一种车道线检测方法及装置制造方法及图纸

本发明专利技术提供了一种车道线检测方法及装置，该方法包括：获取在设定时间内采集的目标场景的事件数据所构成的事件点云；计算事件点云的表面法向量；基于事件点云的轨迹变化情况，得到轨迹的轮廓边缘；基于轮廓边缘、事件点云的事件点及其对应的表面法向量，构建非结构化图；将非结构化图输入至训练好的车道线检测模型中，得到车道线检测结果。从而通过利用事件相机可以更准确的捕捉车道线细微的变化，确保图像质量不受光照变化和运动模糊的影响，提高最终车道线检测结果的准确性，保证自动驾驶车辆可准确检测到车道线位置。将事件相机采集的数据看作点云数据进行处理，通过构建非结构化图得到多元化输入数据，提高车道线检测结果的准确性。准确性。准确性。

【技术实现步骤摘要】
一种车道线检测方法及装置


[0001]本专利技术涉及自动驾驶
，具体涉及一种车道线检测方法及装置，

技术介绍

[0002]在自动驾驶任务中对环境的感知还存在很多具有挑战性的难题，例如车道线提取、物体检测和交通标志识别等。随着传感器的快速发展对于自动驾驶中的感知任务产生了巨大的影响。感知任务中的核心任务包括提取车道信息，因为检测车道有助于确定自动驾驶车辆在车道之间的精确位置，而准确的车道线检测对车道偏离和车道规划至关重要。
[0003]目前传统的车道线检测是依赖于RGB相机采集的数据实现的，但是RGB相机在数据采集时会存在光照剧烈变化、场景拍摄不清晰等问题，从而严重影响车道线检测的准确率。

