车道线标注参考规则

    • 主要任务:将图中所有,无论虚线与实线,遮挡与否,同一条车道线的所有部分连起来标注,延长到视野尽头及图片底部

    • 标注规范

  • 只标采集车可以走的这一侧道路,被隔开道路不需要标注。(例如高速上有护栏分割的来向车道上的车道线就不用标)但是即使是逆向道路或高速匝道,只要和主干道采集车在的道路联通就要标

      • 标注出来的车道线,采集车左边的车道线的画右边界,采集车右边的车道画左边界。位于采集车车下的,向采集车左侧的车道线的画右边界,向采集车右侧的车道线的画左边界

         

      •  虚线连起来标注,无论虚线还是实线被遮挡部分需要预估

        车道线分别有实线和虚线是,需要分开标注

        确认有车道线的前提下:分辨不清是实线或虚线优先实线

         

         

      • 双车道线只标注靠近车辆的一条线

  • 【左虚右实

  • 【双实线】

 

 

    • 标注示例

       

       

       

       

    • 规则说明

  1. 类型:

    1)单实线:两条车道之间只有一条实线。

    2)单虚线:两条车道之间只有一条虚线。标注时虚线要脑补成实线进行标注。(导流线、车道分叉及车道交汇场景出现的胖虚线也是单虚线;转弯待转区两侧虚线也为单虚线)

    3)双实线:两条车道之间只有两条实线。只标注靠近采集车一侧的车道线的内侧。(一般用来区分不同向车道)

    4)双虚线:两条车道之间只有两条虚线线。标注时虚线要脑补成实线进行标注,只标注靠近采集车一侧的车道线的内侧。(一般用来区分不同向车道)

    5)左虚右实:两条车道中间同时出现实线及虚线并列为一组的情况,且虚线位于左侧,实线位于右侧。只标注靠近采集车一侧的车道线的内侧。

    6)左实右虚: 两条车道中间同时出现实线及虚线并列为一组的情况,且实线位于左侧,虚线位于右侧。只标注靠近采集车一侧的车道线的内侧。

    7)其他:其他未涵盖的车道线类型

    8)路沿:采集车所在车道的两边护栏与地面的接线,一帧图片至多两条

    9)车位线:用于标注停车位左侧的线,用于城市场景

    10)减速线:用于标注单实线/单虚线带有减速线的线边界同车道线一致标注靠近采集车一侧

     

     

     

  2. 编号以采集车为中心

    路沿车位线编号属性只有1和-1采集车左侧的为-1采集车右侧的1

           减速线编号同带有减速线的车道线编号一致其他正常标注

    A.左侧车道从右至左依次为-1-2-3、-4,超过四条及以上为其他(编号示例图)如图

    B.右侧车道从左至右依次为1、2、3、4,超过四条及以上为其他(编号示例图)如图

     

C.编号0用于采集车压住车道线时使用

注意:

车道线在图像中线附近,明确压线的图片标压线。

无法判断,好像压好像不压的不明确的不用标压线。

以采集车为中心,车道中心线画在采集车剩余面积多的一侧

如图;

 

 

  1. 特殊情况

正常

车道线正常情况

车道线分叉

一条车道线分为两条

车道线交汇

两条车道线汇为一条

道路分界线

路沿紧挨着的车道线(多为单实线

特殊车道线

同一条车道线属于多个特殊情况

【正常】【车道线分叉】【车道线交汇】只在涉及到的线上选择相应属性(分叉跟交汇不是全图都选的,只在交汇或分叉的线上选、其它选正常)

道路分界线同车道线分叉或交汇同时出现时优先分叉/交汇

例图:

  1. 正常

 

 

 

  1. 车道线分叉(包含导流线的情况

 

 

 

 

 

 

  1. 车道线交汇(包含导流线的情况

 

 

 

 

 

 

  1. 道路分界线

     

  2. 特殊车道线

     

 

 

 

 

4.副编号

1)车道线正常:不选择副编号

  1. 无论是分叉还是汇合:

    a.有导流区存在的情况的主线(合并线)编号为正常编号,无需副编号,两条支线根据相对位置标为  "主线编号-副编号",主线右侧的支线的副编号为1,主线左侧的支线副编号为-1;

    b.没有导流区的,两条支线为正常编号,合并的主线设置编号为: “支线1编号+支线2编号”,(即主线编号为支线1编号,主线副编号为支线2编号)

有导流线副编号用-(1) -(-1),无导流线用+ 如下图

 

 

 

5.颜色:

【白色】如单实线颜色

【黄色】如双黄线颜色

 

6.特殊点

脑补车道线:

 

标注完成的车道线需将脑补的部分(即被车辆、行人遮挡的部分单独标出来,操作如下:

1.选择特殊点标注

2.选中需要标注的车道线,标注好的车道线标注时打的点进行二次操作,赋予起点和终点属性。

3.脑补部分必须既有起点又有终点。

 

虚线车道线

 

标注完成的虚车道线,需要将每一段虚线的起止端点标出,操作如下:

1.选择特殊点标注

2.将标注好的车道线标注时打的点进行二次操作,赋予起点和终点属性。

3.如果线段的端点被遮挡,该端点不用标注。

4.远处过于模糊的可以忽略不标记

 

 

 

7. 路沿:

标注范围:采集车在道路两侧路沿,即护栏与地面连接处

需要标记相对位置,道路左侧的路沿统一为-1,右侧的路沿统一为1

其他属性使用默认即可

 

