[發明專利]一種車道線檢測方法

有效

• 申請號: 201911241946.6
• 申請日: 2019-12-06
• 公開（公告）號: CN111008600B
• 公開（公告）日: 2023-04-07
• 發明（設計）人: 王子磊;王鵬;王秉科
• 申請（專利權）人: 中國科學技術大學
• 主分類號: G06V20/56
• 分類號: G06V20/56;G06V10/764
• 代理公司: 北京凱特來知識產權代理有限公司 11260
• 代理人: 鄭立明;鄭哲

本發明公開了一種車道線檢測方法，包括：構建車道線回歸檢測網絡，通過對輸入圖像進行處理，獲得輸入圖像中車道線起始位置圖和車道線曲線參數圖；對一系列車道線圖像進行預處理，得到訓練數據集；采用分類回歸融合訓練方法訓練車道線回歸檢測網絡，得到車道線回歸檢測模型；對于待檢測圖像，通過車道線回歸檢測模型獲得車道線起始位置圖和車道線曲線參數圖，進而獲得完整車道線。該方法直接預測車道線曲線參數，無需繁瑣的后處理步驟，解決了現有方法在進行車道線檢測時對環境干擾過于敏感而導致的檢測魯棒性差、效率低下等問題，使得車道線檢測算法可應用于交通監控等復雜場景下。

技術領域

本發明涉及智能交通技術領域，尤其涉及一種車道線檢測方法。

背景技術

隨著視頻監控技術和深度學習技術的發展，智能交通系統成為未來交通系統的發展方向，可以緩解日益加劇的城市交通擁堵頑疾，減少交通違章和惡性交通事故現象，也為各類交通事故以及人身財產安全的事后處理提供有力的證據。而在這個過程中，車道線作為機動車輛在道路上的規則線，是評判機動車輛是否存在違規的重要因素之一，故車道線檢測系統是智能交通系統的重要組成部分之一。

目前車道線檢測的傳統方法主要是基于圖像處理手段從圖像中提取車道線的邊緣特征，從而確定車道線的位置。在專利CN21051044724《車道線檢測方法和裝置》中，采用動態雙閾值算法來提取車道線邊緣，確定車道線位置來實現車道線檢測。在專利CN201810688772《一種車道線檢測方法》中，采用局部灰度閾值方法提取邊緣特征，之后再將屬于同一車道線的像素點進行聚類從而實現車道線的檢測。上述方法都是針對車道線較為清晰完整、光照均勻、不存在遮擋等的簡單場景，如高速公路。如果直接將其應用在交通監控等場景，不均勻光照、殘缺模糊車道線、復雜背景等環境因素將會嚴重影響車道線檢測算法的效果，會導致所得到的邊緣信息缺失甚至錯誤，進而漏檢或者錯檢車道線。可見，傳統的車道線檢測方法對環境因素過于敏感，魯棒性較差，無法用于交通監控等復雜場景。

隨著深度學習的成熟，車道線檢測技術開始與深度學習技術相結合。在專利CN201710957247《一種基于多任務網絡的車道線檢測方法》中，采用多任務神經網絡，輸出檢測框框定車道線的各個部分，之后再進行聚類以及車道線擬合等后處理步驟得到完整的車道線。在專利CN201810459204《一種基于并聯卷積神經網絡的車道線檢測方法》中，采用并聯卷積神經網絡，分別來檢測不同的對象，從而實現不同車道線的分割檢測。使用深度學習方法進行車道線檢測，可以在一定程度上提升車道線檢測算法的魯棒性和準確性。

然而上述的傳統方法和基于深度學習的方法，都仍存在較大的技術瓶頸。這兩種方法都需要繁瑣的后處理步驟，將在圖像中檢測到的車道線像素點進行聚類或擬合成整條的車道線，當場景復雜時，會存在大量的噪聲點，嚴重影響檢測的精度和速度。

發明內容

本發明的目的是提供一種車道線檢測方法，解決了現有車道線檢測算法魯棒性差、后處理步驟繁瑣、效率較低等問題。

本發明的目的是通過以下技術方案實現的：

一種車道線檢測方法，包括：

構建車道線回歸檢測網絡，通過對輸入圖像進行處理，獲得輸入圖像中車道線起始位置圖和車道線曲線參數圖；

對一系列車道線圖像進行預處理，得到訓練數據集；

采用分類回歸融合訓練方法訓練車道線回歸檢測網絡，得到車道線回歸檢測模型；

對于待檢測圖像，通過車道線回歸檢測模型獲得車道線起始位置圖和車道線曲線參數圖，進而獲得完整車道線。

由上述本發明提供的技術方案可以看出，直接預測車道線曲線參數，無需繁瑣的后處理步驟，解決了現有方法在進行車道線檢測時對環境干擾過于敏感而導致的檢測魯棒性差、效率低下等問題，使得車道線檢測算法可應用于交通監控等復雜場景下。

附圖說明