一種基于無(wú)人機(jī)影像的高精地圖車道線檢測(cè)與提取方法

呂可晶，嚴(yán) 虹

(1.中國(guó)科學(xué)院地理科學(xué)與資源研究所 資源與環(huán)境信息系統(tǒng)國(guó)家重點(diǎn)實(shí)驗(yàn)室，北京 100101；2.中國(guó)科學(xué)院大學(xué) 資源與環(huán)境學(xué)院，北京 100049)

隨著無(wú)人駕駛的興起，以及其他基于位置的新型服務(wù)和行業(yè)的出現(xiàn)，使得地圖的服務(wù)對(duì)象不再僅僅是人類，而是逐漸向機(jī)器過(guò)渡，這對(duì)地圖的精度、內(nèi)容結(jié)構(gòu)和計(jì)算模式等都提出了新的要求[1]。高精度地圖作為實(shí)現(xiàn)無(wú)人駕駛中的重要環(huán)節(jié)，包含了豐富的動(dòng)態(tài)信息，可以為無(wú)人駕駛提供精準(zhǔn)的定位、輔助環(huán)境感知，同時(shí)提高無(wú)人駕駛的安全性[2]。相比于傳統(tǒng)的導(dǎo)航電子地圖，高精度地圖不僅要求亞米級(jí)的高精度絕對(duì)坐標(biāo)，而且要能準(zhǔn)確描繪道路形狀、車道線、車道中心線和交通標(biāo)志等道路交通信息元素，具備高精度(高地圖數(shù)據(jù)精度)、高豐富度(高地圖數(shù)據(jù)類型)、高實(shí)時(shí)性(高地圖更新頻率)等特點(diǎn)[3]。車道線是自動(dòng)駕駛高精度地圖的重要組成部分，指示并約束車輛在車道中行駛，車道線檢測(cè)成為高精度地圖生產(chǎn)的重要環(huán)節(jié)之一。

目前，高精度地圖的車道線檢測(cè)多是采用車載單/多目攝像機(jī)傳感器獲取車道線信息，這類車道檢測(cè)方法分為兩類，一種是基于特征方法，通過(guò)分析圖像的顏色、梯度以及邊緣等低層次特征提取車道線[4-6]。如：周宏宇等[7]使用Haar特征提取車道線特征，選擇AdaBoost分類器實(shí)現(xiàn)了較高的檢測(cè)精度；易世春等[8]利用圖像梯度對(duì)道路有效邊緣特征進(jìn)行提取、聚類和分類形成車道線；另一種則利用卷積神經(jīng)網(wǎng)絡(luò)強(qiáng)大的特征提取能力進(jìn)行車道線檢測(cè)[9-10]。如Huval等[11]基于卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行車道線的檢測(cè)；Neven等[12]設(shè)計(jì)了LaneNet和H-Net分支網(wǎng)絡(luò)模型，預(yù)測(cè)轉(zhuǎn)換矩陣H，并使用轉(zhuǎn)換矩陣H透視變換到鳥(niǎo)瞰視圖，對(duì)屬于同一車道線的像素點(diǎn)進(jìn)行聚類，實(shí)現(xiàn)了多條車道線端到端的檢測(cè)。

但是這些基于車載影像的檢測(cè)方法存在以下問(wèn)題：1)地面攝像頭的成像范圍有限，單次檢測(cè)覆蓋范圍過(guò)小，大規(guī)模檢測(cè)時(shí)效率較低，不適合大規(guī)模的高精度地圖制作；2)地面成像視角，使檢測(cè)的車道線需要經(jīng)過(guò)透視變換獲得俯視圖生成完整的高精度地圖，透視變換會(huì)引入投影誤差，當(dāng)多張俯視圖拼接時(shí)誤差累計(jì)傳遞難以控制；3)地面影像采集設(shè)備依賴GPS和慣性導(dǎo)航設(shè)備獲取坐標(biāo)信息，定位信號(hào)的丟失會(huì)造成局部車道線位置信息丟失；4)地面數(shù)據(jù)采集車成本高、部署不便，高精度地圖的每次更新都需要將采集設(shè)備發(fā)送到任務(wù)區(qū)，經(jīng)濟(jì)性不高，更新不靈活。

