骤摘要】
一种三维车道线检测方法、装置、交通工具及存储介质


[0001]本专利技术涉及交通工具
，尤其涉及一种三维车道线检测方法、装置、交通工具及存储介质。

技术介绍

[0002]视觉车道线检测是指利用车载前向摄像头获取车辆前方视野，利用神经网络等算法提取图像中的车道线信息。前视图的车道线检测现已较为成熟，但是如何将图片中的车道线转换到三维空间，将这些车道线检测结果进一步利用，如建立语义地图，存在一定困难。语义地图类似一般的导航地图，其上诸如车道线这样的静态道路交通元素会被特殊标注，呈现方式为鸟瞰图。

技术实现思路

[0003]本专利技术的主要目的在于提供一种三维车道线检测方法、装置、交通工具及存储介质，旨在解决现有技术车道线转换到三维空间并建立语义地图时存在转换困难且转换精度较低的问题。
[0004]为实现上述目的，本专利技术提供了一种三维车道线检测方法，所述方法包括以下步骤：
[0005]S1：对二维图像进行深度估计，获得每个像素的深度估计信息；
[0006]S2：根据深度估计信息对所述二维图像进行转换，获得第一三维图像；
[0007]S3：对所述第一三维图像按指定范围进行划分，得到多个第二三维图像；
[0008]S4：使用第一预设网络模型对所述第二三维图像进行处理，获取所述第二三维图像中的第一车道线；
[0009]S5：连接相邻所述第二三维图像中的所述第一车道线，得到三维空间的第二车道线。
[0010]可选地，所述第一预设网络模型通过以下步骤进行训练：
[0011]对第三三维图像按指定范围进行划分，得到多个第四三维图像；
[0012]对所述第四三维图像中的存在车道线的概率和/所述车道线对应的四次函数进行标注；
[0013]使用标注后的所述第四三维图像对预设网络模型进行训练，所述预设网络模型输出所述第四三维图像的存在车道线的概率和/所述车道线对应的四次函数。
[0014]可选地，在所述步骤S4之前，还包括以下步骤：
[0015]使用第二预设网络模型对所述第二三维图像进行处理，判断所述第二三维图像是否存在车道线；
[0016]把存在车道线的所述第二三维图像提供给所述第一预设网络模型进行处理。
[0017]可选地，所述步骤S4，包括以下步骤：
[0018]使用第一预设网络模型对所述第二三维图像进行处理，输出所述第二三维图像存
在车道线的存在概率和/所述车道线对应的四次方程和所述四次方程的参数概率；
[0019]判断所述存在概率是否大于第一阈值，如果大于所述第一阈值，则判断所述参数概率是否大于第二阈值；如果大于所述第二阈值，则获取所述四次方程；
[0020]根据所述四次方程得到第一车道线。
[0021]可选地，所述方法还包括以下步骤：
[0022]所述参数概率大于所述第二阈值的所述四次方程存在多个时，获取所述参数概率最大的四次方程。
[0023]可选地，所述步骤S5，包括以下步骤：
[0024]获取相邻所述第二三维图像中的所述第一车道线的相似性；
[0025]连接所述相似性最大的相邻所述第二三维图像中的所述第一车道线，得到三维空间的第二车道线。
[0026]此外，为实现上述目的，本专利技术还提出一种三维车道线检测装置，所述装置包括：
[0027]深度估计单元，用于对二维图像进行深度估计，获得每个像素的深度估计信息；
[0028]三维转换单元，用于根据深度估计信息对所述二维图像进行转换，获得第一三维图像；
[0029]图像划分单元，用于对所述第一三维图像按指定范围进行划分，得到多个第二三维图像；
[0030]车道线获取单元，用于使用第一预设网络模型对所述第二三维图像进行处理，获取所述第二三维图像中的第一车道线；
[0031]车道线连接单元，用于连接相邻所述第二三维图像中的所述第一车道线，得到三维空间的第二车道线。
[0032]可选地，所述装置还包括：
[0033]车道线判断单元，用于使用第二预设网络模型对所述第二三维图像进行处理，判断所述第二三维图像是否存在车道线；把存在车道线的所述第二三维图像提供给所述第一预设网络模型进行处理。
[0034]此外，为实现上述目的，本专利技术还提出一种交通工具，所述交通工具包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的三维车道线检测程序，所述三维车道线检测程序配置为实现如上文所述三维车道线检测方法的步骤。
