CN111353446A - 一种车道线检测方法及系统 - Google Patents

一种车道线检测方法及系统 Download PDF

Info

Publication number
CN111353446A
CN111353446A CN202010146278.5A CN202010146278A CN111353446A CN 111353446 A CN111353446 A CN 111353446A CN 202010146278 A CN202010146278 A CN 202010146278A CN 111353446 A CN111353446 A CN 111353446A
Authority
CN
China
Prior art keywords
lane line
image
candidate
filtering
fitting
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202010146278.5A
Other languages
English (en)
Inventor
陈正斌
王水根
张光浩
崔东顺
黄广斌
徐正建
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangzhi Microcore Yangzhou Co ltd
Original Assignee
Guangzhi Microcore Yangzhou Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Guangzhi Microcore Yangzhou Co ltd filed Critical Guangzhi Microcore Yangzhou Co ltd
Priority to CN202010146278.5A priority Critical patent/CN111353446A/zh
Publication of CN111353446A publication Critical patent/CN111353446A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
    • G06V20/588—Recognition of the road, e.g. of lane markings; Recognition of the vehicle driving pattern in relation to the road
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computational Linguistics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Evolutionary Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及一种车道线检测方法及系统，属于汽车辅助驾驶技术领域。包括分割提取：采用轻量化网络模型对图像进行分割提取，得到候选车道线的提取图像；过滤：采用多特征融合方法对候选车道线提取图像进行干扰项的过滤，得到候选车道线的过滤图像；拟合：根据候选车道线过滤图像的特征点进行拟合，得到候选左车道线方程和右车道线方程；绘制：根据候选左车道线方程和右车道线方程绘制车道线图像。本发明通过轻量化网络模型以及多特征融合过滤方法提高了当前深度学习车道线检测算法的运行速度，同时保证车道线检测的准确性，以适应在车载设备上应用。

