[發明專利]一種車道線的檢測方法、系統、電子設備及存儲介質

有效

• 申請號: 202210470778.3
• 申請日: 2022-04-28
• 公開（公告）號: CN114937091B
• 公開（公告）日: 2023-07-11
• 發明（設計）人: 王軍厚;李榮熙;李楠;司徒春輝
• 申請（專利權）人: 廣州導遠電子科技有限公司
• 主分類號: G06T7/80
• 分類號: G06T7/80;G06N3/0464;G06N3/08
• 代理公司: 北京超凡宏宇專利代理事務所(特殊普通合伙) 11463
• 代理人: 何明倫

1.一種車道線的檢測方法，其特征在于，包括：

獲取雙目相機采集的左視圖圖像和右視圖圖像；

將所述左視圖圖像輸入至預設車道線檢測深度學習模型，獲得車道線特征點的像素坐標；

將所述左視圖圖像和所述右視圖圖像輸入至預設雙目測距深度學習模型，獲得深度圖像；

根據所述像素坐標和所述深度圖像獲得所述車道線特征點在相機坐標系下的第一坐標值；

將所述第一坐標值變換到慣性測量單元坐標系下的第二坐標值；

根據基于慣性測量單元的預設組合導航信息和所述第二坐標值，生成所述車道線特征點在大地墨卡托坐標系下的坐標信息；

所述雙目相機和所述慣性測量單元的組合模塊固定到三軸轉臺上，通過接入脈沖信號作為所述組合模塊的同步基準，在所述獲取雙目相機采集的左視圖圖像和右視圖圖像的步驟之前，還包括：

對所述雙目相機進行標定，獲得所述雙目相機的內參數據和外參數據；

對所述雙目相機和所述慣性測量單元進行聯合標定，獲得所述慣性測量單元和所述雙目相機的綜合外參數據；

所述根據所述像素坐標和所述深度圖像獲得所述車道線特征點在相機坐標系下的第一坐標值的步驟，包括：

將所述左視圖圖像和所述深度圖像對齊，獲得所述車道線特征點在所述深度圖像上的第二像素坐標；

根據所述第二像素坐標獲得深度值信息；

根據所述深度值信息、所述雙目相機的基線和外參數據獲得所述車道線特征點在相機坐標系下的第一坐標值。

2.根據權利要求1所述的車道線的檢測方法，其特征在于，在將所述左視圖圖像輸入至預設車道線檢測深度學習模型，獲得車道線特征點的像素坐標的步驟之前，還包括：

根據所述雙目相機的內參數據校正所述左視圖圖像和右視圖圖像。

3.根據權利要求1所述的車道線的檢測方法，其特征在于，所述將所述第一坐標值變換到慣性測量單元坐標系下的第二坐標值的步驟，包括：

根據所述綜合外參數據將所述第一坐標值變換到慣性測量單元坐標系下的第二坐標值。

4.根據權利要求1所述的車道線的檢測方法，其特征在于，所述對所述雙目相機和所述慣性測量單元進行聯合標定，獲得所述慣性測量單元和所述雙目相機的綜合外參數據的步驟，包括：

將預設標定板的支架立于所述雙目相機前并按照預設角度旋轉所述三軸轉臺，獲得所述慣性測量單元的測量數據和所述雙目相機的測量圖像；

根據所述慣性測量單元的測量數據和所述雙目相機的測量圖像進行聯合標定，獲得所述慣性測量單元和所述雙目相機的綜合外參數據。

5.根據權利要求1所述的車道線的檢測方法，其特征在于，在所述根據所述像素坐標和所述深度圖像獲得所述車道線特征點在相機坐標系下的第一坐標值的步驟之前，還包括：

根據預設閾值對所述車道線特征點進行過濾，保留不超過所述預設閾值的所述車道線特征點。

6.根據權利要求1所述的車道線的檢測方法，其特征在于，所述預設車道線檢測深度學習模型為基于MoblilenetV2和注意力機制的車道線檢測深度學習模型。

7.根據權利要求6所述的車道線的檢測方法，其特征在于，所述Mobilenetv2使用深度可分離卷積代替普通卷積，使用反向殘差結構加深網絡層數；

所述注意力機制用于建立特征圖上元素間遠距離依賴關系和通道間依賴關系。

8.根據權利要求1所述的車道線的檢測方法，其特征在于，所述預設雙目測距深度學習模型為一種基于空洞卷積的DispNetS和DispNetC結合的深度學習雙目估計模型。

9.根據權利要求8所述的車道線的檢測方法，其特征在于，所述預設雙目測距深度學習模型中的空洞卷積與正常卷積的卷積核參數相同，所述空洞卷積的各個位置以預設間隔隔開。