一种自动驾驶的视觉识别车道线的方法及系统、车辆技术方案

本发明专利技术提供的一种自动驾驶的视觉识别车道线的方法及系统、车辆，通过采集目标图片，接着使用目标检测模型对目标图片进行识别与分类得到目标车道线，然后根据目标车道线进行自动驾驶辅助决策；其中，目标检测模型通过利用车道线图片数据集对初始车道线模型进行训练并通过自主学习形式进行反向传播调整得到，初始车道线模型利用横向切片法搭建得到，车道线图片数据集为已标注好车道线的图片数据集。能够快速识别出道路上的车道线，解决了传统的车道线识别方法往往难以准确识别出车道线的问题，提高了车道线的识别率，进而提高了自动驾驶车辆行驶的安全性和稳定性。驶车辆行驶的安全性和稳定性。驶车辆行驶的安全性和稳定性。

【技术实现步骤摘要】
一种自动驾驶的视觉识别车道线的方法及系统、车辆


[0001]本专利技术涉及自动驾驶的视觉识别车道线的
，特别涉及一种自动驾驶的视觉识别车道线的自动驾驶的视觉识别车道线的方法及系统、车辆。

技术介绍

[0002]随着图像处理技术的发展，车辆的自动辅助驾驶发展越发迅速，车辆检测技术逐渐成熟，其中，通过将图像输入经卷积神经网络训练得到的模型来进行识别的方法得到广泛应用。
[0003]然而，在传统的CNN车道线识别方法中，将图片直接经过卷积神经网络卷积核后会生成特征图，这对大块物体如车或者人的识别而言是有比较好的效果，但是由于车道线的形状是细长的，这种识别方法往往难以准确识别出车道线，降低了车道线的识别率，进而影响自动驾驶车辆行驶的安全性和稳定性。

