一种路面标线图像识别方法和训练方法技术

本发明专利技术提供了一种安全可靠的，低成本的，基于图像识别的路面标线识别方法及训练方法。该方法能够为车辆巡线控制提供路面标线信息，为车辆驾驶提供道路位置辅助信息，为车辆自动驾驶提供横向导航信息，为车辆定位、测算车辆与站点之间的距离数据、以及车辆进站路线规划与速度控制提供依据。

【技术实现步骤摘要】
一种路面标线图像识别方法和训练方法
本专利技术涉及图像识别及曲线拟合技术，尤其涉及一种路面标线的识别拟合技术。
技术介绍
车辆驾驶正朝着智能化，自动化的方向发展。为了实现车辆的智能/自动驾驶，或是为驾驶员提供辅助驾驶功能，例如：车道保持功能，或是跟踪路面标线驾驶功能，都需要在道路图像中识别路面标线，为智能/自动驾驶或是辅助驾驶提供车辆位于道路上的空间位置信息，以便控制系统对车辆进行辅助控制。现有车道线检测技术通常基于传动的计算机图像处理技术，需要人为的设计用于图像识别的几何特征，然后利用边缘提取技术对图像进行边缘提取，再进行特征比对。这种方法对于图像成像质量要求较高，从而对光线环境适应性交差，并且图形被部分遮挡或是污染，变形的时候，识别率较低，鲁棒性交叉。
技术实现思路
本专利技术所要解决的技术问题是，针对现有技术的不足，提供一种安全可靠的，低成本的，基于图像识别的路面标线识别方法及训练方法。该方法能够为车辆巡线控制提供路面标线信息，为车辆驾驶提供道路位置辅助信息，为车辆自动驾驶提供横向导航信息，为车辆定位、测算车辆与站点之间的距离数据、以及车辆进站路线规划与速度控制提供依据。为了解决以上问题，根据本专利技术的第一个方面，提供了一种路面标线图像识别的训练方法，包括：通过车辆前视摄像机拍摄所述车辆前进方向道路区域的图像，所述道路区域设有n条路面标线(n≥1)；通过所述摄像机内部参数和外部参数对所述图像进行畸变矫正和透视变换，获得的道路俯视图；在所述道路俯视图上建立平面坐标系，提取图像中车辆行驶方向同向道路区域的所述路面标线，采用深度神经网络模型输出识别参数，制作训练数据集；训练所述深度神经网络模型识别路面标线输出的所有识别参数；所述识别参数包括A1、A2……Ak共k个拟合数学方程参数和Ak+1,Ak+2……Ak+i共i个路面标线参数，所述路面标线条数和所述路面标线参数个数的关系为2i>n>2i-1，所述深度神经网络模型包括全连接层和连接在所述全连接层后的输出层，所述全连接层的每层节点数为1024个，所述输出层的节点数为n*(k+i)个，所述训练数据集为n*(k+i)维向量label＝[A11，A12……A1k+i，A21，A22……A2k+i，……，An1，An2……Ank+i]。优选地，采用分阶段训练，包括如下步骤：S1：剪裁所述深度神经网络模型，仅输出数学方程参数A1，剪裁所述输出层，仅保留所述数学方程参数A11，A21，……，An1所对应的节点，剪裁所述训练数据集，保留label＝[A11，A21，……，An1]；S2：训练所述深度神经网络模型；S3：修改所述深度神经网络模型，所述数学方程参数增加1个，所述输出层保留的节点增加n个，所述训练数据集的向量维度增加n个；S4：重复步骤S2-S3。优选地，所述图像拍摄于晴天的正午及夜晚。优选地，所述图像拍摄于阴天的正午及夜晚。优选地，所述图像拍摄于雨天的正午及夜晚。优选地，所述训练数据集label＝[A11，A12……A1k+i，A21，A22……A2k+i，……，An1，An2……Ank+i]的参数A11，A12……A1k+i至An1，An2……Ank+i依次对应从左到右排列的n条所述路面标线。优选地，所述路面标线参数使用0和1的不同组合，代表不同的路面标线。优选地，所述道路区域设有2条路面标线时，所述路面标线参数个数为1个，所述训练数据集中A1k+1代表左侧第一条路面标线，A2k+1代表左侧第二条路面标线，所述A1k+1和A2k+1的值可取0或1，所述A1k+1和A2k+1的值不同。