车道线检测方法、系统及电子设备技术方案

本发明专利技术提供一种车道线检测方法、系统及电子设备，本发明专利技术对车载前视单目摄像头采集的图像进行处理，通过单阶段物体检测框架FCOS直接预测车道线的四个贝塞尔曲线控制点，即将现有的车道线(纹理或边缘)检测问题转化为车道线的四个贝塞尔曲线控制点的预测问题，从而实现端到端地直接输出实例级车道线对应的贝塞尔曲线参数方程表达式，不需要人工制定车道线的推断规则，省略了车道线的匹配、推断和拟合的复杂后处理过程，并且适用于各种形状的车道线，包括直线，曲线和S形曲线等车道线，以及对车道线的纹理缺失，恶劣的天气情况和较弱的能见度具有一定的容忍度，这种方式极大的简化了车道线检测的中间步骤。车道线检测的中间步骤。车道线检测的中间步骤。

【技术实现步骤摘要】
车道线检测方法、系统及电子设备


[0001]本专利技术属于车道线检测
，尤其涉及一种车道线检测方法、系统及电子设备。

技术介绍

[0002]现阶段，随着人工智能技术的不断成熟，与之相关的自动驾驶和辅助驾驶系统也被广泛开发和商用。上述系统中的一个关键组成部分是感知模块，它通过各种车载传感器全面识别和理解车辆周围的环境。
[0003]车道是一个重要的感知目标，由于车道是通过车道线来划分，需要我们对车辆周围以及前方的车道线进行精确地识别与定位，规划安全可行的行驶路线，从而避免与其它车辆发生碰撞。通过车道线检测，车辆能够被准确地定位在车道内，并辅助后续的车道偏离、车道保持或轨迹规划模块做出合理的决策。大部分现有车辆都会配备前视摄像头，我们可以通过车载视觉系统实时地获取车辆前方的环境图像，从而在该图像上对车道线进行识别与定位并计算每条车道线的位置，以便轨迹规划模块控制车辆保持在相应的车道内行驶。因此，实时且精确的车道线检测是实现完全自动驾驶的关键推动因素。
[0004]目前，车道线检测通常基于一系列传统的图像处理方法，包括截取有效信本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种车道线检测方法，其特征在于，包括：S101、将待检测的车辆前视图片输入预训练的模型，得到图片中每个特征点的车道线类别得分、中心性、车道线的回归框以及车道线的四个贝塞尔曲线控制点；所述模型被端到端地训练为：通过backbone网络从输入的车辆前视图片中提取特征，输出特征层，将所述特征层输入FCOS head，通过堆叠卷积层预测图片中每个特征点的车道线类别得分、中心性、车道线的回归框以及车道线的四个贝塞尔曲线控制点；训练所述模型的样本图片为车辆前视图片，对应的标签包括图片中每一条车道线的回归框归框以及每一条车道线的四个贝塞尔曲线控制点C＝[b1,b2,b3,b4]，其中，和代表车道线上的特征点p
i
的x坐标和y坐标，min()和max()代表最小值和最大值函数，C代表四个贝塞尔曲线控制点的集合，b1、b2、b3以及b4分别代表四个贝塞尔曲线控制点；S102、将得到的车道线类别得分以及中心性分别输入sigmoid函数,分别得到第一输出值以及第二输出值，两者的值域为[0,1]；S103、将第一输出值与第一阈值进行对比，过滤掉非车道线类别的特征点；S104、通过如下公式计算过滤后剩余每个特征点的车道线置信度s
final
：s
final
＝s
cls
*ctn，其中，s
cls
代表特征点对应的第一输出值，ctn代表特征点对应的第二输出值；S105、根据步骤S104得到的s
final
，通过非极大值抑制NMS方法对剩余的所有特征点进行过滤，得到最终的特征点；S106、根据最终的特征点对应的回归框、四个贝塞尔曲线控制点拟合成车道线。2.根据权利要求1所述的一种车道线检测方法，其特征在于，训练所述模型时，将如下四个损失函数相加，并通过梯度反向传导方式优化所述模型的参数：对车道线类别得分的学习，使用Focal loss函数：FL(p
t
)＝
‑
α
t
(1
‑
p
t
)
γ
log(p
t
).其中，y∈{1，
‑
1}代表车道线的类别和背景类别，p∈[0，1]代表模型预测的车道线类别得分，α
t
和γ为损失函数调节参数，p
t
是关于p的分段函数；对车道线的回归框的学习以及对车道线的四个贝塞尔曲线控制点的学习，分别使用一个Smooth L1 loss函数：其中，对于车道线的回归框的学习，t代表根据车道线回归框坐标计算的回归量，p
r
代表模型预测的回归量；对于车道线的四个贝塞尔曲线控制点的学习，t代表计算得到的控制点位置，p
r
代表模型预测的控制点位置；对车道线的中心性的学习，使用BCE loss函数：
L
cls
(c，p
c
)＝E
c
[
‑
(c*log(p
c
...

【专利技术属性】
技术研发人员：胡启昶，李发成，陈宇，张如高，虞正华，
申请(专利权)人：苏州魔视智能科技有限公司，
类型：发明
国别省市：