[发明专利]一种基于回归的车道线检测方法及系统

说明书

本发明公开一种基于回归的车道线检测方法及系统，方法具体为：将待检测图像输入至训练好的车道线关键点回归网络模型中，得到一系列的车道线关键点及其类别置信度，并根据所述类别置信度对所述车道线关键点进行筛选，保留置信度大于预设值的车道线关键点作为聚类和拟合时使用的车道线关键点；通过透视变换函数将待检测图像的点变换到鸟瞰图图像下进行DBSCAN聚类，将预测的整张图像内的车道关键点分为不同的车道线上的特征点；根据车道线在实际场景中的形状和所述特征点，采用二次反比例曲线拟合得到车道线检测结果；无需对图像进行复杂的预处理，无需对图像中的每一个像素点进行类别分割，可以识别任意多条车道线，且对多种天气环境下的场景下的检测都具有良好的适应性。

技术领域

本发明属于智能交通技术领域，具体涉及一种基于回归的车道线检测方法及系统。

背景技术

无人驾驶车辆主要通过车载传感器对行车周围的环境进行感知和识别，视觉感知是当前无人驾驶应用场景中非常重要的模块，其中车道线检测又是感知模块中非常重要的一环。在感知模块中，常用的传感器分为激光雷达与相机，对于车道线检测来说，图像数据相较于三维点云数据可以提供更丰富的信息。在车道线检测的研究课题中，主要选择相机作为提供数据的传感器，满足降低成本需求的同时也提供了更为丰富的信息。

目前车道线检测的传统方法主要利用车道线的颜色、宽度、边缘或梯度变化等特征信息，将车道线从路面区域中提取出来，通过聚类算法及车道线拟合方法实现车道线检测。但随着研究的深入，车道线检测任务所应对的场景越来越多样化，对于车道线的认知不再局限于“白、黄色线条”这种低阶理解，更多的方法关注语义层面的车道线位置的检测，即使车道线特征模糊或是被完全遮挡的。

当前的无人驾驶技术对于车道线的检测有了更高的要求，除了基础的检测准确性，对其在多种复杂环境下的检测稳定性以及对于连续场景下车道线检测的稳定性和实时性都有了更高的要求。相对于传统方法，基于深度学习的车道线检测增强了检测的鲁棒性，优化了多样的环境状态下车道线检测结果。在深度学习车道线检测中，常将车道线检测视为分割任务，对整张图像进行逐像素的分类，得到像素级的车道线检测结果。基于分割的深度学习车道线检测方法，计算复杂度较高且速度较慢，且由于每个像素的感受野有限，方法很难检测车道线这类细长形状，这也导致方法对于有遮挡或复杂天气环境状态下的车道线检测难度较大。

除基于分割的深度学习车道线检测方法之外，基于回归的深度学习车道线检测方法网络结构较为简单，且对于多种环境下检测的鲁棒性更强，具有良好的工程应用性。已有的基于回归的深度学习车道线检测方法分为在鸟瞰图和在前视图两种不同视角下对车道线特征点进行回归两种回归方法。虽然鸟瞰图减少了图像中的冗余信息，更有利于车道线特征点的回归，但其需要对原始图像进行透视变换的预处理，透视变换的准确性极大地影响了方法的泛化能力。

发明内容

为了解决现有技术中存在的多种场景下车道线检测鲁棒性较差、计算效率低等问题，本发明提供了一种基于回归的车道线关键点检测方法，网络复杂度较低，且训练和推理的过程中都无需对图像进行复杂的预处理，算法计算效率高，通过聚类和拟合的后处理方式得到最终的检测结果，提出的拟合模型对于曲率较大的车道线有很好的拟合效果。

为了实现上述目的，本发明采用的技术方案是：一种基于回归的车道线检测方法，通过车道线关键点检测模型得到待检测图像中一系列车道线关键点的位置，结合聚类和拟合的后处理方法得到完整的车道线检测结果，具体如下：

将待检测图像输入至训练好的车道线关键点回归网络模型中，得到一系列的车道线关键点及其类别置信度，并根据所述类别置信度对所述车道线关键点进行筛选，保留置信度大于预设值的车道线关键点作为聚类和拟合时使用的车道线关键点；

通过透视变换函数将筛选后的待检测图像中的关键点变换到鸟瞰图图像下进行DBSCAN聚类，将预测的整张图像内的车道关键点分为不同的车道线上的特征点；