車道線確定方法及裝置的制造方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明實施例涉及圖像處理技術(shù)領(lǐng)域，尤其涉及一種車道線確定方法及裝置。
【背景技術(shù)】
[0002] 隨著地圖導(dǎo)航技術(shù)的飛速發(fā)展，地圖導(dǎo)航技術(shù)成為了人們?nèi)粘３鲂斜夭豢缮俚墓?具。而在地圖導(dǎo)航中，車導(dǎo)航（包括自駕導(dǎo)航和無人駕駛導(dǎo)航）成為地圖導(dǎo)航中主要的導(dǎo) 航部分。而車導(dǎo)航中車道線的定位是決定導(dǎo)航準(zhǔn)確率和召回率的關(guān)鍵因素。
[0003] 現(xiàn)有車道線定位技術(shù)都是基于圖像處理和機器學(xué)習(xí)算法來進行的。主要有一下兩 種：第一種是將拍攝圖像投影到正視空間中，通過邊緣檢測、二值化、噪聲濾除以及線條擬 合來完成車道線的定位。第二種是直接在拍攝圖像中利用窗口進行掃描，通過機器學(xué)習(xí)的 方法判定屬于車道線的像素點，再通過線條擬合定位車道線。
[0004] 但是上述兩種方法的車道定位的準(zhǔn)確度均受限于拍攝場景，即針對于車道線和路 面反差較大、且不考慮遮擋和陰影、曝光正常的場景進行處理，才能獲得較好的車道線定位 效果，而上述場景在實際應(yīng)用中很難得到滿足。

【發(fā)明內(nèi)容】

[0005] 本發(fā)明實施例提供一種車道線定位方法及裝置，能夠精確定位各種拍攝場景下拍 攝圖像中的車道線。
[0006] 第一方面，本發(fā)明實施例提供了一種車道線確定方法，包括：
[0007] 對拍攝圖像進行逆投影變換；
[0008] 從逆投影變換后的圖像數(shù)據(jù)中提取包含待確定車道線的粗提取圖像數(shù)據(jù)；
[0009] 將所述粗提取圖像數(shù)據(jù)輸入第一卷積神經(jīng)網(wǎng)絡(luò)模型進行識別，得到所述待確定車 道線的第一識別結(jié)果；
[0010] 對所述粗提取圖像數(shù)據(jù)進行逆投影反變換，將反變換后的待確定車道線的圖像數(shù) 據(jù)輸入第二卷積神經(jīng)網(wǎng)絡(luò)模型進行識別，得到所述待確定車道線的第二識別結(jié)果；
[0011] 根據(jù)第一識別結(jié)果和第二識別結(jié)果將滿足第一預(yù)設(shè)條件的待確定車道線確定為 真實的車道線。
[0012] 第二方面，本發(fā)明實施例還提供一種車道線確定裝置，包括：
[0013]圖像變換模塊，用于對拍攝圖像進行逆投影變換；
[0014] 粗提取模塊，用于從逆投影變換后的圖像數(shù)據(jù)中提取包含待確定車道線的粗提取 圖像數(shù)據(jù)；
[0015] 第一識別模塊，用于將所述粗提取圖像數(shù)據(jù)輸入第一卷積神經(jīng)網(wǎng)絡(luò)模型進行識 另IJ，得到所述待確定車道線的第一識別結(jié)果；
[0016] 第二識別模塊，用于對所述粗提取圖像數(shù)據(jù)進行逆投影反變換，將反變換后的待 確定車道線的圖像數(shù)據(jù)輸入第二卷積神經(jīng)網(wǎng)絡(luò)模型進行識別，得到所述待確定車道線的第 二識別結(jié)果；
[0017] 車道線確定模塊，用于根據(jù)第一識別結(jié)果和第二識別結(jié)果將滿足第一預(yù)設(shè)條件的 待確定車道線確定為真實的車道線。
[0018] 本發(fā)明實施例通過對拍攝圖像進行逆投影變換，從逆投影變換后的圖像數(shù)據(jù)中提 取包含待確定車道線的粗提取圖像數(shù)據(jù)，一方面將所述粗提取圖像數(shù)據(jù)輸入第一卷積神經(jīng) 網(wǎng)絡(luò)模型進行識別，得到所述待確定車道線的第一識別結(jié)果，另一方面，對所述粗提取圖像 數(shù)據(jù)進行逆投影反變換，將反變換后的待確定車道線的圖像數(shù)據(jù)輸入第二卷積神經(jīng)網(wǎng)絡(luò)模 型進行識別，得到所述待確定車道線的第二識別結(jié)果，最后根據(jù)第一識別結(jié)果和第二識別 結(jié)果將滿足第一預(yù)設(shè)條件的待確定車道線確定為真實的車道線。本發(fā)明實施例能夠精確定 位各種拍攝場景下拍攝圖像中的車道線。
【附圖說明】
[0019] 圖1A為本發(fā)明實施例一提供的車道線確定方法的流程示意圖；
[0020] 圖1B為本發(fā)明實施例一提供的車道線確定方法中第一種車道線截取區(qū)域示意 圖；
[0021] 圖1C為本發(fā)明實施例一提供的第一種車道線提取結(jié)果示意圖；
[0022] 圖1D為本發(fā)明實施例一提供的車道線確定方法中第二種車道線截取區(qū)域示意 圖；
[0023] 圖1E為本發(fā)明實施例一提供的車道線確定方法中的第二種車道線提取結(jié)果示意 圖；
[0024] 圖1F為本發(fā)明實施例一提供的車道線確定方法中的第一種實驗結(jié)果示意圖；
[0025] 圖1G為本發(fā)明實施例一提供的車道線確定方法中的第二種實驗結(jié)果示意圖；
