[發(fā)明專利]一種基于深度分割網(wǎng)絡(luò)的車道線檢測方法

有效

• 申請?zhí)枺?/td>: 201811528310.5
• 申請日: 2018-12-13
• 公開（公告）號: CN109635744B
• 公開（公告）日: 2020-04-14
• 發(fā)明（設(shè)計）人: 孫銳;丁海濤;闞俊松;吳柳瑋
• 申請（專利權(quán)）人: 合肥工業(yè)大學(xué)
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06N3/04
• 代理公司: 安徽省合肥新安專利代理有限責(zé)任公司 34101
• 代理人: 陸麗莉;何梅生

本發(fā)明公開了一種基于深度分割網(wǎng)絡(luò)的車道線檢測方法，其步驟包括：1獲得歸一化后的原始圖像集和車道線實例分割灰度圖像集；2構(gòu)建多層深度分割網(wǎng)絡(luò)，并訓(xùn)練得到最優(yōu)多層深度分割網(wǎng)絡(luò)；3獲得車道線二值圖像和背景二值圖像；4獲得待預(yù)測道路圖像的特征圖；5獲得待預(yù)測道路圖像的特征圖；6獲得車道線實例分割圖像；7得到車道線的檢測結(jié)果圖。本發(fā)明能有效地解決車道線變化的問題，從而能適合多種復(fù)雜道路狀況下的車道線檢測，并提高檢測的魯棒性和實時性。

技術(shù)領(lǐng)域

本發(fā)明屬于無人駕駛技術(shù)領(lǐng)域，具體涉及一種基于深度分割網(wǎng)絡(luò)的車道線檢測方法。

背景技術(shù)

現(xiàn)代智能汽車融合了許多汽車輔助駕駛功能，其中包括車道偏離警告系統(tǒng)(LaneDeparture Warning System，LDWS)和車道保持輔助系統(tǒng)(Lane KeepingAssist System，LKAS)，這些系統(tǒng)能夠使得汽車在正確的車道線內(nèi)行駛。車道線檢測是車道偏離警告系統(tǒng)和車道保持輔助系統(tǒng)中的一項關(guān)鍵技術(shù)，但是由于道路場景的復(fù)雜性，同時還對車道線檢測有著較高的實時性要求，使得車道線檢測仍然是無人駕駛技術(shù)領(lǐng)域的一個難題。

目前，車道線檢測方法大體可以分為基于特征的檢測方法、基于模型的檢測方法和基于深度學(xué)習(xí)的檢測方法?；谑止ぶ谱魈卣鞯姆椒ㄖ饕密嚨谰€的顏色特征，紋理特征，幾何特征等，再與霍夫變換或卡爾曼濾波器相結(jié)合檢測車道線?；谀Ｐ偷臋z測方法首先要估計道路的數(shù)學(xué)模型，利用圖像信息確定道路數(shù)學(xué)模型的參數(shù)。這些基于特征和模型的檢測方法容易受到破損路面和障礙物遮擋等不良天氣的道路場景影響。隨著深度學(xué)習(xí)在計算機視覺領(lǐng)域的成功運用，基于將車道線檢測問題轉(zhuǎn)化為多類別的分割問題，每條車道線屬于一類，這樣能夠?qū)崿F(xiàn)端到端的方式進(jìn)行車道線檢測，但該類方法不能檢測數(shù)量變化的車道線檢測問題。

發(fā)明內(nèi)容

本發(fā)明為了克服現(xiàn)有技術(shù)存在的不足，提供了一種基于深度分割網(wǎng)絡(luò)的車道線檢測方法，以期能有效地解決車道線變化的問題，從而能適合多種復(fù)雜道路狀況下的車道線檢測，并提高檢測的魯棒性和實時性。

本發(fā)明為解決技術(shù)問題采用如下技術(shù)方案：

本發(fā)明一種基于深度分割網(wǎng)絡(luò)的車道線檢測方法的特點是按如下步驟進(jìn)行：

步驟1、獲取帶有每條車道線標(biāo)簽的原始圖像集；給任意第i張原始圖像上的車道線標(biāo)簽設(shè)定相應(yīng)的灰度值，并令第i張原始圖像的背景灰度值為零，從而得到第i張車道線實例分割灰度圖像，再將所述第i張原始圖像和第i張車道線實例分割灰度圖像進(jìn)行尺度歸一化，得到歸一化后的第i張原始圖像和第i張車道線實例灰度圖；從而得到歸一化后的原始圖像集和車道線實例分割灰度圖像集；

步驟2、構(gòu)建多層深度分割網(wǎng)絡(luò)：

步驟2.1、令所述多層深度分割網(wǎng)絡(luò)是由編碼網(wǎng)絡(luò)和解碼網(wǎng)絡(luò)兩部分組成；令所述編碼網(wǎng)絡(luò)是由VGG16網(wǎng)絡(luò)的前n層的卷積層和及其對應(yīng)的最大池化層組成；且任意第j個卷積層對應(yīng)第j個編碼器；

令第j個編碼器通過卷積產(chǎn)生第j層特征圖并存儲，同時存儲對應(yīng)的第j個最大池化索引，從而得到n個編碼器所產(chǎn)生的n層特征圖并存儲，同時存儲對應(yīng)的n個最大池化索引，j＝1,2,…,n；

步驟2.2、所述解碼網(wǎng)絡(luò)中，與第j個編碼器對應(yīng)設(shè)置有第j個解碼器，則所述解碼網(wǎng)絡(luò)也為n層；

所述第j個解碼器利用對應(yīng)的第j個最大池化索引對輸入的第j-1層特征圖進(jìn)行非線性上采樣，生成第j層稀疏特征圖，再對第j層稀疏特征圖進(jìn)行卷積操作，生成第j層密集特征圖，從而得到n層的密集特征圖；再將第n層密集特征圖經(jīng)過一個卷積層處理，得到第n+1層特征圖；

步驟3、獲得最優(yōu)多層深度分割網(wǎng)絡(luò)：

步驟3.1、利用任意大型自然圖像數(shù)據(jù)集對所述多層深度分割網(wǎng)絡(luò)進(jìn)行預(yù)訓(xùn)練，得到預(yù)訓(xùn)練后的網(wǎng)絡(luò)參數(shù)；