【技术实现步骤摘要】
技术介绍
1、车道线检测是驾驶技术中的一项关键任务，对于车辆的安全行驶具有重要意义。传统的车道线检测方法通常基于图像处理技术，如边缘检测、霍夫变换等，但现有技术在面对复杂道路环境和多种干扰因素时，往往表现出鲁棒性不足，预测结果不准确等问题。其中逐行检测方法在面对弯曲或交叉车道线时具有较好的效果，但容易受到图像中其他干扰因素的影响，另外一方面参数曲线方法利用模型来拟合车道线，并得到车道线拟合结果，但是交通驾驶环境多变且复杂，驾驶过程中容易受到外界因素的干扰。
2、在实际应用中，实现车道线的精确检测至关重要，需要选择合适的算法和方法实现车道线的精确检测。同时，还需要考虑计算效率和实时性等方面的因素，以满足实际应用需求。因此，当前需要解决的问题是如何提高车道线检测的鲁棒性和准确性，并确保预测方法的实时性和检测效率。
技术实现思路
1、针对现有方法的缺陷以及实际应用的不足，本专利技术为了提高车道线检测的准确性和鲁棒性，同时满足实时性要求。通过深入挖掘图像中的有用特征，实现车道线的精准检测，基于分割点和特征增强模型，以应对复杂道路环境和其他因素的干扰。第一方面本专利技术提供了一种基于分割点和双特征增强的车道线检测方法，其包括如下步骤，根据特定网络提取图片特征，并获得多尺度特征图；依据所述多尺度特征图得到车道线特征点坐标集合；基于所述多尺度特征图和所述车道线特征点坐标集合设置车道线特征增强模型；利用所述车道线特征增强模型优化车道线特征，以获得最优车道线特征；依据所述最优车道线特征
2、可选地，所述根据特定网络提取图片特征，并获得多尺度特征图包括：依据网络图片提取图片特征，得到不同分辨率的多尺度特征图；对所述不同分辨率的多尺度特征图进行聚集，以获得聚集空间特征；基于所述聚集空间特征以获得多尺度特征图。本专利技术根据特定网络提取图片特征并获得多尺度特征图，有利于提高车道线检测方法的实用性能、鲁棒性、可解释性以及泛化能力。
3、可选地，所述依据所述多尺度特征图得到车道线特征点坐标集合包括：预设车道线特征点分割点；根据所述车道线特征点分割点得到车道线特征点坐标集合。本专利技术预设车道线特征分割点，可以得到车道线的精确位置，特征点坐标集合有利于后续的车道线检测和预测，减少其他干扰因素对车道线检测的影响，确保车辆在行驶过程中的安全性和稳定性。
4、可选地，所述车道线特征点坐标，满足如下关系：
5、ln＝{(xn1,y1)，(xn2,y2)，(xn3,y3)，…，(xni,yi)}
6、其中，ln表示图片中任意一条车道线特征点坐标的集合，n表示图片中包含的车道线数量，xn1表示任意一条车道线第一个特征点的x坐标，y1表示任意一条车道线第一个特征点的y坐标，xn2表示任意一条车道线第二个特征点的x坐标，y2表示任意一条车道线第二个特征点的y坐标，xn3表示任意一条车道线第三个特征点的x坐标，y3表示任意一条车道线第三个特征点的y坐标，xni表示任意一条车道线第i个特征点的x坐标，yi表示任意一条车道线第i个特征点的y坐标。本专利技术对车道线特征点使用统一的表示方式，可以更方便地处理不同图片的车道线特征点坐标，进而简化算法和数据处理过程，提高工作效率。
7、可选地，所述基于所述多尺度特征图和所述车道线特征点坐标集合设置车道线特征增强模型包括：将所述多尺度特征图和所述车道线特征点集合进行分析，以获得多尺度特征图的不同通道信息和不同空间位置信息。本专利技术对多尺度特征图和车道线特征点集合进行分析，可以提取出更多车道线的特征信息，在后续车道线检测和预测过程中发挥重要作用，提高车道线检测算法的准确性和鲁棒性。
8、可选地，所述不同通道信息和所述不同空间信息，满足如下关系：
9、
10、
11、其中，fcam表示经过通道注意力增强不同通道的信息后的特征图，sig表示激活函数sigmoid，fsam表示经过空间位置注意力增强不同空间位置的信息后的特征图。本专利技术利用相关数学模型融合不同尺度的特征信息，可以提取不同特征图的显著信息，并且保留特征的全局信息，有助于提取更全面、更具代表性的特征，有利于满足车道线检测的实时性要求。
12、可选地，所述基于所述多尺度特征图和所述车道线特征点坐标集合设置车道线特征增强模型包括：所述车道线特征增强模型，满足如下关系：
13、
14、其中，xl′表示经过增强后的车道线特征点的特征，xl表示车道线特征点附近的特征，fsoftmax表示归一化函数softmax，c表示特征图通道的数量，xf表示展开的全局特征图，t表示特征图的转置。本专利技术基于多尺度特征图和车道线特征点坐标集合设置车道线特征增强模型，可以具备更好的特征表示能力、更全面的车道线特征信息、更高的计算效率和更广泛的模型应用范围。
15、可选地，所述利用所述车道线特征增强模型优化车道线特征，以获得最优车道线特征包括：利用所述车道线特征增强模型对车道线特征进行逐步迭代优化，以获得最优车道线特征，所述最优车道线特征包括相同通道数量以及不同分辨率。本专利技术利用车道线特征增强模型对多尺度特征图进行迭代优化，可以获得相同通道数量和不同分辨率的最优车道线特征，提高特征的辨识能力、鲁棒性、降低计算复杂度并扩展应用范围。
16、可选地，所述依据所述最优车道线特征获得预测车道线还包括；建立车道线预测结果检测模型；所述车道线预测结果检测模型根据所述预测车道线分析车道线预测结果的损失程度；所述车道线预测结果检测模型，满足如下关系：
17、flsoftmax＝-αc(1-pc)γlog(pc)
18、其中，flsoftmax表示车道线的分类损失，α表示不同类别的权重因子，pc表示预测的置信度，γ表示可调节因子。本专利技术利用不同的权重因子对不同类别的车道线结果进行处理，有助于平衡不同类别之间的预测误差，提高模型的准确性和鲁棒性。
19、第二方面，本专利技术还提供了一种基于分割点和双特征增强的车道线检测系统，能够高效地执行本专利技术所提供的一种基于分割点和双特征增强的车道线检测方法，所述系统包括输入设备、处理器、输出设备和存储器，其中，所述输入设备、处理器、输出设备和存储器相互连接，所述存储器包括如本专利技术第一方面所述的计算机可读存储介质，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器被配置用于调用所述程序指令。本专利技术提供的系统结构紧凑，适用性强，极大程度地提高了运行效率。
本文档来自技高网...【技术保护点】
1.一种基于分割点和双特征增强的车道线检测方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的基于分割点和双特征增强的车道线检测方法，其特征在于，所述根据特定网络提取图片特征，并获得多尺度特征图包括：
3.根据权利要求2所述的基于分割点和双特征增强的车道线检测方法，其特征在于，所述依据所述多尺度特征图得到车道线特征点坐标集合包括：
4.根据权利要求3所述的基于分割点和双特征增强的车道线检测方法，其特征在于，所述车道线特征点坐标，满足如下关系：
5.根据权利要求1所述的基于分割点和双特征增强的车道线检测方法，其特征在于，所述基于所述多尺度特征图和所述车道线特征点坐标集合设置车道线特征增强模型包括：
6.根据权利要求5所述的基于分割点和双特征增强的车道线检测方法，其特征在于，所述不同通道信息和所述不同空间信息，满足如下关系：
7.根据权利要求6所述的基于分割点和双特征增强的车道线检测方法，其特征在于，所述基于所述多尺度特征图和所述车道线特征点坐标集合设置车道线特征增强模型包括：
8.根据权利要求
9.根据权利要求8所述的基于分割点和双特征增强的车道线检测方法，其特征在于，所述依据所述最优车道线特征获得预测车道线还包括；
10.一种基于分割点和双特征增强的车道线检测系统，其特征在于，系统包括处理器、输入设备、输出设备和存储器，所述处理器、输入设备、输出设备和存储器相互连接，其中，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器被配置用于调用所述程序指令，执行如权利要求1-9任一项所述的基于分割点和双特征增强的车道线检测方法。
...【技术特征摘要】
1.一种基于分割点和双特征增强的车道线检测方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的基于分割点和双特征增强的车道线检测方法，其特征在于，所述根据特定网络提取图片特征，并获得多尺度特征图包括：
3.根据权利要求2所述的基于分割点和双特征增强的车道线检测方法，其特征在于，所述依据所述多尺度特征图得到车道线特征点坐标集合包括：
4.根据权利要求3所述的基于分割点和双特征增强的车道线检测方法，其特征在于，所述车道线特征点坐标，满足如下关系：
5.根据权利要求1所述的基于分割点和双特征增强的车道线检测方法，其特征在于，所述基于所述多尺度特征图和所述车道线特征点坐标集合设置车道线特征增强模型包括：
6.根据权利要求5所述的基于分割点和双特征增强的车道线检测方法，其特征在于，所述不同通道信息和所述不同空间信息，满足如下关系：
...【专利技术属性】
技术研发人员：赵静，胡惠琴，孙仕亮，王振超，
申请(专利权)人：华东师范大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。