CN108537197B - 一种基于深度学习的车道线检测预警装置及预警方法 - Google Patents

一种基于深度学习的车道线检测预警装置及预警方法 Download PDF

Info

Publication number
CN108537197B
CN108537197B CN201810346254.7A CN201810346254A CN108537197B CN 108537197 B CN108537197 B CN 108537197B CN 201810346254 A CN201810346254 A CN 201810346254A CN 108537197 B CN108537197 B CN 108537197B
Authority
CN
China
Prior art keywords
lane
early warning
image
lane line
deep learning
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201810346254.7A
Other languages
English (en)
Other versions
CN108537197A (zh
Inventor
金立生
冯成浩
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jilin University
Original Assignee
Jilin University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Jilin University filed Critical Jilin University
Priority to CN201810346254.7A priority Critical patent/CN108537197B/zh
Publication of CN108537197A publication Critical patent/CN108537197A/zh
Application granted granted Critical
Publication of CN108537197B publication Critical patent/CN108537197B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
    • G06V20/588—Recognition of the road, e.g. of lane markings; Recognition of the vehicle driving pattern in relation to the road
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/04—Context-preserving transformations, e.g. by using an importance map
    • G06T3/047—Fisheye or wide-angle transformations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
    • G06T3/4038—Image mosaicing, e.g. composing plane images from plane sub-images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10004—Still image; Photographic image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30248—Vehicle exterior or interior
    • G06T2207/30252—Vehicle exterior; Vicinity of vehicle
    • G06T2207/30256—Lane; Road marking

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及一种基于深度学习的车道线检测预警装置及预警方法。所述方法包括：获取车辆行驶方向原始车道图像，进行图像拼接和视角转换后生成完整前方车道图像，利用预先训练的深度学习模型，提取前方车道图像中各像素分类特征信息，根据各像素分类特征信息确定像素点属于车道线或者非车道线，根据车道偏离分析方法，分析获得的车道线信息，确定发送预警信息的强弱。本发明能够优化目前使用的车道线检测方法，解决目前普遍使用的车道线检测方法中采集图像的视角对于实际车道线检测影响以及可能需要计算的车道线曲率的问题，提高识别准确率和鲁棒性，提高驾驶安全程度。

