一种车辆实验场地及其车道线检测方法

摘要

本发明涉及一种车辆实验场地及其车道线检测方法，属于智能驾驶控制技术领域。其中，车辆实验场地包括道路，道路上设置有直行车道线和/或弯道车道线，直行车道线和/或弯道车道线的图案采用折线车距确认线的形状。本发明设计的车道线不同于实际路面上的直线形车道线，不容易受到其他标线或地面划痕的干扰，使得车道线检测设备可以在逆光、雨天、模糊、车辆遮挡较多的场景下进行精准的识别和检测，使得在对车道线进行检测时具有更好的稳定性、鲁棒性和抗干扰性。该车道线还适用于在封闭园区内进行自动驾驶的专用车道线。

说明书

技术领域

本发明涉及一种车辆实验场地及其车道线检测方法，属于智能驾驶控制技术领域。

背景技术

采用基于视觉的车道线检测是一种有效的车辆辅助定位方式，相较于GPS，具有检测信息量大、不受外围环境干扰等优点，在道路标线检测和识别方面具有较大优势，可以通过对车道线的检测和识别，完成自动驾驶过程中道路的识别和跟踪功能，实现自动驾驶车辆的横向定位。而目前基于视觉技术进行定位的车道线，大多数都是依赖于道路上标准的黄色或白色的虚实直线车道线，该标准的长条形车道线由于虚线之间距离较大，容易存在没有车道线或检测不到车道线的情况，导致定位丢失。特别是在实验场地对于车辆控制性能检测时，若采用目前的虚实车道线作为车辆直行车道线和弯道车道线，则会在逆光、雨天、模糊、车辆遮挡较多的场景下影响车道线的检测，进而影响对车辆控制性能的检测。

发明内容

本发明的目的在于提供一种车辆实验场地，用以解决目前实验场地采用现有车道线导致车道线检测不准而影响车辆控制性能检测的问题；同时还提供一种车辆实验场地的车道线检测方法，用以解决目前实验场地采用现有车道线检测方法导致车道线检测不准而影响车辆控制性能检测的问题。

为实现上述目的，本发明提出一种车辆实验场地，包括道路，道路上设置有直行车道线和/或弯道车道线，直行车道线和/或弯道车道线的图案采用折线车距确认线的形状。

有益效果是：本发明设计的车道线不同于实际路面上的直线形车道线，有一定的宽度，不容易受到其他标线或地面划痕的干扰，使得车道线检测设备可以在逆光、雨天、模糊、车辆遮挡较多的场景下进行精准的识别和检测，使得在对车道线进行检测时具有更好的稳定性、鲁棒性和抗干扰性。该车道线还适用于在封闭园区内进行自动驾驶的专用车道线。

另外，本发明提出一种如上述车辆实验场地的车道线检测方法，该检测方法包括以下步骤：

1)在车辆行驶在所述车辆实验场地的过程中采集道路上的车道线的图像；

2)基于预先训练的车道线深度学习模型对采集的车道线图像进行检测，得到车道线分类的概率数值，以确定是否为车道线；

3)若是车道线，将车道线进行分割，对分割后得到的车道线图案进行中心点提取，对各中心点进行拟合，拟合后的曲线即为所检测出的车道线。

有益效果是：该方法中的车道线深度学习模型具有自动学习特征的优势，可以较好地自主学习和检测车道线图像特征，尤其是特殊形状的车道线图像特征，而且是对车道线每个图案的中心点进行拟合得到车道线，该车道线检测方法具有更好的稳定性、鲁棒性和抗干扰性，在车道线部分遮挡情况下，也能够检测出来，车道线的检测更加精确，进一步保证车辆横向定位的准确性。

进一步的，上述车辆实验场地中，直行车道线和弯道车道线均设置在道路的正中间。

有益效果是：对车道线进行信息采集的设备一般都具有畸变特性，在信息采集设备的边缘会有不同程度的变形和失真，而这种畸变无法消除只能去改善，本发明设计的车道线是在道路的正中间，处于信息采集设备视野的正中间位置，畸变最小，易于车道线的检测。

进一步的，上述车辆实验场地中，直行车道线和弯道车道线的图案均采用白色。

有益效果是：道路上的路面材料一般是沥青混凝土铺面道路，呈现为黑灰色，而白色与黑灰色的对比度相较其他颜色更高，且据统计白色标线的反射性也比黄色标线高大约53％，更易于车道线的检测和检测。

进一步的，上述车辆实验场地中，车道线上各图案的大小相同，相邻图案的间距相等。

有益效果是：各图案大小相同，间距相等可以降低车道线检测的复杂度，避免因个别车道线完全磨损或逆光严重等原因没有检测到，可以通过检测前后车道线实现车道线的检测，提高了车道线检测的准确度。

