[发明专利]一种基于场景上下文的车道线类型判别方法

说明书

本发明公开了一种基于场景上下文的车道线类型判别方法，包括以下步骤:步骤一、识别当前帧的车道线类型，获取当前帧识别的各种车道线类型的置信度；步骤二、基于环境上下文建立概率加权模型，获取各种车道线类型的最终识别置信度。获取前后若干帧的视频流中出现与当前帧判断的车道线类型相同结果的次数占比，与当前帧结果的置信度加权平均，得到最终识别置信度。本发明提出一种基于环境上下文的车道线类型判别方法，不但使用当前帧的判断结果，而且使用前后若干帧的判断结果,极大提升了车道线类型判别的准确性；可以有效排除外部光照、遮挡、时间段等不利因素的干扰；对于自动驾驶这种可靠性要求极高的场景，有很强的适用性。

技术领域

本发明属于车道线识别技术领域，具体地说，涉及一种基于场景上下文的车道线类型判别方法。

背景技术

基于卷积神经网络的深度学习算法掀起了新一波的人工智能热潮，越来越多领域的问题可以用深度神经网络解决。以计算机视觉为代表的一些领域在神经网络的应用中取得了巨大的成功，不仅部分未被解决的功能得到满足，而且在算法性能上得到提升。

目前在智能交通领域大量使用基于深度神经网络的算法来感知周围环境，包括目标检测、场景分割、目标跟踪等。车道线检测算法是为了获取视频图像当中多条车道线所在的位置信息以及车道线的类别信息。其中，车道线的类别信息又包括颜色信息(白色、黄色等)以及类型信息(实线、虚线等)。实际应用中，人们往往直接把神经网络的输出结果当作对环境的感知信息，但这种方法通常是不可靠的。由于神经网络通常需要大量数据进行训练，神经网络的准确性很大程度上依赖于数据的数量和质量，而现实中获取这样的数据需要耗费很大的人力物力，所以有时神经网络产生的结果并不完全可靠。

在连续变化的场景中，对于同一条车道线，算法产生的结果应该也是连续的。为了避免连续数据中的异常值，人们可能设计较为复杂的模型来拟合现实场景，如采用基于长短时连接的迭代神经网络。该方法把连续的视频帧作为输入，可以学习到连续视频帧之间短期和长期之间的关系，从而影响当前视频帧算法的输出结果，可以避免一些数据奇异值的产生。但是该种方法不但模型复杂难以训练，而且对数据质量的依赖性很大，算法性能不佳，所以实际效果并不理想。

现有技术的主要缺点有三点：

第一、车道线检测算法结果的不可靠性。实际应用中，直接通过神经网络输出视频某一帧的车道线检测结果往往不正确。由于神经网络的特性，有时给出高置信度的情况下也可能给出错误结果。本发明提出的方法可以极大提升车道线检测类型的判断结果。

第二、车道线检测算法结果的封闭性。通常人们只使用当前图像信息来判断当前车道线检测的结果，如果当前帧判断错误，则会影响最终判断结果。例如，车道线实线在被部分遮挡的情况下极易判定为虚线，白色车道线在昏暗灯光照射的情况下极易判定为黄色车道线。本发明可以在一定程度上缓解这些外部不利条件对车道线的判断。

第三、过滤噪音数据的复杂性。人们为了过滤连续变化场景中的噪音数据，往往采用较为复杂的处理办法，如训练RNN模型、采用RANSAC算法等。这些方法不但复杂，还可能需要花大量人力去训练。本发明提出一种方法，可以较为简便的处理连续变化场景中的车道线异常数据。

发明内容

本发明要解决的技术问题在于克服现有技术的不足，提供一种基于场景上下文的车道线类型判别方法，在一定程度上解决了在实际应用场景当中，车道线类型识别算法因受遮挡、光照、时间段、环境等因素干扰，不能得出正确结果的问题。

为解决上述技术问题，本发明采用技术方案的基本构思是：一种基于场景上下文的车道线类型判别方法，包括以下步骤:

步骤一、识别当前帧的车道线类型，获取当前帧识别的各种车道线类型的置信度；

步骤二、基于环境上下文建立概率加权模型，获取各种车道线类型的最终识别置信度。