[發明專利]基于深度學習的車道線檢測方法及系統

有效

• 申請號: 202210425544.7
• 申請日: 2022-04-22
• 公開（公告）號: CN114821530B
• 公開（公告）日: 2023-06-02
• 發明（設計）人: 李興坤;董文龍
• 申請（專利權）人: 北京裕峻汽車技術研究院有限公司
• 主分類號: G06V20/58
• 分類號: G06V20/58;G06V10/82;G06N3/0464;G06N3/08;G06F16/29;G08G1/16
• 代理公司: 北京春江專利商標代理事務所(普通合伙) 11835
• 代理人: 向志杰

1.一種基于深度學習的車道線檢測方法，其特征在于，包括：

S01:根據已訓練的終端車道線檢測模型獲取車道線信息，具體包括：獲取車輛前方路段的當前圖像，并對所獲取的圖像進行圖像矯正得到矯正圖像，將矯正圖像輸入到車道線檢測模型以推理出含有車道線信息的圖像；

S02:根據終端車道線檢測模型獲取的車道線信息獲取車道線實時曲率半徑；

S03:將終端車道線檢測模型獲取的車道線實時曲率半徑與地圖引擎獲取的車道線實時曲率半徑進行對比，若兩曲率半徑在水平方向存在的誤差大于設定值，則利用地圖引擎獲取的車道線曲率對終端車道線檢測模型獲取的車道線曲率進行修正,與此同時，記錄終端車道線檢測模型發生修正的實際位置、修正的曲率和脫密處理后的用戶隱私圖像信息并定期傳向云端服務器，通過后期處理，更新云端車道線檢測模型的參數，之后下發至各個車道線檢測終端；若兩曲率半徑在水平方向上誤差小于設定值，將車道線檢測模型獲取的車道線視為正確車道線；脫密處理包括通過使用卷積神經網絡的圖像識別裝置對當前圖像進行處理，其通過如下步驟實現，根據輸入的當前道路情況的當前圖像生成分辨率從高到低的N級特征圖像，使用第N級特征圖像生成第一特征圖像；利用車道線檢測模型檢測上述第一特征圖像中的車道線，獲取車道線在所述第一特征圖像上的邊界位置信息，記錄邊界位置的圖像坐標；校正邊界之間的車道線的圖像，使得邊界之間的車道線的圖像對應于第二特征圖像的分辨率，第二特征圖像是在第N級之前生成的特征圖像；將校正后的車道線的圖像信息及邊界位置的圖像坐標作為脫密處理結果傳送給云端服務器。

2.根據權利要求1所述的基于深度學習的車道線檢測方法，其特征在于，對所獲取的圖像進行圖像矯正包括如下步驟：

通過下列運算式將當前圖像的像素圖像坐標(u,v)矯正為(u_d,v_d)：

x′＝(u―c_x)/f_x

y′＝(v―c_y)/f_y

x″＝(1+k₁r²+k₂r⁴)x′+2p₁x′y′+p₂(r²+2x′²)

y″＝(1+k₁r²+k₂r⁴)y′+p₁(r²+2y′²)+2p₂x′y′

r²＝x′²+y′²

u_d＝f_xx″+c_x

v_d＝f_yy″+c_y

上式中f_x、f_y、c_x和c_y為獲取圖像的攝像頭的內參矩陣中參數；k₁、k₂為徑向形變系數，p₁、p₂為切向形變系數。

3.根據權利要求2所述的基于深度學習的車道線檢測方法，其特征在于，還包括通過下式擬合圖像坐標系下車道線方程：

?x＝ay³+by²+cy+d；

式中(x，y)分別為車道線圖像坐標；a、b、c、d為車道線方程系數。

4.根據權利要求3所述的基于深度學習的車道線檢測方法，其特征在于，還包括通過下式得到車道線檢測模型獲取的圖像坐標(x,y)處的車道線實時曲率半徑：

5.根據權利要求1所述的基于深度學習的車道線檢測方法，其特征在于，將含有車道線信息的圖像坐標變換為空間坐標；根據有車道線的空間坐標擬合車道線空間方程，根據車道線空間方程推理出車道線實時曲率半徑。