[发明专利]用于辅助驾驶的车道线检测方法

说明书

本发明公开了一种用于辅助驾驶的车道线检测方法，通过基于多任务卷积神经网络对图像样本训练，利用车辆与车道线的关联性来辅助车道线的识别，提高对实际行车环境复杂多变自动驾驶的检测安全性，降低硬件算力处理要求；本发明的车道线检测方法不仅使辅助驾驶更安全，还具有工作效率更高、识别精度更准、减少误判等优点。

技术领域

本发明涉及智能交通技术领域，具体涉及一种用于辅助驾驶的车道线检测方法。

背景技术

随着我国经济社会的快速发展，汽车保有量持续快速增长，交通安全问题也日益受到人们的重视，使车辆具备智能的环境感知能力和车道线检测技术可以大大提高车辆的安全性和舒适性。目前，基于模式识别和机器学习的相关算法和技术已经在车辆车道线检测中存在一定应用，但过去大多是基于传统的图像处理以及模式识别技术实现的。基本的步骤为：滑窗提取特征-分类器分类；在车辆检测领域几乎都遵循着人工手动特征算子结合分类器的模式，而在车道线检测上则是利用图像阈值化结合曲线拟合以及图像形态学的方法。传统算法的典型代表有Haar特征+Adaboost算法，Hog特征+SVM算法，2008年Felzenszwalb提出的DPM模型应该是在目标检测这块最好的人工特征方法。它对HOG特征进行改进，并提出了全局和局部两个模型，大幅提高人工特征在目标检测上的精度。DPM的方法存在的缺点是特征相对复杂，计算速度慢，对于旋转、拉伸的物体检测效果不好。因为车载视频普遍分辨率比较大，且视角不固定，所以如果将DPM直接用来解决无人驾驶视频的目标检测问题，很可能无法保证实时性和模型的泛化性能。并且由于行车环境有着多变性和复杂性的特点，这些方法往往性能不佳，有着鲁棒性差和泛化性差的缺点并且在使用上存在局限性。所处理的结果缺乏良好的语义描述特性，不能为自动驾驶提供良好的决策依据。

近年来，深度学习的快速发展虽然为解决交通场景的检测难题提供了新思路，提出了可以利用深度学习来处理目标检测的问题，可将检测当作一个回归bounding box的问题来处理，优点是相比于用滑动窗口来提取特征的方式，这样的方法更高效，但是检测精度非常差，远远落后于人工特征的方法。