优选地，所述道路区域设有3条路面标线时，所述路面标线参数个数为2个，所述训练数据集中A1k+1和A1k+2的组合代表左侧第一条路面标线，A2k+1和A2k+2的组合代表左侧第二条路面标线，A3k+1和A3k+2的组合代表左侧第三条路面标线，所述A1k+1和A1k+2的组合、A2k+1和A2k+2的组合、A3k+1和A3k+2的组合的值可取0和1的不同组合，所述A1k+1和A1k+2的组合、A2k+1和A2k+2的组合、A3k+1和A3k+2的组合的值互不相同。根据本专利技术的第二个方面，提供了一种路面标线图像识别方法，所述方法采用上述的一种路面标线图像识别的训练方法所训练的深度神经网络模型，其特征在于，所述路面标线图像识别方法包括：通过车辆前视摄像机拍摄所述车辆前进方向道路区域的图像，将所述图像输入所述深度神经网络模型；所述深度神经网络模型对所述图像中的车道线进行识别；所述深度神经网络模型输出所述车道线对应的拟合数学方程参数。根据本专利技术的第三个方面，提供了一种能够识别路面标线图像的车辆，采用上述的一种路面标线图像识别方法识别路面标线。与现有技术相比，本专利技术包括以下优点：1.本专利技术提出一种基于深度神经网络模型的路面标线识别方法，该识别方法，无需人为设计几何特征，可以让模型在训练过程中自动学习并记录路面标线的几何特征以及表面色彩和纹理特征，能够适应不同光线环境，并且在图形被部分遮挡或是污染、变形的时候依然能够正确识别，具有较强的鲁棒性。2.本专利技术在获取路面标线拟合方程参数时，无需再经过畸变矫正和透视变换再拟合，可以直接获得透视变换后的方程参数。3.本专利技术不仅能够识别车辆两侧的路面标线，也可以识别车道中间的路面标线，不但能够识别现行普通车道线，还可以是车辆前进方向上路面任意位置的任意图形标线，例如可以但不限于是：车辆道路中间白色双虚线标线，从而实现为车辆巡线控制提供路面标线信息。附图说明本专利技术的以上
技术实现思路
以及下面的具体实施方式在结合附图阅读时会得到更好的理解。需要说明的是，附图仅作为所请求保护的专利技术的示例。在附图中，相同的附图标记代表相同或类似的元素。图1是根据本专利技术一实施例的深度神经网络模型输出层示意图；图2是根据本专利技术一实施例的深度神经网络模型第一阶段训练示意图；图3是根据本专利技术一实施例的深度神经网络模型第二阶段训练示意图；以及图4是根据本专利技术一实施例的路面标线场景示意图。具体实施方式以下在具体实施方式中详细叙述本专利技术的详细特征以及优点，其内容足以使任何本领域技术人员了解本专利技术的
技术实现思路
并据以实施，且根据本说明书所揭露的说明书、权利要求及附图，本领域技术人员可轻易地理解本专利技术相关的目的及优点。作为本专利技术的第一方面，本专利技术提供了一种路面标线图像识别的训练方法，包括：通过车辆前视摄像机拍摄车辆前进方向道路区域的图像，道路区域设有n(n≥1)条路面标线,需要识别的路面标线的数量可根据实际需求调整，拍摄可分别选择在晴天，阴天，雨天的正午以及夜晚进行；通过摄像机内部参数和外部参数对图像进行畸变矫正和透视变换，获得没有畸变的道路俯视图；在没有畸变的道路俯视图上建立平面坐标系，提取图像中车辆行驶方向同向道路区域的每条路面标线，采用深度神经网络模型拟合获得数学方程参数，制作训练数据集，数学方程可以采用2次、3次曲线或其他方程，可根据实际需求调整，数据集是以与图像路面标线对应的数学方程参数作为标签；训练深度神经网络模型识别路面标线输出方程所有识别参数；其中，识别参数包括A1、A2……Ak共k个拟合数学方程参数和Ak+1、Ak+2……Ak+i共i(i≥1)个路面标线参数，路面标线条数和本文档来自技高网...