高分辨率遙感影像是地圖繪制的重要數(shù)據(jù)源，利用高分辨率影像提取道路信息[13-16]，一直以來(lái)都是比較熱門的研究課題，但受限于遙感影像的空間分辨率(大多為米級(jí)以上)，難以提取車道級(jí)信息(需要厘米級(jí))，此外遙感影像更新周期也不夠靈活。相較于衛(wèi)星遙感影像，無(wú)人機(jī)可以靈活獲取厘米級(jí)精度的高分辨率影像，同時(shí)與車載攝像頭相比，無(wú)人機(jī)具有成像視角和成像高度的優(yōu)勢(shì)，可以獲得大范圍的俯視影像，是繪制更新高精度地圖的理想數(shù)據(jù)源。但是由于無(wú)人機(jī)影像中非道路區(qū)域背景復(fù)雜，車道線目標(biāo)狹小難以直接檢測(cè)，目前基于航拍影像提取車道的研究很少，現(xiàn)有如：Azimi等[17]提出了一種Aerial LaneNet網(wǎng)絡(luò)，基于全卷積網(wǎng)絡(luò)直接從無(wú)人機(jī)影像檢測(cè)車道線；Jin等[18]通過(guò)離散小波變換對(duì)無(wú)人機(jī)影像將分辨率處理，使用傳統(tǒng)的閾值分割識(shí)別道路區(qū)域，過(guò)濾非車道區(qū)域的特征。

綜上所述，基于車載影像檢測(cè)車道線的方法不適用大規(guī)模高精度地圖制作和更新，而衛(wèi)星遙感影像方法受限于空間分辨率和更新周期，無(wú)法快速靈活獲得車道級(jí)的信息。目前少量的基于無(wú)人機(jī)影像數(shù)據(jù)的車道檢測(cè)研究，也存在以下問(wèn)題：1)針對(duì)航拍影像的車道線檢測(cè)數(shù)據(jù)集相對(duì)缺失，航拍影像中車道線目標(biāo)較小容易造成樣本不均衡，且航拍道路影像中道路路面具有相似性，難以產(chǎn)生差異性的樣本集[19]，這直接影響深度學(xué)習(xí)方法的訓(xùn)練和檢測(cè)效果；2)現(xiàn)有基于航拍影像提取車道線的研究，多使用傳統(tǒng)方法識(shí)別道路區(qū)域，難以有效去除非道路區(qū)域噪聲干擾。

針對(duì)這些問(wèn)題，筆者提出了新的基于U-Net網(wǎng)絡(luò)和圖像視覺(jué)特征的解決方案。使用U-Net網(wǎng)絡(luò)對(duì)無(wú)人機(jī)影像語(yǔ)義分割獲取道路區(qū)域，再結(jié)合影像的視覺(jué)特征在道路區(qū)域內(nèi)進(jìn)一步檢測(cè)車道線，實(shí)現(xiàn)基于無(wú)人機(jī)航拍影像的車道線提取。本方法的優(yōu)點(diǎn)是：1)以無(wú)人機(jī)影像作為數(shù)據(jù)源，具有影像成像范圍廣和無(wú)須透視變換的特點(diǎn)，避免了地面攝像頭影像成像范圍小，多次透視變換拼接誤差累積的問(wèn)題；2)采用深度學(xué)習(xí)U-Net網(wǎng)絡(luò)識(shí)別道路區(qū)域，更好地解決非道路區(qū)域背景噪聲影響；3)在道路區(qū)域內(nèi)利用車道線顏色和結(jié)構(gòu)特性檢測(cè)車道線，不需要額外高質(zhì)量的訓(xùn)練數(shù)據(jù)集。本研究中提出的車道線檢測(cè)方法可以幫助高精度地圖實(shí)現(xiàn)低成本、高效、靈活的繪制與更新。

1 技術(shù)路線

本文中基于無(wú)人機(jī)影像提取車道線的方法分為：道路區(qū)域識(shí)別、車道線特征提取和道路區(qū)域內(nèi)的車道線檢測(cè)，如圖1所示。道路區(qū)域識(shí)別通過(guò)構(gòu)建U-Net網(wǎng)絡(luò)模型，并對(duì)其訓(xùn)練用以分割無(wú)人機(jī)航拍影像，識(shí)別出道路區(qū)域作為掩膜。道路區(qū)域內(nèi)的車道線提取依賴于無(wú)人機(jī)影像的視覺(jué)特征，通過(guò)顏色空間變換提取圖像顏色特征，使用Sobel算子提取車道線邊緣方向的梯度，并借助道路區(qū)域掩膜過(guò)濾掉非道路背景噪聲，使用Otsu算法對(duì)車道線顏色特征和梯度特征分割，獲得二值化車道線特征圖。車道線檢測(cè)基于形態(tài)學(xué)濾波后的二值化特征圖，使用滑動(dòng)窗口算法實(shí)現(xiàn)車道線的定位并采用多項(xiàng)式擬合。

