一种虚线车道线端点检测模型的训练方法技术

本发明专利技术涉及一种智能驾驶技术领域，具体涉及一种虚线车道线端点检测模型的训练方法。本发明专利技术还提供了一种车辆压线判断方法，其中用到了虚线车道线检测模型的训练方法，该训练方法通过对虚线车道线的端点进行标注来表示车道线位置，并且在初始神经网络模型基础上，采用微调的方法，利用道路样本图像，对神经网络进行训练。现有技术中对于车道线的判断方法，鲁棒性差、计算量大，还可能存在判断错误的情况；采用本发明专利技术的训练方法得到的检测模型，可以在不规则的车道线附近(如S型车道线，弯道等)仅靠前视摄像头采集的信息来判断车辆压线的情况，与现有技术相比具有显著优势。

A training method of detection model of dashed Lane end

【技术实现步骤摘要】
一种虚线车道线端点检测模型的训练方法
本专利技术涉及一种智能驾驶
，具体涉及一种虚线车道线端点检测模型的训练方法。
技术介绍
随着科学技术的发展，自动驾驶、无人车等新兴概念应运而生。车道线端点检测技术是先进驾驶辅助系统的道路场景分析中的重要元素，是自动驾驶技术中一个不可或缺的部分。正常的车道线通常以多种样式的标记线的形式标记在道路地面上。车辆的摄像头等传感器可以获取车辆当前所处的环境的视觉图像，采用车道线检测技术对传感器获取的车辆前方或后方道路图像信息进行处理，可以得到图像中的车道线的位置，从而指导车辆的驾驶。但是在实际中，车道线会被前车短暂遮挡，无法判断车道线的准确位置，同时在遇到弯道等非直线车道时，车轮相对于车道线的位置也无法判断。这对于车道偏离预警，车道保持等功能会造成影响。现有的车道线检测方法，一类是基于特征的算法，主要是利用颜色、纹理、形状等信息来提取车道线，但是当路面光照发生变化、标志线磨损或者路面出现水渍、阴影等情况时，都将会影响检测效果。一类是基于模型的算法，这种方法首先估计道路模型，然后利用霍夫变换或者其他图像信息确定模型参数，常用的道路模型有直线模型、抛物线模型、三次样条曲线模型等，这种方法也存在鲁棒性差、计算量大等缺点。对于车辆是否压线，在只依靠前视摄像头的情况下进行车辆压线判断时，现有方法依靠的是当前帧的检测结果，对其进行图像分析判断。这一方面只依赖于图像进行分析，但是车辆压线在很多情况下是一个未定的问题，比如在遇到弯道时车轮所在的点在镜头以外，直接将检测到的车道线进行反向延长得到的是错误的结果。出现上述缺陷的一个方面在于没有形成一个有效的车道线检测模型。更没有引入神经网络等模型工具进行优化处理，没有对车道线的特殊点的选择和提取进行考虑，这些都造成了对车道线识别的欠缺。
技术实现思路
针对目前对车道线模型的建立以及训练没有形成有效的体系的缺点，提出本专利技术。本专利技术的第一方面，是提出了一种虚线车道线端点检测模型的训练方法，该方法包括：步骤101：获取道路样本图像，所述道路样本图像标注有虚线车道线端点的位置信息；步骤102：将所述道路图像输入到预先建立的初始神经网络模型；步骤103：利用所述样本图像训练所述初始神经网络模型，得到虚线车道线端点检测模型；其中所述步骤102中初始神经网络模型中包含空间金字塔池化层，并适应任意大小的图片，以满足不对道路样本图像进行缩放，以避免图像信息的损失。优选地，其中所述步骤101中对所述道路样本图像标注包括：对虚线车道线端点是否为静态的端点进行标识。优选地，在所述步骤103中为所述初始神经网络模型中的卷积层充分学习道路样本图像中的车道线位置的特征，根据学习到的所述道路样本图像的相关特征以及所述初始神经网络模型中的全连接层对相关特征进行映射，得到所述车道线位置的识别结果，将所述车道线位置的识别结果与所述道路样本图像预先标注的车道线位置进行比较，对初始神经网络模型的参数进行优化，当所述初始神经网络模型经过多次训练样本的迭代训练后，获得所述虚线车道线端点检测模型。本专利技术的第二方面，提供一种车辆压线判断系统，其特征在于：所述系统包括待检测道路图像获取单元、虚线车道线端点检测模型、局部地图建立单元；所述系统将所述图像获取单元获取的待检测道路图像输入到所述虚线车道线端点检测模型，得到车道线端点信息；其中所述虚线车道线端点检测模型采用上述的训练方法训练得到；所述局部地图建立单元通过对车辆的运动估计，对所述车道线端点进行跟踪；建立局部地图；所述系统通过所述车辆在所述局部地图中的位置关系判断所述车辆是否压线。优选的，还包括一报警单元，该报警单元用于在所述局部地图建立单元判断所述车辆压线后发出报警信号。本专利技术的第三方面，是提供一种应用，该应用是上述的训练方法在车辆是否压线的应用。本专利技术的第四方面，是提供一种计算机可读存储介质，其上存储有计算机指令，其特征在于，该指令被处理器执行时实现上述的训练方法。本专利技术的专利技术点在于以下几点，但不限于以下几点：(1)本专利技术提出了一种全新的端点检测模型的训练方法，该训练方法的基础是获取的图像中对于车道的识别选择了特殊的端点，并且对虚线车道线端点是否为静态的端点进行标识，现有技术中没有对端点进行标注来表示车道线位置，更没有区分出是否为静态的端点。本专利技术的上述做法有利于神经网络的学习，对检测模型的准确度有提高。(2)可以使得初始神经网络模型对同一尺寸或不同尺寸的道路样本图像进行学习，从而能够更快速、更准确地对道路样本进行处理，提高模型的训练效率。这其中用到的神经网络模型中可以包含空间金字塔池化层，以避免对图像信息的损失。这里需要注意的是，该处为了避免对图像信息的损失选择包含空间金字塔池化层的神经网络，但不意味所有具务这一特征的神经网络都能适用于该模型之中。在车道线检测模型之中，上述提到了静态端点的识别，并不是所有模型都能很好的适配。(3)本专利技术通过将在对象检测领域取得非常好的结果的卷积神经网络方法引入车道线端点检测中，可以实现对虚线车道线的高效检测，同时基于检测到的虚线端点建立局部地图，可以在不规则的车道线附近(如S型车道线，弯道等)仅靠前视摄像头采集的信息来判断车辆压线的情况。现有技术中对于不规则的车道线没有很好的识别，本专利技术与现有技术中的方法因上述技术手段而具有显著优势。(4)本专利技术具体采用FasterR-CNN作为初始神经网络模型，修改其部分结构后，对其进行适应于车道线检测的微调，具体包括：根据学习到的所述道路样本图像的相关特征，所述初始神经网络模型中的全连接层对相关特征进行映射，得到所述车道线位置的识别结果，这些都是基于特殊环境下的特殊处理。将所述道路样本图像的相关特征提取以及神经网络模型的优化相结合以满足模型训练的要求。现有技术中因没有引入相关特征的选择以及神经网络的优化，使车道线的判断方法，鲁棒性差、计算量大，还可能存在判断错误的情况。本专利技术不但引入上述技术手段，并且将其代入车道线检测这一应用环境之中，将两者相结合，解决了现有技术中的上述问题。附图说明此处所说明的附图用来提供对本专利技术的进一步理解，构成本申请的一部分，并不构成对本专利技术的限定。在附图中：图1为本申请实施例中一种虚线车道线端点检测模型的训练方法的流程图；图2为正常的车道线端点标记示意图；图3为本申请实施例中一种车道线检测及车辆压线判断方法的流程图；图4为本申请实施例中一种通过深度学习对车道线端点进行识别的算法框架。具体实施例为使本专利技术的目的、技术方案和优点更加清楚明白，下面结合实施方式和附图，对本专利技术做进一步详细说明。在此，本专利技术的示意性实施方式及其说明用于解释本专利技术，但并不作为对本专利技术的限定。本申请实例提供了一种虚线车道线端点检测模型的训练方法和基于该虚线车道线端点检测模型的车道线端检测及车辆压线判断算法。上述虚线车道线端点检测模型以及车道线端点检测及本文档来自技高网...

