一种道路边缘线识别方法及系统技术方案

本发明专利技术涉及一种道路边缘线识别方法及系统，该方法包括步骤：接收并存储采集的车道图像；对采集的车道图像进行数据标注，标记出左边缘线、右边缘线、道路中间线、路面，得到标签图像；使用采集的车道图像和数据标注后的标签图像进行卷积神经网络模型训练，得到用于识别道路边缘线的道路边缘线识别模型。通过本发明专利技术方法或系统，可以精确地识别出道路边缘线，将道路边缘线与道路中间线区分开，方便于后续的处理。

【技术实现步骤摘要】
一种道路边缘线识别方法及系统
本专利技术涉及图像识别
，特别涉及一种道路边缘线识别方法及系统。
技术介绍
高精地图的主要构成是车道，车道的边界用车道线界定，因此在高精度地图的自动化过程中，车道线识别是其中一个重要任务。近年来，随着深度学习的逐渐发展，车道线识别主要基于卷积神经网络实现。具体而言，将车道线像素设置为前景要素，将其他像素(如道路、天空、树木、地面上物体、汽车、行人等)设置为背景要素，车道线识别即是将前景要素识别出来。将所有的车道线设置为前景要素，虽然能够比较容易识别出前景要素；但由于前景要素丰富度不够，后续处理往往比较麻烦，例如其中一个典型的问题就是：如何区分道路边缘线和道路中间线。
技术实现思路
本专利技术的目的在于改善现有技术中所存在的不能区分道路边缘线和道路中间线的不足，提供一种道路边缘线识别方法及系统。为了实现上述专利技术目的，一方面，本专利技术实施例提供了一种道路边缘线识别方法，包括以下步骤：接收并存储采集的车道图像；对采集的车道图像进行数据标注，标记出左边缘线、右边缘线、道路中间线、路面，得到标签图像；使用采集的车道图像和数据标注后的标签图像进行卷积神经网络模型训练，得到用于识别道路边缘线的道路边缘线识别模型。在一个方案中，所述对采集的车道图像进行数据标注的步骤中，若采集的车道图像是在夜晚采集得到的，则在进行数据标注之前，上述方法还包括步骤：对采集的车道图像进行效果增强处理，且在数据标注时，以效果增强后的图像为基础进行标注。根据本专利技术实施例，所述对采集的车道图像进行效果增强处理的步骤，包括：对原始的车道图像进行白平衡处理；对白平衡处理后的图像进行锐化处理；对锐化处理后的图像进行伽马校正。根据本专利技术实施例，所述使用采集的车道图像和数据标注后的标签图像进行卷积神经网络模型训练的步骤，包括：步骤1)，随机抽取一张原始的车道图像；步骤2)，将所述原始的车道图像作为卷积神经网路的输入，进行前向传播，得到预测结果；步骤3)，将得到的预测结果与标签图像中标注的类别标签进行损失计算，并根据损失进行反向传播并优化模型参数；循环执行上述步骤1至步骤3)，直至完成迭代，且每一次迭代过程，步骤1)中更换一张原始的车道图像，步骤3)中更换相应的标签图像。进一步地，在得到用于识别道路边缘线的道路边缘线识别模型之后，上述方法还包括步骤：接收待识别的车道图像，经所述道路边缘线识别模型识别后输出各像素分别为各种类别的概率值，将概率值最大者作为该像素的类别，进而识别出道路边缘线，道路边缘线包括左边缘线和右边缘线。另一方面，本专利技术实施例中同时提供了一种道路边缘线识别系统，包括以下模块：数据输入模块，用于接收并存储采集到的原始的车道图像；数据标注模块，用于对原始的车道图像进行数据标注，标注出左边缘线、右边缘线、道路中间线、路面，得到标签图像；模型训练模块，用于使用原始的车道图像和数据标注后的标签图像进行卷积神经网络模型训练，得到用于识别道路边缘线的道路边缘线识别模型。在一个方案中，上述系统中还包括效果增强模块，用于在所述原始的车道图像是在夜晚采集得到的情况下，对采集的车道图像进行效果增强处理；此时，所述数据标注模块则用于对效果增强后的图像进行数据标注标注出左边缘线、右边缘线、道路中间线、路面，得到标签图像。在进一步细化的方案中，所述效果增强模块包括以下子模块：白平衡处理子模块，用于对原始的车道图像进行白平衡处理；锐化处理子模块，用于对白平衡处理后的图像进行锐化处理；伽马校正子模块，用于对锐化处理后的图像进行伽马校正。在一个方案中，上述系统中还包括识别模块，用于将经道路边缘线识别模型输出的各像素分别为各种类别的概率值中，将概率值最大者作为该像素的类别，进而识别出道路边缘线，道路边缘线包括左边缘线和右边缘线。另一方面，本专利技术实施例中还提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现本专利技术任一方案所述方法的步骤。再一方面，本专利技术实施例中还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现本专利技术任一方案所述方法的步骤。与现有技术相比，本专利技术的有益效果：1.通过对采集的车道图像进行数据标注，标注出左边缘线、右边缘线，训练出可以识别道路边缘线的识别模型，在实际应用时可以直接对待识别的图像识别出道路边缘线，与道路中间线区分开，更有利于高精度地图的生成，及提高地图的准确度。2.如果采用夜晚采集的图像数据进行模型训练及识别，消除了白天采集数据容易出现车道线被遮挡而导致模型识别准确度不高的问题。3.针对于夜晚采集的车道图像，通过效果增强处理，使得图像的清晰度更高，使用增强后数据进行标注，而不是对原始的车道图像直接进行标注，这样提高了作业人员对图片的辨识度，保证了标注数据的正确性。4.针对于夜晚采集的车道图像，训练模型时，使用原始图片进行训练，而不是增强后的图片进行训练，最大程度上保留了图片的原始信息，充分利用深度学习强大的特征其他能力，达到夜晚场景的车道边缘线能够准确识别的目的，使得模型对于原始的图像或者效果增强后的图像进行车道线识别时，都能有很高的识别准确度，降低了对待识别图像的要求。附图说明为了更清楚地说明本专利技术实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本专利技术的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。图1为本专利技术较佳实施例提供的道路边缘线识别模型的构建方法的流程图。图2a、图2b、图2c、图2d分别为应用实例中的原始车道图像、标注后的标签图像、翻转后的标签图像、翻转且调换左右边缘线后的标签图像。图3a、图3b分别为本专利技术较佳实施例中提供的夜间采集的原始图片、增强处理后的图片。图4为本专利技术较佳实施例提供的道路边缘线识别方法的流程图。图5是本专利技术较佳实施例提供的道路边缘线识别系统的功能模块示意图。图6为本专利技术较佳实施例中所说的电子设备的组成模块框图。具体实施方式下面将结合本专利技术实施例中附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本专利技术实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本专利技术的实施例的详细描述并非旨在限制要求保护的本专利技术的范围，而是仅仅表示本专利技术的选定实施例。基于本专利技术的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本专利技术保护的范围。本实施例中提供了一种道路边缘线识别模型的构建方法，由于模型的构建是为实际应用中的识别而服务的，因此模型构建方法也可以理解为识别方法。请参阅图1，该方法包括如下步骤：步骤S101，接收并存储采集到的车道图像。容易理解的，采集车道图像的目的是用于车道线识别，因此，在采集图像时，优选路面上没有车辆及行人或较少车辆及行人的情况下进行采集，以避免车道线被行人或车辆遮挡。车道图像的采集可以在白天或夜晚的任意时间，由于白天路面上的人流量和车流量都较大，不便于图像的采集，所以可以选择在夜晚采集图像，例如凌晨2点左右等时间本文档来自技高网...

