[發明專利]基于語義分割的車道線檢測方法、裝置、系統及存儲介質

在審

• 申請號: 202011508480.4
• 申請日: 2020-12-18
• 公開（公告）號: CN112613392A
• 公開（公告）日: 2021-04-06
• 發明（設計）人: 宋聚寶;潘定海;原誠寅
• 申請（專利權）人: 北京新能源汽車技術創新中心有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04;G06N3/08;G06T7/155;G06T7/187
• 代理公司: 北京一品慧誠知識產權代理有限公司 11762
• 代理人: 張宇

1.一種基于語義分割的車道線檢測方法，其特征在于，所述方法包括：

標注行車圖像的車道線，構建車道線的數據集；

提取輸入圖像的特征數據，進行圖像二值化語義分割，得到車道線的像素點，結合所述數據集預測車道線輸出類別，并計算分類概率；

過濾及連通所述車道線的像素點，根據分類概率及車道線方向的變化動態調整聚類算法的權重系數及球體半徑，通過所述聚類算法對像素點進行分類，獲得聚類后的車道線；

遍歷所述聚類后的車道線的連通域并統計相應的像素點，進行參數方程的擬合。

2.如權利要求1所述基于語義分割的車道線檢測方法，其特征在于，所述“提取輸入圖像的特征數據，進行圖像二值化語義分割，得到車道線的像素點，結合所述數據集預測車道線的類別，并計算分類概率”步驟包括：

基于FCN-VGG16網絡創建用于提取輸入圖像的特征數據的編碼器網絡，所述編碼器網絡包括第一預設數量的卷積塊及池化層，第二預設數量的全卷積層；所述卷積塊中卷積層采用線性整流函數作為激活函數，所述全卷積層包括用于防止過渡擬合的dropout層，將編碼器網絡輸出的特征圖像和中間池化層輸出的中間圖像通過預測網絡進行分類預測，獲得輸入圖像的車道線類別。

3.如權利要求2所述基于語義分割的車道線檢測方法，其特征在于，所述方法還包括通過解碼器網絡將所述編碼器網絡輸出的特征圖像進行反卷積恢復圖像尺寸，所述解碼器網絡的跳層結構設置有第一階段及第二階段，所述第一階段為組合第一預設中間池化層輸出及最后全卷積層的輸出，所述第二階段為組合第二預設中間池化層的輸出及與第一階段的輸出。

4.如權利要求3所述基于語義分割的車道線檢測方法，其特征在于，所述預測網絡包括預測層、反卷積層及剪切層、逐點相加層及softmax層；

將所述解碼器網絡的最后全卷積層的輸出輸入到第一預測層，第一預測層的輸出輸入第一預設反卷積層放大特征圖像，反卷積層的輸出輸入第一剪切層；將第二預設中間池化層后輸入第二預測層，所述第二預測層后設置跳層策略的第一階段，所述第一階段還包括將第一剪切層的輸出及第二預測層的輸出輸入第一逐點相加層；

逐點相加層的輸出輸入第二預設反卷積層，第二預設反卷積層的輸出輸入第二剪切層；將第一預設中間池化層輸出輸入第三預測層，所述第三預測層后設置跳層策略的第二階段，所述第二階段還包括將第二剪切層的輸出及第三預測層的輸出輸入第二逐點相加層；和/或

所述預測網絡設置有第三預設數量的輸出類別，通過softmax層計算車道線的輸出類別的分類概率。

5.如權利要求1所述基于語義分割的車道線檢測方法，其特征在于，所述“過濾及連通所述車道線的像素點，根據分類概率及車道線方向的變化動態調整聚類算法的權重系數及球體半徑，通過所述聚類算法對像素點進行分類，獲得聚類后的車道線”步驟包括，

通過形態學操作分割獨立的車道線像素點及連通相鄰的像素點；

遍歷車道線連通域的像素點，根據車道線標識及像素點數量過濾確定連通域類別；和/或

通過FCN-VGG16網絡輸出分類概率，確定聚類算法的權重系數；分析像素點的變化趨勢判斷車道線方向，確定球體半徑，構建自適應Mean Shift聚類算法；利用自適應Mean Shift聚類算法將每個車道線的像素點歸類。

6.如權利要求1所述基于語義分割的車道線檢測方法，其特征在于，所述“標注行車圖像的車道線”的步驟包括：

將車道線區域通過多點連線形成閉合區域，對閉合區域的輪廓線進行標注；

結合行車圖像中顯示的部分假設車道線的點繪制遮擋部分的車道線，連接相同車道線的點進行標注；

針對行車圖像中不清晰的車道線通過調節比例尺進行標注。