[發明專利]一種基于深度學習和跟蹤技術的車道線實時檢測方法

在審

• 申請號: 201710418031.2
• 申請日: 2017-06-06
• 公開（公告）號: CN109002745A
• 公開（公告）日: 2018-12-14
• 發明（設計）人: 張亮;王震;高澤晉;張力
• 申請（專利權）人: 武漢小獅科技有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/66;G06N3/04
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.基于深度學習和跟蹤技術的車道線實時檢測方法，其特征在于，包括如下步驟：

步驟1，預先基于海量數據訓練用于目標分割的SegNet模型；

步驟2，圖像預處理，包括圖像的去噪、劃分興趣區域等；

步驟3，對首幀(關鍵幀)圖像采用SegNet模型檢測車道線；

步驟4，對首幀后的3幀圖像中車道線的位置采用Kalman跟蹤算法預測；

步驟5，末幀(關鍵幀)圖像重復步驟3檢測車道線，循環步驟3-5，直至結束。

2.根據權利要求1所述基于深度學習和跟蹤技術的車道線實時檢測方法，其特征在于，所述步驟1的具體步驟為：

(1)構建訓練數據集；

(2)確定卷積神經網絡相關參數

(3)模型訓練

基于深度學習和跟蹤技術的車道線實時檢測方法采用了基于全卷積神經網絡(FullConvolutional Network，FCN)的SegNet模型，分類正確率高，共享卷積核的結構有利于處理高維度圖像，并且輸入靈活、效率高。

3.根據權利要求1所述基于深度學習和跟蹤技術的車道線實時檢測方法，其特征在于，所述步驟2的具體步驟為：

(1)圖像模糊，降低噪聲；

(2)根據實際情況確定需要檢測的車道線范圍，劃分興趣區域。

4.根據權利要求1所述基于深度學習和跟蹤技術的車道線實時檢測方法，其特征在于，所述步驟3的具體步驟為：

利用預先訓練好的SegNet模型對首幀圖像進行車道線的檢測。SegNet模型的輸入為RGB圖像，輸出為圖像分割后的車道線。

5.根據權利要求1所述基于深度學習和跟蹤技術的車道線實時檢測方法，其特征在于，所述步驟4的具體步驟為：

基于深度學習和跟蹤技術的車道線實時檢測方法的重要前提是車道線位置在3幀以內變化很小，因此首幀后的連續3幀采用Kalman跟蹤算法進行預測，每預測10次將結果輸出，直至預測完末幀(首幀后第4幀)，末幀預測結果和步驟5的車道線檢測結果進行比較。

6.根據權利要求1所述基于深度學習和跟蹤技術的車道線實時檢測方法，其特征在于，所述步驟5的具體步驟為：

利用預先訓練好的SegNet模型對末幀(首幀后第4幀)圖像進行車道線檢測，其結果不僅作為下一次Kalman跟蹤的初始狀態，也和步驟4中末幀的Kalman跟蹤結果進行比較，并反饋調節Kalman濾波器的參數，以使Kalman跟蹤精度逐漸提高。