[发明专利]一种基于卷积神经网络的车道边缘检测方法

权利要求书

1.一种基于卷积神经网络的车道边缘检测方法，其特征在于，包括以下步骤：

S001、从视觉系统输入原始图片；

S002、对图像进行预处理；

S003、对预处理后的图像划定车道边缘检测区域，对车道边缘检测区域的图像进行逆投影变换；

S004、将逆投影变换后的左右车道边缘检测区域范围进行尺寸归一化，并输入到训练好的卷积神经网络中；

S005、输出结果，即为对应左右车道边缘的位置信息。

2.根据权利要求1所述的一种基于卷积神经网络的车道边缘检测方法，其特征在于，还包括卷积神经网络建立训练过程，具体包括以下步骤：

S101、建立原始卷积神经网络；

S102、建立车道边缘数据库；

S103、利用车道边缘数据库训练原始神经网络。

3.根据权利要求2所述的一种基于卷积神经网络的车道边缘检测方法，其特征在于，步骤S101中，原始卷积神经网络包括依次连接的输入层、卷积层一、卷积层二、池化层一、卷积层三、卷积层四、池化层二、卷积层五、卷积层六、池化层三、全连接层一、全连接层二和全连接层三；

所述输入层的输入为RGB格式图像，大小为64*64*3；

所述各个卷积层均采用3*3尺寸的卷积滑窗，以及“0”像素值边缘填充，步长为1，卷积层一和卷积层二的深度为64，卷积层三和卷积层四的深度为128，卷积层五和卷积层六的深度为256；

所述各个池化层均采用2*2大小滑窗尺寸，取最大值滑窗内4个数值的最大值，步长为2；

所述全连接层一和全连接层二为防止模型过拟合的dropout层，自动丢弃该全连接层内一定比例的神经元，参数为0.5；全连接层三为用于障碍物类别检测的分类器，输出为64维向量。

4.根据权利要求3所述的一种基于卷积神经网络的车道边缘检测方法，其特征在于，每个卷积层后设有激活层，激活层所使用的激活方程为修正线性单元，表达式为：max(0,x)，x为该神经元的输入。

5.根据权利要求2所述的一种基于卷积神经网络的车道边缘检测方法，其特征在于，步骤S102具体为：采集不同地点、天候、天气的车道边缘数据图像，采集量不小于10万张，对图像的车道边缘检测区域进行逆投影变换，对逆投影变换后的图像中的车道边缘位置进行人工筛选并标定数据样本，训练样本标签内容为车道边缘靠近车辆前端的起始位置。

6.根据权利要求2或5所述的一种基于卷积神经网络的车道边缘检测方法，其特征在于，所述步骤S103中，训练过程采用基于迷你批量方式的梯度下降方法，即每个循环内，基于反相递推的方法对softmax损失求最优解来优化网络权重参数，直至设定的循环迭代次数完成，softmax损失计算公式为：

σ(zj)=ezjΣezj]]>

其中，z_j为输出向量的每个元素；用户可设置参数为迷你批量样本大小n、学习速率lr、权重衰退系数wd以及动量系数m。

7.根据权利要求6所述的一种基于卷积神经网络的车道边缘检测方法，其特征在于，在训练之前，对训练样本进行镜像、拉伸、旋转、平移和/或缩放运算。

8.根据权利要求1所述的一种基于卷积神经网络的车道边缘检测方法，其特征在于，步骤S004中，如需检测曲线，则将左右车道边缘检测区域范围沿车辆纵向运动方向划分为若干区域并分别输入至卷积神经网络中，通过多段线拟合获得相应曲线检测结果。

9.根据权利要求1或8所述的一种基于卷积神经网络的车道边缘检测方法，其特征在于，步骤S005之后，根据ADAS系统需求，将输出结果转化为相应的系统输入。