【技术实现步骤摘要】
本专利技术涉及道路检测领域，特别涉及一种基于图像分割的路面自动检测和上下行区域划分的方法。
技术介绍
1、目前，智能交通系统中的路面检测区域和上下行区域通常依赖人工划分，这种方法效率较低且容易受到摄像头偏移的影响，导致之前手动划分的检测区不再准确。尽管一些研究采用图像分割技术以获取路面检测区，但这一方法存在着计算复杂度高和推理时间漫长的问题。此外，单纯地依赖传统图像分割技术无法有效实现路面的自动检测以及上下行区域的划分。
2、现有公开号为cn113808103a的中国专利，其公开了一种基于图像处理的路面坑洼自动检测方法、设备和存储介质。包括以下步骤：对路面进行图像采集；通过sfm对路面图像进行三维重建，得到路面的正射影像；通过深度可分离卷积网络对图像进行路面坑洼特征分割，得到三维路面坑洼分割模型；测量三维路面坑洼分割模型中坑洼的口径和体积。本专利技术将先进的机器学习技术引入路面坑洼检测领域，采用sfm对路面坑洼图像进行三维重建，建模精度达到毫米级；同时应用了深度可分离卷积网络进行特征提取分割，减少了模型参数，提高了运算效率。有助于本领域技术人员实现高精度的路面坑洼体积自动测量，为进一步深入优化测量方法提供了新的起点。
3、现有公开号为cn102663344a的中国专利，其公开了一种基于图像分割的破损道路检测装置。包括ccd摄像机、图像分割模块、预警模块；ccd摄像机摄取道路图像后，经过图像分割模块处理判断破损道路后，传输到预警模块进行预警处理；图像分割模块包括图像预处理模块、畸变图像校正模块、路面破损图像
4、上述的专利分别存在着一些优点，但是还存在着一些缺点，如：当前存在亟待解决的问题是如何在智能交通系统中实现高效的路面检测区域划分和上下行区域划分，同时克服传统方法所面临的问题，例如计算复杂性和低准确性的问题。而目前的技术无法实现上述目的。
技术实现思路
1、针对
技术介绍
中提到的问题，本专利技术的目的是提供一种基于图像分割的路面自动检测和上下行区域划分的方法，以解决
技术介绍
中提到的问题。
2、本专利技术的上述技术目的是通过以下技术方案得以实现的：
3、一种基于图像分割的路面自动检测和上下行区域划分的方法，包括以下步骤：
4、s1、路面场景采集与数据标注：在端侧设备上采集多种路面场景图像，采用标注工具将路面、隔离带和背景用不同的三个颜色进行掩膜，得到道路路面分割数据；
5、s2、实时语义分割模型训练：将构建好的数据送入到实时语义分割模型中进行训练学习，利用语义分割模型完成道路表面、隔离带和路面背景的分割；
6、s3、路面区域自动检测：将基于实时语义分割模型分割出来的mask掩膜结果，使用计算机视觉和机器学习软件库拟合出道路路面的多边形检测区域；
7、s4、上下行区域多模态分类：根据分割出来的隔离带mask掩膜，采用数学拟合方法拟合出一条线段，利用这个线段将多边形检测区域划分为两个区域，之后分别将原始图像的这两个区域的送入到大模型中进行分类，对图像中的道路检测区域以及上下行区域进行精确划分。
8、较佳的，所述s3中包括以下步骤：
9、s31.拟合道路外接轮廓：将路面和隔离带的mask掩膜进行二值化，然后通过轮廓检测算法找到它的外接轮廓，只保留面积最大的外接轮廓，对保留的外接轮廓继续优化，去掉凹陷的点；
10、s32.拟合中心隔离带：首先使用计算机视觉和机器学习软件库opencv获取中心隔离带的外接轮廓所有的点，并获取它的外接矩形(x0,y0,w,h)，将外接轮廓按照y方向坐标分成五段，[y0，y0+0.05h，y0+0.08h，y0+0.15h，y0+0.2h，y0+h]为这五段y坐标的位置，对每一段进行处理与拟合；
11、s33. 使用大模型eva-clip进行zero-shot分类：使用多模态大模型不需要像深度学习一样需要进行训练，将写好的提示词和分好的两个区域送入到大模型eva-clip中，并直接分出上下行区域。
12、较佳的，所述s32中，对每一段都做以下操作：第一段：在y0和y0+0.05h之间等间隔选取十个y值，每个y值都会对应外接轮廓上至少两个点，选取这些点中x值最大和最小的两个点point_max 、point_min，然后在求出最大点和最小点的中心点point_mean = (point_min+point_max)/2，最终得到十个中心点；将这十个中心点通过最小二乘法，拟合出一条直线；将之后的后面几段也进行同样的操作，将五段线段的起点相连以及和最后一段的末尾点相连，最后将组成连续的线段，这个线段就构成了中心隔离带的拟合线段。
