基于深度学习的车道线检测方法、装置及自动驾驶方法制造方法及图纸

本申请公开了一种基于基于深度学习的车道线检测方法、装置及自动驾驶方法，属于自动驾驶领域，可应用于港口、高速、物流、矿山、封闭园区、或城市交通等场景。该方法包括：通过自动驾驶车辆上搭载的激光雷达获取道路的原始点云数据；根据原始点云数据的反射强度和相对自动驾驶车辆的位置，建立原始点云数据对应的点云图像；以及通过预训练的深度学习模型对点云图像进行检测，确定点云图像中的车道线及车道线的位置。本申请通过采用激光雷达进行车道线点云的获取，并利用点云的反射强度建立点云图像，进而识别出车道线，该方法不受天气环境的影响，检测准确度较高，具有较好的鲁棒性。具有较好的鲁棒性。具有较好的鲁棒性。

【技术实现步骤摘要】
基于深度学习的车道线检测方法、装置及自动驾驶方法


[0001]本申请涉及自动驾驶
，尤其涉及一种基于深度学习的车道线检测方法、装置及自动驾驶方法。

技术介绍

[0002]近年来，我国汽车产业飞速发展，车流量增大的同时也带来了很多交通安全问题。为了解决这些问题，智能汽车自动驾驶系统应运而生，汽车自动驾驶系统具有预警功能，常见的预警功能包括障碍物探测、车距测量、车速测量、道路路沿及隔离带识别、车道线识别等。其中道路车道线，路沿以及隔离带等识别在智能汽车自动驾驶系统中起着关键的作用。
[0003]车道线检测的基本原理是使用传感器采集道路及车辆的周边环境信息，并通过算法分析得出车道线的准确轮廓与位置。最终在车辆在自动驾驶决策中发挥作用。目前主要的车道线检测方法由可见光相机与激光雷达独立或结合完成。目前基于可见光相机的车道线检测技术已经比较成熟。
[0004]现有的车道线检测方法中，采用可见光图像作为信号源，但可见光图像的获取质量受光照、天气等外界影响因素很大；虽然也有使用激光雷达作为信号源，进行车道线点云测量，但对激光雷达点云多采用传统点云处理方法，在应对较复杂路况时，鲁棒性较差。

