一种基于感兴趣区域的车道线自动提取方法及系统技术方案

本发明专利技术公开了一种基于感兴趣区域的车道线自动提取方法及系统，包括：进光量控制：采集图像，根据图像的光照场景和预先进行光照适用性训练得到的映射关系调整调节参数；异物检测与处理：从图像中选取感兴趣区域，建立能量函数并进行循环迭代，求解得到异物的像素结合，将属于异物的像素置零，得到去除异物后的感兴趣区域；车道线提取：对去除异物后的感兴趣区域进行灰度化读取，按照灰度相似度进行二分类，设置损失函数收敛和终止条件，满足终止条件后停止迭代，完成车道线与非车道线的像素区分，最终提取出车道线。本发明专利技术通过进光量控制并对车道线区域内的异物进行检测将对应像素清除，兼具了识别反应速度快和识别结果准确的效果。效果。效果。

【技术实现步骤摘要】
一种基于感兴趣区域的车道线自动提取方法及系统


[0001]本专利技术涉及自动驾驶环境感知
，特别涉及一种基于感兴趣区域的车道线自动提取方法及系统。

技术介绍

[0002]自动驾驶系统分为：感知系统和决策系统。其中，感知系统又由车辆定位、移动障碍物检测、交通标识检测以及车道线提取等环节构成。利用视觉传感器进行车道线提取主要分为深度学习方法与传统图像处理方法，但均存在明显短板。在使用深度学习方法对车道线提取过程中，需要采集大量先验信息，而且，深度学习方法一般具有较高的时间复杂度并消耗较多的存储空间，这与自动驾驶系统快反应、低时延的要求相违背。而传统方法虽然无需大量先验信息以及较大的存储空间，但在提取车道线时，如果环境光照出现改变，需要人为修改阈值，否则无法完成对车道线的自适应提取。而且，当车道内存在其它车辆或行人等目标干扰时，无法保证所提取车道线的完整性。
[0003]自然界中有许多动物在环境光照强度较大的时候会缩小瞳孔，减少进光量。而在光照强度较弱时，放大瞳孔，使进光量尽可能增大，以提高自身在不同光照场景下的适应能力。而且，人类的视觉系统能够对眼睛当前所捕获的画面进行“关注”，主动忽略掉与目标无关的背景，从而将注意力集中于目标物上。如果将动物调整瞳孔大小以及人类视觉注意机制应用到自动驾驶车辆对车道线的提取过程中，则能够使自动驾驶车辆对车道线的提取更加准确，在满足自动驾驶系统快反应、低时延的前提下，更好地保证无人驾驶车辆的安全性。