Description

一种车道线检测方法及系统
技术领域
本发明属于汽车辅助驾驶技术领域，涉及一种车道线检测方法及系统，适用于有限算力的车载设备。
背景技术
随着计算机视觉的不断发展，汽车辅助驾驶系统逐步成为研究热点之一。汽车辅助驾驶系统在环境感知方面主要使用摄像头、激光、雷达等传感器以及GPS定位导航系统进行切换和结合的方案。而车道线检测在汽车辅助驾驶系统中尤其重要，直接决定了预警系统的及时性和准确性。
近年来，较多的研究人员采用Hough变换、基于俯视图的边缘检测、基于车道线颜色特征的检测和深度学习等方法来识别车道线，但在实际使用的时候，它们都不同程度地受到了鲁棒性和抗干扰能力不足的限制。传统的Hough变换算法指的是通过识别图像中最符合车道特征的直线，从而对其进行标定。此算法的优点在于能够较好地检测出车道线的边界点，但也存在计算量大、检测精度不够高、多峰值检测、受噪声干扰严重等问题。而基于俯视图的边缘检测和基于颜色特征的检测算法指的是使用车道线与路面之间的梯度和车道线特有的颜色特征进行车道线的提取并检测，该算法的优点在于算法简单、运行速度快，但缺点也很明显，存在抗干扰能力不足和场景应用泛化性差的问题，故很难适用于自然条件下的复杂场景。深度学习的方法将获取的道路图像作为输入，检测到的车道线作为输出。该方法的优点在于检测准确率高、方法的泛化性强，能够适应各种条件下的车道线检测，但是该方法也存在一个严重的问题就是算法的运行速度慢，无法达到实时性的要求，因此很难在有限计算力的汽车设备上应用。
发明内容
本发明要解决的技术问题是现有的车道线检测算法运行速度慢且准确性低，为了改善其不足之处，本发明提供了一种运行速度快，同时保证车道线检测的准确性，以适应在车载设备上应用的车道线检测系统及其方法。
为达到上述目的，本发明是通过以下技术方案实现的：
一方面，本发明提供了一种车道线检测方法，包括以下步骤：
分割提取：采用轻量化网络模型对图像进行分割提取，得到候选车道线的提取图像；
过滤：采用多特征融合方法对候选车道线提取图像进行干扰项的过滤，得到候选车道线的过滤图像；
拟合：根据候选车道线过滤图像的特征点进行拟合，得到候选左车道线方程和右车道线方程；
绘制：根据候选左车道线方程和右车道线方程绘制车道线图像。
本发明的技术方案还包括：所述采用轻量化网络模型对图像进行分割提取包括，使用轻量化结构的编码器和缩减层数的模型对图像进行编码，编码后构建深度特征与跳层连接特征结合的反卷积结构进行解码。
本发明的技术方案还包括：所述采用轻量化网络模型对图像进行分割提取前进行相似度比较，所述相似度比较包括将当前图像与在先图像的相似度进行比较，当两者的相似度满足预设值时，当前图像直接沿用在先图像绘制的车道线图像；当两者的相似度不满足预设值时，当前图像进行分割提取、过滤、拟合和绘制当前图像的车道线图像。
本发明的技术方案还包括：所述根据候选车道线过滤图像的特征点进行拟合，得到候选左车道线方程和右车道线方程后，比较当前候选左车道线方程和右车道线方程的参数与在先候选左车道线方程和右车道线方程的参数是否满足预设阈值，如果满足预设阈值，使用当前候选左车道线方程和右车道线方程进行绘制；如果不满预设阈值，放弃拟合得到的当前候选左车道线方程和右车道线方程。
本发明的技术方案还包括：所述采用多特征融合方法对候选车道线提取图像进行干扰项的过滤包括，
采用目标约束的方法将提取图像中限定区域以外的部分过滤；
采用高斯滤波的方法对提取图像中的噪点进行过滤；
采用闭运算处理的方法，对提取图像中的块进行膨胀腐蚀，满足设定距离的块膨胀腐蚀后连接，不满足设定距离的块膨胀腐蚀后过滤；
采用连通域消除的方法，对连通域进行如下操作：将连通域面积小于面积额定值的连通域进行消除；和/或，将连通域面积与外界矩形的面积占比大于面积占比额定值的连通域进行消除；和/或，将连通域质心坐标不在限定区域之内的连通域进行消除；和/或，将连通域Y轴方向最大值对应的坐标不在额定区间内的连通域进行消除。
本发明的技术方案还包括：所述采用多特征融合方法对候选车道线提取图像进行干扰项的过滤包括，采用裁剪的方法，去除左车道线和右车道线相交的部分，或者，去除左车道线和右车道线的远端部分。
