一种特殊线型车道线检测方法及系统技术方案

本发明专利技术涉及一种智能驾驶技术领域，具体涉及一种特殊线型车道线检测方法及系统；现有技术中不能很好地解决特殊线型如Y型线检测问题；本发明专利技术基于深度卷积神经网络，将车道线检测形式化为正常车道线和Y型线两种类型的检测，直接用两条线联合表示Y型线，进行通过分支分离，一个分支负责预测正常的线型,一个分支专注预测Y型线，可以很好的解决Y型线的检测问题。

A detection method and system of lane line with special line type

【技术实现步骤摘要】
一种特殊线型车道线检测方法及系统
本专利技术涉及一种智能驾驶
，具体涉及一种车道线检测方法及系统。
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。具体的，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。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。在道路出现匝道的地方，通常会出现一种特殊线型的车道线，也就是Y型线，如图1所示。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。大量研究发现：直线模型虽然算法简单运行速度快，但是不适合弯曲的车道线检测，应用范围窄；抛物线模型易受到复杂道路环境的影响，鲁棒性不好；三次样条曲线模型虽然检测效果比较好，但是算法复杂计算量大。此外，现有的车道线检测方法不能很好地解决特殊线型如Y型线检测问题。
技术实现思路
有鉴于此，本申请提出了一种车道线检测方法，其特征在于：所述方法包括以下步骤：步骤S1：获取待检测道路图像；r>步骤S2：将所述待检测道路图像输入到车道线检测模型，得到神经网络模型的输出信息，所述输出信息包括至少两种不同类型车道线的概率；步骤S3：对所述输出信息进行解析，得到所有预测的车道线；步骤S4：对所有预测的车道线进行非极大值抑制后处理，得到最终的车道线检测结果。优选地，所述车道线检测模型的训练方法包括以下步骤：步骤11：获取道路样本图像，所述道路样本图像标注有正常车道线与Y型车道线的位置信息；步骤12：将所述道路样本图像输入到预先建立的初始神经网络模型；步骤13：利用所述道路样本图像训练所述初始神经网络模型，得到所述车道线检测模型。优选地，在步骤12中，可以采用FasterR-CNN作为初始神经网络模型，修改其部分结构后，对其进行微调，得到车道线检测模型。优选地，在步骤S2中，所述输出信息还包括至少两种不同类型车道线的回归信息。优选地，在步骤S3中，解析方式如下：(1)在正常车道线的分类预测值中预测此单元是车道线的概率大于正常车道线阈值，且Y型车道线的分类预测值中预测此单元是车道线的概率小于Y型车道线阈值时，认为此区域内存在正常车道线，同时将正常车道线的回归结果返回；(2)在正常车道线的分类预测值中预测此单元是车道线的概率大于正常车道线阈值，且Y型车道线的分类预测值中预测此单元是车道线的概率大于Y型车道线阈值时，认为此区域内存在Y型车道线，同时将Y型车道线的回归结果返回；(3)在正常车道线的分类预测值中预测此单元是车道线的概率小于正常车道线阈值时，认为此单元内不含车道线。本专利技术还提供了一种车道线检测系统，其特征在于：所述系统包括：待检测道路图像获取单元、车道线检测模型、预测解析单元、处理单元；所述系统所述将待检测道路图像获取单元获取的图像输入到所述车道线检测模型，所述车道线检测模型输出神经网络模型的输出信息，述输出信息包括至少两种不同类型车道线的概率；所述预测解析单元对所述输出信息进行解析，得到所有预测的车道线；所述处理单元对所有预测的车道线进行非极大值抑制后处理，得到最终的车道线检测结果。优选地，所述车道线检测模型的训练方法包括以下步骤：步骤11：获取道路样本图像，所述道路样本图像标注有正常车道线与Y型车道线的位置信息；步骤12：将所述道路样本图像输入到预先建立的初始神经网络模型；步骤13：利用所述道路样本图像训练所述神经网络模型，得到所述车道线检测模型。优选地，采用FasterR-CNN作为初始神经网络模型，修改其部分结构后，对其进行微调，得到车道线检测模型。优选地，所述输出信息还包括至少两种不同类型车道线的回归信息。优选地，所述预测解析单元解析方式如下：(1)在正常车道线的分类预测值中预测此单元是车道线的概率大于正常车道线阈值，且Y型车道线的分类预测值中预测此单元是车道线的概率小于Y型车道线阈值时，认为此区域内存在正常车道线，同时将正常车道线的回归结果返回；(2)在正常车道线的分类预测值中预测此单元是车道线的概率大于正常车道线阈值，且Y型车道线的分类预测值中预测此单元是车道线的概率大于Y型车道线阈值时，认为此区域内存在Y型车道线，同时将Y型车道线的回归结果返回；(3)在正常车道线的分类预测值中预测此单元是车道线的概率小于正常车道线阈值时，认为此单元内不含车道线。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)本专利技术基于深度卷积神经网络，将车道线检测形式化为正常车道线和Y型线两种类型的检测，直接用两条线联合表示Y型线，进行通过分支分离，一个分支负责预测正常的线型，一个分支专注预测Y型线，可以很好的解决Y型线的检测问题；在这里，分支分离与深度卷积神经网络处于解决Y型线检测识别的目的相互配合，不是两者的简单叠加。(2)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检测中，并且对其进行优化，既可以有效地解决多种路面状况下车道线检测鲁棒性差的问题，又可以实现对特殊线型的检测，与传统方法相比有很大进步。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为正常的车道线与特殊型线Y型线的示意图；图2为本申请实施例中一种特殊线型车道线检测模型的训练方法的流程图；图3为本申请实施例中一种特殊线型车道线检测方法的流程图；图4为本申请实施例一种可能的实现方式的算法框架。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特殊线型车道线检测模型的训练方法和基于该特殊线型车道线检测模型的特殊线型车道线检测方法。上述特殊线型车道线检测模型以及特殊线型车道线检测方法，可以应用于终端、服务器或者二者的结合。其中，终端可以是现有的、正在研发的或将来研发的、能够通过任何形式的有线和/或无线连接(例如，Wi-Fi、LAN、蜂窝、同轴电缆等)实现与服务器交互的任何用户设备，包括但不限于：现有的、正在研发的或将来研发的智能手机、非智能手机、平板电脑、膝上型个人计算机、桌面型个人计算机、小型计算机、中型计算机、大型计算机等。本申请实施例中服务器可以是现有的、正在研发本文档来自技高网...

