[發(fā)明專利]一種基于單目視覺的非主動車道偏離預(yù)警方法及系統(tǒng)

有效

• 申請?zhí)枺?/td>: 202011243927.X
• 申請日: 2020-11-10
• 公開（公告）號: CN112339773B
• 公開（公告）日: 2021-12-14
• 發(fā)明（設(shè)計）人: 曹玉社;許亮;李峰
• 申請（專利權(quán)）人: 中科海微（北京）科技有限公司
• 主分類號: B60W50/14
• 分類號: B60W50/14;B60W30/12
• 代理公司: 上海恒慧知識產(chǎn)權(quán)代理事務(wù)所(特殊普通合伙) 31317
• 代理人: 劉翠;徐紅銀

1.一種基于單目視覺的非主動車道偏離預(yù)警方法，其特征在于，包括：

基于單目視覺，實時獲取車輛行進方向道路的圖像；

在所獲取圖像的基礎(chǔ)上，通過車道線提取算法，得到行車方向左右兩條車道線位置及車道線類型；

根據(jù)得到的車道線位置、車道線類型以及車輛左右轉(zhuǎn)向燈狀態(tài)，判斷非主動車輛偏離情況；

根據(jù)非主動車輛偏離情況，對車輛駕駛過程中出現(xiàn)的非主動車道偏離進行輔助預(yù)警；

所述車道線提取算法，包括訓練和部署兩個階段；其中：

所述訓練階段，對大量實際路況圖片進行車道線區(qū)域的標注，形成訓練數(shù)據(jù)集；利用訓練數(shù)據(jù)集，對深度神經(jīng)網(wǎng)絡(luò)進行訓練，并在深度神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上設(shè)置網(wǎng)絡(luò)分支以及相應(yīng)的損失函數(shù)，生成車道線檢測模型；

所述部署階段，利用生成的車道線檢測模型，對實時車輛行進方向道路的圖像進行車道線位置及車道線類型獲取；

所述訓練階段，對實際路況圖片進行車道線區(qū)域標注的方法，包括：

將車道線檢測問題看作基于行的錨點選擇問題，則車道線檢測問題表示如下：

P_i，j,:＝f^ij(X)，s.t.i∈[1,C],j∈[1,h]

式中，X表示卷積神經(jīng)網(wǎng)絡(luò)提取的全局圖像特征，f^ij表示為第i個車道線在第j個錨點行的分類函數(shù)，P_i,j,:為w+1維向量，表示第j個錨點行對于第i個車道線在各個錨點位置的概率，其中多出來的1維表示第j個錨點行不包含第i個車道線的任意位置；

將實際路況圖片劃分為h*w個網(wǎng)格，其中h表示錨點行數(shù)，w表示瞄點列數(shù)；設(shè)定需要檢測的車道線數(shù)目為C，那么對于每個錨點行，最多有C個網(wǎng)格被標記為車道線位置。

2.根據(jù)權(quán)利要求1所述的基于單目視覺的非主動車道偏離預(yù)警方法，其特征在于，所述網(wǎng)絡(luò)分支包括兩個全連接層和一個Softmax層，用于獲取車道線的類型；

所述損失函數(shù)L_total包括

L_total＝L_cls+αL_str+βL_type

式中：

L_cls為分類損失函數(shù)；

L_str為結(jié)構(gòu)性損失函數(shù)；

L_type為類型損失函數(shù)；

α，β為損失加權(quán)系數(shù)；

所述結(jié)構(gòu)性損失函數(shù)L_str包括連續(xù)行性損失函數(shù)L_sim和車道線形狀損失函數(shù)L_shp：

L_str＝L_sim+λL_shp

式中，λ為加權(quán)系數(shù)。

3.根據(jù)權(quán)利要求2所述的基于單目視覺的非主動車道偏離預(yù)警方法，其特征在于，對生成的車道線檢測模型進行輔助分割任務(wù)訓練，用于車道線檢測模型學習車道線的語義特征；其中，所述輔助分割任務(wù)訓練的損失函數(shù)為L_seg，損失加權(quán)系數(shù)為γ。

4.根據(jù)權(quán)利要求1所述的基于單目視覺的非主動車道偏離預(yù)警方法，其特征在于，所述部署階段，還包括：

對誤檢的車道線進行過濾，其中，當將測到的車道線出現(xiàn)以下任意一種情況時，判斷為未檢測到車道線或者為誤檢到的車道線可信度較低，即為誤檢的車道線：

情況一：檢測到的車道線點對小于三對；

情況二：檢測到的車道線點對中，由近及遠的相鄰兩個點對之間距離滿足遞減趨勢，且這種情況出現(xiàn)大于等于兩次。