[0035]此外，为实现上述目的，本专利技术还提出一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上文所述的三维车道线检测方法的步骤。
[0036]通过本专利技术实施例，把二维图像转换成三维图像，然后在对三维图像进行划分，降低网络模型的计算量；在三维图像中提取车道线，从而提高了车道线的准确性。
附图说明
[0037]图1为本专利技术提供的三维车道线检测方法的一个流程示意图。
[0038]图2为本专利技术提供的对第一预设网络模型进行训练的一个流程示意图。
[0039]图3为本专利技术提供的三维车道线检测方法的另一流程示意图。
[0040]图4为本专利技术提供的三维车道线获取的一个流程示意图。
[0041]图5为本专利技术提供的三维车道线连接的一个流程示意图。
[0042]图6为本专利技术提供的三维车道线检测装置实施例的结构框图。
[0043]图7为本专利技术提供的三维车道线检测装置实施例的另一结构框图。
[0044]图8是本专利技术实施例方案涉及的硬件运行环境的交通工具结构示意图。
[0045]本专利技术目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
[0046]为了使本专利技术所要解决的技术问题、技术方案及有益效果更加清楚、明白，以下结合附图和实施例，对本专利技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅以解释本专利技术，并不用于限定本专利技术。
[0047]在后续的描述中，使用用于表示元件的诸如“模块”、“部件”或“单元”的后缀仅为了有利于本专利技术的说明，其本身没有特定的意义。因此，“模块”、“部件”或“单元”可以混合地使用。
[0048]需要说明的是，本专利技术的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。
[0049]在一个实施例中，如图1所示，本专利技术提供三维车道线检测方法，所述方法包括：
[0050]步骤S1、对二维图像进行深度估计，获得每个像素的深度估计信息。
[0051]图像深度估计：估计图像中场景的深度，即场景中各点像素到相机成像平面的垂直距离。获取场景中的深度信息够帮助我们更好地进行场景理解，因此图像深度估计在虚拟现实、语义分割、自动驾驶及三维重建等多个领域都有着广泛的应用。
[0052]无人驾驶车辆通过摄本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种三维车道线检测方法，其特征在于，所述方法包括以下步骤：S1：对二维图像进行深度估计，获得每个像素的深度估计信息；S2：根据深度估计信息对所述二维图像进行转换，获得第一三维图像；S3：对所述第一三维图像按指定范围进行划分，得到多个第二三维图像；S4：使用第一预设网络模型对所述第二三维图像进行处理，获取所述第二三维图像中的第一车道线；S5：连接相邻所述第二三维图像中的所述第一车道线，得到三维空间的第二车道线。2.根据权利要求1所述方法，其特征在于，所述第一预设网络模型通过以下步骤进行训练：对第三三维图像按指定范围进行划分，得到多个第四三维图像；对所述第四三维图像中的存在车道线的概率和/所述车道线对应的四次函数进行标注；使用标注后的所述第四三维图像对预设网络模型进行训练，所述预设网络模型输出所述第四三维图像的存在车道线的概率和/所述车道线对应的四次函数。3.根据权利要求1所述方法，其特征在于，在所述步骤S4之前，还包括以下步骤：使用第二预设网络模型对所述第二三维图像进行处理，判断所述第二三维图像是否存在车道线；把存在车道线的所述第二三维图像提供给所述第一预设网络模型进行处理。4.根据权利要求1所述方法，其特征在于，所述步骤S4，包括以下步骤：使用第一预设网络模型对所述第二三维图像进行处理，输出所述第二三维图像存在车道线的存在概率和/所述车道线对应的四次方程和所述四次方程的参数概率；判断所述存在概率是否大于第一阈值，如果大于所述第一阈值，则判断所述参数概率是否大于第二阈值；如果大于所述第二阈值，则获取所述四次方程；根据所述四次方程得到第一车道线。5.根据权利要求4所述方法，其特征在于...

【专利技术属性】
技术研发人员：沈师达，韩旭，
申请(专利权)人：广州文远知行科技有限公司，
类型：发明
国别省市：