[发明专利]复杂驾驶场景下的车道线检测方法

说明书

本发明公开了一种复杂驾驶场景下的车道线识别方法。本方法利用连续多帧驾驶场景图像进行车道线检测，采用深度卷积神经网络和递归神经网络相结合的方式，构建了一种端到端的深度学习模型，对输入的连续驾驶场景图像进行车道线检测，输出道路线概率图，有效克服了路面阴影、车道线磨损、车体遮挡等复杂情况下的高精度车道线识别难题。

技术领域

本发明涉及人工智能和自动驾驶领域，具体涉及一种复杂驾驶场景下的车道线检测方法。

背景技术

随着人工智能技术的进步，自动驾驶得到了学术界和工业界的广泛研究，车道线检测作为自动驾驶技术中一个重要的模块，一直是研究热点。传统的车道线检测大多是针对单幅图像进行处理。然而，单幅图像包含的信息有限，当面对复杂驾驶场景时，例如路面阴影、车道线磨损、车体遮挡等干扰，基于单幅图像的车道线识别方法常常遇到严重的困难。

近年来，深度学习技术的兴起给计算机视觉领域带来了广泛而深刻的影响，它使越来越多的视觉研究得到产业化应用，例如人脸识别、服装分类、车辆检测等等。深度学习网络主要有两种，一种是卷积神经网络(Convolutional Neural Networks,CNN)，网络主要结构是卷积层(Convolutional layer)和池化层(Pooling layer)，具有非常强的信息抽象能力，主要用来进行图像特征的提取，另一种是递归神经网络(Recurrent NeuralNetworks,RNN)，是一种具有内部状态的网络，适用于处理和预测时序数据。

基于以上分析，本发明提出了一种利用连续多帧驾驶场景影像进行车道线检测的深度学习方法。本发明致力于无缝集成卷积神经网络和递归神经网络，发挥它们在单帧图像特征提取和多帧图像时序信号处理方面的优势，研究和探索出一种适用于复杂驾驶场景下的车道线检测方法。

发明内容

本发明为了提高车道线检测系统的稳定性和准确度，提供了复杂驾驶场景下的车道线检测方法。所发明的方法，其输入为多帧连续的驾驶场景图像序列，输出为一张黑白图像，车道线用白色标记。

本发明所设计的复杂驾驶场景下的车道线检测方法，包含以下步骤：

步骤S1，构建图像数据集，所述数据集中的每一个样本包含多帧连续驾驶场景图像；

步骤S2，构建深度学习网络模型，该模型包括编码网络、递归神经网络和解码网络；

步骤S3，利用S1构建的图像数据集对步骤S2构建的深度学习模型进行训练；

步骤S4，利用步骤S3训练好的模型进行车道线检测。

进一步地，所述步骤S1具体为：

步骤S1-1，采集M个图像序列，每个序列包含L帧连续的驾驶场景图像；对每个序列的最后一帧图像(即第L帧图像)标注车道线的真值，得到标签；

步骤S1-2，为了适应不同速度下的车道线检测，对上述每个图像序列进行多步长等间隔采样，步长分别为1，2，和3，从而每个图像序列可以生成3个数据样本，使每个样本包含N帧图像；

步骤S1-3，经过上面两步的处理，得到3×M个数据样本，每个样本包含N帧图像，并且第N帧有标注的车道线真值；将3×M个样本作为图像数据集。

更进一步地，所述N大于等于2。

进一步地，所述构建深度学习网络为一个端到端网络。

进一步地，所述编码网络为全卷积网络，包含卷积层和池化层。

进一步地，所述递归神经网络为卷积长短时记忆神经网络。

进一步地，所述解码网络为全卷积网络，包括反卷积层和卷积层。

本发明还包括一种电子设备，其特殊之处在于，包括：