[发明专利]一种车道线形点串提取方法和装置

说明书

本发明实施例提供一种车道线形点串提取方法和装置，在训练阶段采用了原始图像训练数据、实例训练数据和二值化训练数据，首先通过编码器加载这些训练数据，然后通的译码器的上采样功能分割出车道线信息，并利用dbsan聚类算法实现车道线的实例分割，在推理阶段，嵌入分支译码器输出的数据为实例数据，分割分支译码器输出的数据为二值化数据，将实例数据和二值化数据相融合，然后利用dbsan聚类算法，可实现对图片中不同的车道线进行实例分割。最后将车道线的形状用形点串来表示，这些形点串基本能代表车道线的形状信息。

技术领域

本发明实施例涉及汽车无人驾驶道路标志提取技术领域，更具体地，涉及一种车道线形点串提取方法和装置。

背景技术

高质量的无人驾驶汽车研究工作起步较晚，21世纪初才开始有相关的研究，随着软硬件及相关技术的发展，越来越多的机构和企业开始研究无人驾驶及其相关技术。

在自动驾驶领域，车道线检测一直是关注的重点，主流检测方法分为传统的车道线检测方法和基于深度学习的检测方法，由于传统的车道线检测方法在恶劣环境，图像不清晰等条件下鲁棒性较差。而基于计算机视觉的深度学习技术的更新呈爆发状态。

基于传统方法的车道线检测：李亚娣等人为了解决在夜晚车道线图像比较昏暗，不清晰，而导致车道线检测失效，采用otsu和canny算子相结合的方法，选择图像下半固定区域对车道线进行提取，实现了在夜间对车道线的检测。而鱼兆伟等人认为这种方法，并不适应于路况不好即路面颠簸的情况，提出了一种新的车道线检测方法，该方法基于动态感兴趣区域(roi)算法，可解决路况颠簸的情况。而王鑫等人则采用了双重roi和变间距扫描的方法，可完成对左右车道线区域的快速检测。为了突出车道线检测的实时性，李亭亭等人融合卡尔曼滤波和RANSAC算法可对车道线实时检测与跟踪，但当车道线被污染或部分缺损时，该算法便存在失效的问题。周涛等人利用单目摄像机，实现了车道线的检测与跟踪，但没有实现对车道线的类别进行区分。

上述方法在对车道线特征提取时，很难满足各种实际路况和环境状态，车道线检测的鲁棒性和泛化能力不足。

发明内容

本发明实施例提供一种克服上述问题或者至少部分地解决上述问题的一种车道线形点串提取方法和装置。

第一方面，本发明实施例提供一种车道线形点串提取方法，包括：

获取道路原始图像，提取所述道路原始图像中的二值化分割信息和实例信息；所述二值化分割信息中包括背景信息和车道线信息，所述实例信息包括车道线分类信息；

将所述二值化分割信息和所述实例信息融合后进行聚类，得到实例化目标数据，获取所述实例化目标数据的二值化数据，并获取所述二值化数据的最优连通域的周长，对所述周长进行多边形拟合处理，得到车道线形点串。

作为优选的，提取所述道路原始图像中的二值化分割信息和实例信息前，还包括：

获取原始图像训练数据、实例训练数据和二值化训练数据，并基于编码器进行训练，得到用于提取所述道路原始图像中的二值化分割信息和实例信息的编码器。

作为优选的，获取原始图像训练数据、实例训练数据和二值化训练数据，具体包括：

获取已标注车道线的原始图片，对所述原始图片进行增广，并调整原始图片大小，得到用于训练的原始图像训练数据、实例训练数据和二值化训练数据。

作为优选的，所述编码器包括resnet编码器和pspnet编码器；

所述resnet编码器包括50层的网络层，训练参数为batch_size＝4，decay_rate＝0.1，epoch＝80000，训练的类别为2，验证集的参数为：batch_size＝4；

所述pspnet编码器包括至少4种不同尺度的池化核。