[發(fā)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?zhí)枺?/td>: 202110284093.5
• 申請日: 2021-03-17
• 公開（公告）號: CN112949541A
• 公開（公告）日: 2021-06-11
• 發(fā)明（設(shè)計）人: 趙靜;邱增玉;孫仕亮
• 申請（專利權(quán)）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(wù)所(普通合伙) 31215
• 代理人: 徐筱梅;張翔

本發(fā)明公開了一種基于Unet+ConvGRU混合模型的車道線檢測方法，用于輔助駕駛和無人駕駛。與以往采用單幀圖片檢測車道線方法相比，本發(fā)明考慮到車道線檢測具有時序的特點，前幾幀車道線的特征信息對當前車道線檢測具有很大作用，這使得當前的車道線檢測的信息能夠融合多層次的特征結(jié)構(gòu)信息，使得模型推理的信息更加豐富。在車道線被遮擋、標記退化等特殊駕駛場景，更能準確地檢測出車道線。最后在Tusimple車道線數(shù)據(jù)集上驗證了本發(fā)明的有效性和魯棒性，并且實時性也比較好。

技術(shù)領(lǐng)域

本發(fā)明涉及計算機技術(shù)領(lǐng)域，涉及圖像分類技術(shù)，特別涉及一種語義分割的車道線檢測方法。

背景技術(shù)

本發(fā)明涉及背景技術(shù)：語義分割、Unet模型、GRU模型。

1)語義分割

圖像語義分割(Semantic Segmentation)是圖像處理和是機器視覺技術(shù)中關(guān)于圖像理解的重要一環(huán)，也是人工智能領(lǐng)域中一個重要的分支。語義分割即是對圖像中每一個像素點進行分類，確定每個像素點的類別(如屬于背景、人或車等)，從而進行區(qū)域劃分。很多語義分割的網(wǎng)絡(luò)模型，例如FCN、Unet、SegNet等，被廣泛應(yīng)用于自動駕駛、醫(yī)療影像等場景中。

2)Unet模型

Unet提出的初衷是為了解決醫(yī)學圖像分割的問題，其網(wǎng)絡(luò)結(jié)構(gòu)類似于U形結(jié)構(gòu)。其網(wǎng)絡(luò)結(jié)構(gòu)首先對圖片進行卷積和池化，在Unet結(jié)構(gòu)中池化了4次，每一次池化操作，特征圖的尺寸將減少一半。例如一開始的圖片尺寸是224×224，那么4次池化后依次就會變成112×112、56×56、28×28、14×14四個不同尺寸的特征圖。然后再對 14×14的特征圖做上采樣或者反卷積，即每次上采樣或者反卷積特征圖的尺寸將擴大一倍，得到28×28的特征圖，這個28×28的特征圖與之前的28×28的特征圖進行通道上的拼接，再對拼接之后的特征圖做卷積和上采樣，得到56×56的特征圖，再與之前的56×56的特征圖拼接、卷積，再上采樣或反卷積，經(jīng)過四次上采樣可以得到一個與輸入圖像尺寸相同的224×224的預(yù)測結(jié)果。通過Unet網(wǎng)絡(luò)對圖片特征提取后獲取上下文的信息和位置信息等。

3)GRU模型

GRU(Gate Recurrent Unit)是循環(huán)神經(jīng)網(wǎng)絡(luò)(Recurrent Neural Network,RNN)的一種。和LSTM(Long-Short Term Memory)一樣，也是為了解決長期記憶和反向傳播中的梯率等問題而提出來的。相比LSTM，使用GRU能夠達到相當?shù)男Ч啾戎赂菀走M行訓練，能夠很大程率上提高訓練效率，并且模型的參數(shù)、訓練時間更少。而ConvGRU將GRU中的一些矩陣乘法運算代替為卷積運算，但卻大大減少了網(wǎng)絡(luò)模型的參數(shù)，提高了模型收斂速率。

在GRU模型中，假設(shè)有一個當前的輸入x^t，和上一個節(jié)點傳遞下來的隱狀態(tài)(hidden state)h^t-1，這個隱狀態(tài)包含了之前節(jié)點的相關(guān)信息。結(jié)合x^t和h^t-1，6RU 會得到當前隱藏節(jié)點的輸出y^t和傳遞給下一個節(jié)點的隱狀態(tài)h^t。其中隱藏狀態(tài)h^t通過重置門和更新門得到。滿足下面公式：

r^t＝σ(W^r×[x^t，h^t-1])

z^t＝σ(W^z×[x^t，h^t-1])

上式中σ稱為為sigmoid函數(shù)，通過這個函數(shù)可以將數(shù)據(jù)變換為0-1范圍內(nèi)的數(shù)值。r^t為t時刻的重置門(reset gate)，z^t為t時刻的更新門(update gate)。