车道线确定方法及装置制造方法及图纸

本发明专利技术公开了一种车道线确定方法及装置，其中所述方法包括：对拍摄图像进行逆投影变换；从逆投影变换后的图像数据中提取包含待确定车道线的粗提取图像数据；将所述粗提取图像数据输入第一卷积神经网络模型进行识别，得到所述待确定车道线的第一识别结果；对所述粗提取图像数据进行逆投影反变换，将反变换后的待确定车道线的图像数据输入第二卷积神经网络模型进行识别，得到所述待确定车道线的第二识别结果；根据第一识别结果和第二识别结果将满足第一预设条件的待确定车道线确定为真实的车道线。本发明专利技术实施例能够精确定位各种拍摄场景下拍摄图像中的车道线。

【技术实现步骤摘要】

本专利技术实施例涉及图像处理
，尤其涉及一种车道线确定方法及装置。
技术介绍
随着地图导航技术的飞速发展，地图导航技术成为了人们日常出行必不可少的工 具。而在地图导航中，车导航（包括自驾导航和无人驾驶导航）成为地图导航中主要的导 航部分。而车导航中车道线的定位是决定导航准确率和召回率的关键因素。 现有车道线定位技术都是基于图像处理和机器学习算法来进行的。主要有一下两 种：第一种是将拍摄图像投影到正视空间中，通过边缘检测、二值化、噪声滤除以及线条拟 合来完成车道线的定位。第二种是直接在拍摄图像中利用窗口进行扫描，通过机器学习的 方法判定属于车道线的像素点，再通过线条拟合定位车道线。 但是上述两种方法的车道定位的准确度均受限于拍摄场景，即针对于车道线和路 面反差较大、且不考虑遮挡和阴影、曝光正常的场景进行处理，才能获得较好的车道线定位 效果，而上述场景在实际应用中很难得到满足。
技术实现思路
本专利技术实施例提供一种车道线定位方法及装置，能够精确定位各种拍摄场景下拍 摄图像中的车道线。 第一方面，本专利技术实施例提供了一种车道线确定方法，包括： 对拍摄图像进行逆投影变换； 从逆投影变换后的图像数据中提取包含待确定车道线的粗提取图像数据； 将所述粗提取图像数据输入第一卷积神经网络模型进行识别，得到所述待确定车 道线的第一识别结果； 对所述粗提取图像数据进行逆投影反变换，将反变换后的待确定车道线的图像数 据输入第二卷积神经网络模型进行识别，得到所述待确定车道线的第二识别结果； 根据第一识别结果和第二识别结果将满足第一预设条件的待确定车道线确定为 真实的车道线。 第二方面，本专利技术实施例还提供一种车道线确定装置，包括：图像变换模块，用于对拍摄图像进行逆投影变换； 粗提取模块，用于从逆投影变换后的图像数据中提取包含待确定车道线的粗提取 图像数据； 第一识别模块，用于将所述粗提取图像数据输入第一卷积神经网络模型进行识 另IJ，得到所述待确定车道线的第一识别结果； 第二识别模块，用于对所述粗提取图像数据进行逆投影反变换，将反变换后的待 确定车道线的图像数据输入第二卷积神经网络模型进行识别，得到所述待确定车道线的第 二识别结果； 车道线确定模块，用于根据第一识别结果和第二识别结果将满足第一预设条件的 待确定车道线确定为真实的车道线。 本专利技术实施例通过对拍摄图像进行逆投影变换，从逆投影变换后的图像数据中提 取包含待确定车道线的粗提取图像数据，一方面将所述粗提取图像数据输入第一卷积神经 网络模型进行识别，得到所述待确定车道线的第一识别结果，另一方面，对所述粗提取图像 数据进行逆投影反变换，将反变换后的待确定车道线的图像数据输入第二卷积神经网络模 型进行识别，得到所述待确定车道线的第二识别结果，最后根据第一识别结果和第二识别 结果将满足第一预设条件的待确定车道线确定为真实的车道线。本专利技术实施例能够精确定 位各种拍摄场景下拍摄图像中的车道线。【附图说明】 图1A为本专利技术实施例一提供的车道线确定方法的流程示意图； 图1B为本专利技术实施例一提供的车道线确定方法中第一种车道线截取区域示意 图； 图1C为本专利技术实施例一提供的第一种车道线提取结果示意图； 图1D为本专利技术实施例一提供的车道线确定方法中第二种车道线截取区域示意 图； 图1E为本专利技术实施例一提供的车道线确定方法中的第二种车道线提取结果示意 图； 图1F为本专利技术实施例一提供的车道线确定方法中的第一种实验结果示意图； 图1G为本专利技术实施例一提供的车道线确定方法中的第二种实验结果示意图； 图2为本专利技术实施例二提供的车道线确定装置的结构示意图。