车道线结构识别方法、装置、设备及介质制造方法及图纸

本发明专利技术实施例公开了车道线结构识别方法、装置、设备及介质。该方法包括：首先获取包含多种类型车道线结构的样本图像，并对样本图像进行预处理；将预处理后的样本图像基于可变卷积神经网络进行处理，得到每个样本图像对应的包含车道线结构的二值图；基于包含车道线结构的二值图训练分类模型，并将训练完成的分类模型用于对视频中车道线结构的识别。通过采用上述技术方案，可以达到快速识别车道线结构的目的，提高了自动驾驶时车道线结构的提取效率，加速自动驾驶算法的开发进程的技术效果。加速自动驾驶算法的开发进程的技术效果。加速自动驾驶算法的开发进程的技术效果。

【技术实现步骤摘要】
车道线结构识别方法、装置、设备及介质


[0001]本专利技术实施例涉及计算机
，尤其涉及车道线结构识别方法、装置、设备及介质。

技术介绍

[0002]在自动驾驶技领域中，车辆行驶过程中对道路结构的识别有着重要意义。
[0003]随着深度学习目标检测技术的发展，基于车载视频的前车变道以及行人入侵等场景提取的算法逐渐发展起来。但是，这些算法都是针对交通参与物交互的提取场景，但目前自动驾驶车辆一般都是用摄像头结合毫米波雷达的进行环境的感知，所以识别车道线结构对毫米波雷达的感知干扰也是自动驾驶车辆需要解决的关键问题。