圖1 基于無(wú)人機(jī)影像提取車道線方法流程Fig. 1 Flow chart of lane line extraction based on UAV image

2 研究方法

2.1 U-Net網(wǎng)絡(luò)結(jié)構(gòu)

U-Net網(wǎng)絡(luò)[20]建立在FCN網(wǎng)絡(luò)基礎(chǔ)之上，最初用來(lái)做醫(yī)學(xué)圖像的處理目前也已廣泛應(yīng)用到遙感地物提取方面。U-Net網(wǎng)絡(luò)是一種U型編碼器——解碼器結(jié)構(gòu)，與CNN等大多數(shù)網(wǎng)絡(luò)類似，U-Net網(wǎng)絡(luò)主要由輸入層、隱藏層、輸出層構(gòu)成。編碼階段圖2左側(cè)與VGG網(wǎng)絡(luò)類似，主要由簡(jiǎn)單的卷積、池化下采樣構(gòu)成。采用的是3×3和1×1的卷積核進(jìn)行卷積操作，其中3×3用于提取特征，1×1用于改變維度。將用于下采樣的最大池化層尺寸設(shè)置為2×2，獲得包括輸入的圖像總計(jì)5個(gè)尺度。在解碼階段圖2右側(cè)進(jìn)行上采樣和多尺度特征融合，逐步恢復(fù)空間維度并修復(fù)物體的細(xì)節(jié)信息。U-Net網(wǎng)絡(luò)使用轉(zhuǎn)置卷積卷積完成上采樣，將編碼階段各個(gè)尺度的特征信息進(jìn)行拷貝，分別疊加到解碼階段相對(duì)應(yīng)的特征圖中實(shí)現(xiàn)多尺度特征融合。對(duì)比于FCN的躍級(jí)結(jié)構(gòu)不同，U-Net網(wǎng)絡(luò)特征融合的方式在channel維度進(jìn)行拼接形成更厚的高維度特征，從而減少下采樣過(guò)程中的信息損失，為特征圖增加細(xì)節(jié)信息提高分割的精度。

隨著網(wǎng)絡(luò)層數(shù)的加深，激活函數(shù)輸入值的分布在訓(xùn)練過(guò)程中會(huì)逐漸偏移，使得反向傳播時(shí)低層的神經(jīng)網(wǎng)絡(luò)梯度消失。針對(duì)梯度消失問(wèn)題，使用批標(biāo)準(zhǔn)化(batch normalization，BN)，固定每層神經(jīng)網(wǎng)絡(luò)的輸入分布，以此解決梯度彌散問(wèn)題。

圖2 U-Net網(wǎng)絡(luò)模型結(jié)構(gòu)Fig. 2 Structure of U-Net

2.2 車道線視覺(jué)特征提取

我國(guó)對(duì)于車道線的線型、線寬、顏色等有明確的規(guī)定，相對(duì)于路面環(huán)境車道線的顏色特性和結(jié)構(gòu)特性明顯，根據(jù)這些特征即可實(shí)現(xiàn)車道線的檢測(cè)和定位，使用梯度特征和顏色特征進(jìn)行車道線檢測(cè)。

2.2.1 顏色特征

低空無(wú)人機(jī)影像多采用RGB顏色模式，顏色空間是一種心理物理色的顏色系統(tǒng)，難以模擬人類對(duì)顏色的視覺(jué)感知，且不易分割和計(jì)算。根據(jù)《道路交通標(biāo)志和標(biāo)線》[21]規(guī)定，我國(guó)的車道線為白色和黃色兩種，在HSL顏色空間中白色和黃色的飽和度明顯高于路面環(huán)境顏色，因此HSL顏色空間更適合分離車道線。HSL空間以S分量表示飽和度，白色和黃色在的值遠(yuǎn)大于路面顏色，根據(jù)S分量可以從路面區(qū)域中分離出車道線。

