[发明专利]一种应用于低光照场景的车道线检测方法及其系统

说明书

本发明涉及一种应用于低光照场景的车道线检测方法及其系统，该方法包括以下步骤：分别构建图像特征增强网络和车道线检测网络；对图像特征增强网络和车道线检测网络进行网络训练；将采集的实际图像输入训练好的图像特征增强网络，输出得到增强的图像特征；将增强的图像特征输入训练好的车道线检测网络，输出得到对应的车道线检测信息。该系统的图像特征增强模块使用轻量化的自监督端到端网络；车道线检测模块使用基于深度神经网络的语义分割模型。与现有技术相比，本发明将图像特征增强算法引入了车道线检测任务，能够在不影响检测实时性的基础上，有效提升车道线检测算法在低光照条件下的检测精度，进而提高车辆自动驾驶系统的鲁棒性和安全性。

技术领域

本发明涉及智能驾驶技术领域，尤其是涉及一种应用于低光照场景的车道线检测方法及其系统。

背景技术

随着人工智能技术不断地进步，智能汽车也逐渐成为人们关注的焦点。智能汽车的驾驶依靠的是车载传感器对周围环境进行感知，以在没有人为操纵的情况下实现自动驾驶。其中，车载相机承担了获取周围环境视觉信息的责任，人们希望车载相机能够准确地识别出附近的行人、信号灯、车辆、以及车道线等多种信息并将其发送给车载电脑，进而对车辆控制与规划。

车道线作为全球道路的标准配置，各个国家都有相应法律要求车辆必须遵循车道线行驶或换道。对无人驾驶车辆或是搭载智能驾驶辅助系统车辆的运动规划与控制来说，车辆与车道线的相对位置都是至关重要的信息，因此，如何进行车道线实时、准确地检测，在智能汽车领域是一个重要的课题。

当前，随着深度学习技术的发展，车道线检测任务已经有很多基于深度学习方法的解决方案，其利用深度神经网络代替手工设计的特征检测器，通过训练学习获得识别车道线的能力。典型的是将像素级的语义分割应用到分割车道线类与背景类上或是通过预测三次曲线参数来拟合车道线形状。这些方法在一些标准数据集如Tusimple、CULane上已经取得较高的检测精度并且可以进行实时检测。

但是，当前用于开发车道线检测算法的数据往往集中在良好能见度和光照条件的驾驶环境，主流算法也多为基于正常光照条件开发。在夜晚、隧道等低光照条件下，由于特征提取困难，致使检测精度明显下降，对后续的决策控制产生较大的影响。而在实际应用中，车辆的运动场景动态变化极大。全天候可靠的环境感知是智能汽车及自动驾驶实现的基础。因此，对于低光照场景下的环境感知算法尤其是车道线检测算法开发研究具有重要实际应用价值。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种应用于低光照场景的车道线检测方法及其系统，以提高在低光照环境下对车道线检测的精度和速度。

本发明的目的可以通过以下技术方案来实现：一种应用于低光照场景的车道线检测方法，包括以下步骤：

S1、分别构建图像特征增强网络和车道线检测网络；

S2、对图像特征增强网络和车道线检测网络进行网络训练；

S3、将采集的实际图像输入训练好的图像特征增强网络，输出得到增强的图像特征；

S4、将增强的图像特征输入训练好的车道线检测网络，输出得到对应的车道线检测信息。

进一步地，所述步骤S1中构建的图像特征增强网络采用端到端的自监督网络模型。

进一步地，所述步骤S1中构建的车道线检测网络采用基于深度神经网络的语义分割模型。

进一步地，所述步骤S2具体包括以下步骤：

S21、分别对图像特征增强网络、车道线检测网络进行单独训练；

S22、将图像特征增强网络嵌入至车道线检测网络，进行整体端到端的联合训练。

进一步地，所述步骤S21具体包括以下步骤：