基于深度学习的车道线检测及拟合方法及车辆技术

本发明专利技术公开了一种基于深度学习的车道线检测及拟合方法、系统、车辆及存储介质，将车道线信息获取任务中几何变换与多项式拟合的部分也通过轻量级的深度学习网络来完成，实现端到端的车道线信息获取。在实现拟合的过程中加入了图像特征的考量，通过大量数据的训练提升了信息获取的稳定性。本发明专利技术有效降低地形变化与车身姿态等因素对最终输出结果的影响。与车身姿态等因素对最终输出结果的影响。与车身姿态等因素对最终输出结果的影响。

【技术实现步骤摘要】
基于深度学习的车道线检测及拟合方法及车辆


[0001]本专利技术属于自动驾驶
，具体涉及一种基于深度学习的车道线检测及拟合方法及车辆。

技术介绍

[0002]近年来，自动驾驶相关技术的发展及应用愈发成熟。其中，针对车道线的检测以及信息提取是自动驾驶环境感知领域中的关键问题之一。其效果将直接影响后续自动驾驶路径规划及车辆控制的稳定性与准确性。
[0003]现有的检测方式是通过对车载前视摄像头采集的视频进行图像特征提取来进行识别检测。按原理的不同分为传统图像检测方法与基于深度学习的方法。鉴于传统方法对复杂环境因素如光照，遮挡等的适应性较弱，实际落地应用效果往往欠佳，因此，目前基于深度学习的车道线检测方法成为主要的研究与应用方向。
[0004]现有技术中，利用深度学习模型实现获取图像空间中车道线坐标的任务，然后通过相机标定与几何变换将图像转换到俯视的物理空间，再通过多项式(常用的是三阶多项式)拟合得到车道线参数信息提供给后续规划控制模块。然而，实际车辆运行中，路面的不平与坡度以及车身抖动均会影响几何变换的准确性与稳定性，进而影响本文档来自技高网...

【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及拟合方法，其特征在于，包括以下步骤：步骤1、采集车道线图像数据，并对车道线位置坐标进行标注；步骤2、利用摄像头的标定参数对采集图像进行透视变换，得到俯视视角下的车道线坐标，然后对车道线进行拟合得到车道线的三阶多项式的参数，将该参数作为图像的标注数据，形成所需的数据集；步骤3、对采集的图像数据预处理，包括感兴趣区域裁剪、图像尺寸缩放及数据归一化；步骤4、构建主干卷积神经网络模型，将经步骤3处理后图像数据作为主干卷积神经网络模型的输入，主干卷积神经网络模型提取出图像特征信息；步骤5、构建车道线位置预测模型，以步骤4中输出的图像特征信息作为该车道线位置预测模型的输入，车道线位置预测模型输出车道线位置信息；步骤6、构建车道线拟合参数预测模型，以步骤4中的图像特征信息和步骤5中得到的车道线位置信息共同作为车道线拟合参数预测模型的输入，车道线拟合参数预测模型输出预测的车道线拟合结果；步骤7、训练所构建的主干卷积神经网络模型、车道线位置预测模型和车道线拟合参数预测模型，使误差达到期望值，得到训练好的车道线拟合参数预测模型；步骤8、利用步骤7中得到的车道线拟合参数预测模型，将采集的图像数据经由步骤3处理后，输入到训练好的车道线拟合参数预测模型，即得到车道线拟合参数的预测结果。2.根据权利要求1所述的基于深度学习的车道线检测及拟合方法，其特征在于：所述步骤1中，在多种路面地形中重复进行多次图像采集，并通过翻转、平移数据来丰富数据的样本量。3.根据权利要求1或2所述的基于深度学习的车道线检测及拟合方法，其特征在于：所述步骤2具体为：通过摄像头标定，得到所采集图像的透视变换矩阵：其中：a,b,c,d,e,f为变换参数，给定原始图像中坐标为(x,y)的像素点p＝[x,y,1]T，其投影后的坐标即为p
’
＝H*p＝[x
’
,y
’
,1]T，其中，T表示矩阵的转置；再经由最小二乘法对投影后车道线上的点进行拟合，得到车道线对应三阶多项式x
’
＝f(y
’
)＝A0+A1*y
’
+A2*y
’
2+A3*y
’

【专利技术属性】
技术研发人员：王嘉骏，何潇，
申请(专利权)人：重庆长安汽车股份有限公司，
类型：发明
国别省市：