一种基于弓高特征点的弯曲车道线检测方法技术

本发明专利技术涉及一种基于弓高特征点的弯曲车道线检测方法，属于深度学习的图像处理技术领域。首先对图像中的车道线进行采样得到特征点，确定每条车道线特征点中的起始点与终止点，然后根据起始点与终止点的位置信息求解特征点中的弓高特征点，利用点距准则获取第一个弓高特征点，并将其作为主特征点，再在主特征点与起始点之间以及主特征点与终止点之间递归计算，获取所有弓高特征点，作为关键点。将关键点信息作为先验特征输入至车道线检测网络中，通过曲线特征提取进一步拟合关键点，以得到预测的车道线形状。本发明专利技术改善了弯曲车道线检测效果，优化面向大弯道等非直线结构车道线检测的弯曲程度不足的问题，使弯道环境下车道线检测更具鲁棒性。线检测更具鲁棒性。线检测更具鲁棒性。

【技术实现步骤摘要】
一种基于弓高特征点的弯曲车道线检测方法


[0001]本专利技术属于基于深度学习的图像处理
，特别涉及一种基于弓高特征点的弯曲车道线检测方法。

技术介绍

[0002]随着全球汽车工业的快速发展，它已成为世界上最大的工业之一，车道线检测问题是完全无人驾驶的关键推动因素。目前的车道线检测算法在路况良好、车道线标记清晰、车道线为单一直线的情况下，可以清晰地检测出准确的车道线。但是在实际路况中，实际路面的车道线存在大量的弯曲车道等非直线形状，很大程度上增加了检测的难度，使得系统的稳健性变差，准确率也随之下降。车道线检测系统在实际应用中常常面临着重重困难，且随着城市交通系统的演进，路面信息变得愈发复杂，一定程度上加重了车辆辅助驾驶系统在当前面临的挑战任务。因此，提升算法有效性就必须将大弯道车道线结构考虑在内。
[0003]在车道线检测问题中，如何有效解决实际路况弯曲车道线检测效果差问题是重点之一。就目前而言，解决大弯道的主要手段通过参数回归曲线或者在曲线特征提取方案中加以改进。2019年提出的SAD(Self Attention Distillation)通过在网络自身执行自上而下和分层的注意力蒸馏网络进行进一步表征学习，在保持实时效率的同时实现高性能；2020年Wang B等人提出了一个三分支网络对每个车道线的多项式系数进行回归，将车道检测分解为一个主要子任务和两个辅助子任务，即多项式回归、初始化分类和高度回归；2021年Chuan Lv等人提出一种新型车道线关键点检测方案，在图像纵轴上以不同间隔线性采样车道线的关键点，以解决车道线之间数据不平衡的问题，然后将采样的锚点固定，模型只需预测锚点处每条车道线的横坐标；同年，LSTR将道路结构与相机姿态一同考虑，对车道线形状进行建模，然后将Transformer引入车道线检测任务，得到全局特征；2022年上海交通大学和商谈科技联合提出了一种新型的基于贝塞尔曲线的深度车道检测器，它可以有效地模拟车道线的几何形状，并对恶劣的驾驶条件具有天然的鲁棒性。
[0004]目前的车道线检测的算法工程中，并没有针对于大弯道问题提出除参数回归曲线拟合外良好的针对性解决方法，且基于参数的方法对预测的参数比较敏感，例如，对高阶系数的错误预测可能导致车道线形状的改变。尽管基于参数的方法具有快速的推理速度，但它们仍然难以达到更高的性能。因此，如何有效解决大弯道车道线检测困难的问题成为时下车道线检测技术亟待解决的问题。

