[发明专利]一种拟合车道线的方法和装置

说明书

一种拟合车道线的方法和装置，所述方法包括：获取道路路面图片，并对所述道路路面图片进行语义分割得到二值化特征图；根据预设规则剔除所述二值化特征图中第一像素点里所含的误分像素点；将剔除所述误分像素点后的二值化特征图进行透视处理得到俯视图，并生成所述俯视图的直方图；根据所生成的所述直方图、利用预设的滑动窗口算法对所述俯视图中的第二像素点进行聚类处理；所述第二像素点是所述第一像素点透视所得到的像素点；对聚类处理后的第二像素点集合进行拟合得到两条曲线，并将所得到的两条曲线进行反透视变换，确定所述道路路面图片中用于表示两条车道线的像素点集合。

技术领域

本申请涉及自动驾驶技术领域，尤指一种拟合车道线的方法和装置。

背景技术

车道线检测是自动驾驶领域的研究热点之一，也是ADAS(Advanced DriverAssistance Systems,高级驾驶辅助系统)的关键技术。车道线作为一项尤为重要的环节能辅助驾驶员减少因车道偏离而发生的交通事故。通过在车内挡风板上方放置相机用于采集行车过程中前方环境信息，基于视觉的处理算法用来提取相机输出图片中的车道线信息，并将其用于后续的航迹规划、车道保持和行为预测等任务中。

车道线检测包括特征提取和曲线拟合两个步骤，目前特征提取主要分为两个方向，一种是基于机器视觉的传统车道线提取算法，利用车道线边缘信息、颜色以及纹理特征来捕获车道线在图片中的有效像素点。另一种是基于深度学习的车道线提取算法，依靠卷积神经网络自身强大的学习能力，通过不断优化神经网络参数来提高网络对场景的感知能力以及网络自身的泛化能力，提取出有效像素点，从而实现车道线的语义分割。前者容易受光照变化，天气变化以及路面特征被严重遮挡等影响而导致无法正确提取出车道线，后者相对于前者具有更高的鲁棒性和适用性，不受天气和光照影响，也能识别大部分遮挡情况。生成车道线像素点集合后，使用曲线模型对提取到的车道线进行拟合，获取车道线几何参数模型。

但是这两种方法都存在将图像中部分背景像素点误分割为车道线像素点的情况，从而导致车道线方向或者形状拟合错误的现象。

发明内容

本申请提供了一种拟合车道线方法和装置，基于语义分割得出拟合车道线像素点集合后，利用滑动窗口算法对车道线进行的精准拟合，可以得到更加准确的车道线。

本申请提供了一种拟合车道线的方法，所述方法包括：

获取道路路面图片，并对所述道路路面图片进行语义分割得到二值化特征图；所述二值化特征图中，具有预定灰度值的第一像素点用于表示所述道路路面图片中预估的车道线；

根据预设规则剔除所述二值化特征图中第一像素点里所含的误分像素点；

将剔除所述误分像素点后的二值化特征图进行透视处理得到俯视图，并生成所述俯视图的直方图；

根据所生成的所述直方图、利用预设的滑动窗口算法对所述俯视图中的第二像素点进行聚类处理；所述第二像素点是所述第一像素点透视所得到的像素点；

对聚类处理后的第二像素点集合进行拟合得到两条曲线，并将所得到的两条曲线进行反透视变换，确定所述道路路面图片中用于表示两条车道线的像素点集合。

一种示例性的实施例中，所述获取道路路面图片，并对所述道路路面图片进行语义分割得到二值化特征图，包括：

对采集的视频序列进行采样，得到多个连续帧，其中每一帧作为一个所述道路路面图片；

将所述道路路面图片输入到预先训练好的LaneNet网络模型中进行语义分割，得到所述二值化特征图；其中，所述二值化特征图中，像素值为255的像素点为所述第一像素点。

一种示例性的实施例中，所述将所述道路路面图片输入到预先训练好的LaneNet网络模型中进行语义分割，得到所述二值化特征图，包括：