System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind() 车道线检测方法和设备技术_技高网

车道线检测方法和设备技术

技术编号:43708381 阅读:14 留言:0更新日期:2024-12-18 21:20
本申请涉及一种车道线检测方法,所述方法包括:接收外部输入的图片;利用深度学习网络来逐像素预测所述图片的特征图,其中所述特征图包括反映当前像素点到关键点的角度信息的第一特征图;以及对所述特征图进行解码,从而获取所述图片中的车道线的位置信息。本申请还涉及一种车道线检测设备、计算机存储介质、计算机程序产品以及用于自动驾驶的摄像头。

【技术实现步骤摘要】

本申请涉及车道线检测领域,更具体地,涉及一种车道线检测方法和设备、计算机存储介质、计算机程序产品以及用于自动驾驶的摄像头。


技术介绍

1、在自动驾驶系统(ads)中,车道检测起着重要作用。一方面,车道上的本车和其他交通参与者的位置构成了自动驾驶决策的基础。另一方面,车道标记的几何形状可以被视为环境的重要地标,并与高分辨率或矢量图对齐以进行高精度定位。同时,车道检测(或车道线检测)在高级驾驶辅助系统(adas)中得到广泛应用,是车道保持辅助(lka)和自适应巡航控制(acc)等一些常用功能的基础。

2、车道(线)检测一般利用复杂的模型、大的感受野来建立全局结构信息以便解决“无视觉线索”问题。但是,大模型、大数据将不可避免地带来成本高、计算代价大、延迟高等问题。

3、已有相关文献提出将车道线检测抽象为离散关键点检测以及关联问题从而避免使用复杂的模型,例如fololane车道线检测方案。但该基于关键点的车道线检测方案在弯道处容易产生偏差而发生“车道线合并”等问题。


技术实现思路

1、根据本申请的一个方面,提供了一种车道线检测方法,所述方法包括:接收外部输入的图片;利用深度学习网络来逐像素预测所述图片的特征图,其中所述特征图包括反映当前像素点到关键点的角度信息的第一特征图;以及对所述特征图进行解码,从而获取所述图片中的车道线的位置信息。

2、作为上述方案的补充或替换,在上述方法中,所述深度学习网络采用unet架构,并且所述深度学习网络的输出尺寸为所述外部输入的图片的尺寸的1/4。

3、作为上述方案的补充或替换,在上述方法中,所述特征图还包括:利用高斯核来针对每一个关键点执行高斯分布所生成的热图、反映由于下采样所造成的误差的第二特征图、反映所述当前像素点到上一行交点关键点在水平上的坐标偏差的第三特征图、反映所述当前像素点到下一行交点关键点在水平上的坐标偏差的第四特征图、反映所述当前像素点到当前交点关键点在水平上的坐标偏差的第五特征图以及反映车道线类别的第六特征图。

4、作为上述方案的补充或替换,在上述方法中,针对每一个关键点执行高斯分布的高斯半径被设置为由近及远逐渐减小。

5、作为上述方案的补充或替换,在上述方法中,所述高斯半径还被设置为基于车道线之间的距离进行调整,其中在所述车道线之间的距离的一半小于预先设置的高斯半径时,将该高斯半径调整为所述车道线之间的距离的一半。

6、作为上述方案的补充或替换,在上述方法中,对所述特征图进行解码包括:(步骤a)在所述热图中,寻找每一行中的峰值点pi作为关键点,并以底部行的关键点作为起点;(步骤b)利用所述第二特征图和所述第五特征图对所述起点进行修正,并作为当前关键点;(步骤c)从所述当前关键点开始,基于所述第一特征图和所述第三特征图探索上一行的对应像素点;(步骤d)在所述对应像素点在所述热图中的值大于第一阈值时,将所述对应像素点与所述当前关键点连接,并确定所述对应像素点为更新的当前关键点;以及(步骤e)重复执行上述步骤c和步骤d,直至遍历完所有行或者所述对应像素点在所述热图中的值小于等于所述第一阈值。

7、作为上述方案的补充或替换,在上述方法中,对所述特征图进行解码还包括:(步骤f)计算所述对应像素点与同一行的峰值点pi+1在水平上的距离d;(步骤g)在所述距离d大于第二阈值时,将所述同一行的峰值点pi+1作为新车道线的起点;以及(步骤h)重复执行上述步骤b至步骤g,直至遍历完所有行或者所述对应像素点在所述热图中的值小于等于所述第一阈值。

8、作为上述方案的补充或替换,在上述方法中,对所述特征图进行解码还包括:(步骤i)从所述当前关键点开始,基于所述第一特征图和所述第四特征图探索下一行的对应像素点;以及(步骤j)重复执行上述步骤d至步骤i,直至遍历完所有行或者所述对应像素点在所述热图中的值小于等于所述第一阈值。

9、作为上述方案的补充或替换,上述方法还包括:对所述第六特征图进行解码,从而获取所述图片中的车道线的类型。

10、作为上述方案的补充或替换,在上述方法中,所述深度学习网络通过以下步骤进行训练:确定训练样本;基于所述训练样本,准备车道线标号矩阵,其中在所述车道线标号矩阵中的每一行,对于每一条车道仅有一个像素被标记为关键点;基于所述车道线标号矩阵,生成特征图真值;以及将所述特征图真值输入到所述深度学习网络进行深度学习。

