[发明专利]一种基于交通非现场执法场景下的车道线检测方法

说明书

本发明公开了一种基于交通非现场执法场景下的车道线检测方法。本发明基于ResNet50和FPN构成了多重反馈特征金字塔模块，然后通过像素级的无锚框回归，并结合分级预测和中心度计算来过滤那些低质量无意义的回归框，提高车道线预测率，得到车道线外矩形的坐标，再依次通过空间位置关系过滤、聚类、直线拟合，得到了待检测图像中最终的车道线检测结果。本发明可在阴影及不均匀光照、多车辆干扰、路面雨水、污渍和反光等各种复杂环境下很好地检测出车道线。

技术领域

本发明属于图像处理领域，具体涉及基于交通非现场执法场景下的车道线检测方法。

背景技术

交通非现场执法场景下的车道线对应的违法行为是违法变道。该违法行为判定是人工智能辅助判定的重要部分。人工智能判定违法变道需要知道车辆位置和车道线之间的关系，判断车辆是否从车道线的一边移动到了另一边，因此需要知道车道线位置信息。违法变道会严重影响到其他车辆的正常行驶，这种违法行为数量较多，有许多执法摄像头针对这种违法行为进行违法抓拍，执法摄像头的增多，就代表标注工作量增加，因此实现交通非现场场景下的车道线检测极有必要。

当前关于车道线检测的研究，大多针对自动驾驶场景，交通非现场场景下的车道线检测研究极为少见。而自动驾驶场景与交通非现场场景的差异较大，无法直接应用到交通非现场场景中，需要专门针对交通非现场场景研发适用的算法。

综上，交通非现场执法场景下的车道线检测存在如下几个难点：

(1)来往的车辆会遮挡车道线，尤其是大车，会完全看不到车道线。

(2)车道线的结构是细长的，特征不明显，容易和其他目标混淆。

(3)实际交通状况十分复杂，如阴影及不均匀光照、路面雨水、污渍和反光等，都会对车道线的检测造成干扰。

如何解决交通非现场场景中的车道线检测难题，是目前亟待解决的技术问题。

发明内容

本发明的目的在于解决现有技术中存在的问题，并提供一种基于交通非现场执法场景下的车道线检测方法。本发明所采用的具体技术方案如下：

一种基于交通非现场执法场景下的车道线检测方法，其包括：

S1、获取经过标注的训练数据集，其中每一个图像样本中包含一张由执法摄像头俯拍的包含车道线的图像，图像中预先标注有每条车道线的中心线两端端点以及车道线偏向，所述车道线偏向用于判别车道线在其外包矩形框中处于主对角线还是副对角线；训练数据集中的图像样本分属于不同的路口场景，且所有图像样本按照拍摄时间分为白天拍摄的白天图像子集和晚上拍摄的夜晚图像子集；

S2、针对训练数据集中的每个图像样本，综合车辆数量越少越优先和白天图像优先于夜晚图像两个保留原则，结合图像的灰度值和图像中车辆的数量对同一个路口场景下的所有图像样本进行筛选过滤，针对每个路口场景分别剔除超过阈值数量的图像样本；

S3、以最小化损失函数为目标，利用经过S2筛选过滤后的训练数据集训练车道线检测网络；

所述车道线检测网络包含输入模块、多重反馈特征金字塔模块、分类回归模块和输出模块；

所述输入模块用于将待检测车道线的原始图像输入网络中；