[發明專利]神經網絡模型訓練方法、系統及車道線識別方法、系統

有效

• 申請號: 201810299224.5
• 申請日: 2018-04-04
• 公開（公告）號: CN110348273B
• 公開（公告）日: 2022-05-24
• 發明（設計）人: 田文善;秦暕;康勇;馬海軍;葛逸盛;王鵬;任澤;俞鴻魁
• 申請（專利權）人: 北京四維圖新科技股份有限公司
• 主分類號: G06V20/58
• 分類號: G06V20/58;G06V10/82;G06N3/08
• 代理公司: 北京晉德允升知識產權代理有限公司 11623
• 代理人: 王雪霞

本申請公開了神經網絡模型訓練方法、系統及車道線識別方法、系統。該神經網絡模型訓練方法，包括：將基于單目視覺的車道線圖像樣本中的車道線邏輯化，得到車道線訓練集；所述車道線訓練集為實線；根據所述車道線圖像樣本以及所述車道線訓練集訓練神經網絡模型。本申請提供的技術方案可以對神經網絡模型進行訓練，使得其根據訓練集學習到車道線的特征而進行提取，可以適用于處理多種形狀、路況的車道線；無需濾波，從而使得處理結果能夠快速準確地響應；此外，能夠實現將虛車道線處理的效果與實車道線處理的效果相同。本申請的技術方案還可以實現根據得到的車道線結構化數據或車道線曲線參數進行自動駕駛。

技術領域

本申請涉及神經網絡領域，尤其涉及神經網絡模型訓練方法、系統及車道線識別方法、系統。

背景技術

車道線識別對于自動駕駛而言非常重要，因為車道線是自動駕駛的重要參考指標。為了在車輛前進過程中識別車道線，現有技術中一般采用車載攝像頭采集包含車道線的圖像，然后提取出圖像中的邊緣信息，并利用車道線的特征，例如平行、直線、交于滅點等特征，提取出車道線的像素點。對車道線像素點進行去抖動和平滑，然后利用卡爾曼濾波器之類的濾波器對處理后的車道線進行濾波，得到車道線。直線的滅點是過攝影中心且平行于該直線的直線與像平面的交點。

車道線是由公路管理部門在道路上施劃，一般是由管理部門預先設定，何種類型的車道線應當是何種形狀，例如車道線是平行線，分為實線和虛線，還有雙實線和雙虛線，單實線和單虛線等。由于道路情況復雜多變，在真實路況中所遇到的車道線與理論上設置的車道線不一致的時候，車道線處理程序可能無法應對。

現有技術中使用濾波器對車道線進行濾波處理，會帶來處理延時，即無法給出實時的處理結果，在突然變道的時候，車道線識別結果需要一定的延遲時間才能給出，存在安全隱患。

此外，車道線中的虛線在通過現有技術處理之后，會變成一段段很短的像素點，在噪聲較大的情況下，車道線可能會被當做噪聲被濾除，因此會發生在車輛行駛過程中，無法識別出車道線的情況，也不利于車輛在自動駕駛模式線沿著預定車道前進。

發明內容

有鑒于此，本申請提供神經網絡模型訓練方法、系統及車道線識別方法、系統，以提供全部邏輯化的車道線，并用來進行自動駕駛。

本申請提供了一種神經網絡模型訓練方法，用于車道線的識別，包括：

將基于單目視覺的車道線圖像樣本中的車道線邏輯化，得到車道線訓練集；所述車道線訓練集為實線；

根據所述車道線圖像樣本以及所述車道線訓練集訓練神經網絡模型。

本申請提供了一種車道線識別方法，該方法包括：

將基于單目視覺的車道線圖像輸入神經網絡模型；

所述神經網絡模型輸出車道線像素點；

對所述車道線像素點進行逆透視變換；

對逆透視變換后的車道線像素點進行聚類；

將聚類后的車道線像素點進行采樣得到車道線采樣點，實現對車道線的識別；

其中，所述神經網絡模型為根據權利要求1所述的訓練方法訓練得到的神經網絡模型。

可選地，該方法還包括：

根據基于單目視覺的標定帶圖像樣本計算單應矩陣。

可選地，所述對所述車道像素點進行逆透視變換包括：

根據所述單應矩陣對所述神經網絡模型輸出的車道線像素點進行逆透視變換。

可選地，該方法還包括：

根據采樣后的車道線像素點進行擬合得到擬合車道線的曲線參數。