11、根据本申请的另一个方面,提供了一种车道线检测设备,所述设备包括:接收装置,用于接收外部输入的图片;预测装置,用于利用深度学习网络来逐像素预测所述图片的特征图,其中所述特征图包括反映当前像素点到关键点的角度信息的第一特征图;以及解码装置,用于对所述特征图进行解码,从而获取所述图片中的车道线的位置信息。

12、作为上述方案的补充或替换,在上述设备中,所述深度学习网络采用unet架构,并且所述深度学习网络的输出尺寸为所述外部输入的图片的尺寸的1/4。

13、根据本申请的又一个方面,提供了一种计算机存储介质,所述介质包括指令,所述指令在运行时执行如前所述的方法。

14、根据本申请的又一个方面,提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现如前所述的方法。

15、根据本申请的又一个方面,提供了一种用于自动驾驶的摄像头,所述摄像头包括如前所述的车道线检测设备。

16、本申请的实施例的车道线检测方案利用深度学习网络来逐像素预测外部输入的图片的特征图,其中所述特征图包括反映当前像素点到关键点的角度信息的第一特征图,随后对所述特征图进行解码,从而获取所述图片中的车道线的位置信息。上述车道线检测方案由于对反映当前像素点到关键点(例如,上一行交点关键点或下一行交点关键点)的角度信息进行了预测,因而即使在弯道场景下,最终估计出来的局部曲线也非常精确。

本文档来自技高网...

【技术保护点】

1.一种车道线检测方法,其特征在于,所述方法包括:

2.如权利要求1所述的方法,其中,所述深度学习网络采用Unet架构,并且所述深度学习网络的输出尺寸为所述外部输入的图片的尺寸的1/4。

3.如权利要求1或2所述的方法,其中,所述特征图还包括:利用高斯核来针对每一个关键点执行高斯分布所生成的热图、反映由于下采样所造成的误差的第二特征图、反映所述当前像素点到上一行交点关键点在水平上的坐标偏差的第三特征图、反映所述当前像素点到下一行交点关键点在水平上的坐标偏差的第四特征图、反映所述当前像素点到当前交点关键点在水平上的坐标偏差的第五特征图以及反映车道线类别的第六特征图。

4.如权利要求3所述的方法,其中,针对每一个关键点执行高斯分布的高斯半径被设置为由近及远逐渐减小。

5.如权利要求4所述的方法,其中,所述高斯半径还被设置为基于车道线之间的距离进行调整,其中在所述车道线之间的距离的一半小于预先设置的高斯半径时,将该高斯半径调整为所述车道线之间的距离的一半。

6.如权利要求3所述的方法,其中,对所述特征图进行解码包括:

<p>7.如权利要求6所述的方法,其中,对所述特征图进行解码还包括:

8.如权利要求7所述的方法,其中,对所述特征图进行解码还包括:

9.如权利要求3所述的方法,还包括:对所述第六特征图进行解码,从而获取所述图片中的车道线的类型。

10.如权利要求1所述的方法,其中,所述深度学习网络通过以下步骤进行训练:

11.一种车道线检测设备,其特征在于,所述设备包括:

12.如权利要求11所述的设备,其中,所述深度学习网络采用Unet架构,并且所述深度学习网络的输出尺寸为所述外部输入的图片的尺寸的1/4。

13.一种计算机存储介质,其特征在于,所述介质包括指令,所述指令在运行时执行如权利要求1至10中任一项所述的方法。

14.一种计算机程序产品,包括计算机程序,其特征在于,该计算机程序被处理器执行时实现如权利要求1至10中任一项所述的方法。

15.一种用于自动驾驶的摄像头,其特征在于,所述摄像头包括如权利要求11或12所述的车道线检测设备。

...

【技术特征摘要】

1.一种车道线检测方法,其特征在于,所述方法包括:

2.如权利要求1所述的方法,其中,所述深度学习网络采用unet架构,并且所述深度学习网络的输出尺寸为所述外部输入的图片的尺寸的1/4。

3.如权利要求1或2所述的方法,其中,所述特征图还包括:利用高斯核来针对每一个关键点执行高斯分布所生成的热图、反映由于下采样所造成的误差的第二特征图、反映所述当前像素点到上一行交点关键点在水平上的坐标偏差的第三特征图、反映所述当前像素点到下一行交点关键点在水平上的坐标偏差的第四特征图、反映所述当前像素点到当前交点关键点在水平上的坐标偏差的第五特征图以及反映车道线类别的第六特征图。

4.如权利要求3所述的方法,其中,针对每一个关键点执行高斯分布的高斯半径被设置为由近及远逐渐减小。

5.如权利要求4所述的方法,其中,所述高斯半径还被设置为基于车道线之间的距离进行调整,其中在所述车道线之间的距离的一半小于预先设置的高斯半径时,将该高斯半径调整为所述车道线之间的距离的一半。

6.如权利要求3所述的方法,其中,对所述特...

【专利技术属性】
技术研发人员:黄宇维张振昊杨盛伟韩涛
申请(专利权)人:罗伯特·博世有限公司
类型:发明
国别省市:

网友询问留言 已有0条评论
  • 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。

1