[發(fā)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?zhí)枺?/td>: 201811468137.4
• 申請日: 2018-12-03
• 公開（公告）號: CN111259707B
• 公開（公告）日: 2022-06-10
• 發(fā)明（設計）人: 張馳;蔣竺希;陳佳輝
• 申請（專利權(quán)）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(lǐng)智誠知識產(chǎn)權(quán)代理事務所(普通合伙) 11782
• 代理人: 陳士騫

本發(fā)明涉及一種智能駕駛技術(shù)領(lǐng)域，具體涉及一種特殊線型車道線檢測模型的訓練方法；此外，本發(fā)明還涉及一種用該檢測模型進行車道線檢測的系統(tǒng)。該訓練方法包括步驟S101：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；步驟102：將所述道路樣本圖像輸入到預先建立的初始神經(jīng)網(wǎng)絡模型；步驟103：利用所述道路樣本圖像訓練所述初始神經(jīng)網(wǎng)絡模型，得到特殊線型車道線檢測模型。對于獲取的Y型車道線，采用一個向量來表示車道線位置，所述向量中的數(shù)值表示車道線上均勻分布的點的坐標，并且在初始神經(jīng)網(wǎng)絡模型基礎上，采用微調(diào)的方法，利用道路樣本圖像，對神經(jīng)網(wǎng)絡進行訓練。相比于現(xiàn)有技術(shù)，本發(fā)明能很好地解決特殊線型如Y型線檢測問題。

技術(shù)領(lǐng)域

本發(fā)明涉及一種智能駕駛技術(shù)領(lǐng)域，具體涉及一種特殊線型車道線檢測模型的訓練方法。

背景技術(shù)

隨著科學技術(shù)的發(fā)展，自動駕駛、無人車等新興概念應運而生。車道線檢測技術(shù)是先進駕駛輔助系統(tǒng)的道路場景分析中的重要元素，是自動駕駛技術(shù)中一個不可或缺的部分。具體的，車輛的攝像頭等傳感器可以獲取車輛當前所處的環(huán)境的視覺圖像，采用車道線檢測技術(shù)對傳感器獲取的車輛前方或后方道路圖像信息進行處理，可以得到圖像中的車道線的位置，從而指導車輛的駕駛。正常的車道線通常以多種樣式的標記線的形式標記在道路地面上。在道路出現(xiàn)匝道的地方，通常會出現(xiàn)一種特殊線型的車道線，也就是Y型線，如圖1所示。

現(xiàn)有的車道線檢測方法，一類是基于特征的算法，主要是利用顏色、紋理、形狀等信息來提取車道線。但是當路面光照發(fā)生變化、標志線磨損或者路面出現(xiàn)水漬、陰影等情況時，都將會影響檢測效果。一類是基于模型的算法，這種方法首先估計道路模型，然后利用霍夫變換或者其他圖像信息確定模型參數(shù)，常用的道路模型有直線模型，拋物線模型，三次樣條曲線模型等。大量研究發(fā)現(xiàn)：直線模型雖然算法簡單運行速度快，但是不適合彎曲的車道線檢測，應用范圍窄；拋物線模型易受到復雜道路環(huán)境的影響，魯棒性不好；三次樣條曲線模型雖然檢測效果比較好，但是算法復雜計算量大。出現(xiàn)上述問題的一個關(guān)鍵是現(xiàn)有的車道線檢測方法不能很好地解決特殊線型如Y型線檢測問題。出現(xiàn)上述缺陷的一個方面在于沒有形成一個有效的特殊車道線型檢測模型。更沒有引入神經(jīng)網(wǎng)絡等模型工具進行優(yōu)化處理，這些都造成了對特殊車道線識別的缺陷。

發(fā)明內(nèi)容

針對目前對車道線模型的建立以及訓練沒有形成有效的體系的缺點，提出本發(fā)明。

本發(fā)明的第一方面，是提出了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(shù)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(jīng)網(wǎng)絡模型；

步驟103：利用所述道路樣本圖像訓練所述初始神經(jīng)網(wǎng)絡模型，得到特殊線型車道線檢測模型。

優(yōu)選的，所述步驟102中初始神經(jīng)網(wǎng)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。

優(yōu)選的，以Faster R-CNN作為所述初始神經(jīng)網(wǎng)絡模型。

優(yōu)選的，所述步驟103中，所述初始神經(jīng)網(wǎng)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(jù)學習到的所述道路樣本圖像的相關(guān)特征以及所述初始神經(jīng)網(wǎng)絡模型中的全連接層對相關(guān)特征進行映射，得到車道線位置的識別結(jié)果，將所述車道線位置的識別結(jié)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(jīng)網(wǎng)絡模型的參數(shù)進行優(yōu)化，當所述初始神經(jīng)網(wǎng)絡模型經(jīng)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。