[發(fā)明專(zhuān)利]一種基于深度學(xué)習(xí)和跟蹤技術(shù)的車(chē)道線實(shí)時(shí)檢測(cè)方法

在審

• 申請(qǐng)?zhí)枺?/td>: 201710418031.2
• 申請(qǐng)日: 2017-06-06
• 公開(kāi)（公告）號(hào): CN109002745A
• 公開(kāi)（公告）日: 2018-12-14
• 發(fā)明（設(shè)計(jì)）人: 張亮;王震;高澤晉;張力
• 申請(qǐng)（專(zhuān)利權(quán)）人: 武漢小獅科技有限公司
• 主分類(lèi)號(hào): G06K9/00
• 分類(lèi)號(hào): G06K9/00;G06K9/66;G06N3/04
• 代理公司: 暫無(wú)信息
• 代理人: 暫無(wú)信息

本發(fā)明提出了一種車(chē)道線實(shí)時(shí)高精度檢測(cè)的方法。該方法結(jié)合了深度學(xué)習(xí)技術(shù)的卷積神經(jīng)網(wǎng)絡(luò)模型和Kalman跟蹤技術(shù)，車(chē)道線檢測(cè)速度快、精度高，可以高精度地實(shí)時(shí)檢測(cè)不同復(fù)雜路況的車(chē)道線，有效去除了路面陰影、反光等自然或人為噪聲的干擾。

技術(shù)領(lǐng)域

本文設(shè)計(jì)一種基于深度學(xué)習(xí)技術(shù)的卷積神經(jīng)網(wǎng)絡(luò)模型和Kalman跟蹤方法的車(chē)道線實(shí)時(shí)檢測(cè)方法，屬于計(jì)算機(jī)視覺(jué)和深度學(xué)習(xí)領(lǐng)域。

背景技術(shù)

隨著計(jì)算機(jī)視覺(jué)技術(shù)的快速發(fā)展，如何高精度、高效率、便捷地實(shí)時(shí)檢測(cè)車(chē)道線成為無(wú)人駕駛技術(shù)的關(guān)鍵基礎(chǔ)和研究熱點(diǎn)技術(shù)之一。目前，傳統(tǒng)的車(chē)道線檢測(cè)方法仍然基于計(jì)算機(jī)圖形學(xué)，在對(duì)無(wú)人車(chē)獲取的圖像進(jìn)行去噪以及圖像形態(tài)學(xué)計(jì)算后，采用概率霍夫變化或者輪廓查找的方法提取車(chē)道線中的點(diǎn)，然后用數(shù)學(xué)方法對(duì)這些點(diǎn)進(jìn)行篩選、分類(lèi)，最終擬合成車(chē)道線。這種傳統(tǒng)的車(chē)道線檢測(cè)方法雖然速度快，但精度不高，存在一些不足：由于無(wú)法完全消除路面附近區(qū)域陰影和反光等自然環(huán)境的影響，檢測(cè)誤差較大，對(duì)復(fù)雜路況適用性較差；傳統(tǒng)檢測(cè)方法中的圖像預(yù)處理和車(chē)道線點(diǎn)的篩選參數(shù)設(shè)置具有特殊性，對(duì)不同路況的普適性較差；傳統(tǒng)車(chē)道線檢測(cè)方法受到路面其他物體如車(chē)輛、行人、標(biāo)識(shí)物等的干擾時(shí)容易檢測(cè)失敗，缺乏實(shí)際的商業(yè)利用價(jià)值。

深度學(xué)習(xí)是機(jī)器學(xué)習(xí)研究中的一個(gè)新領(lǐng)域，是當(dāng)前機(jī)器學(xué)習(xí)領(lǐng)域最前沿和熱門(mén)的課題之一。目前，深度學(xué)習(xí)的方法已經(jīng)被廣泛使用到無(wú)人車(chē)的道路檢測(cè)和分割以及目標(biāo)識(shí)別等方面，精度較傳統(tǒng)方法高，但速度較慢，很難達(dá)到實(shí)時(shí)處理要求的每秒30幀的要求。

因此提出一種同時(shí)保證精度和效率的車(chē)道線實(shí)時(shí)檢測(cè)方法，對(duì)于無(wú)人車(chē)領(lǐng)域有著深遠(yuǎn)的意義。

發(fā)明內(nèi)容

本發(fā)明是為了克服上述現(xiàn)有技術(shù)的不足，提出的一種基于深度學(xué)習(xí)和跟蹤技術(shù)的車(chē)道線實(shí)時(shí)檢測(cè)方法，該方法克服了傳統(tǒng)車(chē)道線檢測(cè)方法的精度較差和普適性不佳的缺點(diǎn)，以及深度學(xué)習(xí)方法效率低下的不足，可以進(jìn)行不同復(fù)雜路況的實(shí)時(shí)高精度車(chē)道線檢測(cè)。

為了實(shí)現(xiàn)上述目的，本發(fā)明采用的技術(shù)方案如下：

基于深度學(xué)習(xí)和跟蹤技術(shù)的車(chē)道線實(shí)時(shí)檢測(cè)方法，包括如下步驟：步驟1，預(yù)先基于海量數(shù)據(jù)訓(xùn)練用于圖像分割的基于全卷積神經(jīng)網(wǎng)絡(luò)的SegNet模型；步驟2，圖像預(yù)處理，包括圖像的去噪、劃分興趣區(qū)域等；步驟3，對(duì)首幀(關(guān)鍵幀)圖像采用神經(jīng)網(wǎng)絡(luò)模型檢測(cè)車(chē)道線；步驟4，對(duì)首幀后的3幀中車(chē)道線的位置采用Kalman跟蹤算法預(yù)測(cè)；步驟5，末幀(關(guān)鍵幀)圖像重復(fù)步驟3檢測(cè)車(chē)道線，循環(huán)步驟3-5，直至結(jié)束。

相比于以往方法，本發(fā)明基于深度學(xué)習(xí)和跟蹤技術(shù)的車(chē)道線實(shí)時(shí)檢測(cè)方法具有以下有益效果：

(1)綜合了深度學(xué)習(xí)技術(shù)的準(zhǔn)確性和Kalman跟蹤方法的快速性，車(chē)道線提取精度高、速度快，1秒可處理約30-40幀；

(2)采用了基于全卷積神經(jīng)網(wǎng)絡(luò)的SegNet模型，分類(lèi)正確率高，共享卷積核的結(jié)構(gòu)有利于處理高維度圖像，輸入數(shù)據(jù)靈活，效率高；

(3)有效去除了傳統(tǒng)車(chē)道線檢測(cè)方法中難以解決的高光、陰影等自然噪聲的影響；

(4)對(duì)不同復(fù)雜路況的適用性較好，商業(yè)利用價(jià)值高。

附圖說(shuō)明

圖1為本發(fā)明方法算法流程圖。

圖2SegNet模型結(jié)構(gòu)

圖3為本發(fā)明方法車(chē)道線實(shí)時(shí)檢測(cè)的詳細(xì)步驟和結(jié)果示意圖。

具體實(shí)施方式

下面結(jié)合附圖和實(shí)施例，對(duì)本發(fā)明方法的詳細(xì)步驟作進(jìn)一步說(shuō)明。

1.預(yù)先訓(xùn)練SegNet模型