一种基于嵌入式终端的深度学习实线变道检测方法技术

本发明专利技术涉及智能交通技术领域，具体涉及一种基于嵌入式终端的深度学习实线变道检测方法，本发明专利技术利用嵌入式终端获取道路图像，并对获取的图形进行图像预处理；对车道线边缘特征进行提取，建立车道线模型，判断后一时刻检测到的车辆位置与前一时刻检测到的车辆位置是否一致,若不一致则车辆发生了变道；查看最长连续黑色像素个数,判断是否为是实线，将数据作为样本输入深度学习神经网络进行学习训练，最终输入检测结果，本发明专利技术利用Hough变换来提取交通道路图像中的车道线参数，提高了检测的实时性和鲁棒性,运用了Kalman滤波器对检测出来的车道线参数进行跟踪修正，使得最终检测结果更加的精确。果更加的精确。果更加的精确。

【技术实现步骤摘要】
一种基于嵌入式终端的深度学习实线变道检测方法


[0001]本专利技术涉及智能交通
，具体涉及一种基于嵌入式终端的深度学习实线变道检测方法。

技术介绍

[0002]近几十年来,汽车为现代社会的发展和人类生活条件的改善做出了巨大贡献。但是,随着汽车保有量的增加,许多问题也就跟着来了,例如交通事故、交通拥挤、环境污染、能源浪费等,尤其是随着汽车速度的提高,恶性交通事故的发生呈不断上升趋势,死亡人数逐年增长,由此造成的经济损失不可估量。
[0003]据全球各交通和警察部门的统计,2003年全世界交通事故死亡人数为50万人,其中中国、美国和俄罗斯的交通事故死亡人数分别为10.4万人、4万人和2.6万人。2004年中国共发生道路交通事故567753起,造成99217人死亡,直接财产损失为27.7亿元。
[0004]我国万车死亡人数是发达国家的6
--
18倍,是世界道路交通事故死亡人数最多的国家。据美国运输统计局的预测,到二十一世纪二十年代初,美国每天平均将会发生将近三万起交通事故,这些交通事故将带来惊人的150Q亿美元经济损失；日本则饱受交通拥堵的折磨,交通堵塞每年会给首都东京带来大约123000亿日元的经济损失，在拥堵比较严重高速公路路段,堵塞距离达到9.37km，拥堵时间达到惊人的17小时；在英国，由于交通拥堵造成的经济损失约为每年10亿英镑,并且政府预测这一数字在未来30年将每年递增。
[0005]显然，公路交通事故已成为社会关注的一大公害,如何提高汽车安全性能,减少道路交通事故一直是人们普遍关注的社会问题和科学技术进步所面临的重要课题。微波、地感线圈等常用的检测技术由于技术限制尚无法应用在车辆变道检测上，目前对变道行为的检测仍处在人工检测层面，既耗时耗力并且检测精度又低。

