[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

本發明涉及車道線檢測領域，具體涉及一種基于語義分割的車道線檢測的方法、系統及存儲介質，所述方法包括將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；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，采用曲線擬合算法參數化每一條車道線。本實施例針對復雜的交通環境，將語義分割與自適應聚類方法相結合，實現了車道線的像素級識別，能夠滿足自動駕駛的迫切需要，且其高性能的檢測算法對于自動駕駛的實際應用價值和安全價值具有非常重要的意義。

技術領域

本發明涉及車道線檢測領域，具體涉及一種基于語義分割的車道線檢測方法、裝置、系統及存儲介質。

背景技術

隨著汽車的日益普及，道路交通事故發生率不斷上升，嚴重影響到人們的生命財產安全。自動駕駛可有效減少交通事故的發生，而車道線檢測與識別是自動駕駛系統的重要組成部分。傳統的車道線檢測方法主要基于邊緣特征檢測或者圖像分割，易受到光照變化、行駛車輛、道路破損等千擾，導致算法魯棒性下降，在不良天氣和復雜環境下達不到所需的檢測準確率。

車道線檢測是自動駕駛中的一個基礎模塊，已有多種基于傳統圖像處理實現的車道線檢測算法，在車道線檢測方面，傳統的檢測方法主要是基于圖像處理技術對道路圖像進行邊緣檢測、閾值化處理和曲線擬合。其主要步驟為首先對ROI區域進行逆透視變換，然后進行特殊方向的高斯濾波，再進行閾值化處理，之后再對該結果進行直線或者曲線擬合，擬合方法主要有最小二乘法、中值截距法、Hough變換以及Ransac擬合，最后對擬合出來的曲線進行定位和延伸。該類算法需要獲取相機參數，且對道路圖像的標志線的清晰度要求較高，魯棒性和泛化能力較差；但車道線是一種易被腐蝕的交通標志，隨著使用時間的增加，車道線也會變得破損甚至模糊不清，這使得很多傳統的車道線檢測算法很難對車道線特征進行提取和檢測，車道線種類繁多而且不同城市會因為自己的實際交通狀況，車道線種類也會與其他城市存在或多或少的差異，要準確的檢測不同位置的車道線成為一個很大的挑戰。

隨著研究的深入，車道線檢測任務所應對的場景越來越多樣化，逐步已經脫離了對于“白、黃色線條”這種低階理解。如何基于模糊的、被光照影響的、甚至是完全被遮擋的車道線圖像實現語義上車道線存在位置的檢測，基于傳統圖像處理的方法幾乎無法實現，已成為是本領域亟待解決的問題。

深度學習方法利用網絡模型自動學習目標特征，具有較高的泛化能力，可以有效提高目標檢測的準確率。由于卷積神經網絡的優秀性能，近年來眾多學者基于卷積神經網絡進行了許多計算機視覺任務的研究，近年來，卷積神經網絡在機器視覺應用領域中取得了巨大的成功。目標檢測和圖像分割是其中的熱門方向。但現有技術中，卷積神經網絡普遍針對通用目標展開，尚無在復雜交通環境下利用卷積神經網絡進行車道線檢測的研究。

發明內容

鑒于現有技術中存在的技術缺陷和技術弊端，本發明實施例提供克服上述問題或者至少部分地解決上述問題的一種基于語義分割的車道線檢測方法、裝置、系統及存儲介質。

作為本發明實施例的一個方面，提供了一種基于語義分割的車道線檢測方法，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。

進一步地，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：