[發明專利]用分割得分圖和聚類圖檢測車道線的后處理方法以及裝置

在審

• 申請號: 202010036042.6
• 申請日: 2020-01-14
• 公開（公告）號: CN111507153A
• 公開（公告）日: 2020-08-07
• 發明（設計）人: 金桂賢;金镕重;金寅洙;金鶴京;南云鉉;夫碩焄;成明哲;呂東勛;柳宇宙;張泰雄;鄭景中;諸泓模;趙浩辰
• 申請（專利權）人: 斯特拉德視覺公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G05D1/02;G06T7/73;G08G1/04;G08G1/16
• 代理公司: 北京東方億思知識產權代理有限責任公司 11258
• 代理人: 金美蓮

本發明提供一種用分割得分圖和聚類圖檢測車道線的后處理方法以及裝置，所述包括以下步驟：計算裝置獲取由卷積神經網絡生成的所述分割得分圖和所述聚類圖；使后處理模塊參考所述分割得分圖來檢測包含形成所述車道線的像素的車道線元素，參考所述車道線元素、所述分割得分圖和所述聚類圖來生成種子信息；使所述后處理模塊參考所述種子信息生成基本模型，并參考該基本模型生成車道線錨點；使所述后處理模塊參考所述車道線錨點生成車道線連通域(blob)；以及使所述后處理模塊參考所述車道線連通域檢測車道線候選組，通過對所述車道線候選組應用線性擬合運算來生成車道線模型，以檢測所述車道線。

技術領域

本發明涉及用于自動駕駛汽車的后處理方法以及裝置，更具體地，本發明涉及為了規劃自動駕駛汽車的行駛路線而檢測車道線的后處理方法以及裝置。

背景技術

深度卷積神經網絡(Deep Convolution Neural Networks；DeepCNN)是深度學習的驚人發展的核心。CNN已經在90年代用于解決文字識別問題，但是由于最近的研究，如今已被廣泛使用。深度卷積神經網絡在2012年ImageNet圖像分類競賽中擊敗了其他競爭對手并贏得了冠軍。從那時起，卷積神經網絡已成為機器學習(Machine Learning)領域中非常有用的工具。

后處理(post-processing)是指對深度CNN輸出的結果進行預定的調整以便獲得用戶所需結果的操作。

近年來，后處理已被廣泛用于深度CNN。CNN在自動駕駛模塊中扮演多個角色，其中之一是在輸入圖像中檢測車道線。通過檢測車道線，可以檢測車輛進出的可用空間，或者調整車輛以使其能夠在車道中央正常行駛。

但是，僅使用來自深度CNN的結果，車道線檢測效果通常較差。因此，通過對從深度CNN得出的結果進行后處理來檢測車道線，但是如果僅使用在深度CNN中生成的分割得分圖(segmentation score map)，則后處理的性能并不好。

發明內容

本發明所要解決的課題

本發明的目的在于解決上述問題。

本發明的目的在于，解決上述的問題。

本發明的目的在于，通過將聚類圖與分割得分圖一起使用，以便更順暢地執行用于車道線檢測的后處理。

另外，本發明的目的在于，使用參考分割得分圖和聚類圖導出的車道線元素、車道線錨點(anchor)和車道線連通域(lane blob)等來執行最優化的車道線檢測。

用于解決課題的手段

用于實現如上所述的本發明的目的并實現后述的本發明的特征效果的本發明的特征結構如下。

根據本發明的一個方式，提供一種使用分割得分圖和聚類圖來檢測一個或多個車道線的后處理方法，其特征在于，包括以下步驟：(a)若卷積神經網絡使用輸入圖像生成所述分割得分圖和所述聚類圖，則計算裝置獲取所述分割得分圖和所述聚類圖；(b)所述計算裝置使在所述卷積神經網絡的后端執行數據處理的后處理模塊(i)參考所述分割得分圖來檢測車道線元素，所述車道線元素是所述輸入圖像上的包含形成所述車道線的像素的單位區域，(ii)參考所述車道線元素、所述分割得分圖和所述聚類圖來生成種子信息；(c)所述計算裝置使所述后處理模塊參考所述種子信息生成與各所述車道線對應的一個或多個基本模型，并參考所述基本模型生成一個或多個車道線錨點；(d)所述計算裝置使所述后處理模塊參考所述車道線錨點生成一個或多個車道線連通域，所述車道線連通域包括所述車道線元素的至少一個集合；以及(e)所述計算裝置使所述后處理模塊(i)參考所述車道線連通域檢測所述輸入圖像中的一個或多個車道線候選組，(ii)對所述車道線候選組應用至少一次線性擬合運算來生成至少一個車道線模型，以檢測所述車道線。