13、较佳的，所述道路检测区域的划分包括采用基于四叉树的单元划分方法将观测区域分割为各种大小的网格，设置四叉树的最小边长为12.5m，从100m开始采用层序遍历搜索包含道路交叉口网格。
14、较佳的，所述s1在获取道路路面分割数据之后，对数据进行去噪处理，去杂处理步骤包括：对于错误数据、缺失数据、重复数据将其看作是噪声数据并去除；之后检查数据，并进行数据脱敏、缺失处理、查重、删除错误数据的操作。
15、较佳的，所述s2中，把数据集切割成训练集、测试集和验证集；模型在训练阶段使用训练集，然后在测试集上评估模型效果，最后在验证集上评估数据。
16、较佳的，所述分割数据被数据存储器存储，所述数据存储器连接有数据备份器。
17、综上所述，本专利技术主要具有以下有益效果：
18、本专利技术解决了在智能交通系统中实现高效的路面检测区域划分和上下行区域划分的问题，同时克服传统方法所面临的问题，例如计算复杂性和低准确性。本专利技术采用的新的创新性方法应该能够借助深度学习和视觉算法，提高检测和划分的准确性，并具备更强的实时性，以满足不断变化的交通场景需求。
本文档来自技高网...【技术保护点】
1.一种基于图像分割的路面自动检测和上下行区域划分的方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的一种基于图像分割的路面自动检测和上下行区域划分的方法，其特征在于：所述S3中包括以下步骤：
3.根据权利要求2所述的一种基于图像分割的路面自动检测和上下行区域划分的方法，其特征在于：所述S32中，对每一段都做以下操作：第一段：在y0和y0+0.05h之间等间隔选取十个y值，每个y值都会对应外接轮廓上至少两个点，选取这些点中x值最大和最小的两个点point_max 、point_min，然后在求出最大点和最小点的中心点point_mean = (point_min+point_max)/2，最终得到十个中心点；将这十个中心点通过最小二乘法，拟合出一条直线；将之后的后面几段也进行同样的操作，将五段线段的起点相连以及和最后一段的末尾点相连，最后将组成连续的线段，这个线段就构成了中心隔离带的拟合线段。
4.根据权利要求1所述的一种基于图像分割的路面自动检测和上下行区域划分的方法，其特征在于：所述道路检测区域的划分包括采用基于四叉树的单元划分方法
5.根据权利要求4所述的一种基于图像分割的路面自动检测和上下行区域划分的方法，其特征在于：所述S1在获取道路路面分割数据之后，对数据进行去噪处理，去杂处理步骤包括：对于错误数据、缺失数据、重复数据将其看作是噪声数据并去除；之后检查数据，并进行数据脱敏、缺失处理、查重、删除错误数据的操作。
6.根据权利要求1所述的一种基于图像分割的路面自动检测和上下行区域划分的方法，其特征在于：所述S2中，把数据集切割成训练集、测试集和验证集；模型在训练阶段使用训练集，然后在测试集上评估模型效果，最后在验证集上评估数据。
7.根据权利要求1所述的一种基于图像分割的路面自动检测和上下行区域划分的方法，其特征在于：所述分割数据被数据存储器存储，所述数据存储器连接有数据备份器。
...【技术特征摘要】
1.一种基于图像分割的路面自动检测和上下行区域划分的方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的一种基于图像分割的路面自动检测和上下行区域划分的方法，其特征在于：所述s3中包括以下步骤：
3.根据权利要求2所述的一种基于图像分割的路面自动检测和上下行区域划分的方法，其特征在于：所述s32中，对每一段都做以下操作：第一段：在y0和y0+0.05h之间等间隔选取十个y值，每个y值都会对应外接轮廓上至少两个点，选取这些点中x值最大和最小的两个点point_max 、point_min，然后在求出最大点和最小点的中心点point_mean = (point_min+point_max)/2，最终得到十个中心点；将这十个中心点通过最小二乘法，拟合出一条直线；将之后的后面几段也进行同样的操作，将五段线段的起点相连以及和最后一段的末尾点相连，最后将组成连续的线段，这个线段就构成了中心隔离带的拟合线段。
4.根据权利要求1所述的一种基于图像分割的路面自动检测和...
【专利技术属性】
技术研发人员：吕松杰，甘智峰，冷先进，
申请(专利权)人：上海新前端奕天科技有限公司，
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。