車道線的識別建模方法和裝置、識別方法和裝置的制造方法
【技術領域】
[0001] 本發(fā)明實施例涉及基于位置服務技術領域，尤其涉及一種車道線的識別建模方法 和裝置、識別方法和裝置。
【背景技術】
[0002] 在各種基于位置服務技術中，對車道線的位置、類型、寬度、顏色以及數量的檢測， 對于自動/輔助駕駛、地圖導航以及地理基礎數據生成都有著重要的意義。
[0003] 現有的車道線的檢測基本遵循這樣的過程：對原始圖像進行邊緣檢測，對邊緣檢 測的結果進行二值化處理，對二值化處理進行Hough變換、隨機Hough變換或者ransac算 法提取車道線，最后對提取的車道線進行精細化處理。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，對車道線的識別準確率較高。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，現有的檢測方法的檢測準確率并不高。

【發(fā)明內容】

[0004] 針對上述技術問題，本發(fā)明實施例提供了一種車道線的識別建模方法和裝置、識 別方法和裝置，以提高對車道線進行檢測的檢測準確率。
[0005] 第一方面，本發(fā)明實施例提供了一種車道線的識別建模方法，所述方法包括：
[0006] 基于二維濾波，從圖像中識別車道線的圖像區(qū)域；
[0007] 利用識別得到的圖像區(qū)域，構造模型訓練數據；
[0008] 利用所述模型訓練數據，訓練基于卷積神經網絡的車道線識別模型。
[0009] 第二方面，本發(fā)明實施例還提供了一種車道線的識別建模裝置，所述裝置包括： [0010] 識別模塊，用于基于二維濾波，從圖像中識別車道線的圖像區(qū)域；
[0011] 構造模塊，用于利用識別得到的圖像區(qū)域，構造模型訓練數據；
[0012] 訓練模塊，用于利用所述模型訓練數據，訓練基于卷積神經網絡的車道線識別模 型。
[0013] 第三方面，本發(fā)明實施例還提供了一種車道線的識別方法，所述方法包括：
[0014] 基于二維濾波，從圖像中識別車道線的圖像區(qū)域；
[0015] 將已經識別了車道線的圖像區(qū)域的圖像輸入至基于卷積神經網絡的車道線識別 模型，得到所述模型的輸出概率；
[0016] 基于所述輸出概率，進行模型重建，以識別輸入圖像中的車道線。
[0017] 第四方面，本發(fā)明實施例還提供了一種車道線的識別裝置，所述裝置包括：
[0018] 區(qū)域識別模塊，用于基于二維濾波，從圖像中識別車道線的圖像區(qū)域；
[0019] 概率計算模塊，用于將已經識別了車道線的圖像區(qū)域的圖像輸入至基于卷積神經 網絡的車道線識別模型，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，進行模型重建，以識別輸入圖像中的車道 線。
[0021] 本發(fā)明實施例提供的車道線的識別方法，通過基于二維濾波，從圖像中識別車道 線的圖像區(qū)域，將已經識別了車道線的圖像區(qū)域的圖像輸入至基于卷積神經網絡的車道線 識別模型，得到所述模型的輸出概率，基于所述輸出概率，進行模型重建，以識別輸入圖像 中的車道線，從而綜合考慮圖像中車道線圖像區(qū)域中可能出現的各種異常情況，提高了對 車道線進行檢測的檢測準確率。
【附圖說明】
[0022] 通過閱讀參照以下附圖所作的對非限制性實施例所作的詳細描述，本發(fā)明的其它 特征、目的和優(yōu)點將會變得更明顯：
[0023] 圖1是本發(fā)明第一實施例提供的車道線的識別建模方法的流程圖；
[0024] 圖2是本發(fā)明第二實施例提供的車道線的識別建模方法的流程圖；
[0025] 圖3是本發(fā)明第三實施例提供的車道線的識別建模方法中識別步驟的流程圖；
