一种道路边缘定位检测方法、设备及介质技术

本申请公开了一种道路边缘定位检测方法、设备及介质，方法包括：采集道路图像，并对道路图像进行预处理；在预处理后的道路信息中，以行为单位，在每行像素中对道路边缘位置进行标注；将标注后的道路图像作为训练样本进行模型训练，并在模型训练中，将anchor设定区域作为特征提取范围进行特征提取，并根据提取得到的浅层特征作为ASPP模块的输入，训练得到神经网络模型；使用训练得到的神经网络模型进行道路边缘检测。区别于图像基于分割的逐像素检测分割的方法，按照行对采集图像进行感兴趣区域划分与检测，输入量为图像中每行的道路边缘位置，特征提取网络选取深层网络Darknet

【技术实现步骤摘要】
一种道路边缘定位检测方法、设备及介质


[0001]本申请涉及计算机领域，具体涉及一种道路边缘定位检测方法、设备及介质。

技术介绍

[0002]在目前多个智慧场景的建设中，智慧交通系统由于其有潜力提高系统效率和决策，已经成为一个活跃的研究领域。
[0003]智能驾驶技术需要加入室外安防机器人的研究领域，增加机器人巡检等行为的安全性能，其中，实现能够辅助驾驶的道路边缘检测与跟踪模型方法可以辅助机器人在室外能够进行遵守正确交通规则的道路行驶，是机器人安全驾驶中的基础环节，能否准确定位出道路边缘的位置并进行实时更新是实现车辆主动安全和辅助驾驶的关键。
[0004]道路边缘检测与跟踪算法主要是为了在动态图像中定位当前道路边缘的准确位置，并依次计算出机器人的安全行驶区域，这是实现智能机器人自主在道路上行动的基础保障。目前的道路边缘(俗称“马路牙子”)检测方案可主要分为四类，基于特征、基于模型、基于学习及其他传统方法，其中，基于特征的方法可进一步细分为基于颜色、边缘等特征的检测方法；基于模型的方法主要采用直线、曲线及可变模型；基于学习的方法则本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种道路边缘定位检测方法，其特征在于，包括：采集道路图像，并对所述道路图像进行预处理；在预处理后的所述道路信息中，以行为单位，在每行像素中对道路边缘位置进行标注；将标注后的道路图像作为训练样本进行模型训练，并在模型训练中，将anchor设定区域作为特征提取范围进行特征提取，并根据提取得到的浅层特征作为ASPP模块的输入，训练得到神经网络模型；使用训练得到的所述神经网络模型进行道路边缘检测。2.根据权利要求1所述的方法，其特征在于，对所述道路图像进行预处理，具体包括：对所述道路图像进行去噪增强、光照均衡化，并根据所述道路图像进行图像增强，所述图像增强包括旋转增强、平移增强。3.根据权利要求1所述的方法，其特征在于，根据提取得到的浅层特征作为ASPP模块的输入，训练得到神经网络模型，具体包括：根据提取到的五层的特征图的浅层特征作为ASPP模块的输入；根据所述ASPP模块，通过使用空洞卷积以增大卷积核的感受野，实现不做pooling损失信息的基础下，增加所述感受野。4.根据权利要求3所述的方法，其特征在于，所述方法还包括：在所述神经网络模型的训练过程中，在卷积层之后设置有BN层，以通过所述BN层减少过拟合，增加网络收敛速度，从而实现加快训练速度。5.根据权利要求3所述的方法，其特征在于，根据所述ASPP模块，通过使用空洞卷积以增大卷积核的感受野，具体包括：通过所述ASPP模块，将所述特征图通过并联方式，将采用不同膨胀速率的空洞卷积层用于捕获多尺度信息，并将输出结果融合；使用concat与上采样得到图像的分割结果，并在训练过程中通过辅助分割模块，在输入的所述道路图像中每隔固定像素画水平线，以将所述道路图像划分成若干行，并将每一行在垂直方向切割为若干cell块。6.根据权利要求3所述的方法，其特征在于，所述方法还包括：确定所述特征图的大小为h*(w+1)*C，其中，h指的是在垂直方向上采样的行的数量，w指的是行方向上道路边缘候选点的位置的数量，C是道路边缘的设定数量。7.根据权利要求1所述的方法，其特征在于，所述方法还包括：在所述神经网络模型的训练过程中，通过构建多分类损失函数、分割损失函数与道路边缘的结构损失函数来构成总损失函数；其中，所述多分类损失函数采用交叉熵损失函数，所述分割损失采用Dice loss函数，所述道路边...

【专利技术属性】
技术研发人员：赵小楠，王健，李世鹏，马辰，
申请(专利权)人：山东新一代信息产业技术研究院有限公司，
类型：发明
国别省市：