[發(fā)明專利]一種融合傳統(tǒng)特征提取與深度神經(jīng)網(wǎng)絡(luò)的車道線檢測(cè)方法

有效

• 申請(qǐng)?zhí)枺?/td>: 202210919555.0
• 申請(qǐng)日: 2022-08-02
• 公開（公告）號(hào): CN115376082B
• 公開（公告）日: 2023-06-09
• 發(fā)明（設(shè)計(jì)）人: 魏超;張美迪;李路興;隨淑鑫;錢歆昊;胡樂云;徐揚(yáng)
• 申請(qǐng)（專利權(quán)）人: 北京理工大學(xué);北京理工大學(xué)長(zhǎng)三角研究院（嘉興）
• 主分類號(hào): G06V20/56
• 分類號(hào): G06V20/56;G06V10/44;G06V10/25;G06V10/82;G06N3/0464;G06N3/08
• 代理公司: 北京盛詢知識(shí)產(chǎn)權(quán)代理有限公司 11901
• 代理人: 藺巍

本發(fā)明涉及一種融合傳統(tǒng)特征提取與深度神經(jīng)網(wǎng)絡(luò)的車道線檢測(cè)方法，包括：基于輸入道路圖片，提取所述道路圖片中車道線的先驗(yàn)特征，獲得車道線先驗(yàn)特征圖；將所述車道線先驗(yàn)特征圖與所述道路圖片進(jìn)行拼接得到道路特征圖；將所述道路特征圖輸入到深度神經(jīng)網(wǎng)絡(luò)模型中，對(duì)所述道路特征圖進(jìn)行特征提取與關(guān)鍵點(diǎn)預(yù)測(cè)，得到每條車道線中各關(guān)鍵點(diǎn)的位置坐標(biāo)。本發(fā)明從傳統(tǒng)特征與深度神經(jīng)網(wǎng)絡(luò)相融合的角度，充分考慮了車道線的先驗(yàn)傳統(tǒng)特征，在圖像輸入深度神經(jīng)網(wǎng)絡(luò)前，利用傳統(tǒng)特征提取方法獲取車道線的先驗(yàn)特征，使傳統(tǒng)基于特征的車道線檢測(cè)方法與深度學(xué)習(xí)的方法優(yōu)勢(shì)互補(bǔ)，在滿足實(shí)時(shí)性要求的前提下，提高車道線檢測(cè)算法的魯棒性和準(zhǔn)確性。

技術(shù)領(lǐng)域

本發(fā)明涉及自動(dòng)駕駛技術(shù)領(lǐng)域，特別是涉及一種融合傳統(tǒng)特征提取與深度神經(jīng)網(wǎng)絡(luò)的車道線檢測(cè)方法。

背景技術(shù)

當(dāng)今社會(huì)，汽車已經(jīng)成為人們?nèi)粘３鲂兄凶畋憬荨⒆钪匾慕煌üぞ咧唬殡S著汽車的普及，交通安全問題也對(duì)人民的生命財(cái)產(chǎn)安全造成了嚴(yán)重威脅，為減少交通事故的發(fā)生、滿足駕駛員更好的駕駛體驗(yàn)，無人駕駛技術(shù)得到了大力推動(dòng)，并且已經(jīng)成為了當(dāng)今車輛行業(yè)的研究熱點(diǎn)。作為車輛無人駕駛的重要環(huán)節(jié)之一，車道線檢測(cè)技術(shù)為車輛的道路環(huán)境感知、車道偏離預(yù)警、碰撞警告、路徑規(guī)劃等功能提供了重要的信息。

車道線檢測(cè)方法發(fā)展到現(xiàn)在，主要可以分成兩類：一類是基于車道線特征或模型的傳統(tǒng)檢測(cè)方法；另一類則是隨著國(guó)內(nèi)外深度學(xué)習(xí)的發(fā)展而新興的基于深度學(xué)習(xí)的車道線檢測(cè)方法。