技术实现思路

[0005]本申请实施例提出一种基于深度学习的车道线检测方法、装置及自动驾驶方法。
[0006]第一方面，在本申请的一个技术方案中，提供一种基于深度学习的车道线检测方法，包括：通过自动驾驶车辆上搭载的激光雷达获取道路的原始点云数据；根据原始点云数据的反射强度和相对自动驾驶车辆的位置，建立原始点云数据对应的点云图像；以及通过预训练的深度学习模型对点云图像进行检测，确定点云图像中的车道线及车道线的位置。
[0007]可选的，根据原始点云数据的反射强度和相对自动驾驶车辆的位置，建立原始点云数据对应的点云图像，包括：将原始点云数据转化到预建立的三维自车坐标系中，根据原始点云数据的反射强度和相对自动驾驶车辆的位置，确定点云图像。
[0008]可选的，根据原始点云数据的反射强度和相对自动驾驶车辆的位置，确定点云图像，包括：根据在自车坐标系下点云点的坐标值，计算点云点相对自车坐标系中xy轴平面的垂直角度和相对自车坐标系中xz轴平面的水平角度；将垂直角度和水平角度作为点云点对应的角度向量，并进行转换得到二维坐标；将点云点的特征信息对应存储到二维坐标对应的像素位置中，确定点云图像。
[0009]可选的，深度学习模型的预训练过程包括：通过自动驾驶车辆上搭载的激光雷达获取道路的点云数据；通过对激光雷达的硬件参数进行调整，对点云数据进行拆分和角度变换，得到扩充点云数据；根据扩充点云数据的反射强度和相对自动驾驶车辆的位置，建立扩充点云数据对应的训练点云图像；将训练点云图像输入到深度学习模型中，对深度学习模型进行训练。
[0010]可选的，将点云图像输入到深度学习模型中，对深度学习模型进行训练，包括：对训练点云图像进行分类，得到多种不同检测目标点云类别数据，检测目标包括车道线；通过深度学习模型提取训练点云图像的特征图；对深度学习模型将特征图和预先标注的标签数据进行损失学习，得到预训练的深度学习模型。
[0011]第二方面，在本申请的一个技术方案中，提供一种基于深度学习的车道线检测装置，包括：激光雷达，其搭载在自动驾驶车辆上，用以获取道路的原始点云数据；预处理模块，其根据原始点云数据的反射强度和相对自动驾驶车辆的位置，建立原始点云数据对应的点云图像；以及预训练的深度学习模型，其对点云图像进行检测，确定点云图像中的车道线及车道线的位置。
[0012]第三方面，在本申请的一个技术方案中，提供一种自动驾驶方法，包括：通过自动驾驶车辆上搭载的激光雷达获取道路的原始点云数据；根据原始点云数据的反射强度和相对自动驾驶车辆的位置，建立原始点云数据对应的点云图像；通过预训练的深度学习模型对点云图像进行检测，确定点云图像中的车道线及车道线的位置；自动驾驶系统根据车道线的位置对自动驾驶车辆进行驾驶控制。
[0013]第四方面，在本申请的一个技术方案中，提供一种计算机可读存储介质，其存储有计算机指令，其中计算机指令被操作以执行第一方面或第三方面中任一方面的方法。
[0014]第五方面，在本申请的一个技术方案中，提供一种计算机设备，其包括处理器和存储器，存储器存储有计算机指令，其中：处理器操作计算机指令以执行第一方面或第三方面中任一技术方案的方法。
[0015]本申请的有益效果是：本申请通过采用激光雷达进行车道线点云的获取，并利用点云的反射强度建立点云图像，进而识别出车道线，检测的准确度较高，不受天气环境的影响，具有较高的鲁棒性。
附图说明
[0016]为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作一简单地介绍。下面描述中的附图是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0017]图1是本申请基于深度学习的车道线检测方法的一个实施方式的流程示意图；
[0018]图2是本申请基于深度学习的车道线检测方法的一个实例的流程示意图；
[0019]图3是本申请基于深度学习的车道线检测装置的一个实施方式的结构示意图；
[0020]图4是本申请自动驾驶方法的一个实施方式的流程示意图。
具体实施方式
[0021]为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
[0022]本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理
解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例例如能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的产品或设备不必限于清楚地列出的哪些单元，而是可包括没有清楚地列出的或对于这些产品或设备固有的其它单元。
[0023]近年来，我国汽车产业飞速发展，车流量增大的同时也带来了很多交通安全问题。为了解决这些问题，智能汽车自动驾驶系统应运而生，汽车自动驾驶系统具有预警功能，常见的预警功能包括障碍物探测、车距测量、车速测量、道路路沿及隔离带识别、车道线识别等。其中道路车道线，路沿以及隔离带等识别在智能汽车自动驾驶系统中起着关键的作用。
[0024]车道线检测的基本原理是使用传感器采集道路及车辆的周边环境信息，并通过算法分析得出车道线的准确轮廓与位置。最终在车辆在自动驾驶决策中发挥作用。目前主要的车道线检测方法由可见光相机与激光雷达独本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的车道线检测方法，其特征在于，包括：通过自动驾驶车辆上搭载的激光雷达获取道路的原始点云数据；根据所述原始点云数据的反射强度和相对所述自动驾驶车辆的位置，建立所述原始点云数据对应的点云图像；以及通过预训练的深度学习模型对所述点云图像进行检测，确定所述点云图像中的车道线及所述车道线的位置。2.根据权利要求1所述的基于深度学习的车道线检测方法，其特征在于，所述根据所述原始点云数据的反射强度和相对所述自动驾驶车辆的位置，建立所述原始点云数据对应的点云图像，包括：将所述原始点云数据转化到预建立的三维自车坐标系中，根据所述原始点云数据的反射强度和相对所述自动驾驶车辆的位置，确定所述点云图像。3.根据权利要求2所述的基于深度学习的车道线检测方法，其特征在于，所述根据所述原始点云数据的反射强度和相对所述自动驾驶车辆的位置，确定所述点云图像，包括：根据在所述自车坐标系下点云点的坐标值，计算所述点云点相对所述自车坐标系中xy轴平面的垂直角度和相对所述自车坐标系中xz轴平面的水平角度；将所述垂直角度和所述水平角度作为所述点云点对应的角度向量，并进行转换得到二维坐标；将所述点云点的特征信息对应存储到所述二维坐标对应的像素位置中，确定所述点云图像。4.根据权利要求1所述的基于深度学习的车道线检测方法，其特征在于，所述深度学习模型的预训练过程包括：通过自动驾驶车辆上搭载的激光雷达获取道路的点云数据；通过对所述激光雷达的硬件参数进行调整，对所述点云数据进行拆分和角度变换，得到扩充点云数据；根据所述扩充点云数据的反射强度和相对所述自动驾驶车辆的位置，建立所述扩充点云数据对应的训练点云图像；将所述训练点云图像输入到所述深度学习模型中，对所述深度学习模型进行训练。5.根...

【专利技术属性】
技术研发人员：冯思渊，马文博，陈平，郭魁元，
申请(专利权)人：中汽研汽车检验中心天津有限公司，
类型：发明
国别省市：