基于空间池化网络车道检测的自适应辅助驾驶方法技术

本发明专利技术属于辅助驾驶技术领域，尤其涉及一种基于空间池化网络车道检测的自适应辅助驾驶方法，所述方法包括如下步骤：a)构建空间池化网络结构，由GAIAC数据集训练得到网络参数；b)将车顶摄像头采集到的实时图像进行压缩、裁剪，输入到空间池化网络，提取车道线的嵌入空间特征矩阵；c)将嵌入空间特征矩阵进行中值滤波、嵌入空间降维和簇区间检测，分离出车道线实例的分布；d)对车道线实例分布进行曲线拟合，判别车道线属性，修正锚点坐标，获得车辆相对于车道线的位置；e)由相对位置，构建饱和边界函数，进一步构建自适应辅助驾驶控制器。本方法识别率高，鲁棒性强，适应于多种车道线上的车辆辅助驾驶。的车辆辅助驾驶。的车辆辅助驾驶。

【技术实现步骤摘要】
基于空间池化网络车道检测的自适应辅助驾驶方法


[0001]本专利技术属于辅助驾驶
，尤其涉及一种基于空间池化网络车道检测的自适应辅助驾驶方法。

技术介绍

[0002]经过多年的发展与实验，智能驾驶辅助技术已经获得了长足的发展，并在部分方面已经投入商业使用。其中车道线检测是智能辅助驾驶的一项基本任务，准确识别车道线的位置能为车辆安全行驶提供重要信息，因此，研究车道线检测具有重要的现实价值。其中获取车道线信息的主要设备有视觉传感器和激光雷达传感器。视觉传感器在识别车道方面具有更强的鲁棒性，可以模仿驾驶员的车道保持行为，而且拥有更低的价格。故基于计算机视觉的车道线检测和辅助驾驶系统具有广阔的发展前景。
[0003]目前，在车道检测和在其基础上的辅助驾驶领域，进行了很多科学研究和实验，并取得了较丰硕的成果。现有技术中提出将车道检测问题作为一个实例分割问题。为了在拟合车道之前参数化分割的车道实例，并进一步提出应用基于图像的学习视角变换替代固定的“鸟瞰图”变换，确保了路面环境变化时车道检测仍有较高的效率，鲁棒性更强。现有技术还提出一种利用改进分割网络(segmentation network，SegNet)算法与连通域约束相结合的方法实现车道线检测识别，将对称的SegNet算法改为非对称结构对车道线作逐像素提取，利用卷积与池化提取车道线特征，检测识别效果优于传统SegNet网络算法，对车道分割准确、实时处理能力优秀。现有技术还公开了一种端到端的基于实例分割的车道检测方法，利用注意力网络充分提取全局上下文信息并剔除相关车道干扰，能够应对车道受到严重遮挡和极端光照条件等复杂场景干扰的挑战，并展现了出色的鲁棒性。
[0004]上述方法都仅为单一的车道线检测方法，并未加入与车道线检测方法适配的车道保持方法，而且对车道线断续、多车道的车道线分割上存在识别率低的问题，而且可以检测到的车道线条数需要人为指定，降低了车道线检测方法的环境适应能力。

