【技术实现步骤摘要】
本专利技术涉及信息智能处理，具体涉及一种基于深度学习的车道追踪方法及系统。
技术介绍
1、具体而言，车道线作为自动驾驶技术中的关键性切入问题，属于无人驾驶领域中的热点研究技术，为了保障车辆行驶进程的安全性与稳定性，需严格把控车道线的检测识别精准度，以进行车道的精准追踪，现如今，传统的车道线检测方法主要通过进行车道检测图像的形态学计算与轮廓查找等方法，提取车道线点位进行拟合来进行确定，为实现高精度、高效率、便捷地进行车道追踪，当前的车道追踪技术还有待加强，尽可能避免造成检测失败，提升车道追踪技术的实际商业价值。
2、现有技术中，由于当前的车道追踪方法智能度不足，针对不同路况的局限性较差，易受到自然环境的干扰，造成检测追踪精准度较低，适应性较差。
技术实现思路
1、针对上述技术问题，本申请提供了一种基于深度学习的车道追踪方法及系统，用于针对解决现有技术中存在的由于当前的车道追踪方法智能度不足，针对不同路况的局限性较差，易受到自然环境的干扰，造成检测追踪精准度较低，适应性较差的技术问题。
2、鉴于上述问题，本申请提供了一种基于深度学习的车道追踪方法及系统。
3、第一方面，本申请提供了一种基于深度学习的车道追踪方法，所述方法包括：
4、按照预设条件要求进行道路视频采集，获得道路视频集；
5、基于道路视频集进行场景分类，得到分类视频集；
6、根据所述分类视频集的采集位置信息，进行车辆坐标位置转换，确定坐标转换信息；>
7、基于坐标转换信息，分别对所述分类视频集中各类视频进行特征分析，确定各类场景图像特征；
8、对所述各类场景图像特征进行预处理、特征标识，获得车道特征标识信息集；
9、利用车道特征标识信息集进行网络模型深度学习，获得车道检测模型；
10、收集车道识别约束信息，建立车道识别记录数据库，利用车道识别记录数据库对车道检测模型进行增量学习，获得增量车道检测模型；
11、获取道路类型结果、车道识别约束信息，对增量车道检测模型进行修正；
12、采集车辆预设角度的视频流信息，其中，所述车辆预设角度与所述坐标转换信息中的车辆坐标位置相匹配，通过增量车道检测模型对所述视频流信息进行识别检测，获得车道检测结果，再基于所述车道检测结果进行车道跟踪。
13、第二方面，本申请提供了一种基于深度学习的车道追踪系统，所述系统包括：
14、视频采集模块，所述视频采集模块用于按照预设条件要求进行道路视频采集，获得道路视频集；
15、视频集分类模块，所述视频集分类模块用于基于道路视频集进行场景分类，得到分类视频集；
16、坐标转换模块，所述坐标转换模块用于根据所述分类视频集的采集位置信息，进行车辆坐标位置转换，确定坐标转换信息；
17、特征分析模块，所述特征分析模块用于基于坐标转换信息，分别对所述分类视频集中各类视频进行特征分析，确定各类场景图像特征；
18、信息集获取模块，所述信息集获取模块用于对所述各类场景图像特征进行预处理、特征标识，获得车道特征标识信息集；
19、模型获取模块，所述模型获取模块用于利用车道特征标识信息集进行网络模型深度学习，获得车道检测模型；
20、增量学习模块，所述增量学习模块用于收集车道识别约束信息，建立车道识别记录数据库，利用车道识别记录数据库对车道检测模型进行增量学习，获得增量车道检测模型；
21、模型修正模块，所述模型修正模块用于获取道路类型结果、车道识别约束信息，对增量车道检测模型进行修正；
22、信息检测跟踪模块，所述信息检测跟踪模块用于采集车辆预设角度的视频流信息，其中，所述车辆预设角度与所述坐标转换信息中的车辆坐标位置相匹配，通过增量车道检测模型对所述视频流信息进行识别检测，获得车道检测结果，再基于所述车道检测结果进行车道跟踪。
23、本申请中提供的一个或多个技术方案，有益效果如下：
24、本申请提供的一种基于深度学习的车道追踪方法，解决了现有技术中存在的由于当前的车道追踪方法智能度不足，针对不同路况的局限性较差，易受到自然环境的干扰，造成检测追踪精准度较低，适应性较差的技术问题，通过提高数据分析维度，优化模型运行机制，实现高速度、高精度的道路追踪。
25、本申请提供的一种基于深度学习的车道追踪方法，通过对实时道路视频进行多元化分析处理，保障信息的精准有序，进一步训练车道检测模型，对采集的实时视频流进行识别分析输出车道检测结果，保障检测结果的准确性与客观性，获取道路类型信息与车道状态信息，对两者分别进行对应关联确定预设条件要求，即进行不同道路的视频采集要求，基于所述预设采集要求对道路进行视频采集，对视频采集结果基于道路类型进行划分整合，生成所述道路视频集，将所述道路视频集作为源数据，为后续进行车道特征识别分析提供了基本依据。
本文档来自技高网...【技术保护点】
1.一种基于深度学习的车道追踪方法，其特征在于，步骤如下：
2.根据权利要求1所述的基于深度学习的车道追踪方法，其特征在于，还包括道路视频采集之前的步骤：
3.根据权利要求1所述的基于深度学习的车道追踪方法，其特征在于，对所述各类场景图像特征进行预处理、特征标识，获得车道特征标识信息集的方法，包括：
4.根据权利要求1所述的基于深度学习的车道追踪方法，其特征在于，获得车道检测模型的方法包括：
5.根据权利要求1所述的基于深度学习的车道追踪方法，其特征在于，利用所述车道识别记录数据库对所述车道检测模型进行增量学习，获得增量车道检测模型的方法，包括：
6.根据权利要求5所述的基于深度学习的车道追踪方法，其特征在于，该方法包括：
7.根据权利要求1所述的基于深度学习的车道追踪方法，其特征在于，获取道路类型结果、车道识别约束信息，对增量车道检测模型进行修正的方法如下：
8.根据权利要求1所述的基于深度学习的车道追踪方法，其特征在于，所述分别对所述分类视频集中各类视频进行特征分析，确定各类场景图像特征的方法
9.根据权利要求8所述的基于深度学习的车道追踪方法，其特征在于，所述对各类视频集进行类别约束条件分析，确定类别约束信息的方法中，该方法还包括：
10.一种基于深度学习的车道追踪系统，其特征在于，所述系统包括：
...【技术特征摘要】
1.一种基于深度学习的车道追踪方法，其特征在于，步骤如下：
2.根据权利要求1所述的基于深度学习的车道追踪方法，其特征在于，还包括道路视频采集之前的步骤：
3.根据权利要求1所述的基于深度学习的车道追踪方法，其特征在于，对所述各类场景图像特征进行预处理、特征标识，获得车道特征标识信息集的方法，包括：
4.根据权利要求1所述的基于深度学习的车道追踪方法，其特征在于，获得车道检测模型的方法包括：
5.根据权利要求1所述的基于深度学习的车道追踪方法，其特征在于，利用所述车道识别记录数据库对所述车道检测模型进行增量学习，获得增量车道检测模型的方法，包括：
6....
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。