[发明专利]一种基于向量内积的车道线实例分类方法、装置、计算机及计算机可读存储介质

说明书

本发明提供一种基于向量内积的车道线实例分类方法、装置、计算机及计算机可读存储介质，所述方法包括：获取车道线坐标以及所述车道线坐标对应的车道线坐标点，并对所述车道线坐标点排序；遍历所述车道线坐标点和对遍历到的车道线坐标点的邻域进行搜索；构建车道线坐标点的方向向量和更新相关车道线坐标点的方向向量；计算两个向量之间的内积，通过内积的大小判断哪些坐标点属于同一条车道线，则对图像中的车道线进行实例划分，区分出不同的车道线。本发明无需确定图像中最大车道线数目就可以对车道线进行实例分类，区分图像中不同的车道线。

技术领域

本发明涉及自动驾驶技术领域，特别是指一种基于向量内积的车道线实例分类方法、装置、计算机及计算机可读存储介质。

背景技术

近年来，自动驾驶在业界和学界都受到了广泛的关注。随着智慧交通的发展，环境感知作为自动驾驶的重要任务已经成为研究热门领域。车道线检测是环境感知系统的基本任务，可以自动感知车道线形状和位置并引导车辆进行准确地变道、转弯，其检测结果在很大程度上影响着车辆的驾驶安全。在车道线检测中，目前还存在着一些需要解决的问题。一方面，考虑到可能出现的雨雪天气、道路昏暗以及眩光等情况，在这些情况下如何稳定准确地分割车道线。另一方面，在实际场景中经常出现的车道线受遮挡和车道线磨损的情况，在这种情况下怎样完整地分割出车道线。针对这些存在的问题，出现了各种各样的解决方法，包括基于分割的方法、基于检测的方法、基于关键点的方法和基于多项式拟合的方法。在这些方法中，有些方法是需要预先确定好图像中车道线的最大数目，才能对车道线进行识别、检测。

传统的车道检测方法通常是为了解决基于视觉信息的车道检测问题。这些方法的主要思想是通过HSI颜色模型和边缘提取算法等图像处理来利用视觉线索。当视觉信息不够强时，跟踪是常用的一种后处理解决方案。除了跟踪方法之外，还可以使用马尔可夫随机场和条件随机场作为后处理方法。随着机器学习的发展，提出了一些采用模板匹配和支持向量机等算法的方法。

随着深度学习的发展，基于深度学习神经网络的方法在车道线检测领域开始逐步体现它的优越性。车道线检测通常被建模为一个分割问题，分割可以比较详细地提供车道线周围车辆或行人的位置，在车道线检测上有着优秀的检测性能。但由于是逐像素进行分类，分割方法几乎是所有方法中检测速度最慢的。而且由于输入的数据上没有包含连续的车道线分割标签，使用分割的方法还需要将坐标点标签转换为分割标签才能将车道线识别出来，增加了车道线检测任务的复杂性。直观上感觉，做车道线检测不需要对每个像素点都进行分类。超快速车道线检测是一种基于检测的方法，该方法对车道线检测任务进行了一种更为简单高效地建模，提出了将车道线检测定义为寻找车道线在图像中某些行的位置的集合，即在图像的每行中选择包含车道线的图像块，不需要再逐像素点进行分类。因此该方法拥有超快的检测速度达到300多帧，同时达到一个较高的检测准确度96.04％。

上述所提到的超快速车道线检测方法在对车道线进行实例划分前，需要先确定图像中包含了多少条车道线，预先设置好一个数值，否则无法在图像中准确识别到车道线。但在实际应用场景中，我们是无法提前确定行驶车辆的道路上有多少条车道线。在不同驾驶场景下，车道线的数量是不尽相同的，难以设置一个最大的车道线数目。

发明内容

本发明要解决的技术问题是提供一种基于向量内积的车道线实例分类方法、装置、计算机及计算机可读存储介质，无需确定图像中最大车道线数目就可以对车道线进行实例分类，区分图像中不同的车道线。

为解决上述技术问题，本发明的技术方案如下：

第一方面，一种基于向量内积的车道线实例分类方法，所述方法包括：

获取车道线坐标以及所述车道线坐标对应的车道线坐标点，并对所述车道线坐标点排序；

遍历所述车道线坐标点和对遍历到的车道线坐标点的邻域进行搜索；

构建车道线坐标点的方向向量和更新相关车道线坐标点的方向向量；