基于深度雷达点云和图像数据融合的车道线检测方法技术

一种基于深度雷达点云和图像数据融合的车道线检测方法，采集的RGB图像、点云数据，利用Hourglass网络对RGB图像以及点云数据提取融合特征，利用残差模块进行融合特征整合，利用融合特征进行车道线检测，实现雷达点云和图像融合的车道线检测。该方法结合两种数据的优势，在特征层对两种数据进行多视角下的融合，利用不同传感器之间的差异数据进行互补，增加了车道线识别的鲁棒性和准确率。了车道线识别的鲁棒性和准确率。了车道线识别的鲁棒性和准确率。

【技术实现步骤摘要】
基于深度雷达点云和图像数据融合的车道线检测方法


[0001]本专利技术涉及自动驾驶感知
,特别涉及基于深度雷达点云和图像数据融合的车道线检测方法。

技术介绍

[0002]传统的方法主要基于图像的方法来进行车道线检测，分为传统方法与深度学习方法。传统的车道线检测算法依靠图像领域知识，对图像提取特征，然后利用启发式算法识别车道线。基于深度学习的车道线识别算法，将车道线检测任务转换为图像分割任务，利用深度学习网络代替人工设计的图像特征检测器来预测图像中的车道线点。激光雷达传感器通过发送接收激光脉冲，形成雷达点云图像，相较于图像，雷达点云数据更为稳定不易受外界影响，并且视野范围更广，早期的基于雷达点云的车道线检测方法是通过设置点云反射率阈值来分离点云中车道线点和非车道线点。
[0003]基于图像的车道线检测算法正常运行依赖良好的光照条件，并且面对复杂的道路环境如车辆遮挡车道线缺失等情况，算法模型准确率降低明显，很难满足无人驾驶任务需求；基于雷达点云的车道线检测算法，由于雷达点云的不连续性，很容易导致误检和漏检，同时不同型号上采集的点云数据本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度雷达点云和图像数据融合的车道线检测方法, 适合在计算设备中执行，其特征在于，包括以下步骤:获取经过标定的不同传感器采集的RGB图像、点云数据及车辆坐标与位姿信息;将不同传感器采集到的RGB图像数据、点云数据及车辆坐标与位姿信息映射到同一坐标系后, 对不同采样频率的传感器数据进行同步,获得对齐后的雷达点云数据、图像及坐标位姿数据；对RGB图像进行高斯滤波，对点云数据进行点云噪点处理以及点云地面拟合，得到上采样后的点云数据；分别利用Hourglass网络对RGB图像以及点云数据提取融合特征；利用残差模块进行融合特征整合，利用融合特征进行车道线检测，实现雷达...

【专利技术属性】
技术研发人员：张昌杰，娄玉强，刘凯，
申请(专利权)人：荆州智达电动汽车有限公司，
类型：发明
国别省市：