[发明专利]基于深度学习的车道区域识别的数据集标定方法

说明书

本发明提供一种基于深度学习的车道区域识别的数据集制作方法，解决当前应用于深度学习识别车道区域的神经网络模型缺少相关数据集训练学习的问题。其中方法包括：采集各种天气情况下的不同车道图片，并进行分类；设计识别车道区域的相关算法，识别出车道区域；其中识别车道区域时候，需要根据分类的车道图片情况，对算法做出相应调整，达到对每张车道图片能够识别到最佳效果，并对识别区域进行高亮显示；将识别好的图片中的高亮显示颜色通道区域截取出来形成一张相关映射图片，即作为原始车道图片的标签。

技术领域

本专利属于汽车自动驾驶感知技术领域，特别是涉及基于深度学习的车道识别区域的数据集标定方法。

背景技术

毫无疑问自动驾驶将会极大地改变我们的生活方式。计算机视觉领域对于研发用于自动驾驶的前沿算法有着浓厚的兴趣。但为了设计和测试算法，一般需要通过真实的驾驶平台收集的数据来帮助进行研发。但多数平台的数据集，采集范围有限，数据集类型有限，一般只能当作算法的验证来使用。牵涉到将深度学习算法运用到实际环境识别过程中，深度学习的模型就会受训练数据集所影响，难以将算法有效的运用到实际环境中。这对算法的实际验证是一个非常大的限制。

发明内容

有鉴于此，本发明实施例提供一种基于深度学习的车道区域识别的数据集标定方法，其目的在于解决现在训练识别车道的神经网络模型缺少数据集所存在的局限性。

本发明解决以上存在的技术问题所采用的技术方案如下：采用基于深度学习的车道识别区域的数据集标定方法包括：录取行车时带有车道信息的视频；对车道区域进行识别检测；识别到的车道区域截取出来作为标签与原始图像进行匹配形成新的数据集。

可选地，所述录取行车时带有车道信息的视频包括，采用usb摄像头拍摄行车过程中的道路视频。并将录取的车道视频按照帧率截取成图片。按照直道，弯道，含有斑马线的直道，强光弱光等进行分类。

可选地，所述采用对车道区域进行识别检测方法包括：采用一组棋盘格图片计算相机校准矩阵和失真系数,通过两组系数对图片进行畸变校正；截取感兴趣区域，仅对包含车道线信息的图像区域进行处理使用透视变换，将感兴趣区域图片转换成鸟瞰图；用梯度阈值和颜色阈值方法将鸟瞰图中的车道线清晰捕捉到，并生成二进制图片；将二进制鸟瞰图检测到的车道线通过逆变矩阵镶嵌到原始图上，并采用绿色通道高亮识别到的车道区域。

可选地，所述识别到的车道区域截取出来作为标签与原始图像进行匹配形成新的数据集包括，针对车道线环境进行滤波处理，其具体执行步骤：构建k*k矩阵并做二值化处理，二值化矩阵对鸟瞰图进行循环扫描，以二值化矩阵的中心点作为扫描起始点，对扫描重合的区域进行加权平均运算，将运算结果赋值给中心点所在区域，依此轮询，直到该矩阵通过其中心点将原图像全部扫描一次，运算处理后得到的结果图和原鸟瞰图进行差值运算，得滤波后的图像。

可选地，所述识别到的车道区域截取出来作为标签与原始图像进行匹配形成新的数据集包括，对滤波后的图中车道线区域进行亮度提升，具体执行步骤为，将图像分为N个w*h的小模块，对每个模块中像素点求均值average，设定M组亮度阈值 {threshold₁ …threshold_M}，按照像素点最小值min和最大值max亮度区间划分。每个模块的average与M组亮度阈值进行循环对比，根据对比结果找到各自对位的亮度阈值区间内，并按照如下公式(1)计算出N个模块对应的比例值：

公式(1)中light代表N个模块对应的比例值，根据该比例值light和每个模块的均值average及原始图像像素点f(x,y)，采用如下(2)公式计算出每个像素点亮度缩放后的值out(x,y)：

out(x,y)＝light*f(x,y)+(1-light)*average (2)

计算出每个像素点值out(x,y)，得到亮度拉伸图像并进行固定阈值的二值化得到二进制图鸟瞰图。