申请/专利权人：杭州电子科技大学

申请日：2020-08-03

公开（公告）日：2024-04-09

公开（公告）号：CN112053407B

主分类号：G06T7/90

分类号：G06T7/90;G06T3/4084;G06N3/0464;G06V10/82;G06V10/774;G06V10/44

优先权：

专利状态码：有效-授权

法律状态：2024.04.09#授权;2020.12.25#实质审查的生效;2020.12.08#公开

摘要：本发明公开了一种交通执法影像中基于AI技术的车道线自动检测方法，属于图像识别领域。因此本发明方法提出一种只预测车道线两个端点的方法，并针对车道线的特殊性对端点特征点对组合分析，最终达到标注工作量小，要求低，预测速度快，预测准确的有益效果。本发明方法检测速度快、准确率高。该检测结果除应用在车辆违法变道检测压实线检测外，还可以应用在一些需要使用图像数据检测车道线位置的实际场景应用中如车道数判断等。

主权项：1.一种交通执法影像中基于AI技术的车道线自动检测方法，其特征在于，步骤如下：S1：获取交通执法设备所拍摄的含有路口处车道线的违法图像数据集，且数据集的每张图像中均预先对车道线的两个端点进行标注；S2：对违法图像数据集中的每张违法图像及其对应的标注数据，依次进行预处理和数据增强，得到相同大小的输入数据；S3：构建用于车道线检测的卷积神经网络模型，所述卷积神经网络模型以Hourglass网络作为基础网络结构，其输入为归一化处理后的违法图像，在模型卷积神经网络最后一层得到5个通道，每个通道各自输出一个数值矩阵，分别为车道线上端点热图、车道线下端点热图、车道线中心端点热图、车道线上端点偏移量和车道线下端点偏移量；所述卷积神经网络模型的总损失函数为5个通道的输出结果损失之和；Hourglass网络的输出经过卷积和激活后，在卷积神经网络模型的最后一层得到5个通道，每个通道各自输出一个数值矩阵；S4：将S2的输入数据中的违法图像进行归一化处理后，转换为数值矩阵并输入所述卷积神经网络模型中，输出所述5个通道的数值矩阵；同时将S2的输入数据中的标注数据转换为所述5个通道输出结果的真值标签，一并输入所述卷积神经网络模型中；通过最小化总损失函数对卷积神经网络模型进行训练，直至模型收敛；S5：将待检测的违法图像进行与S2中相同的预处理后，输入S4中训练完毕的卷积神经网络模型中，得到5个通道输出的数值矩阵，分别从车道线上端点热图、车道线下端点热图中提取符合车道线端点阈值范围的特征点，并将提取到的上端点特征点和下端点特征点两两组合得到若干特征点对，对所有特征点对进行异常值筛除，得到满足车道线分布规律的最终特征点对；以每一对最终特征点对作为车道线的两个端点，在图像中确定一条车道线。

全文数据：

权利要求：

百度查询： 杭州电子科技大学 一种交通执法影像中基于AI技术的车道线自动检测方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD