[發(fā)明專利]高速運動場景下的交通標線快速識別與循跡方法

在審

• 申請?zhí)枺?/td>: 202010948892.3
• 申請日: 2020-09-10
• 公開（公告）號: CN112215073A
• 公開（公告）日: 2021-01-12
• 發(fā)明（設(shè)計）人: 萬千;林初染;彭國慶;謝振友;龍朝黨
• 申請（專利權(quán)）人: 華藍設(shè)計(集團)有限公司;桂林電子科技大學(xué)
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 成都東恒知盛知識產(chǎn)權(quán)代理事務(wù)所(特殊普通合伙) 51304
• 代理人: 何健雄;廖祥文

本發(fā)明涉及高速運動場景下的交通標線快速識別與循跡方法，所述標線識別與循跡方法包括輸入數(shù)據(jù)預(yù)處理步驟、特征提取網(wǎng)絡(luò)和特征融合網(wǎng)絡(luò)構(gòu)建步驟以及目標實時追蹤步驟；所述特征融合網(wǎng)絡(luò)構(gòu)建包括：通過自底向上的連接、自頂向下的連接以及橫向連接的網(wǎng)絡(luò)結(jié)構(gòu)將不同層的特征圖融合到一起，構(gòu)建網(wǎng)絡(luò)內(nèi)的特征金字塔，得到能夠獲取目標位置信息即準確語義信息又多的特征圖的網(wǎng)絡(luò)。本發(fā)明通過車載專用攝像頭獲取車前道路環(huán)境，面對高速情況下反饋時間短、車道特征模糊等問題，通過對于圖像的語義分割，對標線位置進行定義，利用高速的目標檢測追蹤算法進行卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練。

技術(shù)領(lǐng)域

本發(fā)明涉及自動駕駛中的高級駕駛輔助系統(tǒng)領(lǐng)域，尤其涉及高速運動場景下的交通標線快速識別與循跡方法。

背景技術(shù)

近年來，交通新基礎(chǔ)建設(shè)正在興旺發(fā)展，以數(shù)據(jù)為核心、5G通訊網(wǎng)絡(luò)為基礎(chǔ)、結(jié)合高精度傳感器的車路協(xié)同模式逐漸成熟，構(gòu)成快捷方便安全的車聯(lián)網(wǎng)絡(luò)，而新能源驅(qū)動下的高級輔助駕駛車輛乃至自動駕駛車輛正逐步投產(chǎn)應(yīng)用，成為未來發(fā)展的新趨勢。

在確保車輛行駛安全的輔助駕駛系統(tǒng)方面，標線檢測與提示已較為成熟，但目前較為常見的標線檢測常用于低速情況下的車輛導(dǎo)航或自動駕駛，現(xiàn)有的技術(shù)暫時無法應(yīng)用于100km/h左右的高速場景下，一方面高速行駛狀態(tài)下的視頻拍攝需要更高的幀數(shù)保證圖像的清晰；另一方面現(xiàn)有的算法無法達到較低延遲的反饋速度，造成高速狀態(tài)下的標線檢測依舊存在相當(dāng)多的問題，不存在工程實踐價值。

面對這樣的問題，本發(fā)明采用新型語義分割方法重新定義標線檢測方法，采用快速目標追蹤模型，完成了高速情況下的標線追蹤檢測技術(shù)，能夠快速檢測道路上的標線位置并防止車輛偏移可以有效提高駕駛者的安全，實時監(jiān)控車輛在道路中的位置，在自動駕駛領(lǐng)域更是機器決策不可或缺的前置技術(shù)之一。

發(fā)明內(nèi)容

本發(fā)明的目的在于克服現(xiàn)有技術(shù)的缺點，提供了高速運動場景下的交通標線快速識別與循跡方法，通過重新定義標線的語義以及對圖像進行新語義分割，減少了目標檢測的時間，再借助檢測速度快的目標追蹤檢測模型，可以有效提升高速場景下車輛的實時檢測追蹤速度，可以保證駕駛員的道路安全，降低道路交通事故的概率，并方便未來的自動駕駛技術(shù)的研發(fā)與應(yīng)用。

本發(fā)明的目的通過以下技術(shù)方案來實現(xiàn)：高速運動場景下的交通標線快速識別與循跡方法，所述標線識別與循跡方法包括輸入數(shù)據(jù)預(yù)處理步驟、特征提取網(wǎng)絡(luò)和特征融合網(wǎng)絡(luò)構(gòu)建步驟以及目標實時追蹤步驟；所述特征融合網(wǎng)絡(luò)構(gòu)建包括：通過自底向上的連接、自頂向下的連接以及橫向連接的網(wǎng)絡(luò)結(jié)構(gòu)將不同層的特征圖融合到一起，構(gòu)建網(wǎng)絡(luò)內(nèi)的特征金字塔，得到能夠獲取目標位置信息即準確語義信息又多的特征圖的網(wǎng)絡(luò)。

進一步地，所述通過自底向上的連接、自頂向下的連接以及橫向連接的網(wǎng)絡(luò)結(jié)構(gòu)將不同層的特征圖融合到一起，構(gòu)建網(wǎng)絡(luò)內(nèi)的特征金字塔具體包括：

取C2、C3、C4層作為特征融合的層數(shù)，分別下采樣至原圖大小的1/16、1/64和1/256，然后經(jīng)過特征融合網(wǎng)絡(luò)生成特征金字塔結(jié)構(gòu)；

利用卷積核為3×3，步長為1的卷積操作對C4層特征圖進行處理后得到特征金字塔的P4層；

將卷積核為1×1，步長為1的卷積操作對C3層進行處理后的結(jié)果與所述特征金字塔的P4層上采樣結(jié)果相加，并在此基礎(chǔ)上使用卷積核為3×3，步長為1的卷積運算進行處理得到特征金字塔的P3層；然后以次類推得到特征金字塔的P2層。

進一步地，所述特征提取網(wǎng)絡(luò)構(gòu)建包括：

用θ_i＝F(θ_i-1)描述第i層的特征圖，并對兩個特征圖進行卷積、池化和歸一化操作得到N層特征圖的集合θ＝{θ₁，θ₂，θ₃，…，θ_N}；并選取ResNet網(wǎng)絡(luò)模型作為特征提取網(wǎng)絡(luò)模型；