[發明專利]一種自動駕駛場景下的實時車道線檢測方法及裝置

在審

• 申請號: 202310418977.4
• 申請日: 2023-04-18
• 公開（公告）號: CN116486355A
• 公開（公告）日: 2023-07-25
• 發明（設計）人: 黃莉;冉光偉;劉棨;舒選才;周健珊;鄧晨
• 申請（專利權）人: 星河智聯汽車科技有限公司
• 主分類號: G06V20/56
• 分類號: G06V20/56;G06V10/82;G06V10/40;G06V10/774
• 代理公司: 廣州三環專利商標代理有限公司 44202
• 代理人: 廖慧琪

本申請實施例提供了一種自動駕駛場景下的實時車道線檢測方法及裝置、電子設備，通過卷積神經網絡對自動行駛場景下獲取的車道圖像進行特征提取獲取車道線候選點集，并以此作為先驗點集，使得在無需進行復雜的特征工程和非極大值抑制等操作的同時，簡化了后續擬合步驟中的計算量；再通過RANSAC算法對上述先驗點集進行擬合，提升了算法模型的抗干擾性，同時通過多次采樣進行擬合選取最優模型，避免局部陷入最優解，實現了檢測精度的提升，滿足了對實時行駛過程中對車道線的快速且準確的識別要求。

技術領域

本申請實施例涉及車輛技術領域，特別是涉及一種自動駕駛場景下的實時車道線檢測方法及裝置、電子設備。

背景技術

隨著自動駕駛技術的發展，車道線檢測已經成為了自動駕駛技術中的重要問題之一。車道線檢測可以幫助自動駕駛汽車確定車輛行駛的方向和車道寬度等信息，是自動駕駛技術中的核心問題之一。目前，車道線檢測技術主要分為基于傳統計算機視覺方法和基于深度學習方法兩種。

傳統計算機視覺方法主要使用邊緣檢測、霍夫變換等技術進行車道線檢測，但這種方法需要進行復雜的特征工程和非極大值抑制等操作，因而在車道線檢測方面存在準確率低、計算量大的問題，無法滿足實時性的要求。

基于深度學習方法主要使用卷積神經網絡(CNN)等技術進行車道線檢測，能夠自動學習特征，但其檢測模型需要大量的訓練數據和計算資源。

同時，以上兩種現有方法都對噪聲和光照變化等干擾敏感，需要進行復雜的預處理和濾波操作，這增加了算法的復雜度和計算量，容易出現過擬合和欠擬合等問題。

發明內容

本發明提供了一種自動駕駛場景下的實時車道線檢測方法及裝置、電子設備，先通過卷積神經網絡獲取車道線候選點集，再對候選點集內的點進行多次采樣通過RANSAC算法進行擬合獲取車道線檢測結果，從而實現檢測速度、檢測精度以及抗干擾能力的提升。

第一方面，本發明提供了一種自動駕駛場景下的實時車道線檢測方法，包括如下步驟：

獲取車輛實時采集圖像，所述實時采集圖像中包括車道線圖像信息；

通過將所述實時采集圖像輸入預訓練的卷積神經網絡模型，獲取車道線特征圖；

根據車道線特征圖上每個像素點與所述車道線的位置關系，獲取車道線候選點集；

基于對所述車道線候選點集進行多次采樣后，通過RANSAC算法將所述多次采樣結果進行擬合，獲取車道線檢測結果。

進一步地，通過RANSAC算法將所述多次采樣結果進行擬合，具體包括如下方法步驟：

預設定內點數閾值和距離閾值；

執行迭代流程，所述迭代流程為通過對所述車道候選點集的中的n個點進行隨機采樣并進行擬合，獲取模型參數，再計算所述車道候選點集中的所有點到所述模型參數的距離，確定小于所述距離閾值的點為內點；

重復執行所述迭代流程，若當前迭代的內點數大于所述內點數閾值，則終止執行所述迭代流程，并確認當前所述模型參數為最終模型參數。

進一步地，通過RANSAC算法將所述多次采樣結果進行擬合，還包括如下方法步驟：

預設定迭代次數；

重復執行所述預設定次數的所述迭代流程，若當前所述迭代流程中的所述內點數量大于前一次所述迭代流程中的所述內點數量，則確認當前迭代迭代流程中的模型參數為最優模型參數；

確認所述最優模型參數為所述最終模型參數。

進一步地，根據車道線特征圖上每個像素點與所述車道線的位置關系，獲取車道線候選點集，具體包括如下方法步驟：

獲取所述車道線特征圖像素點坐標(x,y)；