[发明专利]一种端到端车道线检测方法及其系统

说明书

本发明涉及一种端到端车道线检测方法及其系统、计算机可读存储介质，所述方法包括如下步骤：获取车辆前方图像；利用第一卷积神经网络将所述车辆前方图像进行网格划分得到车道线特征图；其中，所述车道线特征图包括多个图像网格区域；利用第二卷积神经网络对所述车道线特征图进行处理得到多条车道线的位置点信息和置信度；其中，一个图像网格区域对应一条车道线的位置点信息和置信度；根据每一条车道线的置信度与置信度阈值的比较结果确定最终各车道线的位置点信息；根据所述各车道线位置点信息拟合车道线得到车道线几何信息。实施本发明，能够减少耗费计算资源，提高特殊道路场景下车道线检测性能，以及满足实时性要求。

技术领域

本发明涉及汽车自动驾驶技术领域，具体涉及一种端到端车道线检测方法及其系统。

背景技术

近年来，关于自动驾驶技术的研究已经变得越来越活跃。特别是基于视觉的环境感知技术，获得了学术界及工业界的广泛关注。然而，对自动驾驶车辆，如何充分地理解所有的周围的环境场景，仍然是一个巨大的挑战。在这些环境感知任务中，基于相机的车道线检测在交通场景识别中扮演着重要的角色。通过提供基础的道路信息，比如车道线结构和车辆相对车道线的位置，车道线检测功能可以保证自动驾驶车辆安全地在主车道上定位。

目前，车道线检测主要采用基于传统机器学习的方法以及基于深度学习的语义分割方法，其中，基于传统机器学习的方法由于低级特征的局限性，该方法对环境变化适应性较差、算法鲁棒性较低，诸如道路光照明暗变化、道路车道线出现磨损、以及检测角度的略微变化，都会导致车道线检测出现误识别、漏识别的情况。而基于深度学习的语义分割方法通常需要大型的神经网络，网络的参数量和算力较高，实时性难以保证，要求计算平台有充足的显存和计算资源；由于功耗较高，要求计算平台有良好的散热设计，因此存在成本高和实时性低的缺点。

发明内容

本发明的目的在于提出一种端到端车道线检测方法及其系统、计算机可读存储介质，以解决目前深度学习网络检测车道线因需耗费较大计算资源、实时性低以及基于传统机器学习检测车道线对环境变化适应性较差、算法鲁棒性较低的技术问题。

为了实现本发明目的，根据本发明第一方面，本发明实施例提供一种端到端车道线检测方法，包括如下步骤：

获取车辆前方图像；

利用第一卷积神经网络将所述车辆前方图像进行网格划分得到车道线特征图；其中，所述车道线特征图包括多个图像网格区域；

利用第二卷积神经网络对所述车道线特征图进行处理得到多条车道线的位置点信息和置信度；其中，一个图像网格区域对应一条车道线的位置点信息和置信度；

根据每一条车道线的置信度与置信度阈值的比较结果确定最终各车道线的位置点信息；

根据所述各车道线位置点信息拟合车道线得到车道线几何信息。

在一些实施例中，所述图像网格区域的尺寸满足图像网格区域中有且仅有一条车道线经过。

在一些实施例中，所述利用第二卷积神经网络对所述车道线特征图进行处理得到多条车道线的位置点信息和置信度包括：

判断图像网格区域中心点是否有车道线经过，若是，则预测经过图像网格区域中心点的车道线得到其位置点信息和置信度，若否，则预测离图像网格区域中心点最近的车道线得到其位置点信息和置信度。

在一些实施例中，所述根据每一条车道线的置信度与置信度阈值的比较结果确定最终各车道线的位置点信息包括：

筛选出基准车道线及其置信度，所述基准车道线为所述多条车道线中置信度最高的车道线；

筛选出若干待定车道线及其置信度，所述待定车道线为所述多条车道线中除所述基准车道线以外的置信度大于等于置信度阈值的车道线；