一种车辆的车道线压线判断方法和系统技术方案

本发明专利技术涉及一种智能驾驶技术领域，具体涉及一种车辆的车道线压线判断方法和系统；现有技术中的判断方法，鲁棒性差、计算量大，还可能存在判断错误的情况；本发明专利技术提供了一种车辆压线判断方法，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，与之前的方法相比具有显著优势。

A method and system for judging lane line pressure of vehicles

【技术实现步骤摘要】
一种车辆的车道线压线判断方法和系统
本专利技术涉及一种智能驾驶
，具体涉及一种车辆压线判断方法和系统。
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。
技术实现思路
有鉴于此，本申请提出了一种车辆压线判断方法，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:将待检测道路图像输入到虚线车道线端点检测模型，得到车道线端点信息；所述虚线车道线端点检测模型通过对当前道路图像进行特征提取，并对提取到的特征进行映射，得到表征车道线的向量；步骤S3: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；步骤S4:判断车辆和车道线的位置关系。优选地，所述虚线车道线端点检测模型的训练方法包括以下步骤：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：将所述道路样本图像输入到预先建立的初始神经网络模型；步骤103：利用所述道路样本图像训练所述神经网络模型，得到所述虚线车道线端点检测模型。优选地，在步骤102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，得到虚线车道线端点检测模型。优选地，所述车辆的运动方程表示为：其中ui为通过其他方式获取的车辆运动信息如惯性测量单元等，这并不是必须的；wi为噪声，函数f()是确定的几何关系映射。。优选地，在步骤S3中，特征点的观测方程为：观测方程表示在i时刻对j特征点的观测数据；以上公式中，zi,j和ui通过传感器获取，υi,j是误差项。函数f()和h()是确定几何关系映射；通过上述方程求解出与其中就表示车辆的精确位置，而通过对特征点位置进行集合，就可以构建出局部地图。本专利技术还提供了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；所述虚线车道线端点检测模型通过对当前道路图像进行特征提取，并对提取到的特征进行映射，得到表征车道线的向量；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。优选地，所述虚线车道线端点检测模型的训练方法包括以下步骤：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：将所述道路样本图像输入到预先建立的初始神经网络模型；步骤103：利用所述道路样本图像训练所述神经网络模型，得到所述虚线车道线端点检测模型。优选地，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，得到虚线车道线端点检测模型。优选地，局部地图建立单元中，所述车辆的运动方程表示为：其中ui为通过其他方式获取的车辆运动信息如惯性测量单元等，这并不是必须的；wi为噪声，函数f()是确定的几何关系映射。优选地，局部地图建立单元中，特征点的观测方程为：观测方程表示在i时刻对j特征点的观测数据；以上公式中，zi,j和ui可以通过传感器获取，而我们的目标就是通过上述方程求解出与其中就表示车辆的精确位置，而通过对特征点位置进行集合，就可以构建出局部地图。本专利技术的另一方面，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)本专利技术基于深度卷积神经网络，对车道线虚线端点进行识别，同时以虚线端点为关键点，建立局部地图，可以达到弥补被遮挡的车道线以及视野外的车轮附近的车道线的效果，判断车轮位置与车道线关系，从而对车辆压线进行判断。这里与现有技术不同的是没有依赖于图像进行检测，而是采用了建立局部地图的方式，相比而言对车道线的判断更加准确。(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。(3)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，实践验证符合本专利技术技术方案的需要。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本文档来自技高网...

【技术保护点】
1.一种车辆压线判断方法，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虚线车道线端点检测模型，得到车道线端点信息；所述虚线车道线端点检测模型通过对当前道路图像进行特征提取，并对提取到的特征进行映射，得到表征车道线的向量；/n步骤S3: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；/n步骤S4:判断车辆和车道线的位置关系。/n

【技术特征摘要】
1.一种车辆压线判断方法，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虚线车道线端点检测模型，得到车道线端点信息；所述虚线车道线端点检测模型通过对当前道路图像进行特征提取，并对提取到的特征进行映射，得到表征车道线的向量；
步骤S3: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；
步骤S4:判断车辆和车道线的位置关系。


2.根据权利要求1所述的方法，其特征在于：所述步骤S2中所述虚线车道线端点检测模型的训练方法包括以下步骤：
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：将所述道路样本图像输入到预先建立的初始神经网络模型；
步骤103：利用所述道路样本图像训练所述初始神经网络模型，得到所述虚线车道线端点检测模型。


3.根据权利要求2所述的方法，其特征在于：在所述步骤102中，以FasterR-CNN作为所述初始神经网络模型，得到虚线车道线端点检测模型。


4.根据权利要求1-3中任一项所述的方法，其特征在于：在步骤S3中，所述对车辆的运动估计包括提供所述车辆的运动方程，所述车辆的运动方程表示为：



特征点的观测方程为：



其中ui为通过其他方式获取的车辆运动信息；wi为噪声；zi,j为在i时刻对j特征点的观测数据：所述zi,j通过传感器获取，υi,j是误差项；函数f()和h()表示确定的几何关系映射；通过所述车辆的运动方程和所述特征点的观测方程求解出与其中表示车辆的精确位置，而通过对所述特征点位置进行集合，构建出局部地图。


5.一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...

【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