Description

一种基于深度学习的车道线检测预警装置及预警方法
技术领域
本发明属于汽车交通安全技术领域，具体涉及一种基于深度学习的车道线检测预警装置及预警方法，适用于复杂道路条件下的车道线检测预警。
背景技术
车道线检测预警是指通过车载传感器感知车道，判断车辆在车道线内的位置，分析车辆是否有偏离车道线的危险并发出偏离预警。现有技术中，车道线检测偏离预警***一般是对摄像头实时采集图像信息进行处理，通过图像滤波技术提取车道线特征，利用Hough变换等方式获得车道线所在直线的参数值，再通过参数估计，估计出车道线参数，实现车道线检测。对于复杂道路条件下车道线检测的效果较差，并且一般车载相机采集图像的视角和驾驶员视角基本一致，并没有考虑实际情况下采集图像的视角对于实际车道线检测影响以及可能需要计算的车道线曲率的问题，当分析判断车道偏离后，并未考虑根据实际偏离程度调整生成预警信号的强弱。
深度学习是机器学习的一个分支，其目的在于建立、模拟人脑进行分析学习的神经网络，通过模拟人脑的机制解读数据，其本质在于通过将已提取的低层特征信息组合从而形成高层属性特征，以发现数据的分布式特征表示，目前深度学习广泛应用于文本、声音和图像的识别领域，尤其是图像识别方面，相比于传统图像识别主要基于物理特征的方法，具有准确率高，鲁棒性强等优点，能够实现智能化识别图像。
因此，如能研发出一种基于深度学习的车道线检测预警装置及预警方法是非常有必要的，尤其是智能驾驶领域，其具有广阔的应用前景和潜在的市场价值。
发明内容
本发明的目的就在于针对上述现有技术的不足，提供一种基于深度学习的车道线检测预警装置及预警方法。
本发明的目的是通过以下技术方案实现的：
一种基于深度学习的车道线检测预警装置，包括图像采集模块、像素辨识模块、车道线确定模块、车道偏离评估模块和预警***；
所述预警***，包括图像采集器、通信总线、处理器、存储器和预警端口；所述图像采集器对称安装在汽车车身的相机，用于采集原始路面车道图像；所述通信总线包含对应的通信端口，用于***内部信息传输；所述处理器用于执行车道线检测预警方法，并将可执行指令发送给存储器存储；所述预警端口，用于分析判定需要生成预警信号时，预警信号能够通过预警端口传输至预警执行装置；
所述图像采集模块，用于获取图像采集器采集到的车辆行驶方向的原始图像，在图像拼接、视野变换后得到完整前方车道图像；所述像素辨识模块，与图像采集模块相耦合，根据处理后的前方车道图像中各像素点分类特征信息，获得所述像素点的概率分类，进行概率数值最大取值处理，辨识当前像素属于车道线或非车道线；所述车道线确定模块，与像素识别模块相耦合，用于根据上述的属于车道线的像素点位置信息，进行插值优化，补足可能缺失的构成车道线必要信息，得到所述前方车道图像中的车道线；所述车道偏离评估模块，与车道线确定模块相耦合，用于根据上述获得车道线信息，进行道偏离分析，确定生成偏离预警信号的强弱。
上述基于深度学习的车道线检测预警装置的预警方法，包括以下步骤：
A、利用对称安装在汽车车身的图像采集器采集得到沿汽车行驶方向的左右两张原始车道图像，进行图像拼接及鸟瞰视角变换后，得到前方车道图像，对前方车道图像进行去均值化处理；
B、基于预先训练的深度学习车道线识别模型，提取前方车道图像各像素点分类特征信息；
C、根据得到分类特征信息确定所识别像素点为车道线或非车道线；
D、利用车道偏离分析方法，通过分析得到的车道线信息，分析当前车辆是否处于车道偏离状态以及偏离程度的大小，确定生成预警信号的强弱。
步骤A，所述的图像拼接包括以下步骤：
A1、将原始采集的左右车道图像转换为灰度图；
A2、对得到的灰度图进行归一化处理，同时进行降噪及平滑处理；
A3、获取上述的两张图像的共同特征点，后续获得其中一张图像到另一张图像的投影映射关系；
A4、根据获得投影映射关系，进行图像拼接，得到完整前方车道图像。
步骤B，所述分类特征信息至少包括所映射的分类和对应概率数值大小。
步骤B，所述预先训练的深度学习模型为全卷积神经网络。
进一步地，所述预先训练的深度学***均池化模块进行信息整合解构的网络结构。
步骤C，根据分类特征信息确定所识别像素点为车道线或非车道线，包括以下步骤：对利用预先训练的深度学习模型得到的所识别像素点映射不同分类的概率数值进行最大取值处理，选取概率数值最大的对应分类作为所识别像素点的分类结果，即属于车道线或者非车道线。
与现有技术相比，本发明的有益效果在于：
本发明根据预先训练的深度学习模型，提取经过图像拼接以及视角变换的前方完整车道图像各像素点分类特征信息，根据获得的分类特征信息，确定像素点属于车道线或者非车道线，进行插值优化，补足可能缺失的构成车道线必要信息，得到所述前方车道图像中的车道线，通过分析得到的车道线信息，分析车道偏离状况从而确定发送预警信息的强弱，能够优化目前使用的车道线检测方法，提高识别准确率和鲁棒性，提高驾驶安全程度。
附图说明
