一种车道线检测方法及装置制造方法及图纸

本发明专利技术提供了一种车道线检测方法及装置，包括：获取初始图像，对所述初始图像的初始关键点进行低算力检测，得到所述初始关键点的特征维度信息；所述特征维度信息包括检测出的预设个数车道线，以及每个车道线对应的初始关键点；根据所述特征维度信息分别对所述初始关键点进行筛选，得到所述每个车道线对应的有效关键点；根据曲线拟合方法分别对所述每个车道线的所述有效关键点进行处理，得到所述每个车道线对应的目标车道线。本发明专利技术通过对初始图像进行低算力检测，不需要其它复杂算子进行计算，降低了车道线检测的计算复杂度，提升了数据处理的速度，通过曲线拟合方法对初始关键点进行处理，实现了基于低算力的车道线检测的技术问题。题。题。

【技术实现步骤摘要】
一种车道线检测方法及装置


[0001]本专利技术涉及车道线检测
，具体涉及一种车道线检测方法及装置。

技术介绍

[0002]随着深度学习技术的快速发展，大量的研究应用于车道线检测任务中。目前的车道线检测技术大致分为基于分割的方法、基于检测的方法、基于关键点的方法和基于多项式回归的方法。
[0003]现有的针对车道线检测的方法有：(1)基于分割的方法：采用逐像素分类，但受局部性影响，在遮挡或极端光照条件下表现较差；且实例区分比较困难，需要复杂的后处理操作且速度慢。(2)基于检测的方法：该方法的计算量较大，且需要预定义的锚框导致不够灵活，很难适应各种复杂的车道线类型。(3)基于关键点的方法：使用堆叠的沙漏网络预测关键点位置和特征嵌入，根据特征嵌入之间的相似性对不同的车道实例进行聚类，虽然堆叠的沙漏网络可以直接裁切来减小网络参数并无需重新训练直接使用，但大多的低算力嵌入式平台不支持。(4)基于多项式回归的方法：直接学习预测具有简单全连接层的多项式系数，虽然速度很快，但由于数据集的不均衡和对预测的参数较为敏感，在精度上存在一定的瓶颈。...

【技术保护点】

【技术特征摘要】
1.一种车道线检测方法，其特征在于，包括：获取初始图像，对所述初始图像的初始关键点进行低算力检测，得到所述初始关键点的特征维度信息；所述特征维度信息包括检测出的预设个数车道线，以及每个车道线对应的初始关键点；根据所述特征维度信息分别对所述初始关键点进行筛选，得到所述每个车道线对应的有效关键点；根据曲线拟合方法分别对所述每个车道线的所述有效关键点进行处理，得到所述每个车道线对应的目标车道线。2.根据权利要求1所述的车道线检测方法，其特征在于，所述对所述初始图像的初始关键点进行低算力检测，得到所述初始关键点的特征维度信息，包括：对所述初始图像的初始关键点进行低算力检测，得到所述初始关键点的初始特征数据；根据反卷积层对所述初始特征数据进行反向处理，得到初始特征图像；对所述初始特征图像进行卷积降维处理，得到所述初始关键点的特征维度信息。3.根据权利要求1所述的车道线检测方法，其特征在于，所述曲线拟合方法包括：对车道线上的所述有效关键点进行相似性计算，得到所述车道线的关键点集合；对所述车道线的所述关键点集合进行曲线拟合，得到所述车道线的目标车道线。4.根据权利要求2所述的车道线检测方法，其特征在于，所述特征维度信息包括置信度特征图像；所述对所述初始特征图像进行卷积降维处理，得到所述初始关键点的特征维度信息，包括：根据所述初始特征图像，建立像素坐标系；根据所述初始图像的输出维度，在所述像素坐标系上建立网格；根据所述网格，分别确定每个初始关键点在所述像素坐标系上对应的初始坐标；根据所述每个初始关键点的所述初始坐标，确定所述每个初始关键点对应的置信度；根据所述初始特征图像，输出包括所述每个初始关键点对应的所述置信度的置信度特征图像。5.根据权利要求4所述的车道线检测方法，其特征在于，所述特征维度信息包括偏移量特征图像；所述对所述初始特征图像进行卷积降维处理，得到所述初始关键点的特征维度信息，包括：根据偏移函数对所述初始特征图像上的所述初始关键点的位置进行计算，得到每个初始关键点对应的横轴偏移量和纵轴偏移量；根据所述初始特征图像，输出包括所述每个初始关键点对应的所述横轴偏移量的横轴偏移量特征图像和所述纵轴偏移量的纵轴偏移量特征图像。6.根据权利要求5所述的车道线检测方法，其特征在于，所述特征维度信息包括高维特征图像；所述对所述初始特征图像进行卷积降维处理，得到所述初始关键点的特征维度信息，包括：
根据所述初始...

【专利技术属性】
技术研发人员：张重鹏，多好学，
申请(专利权)人：武汉环宇智行科技有限公司，
类型：发明
国别省市：