車道線的識(shí)別建模方法和裝置、識(shí)別方法和裝置的制造方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明實(shí)施例涉及基于位置服務(wù)技術(shù)領(lǐng)域，尤其涉及一種車道線的識(shí)別建模方法 和裝置、識(shí)別方法和裝置。
【背景技術(shù)】
[0002] 在各種基于位置服務(wù)技術(shù)中，對(duì)車道線的位置、類型、寬度、顏色以及數(shù)量的檢測(cè)， 對(duì)于自動(dòng)/輔助駕駛、地圖導(dǎo)航以及地理基礎(chǔ)數(shù)據(jù)生成都有著重要的意義。
[0003] 現(xiàn)有的車道線的檢測(cè)基本遵循這樣的過程：對(duì)原始圖像進(jìn)行邊緣檢測(cè)，對(duì)邊緣檢 測(cè)的結(jié)果進(jìn)行二值化處理，對(duì)二值化處理進(jìn)行Hough變換、隨機(jī)Hough變換或者ransac算 法提取車道線，最后對(duì)提取的車道線進(jìn)行精細(xì)化處理。上述方法在圖像清晰，車道線沒有被 其他物體遮擋的情況下，對(duì)車道線的識(shí)別準(zhǔn)確率較高。但是，一旦圖像中車道線的邊緣不是 十分清晰，或者車道線被其他物體遮擋，現(xiàn)有的檢測(cè)方法的檢測(cè)準(zhǔn)確率并不高。

【發(fā)明內(nèi)容】

[0004] 針對(duì)上述技術(shù)問題，本發(fā)明實(shí)施例提供了一種車道線的識(shí)別建模方法和裝置、識(shí) 別方法和裝置，以提高對(duì)車道線進(jìn)行檢測(cè)的檢測(cè)準(zhǔn)確率。
[0005] 第一方面，本發(fā)明實(shí)施例提供了一種車道線的識(shí)別建模方法，所述方法包括：
[0006] 基于二維濾波，從圖像中識(shí)別車道線的圖像區(qū)域；
[0007] 利用識(shí)別得到的圖像區(qū)域，構(gòu)造模型訓(xùn)練數(shù)據(jù)；
[0008] 利用所述模型訓(xùn)練數(shù)據(jù)，訓(xùn)練基于卷積神經(jīng)網(wǎng)絡(luò)的車道線識(shí)別模型。
[0009] 第二方面，本發(fā)明實(shí)施例還提供了一種車道線的識(shí)別建模裝置，所述裝置包括： [0010] 識(shí)別模塊，用于基于二維濾波，從圖像中識(shí)別車道線的圖像區(qū)域；
[0011] 構(gòu)造模塊，用于利用識(shí)別得到的圖像區(qū)域，構(gòu)造模型訓(xùn)練數(shù)據(jù)；
[0012] 訓(xùn)練模塊，用于利用所述模型訓(xùn)練數(shù)據(jù)，訓(xùn)練基于卷積神經(jīng)網(wǎng)絡(luò)的車道線識(shí)別模 型。
[0013] 第三方面，本發(fā)明實(shí)施例還提供了一種車道線的識(shí)別方法，所述方法包括：
[0014] 基于二維濾波，從圖像中識(shí)別車道線的圖像區(qū)域；
[0015] 將已經(jīng)識(shí)別了車道線的圖像區(qū)域的圖像輸入至基于卷積神經(jīng)網(wǎng)絡(luò)的車道線識(shí)別 模型，得到所述模型的輸出概率；
[0016] 基于所述輸出概率，進(jìn)行模型重建，以識(shí)別輸入圖像中的車道線。
[0017] 第四方面，本發(fā)明實(shí)施例還提供了一種車道線的識(shí)別裝置，所述裝置包括：
[0018] 區(qū)域識(shí)別模塊，用于基于二維濾波，從圖像中識(shí)別車道線的圖像區(qū)域；
