一种基于道路标线语义分割的车辆测速方法

：本发明专利属于车辆测速，具体涉及一种基于道路标线语义分割的车辆测速方法。

背景技术

0、背景技术：

1、车辆速度是分析交通事故过程、认定事故事实、厘定事故原因的重要因素。除此之外，车辆速度也是跟驰模型、超车模型等技术研究中的重要参数。传统的车载测速设备价格昂贵、使用限制较大。随着技术的进步，依靠车载视觉系统进行车辆速度计算已经成为了一项关键技术，摄像头不仅价格低，而且获取的道路信息更加丰富。随着摄像头分辨率的不断提高，依靠其所进行的技术处理的精度也在不断提升。

2、公共安全行业标准ga/t 1133-2014中提出车载式视频图像的车辆行驶速度计算方法，即选定参照物，通过车辆驶过参照物的帧数计算车辆行驶速度。但该规范中所记录的帧数均为整数，会产生较大的误差。

3、本发明提出了可以计算非整帧的计数方案，以及基于相邻帧中车道线与检测线位置关系的测速规则，提高了车辆测速的精度，使用设备简单，操作便捷。

技术实现思路

0、技术实现要素：

1、有鉴于此，本发明的目的在于提供一种基于道路标线语义分割的车辆测速方法，本发明提供的基于道路标线语义分割的车辆测速方法，以深度学习语义分割模型结合车道线与检测线关系为基础，实现车载摄像头的车辆测速，以相邻帧车道线和检测线的位置为基础，实现了“非整帧计数”，提高了车速测量的精确性，实现了“空白区域”、“线区域”的循环测速，缩短了测速的时间窗，使得所测车速更接近瞬时车速。

2、本发明的技术方案公开了一种基于道路标线语义分割的车辆测速方法，其包括以下步骤：s1：训练语义分割模型；s2：车道线检测；s3：确定车道线轮廓；s4：确定检测线位置；s5：计算车辆通过帧数；s6：计算车辆速度；

3、其中，所述步骤s5计算车辆通过帧数具体包括以下步骤：

4、s51：划分区域，将虚线样式的车道线中的标线位置划分为线区域，将标线间的空白位置划分为空白区域；

5、s52：判断检测线所在区域，根据判断连续两帧车道线检测图像中的目标车道线轮廓的最高点和最低点与检测线之间的位置，进而判断检测线具体位于步骤s51中所划分的线区域还是空白区域；

6、s53：计算检测线通过相应区域的帧数

7、步骤s52所判断的情况1、情况5和情况6中检测线均位于空白区域，分别记为1；情况3中检测线位于线区域，记为1；

8、情况2中，空白区域残缺帧f空白区域1通过公式(1)进行计算，线区域残缺帧f线区域1通过公式(2)进行计算；

9、f空白区域1＝(m-vmax)/(v'max-vmax)            (1)

10、f线区域1＝1-f空白区域1                 (2)

11、式中vmax为前一帧中的最高点的坐标v值，v'max为当前帧中的最高点的坐标v值，m为检测线在图像坐标系v方向上的坐标值；

12、情况4中，线区域残缺帧f线区域2通过公式(3)进行计算，空白区域残缺帧f空白区域2通过公式(4)进行计算；

13、f线区域2＝(m-vmin)/(v'min-vmin)            (3)

14、f空白区域2＝1-f线区域2            (4)

15、式中vmin为前一帧中的最底点的坐标v值，v'min为当前帧中的最底点的坐标v值，m为检测线在图像坐标系v方向上的坐标值；

16、其中检测线通过空白区域的帧数总和f空白区域通过公式(5)进行计算，线区域的帧数总和f线区域通过公式(6)进行计算；

17、f空白区域＝f空白区域1+f空白区域i+f空白区域2        (5)

18、f线区域＝f线区域1+f线区域i+f线区域2          (6)

19、式中f空白区域i表示出现情况1、情况5和/或情况6的次数之和，f线区域i表示出现情况3的次数之和。

20、进一步的，其中所述步骤s52判断检测线所在区域的具体情况包括：

21、情况1：相邻两帧车道线检测图像中的目标车道线轮廓的最高点和最低点均未过检测线，表示检测线连续两帧位于空白区域；

22、情况2：相邻两帧车道线检测图像中前一帧中的目标车道线轮廓的最高点和最低点均为未过检测线，当前帧中的目标车道线轮廓的最高点过检测线而最低点未过检测线，表示在前一帧，检测线位于空白区域，当前帧检测线位于线区域；