本发明的技术方案还包括：所述采用多特征融合方法对候选车道线提取图像进行干扰项的过滤包括，采用拟合的方法，根据连通域消除后剩余连通域的坐标获得左车道线坐标值和右车道线坐标值，根据左车道线坐标值和右车道线坐标值进行左车道线和右车道线拟合，得到左车道线方程和右车道线方程，过滤不符合设定参数条件的左车道线方程和右车道线方程。
本发明的技术方案还可包括：所述根据候选车道线过滤图像的特征点进行拟合，得到候选左车道线方程和右车道线方程后，过滤不符合设定参数条件的候选左车道线方程和右车道线方程。
另一方面，本发明还提供一种车道线检测系统，包括有分割提取模块、过滤模块、拟合模块以及绘制模块；
分割提取模块：用于图像的分割提取，获得候选车道线的提取图像，分割提取过程中使用的为轻量化网络模型；
过滤模块：用于对候选车道线的提取图像进行过滤处理，去除候选车道线提取图像中的干扰项，获得候选车道线的过滤图像，过滤过程中使用的为多特征融合候选车道线过滤结构；
拟合模块：用于对候选车道线过滤图像的特征点进行拟合，获得候选左车道线方程和右车道线方程；
绘制模块：用于根据候选左车道线方程和右车道线方程进行车道线的绘制，获得检测出的车道线图像。
本发明的技术方案还包括：还包括有跟踪模块，用于比较当前图像与在先图像的相似度，当两者的相似度满足预设值时，当前图像直接沿用在先图像绘制得到车道线图像；当两者的相似度不满足预设值时，当前图像经分割提取模块、过滤模块、拟合模块以及绘制模块，得到当前图像的车道线图像。
与现有技术相比，本发明的有益效果是：通过轻量化网络模型以及多特征融合过滤方法提高了当前深度学习车道线检测算法的运行速度，同时保证复杂场景的自然条件下车道线检测的准确性，以适应在车载设备上应用。
另一方面，本发明对图像进行跟踪，对于非首张图像首先判断其与在先图像的相似度，若满足预设值可直接沿用在先图像的绘制车道线，节省了相似场景图像的重复计算，可提高整体的运算速度。
再一方面，本发明对图像进行校核，在对图像进行拟合处理后，将其与在先图像进行比较，若满足预设阈值，则认为当前图像的拟合处理正确使用其绘制车道线，如果不满足预设阈值，则认为当前图像的拟合处理有误将其放弃。以此来提高检测车道线的连续性，避免出现车道线抖动。
附图说明
图1为本发明车道线检测方法的流程示意图。
图2a是本发明实施例中获得原图像的示意图，图2b是对图2a做分割提取后的示意图，图2c是对图2b做过滤后的示意图。
图3是本发明实施例中目标约束的示意图。
图4为本发明中车道线检测跟踪的流程示意图。
图5为本发明车道线检测系统的模块示意图。
具体实施方式
下面结合附图及实施例对本申请所述的技术方案作进一步地描述说明。
本发明的车道线检测方法及系统，主要用于有限计算力的车载设备，能提供较快的运行速度，进而在有限计算力的车载设备达到实时性的要求，且同时可保证在复杂场景的自然条件下检测车道线的准确性，以此为汽车辅助驾驶系统作出及时、准确的预警提供了支撑。
本发明的车道线检测方法，对获得的图像先使用深度学习进行分割提取，之后再进行传统图像的过滤拟合，最后绘制出图像中检测的车道线。
如图1所示，首先采用轻量化网络模型对图像进行分割提取，得到候选车道线的提取图像。其中，图像可由汽车辅助驾驶系统提供，可以是来自视频数据中的一帧或者单独的照片，本发明的实施例中以从单目视觉采集的视频数据读入的一帧图像为例进行说明。为便于与后续处理步骤得到的图像相区分，此处的图像指原图像。
本发明实施例中获得的原图像如图2a所示，将该原图像输入至轻量化网络模型中做分割提取后，可得如图2b所示的候选车道线的提取图像。本发明的轻量化网络模型是一种简化式的深度学习网络模型，与现有的网络模型相比，仅对原图像做分割提取候选车道线，避免了现有网络模型对图像做不同车道线区分，以及各数据合并和需要使用聚类方法对不同车道线的特征点做聚类等，并因使用维度聚类的方法需要不断的进行收敛迭代，所造成的现有网络模型计算速度慢，难以满足车载设备实时性要求的问题。
本发明的轻量化网络模型包括编码和解码阶段，且为了更进一步地提高计算力，提升运算速度和实时性，编码时使用较少模型层数，选用更轻量化的编码器，如ResNet结构的编码器，对应地解码也做相应调整，构建深度特征+跳层连接特征结合的反卷积结构。
