使得高效、精確檢測(cè)各種場(chǎng)景下的車道線比較困難。有鑒于近兩年人工智能深度學(xué)習(xí)技術(shù)突破性發(fā)展，我們采用標(biāo)注實(shí)際中各種路況和光線條件下的車道線樣本，讓深度神經(jīng)網(wǎng)絡(luò)進(jìn)行學(xué)習(xí)，訓(xùn)練得到一個(gè)強(qiáng)大的分類器，能夠辨認(rèn)各種環(huán)境下的車道線信息。另一方面，深度神經(jīng)網(wǎng)絡(luò)本身是一個(gè)強(qiáng)于支持向量機(jī)(Suppport Vector Machine，SVM)等方法的強(qiáng)分類器。
[0036]因此，本實(shí)施例優(yōu)選采用深度神經(jīng)網(wǎng)絡(luò)模型。
[0037]S130、從所述原始圖像中確定車道線輪廓，作為候選車道線。
[0038]優(yōu)選的，上述操作中具體包括，采用圖形學(xué)連通域分析方法，從所述原始圖像中提取邊緣像素；將所述邊緣像素進(jìn)行三次曲線擬合以確定車道線的邊緣輪廓，作為所述候選車道線。
[0039]進(jìn)一步地，在確定所述候選車道線之后，還包括:識(shí)別所述候選車道線的幾何特征，根據(jù)所述幾何特征對(duì)所述候選車道線進(jìn)行篩選。
[0040]優(yōu)選的，所述幾何特征包括所述候選車道線的線寬、線長(zhǎng)、方向和位置；
[0041]識(shí)別所述候選車道線的線寬以及線長(zhǎng)是通過對(duì)單個(gè)像素點(diǎn)代表的實(shí)際尺寸進(jìn)行標(biāo)定，然后計(jì)算所述候選車道線的所包含的像素點(diǎn)個(gè)數(shù)即可識(shí)別出所述候選車道線的線寬以及線長(zhǎng)。所述候選車道線的方向和位置與原始圖像的拍攝姿態(tài)以及定位數(shù)據(jù)有關(guān)。
[0042]則根據(jù)所述幾何特征對(duì)所述候選車道線進(jìn)行篩選具體包括:
[0043]將幾何特征符合下述至少一項(xiàng)的候選車道線進(jìn)行篩選剔除:
[0044](1)所述候選車道線的線長(zhǎng)小于設(shè)定長(zhǎng)度門限值；
[0045]所述設(shè)定長(zhǎng)度門限值可以根據(jù)實(shí)際確定，例如實(shí)際道路中不存在長(zhǎng)度小于1米的車道線，則此設(shè)定長(zhǎng)度門限值可以是1米，如果識(shí)別到的候選車道線的長(zhǎng)度小于1米，則說明此候選車道線不是真正的車道線或者不是一條完整的車道線，則符合篩選剔除條件，將此條候選車道線剔除。
[0046](2)所述候選車道線的方向與所述原始圖像中的車輛行進(jìn)方向之間的夾角大于設(shè)定角度門限值；
[0047]所述設(shè)定角度門限值可以根據(jù)實(shí)際拍攝情況設(shè)定，例如拍攝原始圖像時(shí)的車輛行進(jìn)方向?yàn)檎胺?，即Y方向，與車輛行進(jìn)方向之間的夾角大于30度的線條都不是目標(biāo)路段上的車道線，此時(shí)所述設(shè)定角度門限值為30度，如果所述候選車道線的方向與所述原始圖像中的車輛行進(jìn)方向之間的夾角大于30度，則符合篩選剔除條件，將此條候選車道線剔除。
[0048](3)所述候選車道線的線寬大于設(shè)定寬度門限值；
[0049]所述設(shè)定寬度門限值來(lái)自現(xiàn)實(shí)情況，例如實(shí)際道路中不存在寬度大于50厘米的車道線，則此設(shè)定寬度門限值可以是50厘米，如果識(shí)別到的候選車道線的寬度大于50厘米，則說明此候選車道線不是真正的車道線，則符合篩選剔除條件，將此條候選車道線剔除。
[0050](4)所述候選車道線的位置落在構(gòu)成一條車道的兩條候選車道線之間，且距離構(gòu)成同一條車道的兩條候選車道線的距離均大于設(shè)定距離門限值。
[0051]通過考察實(shí)際道路中車道線之間的距離關(guān)系，所述設(shè)定距離門限值優(yōu)選為40厘米。
[0052]S140、根據(jù)所述候選車道線中像素的像素置信度，計(jì)算所述候選車道線的車道線置信度。
[0053]優(yōu)選的，上述操作中具體包括:
[0054]統(tǒng)計(jì)所述候選車道線輪廓范圍內(nèi)的所有像素的像素置信度的平均值；