技术实现思路

[0004]为了克服现有的识别方法往往难以准确识别出车道线，降低了车道线的识别率，进而影响自动驾驶车辆行驶的安全性和稳定性的问题，本专利技术提供一种自动驾驶的视觉识别车道线的方法及系统、车辆。
[0005]为解决上述技术问题，本专利技术实施例第一方面提供如下的技术方案：一种自动驾驶的视觉识别车道线的方法，包括以下步骤：
[0006]采集目标图片；
[0007]使用目标检测模型对所述目标图片进行识别与分类，得到目标车道线；
[0008]根据所述目标车道线进行自动驾驶辅助决策；
[0009]其中，所述目标检测模型通过利用车道线图片数据集对初始车道线模型进行训练，并通过自主学习形式进行反向传播调整得到；所述初始车道线模型利用横向切片法搭建得到；所述车道线图片数据集为已标注好车道线的图片数据集。
[0010]作为一种可选的实施方式，在本专利技术实施例第一方面中，所述初始车道线模型利用横向切片法搭建得到的具体方式为：
[0011]将神经网络模型划分为尺寸为H，W，C的张量，其中，H和W分别是行和列的数量，C代表通道的数量；
[0012]将所述张量在指定区域内按照每片内含i行水平分割成n个切片；i和n为正整数且n＝H/i；
[0013]根据公式p
a
＝p
a
‑1+relu(conv2D(p
a
‑1))搭建所述初始车道线模型；其中，1＜a≤n，p
a
为H方向上的第a个切片的特征值，p
a
‑1为H方向上的第a
‑
1个切片的特征值。
[0014]作为一种可选的实施方式，在本专利技术实施例第一方面中，在对p
a
‑1进行二维卷积运算中，卷积核尺寸为k
×
ω，其中，ω是卷积核宽度，k为是卷积核高度，k＝i。
[0015]作为一种可选的实施方式，在本专利技术实施例第一方面中，所述指定区域为在数据
帧上预先定义的车道线的区域。
[0016]作为一种可选的实施方式，在本专利技术实施例第一方面中，所述通过自主学习形式进行反向传播调整的方式具体为：通过对比模型输出结果和实际结果后计算它们之间的差值，并在计算每层梯度后更新模型权重。
[0017]为解决上述技术问题，本专利技术实施例第二方面提供又一技术方案如下：一种自动驾驶的视觉识别车道线的系统，包括：
[0018]采集单元，用于采集目标图片；
[0019]识别单元，用于使用目标检测模型对所述目标图片进行识别与分类，得到目标车道线；
[0020]其中，所述目标检测模型通过利用车道线图片数据集对初始车道线模型进行训练，并通过自主学习形式进行反向传播调整得到；所述初始车道线模型利用横向切片法搭建得到；所述车道线图片数据集为已标注好车道线的图片数据集；
[0021]决策单元，用于根据所述目标车道线进行自动驾驶辅助决策。
[0022]作为一种可选的实施方式，在本专利技术实施例第二方面中，所述识别单元包括：
[0023]划分子单元，用于将神经网络模型划分为尺寸为H，W，C的张量，其中，H和W分别是行和列的数量，C代表通道的数量；
[0024]分割子单元，用于将所述张量在指定区域内按照每片内含i行水平分割成n个切片；i和n为正整数且n＝H/i；
[0025]搭建子单元，用于根据公式p
a
＝p
a
‑1+relu(conv2D(p
a
‑1))搭建所述初始车道线模型；其中，1＜a≤n，p
a
为H方向上的第a个切片的特征值，p
a
‑1为H方向上的第a
‑
1个切片的特征值。
[0026]为解决上述技术问题，本专利技术实施例第三方面提供一种车辆，包括本专利技术实施例第二方面公开的自动驾驶的视觉识别车道线的系统。
[0027]为解决上述技术问题，本专利技术实施例第四方面提供一种自动驾驶的视觉识别车道线的系统，包括：
[0028]存储有可执行程序代码的存储器；
[0029]与所述存储器耦合的处理器；
[0030]所述处理器调用所述存储器中存储的所述可执行程序代码，执行本专利技术实施例第一方面公开的一种自动驾驶的视觉识别车道线的方法。
[0031]为解决上述技术问题，本专利技术实施例第五方面提供一种计算机可读存储介质，其存储计算机程序，其中，所述计算机程序使得计算机执行本专利技术实施例第一方面公开的一种自动驾驶的视觉识别车道线的方法。
[0032]为解决上述技术问题，本专利技术实施例第六方面提供一种计算机程序产品，当所述计算机程序产品在计算机上运行时，使得所述计算机执行本专利技术实施例第一方面的任意一种方法的部分或全部步骤。
[0033]为解决上述技术问题，本专利技术实施例第七方面提供一种应用发布平台，所述应用发布平台用于发布计算机程序产品，其中，当所述计算机程序产品在计算机上运行时，使得所述计算机执行本专利技术实施例第一方面的任意一种方法的部分或全部步骤。
[0034]与现有技术相比，本专利技术实施例具有如下的有益效果：
[0035]本专利技术实施例中，自动驾驶车辆在自动驾驶过程中采集目标图片，接着使用目标检测模型对目标图片进行识别与分类进而得到目标车道线，然后根据目标车道线进行自动驾驶辅助决策，其中，目标检测模型通过利用车道线图片数据集对初始车道线模型进行训练并通过自主学习形式进行反向传播调整得到，初始车道线模型利用横向切片法搭建得到，车道线图片数据集为已标注好车道线的图片数据集。可见，实施本专利技术实施例，由于初始车道线模型是利用横向切片法搭建得到的，横向切片将形状细长的车道线识别变成横向特征的识别，使得在对目标图片进行识别与分类时，不仅对大块物体如车或者人的识别有较好的效果，还对于形状细长的车道线有较好的效果，能够快速识别出道路上的车道线，解决了传统的车道线识别方法往往难以准确识别出车道线的问题，提高了车道线的识别率，进而提高了自动驾驶车辆行驶的安全性和稳定性。
附图说明
[0036]为了更清楚地说明本专利技术实施例中的技术方案，下面将对实施例中所需要本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种自动驾驶的视觉识别车道线的方法，其特征在于：包括以下步骤：采集目标图片；使用目标检测模型对所述目标图片进行识别与分类，得到目标车道线；根据所述目标车道线进行自动驾驶辅助决策；其中，所述目标检测模型通过利用车道线图片数据集对初始车道线模型进行训练，并通过自主学习形式进行反向传播调整得到；所述初始车道线模型利用横向切片法搭建得到；所述车道线图片数据集为已标注好车道线的图片数据集。2.根据权利要求1所述的方法，其特征在于：所述初始车道线模型利用横向切片法搭建得到的具体方式为：将神经网络模型划分为尺寸为H，W，C的张量，其中，H和W分别是行和列的数量，C代表通道的数量；将所述张量在指定区域内按照每片内含i行水平分割成n个切片；i和n为正整数且n＝H/i；根据公式p
a
＝p
a
‑1+relu(conv2D(p
a
‑1))搭建所述初始车道线模型；其中，1＜a≤n，p
a
为H方向上的第a个切片的特征值，p
a
‑1为H方向上的第a
‑
1个切片的特征值。3.根据权利要求2所述的方法，其特征在于：在对p
a
‑1进行二维卷积运算中，卷积核尺寸为k
×
ω，其中，ω是卷积核宽度，k为是卷积核高度，k＝i。4.根据权利要求2所述的方法，其特征在于：所述指定区域为在数据帧上预先定义的车道线的区域。5.根据权利要求1所述的方法，其特征在于：所述通过自主学习形式进行反向传播调整的方式具体为：通过对比模型输出结果和实际结果后计算它们之间的差值，并在计算每层梯度后更新模型权重。6.一种自动驾驶的视觉识别车道线的系统，其特征在于，包括：采集单元，用于采集目标图片；识...

【专利技术属性】
技术研发人员：陈章芳，姚永深，
申请(专利权)人：易特智行科技张家口有限公司，
类型：发明
国别省市：