技术实现思路

[0004]有鉴于此，本专利技术实施例提供了一种车道线检测方法及装置以解决现有技术中利用RGB相机采集数据实现车道线检测的方式检测结果的准确性难以保障的问题。
[0005]根据第一方面，本专利技术实施例提供了一种车道线检测方法，包括：
[0006]获取事件相机在设定时间内采集的目标场景的事件数据所构成的事件点云；
[0007]计算所述事件点云的表面法向量；
[0008]基于所述事件点云的轨迹变化情况，得到轨迹的轮廓边缘；
[0009]基于所述轮廓边缘、所述事件点云的事件点及其对应的表面法向量，构建非结构化图；
[0010]将所述非结构化图输入至训练好的车道线检测模型中，得到车道线检测结果。
[0011]可选地，所述基于所述事件点云的轨迹变化情况，得到轨迹的轮廓边缘，包括：
[0012]基于所述事件点云的轨迹的形成时间，依次计算轨迹上当前点光流向量的局部分布；
[0013]基于所述当前点光流向量的局部分布结果，确定当前事件点是否属于所述轨迹；
[0014]将所有属于所述轨迹的事件点所构成的集合确定为所述轨迹的轮廓边缘。
[0015]可选地，所述基于所述轮廓边缘、所述事件点云的事件点及其对应的表面法向量，构建非结构化图，包括：
[0016]将所述事件点配置为节点；
[0017]将所述事件节点对应的表面法向量及所述轮廓边缘配置为所述事件节点的连接边；
[0018]基于所述节点和所述连接边，构建所述非结构化图。
[0019]可选地，所述计算所述事件点云的表面法向量，包括：
[0020]依次选取事件点云中的当前事件点；
[0021]对所述当前事件点进行临近点的搜索，将包含所述当前事件点的临近事件点拟合成曲面；
[0022]对所述曲面中的事件点进行PCA主成分分析，得到最小特征值对应的特征向量；
[0023]将所述特征向量确定为所述当前事件点对应曲面的表面法向量。
[0024]可选地，所述车道线检测模型由多个图卷积层和多层感知器构成，其中，
[0025]所述多层感知器由输入层、3个全连接隐藏层和输出层构成，不同层之间采用全连接方式；
[0026]所述多个图卷积层的每个图卷积层均包括64个输入通道和64个输出通道，且每个输出通道输出不同尺度的特征；
[0027]所述多个图卷积层输出的不同尺度的特征连接起来输入到所述多层感知器的输入层。
[0028]可选地，所述车道线检测模型通过如下方式进行训练：
[0029]获取事件相机在不同场景下采集的车道线图像数据集，所述车道线图像数据集中每一个图像数据由若干事件构成；
[0030]对每一个图像数据进行车道线信息标注，所述车道线信息标注包括：图像数据属于中是否包含车道线以及车道线的三维坐标信息；
[0031]将车道线图像数据集中每一个图像数据对应的非结构化图输入至所述车道线检测模型中，得到车道线的预测结果；
[0032]基于所述预测结果和对应的车道线信息标注计算模型对应损失函数的损失函数值；
[0033]基于所述损失函数值对所述车道线检测模型的模型参数进行调整，并返回所述获取事件相机在不同场景下采集的车道线图像数据集的步骤，直至所述损失函数值满足预设要求，得到训练好的车道线检测模型。
[0034]可选地，所述车道线检测结果包括：所述目标场景中是否包含属于车道线以及车道线的三维坐标信息。
[0035]根据第二方面，本专利技术实施例提供了一种车道线检测装置，包括：
[0036]获取模块，用于获取在设定时间内采集的目标场景的事件数据所构成的事件点云；
[0037]第一处理模块，用于计算所述事件点云的表面法向量；
[0038]第二处理模块，用于基于所述事件点云的轨迹变化情况，得到轨迹的轮廓边缘；
[0039]第三处理模块，用于基于所述轮廓边缘、所述事件点云的事件点及其对应的表面法向量，构建非结构化图；
[0040]第四处理模块，用于将所述非结构化图输入至训练好的车道线检测模型中，得到车道线检测结果。
[0041]根据第三方面，本专利技术实施例提供了一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令被处理器执行时实现本专利技术第一方面及其任意一种可选方式所述的方法。
[0042]根据第四方面，本专利技术实施例提供了一种电子设备，包括：存储器和处理器，所述存储器和所述处理器之间互相通信连接，所述存储器中存储有计算机指令，所述处理器通过执行所述计算机指令，从而执行本专利技术第一方面及其任意一种可选方式所述的方法。
[0043]本专利技术技术方案，具有如下优点：
[0044]本专利技术实施例提供了一种车道线检测方法及装置，通过获取事件相机在设定时间内采集的目标场景的事件数据所构成的事件点云；计算事件点云的表面法向量；基于事件点云的轨迹变化情况，得到轨迹的轮廓边缘；基于轮廓边缘、事件点云的事件点及其对应的表面法向量，构建非结构化图；将非结构化图输入至训练好的车道线检测模型中，得到车道线检测结果。从而通过利用事件相机具有低延时性和高动态范围的特性，可以更准确的捕捉车道线细微的变化，可确保图像质量不受光照变化和运动模糊的影响，提高最终车道线检测结果的准确性，保证自动驾驶车辆可准确检测到车道线的位置。将事件相机采集的数据看作点云数据进行处理，通过构建非结构化图得到多元化输入数据，进一步提高车道线检测结果的准确性。
附图说明
[0045]为了更清楚地说明本专利技术具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本专利技术的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0046]图1为本专利技术实施例中车道线检测方法的流程图；
[0047]图2为本专利技术实施例中车道线检测装置的结构示意图；
[0048]图3为本专利技术实施例中的电子设备的结构示意图。
具体实施方式
[0049]下面将结合附图对本专利技术的技术方案进行清楚、完整地描述，显本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种车道线检测方法，其特征在于，包括：获取在设定时间内采集的目标场景的事件数据所构成的事件点云；计算所述事件点云的表面法向量；基于所述事件点云的轨迹变化情况，得到轨迹的轮廓边缘；基于所述轮廓边缘、所述事件点云的事件点及其对应的表面法向量，构建非结构化图；将所述非结构化图输入至训练好的车道线检测模型中，得到车道线检测结果。2.根据权利要求1所述的车道线检测方法，其特征在于，所述基于所述事件点云的轨迹变化情况，得到轨迹的轮廓边缘，包括：基于所述事件点云的轨迹的形成时间，依次计算轨迹上当前点光流向量的局部分布；基于所述当前点光流向量的局部分布结果，确定当前事件点是否属于所述轨迹；将所有属于所述轨迹的事件点所构成的集合确定为所述轨迹的轮廓边缘。3.根据权利要求1所述的车道线检测方法，其特征在于，所述基于所述轮廓边缘、所述事件点云的事件点及其对应的表面法向量，构建非结构化图，包括：将所述事件点配置为节点；将所述事件节点对应的表面法向量及所述轮廓边缘配置为所述事件节点的连接边；基于所述节点和所述连接边，构建所述非结构化图。4.根据权利要求1所述的车道线检测方法，其特征在于，所述计算所述事件点云的表面法向量，包括：依次选取事件点云中的当前事件点；对所述当前事件点进行临近点的搜索，将包含所述当前事件点的临近事件点拟合成曲面；对所述曲面中的事件点进行PCA主成分分析，得到最小特征值对应的特征向量；将所述特征向量确定为所述当前事件点对应曲面的表面法向量。5.根据权利要求1所述的车道线检测方法，其特征在于，所述车道线检测模型由多个图卷积层和多层感知器构成，其中，所述多层感知器由输入层、3个全连接隐藏层和输出层构成，不同层之间采用全连接方式；所述多个图卷积层的每个图卷积层均包括64个输入通道和64个输出通道，且每个输出通道输出不同尺度的特征；所述多个图卷积层输出的不同尺度的特征连接起来输入到所述多层感知器的输入层。6.根...

【专利技术属性】
技术研发人员：聂泳忠，赵银妹，
申请(专利权)人：西人马帝言北京科技有限公司，
类型：发明
国别省市：