由于原图像存在各种干扰，因此使用轻量化网络模型做原图像的分割提取时会存在分割错误或噪声干扰的情况，如图2b所示，若直接以该图像做车道线拟合会出现较大偏差，因此在得到车道线的提取图像后，采用多特征融合方法对其进行干扰过滤，得到候选车道线的过滤图像，如图2c所示。
本发明的多特征融合方法主要包括目标约束、高斯滤波、闭运算、连通域消除等对提取图像中的干扰项进行过滤。
本发明的目标约束通过建立目标约束模型实现，以此仅保留模型内的图像部分，即当前车道部分，而将模型外的图像部分去除。因此，采用目标约束对图像进行处理，可直接去除与当前车道无关的图像，仅保留当前车道部分的图像做后续的过滤，能够减少后续过滤的计算量，提高整体的处理速度。本发明的实施例中，目标约束模型是在统计车载摄像头采集数据集的车道线位置后得出，以图3作为目标约束限定区域的说明示例，该原图并非对目标约束处理步骤的场景限制，可在分割提取后的二值图中进行，图中带有白色边框的区域为限定区域，框内部分是目标约束后保留的图像，框外部分是目标约束需要去除的。具体地，可将框外部分的像素值置0实现去除，保留框内部分的像素值不变。在对限定区域的确定时，主要考虑将车道线包含在限定区域内即可，即重点关注该限定区域的宽度是否能包含车道线，至于限定区域的长度可根据需要自行设定。作为示例，该限定区域在256×512大小图像中，车道线近端宽度坐标的变化范围在196像素至462像素之间，其中近端和远端如图3所示。
高斯滤波方法可将图像中的细小噪声点去除，具体实施例中，高斯滤波采用7*7像素的过滤核，当然此处过滤核的大小定义可根据需要来自行设置，本发明在此不做限制。去除方式可以是将满足高斯滤波过滤条件的像素值置0，以图2b、2c所示的二值图为例，图中，像素值为0的表示背景部分，即黑色部分，像素值为1的表示候选车道线部分，即白色部分。
闭运算可以将图像中原本不连通的相邻的块通过膨胀腐蚀的方式将它们连通起来，这样可以解决因模型分割导致原本应该连通的一条车道线出现不连通的问题。其中，图像中的块可参考图2b中的白色块。具体地，可通过将距离较近的相邻的块之间的像素置为1，以此将原本不连通的相邻的块连接。同时，与其他块距离较远的块，由于无法与其他块连通，因此在膨胀腐蚀后消失达到过滤的目的。
在对图像进行闭运算处理后，进行连通域的消除。但是，目标约束和高斯滤波与闭运算处理的先后顺序不做限制，可根据需要调整。如图2b所示，连通域是指图中每个独立的白色块，可以采用以下方式的一种或多种组合进行过滤消除，例如，考虑到车道线通常在图像中连续较长，可根据连通域的面积大小来判断，将连通域面积小于面积额定值的消除。考虑到车道线在图像中呈倾斜的细长条，可根据连通域与外界矩形面积的占比来判断，将连通域面积与外界矩形的面积占比大于面积占比额定值的消除。其中，外界矩形是指将车道线完整包含在内的最小矩形，由此倾斜度不符合、以及连通域形状，如呈现圆点或波折线的连通域可过滤消除。将连通域质心坐标不在限定区域之内的连通域去除，以过滤图像中其它相邻车道线，仅保留车辆行驶的当前车道线。将连通域Y轴方向最大值对应的坐标，即连通域的最近端坐标值，不在额定区间内的连通域消除，以过滤车道线之间可能存在的斑马线等。具体的连通域去除方式可为将相应的连通域像素值置0。
本发明的实施例中，为了避免图像中左、右车道线在远端汇聚相交对后续拟合造成的不利影响，可使用裁剪的方法对车道线进行分割。具体地可统一对所有图像都进行裁剪处理，即将图像远端设定大小的车道线去除；也可以仅在左、右车道线出现相交连通时，仅对相交部分做裁剪处理。
本发明的实施例中，根据图像中剩余连通域的坐标来获得左右两侧车道线的坐标值，并分别对左车道线和右车道线做拟合，得到左车道线方程和右车道线方程。具体地，采用多项式拟合的方法进行。由于单侧车道线的方程斜率变化范围一定，所以，可根据两侧车道线方程的斜率是否满足阈值要求将不符合项过滤去除。具体过滤去除方式类似上述步骤，将车道线像素值置0。
本发明的实施例中，图2b的图像经多特征融合方法做干扰过滤，得到的候选车道线的过滤图像如图2c所示。之后对候选车道线的过滤图像做拟合，拟合后绘制检测出的车道线图像。
具体地拟合过程为，根据过滤处理后的候选车道线的过滤图像，得到左右车道线的特征点集合，之后根据特征点集合分别进行左车道线和右车道线的拟合，具体可采用多项式拟合的方法，得到左车道线方程和右车道线方程。为了提高检测车道线的准确性，对拟合得到的左、右车道线方程进行参数条件的判断，具体地，考虑到两侧车道线之间的相互影响，可使用斜率和偏移量进行限制。