图1是根据本发明的一种基于深度学习的车道线检测预警方法的示意流程图；
图2a是本发明中使用到的图像视角转换示意图，预先选定坐标1，2，3，4；
图2b是本发明中使用到的图像视角转换示意图，视野变换后1’，2’，3’，4’；
图3是本发明中使用到的深度学习模型结构示意图；
图4是本发明中使用到的构成残差网络的基本单元示意图；
图5a是本发明中使用到的空洞卷积运算的示意图，dilated_rate＝1；
图5b是本发明中使用到的空洞卷积运算的示意图，dilated_rate＝2；
图5c是本发明中使用到的空洞卷积运算的示意图，dilated_rate＝4；
图6是本发明中一种基于深度学习的车道线检测预警装置的示意性框图；
图7是根据本发明中一种基于深度学习的车道线检测预警***的示意图。
图中，1.图像采集模块 2.像素辨识模块 3.车道线确定模块 4.车道偏离评估模块 5.预警*** 51.图像采集器 52.通信总线 53.处理器 54.存储器 55.预警端口。
具体实施方式
下面结合附图和具体实例对本发明进行详细说明。
图1是根据本发明一个实施例的一种基于深度学习的车道线检测预警装置的预警方法的示意流程图。如图1所示，本方法包括以下步骤：
A、利用对称安装在汽车车身的图像采集器51采集得到沿汽车行驶方向的左右两张原始车道图像，进行图像拼接及鸟瞰视角变换后，得到前方车道图像，对前方车道图像进行去均值化处理；
B、基于预先训练的深度学习车道线识别模型，提取前方车道图像各像素点分类特征信息；
C、根据得到分类特征信息确定所识别像素点为车道线或非车道线；
D、利用车道偏离分析方法，通过分析得到的车道线信息，分析当前车辆是否处于车道偏离状态以及偏离程度的大小，确定生成预警信号的强弱。
获取车辆行驶方向原始车道图像，进行图像拼接和视角转换后生成完整前方车道图像。
其中，采集原始车道图像利用对称安装在汽车车身的图像采集器51，首先对采集装置进行自动标定，消除尺寸畸变确保物理信息的准确，确保摄像装置采集的路面车道图像与当前车辆的行驶路线相匹配，所述的图像拼接借助OpenCV(Open Source ComputerVision Library)实现以下操作：
将原始采集的左右车道图像转换为灰度图；
对得到的灰度图进行归一化处理，同时进行降噪及平滑处理；
获取上述的两张图像的共同特征点，后续获得其中一张图像到另一张图像的投影映射关系；
根据获得投影映射关系，进行图像拼接，得到完整前方车道图像。
所述的视角转换步骤包括：
对应转换公式为：
Figure BDA0001632047290000051
其中，u，v原始拼接图像中各像素的图像坐标系坐标，x‘，y’为视角转换后的图像坐标系坐标，
Figure BDA0001632047290000052
为转换矩阵。
图2a-图2b是本发明中使用到进行图像视角转换示意图，从已拼接的前方车道图像上选取预先设定图像坐标系内坐标的四个像素点1，2，3，4，上述选择像素点可以为能够预先确定实际情况下当车辆处于车道中间位置时，左右车道上平行对称分布的坐标，确定转换后的像素点1’，2’，3’，4’，利用OpenCV自动计算对应的转换矩阵后，利用转换矩阵将前方车道图像转换生成鸟瞰视角的前方车道图像。
利用预先训练的深度学习模型，提取前方车道图像中各像素分类特征信息。
其中，分类特征信息至少包括所映射的分类和对应概率数值大小。
其中，预先训练的深度学***均池化模块进行信息整合解构的网络模型结构；
图3是本发明中使用到深度学习模型结构示意图，上述得到的前方车道图像经过去均值化后作为模型输入，本发明主要从优化占据内存和运行处理速度为出发点，使用残差网络(Resnet18)作为编码器初步提取输入的特征信息，图4是构成残差网络的基本单元示意图；
conv2d：二维卷积操作内每一个卷积核Kh×Kw根据设定的在整体输入特征图上滑动步长s与输入特征图进行二维卷积；
具体公式描述如下：
Figure BDA0001632047290000061
其中，n代表卷积层数，Y代表Hx×Wy×Kc的特征图，Wij表示与上述特征图进行卷积的Kx×Ky的卷积核权重，bj表示卷积后特征图偏置量。
经过卷积层后输出特征图的大小：
Figure BDA0001632047290000062
Figure BDA0001632047290000063
relu：非线性激励函数
具体公式描述如下：
Figure BDA0001632047290000064
Atrous-Conv2d：空洞卷积，使用空洞卷积能够避免传统图像辨识模型中在特征信息提取过程中使用最大池化(max pooling)导致必要整体信息的丢失，保证不改变输入特征图大小的同时增大感受野。
图5a-5c是空洞卷积运算的示意图，不同的空洞率(dilated_rate)决定对应感受野的大小，更进一步地，相比于普通卷积运算，空洞卷积卷积核的大小等于Kx+(Kx-1)*(dilated_rate-1)，Ky+(Ky-1)*(dilated_rate-1)，感受野扩大后，对应增大空隙用0进行填充与输入特征图进行卷积运算。
