[发明专利]基于级联机制的车位线顶点定位方法、系统、终端及介质

说明书

本发明提供一种基于级联机制的车位线顶点定位方法、系统、终端及介质，包括以下步骤：输入语义分割二值图像；遍历语义分割二值图像上的像素点，找出位置处于图像边缘的像素点；使用至少一级圆形模板计算该像素点的特征描述子；使用计算出的至少一级特征描述子逐一过滤图像；聚类像素点，并将满足聚类条件的像素点归类于车位线顶点的候选点，结束流程。本发明采用两级特征描述子联合构成的高维度的特征描述子比传统的SIFT/SURF等特征描述子都更具描述性，且分级计算的优势使得绝大部分点只计算了第一级特征描述子的特征，计算量显著减少。

技术领域

本发明涉及车载电子技术领域，特别是涉及一种基于级联机制的车位线顶点定位方法、系统、终端及介质。

背景技术

ADAS即先进驾驶辅助系统又称主动安全系统，主要包括车身电子稳定系统ESC、自适应巡航系统ACC、车道偏移报警系统LDW、车道保持系统LKA、前向碰撞预警系统FCW、开门预警DOW、自动紧急刹车系统AEB、交通标志识别TSR、盲点探测BSD、夜视系统NV、自动泊车系统APS等。

ADAS主动安全系统不仅要识别静态的物体，也要识别动态的物体。目前深度卷积神经网络在图像识别任务上已经取得了极大的成功。但是依然存在以下问题：

依靠几个已知特征在海量的图像中遍历已知特征的图像的计算量是非常大的，而且在相同处理能力的硬件中，从海量的图像中遍历已知特征图像的计算周期长。所以，缩短提取特征的遍历时间是目前亟待解决的问题。

发明内容

为了解决上述的以及其他潜在的技术问题，本发明提供了一种基于级联机制的车位线顶点定位方法、系统、终端及介质，第一，用两级车位线顶点候选点过滤机制，因为第一级的初步过滤可以将95％以上的非车位线顶点过滤出去，且首先使用的第一级特征描述子是用小模板过滤的，虽然精度不高但计算复杂度低，相比大模板节省大量的计算开销。第二，第二级车位线顶点过滤是为了在第一级过滤的结果基础上，进一步增加对车位线顶点的精确定位，使用了大模板来计算车位线顶点的第二级特征描述子。采用两级特征描述子联合构成的特征描述子这种高维度的特征描述子比传统的SIFT/SURF等特征描述子都更具描述性，且分级计算的优势使得绝大部分点只计算了第一级特征描述子的特征，计算量显著减少。

一种基于级联机制的车位线顶点定位方法，包括以下步骤：

S01：输入语义分割二值图像；

S02：遍历语义分割二值图像上的像素点，找出位置处于图像边缘的像素点；

S03：使用至少一级圆形模板计算该像素点的特征描述子；

S04：使用计算出的至少一级特征描述子逐一过滤图像；

S05：聚类像素点，并将满足聚类条件的像素点归类于车位线顶点的候选点，结束流程。

进一步地，所述特征描述子包括第一级特征描述子和第二级特征描述子，先由第一级特征描述子过滤图像，得出的结果再由第二级特征描述子过滤图像。

进一步地，所述第一级特征描述子和第二级特征描述子均包括特征向量的模长约束条件和角度约束条件。

进一步地，所述第一级特征描述子和第二级特征描述子还包括位置约束条件。

进一步地，所述第一级特征描述子模长约束的具体步骤：所述第一级特征描述子模长约束条件的具体步骤：

S031：设置像素点矩阵排列的小模板，用小模板遍历二值图像；

S032：将小模板以其中心点为圆心分为n维，将小模板内的像素点分配至n个维度下，计算出每个维度下像素点的个数，给每一个维度以其像素点的个数值为上限设置一个维度像素点阈值，若白色像素点个数大于该维度像素点阈值时，则保留该向量，若小于维度像素点阈值时，则过滤该向量；