一种基于自动驾驶的车道线识别方法及系统技术方案

本发明专利技术实施例公开了一种基于自动驾驶的车道线识别方法及系统，所述方法包括：获取图像信息；获取车辆实时的定位信息和行驶参数，并将所述定位信息与获取的图像信息进行关联；将关联后的图像送入到预先接入的地图库中进行基于图像平均灰度值的计算，以得到该定位点清晰的待识别图像；将所述待识别图像送入预先构造的车道线识别模型中进行识别，以得到车道线识别结果；所述车道线识别模型基于车道和道路标记基准训练所得，所述基准包括多个车道、道路标记类别以及多种不同的恶劣环境场景；其有益效果是：使得在实际应用的场景中具有良好的鲁棒性，进而提高对车道线检测的准确率。进而提高对车道线检测的准确率。进而提高对车道线检测的准确率。

【技术实现步骤摘要】
一种基于自动驾驶的车道线识别方法及系统


[0001]本专利技术涉及自动驾驶
，具体涉及一种基于自动驾驶的车道线识别方法及系统。

技术介绍

[0002]目前，车道线检测是自动驾驶中的一个基础功能，在自动驾驶过程中，车辆需要对道路中的车道线进行检测。但是，对于车道线识别而言，传统的检测方法一般采用边缘检测+霍夫变换的方式，在图像清晰，车道线没有被遮挡的情况下适用；但在实际的应用场景中，车道线检测所面对的场景又存在多样化的特点，在恶劣环境干扰和周边障碍物的影响下，会造成识别可靠性的下降，从而带来检测准确率不高的缺陷。

