[發明專利]一種特殊線型車道線檢測模型的訓練方法

有效

• 申請號: 201811468137.4
• 申請日: 2018-12-03
• 公開（公告）號: CN111259707B
• 公開（公告）日: 2022-06-10
• 發明（設計）人: 張馳;蔣竺希;陳佳輝
• 申請（專利權）人: 魔門塔（蘇州）科技有限公司
• 主分類號: G06V20/56
• 分類號: G06V20/56;G06V10/82;G06N3/04
• 代理公司: 北京科領智誠知識產權代理事務所(普通合伙) 11782
• 代理人: 陳士騫

1.一種特殊線型車道線檢測模型的訓練方法，包括以下步驟：

步驟101：獲取道路樣本圖像，所述道路樣本圖像標注有正常車道線與Y型車道線的位置信息；其中采用一個向量來表示車道線位置，所述向量中的數值表示車道線上均勻分布的點的坐標；其中對于所述Y型車道線，所述向量的長度為M，其中M＝2*N；所述向量的維度為N；

步驟102：將所述道路樣本圖像輸入到預先建立的初始神經網絡模型；

步驟103：利用所述道路樣本圖像訓練所述初始神經網絡模型，得到特殊線型車道線檢測模型；

其中，在車道線檢測過程中，所述特殊線型車道線檢測模型用于將待檢測的當前道路圖像劃分為若干個單元，每個單元會輸出四組向量，其中包括：

正常車道線的分類概率，維度為2，其中，第一維對應的是該單元不是正常車道線的概率，第二維對應的是該單元是車道線的概率；

正常車道線的回歸結果，維度是N，通過該N維向量表示一條車道線；

Y型車道線的分類概率，維度為2，其中，第一維對應的是該單元不是正常車道線的概率，第二維對應的是該單元是車道線的概率；

Y型車道線的回歸結果，維度是M，其中，M＝2*N，用于將Y型車道線表示為兩條正常車道線。

2.根據權利要求1所述的訓練方法，所述步驟102中初始神經網絡模型中包含空間金字塔池化層，并適應任意大小的圖片，以滿足不對道路樣本圖像進行縮放，避免圖像信息的損失。

3.根據權利要求1所述的訓練方法，以Faster R-CNN作為所述初始神經網絡模型。

4.根據權利要求1所述的訓練方法，所述步驟103中，所述初始神經網絡模型中的卷積層學習所述道路樣本圖像中的車道線位置的特征；根據學習到的所述道路樣本圖像的相關特征以及所述初始神經網絡模型中的全連接層對相關特征進行映射，得到車道線位置的識別結果，將所述車道線位置的識別結果與所述道路樣本圖像預先標注的車道線位置進行比較，對所述初始神經網絡模型的參數進行優化，當所述初始神經網絡模型經過多次訓練樣本的迭代訓練后，獲得所述特殊線型車道線檢測模型。

5.一種車道線檢測系統，其特征在于：所述系統包括：待檢測道路圖像獲取單元、車道線檢測模型、預測解析單元、處理單元；

所述系統將待檢測道路圖像獲取單元獲取的圖像輸入到所述車道線檢測模型，所述車道線檢測模型輸出神經網絡模型的輸出信息，所述輸出信息包括：

正常車道線的分類概率，維度為2，其中，第一維對應的是該單元不是正常車道線的概率，第二維對應的是該單元是車道線的概率；

正常車道線的回歸結果，維度是N，通過該N維向量表示一條車道線；

Y型車道線的分類概率，維度為2，其中，第一維對應的是該單元不是正常車道線的概率，第二維對應的是該單元是車道線的概率；

Y型車道線的回歸結果，維度是M，其中，M＝2*N，用于將Y型車道線表示為兩條正常車道線；

其中所述車道線檢測模型為權利要求1-4任一所述的訓練方法訓練得到；

所述預測解析單元對所述輸出信息進行解析，得到所有預測的車道線；

所述處理單元對所述所有預測的車道線進行非極大值抑制后處理，得到最終的車道線檢測結果。

6.根據權利要求5所述的檢測系統，所述預測解析單元通過對所述神經網絡模型逐個單元輸出的四組向量進行解析來得到所有的車道線。

7.根據權利要求5-6中任一項所述的檢測系統，還包括一報警單元，該報警單元用于在所判斷出車道線存在Y型線時發出報警信息。

8.權利要求1-4任一項所述的訓練方法在車道線檢測中的應用。

9.一種計算機可讀存儲介質，其上存儲有計算機指令，其特征在于，該指令被處理器執行時實現權利要求1-4中任一項所述的訓練方法。