[0026] 圖2為本發(fā)明實施例二提供的車道線確定裝置的結(jié)構(gòu)示意圖。
【具體實施方式】
[0027] 下面結(jié)合附圖和實施例對本發(fā)明作進一步的詳細說明?？梢岳斫獾氖牵颂幩?述的具體實施例僅僅用于解釋本發(fā)明，而非對本發(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)。
[0028] 本發(fā)明實施例提供的車道線確定方法的執(zhí)行主體，可為本發(fā)明實施例提供的車道 線確定裝置，或者集成了所述車道線確定裝置的終端設(shè)備（例如，車載客戶端）或服務(wù)器， 該車道線確定裝置可以采用硬件或軟件實現(xiàn)。
[0029] 實施例一
[0030] 圖1A為本發(fā)明實施例一提供的車道線確定方法的流程示意圖，如圖1A所示，具體 包括：
[0031] S11、對拍攝圖像進行逆投影變換；
[0032] 具體的，由于車載相機的擺放方式為平行于地面，攝像頭沿著車輛前進方向進行 拍攝。在這種拍攝角度下，車道線從近到遠呈現(xiàn)寬度越來越窄的形態(tài)，且不互為平行線，無 限遠處交于消失點處。該種拍攝角度下難以進行車道線定位，因此，首先需要通過逆投影將 相機的視角調(diào)整為垂直于地面。
[0033] 例如，設(shè)相機對應(yīng)的三維空間坐標(biāo)為（X，Y，Z)，相機的參數(shù)為：焦距fJPfy，光心坐 標(biāo)cdPcy，姿態(tài)角為α、β和γ，在相機內(nèi)成像的所述拍攝圖像中的像素點坐標(biāo)為（x，y)。 那么可采用如下公式完成拍攝圖像的逆投影變換：
[0034]
[0035] 經(jīng)過上述逆投影變換后，所有車道線呈現(xiàn)遠近寬度一致，且互為平行線，接近豎直 方向。
[0036]S12、從逆投影變換后的圖像數(shù)據(jù)中提取包含待確定車道線的粗提取圖像數(shù)據(jù)；
[0037] 具體的，可采用圖像提取算法從逆投影變換后的圖像數(shù)據(jù)中初步提取出包含待確 定車道線的圖像數(shù)據(jù)。
[0038]S13、將所述粗提取圖像數(shù)據(jù)輸入第一卷積神經(jīng)網(wǎng)絡(luò)模型進行識別，得到所述待確 定車道線的第一識別結(jié)果；
[0039] 其中，所述第一卷積神經(jīng)網(wǎng)絡(luò)模型在對粗提取圖像數(shù)據(jù)進行處理的過程中，可以 濾除粗提取圖像數(shù)據(jù)中存在的噪聲，例如地面文字、箭頭等，從而得到粗提取圖像數(shù)據(jù)中包 含的待確定車道線的第一識別結(jié)果。
[0040]S14、對所述粗提取圖像數(shù)據(jù)進行逆投影反變換，將反變換后的待確定車道線的圖 像數(shù)據(jù)輸入第二卷積神經(jīng)網(wǎng)絡(luò)模型進行識別，得到所述待確定車道線的第二識別結(jié)果；
[0041] 其中，第二卷積神經(jīng)網(wǎng)絡(luò)模型在對粗提取圖像數(shù)據(jù)進行處理的過程中，可以濾除 粗反變換后的待確定車道線的圖像數(shù)據(jù)中欄桿、路沿以及汽車金屬框的干擾，從而得到粗 提取圖像數(shù)據(jù)中包含的待確定車道線的第二識別結(jié)果。
[0042] 另外，為了提高處理速度，步驟S13和步驟S14可以并行處理。
[0043] S15、根據(jù)第一識別結(jié)果和第二識別結(jié)果將滿足第一預(yù)設(shè)條件的待確定車道線確 定為真實的車道線。
[0044] 其中，第一預(yù)設(shè)條件可自定義設(shè)置。例如，可將所述預(yù)設(shè)條件設(shè)置為某一閾值。
[0045] 根據(jù)預(yù)設(shè)條件綜合考慮第一識別結(jié)果和第二識別結(jié)果，從而確定待確定車道線是 否為真實的車道線。
[0046] 本實施例通過對拍攝圖像進行逆投影變換，從逆投影變換后的圖像數(shù)據(jù)中提取包 含待確定車道線的粗提取圖像數(shù)據(jù)，一方面將所述粗提取圖像數(shù)據(jù)輸入第一卷積神經(jīng)網(wǎng)絡(luò) 模型進行識別，得到所述待確定車道線的第一識別結(jié)果，另一方面，對所述粗提取圖像數(shù)據(jù) 進行逆投影反變換，將反變換后的待確定車道線的圖像數(shù)據(jù)輸入第二卷積神經(jīng)網(wǎng)絡(luò)模型進 行識別，得到所述待確定車道線的第二識別結(jié)果，最后根據(jù)第一識別結(jié)果和第二識別結(jié)果 將滿足第一預(yù)設(shè)條件的待確定車道線確定為真實的車道線。本實施例能夠精確定位各種拍 攝場景下拍攝圖像中的車道線。
[0047] 示例性的，在上述實施例的基礎(chǔ)上，從逆投影變換后的圖像數(shù)據(jù)中提取包含待確 定車道線的粗提取圖像數(shù)據(jù)具體包括：
[0048] 利用形態(tài)學(xué)操作中的頂帽和底帽以邏輯或的方式對逆投影變換后的圖像數(shù)據(jù)進 行濾波；
[0049] 對濾波后的圖像數(shù)據(jù)進行二值化操作；
[0050] 對二值化后的圖像數(shù)據(jù)進行隨機霍夫變換；