技术实现思路

[0006]针对现有技术的不足，本专利技术公开了一种基于嵌入式终端的深度学习实线变道检测方法，用于解决上述
技术介绍
存在的问题。
[0007]本专利技术通过以下技术方案予以实现：
[0008]本专利技术公开一种基于嵌入式终端的深度学习实线变道检测方法，所述方法包括以下步骤：
[0009]S1利用嵌入式终端获取道路图像，并对获取的图形进行图像预处理；
[0010]S2对车道线边缘特征进行提取，并采用能加强特定方向边缘信息的方向可调滤波器来进行边缘检测；
[0011]S3建立车道线模型，对车道线拟合操作，并基于Kalman滤波器的车道线参数跟踪修正；
[0012]S4判断后一时刻检测到的车辆位置与前一时刻检测到的车辆位置是否一致,若不一致则车辆发生了变道；
[0013]S5查看最长连续黑色像素个数,如果连续黑色像素的个数超过列向量长度的30％,则认为是虚线,否则认为是实线；
[0014]S6将S4和S5中数据作为样本输入深度学习神经网络进行学习训练，最终输入检测结果。
[0015]更进一步的，所述方法中，进行车道线边缘特征提取用于强化车道线边缘信息,削弱噪声和干扰的影响,利用车道线的方向特性,加强车道线边缘，采用能加强特定方向边缘信息的方向可调滤波器来进行边缘检测。
[0016]更进一步的，所述方法中，进行车道线模型建立时采用直线作为车道线模型，利用Hough变换来提取车道线,同时根据交通道路图像的先验知识来对其极角进行约束,减小计算量。
[0017]更进一步的，所述方法中，定义车辆变道通常为三个阶段,首先是变道的前期准备阶段,是指开始执行动作到车辆达到两车道之间的标线这一过程，然后是变道的执行阶段,开始于两车道之间的标线,截止于车辆离开两车道之间的标线这一过程，最后是变道的持续阶段，由车辆离开两车道之间的标线到目标车道并且车辆在目标车道上恢复正常行驶状态为止，根据定义当后一帧检测到的车辆所在车道与前一帧检测到的车辆所在车道不同时,则可以认为车辆变道了。
[0018]更进一步的，所述方法中，将车道线每一行映射到列向量的一个元素中,从顶点所在的行开始逐行扫描直到底点所在的行,从上到下每一行对应列向量的一个元素，这样确定元素的值:每一行像素点中有离车道线距离小于3个像素且为白色的像素点,则这一行对应的列向量中的元素取1,否则取0，元素1对应白点,元素0对应黑点。
[0019]更进一步的，所述Hough变换首先把原始图像空间中给定形状的曲线或直线映射到参数空间的一个峰值格中,然后利用统计方法找出该峰值格,最后根据峰值格对应的参数确定给定形状的曲线或直线在原始图像中的位置，从而将原始图像中给定形状的曲线或直线检测问题,转变成对变换空间中峰值点的寻找问题。
[0020]本专利技术的有益效果为：
[0021]本专利技术通过用深度学习加强了算法的灵活性和准确性，并利用Hough变换来提取交通道路图像中的车道线参数，提高了检测的实时性和鲁棒性,运用了Kalman滤波器对检测出来的车道线参数进行跟踪修正，使得最终检测结果更加的精确。
附图说明
[0022]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，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的附图。
[0023]图1是一种基于嵌入式终端的深度学习实线变道检测方法原理步骤图；
[0024]图2是本专利技术实施例车道模型示意图。
具体实施方式
[0025]为使本专利技术实施例的目的、技术方案和优点更加清楚，下面将结合本专利技术实施例
中的附图，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，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动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。
[0026]实施例1
[0027]本实施例公开如图1所示的一种基于嵌入式终端的深度学习实线变道检测方法，包括以下步骤：
[0028]S1利用嵌入式终端获取道路图像，并对获取的图形进行图像预处理；
[0029]S2对车道线边缘特征进行提取，并采用能加强特定方向边缘信息的方向可调滤波器来进行边缘检测；
[0030]S3建立车道线模型，对车道线拟合操作，并基于Kalman滤波器的车道线参数跟踪修正；
[0031]S4判断后一时刻检测到的车辆位置与前一时刻检测到的车辆位置是否一致,若不一致则车辆发生了变道；
[0032]S5查看最长连续黑色像素个数,如果连续黑色像素的个数超过列向量长度的30％,则认为是虚线,否则认为是实线；
[0033]S6将S4和S5中数据作为样本输入深度学习神经网络进行学习训练，最终输入检测结果。
[0034]本实施例进行车道线边缘特征提取用于强化车道线边缘信息,削弱噪声和干扰的影响,利用车道线的方向特性,加强车道线边缘，采用能加强特定方向边缘本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于嵌入式终端的深度学习实线变道检测方法，其特征在于，所述方法包括以下步骤：S1利用嵌入式终端获取道路图像，并对获取的图形进行图像预处理；S2对车道线边缘特征进行提取，并采用能加强特定方向边缘信息的方向可调滤波器来进行边缘检测；S3建立车道线模型，对车道线拟合操作，并基于Kalman滤波器的车道线参数跟踪修正；S4判断后一时刻检测到的车辆位置与前一时刻检测到的车辆位置是否一致,若不一致则车辆发生了变道；S5查看最长连续黑色像素个数,如果连续黑色像素的个数超过列向量长度的30％,则认为是虚线,否则认为是实线；S6将S4和S5中数据作为样本输入深度学习神经网络进行学习训练，最终输入检测结果。2.根据权利要求1所述的基于嵌入式终端的深度学习实线变道检测方法，其特征在于，所述方法中，进行车道线边缘特征提取用于强化车道线边缘信息,削弱噪声和干扰的影响,利用车道线的方向特性,加强车道线边缘，采用能加强特定方向边缘信息的方向可调滤波器来进行边缘检测。3.根据权利要求1所述的基于嵌入式终端的深度学习实线变道检测方法，其特征在于，所述方法中，进行车道线模型建立时采用直线作为车道线模型，利用Hough变换来提取车道线,同时根据交通道路图像的先验知识来对其极角进行约束,减小计算量。4.根据权利要求1所述的基于嵌入式终端的深度学习实线变道...

【专利技术属性】
技术研发人员：张中，周鹤，王宁鹏，
申请(专利权)人：合肥湛达智能科技有限公司，
类型：发明
国别省市：