【技术实现步骤摘要】
一种基于深度学习和跟踪技术的车道线实时检测方法
本文设计一种基于深度学习技术的卷积神经网络模型和Kalman跟踪方法的车道线实时检测方法,属于计算机视觉和深度学习领域。
技术介绍
随着计算机视觉技术的快速发展,如何高精度、高效率、便捷地实时检测车道线成为无人驾驶技术的关键基础和研究热点技术之一。目前,传统的车道线检测方法仍然基于计算机图形学,在对无人车获取的图像进行去噪以及图像形态学计算后,采用概率霍夫变化或者轮廓查找的方法提取车道线中的点,然后用数学方法对这些点进行筛选、分类,最终拟合成车道线。这种传统的车道线检测方法虽然速度快,但精度不高,存在一些不足:由于无法完全消除路面附近区域阴影和反光等自然环境的影响,检测误差较大,对复杂路况适用性较差;传统检测方法中的图像预处理和车道线点的筛选参数设置具有特殊性,对不同路况的普适性较差;传统车道线检测方法受到路面其他物体如车辆、行人、标识物等的干扰时容易检测失败,缺乏实际的商业利用价值。深度学习是机器学习研究中的一个新领域,是当前机器学习领域最前沿和热门的课题之一。目前,深度学习的方法已经被广泛使用到无人车的道路检测和分割以及目标识别等方面,精度较传统方法高,但速度较慢,很难达到实时处理要求的每秒30帧的要求。因此提出一种同时保证精度和效率的车道线实时检测方法,对于无人车领域有着深远的意义。
技术实现思路
本专利技术是为了克服上述现有技术的不足,提出的一种基于深度学习和跟踪技术的车道线实时检测方法,该方法克服了传统车道线检测方法的精度较差和普适性不佳的缺点,以及深度学习方法效率低下的不足,可以进行不同复杂路况的实时 ...
【技术保护点】
1.基于深度学习和跟踪技术的车道线实时检测方法,其特征在于,包括如下步骤:步骤1,预先基于海量数据训练用于目标分割的SegNet模型;步骤2,图像预处理,包括图像的去噪、划分兴趣区域等;步骤3,对首帧(关键帧)图像采用SegNet模型检测车道线;步骤4,对首帧后的3帧图像中车道线的位置采用Kalman跟踪算法预测;步骤5,末帧(关键帧)图像重复步骤3检测车道线,循环步骤3‑5,直至结束。
【技术特征摘要】
1.基于深度学习和跟踪技术的车道线实时检测方法,其特征在于,包括如下步骤:步骤1,预先基于海量数据训练用于目标分割的SegNet模型;步骤2,图像预处理,包括图像的去噪、划分兴趣区域等;步骤3,对首帧(关键帧)图像采用SegNet模型检测车道线;步骤4,对首帧后的3帧图像中车道线的位置采用Kalman跟踪算法预测;步骤5,末帧(关键帧)图像重复步骤3检测车道线,循环步骤3-5,直至结束。2.根据权利要求1所述基于深度学习和跟踪技术的车道线实时检测方法,其特征在于,所述步骤1的具体步骤为:(1)构建训练数据集;(2)确定卷积神经网络相关参数(3)模型训练基于深度学习和跟踪技术的车道线实时检测方法采用了基于全卷积神经网络(FullConvolutionalNetwork,FCN)的SegNet模型,分类正确率高,共享卷积核的结构有利于处理高维度图像,并且输入灵活、效率高。3.根据权利要求1所述基于深度学习和跟踪技术的车道线实时检测方法,其特征在于,所述步骤2的具体步骤为:(1)图像模糊,降低噪声;(2)根据实际情况确定需要检测...
【专利技术属性】
技术研发人员:张亮,王震,高泽晋,张力,
申请(专利权)人:武汉小狮科技有限公司,
类型:发明
国别省市:湖北,42
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。