[发明专利]基于Spatial-LargeFOV深度学习网络的车道线检测方法

权利要求书

1.一种基于Spatial-LargeFOV深度学习网络的车道线检测方法，其特征在于按照以下步骤进行：

步骤1：对原始图像统一尺寸后，输入到分割网络中进行车道线的语义分割，不同的车道线分配不同的id，得到所有车道线分割结果的概率图，继续对下一帧输入图像进行车道线分割；

步骤2：对车道线分割结果的概率图作后处理，即寻找每条车道线的最大响应点，得到每条车道线的车道点坐标集合，连接车道点即得到最终车道线检测结果。

2.根据权利要求1所述的基于Spatial-LargeFOV深度学习网络的车道线检测方法，其特征在于：

在步骤2中利用卷积神经网络模型进行车道线分割的具体步骤如下：

步骤2-1：将原始行车图像统一为800*288大小的输入图像；

步骤2-2：将步骤2-1得到的输入图像送到到用于车道线语义分割的卷积神经网络模型，网络输出车道线分割结果的概率图，概率图的维度对应输出的类别数（车道线类别数和背景）。

3.根据权利要求1或2中所述的基于Spatial-LargeFOV深度学习网络的车道线检测方法，其特征在于：

在步骤2中所述的用于车道线像素分割的卷积神经网络模型是一个结合了空间卷积结构、空洞卷积组合、跳跃连接和深度可分离卷积的轻量化网络，具体描述如下：

在LargeFOV后添加解码器，扩展为编码器-解码器网络，且整体网络中将每一个卷积块的最后一个卷积层的步长设置为2来代替Maxpooling作下采样，只保留Conv5后的一个Avgpooling层作全局信息的平均；

编码器-解码器分配如下：

编码器包括LargeFOV中Conv7及Conv7之前的结构；

解码器为Conv7以后的所有结构：

a利用不同扩张率的空洞卷积组合以增加感受野，利用跳跃连接进行多级特征融合，一方面获取多尺度的上下文信息以更有效地识别长距离的连续性目标，另一方面融合低级特征以细化分割边界；

b特征图在输出层前先经过一个3x3的卷积层以精炼特征信息，即Conv8；

c将空间卷积结构(SCNN)添加到Conv8之前，增强空间位置关系，一定程度上弥补因光照、天气、遮挡等干扰因素导致表征学习不佳的情况；

d用深度可分离卷积代替标准卷积，在降低模型复杂度和减少计算成本的同时保证相似的精度。

4.根据权利要求2所述的基于Spatial-LargeFOV深度学习网络的车道线检测方法，其特征在于：

在步骤2-2中得到的概率图中寻找每条车道线的最大响应值，即概率值最大的点。

5.只保留最大响应点中概率值大于0.5的点，即认为概率值大于 0.5 的车道点是真实存在的，且当且仅当该条车道线存在大于等于三个车道点时认为该条车道线是存在的。

6.根据权利要求1所述的基于Spatial-LargeFOV深度学习网络的车道线检测方法，其特征在于：

为了视频连续帧间的车道线检测结果更平滑，对步骤2得到的车道点不进行最小二乘法拟合，即概率图得到的车道点进行异常点剔除后直接连起来作为最终车道线检测结果。