一种基于多尺度运算的弯道识别方法及系统技术方案

本发明专利技术提供一种基于多尺度运算的弯道识别方法及系统，方法包括：基于多个尺度将道路矢量线数据投影成图像；基于深度学习方法从所述图像中识别出弯道目标框；对于道路矢量线数据，基于多尺度加滑动窗口的方式计算曲率，基于计算的曲率识别弯道区间；对检测的弯道目标框和识别的弯道区间，进行融合处理，获取识别的最终弯道区间。本发明专利技术结合基于深度学习的方法和基于曲率运算的方法，分别使用多尺度运算的方式，改善弯道识别方法的效果。改善弯道识别方法的效果。改善弯道识别方法的效果。

【技术实现步骤摘要】
一种基于多尺度运算的弯道识别方法及系统


[0001]本专利技术涉及弯道识别领域，更具体地，涉及一种基于多尺度运算的弯道识别方法及系统。

技术介绍

[0002]弯道常出现在道路连接匝道、盘山公路等道路中，由于弯道路段道路有转弯半径不断变化、上下倾斜、左右倾斜这些现象，需要驾驶员在弯道路段适当减速，格外谨慎驾驶。在汽车高级辅助驾驶系统中就提供了弯道预警功能来辅助驾驶员提前获取弯道信息。弯道预警功能依赖于对弯道位置的正确识别。
[0003]现有的弯道识别方法可以简单按照是否依赖于道路铺设设施分为两类。一类是通过接收道路铺设设备发射的信号来识别弯道起始和结束位置，这类方法对于道路设施的建设依赖度高，在经济欠发达地区道路设施建设不够完善，此类方法就会失效。另一类方法是不依赖道路设施建设的方法。有通过行车记录的图像数据中检测车道线，再通过车道线的直线、曲线拟合来识别弯道。
[0004]这类仅通过图像检测车道线弯道的方法的劣势在于，图像数据是透视投影，透视投影下的直线、曲线表现与真实道路有差异，并且图像在雨天、黑夜等状况下可信度会降低。这类方法获取的数据，也无法成为通用有效的先验信息与其他汽车共享。也有通过地图中道路数据的曲率运算进行弯道识别。此类方法的成本相对更低、弯道的识别率更高，也是目前各大地图供应商使用的主流方法。但是仅依赖曲率的运算，会将一些微小的地图数据形态波动也误识别为弯道，或者可能会识别不出一些较大型的转弯。

