申请/专利权人：武汉未来幻影科技有限公司

申请日：2023-10-31

公开（公告）日：2024-03-22

公开（公告）号：CN117152707B

主分类号：G06V20/56

分类号：G06V20/56;G06V10/24;G06V10/764;G06V10/82

优先权：

专利状态码：有效-授权

法律状态：2024.03.22#授权;2023.12.19#实质审查的生效;2023.12.01#公开

摘要：本申请提供了一种车辆偏移距离的计算方法、装置以及处理设备，用于通过引入基于行分类的深度学习方法，来便捷地实现高精度的车道线检测效果，由此可以便捷地获得高精度的车辆与对应车道线之间的偏移距离，可以为智能驾驶提供强有力的数据支持。方法包括：获取部署于预设车辆中心的单目相机所采集的初始图像；将初始图像输入预先配置的车道线检测网络，使得检测初始图像中包含的车道线，车道线检测网络以输入图像中不同行属于不同车道线的概率来检测输入图像包含的车道线，车道线检测网络是由初始深度学习神经网络通过标注有对应车道线检测结果的样本图像训练得到的；基于输出的车道线检测结果，计算当前车辆与对应车道线之间的偏移距离。

主权项：1.一种车辆偏移距离的计算方法，其特征在于，所述方法包括：获取部署于预设车辆中心的单目相机所采集的初始图像；将所述初始图像输入预先配置的车道线检测网络，使得所述车道线检测网络检测所述初始图像中包含的车道线，其中，所述车道线检测网络以输入图像中不同行属于不同车道线的概率来检测所述输入图像包含的车道线，所述车道线检测网络是由初始深度学习神经网络通过标注有对应车道线检测结果的样本图像训练得到的；基于所述车道线检测网络输出的车道线检测结果，计算当前车辆与对应车道线之间的偏移距离；所述车道线检测网络包括车道线检测分支和车道线类别分支两个部分；所述车道线检测分支通过以下概率计算公式进行建模：Pi,j,:＝fijX,s.ti∈[1,C]，j∈[1,h]，其中，Pi,j,:代表第j行属于第i条车道线的概率，C为2，对应车辆当前所处车道的左右两边的车道线；所述车道线类别分支用于识别包括白色虚线、白色实线、黄色虚线和黄色实线共4种车道线类别；所述基于所述车道线检测网络输出的车道线检测结果，计算车辆与对应车道线之间的偏移距离，包括：基于所述车道线检测网络输出的车道线点形式的所述车道线检测结果，通过多项式曲线拟合处理，得到完整车道线；计算当前车辆与所述完整车道线之间的偏移距离；所述多项式曲线拟合处理所采用的多项式数学模型包括以下处理内容：配置的多项式数学模型具体为： 其中，M为多项式最高次数，w为权重系数，根据检测到的N个点，得到的损失函数为： 其中，tn代表第n个点的纵坐标，xn代表所述第n个点的横坐标，求解权重系数w，得到车道线的多项式曲线拟合表示yx,w；所述计算当前车辆与所述完整车道线之间的偏移距离，包括：设所述单目相机由相机内参k求得的相机中心点表示为： 其中，fu、fv为相机焦距f，cu,cv为相机中心点成像坐标，所述相机中心点Y方向坐标与车辆中心Y方向坐标相等；设基于所述单目相机预先标定的4个坐标点在世界坐标系中的坐标分别为以及在像素坐标系中的坐标分别为结合下面示出的所述像素坐标系到所述世界坐标系的单应性矩阵的表示公式，确定所述单目相机对应的单应性矩阵H： 设所述完整车道线的车道线点坐标表示为： 基于所述单应性矩阵H，结合下式求解所述完整车道线中第c条车道线点在所述世界坐标系中的坐标： 基于所述第c条车道线点在所述世界坐标系中的坐标，通过下式求解对应的真实车道线宽度： 其中，表示所述第c条车道线上第i个点在所述世界坐标系中X方向的坐标；基于所述单应性矩阵H，通过下式求解所述相机中心点在所述世界坐标系中的坐标： 基于车辆宽度Dcar，结合所述第c条车道线点在所述世界坐标系中的坐标和所述相机中心点在所述世界坐标系中的坐标，通过下式分别确定车身到左、右车道线的距离，作为所述当前车辆与所述完整车道线之间的偏移距离的计算结果：

全文数据：

权利要求：

百度查询： 武汉未来幻影科技有限公司 一种车辆偏移距离的计算方法、装置以及处理设备

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD