[發明專利]一種基于深度學習方法的遮擋車道線檢測方法

在審

• 申請號: 202210184350.2
• 申請日: 2022-02-28
• 公開（公告）號: CN115205811A
• 公開（公告）日: 2022-10-18
• 發明（設計）人: 婁建樓;梁豐;曲朝陽;譚詠麟;周佳樂;李向宇;陳科余;賀博川;張雪
• 申請（專利權）人: 東北電力大學
• 主分類號: G06V20/58
• 分類號: G06V20/58;G06T5/00;G06N3/08;G06N3/04;G06K9/62;G06V10/80;G06V10/82;G06V10/764;G06V10/774;G06V10/32
• 代理公司: 西安合創非凡知識產權代理事務所(普通合伙) 61248
• 代理人: 張燕

1.一種基于深度學習方法的遮擋車道線檢測方法，其特征在于，所述方法包括：

步驟1，對車道線數據進行增強及尺寸統一操作；

步驟2，利用多通道特征空間金字塔為特征提取網絡，進行對預處理完畢的車道線信息進行語義分割及多尺度特征融合；

步驟3，引入雙注意力機制的循環特征豐富模塊，將遮擋前后的車道線空間信息豐富到原始特征中，增加了車道線細粒度特征細節；

步驟4，通過二分類損失計算將車道線與背景信息分離。

2.根據權利要求1所述的一種基于深度學習方法的遮擋車道線檢測方法，其特征在于，對車道線數據進行增強及尺寸統一操作具體步驟為：其特征在于，所述步驟1包括：

步驟101，將CULane數據集的原始圖像尺寸進行裁剪以去除非車道線的特征部分；

步驟102，將CULane數據集的原始圖像及對應標簽尺寸調整為288 * 800；

步驟103，對尺寸統一后的CULane數據進行隨機旋轉，平移，模糊等操作將數據進行增強以在訓練時提升網絡的魯棒性。

3.根據權利要求1所述的基于深度學習方法的遮擋車道線檢測方法，其特征在于，所述步驟2包括：

步驟201，在CuLane數據集上預訓練ResNet卷積神經網絡；

步驟202，在ResNet50-FPN主干網絡中導入預訓練模型的權值參數從而初始化網絡；

步驟203，不斷優化分割BCE損失函數，提升網絡對車道線特征的提取能力。

4.根據權利要求1所述的基于深度學習方法的遮擋車道線檢測方法，其特征在于，所述步驟2還包括：利用RestNet50-FPN對淺層特征圖的局部語義信息和深層特征圖的全局語義信息進行信息特征融合；在ResNet50網絡的基礎上，額外增加了一條由上至下的側路用于將全局語義和局部語義相融合；對ResNet50的四個階段中，從最深層特征圖開始，經過 1*1卷積與上采樣操作之后，分別產生4個階段對應的金字塔特征圖，然后通過特征圖相加的方式將四個階段分別得到的特征元素進行融合；最后經過1*1的卷積，對融合的特征圖進行下采樣，降低特征圖尺寸至128*36 * 100。

5.根據權利要求1所述的基于深度學習方法的遮擋車道線檢測方法，其特征在于，所述步驟3包括：循環特征豐富模塊在特征圖的上下左右四個方向把特征切片信息聚合起來；在信息聚合過程，在網絡加入Polarized Self-Attention模塊，讓網絡能夠好的擬合出細粒度車道線特征；經過4次迭代使用循環特征豐富模塊，最后將所有信息融合在一張特征圖的過程，融合后的特征尺寸為128*1 * 1。

6.根據權利要求1所述的基于深度學習方法的遮擋車道線檢測方法，其特征在于，所述步驟4包括：

二分類損失計算檢測出車道線具體為：

（1）

式(1)中：為分割BCE損失，用于優化網絡對車道線的語義分割能力；為存在分類CE損失，用來優化網絡分離車道線與車道線背景的能力；

分割BCE損失具體計算公式如下:

（2）

公式（2），y是標簽0或1，a是網絡經過sigmoid函數的輸出，范圍是（0,1），n是樣本數；網絡輸出一個值，BCE根據該數值與對應標簽的情況給出一個損失；當y取0時，ylna消除，剩下-ln(1-a)，所以a需要越接近0才能讓loss降下來；當y取1時，(1-y)ln(1-a)消除，剩下-lna，所以a需要越接近1才能讓loss降下來；該loss將0和1的情況的均考慮了進來，可用于二分類；存在分類CE(softmax+log損失)log損失的計算公式如下：

（3）

公式（3）：y代表標簽0或1，a代表網絡經softmax的輸出值，n是樣本數；網絡輸出多個值，CE根據只根據對應標簽為1的網絡輸出給出一個損失；當y取0時，沒有計算損失；當y取1時，剩下-lna，所以a需要越接近1才能讓loss降下來；該公式只專注于讓對應標簽為1的網絡輸出為1；由于softmax的公式：這屬于歸一化，當有一項逼近1時，其他項則逼近0。