[发明专利]一种基于深度学习的车道线检测预警装置及预警方法

说明书

本发明涉及一种基于深度学习的车道线检测预警装置及预警方法。所述方法包括：获取车辆行驶方向原始车道图像，进行图像拼接和视角转换后生成完整前方车道图像，利用预先训练的深度学习模型，提取前方车道图像中各像素分类特征信息，根据各像素分类特征信息确定像素点属于车道线或者非车道线，根据车道偏离分析方法，分析获得的车道线信息，确定发送预警信息的强弱。本发明能够优化目前使用的车道线检测方法，解决目前普遍使用的车道线检测方法中采集图像的视角对于实际车道线检测影响以及可能需要计算的车道线曲率的问题，提高识别准确率和鲁棒性，提高驾驶安全程度。

技术领域

本发明属于汽车交通安全技术领域，具体涉及一种基于深度学习的车道线检测预警装置及预警方法，适用于复杂道路条件下的车道线检测预警。

背景技术

车道线检测预警是指通过车载传感器感知车道，判断车辆在车道线内的位置，分析车辆是否有偏离车道线的危险并发出偏离预警。现有技术中，车道线检测偏离预警系统一般是对摄像头实时采集图像信息进行处理，通过图像滤波技术提取车道线特征，利用Hough变换等方式获得车道线所在直线的参数值，再通过参数估计，估计出车道线参数，实现车道线检测。对于复杂道路条件下车道线检测的效果较差，并且一般车载相机采集图像的视角和驾驶员视角基本一致，并没有考虑实际情况下采集图像的视角对于实际车道线检测影响以及可能需要计算的车道线曲率的问题，当分析判断车道偏离后，并未考虑根据实际偏离程度调整生成预警信号的强弱。

深度学习是机器学习的一个分支，其目的在于建立、模拟人脑进行分析学习的神经网络，通过模拟人脑的机制解读数据，其本质在于通过将已提取的低层特征信息组合从而形成高层属性特征，以发现数据的分布式特征表示，目前深度学习广泛应用于文本、声音和图像的识别领域，尤其是图像识别方面，相比于传统图像识别主要基于物理特征的方法，具有准确率高，鲁棒性强等优点，能够实现智能化识别图像。

因此，如能研发出一种基于深度学习的车道线检测预警装置及预警方法是非常有必要的，尤其是智能驾驶领域，其具有广阔的应用前景和潜在的市场价值。

发明内容

本发明的目的就在于针对上述现有技术的不足，提供一种基于深度学习的车道线检测预警装置及预警方法。

本发明的目的是通过以下技术方案实现的：

一种基于深度学习的车道线检测预警装置，包括图像采集模块、像素辨识模块、车道线确定模块、车道偏离评估模块和预警系统；

所述预警系统，包括图像采集器、通信总线、处理器、存储器和预警端口；所述图像采集器对称安装在汽车车身的相机，用于采集原始路面车道图像；所述通信总线包含对应的通信端口，用于系统内部信息传输；所述处理器用于执行车道线检测预警方法，并将可执行指令发送给存储器存储；所述预警端口，用于分析判定需要生成预警信号时，预警信号能够通过预警端口传输至预警执行装置；

所述图像采集模块，用于获取图像采集器采集到的车辆行驶方向的原始图像，在图像拼接、视野变换后得到完整前方车道图像；所述像素辨识模块，与图像采集模块相耦合，根据处理后的前方车道图像中各像素点分类特征信息，获得所述像素点的概率分类，进行概率数值最大取值处理，辨识当前像素属于车道线或非车道线；所述车道线确定模块，与像素识别模块相耦合，用于根据上述的属于车道线的像素点位置信息，进行插值优化，补足可能缺失的构成车道线必要信息，得到所述前方车道图像中的车道线；所述车道偏离评估模块，与车道线确定模块相耦合，用于根据上述获得车道线信息，进行道偏离分析，确定生成偏离预警信号的强弱。

上述基于深度学习的车道线检测预警装置的预警方法，包括以下步骤：

A、利用对称安装在汽车车身的图像采集器采集得到沿汽车行驶方向的左右两张原始车道图像，进行图像拼接及鸟瞰视角变换后，得到前方车道图像，对前方车道图像进行去均值化处理；

B、基于预先训练的深度学习车道线识别模型，提取前方车道图像各像素点分类特征信息；