[发明专利]一种山地道路边线位置检测方法

说明书

本发明属于人工智能技术领域，主要涉及一种山地道路边线位置检测方法，包括如下步骤：A1、将待检测图像转换为HSV图像以及灰度图像，作为网络输入；A2、并行提取HSV图像、灰度图像各自的图像特征，再从边缘提取子网络嵌入图像边缘特征，通过融合得到全局混合特征；A3、将提取出的全局混合特征，输入分类预测网络模块，得到道路边线位置检测结果，作为网络输出。本发明方法可实现山地场景下的高精度、实时的道路边线检测性能，并且计算量较小可运行于移动终端、计算机终端或者类似的运算装置上，有效提升车道检测的实时性和实用性。

技术领域

本发明属于人工智能技术领域，具体涉及一种山地道路边线位置检测方法。

背景技术

基于视觉的车道检测是智能驾驶系统中的关键技术之一。尽管许多研究人员在该领域上进行了大量的研究，但是由于实际环境的复杂多样性，实现准确的车道检测依旧面临着诸多困难，如环境光照变换、路面阴影、车辆行驶痕迹等的干扰。在山地环境下，车道检测更具有挑战性，不仅路况多变，还有花草碎石的干扰。总的来说，山地环境下车道检测的难点问题如下：

1)道路两旁布满碎石、落叶、草木等干扰物；2)山地环境中树木丛生，道路上常常出现斑驳的阴影；3)路况条件种类繁多，有砂石路面、泥泞路面、黄土路面等；4)山地环境的道路蜿蜒崎岖、凹凸不平，斜坡起伏大；5)道路边界不规整且模糊，不像城市道路中有明显的边界指示线或其他参考标志；以上问题都会给道路边线位置检测的精度带来影响。

尽管现有的一些车道检测技术可以提取出较为完整的道路区域，但这些方法也存在不足：

1)基于图像二值化处理后再提取边缘的传统道路边线检测方法。这类方法最大的优点在于有效滤除噪点，减弱阴影光照的影响，但缺点在于缺乏泛化性。在一类环境下，可通过调节算子的数值或比重，达到一个较好的检测效果。但如果环境发生改变，路面从砂石路面变成了泥泞路面，光照条件从晴朗转为阴沉，沿用相同的模型参数，并不能再次保证好的检测效果。因为单一模型难以同时适应多类路面情况。

2)基于像素点分割类的车道检测深度学习方法。例如LaneNet算法将主网络分为嵌入支路和分割支路。分割支路旨在获取二值化图像，将道路和背景区分开来；而嵌入支路旨在获取实例图像，通过聚类区分出不同的车道实例。这类算法虽然借助神经网络的优点，解决了泛化性问题，但由于是基于图像像素级的处理，聚类处理耗时严重，整个网络计算量过大，难以满足车道检测对实时性的要求。

面向复杂的山地自然环境，由于环境光照易变，常会出现路面严重阴影、图像过曝导致的图像信息严重丢失等情况，并且山道路面较为崎岖，现有的面向直线道路的车道检测技术不能直接较好地适用于该场景。此外，现有的车道检测技术，一是基于传统算法车的道线模型无法适用于道路场景变化的环境，鲁棒性泛化能力较差；二是基于像素点分割的深度学习车道线检测算法，虽然取得不错的检测精度，但是计算量极大，并且较大的计算资源需求而无法适用部署于轻量级设备。

发明内容

本发明的目的是：旨在提供一种山地道路边线位置检测方法，针对复杂山地自然环境，用于实现较为准确、快速的山地道路边线位置检测。

为实现上述技术目的，本发明采用的技术方案如下：

一种山地道路边线位置检测方法，包括如下步骤：

A1、将待检测图像转换为HSV图像以及灰度图像，作为网络输入；

A2、并行提取HSV图像、灰度图像各自的图像特征，再从边缘提取子网络嵌入图像边缘特征，通过融合得到全局混合特征；

A3、将提取出的全局混合特征，输入分类预测网络模块，得到道路边线位置检测结果，作为网络输出。

进一步，所述步骤A2包括多个图像特征提取模块：

HSV图像特征提取支路：通过简易的卷积、池化层，对HSV图像提取得到带颜色信息的特征图F_h；