[发明专利]一种基于Mask R-CNN的自动驾驶环境道路提取方法

说明书

一种基于Mask R‑CNN的自动驾驶环境道路提取方法。本发明公开了一种基于深度学习的自动驾驶环境下车道偏离检测方法，属于图像处理领域，可应用于自动驾驶环境下的车道偏离检测，针对传统检测方法无法适应不同复杂环境的问题和缺点，本发明提出了一种基于深度学习的车道偏离检测方法，利用深度学习Mask R‑CNN图像分割方法并结合数学建模方法，得到一种车道线提取、检测，来达到于车道偏离预警的目的，本发明车道线检测效果好，精度好，无需根据环境修改参数，可以适应不同的复杂驾驶环境，具有较好的鲁棒性，达到精准预测车道偏离的目的。

技术领域

本发明属于图像处理领域，具体涉及一种基于深度学习的道路提取方法，可应用于自动驾驶车辆的车道偏离检测。

背景技术

随着人工智能的飞速发展，传统汽车工业与信息技术的结合，使得智能驾驶技术的研究取得了很大的进步。智能驾驶技术是当今计算机视觉研究的主要焦点，无论是在学术层面还是在工业层面。计算机视觉主要是利用计算机来模拟人类的视觉功能，即它提取、处理和理解图像信息，并将其用于检测、测量和控制。

自动驾驶最具挑战性的任务之一是交通场景的理解，包括车道检测及车道偏离预警等计算机视觉任务。车道检测有助于引导车辆，可用于驾驶辅助系统，基于摄像头的车道检测是实现这种环境理解的重要一步，因为它允许汽车在道路车道内正确定位。这对于任何后续的车道偏离是至关重要的。因此，进行准确的基于摄像头的车道检测是实现自动驾驶的关键。然而，在实际应用中，考虑到恶劣的天气条件、昏暗或眩光等许多严酷的场景，这些任务可能非常具有挑战性。传统车道线检测及预警方法高度依赖人工选取车道特征特性，工作量大，在交通场景发生显著变化时，效果较差。

在车道线检测问题中，深度神经网络用于学习车道线特征，提高了车道线特征提取的准确性，适用于复杂的道路环境。最受欢迎的检测和分段方法Faster R-CNN和YOLO对于车道实例分割并不理想，因为边界框检测更适合于紧凑的对象，而车道则不然。

悉尼大学使用卷积神经网络CNN和一个递归神经网络(Recurrent NeutralNetwork,RNN)来检测车道线，在这种方法中，CNN提供了车道线结构的几何信息，并且该信息被RNN用于检测车道线，实验表明，该方法能够有效地提取出车道线型目标。

韩国机器人和计算机视觉实验室提出一种提取多个感兴趣区域的方法，合并可能属于同一类的区域，最后利用主成分分析网络(Principal Component Analysis Network,PCANet)和神经网络对候选区域进行分类，随后该实验室在2017年提出了一种基于灭点指导的多任务网络(Vanishing Point Guided Network,VPGNet)来解决复杂天气条件下的车道线和识别和分类问题。

福特研究与创新中心采用深度车道线网络(Deeplanes Network)分别提取车辆两侧摄像头获取的车道线特征，该方法虽然具有较好的检测效果，但只适用于双目摄像机场景。

香港中文大学提出的SCNN在图片的行和列上做信息传递，利用图像前后帧之间的信息关联和信息传递来获取完整的检测信息，对车道线这种有强先验知识的目标有较好的检测效果，适用于遮挡场景下的车道线检测。

Mask R-CNN是一种基于深度学习的实例分割方法，广泛应用在图像的目标分割任务中。Mask R-CNN不仅可以完整准确的分割出我们所要检测的目标，同时还能对属于同一类别的不同个体进行区分，传统的分割方法只能将图像中的车道线信息分割出来，但无法区分每一条车道线，如是当前车辆左侧车道线信息还是右侧车道线信息，工作量大，而采用Mask R-CNN模型则可以避免人工的进一步繁琐操作。