技术实现思路

[0005]本专利技术提供一种基于弓高特征点的弯曲车道线检测方法，通过寻找弓高特征点（表达曲线特征的点）引导车道线形状先验信息，并用曲线特征加以拟合，以用于解决大弯道车道线检测困难的问题。从而改善弯曲车道线检测效果，优化面向大弯道等非直线结构车道线检测的弯曲程度不足的问题，使得车道线检测场景在面对弯道环境时更具鲁棒性。
[0006]本专利技术的技术方案是：一种基于弓高特征点的弯曲车道线检测方法，将弓高特征
点的数学理念引入基于关键点的车道线检测任务中，对于拟合车道线形状的关键点，以弓高特征点替代均匀采样点，从而使得越弯曲的部分需拟合的关键点数量越多，以弓高特征点作为主特征点更好地拟合弯曲车道线的形状，具体步骤如下：
[0007]Step1：对车道线数据集进行均匀间隔采样，得到若干特征点；
[0008]Step2：根据Step1得到的特征点确定每条车道线特征点中的起始点与终止点；
[0009]Step3：距离Step2中起始点与终止点连线最长的特征点作为第一个弓高特征点，并将其作为主特征点；
[0010]Step4：按照Step3的方法在主特征点与起始点之间，以及主特征点与终止点之间递归计算，依次获取起始点与终止点之间的所有弓高特征点，将所有弓高特征点作为关键点；
[0011]Step5：将Step4得到的关键点信息作为先验特征输入至车道线检测网络中，通过曲线特征提取进一步拟合关键点，以得到预测的车道线形状。
[0012]所述采样是指，对于每张车道线数据集在垂直方向上均匀地找到在车道线上的点，具体为：
[0013][0014][0015]式中，表示每条车道线特征点的数量，表示特征点的间隔数量；表示车道线数据集中图像的宽度，表示每个特征点到相邻特征点的垂直距离。
[0016]所述起始点是指每条车道线特征点中y坐标值最小的特征点；所述终止点是指每条车道线特征点中y坐标值最大的特征点；具体地，记起始点为，终止点为。
[0017]所述第一个弓高特征点利用点距准则获取，依次计算起始点与终止点之间的其他特征点到线段的距离d，如果特征点到线段的距离最大，则特征点为第一个弓高特征点，并将其作为主特征点；具体地：
[0018][0019][0020][0021][0022]式中，x表示特征点的横坐标，y表示特征点的纵坐标，A、B、C分别表示由起始点与终止点构成的直线一般式方程的三个系数；表示起始点与终止点之间的其他特征点到线段的距离。
[0023]所述递归计算是指将获得的第一弓高特征点再分别与起始点和终止点
作为端点求解出两个新的弓高特征点，得到的弓高特征点再分别与相邻的特征点作为端点求解出新的弓高特征点，将所有的弓高特征点作为关键点，直至关键点数量达到拟合曲线所需数量。
[0024]所述先验特征具体表示为：
[0025][0026]式中，P是所有由Step4得到的关键点的序列，N表示关键点的总数量。预定义的车道先验可以帮助网络更好地定位车道线。
[0027]本专利技术的有益效果是：
[0028]本专利技术通过寻找弓高特征点（表达曲线特征的点）引导车道线形状先验信息，即对于拟合车道线形状的关键点，以弓高特征点替代均匀采样点，从而使得越弯曲的部分需拟合的关键点数量越多，以弓高特征点作为主特征点更好地拟合弯曲车道线的形状，实现弯曲车道线检测效果更好，车道线检测对弯道环境更鲁棒的目的。
附图说明
[0029]图1是本专利技术流程图。
[0030]具体实施方法
[0031]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述。显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，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，都属于本专利技术保护的范围。
[0032]实施例1
[0033]为了实现越弯曲部分车道线可拟合关键点越多的目的，本专利技术实施例以基于锚点的车道线检测算法为基础，通过寻找弓高特征点（表达曲线特征的点）引导车道线形状先验信息，即对于拟合车道线形状的关键点，以弓高特征点替代均匀采样点，从而使得越弯曲的部分需拟合的关键点数量越多，以弓高特征点作为主特征点更好地拟合弯曲车道线的形状。具体流程如图1所示。
[0034]Step1：对车道线数据集进行均匀间隔采样，得到若干特征点。所述采样是指对于每张车道线数据集在垂直方向上密集地均匀地找到在车道线上的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于弓高特征点的弯曲车道线检测方法，其特征在于，具体包括如下步骤：Step1：对车道线数据集进行均匀间隔采样，得到若干特征点；Step2：根据Step1得到的特征点确定每条车道线特征点中的起始点与终止点；Step3：距离Step2中起始点与终止点连线最长的特征点作为第一个弓高特征点，并将其作为主特征点；Step4：按照Step3的方法在主特征点与起始点之间，以及主特征点与终止点之间递归计算，依次获取起始点与终止点之间的所有弓高特征点，将所有弓高特征点作为关键点；Step5：将Step4得到的关键点信息作为先验特征输入至车道线检测网络中，通过曲线特征提取进一步拟合关键点，以得到预测的车道线形状。2.根据权利要求1所述的基于弓高特征点的弯曲车道线检测方法，其特征在于，Step1中所述采样是指，对于每张车道线数据集在垂直方向上均匀地找到在车道线上的点，具体为：；；式中，表示每条车道线特征点的数量，表示特征点的间隔数量；表示车道线数据集中图像的宽度，表示每个特征点到相邻特征点的垂直距离。3.根据权利要求1所述的基于弓高特征点的弯曲车道线检测方法，其特征在于，Step2中所述起始点是指每条车道线特征点中y坐标值最小的特征...

【专利技术属性】
技术研发人员：王青旺，王路，王盼新，沈韬，瞿信，沈世全，
申请(专利权)人：昆明理工大学，
类型：发明
国别省市：