输入特征图作为等量分支，与经过卷积运算和空洞卷积运算后得到特征图F(x)进行特征图整合得到X+F(x)，将原始输入特征信息和经过系列运算操作得到的特征图进行整合，能够有效的解决深度学习中的过拟合情况，提高模型识别准确度。
上述的深度学***均池化运算。
具体运算描述如下：
将特征图根据设定的池化层参数分割成n个Kx×Ky局部特征图，对于每一个局部特征图所有数据进行累加求和并进行平均化处理，将该数值映射到下一层特征图上。
经过3层平均池化运算后，使用二维卷积运算统一特征图维度，分别得到的不同特征图大小分别为原始输入特征大小的1/64，1/48，1/32。
经过conv5_x得到特征图大小为原始输入特征图的1/16，使用二维卷积运算统一特征图维度，上述经过系列运算得到的特征图通过线性插值恢复为原始输入特征图的1/8，将得到的所有特征图进行聚合操作，经过二维卷积运算调整特征图的维度调整，使用线性插值后得到模型最后输出特征图的维度为：(h,w,n)，其中n表示分类特征信息中的对应分类数目。
根据各像素分类特征信息确定像素点属于车道线或者非车道线。
在上述实施例，确定像素点属于车道线或者非车道线可执行以下步骤：
对各像素分类特征信息中概率数值信息进行平滑处理，具体公式如下：
Figure BDA0001632047290000071
其中K表示分类特征信息中对应分类数目，xi表示的对应分类特征信息的概率数值大小；
概率数值信息优化后，选择最大概率值，根据最大概率值映射的分类，确定像素点属于车道线或者非车道线。
根据车道偏离分析方法，分析获得的车道线信息，确定产生预警信息的强弱。
其中，车道偏离分析采用车道夹角法判断，根据已获得车道线信息，当前车道中两条车道线与水平线的夹角为θ1，θ2,设判断车道偏离指标参数
Figure BDA0001632047290000072
式中θ1为检测到的左侧车道线和水平面的夹角，θ2为右侧车道线与水平线的夹角，当车辆行驶在当前车道的正中央时，k＝0，车辆向左偏离车道线时，k>0,车辆向右偏离车道线时，k<0，预先设定k在一定范围内属于正常情况，例如设定k∈[-0.1,0.1]时，不会产生预警信息，当k值超过设定阀值后，根据k值的绝对值大小确定对应产生的预警信息幅值的大小。
图6是根据本发明一个实施例的一种基于深度学习的车道线检测预警装置的示意性。如图6所示，该装置包括：图像采集模块1、像素辨识模块2、车道线确定模块3、车道偏离评估模块4和预警***5。
图像采集模块1，用于获取车辆行驶方向的原始图像，其中原始车道图像是利用对称安装在汽车车身的图像采集器51采集得到的，使用上述的图像拼接技术以及视野变换后得到完整前方车道图像；
像素辨识模块2，与图像采集模块相耦合，基于预先训练的深度学习模型，根据处理后得到的前方车道图像中各像素点分类特征信息，对不同分类对应概率数值最大取值处理，辨识当前像素属于车道线或非车道线。
车道线确定模块3，与像素识别模块2相耦合，用于根据所描述的属于车道线的像素点位置信息，进行插值优化，补足可能缺失的构成车道线必要信息，得到所述前方车道图像中的车道线。
车道偏离评估模块4，与车道线确定模块3相耦合，用于根据上述获得车道线信息，利用上述车道偏离分析方法进行分析，确定发送偏离预警信号的强弱。
在一个实施例中，分类特征信息至少包括所映射的分类和对应概率数值大小。
在一个实施例中，像素辨识模块中预先训练的深度学***均池化模块进行整体信息解构的网络结构。
如图7所示，所述预警***，包括图像采集器51、通信总线52、处理器53、存储器54和预警端口55。
图像采集器51，适合于利用车载相机采集原始车道图像，经过图像拼接和视角转换技术得到前方车道图像，上述实施例中图像采集器具体为对称安装在汽车车身上的相机。
处理器53，所述处理器被配置为能够运行上述车道线检测预警方法；
存储器54为一种计算机可读写存储介质，保存有车载计算机可执行命令，更进一步包含上述车道线检测预警方法；
其中，图像采集器51，存储器54，处理器53，和报警端口55均通过通信总线52进行连接；
处理器53通过通信总线52获得车载相机采集得到的原始车道图像，当处理器调用执行储存器内上述计算机可执行命令后，执行基于深度学习的车道线检测预警方法。
预警端口55，分析当需要生成预警信号时，预警信号能够通过预警端口55传输至末端预警执行装置。
需要说明的是，上述基于深度学习的车道线检测预警***并不与所述的对应基于深度学习的车道线检测预警装置冲突，所描述的***为从实际软硬件结合的角度设计。
上述实例仅为本发明较好的实施方式，但本发明的实施方式不受上述实施例的限制，其他任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均为等效的置换方式，均包含在本发明的保护范围内。

