基于量化特征的车道线检测性能评测方法技术

本发明专利技术公开了基于量化特征的车道线检测性能评测方法，建立车道线检测数据集，并基于车道线检测数据集和车道线检测结果分别进行统一量化，获取量化特征；基于车道线数据集的真值量化特征和车道线检测结果的量化特征，建立车道线检测性能的评测模型；通过筛选量化指标，提取量化特征建立基于量化特征的车道线检测性能的统一评测框架。车道线的量化指标包括：车道线的多项式拟合参数、车道线的位置信息、车道线的类型、车道线的颜色。车道线的多项式拟合参数可以评测车道线的偏离程度；车道线的位置信息、车道线的类型、车道线的颜色能否检测正确对智能汽车能否做出正确决策至关重要，可以非常方便的对评测方法进行扩展。可以非常方便的对评测方法进行扩展。可以非常方便的对评测方法进行扩展。

【技术实现步骤摘要】
基于量化特征的车道线检测性能评测方法


[0001]本专利技术涉及一种车道线评测方法，具体是一种基于检测结果进行车道线评测的方法，属于智能汽车


技术介绍

[0002]智能汽车是一个集环境感知、规划决策、多等级辅助驾驶等功能于一体的综合系统，为了保证汽车在行驶过程中的安全性，辅助驾驶系统需要保持汽车在道路上沿车道线移动，这要求对车道线有准确的感知。在实际情况下，道路状况千差万别，天气、阴影、雾气等带来的光照亮度的变化，障碍物带来的遮挡，污渍等带来的视觉干扰，摄像机拍摄角度变化带来的图像的严重变形，都会影响车道线识别的准确性。不光车道线检测是智能驾驶环境感知的研究热点，车道线检测性能的评测对于评价车道线检测性能的鲁棒性至关重要，对于智能驾驶汽车的产品应用落地具有重要的现实意义。
[0003]中国专利201911239409.8公开了一种车道线检测方法及其系统，所述方法包括如下步骤：获取车辆前方道路图像；对所述车辆前方道路图像进行预处理得到预处理图像；利用预先训练好的深度学习CNN网络对所述预处理图像进行处理得到各车道线位置点信息，并本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于量化特征的车道线检测性能评测方法，其特征在于：该方法的技术实现步骤如下，S1，基于车道线检测结果建立车道线检测数据集，并基于车道线检测数据集和车道线检测结果分别进行统一量化，获取量化特征；1)量化指标的选取与表示；选取车道线的重要属性进行量化；选取的车道线属性信息包括：有效的车道线点序列、车道线的位置信息、车道线的类型、车道线的颜色；2)车道线数据集的基准真值量化；对车道线数据集的车道线属性按照量化指标进行真值量化；3)车道线数据集的检测结果量化；与车道线检测结果进行量化表示，获得车道线检测结果的量化特征；S2，基于S1中的车道线数据集的真值量化特征和车道线检测结果的量化特征，建立车道线检测性能的评测模型；(1)横向误差计算模型；单点i的横向偏差e
i
为其中，d
gt
是由参数拟合曲线方程计算得到的基准横向距离，d
dt
是检测值是由参数{c0，c1，c2，c3}拟合曲线方程计算得到的检测横向距离；角标i与单点i的含义相同；距离区间[L,H]误差平均值N表示车道线上点的数量，L和H为相机视野内测量的车道线的最近和最远端点值；(2)车道线颜色分类精度计算模型；检测得到的车道线颜色与人工标定的基准值进行对比，获得正检率、误检率；颜色分类的精度为Tp(P
m
)表示实际车道线颜色正确，分类为正确的数量；Tn(P
m
)表示实际车道线颜色错误，分类为错误的数量；Fp(P
m
)表示实际车道线颜色错误，分类为正确的数量；Fn(P
m
)表示实际车道线颜色正确，分类为错误的数量；P
m
表示车道线颜色类型，包括白色、黄色、红色、蓝色；(3)车道线线型分类精度计算模型；检测得到的车道线线型分类与人工标定的基准值进行对比，获得正检率、误检率；线型分类的精度为
Yp(P
t
)表示实际线型正确，分类为正确的数量；Tn(P
t
)表示实际线型错误，分类为错误的数量；Fp(P
t
)表示实际线型错误，分类为正确的数量；Fn(P
t
)表示实际线型正确，分类为错误的数量；P
t
表示是车道线线型类型，包括实线、虚线以及双线；(4)车道线位置信息精度计算模型；检测得到的车道线位置信息与人工标定的基准值进行对比，获得正检率、误检率；车道线位置信息的精度为Tp(P
l
)表示实际车道线位置信息正确，分类为正确的数量；Yn(P
l
)表示实际车道线位置信息错误，分类为错误的数量；Fp(P
l
)表示实际车道线位置信息错误，分类为正确的数量；Fn(P
l
)表示实际车道线位置信息正确，分类为错误的数量；P
l
表示是车道线位置信息，以本车...

【专利技术属性】
技术研发人员：马楠，郭聪，梁晔，许根宝，
申请(专利权)人：北京工业大学，
类型：发明
国别省市：