[發明專利]用于輔助駕駛的車道線檢測方法

有效

• 申請號: 201910008697.X
• 申請日: 2019-01-04
• 公開（公告）號: CN110163069B
• 公開（公告）日: 2023-09-08
• 發明（設計）人: 王孝潤;歐陽瓊林;劉曉清;王亮
• 申請（專利權）人: 深圳市布谷鳥科技有限公司
• 主分類號: G06V20/56
• 分類號: G06V20/56;G06V10/764;G06V10/82;G06N3/0464;G06N3/084
• 代理公司: 廣東眾贏專利代理事務所(普通合伙) 44423
• 代理人: 樊寶忠;黃彧

1.一種用于輔助駕駛的車道線檢測方法，其特征在于，具體步驟為：步驟1，圖像樣本采集，包括車輛圖像樣本和車道線圖像樣本；將圖像樣本隨機分成80％和20％兩部分，用于數據訓練和結果測試；步驟2，構建多任務卷積神經網絡，所述多任務卷積神經網絡包括若干個卷積層、三個池化層和三個全連接層，其中前三個所述卷積層與所述三個池化層交替連接，所述卷積層在激活函數之前加入了BN層，對數據進行歸一化，所述池化層采用最大化池化的方式，第四個所述卷積層后不連接所述池化層，直接與三個所述全連接層相連接，最后一個所述的全連接層由多個獨立的子層構成，各個子層執行不同的任務，采用SOFTMAX損失函數作為目標函數計算其損失值完成對車輛和車道線的模型建立；所述步驟2中，所述構建多任務卷積神經網絡步驟具體包括：步驟201，將圖像樣本數據輸入至所述多任務卷積神經網絡，所述多任務卷積神經網絡上的每個神經元先輸入值加權累加，然后通過BN層對數據進行歸一化，最后輸入激活函數作為該神經元的輸出值；步驟202，將所述輸出值輸入誤差函數，做正則化懲罰，與期待值比較，多個則為和，通過誤差判斷識別程度，誤差值越小表示識別效果越好；步驟203，對所述誤差函數和所述多任務卷積神經網絡中的每個激活函數都進行反向求導，通過反向傳播來確定梯度向量；步驟204，通過所述梯度向量來調整每一個權值，向所述輸出值使誤差趨于零或者收斂的方向調節；步驟205，重復所述步驟201至204直到迭代次數達到預先設定值或者誤差的平均值不斷下降且穩定在最低點附近；步驟206，將剩下的20％數據圖像輸入所述多任務卷積神經網絡，在測試集上進行驗證評估直到車輛和車道線的識別準確率都達到90％以上；所述步驟2中，還包括：判別車道線位置是否清晰，如果車道線位置不清晰，增加對所述全連接層后的網絡輸出車道線識別處理步驟：首先對網絡輸出進行種子點采樣進行，去除冗余點，然后進行逆變換透視操作，在逆變換透視操作下進行聚類，再將聚類結果轉換到正常視圖，最后用最小二乘法擬合得到車道線；步驟3，利用訓練好的多任務卷積神經網絡模型得到車輛識別結果，根據車輛識別結果設計生成圖像掩模，所述的圖像掩模是與車輛圖像尺寸相同的二進制矩陣；步驟4，利用設計生成的圖像掩膜信息與圖像元圖像做點乘，構造新的用于提取車道線特征的圖像；步驟5，提取第二層池化層的指定卷積層的深度網絡特征，將所述深度網絡特征輸入至分類器中；步驟6，根據所述分類器結果確定車輛信息和車道線信息，利用準備好的數據和LibSVM工具包訓練相應的SVM分類器。

2.根據權利要求1所述的一種用于輔助駕駛的車道線檢測方法，其特征在于，所述步驟1中，所述圖像樣本包括去噪去重處理。

3.根據權利要求1所述的一種用于輔助駕駛的車道線檢測方法，其特征在于，所述步驟1中，所述圖像樣本還包括行人和交通標志。

4.根據權利要求1所述的一種用于輔助駕駛的車道線檢測方法，其特征在于，所述步驟2中，所述多任務卷積神經網絡上半部分采用AlexNet的網絡模型。