【技术保护点】
1.一种道路边缘线识别方法，其特征在于，包括以下步骤：接收并存储采集的车道图像；对采集的车道图像进行数据标注，标记出左边缘线、右边缘线、道路中间线、路面，得到标签图像；使用采集的车道图像和数据标注后的标签图像进行卷积神经网络模型训练，得到用于识别道路边缘线的道路边缘线识别模型。

【技术特征摘要】
1.一种道路边缘线识别方法，其特征在于，包括以下步骤：接收并存储采集的车道图像；对采集的车道图像进行数据标注，标记出左边缘线、右边缘线、道路中间线、路面，得到标签图像；使用采集的车道图像和数据标注后的标签图像进行卷积神经网络模型训练，得到用于识别道路边缘线的道路边缘线识别模型。2.根据权利要求1所述的道路边缘线识别方法，其特征在于，所述对采集的车道图像进行数据标注的步骤中，若采集的车道图像是在夜晚采集得到的，则在进行数据标注之前，还包括步骤：对采集的车道图像进行效果增强处理，且在数据标注时，以效果增强后的图像为基础进行标注。3.根据权利要求2所述的道路边缘线识别方法，其特征在于，所述对采集的车道图像进行效果增强处理的步骤，包括：对原始的车道图像进行白平衡处理；对白平衡处理后的图像进行锐化处理；对锐化处理后的图像进行伽马校正。4.根据权利要求1所述的道路边缘线识别方法，其特征在于，所述使用采集的车道图像和数据标注后的标签图像进行卷积神经网络模型训练的步骤，包括：步骤1)，随机抽取一张原始的车道图像；步骤2)，将所述原始的车道图像作为卷积神经网路的输入，进行前向传播，得到预测结果；步骤3)，将得到的预测结果与标签图像中标注的类别标签进行损失计算，并根据损失进行反向传播并优化模型参数；循环执行上述步骤1至步骤3)，直至完成迭代，且每一次迭代过程，步骤1)中更换一张原始的车道图像，步骤3)中更换相应的标签图像。5.根据权利要求1所述的道路边缘线识别方法，其特征在于，在得到用于识别道路边缘线的道路边缘线识别模型...

【专利技术属性】
技术研发人员：冯汉平，高三元，
申请(专利权)人：宽凳北京科技有限公司，
类型：发明
国别省市：北京,11