技术实现思路

[0004]针对现有技术中的两种车道线提取方式短板明显，不能较好适应自动驾驶运用场景的问题，本专利技术提供了一种基于感兴趣区域的车道线自动提取方法及系统，通过提取感兴趣区域，训练不同光照场景下灰度级非线性变换的参数，控制自动驾驶车辆在不同光照条件下的“进光量”，并对车道线范围内的异物进行检测，去除车道线范围内的异物，避免对车道线提取产生影响，再对各个像素进行分类，使属于车道线的一类像素与非车道线一类的像素得到精确的区分。
[0005]以下是本专利技术的技术方案。
[0006]一种基于感兴趣区域的车道线自动提取方法，包括以下步骤：进光量控制：采集图像，根据图像的光照场景和预先进行光照适用性训练得到的映射关系调整调节参数；异物检测与处理：从图像中选取感兴趣区域，建立能量函数并进行循环迭代，求解得到异物的像素结合，将属于异物的像素置零，得到去除异物后的感兴趣区域；车道线提取：对去除异物后的感兴趣区域进行灰度化读取，按照灰度相似度进行二分类，设置损失函数收敛和终止条件，满足终止条件后停止迭代，完成车道线与非车道线
的像素区分，最终提取出车道线。
[0007]本专利技术通过进光量控制以提高感兴趣区域的检测准确性，并对车道线区域内的异物进行检测并将对应像素清除，避免自动驾驶过程中异物的出现对车道线提取产生负面影响，由于进光量控制依靠的是预先进行的光照适用性训练，因此兼具了识别反应速度快和识别结果准确的效果。
[0008]作为优选，所述光照适用性训练的过程包括：设置视觉传感器获取的图像尺寸为W
×
H，灰度级范围[0,L
‑
1]，获取不同光照场景下的交通标识包围框，并选取该包围框内的像素作为感兴趣区域，在不同光照场景下选取调节参数以提取车道线，并依此建立调节参数与光照场景的映射关系。
[0009]作为优选，所述在不同光照场景下选取调节参数以提取车道线，并依此建立调节参数与光照场景的映射关系，包括：计算各个同类感兴趣区域在各种光照环境下的灰度级分布情况：p(s
k
)＝g
k
；其中，s
k
表示某像素属于第k个灰度级，g
k
表示该图像中属于灰度级k的像素总数，对获取的RGB图像进行非线性变换，完成灰度级向高灰度级或高灰度级向低灰度级的映射，其形式为：p
′
＝cp
α
；式中，p为当前图像的输入灰度级，p
′
为当前图像的输出灰度级，c为灰度级缩放比例，α是灰度级非线性变换因子，对于不同光照场景下的g
k
，选取不同的c与α，提取出完整车道线，建立g
k
与参数c以及α的映射f(g
k
)
→
c,α，完成光照适应性训练。
[0010]作为优选，所述进光量控制的过程包括：对图像进行感兴趣区域提取，并计算直方图分布g
k
，利用已训练完成的映射关系f(g
k
)
→
c,α，选取适合当前光照场景下的c与α参数，完成进光量的自适应控制。
[0011]作为优选，所述异物检测与处理的过程包括：选取(0，H/2)到(W，H)的图像区域作为感兴趣区域，并将该区域以外的像素直接作为背景；在感兴趣区域的RGB颜色空间中，分别以具有K个高斯分量的全协方差混合高斯模型对异物和背景进行建模，建立能量函数：E(β,i,δ,z)＝Q(β,i,δ,z)+R(β,z)
ꢀꢀ
(1)其中，β为像素不透明度，β为0则代表当前像素为背景，β为1则代表当前像素属于异物；δ代表异物与背景的灰度直方图，z为图像灰度值数组，z＝(z1,
…
,z
n
,
…
,z
N
)；Q(β,i,p,z)为区域项，表示一个像素被分类为异物或背景的惩罚，定义为：式中，D(β
n
,i
n
,p,z
n
)为混合高斯密度模型，其形式为：D(β
n
,i
n
,δ,z
n
)＝
‑
logπ(β
n
,i
n
)
‑
logp(z
n
|β
n
)
ꢀꢀ
(3)式中，p(z
n
|β
n
)为高斯概率分布π(β
n
,i
n
)是混合权重系数，满足：且0≤π
i
≤1
ꢀꢀ
(4)经推导得出混合高斯密度模型表达式为：
其中，混合高斯模型的参数分别为：每个高斯分量的权重π，每个高斯分量的均值向量μ以及协方差矩阵；表达式为：δ＝{π(β
n
,i
n
),μ(β
n
,i
n
),∑(β
n
,i
n
),i＝1,2,
…
,K}
ꢀꢀ
(6)R(β,z)为输入图像的边界项，代表邻域像素不连续的惩罚，其表达式为：式中，参数τ为比例缩放因子，由当前图像的对比度决定；(m,n)∈C，C为相邻颜色对的集合，γ为一个常量值50；若邻域内的两像素β
m
与β
n
二范数较小则两像素属于同属于异物或同属于背景的概率较大，若两像素本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于感兴趣区域的车道线自动提取方法，其特征在于，包括以下步骤：进光量控制：采集图像，根据图像的光照场景和预先进行光照适用性训练得到的映射关系调整调节参数；异物检测与处理：从图像中选取感兴趣区域，建立能量函数并进行循环迭代，求解得到异物的像素结合，将属于异物的像素置零，得到去除异物后的感兴趣区域；车道线提取：对去除异物后的感兴趣区域进行灰度化读取，按照灰度相似度进行二分类，设置损失函数收敛和终止条件，满足终止条件后停止迭代，完成车道线与非车道线的像素区分，最终提取出车道线。2.根据权利要求1所述的一种基于感兴趣区域的车道线自动提取方法，其特征在于，所述光照适用性训练的过程包括：设置视觉传感器获取的图像尺寸为W
×
H，灰度级范围[0,L
‑
1]，获取不同光照场景下的交通标识包围框，并选取该包围框内的像素作为感兴趣区域，在不同光照场景下选取调节参数以提取车道线，并依此建立调节参数与光照场景的映射关系。3.根据权利要求2所述的一种基于感兴趣区域的车道线自动提取方法，其特征在于，所述在不同光照场景下选取调节参数以提取车道线，并依此建立调节参数与光照场景的映射关系，包括：计算各个同类感兴趣区域在各种光照环境下的灰度级分布情况：p(s
k
)＝g
k
；其中，s
k
表示某像素属于第k个灰度级，g
k
表示该图像中属于灰度级k的像素总数，对获取的RGB图像进行非线性变换，完成灰度级向高灰度级或高灰度级向低灰度级的映射，其形式为：p
′
＝cp
α
；式中，p为当前图像的输入灰度级，p
′
为当前图像的输出灰度级，c为灰度级缩放比例，α是灰度级非线性变换因子，对于不同光照场景下的g
k
，选取不同的c与α，提取出完整车道线，建立g
k
与参数c以及α的映射f(g
k
)
→
c,α，完成光照适应性训练。4.根据权利要求3所述的一种基于感兴趣区域的车道线自动提取方法，其特征在于，所述进光量控制的过程包括：对图像进行感兴趣区域提取，并计算直方图分布g
k
，利用已训练完成的映射关系f(g
k
)
→
c,α，选取适合当前光照场景下的c与α参数，完成进光量的自适应控制。5.根据权利要求3或4所述的一种基于感兴趣区域的车道线自动提取方法，其特征在于，所述异物检测与处理的过程包括：选取(0，H/2)到(W，H)的图像区域作为感兴趣区域，并将该区域以外的像素直接作为背景；在感兴趣区域的RGB颜色空间中，分别以具有K个高斯分量的全协方差混合高斯模型对异物和背景进行建模，建立能量函数：E(β,i,δ,z)＝Q(β,i,δ,z)+R(β,z)
ꢀꢀꢀꢀ
(1)其中，β为像素不透明度，β为0则代表当前像素为背景，β为1则代表当前像素属于异物；δ代表异物与背景的灰度直方图，z为图像灰度值数组，z＝(z1,
…
,z
n
,
…
,z
N
)；Q(β,i,p,z)为区域项，表示一个像素被分类为异物或背景的惩罚，定义为：
式中，D(β
n
,i
n
,p,z
n
)为混合高斯密度模型，其形式为：D(β
n
,i
n
,δ,z
n
)＝
‑
logπ(β
n
,i
n
)
‑
log p(z
n
|β
n
)
ꢀꢀꢀꢀ
(3)式中，p(z
n
|β
n
)为高斯概率分布π(...

【专利技术属性】
技术研发人员：葛鹏，杜辉，李东，孔郁偲，
申请(专利权)人：随机数浙江智能科技有限公司，
类型：发明
国别省市：