[发明专利]车道线检测方法、装置、存储介质及电子设备

说明书

本公开涉及一种车道线检测方法、装置、存储介质及电子设备。所述方法包括：读取街景图像，对所述街景图像进行预处理；采用神经网络模型计算所述预处理后的街景图像，得到第一车道线识别结果图像；对所述车道线识别结果图像进行连通性分析，获得第二车道线识别结果图像；以及对所述第二车道线识别结果图像进行邻近性分析，按邻近性条件对所述第二车道线识别结果图像中的连通域进行聚类，合并同类连通域获得第三车道线识别结果图像。本公开通过对街景图像的预处理，增加了图像亮度的鲁棒性；通过连通域分析，增加了检测的准确性；在车辆过多、无法检测或检测出的车道线数量过少时，通过增加车辆检测方法增强了算法的鲁棒性；实现简单，便于移植。

技术领域

本公开涉及道路网中的目标检测方法，具体地，涉及一种车道线检测方法、装置、存储介质及电子设备。

背景技术

城市三维建模技术以丰富的三维信息在一个虚拟世界中还原出细节丰满的真实城市全景，在导航、城市规划、智能城市建设、安保、设施管理、灾害管理等储多领域为人们带来切实且可观的利益。

城市三维建模技术包括如建筑、道路、车辆、绿地等在内的重建，其中车道线的识别是其中道路、车辆等重建的基础。现有技术中的车道线检测方法通常包括：

1.机器学习的方法：采用机器学习算法将图像中的车道线和背景分离，利用车道线狭长且颜色固定等特征以及霍夫变换算法来检测车道线。然而，上述算法处理的场景过于理想，对图像的噪声敏感、鲁棒性较差。

2.深度学习的方法：目标检测是深度学习的一个应用领域，常用的目标检测模型如RCNN(Region CNN，区域卷积神经网络)、Fast-RCNN和Faster-RCNN等。基于车道线的特点，现有技术中提出了一种基于深度学习的端到端车道线识别方法lanenet(参见Neven D,De Brabandere B,Georgoulis S,et al.Towards End-to-End Lane Detection:anInstance Segmentation Approach[J].2018.)。虽然上述方法可以取得不错的效果，但是，深度学习本身对训练数据较为敏感，在特定场景(例如：街道上过多的车辆遮挡住车道线，光照强度不够，车道线不清晰等场景)下难以达到满意的效果。

发明内容

本公开的目的是提供一种车道线检测方法、装置、存储介质及电子设备，用于实现道路网中车道线的有效检测和识别。

根据本公开的第一方面，提供一种车道线检测方法，包括：

读取街景图像，对所述街景图像进行预处理；

采用神经网络模型计算所述预处理后的街景图像，得到第一车道线识别结果图像；

对所述第一车道线识别结果图像进行连通性分析，删除不合格区域，并对剩余区域进行直线拟合获得第二车道线识别结果图像；以及

对所述第二车道线识别结果图像进行邻近性分析，按邻近性条件对所述第二车道线识别结果图像中的连通域进行聚类，合并同类连通域获得第三车道线识别结果图像。

可选地，还包括：

对所述第三车道线识别结果图像进行连通性分析，删除不合格区域，并对剩余区域进行直线拟合；以及

计算拟合后的连通域的角度，对连通域按照角度聚类，合并同类连通域。

可选地，还包括：

获取当前街景图像中的车辆信息，根据所述车辆信息检测当前街景图像中的车道线数量。

可选地，根据所述车辆信息检测当前街景图像中的车道线数量的步骤包括：

获取街景图像中的所有车辆的位置像素信息；

根据有效区域条件，利用车辆的位置像素信息确定当前街景图像内的有效车辆；