【技术保护点】
1.一种路面标线图像识别的训练方法，包括：通过车辆前视摄像机拍摄所述车辆前进方向道路区域的图像，所述道路区域设有n条路面标线(n≥1)；通过所述摄像机内部参数和外部参数对所述图像进行畸变矫正和透视变换，获得的道路俯视图；在所述道路俯视图上建立平面坐标系，提取图像中车辆行驶方向同向道路区域的所述路面标线，采用深度神经网络模型输出识别参数，制作训练数据集；训练所述深度神经网络模型识别路面标线输出的所有识别参数；其特征在于，所述识别参数包括A1、A2……Ak共k个拟合数学方程参数和Ak+1,Ak+2……Ak+i共i个路面标线参数，所述路面标线条数和所述路面标线参数个数的关系为2i>n>2i‑1，所述深度神经网络模型包括全连接层和连接在所述全连接层后的输出层，所述输出层的节点数为n*(k+i)个，所述训练数据集为n*(k+i)维向量label＝[A11，A12……A1k+i，A21，A22……A2k+i，……，An1，An2……Ank+i]。

【技术特征摘要】
1.一种路面标线图像识别的训练方法，包括：通过车辆前视摄像机拍摄所述车辆前进方向道路区域的图像，所述道路区域设有n条路面标线(n≥1)；通过所述摄像机内部参数和外部参数对所述图像进行畸变矫正和透视变换，获得的道路俯视图；在所述道路俯视图上建立平面坐标系，提取图像中车辆行驶方向同向道路区域的所述路面标线，采用深度神经网络模型输出识别参数，制作训练数据集；训练所述深度神经网络模型识别路面标线输出的所有识别参数；其特征在于，所述识别参数包括A1、A2……Ak共k个拟合数学方程参数和Ak+1,Ak+2……Ak+i共i个路面标线参数，所述路面标线条数和所述路面标线参数个数的关系为2i>n>2i-1，所述深度神经网络模型包括全连接层和连接在所述全连接层后的输出层，所述输出层的节点数为n*(k+i)个，所述训练数据集为n*(k+i)维向量label＝[A11，A12……A1k+i，A21，A22……A2k+i，……，An1，An2……Ank+i]。2.根据权利要求1所述的一种路面标线图像识别的训练方法，其特征在于，采用分阶段训练，包括如下步骤：S1：剪裁所述深度神经网络模型，仅输出数学方程参数A1，剪裁所述输出层，仅保留所述数学方程参数A11，A21，……，An1所对应的节点，剪裁所述训练数据集，保留label＝[A11，A21，……，An1]；S2：训练所述深度神经网络模型；S3：修改所述深度神经网络模型，所述数学方程参数增加1个，所述输出层保留的节点增加n个，所述训练数据集的向量维度增加n个；S4：重复步骤S2-S3。3.根据权利要求1所述的一种路面标线图像识别的训练方法，其特征在于，所述图像拍摄于晴天的正午及夜晚。4.根据权利要求1所述的一种路面标线图像识别的训练方法，其特征在于，所述图像拍摄于阴天的正午及夜晚。5.根据权利要求1所述的一种路面标线图像识别的训练方法，其特征在于，所述图像拍摄于雨天的正午及夜晚。6.根据权利要求1所述的一种...

【专利技术属性】
技术研发人员：胡云卿，袁浩，林军，刘悦，游俊，熊群芳，丁驰，岳伟，
申请(专利权)人：中车株洲电力机车研究所有限公司，
类型：发明
国别省市：湖南,43