[發明專利]一種基于Unet+ConvGRU混合模型的車道線檢測方法

在審

• 申請號: 202110284093.5
• 申請日: 2021-03-17
• 公開（公告）號: CN112949541A
• 公開（公告）日: 2021-06-11
• 發明（設計）人: 趙靜;邱增玉;孫仕亮
• 申請（專利權）人: 華東師范大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 上海藍迪專利商標事務所(普通合伙) 31215
• 代理人: 徐筱梅;張翔

1.一種基于Unet+ConvGRU混合模型的車道線檢測方法，其特征在于，該方法包括如下步驟：

步驟一：將自動駕駛車道線數據集中的每五個連續采集的車道線圖片以及標注好的第五張圖片劃分一組，并將每張圖片尺寸調整為固定大小為128×256，按照6∶2∶2比例劃分訓練集、驗證集和測試集；其中，所述自動駕駛車道線數據集為Tusimple車道線數據集或CULane車道線數據集；

步驟二：構建Unet+ConvGRU混合模型，所構建的混合模型被用來訓練車道線檢測；

步驟三：獲取深度學習中vgg16網絡模型在圖像分類上已經訓練好的參數，作為Unet+ConvGRU混合模型中的參數初始值，并將多余參數丟棄；

步驟四：設置Unet+ConvGRU混合模型訓練的超參數：總輪數及學習率；在訓練集上訓練混合模型，不斷優化帶權重的交叉熵損失函數；每兩輪訓練，在驗證集上采用準確率、精確率、召回率及F1得分評估Unet+ConvGRU混合模型的效果；若準確率或者F1得分下降則停止訓練，重新設置超參數后重新訓練；

步驟五：達到訓練總輪數后，在測試集上分別采用準確率、精確率、召回率及F1得分評估Unet+ConvGRU混合模型的泛化效果，當F1得分達到≥0.97則停止訓練，得到訓練后的Unet+ConvGRU混合模型，否則重復步驟四和步驟五；

步驟六：基于所述訓練后的Unet+ConvGRU混合模型，完成車道線檢測。

2.如權利要求1所述的基于Unet+ConvGRU混合模型的車道線檢測方法，其特征在于，步驟二所述構建Unet+ConvGRU混合模型，其中ConvGRU模型中的公式滿足下列式子：

r^t＝σ(ω^T*[x^t,h^t-1])

z^t＝σ(ω^z*[x^t，h^t-1])

在ConvGRU模型中包含兩個控制門：重置門和更新門；ConvGRU模型用卷積運算得到兩個控制門的信息；上式中*表示卷積，表示哈達瑪積；σ表示sigmod函數，tanh表示雙曲正切函數；r^t表示第t時刻的重置門，z^t表示第t時刻的更新門，ω^r、ω^z、ω^h均表示卷積核；x^t為t時刻的特征圖數據，h^t-1為t-1時刻的隱藏狀態，h′表示t-1時刻的中間隱藏狀態，h^t表示為當前t時刻更新后的隱藏狀態；其中表示對包含當前節點信息的h進行選擇性記憶，表示對原本隱藏狀態的選擇性“遺忘”。

3.如權利要求1所述的基于Unet+ConvGRU的車道線檢測方法，其特征在于，步驟四中帶權重的交叉熵損失函數，其定義為：

其中是混合模型預測像素分類的概率，y是像素的真實標簽，如果像素屬于車道線，取值為1，否則取值為0；λ₁和λ₂為超參數，稱之為錯誤率懲罰項。