[发明专利]一种基于级联卷积神经网络的道线检测方法

说明书

本发明公开了一种基于级联卷积神经网络的道线检测方法，涉及图像处理领域。本发明以级联卷积神经网络检测道线标记块，然后将由级联卷积神经网络检测所得的所有道线标记块的中心位置坐标和所属类别标号通过Hough变换算法确定道线。相对于现有技术中以边缘点检测为算法基础的道线检测，本发明能够更好地区分干扰物与真实道线的边缘点，防止非道线对象引入的虚假信息影响道线检测的准确度和可靠性，降低ADAS系统在道线检测中的计算代价。

技术领域

本发明涉及图像处理领域，特别涉及一种基于级联卷积神经网络的道线检测方法。

背景技术

随着传感器技术和电子技术的发展，先进驾驶辅助系统(ADAS)成为汽车工业发展的一个重要方向。在ADAS系统中，道线检测是车道偏离预警、智能巡航控制、前车防撞预警等应用的重要基础。

除了道线标记之外，ADAS系统的摄像机所观察的视域中经常出现各式车辆、车辆投射的阴影、车道分隔护栏、路旁的绿化等物体。目前已有的道线检测方法以边缘点检测为算法基础，通常不加区分地将车辆、路旁植物的边缘点与真实道线的边缘点一起输入到Hough变换的投票模块，非道线对象引入的虚假信息不仅影响道线检测的准确度和可靠性，而且会增加ADAS系统花费在道线检测中的计算代价。本发明实施例假设道线在图像的局部区域具有相近的宽度，并且沿着道线伸展方向能分割成若干个道线标记块，这些标记块的中间区域包含了道线的标记部分，两侧包含了背景部分。本发明实施例以级联卷积神经网络检测图像中的道线标记块，由这些标记块确定道线。

发明内容

本发明实施例提供一种基于级联卷积神经网络的道线检测方法，所提供的技术以车载摄像机采集的图像序列为输入，以级联卷积神经网络检测道线标记块，以Hough投票的方式确定道线在图像中的位置。

一种基于级联卷积神经网络的道线检测方法，级联卷积神经网络包括第一级卷积神经网络和第二级卷积神经网络，该方法包括：

步骤一:以预设的水平和垂直方向的步长扫描待检测图像，在每个扫描位置以多个尺度提取图像块，对所提取的图像块作缩放处理，使其具有与第一级卷积神经网络输入层相同的尺寸，将缩放后的图像块输入到第一级卷积神经网络，由第一级卷积神经网络的输出层得到图像块所属类别的标号和相应的概率；本步骤中图像块所属类别分成道线标记块和非道线标记块两类；

步骤二:被第一级卷积神经网络判定包含道线标记的扫描位置，以多个偏移和尺度提取图像块，对所提取的图像块作缩放处理，使其具有与第二级卷积神经网络输入层相同的尺寸，将缩放后的图像块输入到第二级卷积神经网络，由第二级卷积神经网络的输出层得到图像块所属的类别标号以及概率；本步骤中图像块所属类别分成包含道线标记的图像块和不包含道线标记的图像块，且包含道线标记的图像块还分为多个类别，每个类别代表道线在图像块中的不同方向；

步骤三:若在扫描位置(x,y)，对所有的偏移和尺度所提取的图像块，第二级卷积神经网络的输出层都标记为不包含道线标记的图像块，则在后续的Hough变换过程中忽略该扫描位置；若只有一个图像块被判定为道线标记块，则计算该块的中心位置坐标，记录输出的类别标号，用于后续的投票过程；若有多个图像块被判定为道线标记块，则取具有最大概率值的块，计算该块的中心位置坐标，记录输出的类别标号；

步骤四:由级联卷积神经网络检测所得的所有道线标记块以Hough变换算法确定道线。

上述技术方案中的各步骤，可采用如下具体方式实现。

步骤一中，若对所有的尺度，在扫描位置(x,y)所提取的图像块都被判定为非道线标记块，则后续的处理过程将忽略该扫描位置；若有一个或多于一个尺度的图像块被第一级卷积神经网络判定为道线标记块，则记录具有最高概率值的图像块所对应的尺度为s_1m，然后进行步骤二。