 

 

 

 

即采集车在主路时标注方法如下图(匝道右侧路沿画法参考箭头;主路两侧路沿尽量延伸

 

 

即采集车在匝道时标注方法如下图(主路左侧路沿画法参考箭头;主路左侧路沿未画区域当前行驶道路,故不画;)

 

  1. 近处被遮挡的路沿需要脑补出来,远处看不到的路沿不用脑补。

  2. 路沿两侧必须都标出来,如果只有一侧则尽量脑补出另一侧的路沿;(严重拥堵另外见规则

  3. 若车辆拥挤等导致两侧路沿均无法看见,不用标注。

  4. 在路过匝道时,图中出现2条以上路沿,需分段标注,同侧路沿编号都为同一编号

  5. 难点示例图如下(箭头指需要画到采集车前方路沿的衔接处

 

 

 

 

 

 

 

错误画法

 

正确画法

 

 

 

 

错误 

正确画法

 

 

 

8.脑补

1.合理,即为参考道路特征,其他线的情况。坚决不能压护栏,不能急拐弯。延伸要合理延伸,不要歪。

2.贴地面,即脑补的部分不能够翘起来,要紧贴地面

3.控制脑补距离,即脑补的部分脑补至视野尽头即可,不用过多脑补,太远难以判断的可以适当减少脑补

4.车道线之间的脑补部分一定不能交汇

5.确实没有(不是因为遮挡和磨损)脑补

6.靠近采集车一端的车道线一定要延长至图片底部(不包含采集车部分)。

新增脑补注意点

1.对于远端车辆拥堵,难以判断车道线走向的图片,不需要远端脑补;

2.如果一条车道线只有个别车辆遮挡,可以明确判断车道线走向的图片,需要脑补;

3.近端车道线都需要脑补到近端;

4.车道线人眼都看不清的,不需要标注;

5.所有车道线在可以确定范围内尽量脑补;

6.主干道中的车道线保持相互平行,长度一致;

7.车道线脑补时参考:护栏,其他车道线,车流走向

 

推荐文章

语音交互属于人机交互的范畴,是人机交互发展到目前的一种最前沿的交互方式,简单来说就是用人类的自然语言给机器下指令,达成自己目的的过程。随着人工智能的发展,语音交互技术逐渐成熟,并在人工智能时代有了先发优势。目前,语音交互已经加速在智能家居、手机、车载、智能穿戴、机器人等行业渗透和落地。日常生活中,我们接触到最多的语音交互应用大概就是各种语音助手,比如siri,比如小爱助手。此类语音交互工具不仅可以“听懂”我们说的话,而且还可以按照我们的要求完成各种任务。经常使用语音助手的用户可能会注意到,不同语音助手之间是有着很大差距的,一个明显的表现就是语音识别的准确率上。一些语音助手只能够识别简单的普通话,对于复杂的带有口音的内容识别的准确率很低,然而某些语音助手在这方面要表现的很好。这背后一个很重要的原因是机器学习的数据量不足。我们知道目前人工智能的实现主要依赖于机器学习,机器学习最终效果取决于投喂数据的质量与数量。语音交互领域常用的几种数据标注类型主要有:一.语音转录对不同说话人的说话内容进行转写:二.语音合成对说话内容进行合成转写:理论上而言,标注数据数量越多,质量越高,那么最终的模型效果就会越好,表现在语音助手上的效果就是识别率的提高。当然,语音交互的应用场景远不至此。未来的语音交互形式将会高效率、更加自然、更加接近于人本能的方向。

热门文章

        AI人工智能的迅猛发展得以于计算机深度学习技术的快速发展,而说到深度学习技术它又必然离不开底层基础的数据标注。        而在今天对于这种深度学习技术的基础数据标注工作也有相当一大部分人群不知道它到底是怎么个回事?什么是数据标注?数据标注是做什么的?这种问题就连一些从事这方面工作的人也有说不明白的。        要说起数据标注那我们也就不得不说下从事数据标注工作的数据标注员这个群体。人工智能、深度学习”这种名词看似高深莫测非常高大上,但目前提供给机器深度学习的数据标注采集等工作,仍是基于密集劳动力的人工智能数据标注产业。数据标注员和工厂流水线上的操作员也是没有多大区别的,可能有很多人觉得不可思议,但是目前这种情况 确实是事实。        那到底什么是数据标注呢?        要理解数据标注我们先来举个简单的例子:小时候大人教我们认识花朵时会指着花草给我们说 花会好多颜色,具体什么花开什么颜色,那我们就会慢慢记住什么花开什颜色。而人工智能深度学习也是和我们人类认知事物是一个道理。        人工智能深度机器学习的前提也是数据标注员根据不同的图片、语音、文本等数据标识出各种功能标签然后机器学习根据不同标签来认识出不同的事物。        数据标注是通过数据标注人员借助计算机标注工具软件对人工智能学习数据进行加工的一种行为。通常数据标注的类型包括:图像标注、语音标注、文本标注、视频标注等种类。标记的基本形式有标注画框、3D画框、文本转录、图像打点、目标物体轮廓线等。        目前大多数的数据标注工具软件都是支持图像、文本、多边形、视频等多种类型的。        根据全国范围内的不完全统计,目前全国数据标注行业的从业人员已经达到 100万之多。在人工智火热与闪亮的背后,数据标注产业作为做基础的支撑确实处于行业的低端下游的。