Claims (7)

1.一种基于深度学习的车道线检测预警装置，其特征在于：包括图像采集模块(1)、像素辨识模块(2)、车道线确定模块(3)、车道偏离评估模块(4)和预警***(5)；
所述预警***(5)，包括图像采集器(51)、通信总线(52)、处理器(53)、存储器(54)和预警端口(55)；所述图像采集器(1)为对称安装在汽车车身的相机，用于原始路面车道图像的采集；所述通信总线(52)包含对应的通信端口，用于***内部信息传输；所述处理器(53)用于执行车道线检测预警方法，并将可执行指令发送给存储器(54)存储；所述预警端口(55)，用于分析判定需要生成预警信号时，预警信号能够通过预警端口传输至末端预警执行装置；
所述图像采集模块(1)，用于获取图像采集器(51)采集到的车辆行驶方向的原始图像，在图像拼接、视野变换后得到完整前方车道图像；所述像素辨识模块(2)，与图像采集模块(1)相耦合，根据处理后的前方车道图像中各像素点分类特征信息，获得所述像素点的概率分类，进行概率数值最大取值处理，辨识当前像素属于车道线或非车道线；所述车道线确定模块(3)，与像素识别模块(2)相耦合，用于根据上述的属于车道线的像素点位置信息，进行插值优化，补足可能缺失的构成车道线必要信息，得到所述前方车道图像中的车道线；所述车道偏离评估模块(4)，与车道线确定模块(3)相耦合，用于根据上述获得车道线信息，进行道偏离分析，确定生成偏离预警信号的强弱。
2.一种利用如权利要求1所述的基于深度学习的车道线检测预警装置的预警方法，其特征在于，包括以下步骤：
A、利用对称安装在汽车车身的图像采集器(51)采集得到沿汽车行驶方向的左右两张原始车道图像，进行图像拼接及鸟瞰视角变换后，得到前方车道图像，对前方车道图像进行去均值化处理；
B、基于预先训练的深度学习车道线识别模型，提取前方车道图像各像素点分类特征信息；
C、根据得到分类特征信息确定所识别像素点为车道线或非车道线；
D、利用车道偏离分析方法，通过分析得到的车道线信息，分析当前车辆是否处于车道偏离状态以及偏离程度的大小，确定生成预警信号的强弱。
3.根据权利要求2所述的一种基于深度学习的车道线检测预警装置的预警方法，其特征在于：步骤A，所述的图像拼接包括以下步骤：
A1、将原始采集的左右车道图像转换为灰度图；
A2、对得到的灰度图进行归一化处理，同时进行降噪及平滑处理；
A3、获取上述的两张图像的共同特征点，后续获得其中一张图像到另一张图像的投影映射关系；
A4、根据获得投影映射关系，进行图像拼接，得到完整前方车道图像。
4.根据权利要求2所述的一种基于深度学习的车道线检测预警装置的预警方法，其特征在于：步骤B，所述分类特征信息至少包括所映射的分类和对应概率数值大小。
5.根据权利要求2所述的一种基于深度学习的车道线检测预警装置的预警方法，其特征在于：步骤B，所述预先训练的深度学习模型为全卷积神经网络。
6.根据权利要求5所述的一种基于深度学***均池化模块进行信息整合解构的网络结构。
7.根据权利要求2所述的一种基于深度学习的车道线检测预警装置的预警方法，其特征在于：步骤C，根据分类特征信息确定所识别像素点为车道线或非车道线，具体包括以下步骤：对利用预先训练的深度学习模型得到的所识别像素点映射不同分类的概率数值进行最大取值处理，选取概率数值最大的对应分类作为所识别像素点的分类结果，即属于车道线或者非车道线。
CN201810346254.7A 2018-04-18 2018-04-18 一种基于深度学习的车道线检测预警装置及预警方法 Active CN108537197B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810346254.7A CN108537197B (zh) 2018-04-18 2018-04-18 一种基于深度学习的车道线检测预警装置及预警方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810346254.7A CN108537197B (zh) 2018-04-18 2018-04-18 一种基于深度学习的车道线检测预警装置及预警方法