[0019] 概率計(jì)算模塊，用于將已經(jīng)識(shí)別了車道線的圖像區(qū)域的圖像輸入至基于卷積神經(jīng) 網(wǎng)絡(luò)的車道線識(shí)別模型，得到所述模型的輸出概率；
[0020] 模型重建模塊，用于基于所述輸出概率，進(jìn)行模型重建，以識(shí)別輸入圖像中的車道 線。
[0021] 本發(fā)明實(shí)施例提供的車道線的識(shí)別方法，通過基于二維濾波，從圖像中識(shí)別車道 線的圖像區(qū)域，將已經(jīng)識(shí)別了車道線的圖像區(qū)域的圖像輸入至基于卷積神經(jīng)網(wǎng)絡(luò)的車道線 識(shí)別模型，得到所述模型的輸出概率，基于所述輸出概率，進(jìn)行模型重建，以識(shí)別輸入圖像 中的車道線，從而綜合考慮圖像中車道線圖像區(qū)域中可能出現(xiàn)的各種異常情況，提高了對(duì) 車道線進(jìn)行檢測(cè)的檢測(cè)準(zhǔn)確率。
【附圖說明】
[0022] 通過閱讀參照以下附圖所作的對(duì)非限制性實(shí)施例所作的詳細(xì)描述，本發(fā)明的其它 特征、目的和優(yōu)點(diǎn)將會(huì)變得更明顯：
[0023] 圖1是本發(fā)明第一實(shí)施例提供的車道線的識(shí)別建模方法的流程圖；
[0024] 圖2是本發(fā)明第二實(shí)施例提供的車道線的識(shí)別建模方法的流程圖；
[0025] 圖3是本發(fā)明第三實(shí)施例提供的車道線的識(shí)別建模方法中識(shí)別步驟的流程圖；
[0026] 圖4是本發(fā)明第四實(shí)施例提供的車道線的識(shí)別建模方法中構(gòu)造步驟的流程圖；
[0027] 圖5是本發(fā)明第四實(shí)施例提供的感興趣區(qū)域的示意圖；
[0028] 圖6是本發(fā)明第五實(shí)施例提供的車道線的識(shí)別方法的流程圖；
[0029] 圖7A是本發(fā)明第五實(shí)施例提供的大量遮擋場(chǎng)景下的車道線識(shí)別的識(shí)別結(jié)果圖；
[0030] 圖7B是本發(fā)明第五實(shí)施例提供的陰影場(chǎng)景下的車道線識(shí)別的識(shí)別結(jié)果圖；
[0031] 圖7C是本發(fā)明第五實(shí)施例提供的光照變換場(chǎng)景下的車道線識(shí)別的識(shí)別結(jié)果圖；
[0032] 圖7D是本發(fā)明第五實(shí)施例提供的地面標(biāo)記干擾場(chǎng)景下的車道線識(shí)別的識(shí)別結(jié)果 圖；
[0033] 圖8是本發(fā)明第六實(shí)施例提供的車道線的識(shí)別方法的流程圖；
[0034] 圖9是本發(fā)明第七實(shí)施例提供的車道線的識(shí)別建模裝置的結(jié)構(gòu)圖；
[0035] 圖10是本發(fā)明第八實(shí)施例提供的車道線的識(shí)別裝置的結(jié)構(gòu)圖。
【具體實(shí)施方式】
[0036] 下面結(jié)合附圖和實(shí)施例對(duì)本發(fā)明作進(jìn)一步的詳細(xì)說明。可以理解的是，此處所描 述的具體實(shí)施例僅僅用于解釋本發(fā)明，而非對(duì)本發(fā)明的限定。另外還需要說明的是，為了便 于描述，附圖中僅示出了與本發(fā)明相關(guān)的部分而非全部結(jié)構(gòu)。
[0037] 第一實(shí)施例