具体绘制时，根据得到的车道线拟合后的方程，以Y轴作为变量输入，得到X轴的输出，作为车道线绘制的坐标点，以该点为中心绘制圆点，将得到的圆点连成曲线，即为绘制后的车道线。
如图4所示，本发明的实施例中，为了提高图像整体的车道线检测速度，对非首张图像进行跟踪处理。具体地，在进行图像的车道线检测时，首先判断图像是否是第一张图像，若是，则直接进行上述的分割提取、过滤和拟合绘制；如果不是第一张图像，则先进行相似度判断。该相似度判断是指将当前图像与其在先图像进行相似度的比较，如果两者的相似度满足设定值的要求，则当前图像直接沿用在先图像的拟合结果进行绘制，由此可避免对相似图像做重复计算，可减少整体的计算量，提高运算速度和实时性。本发明的实施例中，为避免首张图像处理失误对后续跟踪的不利影响，可在设定时间或者设定图像张数后，重新定义首张图像做车道线检测。
本发明的实施例中，相似度判断是对当前图像和其在先图像的场景进行判断，具体采用结构相似方法进行判断，比较内容有当前图像亮度与其在先图像亮度的比较、当前图像对比度与其在先图像对比度的比较以及当前图像结构与其在先图像结构的对比，当两者的相似度满足70％时，可认为两者相似。具体地，该相似度的满足值可根据需要自行调整，以及，对两图像进行相似度判断的方法也可根据需要做选择，例如可使用帧差法，本发明在此仅做示例，不做限制。
如果对非首张图像做相似度判断后，与其在先图像的相似度不满足设定值的要求，则参照首张图像的处理方式，先后做分割提取、过滤和拟合绘制的处理，在此不再赘述。
本发明的实施例中，考虑到实际车道线的连续性，拟合车道线变化不能过大，否则容易出现绘制车道线抖动的情况，因此，还需要判断拟合后前后图像是否满足设定要求。具体地，判断拟合的当前图像与其在先图像的多项式参数是否满足要求，如果两者间的参数满足设定阈值，例如两者间的斜率绝对差不超过0.2，则可认为当前图像的处理正确，采用其拟合后的车道线进行绘制；如果两者间的参数不满足设定阈值，则可认为当前图像的处理有误，应放弃当前图像的处理结果。具体地，该当前图像可做丢弃处理，或者使用其在先图像的处理结果进行绘制。
如图5所示，本发明还提供了一种车道线检测系统，包括有分割提取模块、过滤模块、拟合模块以及绘制模块。
其中，分割提取模块用于对图像进行分割提取，得到候选车道线的提取图像。具体使用轻量化网络模型做分割提取，该轻量化网络模型包括编码和解码阶段，编码时使用较少模型层数，选用更轻量化的编码器，如ResNet结构的编码器，对应地解码也做相应调整，构建深度特征+跳层连接特征结合的反卷积结构。由此可进一步提高计算力，提升运算速度和实时性。
过滤模块用于对候选车道线的提取图像进行干扰项的过滤，获得候选车道线的过滤图像。具体使用多特征融合候选车道线结构进行过滤，该多特征融合候选车道线结构包括目标约束、高斯滤波、闭运算和连通域消除，此外，也可包括裁剪和拟合，以提高车道线检测的准确性。
拟合模块用于对候选车道线的过滤图像的特征点进行拟合，获得候选左车道线方程和右车道线方程。之后，绘制模块根据候选左车道线方程和右车道线方程进行车道线的绘制，得到最终检测出的车道线图像。
本发明的实施例中，还设置有跟踪模块，用于比较当前图像与在先图像的相似度，当两者的相似度满足预设值时，当前图像直接沿用在先图像绘制得到车道线图像；当两者的相似度不满足预设值时，当前图像经提取模块、过滤模块、拟合模块以及绘制模块，得到当前图像的车道线图像。由此节省了相似场景图像的重复计算，可提高整体的运算速度。
本发明的实施例中，还设置有校核模块，用于比较拟合得到的当前候选左车道线方程和右车道线方程的参数与在先候选左车道线方程和右车道线方程的参数是否满足预设阈值，如果满足预设阈值，使用当前候选左车道线方程和右车道线方程进行当前图像的车道线绘制；如果不满预设阈值，放弃拟合得到的当前候选左车道线方程和右车道线方程。以此来提高检测车道线的连续性，避免出现车道线抖动。
本发明并不局限于上述实施例，在本发明公开的技术方案的基础上，本领域的技术人员根据所公开的技术内容，不需要创造性的劳动就可以对其中的一些技术特征作出一些替换和变形，这些替换和变形均在本发明的保护范围内。

