一种车道线数据集的构建标注方法及应用系统技术方案

本发明专利技术提供了一种车道线数据集的构建标注方法及应用系统，属于图像处理领域。本发明专利技术针对车道数据集构建过程中，手动处理数据、标注数据效率低下的问题，包括：采集视频数据，根据时间戳命名保存；把视频数据分解为图片，根据神经网络模型动态选择保存哪一帧图像；对标注时显示的图像图像进行自适应增强，提高标注准确度和速度；使用基于大量数据预训练的神经网络镜像车道数据的自动标注；对神经网络标注的结果进行人工确认和修改，若神经网络自动标注的某些数据效果较差，则自动生成若干水平辅助线，加快标注速度。加快标注速度。加快标注速度。

【技术实现步骤摘要】
一种车道线数据集的构建标注方法及应用系统


[0001]本专利技术属于图像处理领域，具体涉及一种车道线数据集的构建、标注方法及应用系统。

技术介绍

[0002]随着人工智能和自动驾驶驾驶技术的发展，深度神经网络以其较好的识别效果，良好的 鲁棒性，成为当前主流的图像识别算法。然而神经网络模型的训练需要大量人工标注的数据， 需要花费大量的人力物力成本。同时人工标注容易因疲劳、专注度下降等原因造成标注结果 的准确度下降。
[0003]车道线作为结构化道路的一个主要特征，对驾驶以及自动驾驶都有很强的指导作用，因 此车道线的检测和识别是当前自动驾驶的一个重要研究方向。车道线数据的标注常常使用点 标注作为原始标注，后续再根据需要通过样条插值，最小二乘等方法拟合出车道线。
[0004]目前公开的使用较为广泛的车道数据集如Tusimple数据集，CULane数据集等单条车道 上标注点个数范围在最大可达48个，单张图像中通常有1～4条车道线，由此可见车道线标注 工作任务量巨大。图像标注领域的常用标注工具有labelImg，labelMe等软件，当进本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种车道线数据集的构建标注方法，其特征在于：该方法包括如下步骤：(1)通过视频的形式采集车道数据，并保存数据用于后续处理；(2)对采集到的视频数据进行分解处理得到图片，并根据数据集要求批量调整图片尺寸、格式等；(3)对显示图像进行自适应增强，减小人工识别车道线的难度，加快标注速度；(4)设置标注数据的格式，对要标注的车道数、每条车道标注点数及标注间隔类型进行设置；(5)进行车道数据的自动标注，利用深度学习技术根据设置的标注格式预测出标注点；(6)根据所述的神经网络预测出的标注点，进行人工确认或修改。2.根据权利要求1所述的一种车道线数据集的构建标注方法，其特征在于，所述步骤(2)中视频分解得到图片的过程中，每隔N帧保存一帧图像。N的值可人工设置或使用深度学习技术进行自动设置。3.根据权利要求2所述的一种车道线数据集的构建标注方法，其特征在于，所述的深度学习技术为通过预先训练的神经网络模型进行每一帧图像的关键点预测，并计算当前帧与参考帧的关键点的相似度，当相似度大于阈值时，自动保存当前帧，并更新当前帧为参考帧。相似度由下述公式得到：其中，S为不同图像帧上预测点的相似度，n为关键点的个数，为当前图像帧上关键点的横坐标，y
i
为当前图像帧上关键点的纵坐标，x
′
i
为参考帧上关键点的横坐标，y
′
i
为参考帧上关键点的纵坐标，λ为比例系数。4.根据权利要求1所述的一种车道线数据集的构建标注方法，其特征在于，所述步骤(3)中的图像自适应增强方法只增强标注时显示的图像，而不更改原图像，包括如下步骤：(3.1)根据预先训练的神经网络划分出车道线感兴趣区域；(3.2)计算感兴趣区域内图像的亮度值，若小于阈值则对整个图像进行亮度增强；(3.4)若车道远端间隔小于阈值，则通过逆透视变换得到俯视图，方便标注。5.根据权利要求1所述的一种车道线数据集的构建标注方法，其特征在于，所述步骤(4)中可根据需要设置标注的车道数目，每条车道上的标注点数目及标注间隔类型...

【专利技术属性】
技术研发人员：张建宇，范塞一，戴洋，
申请(专利权)人：北京工业大学，
类型：发明
国别省市：