用于车辆的车道检测系统和方法技术方案

本发明专利技术涉及一种用于车辆的车道检测系统(100)，用于确定多车道道路上的车辆行驶所在的当前车道。所述车道检测系统(100)包括处理电路，用于：获取所述多车道道路(即驾驶场景)的当前图像；通过将所述当前图像中的最左侧车道到作为第一参考车道，确定第一候选当前车道，即所述当前车道的第一估计值；通过将所述多车道道路的所述当前图像中的最右侧车道作为第二参考车道，确定第二候选当前车道，即所述当前车道的第二估计值；根据所述第一候选当前车道和所述第二候选当前车道，确定所述车辆在所述多车道道路的所述当前图像中的所述当前车道。此外，本发明专利技术还涉及一种对应的车道检测方法。测方法。测方法。

【技术实现步骤摘要】
【国外来华专利技术】用于车辆的车道检测系统和方法


[0001]本专利技术涉及图像处理。更具体地，本专利技术涉及一种车道检测系统和方法，例如，作为车辆的高级驾驶辅助系统中的组件。

技术介绍

[0002]高级驾驶辅助系统(advanced driver assistance system，ADAS)能够在危险情况下提醒驾驶员或积极参与驾驶等等，所以正在逐步应用于车辆中。这些系统还称为自动驾驶系统，预计未来会越来越复杂和完善，以实现完全自动驾驶。
[0003]自动驾驶系统面临的一项挑战是确定汽车行驶所在的车道(即车道ID)以及道路上的车道总数(即车道数)，因为这些信息对定位和映射、安全路径规划和许多其它任务等几种相关技术非常重要。以在映射的上下文中为例，车道ID和车道数表示其它价值特征，这些特征可以添加和存储为其它地图特征。类似地，有关车道ID和车道数的信息提高了定位步骤的准确性。对于安全路径规划，准确确定道路上的车道数量是准确估计一条或多条安全路径的重要前提。
[0004]HebaAly、AnasBasalamah和Moustafa Youssef在2015年IEEE PerCom上的“LaneQuest:An Accurate and Energy
‑
Efficient Lane Detection System(LaneQuest：一种准确且节能的车道检测系统)”中已经公开了一种准确估计当前行驶车道的已知方法，这篇文章依赖于商用智能手机中普遍使用的惯性传感器，以在没有任何视觉输入的情况下根据汽车周围环境信息提供汽车当前车道的准确估计值。
[0005]Knoop,Victor L.等人发表在IEEE智能交通系统会刊18.9(2017年)的第2503页至第2513页上的“Lane determination with GPS precise point positioning(利用GPS精确点定位的车道确定)”中引入了一种基于GPS的方法，称为GPS
‑
PPP。该方法可以在多车道高速公路上对车辆进行亚米级实时精确定位。
[0006]Dao,Thanh
‑
Son等人发表在IEEE智能交通系统会刊8.4(2007年)的第641页至第650页上的“Markov
‑
based lane positioning using intervehicle communication(使用车辆间通信的基于马尔可夫的车道定位”公开了一种可选的基于马尔可夫(Markov
‑
based)的车道级定位方案。该方案利用在一定范围内参与交通并交换信息的相邻汽车之间的连通性，以实现相互精确定位。
[0007]此外，还有一些建议利用视觉提示来执行自动驾驶车辆的车道级定位。例如，Dixiao Cui、JianruXue和Nanning Zheng发表在IEEE智能交通系统会刊17.4(2015年)的第1039页到第1050页上的“Real
‑
time global localization of robotic cars in lane level via lane marking detection and shape registration(通过车道标记检测和形状配准在车道级别对机器人汽车进行实时全局定位)”提出了一种用于城市环境中的机器人汽车的准确实时定位方法。这种方法使用鲁棒的车道标记检测算法以及检测到的车道标记和基于GPS的先验道路形状之间的高效形状配准算法，以提高机器人汽车的全局定位的鲁棒性和准确性。
[0008]Nedevschi、Sergiu等人发表在2004年IEEE的第七届国际IEEE智能交通系统会议记录(IEEE目录编号04TH8749)上的“3D lane detection system based on stereovision(基于立体视觉的3D车道检测系统”中引入了一种基于立体视觉的3D车道检测方法，其中，3D信息的可用性可以分离道路特征和障碍物特征。如此一来，车道可以建模为3D曲面，而3D曲面的当前参数是根据过去信息和车辆动态进行预测的。
[0009]虽然上述传统方法已经提供了一些优点，但仍有改进的余地。因此，需要一种改进的车道检测系统以及对应方法。

