[發明專利]高速運動場景下的交通標線快速識別與循跡方法

在審

• 申請號: 202010948892.3
• 申請日: 2020-09-10
• 公開（公告）號: CN112215073A
• 公開（公告）日: 2021-01-12
• 發明（設計）人: 萬千;林初染;彭國慶;謝振友;龍朝黨
• 申請（專利權）人: 華藍設計(集團)有限公司;桂林電子科技大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 成都東恒知盛知識產權代理事務所(特殊普通合伙) 51304
• 代理人: 何健雄;廖祥文

1.高速運動場景下的交通標線快速識別與循跡方法，其特征在于：所述標線識別與循跡方法包括輸入數據預處理步驟、特征提取網絡和特征融合網絡構建步驟以及目標實時追蹤步驟；所述特征融合網絡構建包括：通過自底向上的連接、自頂向下的連接以及橫向連接的網絡結構將不同層的特征圖融合到一起，構建網絡內的特征金字塔，得到能夠獲取目標位置信息即準確語義信息又多的特征圖的網絡。

2.根據權利要求1所述的高速運動場景下的交通標線快速識別與循跡方法，其特征在于：所述通過自底向上的連接、自頂向下的連接以及橫向連接的網絡結構將不同層的特征圖融合到一起，構建網絡內的特征金字塔具體包括：

取C2、C3、C4層作為特征融合的層數，分別下采樣至原圖大小的1/16、1/64和1/256，然后經過特征融合網絡生成特征金字塔結構；

利用卷積核為3×3，步長為1的卷積操作對C4層特征圖進行處理后得到特征金字塔的P4層；

將卷積核為1×1，步長為1的卷積操作對C3層進行處理后的結果與所述特征金字塔的P4層上采樣結果相加，并在此基礎上使用卷積核為3×3，步長為1的卷積運算進行處理得到特征金字塔的P3層；然后以次類推得到特征金字塔的P2層。

3.根據權利要求1所述的高速運動場景下的交通標線快速識別與循跡方法，其特征在于：所述特征提取網絡構建包括：

用θ_i＝F(θ_i-1)描述第i層的特征圖，并對兩個特征圖進行卷積、池化和歸一化操作得到N層特征圖的集合θ＝{θ₁，θ₂，θ₃，…，θ_N}；并選取ResNet網絡模型作為特征提取網絡模型；

在特征提取網絡模型中輸入重新定義車道語義的訓練數據集；

設置模型訓練所需的超參數并對其進行初始化，在初始化過程中通過歸一化輸入數據加快模型的訓練速度；

設置激活函數，對網絡模型的卷積層進行訓練；

進行結果預測，計算信息熵反向傳遞誤差。

4.根據權利要求1所述的高速運動場景下的交通標線快速識別與循跡方法，其特征在于：所述目標實時追蹤步驟包括：

通過固定區域采樣位置和預測區域的轉化公式τ＝{(m_x,m_y)+β}-{(d_x,d_y)+G}、β＝{(-m_w/2,-m_h/2),…,(m_w/2,m_h/2)}和從相應候選區域M＝(m_x,m_y,m_w,m_h)中采樣特征來估計分類圖中每個位置(d_x,d_y)的分類置信度，其中，β表示新采樣位置相對于方框中心的坐標，G為核大小為k×k的標準二維卷積樣本特征使用固定的網格；對每一個位置(d_x,d_y)，都有對應的候選區域M來采集特征確認該位置的分類置信度，通過β確認位置的左邊點，以置信度確認是否為選擇目標；

確定損失函數L＝-∑_iln(IoU(p_reg,T))-α[∑_jp₁log(p₂)-(1-p₁)log(1-p₂)]-β[∑_jp₃log(p₄)-(1-p₃)log(1-p₄)]，以確保在預測過程中通過目標標注獲取的目標位置不會因為預測產生的偏移而導致預測失效，其中，p_reg為預測量，T為訓練樣本的標簽，p₂和p₄分別是在目標感知特征和規則區域特征上計算的分類分數圖，i為訓練樣本，j為分類的訓練樣本，α與β是協調超參數，p₁為是一個概率標簽，其中每個值表示預測的邊界框和基本真實之間的IoU，p₃是二進制標簽，其中靠近目標中心的像素被標記為1。

5.根據權利要求1所述的高速運動場景下的交通標線快速識別與循跡方法，其特征在于：所述輸入數據預處理步驟包括：

將采集的視頻轉換為圖像，通過預先設定好的水平行將位置分為不同的單元，并逐像素的在channel維度上對圖像進行分割，得到圖像上車道的選擇公式P_i,j＝f^ij(X)，s.t.i∈[1,C],j∈[1,h]；

設定約束函數損失函數得到整體的約束函數