[发明专利]一种基于长距离信息融合的车道线检测方法及系统

说明书

本发明公开了一种基于长距离信息融合的车道线检测方法和系统，所述方法包括：对待检测图片进行预处理；将预处理后的图像输入预先训练好的车道检测模型，得到车道线与背景分割的检测图像，其中，白色表示车道线，黑色表示背景；车道线检测模型包括：特征降维模块、长距离特征关联模块、全局信息融合模块、特征重建模块和补丁判别模块；特征降维模块，用于对预处理后的待检测图像进行降维并提取低层图像特征；长距离特征关联模块，用于针对车道线的特殊性，增强车道线远距离特征点间的关联性；全局信息融合模块，用于计算全局关联性，进行图像全局的信息融合；特征重建模块，用于得到重建图像；所述补丁判别模块，用于判别重建图像的置信度。

技术领域

本发明涉及机器视觉及深度学习技术领域，特别涉及一种基于长距离信息融合的车道线检测方法及系统。

背景技术

自动驾驶，是人们一直在追求的技术方向。在实现上有很多难点，其中最重要的便是环境感知问题。车道线检测作为车辆视觉环境感知的重要组成部分，是实现自动驾驶技术的一个关键步骤。

多年来，人们尝试基于激光雷达、摄像头等多种不同类型的传感器设备来探索车道线准确高效的车道线检测方法。其中，雷达设备的高成本限制了它的实际应用价值。由于摄像头的低成本，获取图像的信息丰富性及图像处理技术的发展，基于视觉的车道线检测方法获得了更广泛的研究。

经过近十年的发展，基于视觉的车道线检测方法流程已基本统一。我们可将其分为以下几个过程：图像获取与预处理、感兴趣区域剪切、特征提取、特征融合和车道线拟合。这些方法通常依赖人工决定选择特征的类型，选取的特征属性依赖于预处理场景。因此，该类方法自带场景局限性。这种局限性也限制了这些方法的实际应用。如何使得检测方法能够自适应选择图像特征，便是基于视觉的车道线检测方法走向实际应用的关键步骤。随着大数据技术的发展，从大规模数据中提取感兴趣特征的方法得到了广泛研究。其中，针对大规模图像特征提取，最为有效的方法为卷积神经网络。

卷积神经网络的提出在很大程度上促进了计算机视觉的发展，包括图像分类、语义分割、目标检测等领域。卷积神经网络由多层感知机发展而来，其核心思想是模拟人类大脑对视觉的学习机制，通过堆叠的层级结构，构造深层神经网路模型。通过这种思想及学习机制的设计，卷积神经网络可以在训练的过程中自适应的提取目标特征。这种自适应提取目标特征的方法相比于人工启发式选取的方法有了很大的进步。

基于视觉的车道线检测方法作为一种图像处理的应用任务，依赖于图像处理技术的发展获得了很大的进步。基于视觉的车道线检测方法的特征提取过程已逐渐由卷积神经网络所取代。现有的多种基于卷积神经网络模型的车道线检测方法相比于人工选取特征的方法准确率已有了很大的提升。然而，如何设计出更具有任务针对性的网络结构及策略，依旧是需要深入研究的问题。

发明内容

本发明的目的在于克服现有车道线检测方法存在的技术缺陷，提出了一种基于长距离信息融合的车道线检测方法及系统。

为了实现上述目的，本发明提出了一种基于长距离信息融合的车道线检测方法，所述方法包括：

对待检测的图片进行预处理；

将预处理得到的图像输入预先训练好的车道检测模型，得到车道线与背景分割的检测图像，其中，白色表示车道线，黑色表示背景；

所述车道线检测模型包括：特征降维模块、长距离特征关联模块、全局信息融合模块、特征重建模块和补丁判别模块；其中，

所述特征降维模块，用于对输入的预处理后的待检测图像进行降维并提取低层图像特征；

所述长距离特征关联模块，用于对低层图像特征进行扩展，针对车道线的特殊性，增强车道线远距离特征点间的关联性；

所述全局信息融合模块，用于计算深层车道线特征与非车道线特征间的全局关联性，进行图像全局的信息融合；