Claims (10)

1.一种车道线检测方法，其特征在于，包括以下步骤：
分割提取：采用轻量化网络模型对图像进行分割提取，得到候选车道线的提取图像；
过滤：采用多特征融合方法对候选车道线提取图像进行干扰项的过滤，得到候选车道线的过滤图像；
拟合：根据候选车道线过滤图像的特征点进行拟合，得到候选左车道线方程和右车道线方程；
绘制：根据候选左车道线方程和右车道线方程绘制车道线图像。
2.根据权利要求1所述的一种车道线检测方法，其特征在于：所述采用轻量化网络模型对图像进行分割提取包括，使用轻量化结构的编码器和缩减层数的模型对图像进行编码，编码后构建深度特征与跳层连接特征结合的反卷积结构进行解码。
3.根据权利要求1所述的一种车道线检测方法，其特征在于：所述采用轻量化网络模型对图像进行分割提取前进行相似度比较，所述相似度比较包括将当前图像与在先图像的相似度进行比较，当两者的相似度满足预设值时，当前图像直接沿用在先图像绘制的车道线图像；当两者的相似度不满足预设值时，当前图像进行分割提取、过滤、拟合和绘制当前图像的车道线图像。
4.根据权利要求1所述的一种车道线检测方法，其特征在于：所述根据候选车道线过滤图像的特征点进行拟合，得到候选左车道线方程和右车道线方程后，比较当前候选左车道线方程和右车道线方程的参数与在先候选左车道线方程和右车道线方程的参数是否满足预设阈值，如果满足预设阈值，使用当前候选左车道线方程和右车道线方程进行绘制；如果不满预设阈值，放弃拟合得到的当前候选左车道线方程和右车道线方程。
5.根据权利要求1所述的一种车道线检测方法，其特征在于：所述采用多特征融合方法对候选车道线提取图像进行干扰项的过滤包括，
采用目标约束的方法将提取图像中限定区域以外的部分过滤；
采用高斯滤波的方法对提取图像中的噪点进行过滤；
采用闭运算处理的方法，对提取图像中的块进行膨胀腐蚀，满足设定距离的块膨胀腐蚀后连接，不满足设定距离的块膨胀腐蚀后过滤；
采用连通域消除的方法，对连通域进行如下操作：将连通域面积小于面积额定值的连通域进行消除；和/或，将连通域面积与外界矩形的面积占比大于面积占比额定值的连通域进行消除；和/或，将连通域质心坐标不在限定区域之内的连通域进行消除；和/或，将连通域Y轴方向最大值对应的坐标不在额定区间内的连通域进行消除。
6.根据权利要求5所述的一种车道线检测方法，其特征在于：所述采用多特征融合方法对候选车道线提取图像进行干扰项的过滤包括，采用裁剪的方法，去除左车道线和右车道线相交的部分，或者，去除左车道线和右车道线的远端部分。
7.根据权利要求5或6所述的一种车道线检测方法，其特征在于：所述采用多特征融合方法对候选车道线提取图像进行干扰项的过滤包括，采用拟合的方法，根据连通域消除后剩余连通域的坐标获得左车道线坐标值和右车道线坐标值，根据左车道线坐标值和右车道线坐标值进行左车道线和右车道线拟合，得到左车道线方程和右车道线方程，过滤不符合设定参数条件的左车道线方程和右车道线方程。
8.根据权利要求1所述的一种车道线检测方法，其特征在于：所述根据候选车道线过滤图像的特征点进行拟合，得到候选左车道线方程和右车道线方程后，过滤不符合设定参数条件的候选左车道线方程和右车道线方程。
9.一种车道线检测系统，其特征在于：包括有分割提取模块、过滤模块、拟合模块以及绘制模块；
分割提取模块：用于图像的分割提取，获得候选车道线的提取图像，分割提取过程中使用的为轻量化网络模型；
过滤模块：用于对候选车道线的提取图像进行过滤处理，去除候选车道线提取图像中的干扰项，获得候选车道线的过滤图像，过滤过程中使用的为多特征融合候选车道线过滤结构；
拟合模块：用于对候选车道线过滤图像的特征点进行拟合，获得候选左车道线方程和右车道线方程；
绘制模块：用于根据候选左车道线方程和右车道线方程进行车道线的绘制，获得检测出的车道线图像。
10.根据权利要求9所述的一种车道线检测系统，其特征在于：还包括有跟踪模块，用于比较当前图像与在先图像的相似度，当两者的相似度满足预设值时，当前图像直接沿用在先图像绘制得到车道线图像；当两者的相似度不满足预设值时，当前图像经分割提取模块、过滤模块、拟合模块以及绘制模块，得到当前图像的车道线图像。
CN202010146278.5A 2020-03-05 2020-03-05 一种车道线检测方法及系统 Pending CN111353446A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010146278.5A CN111353446A (zh) 2020-03-05 2020-03-05 一种车道线检测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010146278.5A CN111353446A (zh) 2020-03-05 2020-03-05 一种车道线检测方法及系统

