[发明专利]神经网络模型训练方法、系统及车道线识别方法、系统

说明书

本申请公开了神经网络模型训练方法、系统及车道线识别方法、系统。该神经网络模型训练方法，包括：将基于单目视觉的车道线图像样本中的车道线逻辑化，得到车道线训练集；所述车道线训练集为实线；根据所述车道线图像样本以及所述车道线训练集训练神经网络模型。本申请提供的技术方案可以对神经网络模型进行训练，使得其根据训练集学习到车道线的特征而进行提取，可以适用于处理多种形状、路况的车道线；无需滤波，从而使得处理结果能够快速准确地响应；此外，能够实现将虚车道线处理的效果与实车道线处理的效果相同。本申请的技术方案还可以实现根据得到的车道线结构化数据或车道线曲线参数进行自动驾驶。

技术领域

本申请涉及神经网络领域，尤其涉及神经网络模型训练方法、系统及车道线识别方法、系统。

背景技术

车道线识别对于自动驾驶而言非常重要，因为车道线是自动驾驶的重要参考指标。为了在车辆前进过程中识别车道线，现有技术中一般采用车载摄像头采集包含车道线的图像，然后提取出图像中的边缘信息，并利用车道线的特征，例如平行、直线、交于灭点等特征，提取出车道线的像素点。对车道线像素点进行去抖动和平滑，然后利用卡尔曼滤波器之类的滤波器对处理后的车道线进行滤波，得到车道线。直线的灭点是过摄影中心且平行于该直线的直线与像平面的交点。

车道线是由公路管理部门在道路上施划，一般是由管理部门预先设定，何种类型的车道线应当是何种形状，例如车道线是平行线，分为实线和虚线，还有双实线和双虚线，单实线和单虚线等。由于道路情况复杂多变，在真实路况中所遇到的车道线与理论上设置的车道线不一致的时候，车道线处理程序可能无法应对。

现有技术中使用滤波器对车道线进行滤波处理，会带来处理延时，即无法给出实时的处理结果，在突然变道的时候，车道线识别结果需要一定的延迟时间才能给出，存在安全隐患。

此外，车道线中的虚线在通过现有技术处理之后，会变成一段段很短的像素点，在噪声较大的情况下，车道线可能会被当做噪声被滤除，因此会发生在车辆行驶过程中，无法识别出车道线的情况，也不利于车辆在自动驾驶模式线沿着预定车道前进。

发明内容

有鉴于此，本申请提供神经网络模型训练方法、系统及车道线识别方法、系统，以提供全部逻辑化的车道线，并用来进行自动驾驶。

本申请提供了一种神经网络模型训练方法，用于车道线的识别，包括：

将基于单目视觉的车道线图像样本中的车道线逻辑化，得到车道线训练集；所述车道线训练集为实线；

根据所述车道线图像样本以及所述车道线训练集训练神经网络模型。

本申请提供了一种车道线识别方法，该方法包括：

将基于单目视觉的车道线图像输入神经网络模型；

所述神经网络模型输出车道线像素点；

对所述车道线像素点进行逆透视变换；

对逆透视变换后的车道线像素点进行聚类；

将聚类后的车道线像素点进行采样得到车道线采样点，实现对车道线的识别；

其中，所述神经网络模型为根据权利要求1所述的训练方法训练得到的神经网络模型。

可选地，该方法还包括：

根据基于单目视觉的标定带图像样本计算单应矩阵。

可选地，所述对所述车道像素点进行逆透视变换包括：

根据所述单应矩阵对所述神经网络模型输出的车道线像素点进行逆透视变换。

可选地，该方法还包括：

根据采样后的车道线像素点进行拟合得到拟合车道线的曲线参数。