[发明专利]基于TensorFlow和OpenCV的车道线识别方法

权利要求书

1.基于TensorFlow和OpenCV的车道线识别方法，其特征在于，包括如下：

步骤1.图像数据集的制作：制作图像数据集的原始图像数据来源于车前CCD相机采集到的彩色道路图像，利用这些图像生成用于神经网络训练的图像数据集；

步骤2.神经网络模型的设计：采用卷积神经网络模型；

所述卷积神经网络模型包含8层，分别为卷积层1、卷积层2、卷积层3、最大池化层、反最大池化层、反卷积层3、反卷积层2、反卷积层1；所述卷积层1的过滤器尺寸为2×2，过滤器深度为32，过滤器移动步长为1×1；所述卷积层2的过滤器尺寸为2×2，过滤器深度为64，过滤器移动步长为1×1；所述卷积层3的过滤器尺寸为3×3，过滤器深度为128，过滤器移动步长为1×1；所述最大池化层的过滤器尺寸为2×2，过滤器移动步长为2×2，使用全零填充；所述反最大池化层的过滤器尺寸为2×2，过滤器移动步长为2×2，使用全零填充；所述反卷积层3的过滤器尺寸为3×3，过滤器深度为64，过滤器移动步长为1×1；所述反卷积层2的过滤器尺寸为2×2，过滤器深度为32，过滤器移动步长为1×1；所述反卷积层1的过滤器尺寸为2×2，过滤器深度为1，过滤器移动步长为1×1；

其中，所述反卷积层3的输入等于卷积层3的输出与反最大池化层的输出的线性加权和；

步骤3.可变阈值的图像二值化：将所述卷积神经网络模型输出的具有车道线特征的图像进行二值化处理；

步骤4，提取车道线坐标点：利用OpenCV建立提取车道线坐标点算法，从经过二值化处理后的道路图像中提取出车道线坐标点；

步骤5.建立车道线拟合方程：利用提取到的车道线坐标点建立车道线拟合方程并求解该方程得到车道线识别结果。

2.根据权利要求1所述的基于TensorFlow和OpenCV的车道线识别方法，其特征在于，步骤1中，所述图像数据集的制作包括：图像标注、图像处理和生成图像数据集；

所述图像标注通过手工进行图像标注，利用LabelMe标注软件将道路原始图像中的车道线区域框选出来，输出的标注图像为二值图像；

所述图像处理是将标注图像和原始图像分别经过处理后生成神经网络模型训练所需要的两种图像，包括训练时的神经网络输入图像和计算交叉熵时的输入图像；具体地：所述图像处理用于处理所述图像标注的输出图像时包括图像裁剪、图像缩放和图像二值化过程，用于处理所述彩色道路图像时包括图像裁剪、图像缩放和图像灰度化过程；所述图像裁剪是从图像高度方向按照固定的大小将待处理图像中的非车道区域去除，图像的宽度则保持不变；所述图像缩放使用的是双线性插值法将所述图像裁剪后输出图像的大小缩放至固定的尺寸，图像缩放后其宽度和高度相等；所述图像二值化是将图像缩放后输出图像的像素值与阈值比较，并根据比较结果修改像素值，当图像的像素值小于阈值时，其将被设定为0，否则被设定为255；所述图像灰度化是将图像缩放后输出图像的颜色转换为灰度；

所述生成图像数据集是利用TensorFlow的图像数据集格式TFRecord，将图像处理中的两种图像打包成图像数据集。

3.根据权利要求2所述的基于TensorFlow和OpenCV的车道线识别方法，其特征在于，所述道路原始图像中的车道线区域包括车道虚线、车道实线、车道双虚线和车道双实线；

所述图像处理的输出图像包括对所述图像标注的输出图像经过预处理后的输出图像，和对所述彩色道路图像经过预处理后的输出图像。

4.根据权利要求1所述的基于TensorFlow和OpenCV的车道线识别方法，其特征在于，步骤3中，二值化处理：将待处理图像中的像素点的值与可变阈值比较，如果像素点值大于阈值，所述像素点值将设置为255，否则设置为0；所述可变阈值与待处理图像的像素点之和具有一次函数关系。