[发明专利]一种基于端到端实例分割的车道线检测方法及装置

说明书

本发明公开一种基于端到端实例分割的车道线检测方法及装置，该方法步骤包括：获取待检测图像，对图像中各像素进行实例特征编码，获取得到实例特征图；对获取的待检测图像进行语义分割，将车道线的像素从背景中提取出来；预测每一条车道线上的所需关键点，并从提取的实例特征图中对应关键点所在位置处提取出每条车道线的代表性特征，得到各条车道线的代表特征组合；将代表特征组合作为动态分类权重，并与提取的实例特征图进行全连接操作，得到每一个像素的实例分类结果，实现车道线检测。本发明具有实现方法简单、计算量小、检测效率高以及检测性能好、任务扩展性好等优点。

技术领域

本发明涉及车道线自动检测技术领域，尤其涉及一种基于端到端实例分割的车道线检测方法及装置。

背景技术

车道线检测是自动驾驶以及先进辅助驾驶系统中的重要环节，可以用于车道保持系统和车道偏离预警系统。为实现车道线检测，传统的计算机视觉算法常常是从边缘检测、线段提取、线段组织和后处理等方式入手，该类传统方法的优势在于计算量低，在高速公路等路况良好的情况下，性能稳定，但是难以处理复杂路况。

另一类实现车道线检测是基于深度卷积神经网络的车道线检测算法，该类算法最初仅是从语义分割的角度来解决问题，即将车道线与背景进行分离，而如果简单地将车道线检测看作是语义分割问题，并不能直接得到可用的结果，因为语义分割只是将车道线区域从背景中提取出来，但是车道线检测的目的是用于车辆在道路上进行车道保持和车道偏离预警，其检测结果将被作为重要的观测值输入到控制系统中，因此需要给出每一条车道线的解析表达式，并计算曲率，即实际的应用需求是要求算法能够单独地区分每一条车道线，因此最初基于深度卷积神经网络的车道线检测算法并无法区分不同的车道线实例，需要一系列的后处理操作。

对于基于深度卷积神经网络的车道线检测算法上述问题，目前有一种解决思路是将不同的车道线看作是不同的类，然后将不同车道线实例的区分看作是多分类问题，即认为单纯的语义分割并不能作为最终结果，需要进行后处理，将车道线的分割结果聚类成为不同的实例，基于此衍生出了目前三种主要的解决方法：

1、语义分割+聚类方法，即进行语义分割提取出车道线后，使用聚类算法聚类成为不同的实例，常见的聚类算法有DBSCAN(基于密度的聚类算法)、谱聚类等，但是该类方法需要进行聚类处理，会涉及到聚类方法选择和参数设置问题，不仅计算时间耗费比较大，同时对参数设置也较为敏感。

2、将不同条的车道线看作不同的类别，进行多类别语义分割方法，但是该类方法限定了车道线的条数，同时无法很好的处理换道时候的检测问题(换道会引起类别歧义)。

3、基于实例特征嵌入的车道线实例分割方法，典型的如Instance-embedding+cluster(欧式空间实例编码+均值漂移的聚类)算法等，该方法属于bottom-up的实例分割思路，如图1所示，通过对不同的像素进行实例编码，使得一类实例特征相近，不同实例特征相似度低，然后通过选取合适的聚类方法来进行实例聚类。但是该类方法是在欧式空间中实现的，所以为了约束特征的幅值，需要加入正则化方法，同时在已区分的特征基础上，还需要使用均值漂移的方式来对不同的实例进行聚类，这种聚类方式比较耗费时间，造成了相对较大的计算负担，尤其是在实例较多的情况下，会极大的增加计算量。

发明内容

本发明要解决的技术问题就在于：针对现有技术存在的技术问题，本发明提供一种实现方法简单、计算量小、检测效率高以及检测性能好、任务扩展性好的基于端到端实例分割的车道线检测方法及装置。

为解决上述技术问题，本发明提出的技术方案为：

一种基于端到端实例分割的车道线检测方法，步骤包括：

实例特征嵌入：获取待检测图像，利用余弦相似度的度量方式对获取的待检测图像中各像素进行实例特征编码，提取得到实例特征图；

车道线语义分割：对获取的待检测图像进行语义分割，将车道线的像素从背景中提取出来；