2.2.2 梯度特征

車道線相比于周圍路面環(huán)境有著明顯的梯度、灰度等邊緣特征。常用的等邊緣提取算法如Canny算法，提取車道線特征的同時(shí)，也會(huì)提取圖像中其他方向無(wú)關(guān)的邊緣梯度特征引入噪音。相對(duì)于Canny算子，Sobel算子可以單獨(dú)計(jì)算橫向或者縱向的梯度，通過(guò)橫向和縱向的梯度獲得像素的梯度方向，因此使用Sobel算子來(lái)提取道路的邊緣梯度特征。Sobel算子求圖像方向梯度的過(guò)程可以理解為求圖像的x、y方向的一階偏導(dǎo)數(shù)，為了簡(jiǎn)化計(jì)算往往使用離散差分算子來(lái)求得近似的梯度，如圖3所示。

圖3 Sobel算子Fig. 3 Sobel operator

(1)

式中：Gx，Gy分別表示沿x和y方向的方向梯度，θ表示梯度方向。

2.2.3 特征提取

路面背景下車道線視覺(jué)特征明顯，因此使用閾值法分別從增強(qiáng)后的顏色和梯度特征圖中提取車道線特征。閾值法的關(guān)鍵是選擇一個(gè)合適的閾值，針對(duì)不同影像閾值多有差別，Otsu算法可以通過(guò)最大化自動(dòng)設(shè)置最佳閾值。

(2)

Gx∪SHSL，

(3)

式中：Gx表示圖像的橫向梯度二值矩陣，SHSL表示HSL顏色空間S分量的閾值二值矩陣。

2.3 滑動(dòng)窗口檢測(cè)算法

基于車道線的顏色和梯度特征，采用滑動(dòng)窗口算法來(lái)進(jìn)一步檢測(cè)車道線，算法流程如圖4所示。首先，設(shè)定諸如滑動(dòng)窗口尺寸、窗口內(nèi)最少非零像素點(diǎn)數(shù)等參數(shù)，根據(jù)滑窗高度以及航拍影像的尺寸，計(jì)算出滑動(dòng)窗口個(gè)數(shù)n。分別以各車道線的大致位置作為初始滑窗的下邊界中點(diǎn)，保存窗口內(nèi)的所有非零像素點(diǎn)的坐標(biāo)，統(tǒng)計(jì)該窗口內(nèi)的非零像素點(diǎn)個(gè)數(shù)并于閾值，若大于閾值計(jì)算滑窗內(nèi)所有非零像素點(diǎn)的橫坐標(biāo)均值，作為下一個(gè)滑窗的下邊線中點(diǎn)，該滑窗的上邊界縱坐標(biāo)始終作為下一個(gè)滑窗的下邊界縱坐標(biāo)，循環(huán)直至滑窗個(gè)數(shù)達(dá)到n完成該條車道線的滑窗檢測(cè)。完成滑窗檢測(cè)后，根據(jù)存儲(chǔ)的滑窗中非零像素點(diǎn)的坐標(biāo)，進(jìn)行多項(xiàng)式擬合分別提出各條車道線實(shí)例。

圖4 滑動(dòng)窗口算法流程圖Fig. 4 Flow chart of sliding window algorithm

3 實(shí)驗(yàn)

3.1 實(shí)驗(yàn)數(shù)據(jù)

訓(xùn)練數(shù)據(jù)包括來(lái)源于2015 CCF大賽的航拍數(shù)據(jù)和筆者自采的湖北某地航拍數(shù)據(jù)，共256幅。前者共標(biāo)注了5類物體，分別是背景(標(biāo)記為0)、植被(標(biāo)記為1)、道路(標(biāo)記為2)、建筑(標(biāo)記為3)、水體(標(biāo)記為4)，這里對(duì)該數(shù)據(jù)標(biāo)簽進(jìn)行修改，僅分為道路和非道路兩類。所有數(shù)據(jù)的尺寸被統(tǒng)一調(diào)整為512×512，構(gòu)成整個(gè)數(shù)據(jù)集，并按照7：2：1的比例劃分訓(xùn)練數(shù)據(jù)、驗(yàn)證數(shù)據(jù)和測(cè)試數(shù)據(jù)。

