[發明專利]一種車道線提取方法、裝置和設備

有效

• 申請號: 201910020596.4
• 申請日: 2019-01-09
• 公開（公告）號: CN111428538B
• 公開（公告）日: 2023-06-27
• 發明（設計）人: 李焱;易瑤
• 申請（專利權）人: 阿里巴巴集團控股有限公司
• 主分類號: G06V20/56
• 分類號: G06V20/56
• 代理公司: 北京思格頌知識產權代理有限公司 11635
• 代理人: 楊超

本發明公開了一種車道線提取方法、裝置和設備。所述方法包括：對道路圖像進行透視處理，得到透視過濾圖像，所述透視過濾圖像中包括過濾出的多個路面信息要素特征；使用機器學習模型對所述道路圖像進行分析，得到分割圖像，所述分割圖像中包括分析出的多個路面信息要素；將過濾出的多個路面信息要素特征與分析出的多個路面信息要素進行匹配，匹配出道路圖像中的車道線。本發明提供的車道線提取方法能夠準確提取車道線，確定車道數量。

技術領域

本發明涉及人工智能技術領域，特別涉及一種車道線提取方法、裝置和設備。

背景技術

隨著人工智能技術的發展，輔助駕駛和自動駕駛技術也得到越來越多的關注和使用，車道線提取是輔助駕駛和自動駕駛中重要的一環，通過提取車道線獲知車道分布情況，才能實現控制車輛在車道上行駛。

傳統的車道線提取一般是基于條件隨機場(Conditional?Random?Fields，CRF)方法來實現提取車道線，這種方式基于車道線的特征對圖像中的車道線區域進行識別，在道路場景比較復雜的道路上，車道線區域提取不太準確，噪聲比較多，對車道線的提取造成很大干擾，而要去除噪聲，則需要結合多張圖像的相似度去除噪聲，操作比較復雜，而且去除噪聲后也不能保證提取的準確性。

此外，目前也少量的采用深度學習實現提取車道線的方法。例如：先使用過濾算法提取車道線候選區，然后利用卷積神經網絡對候選區域進行分類，篩選車道線，最后根據角度和寬度對車道線進行合并和擬合。又例如：使用深度神經網絡檢測道路上的車道線候選區域，然后根據道路消失點位置，提取車道線。這些方法均不能保證車道線提取的準確性，尤其是路面情況復雜時或車道線有遮擋時，不能精準的識別車道線，容易造成識別錯誤。

發明內容

鑒于上述問題，提出了本發明以便提供一種克服上述問題或者至少部分地解決上述問題的一種車道線提取方法、裝置和設備。

本發明實施例提供一種車道線提取方法，包括：

對道路圖像進行透視處理，得到透視過濾圖像，所述透視過濾圖像中包括過濾出的多個路面信息要素特征；

使用機器學習模型對所述道路圖像進行分析，得到分割圖像，所述分割圖像中包括分析出的多個路面信息要素；

將過濾出的多個路面信息要素特征與分析出的多個路面信息要素進行匹配，匹配出道路圖像中的車道線。

在一些可選的實施例中，對道路圖像進行透視處理，得到透視過濾圖像，包括：

對道路圖像進行透視變換IPM得到IPM圖像；

使用IPM過濾器對IPM圖像進行路面信息要素特征提取過濾，得到透視過濾圖像。

在一些可選的實施例中，所述對道路圖像進行透視變換IPM得到IPM圖像，包括：

使用選定的透視變換矩陣，對道路圖像中各像素的坐標進行變換，得到各像素點對應的IPM坐標，根據各像素點對應的IPM坐標得到所述IPM圖像；

其中，所述透視變換矩陣根據指定數量的參考點在參考道路圖像和參考IPM圖像中坐標確定。

在一些可選的實施例中，使用IPM過濾器對IPM圖像進行路面信息要素特征提取過濾，包括：

選取n*n的塊過濾器，n為正整數；

針對IPM圖像的每個像素點，根據以該像素點為中心的n*n像素塊的灰度值之和和該像素塊左右相鄰的兩個n*n像素塊的灰度值之和，確定該像素點的過濾灰度值；

過濾出所述過濾灰度值符合設定條件的像素點。

在一些可選的實施例中，使用機器學習模型對所述道路圖像進行分析，得到分割圖像，包括：