[发明专利]一种基于深度学习的无人车路牙检测方法

权利要求书

1.一种基于深度学习的无人车路牙检测方法，其特征在于：包括如下步骤：

S1:制作样本训练CNN模型：

S1-1：将目标样本按类别进行标注，所述类别包括3类：路牙，路面和绿化带；

S1-2：采集大量含有路面材质、路牙、绿化带的图片，以及上述图片在不同亮度、对比度下的图片，将这些图片中的对象区域截取出来作为该类别的训练图集，并按照类别通过类标签进行标定；

S2：训练样本：将整理好的训练图集、类标签作为训练样本，按照设定的比例分配训练集和测试集并训练CNN网络模型；

S3：识别图像：

S3-1：视频采集：视频采集装置安装在无人车右侧，对准车辆下方，采集车辆右侧区域的图像；

S3-2：栅格化图像：通过视频采集装置对每一帧图像进行格栅化处理，将整张图像分割成M*N个的小图区域，且每一个小图区域需包含路牙信息；

S3-3：通过训练好的CNN模型识别图像：将这些栅格化的小图区域作为待预测集合输入CNN模型得到每一个小图区域的预测结果，通过这些预测结果所代表的图像区域来确定整张图像中路牙的区域，然后将该区域作为ROI提取出来，之后的操作都将只针对该区域进行；

S4：提取直线特征：针对识别的路牙区域，通过Canny算子提取路牙边缘，然后通过霍夫变换识别直线并精准定位路牙在图像中的位置；

S5：路牙位姿的坐标系转换：根据图像中路牙在相机坐标系Y轴方向上的坐标，通过校准的相机内参参数，换算出路牙在X和Z方向上的坐标。

2.根据权利要求1所述的基于深度学习的无人车路牙检测方法，其特征在于：在步骤S2中，所述训练集和测试集的比例为0.8-0.9：0.1-0.2；训练模型的精度达到99.68％。

3.根据权利要求2所述的基于深度学习的无人车路牙检测方法，其特征在于：在步骤S2中，所述训练集和测试集的比例为0.85：0.15。

4.根据权利要求1所述的基于深度学习的无人车路牙检测方法，其特征在于：在步骤S1-2中，所述类标签由0-2的整数表示。