[发明专利]一种车道线数据集的构建标注方法及应用系统

权利要求书

1.一种车道线数据集的构建标注方法，其特征在于：该方法包括如下步骤：

(1)通过视频的形式采集车道数据，并保存数据用于后续处理；

(2)对采集到的视频数据进行分解处理得到图片，并根据数据集要求批量调整图片尺寸、格式等；

(3)对显示图像进行自适应增强，减小人工识别车道线的难度，加快标注速度；

(4)设置标注数据的格式，对要标注的车道数、每条车道标注点数及标注间隔类型进行设置；

(5)进行车道数据的自动标注，利用深度学习技术根据设置的标注格式预测出标注点；

(6)根据所述的神经网络预测出的标注点，进行人工确认或修改。

2.根据权利要求1所述的一种车道线数据集的构建标注方法，其特征在于，所述步骤(2)中视频分解得到图片的过程中，每隔N帧保存一帧图像。N的值可人工设置或使用深度学习技术进行自动设置。

3.根据权利要求2所述的一种车道线数据集的构建标注方法，其特征在于，所述的深度学习技术为通过预先训练的神经网络模型进行每一帧图像的关键点预测，并计算当前帧与参考帧的关键点的相似度，当相似度大于阈值时，自动保存当前帧，并更新当前帧为参考帧。相似度由下述公式得到：

其中，S为不同图像帧上预测点的相似度，n为关键点的个数，为当前图像帧上关键点的横坐标，y_i为当前图像帧上关键点的纵坐标，x′_i为参考帧上关键点的横坐标，y′_i为参考帧上关键点的纵坐标，λ为比例系数。

4.根据权利要求1所述的一种车道线数据集的构建标注方法，其特征在于，所述步骤(3)中的图像自适应增强方法只增强标注时显示的图像，而不更改原图像，包括如下步骤：

(3.1)根据预先训练的神经网络划分出车道线感兴趣区域；

(3.2)计算感兴趣区域内图像的亮度值，若小于阈值则对整个图像进行亮度增强；

(3.4)若车道远端间隔小于阈值，则通过逆透视变换得到俯视图，方便标注。

5.根据权利要求1所述的一种车道线数据集的构建标注方法，其特征在于，所述步骤(4)中可根据需要设置标注的车道数目，每条车道上的标注点数目及标注间隔类型。其中所述的间隔标注类型有等间隔标注及上密下疏标注。所述上密下疏标注的间隔由以下公式计算：

其中，为从上往下第i个标注点的纵坐标，y₀为最上边标注点的纵坐标，H为待标注图像的高，n为单条车道上标注点的个数。

6.根据权利要求1所述的一种车道线数据集的构建标注方法，其特征在于，所述步骤(5)中的半自动标注方法为：把待标注图像作为输入送入预训练的神经网络模型，直接预测出符合步骤(4)中设置的个数，标注方式的标注点。

7.根据权利要求1所述的一种车道线数据集的构建标注方法，其特征在于，所述步骤(6)中人工确认或修改方法为：

(6.1)若步骤(5)中自动标注的点全部符合要求，则直接确认，自动保存标注为json文件；

(6.2)若步骤(5)中自动标注的点少部分符合要求，则对需要修改的标注点手动修改；

(6.3)若步骤(5)中自动标注的点大部分不符合要求，则采用手工半自动标注方法进行重新标注。

8.根据权利要求6所述的一种车道线数据集的构建标注方法，其特征在于，所述步骤(3)中的手工半自动标注方法为：手动标注最上方某条车道线的第一个标注点，根据步骤(4)中所述的标注方式自动生成n条水平辅助线，只需在竖直方向上进行标注。

9.一种车道数据集构建标注系统，基于权利要求1实现，其特征在于，该系统包括如下模块：

数据采集模块，用于采集视频数据，并根据时间戳命名保存，防止文件名冲突造成数据覆盖或丢失；

数据分解与处理模块，用于根据设定的或神经网络自动预测的帧间隔保存待标注的视频帧和对图像进行批量尺寸和格式调整；

自适应增强模块，用于对不易识别的难例待标注图像进行自适应增强，加快标注速度和标注准确度；

标注格式设置模块，用于对标注格式进行设置，包括单条车道线上标注点个数、车道线条数、标注间隔方式；

自动标注模块，用于根据预训练的神经网络模型预测的结果进行车道的自动化标注；

人工确认与修改模块，用于对自动标注模块标注的结果进行手动修改或重新手工半自动标注；

标注格式转化模块，用于对点标注格式的数据进行转化，可通过曲线拟合转为线标注或通过计算闭合区域转为语义分割标注格式。