[发明专利]车道标线破损程度自动量测方法

说明书

本发明提出车道标线破损程度自动量测方法，所述量测方法利用道路智能巡检系统采集道路前景图像，训练YOLOv7模型检测出车道标线；然后采用图像子分块技术，以基于图像分块的二值化方法，根据不同子块的灰度分布情况来进行二值化，以实现车道标线的区域分割；最后结合标线断裂检测及像素统计方法判断车道标线是否存在破损；本发明可以自动识别破损车道标线，并可代替人工对车道标线进行巡检，提高驾驶车辆在交通环境下的行驶安全性。

技术领域

本发明涉及道路巡检技术领域，尤其是车道标线破损程度自动量测方法。

背景技术

目前，国内外对于车道标线检测研究可以分为基于传统和基于深度学习的方法：基于传统的方法主要是通过提取车道标线的颜色、形状、纹理等特征信息，利用图像分割或边缘检测，并利用相关先验知识实现车道标线检测。

上述该类方法计算简单，在背景单一、目标清晰的情况下可以取得较好的检测效果，但实际道路具有背景复杂多样的特点，此时，该类方法的检测效果不佳；基于深度学习的方法主要是利用卷积神经网络提取图像的特征，通过不断学习图像的特征来实现车道标线检测。然而，深度学习的准确率依赖于样本的质量，当样本的数量较少时，其检测的准确率较低。对于路面车道标线，破损车道标线的样本数据较少，且破损特征多样，仅利用深度学习的方法进行破损车道标线检测会导致检测准确率下降。

针对以上问题，本发明提出一种基于标线轮廓区域内像素值分布状况的车道标线破损程度自动量测方法。

发明内容

本发明提出车道标线破损程度自动量测方法，可以自动识别破损车道标线，并可代替人工对车道标线进行巡检，提高驾驶车辆在交通环境下的行驶安全性。

本发明采用以下技术方案。

车道标线破损程度自动量测方法，所述量测方法利用道路智能巡检系统采集道路前景图像，训练YOLOv7模型检测出车道标线；然后采用图像子分块技术，以基于图像分块的二值化方法，根据不同子块的灰度分布情况来进行二值化，以实现车道标线的区域分割；最后结合标线断裂检测及像素统计方法判断车道标线是否存在破损。

所述量测方法包括以下步骤；

步骤S1：使用基于前景双目立体图像的道路智能巡检系统采集路面车道标线；

步骤S2：训练基于YOLOv7的车道标线检测模型；

步骤S3：基于步骤S2中训练的车道标线检测模型，获取道路车道标线检测框的坐标信息；

步骤S4：把检测出的车道标线区域作为检测区域，对其分割为多个子块，并利用边界跟踪法提取车道标线轮廓；

步骤S5：结合子块和车道标线的轮廓信息，运用像素统计和割断检测的方法，判断车道标线是否发生破损。

所述步骤S3中获取车道标线检测框坐标信息，其具体方法为：利用训练获得的车道标线检测模型获取车道标线所在矩形框作为该步骤的检测区域，对提取到的检测区域进行二值化操作。

所述步骤S4包括以下步骤；

步骤S41：对检测区域进行分块，分成8*8共64个子块；

步骤S42：利用最大类间方差法Otsu计算整个区域的分割阈值T和每个子块的分割阈值Ti；设一副图像的像素个数为W*H，分割阈值T将图像分成前景和背景两个部分，前景的像素点个数为N₀，占图像比例记为w₀，前景的灰度均值为u₀；背景的像素点个数为N₁，占图像比例记为w₁，背景的灰度均值记为u₁，图像的总平均灰度记为u，类间方差记为σ²，则计算公式如下：

w₀＝N₀/W*H    公式一；