Publications (2)

Publication Number Publication Date
CN108537197A CN108537197A (zh) 2018-09-14
CN108537197B true CN108537197B (zh) 2021-04-16

Family

ID=63481387

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810346254.7A Active CN108537197B (zh) 2018-04-18 2018-04-18 一种基于深度学习的车道线检测预警装置及预警方法

Country Status (1)

Country Link
CN (1) CN108537197B (zh)

Families Citing this family (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109409161B (zh) * 2018-10-22 2020-08-11 腾讯科技（深圳）有限公司 图形码识别方法、装置、终端及存储介质
CN110147094A (zh) * 2018-11-08 2019-08-20 北京初速度科技有限公司 一种基于车载环视***的车辆定位方法及车载终端
CN109635744B (zh) * 2018-12-13 2020-04-14 合肥工业大学 一种基于深度分割网络的车道线检测方法
CN109740465B (zh) * 2018-12-24 2022-09-27 南京理工大学 一种基于实例分割神经网络框架的车道线检测算法
CN109784234B (zh) * 2018-12-29 2022-01-07 阿波罗智能技术(北京)有限公司 一种基于前向鱼眼镜头的直角弯识别方法及车载设备
CN109961013A (zh) * 2019-02-21 2019-07-02 杭州飞步科技有限公司 车道线的识别方法、装置、设备及计算机可读存储介质
CN109902629A (zh) * 2019-03-01 2019-06-18 成都康乔电子有限责任公司 一种复杂交通场景下的实时车辆目标检测模型
CN111738035A (zh) * 2019-03-25 2020-10-02 比亚迪股份有限公司 车辆偏航角的计算方法、装置和设备
CN111856963B (zh) * 2019-04-30 2024-02-20 北京魔门塔科技有限公司 一种基于车载环视***的泊车仿真方法及装置
CN110276267A (zh) * 2019-05-28 2019-09-24 江苏金海星导航科技有限公司 基于Spatial-LargeFOV深度学习网络的车道线检测方法
TWI694019B (zh) * 2019-06-05 2020-05-21 國立中正大學 車道線偵測與追蹤方法
CN111814623A (zh) * 2020-06-29 2020-10-23 浙江工业大学 一种基于深度神经网络的车辆车道偏离视觉检测方法
CN112183226A (zh) * 2020-09-08 2021-01-05 昆明理工大学 一种基于深度学习的大型运输车辆辅助定位方法
CN112017185B (zh) * 2020-10-30 2021-02-05 平安科技（深圳）有限公司 病灶分割方法、装置及存储介质
CN112001378B (zh) * 2020-10-30 2021-02-09 深圳佑驾创新科技有限公司 基于特征空间的车道线处理方法、装置、车载终端和介质
CN112364800B (zh) * 2020-11-19 2023-07-14 金陵科技学院 一种基于人工智能的自动驾驶偏离处理方法
WO2022126377A1 (zh) * 2020-12-15 2022-06-23 中国科学院深圳先进技术研究院 检测车道线的方法、装置、终端设备及可读存储介质
CN113591720A (zh) * 2021-08-02 2021-11-02 广州小鹏自动驾驶科技有限公司 车道偏离检测方法、装置及计算机存储介质
CN114821530B (zh) * 2022-04-22 2023-06-02 北京裕峻汽车技术研究院有限公司 基于深度学习的车道线检测方法及***
CN117152707B (zh) * 2023-10-31 2024-03-22 武汉未来幻影科技有限公司 一种车辆偏移距离的计算方法、装置以及处理设备