进一步的，上述车辆实验场地中，车道线上相邻图案的间距为35cm。

有益效果是：一般情况下，标准的车道线的前后间距一般大于4米，在进行车道线信息采集时，间隔距离长导致采集的车道线信息较少，因此本发明设计的车道线图案的间距为35cm，保证采集足够的车道线信息。

进一步的，上述车辆实验场地的车道线检测方法中，车道线深度学习模型为全卷积深度学习网络。

有益效果是：全卷积深度学习网络可以更好的自动学习特征，可以更好的自主学习和检测车道线图像特征。

进一步的，上述车辆实验场地的车道线检测方法中，步骤3)在各中心点进行拟合前，还需要进行插值处理。

有益效果是：通过插值处理对所分割出的车道线进行优化，进一步准确的表达出弯道处的车道线。

进一步的，上述车辆实验场地的车道线检测方法中，车道线深度学习模型的训练过程为：

A.对预先标注好的车道线图像数据进行车道线特征信息的数据训练，得到车道线深度学习模型；

B.将测试集中的车道线图像数据输入到训练后的车道线深度学习模型进行迭代测试，直至分类损失和回归损失趋于稳定，分类损失指的是预测标签与真实数据之间的损失，回归损失指的是预测车道线位置与标签数据车道线位置之间的损失。

有益效果是：通过该训练过程可以更加准确的得到车道线深度学习模型。

附图说明

图1为本发明直行车道线形状与尺寸图；

图2为本发明弯道车道线形状与尺寸图；

图3为本发明基于车道线检测方法进行横向定位的流程图；

图4为本发明生成车道线学习模型的流程图；

图5为本发明车辆的车身坐标系定义图；

图中：1、2为弯道车道线圆点。

具体实施方式

车辆实验场地的车道线检测方法实施例：

本实施例提出的车辆实验场地的车道线检测方法是基于一种车辆试验场地，该车辆实验场地，包括道路，道路上设置有如图1所示的直行车道线和/或如图2所示的弯道车道线，直行车道线和/或弯道车道线的图案均采用白色折线车距确认线的形状。该车道线适用于在封闭园区内进行自动驾驶的专用车道线。作为一种具体的实施方式，道路上设置直行车道线和弯道车道线，当然，按照具体的实验需求，车道上也可只设置直行车道线和弯道车道线中的其中一种，而且本发明的车道线是具有一定编码能力的标志线。

一般情况下，对车道线进行信息采集的设备是自动驾驶车辆前面正中央位置的单目视觉相机，具体安装在正前方的挡风玻璃上，确保单目视觉相机在雨刮器的工作范围内，视频图像像素大小为1280*720，对道路上的车道线进行大量的视频图像数据采集，考虑到视觉相机镜头的畸变特性，即在镜头的边缘会有不同程度的变形和失真，而这种畸变无法消除只能去改善，本实施例中，将直行车道线和弯道车道线均设置在道路的正中间，使得各车道线处于视觉相机视野的正中间位置，畸变最小更易于车道线的检测，当然，在不考虑视觉相机畸变特性的情况下，对直行车道线和弯道车道线在道路上的设置位置不做限定，可以偏道路左侧，也可以偏道路右侧。而且车道线进行信息采集的设备以及设备的安装位置的具体实施方式本发明不做限制，只要可以采集到车道线信息以及在雨刮器的工作范围内即可。

由于道路的路面材料一般是沥青混凝土铺面道路，呈现为黑灰色，因此，本实施例中，直行车道线和弯道车道线的图案均采用白色，油漆采用标准车道线使用的标准(参照国标要求)，采用白色的原因在于白色与黑灰色的对比度相较其他颜色更高，且据统计白色标线的反射性也比黄色标线高大约53％，更易于车道线的检测识别。作为其他实施方式，在不考虑检测难易的情况下，直行车道线和弯道车道线的图案均采用黄色或者其他颜色都是可以的。

为了降低车道线检测的复杂度，本实施例中，车道线上各图案的大小相同，相邻图案的间距相等，不可随意变动。弯道车道线上，保证弯道车道线上的圆点在一个弧线上，并且保证每两个图形间的间距仍然为35cm(即图2中弯道车道线圆点1与弯道车道线圆点2之间须保证35cm的距离)。当然在不考虑检测难易程度的情况下，相邻图案的间距可以不相等，而且各图案的大小也可以不完全相同。

为了保证采集足够的车道线信息，本实施例中，车道线上相邻图案的间距为35cm。作为其他实施方式，车道线上相邻图案的间距也可以为40cm，45cm等等其他数值，视觉相机只要可以采集足够的车道线信息即可。

本发明设计的车道线，从图形特殊性、检测冗余性(即相邻图案的间距)、颜色对比性以及视觉相机视野等各方面去考虑，解决复杂环境如雨天、逆光、弱光等下的车道线视觉效果看不清或无法检测识别的问题。而且该车道线不容易受到其他标线或地面划痕的干扰。

