[发明专利]车道线图像的识别方法及装置

说明书

本发明公开了一种车道线图像的识别方法及装置，识别方法包括获取当前道路图像；将当前道路图像输入至深度神经网络模型，以获取深度神经网络模型输出的m×n×k的矩阵信息，其中，m×n表示将输入至深度神经网络模型的图像划分成m×n个相同的矩形区域，k用于表示每个矩形区域内的车道线识别信息；以及，根据输出的矩阵信息识别出车道线。本发明能够快速且准确地从车辆前视道路图像中识别出车道线图像，从而为车辆横向控制提供车道线位置信息，辅助车辆自动驾驶，不仅提升了识别准确率，还提升了安全性及可靠性，具有较强的鲁棒性，而且降低了对硬件计算性能的要求，从而有效地降低了成本。

技术领域

本发明涉及图像识别技术领域，尤其涉及一种车道线图像的识别方法及装置。

背景技术

目前，车辆驾驶正朝着智能化及自动化的方向发展。为了实现车辆的智能 /自动驾驶，或者为驾驶员提供辅助驾驶功能，例如：车道保持功能，或者跟踪路面车道线的辅助自动驾驶功能，都需要在道路图像中识别车道线，为智能/ 自动驾驶或者辅助驾驶提供车辆位于道路上的空间位置信息，以便控制系统对车辆进行辅助控制。

现有的车道线检测技术通常采用以下两种基本方法。

一种是基于传统的计算机图像处理技术，需要人为设计用于图像识别的几何特征，然后利用边缘提取技术获取目标图像轮廓，进而从原图中截取出目标图像，再进行特征比对。当图像成像模糊，或者由于光线变化导致目标物体在图像中的像素亮度值变化的时候，目标边缘会产生变化。因此，这种方法对于图像成像质量的要求较高，对于光线环境的适应性较差。另外，当图形被部分遮挡或者污染而变形时，识别率会降低，难以适应光照环境复杂的道路场景，鲁棒性较差。

另一种是基于深度神经网络的图像语义分割技术，将车道线从原始图像提取出来。由于图像语义分割技术需要对图像中每个像素进行识别，在提取目标图像特征后需要进行上采样，还原到原始图像尺寸，参数计算量非常大，对硬件计算性能要求很高，实时性难以得到保障。

发明内容

以下给出一个或多个方面的简要概述以提供对这些方面的基本理解。此概述不是所有构想到的方面的详尽综览，并且既非旨在指认出所有方面的关键性或决定性要素亦非试图界定任何或所有方面的范围。其唯一的目的是要以简化形式给出一个或多个方面的一些概念以为稍后给出的更加详细的描述之序。

本发明要解决的技术问题是为了克服现有技术中车道线识别方法的可靠性差，对硬件计算性能的要求较高，导致成本高的缺陷，提供一种车道线图像的识别方法及装置。

本发明是通过下述技术方案来解决所述技术问题：

一种车道线图像的识别方法，包括：

获取当前道路图像；

将所述当前道路图像输入至深度神经网络模型，以获取所述深度神经网络模型输出的m×n×k的矩阵信息，其中，m×n表示将输入至所述深度神经网络模型的图像划分成m×n个相同的矩形区域，k用于表示每个所述矩形区域内的车道线识别信息；以及，

根据输出的所述矩阵信息识别出车道线。

可选地，k为4维的特征向量，所述特征向量包括以下元素：

p，表示所述矩形区域内存在车道线的概率；

s，表示所述矩形区域内存在的车道线区域与所述矩形区域面积的比值；

t_x，表示所述矩形区域内存在的车道线区域的形心横坐标；

t_y，表示所述矩形区域内存在的车道线区域的形心纵坐标。

可选地，执行所述获取当前道路图像的步骤之前，所述识别方法还包括：

基于损失函数及sigmoid函数训练深度神经网络模型，