[发明专利]用分割得分图和聚类图检测车道线的后处理方法以及装置

说明书

本发明提供一种用分割得分图和聚类图检测车道线的后处理方法以及装置，所述包括以下步骤：计算装置获取由卷积神经网络生成的所述分割得分图和所述聚类图；使后处理模块参考所述分割得分图来检测包含形成所述车道线的像素的车道线元素，参考所述车道线元素、所述分割得分图和所述聚类图来生成种子信息；使所述后处理模块参考所述种子信息生成基本模型，并参考该基本模型生成车道线锚点；使所述后处理模块参考所述车道线锚点生成车道线连通域(blob)；以及使所述后处理模块参考所述车道线连通域检测车道线候选组，通过对所述车道线候选组应用线性拟合运算来生成车道线模型，以检测所述车道线。

技术领域

本发明涉及用于自动驾驶汽车的后处理方法以及装置，更具体地，本发明涉及为了规划自动驾驶汽车的行驶路线而检测车道线的后处理方法以及装置。

背景技术

深度卷积神经网络(Deep Convolution Neural Networks；DeepCNN)是深度学习的惊人发展的核心。CNN已经在90年代用于解决文字识别问题，但是由于最近的研究，如今已被广泛使用。深度卷积神经网络在2012年ImageNet图像分类竞赛中击败了其他竞争对手并赢得了冠军。从那时起，卷积神经网络已成为机器学习(Machine Learning)领域中非常有用的工具。

后处理(post-processing)是指对深度CNN输出的结果进行预定的调整以便获得用户所需结果的操作。

近年来，后处理已被广泛用于深度CNN。CNN在自动驾驶模块中扮演多个角色，其中之一是在输入图像中检测车道线。通过检测车道线，可以检测车辆进出的可用空间，或者调整车辆以使其能够在车道中央正常行驶。

但是，仅使用来自深度CNN的结果，车道线检测效果通常较差。因此，通过对从深度CNN得出的结果进行后处理来检测车道线，但是如果仅使用在深度CNN中生成的分割得分图(segmentation score map)，则后处理的性能并不好。

发明内容

本发明所要解决的课题

本发明的目的在于解决上述问题。

本发明的目的在于，解决上述的问题。

本发明的目的在于，通过将聚类图与分割得分图一起使用，以便更顺畅地执行用于车道线检测的后处理。

另外，本发明的目的在于，使用参考分割得分图和聚类图导出的车道线元素、车道线锚点(anchor)和车道线连通域(lane blob)等来执行最优化的车道线检测。

用于解决课题的手段

用于实现如上所述的本发明的目的并实现后述的本发明的特征效果的本发明的特征结构如下。

根据本发明的一个方式，提供一种使用分割得分图和聚类图来检测一个或多个车道线的后处理方法，其特征在于，包括以下步骤：(a)若卷积神经网络使用输入图像生成所述分割得分图和所述聚类图，则计算装置获取所述分割得分图和所述聚类图；(b)所述计算装置使在所述卷积神经网络的后端执行数据处理的后处理模块(i)参考所述分割得分图来检测车道线元素，所述车道线元素是所述输入图像上的包含形成所述车道线的像素的单位区域，(ii)参考所述车道线元素、所述分割得分图和所述聚类图来生成种子信息；(c)所述计算装置使所述后处理模块参考所述种子信息生成与各所述车道线对应的一个或多个基本模型，并参考所述基本模型生成一个或多个车道线锚点；(d)所述计算装置使所述后处理模块参考所述车道线锚点生成一个或多个车道线连通域，所述车道线连通域包括所述车道线元素的至少一个集合；以及(e)所述计算装置使所述后处理模块(i)参考所述车道线连通域检测所述输入图像中的一个或多个车道线候选组，(ii)对所述车道线候选组应用至少一次线性拟合运算来生成至少一个车道线模型，以检测所述车道线。