[发明专利]一种基于无人机高分辨率影像的车道线提取方法

说明书

本发明公开了一种基于无人机高分辨率影像的车道线提取方法，包括以下步骤：S1、构建并训练U‑Net网络模型；S2、使用训练好的U‑Net网络模型对无人机航拍影像进行分割获得ROI掩膜；S3、提取无人机航拍影像的梯度特征和颜色特征，得到提取图像，并使用ROI掩膜过滤掉提取图像的背景噪声；S4、使用Otsu算法对过滤掉背景噪声后的提取图像进行阈值分割，然后提取车道线特征，得到二值化的特征图像；S5、使用图像滤波算法对特征图像进行质量增强；S6、使用特征直方图确定特征图像中的车道线数量和车道线在特征图像中的初始位置；S7、使用滑动窗口算法对车道线进行定位检测并通过多项式拟合提取出特征图像中的各条车道线。

技术领域

本发明涉及图像处理领域，尤其涉及一种基于无人机高分辨率影像的车道线提取方法。

背景技术

随着自动驾驶的兴起，以及其他基于位置的新型服务和行业被提出，使得地图的服务对象不再仅仅是人类，而是慢慢向机器过渡，这对地图的精度、内容结构和计算模式等都提出了新的要求。而传统的导航地图模型一般只描绘了道路的位置和形态，并不反映道路的细节信息。为了满足这些新的需求，高精度导航地图和全息位置地图的概念由此产生。在以上地图模型中，车道线都是道路数据模型的基础数据和重要组成部分。

传统的车道线检测系统主要应用于车辆智能驾驶领域，多是基于车载的单/ 多目摄像机等传感器来获取车道线信息，并进行车道线的提取和检测。目前绝大部份的车道线视觉检测算法都是基于地面影像数据的，这些算法对于单帧影像数据往往表现出较好的适应性，但是将这些算法应用到大范围制图时往往会存在效率和精度问题。无人机的应用给大范围车道线检测方法带来了新的视角，首先无人机能够获取厘米级空间分辨率的道路表面结构信息，可以高效且清晰地获取路面的标线信息，足以满足车道线的提取需求。但是相对于地面车载视觉传感器，无人机高分辨率遥感影像尺度更大，视角也不一致，更大的成像范围带来高效的同时也意味着更多的噪声，并且检测目标在图像上也往往表现的很小。若直接基于无人机遥感影像进行提取，存在样本不均衡以及背景噪声过多等问题，此外深度学习中的多次卷积操作，往往会造成细节的丢失，这使得车道线信息很容易丢失，因此目前少有研究使用高分辨率遥感影像进行车道线的提取。

发明内容

本发明目的是针对上述问题，提供一种提高大范围制图效率以及制图精度的基于无人机高分辨率影像的车道线提取方法

为了实现上述目的，本发明的技术方案是：

一种基于无人机高分辨率影像的车道线提取方法，包括以下步骤：

S1、构建并训练U-Net网络模型；

S2、使用训练好的U-Net网络模型对无人机航拍影像进行分割获得ROI掩膜；

S3、提取无人机航拍影像的梯度特征和颜色特征，得到提取图像，并使用 ROI掩膜过滤掉提取图像的背景噪声；

S4、使用Otsu算法对过滤掉背景噪声后的提取图像进行阈值分割，然后提取车道线特征，得到二值化的特征图像；

S5、使用图像滤波算法对特征图像进行质量增强；

S6、使用特征直方图确定特征图像中的车道线数量和车道线在特征图像中的初始位置；

S7、使用滑动窗口算法对车道线进行定位检测并通过多项式拟合提取出特征图像中的各条车道线。

进一步的，所述步骤S1中使用二元交叉熵损失函数进行U-Net网络模型训练；二元交叉熵损失函数定义如下：

其中：X，Y分别表示预测图像和真实标签；W和H分别为预测图像的宽和高；x_ij和y_ij分别表示预测图像和真实标签在(i，j)处的像素值。