[发明专利]基于多级语义信息的车道线检测方法及系统

说明书

本发明涉及一种基于多级语义信息的车道线检测方法及系统，该方法包括以下步骤：S1、对车道场景图像中的车道线进行分割，提取图像的低级语义信息，输出基于低级语义信息的车道线掩膜图；S2、利用图像的消失点、车道线空间信息和长距离依赖信息，训练结合消失点的车道线语义分割网络，得到图像的高级语义信息，并输出基于高级语义信息的车道线掩模图；S3、将基于高、低级语义信息的车道线掩模图融合，得到基于多级语义信息的车道线分割结果。该方法及系统有利于提高车道线检测的准确性，能够应对复杂行车环境。

技术领域

本发明属于车辆智能辅助驾驶领域，具体涉及一种基于多级语义信息的车道线检测方法及系统。

背景技术

随着城市化的发展和汽车的普及，行车环境的机动车日益增多，机动化步伐加快，汽车的应用越来越广泛。交通拥挤加剧，交通事故频发，交通环境日趋恶劣，而交通事故的最直接后果就是人员伤亡和财产损失。交通问题已经成为全球范围内人们普遍关注的社会问题。随着图像分割、检测等计算机视觉技术与深度学习的研究和发展的迅猛发展，人们越来越倾向于依靠高科技寻求解决之路，以车道线检测为核心之一的车辆智能辅助驾驶系统便可减少此类事故的发生。车道检测通过实时的移动车载摄像头获取道路实时信息，检测道路上的车道，并提供每个车道的确切位置和形状。

目前，对于车道线检测的方法主要分为两大类：传统方法与基于深度学习的方法。大多数传统方法利用车道线的颜色，边缘等低级特征来做车道线检测，但是这类方法只能在车道标记明显，交通场景光线良好的情况下才能得到理想的结果，并且需要手工设置阈值及建立约束关系。近些年来，许多方法通过深度神经网络对车道线进行像素级别的分割来获取车道在图像上的位置，或者通过GAN网络生成低光条件图像，来增加网络的环境适应性。但是这些方法在车道线被遮挡，缺失和阴影等复杂行车情况的表现不良，甚至在交通场景良好的情况下也会出现检测错误的情况。

发明内容

本发明的目的在于提供一种基于多级语义信息的车道线检测方法及系统，该方法及系统有利于提高车道线检测的准确性，能够应对复杂行车环境。

为实现上述目的，本发明采用的技术方案是：一种基于多级语义信息的车道线检测方法，包括以下步骤：

S1、对车道场景图像中的车道线进行分割，提取图像的低级语义信息，输出基于低级语义信息的车道线掩膜图；

S2、利用图像的消失点、车道线空间信息和长距离依赖信息，训练结合消失点的车道线语义分割网络，得到图像的高级语义信息，并输出基于高级语义信息的车道线掩模图；

S3、将基于高、低级语义信息的车道线掩模图融合，得到基于多级语义信息的车道线分割结果。

进一步地，所述步骤S1中，提取图像的低级语义信息的方法为：从车道场景图像中选择感兴趣区域，然后对感兴趣区域进行图像预处理，再对预处理后的图像先后进行车道线标记粗提取及车道线标记精提取，得到图像的低级语义信息。

进一步地，感兴趣区域的位置设置为：1/2hI4/5h，其中h表示原图像的高度，I表示感兴趣区域。

进一步地，图像预处理包括对图像进行灰度和中值滤波处理；图像预处理后，采用基于自适应条形滤波的粗提取方法对图像进行车道线标记粗提取，当感兴趣区域中的像素满足其两侧灰度值比当前像素值小，则认为当前像素是车道线候选区域：

D_left＝I(x,y)-I(x-δ,y) (1)

D_right＝I(x,y)-I(x+δ,y) (2)

D_all＝D_left+D_right-|D_left-D_right| (3)

L＝γ*I(x,y) (4)