[发明专利]一种车道线检测的方法和设备

说明书

本发明公开了一种车道线检测的方法和设备，涉及自动驾驶技术领域，用以解决目前车道线检测准确性较低，鲁棒性较差的问题，本发明方法包括：将鸟瞰特征图中栅格的最大高度值、平均反射强度和点云数量统计密度作为darknet的输入进行特征提取；通过FPN融合低层特征高分辨率和高层特征的高语义信息确定车道线点的特征信息；根据特征信息确定在点云地图中与鸟瞰特征图中的车道线点相对应的车道线点；将点云地图中的车道线点中反射强度大于平均反射强度阈值的车道线点作为车道线特征点，并根据点云地图中的车道线特征点进行几何模型拟合确定车道线，由于本发明通过神经网络检测车道线，且对车道线点再次进行筛选，提高了车道线检测的准确性。

技术领域

本发明涉及自动驾驶技术领域，特别涉及一种车道线检测的方法和设备。

背景技术

随着智能辅助驾驶的兴起，车道线检测作为其重要的组成部分，近年来也得以大力发展。

ADAS（Advanced Driver Assistance Systems，高级驾驶辅助系统）辅助驾驶中的车道线检测技术主要基于相机传感器，通过图像视频分析检测当前的车道线，为后续的车道偏离提供车道线信息，有效进行偏离预警。但是，基于图像视频分析的车道线检测采用的是相机传感器采集到的二维图像，受环境影响较大，特别在成像恶劣的条件下，容易受非车道线点的干扰，无法取得理想的效果，远难满足L3、L4级别的自动驾驶技术指标。

此外，基于二维图像信息的车道线检测，没办法得到直接的物理车道线模型，需要根据相机安装的情况进行严格的标定，在图像语义分割的基础上，提取车道线像素点，要训练大量的标签数据来解决多场景适用问题。

综上所述，现有的基于相机传感器的车道线检测受环境影响，无法取得理想的分割效果，使得车道线检测的准确性较低，鲁棒性较差。

发明内容

本发明提供一种车道线检测的方法和设备，用以解决现有技术中存在的基于相机传感器的车道线检测受环境影响，无法取得理想的分割效果，使得车道线检测的准确性较低，鲁棒性较差的问题。

第一方面，本发明实施例提供的一种车道线检测的方法包括：

将鸟瞰特征图中栅格的最大高度值、平均反射强度和点云数量统计密度作为神经网络分割模型中的darknet的输入对所述鸟瞰特征图进行特征提取，其中所述鸟瞰特征图是对点云地图进行栅格化处理得到的；

通过所述神经网络分割模型中的FPN(Feature Pyramid Networks，特征金字塔网络)对特征提取得到的低层特征高分辨率和高层特征的高语义信息进行特征融合后确定所述鸟瞰特征图中的车道线点的特征信息；

根据所述特征信息确定在所述点云地图中与所述鸟瞰特征图中的车道线点相对应的车道线点；

将所述点云地图中的车道线点中反射强度大于平均反射强度阈值的车道线点作为车道线特征点，并根据所述点云地图中的车道线特征点进行几何模型拟合确定车道线。

上述方法，提出的一种基于深度学习的车道线检测方法可以实现在3维空间上对道路信息车道线的检测，为自动驾驶提供可靠的感知信息，并且基于鸟瞰特征图中的最大高度值、平均反射强度以及点云数量统计密度这些栅格化特征以及深度学习神经网络模型对车道线进行准确的检测，通过激光雷达扫描进行确定的点云地图受外界干扰因素影响小，并且通过平均反射强度阈值对神经网络模型提取的车道线点再次进行筛选，减小了非车道线点的干扰，提高了车道线检测的准确性，鲁棒性强。此外，本发明中的神经网络分割模型为基于YOLO框架的darknet结合FPN的一种新型神经网络分割模型，通过融合不同特征层的特征达到更好的分割预测效果。

在一种可能的实现方式中，通过下列方式确定所述点云地图：

确定通过激光雷达扫描车辆周边道路确定的第N帧图像对应的用于表示车辆行驶状态的里程计信息，其中N为正整数；