3.2 U-Net模型訓(xùn)練及道路區(qū)域識(shí)別

選用二元交叉熵?fù)p失函數(shù)(binary cross entropy，BCE)，將批大小(Batchsize)設(shè)置為4，將初始學(xué)習(xí)率設(shè)為0.001，采用Polynomial學(xué)習(xí)率下降方法和Adam優(yōu)化算法，并設(shè)置迭代次數(shù)(Epoch)為100，通過(guò)最小化二元交叉熵?fù)p失函數(shù)訓(xùn)練U-Net網(wǎng)絡(luò)，損失函數(shù)值的下降過(guò)程如圖5所示。盡管U-Net網(wǎng)絡(luò)在較小的數(shù)據(jù)集上就能表現(xiàn)出強(qiáng)大的分割性能，但是作為深度學(xué)習(xí)網(wǎng)絡(luò)，網(wǎng)絡(luò)的性能極大地依賴于訓(xùn)練數(shù)據(jù)集。因此，在訓(xùn)練時(shí)通過(guò)隨機(jī)翻轉(zhuǎn)、旋轉(zhuǎn)、截取、模糊，以及隨機(jī)變換亮度、對(duì)比度、飽和度、色調(diào)等手段對(duì)數(shù)據(jù)集增強(qiáng)。使用訓(xùn)練好的網(wǎng)絡(luò)模型對(duì)航拍影像進(jìn)行語(yǔ)義分割。

圖5 損失函數(shù)下降過(guò)程Fig. 5 Loss function diagram

道路區(qū)域識(shí)別本質(zhì)是圖像語(yǔ)義分割，可以使用混淆矩陣來(lái)定量的評(píng)價(jià)分割的精度，因此采用準(zhǔn)確率P、召回率R以及交并比IoU作為基礎(chǔ)的評(píng)價(jià)指標(biāo)。這些評(píng)價(jià)指標(biāo)定義如下：

(4)

式中：NTP表示被正確分割為道路區(qū)域像素點(diǎn)的個(gè)數(shù)，NFP表示非道路區(qū)域像素但被分割為道路區(qū)域的像素個(gè)數(shù)，NFN表示道路區(qū)域像素但被分割為非道路區(qū)域的像素個(gè)數(shù)，分割結(jié)果見(jiàn)表1和圖6。

表1 U-Net網(wǎng)絡(luò)道路區(qū)域識(shí)別評(píng)價(jià)

圖6 道路區(qū)域識(shí)別效果Fig. 6 Result of road area recognition

3.3 車道線特征提取

通過(guò)顏色空間變換將原始航拍影像變換為HSL顏色空間，HSL即色相、飽和度、亮度，該顏色空間使用一個(gè)圓錐空間模型來(lái)描述，可以很好地反映色調(diào)、亮度和飽和度的變化，并且可以更好地定義和描述一種顏色，十分適合處理飽和度變化明顯的圖像。如圖7所示在道路區(qū)域中，黃色和白色的車道線相對(duì)于路面顏色飽和度差異明顯，因此選用HSL中的S通道提取車道線的顏色特征。

圖7 HSL顏色空間各通道顏色特征Fig. 7 Color characteristics of each channel in color space HSL

車道線的結(jié)構(gòu)性特征使得車道線邊緣梯度突變往往發(fā)生在某一特定方向，求取該方向的梯度能夠有效提取出車道邊緣特征，也避免了引入其他方向的邊緣噪聲。該方向可以通過(guò)統(tǒng)計(jì)梯度方向的眾數(shù)獲得，對(duì)圖像施加該角度的旋轉(zhuǎn)變換，使得車道線與圖像橫向邊緣垂直，計(jì)算變換之后的橫向梯度間接獲得車道線在該方向上的梯度邊緣特征，如圖8所示。

圖8 車道線梯度特征Fig. 8 Gradient characteristics of lane

對(duì)上述特征分別進(jìn)行ROI掩膜處理過(guò)濾非道路區(qū)域噪音，并使用Otsu算法進(jìn)行閾值分割獲得二值化的車道線顏色和梯度，聯(lián)合車道線顏色梯度特征，并使用形態(tài)學(xué)濾波的方法對(duì)特征圖進(jìn)行處理，消除二值圖像中的小目標(biāo)(如毛刺和孤立點(diǎn))，填充凹陷彌合孔洞和裂縫，獲得如圖9所示的二值化后的車道線特征。

圖9 Otsu算法二值化的車道線特征Fig. 9 Binary lane feature by Otsu

3.4 車道線檢測(cè)

滑動(dòng)窗口算法需要確定車道線的起始位置以及車道線的數(shù)目，將表示車道線顏色和梯度特征的二值圖像按一定角度旋轉(zhuǎn)變換，使得車道線垂直于特征圖的橫向邊緣，統(tǒng)計(jì)特征圖每列非零像元個(gè)數(shù)繪制特征直方圖(圖10(a))，根據(jù)車道線之間像素距離確定特征直方圖的局部最大值，以此確定車道線的數(shù)目和車道線在圖像中的初始位置，并使用滑動(dòng)窗口算法準(zhǔn)確地檢測(cè)車道線像素，如圖10(b)所示，并采用多項(xiàng)式擬合滑窗內(nèi)的非零像素，擬合結(jié)果如圖11所示。

