The invention discloses a lane line recognition method based on TensorFlow and OpenCV, identifies lane lines from road images and establishes lane line fitting equation, which solves the problem of multiple interference items and low recognition rate encountered in traditional lane line recognition algorithm. The invention uses TensorFlow to establish convolution and deconvolution neural network model, which can realize semantics segmentation of road image after training, so that the model can realize pixel-level classification of lane area in road image, and then establishes image binarization method with variable threshold, binarizes the output image of neural network, and distinguishes Lane area in road image. Finally, OpenCV is used to establish the method of extracting lane line coordinate points, so as to further eliminate interference items, extract lane line coordinate points from binary images, and establish lane line equation. The proposed algorithm has the characteristics of high efficiency and high recognition rate, and has good robustness in practical application.
【技术实现步骤摘要】
基于TensorFlow和OpenCV的车道线识别方法
本专利技术属于车辆自动驾驶图像识别技术,具体涉及一种基于TensorFlow和OpenCV的车道线识别方法。
技术介绍
车道线识别算法是自动驾驶算法中的重要组成部分,该算法采用的是图像处理技术,从车前CCD相机中采集到的原始道路图像中提取车道线上的点,并建立车道线方程,以完成对道路图像中的车道线识别的功能。但是,由于道路图像复杂,干扰项多,导致基于传统的图像处理方法不能够满足自动驾驶车辆对车道线识别精度的要求。
技术实现思路
针对上述问题,本专利技术提出了一种基于TensorFlow和OpenCV的车道线识别方法,该识别方法采用的算法融合了当前先进的图像识别技术和传统图像处理技术的优点,前者通过神经网络模型提取道路图像中的车道线特征,实现了对道路图像的车道线区域像素点级的分类功能;后者针对车道线的特点建立一系列的图像处理算法,这些算法能够进一步地去除干扰项目,获得更佳的车道线识别效果。本专利技术提出的算法具有效率高、识别率高的特点,并且在实际应用中也有较好的鲁棒性。本专利技术提出的设计方法包含以下步骤:步骤1.图像数据集的制作方法:制作图像数据集的原始图像数据来源于车前CCD相机采集到的彩色道路图像,本专利技术利用这些图像生成用于神经网络训练的图像数据集。该制作方法包括图像标注方法、图像处理方法和生成图像数据集方法。图像标注方法通过手工进行图像标注,利用LabelMe标注软件将原始图像中的车道线区域框选出来,输出的标注图像为二值图像;图像处理方法是将标注图像和原始图像分别经过处理后生成神经网络模型训练所需 ...
【技术保护点】
1.基于TensorFlow和OpenCV的车道线识别方法,其特征在于,包括如下:步骤1.图像数据集的制作方法:制作图像数据集的原始图像数据来源于车前CCD相机采集到的彩色道路图像,本专利技术利用这些图像生成用于神经网络训练的图像数据集;步骤2.神经网络模型的设计方法:采用卷积神经网络模型;步骤3.可变阈值的图像二值化方法:将所述卷积神经网络模型输出的具有车道线特征的图像进行二值化处理;步骤4,提取车道线坐标点的方法:利用OpenCV建立提取车道线坐标点算法,从经过二值化处理后的道路图像中提取出车道线坐标点;步骤5.建立车道线拟合方程的方法:利用提取到的车道线坐标点建立车道线拟合方程并求解该方程得到车道线识别结果。
【技术特征摘要】
1.基于TensorFlow和OpenCV的车道线识别方法,其特征在于,包括如下:步骤1.图像数据集的制作方法:制作图像数据集的原始图像数据来源于车前CCD相机采集到的彩色道路图像,本发明利用这些图像生成用于神经网络训练的图像数据集;步骤2.神经网络模型的设计方法:采用卷积神经网络模型;步骤3.可变阈值的图像二值化方法:将所述卷积神经网络模型输出的具有车道线特征的图像进行二值化处理;步骤4,提取车道线坐标点的方法:利用OpenCV建立提取车道线坐标点算法,从经过二值化处理后的道路图像中提取出车道线坐标点;步骤5.建立车道线拟合方程的方法:利用提取到的车道线坐标点建立车道线拟合方程并求解该方程得到车道线识别结果。2.根据权利要求1所述的基于TensorFlow和OpenCV的车道线识别方法,其特征在于,步骤1中,所述图像数据集的制作方法包括:图像标注方法、图像处理方法和生成图像数据集方法;所述图像标注方法通过手工进行图像标注,利用LabelMe标注软件将道路原始图像中的车道线区域框选出来,输出的标注图像为二值图像;所述图像处理方法是将标注图像和原始图像分别经过处理后生成神经网络模型训练所需要的两种图像,包括训练时的神经网络输入图像和计算交叉熵时的输入图像;具体地:所述图像处理方法用于处理所述图像标注方法的输出图像时包括图像裁剪、图像缩放和图像二值化过程,用于处理所述彩色道路图像时包括图像裁剪、图像缩放和图像灰度化过程;所述图像裁剪是从图像高度方向按照固定的大小将待处理图像中的非车道区域去除,图像的宽度则保持不变;所述图像缩放使用的是双线性插值法将所述图像裁剪后输出图像的大小缩放至固定的尺寸,图像缩放后其宽度和高度相等;所述图像二值化是将图像缩放后输出图像的像素值与阈值比较,并根据比较结果修改像素值,当图像的像素值小于阈值时,其将被设定为0,否则被设定为255;所述图像灰度化是将图像缩放后输出图像的颜色转换为灰度;所述生成图像数据集方法是利用TensorFlow的图像数据集格式TFRecord,将图像处理方法中的两种图像打包成图像数据集。3.根据权利要求2所述的基于TensorFlow和OpenCV的车道线识别方法,其特征在于,所述道路原始图像中的车道线区域包括车道虚线、车道实线、车道双虚线和车道双实线;所述图像处理方法的输出图像包括对所述图像标注方法的输出图像经过预处理后的输出图像,和对所述彩色道路图像经过预处理后的输出图像。4.根据权利要求1所述的基于TensorFlow和OpenCV的车道线识别方法,其特征在于,步骤2中,所述卷积神经网络模型包含8层,别为卷积层1、卷积层2、卷积层3、最大池化层、反最大池化层、反卷积层3、反卷积层2、反卷积层1;所述卷积层1的过滤器尺寸为2×2,过滤器深度为32,过滤器移动步长为1×1;所述卷积层2的过滤器尺寸为2×2,过滤器深度为64,过滤器移动步长为1×1;所述卷积层3的过滤器尺寸为3×3,过滤器深度为128,过滤器移动步长为1×1;所述最大池化层的过滤器尺寸为2×2,过滤器移动步长为2×2,使用全零填充;所述反最大池化层的过滤器尺寸为2×2,过滤器移动步长为2×2,使用全零填充;所述反卷积层3的过滤器尺寸为3×3,过滤器深度为64,过滤器移动步长为1×1;所述...
【专利技术属性】
技术研发人员:王权,卢思源,尹升,刘胜,
申请(专利权)人:江苏大学,
类型:发明
国别省市:江苏,32
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。