一种行车区域与车道线识别方法及系统技术方案

本发明专利技术提供一种行车区域与车道线识别方法及系统，该方法包括：获取待识别的结构化道路图像；将待识别的结构化道路图像输入到道路识别模型中，得到由道路识别模型中的基础网络输出的全局语义特征；通过道路识别模型的第一分支网络，对全局语义特征中的行车区域进行提取，得到行车区域语义特征；通过道路识别模型的第二分支网络，对全局语义特征中的车道线进行提取，得到车道线语义特征；通过道路识别模型中的预测层对融合特征进行分类预测，得到待识别的结构化道路图像中的行车区域与车道线，融合特征是由全局语义特征、行车区域语义特征和车道线语义特征进行融合得到的。本发明专利技术有效提高了行车区域与车道线识别精度。提高了行车区域与车道线识别精度。提高了行车区域与车道线识别精度。

【技术实现步骤摘要】
一种行车区域与车道线识别方法及系统


[0001]本专利技术涉及计算机视觉
，尤其涉及一种行车区域与车道线识别方法及系统。

技术介绍

[0002]结构化道路指的是边缘比较规则，路面平坦，有明显的车道线及其它人工标记的行车道路，例如：高速公路、城市干道等。这类道路具有清晰的道路标志线，道路的背景环境比较单一，道路的几何特征也比较明显。因此，针对结构化道路检测问题，可以简化为车道线或行车区域的检测。
[0003]结构化道路的行车区域与车道线识别，是智能交通领域的热门研究课题之一，也是基于计算机视觉的模式识别应用的一个重要研究方向。这项任务需要将结构化道路图像中的行车区域与车道线分割出来，进行像素级别的分类，为其他下游任务提供上游技术基础，例如，高级驾驶辅助系统和智能交通违章检测等。
[0004]由于结构化道路场景呈现多种不同的形态，且不同场景中的行车区域与车道线有相似性，现有车道线与行车区域的识别方法，仍存在较多的漏检和误检，识别精度较低。因此，现在亟需一种行车区域与车道线识别方法及系统来解决上述问题。