[0055]獲取所述候選車道線輪廓范圍內(nèi)的像素點(diǎn)置信度大于設(shè)定置信度門限值的像素，作為車道線像素；
[0056]對(duì)所述原始圖像按照像素的灰度值進(jìn)行區(qū)域分割，確定所述候選車道線輪廓范圍所在的車道線區(qū)域；對(duì)原始RGB圖像依據(jù)像素強(qiáng)度值進(jìn)行區(qū)域分割，找到上述候選車道線輪廓范圍所在的車道線區(qū)域。
[0057]比較所述車道線像素與所述車道線區(qū)域內(nèi)的所有像素的數(shù)量比值；即比較車道線像素與所述候選車道線輪廓所在原始RGB圖像分割區(qū)域內(nèi)的所有像素的數(shù)量比值，作為其獨(dú)立性或者純潔度的一個(gè)指標(biāo)，即置信度高的車道線像素是否都在一個(gè)聯(lián)通的區(qū)域內(nèi)。
[0058]將所述平均值與所述數(shù)量比值相乘，作為所述候選車道線的車道線置信度。
[0059]例如，統(tǒng)計(jì)得到落在所述候選車道線輪廓內(nèi)的所有像素的像素置信度的平均值為X(X為0-1之間的數(shù))；設(shè)定置信度門限值為0.8，獲取所述候選車道線輪廓范圍內(nèi)的像素點(diǎn)置信度大于0.8的像素作為車道線像素，比較所述車道線像素與所述車道線區(qū)域內(nèi)的所有像素的數(shù)量比值為Y，則所述候選車道線的車道線置信度為X*Y。
[0060]S150、根據(jù)所述候選車道線的車道線置信度，對(duì)所述候選車道線進(jìn)行篩選。
[0061]上述操作中具體可以是預(yù)先設(shè)定候選車道線置信度門限值，將小于所述門限值的候選車道線剔除。
[0062]S160、針對(duì)篩選后的車道線，識(shí)別所述車道線的屬性信息。
[0063]優(yōu)選的，上述操作具體包括:
[0064]針對(duì)篩選后的車道線，識(shí)別所述車道線的線形和顏色；
[0065]所述車道線的線形包括:實(shí)線，虛線，實(shí)線和虛線組成的復(fù)合線型以及實(shí)線和實(shí)線構(gòu)成的復(fù)合線型等；所述車道線的顏色包括白、黃以及藍(lán)等顯著不同的車道線顏色。通過計(jì)算一條車道線上所有像素顏色的平均值來(lái)識(shí)別車道線的顏色。
[0066]計(jì)算所述車道線在原始圖像中的像素尺寸；
[0067]根據(jù)拍攝所述原始圖像的拍攝參數(shù)和所述像素尺寸，計(jì)算車道線的物理寬度、物理長(zhǎng)度、中心線位置和邊緣線位置。
[0068]S170、根據(jù)所述車道線的屬性信息，以及所述原始圖像拍攝時(shí)的定位數(shù)據(jù)，確定所述車道線的地圖數(shù)據(jù)。
[0069]車道線的地圖數(shù)據(jù)可以用于二維地圖，優(yōu)選也可以用于三維地圖中，即上述操作具體可包括:
[0070]根據(jù)所述車道線的屬性信息，以及所述原始圖像拍攝時(shí)的點(diǎn)云數(shù)據(jù)，將二維的所述車道線數(shù)據(jù)投影至三維地圖中。根據(jù)S 160中計(jì)算得到的車道線的物理寬度、物理長(zhǎng)度、中心線位置和邊緣線位置，再結(jié)合利用工業(yè)相機(jī)采集原始圖像數(shù)據(jù)時(shí)的點(diǎn)云數(shù)據(jù)，將二維的所述車道線數(shù)據(jù)精確投影至三維空間中形成高精度三維地圖。所述點(diǎn)云數(shù)據(jù)包括利用激光雷達(dá)設(shè)備采集到的車輛周圍的物體三維數(shù)據(jù)以及拍攝原始圖像時(shí)工業(yè)相機(jī)在車輛上的安裝高度、拍攝視角和拍攝姿態(tài)等內(nèi)參數(shù)據(jù)以及車輛定位數(shù)據(jù)。
[0071]進(jìn)一步地，將二維的所述車道線數(shù)據(jù)投影至三維地圖中之后，還包括:根據(jù)所述車道線的車道線置信度和屬性信息，以及所述原始圖像拍攝時(shí)的GPS軌跡信息，將至少兩個(gè)原始圖像分別確定出的車道線進(jìn)行拼合。計(jì)算出三維空間中的車道線位置信息后，進(jìn)行車道拓?fù)潢P(guān)系分析，判斷從圖像中檢測(cè)到的車道線哪些滿足構(gòu)成真實(shí)三維空間路網(wǎng)中同一條車道線，哪兩條車道線構(gòu)成一個(gè)車道。如圖2所示三維空間中車道線擬合示意圖。
[0072]本實(shí)施例的技術(shù)方案，通過運(yùn)用深度學(xué)