技术实现思路

[0005]本专利技术针对现有技术中存在的技术问题，提供一种基于多尺度运算的弯道识别方法及系统，能够提高弯道识别精度。
[0006]根据本专利技术的第一方面，提供了一种基于多尺度运算的弯道识别方法，包括：基于多个尺度将道路矢量线数据投影成图像；基于深度学习方法从所述图像中识别出弯道目标框；对于道路矢量线数据，基于多尺度加滑动窗口的方式计算曲率，基于计算的曲率识别弯道区间；对检测的弯道目标框和识别的弯道区间，进行融合处理，获取识别的最终弯道区间。
[0007]在上述技术方案的基础上，本专利技术还可以作出如下改进。
[0008]可选的，所述基于多个尺度将道路矢量线数据投影成图像，包括：将道路矢量线数据按照多个不同尺度的长度距离阈值均匀切分为对应的序列矢量线，得到多个序列矢量线；将每一个序列矢量线分别正射投影成图像，并记录投影时的投影参数Para，获取图像集合。
[0009]可选的，所述基于深度学习方法从所述图像中识别出弯道目标框，包括：对所述图像集合中的每一张图像，利用预设深度学习检测网络对其中的弯道目标框进行识别；根据
每一个序列矢量线对应的投影参数Para，将识别的每一个弯道目标框反算回投影前的坐标系，得到弯道目标框集合。
[0010]可选的，对于道路矢量线数据，基于多尺度加滑动窗口的方式计算曲率，基于计算的曲率识别弯道区间，包括：对道路矢量线上的一点P2，向前检索预设距离d，取到矢量线上一点P1，向后检索相同预设距离d，取到矢量线上一点P3；根据三点位置，求解所在圆的半径；从道路矢量线起始位置开始，遍历执行到道路矢量线的结束位置，获取圆半径集合，并对所有圆半径进行平滑处理；基于计算的圆半径，识别弯道区间。
[0011]可选的，所述预设距离d为1m、5m或10m。
[0012]可选的，所述基于计算的圆半径，识别弯道区间，包括：若圆半径|r|>＝预设半径阈值，则为直道区间；若|r|<预设半径阈值，则为弯道区间。
[0013]可选的，所述对检测的弯道目标框和识别的弯道区间，进行融合处理，获取识别的最终弯道区间，包括：对于识别的弯道目标框和识别的弯道区间的相交区间，确定为弯道区域；对于其它的区间，则根据计算的圆半径进行弯道区间或者直道区间。
[0014]根据本专利技术的第二方面，提供一种基于多尺度运算的弯道识别系统，包括：第一识别模块，用于基于多个尺度将道路矢量线数据投影成图像，基于深度学习方法从所述图像中识别出弯道目标框；第二识别模块，用于对于道路矢量线数据，基于多尺度加滑动窗口的方式计算曲率，基于计算的曲率识别弯道区间；融合处理模块，用于对检测的弯道目标框和识别的弯道区间，进行融合处理，获取识别的最终弯道区间。
[0015]根据本专利技术的第三方面，提供了一种电子设备，包括存储器、处理器，所述处理器用于执行存储器中存储的计算机管理类程序时实现基于多尺度运算的弯道识别方法的步骤。
[0016]根据本专利技术的第四方面，提供了一种计算机可读存储介质，其上存储有计算机管理类程序，所述计算机管理类程序被处理器执行时实现基于多尺度运算的弯道识别方法的步骤。
[0017]本专利技术提供的一种基于多尺度运算的弯道识别方法及系统，基于多个尺度将道路矢量线数据投影成图像；基于深度学习方法从所述图像中识别出弯道目标框；对于道路矢量线数据，基于多尺度加滑动窗口的方式计算曲率，基于计算的曲率识别弯道区间；对检测的弯道目标框和识别的弯道区间，进行融合处理，获取识别的最终弯道区间。本专利技术结合基于深度学习的方法和基于曲率运算的方法，分别使用多尺度运算的方式，结合几何运算方法和深度学习方法，不同的方法交叉提取、交叉验证，扬长避短，提高了方法的鲁棒性、泛化性。
附图说明
[0018]图1为本专利技术提供的一种基于对尺度运算的弯道识别方法流程图；
[0019]图2为利用深度学习检测网络识别的弯道目标框的示意图；
[0020]图3为基于矢量线形态点计算曲率半径的示意图；
[0021]图4为本专利技术提供的一种基于多尺度运算的弯道识别系统的结构示意图；
[0022]图5为本专利技术提供的一种可能的电子设备的硬件结构示意图；
[0023]图6为本专利技术提供的一种可能的计算机可读存储介质的硬件结构示意图。
具体实施方式
[0024]下面结合附图和实施例，对本专利技术的具体实施方式作进一步详细描述。以下实施例用于说明本专利技术，但不用来限制本专利技术的范围。
[0025]实施例一
[0026]一种基于多尺度运算的弯道识别方法，参见图1，该弯道识别方法包括：基于多个尺度将道路矢量线数据投影成图像；基于深度学习方法从所述图像中识别出弯道目标框；对于道路矢量线数据，基于多尺度加滑动窗口的方式计算曲率，基于计算的曲率识别弯道区间；对检测的弯道目标框和识别的弯道区间，进行融合处理，获取识别的最终弯道区间。
[0027]可以理解的是，基于
技术介绍
中各种弯道识别方法的弊端，办呢专利技术提出了一种基于多尺度运算的弯道识别方法，其整体技术方案分为三个部分：第一部分是将道路矢量线数据多尺度投影成图像，使用深度学习的方法检测弯道目标框；第二部分是基于道路矢量线的形状信息进行多尺度的曲率运算，识别弯道区间；第三部分是结合第一、二部分的信息对弯道识别的结果综合处理。
[0028]分别基于深度学习检测网络对道路中的弯道进行识别，以及利用几何运算方式求取道路区间的弯曲半径，来识别弯道区间。然后将两种方本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多尺度运算的弯道识别方法，其特征在于，包括：基于多个尺度将道路矢量线数据投影成图像；基于深度学习方法从所述图像中识别出弯道目标框；对于道路矢量线数据，基于多尺度加滑动窗口的方式计算曲率，基于计算的曲率识别弯道区间；对检测的弯道目标框和识别的弯道区间，进行融合处理，获取识别的最终弯道区间。2.根据权利要求1所述的弯道识别方法，其特征在于，所述基于多个尺度将道路矢量线数据投影成图像，包括：将道路矢量线数据按照多个不同尺度的长度距离阈值均匀切分为对应的序列矢量线，得到多个序列矢量线；将每一个序列矢量线分别正射投影成图像，并记录投影时的投影参数Para，获取图像集合。3.根据权利要求2所述的弯道识别方法，其特征在于，所述基于深度学习方法从所述图像中识别出弯道目标框，包括：对所述图像集合中的每一张图像，利用预设深度学习检测网络对其中的弯道目标框进行识别；根据每一个序列矢量线对应的投影参数Para，将识别的每一个弯道目标框反算回投影前的坐标系，得到弯道目标框集合。4.根据权利要求1所述的弯道识别方法，其特征在于，对于道路矢量线数据，基于多尺度加滑动窗口的方式计算曲率，基于计算的曲率识别弯道区间，包括：对道路矢量线上的一点P2，向前检索预设距离d，取到矢量线上一点P1，向后检索相同预设距离d，取到矢量线上一点P3；根据三点位置，求解所在圆的半径；从道路矢量线起始位置开始，遍历执行到道路矢量线的结束位置，获取圆半径集合，并对所有圆半径进行平滑处理；基于计算的圆半径，识别弯道区间。5.根据权利要求4所述的弯道识别方...

【专利技术属性】
技术研发人员：惠念，李汉玢，王璇，刘圆，罗跃军，
申请(专利权)人：武汉中海庭数据技术有限公司，
类型：发明
国别省市：