【技术实现步骤摘要】
本专利技术属于图像处理，特别涉及一种基于单目视觉车道偏离预警方法。
技术介绍
1、现有技术中，已有的基于传统的图像处理方法，通过边缘检测滤波算法来将图像中的纹理边缘进行凸显，然后结合霍夫变换算法进行车道线检测(霍夫变换算法是一种在图像中寻找直线、圆形以及其他简单形状的方法)，然而，这类算法需要人工手动去调滤波算子，根据算法所针对的街道场景特点手动调节参数，工作量大且鲁棒性较差，当行车环境出现明显变化时，车道线的检测效果不佳。基于语义分割来检测车道线的方法，虽然可以对整个全图进行像素分类，但分割模型大，处理速度慢，在严重遮挡情况下表现差，没有充分利用车道线的先验知识。这两种方法不能直接给出车辆本身偏移车道线中心的距离估计。
2、此外，现有技术中常用技术术语包括：
3、1、车道线偏移：是指车辆行驶过程中出现轧线或者向车道线的一侧倾斜和偏移。
4、2、车道线偏移预警：当车辆行驶过程中出现车道线偏移的时候及时给驾驶员做出警示和提醒，避免压线等车辆违法驾驶行为的发生，并减少因车辆偏移导致的事故发生概率。
5、3、车道线检测：通过车辆前方的单目摄像头获取车辆行进方向上的图像，在获得图像的基础上通过车道线检测算法，提取出车辆左右两侧的车道线，得到车道线的位置。
技术实现思路
1、为了解决上述问题，本申请的目的在于：在行车过程中实时采集得到的前方道路图像，通过车道线检测网络来获取车辆左右两侧的车道线位置，然后通过二次曲线函数对车道线上的点进行曲线拟合
2、具体地，本专利技术提供一种基于单目视觉车道偏离预警方法，所述方法包括以下步骤:
3、s1，基于单目视觉，实时获取行进方向道路的图像：行车过程中实时采集得到的前方道路图像；
4、s2，在所获得图像的基础上，通过车道线提取算法得到车辆左侧、右侧的车道线位置，即通过车道线检测网络来获取车辆左侧、右侧的车道线位置，然后通过二次曲线函数对车道线上的点进行曲线拟合，得到左侧、右侧车道线的曲线；
5、所述的车道线提取算法，包括训练和部署两个阶段，其中，所述训练阶段，对大量实际路况的图片进行车道线区域的标注，形成训练数据集；利用训练数据集，对深度神经网络进行训练，并在深度神经网络的基础上设置相应的损失函数，生成车道线检测网络模型；
6、所述部署阶段，利用生成的车道线检测模型，对实时行进方向道路的图像进行车道线位置的获取；
7、s3，根据得到的车道线位置判断车辆偏离情况根据车辆的中心和车道线的中心来计算出车辆的偏离程度；
8、s4，根据设定的偏离阈值来决定是否做出提醒响应：根据车辆偏离情况，对车辆驾驶过程中出现车道线偏离或轧线的情况进行辅助预警提示。
9、所述步骤s2中，
10、所述的训练阶段，对实际的路况图像进行车道线区域标注的方法，包括：将车道线检测问题看做基于行的锚点选择问题，车道线的检测问题表示为：
11、pi，j，：＝fij(x)，s.t.i∈[1，c]，j∈[1，h]
12、式中的x表示卷积神经网络提取道路图像的全局特征，fij表示为第i个车道线在第j个锚点行的分类函数，其中c设置为4表示车道线检测网络最多能够检测出来4条车道线，h设置为56表示把整个车道线图片分成56行；pi，j，：表示w+1维的向量，w设置为100相当于对每一个锚点行分成100个锚点列，pi，j，：表示第j个锚点行对于第i个车道线在各个锚点位置的概率，其中多出来的1维表示第j个锚点行不包括第i个车道线的任何位置；其中，p表示一个三维的矩阵，i,j,:表示表示第一个维度的下标索引是i，第二个维度的下标索引是j，:表示第三个维度的所有值)；
13、网络的分类器包括两个全连接层和一个softmax层，用于获取车道线的位置；网络的总的优化损失函数ltotal包括：
14、ltotal＝lcls+αlstr
15、式中的lcls表示分类损失函数，lstr表示结构性损失函数，α表示损失加权系数；其中，结构性损失函数lstr包括上下行结构相似性损失函数lsim和车道线形状损失函数lshp线性加权上述的两个损失函数，可得到整体的结构性损失函数：