【技术保护点】
1.一种车道线检测方法，其特征在于：所述方法包括以下步骤：/n步骤S1：获取待检测道路图像；/n步骤S2：将所述待检测道路图像输入到车道线检测模型，得到神经网络模型的输出信息，所述输出信息包括至少两种不同类型车道线的概率；/n步骤S3：对所述输出信息进行解析，得到所有预测的车道线；/n步骤S4：对所述所有预测的车道线进行非极大值抑制后处理，得到最终的车道线检测结果。/n

【技术特征摘要】
1.一种车道线检测方法，其特征在于：所述方法包括以下步骤：
步骤S1：获取待检测道路图像；
步骤S2：将所述待检测道路图像输入到车道线检测模型，得到神经网络模型的输出信息，所述输出信息包括至少两种不同类型车道线的概率；
步骤S3：对所述输出信息进行解析，得到所有预测的车道线；
步骤S4：对所述所有预测的车道线进行非极大值抑制后处理，得到最终的车道线检测结果。


2.根据权利要求1所述的方法，其特征在于：形成所述车道线检测模型包括对所述车道线检测模型的训练，所述训练的方法包括以下步骤：
步骤11：获取道路样本图像，所述道路样本图像标注有正常车道线与Y型车道线的位置信息；
步骤12：将所述道路样本图像输入到预先建立的初始神经网络模型；
步骤13：利用所述道路样本图像训练所述初始神经网络模型，得到所述车道线检测模型。


3.根据权利要求2所述的方法，其特征在于：在步骤12中，可以采用FasterR-CNN作为初始神经网络模型，修改其部分结构后，对其进行微调，得到所述车道线检测模型。


4.根据权利要求1所述的方法，其特征在于：在步骤S2中，所述输出信息还包括至少两种不同类型车道线的回归信息。


5.根据权利要求4所述的方法，其特征在于：在步骤S3中，所述解析的方式包括：(1)在正常车道线的分类预测值中预测此单元是车道线的概率大于正常车道线阈值，且Y型车道线的分类预测值中预测此单元是车道线的概率小于Y型车道线阈值时，认为此区域内存在正常车道线，同时将正常车道线的回归结果返回；(2)在正常车道线的分类预测值中预测此单元是车道线的概率大于正常车道线阈值，且Y型车道线的分类预测值中预测此单元是车道线的概率大于Y型车道线阈值时，认为此区域内存在Y型车道线，同时将Y型车道线的回归结果返回；(3)在正常车道线的分类预测值中预测此单元是车道线的概率小于正常车道线阈值时，认为此单元内不含车道线。...

【专利技术属性】
技术研发人员：张驰，蒋竺希，陈佳辉，
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