[发明专利]一种车道线检测方法

说明书

本发明提供一种车道线检测方法，包括以下步骤：S1：获取道路图像，对道路图像进行预处理，得到输入图像；S2：利用车道线识别模型识别输入图像中是否存在车道线，若存在车道线，则执行步骤S3，若不存在车道线，执行步骤S5；S3：利用车道线检测模型对输入图像进行检测，将检测结果映射为车道线在输入图像中的坐标，得到车道线坐标点；S4：选取车道线中间部分的车道线坐标点进行拟合处理，得到最优拟合车道线作为输出结果；S5：执行结束。本发明提供一种车道线检测方法，解决了目前的车道线检测技术还不够完善的问题。

技术领域

本发明涉及车道线检测技术领域，更具体的，涉及一种车道线检测方法。

背景技术

车道线检测通常被定义为：在车辆行进视频或图像中检测出车道线的位置。车道线检测是辅助驾驶和自动驾驶的重要组成部分，车道线偏离报警及车道线保持可以及时纠正驾驶员的不慎操作，减少因错误操作和疲劳驾驶而造成的交通事故，从而有效保障驾驶安全、降低行车事故率。

近年来自动驾驶基础逐渐成熟被应用，车道线检测任务被视为自动驾驶领域的关键性问题。该任务主要有三个关键点：第一是在车道线被大部分遮挡或完全遮挡的条件下，在更高的语义层面检测出车道线的具体位置；第二是根据当前路况信息将车道线的走向进行检测，如：在红绿灯或人行道等路况中，需要进行识别及判断前方是否存在车道线。第三点在于速度上的需求，自动驾驶中对车道线检测算法是达到事实的需求下，保证其检测的准确性。

得益于深度学习模型强大的特征提取能力，现有的车道线检测技术主要依赖于深度学习方法实现。基于深度学习方法的车道线检测技术一般可分为两大类：一类是基于语义分割的方法，另一类是基于行分类的方法。其中，基于语义分割的方法检测准确性强，但受限于复杂的编解码网络，以及需要对图像所有像素进行分类，所以检测速度较慢，不适合在边缘检测设备中运行。基于行分类的方法检测速度快，具有实时性，但会因车道结构的相似性而过拟合，从而导致检测精度降低。因此，目前的车道线检测技术还不够完善，无法同时满足实际应用中对检测速度和检测精度的需求。

发明内容

本发明为克服目前的车道线检测技术还不够完善的技术缺陷，提供一种车道线检测方法。

为解决上述技术问题，本发明的技术方案如下：

一种车道线检测方法，包括以下步骤：

S1：获取道路图像，对道路图像进行预处理，得到输入图像；

S2：利用车道线识别模型识别输入图像中是否存在车道线，

若存在车道线，则执行步骤S3，

若不存在车道线，则输出结果为无车道线，执行步骤S5；

所述车道线识别模型基于卷积神经网络Vgg16构建；

S3：利用车道线检测模型对输入图像进行检测，将检测结果映射为车道线在输入图像中的坐标，得到车道线坐标点；

所述车道线检测模型基于改进分割注意力模型的ResNeSt18特征提取网络构建；

S4：选取车道线中间部分的车道线坐标点进行拟合处理，得到最优拟合车道线作为输出结果；

S5：执行结束。

上述方案中，首先利用车道线识别模型对道路图像进行筛选，避免不存在车道线的道路图像进入检测阶段，减少后续检测无意义的误识别；然后利用基于改进分割注意力模型的ResNeSt18特征提取网络车道线检测模型对输入图像进行检测，保证了较快的检测速度，加深了网络层数，提高了网络学习能力，实现网格级掩码检测车道线，提升了检测精度；最后选取车道线中间部分的车道线坐标点进行拟合处理，减少误识别率，进一步提高了拟合精度。

优选的，步骤S1中预处理包括图像灰度化处理和图像滤波处理。