16、lstr＝lsim+γlshp
17、以ti，j，：表示真实的车道线标签，则分类损失函数lcls表示为：
18、
19、其中lce表示交叉熵损失。
20、所述步骤s2还包括：
21、由于大多数车道线都是直线，所以在车道线检测网络的损失函数中添加了车道线的先验信息，采用了另外的两个损失函数来约束车道线的结构特征：
22、一方面，是车道线的连续性特征，即相邻锚点行之间的车道线锚点位置应该彼此接近，因此通过设计相似性损失函数来描述这个特征：
23、
24、其中pi，j，：表示第i条车道线在第j个锚点行的概率向量，其中pi，j，：表示第i条车道线在第j+1个锚点行的概率向量，||*||1表示l1范数；
25、另一方面，关注车道线的形状，即通常情况下车道线为近似直线，因此其二次导数近似为0，损失函数描述如下：
26、
27、其中表示第i条车道线第j个锚点行中车道线所在锚点位置的期望；lshp认为是离散情况下车道线形状的近似二次导数；probi，j，k＝softmax(pi，j，k)表示第i条车道的第j个锚点行的第k个位置的概率值；这里的损失加权系数α，γ在训练的过程中均设置为1，同时将batchsize设置为64，共计训练100个epoch，得到最终的车道线检测模型。
28、所述步骤s2中，所述车道线检测网络模型结构：输入800*288、残差网络、分类网络、输出；利用分类网络来实现车道线检测，将图像划分成网格状，通过设计出来的分类网络来对每个格子进行判断是否在车道线上。
29、所述步骤s3中，当车道线检测算法检测出两条车道线的情况，所述判断车道偏离，根据国家《道路交通标志和标线》规定，在一般的高速公路和城市道路，设计道路应满足3.5米宽或3.75米宽度的要求；在进行车道偏离判断时，按照假设车道宽度为3.7米来计算；
30、另外，由于行车记录仪摄像头安装在前车窗上方正中间位置，因此拍摄到图像中，车辆的中心理论上与图像的中心位置重合或者接近重合，因此，以图像中心位置近似为车辆中心位置；
31、基于以上条件，可计算得到车辆相对于车道线正中心的偏离距离：
32、departance＝imgw/2-(x0，0+x0，1)/2
33、其中imgw/2表示车辆中心在图像中的横坐标位置，(x0，0+x0，1)/2表示车道线中心在图像中的横坐标位置，x0，0表示左车本文档来自技高网...
【技术保护点】
1.一种基于单目视觉车道偏离预警方法，其特征在于，所述方法包括以下步骤:
2.根据权利要求1所述的一种基于单目视觉车道偏离预警方法，其特征在于，所述步骤S2中，
3.根据权利要求2所述的一种基于单目视觉车道偏离预警方法，其特征在于，所述步骤S2还包括：
4.根据权利要求1所述的一种基于单目视觉车道偏离预警方法，其特征在于，所述步骤S2中，所述车道线检测网络模型结构：输入800*288、残差网络、分类网络、输出；利用分类网络来实现车道线检测，将图像划分成网格状，通过设计出来的分类网络来对每个格子进行判断是否在车道线上。
5.根据权利要求1所述的一种基于单目视觉车道偏离预警方法，其特征在于，所述步骤S3中，当车道线检测算法检测出两条车道线的情况：
6.根据权利要求5所述的一种基于单目视觉车道偏离预警方法，其特征在于，所述步骤S3中，当车道线检测网络只检测出一条车道线的情况下，也需要计算出车辆的偏离情况：
【技术特征摘要】
1.一种基于单目视觉车道偏离预警方法，其特征在于，所述方法包括以下步骤:
2.根据权利要求1所述的一种基于单目视觉车道偏离预警方法，其特征在于，所述步骤s2中，
3.根据权利要求2所述的一种基于单目视觉车道偏离预警方法，其特征在于，所述步骤s2还包括：
4.根据权利要求1所述的一种基于单目视觉车道偏离预警方法，其特征在于，所述步骤s2中，所述车道线检测网络模型结构：输入800*288、残差网络、分...
【专利技术属性】
技术研发人员：白明明，
申请(专利权)人：北京君正集成电路股份有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。