本发明专利技术公开了一种面向低空无人机视角下的高速路车道提取方法及系统,涉及高速路车道提取技术领域,包括采用无人机拍摄,对高速路的车道信息采集,并将采集的图片传输到图像分割模型;根据所述图像分割模型对输入的图片分离特征,再共同组合,生成高速道路线;将所述高速道路线中的特性分割,对各个所述高速道路线的特征分别建立,再整合统计,生成完成的车道图像;将所述车道图像的数值重新计算核实。本发明专利技术提高了拍摄的视角,对高速道路的各种形态拍摄更加直观,并且能够对拍摄的各种数据提取整合,形成需要的车道图像,采用多种数值判断的方式,可以保证车道图像的精准度,能够有效清除车道图像的各种误差。
【技术实现步骤摘要】
本专利技术涉及高速路车道提取,特别是一种面向低空无人机视角下的高速路车道提取方法及系统。
技术介绍
1、高速路精细的车道线分割和车道提取是高速路感知的重要基础,对于车辆违法行为的检测、车流量分析、车辆驾驶行为分析等有着重要的意义,同时也是高精车道级地图的基础,可以有效的推动无人驾驶、地图更新、车辆导航及路径规划等领域的发展。
2、现有的关于车道分割和检测、车道线拟合等相关技术,都是基于自动驾驶拍摄的视频或者图像,拍摄的角度也以水平为主,拍摄的视野较小、仅有车辆自身及相邻车道、车道线连续且以直线为主,且自动驾驶只关心当前行驶车道内状况,针对无人机角度俯视拍摄的图像研究较少。
技术实现思路
1、鉴于现有的基于物联网的多源电网信息融合及系统中存在的问题,提出了本专利技术。
2、因此,本专利技术所要解决的问题在于对高速道路信息提取的效率较差,并且无法适用于高空视野提取。
3、为解决上述技术问题,本专利技术提供如下技术方案:。
4、第一方面,本专利技术实施例提供了一种面向低空无人机视角下的高速路车道提取方法,包括以下步骤:
5、车道采集:采用无人机拍摄,对高速路的车道信息采集,并将采集的图片传输到图像分割模型;
6、图像处理:根据所述图像分割模型对输入的图片分离特征,再共同组合,生成高速道路线;
7、车道整合:将所述高速道路线中的特性分割,对各个所述高速道路线的特征分别建立,再整合统计,生成完成的车道图像;</p>8、车道复核:将所述车道图像的数值重新计算核实。
9、作为本专利技术所述面向低空无人机视角下的高速路车道提取方法的一种优选方案,其中:无人机拍摄时的飞行高度为50~150m,飞行的方向为所述高速路的车道延伸方向,拍摄角度小于45°或者正射垂直向下。
10、作为本专利技术所述面向低空无人机视角下的高速路车道提取方法的一种优选方案,其中:图像分割模型采用stdc分割网络,所述图像分割模型将采集的图像进行5次下采样,每次下采样后,采集的图像缩小一倍,在第3次采样、第4次采样和第5次采样后,输出的特征分别表示为feat3、feat4和feat5,第5次采样后再经过全局平均获得特征avg,特征feat4和特征feat5分别经过注意力模块得到特征feat4arm和特征feat5arm,特征avg和特征feat5arm相加后,经过上采样模块,生成特征feat5up,特征feat5up和特征feat4arm相加后,经过上采样模块,生成特征feat4fuse,特征feat3和特征feat4fuse再共同输入到特征融合模块得到特征ffm,之后在上采样模块8倍处理,获得所述高速道路线,最后经过分类模块得到掩码mask;
11、其中,所述掩码mask的背景区域采用黑色,内容区域采用白色。
12、作为本专利技术所述面向低空无人机视角下的高速路车道提取方法的一种优选方案,其中:高速道路线包括车道线段、骨架线、分割线和行车区域;
13、对所述车道线段的轮廓赋予唯一的序号,得到车道线段的x方向和y方向的最小值以及最大值、x方向和y方向上的长度、整体面积以及中心点坐标,按照y方向上所述分割线的长度由大到小排序;
14、所述分割线的平均宽度计算公式为:
15、
16、式中,si表示为第i个车道线段的面积,li表示为第i个车道线段的周长,nc表示车道线段的线段数量;
17、其中,x方向的最小值和最大值分别表示为xmin和xmax,y方向的最小值和最大值分别表示为ymin和ymax,x方向的长度表示为xlen=xmax-xmin,y方向的长度表示为ylen=ymax-ymin,中心点坐标表示为(xc,yc)。
18、作为本专利技术所述面向低空无人机视角下的高速路车道提取方法的一种优选方案,其中:骨架线的拟合方法包括:
19、排序后的所述高速道路线,从第一条开始逐一拟合,其中,拟合的方式为:
20、x=c2*y*y+c1*y+c0
21、式中,c2、c1和c0最小二乘解为骨架线的拟合参数;
22、所述骨架线位置的判断方法包括:
23、将所述骨架线组合为一条所述分割线,分割线表示为二次曲线,参数为c2、c1和c0,拟合剩下的所述骨架线,拟合误差表示为:
24、
25、其中,表示第j条骨架线上的第i个点坐标,n表示点的总数,ej表示骨架线的平均拟合误差;
26、当ej小于拟合误差阈值时,则所述骨架线属于所述分割线;
27、当ej不小于拟合误差阈值时,则所述骨架线不属于所述分割线;
28、拟合误差阈值设置为道路平均宽度的z%;
29、对不属于所述分割线的骨架线重复骨架线位置的判断方法,将所述骨架线都有所属的所述分割线,并用分割线集合表示;
30、所述分割线延伸方向的合并方法包括:
31、对所述分割线集合的所有分割线,依次判断是否有同一个分割线被拟合成两个分割线,其中,判断方法包括:
32、对所述分割线按照y方向的长度由大到小排序;
33、从最长的分割线开始,用该条分割线的拟合参数去拟合剩下来比自己短的分割线,计算拟合的误差e1及误差的标准差σ;
34、其中,误差e1小于道路平均道路宽度,且标准差σ小于平均道路宽度的一半,则该两条分割线属于同一条分割线,需要合并。
35、作为本专利技术所述面向低空无人机视角下的高速路车道提取方法的一种优选方案,其中:车道图像的误差清除包括:
36、所述分割线的y方向长度、所述车道图像高度以及所述分割线拟合参数满足以下公式中任意一个,则该所述分割线删除:
37、ylen<0.1*ih
38、ylen<0.05*ih,|c0|<10-4
39、式中,y方向长度表示为ylen,车道图像高度表示为ih,分割线拟合参数表示为c0;
40、未完整的所述分割线合并方法包括:
41、将分割线y方向的y0定义为0,终点y1定义为所述车道图像的高度ih,对满足以下公式中任意一个的分割线筛选:
42、y0>0.1*ih
43、y1<0.9*ih
44、对于筛选出来的分割线,与该分割线在y方向上没有交集的车道线段比较,判断属于该车道线段的分割线;
45、分叉的所述分割线参数修正方法包括:
46、计算所述分割线上点的平均拟合误差ω;
47、以所述车道线段为单元,计算拟合误差ei,i表示第几个车道线段,ei的平均值表示为δ;
48、判断ω和δ是否满足以下方式,如满足则该分割线拟合误差过大,需要重新拟合:
49、ω>0.3*lane_width,ω<δ
50、其中,重新拟合采用三次多项式;
51、x本文档来自技高网
...
【技术保护点】
1.一种面向低空无人机视角下的高速路车道提取方法,其特征在于:包括以下步骤:
2.如权利要求1所述的面向低空无人机视角下的高速路车道提取方法,其特征在于:所述图像分割模型采用STDC分割网络,所述图像分割模型将采集的图像进行5次下采样,每次下采样后,采集的图像缩小一倍,在第3次采样、第4次采样和第5次采样后,输出的特征分别表示为feat3、feat4和feat5,第5次采样后再经过全局平均获得特征avg,特征feat4和特征feat5分别经过注意力模块得到特征feat4arm和特征feat5arm,特征avg和特征feat5arm相加后,经过上采样模块,生成特征feat5up,特征feat5up和特征feat4arm相加后,经过上采样模块,生成特征feat4fuse,特征feat3和特征feat4fuse再共同输入到特征融合模块得到特征ffm,之后在上采样模块8倍处理,获得所述高速道路线,最后经过分类模块得到掩码mask。
3.如权利要求2所述的面向低空无人机视角下的高速路车道提取方法,其特征在于:所述高速道路线包括车道线段、骨架线、分割线和行车区域;p>4.如权利要求3所述的面向低空无人机视角下的高速路车道提取方法,其特征在于:所述骨架线的拟合方法包括:
5.如权利要求4所述的面向低空无人机视角下的高速路车道提取方法,其特征在于:所述车道图像的误差清除包括:
6.如权利要求5所述的面向低空无人机视角下的高速路车道提取方法,其特征在于:所述行车区域筛选方法包括:行车区域的确定以及非行车区域的排除;
7.如权利要求6所述的面向低空无人机视角下的高速路车道提取方法,其特征在于:所述无人机拍摄时的飞行高度为50~150m,飞行的方向为所述高速路的车道延伸方向,拍摄角度小于45°或者正射垂直向下。
8.一种面向低空无人机视角下的高速路车道提取系统,基于权利要求1~7任一所述的面向低空无人机视角下的高速路车道提取方法,其特征在于:包括,
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于:所述处理器执行所述计算机程序时实现权利要求1~7任一所述的面向低空无人机视角下的高速路车道提取方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于:所述计算机程序被处理器执行时实现权利要求1~7任一所述的面向低空无人机视角下的高速路车道提取方法的步骤。
...
【技术特征摘要】
1.一种面向低空无人机视角下的高速路车道提取方法,其特征在于:包括以下步骤:
2.如权利要求1所述的面向低空无人机视角下的高速路车道提取方法,其特征在于:所述图像分割模型采用stdc分割网络,所述图像分割模型将采集的图像进行5次下采样,每次下采样后,采集的图像缩小一倍,在第3次采样、第4次采样和第5次采样后,输出的特征分别表示为feat3、feat4和feat5,第5次采样后再经过全局平均获得特征avg,特征feat4和特征feat5分别经过注意力模块得到特征feat4arm和特征feat5arm,特征avg和特征feat5arm相加后,经过上采样模块,生成特征feat5up,特征feat5up和特征feat4arm相加后,经过上采样模块,生成特征feat4fuse,特征feat3和特征feat4fuse再共同输入到特征融合模块得到特征ffm,之后在上采样模块8倍处理,获得所述高速道路线,最后经过分类模块得到掩码mask。
3.如权利要求2所述的面向低空无人机视角下的高速路车道提取方法,其特征在于:所述高速道路线包括车道线段、骨架线、分割线和行车区域;
4.如权利要求3所述的面向低空无人机视角下的高速路车道提...
【专利技术属性】
技术研发人员:王进,张建川,张燕新,赵宇阳,
申请(专利权)人:常州大学,
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。