[发明专利]车道线检测方法、系统及电子设备

说明书

本发明提供一种车道线检测方法、系统及电子设备，本发明对车载前视单目摄像头采集的图像进行处理，通过单阶段物体检测框架FCOS直接预测车道线的四个贝塞尔曲线控制点，即将现有的车道线(纹理或边缘)检测问题转化为车道线的四个贝塞尔曲线控制点的预测问题，从而实现端到端地直接输出实例级车道线对应的贝塞尔曲线参数方程表达式，不需要人工制定车道线的推断规则，省略了车道线的匹配、推断和拟合的复杂后处理过程，并且适用于各种形状的车道线，包括直线，曲线和S形曲线等车道线，以及对车道线的纹理缺失，恶劣的天气情况和较弱的能见度具有一定的容忍度，这种方式极大的简化了车道线检测的中间步骤。

技术领域

本发明属于车道线检测技术领域，尤其涉及一种车道线检测方法、系统及电子设备。

背景技术

现阶段，随着人工智能技术的不断成熟，与之相关的自动驾驶和辅助驾驶系统也被广泛开发和商用。上述系统中的一个关键组成部分是感知模块，它通过各种车载传感器全面识别和理解车辆周围的环境。

车道是一个重要的感知目标，由于车道是通过车道线来划分，需要我们对车辆周围以及前方的车道线进行精确地识别与定位，规划安全可行的行驶路线，从而避免与其它车辆发生碰撞。通过车道线检测，车辆能够被准确地定位在车道内，并辅助后续的车道偏离、车道保持或轨迹规划模块做出合理的决策。大部分现有车辆都会配备前视摄像头，我们可以通过车载视觉系统实时地获取车辆前方的环境图像，从而在该图像上对车道线进行识别与定位并计算每条车道线的位置，以便轨迹规划模块控制车辆保持在相应的车道内行驶。因此，实时且精确的车道线检测是实现完全自动驾驶的关键推动因素。

目前，车道线检测通常基于一系列传统的图像处理方法，包括截取有效信息区域、图像灰度增强、图像滤波去噪、边缘检测以及车道线参数方程拟合等，这些方法步骤较多且需要人工设计车道线推断规则，不利于联合优化；另外，其它的车道线检测技术通常采用提取车道线特征的方式，严重依赖灰度图中车道线与背景的对比度，易受到光照变化、车辆遮挡、道路污损等干扰，在上述环境下对车道线检测效果较差。

发明内容

基于此，针对上述技术问题，提供一种便于联合优化、不易受到环境干扰的车道线检测方法、系统及电子设备。

本发明采用的技术方案如下：

一方面，提供一种车道线检测方法，包括：

S101、将待检测的车辆前视图片输入预训练的模型，得到图片中每个特征点的车道线类别得分、中心性、车道线的回归框以及车道线的四个贝塞尔曲线控制点；

所述模型被端到端地训练为：

通过backbone网络从输入的车辆前视图片中提取特征，输出特征层，将所述特征层输入FCOS head，通过堆叠卷积层预测图片中每个特征点的车道线类别得分、中心性、车道线的回归框以及车道线的四个贝塞尔曲线控制点；

训练所述模型的样本图片为车辆前视图片，对应的标签包括图片中每一条车道线的回归框i＝[1,2,...,n]以及每一条车道线的四个贝塞尔曲线控制点C＝[b₁,b₂,b₃,b₄]，其中，和代表车道线上的特征点p_i的x坐标和y坐标，min()和max()代表最小值和最大值函数，C代表四个贝塞尔曲线控制点的集合，b₁、b₂、b₃以及b₄分别代表四个贝塞尔曲线控制点；

S102、将得到的车道线类别得分以及中心性分别输入sigmoid函数,分别得到第一输出值以及第二输出值，两者的值域为[0,1]；

S103、将第一输出值与第一阈值进行对比，过滤掉非车道线类别的特征点；

S104、通过如下公式计算过滤后剩余每个特征点的车道线置信度s_final：