[发明专利]一种基于机器视觉的车道提取识别方法

权利要求书

1.一种基于机器视觉的车道提取识别方法，其特征在于，包括以下步骤：

S1、车辆检测，利用成熟的YOLOv5网络完成对车辆的检测；

S2、车辆轨迹提取，利用步骤S1中检测目标框的中心坐标信息拟合成车辆的轨迹信息；

S3、车道自动提取，利用步骤S2中生成的车辆轨迹作为图割算法的初始条件，完成车道的自动提取。

2.根据权利要求1所述的基于机器视觉的车道提取识别方法，其特征在于，YOLOv5中的YOLO为基于卷积神经网络的目标检测算法，能够利用大量数据完成模型的训练，YOLO车辆检测算法其网络模型分为四个部分，分别为输入端、特征提取网络、多尺度特征融合模块和预测输出端。

3.根据权利要求2所述的基于机器视觉的车道提取识别方法，其特征在于，所述输入端包含数据增强、自适应锚框计算和自适应图片缩放三个部分，使用随机裁剪、随机缩放和随机分布将图片拼接，丰富数据集，增加网络的普适性；自适应锚框计算是自适应的计算不同训练集中的最佳锚框值；自适应图片缩放则是将图像统一成标准尺寸。

4.根据权利要求2所述的基于机器视觉的车道提取识别方法，其特征在于，所述特征提取网络中，特征提取的Focus结构将输入的图像进行切片，再经过32个卷积核后得到304×304×32的特征图，YOLOv5借鉴YOLOv4主干网络中的CSP结构。

5.根据权利要求2所述的基于机器视觉的车道提取识别方法，其特征在于，所述多尺度特征融合模块使用FPN（特征金字塔网络）与PAN（金字塔注意力网络）结构，FPN自顶向下将高层的特征信息传递融合，传达强语义特征，PAN为自底向上传达强定位特征，两者同时使用加强网络特征融合能力。

6.根据权利要求2所述的基于机器视觉的车道提取识别方法，其特征在于，所述预测输出端包括Boundingbox损失函数和非极大值抑制，YOLO系列的损失计算基于置信度损失，分类损失，定位损失。

7.根据权利要求1所述的基于机器视觉的车道提取识别方法，其特征在于，所述步骤S2中车辆轨迹提取包括目标框中心点的获取和运动轨迹的确定，所述目标框中心点的获取，根据获取的车辆ID号，选取目标框，以x、y、w、h记录下该车辆目标框的位置信息，x、y表示目标框左上角坐标，w、h表示目标框的长和宽，则目标框的中心坐标为（x+w/2，y+h/2）。

8.根据权利要求7所述的基于机器视觉的车道提取识别方法，其特征在于，所述运动轨迹的确定：每跟踪一帧得到一个中心坐标，同时建立一个新的点集列表，将同一车辆目标的连续帧的位置信息放在对应的点集列表中，这样建立起多个车辆位置信息的数据库，最后，将这些位置中心点根据算法拟合成一条运动轨迹。

9.根据权利要求1所述的基于机器视觉的车道提取识别方法，其特征在于，所述步骤S3中车道自动提取包括结合运动轨迹和图割算法自动提取车道：将得到的运动轨迹信息进行处理，选择最优的轨迹来初始化图割算法中背景和车道的种子点，实现车道区域的自动提取。

10.根据权利要求1所述的基于机器视觉的车道提取识别方法，其特征在于，所述车道自动提取选择最优车辆轨迹，根据中心坐标（x+w/2，y+h/2）i和（x+w/2，y+h/2）j，用数学方法计算出每个车辆轨迹的长度，i和j分别代表第一帧和最后一帧，将多条轨迹长度求平均值，通过和平均值作比较的方法，来剔除较短的轨迹，遍历保留下来的所有轨迹，找出最长的、最左边和最右边的三条轨迹作为最优轨迹，其中，初始化图割算法将选取的三条最优轨迹平移一个合适的量到非车道区域，初始化图割算法，将最长的轨迹标记为“车道”种子点，将平移后的轨迹定义为背景种子点，即Long-tracklist为车道像素子集，Left-tracklist和Right-tracklist为背景的像素子集，以初始的种子点为基础，使用图割建立各个像素点与前景背景相似度的赋权图，不断迭代，通过计算求解最小割的全局最优，进行车道的自动提取。