圖10 車道線特征直方圖及滑動(dòng)窗口檢測(cè)車道線Fig. 10 Histogram of lane line and result of sliding window algorithm

圖11 車道線檢測(cè)擬合效果圖Fig. 11 Reuslt of lane line detection

目前評(píng)估車道線檢測(cè)的方法主要通過(guò)統(tǒng)計(jì)檢測(cè)到的車道線條數(shù)與真實(shí)車道線條數(shù)的比例來(lái)計(jì)算準(zhǔn)確率和召回率。準(zhǔn)確率為檢測(cè)到的車道線中真實(shí)車道線的比例，召回率為檢測(cè)正確的車道線占全部真實(shí)車道線的比例。據(jù)文獻(xiàn)[22]，針對(duì)車載攝像頭影像，Hough變換檢測(cè)方法的準(zhǔn)確率和召回率為63.47%和59.04%，LaneNet的準(zhǔn)確率和召回率為92.81%和93.19%。在檢測(cè)效率方面，按照攝像頭平均成像幀率30 fps，車輛行駛速度60 km/h換算，Hough變換檢測(cè)方法的檢測(cè)效率為4.6 m/s，LaneNet方法的檢測(cè)效率為10.4 m/s。

在實(shí)驗(yàn)中，根據(jù)無(wú)人機(jī)俯視影像的特點(diǎn)，將車道線的寬度定義為10個(gè)像素建立車道線緩沖區(qū)，檢測(cè)的車道線與實(shí)際車道線的緩沖區(qū)有重疊則認(rèn)為檢測(cè)正確，以檢測(cè)到的車道線長(zhǎng)度與真實(shí)車道線完全重合的長(zhǎng)度比例來(lái)計(jì)算準(zhǔn)確率和召回率。參照上文公式(4)，其中TP表示被正確識(shí)別的車道線長(zhǎng)度，F(xiàn)P表示錯(cuò)誤識(shí)別為車道線的長(zhǎng)度，F(xiàn)N表示真實(shí)車道線中未被識(shí)別的長(zhǎng)度。經(jīng)實(shí)驗(yàn)計(jì)算精確率為79.01%，召回率為83.12%。而在檢測(cè)效率方面，單幅影像檢測(cè)的道路長(zhǎng)度達(dá)到了百米以上，檢測(cè)效率為25.2 m/s。因此如表2所示，相比其他方法，本方法具有明顯的效率優(yōu)勢(shì)。

同時(shí)，本檢測(cè)方法在單次檢測(cè)結(jié)果的基礎(chǔ)上，還可以經(jīng)過(guò)質(zhì)量檢查調(diào)整滑窗和擬合參數(shù)，進(jìn)行二次修正，最終能夠達(dá)到100%擬合實(shí)際車道線的效果。

表2 實(shí)驗(yàn)結(jié)果對(duì)比

4 結(jié)論與討論

選用無(wú)人機(jī)影像作為數(shù)據(jù)源，充分利用無(wú)人機(jī)影像空間分辨率高、成像范圍廣和無(wú)須透視變換的優(yōu)點(diǎn)。針對(duì)無(wú)人機(jī)影像的特點(diǎn)，避開(kāi)了采用單一深度學(xué)習(xí)直接檢測(cè)車道線的方法，而是提出了新的深度學(xué)習(xí)和圖像視覺(jué)特征相結(jié)合的車道線提取方案：使用U-Net網(wǎng)絡(luò)對(duì)航拍影像分割獲取道路區(qū)域，計(jì)算道路區(qū)域內(nèi)車道線的梯度和顏色特征，并使用Otsu算法進(jìn)行閾值分割，借助特征直方圖使用滑動(dòng)窗口和多項(xiàng)式擬合檢測(cè)擬合車道線。通過(guò)實(shí)驗(yàn)測(cè)試，本方法在保證一定精度前提下，實(shí)現(xiàn)了遠(yuǎn)高于地面影像的檢測(cè)效率，在一定程度上可以幫助高精度地圖低成本、高效、靈活地獲取與更新車道線信息。未來(lái)將進(jìn)一步針對(duì)路面標(biāo)線模糊、陰影遮擋、路面車輛等問(wèn)題進(jìn)行優(yōu)化研究。