基于这种特殊设计的车道线，对该车道线进行检测并根据该车道检测方法进行车辆横向定位时，要采用如图3所示的方法：

1)在车辆行驶在上述车辆实验场地的过程中通过单目视觉相机采集道路上的车道线图像(即视频图像)。

2)基于预先训练的车道线深度学习模型对采集的车道线图像进行检测，检测过程为：对采集的车道线图像进行实时像素点分析，通过车道线深度学习模型自动提取特征进行概率的得分计算，得到车道线分类的概率数值，而后进行概率数值判断是属于车道线还是属于非车道线。

本实施例中，车道线深度学习模型为全卷积深度学习网络，而且车道线深度学习模型的训练过程如图4所示：

A.首先获取大量的车道线图像的原始图像数据，一部分原始图像数据为训练集，一部分原始图像数据为测试集，对训练集中的原始图像数据进行标注、筛选，同时构建全卷积神经网络，对预先标注好的车道线图像数据进行车道线特征信息的数据训练，反复训练得到全卷积深度学习网络；

B.将测试集中的原始图像数据输入到训练后的全卷积深度学习网络进行迭代测试，直至分类损失和回归损失不再有明显减小(即各类损失值≤设定值)，趋于稳定，生成最终的全卷积深度学习网络，分类损失指的是预测标签与真实数据之间的损失，回归损失指的是预测车道线位置与标签数据车道线位置之间的损失；

当然，作为其他实施方式，车道线深度学习模型也可以为受限玻尔兹曼机(RBM)、深度信念网络(DBNN)等其他学习网络。

3)若是车道线，那么借助回归方法计算得到车道线所处像素位置信息，从而提取出道路上的车道线，即将车道线进行分割，对分割后得到的车道线图案进行中心点提取，同时对分割出的车道线数据进行一系列插值优化处理，之后对各中心点进行拟合，得到三次曲线车道线方程(三次曲线车道线方程和较常见的线性或二次曲线相比，更能较精确地表达出弯道处的车道线)，拟合后的曲线即为所检测出的车道线；

建立三次曲线车道线方程是基于如图5所示的坐标系，以车身前方正中央位置为坐标原点，车辆的行驶方向为Y轴的正方向，车辆前方正中央到副驾驶的方向为X轴的正方向，三次曲线车道线方程为X＝C3*Y

至此，实现了道路上车道线的检测，那么车辆及根据所检测的车道线进行横向定位判断，以确定车辆的偏离程度，横向定位判断的过程如下：

根据拟合出的三次曲线车道线方程进行计算和判断，当Y＝0时，X＝C0，即车道线距离车身中心的横向距离，此时确保之前已经将单目视觉相机的坐标系和车身的坐标系进行标定重合；同时对Y进行求导计算，DX/DY＝3C3*Y

DX/DY＝arctan(DX/DY)＝3C3*Y

arctan(DX/DY)为航向角，即车辆行驶方向和车道线的夹角，取Y＝0时，arctan(DX/DY)＝C1，即小角度情况下，C1为航向角，那么依据车道线距离车身中心的横向距离C0和航向角C1的大小就可以分析当前车辆偏离车道线的程度，以此来完成横向定位的判断。具体判断偏离方法如下，根据预先设定好C0偏离的阈值(在0附近，包括上限和下限)，若车辆沿着本车道线的中间行驶时C0的值在阈值范围内，则没有偏离，继续行驶；若某时刻C0的值超出阈值，则车辆偏离，而且根据超出的是上限还是下限，判定车辆是往左偏离还是往右偏离，进而控制车辆横向运动使得C0在阈值范围内。同理，根据预先设定好C1的阈值(在0附近，包括上限和下限)，若车辆沿着本车道线的中间行驶时C1的值在阈值范围内，则没有偏离，继续行驶；若某时刻C1的值超出阈值，则车辆偏离，而且根据超出的是上限还是下限，判定车辆是往左偏离还是往右偏离，进而控制车辆横向运动使得C1在阈值范围内。本实施例中，为了保证车辆偏离判断的准确性，通过C0和C1共同判断车辆的横向偏离程度，只要其中一个值超出阈值，则表明车辆横向偏离，作为其他实施方式，也可以只用其中一个值进行横向偏离程度的确认。

车辆实验场地实施例：

本实施例提出的车辆实验场地，包括道路，道路上设置有直行车道线和/或弯道车道线，直行车道线和/或弯道车道线的图案采用白色折线车距确认线的形状。

直行车道线和弯道车道线的具体形状、尺寸以及图案在上述车辆实验场地的车道线检测方法实施例中已经介绍，这里不做赘述。