[发明专利]车道线检测方法及计算机可读存储介质

说明书

本发明公开了一种车道线检测方法及计算机可读存储介质，方法包括：通过神经网络模型对图片进行识别，得到候选检测区域；根据所述候选检测区域的左对角线或右对角线，得到车道线段；对满足预设的合并条件的车道线段进行合并，得到合并线段；对所述合并线段进行聚类，得到m个分类，所述m为预设的推荐车道线数；分别根据所述m个分类中各合并线段的端点，拟合得到m条推荐车道线。本发明可实现对存在目标占比小、破损程度高、遮挡严重等问题的车道线的检测。

技术领域

本发明涉及图像处理技术领域，尤其涉及一种车道线检测方法及计算机可读存储介质。

背景技术

目前对于车道线的检测，主要针对道路行驶中的车道线，用于安全预警、自动驾驶等目的。在这些方案中，车道线在图像中目标较大且相对完整。

但对于一些特定场景中，例如在物流园场景中，由于监控摄像头一般设置在高处且景深很远，且园区中往往存在较多的车辆，因此存在车道线目标占比小、破损程度高以及遮挡严重等问题，加大了车道线检测的难度。

在公开号为CN111144330A的中国专利中，公开了一种基于深度学习的车道线检测方法，包括：将带车道线标签的正视图图像作为训练集输入至初始车道线检测网络中，提取多个正视图特征信息；将每个正视图特征信息分别与对每个正视图特征信息进行射影变换后得到的俯视图特征信息进行合并，得到融合特征信息；根据融合特征信息获取正视图图像的车道线预测信息，利用损失函数计算车道线预测信息与车道线标签的误差；采用反向传播算法优化网络参数直至误差达到期望值，得到目标车道线检测神经网络；将待检测正视图图像输入至目标车道线检测神经网络，输出车道线信息。但在类似物流园的复杂场景中，若完全依靠深度学习的目标检测，鉴于车道线的破损重、遮挡多的问题，目标的特征各异，网络学习目标的难度很高。另外，物流园中的车道线不仅目标小，且其水平与垂直的跨度很大，标注时矩形区域将包含大量非车道线信息，增大了有效特征的提取难度。

在公开号为CN109034047B的中国专利中，公开了一种车道线检测方法及装置。该方法包括：在待检测图像中确定感兴趣区域；在感兴趣区域中图区各车道线像素特征；将相似的所述车道线像素特征进行合并处理，生成与合并的所述车道线像素特征对应的超像素；对各所述超像素进行聚类拟合处理，获得目标车道线。但该方案中，对于超像素特征点搜索，在车道线存在大量破损的情况下，会出现无法找到相似特征的情况，从而导致漏检情况的发生。

发明内容

本发明所要解决的技术问题是：提供一种车道线检测方法及计算机可读存储介质，可实现对存在目标占比小、破损程度高、遮挡严重等问题的车道线的检测。

为了解决上述技术问题，本发明采用的技术方案为：一种车道线检测方法，包括：

通过神经网络模型对图片进行识别，得到候选检测区域；

根据所述候选检测区域的左对角线或右对角线，得到车道线段；

对满足预设的合并条件的车道线段进行合并，得到合并线段；

对所述合并线段进行聚类，得到m个分类，所述m为预设的推荐车道线数；

分别根据所述m个分类中各合并线段的端点，拟合得到m条推荐车道线。

本发明还提出一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现如上所述的方法的步骤。