[發明專利]用于輔助駕駛的車道線檢測方法

有效

• 申請號: 201910008697.X
• 申請日: 2019-01-04
• 公開（公告）號: CN110163069B
• 公開（公告）日: 2023-09-08
• 發明（設計）人: 王孝潤;歐陽瓊林;劉曉清;王亮
• 申請（專利權）人: 深圳市布谷鳥科技有限公司
• 主分類號: G06V20/56
• 分類號: G06V20/56;G06V10/764;G06V10/82;G06N3/0464;G06N3/084
• 代理公司: 廣東眾贏專利代理事務所(普通合伙) 44423
• 代理人: 樊寶忠;黃彧

本發明公開了一種用于輔助駕駛的車道線檢測方法，通過基于多任務卷積神經網絡對圖像樣本訓練，利用車輛與車道線的關聯性來輔助車道線的識別，提高對實際行車環境復雜多變自動駕駛的檢測安全性，降低硬件算力處理要求；本發明的車道線檢測方法不僅使輔助駕駛更安全，還具有工作效率更高、識別精度更準、減少誤判等優點。

技術領域

本發明涉及智能交通技術領域，具體涉及一種用于輔助駕駛的車道線檢測方法。

背景技術

隨著我國經濟社會的快速發展，汽車保有量持續快速增長，交通安全問題也日益受到人們的重視，使車輛具備智能的環境感知能力和車道線檢測技術可以大大提高車輛的安全性和舒適性。目前，基于模式識別和機器學習的相關算法和技術已經在車輛車道線檢測中存在一定應用，但過去大多是基于傳統的圖像處理以及模式識別技術實現的?；镜牟襟E為：滑窗提取特征-分類器分類；在車輛檢測領域幾乎都遵循著人工手動特征算子結合分類器的模式，而在車道線檢測上則是利用圖像閾值化結合曲線擬合以及圖像形態學的方法。傳統算法的典型代表有Haar特征+Adaboost算法，Hog特征+SVM算法，2008年Felzenszwalb提出的DPM模型應該是在目標檢測這塊最好的人工特征方法。它對HOG特征進行改進，并提出了全局和局部兩個模型，大幅提高人工特征在目標檢測上的精度。DPM的方法存在的缺點是特征相對復雜，計算速度慢，對于旋轉、拉伸的物體檢測效果不好。因為車載視頻普遍分辨率比較大，且視角不固定，所以如果將DPM直接用來解決無人駕駛視頻的目標檢測問題，很可能無法保證實時性和模型的泛化性能。并且由于行車環境有著多變性和復雜性的特點，這些方法往往性能不佳，有著魯棒性差和泛化性差的缺點并且在使用上存在局限性。所處理的結果缺乏良好的語義描述特性，不能為自動駕駛提供良好的決策依據。

近年來，深度學習的快速發展雖然為解決交通場景的檢測難題提供了新思路，提出了可以利用深度學習來處理目標檢測的問題，可將檢測當作一個回歸bounding?box的問題來處理，優點是相比于用滑動窗口來提取特征的方式，這樣的方法更高效，但是檢測精度非常差，遠遠落后于人工特征的方法。