[發明專利]一種特征檢測方法及其裝置

在審

• 申請號: 202011623511.0
• 申請日: 2020-12-31
• 公開（公告）號: CN112733662A
• 公開（公告）日: 2021-04-30
• 發明（設計）人: 崔淼
• 申請（專利權）人: 上海智臻智能網絡科技股份有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04
• 代理公司: 上海專利商標事務所有限公司 31100
• 代理人: 徐偉

本發明提供了一種特征檢測方法及其裝置。所述交通環境特征檢測方法包括：獲取車輛前進方向上的環境圖像；以及將所述環境圖像輸入環境特征提取模型以提取出所述環境圖像中的環境特征，所述環境特征提取模型采用空洞空間卷積池化金字塔和輕量級網絡的組合網絡架構，所述環境特征為影響所述車輛的駕駛策略的物體或標志。

技術領域

本發明涉及自動駕駛領域，尤其涉及一種特征檢測方法及其裝置。

背景技術

自動駕駛作為車輛未來的研究方向，其對于車輛行業甚至是交通運輸業和快遞行業有著深遠的影響。無人駕駛車輛的來臨將能夠解放人類的雙手，降低發生交通事故發生的頻率，保證了人們的安全。

同時隨著人工智能和傳感檢測等核心技術的不斷突破和推進，無人駕駛必將更加智能化，同時也能夠實現無人駕駛車輛的產業化。

車道檢測是自動駕駛的重要組成部分。它是推動場景理解的最重要的研究主題之一。一旦獲得車道位置，車輛將知道要去哪里，并避免駛入其他車道或離開道路的風險，這可以防止駕駛員誤操作導致的偏離行車軌道。但，由于路面環境干擾大，如遇地面積水、無效標識、修補路面、陰影情況下的車道線容易出現誤檢和漏檢情況。

現有的車道線檢測方法分為兩大類，基于傳統方法的車道線檢測和基于深度學習技術的車道線檢測。

基于傳統方法的車道線檢測需要根據車道線顏色信息提取車道線、基于Canny邊緣提取并基于Hough變化提取車道線等步驟。基于傳統方法的車道線檢測存在多方面的缺點：不能夠實現檢測魯棒性高；無法進行快速車道檢測；同時針對不同路面材質需要修改閾值參數；尤其是在彎曲和交叉口路面很容易出現漏檢，檢測效果極差等等。

基于深度習技術的車道線檢測由于卷積神經網絡的感受野有限導致提取車道線特征基本上是局部信息，尤其彎曲路面容易出現車道線漏檢,檢測速度慢以至于很難到達到真正智能駕駛的要求。

為解決現有的車道線檢測方法存在的各方面問題，本發明旨在提出一種交通環境特征檢測方法及其裝置。

發明內容

以下給出一個或多個方面的簡要概述以提供對這些方面的基本理解。此概述不是所有構想到的方面的詳盡綜覽，并且既非旨在指認出所有方面的關鍵性或決定性要素亦非試圖界定任何或所有方面的范圍。其唯一的目的是要以簡化形式給出一個或多個方面的一些概念以為稍后給出的更加詳細的描述之序。

根據本發明的一方面，提供了一種交通環境特征檢測方法，包括：獲取車輛前進方向上的環境圖像；以及將所述環境圖像輸入環境特征提取模型以提取出所述環境圖像中的環境特征，所述環境特征提取模型采用空洞空間卷積池化金字塔和輕量級網絡的組合網絡架構，所述環境特征為影響所述車輛的駕駛策略的物體或標志。

在一實施例中，所述將所述環境圖像輸入環境特征提取模型以提取出所述環境圖像中的環境特征包括：將所述環境圖像輸入所述輕量級網絡并將所述輕量級網絡的其中一層輸出的特征圖作為基礎特征圖；將所述基礎特征圖輸入空洞空間卷積池化金字塔以得到融合特征圖；以及將所述融合特征圖進行上采樣以提取出所述環境圖像中的環境特征。

在一實施例中，所述將所述基礎特征圖輸入空洞空間卷積池化金字塔以得到融合特征圖包括：對所述基礎特征圖分別進行多種不同的卷積操作以得到不同尺度的低維度卷積特征圖；以及將所述低維度卷積特征圖與所述基礎特征圖進行融合以得到所述融合特征圖，所述基礎特征圖用于指示所述環境圖像的高維特征。

在一實施例中，所述將所述低維度卷積特征圖與所述基礎特征圖進行融合以得到所述融合特征圖包括：將所述低維度卷積特征圖進行融合以得到低維融合特征圖；將所述低維融合特征圖進行卷積操作以得到低維特征圖；以及將所述低維特征圖與所述基礎特征圖進行融合以作為所述融合特征圖。