[发明专利]基于改进SCNN网络的车道线检测方法

说明书

本发明公开了一种基于改进SCNN网络的车道线检测方法，通过选取CULane车道线数据集，作为用于改进后SCNN网络训练的训练数据集；构建改进后的SCNN网络，对不同的车道线特征进行分类，输出车道线候选点；采用车道线种子点归类方法，进行车道线的归类；基于车道线种子点归类方法所得的已归类好的车道线候选点，使用加权最小二乘法分车道线容器进行拟合，得到各车道线容器的车道线模型，实现车道线的精确定位。本发明在不丢失SCNN网络框架准确性的前提下提升了网络结构的处理速度，具有良好的鲁棒性与实时性，可以推广应用在驾驶辅助系统等系统中，具有广泛的实用性。

技术领域

本发明涉及道路交通的图像识别技术领域，具体地指一种基于改进SCNN网络的车道线检测方法。

背景技术

随着汽车成为人们出行的主要工具之一，汽车数量增长也伴随着相关社会问题的发生，交通事故的频发，也使人们越来越重视交通安全问题。目前，相对成熟的时高级辅助驾驶技术包括车道偏离预警、自适应巡航、前车碰撞预警、行人检测、车道保持辅助等。其中，车道检测系统是实现辅助驾驶的相关功能的重要基础。在结构化道路环境下，在车道内驾驶车辆可以保证车辆的有序行驶，而能否快速、准确稳定的检测车道线对辅助驾驶功能的实现至关重要的作用，车道线检测的准确性，实时性也成为了现在车道线检测不断研究的重点。

鉴于车道线明显的外观特征，车道线检测算法通常利用车道线的颜色、纹理、几何等特征。基于颜色特征的检测算法，通常对车道线的颜色建立先验模型，而后采用分割的方法对车道线进行前背景分割；基于纹理特征的检测方法，一般采用分类器对车道线的结构纹理特征进行训练，然后区分车道线与其他区域；基于几何特征的检测方法，一般假设车道线模型为直线模型或曲线模型，然后提取车道线的边缘，对模型进行拟合，从而确定参数，检测车道线。传统算法大多依赖于底层的人工设计特征，模型难以在恶劣条件下工作。

基于深度学习的方法检测车道线，通常对于检测任务，深度学习方法采用边界框确定目标的大致位置，然后用与标定框的重合度评价检测结果的好坏。由于车道线细长的形状特性，如果采用检测方式，存在以下问题：检测车道线需要对其精确定位，检测的边界框无法满足应用要求；检测网络训练的样本标定框中车道线信息相对于其他区域信息量较少，不能充分地学习车道线特征。因而，考虑采用精确定位的分割算法提取车道线候选点，而后进行拟合处理。对于分割任务，基于FCN的语义分割方案已经相当成熟，并取得了巨大的成功。然而，对于类似车道线的细长目标，空间形状特征明显，而外观特征较少，分割效果仍有待提高。

发明内容

本发明的目的是为了解决上述背景技术存在的问题，而提出的一种基于改进SCNN网络的车道线检测方法，通过改进的SCNN网络提取车道线候选点，利用种子归类法对车道线候选点进行归类，使用加权最小二乘法进行车道线拟合，得到车道线模型，实现车道线的精确检测。

为实现上述目的，本发明所设计的基于改进SCNN网络的车道线检测方法，其特殊之处在于，所述方法包括以下步骤：

步骤1：选取CULane车道线数据集，作为用于改进后SCNN网络训练的训练数据集；

步骤2：构建改进后的SCNN网络，对不同的车道线特征进行分类，输出车道线候选点；

步骤3：基于输出的车道线候选点，采用车道线种子点归类方法，进行车道线的归类；

步骤4：基于车道线种子点归类方法所得的已归类好的车道线候选点，使用加权最小二乘法分车道线容器进行拟合，得到各车道线容器的车道线模型；

步骤5：将车道线测试集输入车道线模型，实现车道线的精确定位。

优选地，所述步骤2包括以下子步骤：

步骤2.1：以VGG16网络结构为基础，将全连接层fc6替换为rate＝4，size＝3，channels＝1024的带孔卷积层，其中rate表示膨胀率，size表示卷积核的大小，channels表示通道数；