[發明專利]一種車輛的車道線壓線判斷方法和系統

有效

• 申請號: 201811468084.6
• 申請日: 2018-12-03
• 公開（公告）號: CN111259706B
• 公開（公告）日: 2022-06-21
• 發明（設計）人: 張馳;陳佳輝;蔣竺希
• 申請（專利權）人: 魔門塔（蘇州）科技有限公司
• 主分類號: G06V20/58
• 分類號: G06V20/58;G06V10/82;G06N3/08
• 代理公司: 北京科領智誠知識產權代理事務所(普通合伙) 11782
• 代理人: 陳士騫

本發明涉及一種智能駕駛技術領域，具體涉及一種車輛的車道線壓線判斷方法和系統；現有技術中的判斷方法，魯棒性差、計算量大，還可能存在判斷錯誤的情況；本發明提供了一種車輛壓線判斷方法，通過將在對象檢測領域取得非常好的結果的卷積神經網絡方法引入車道線端點檢測中，可以實現對虛線車道線的高效檢測，同時基于檢測到的虛線端點建立局部地圖，可以在不規則的車道線附近(如S型車道線，彎道等)僅靠前視攝像頭采集的信息來判斷車輛壓線的情況，與之前的方法相比具有顯著優勢。

技術領域

本發明涉及一種智能駕駛技術領域，具體涉及一種車輛壓線判斷方法和系統。

背景技術

隨著科學技術的發展，自動駕駛、無人車等新興概念應運而生。車道線端點檢測技術是先進駕駛輔助系統的道路場景分析中的重要元素，是自動駕駛技術中一個不可或缺的部分。正常的車道線通常以多種樣式的標記線的形式標記在道路地面上。車輛的攝像頭等傳感器可以獲取車輛當前所處的環境的視覺圖像，采用車道線檢測技術對傳感器獲取的車輛前方或后方道路圖像信息進行處理，可以得到圖像中的車道線的位置，從而指導車輛的駕駛。但是在實際中，車道線會被前車短暫遮擋，無法判斷車道線的準確位置，同時在遇到彎道等非直線車道時，車輪相對于車道線的位置也無法判斷。這對于車道偏離預警，車道保持等功能會造成影響。

現有的車道線檢測方法，一類是基于特征的算法，主要是利用顏色、紋理、形狀等信息來提取車道線，但是當路面光照發生變化、標志線磨損或者路面出現水漬、陰影等情況時，都將會影響檢測效果。一類是基于模型的算法，這種方法首先估計道路模型，然后利用霍夫變換或者其他圖像信息確定模型參數，常用的道路模型有直線模型、拋物線模型、三次樣條曲線模型等，這種方法也存在魯棒性差、計算量大等缺點。對于車輛是否壓線，在只依靠前視攝像頭的情況下進行車輛壓線判斷時，現有方法依靠的是當前幀的檢測結果，對其進行圖像分析判斷。這一方面只依賴于圖像進行分析，但是車輛壓線在很多情況下是一個未定的問題，比如在遇到彎道時車輪所在的點在鏡頭以外，直接將檢測到的車道線進行反向延長得到的是錯誤的結果。

發明內容

有鑒于此，本申請提出了一種車輛壓線判斷方法，其特征在于：所述方法包括以下步驟：

步驟S1:獲取待檢測道路圖像；

步驟S2:將待檢測道路圖像輸入到虛線車道線端點檢測模型，得到車道線端點信息；所述虛線車道線端點檢測模型通過對當前道路圖像進行特征提取，并對提取到的特征進行映射，得到表征車道線的向量；

步驟S3:通過對車輛的運動估計,對所述車道線端點進行跟蹤；建立局部地圖；

步驟S4:判斷車輛和車道線的位置關系。

優選地，所述虛線車道線端點檢測模型的訓練方法包括以下步驟：

步驟101：獲取道路樣本圖像，所述道路樣本圖像標注有虛線車道線端點的位置信息；

步驟102：將所述道路樣本圖像輸入到預先建立的初始神經網絡模型；

步驟103：利用所述道路樣本圖像訓練所述神經網絡模型，得到所述虛線車道線端點檢測模型。

優選地，在步驟102中，可以采用Faster R-CNN作為初始神經網絡模型，修改其部分結構后，對其進行微調，得到虛線車道線端點檢測模型。

優選地，所述車輛的運動方程表示為：

其中u_i為通過其他方式獲取的車輛運動信息如慣性測量單元等，這并不是必須的；w_i為噪聲，函數f()是確定的幾何關系映射。。

優選地，在步驟S3中，特征點的觀測方程為：