技术实现思路

[0010]本专利技术的目的是提供一种改进的车道检测系统以及对应方法。
[0011]上述和其它目的通过由独立权利要求请求保护的主题来实现。其它实现方式在从属权利要求、具体实施方式和附图中是显而易见的。
[0012]本文将使用以下缩写和定义来更详细地描述本专利技术：
[0013]DNN
ꢀꢀ
深度神经网络(Deep Neural Network)
[0014]CNN
ꢀꢀ
卷积神经网络(Convolutional Neural Network)
[0015]RNN
ꢀꢀ
递归神经网络(Recurrent Neural Network)
[0016]车道ID
ꢀꢀ
汽车当前行驶所在的车道的车道标识或编号
[0017]车道数(lane count) 道路上的车道总数
[0018]LSTM
ꢀꢀ
负责对神经网络中的过去信息进行门控的长短期记忆(Long
‑
short term memory)单元
[0019]ConvLSTM
ꢀꢀ
能够处理2D张量(例如图像)的LSTM单元
[0020]图像(image)
ꢀꢀ
数码相机对现实世界或合成场景的视觉表示，也称为图片。
[0021]像素(pixel)
ꢀꢀ
最小的可寻址图片/图像元素。
[0022]场景(scene)
ꢀꢀ
相对于参考的周围环境，例如，相机的场景是从相机可见的环境的一部分。
[0023]语义分割(Semantic Segmentation) 一种根据语义归属将图像分割为不同区域的方法。例如，描绘汽车的像素都是红色的，描绘道路的像素都是蓝色的，等等。
[0024]机器学习(Machine Learning) 专注于分析和学习输入数据的研究领域，以构建能够进行预测的模型。
[0025]深度学习(Deep Learning)
ꢀꢀ
当模型是具有深度架构和高基数参数集的神经网络时，作为机器学习一部分的研究领域。
[0026]人工神经网络(Artificial Neural Network)
ꢀꢀ
深度学习背景下的机器学习子领域，由生物神经网络驱动。人工网络的目标是通过适应性地学习一组连接权重来估计具有大量输入的函数。
[0027]卷积(Convolution)
ꢀꢀ
使用积分运算计算2个函数的重叠量的数学运算，其中一个函数被反转和移位。
[0028]卷积神经本文档来自技高网...

【技术保护点】

【技术特征摘要】
【国外来华专利技术】1.一种用于车辆的车道检测系统(100)，用于确定多车道道路上的车辆行驶所在的当前车道，其特征在于，所述系统(100)包括：处理电路，用于：获取所述多车道道路的当前图像；通过将所述当前图像中的最左侧车道作为第一参考车道，确定第一候选当前车道；通过将所述多车道道路的所述当前图像中的最右侧车道作为第二参考车道，确定第二候选当前车道；根据所述第一候选当前车道和所述第二候选当前车道，确定所述车辆在所述多车道道路的所述当前图像中的所述当前车道。2.根据权利要求1所述的车道检测系统(100)，其特征在于，所述处理电路还用于根据所述多车道道路的所述当前图像，确定所述多车道道路上的车道总数。3.根据权利要求1或2所述的车道检测系统(100)，其特征在于，所述处理电路用于将所述第一候选当前车道确定为第一组似然度量值以及将所述第二候选当前车道确定为第二组似然度量值，其中，所述第一组似然度量值包括所述多车道道路上的所述汽车行驶所在的每条车道的相应似然度量值，所述第二组似然度量值包括所述多车道道路上的所述汽车行驶所在的每条车道的相应似然度量值。4.根据权利要求3所述的车道检测系统(100)，其特征在于，所述根据所述第一候选当前车道和所述第二候选当前车道，确定所述车辆在所述多车道道路的所述当前图像中的所述当前车道的处理电路用于：将所述第一候选当前车道确定为与所述第一组似然度量值中的最大似然度量值相关联的车道；将所述第二候选当前车道确定为与所述第二组似然度量值中的最大似然度量值相关联的车道；通过将所述第一组似然度量值中的最大似然度量值和平均似然度量值之间的差值与所述第一组似然度量值中的最大似然度量值和平均似然度量值之间的差值进行比较，确定所述第一候选当前车道或所述第二候选当前车道为所述车辆在所述当前图像中的所述当前车道。5.根据上述权利要求中任一项所述的车道检测系统(100)，其特征在于，所述处理电路用于获取所述多车道道路的多个时间连续图像，其中，所述多个时间连续图像包括所述当前图像和前一个或多个图像；所述处理电路用于根据所述第一候选当前车道、所述第二候选当前车道和所述车辆在所述多车道道路的所述前一个或多个图像中的一个或多个先前确定的车道，确定所述车辆在所述多车道道路的所述当前图像中的所述当前车道。6.根据权利要求5所述的车道检测系统(100)，其特征在于，所述处理电路还用于：确定所述车辆是否正在移动；如果所述车辆不在移动，根据所述车辆在所述前一个或多个图像中的所述一个或多个先前确定的车道，确定所述车辆在所述多车道道路的所述当前图像中的所述当前车道。7.根据权利要求6所述的车道检测系统(100)，其特征在于，所述处理电路用于根据所述车辆在所述前一个或多个图像中的所述一个或多个先前确定的车道，确定所述车辆是否正在移动。
8.根据上述权利要求中任一项所述的车道检测系统(100)，其特征在于，所述处理电路用于实现卷积神经网络(107、109)，所述卷积神经网络用于使用一个或多个卷积神经网络权重确定所述第一候选当前车道、所述第二候选当前车道、所述当前车道和/或所述多车道道路上...

【专利技术属性】
技术研发人员：易卜拉欣，
申请(专利权)人：华为技术有限公司，
类型：发明
国别省市：