Publications (1)

Publication Number Publication Date
CN111353446A true CN111353446A (zh) 2020-06-30

Family

ID=71196015

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010146278.5A Pending CN111353446A (zh) 2020-03-05 2020-03-05 一种车道线检测方法及系统

Country Status (1)

Country Link
CN (1) CN111353446A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112597846A (zh) * 2020-12-14 2021-04-02 合肥英睿系统技术有限公司 车道线检测方法、装置、计算机设备和存储介质
CN113780132A (zh) * 2021-08-31 2021-12-10 武汉理工大学 一种基于卷积神经网络的车道线检测方法
CN113920319A (zh) * 2021-12-15 2022-01-11 深圳佑驾创新科技有限公司 一种车道干扰噪声线的滤除方法及装置
CN115240435A (zh) * 2022-09-21 2022-10-25 广州市德赛西威智慧交通技术有限公司 一种基于ai技术的车辆违章行驶检测方法、装置
CN115272182A (zh) * 2022-06-23 2022-11-01 禾多科技（北京）有限公司 车道线检测方法、装置、电子设备和计算机可读介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103927526A (zh) * 2014-04-30 2014-07-16 长安大学 一种基于高斯差分多尺度边缘融合的车辆检测方法
CN105678299A (zh) * 2016-02-29 2016-06-15 江文得 一种车牌定位方法
CN106529488A (zh) * 2016-11-18 2017-03-22 北京联合大学 一种基于orb特征提取的车道线检测方法
CN109583293A (zh) * 2018-10-12 2019-04-05 复旦大学 星载sar图像中的飞机目标检测与鉴别方法
CN110705342A (zh) * 2019-08-20 2020-01-17 上海阅面网络科技有限公司 一种车道线分割检测方法及装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103927526A (zh) * 2014-04-30 2014-07-16 长安大学 一种基于高斯差分多尺度边缘融合的车辆检测方法
CN105678299A (zh) * 2016-02-29 2016-06-15 江文得 一种车牌定位方法
CN106529488A (zh) * 2016-11-18 2017-03-22 北京联合大学 一种基于orb特征提取的车道线检测方法
CN109583293A (zh) * 2018-10-12 2019-04-05 复旦大学 星载sar图像中的飞机目标检测与鉴别方法
CN110705342A (zh) * 2019-08-20 2020-01-17 上海阅面网络科技有限公司 一种车道线分割检测方法及装置