傳統(tǒng)的車道線檢測(cè)方法依賴于手工提取特征和啟發(fā)式方法的組合來識(shí)別車道段，與道路圖像的其他部分相比，車道線通常有顏色、形狀、邊緣梯度以及強(qiáng)度等明顯特征。傳統(tǒng)的車道線檢測(cè)方法就是對(duì)車道線的特征進(jìn)行特征提取，檢測(cè)出屬于車道線的點(diǎn)，然后對(duì)車道線應(yīng)用定義好的模型進(jìn)行擬合，從而識(shí)別出完整的車道線。使用傳統(tǒng)方法的車道線檢測(cè)對(duì)光照條件、車道線的遮擋情況、破損情況要求比較高，在復(fù)雜道路場(chǎng)景下的準(zhǔn)確度有待提升，但算法比較簡(jiǎn)單，實(shí)時(shí)性較好，且對(duì)于各種場(chǎng)景的魯棒性較好，可解釋性較強(qiáng)。

隨著深度學(xué)習(xí)的不斷發(fā)展，越來越多的學(xué)者將神經(jīng)網(wǎng)絡(luò)應(yīng)用到車道線檢測(cè)中。卷積神經(jīng)網(wǎng)絡(luò)由于具有獨(dú)特的層級(jí)聯(lián)結(jié)構(gòu)，其特征提取能力更加強(qiáng)大，位于底層的卷積層學(xué)習(xí)的特征大多是車道線的邊緣信息，但隨著層數(shù)的加深，車道線的顏色、紋理、輪廓等深層信息也會(huì)被不斷提取、學(xué)習(xí)，因此能夠處理更為復(fù)雜的環(huán)境中的車道線檢測(cè)任務(wù)，在復(fù)雜道路場(chǎng)景下算法的準(zhǔn)確性較高，但模型的復(fù)雜程度也較高，對(duì)數(shù)據(jù)集的依賴性大，在不同場(chǎng)景下的自適應(yīng)性和魯棒性較差。

綜上所述，無論是傳統(tǒng)方法，還是基于深度學(xué)習(xí)的方法，使用單一原理在車道線檢測(cè)時(shí)都存在相應(yīng)的不足，因此，需要一種將傳統(tǒng)特征提取方法與深度神經(jīng)網(wǎng)絡(luò)方法相融合的車道線檢測(cè)方法，發(fā)揮兩種方法的優(yōu)勢(shì)，取長(zhǎng)補(bǔ)短。

發(fā)明內(nèi)容

本發(fā)明提供了一種融合傳統(tǒng)特征提取與深度神經(jīng)網(wǎng)絡(luò)的車道線檢測(cè)方法，以解決車道線檢測(cè)方法中，需要減少網(wǎng)絡(luò)的計(jì)算復(fù)雜度與模型參數(shù)，保證實(shí)時(shí)性，且考慮車道線的先驗(yàn)傳統(tǒng)特征，提高車道線檢測(cè)的準(zhǔn)確性與魯棒性。

為實(shí)現(xiàn)上述目的，本發(fā)明提供了如下方案：

一種融合傳統(tǒng)特征提取與深度神經(jīng)網(wǎng)絡(luò)的車道線檢測(cè)方法，包括：

S1、基于輸入道路圖片，提取所述道路圖片中車道線的先驗(yàn)特征，獲得車道線先驗(yàn)特征圖；

S2、將所述車道線先驗(yàn)特征圖與所述道路圖片進(jìn)行拼接得到道路特征圖；

S3、將所述道路特征圖輸入到深度神經(jīng)網(wǎng)絡(luò)模型中，對(duì)所述道路特征圖進(jìn)行特征提取與關(guān)鍵點(diǎn)預(yù)測(cè)，得到每條車道線在預(yù)先設(shè)置好的網(wǎng)格單元中關(guān)鍵點(diǎn)的位置坐標(biāo)，其中所述關(guān)鍵點(diǎn)為在所述網(wǎng)格單元中屬于車道線的點(diǎn)。

優(yōu)選地，S1中，獲取所述輸入道路圖片包括：

將車載相機(jī)通過支架固定在車位置頂中央，調(diào)整所述車載相機(jī)的安裝角度，對(duì)準(zhǔn)待檢測(cè)區(qū)域，利用所述車載相機(jī)采集車輛前方待檢測(cè)區(qū)域的道路圖像。