一种基于图像处理和机器学习的智能车无人驾驶方法技术

本发明专利技术提供了一种基于图像处理和机器学习的智能车无人驾驶方法，包括：基于贝塞尔曲线拟合和二值化车道轮廓检索进行车道线检测，基于深度学习框架搭建目标检测

【技术实现步骤摘要】
一种基于图像处理和机器学习的智能车无人驾驶方法


[0001]本专利技术涉及无人驾驶
，特别是涉及一种基于图像处理和机器学习的智能车无人驾驶方法
。

技术介绍

[0002]随着人们对交通安全
、
舒适性和效率的需求越来越高，自动驾驶技术的发展变得越来越重要，其已经发展成为当前人工智能技术应用的一个热门领域
。
在这个背景下，比赛用智能车成为推动自动驾驶技术创新和进步的一个关键平台
。
随着技术的不断进步和创新，智能车已经从单纯的线上仿真发展成为了涵盖线下物理实验
、
智能算法设计
、
传感器系统优化和硬件工程等多个领域的综合性科技产品
,
主要考察车辆的智能化水平和算法的优劣，包括图像识别
、
动作规划
、
路径规划等方面
。
设计者需要充分考虑车辆的动态参数
、
路况变化等因素，让其可能高效地行驶
。
[0003]目前大部分智能车仍采用传统的图像处理和控制模型，一方面，传统模型较为依赖人工提取特征
、
构建规则等方式来实现对目标任务的优化和处理，这些极易受到输入模式
、
领域变化等影响而陷入泛化能力和可持续性不足的尴尬境地
。
另一方面，由于基于传统控制理论所设计的算法更倾向于将物理系统视为固定系统进行研究建模，在面对复杂
、
非线性的物理系统时，其稳定性和准确性会受到诸多限制，并且难以灵活地应对系统变化和环境变化的挑战
。
然而，近年来，机器学习等技术的兴起，为智能车图像处理和控制领域带来了全新的思路和方法
。
这些算法以数据驱动
、
精度高和高效性等特点，帮助智能车快速传递信息
、
实现决策
、
实时反馈等关键功能
。
相比传统控制算法，这些新技术在泛化性
、
可适应性方面也具备更大优势，可以解决传统模型在多种场景下存在的不足问题，并为未来智能车控制提供更好的解决方案
。
因此，设计一种基于图像处理和机器学习的智能车无人驾驶方法是十分有必要的
。

