[发明专利]面向自动驾驶的车道线多聚类虚拟生成方法

说明书

本发明公开了面向自动驾驶的车道线多聚类虚拟生成方法，利用动态变化的帧间隔抽样选取M帧，通过密度聚类和车道线的运行规律，对当前帧进行识别分类，确定虚实点、直曲点和距离点三类点特征，然后通过三重聚类方法，获取当前车道左右车道线的点集，最后利用最小二乘法分类进行车道线拟合生成。本发明充分考虑到了车辆行驶时的动态变化，利用多帧映射获取车道线三个维度的点特征，提高识别精度，并根据多聚类方式，分析多类别车道线，提高车道线的拟合精准度。

技术领域

本发明涉及深度学习与智能驾驶领域，尤其涉及通过密度聚类将图像预处理后进行车道线多聚类虚拟生成方法

背景技术

智能驾驶技术如今已经趋于成熟，可以初步代替驾驶员实现无人驾驶，利用高精度传感器和严格的算法，可以使得驾驶车辆发生的事故得到进一步减少。而在智能驾驶领域内，车道线作为高精度传感器采集的重要参数，同时作为行车安全的一个重要因素，对车道线的识别在智能驾驶领域是一项基础技术也是关键技术。

传统的车道线识别技术主要基于图像特征的提取与识别和基于模型的识别上。基于图像特征的方法主要是利用高精度传感器采集到的车道线形状、像素以及颜色特征等特点，结合边缘检测算子对边缘信息进行识别，这种车道线识别方法的识别速度快，适应性较好，但易受环境如光照等因素的干扰，鲁棒性较差。而基于数学模型的方法是利用建立好的数学曲线模型，对提取到的边缘信息进行拟合，这种方法对曲线拟合要求过高，计算复杂，且易受噪声干扰。

发明内容

本发明所要解决的技术问题是：针对现有技术的不足，提出面向自动驾驶的车道线多聚类虚拟生成方法，为实现上述目的，本发明提供如下技术方案：面向自动驾驶的车道线多聚类虚拟生成方法，包括如下步骤：

S1、根据车辆行驶的实时信息，获取当前路面图像，并动态确定图像的帧间隔，以所述帧间隔随机抽取M帧；

S2、对随机抽取M帧进行预处理，获得M个车道线候选帧m；

S3、利用密度聚类和车道线运行规律，对当前第M帧车道线候选帧的所有像素点进行识别分类，获得当前M帧车道线候选帧的三类点特征：虚实点特征、直曲点特征和距离点特征；

S4、根据三类点特征，通过三重聚类方法，获取当前车道线的左车道线点集、右车道线点集；

S5、分别获取当前车道线的左车道线点集、右车道线点集中的虚线点集、实线点集、直线点集、曲线点集；再对所述实线点集、虚线点集进行拟合，对应获得实线拟合点集、虚线拟合点集；

S6、根据步骤S5获得的实线拟合点集、虚线拟合点集、以及直线点集、曲线点集，利用最小二乘法分类进行车道线拟合，生成车道线。

进一步地，前述的步骤S1中，根据当前车辆行驶的实时信息，按如下公式动态确定帧间隔FI：

其中，d为虚实线的平均距离，v为当前车速，δ为摄像头采样速度，表示当前车辆转向平均值的绝对值。

进一步地，前述的步骤S2具体为：预处理过程包括对随机抽取M帧进行逆透视变换，然后将车道梯形感兴趣区域转换成鸟瞰图，之后对每一帧进行二值化处理和背景消除处理，获取M个车道线候选帧。

进一步地，前述的步骤S3中获得当前M帧车道线候选帧的虚实点特征包括如下子步骤：

S301、按如下公式计算第M帧与M-1帧车辆转向的修正值α'^Mm：

其中，α^Mm为转向传感器获得的原始值，右转为正，左转为负，Δ为预设判断车辆转向状态的阈值；

S302、对于候选帧m对应于第M帧位置为(x,y)的像素点的映射像素点为按如下公式计算第M帧像素点因车辆转向映射到候选帧m的像素点位置