【技术保护点】
1.一种虚线车道线端点检测模型的训练方法，该方法包括：/n步骤101：获取道路样本图像，所述道路样本图像标注有虚线车道线端点的位置信息；/n步骤102：将所述道路图像输入到预先建立的初始神经网络模型；/n步骤103：利用所述样本图像训练所述初始神经网络模型，得到虚线车道线端点检测模型；/n其中所述步骤101中对所述道路样本图像标注包括：对所述虚线车道线端点是否为静态的端点进行标识。/n

【技术特征摘要】
1.一种虚线车道线端点检测模型的训练方法，该方法包括：
步骤101：获取道路样本图像，所述道路样本图像标注有虚线车道线端点的位置信息；
步骤102：将所述道路图像输入到预先建立的初始神经网络模型；
步骤103：利用所述样本图像训练所述初始神经网络模型，得到虚线车道线端点检测模型；
其中所述步骤101中对所述道路样本图像标注包括：对所述虚线车道线端点是否为静态的端点进行标识。


2.根据权利要求1所述的训练方法，所述步骤102中所述初始神经网络模型中包含空间金字塔池化层，并适应任意大小的图片，以满足不对道路样本图像进行缩放，避免图像信息的损失。


3.根据权利要求1-2中任一项所述的训练方法，在所述步骤102中，以FasterR-CNN作为所述初始神经网络模型。


4.根据权利要求1-3中任一项所述的训练方法，在所述步骤103中，所述初始神经网络模型中的卷积层充分学习道路样本图像中的车道线位置的特征，根据学习到的所述道路样本图像的相关特征以及所述初始神经网络模型中的全连接层对相关特征进行映射，得到所述车道线位置的识别结果；将所述车道线位置...

【专利技术属性】
技术研发人员：张驰，陈佳辉，蒋竺希，
申请(专利权)人：初速度苏州科技有限公司，
类型：发明
国别省市：江苏;32