技术实现思路

[0005]本专利技术实施例的目的在于提供一种基于空间池化网络车道检测的自适应辅助驾驶方法，旨在解决现有技术仅采用单一车道线检测方法，未加入与车道线检测方法适配的车道保持方法，而且对车道线断续、多车道的车道线分割上存在识别率低的问题，而且可以检测到的车道线条数需要人为指定，降低了车道线检测方法的环境适应能力的问题。
[0006]本专利技术提供的一种基于空间池化网络车道检测的自适应辅助驾驶方法适用于复杂道路上车辆的车道检测与辅助驾驶。
[0007]车辆在车顶安装有前视摄像头，用于获取车辆前方的图像信息，安装于车顶径向中央位置。摄像头的图像采集速度不小于每秒钟25帧，车道检测和自适应辅助驾驶方法应每秒钟至少运行20次循环。
[0008]基于空间池化网络车道检测的自适应辅助驾驶方法分五部分。第一部分为空间池
化网络的结构构建与训练，获得网络参数；第二部分为实时图像的采集与特征提取，获得图像的嵌入空间特征矩阵；第三部分为实时图像特征的后处理，对特征矩阵进行中值滤波、嵌入空间降维和簇区间检测，从特征中分离出车道线实例的分布；第四部分为车道线拟合与坐标修正，对车道线实例进行曲线拟合、属性判别和车道线锚点坐标修正，获得车辆相对于车道线的位置；第五部分为车辆在饱和边界函数的构建与自适应辅助驾驶控制器的构建。
[0009]考虑到车道线的形状特性为狭长线条，本专利技术提出一种“空间池化”神经网络模块结构，利用空间池化网络进行车道线的特征提取与识别。由于驾驶员视角中的车道线形状通常为“丿”（撇）和“丶”（捺），故本专利技术在空间池化网络中提出了一种“斜向池化”的方法，利用水平和竖直方向上的池化组合实现车道线斜方向的池化。对于“丿”形状的车道线，为确定某个像素点是否属于车道线区域，需检查此点斜右上和斜左下的点。对于右上方向，设输入的特征图为，特征图尺寸为，先后经过向左池化输出特征图，为上位置与位置之间的最大值，即进行当前位置与右边界之间的最大池化操作；然后经过向下池化，输出，为上位置与位置之间的最大值，进行当前位置与上边界之间的最大池化操作，即：
[0010]同理，对于左下方向，设特征图为，特征图尺寸为，依次进行向右池化和向上池化，输出分别为和，即：
[0011]对于“丶”型状的车道线，池化方向变为先右后下和先左后上，池化结果和的计算过程与上述过程类似。方向池化的组合顺序不唯一，例如对于“丶”型状的车道线的左上方向池化，也可以通过先进行向上池化再进行向左池化的组合实现。斜向池化的示意图如附图1所示。
[0012]基于上述斜向池化的方法，本专利技术提出一种空间池化模块。空间池化模块由四个结构相似的斜向池化子模块串联而成。每个子模块皆为残差结构，包含2个卷积层，首先使用3
×
3卷积核大小的卷积模块对输入特征进行处理，其中卷积模块为一个卷积、批归一化、ReLU激活函数串联而成的模块，即为Conv
‑
BN
‑
ReLU；然后按照上述次序进行斜向池化，四个子模块依次进行右下、左下、左上、右上四个方向的斜向池化。最后经过3
×
3 Conv
‑
BN模块卷积，与短路连接相加和，最后使用ReLU激活层输出。空间池化模块的结构如附图2所示。
[0013]采用饱和边界函数构建自适应辅助驾驶控制器。饱和边界函数是人为定义的虚拟势场，根据车辆与道路中轴线（目标点）和车道线（障碍物）的距离建立人工势场，不同的场源在空间中叠加，空间中车辆所处位置的势场等于各场源在车辆位置势场的矢量和，车辆所处位置的场力即为该点势场的负梯度，从而计算出空间中车辆的受力大小和方向，决定车辆的运动状态。饱和边界函数为引力场和斥力场加入饱和函数，并限制引力和斥力之间的夹角，以解决传统人工势场中的局部极小值的缺陷和车辆与场源距离趋近于无限远时场力趋近于无穷大的问题。
[0014]具体地讲：本专利技术是一种基于空间池化网络车道检测的自适应辅助驾驶方法，适应于多种车道线上的车辆辅助驾驶，包括如下步骤：a) 构建空间池化网络结构，由GAIAC数据集训练得到网络参数；b) 将车顶摄像头采集到的实时图像进行压缩、裁剪，输入到空间池化网络，提取车道线的嵌入空间特征矩阵；c) 将嵌入空间特征矩阵进行中值滤波、嵌入空间降维和簇区间检测，分离出车道线实例的分布；d) 对车道线实例分布进行曲线拟合，判别车道线属性，修正锚点坐标，获得车辆相对于车道线的位置；e) 由相对位置，构建饱和边界函数，进一步构建自适应辅助驾驶控制器。
[0015]其中所述步骤a中具体包括：
a1) 构建空间池化网络中主干网络、空间池化模块、上采样模块、嵌入空间特征输出模块的结构；a2) 使用GAIAC数据集对网络进行训练，得到网络参数；其中所述步骤b中具体包括：b1) 对车顶摄像头采集的每帧RGB图像裁剪、压缩，得到320
×
640大小的图片；b2) 将图像输入至训练好的空间池化网络中，提取嵌入空间特征矩阵。
[0016]所述步本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于空间池化网络车道检测的自适应辅助驾驶方法，其特征在于，所述方法包括：构建空间池化网络结构，由GAIAC数据集训练得到网络参数；将车顶摄像头采集到的实时图像进行压缩和裁剪，输入到空间池化网络，提取车道线的嵌入空间特征矩阵；将嵌入空间特征矩阵进行中值滤波、嵌入空间降维和簇区间检测，分离出车道线实例的分布；对车道线实例分布进行曲线拟合，判别车道线属性，修正锚点坐标，获得车辆相对于车道线的位置；根据相对位置确定饱和边界函数，构建自适应辅助驾驶控制器。2.根据权利要求1所述的基于空间池化网络车道检测的自适应辅助驾驶方法，其特征在于，所述构建空间池化网络结构，由GAIAC数据集训练得到网络参数的步骤，具体包括，构建空间池化网络中主干网络、空间池化模块、上采样模块和嵌入空间特征输出模块的结构，使用GAIAC数据集对网络进行训练，得到网络参数。3.根据权利要求1所述的基于空间池化网络车道检测的自适应辅助驾驶方法，其特征在于，将车顶摄像头采集到的实时图像进行压缩和裁剪，输入到空间池化网络，提取车道线的嵌入空间特征矩阵的步骤，具体包括：对车顶摄像头采集的每帧RGB实时图像裁剪和压缩，得到预设尺寸大小的图片，将图片输入至训练好的空间池化网络中，提取嵌入空间特征矩阵。4.根据权利要求1所述的基于空间池...

【专利技术属性】
技术研发人员：王智灵，周正兵，吴艳飞，
申请(专利权)人：安徽中科星驰自动驾驶技术有限公司，
类型：发明
国别省市：