[发明专利]一种采用级联网络的车道线分类方法及系统

说明书

本发明公开了一种采用级联网络的车道线分类方法及系统，所述方法包括：对ERFNet网络进行预处理得到UERFNet网络并训练UERFNet网络，将训练好的UERFNet网络作为车道线定位网络；将待分类车道线的图像输入车道线定位网络获取每条车道线的位置点；在原始图像中提取每条车道线的位置点所对应的像素值，形成每条车道线的特征图；多个瓶颈层以及全连接层级联构建车道分类网络；将每条车道线的特征图输入车道线分类网络中，输出车道的类别；本发明的优点在于：每张图像的处理时间极少，保障自动驾驶系统的实时性。

技术领域

本发明涉及计算机视觉/车道线检测，更具体涉及一种采用级联网络的车道线分类方法及系统。

背景技术

自动驾驶汽车通过车载视觉摄像头，传感器和其他设备获取环境数据，然后使用计算机处理收集的数据以感知和识别环境信息，从而自动控制和调整车辆的行驶速度和方向，避免其他车辆。其中，车道线作为道路的基本标志，可以确保车辆安全并有序的行驶。正确的车道线识别可以使自动驾驶汽车对其位置和状态做出进一步的决策和判断，从而确保车辆可以在安全状态下行驶。但是，迄今为止，对车道线识别的研究仅限于良好的天气条件和简单的道路条件。而且车道线种类多样，有直线，弯道等，车道颜色也不同，例如白色车道和黄色车道。目前针对车道线的检测算法主要分为两类，分别为基于传统视觉的车道线检测算法和基于神经网络的车道线检测算法。基于传统视觉的车道线检测算法通过提取车道线的固有特征，比如颜色、纹理以及边缘信息等，进行检测，例如中国专利授权公告号CN103605977B，公开了一种车道线的提取方法及装置，属于自主驾驶技术领域。方法包括：获取需提取车道线的彩色图像；在彩色图像上以预定间隔像素选取多个像素，并以选取的每个像素为中心像素，依次从彩色图像上选取预定尺寸的图像区域；获取每个图像区域的Haar_like特征；采用预设的分类器分别对每个图像区域的Haar_like特征进行分类，得到类别为车道线的图像区域；预设的分类器为，通过boosting训练算法训练预定尺寸的样本图像的Haar_like特征得到的级联分类器；根据类别为车道线的图像区域，提取需提取车道线的彩色图像上的车道线。基于深度学习的车道线检测算法是通过对大量的样本进行训练并自主学习特征，在光照变化、阴影、夜间、弯道等复杂驾驶环境皆具有较强的鲁棒性。但是该发明并没有给出车道线的类别信息，因此自动驾驶汽车的决策系统无法自动规划相应的行驶路线。

自动驾驶汽车的决策系统需要获取车道线的类别信息，其根据获取的信息自动规划相应的行驶路线。但是，目前大多数方法侧重于识别出车道线的位置，大多数车道线识别网络采用语义分割的思想来检测车道边界，可以获得每个车道边界的像素级标签，如果将车道线信息以像素级的方式发送给决策，则会占用大量的内存，并花费大量的时间，不利于自动驾驶系统的实时性。

发明内容

本发明所要解决的技术问题在于现有技术车道线分类方法及系统将车道线信息以像素级的方式发送给决策，占用大量的内存，并花费大量的时间，不利于自动驾驶系统的实时性。

本发明通过以下技术手段实现解决上述技术问题的：一种采用级联网络的车道线分类方法，所述方法包括：

对ERFNet网络进行预处理得到UERFNet网络并训练UERFNet网络，将训练好的UERFNet网络作为车道线定位网络；

将待分类车道线的图像输入车道线定位网络获取每条车道线的位置点；

在原始图像中提取每条车道线的位置点所对应的像素值，形成每条车道线的特征图；

多个瓶颈层以及全连接层级联构建车道分类网络；

将每条车道线的特征图输入车道线分类网络中，输出车道的类别。