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制造方法及图纸

本发明专利技术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。本发明专利技术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。道线。道线。

【技术实现步骤摘要】
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


[0001]本专利技术涉及自动驾驶
，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。

技术介绍

[0002]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。
[0003]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。
[0004]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％。
[0005]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。

技术实现思路

[0006]本专利技术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。
[0007]为解决上述技术问题，本专利技术的技术方案如下：
[0008]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：
[0009]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；
[0010]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；
[0011]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；
[0012]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。
[0013]进一步的，对所述车道线坐标点排序，包括：
[0014]对所述车道线坐标点按照纵坐标从大到小、横坐标由小到大的顺序进行排序。
[0015]进一步的，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，包括：
[0016]确定车道线坐标点的遍历顺序；
[0017]对每个车道线坐标点进行遍历，遍历车道线坐标点时，如果该坐标点未分类，则对以该坐标点为中心点的邻域进行搜索，搜索该邻域内的其他车道线坐标点，并将搜索到的车道线坐标点存储到数组中等待使用，如果该坐标点已经完成了分类，则跳过该坐标点，按顺序继续对其他坐标点进行遍历。
[0018]进一步的，在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之前，还包括：
[0019]对遍历到的未进行分类的车道线坐标点赋予一个垂直图像宽度方向的方向向量。
[0020]进一步的，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，包括：
[0021]在遍历的车道线坐标点和以该车道线坐标点为中心点的邻域内的其他车道线坐标点之间构建方向向量；
[0022]在该车道线坐标点邻域内虚构出其他可能存在的车道线坐标点。
[0023]进一步的，在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之后，还包括：
[0024]分别计算出遍历车道线坐标点的方向向量和构建好的其他方向向量之间的内积；
[0025]将算得内积最小的、邻域内构建好的方向向量赋予遍历中的车道线坐标点，更新遍历中的车道线坐标点的方向向量，表示该车道线坐标点局部范围内的延伸方向。
[0026]进一步的，在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之后，还包括：
[0027]将算得内积最小的、邻域内构建好的方向向量赋值给该方向向量终点所对应的车道线坐标点，确定该点的初始方向向量，待遍历到该车道线坐标点，再通过计算确认该点的方向向量。
[0028]第二方面，一种基于向量内积的车道线实例分类装置，其特征在于，包括：
[0029]获取模块，用于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；
[0030]处理模块，用于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。
[0031]第三方面，一种车道线实例分类计算机，包括：
[0032]一个或多个处理器；
[0033]存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现所述的方法。
[0034]第四方面，一种计算机可读存储介质，所述计算机可读存储介质中存储有程序，该程序被处理器执行时实现所述的方法。
[0035]本专利技术的上述方案至少包括以下有益效果：
[0036]本专利技术的上述方案，通过给车道线坐标点构建方向向量，将一定范围内离散的车道线坐标点利用向量巧妙地关联起来，再通过计算向量之间的内积，对向量之间的相似关系进行衡量，相似度越高的向量表明两个向量在方向上越吻合，表示小范围车道线斜率变化比较小，与实际观察相符合本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于向量内积的车道线实例分类方法，其特征在于，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。2.根据权利要求1所述的基于向量内积的车道线实例分类方法，其特征在于，对所述车道线坐标点排序，包括：对所述车道线坐标点按照纵坐标从大到小、横坐标由小到大的顺序进行排序。3.根据权利要求1所述的基于向量内积的车道线实例分类方法，其特征在于，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，包括：确定车道线坐标点的遍历顺序；对每个车道线坐标点进行遍历，遍历车道线坐标点时，如果该坐标点未分类，则对以该坐标点为中心点的邻域进行搜索，搜索该邻域内的其他车道线坐标点，并将搜索到的车道线坐标点存储到数组中等待使用，如果该坐标点已经完成了分类，则跳过该坐标点，按顺序继续对其他坐标点进行遍历。4.根据权利要求1所述的基于向量内积的车道线实例分类方法，其特征在于，在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之前，还包括：对遍历到的未进行分类的车道线坐标点赋予一个垂直图像宽度方向的方向向量。5.根据权利要求1所述的基于向量内积的车道线实例分类方法，其特征在于，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，包括：在遍历的车道线坐标点和以该车道线坐标点为中心点的邻域内的其他车道线坐标点之间构建方向向量；在该车道...

【专利技术属性】
技术研发人员：梁鹏，吴启超，郝刚，周泓，郭建华，赵慧民，林智勇，黄华盛，李伟键，
申请(专利权)人：广东技术师范大学，
类型：发明
国别省市：