本发明专利技术涉及车道分类深度学习模型的训练数据生成方法及装置。本发明专利技术一实施例的方法通过电子装置进行，利用白色车道及其他颜色车道的图像生成其他颜色车道的合成图像，以生成车道分类深度学习模型的训练数据，上述方法包括：在其他颜色车道的图像中对其他颜色车道所具有的红色(R)、绿色(G)及蓝色(B)的三种颜色通道以一个通道(基准颜色通道)为基准计算其他两个通道的比率的步骤；以及在白色车道的图像中对相对于白色车道的基准颜色通道的其他两个通道适用上述计算的比率来缩放，以生成其他颜色车道的合成图像的步骤。他颜色车道的合成图像的步骤。他颜色车道的合成图像的步骤。
【技术实现步骤摘要】
车道分类深度学习模型的训练数据生成方法及装置
[0001]本专利技术涉及车道分类深度学习模型的训练数据生成方法及装置，更详细地涉及用于增加数量不均衡的车道的训练数据的方法及装置。
技术介绍
[0002]智能车为包括自动驾驶系统等的车辆，是指不是由驾驶员直接操作车辆，而是通过计算机等自动实现行驶、停止、旋转、加速或减速等驾驶操作的车辆。这种智能车的主要课题在于，保持行驶的车道，确保与相邻车辆的安全距离，检测接近障碍物和避免碰撞，根据交通状况或道路环境控制车辆速度等。
[0003]最近，随着信息通信技术的进步，开发车道偏离预警系统(LDWS，Lane Departure Warning System)或保持车道之类的安全驾驶辅助系统、车辆自动控制系统等，急速进行实用化。尤其，车道识别为智能车中核心技术之一，在受到国际关注下活跃进行很多研究。
[0004]车道识别极大影响安全驾驶，因而为了估算并判断车道的位置，应用多种传感器。即，图像传感器、雷达(Radar)或激光雷达(Lidar)传感器等多种传感器为了车道识别或车辆前方的物体识别而以单独或融合的形态实现智能车控制系统。其中，利用图像传感器的车道识别能够以低廉的费用识别很多信息，可应用现有的多种视觉处理算法，广泛被利用。
[0005]另一方面，道路上的车道以多种颜色标记，根据其颜色及类型，具有多种交通标志功能。白色车道、黄色车道、蓝色车道等根据其颜色具有单向车道、双向车道、特殊车道等多种交通标志功能。
[0006]因此，智能车需要准确地分类这种车道颜色和类型。基于这种颜色的车道分类可使用对各个车道颜色的均衡的训练数据及最新深度学习模型实现。
[0007]但是，在实际道路中，常见的是白色车道，而黄色车道和蓝色车道却非常少，其数量不均衡。即，为了车道分类训练，无法仅通过实际道路的图像对各个颜色的车道收集同量的训练数据。通过这种不均衡的训练数据训练的深度学习模型中只能偏向于经常发生的场景，因而其分类的准确度只能降低。
技术实现思路
[0008](一)要解决的技术问题
[0009]为了解决如上所述的现有技术的问题，本专利技术的目的在于，提供可增加数量不均衡的车道的训练数据的车道分类深度学习模型的训练数据生成技术。
[0010]只是，本专利技术要解决的问题不局限于以上所提及的问题，本专利技术所属
的普通技术人员可从以下的记载内容中明确地理解未提及的其他问题。
[0011](二)技术方案
[0012]用于解决如上所述的问题的本专利技术一实施例的方法通过电子装置或车辆内系统进行，利用白色车道及其他颜色车道的图像生成其他颜色车道的合成图像，以生成车道分类深度学习模型的训练数据，其特征在于，包括：在其他颜色车道的图像中对其他颜色车道
所具有的红色(R)、绿色(G)及蓝色(B)的三种颜色通道以一个通道(基准颜色通道)为基准计算其他两个通道的比率的步骤；以及在白色车道的图像中对相对于白色车道的基准颜色通道的其他两个通道适用上述计算的比率来缩放(scaling)，以生成其他颜色车道的合成图像的步骤。
[0013]在上述三种颜色通道中，上述基准颜色通道的颜色值可最大。
[0014]上述其他颜色车道可以为黄色车道，上述基准颜色通道可以为R通道。
[0015]上述其他颜色车道可以为蓝色车道，上述基准颜色通道可以为B通道。
[0016]上述计算的步骤可包括对具有褪色(fading)的其他颜色车道按不同行计算上述比率的步骤，上述生成的步骤可包括对白色车道的各个行适用计算的上述不同行比率的步骤。
[0017]上述计算的步骤可包括对多个其他颜色车道计算上述比率，以计算其平均值的步骤，上述生成的步骤可包括对白色车道适用上述平均值的比率的步骤。
[0018]上述计算的步骤可包括对具有褪色的其他颜色车道按不同行计算上述比率，对多个其他颜色车道按上述不同行计算比率，以计算其平均值的步骤，上述生成的步骤可包括对白色车道的各个行适用计算的上述不同行比率的平均值的步骤。
[0019]上述生成的步骤可包括对生成的其他颜色车道的合成图像进行相对于相应颜色车道的标签(labeling)的步骤。