技术实现思路

[0005]针对现有技术存在的问题，本专利技术提供一种行车区域与车道线识别方法及系统。
[0006]本专利技术提供一种行车区域与车道线识别方法，包括：获取待识别的结构化道路图像；将所述待识别的结构化道路图像输入到道路识别模型中，得到由所述道路识别模型中的基础网络输出的全局语义特征；通过所述道路识别模型的第一分支网络，对所述全局语义特征中的行车区域进行提取，得到行车区域语义特征；通过所述道路识别模型的第二分支网络，对所述全局语义特征中的车道线进行提取，得到车道线语义特征；通过所述道路识别模型中的预测层对融合特征进行分类预测，得到所述待识别的结构化道路图像中的行车区域与车道线，所述融合特征是由所述全局语义特征、所述行车区域语义特征和所述车道线语义特征进行融合得到的；其中，所述基础网络、所述第一分支网络和所述第二分支网络，是由卷积神经网络构建得到的。
[0007]根据本专利技术提供的一种行车区域与车道线识别方法，在所述通过所述道路识别模型中的预测层对融合特征进行分类预测，得到所述待识别的结构化道路图像中的行车区域与车道线之后，所述方法还包括：对所述道路识别模型输出的行车区域与车道线的预测结果进行边缘提取处理和均值校正处理，得到处理后的预测结果。
[0008]根据本专利技术提供的一种行车区域与车道线识别方法，所述边缘提取处理的算法为Canny边缘检测算法。
[0009]根据本专利技术提供的一种行车区域与车道线识别方法，所述道路识别模型通过以下步骤训练得到：通过标记有行车区域标签和车道线标签的结构化道路样本图像，构建得到训练样本集；将所述训练样本集中的样本图像输入到第一卷积神经网络中进行训练，得到基础网络和由所述基础网络输出的全局语义样本特征；将所述全局语义样本特征输入到第二卷积神经网络中，以进行行车区域像素特征的提取训练，得到第一分支网络和由所述第一分支网络输出的行车区域语义样本特征；将所述全局语义样本特征输入到第三卷积神经网络中进行训练，以进行车道线像素特征的提取训练，得到第二分支网络和由所述第二分支网络输出的车道线语义样本特征；基于所述行车区域语义样本特征和所述车道线语义样本特征，对所述第一分支网络和所述第二分支网络进行交互训练，得到训练好的第一分支网络和训练好的第二分支网络，并输出局部语义增强样本特征；通过所述全局语义样本特征和所述局部语义增强样本特征，对预训练的预测层进行微调，得到训练好的预测层；根据所述基础网络、所述训练好的第一分支网络、所述训练好的第二分支网络和所述训练好的预测层，构建得到道路识别模型。
[0010]根据本专利技术提供的一种行车区域与车道线识别方法，所述第一卷积神经网络为HRNetV2模型。
[0011]根据本专利技术提供的一种行车区域与车道线识别方法，所述基于所述行车区域语义样本特征和所述车道线语义样本特征，对所述第一分支网络和所述第二分支网络进行交互训练，得到训练好的第一分支网络和训练好的第二分支网络，并输出局部语义增强样本特征，包括：基于所述车道线语义样本特征，对所述第一分支网络在样本图像中相同识别区域对应的行车区域语义样本特征进行语义特征对齐处理，得到第一局部语义增强样本特征；基于所述行车区域语义样本特征，对所述第二分支网络在样本图像中相同识别区域对应的车道线语义样本特征进行语义特征对齐处理，得到第二局部语义增强样本特征；所述通过所述全局语义样本特征和所述局部语义增强样本特征，对预训练的预测层进行微调，得到训练好的预测层，包括：通过所述全局语义样本特征、所述第一局部语义增强样本特征和所述第二局部语义增强样本特征，对预训练的预测层进行微调，得到训练好的预测层。
[0012]根据本专利技术提供的一种行车区域与车道线识别方法，在所述通过所述全局语义样本特征、所述第一局部语义增强样本特征和所述第二局部语义增强样本特征，对预训练的预测层进行微调，得到训练好的预测层之前，所述方法还包括：将所述全局语义样本特征、所述第一局部语义增强样本特征和所述第二局部语义增强样本特征进行拼接，得到拼接后的样本特征；
将所述拼接后的样本特征，输入到一层1
×
1卷积中，得到样本融合特征，以通过所述样本融合特征，对预训练的预测层进行微调，得到训练好的预测层。
[0013]本专利技术还提供一种行车区域与车道线识别系统，包括：道路图像采集模块，用于获取待识别的结构化道路图像；第一处理模块，用于将所述待识别的结构化道路图像输入到道路识别模型中，得到由所述道路识别模型中的基础网络输出的全局语义特征；第二处理模块，用于通过所述道路识别模型的第一分支网络，对所述全局语义特征中的行车区域进行提取，得到行车区域语义特征；通过所述道路识别模型的第二分支网络，对所述全局语义特征中的车道线进行提取，得到车道线语义特征；行车区域与车道线识别模块，用于通过所述道路识别模型中的预测层对融合特征进行分类预测，得到所述待识别的结构化道路图像中的行车区域与车道线，所述融合特征是由所述全局语义特征、所述行车区域语义特征和所述车道线语义特征进行融合得到的；其中，所述基础网络、所述第一分支网络和所述第二分支网络，是由卷积神经网络构建得到的。
[0014]本专利技术还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述行车区域与车道线识别方法的步骤。
[0015]本专利技术还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述行车区域与车道线识别方法的步骤。
[0016]本专利技术提供的一种行车区域与车道线识别方法及系统，基于卷积神经网络构建得到道路识别模型，通过该模型中的基础网络和分支网络的联合训练，从而兼具全局与局部语义特征表示，提升模型对行车区域与车道线识别的鲁棒性和泛化性，降低了道路识别的漏检率和误检率，有效提高了行车区域与车道线识别精度。
附图说明本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种行车区域与车道线识别方法，其特征在于，包括：获取待识别的结构化道路图像；将所述待识别的结构化道路图像输入到道路识别模型中，得到由所述道路识别模型中的基础网络输出的全局语义特征；通过所述道路识别模型的第一分支网络，对所述全局语义特征中的行车区域进行提取，得到行车区域语义特征；通过所述道路识别模型的第二分支网络，对所述全局语义特征中的车道线进行提取，得到车道线语义特征；通过所述道路识别模型中的预测层对融合特征进行分类预测，得到所述待识别的结构化道路图像中的行车区域与车道线，所述融合特征是由所述全局语义特征、所述行车区域语义特征和所述车道线语义特征进行融合得到的；其中，所述基础网络、所述第一分支网络和所述第二分支网络，是由卷积神经网络构建得到的。2.根据权利要求1所述的行车区域与车道线识别方法，其特征在于，在所述通过所述道路识别模型中的预测层对融合特征进行分类预测，得到所述待识别的结构化道路图像中的行车区域与车道线之后，所述方法还包括：对所述道路识别模型输出的行车区域与车道线的预测结果进行边缘提取处理和均值校正处理，得到处理后的预测结果。3.根据权利要求2所述的行车区域与车道线识别方法，其特征在于，所述边缘提取处理的算法为Canny边缘检测算法。4.根据权利要求1所述的行车区域与车道线识别方法，其特征在于，所述道路识别模型通过以下步骤训练得到：通过标记有行车区域标签和车道线标签的结构化道路样本图像，构建得到训练样本集；将所述训练样本集中的样本图像输入到第一卷积神经网络中进行训练，得到基础网络和由所述基础网络输出的全局语义样本特征；将所述全局语义样本特征输入到第二卷积神经网络中，以进行行车区域像素特征的提取训练，得到第一分支网络和由所述第一分支网络输出的行车区域语义样本特征；将所述全局语义样本特征输入到第三卷积神经网络中进行训练，以进行车道线像素特征的提取训练，得到第二分支网络和由所述第二分支网络输出的车道线语义样本特征；基于所述行车区域语义样本特征和所述车道线语义样本特征，对所述第一分支网络和所述第二分支网络进行交互训练，得到训练好的第一分支网络和训练好的第二分支网络，并输出局部语义增强样本特征；通过所述全局语义样本特征和所述局部语义增强样本特征，对预训练的预测层进行微调，得到训练好的预测层；根据所述基础网络、所述训练好的第一分支网络、所述训练好的第二分支网络和所述训练好的预测层，构建得到道路识别模型。5.根据权利要求4所述的行车区域与车道线识别方法，其特征在于，所述第一卷积神经网络为HRNetV2模型。6.根据权利要求4所述的行车区域与车道线识别方法，其特征在于，所述基于所述行车
区域语义样本特征和所述车道线语义样本特征，...

【专利技术属性】
技术研发人员：王金桥，陈盈盈，朱炳科，李晓东，
申请(专利权)人：中科视语北京科技有限公司，
类型：发明
国别省市：