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104268884A (zh) * 2014-09-30 2015-01-07 苏州智华汽车电子有限公司 一种基于车联网的车道偏离预警的标定***和方法
CN105539293A (zh) * 2016-02-03 2016-05-04 北京中科慧眼科技有限公司 车道偏离预警方法和装置及汽车驾驶辅助***
CN105930830A (zh) * 2016-05-18 2016-09-07 大连理工大学 一种基于卷积神经网络的路面交通标志识别方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4962581B2 (ja) * 2010-03-03 2012-06-27 株式会社デンソー 区画線検出装置

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104268884A (zh) * 2014-09-30 2015-01-07 苏州智华汽车电子有限公司 一种基于车联网的车道偏离预警的标定***和方法
CN105539293A (zh) * 2016-02-03 2016-05-04 北京中科慧眼科技有限公司 车道偏离预警方法和装置及汽车驾驶辅助***
CN105930830A (zh) * 2016-05-18 2016-09-07 大连理工大学 一种基于卷积神经网络的路面交通标志识别方法

Also Published As

Publication number Publication date
CN108537197A (zh) 2018-09-14

Similar Documents

Publication Publication Date Title
CN108537197B (zh) 一种基于深度学习的车道线检测预警装置及预警方法
CN107392103B (zh) 路面车道线的检测方法及装置、电子设备
WO2022126377A1 (zh) 检测车道线的方法、装置、终端设备及可读存储介质
CN110738121A (zh) 一种前方车辆检测方法及检测***
CN111860274B (zh) 基于头部朝向与上半身骨架特征的交警指挥手势识别方法
CN110516633B (zh) 一种基于深度学习的车道线检测方法及***
CN111401188B (zh) 一种基于人体关键点特征的交警手势识别方法
CN109886200B (zh) 一种基于生成式对抗网络的无人驾驶车道线检测方法
CN112488046B (zh) 一种基于无人机高分辨率影像的车道线提取方法
CN112329623A (zh) 雾天能见度检测与能见度安全等级划分预警方法
CN114359181B (zh) 一种基于图像和点云的智慧交通目标融合检测方法及***
CN113034378B (zh) 一种区分电动汽车与燃油汽车的方法
CN104915642A (zh) 前方车辆测距方法及装置
CN112654998B (zh) 一种车道线检测方法和装置
CN108501954A (zh) 一种手势识别方法、装置、汽车和存储介质
CN113095152A (zh) 一种基于回归的车道线检测方法及***
CN110991264A (zh) 前方车辆检测方法和装置
Tithi et al. Speed bump & pothole detection with single shot multibox detector algorithm & speed control for autonomous vehicle
CN113870246A (zh) 一种基于深度学习的障碍物探测和识别方法
CN117197019A (zh) 一种车辆三维点云图像融合方法及***
CN117351298A (zh) 一种基于深度学习的矿山作业车辆检测方法及***
CN112115737B (zh) 一种车辆朝向的确定方法、装置及车载终端
CN104063869A (zh) 一种基于Beamlet变换的车道线检测方法
CN111860084B (zh) 图像特征的匹配、定位方法及装置、定位***
CN113052118A (zh) 基于高速快球摄像机实现场景变换视频分析检测的方法、***、装置、处理器及存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant