[發(fā)明專利]一種自動駕駛場景下的實(shí)時車道線檢測方法及裝置

在審

• 申請?zhí)枺?/td>: 202310418977.4
• 申請日: 2023-04-18
• 公開（公告）號: CN116486355A
• 公開（公告）日: 2023-07-25
• 發(fā)明（設(shè)計）人: 黃莉;冉光偉;劉棨;舒選才;周健珊;鄧晨
• 申請（專利權(quán)）人: 星河智聯(lián)汽車科技有限公司
• 主分類號: G06V20/56
• 分類號: G06V20/56;G06V10/82;G06V10/40;G06V10/774
• 代理公司: 廣州三環(huán)專利商標(biāo)代理有限公司 44202
• 代理人: 廖慧琪

1.一種自動駕駛場景下的實(shí)時車道線檢測方法，其特征在于，所述方法包括如下步驟：

獲取車輛實(shí)時采集圖像，所述實(shí)時采集圖像中包括車道線圖像信息；

通過將所述實(shí)時采集圖像輸入預(yù)訓(xùn)練的卷積神經(jīng)網(wǎng)絡(luò)模型，獲取車道線特征圖；

根據(jù)車道線特征圖上每個像素點(diǎn)與所述車道線的位置關(guān)系，獲取車道線候選點(diǎn)集；

基于對所述車道線候選點(diǎn)集進(jìn)行多次采樣后，通過RANSAC算法將所述多次采樣結(jié)果進(jìn)行擬合，獲取車道線檢測結(jié)果。

2.根據(jù)權(quán)利要求1所述的一種自動駕駛場景下的實(shí)時車道線檢測方法，其特征在于，通過RANSAC算法將所述多次采樣結(jié)果進(jìn)行擬合，具體包括如下方法步驟：

預(yù)設(shè)定內(nèi)點(diǎn)數(shù)閾值和距離閾值；

執(zhí)行迭代流程，所述迭代流程為通過對所述車道候選點(diǎn)集的中的n個點(diǎn)進(jìn)行隨機(jī)采樣并進(jìn)行擬合，獲取模型參數(shù)，再計算所述車道候選點(diǎn)集中的所有點(diǎn)到所述模型參數(shù)的距離，確定小于所述距離閾值的點(diǎn)為內(nèi)點(diǎn)；

重復(fù)執(zhí)行所述迭代流程，若當(dāng)前迭代的內(nèi)點(diǎn)數(shù)大于所述內(nèi)點(diǎn)數(shù)閾值，則終止執(zhí)行所述迭代流程，并確認(rèn)當(dāng)前所述模型參數(shù)為最終模型參數(shù)。

3.根據(jù)權(quán)利要求2所述的一種自動駕駛場景下的實(shí)時車道線檢測方法，其特征在于，通過RANSAC算法將所述多次采樣結(jié)果進(jìn)行擬合，還包括如下方法步驟：

預(yù)設(shè)定迭代次數(shù)；

重復(fù)執(zhí)行所述預(yù)設(shè)定次數(shù)的所述迭代流程，若當(dāng)前所述迭代流程中的所述內(nèi)點(diǎn)數(shù)量大于前一次所述迭代流程中的所述內(nèi)點(diǎn)數(shù)量，則確認(rèn)當(dāng)前迭代迭代流程中的模型參數(shù)為最優(yōu)模型參數(shù)；

確認(rèn)所述最優(yōu)模型參數(shù)為所述最終模型參數(shù)。

4.根據(jù)權(quán)利要求1所述的一種自動駕駛場景下的實(shí)時車道線檢測方法，其特征在于，根據(jù)車道線特征圖上每個像素點(diǎn)與所述車道線的位置關(guān)系，獲取車道線候選點(diǎn)集，具體包括如下方法步驟：

獲取所述車道線特征圖像素點(diǎn)坐標(biāo)(x,y)；

計算所述像素點(diǎn)(x,y)與所述車道線之間的最小距離d(x,y)和相對于所述車道線的方向θ(x,y)；

獲取所述距離d(x,y)和方向θ(x,y)的集合，生成車道線距離圖和車道線方向圖；

對所述車道線距離圖和所述車道線方向圖進(jìn)行閾值處理，獲取車道線候選點(diǎn)集。

5.根據(jù)權(quán)利要求4所述的一種自動駕駛場景下的實(shí)時車道線檢測方法，其特征在于，所述距離d(x,y)與方向θ(x,y)的計算式，具體包括：

其中，L和R分別表示左車道線和右車道線的點(diǎn)集，p表示距離點(diǎn)(x,y)最近的車道線上的點(diǎn)；

其中，p表示距離點(diǎn)(x,y)最近的車道線上的點(diǎn)，θ_p是車道線在點(diǎn)p處的方向。

6.根據(jù)權(quán)利要求5所述的一種自動駕駛場景下的實(shí)時車道線檢測方法，其特征在于，對所述車道線距離圖和所述車道線方向圖進(jìn)行閾值處理之前，還包括如下方法步驟：

對所述車道線距離圖和所述車道線方向圖進(jìn)行降噪處理，所述降噪處理為通過交叉熵?fù)p失函數(shù)對所述車道線距離圖和所述車道線方向圖進(jìn)行訓(xùn)練，其中，所述像素點(diǎn)(x,y)的損失函數(shù)計算式為

L(x,y)＝αL_dist(x,y)+βL_angle(x,y)

其中α和β是超參數(shù)，L_dist和L_angle分別表示所述車道線距離圖和所述車道線方向圖的損失函數(shù)，所述車道線距離圖的損失函數(shù)為平方差損失函數(shù)，所述車道線方向圖為絕對誤差損失函數(shù)。

7.一種自動駕駛場景下的實(shí)時車道線檢測裝置，其特征在于，包括：

圖像獲取模塊，用于獲取車輛實(shí)時采集圖像，所述實(shí)時采集圖像中包括車道線圖像信息；

特征提取模塊，用于通過將所述實(shí)時采集圖像輸入預(yù)訓(xùn)練的卷積神經(jīng)網(wǎng)絡(luò)模型，獲取車道線特征圖；

車道線候選集獲取模塊，用于根據(jù)車道線特征圖上每個像素點(diǎn)與所述車道線的位置關(guān)系，獲取車道線候選點(diǎn)集；

車道線擬合模塊，用于基于對所述車道線候選點(diǎn)集進(jìn)行多次采樣后，通過RANSAC算法將所述多次采樣結(jié)果進(jìn)行擬合，獲取車道線檢測結(jié)果。