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112597846A (zh) * 2020-12-14 2021-04-02 合肥英睿系统技术有限公司 车道线检测方法、装置、计算机设备和存储介质
CN112597846B (zh) * 2020-12-14 2022-11-11 合肥英睿系统技术有限公司 车道线检测方法、装置、计算机设备和存储介质
CN113780132A (zh) * 2021-08-31 2021-12-10 武汉理工大学 一种基于卷积神经网络的车道线检测方法
CN113780132B (zh) * 2021-08-31 2023-11-24 武汉理工大学 一种基于卷积神经网络的车道线检测方法
CN113920319A (zh) * 2021-12-15 2022-01-11 深圳佑驾创新科技有限公司 一种车道干扰噪声线的滤除方法及装置
CN115272182A (zh) * 2022-06-23 2022-11-01 禾多科技（北京）有限公司 车道线检测方法、装置、电子设备和计算机可读介质
CN115240435A (zh) * 2022-09-21 2022-10-25 广州市德赛西威智慧交通技术有限公司 一种基于ai技术的车辆违章行驶检测方法、装置

Similar Documents

Publication Publication Date Title
CN111353446A (zh) 一种车道线检测方法及系统
CN106971155B (zh) 一种基于高度信息的无人车车道场景分割方法
CN105550665B (zh) 一种基于双目视觉的无人驾驶汽车可通区域检测方法
CN103927526B (zh) 一种基于高斯差分多尺度边缘融合的车辆检测方法
CN111563412B (zh) 一种基于参数空间投票和贝塞尔拟合的快速车道线检测方法
CN112767326B (zh) 钢轨表面缺陷检测方法、装置、设备及存储介质
CN110414385B (zh) 一种基于单应性变换和特征窗口的车道线检测方法及系统
CN110458050B (zh) 基于车载视频的车辆切入检测方法及装置
CN112528868B (zh) 一种基于改进Canny边缘检测算法的违章压线判别方法
CN112184725B (zh) 一种沥青路面图像的结构光光条中心提取方法
CN111488808A (zh) 基于交通违法图像数据的车道线检测方法
CN107220632B (zh) 一种基于法向特征的路面图像分割方法
CN111563457A (zh) 一种无人驾驶汽车的道路场景分割方法
CN111428538B (zh) 一种车道线提取方法、装置和设备
CN110008838B (zh) 基于改进拟合算法的车道线检测方法和系统
CN112069924A (zh) 车道线检测方法、装置及计算机可读存储介质
CN116721396A (zh) 车道线检测方法、设备及存储介质
CN113743226B (zh) 一种日间前车灯语识别及预警方法及系统
CN113378847B (zh) 字符分割方法、系统、计算机设备和存储介质
Chen et al. A new adaptive region of interest extraction method for two-lane detection
CN111428537B (zh) 一种道路导流带边缘提取方法、装置和设备
CN113449647A (zh) 弯曲车道线的拟合方法、系统、设备及计算机可读存储介质
CN113822149A (zh) 一种基于无人机视角的应急车道视觉检测方法和系统
CN113780189A (zh) 一种基于U-Net改进的车道线检测方法
CN113836978A (zh) 道路区域确定装置及方法、电子设备

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
CB03 Change of inventor or designer information
CB03 Change of inventor or designer information

Inventor after: Chen Zhengbin

Inventor after: Wang Shuigen

Inventor after: Zhang Guanghao

Inventor after: Cui Dongshun

Inventor after: Xu Zhengjian

Inventor before: Chen Zhengbin

Inventor before: Wang Shuigen

Inventor before: Zhang Guanghao

Inventor before: Cui Dongshun

Inventor before: Huang Guangbin

Inventor before: Xu Zhengjian