[0020]本专利技术的一实施例的装置生成车道分类深度学习模型的训练数据，其特征在于，所述装置包括：存储器，存储白色车道及其他颜色车道的图像；以及控制部，利用存储的白色车道及其他颜色车道的图像生成作为上述训练数据的其他颜色车道的合成图像。
[0021]本专利技术另一实施例的装置生成车道分类深度学习模型的训练数据，其特征在于，包括：通信部，接收白色车道及其他颜色车道的图像；以及控制部，利用接收的白色车道及其他颜色车道的图像生成作为上述训练数据的其他颜色车道的合成图像，
[0022]上述控制部可在其他颜色车道的图像中对其他颜色车道所具有的红色(R)、绿色(G)及蓝色(B)的三种颜色通道以一个通道(基准颜色通道)为基准计算其他两个通道的比率，可在白色车道的图像中对相对于白色车道的基准颜色通道的其他两个通道适用上述计算的比率来缩放，以生成其他颜色车道的合成图像。
[0023]在上述三种颜色通道中，上述基准颜色通道的颜色值可最大。
[0024]上述控制部可对具有褪色的其他颜色车道按不同行计算上述比率，可对白色车道的各个行适用计算的上述不同行比率。
[0025]上述控制部可对多个其他颜色车道计算上述比率，以计算其平均值，可对白色车道适用上述平均值的比率。
[0026]上述控制部可对具有褪色的其他颜色车道按不同行计算上述比率，可对多个其他颜色车道按上述不同行计算比率，以计算其平均值，可对白色车道的各个行适用计算的上述不同行比率的平均值。
[0027]上述控制部可对生成的其他颜色车道的合成图像进行相对于相应颜色车道的标签。
[0028]本专利技术一实施例的装置还可包括拍摄车辆周边影像的摄像机，可利用摄像机拍摄的车辆周边影像，可适用为车辆内的系统。
[0029](三)有益效果
[0030]如上所述的构成的本专利技术具有为了调整相对于基于颜色的车道分类用深度学习模型的白色车道和除此之外的其他颜色车道之间的训练数据不均衡，可增加其他颜色车道的训练数据的优点。
[0031]即，本专利技术通过生成频率低的蓝色及黄色车道的合成图像可增加相应车道的训练数据。
[0032]并且，本专利技术具有在比率基准车道的RGB通道中基于相对于基准颜色通道的其他颜色通道的比率转换白色车道的图像，因而可更简便地生成接近真实的其他颜色车道的合成图像的优点。
[0033]并且，本专利技术具有可生成反映出现在白色车道的图像的褪色的合成图像的优点。
[0034]并且，本专利技术具有通过提供比较简单的训练数据扩展技术，可贡献于生成分类准确度等之类的分类性能明显得到改善的车道分类用深度学习模型的优点。
[0035]可从本专利技术中得到的效果不局限于以上所提及的效果，本专利技术所属
的普通技术人员可从以本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种方法，通过电子装置或车辆内系统进行，利用白色车道及其他颜色车道的图像生成其他颜色车道的合成图像，以生成车道分类深度学习模型的训练数据，其特征在于，包括：在其他颜色车道的图像中对其他颜色车道所具有的红色(R)、绿色(G)及蓝色(B)的三种颜色通道以一个通道即基准颜色通道为基准计算其他两个通道的比率的步骤；以及在白色车道的图像中对相对于白色车道的基准颜色通道的其他两个通道适用计算的所述比率来缩放，以生成其他颜色车道的合成图像的步骤。2.根据权利要求1所述的方法，其特征在于，在所述三种颜色通道中，所述基准颜色通道的颜色值最大。3.根据权利要求1所述的方法，其特征在于，所述其他颜色车道为黄色车道，所述基准颜色通道为R通道。4.根据权利要求1所述的方法，其特征在于，所述其他颜色车道为蓝色车道，所述基准颜色通道为B通道。5.根据权利要求1所述的方法，其特征在于，所述计算的步骤包括对具有褪色的其他颜色车道按不同行计算所述比率的步骤，所述生成的步骤包括对白色车道的各个行适用计算的所述不同行比率的步骤。6.根据权利要求1所述的方法，其特征在于，所述计算的步骤包括对多个其他颜色车道计算所述比率，以计算其平均值的步骤，所述生成的步骤包括对白色车道适用所述平均值的比率的步骤。7.根据权利要求1所述的方法，其特征在于，所述计算的步骤包括对具有褪色的其他颜色车道按不同行计算所述比率，对多个其他颜色车道按所述不同行计算比率，以计算其平均值的步骤，所述生成的步骤包括对白色车道的各个行适用计算的所述不同行比率的平均值的步骤。8.根据权利要求1所述的方法，其特征在于，所述生成的步骤包括对生成的其他颜色车道的合成图像进行相对于相应颜色车道的标签的步骤。9.一种装置，生成车道分类深度学习模型的训练数据，其特征在于，包括：存储器，存储白色车道及其他颜色车道的图像；以及控制部，利用存储的白色车道及其他颜色车道的图像生成作为所述训练数据的其他颜色车道的...
【专利技术属性】
技术研发人员：S，
申请(专利权)人：汉拿科锐动电子股份公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。