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；基于学习的方法则涉及到深度神经网络等。随着当前边缘端设备的算力不断的增强，提高检测的实时性以及准确性成为更为重要的参考标准。

技术实现思路

[0005]为了解决上述问题，本申请提出了一种道路边缘定位检测方法，包括：
[0006]采集道路图像，并对所述道路图像进行预处理；
[0007]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；r/>[0008]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；
[0009]使用训练得到的所述神经网络模型进行道路边缘检测。
[0010]另一方面，本申请还提出了一种道路边缘定位检测设备，包括：
[0011]至少一个处理器；以及，
[0012]与所述至少一个处理器通信连接的存储器；其中，
[0013]所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如：
[0014]采集道路图像，并对所述道路图像进行预处理；
[0015]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；
[0016]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；
[0017]使用训练得到的所述神经网络模型进行道路边缘检测。
[0018]另一方面，本申请还提出了一种非易失性计算机存储介质，存储有计算机可执行指令，所述计算机可执行指令设置为：
[0019]采集道路图像，并对所述道路图像进行预处理；
[0020]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；
[0021]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；
[0022]使用训练得到的所述神经网络模型进行道路边缘检测。
[0023]通过本申请提出的方法能够带来如下有益效果：
[0024]运用深度学习方法，设计一种基于相机采集图像高度来自适应学习场景的卷积神经网络应用于道路边缘的检测跟踪，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，特征提取网络可以选取深层网络Darknet
‑
53，结合ResNet的特点在保证对特征进行超强表达的同时避免因网络过深带来的梯度问题。
附图说明
[0025]此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
[0026]图1为本申请实施例中道路边缘定位检测方法的流程示意图；
[0027]图2为本申请实施例中实际拍摄图像以及检测的示意图；
[0028]图3为本申请实施例中道路边缘定位检测设备的示意图。
具体实施方式
[0029]为使本申请的目的、技术方案和优点更加清楚，下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
[0030]以下结合附图，详细说明本申请各实施例提供的技术方案。
[0031]如图1所示，本申请实施例提供一种道路边缘定位检测方法方法，包括：
[0032]S101：采集道路图像，并对所述道路图像进行预处理。
[0033]道路图像可以通过相应的摄像头、摄像机器人等采集。预处理可以包括对道路图像进行去噪增强、光照均衡化，对静态图像进行标注时为了防止过拟合现象。并还可以根据道路图像进行图像增强，图像增强包括旋转增强、平移增强，并在移动或者旋转后的空白区域依然进行车道线的延长补全标注。
[0034]S102：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。
[0035]按照行对采集图像进行感兴趣区域划分与检测方法大大减少了网络训练的时间，并且可在边缘端的嵌入式设备上实现实时性的检测需求。输入量为图像中每行的道路边缘位置，采用以速度换取部分精度的表示方法。
[0036]S103：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。
[0037]使用darknet53作为特征提取网络，其后将特征提取网络部分的最后5x部分的feature map作为最终特征输入到辅助分割部分，作为ASPP模块的输入，实现基于图像更大范围的感受野，可适应高速、园区等多种复杂场景的道路边缘检测。可自适应根据输入图像的尺寸大小进行ROI区域捕获选择检测。通过这种方式进行道路边缘检测，很好地满足了在安防机器人智能驾驶辅助场景的实时性需求并大大提高了对场景的适应能力，对于保障安防机器人行驶的安全性具有重要的现实意义。
[0038]具体地，根据提取到的五层的特征图(feature map)的浅层特征作为ASPP模块的输入，根据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，让每个卷积输出都包含较大范围的信息。
[0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：