一种基于语义分割技术的车道线检测方法技术

本发明专利技术公开一种基于语义分割技术的车道线检测方法，涉及计算机视觉技术领域；构建语义分割模型，通过语义分割模型将RGB图像逐像素按照背景、可行驶区域、车道线或马路边缘石进行预测分类，利用DBSCAN聚类方法将预测分类后车道线的区域聚类为独立的簇，初步形成车道线，利用图像处理方法根据初步形成的车道线提取每一条车道线的中心线，完成车道线检测。完成车道线检测。完成车道线检测。

【技术实现步骤摘要】
一种基于语义分割技术的车道线检测方法


[0001]本专利技术公开一种方法，涉及计算机视觉
，具体地说是一种基于语义分割技术的车道线检测方法。

技术介绍

[0002]快速的城市化带来了城市人口的增长，带来了重大的流动性和可持续性挑战，在多个智慧场景的建设中，智慧交通场景具有潜力提高效率和决策。其中智能驾驶技术中的感知功能非常重要，而且其需要感知的设备丰富、感知的数据模态多样、感知的数据量大且任务输出复杂。针对需要的感知的数据中，路况数据十分重要，虽然目前存在识别技术进行路况识别，但其可靠性和高效性还有待提高。

技术实现思路

[0003]本专利技术针对现有技术的问题，提供一种基于语义分割技术的车道线检测方法，可用于辅助构建高精地图或行车过程，切实提升智能驾驶的可靠性与高效性。
[0004]本专利技术提出的具体方案是：
[0005]本专利技术提供一种基于语义分割技术的车道线检测方法，构建语义分割模型，通过语义分割模型将RGB图像逐像素按照背景、可行驶区域、车道线或马路边缘石进行预测分类，
[0006]利用DBSCAN聚类方法将预测分类后车道线的区域聚类为独立的簇，初步形成车道线，
[0007]利用图像处理方法根据初步形成的车道线提取每一条车道线的中心线，完成车道线检测。
[0008]进一步，所述的一种基于语义分割技术的车道线检测方法中预测分类前通过单目相机采集路况图像，并将路况图像转换为RGB图像。
[0009]进一步，所述的一种基于语义分割技术的车道线检测方法中所述构建语义分割模型，包括：
[0010]构建语义分割模型的卷积层和池化层，并将ReLU函数作为激活函数，通过Softmax函数输出多分类的结果。
[0011]进一步，所述的一种基于语义分割技术的车道线检测方法中所述利用DBSCAN聚类方法将预测分类后车道线的区域聚类为独立的簇，包括：
[0012]定义密度相连点的最大集合为独立的簇，初步形成车道线。
[0013]进一步，所述的一种基于语义分割技术的车道线检测方法中所述利用图像处理方法根据初步形成的车道线提取每一条车道线的中心线，包括：
[0014]利用形态学骨架提取方法提取每一条车道线的中心线：对初步形成的车道线图像进行二值化处理，对二值化处理后的车道线图像依次进行腐蚀和膨胀操作，获得骨架图。
[0015]本专利技术还提供一种基于语义分割技术的车道线检测系统，包括预测分类模块、聚
类模块和图像处理模块，
[0016]预测分类模块构建语义分割模型，通过语义分割模型将RGB图像逐像素按照背景、可行驶区域、车道线或马路边缘石进行预测分类，
[0017]聚类模块利用DBSCAN聚类方法将预测分类后车道线的区域聚类为独立的簇，初步形成车道线，
[0018]图像处理模块利用图像处理方法根据初步形成的车道线提取每一条车道线的中心线，完成车道线检测。
[0019]进一步，所述的一种基于语义分割技术的车道线检测系统中预测分类模块在预测分类前获得单目相机采集的路况图像，并将路况图像转换为RGB图像。
[0020]进一步，所述的一种基于语义分割技术的车道线检测系统中所述预测分类模块构建语义分割模型，包括：
[0021]构建语义分割模型的卷积层和池化层，并将ReLU函数作为激活函数，通过Softmax函数输出多分类的结果。
[0022]进一步，所述的一种基于语义分割技术的车道线检测系统中所述聚类模块利用DBSCAN聚类方法将预测分类后车道线的区域聚类为独立的簇，包括：
[0023]定义密度相连点的最大集合为独立的簇，初步形成车道线。
[0024]进一步，所述的一种基于语义分割技术的车道线检测系统中所述图像处理模块利用图像处理方法根据初步形成的车道线提取每一条车道线的中心线，包括：
[0025]利用形态学骨架提取方法提取每一条车道线的中心线：对初步形成的车道线图像进行二值化处理，对二值化处理后的车道线图像依次进行腐蚀和膨胀操作，获得骨架图。