[0038] 本實(shí)施例提供了車道線的識(shí)別建模方法的一種技術(shù)方案。所述車道線的識(shí)別建模 方法由車道線的識(shí)別建模裝置執(zhí)行。并且，所述車道線的識(shí)別建模裝置可以集成在個(gè)人電 腦、工作站或者服務(wù)器等計(jì)算設(shè)備中。
[0039] 參見圖1，所述車道線的識(shí)別建模方法包括：
[0040] S11，基于二維濾波，從圖像中識(shí)別車道線的圖像區(qū)域。
[0041] 所述圖像是在行車道路上實(shí)際采集的，包含車道線的圖像數(shù)據(jù)。以往的車道線識(shí) 別方法大都存在著適應(yīng)性不強(qiáng)，識(shí)別準(zhǔn)確率不高的問題。具體表現(xiàn)在于，一旦圖像的采集環(huán) 境有所變化，比如，圖像中的車道線大量的被其他物體所遮擋，或者圖像中出現(xiàn)了大量的陰 影區(qū)域，則對(duì)于圖像中的車道線的識(shí)別結(jié)果會(huì)出現(xiàn)虛警或者誤判。
[0042] 本實(shí)施例為了提高車道線識(shí)別的適應(yīng)性和準(zhǔn)確率，提供了一種車道線的識(shí)別模型 的訓(xùn)練方法，也就是車道線的識(shí)別建模方法。通過所述車道線的識(shí)別建模方法，能夠訓(xùn)練用 于準(zhǔn)確識(shí)別圖像中的車道線的卷積神經(jīng)網(wǎng)絡(luò)。而且，所述卷積神經(jīng)網(wǎng)絡(luò)能夠適應(yīng)圖像的場(chǎng) 景變化，適應(yīng)范圍更廣。
[0043] 具體的，可以通過對(duì)圖像的濾波，對(duì)車道線的圖像區(qū)域進(jìn)行增強(qiáng)，再根據(jù)增強(qiáng)以 后，獲取所述車道線的圖像區(qū)域。更為具體的，構(gòu)造了用于對(duì)所述圖像進(jìn)行濾波的hat-like 濾波核，通過所述hat-like濾波核對(duì)圖像的濾波增強(qiáng)車道線的圖像區(qū)域，根據(jù)增強(qiáng)的圖像 區(qū)域獲取所述車道線對(duì)應(yīng)的連通域，最后所述連通域的邊界進(jìn)行直線擬合，從而完成對(duì)車 道線的圖像區(qū)域的識(shí)別。
[0044] S12,利用識(shí)別得到的圖像區(qū)域，構(gòu)造模型訓(xùn)練數(shù)據(jù)。
[0045] 完成對(duì)所述車道線的圖像區(qū)域的識(shí)別之后，基于所述車道線的圖像區(qū)域，構(gòu)造用 于訓(xùn)練車道線識(shí)別模型的模型訓(xùn)練數(shù)據(jù)。
[0046] 具體的，可以將所述車道線的圖像區(qū)域向外進(jìn)行擴(kuò)寬，并將擴(kuò)寬后的圖像區(qū)域作 為感興趣區(qū)域。所述感興趣區(qū)域就是用于訓(xùn)練所述車道線識(shí)別模型的訓(xùn)練數(shù)據(jù)。
[0047] S13,利用所述模型訓(xùn)練數(shù)據(jù)，訓(xùn)練基于卷積神經(jīng)網(wǎng)絡(luò)的車道線識(shí)別模型。
[0048] 在本發(fā)明中，所述車道線識(shí)別模型是一個(gè)基于卷積神經(jīng)網(wǎng)絡(luò)的車道線識(shí)別模型。 所述卷積神經(jīng)網(wǎng)絡(luò)包括若干卷積層和子采樣層。所述卷積層的數(shù)量與所述子采樣層的數(shù)量 相同。所述卷積神經(jīng)網(wǎng)絡(luò)還包括若干全連接層。獲取到輸入至所述卷積神經(jīng)網(wǎng)絡(luò)的圖像之 后，所述卷積神經(jīng)網(wǎng)絡(luò)能夠給出所述圖像屬于真實(shí)車道線的概率的取值，也就是所 述車