一种基于深度学习的车道线检测方法技术

一种基于深度学习的车道线检测方法，包括，根据神经网络模型的预设超参数，将输入图片划分为一个或多个符合预设规则的网格；每个网格对应神经网络模型的一组输出，每组神经网络模型的输出预测当前网格或相邻网格是否有一个点在车道线上；每个预测的点包括两个方向，对于每一组神经网络模型的输出，当预测的点在车道线上时，从所述预测点开始，分别沿着两个方向，遍历到所在车道线的两个端点，得到车道线点集；对每个车道线点集进行异常值检测去除异常点，并通过卡尔曼滤波对车道线进行平滑得到最终的车道线。本申请的基于深度学习的车道线检测方法，能够降低软件复杂度，降低硬件成本，调整模型参数即可在精度和硬件成本方面进行权衡。面进行权衡。面进行权衡。

【技术实现步骤摘要】
一种基于深度学习的车道线检测方法


[0001]本申请涉及自动驾驶
，特别是涉及一种基于深度学习的辅助驾驶场景中的车道线检测方法。

技术介绍

[0002]现有技术中，深度学习主要包括基于函数拟合的深度学习方法，基于点检测的深度学习方法和基于像素分割的深度学习方法，由于函数本身的限制同一个自变量不能有两个因变量，现有的基于函数拟合的车道线检测算法不能同时检测水平和垂直车道线，现有的基于点的车道线检测算法只能检测固定数量车道线，现有的基于像素分割的检测算法通常需要消耗大量的算力。
[0003]现有的基于多项式拟合(y＝f(x))或者贝塞尔曲线拟合的检测算法通常需要预测曲线参数，不能预测和x轴垂直的车道线(比如函数y＝f(x),根据函数的定义一个自变量不能有两个因变量，该函数的曲线不能有和x轴垂直的部分)。
[0004]现有的基于点检测的检测算法，通常只能检测固定数量的车道线。

技术实现思路

[0005]为了解决现有技术存在的不足，本申请的目的在于提供一种基于深度学习的车道线检测方法，能够降低软件复杂度，降低硬件成本，相同的硬件下有更好的精度，调整模型参数即可在精度和硬件成本方面进行权衡。
[0006]为实现上述目的，本申请提供的基于深度学习的车道线检测系统，包括，
[0007]根据神经网络模型的预设超参数，将输入图片划分为一个或多个符合预设规则的网格；
[0008]每个网格对应神经网络模型的一组输出，每组神经网络模型的输出预测当前网格或相邻网格是否有一个点在车道线上；
[0009]每个预测的点包括两个方向，对于每一组神经网络模型的输出，当预测的点在车道线上时，从所述预测点开始，分别沿着两个方向，遍历到所在车道线的两个端点，得到车道线点集；
[0010]对每个车道线点集进行异常值检测去除异常点，并通过卡尔曼滤波对车道线进行平滑得到最终的车道线。
[0011]进一步地，所述根据神经网络模型的预设超参数，将输入图片划分为一个或多个符合预设规则的网格的步骤，还包括，
[0012]输入图片的宽高分别为w、h,预设超参数为s，所述w、h均能整除s，宽高单位为像素，则网格的宽高均为s,所述输入图片被划分为w/s*h/s个网格。
[0013]进一步地，所述每组神经网络模型的输出预测当前网格或相邻网格是否有一个点在车道线上的步骤，还包括，
[0014]所述神经网络模型包括w/s*h/s组输出，每一组神经网络模型的输出对应一个网
格；
[0015]每组神经网络模型的输出预测该网格内或者相邻网格是否有一个点在车道线上，以及该点的坐标、方向、车道线分类。
[0016]进一步地，还包括，根据预设超参数s，第i行，第j列个网格对应的模型原始输出值，分别来预测该网格内点的横纵坐标。
[0017]进一步地，还包括，
[0018]根据第i行第j列个网格对应的模型原始输出值和弧度值计算预测点方向；
[0019]值域(
‑
Π/2，Π/2)，表示该网格预测点的向前的方向；
[0020]值域(
‑
Π/2，Π/2)，表示该网格预测点的向后的方向。
[0021]进一步地，还包括，
[0022]根据第i行第j列个网格对应的模型原始输出值进行预测点分类；
[0023]将网格预测的点分为0或1两个类别，0表示该点不在车道线上，1表示该点在车道线上。
[0024]进一步地，还包括，根据函数取出最大值的索引，表示第i行第j列个网格所预测的点所在车道线的类别。
[0025]更进一步地，所述对每个车道线点集进行异常值检测去除异常点，并通过卡尔曼滤波对车道线进行平滑得到最终的车道线的步骤，还包括，
[0026]将每条车道线进行曲线拟合，得到车道线的曲线参数。
[0027]为实现上述目的，本申请提供的一种AI智能芯片，所述AI智能芯片执行上述的基于深度学习的车道线检测方法。
[0028]为实现上述目的，本申请提供一种电路板，包括：上述的AI智能芯片。
[0029]为实现上述目的，本申请提供一种电子设备，包括存储器和处理器，所述存储器上储存有在所述处理器上运行的程序，所述处理器运行所述程序时执行上述的基于深度学习的车道线检测方法的步骤。
[0030]为实现上述目的，本申请提供一种计算机可读存储介质，其上存储有计算机指令，当计算机指令运行时执行上所述的基于深度学习的车道线检测方法的步骤。
[0031]为实现上述目的，本申请提供一种计算机程序产品，包括承载在计算机可读介质上的计算机程序，该计算机程序包括用于执行上述的基于深度学习的车道线检测方法的程序代码。
[0032]本申请的基于深度学习的车道线检测方法，不预测曲线参数，通过预测点和方向的方式，不受车道线的方向或者曲率限制。本申请提出的神经网络模型采用不同的网络输出结构，检测数量不受限制。能够降低软件复杂度，降低硬件成本，相同的硬件下有更好的精度，调整模型参数即可在精度和硬件成本方面进行权衡。
[0033]本申请的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本申请而了解。
附图说明
[0034]附图用来提供对本申请的进一步理解，并且构成说明书的一部分，并与本申请的实施例一起，用于解释本申请，并不构成对本申请的限制。在附图中：
[0035]图1为根据本申请的基于深度学习的车道线检测方法流程图；
[0036]图2为根据本申请的实施例一车道线点集示意图；
[0037]图3为根据本申请的实施例一车道线曲线拟合示意图；
[0038]图4为根据本申请的实施例一基于深度学习的车道线检测流程示意图。
具体实施方式
[0039]下面将参照附图更详细地描述本申请的实施例。虽然附图中显示了本申请的某些实施例，然而应当理解的是，本申请可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本申请。应当理解的是，本申请的附图及实施例仅用于示例性作用，并非用于限制本申请的保护范围。
[0040]应当理解，本申请的方法实施方式中记载的各个步骤可以按照不同的顺序执行，和/或并行执行。此外，方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本申请的范围在此方面不受限制。
[0041]本文使用的术语“包括”及其变形是开放性包括，即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”；术语“另一实施例”表示“至少一个另外的实施例”；术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。
[0042]需要注意，本申请中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。“多个”应理解本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的车道线检测方法，包括，根据神经网络模型的预设超参数，将输入图片划分为一个或多个符合预设规则的网格；每个网格对应神经网络模型的一组输出，每组神经网络模型的输出预测当前网格或相邻网格是否有一个点在车道线上；每个预测的点包括两个方向，对于每一组神经网络模型的输出，当预测的点在车道线上时，从所述预测点开始，分别沿着两个方向，遍历到所在车道线的两个端点，得到车道线点集；对每个车道线点集进行异常值检测去除异常点，并通过卡尔曼滤波对车道线进行平滑得到最终的车道线。2.根据权利要求1所述的基于深度学习的车道线检测方法，其特征在于，所述根据神经网络模型的预设超参数，将输入图片划分为一个或多个符合预设规则的网格的步骤，还包括，输入图片的宽高分别为w、h,预设超参数为s，所述w、h均能整除s，宽高单位为像素，则网格的宽高均为s,所述输入图片被划分为w/s*h/s个网格。3.根据权利要求1所述的基于深度学习的车道线检测方法，其特征在于，所述每组神经网络模型的输出预测当前网格或相邻网格是否有一个点在车道线上的步骤，还包括，所述神经网络模型包括w/s*h/s组输出，每一组神经网络模型的输出对应一个网格；每组神经网络模型的输出预测该网格内或者相邻网格是否有一个点在车道线上，以及该点的坐标、方向、车道线分类。4.根据权利要求3所述的基于深度学习的车道线检测方法，其特征在于，还包括，根据预设超参数s，第i行，第j列个网格对应的模型原始输出值，分别来预测该网格内点的横纵坐标。5.根据权利要求3所述的基于深度学习的车道线检测方法，其特征在于，还包括，根据第i行第j列个网格对应的模型原始输出值和弧度值计算预测点方向；值域(
‑
π/2，π/2)，表示该网...

【专利技术属性】
技术研发人员：李虹杰，
申请(专利权)人：上海励驰半导体有限公司，
类型：发明
国别省市：