基于量化特征的车道线检测性能评测方法

本发明涉及一种车道线评测方法，具体是一种基于检测结果进行车道线评测的方法，属于智能汽车。

背景技术：

1、智能汽车是一个集环境感知、规划决策、多等级辅助驾驶等功能于一体的综合系统，为了保证汽车在行驶过程中的安全性，辅助驾驶系统需要保持汽车在道路上沿车道线移动，这要求对车道线有准确的感知。在实际情况下，道路状况千差万别，天气、阴影、雾气等带来的光照亮度的变化，障碍物带来的遮挡，污渍等带来的视觉干扰，摄像机拍摄角度变化带来的图像的严重变形，都会影响车道线识别的准确性。不光车道线检测是智能驾驶环境感知的研究热点，车道线检测性能的评测对于评价车道线检测性能的鲁棒性至关重要，对于智能驾驶汽车的产品应用落地具有重要的现实意义。

2、中国专利201911239409.8公开了一种车道线检测方法及其系统，所述方法包括如下步骤：获取车辆前方道路图像；对所述车辆前方道路图像进行预处理得到预处理图像；利用预先训练好的深度学习cnn网络对所述预处理图像进行处理得到各车道线位置点信息，并根据所述各车道线位置点信息拟合各车道线；对所述预处理图像进行二值化得到二值化图像，并根据所述二值化图像以及所述各车道线位置点信息确定车道线颜色信息；对所述预处理图像灰度化后进行图像阈值分割得到阈值分割图像，并根据所述阈值分割图像以及所述各车道线位置点信息确定车道线虚实信息。

3、中国专利202180000475.9提供了一种车道线检测方法和车道线检测装置，可以应用于自动驾驶或者智能驾驶领域。该方法包括：利用雷达获取地面的回波数据，该地面包括车道线；对上述回波数据进行预处理，得到第一数据；对该第一数据进行过滤处理，得到第二数据，该第二数据为幅值小于第一阈值的数据；对该第二数据进行成像处理，得到上述车道线的合成孔径雷达sar图像。上述车道线检测方法和车道线检测装置，能够获取到高分辨率的车道线的sar图像，有效地提高了车道线检测的精确度。

4、综上，目前车道线的评测方法多数是基于分割或分类的评测方法，仅仅评测检测到的像素是否为车道线上的像素，评测方法较为单一，并没有统一的评测模型。

5、本发明关注评测过程中关键的评测指标，将这些关键评测指标统一表示为量化特征，对于量化特征的不同子特征设计相应的性能评测模型，既可以得到单一评测指标的检测性能评分，也可能对不同的检测性能评分进行统一计算，得到车道线检测性能的综合评分。本发明方法具有很好的扩展性，如果有新的车道线检测性能评测模型，可以非常方便的对评测方法进行扩展。

技术实现思路

1、本发明的技术目的在于为评测车道线检测性能的评测建立了统一框架，将相关评测指标进行抽象和量化。车道线检测方法若是基于同一车道线检测数据集的检测结果，通过本发明的量化处理就能实现公平测评。本发明使车道线检测性能评测更科学、更公平。

2、本发明采用的技术方案为车道线检测性能评测方法，该方法的技术实现步骤如下，

3、s1，基于车道线检测结果建立车道线检测数据集，并基于车道线检测数据集和车道线检测结果分别进行统一量化，获取量化特征；

4、1)量化指标的选取与表示；

5、选取车道线的重要属性进行进行量化。选取的车道线属性信息包括：有效的车道线点序列、车道线的位置信息、车道线的类型、车道线的颜色。

6、有效的车道线点序列在世界坐标系下拟合方程为三次函数，形式如下：

7、f(x)＝c0+c1x+c2x2+c3x3,l≤x≤h

8、其中，c0代表本车车头到目标车道线的横向距离，坐标轴向左为正方向；c1代表车道线的航向角，本车车轴为中心相对于车道线的角度；c2代表车道线世界坐标系的二阶系数；c3代表车道线世界坐标系的三阶系数；l和h为相机视野内测量的车道线的最近和最远端点值。

9、2)车道线数据集的基准真值量化；

10、对车道线数据集的车道线属性按照量化指标进行真值量化。

11、(1)最优拟合参数的计算；

12、车道线数据集提供的有效的车道线点序列共包含q个数据点，分别表示为(xi，yi)，1≤i≤q。对每个数据点，有下面等式成立：

13、

14、数据点的误差平方和为：

15、

16、为了使误差平方和最小，应该满足

17、

18、化为矩阵形式：

19、

20、

21、

22、则有：

23、xc＝y c＝x-1y

24、得到的最优参数则为

25、(2)车道线位置信息的真值标注；

26、以本车车辆中心为依据，车道线位置信息分为主车道线和邻车道线。所述主车道线包括当前左车道线和当前右车道线，所述邻车道线包括左车道左车道线和右车道右车道线。当为当前左车道线时，pl＝1；当为当前右车道线时，pl＝2；当为左车道左车道线时，pl＝3；当为右车道右车道线时，pl＝4。