[0026] 圖4是本發(fā)明第四實施例提供的車道線的識別建模方法中構造步驟的流程圖；
[0027] 圖5是本發(fā)明第四實施例提供的感興趣區(qū)域的示意圖；
[0028] 圖6是本發(fā)明第五實施例提供的車道線的識別方法的流程圖；
[0029] 圖7A是本發(fā)明第五實施例提供的大量遮擋場景下的車道線識別的識別結果圖；
[0030] 圖7B是本發(fā)明第五實施例提供的陰影場景下的車道線識別的識別結果圖；
[0031] 圖7C是本發(fā)明第五實施例提供的光照變換場景下的車道線識別的識別結果圖；
[0032] 圖7D是本發(fā)明第五實施例提供的地面標記干擾場景下的車道線識別的識別結果 圖；
[0033] 圖8是本發(fā)明第六實施例提供的車道線的識別方法的流程圖；
[0034] 圖9是本發(fā)明第七實施例提供的車道線的識別建模裝置的結構圖；
[0035] 圖10是本發(fā)明第八實施例提供的車道線的識別裝置的結構圖。
【具體實施方式】
[0036] 下面結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)明相關的部分而非全部結構。
[0037] 第一實施例
[0038] 本實施例提供了車道線的識別建模方法的一種技術方案。所述車道線的識別建模 方法由車道線的識別建模裝置執(zhí)行。并且，所述車道線的識別建模裝置可以集成在個人電 腦、工作站或者服務器等計算設備中。
[0039] 參見圖1，所述車道線的識別建模方法包括：
[0040] S11，基于二維濾波，從圖像中識別車道線的圖像區(qū)域。
[0041] 所述圖像是在行車道路上實際采集的，包含車道線的圖像數據。以往的車道線識 別方法大都存在著適應性不強，識別準確率不高的問題。具體表現在于，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，或者圖像中出現了大量的陰 影區(qū)域，則對于圖像中的車道線的識別結果會出現虛警或者誤判。
[0042] 本實施例為了提高車道線識別的適應性和準確率，提供了一種車道線的識別模型 的訓練方法，也就是車道線的識別建模方法。通過所述車道線的識別建模方法，能夠訓練用 于準確識別圖像中的車道線的卷積神經網絡。而且，所述卷積神經網絡能夠適應圖像的場 景變化，適應范圍更廣。
[0043] 具體的，可以通過對圖像的濾波，對車道線的圖像區(qū)域進行增強，再根據增強以 后，獲取所述車道線的圖像區(qū)域。更為具體的，構造了用于對所述圖像進行濾波的hat-like 濾波核，通過所述hat-like濾波核對圖像的濾波增強車道線的圖像區(qū)域，根據增強的圖像 區(qū)域獲取所述車道線對應的連通域，最后所述連通域的邊界進行直線擬合，從而完成對車 道線的圖像區(qū)域的識別。
[0044] S12,利用識別得到的圖像區(qū)域，構造模型訓練數據。
[0045] 完成對所述車道線的圖像區(qū)域的識別之后，基于所述車道線的圖像區(qū)域，構造用 于訓練車道線識別模型的模型訓練數據。
[0046] 具體的，可以將所述車道線的圖像區(qū)域向外進行擴寬，并將擴寬后的圖像區(qū)域作 為感興趣區(qū)域。所述感興趣區(qū)域就是用于訓練所述車道線識別模型的訓練數據。
[0047] S13,利用所述模型訓練數據，訓練基于卷積神經網絡的車道線識別模型。
[0048] 在本發(fā)明中，所述車道線識別模型是一個基于卷積神經網絡的車道線識別模型。 所述卷積神經網絡包括若干卷積層和子采樣層。所述卷積層的數量與所述子采樣層的數量 相同。所述卷積神經網絡還包括若干全連接層。獲取到輸入至所述卷積神經網絡的圖像之 后，所述卷積神經網絡能夠給出所述圖像屬于真實車道線的概率的取值，也就是所 述車