[發明專利]一種基于語義分割模型的車道線圖片檢測分割方法

有效

• 申請號: 202010326625.2
• 申請日: 2020-04-23
• 公開（公告）號: CN111597913B
• 公開（公告）日: 2022-05-17
• 發明（設計）人: 齊冬蓮;方翌嘯;閆云鳳;季瑞松;張建良;李真鳴
• 申請（專利權）人: 浙江大學;杭州遠鑒信息科技有限公司
• 主分類號: G06V10/764
• 分類號: G06V10/764;G06V10/774;G06V20/58;G06K9/62;G06N3/02;G06N3/08
• 代理公司: 北京睿智保誠專利代理事務所(普通合伙) 11732
• 代理人: 周新楣

本發明公開了一種基于語義分割模型的車道線圖片檢測分割方法。采集無人駕駛車輛拍攝的車道線圖片構成數據集，車道線圖片包含道路上標識的不同類別的車道線；對數據集進行清洗后獲得訓練集；用訓練集輸入到網絡模型中將圖片縮放制成三種圖片分辨率大小的圖片以圖片分辨率逐漸變大進行訓練；對待測圖片，將待測圖片縮放到最后訓練時的圖片分辨率大小，后輸入訓練后的最終模型中，輸出后再重新縮放回待測圖片的原始大小，得到最終的分割結果。本發明能夠實現無人車拍攝的車道場景圖片中車道線的識別，具有較高的準確率，具有穩定性好、抗干擾能力強、通用性高等優點，魯棒性好，能夠應用于駕駛輔助系統或者無人駕駛系統中。

技術領域

本發明涉及了一種車道線圖片語義分割方法，尤其是涉及了一種基于語義分割模型的車道線圖片檢測分割方法。

背景技術

作為下一個改變人類生活方式的技術藍海，無人駕駛車輛研究日益受到學術界和產業界的高度關注，其技術涉及認知科學、人工智能、控制科學、機械工程等交叉學科，是各種新興技術的最佳驗證平臺，也是未來汽車發展的必然趨勢。在無人駕駛汽車研究領域，帶有車道線屬性的高精地圖是商業無人駕駛的一個非常關鍵的環節。截止目前，大多數的高精地圖都是靠人工標注來完成的。人工標注不僅效率低，而且成本高不適宜大規模的商業應用。在高精地圖的生產過程中，如何從圖像中分割出不同類型的車道線是非常重要的一個環節。同時，準確分割車道線也會為將來高精地圖的更新提供幫助。因此設計出高效、準確的檢測算法，可以推動無人車的發展，從而造福整個社會。

發明內容

為了解決背景技術中的問題，本發明提出了一種基于語義分割模型的車道線圖片檢測分割方法，能高效檢測并分割出圖片中的車道線并具有良好穩定性。

本發明能夠實現無人車拍攝的車道場景圖片中車道線的自動識別，具有較高的準確率，并且具有穩定性好，抗干擾能力強，通用性高等優點，具有良好的魯棒性，能夠應用于駕駛輔助系統或者無人駕駛系統中。

本發明的技術方案包括以下步驟：

1)采集無人駕駛車輛拍攝的車道線圖片構成數據集，車道線圖片包含道路上標識的不同類別的車道線；

所述的車道線主要分為以下9類：車道分界線、導向線、停止線、V形線、泊車線、斑馬線、轉彎線、減速線、其他類。

2)對數據集進行清洗后獲得訓練集；

具體是遍歷數據集中所有車道線圖片，刪除所有模糊、過曝、過暗以及圖片中不包含車道線目標的圖片，形成最終用于訓練的數據集并標注。

3)用步驟2)獲得的訓練集輸入到網絡模型中進行訓練，具體將訓練集中的圖片縮放制成三種圖片分辨率大小的圖片以圖片分辨率逐漸變大進行訓練；

4)對于待測圖片，將待測圖片縮放到步驟3)中最后訓練時的圖片分辨率大小，然后將縮放后的待測圖片輸入訓練后的最終模型中，最終模型輸出結果再重新縮放回待測圖片的原始大小，得到最終的分割結果。

所述的車道線圖片是指放在無人駕駛車輛上的攝像頭拍攝的真實道路場景圖片，攝像頭固定在無人駕駛車輛的車身上方，正對前方路面水平向下傾斜15度視角拍攝采集。

所述步驟2)的訓練集中再對圖片進行數據增強處理，從亮度、飽和度、噪聲、對比度、裁剪、縮放等多個方面進行調整，獲得更多圖片，能增強模型的魯棒性。

具體實施中，數據增強操作具體包括：對于一張訓練圖片，隨機在亮度、飽和度、對比度、噪聲、裁剪和縮放中選擇一項，并隨機改變圖片該項的屬性值，其中亮度和飽和度的權重因子在0.7～1.3隨機取值，對比度因子在0.1～0.3隨機取值，噪聲為高斯噪聲，方差因子在0～1之間隨機取值，裁剪尺度為0.9。

所述步驟3)中，所述網絡模型采用Deeplab v3+模型，具體過程如下：