27、(3)车道线线型类型的真值标注；

28、车道线线型类型包括实线、虚线以及双线。当车道线线型类型为实线时，pt＝1；当车道线线型类型为虚线时，pt＝2；当车道线线型类型为双线时，pt＝3。

29、(4)车道线颜色类型的真值标注；

30、车道线颜色类型包括白色、黄色、红色、蓝色。当车道线颜色为白色时，pm＝1；当车道线颜色为黄色时，pm＝2；当车道线颜色为红色时，pm＝3；当车道线颜色为蓝色时，pm＝4。

31、通过以上操作(1)-(4)，获得车道线的真值量化特征为进行真值标注的车道线属性。3)车道线数据集的检测结果量化；

32、与步骤2)中(1)-(4)步骤类似，对车道线检测结果进行量化表示，获得车道线检测结果的量化特征{c0，c1，c2，c3，pl，pt，pm}。c0，c1，c2，c3，pl，pt，pm为检测结果的车道线属性。

33、s2，基于s1中的车道线数据集的真值量化特征和车道线检测结果的量化特征，建立车道线检测性能的评测模型；

34、(1)横向误差计算模型

35、单点i的横向偏差ei为

36、

37、其中，dgt是由参数拟合曲线方程计算得到的基准横向距离，ddt是检测值是由参数{c0，c1，c2，c3}拟合曲线方程计算得到的检测横向距离；角标i与单点i的含义相同。

38、距离区间[l,h]误差平均值n表示车道线上点的数量，l和h为相机视野内测量的车道线的最近和最远端点值。

39、

40、(2)车道线颜色分类精度计算模型

41、检测得到的车道线颜色与人工标定的基准值进行对比，获得正检率、误检率。颜色分类的精度为

42、

43、tp(pm)表示实际车道线颜色正确，分类为正确的数量；tn(pm)表示实际车道线颜色错误，分类为错误的数量；fp(pm)表示实际车道线颜色错误，分类为正确的数量；fn(pm)表示实际车道线颜色正确，分类为错误的数量。pm表示车道线颜色类型，包括白色、黄色、红色、蓝色。

44、(3)车道线线型分类精度计算模型

45、检测得到的车道线线型分类与人工标定的基准值进行对比，获得正检率、误检率。线型分类的精度为

46、

47、tp(pt)表示实际线型正确，分类为正确的数量；tn(pt)表示实际线型错误，分类为错误的数量；fp(pt)表示实际线型错误，分类为正确的数量；fn(pt)表示实际线型正确，分类为错误的数量。pt表示是车道线线型类型，包括实线、虚线以及双线；

48、(4)车道线位置信息精度计算模型

49、检测得到的车道线位置信息与人工标定的基准值进行对比，获得正检率、误检率。车道线位置信息的精度为

50、

51、tp(pl)表示实际车道线位置信息正确，分类为正确的数量；tn(pl)表示实际车道线位置信息错误，分类为错误的数量；fp(pl)表示实际车道线位置信息错误，分类为正确的数量；fn(pl)表示实际车道线位置信息正确，分类为错误的数量。pl表示是车道线位置信息，以本车车辆中心为依据，分为主车道线和邻车道线；

52、(5)车道线检测精度的综合评测模型

53、

54、其中，β0，β1，β2，β3，代表各评测指标的权重。

55、目前车道线的评测方法多数是基于分割或分类的评测方法，仅仅评测检测到的像素是否为车道线上的像素，评测方法较为单一，并没有统一的评测模型。与现有技术相比，本发明的车道线检测性能评测维度更丰富，突破了只从分割和分类的角度进行评测，从而使车道线检测性能评测方法更全面、更科学。核心创新点如下：

56、(1)通过筛选量化指标，提取量化特征，从而建立基于量化特征的车道线检测性能的统一评测框架。

57、(2)车道线的量化指标包括：车道线的多项式拟合参数、车道线的位置信息、车道线的类型、车道线的颜色。车道线的多项式拟合参数可以评测车道线的偏离程度，对于保证车辆的安全运行具有重要意义；车道线的位置信息、车道线的类型、车道线的颜色能否检测正确对智能汽车能否做出正确决策至关重要。

58、本发明方法具有很好的扩展性，如果有新的车道线检测性能评测模型，可以非常方便的对评测方法进行扩展。