技术实现思路

[0004]本专利技术实施例提供了车道线结构识别方法、装置、设备及介质，可以优化现有的车道线结构识别方案。
[0005]第一方面，本专利技术实施例提供了一种车道线结构识别方法，包括：
[0006]获取包含多种类型车道线结构的样本图像，并对所述样本图像进行预处理；
[0007]将所述预处理后的样本图像基于可变卷积神经网络进行处理，得到每个样本图像对应的包含车道线结构的二值图；
[0008]基于所述包含车道线结构的二值图训练分类模型，并将训练完成的所述分类模型用于对视频中车道线结构的识别。
[0009]第二方面，本专利技术实施例提供了一种车道线结构识别装置，其特征在于，包括：
[0010]样本图像预处理模块，用于获取包含多种类型车道线结构的样本图像，并对所述样本图像进行预处理；
[0011]二值图获得模块，用于将所述预处理后的样本图像基于可变卷积神经网络进行处理，得到每个样本图像对应的包含车道线结构的二值图；
[0012]分类模型训练模块，用于基于所述包含车道线结构的二值图训练分类模型，并将训练完成的所述分类模型用于对视频中车道线结构的识别。
[0013]第三方面，本专利技术实施例提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如本专利技术实施例提供的车道线结构识别方法。
[0014]第四方面，本专利技术实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本专利技术实施例提供的车道线结构识别方法。
[0015]本专利技术实施例中提供的车道线结构识别方案，首先获取包含多种类型车道线结构的样本图像，并对样本图像进行预处理；将预处理后的样本图像基于可变卷积神经网络进行处理，得到每个样本图像对应的包含车道线结构的二值图；基于包含车道线结构的二值图训练分类模型，并将训练完成的分类模型用于对视频中车道线结构的识别。通过采用上
述技术方案，可以达到快速识别车道线结构的目的，提高了自动驾驶时车道线结构的提取效率，加速自动驾驶算法的开发进程的技术效果。
附图说明
[0016]图1为本专利技术实施例提供的一种车道线结构识别方法的流程示意图；
[0017]图2为本专利技术实施例提供的又一种车道线结构识别方法的流程示意图；
[0018]图3为本专利技术实施例提供的种车道线结构识别方法中卷积宽度示意图；
[0019]图4为本专利技术实施例提供的一种车道线结构识别装置的结构框图；
[0020]图5为本专利技术实施例提供的一种计算机设备的结构框图。
具体实施方式
[0021]下面结合附图并通过具体实施方式来进一步说明本专利技术的技术方案。可以理解的是，此处所描述的具体实施例仅仅用于解释本专利技术，而非对本专利技术的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本专利技术相关的部分而非全部结构。
[0022]在更加详细地讨论示例性实施例之前应当提到的是，一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各步骤描述成顺序的处理，但是其中的许多步骤可以被并行地、并发地或者同时实施。此外，各步骤的顺序可以被重新安排。当其操作完成时所述处理可以被终止，但是还可以具有未包括在附图中的附加步骤。所述处理可以对应于方法、函数、规程、子例程、子程序等等。
[0023]实施例一
[0024]图1为本专利技术实施例提供的一种车道线结构识别方法的流程示意图，该方法可以由车道线结构识别装置执行，其中该装置可由软件和/或硬件实现，一般可集成在服务器等计算机设备中，可应用在自动驾驶场景中。如图1所示，该方法包括：
[0025]S101、获取包含多种类型车道线结构的样本图像，并对样本图像进行预处理。
[0026]在自动驾驶领域，当自动驾驶车辆经过特定的道路结构时，容易与其他来往的车辆或行人产生交互，因此，识别出自动驾驶车辆经过该区域的场景对自动驾驶算法的研究具有重要的测试价值。当车辆需要直行、变道、转弯或掉头时，需要依靠车载摄像头结合毫米波雷达对车道线结构进行感知，以使得自动驾驶车辆服务器判断能否进行直行、变道、转弯或掉头。
[0027]车道线结构为引导方向的车道标线，主要为白色和黄色，用来指示车辆在路口驶入段应按所指方向行驶。相应地，本实施例获得的包含多种类型车道线结构的样本图像可以包括：包含直道、弯道、匝道、汇入、汇出、立交桥、隧道以及十字路口中至少一种车道线结构的图像。
[0028]可对采集的样本图像构建相应数据库，为不同类型车道线结构构建分类体系，为使得预处理后的样本图像在用于训练的过程中具备代表性，本专利技术实施例选取的每种类型样本图像数量可以为数千张以上。
[0029]由于样本图像为车载摄像头在实际道路行驶过程中拍摄获得，为提高多种道路结构识别的准确率，因此需要对样本图像进行预处理，预处理的方式可以为去除样本图像的其他干扰因素，例如，图像中包含的建筑物、蓝天白云、树或电线杆等；也可以为对多种类型
车道线结构进行特征提取，提取出每张样本图像中不同类型车道线结构的特征等，在此不作限制。
[0030]S102、将预处理后的样本图像基于可变卷积神经网络进行处理，得到每个样本图像对应的包含车道线结构的二值图。
[0031]一般地，在基于可变卷积神经网络对样本图像进行处理时，可采取一维卷积、二维卷积或三维卷积的方式进行卷积，在此不做限制。
[0032]本专利技术实施例中的样本图像由车载摄像头拍摄获得，由于摄像头成像原理，相同宽度的车道线结构在距离比较远的地方，显示在图像中比较窄，因此，本专利技术实施例提出了基于可变卷积神经网络(Variable Convolutional Neural Network，简称Variable
‑
CNN)的方法对道路线结构进行识别。
[0033]由于本申请实施例研究的是车道线结构在样本图像宽度的可变性，优选地，根据每张样本图像像素点的排列分布，可以划分为多行像素点，可基于每行像素点使用一维卷积的方式进行处理，例如可以为[
‑
1,0，
…
，0，1]或[1,0，
…
，0，
‑
1]，其中，向量中间省略的部分为0，0的具体个数与当前行像素点的宽度有关。可本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种车道线结构识别方法，其特征在于，包括：获取包含多种类型车道线结构的样本图像，并对所述样本图像进行预处理；将所述预处理后的样本图像基于可变卷积神经网络进行处理，得到每个样本图像对应的包含车道线结构的二值图；基于所述包含车道线结构的二值图训练分类模型，并将训练完成的所述分类模型用于对视频中车道线结构的识别。2.根据权利要求1所述的方法，其特征在于，所述样本图像基于车载摄像头拍摄得到，所述对所述样本图像进行预处理包括：以所述样本图像的预设高度比例的位置作为图像的起点位置，图像的底部作为终点位置，进行图像截取，得到预处理后的样本图像，其中，所述预设高度比例与所述车载摄像头的安装位置和/或安装角度相关。3.根据权利要求1所述的方法，其特征在于，将所述预处理后的样本图像基于可变卷积神经网络进行处理，得到每个样本图像对应的包含车道线结构的二值图，包括：将预处理后的当前样本图像中的各像素点，划分为多行像素点，针对当前行像素点使用第一预设方式和第二预设方式分别基于可变卷积神经网络进行处理，得到第一卷积图和第二卷积图；分析所述第一卷积图和所述第二卷积图中相同位置像素点的灰度值，若所述相同位置像素点的灰度值满足预设关系，则确定当前像素点为车道线结构中的某一像素点；遍历当前样本图像中每一行像素点，得到当前样本图像对应的包含车道线结构的二值图。4.根据权利要求3所述的方法，其特征在于，所述可变卷积神经网络的步长由当前像素点的高度坐标确定，相应的表达式为：式中，kernel_width为当前行像素点的卷积宽度，image_width为样本图像的宽度，image...

【专利技术属性】
技术研发人员：顾会建，王宝宗，路萍，史宏涛，戴一凡，
申请(专利权)人：清华大学，
类型：发明
国别省市：