【具体实施方式】 下面结合附图和实施例对本专利技术作进一步的详细说明。可以理解的是，此处所描 述的具体实施例仅仅用于解释本专利技术，而非对本专利技术的限定。另外还需要说明的是，为了便 于描述，附图中仅示出了与本专利技术相关的部分而非全部结构。 本专利技术实施例提供的车道线确定方法的执行主体，可为本专利技术实施例提供的车道 线确定装置，或者集成了所述车道线确定装置的终端设备（例如，车载客户端）或服务器， 该车道线确定装置可以采用硬件或软件实现。 实施例一 图1A为本专利技术实施例一提供的车道线确定方法的流程示意图，如图1A所示，具体 包括： S11、对拍摄图像进行逆投影变换； 具体的，由于车载相机的摆放方式为平行于地面，摄像头沿着车辆前进方向进行 拍摄。在这种拍摄角度下，车道线从近到远呈现宽度越来越窄的形态，且不互为平行线，无 限远处交于消失点处。该种拍摄角度下难以进行车道线定位，因此，首先需要通过逆投影将 相机的视角调整为垂直于地面。 例如，设相机对应的三维空间坐标为（X，Y，Z)，相机的参数为：焦距fJPfy，光心坐 标cdPcy，姿态角为α、β和γ，在相机内成像的所述拍摄图像中的像素点坐标为（x，y)。 那么可采用如下公式完成拍摄图像的逆投影变换： 经过上述逆投影变换后，所有车道线呈现远近宽度一致，且互为平行线，接近竖直 方向。S12、从逆投影变换后的图像数据中提取包含待确定车道线的粗提取图像数据； 具体的，可采用图像提取算法从逆投影变换后的图像数据中初步提取出包含待确 定车道线的图像数据。S13、将所述粗提取图像数据输入第一卷积神经网络模型进行识别，得到所述待确 定车道线的第一识别结果； 其中，所述第一卷积神经网络模型在对粗提取图像数据进行处理的过程中，可以 滤除粗提取图像数据中存在的噪声，例如地面文字、箭头等，从而得到粗提取图像数据中包 含的待确定车道线的第一识别结果。S14、对所述粗提取图像数据进行逆投影反变换，将反变换后的待确定车道线的图 像数据输入第二卷积神经网络模型进行识别，得到所述待确定车道线的第二识别结果； 其中，第二卷积神经网络模型在对粗提取图像数据进行处理的过程中，可以滤除 粗反变换后的待确定车道线的图像数据中栏杆、路沿以及汽车金属框的干扰，从而得到粗 提取图像数据中包含的待确定车道线的第二识别结果。 另外，为了提高处理速度，步骤S13和步骤S14可以并行处理。 S15、根据第一识别结果和第二识别结果将满足第一预设条件的待确定车道线确 定为真实的车道线。 其中，第一预设条件可自定义设置。例如，可将所述预设条件设置为某一阈值。 根据预设条件综合考虑第一识别结果和第二识别结果，从而确定待确定车道线是 否为真实的车道线。 本实施例通过对拍摄图像进行逆投影变换，从逆投影变换后的图像数据中提取包 含待确定车道线的粗提取图像数据，一方面将所述粗提取图像数据输入第一卷积神经网络 模型进行识别，得到所述待确定车道线的第一识别结果，另一方面，对所述粗提取图像数据 进行逆投影反变换，将反变换后的待确定车道线的图像数据输入第二卷积神经网络模型进 行识别，得到所述待确定车道线的第二识别结果，最后根据第一识别结果和第二识别结果 将满足第一预设条件的待确定车道线确定为真实的车道线。本实施例能够精确定位各种拍 摄场景下拍摄图像中的车道线。 示例性的，在上述实施例的基础上，从逆投影变换后的图像数据中提取包含待确 定车道线的粗提取图像数据具体包括： 利用形态学操作中的顶帽和底帽以逻辑或的方式对逆投影变换后的图像数据进 行滤波； 对滤波后的图像数据进行二值化操作；本文档来自技高网...

【技术保护点】
一种车道线确定方法，其特征在于，包括：对拍摄图像进行逆投影变换；从逆投影变换后的图像数据中提取包含待确定车道线的粗提取图像数据；将所述粗提取图像数据输入第一卷积神经网络模型进行识别，得到所述待确定车道线的第一识别结果；对所述粗提取图像数据进行逆投影反变换，将反变换后的待确定车道线的图像数据输入第二卷积神经网络模型进行识别，得到所述待确定车道线的第二识别结果；根据第一识别结果和第二识别结果将满足第一预设条件的待确定车道线确定为真实的车道线。

【技术特征摘要】

【专利技术属性】
技术研发人员：何贝，晏涛，晏阳，
申请(专利权)人：百度在线网络技术北京有限公司，
类型：发明
国别省市：北京;11