[發明專利]一種交通標線檢測方法、裝置、設備和介質

在審

• 申請號: 202110732544.7
• 申請日: 2021-06-30
• 公開（公告）號: CN113435350A
• 公開（公告）日: 2021-09-24
• 發明（設計）人: 楊雪峰;王亞運;余言勛
• 申請（專利權）人: 浙江大華技術股份有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/20;G06N3/08
• 代理公司: 北京同達信恒知識產權代理有限公司 11291
• 代理人: 趙凱莉

1.一種交通標線檢測方法，其特征在于，所述方法包括：

對待檢測圖像進行逆透視變換，得到目標圖像；

對所述目標圖像進行識別，確定出所述目標圖像中的目標區域集；其中，目標區域包含待檢測的目標交通標線的子區域；

若確定所述目標區域集中目標區域的數量不小于數量閾值，則基于所述目標區域集中各目標區域的位置信息，確定所述待檢測圖像中是否包含所述目標交通標線。

2.如權利要求1所述的方法，其特征在于，所述對所述目標圖像進行識別，確定出所述目標圖像中包含的目標區域集，包括：

基于訓練后的深度神經網絡模型對所述目標圖像進行識別，確定出所述目標區域集；其中，所述深度神經網絡模型是基于機器學習方法，利用進行了數據標注后的樣本圖像進行訓練得到的；所述樣本圖像是對進行逆透視變換后的歷史圖像中至少一個目標區域進行數據標注得到的，所述歷史圖像中包含所述目標交通標線。

3.如權利要求2所述的方法，其特征在于，所述深度神經網絡模型的訓練過程包括：

對所述歷史圖像進行逆透視變換；

基于進行逆透視變換后的歷史圖像中所述目標交通標線的至少一個子區域，確定至少一個目標區域；

對所述至少一個目標區域的位置信息進行數據標注，得到所述樣本圖像；

基于所述樣本圖像對待訓練的深度神經網絡模型進行訓練，得到所述訓練后的深度神經網絡模型。

4.如權利要求3所述的方法，其特征在于，所述至少一個子區域包括：進行逆透視變換后的歷史圖像中，所述目標交通標線中滿足預設形狀要求的子區域。

5.如權利要求1所述的方法，其特征在于，所述方法還包括：若確定所述目標區域集中目標區域的數量小于所述數量閾值，則確定所述待檢測圖像中不包含所述目標交通標線。

6.如權利要求1-5中任一所述的方法，其特征在于，所述基于所述目標區域集中各目標區域的位置信息，確定所述待檢測圖像中是否包含所述目標交通標線，包括：

基于所述目標區域集中相鄰目標區域之間的距離，確定所述待檢測圖像中是否包含所述目標交通標線。

7.如權利要求6所述的方法，其特征在于，所述目標區域包括目標矩形區域，所述基于所述目標區域集中相鄰目標區域之間的距離，確定所述待檢測圖像中是否包含所述目標交通標線，包括：

基于所述目標區域集中任意一個目標矩形區域的最短邊界，確定第一基準方向；

確定每相鄰的兩個目標矩形區域在所述第一基準方向上的距離，若確定的每個距離均不大于第一預設閾值，則確定所述待檢測圖像中包含所述目標交通標線。

8.如權利要求7所述的方法，其特征在于，所述確定每相鄰的兩個目標矩形區域在所述第一基準方向上的距離包括：

根據每相鄰的兩個所述目標矩形區域的中心點，確定每相鄰的兩個所述目標矩形區域的中心點在所述第一基準方向上的距離；或

根據每相鄰的兩個所述目標矩形區域的邊界，確定每相鄰的兩個所述目標矩形區域的邊界在所述第一基準方向上的距離。

9.如權利要求1-5中任一所述的方法，其特征在于，所述目標區域包括目標矩形區域，所述基于所述目標區域集中各目標區域的位置信息，確定所述待檢測圖像中是否包含所述目標交通標線，包括：

基于所述目標區域集中任意一個目標矩形區域的最長邊界，確定第二基準方向；

確定任意兩個所述目標矩形區域的中心點的在所述第二基準方向上的距離的最大值，若所述最大值不大于第二預設閾值，則確定所述待檢測圖像中包含所述目標交通標線，其中所述第二預設閾值小于第一預設閾值。

10.如權利要求1所述的方法，其特征在于，所述目標區域集中包括所述目標區域和所述目標區域的置信度，所述對所述目標圖像進行識別，確定出所述目標圖像中的目標區域集之后，所述方法還包括：

根據所述目標區域的置信度和預設置信度閾值，確定所述目標區域集中置信度小于所述預設置信度閾值的目標區域并刪除。