车道线检测方法、系统、设备及介质技术方案

本申请提供一种车道线检测方法、系统、设备及介质，该方法包括：获取待测图像；将待测图像输入预先训练的分割模型，得到车道线的分割结果；对所述车道线的分块图进行连通区域处理，得到每一所述分块图中的连通区域；对所述连通区域内的车道线的像素点进行直线拟合，得到车道线拟合系数；并基于所述连通区域内车道线的线形类型确定标签；根据所述车道线拟合系数与所述车道线标签所对应的线形确定车道线检测结果。本申请使用深度学习分割图像，提高了检测的鲁棒性，适用于更多场景，也提高了检测的准确率；通过确定车道线拟合系数与车道线标签等相关属性信息，更利于车道线后续处理的性能与效果的提升。性能与效果的提升。性能与效果的提升。

【技术实现步骤摘要】
车道线检测方法、系统、设备及介质


[0001]本申请涉及自动驾驶
，具体涉及一种车道线检测方法、系统、设备及介质。

技术介绍

[0002]车道线检测是自动驾驶中必不可少的功能、其可以应用于车道级定位，进而应用于LDW(Lane Departure Warning，车道偏离预警)、LKA(Lane Keeping Assistance，车道保持辅助)等功能模块。
[0003]在相关技术中，先获取道路图像作为输入，利用CNN(Convolutional Neural Networks，卷积神经网络)处理输入的道路图像，得到车道线的二值语义分割结果、以及对道路图像中各个像素点的向量表示；之后，基于以上两方面的信息来源，运用聚类算法进行聚类，得到车道线的分割结果；最后，对每个车道线进行车道线拟合。
[0004]然而，上述车道线检测方法，由于光照、路况变化等情况，一方面，使得鲁棒性检测较差，对应用场景的依赖性较强；另一方面，后续处理中需要运行聚类算法，其中，使用聚类算法往往收敛时间长，不利于车道线的实时检测。r/>[0005]申本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种车道线检测方法，其特征在于，包括：获取待测图像，所述待测图像包含车道线的路面图像；将所述待测图像输入预先训练的分割模型，得到车道线的分割结果，其中，所述分割结果包括所述车道线的分块图；对所述车道线的分块图进行连通区域处理，得到每一所述分块图中的连通区域；对所述连通区域内的车道线的像素点进行直线拟合，得到车道线拟合系数；并基于所述连通区域内车道线的线形类型确定标签；根据所述车道线拟合系数与所述车道线标签所对应的线形确定车道线检测结果。2.根据权利要求1所述的车道线检测方法，其特征在于，得到每一所述分块图中的连通区域之后，还包括：对所述待测图像的车道线进行定位，得到包含车道线的颜色区域；对所述颜色区域进行颜色特征提取，基于颜色对立空间确定颜色直方图，对所述颜色直方图进行识别，得到所述车道线的颜色。3.根据权利要求2所述的车道线检测方法，其特征在于，对所述待测图像的车道线进行定位，得到包含车道线的颜色区域，还包括：根据所述分块图中的连通区域确定代表所述车道线的第一轮廓区域；对所述第一轮廓区域进行降噪预处理，确定第二轮廓区域；对所述第二轮廓区域进行精确搜索，确定包含车道线的颜色区域。4.根据权利要求1所述的车道线检测方法，其特征在于，所述预先训练的分割模型包括：获取待训练图像和所述待训练图像分割成车道线的分块图，每个所述分块图对应有标注信息；构建深度神经网络，根据所述待训练图像以及所述待训练图像分割成车道线的分块图对深度神经网络进行训练，直至满足收敛条件确定分割模型。5.根据权利要求1所述的车道线检测方法，其特征在于，对所述连通区域内的车道线的像素点进行直线拟合，得到车道线拟合系数，还包括：计算每个所述分块图的连通区域中面积与宽度；对每个所述分块图的连通区域中面积小于第一预设阈值和/或宽度小于第二预设阈值的连通区域进行过滤处理；对过滤...

【专利技术属性】
技术研发人员：倪守诚，
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：