[发明专利]一种基于视觉系统的双车道线检测方法

说明书

本发明公开了一种基于视觉系统的双车道线检测方法，对于训练结构，将车道线的已标记关键点进行多点插值处理得到恰当密度的关键点数；对图片在三通道的基础上加入位置通道；对图片用7层3 x 3或1 x 1的卷积核和/或池化操作进行压缩和特征提取；对特征进行上采样和多尺度预测；通过卷积运算输出n x 1 x 1 x 2的张量特征；通过三次样条插值算法将点坐标拟合为两条曲线，得到双车道线。本发明图片的语义解析能力高，并且特征提取充分，结果准确度高。

技术领域

本发明涉及一种双车道线检测方法，特别是一种基于视觉系统的双车道线检测方法。

背景技术

目前现有的车道线检测方法采用的有基于特征提取的方法（Roberts算子,Sobel算子、Prewitt算子、Krisch边缘算子,高斯-拉普拉斯算子）和基于神经网络模型的方法（Baseline，ReNet，DenseCRF，MRFNet，ResNet-50，ResNet-101，SCNN）。其中基于特征提取的方法由于边缘连续性 ,边缘光滑性,边缘细化程度,边缘的定位，抗噪性等方面的天然劣势，尤其在抗噪性方面的巨大劣势制约着自动驾驶视觉系统的可靠性。而基于神经网络模型的方法虽然在一定程度上缓解了上述问题，但其方法大多是GPU级的，不能满足工程上的实时性，检测精度不够高，图片语义信息的解析能力较差。总的来说，现有车道线检测方法存在如下缺陷：

（1）检测准确度还有待提高：现有方法在检测车道线时，尤其在在包括交通拥挤，夜晚，车辆大转弯，车道线不连续，阴影较多，数据部分缺失等复杂场景下检测准确度会大幅降低。

（2）检测速度较低：现有方法检测速度大都在gpu级别，在自动驾驶领域，gpu级别的检测方法显然满足不了实时检测的要求，对于车道线检测的工程化要求至少要在CPU级别能够每秒检测多张图片，这样在出现特殊情况时车辆才能做出迅速反应。

（3）对图片语义信息的解析能力较差：基于特征提取的方法在抗噪性等方面有着天然劣势。基于神经网络模型的方法虽然在一定程度上缓解了上述问题，但在无人驾驶领域，我们认为车辆只需要关注车辆左右的两条车道即可，对于其他车道的过分关注增加了车辆需要处理的信息，占用了较多计算资源。现有方法由于对图片语义信息的解析能力较差而更多的通过图片外部特征处理，得到除左右车道线外的其他无用车道线。

发明内容

本发明所要解决的技术问题是提供一种基于视觉系统的双车道线检测方法，提高语义解析能力。

为解决上述技术问题，本发明所采用的技术方案是：

一种基于视觉系统的双车道线检测方法，其特征在于包含以下步骤：

步骤一：对于训练结构，将车道线的已标记关键点进行多点插值处理得到恰当密度的关键点数；

步骤二：对图片通道进行处理，在三通道的基础上加入位置通道变为四通道，位置通道内的元素数值即为图像对应的像素点位置除以像素总数；

步骤三：对图片用7层3 x 3或1 x 1的卷积核和/或池化操作进行压缩和特征提取，图片通过卷积运算后输出的张量即为提取出的特征；

步骤四：对特征进行上采样和多尺度预测；

步骤五：通过卷积运算输出 n x 1 x 1 x 2的张量特征，所得到n个点即为左右车道线的部分点坐标；

步骤六：通过三次样条插值算法将点坐标拟合为两条曲线，得到双车道线。

进一步地，所述步骤二具体为，在原图片的三色通道的基础上加入位置通道。

进一步地，所述步骤四中采用双线性插值算法对特征进行上采样。

进一步地，所述步骤四中多尺度预测对第八层和第十四层同时进行预测。