[0026]本专利技术的有益之处是：
[0027]本专利技术提供一种基于语义分割技术的车道线检测方法，通过语义分割模型对图像有更加细致预测分类，逐像素分为背景、可行驶区域、车道线、马路边缘石四个类别，所产生的结果除划分可行驶区域外，还进一步结合聚类方法和图像处理方法精确提取车道线，可用于辅助构建高精地图或行车过程中的实时检测偏移预警，切实提升智能驾驶的可靠性与高效性。
附图说明
[0028]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0029]图1是本专利技术中语义分割模型预测分类结果示意图。
[0030]图2是本专利技术中图像处理结果示意图。
具体实施方式
[0031]下面结合附图和具体实施例对本专利技术作进一步说明，以使本领域的技术人员可以更好地理解本专利技术并能予以实施，但所举实施例不作为对本专利技术的限定。
[0032]本专利技术提供一种基于语义分割技术的车道线检测方法，构建语义分割模型，通过
语义分割模型将RGB图像逐像素按照背景、可行驶区域、车道线或马路边缘石进行预测分类，
[0033]利用DBSCAN聚类方法将预测分类后车道线的区域聚类为独立的簇，初步形成车道线，
[0034]利用图像处理方法根据初步形成的车道线提取每一条车道线的中心线，完成车道线检测。
[0035]本专利技术方法中语义分割(Semantic Segmentation)模型可以对使用单目相机采集的RGB图像进行处理，给图像上目标类别中的每一个点打上对应的标签，使得不同种类的物体在图像上被区分开来，可以理解其为图像像素级别的分类任务。本专利技术方法面向智能驾驶行驶过程中获取的单目相机RGB图像，构建语义分割模型，对行驶过程中的前方可视范围逐像素分为背景、可行驶区域、车道线、马路边缘石四个类别，所产生的结果除划分可行驶区域外，还可进一步提取车道线。本专利技术方法对前述语义分割模型的结果进行处理，使用DBSCAN方法聚类获取车道线条数，并对每一条车道线处理提取中心线，使车道线识别更为精确。
[0036]具体应用中，在本专利技术方法的一些实施例中，预测分类前通过单目相机采集路况图像，并将路况图像转换为RGB图像。构建语义分割模型，将采集的RGB图像逐像素分为背景、可行驶区域、车道线、马路边缘石四个类别。
[0037]进一步，语义分割模型主要包含二维卷积(Convolution)和池化(Pooling)，将ReLU函数作为激活函数，通过Softmax函数输出多分类的结果，其中二维卷积操作即对输入矩阵每个channel下的矩阵应用卷积核进行窗口滑动操作并做点积运算，每个channel结果值求和并加上偏置本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于语义分割技术的车道线检测方法，其特征是构建语义分割模型，通过语义分割模型将RGB图像逐像素按照背景、可行驶区域、车道线或马路边缘石进行预测分类，利用DBSCAN聚类方法将预测分类后车道线的区域聚类为独立的簇，初步形成车道线，利用图像处理方法根据初步形成的车道线提取每一条车道线的中心线，完成车道线检测。2.根据权利要求1所述的一种基于语义分割技术的车道线检测方法，其特征是预测分类前通过单目相机采集路况图像，并将路况图像转换为RGB图像。3.根据权利要求1所述的一种基于语义分割技术的车道线检测方法，其特征是所述构建语义分割模型，包括：构建语义分割模型的卷积层和池化层，并将ReLU函数作为激活函数，通过Softmax函数输出多分类的结果。4.根据权利要求1所述的一种基于语义分割技术的车道线检测方法，其特征是所述利用DBSCAN聚类方法将预测分类后车道线的区域聚类为独立的簇，包括：定义密度相连点的最大集合为独立的簇，初步形成车道线。5.根据权利要求1所述的一种基于语义分割技术的车道线检测方法，其特征是所述利用图像处理方法根据初步形成的车道线提取每一条车道线的中心线，包括：利用形态学骨架提取方法提取每一条车道线的中心线：对初步形成的车道线图像进行二值化处理，对二值化处理后的车道线图像依次进行腐蚀和膨胀操作，获得骨架图。6.一种基于语义分割技术的车道线检测系统，其特征是包括预测分类模块、...

【专利技术属性】
技术研发人员：王健，王本强，赵小楠，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：