技术实现思路

[0004]本专利技术的目的是提供一种基于图像处理和机器学习的智能车无人驾驶方法，能够实现智能车无人驾驶控制，既解决了传统图像处理和控制模型的泛化能力差
、
稳定性低的问题，又解决纯粹依靠
AI
方案的耗时及成本高昂的问题
。
[0005]一种基于图像处理和机器学习的智能车无人驾驶方法，包括如下步骤：
[0006]步骤1：基于贝塞尔曲线拟合和二值化车道轮廓检索进行车道线检测；
[0007]步骤2：基于深度学习框架搭建目标检测
AI
模型，并将其部署至智能车，进行交通标识识别，基于车道线信息及交通标识信息进行车道状况检测；
[0008]步骤3：智能车根据车道线信息及车道状况信息进行相应的逻辑分析，进行智能车控制
。
[0009]可选的，步骤1中，基于贝塞尔曲线拟合和二值化车道轮廓检索进行车道线检测，包括如下步骤：
[0010]步骤
101
：获取道路图像，并对其进行预处理，将原始图像转换为黑白二值化图像；
[0011]步骤
102
：基于
Candy
视觉轮廓提取算法对黑白二值化图像进行边缘提取；
[0012]步骤
103
：基于
OpenCV
‑
FloodFill
水漫算法进行可行车区域的动态图像分割；
[0013]步骤
104
：基于
AreaBlocks
面积规划算法进行车道线检测
。
[0014]可选的，步骤
101
中，获取道路图像，并对其进行预处理，将原始图像转换为黑白二值化图像，具体为：
[0015]通过安装在车身的视角彩色相机实时采集道路图像，基于
OpenCV
工具链和张正友标定方法实现相机畸变系数标定和图像畸变校正，还原道路真实像素图像，基于
Gauss
滤波器过滤还原后的原始图像存在的椒盐噪声和去模糊化，基于
USTC
概率直方图方法提取黑白二值化图像，将原始图像转换为黑白二值化图像
。
[0016]可选的，步骤
102
中，基于
Candy
视觉轮廓提取算法对黑白二值化图像进行边缘提取，具体为：
[0017]通过应用
Sobel
算子计算图像梯度的幅值和方向，通过非最大抑制策略细化边缘，保持边缘的细长性质，通过双阈值算法，根据设定的高低阈值将边缘像素分为强边缘
、
弱边缘和非边缘像素，通过连接算法，从强边缘像素出发，沿着与强边缘相连的弱边缘像素形成边缘连通区域，在黑白二值化图像中提取路况的边缘信息
。
[0018]可选的，步骤
103
中，基于
OpenCV
‑
FloodFill
水漫算法进行可行车区域的动态图像分割，具体为：
[0019]创建一个与输入的黑白二值化图像大小相同的掩码图像，并将其初始化为全0，随机选择一个种子点作为起始点，并将掩码图像中对应位置的像素值设为
255
，即设置为白色，将其作为水漫算法开始扩展的起点，使用
OpenCV
的
floodFill
函数进行水漫填充，设置
floodFill
函数的参数，包括输入图像
、
掩码图像
、
种子点
、
填充颜色或强度范围以及相关参数，调用
floodFill
函数执行水漫填充操作，根据填充后的掩码图像，提取出可行车区域，其中，可行车区域是与种子点连接的连通区域，其中填充的像素都被标记为白色
。
[0020]可选的，步骤
104
中，基于
AreaBlocks
面积规划算法进行车道线检测，具体为：
[0021]以图像最低行中间像素点为起点，根据灰度直方图分布概率把该行像素相似的连续像素点划分为连通区域，即
Block
，利用广度优先搜索策略，完整搜索出每行联通的区域，并记录其起始坐标，根据首行连通区域的中点坐标向上搜索，检索出相邻行连通区域中心坐标最近的
Block
为该行有效像素区域，当连续出现多行未连通的区域，或
Block
中心坐标不满足历史最小二乘回归函数，即完成当前图像的有效路径搜索，最后通过
Bezier
三阶拟合算法，将每行唯一的
Bloc本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于图像处理和机器学习的智能车无人驾驶方法，其特征在于，包括如下步骤：步骤1：基于贝塞尔曲线拟合和二值化车道轮廓检索进行车道线检测；步骤2：基于深度学习框架搭建目标检测
AI
模型，并将其部署至智能车，进行交通标识识别，基于车道线信息及交通标识信息进行车道状况检测；步骤3：智能车根据车道线信息及车道状况信息进行相应的逻辑分析，进行智能车控制
。2.
根据权利要求1所述的基于图像处理和机器学习的智能车无人驾驶方法，其特征在于，步骤1中，基于贝塞尔曲线拟合和二值化车道轮廓检索进行车道线检测，具体包括如下步骤：步骤
101
：获取道路图像，并对其进行预处理，将原始图像转换为黑白二值化图像；步骤
102
：基于
Candy
视觉轮廓提取算法对黑白二值化图像进行边缘提取；步骤
103
：基于
OpenCV
‑
FloodFill
水漫算法进行可行车区域的动态图像分割；步骤
104
：基于
AreaBlocks
面积规划算法进行车道线检测
。3.
根据权利要求2所述的基于图像处理和机器学习的智能车无人驾驶方法，其特征在于，步骤
101
中，获取道路图像，并对其进行预处理，将原始图像转换为黑白二值化图像，具体为：通过安装在车身的视角彩色相机实时采集道路图像，基于
OpenCV
工具链和张正友标定方法实现相机畸变系数标定和图像畸变校正，还原道路真实像素图像，基于
Gauss
滤波器过滤还原后的原始图像存在的椒盐噪声和去模糊化，基于
USTC
概率直方图方法提取黑白二值化图像，将原始图像转换为黑白二值化图像
。4.
根据权利要求3所述的基于图像处理和机器学习的智能车无人驾驶方法，其特征在于，步骤
102
中，基于
Candy
视觉轮廓提取算法对黑白二值化图像进行边缘提取，具体为：通过应用
Sobel
算子计算图像梯度的幅值和方向，通过非最大抑制策略细化边缘，保持边缘的细长性质，通过双阈值算法，根据设定的高低阈值将边缘像素分为强边缘
、
弱边缘和非边缘像素，通过连接算法，从强边缘像素出发，沿着与强边缘相连的弱边缘像素形成边缘连通区域，在黑白二值化图像中提取路况的边缘信息
。5.
根据权利要求4所述的基于图像处理和机器学习的智能车无人驾驶方法，其特征在于，步骤
103
中，基于
OpenCV
‑
FloodFill
水漫算法进行可行车区域的动态图像分割，具体为：创建一个与输入的黑白二值化图像大小相同的掩码图像，并将其初始化为全0，随机选择一个种子点作为起始点，并将掩码图像中对应位置的像素值设为
255

【专利技术属性】
技术研发人员：王洪阳，廖腾均，陈逸，
申请(专利权)人：北京赛曙科技有限公司，
类型：发明
国别省市：