【技术实现步骤摘要】
本专利技术属于自动驾驶，具体涉及一种基于光流运动预测的实时车道线检测方法。
技术介绍
1、车道线检测是自动驾驶和先进驾驶辅助系统(adas)中的关键组成部分，其目的是识别和追踪车辆前方道路上的车道线位置，以便车辆能够保持在车道内安全行驶。传统的车道线检测方法有边缘检测、霍夫变换、机器学习、深度学习等。
2、边缘检测的方法是通过canny、sobel、roberts等检测算法提取图像中的边缘信息，然后寻找符合车道线特征的直线或曲线。霍夫变换则是在提取出的边缘信息基础上，使用霍夫直线检测算法寻找直线上聚集的点，从而推测出车道线的位置。而机器学习的方法进行车道线检测，一般采用hog方向梯度直方图特征结合支持向量机svm进行分类，判断哪些区域可能包含车道线。上述方法虽然在常规的较理想环境中能够实现车道线的识别，但在复杂多变的道路环境及复杂光照条件下，其准确性和稳定性往往并不理想。此外，现有技术中，基于深度学习的车道线检测模型如：lstr、clrnet等，也能够实现对于当前输入图像的车道线检测，然而在实际应用过程中，上述模型会忽略考虑...
【技术保护点】
1.一种基于光流运动预测的实时车道线检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于光流运动预测的实时车道线检测方法，其特征在于，所述车道线检测网络采用预训练的ResNet18网络。
3.根据权利要求1所述的基于光流运动预测的实时车道线检测方法，其特征在于，所述对所述多层级特征图进行特征聚合，得到当前帧的聚合特征图，包括以下步骤：
4.根据权利要求3所述的基于光流运动预测的实时车道线检测方法，其特征在于，所述对经过注意力机制后的特征图进行卷积操作，所述卷积操作的卷积核大小为3×3，填充为1，扩张为1。
...
【技术特征摘要】
1.一种基于光流运动预测的实时车道线检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于光流运动预测的实时车道线检测方法，其特征在于，所述车道线检测网络采用预训练的resnet18网络。
3.根据权利要求1所述的基于光流运动预测的实时车道线检测方法，其特征在于，所述对所述多层级特征图进行特征聚合，得到当前帧的聚合特征图，包括以下步骤：
4.根据权利要求3所述的基于光流运动预测的实时车道线检测方法，其特征在于，所述对经过注意力机制后的特征图进行卷积操作，所述卷积操作的卷积核大小为3×3，填充为1，扩张为1。
5.根据权利要求1所述的基于光流运动预测的实时车道线检测方法，其特征在于，所述根据当前帧的聚合特征图，使用光流运动预测算法计算相邻图像帧之间的光流场，得到特征细化的当前帧特征图，包括以下步骤：
6.根据权利要求4所述的基于光流运动预测的实时车道线检测方法，其...
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。