23、情况3：相邻两帧车道线检测图像中的目标车道线轮廓的最高点均过检测线，最低点均未过检测线，表示检测线连续两帧位于线区域；

24、情况4：相邻两帧车道线检测图像中前一帧中的目标车道线轮廓的最高点过检测线，最低点未过检测线，当前帧中的目标车道线轮廓的最高点和最低点均过检测线，表示在前一帧，检测线位于线区域，当前帧检测线位于空白区域；

25、情况5：相邻两帧车道线检测图像中的目标车道线轮廓的最高点和最低点均过检测线，表示检测线连续两帧位于空白区域；

26、情况6：相邻两帧车道线检测图像中前一帧中的目标车道线轮廓的最高点和最低点均过检测线，当前帧中的目标车道线轮廓的最高点和最低点均未过检测线，表示检测线连续两帧位于空白区域。

27、进一步的，其中步骤s1训练语义分割模型具体包括：

28、s11：数据采集，从行车视频中每隔50帧提取一张图片，形成数据集；

29、s12：搭建语义分割模型，将deeplabv3 plus模型的主干网络更换为mobilenetv2，将整体模型轻量化，以满足实时性要求；在deeplabv3plus的aspp模块后加入cbam注意力模块，以此优化模型分割边界的精度；

30、s13：训练语义分割模型，采用步骤s12搭建的语义分割模型，使用步骤s11数据集对模型进行训练，使得模型能够识别车道线。

31、进一步的，其中步骤s2车道线检测具体包括：使用步骤s1得到的语义分割模型，对固定于车辆前方的摄像头采集的图片逐帧进行车道线检测，得到车道线检测图像。

32、进一步的，其中步骤s3确定车道线轮廓具体包括：

33、s31：寻找所有车道线轮廓，对步骤s2所得的车道线检测图像进行灰度化处理，然后采用最大类间方差法将图像数据二值化处理，得到二值图像；提取所述二值图像中的边界轮廓，通过闭运算增加轮廓的连通性，进而获取车道线轮廓；

34、s32：寻找目标车道线轮廓，选取步骤s31中，车道线轮廓中心点位于车道线检测图像下半区域，且通过opencv提供的函数cv2.contourarea()计算车道线轮廓面积，选取车道线轮廓面积大于等于100，作为车道线轮廓集合，在上述集合内选取车道线轮廓中心点距离车道线检测图像下边缘的其中一个端点的欧式距离最小的车道线轮廓作为目标车道线轮廓；

35、s33：输出目标车道线轮廓坐标极值，输出目标车道线轮廓在图像坐标系v方向上的最高点的vmax值与最低点的vmin值。

36、进一步的，其中步骤s4确定检测线位置具体包括：在所述步骤s3中确定目标车道线轮廓的车道线检测图像中沿u方向标定检测线，所述检测线与所述车道线检测图像下边缘之间的距离是所述车道线检测图像高度的六分之一。

37、进一步的，其中步骤s6计算车辆速度具体包括：

38、s61：车辆行驶过空白区域的速度vd，通过公式(7)计算；

39、

40、式中db表示空白区域的实际长度，fps表示摄像头的帧率，f空白区域为步骤s53中的空白区域的帧数总和；

41、s62：车辆行驶过线区域的速度vl,通过公式(8)计算；

42、

43、式中dl表示线区域的实际长度，fps表示摄像头的帧率，f线区域为步骤s53中的线区域的帧数总和。

44、本发明提供的车辆测速方法，以车行道分界线作为参照物，计算车辆通过虚线样式车行道分界线每一个线段区域与空白区域的平均速度，本发明选择摄像头进行数据采集，摄像头固定于车辆前方，无需对摄像头进行任何参数标定。

45、本发明的优点：

46、1、本发明公开了一种基于道路标线语义分割的车辆测速方法，以深度学习语义分割模型结合车道线与检测线关系为基础，实现车载摄像头的车辆测速。

47、2、本发明公开了一种基于道路标线语义分割的车辆测速方法，以相邻帧车道线和检测线的位置为基础，实现了“非整帧计数”，提高了车速测量的精确性。

48、3、本发明公开了一种基于道路标线语义分割的车辆测速方法，以相邻帧车道线和检测线的位置为基础，实现了“空白区域”、“线区域”的循环测速，缩短了测速的时间窗，使得所测车速更接近瞬时车速。