技术实现思路

[0003]针对现有技术中的技术缺陷，本专利技术实施例的目的在于提供一种基于自动驾驶的车道线识别方法及系统，以提高对车道线检测的准确率。
[0004]为实现上述目的，第一方面，本专利技术实施例提供了一种基于自动驾驶的车道线识别方法，所述方法包括：
[0005]获取图像信息；其中，所述图像信息包括通过部署在车辆上的感知层检测所得；
[0006]获取车辆实时的定位信息和行驶参数，并将所述定位信息与获取的图像信息进行关联；
[0007]将关联后的图像送入到预先接入的地图库中进行基于图像平均灰度值的计算，以得到该定位点清晰的待识别图像；
[0008]将所述待识别图像送入预先构造的车道线识别模型中进行识别，以得到车道线识别结果；其中，所述车道线识别模型基于车道和道路标记基准训练所得，所述基准包括多个车道、道路标记类别以及多种不同的恶劣环境场景。
[0009]优选地，所述方法还包括：
[0010]获取车辆的操作信号，并结合获取的行驶参数构造出车辆的实际行驶轨迹；
[0011]基于所述行驶参数和车道线识别结果分析出车辆的预测行驶轨迹；
[0012]再将所述预测行驶轨迹与实际行驶轨迹进行匹配，以判断出两者的轨迹是否在预设的偏差范围内；
[0013]若超出偏差范围，则将对应的车道线识别结果作为训练数据以优化所述车道线识别模型。
[0014]优选地，所述车道线识别模型在训练时，将每个车道都作为自身的实例进行训练，并进行基于图像的学习视角变换，以实现车道变化的识别。
[0015]优选地，所述方法还包括：
[0016]基于道路结构和获取图像信息的角度建立车道形状模型；
[0017]识别时，再将所述车道形状模型输出的车道参数传入至车道线识别模型中，以实
现车道线的准确定位。
[0018]第二方面，本专利技术实施例还提供了一种基于自动驾驶的车道线识别系统，包括：
[0019]图像获取模块，用于获取图像信息；其中，所述图像信息包括通过部署在车辆上的感知层检测所得；
[0020]信息关联模块，用于获取车辆实时的定位信息和行驶参数，并将所述定位信息与获取的图像信息进行关联；
[0021]预处理模块，用于将关联后的图像送入到预先接入的地图库中进行基于图像平均灰度值的计算，以得到该定位点清晰的待识别图像；
[0022]识别模块，用于将所述待识别图像送入预先构造的车道线识别模型中进行识别，以得到车道线识别结果；其中，所述车道线识别模型基于车道和道路标记基准训练所得，所述基准包括多个车道、道路标记类别以及多种不同的恶劣环境场景。
[0023]优选地，所述的一种基于自动驾驶的车道线识别系统，还包括优化模块，所述优化模块用于：
[0024]获取车辆的操作信号，并结合获取的行驶参数构造出车辆的实际行驶轨迹；
[0025]基于所述行驶参数和车道线识别结果分析出车辆的预测行驶轨迹；
[0026]再将所述预测行驶轨迹与实际行驶轨迹进行匹配，以判断出两者的轨迹是否在预设的偏差范围内；
[0027]若超出偏差范围，则将对应的车道线识别结果作为训练数据以优化所述车道线识别模型。
[0028]优选地，所述车道线识别模型在训练时，将每个车道都作为自身的实例进行训练，并进行基于图像的学习视角变换，以实现车道变化的识别。
[0029]优选地，所述识别模块还用于：
[0030]基于道路结构和获取图像信息的角度建立车道形状模型；
[0031]识别时，再将所述车道形状模型输出的车道参数传入至车道线识别模型中，以实现车道线的准确定位。
[0032]本专利技术实施例还提供了一种基于自动驾驶的车道线识别系统，包括部署在车辆上的感知层和电子设备，所述电子设备包括一个或多个处理器、一个或多个输入设备、一个或多个输出设备和存储器，所述处理器、输入设备、输出设备和存储器通过总线相互连接，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器被配置用于调用所述程序指令执行如第一方面所述的方法步骤。
[0033]实施本专利技术实施例，通过将图像信息与车辆的定位信息相关联，从而在图库中找到该位置的清晰图像，然后送入到构造的车道线识别模型中进行识别，利用该模型基于车道和道路标记基准，且所述基准包括多个车道、道路标记类别以及多种不同的恶劣环境场景的特点，使得在实际应用的场景中具有良好的鲁棒性，进而提高对车道线检测的准确率。
附图说明
[0034]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。
[0035]图1是本专利技术实施例提供的一种基于自动驾驶的车道线识别方法的流程图；
[0036]图2是本专利技术实施例提供的一种基于自动驾驶的车道线识别系统的结构框图；
[0037]图3是本专利技术实施例提供的另一种基于自动驾驶的车道线识别系统中电子设备的结构示意图。
具体实施方式
[0038]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0039]请参考图1，本专利技术实施例提供的一种基于自动驾驶的车道线识别方法，所述方法包括：
[0040]S101，获取图像信息；其中，所述图像信息包括通过部署在车辆上的感知层检测所得。
[0041]具体地，所述感知层包括多种传感器，具体包括激光雷达、超声波、毫米波、车载摄像头、GPS、IMU、加速度计和陀螺仪等。
[0042]S102，获取车辆实时的定位信息和行驶参数，并将所述定位信息与获取的图像信息进行关联。
[0043]具体地，所述定位信息可包括经纬度信息；所述行驶参数包括车辆的ECU信息，例如，当前角、线速度、运动方向、换挡、离合、刹车以及GPS、IMU、加速度计和陀螺仪数据等。
[0044]通过将采集的图像与当前的位置进行关联，从而使得对采集的图像所在位置更加准确，进而避免相关相似性图片的干扰。
[0045]S103，将关联后的图像送入到预先接入的地图库本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于自动驾驶的车道线识别方法，其特征在于，所述方法包括：获取图像信息；其中，所述图像信息包括通过部署在车辆上的感知层检测所得；获取车辆实时的定位信息和行驶参数，并将所述定位信息与获取的图像信息进行关联；将关联后的图像送入到预先接入的地图库中进行基于图像平均灰度值的计算，以得到该定位点清晰的待识别图像；将所述待识别图像送入预先构造的车道线识别模型中进行识别，以得到车道线识别结果；其中，所述车道线识别模型基于车道和道路标记基准训练所得，所述基准包括多个车道、道路标记类别以及多种不同的恶劣环境场景。2.如权利要求1所述的一种基于自动驾驶的车道线识别方法，其特征在于，所述方法还包括：获取车辆的操作信号，并结合获取的行驶参数构造出车辆的实际行驶轨迹；基于所述行驶参数和车道线识别结果分析出车辆的预测行驶轨迹；再将所述预测行驶轨迹与实际行驶轨迹进行匹配，以判断出两者的轨迹是否在预设的偏差范围内；若超出偏差范围，则将对应的车道线识别结果作为训练数据以优化所述车道线识别模型。3.如权利要求1或2所述的一种基于自动驾驶的车道线识别方法，其特征在于，所述车道线识别模型在训练时，将每个车道都作为自身的实例进行训练，并进行基于图像的学习视角变换，以实现车道变化的识别。4.如权利要求3所述的一种基于自动驾驶的车道线识别方法，其特征在于，所述方法还包括：基于道路结构和获取图像信息的角度建立车道形状模型；识别时，再将所述车道形状模型输出的车道参数传入至车道线识别模型中，以实现车道线的准确定位。5.一种基于自动驾驶的车道线识别系统，其特征在于，包括：图像获取模块，用于获取图像信息；其中，所述图像信息包括通过部署在车辆上的感知层检测所得；信息关联模块，用于获取车辆实时的定位信息和行驶参数，并将所述定位信息与获取的图像信息进行关联；预处理模...

【专利技术属性】
技术研发人员：漆晓静，
申请(专利权)人：重庆电讯职业学院，
类型：发明
国别省市：