[发明专利]一种融合传统特征提取与深度神经网络的车道线检测方法

说明书

本发明涉及一种融合传统特征提取与深度神经网络的车道线检测方法，包括：基于输入道路图片，提取所述道路图片中车道线的先验特征，获得车道线先验特征图；将所述车道线先验特征图与所述道路图片进行拼接得到道路特征图；将所述道路特征图输入到深度神经网络模型中，对所述道路特征图进行特征提取与关键点预测，得到每条车道线中各关键点的位置坐标。本发明从传统特征与深度神经网络相融合的角度，充分考虑了车道线的先验传统特征，在图像输入深度神经网络前，利用传统特征提取方法获取车道线的先验特征，使传统基于特征的车道线检测方法与深度学习的方法优势互补，在满足实时性要求的前提下，提高车道线检测算法的鲁棒性和准确性。

技术领域

本发明涉及自动驾驶技术领域，特别是涉及一种融合传统特征提取与深度神经网络的车道线检测方法。

背景技术

当今社会，汽车已经成为人们日常出行中最便捷、最重要的交通工具之一，但伴随着汽车的普及，交通安全问题也对人民的生命财产安全造成了严重威胁，为减少交通事故的发生、满足驾驶员更好的驾驶体验，无人驾驶技术得到了大力推动，并且已经成为了当今车辆行业的研究热点。作为车辆无人驾驶的重要环节之一，车道线检测技术为车辆的道路环境感知、车道偏离预警、碰撞警告、路径规划等功能提供了重要的信息。

车道线检测方法发展到现在，主要可以分成两类：一类是基于车道线特征或模型的传统检测方法；另一类则是随着国内外深度学习的发展而新兴的基于深度学习的车道线检测方法。

传统的车道线检测方法依赖于手工提取特征和启发式方法的组合来识别车道段，与道路图像的其他部分相比，车道线通常有颜色、形状、边缘梯度以及强度等明显特征。传统的车道线检测方法就是对车道线的特征进行特征提取，检测出属于车道线的点，然后对车道线应用定义好的模型进行拟合，从而识别出完整的车道线。使用传统方法的车道线检测对光照条件、车道线的遮挡情况、破损情况要求比较高，在复杂道路场景下的准确度有待提升，但算法比较简单，实时性较好，且对于各种场景的鲁棒性较好，可解释性较强。

随着深度学习的不断发展，越来越多的学者将神经网络应用到车道线检测中。卷积神经网络由于具有独特的层级联结构，其特征提取能力更加强大，位于底层的卷积层学习的特征大多是车道线的边缘信息，但随着层数的加深，车道线的颜色、纹理、轮廓等深层信息也会被不断提取、学习，因此能够处理更为复杂的环境中的车道线检测任务，在复杂道路场景下算法的准确性较高，但模型的复杂程度也较高，对数据集的依赖性大，在不同场景下的自适应性和鲁棒性较差。

综上所述，无论是传统方法，还是基于深度学习的方法，使用单一原理在车道线检测时都存在相应的不足，因此，需要一种将传统特征提取方法与深度神经网络方法相融合的车道线检测方法，发挥两种方法的优势，取长补短。

发明内容

本发明提供了一种融合传统特征提取与深度神经网络的车道线检测方法，以解决车道线检测方法中，需要减少网络的计算复杂度与模型参数，保证实时性，且考虑车道线的先验传统特征，提高车道线检测的准确性与鲁棒性。

为实现上述目的，本发明提供了如下方案：

一种融合传统特征提取与深度神经网络的车道线检测方法，包括：

S1、基于输入道路图片，提取所述道路图片中车道线的先验特征，获得车道线先验特征图；

S2、将所述车道线先验特征图与所述道路图片进行拼接得到道路特征图；

S3、将所述道路特征图输入到深度神经网络模型中，对所述道路特征图进行特征提取与关键点预测，得到每条车道线在预先设置好的网格单元中关键点的位置坐标，其中所述关键点为在所述网格单元中属于车道线的点。

优选地，S1中，获取所述输入道路图片包括：

将车载相机通过支架固定在车位置顶中央，调整所述车载相机的安装角度，对准待检测区域，利用所述车载相机采集车辆前方待检测区域的道路图像。