[发明专利]一种基于无人机视角的应急车道视觉检测方法和系统

说明书

一种基于无人机视角的应急车道视觉检测方法，包括：通过无人机获取车道图像，并将车道的图像流作为特征提取网络的输入；按照预设需求对图像尺寸进行调整，提取不同尺度的特征图；接收不同尺度的的特征图，通过多尺度特征聚合模块对不同尺度的的特征图进行融合，得到不同层的特征数值；对不同层的特征数值进行相加，并且以预设规则抽取采样点,对图像进行特征采样；根据采样点特征进行分类，并根据分类结果进行曲线拟合；根据拟合曲线，对当前车道图像是否为应急车道进行判定。本发明解决了主流的车道线检测系统均是基于驾驶员视角，CNN分割网络的计算量大速度较慢，而且在无人机视角中往往存在车道线尺寸变化、被车辆遮挡、相机曝光等复杂问题。

技术领域

本发明涉及的是图像处理领域,特别涉及一种基于无人机视角的应急车道视觉检测方法和系统。

背景技术

在计算机视觉中，车道线检测是一个基础性的问题，在自动驾驶方面具有广泛的应用。从上世纪九十年代开始，以美国、日本、欧洲为中心的发达国家与地区对车道偏离预警技术进行了比较集中的研究，并取得了许多有价值的成果。目前，世界上有些国家已经成果研制出一些各具特色的车道偏离预警系统，如：Mobileye_AWS系统、AutoVue系统、RALPH系统、AURORA系统等。这些系统通过预先给驾驶员以警告信息，提醒驾驶员采取正确的操作措施，达到防止这类事故或者降低这类事故的伤害程度的目的。

由于经济发展原因，我国在这一领域起步较晚，但总体来说发展速度较快。例如，清华大学智能技术与系统国家重点实验室研制的智能车THMR系列，其车道线自动跟踪时平均速度可达100km/h，最高速度可达150km/h，在速度上已经接近国际上的先进水平，在图像处理、控制算法等方面也取得了一定技术突破。

车道线检测技术能够使车辆正确地定位在车道内，遵守车道规定的交通规则。一般的车道线检测算法多基于单目图像。早期的车道线检测算法采用传统方法，通常采用基于视觉信息的车道检测方法，主要思想是利用视觉线索，通过图像处理，如HIS，颜色模型，和边缘提取算法等，人为选择特征，根据亮度、宽度等筛选出连通区域，通过图像预处理、特征提取等方式并与霍夫变换或卡尔曼滤波器等算法结合，在识别出车道线后采用后处理的方式形成最终的车道。通常，基于传统算法车道线模型由于道路场景变化而导致鲁棒性问题。现阶段，车道线检测算法得益于卷积神经网络强大的特征提取能力，性能也不断提升，近年来，随着深度学习的发展，一些基于深度神经网络的方法因其良好的表示和学习能力在车道检测方面显示出了优越性。车道检测算法作为自动驾驶的一个基本组成部分而被大量使用，这要求它具有非常低的计算成本。在这种情况下，对于车道线检测方法的提速是非常重要的。采用卷积神经网络(Convolutional neuralnetwork，CNN)可以通过不同视角情况下的样本图片进行训练，自适应地提取路面上车道线的关键特征，后续通过全连接层来进行分类。车道线的完整检出和特殊区域的分割是该系统最为关键的两个步骤，由于目前主流的车道线检测系统均是基于驾驶员视角，CNN分割网络的计算量大速度较慢，而且在无人机视角中往往存在车道线尺寸变化、被车辆遮挡、相机曝光等复杂问题，因此车道线检测系统必须在受到这些因素干扰的情况下正常工作，具有极大的技术挑战。

发明内容

鉴于上述问题，提出了本发明以便提供一种克服上述问题或者至少部分地解决上述问题的一种基于无人机视角的应急车道视觉检测方法和系统。

为了解决上述技术问题，本申请实施例公开了如下技术方案：

一种基于无人机视角的应急车道视觉检测方法，包括：

S100.通过无人机获取车道图像，并将车道的图像流作为特征提取网络的输入；

S200.按照预设需求对图像尺寸进行调整，提取不同尺度的特征图；

S300.判断当前图像识别是否为训练过程，当当前图像识别为训练过程时，接收不同尺度的的特征图，通过多尺度特征聚合模块对不同尺度的的特征图进行融合，得到不同层的特征数值；